Traducido del inglés al español - www.onlinedoctranslator.

com

Nueve pasos para un estudio de simulación exitoso

Autor: Rey Acantilado

1. Definir el problema
2. Formular un objetivo
3. Describa el sistema y enumere cualquier suposición
4. Enumera posibles soluciones alternativas
5. Recolectar datos y recopilar información
6. Construya el modelo de computadora
7. Verificar y validar el modelo
8. Realiza experimentos alternativos
9. Analizar los productos

Estos nueve pasos se definen brevemente a continuación. No pretende ser una discusión exhaustiva, sino
simplemente una guía general. Recuerde que un estudio de simulación no es una simple secuencia de
pasos. Algunos proyectos pueden requerir volver a los pasos anteriores a medida que se obtiene más
información sobre el sistema. Los pasos de verificación y validación serán parte de cada paso del proyecto.

1. Definir el problema

Un modelo que represente todos los aspectos de la realidad para todo su sistema es imposible o, en
el mejor de los casos, demasiado caro. Además, tal modelo es a menudo malo. Será demasiado
complejo y difícil de entender. Por lo tanto, es recomendable primero definir un problema, formular
un objetivo y luego construir un modelo que esté 100% diseñado para resolver el problema. Se debe
tener cuidado de no hacer una suposición errónea al definir el problema. Por ejemplo, en lugar de
decir que no hay suficientes muelles de recepción, diga que el tiempo de espera de los camiones es
demasiado largo. Como pauta, formule un enunciado del problema lo más general posible, piense en
las posibles causas del problema y luego, si es posible, defínalo más específicamente.

2. Formular un objetivo y definir las medidas de desempeño del sistema

Un estudio de simulación sin un objetivo es inútil. El objetivo pretende ser una guía a
través de cada paso del proyecto. La descripción del sistema se define con el objetivo
en mente. El objetivo determina qué suposiciones se pueden hacer. La información y
los datos que se deben recopilar dependen del objetivo. El modelo se construye y
valida para cumplir específicamente con el objetivo. Y por supuesto, los resultados de
salida recogidos lo hacen con la finalidad de satisfacer los objetivos. El objetivo debe
ser claro, inequívoco y factible. Los objetivos a menudo se pueden expresar como
preguntas como "¿Es más rentable aumentar la capacidad agregando maquinaria o
trabajando horas extras?" Al definir el objetivo, es necesario especificar las medidas
de rendimiento que se utilizarán para determinar si se cumple el objetivo. Tasa de
producción por hora,
Finalmente, enumere las condiciones previas para los resultados de la simulación. Por ejemplo, el objetivo se debe
realizar utilizando las instalaciones existentes, o no se debe exceder el monto máximo de inversión, o el tiempo de
entrega del producto no puede aumentar.

3. Describa el modelo y enumere cualquier suposición

En pocas palabras, un modelo de simulación captura el tiempo que lleva hacer las cosas. Los tiempos en un
sistema se dividen entre tiempos de proceso, tiempos de transporte y tiempos de espera. Ya sea que el modelo
sea un sistema de logística, una planta de fabricación o una operación de servicio, es necesario definir
claramente los siguientes elementos de modelado: recursos, elementos de flujo (productos, clientes o
información), rutas, transformaciones de elementos, control de flujo, tiempos de proceso y los tiempos de
inactividad de los recursos. Aquí hay una breve descripción de cada uno.

Hay cuatro tipos básicos de recursos: procesadores, colas, transportes y recursos compartidos como operadores.
Los requisitos de llegada y precarga de los elementos de flujo deben definirse en términos de tiempos de llegada,
patrones de llegada y tipos de elementos. Al definir rutas de flujo, se requieren descripciones detalladas para
fusiones y desvíos. Las transformaciones de elementos incluyen cambios de atributos, operaciones de ensamblaje
(combinación de elementos) y operaciones de desensamblaje (división de elementos). A menudo habrá la
necesidad de controlar el flujo de elementos en el modelo. Por ejemplo, se puede forzar la detención de un
elemento hasta que se cumpla una condición o un tiempo, y luego liberarlo según un conjunto específico de
reglas. Todos los tiempos de proceso deben ser definidos; enumerando claramente qué tiempos dependen del
operador y cuáles son automáticos. Los recursos pueden tener tiempos de inactividad planificados y no
planificados. Los tiempos de inactividad planificados suelen ser almuerzos, descansos o mantenimiento
preventivo. Los tiempos de inactividad no planificados son averías que ocurren al azar; por lo tanto, se debe
definir un tiempo medio entre fallas (mtbf) y un tiempo medio de reparación (mttr).

Cuando todo está dicho y hecho, traducir la realidad en una descripción del modelo es mucho más
difícil que traducir la descripción del modelo en un modelo informático. Traducir la realidad a un
modelo siempre significa que estás dando una interpretación de la realidad. Será necesario
especificar todas y cada una de las suposiciones que se hacen en la traducción. De hecho, es una
buena idea mantener una lista de supuestos disponibles durante todo el estudio de simulación, ya
que la lista tenderá a crecer. Si este paso de describir el sistema se hace correctamente, el paso de
construir el modelo de computadora se simplificará mucho.

Recuerde que solo es necesario que el modelo contenga suficientes detalles para capturar la
esencia del sistema para los fines a los que está destinado el modelo; no es necesario tener una
relación de uno a uno entre los elementos del modelo y los elementos del sistema. Como dijo
Einstein: “Mantenlo lo más simple posible, pero no más simple”.

4. Enumera posibles soluciones alternativas

Es importante determinar los escenarios alternativos que el modelo tendrá que ejecutar al principio
del estudio de simulación. Tendrá una influencia en cómo se construye el modelo. Al tener en cuenta
las alternativas en una etapa temprana, el modelo se puede configurar de tal manera que se
transforme fácilmente en un sistema alternativo.
5. Recolectar datos y recopilar información

Además de recopilar datos e información para los parámetros de entrada del modelo, es útil al
validar un modelo tener datos reales con los que comparar las medidas de rendimiento del
modelo.

Se recomienda que primero recopile datos de registros históricos, experiencia o por cálculo. Estos datos
aproximados proporcionarán una base para establecer los parámetros de entrada del modelo y ayudarán a
identificar aquellos parámetros de entrada que requieren una recopilación de datos más precisa.

Las fuentes de datos existentes no siempre están disponibles, y la recopilación de datos a través de
mediciones puede ser costosa y llevar mucho tiempo. En lugar de salir y comenzar a recopilar datos sobre
cada parámetro de entrada del sistema, será más rentable utilizar estimaciones hasta que se pueda realizar
un análisis de sensibilidad en el modelo para identificar aquellos parámetros que requieren datos
confiables. Se pueden obtener estimaciones a partir de unas pocas mediciones rápidas o consultando con
expertos en sistemas que tengan experiencia práctica o estén bien familiarizados con el sistema. Incluso
cuando se utilizan datos aproximados, es mejor al menos definir una distribución triangular basada en un
valor mínimo, máximo y más probable, en lugar de simplemente utilizar un valor promedio. A veces, las
estimaciones pueden ser suficientes para cumplir el objetivo del estudio de simulación. Como ejemplo, la
simulación puede usarse simplemente para educar al personal sobre ciertas relaciones de causa y efecto
dentro del sistema. En este caso, una estimación es todo lo que se necesita.

Cuando se necesitan datos confiables, es necesario recopilar una cantidad estadísticamente significativa de
datos durante un período de tiempo representativo para definir una distribución de probabilidad que
represente con precisión la realidad. El número de puntos de datos requeridos depende de la varianza, pero
como regla general es necesario tener al menos treinta y probablemente cientos. Si el parámetro de
entrada es un tiempo de inactividad estocástico, entonces puede ser necesario recopilar datos durante un
período de tiempo prolongado para capturar una cantidad significativa de puntos.

6. Construya el modelo de computadora

Al construir el modelo, tenga en cuenta el objetivo. Cree pequeños modelos de prueba para probar
primero las piezas difíciles de modelar. Construya siempre el modelo en fases, haciendo que cada fase
funcione correctamente antes de pasar a la siguiente fase. Nunca diseñe todo el sistema y luego presione
el botón ejecutar. Ejecute y depure cada fase a medida que avanza. Posiblemente querrá hacer varios
modelos del mismo sistema, cada uno con diferentes niveles de abstracción. Los modelos abstractos
ayudarán a definir las partes importantes del sistema y dirigirán el esfuerzo de recopilación de datos para
modelos posteriores con más detalle.
7. Verificar y validar el modelo

Verificaciónes determinar si el modelo funciona según lo previsto. ¿Coincide el modelo con

el modelo que querías construir? ¿Los productos se procesan durante la cantidad de
tiempo correcta, van a donde se supone que deben ir?

Validaciónes mas extensa. Implica determinar si el modelo es una representación correcta

de la realidad y determinar cuánta confianza se puede depositar en los resultados del
modelo.

Verificación

Hay una serie de técnicas que se pueden utilizar para verificar un modelo de simulación. El primero, y el
más valioso, es ver la animación y el reloj de simulación simultáneamente mientras se ejecuta el modelo a
baja velocidad. Esto debería señalar cualquier discrepancia grave en las rutas de flujo y los tiempos de
procesamiento.

Otra técnica de verificación es consultar los estados y atributos de los recursos y elementos de
flujo en el modelo mediante el uso de la ventana de comandos interactivos, o mostrando
cuadros y gráficos dinámicos en la pantalla mientras se ejecuta el modelo.

Ejecutar el modelo en modo "paso" y ver el archivo de seguimiento dinámicamente puede ayudar a
depurar el modelo. Es una buena idea ejecutar la simulación con una variedad de configuraciones
para los parámetros de entrada y verificar que la salida sea razonable. En algunos casos, ciertas
medidas simples de desempeño pueden calcularse a mano y usarse para una comparación directa.
Las tasas de utilización y producción suelen ser fáciles de calcular para áreas definidas en el modelo.

Al depurar un problema en el modelo, se recomienda utilizar el mismo flujo de números aleatorios

para cada ejecución de prueba, de modo que los cambios observados se atribuyan correctamente a
las modificaciones realizadas en el modelo y no a un cambio en el flujo de números aleatorios. A
veces es útil ejecutar el modelo bajo suposiciones simplificadas para las cuales el rendimiento se
puede predecir o calcular fácilmente.

Validación

La validación del modelo establece credibilidad en el modelo. Sin embargo, no existen técnicas de
validación que den un 100% de certeza en los resultados de un modelo. Nunca podremos probar que el
comportamiento del modelo es una descripción exacta de la realidad. Si pudiéramos, podría no haber
necesidad de un modelo de simulación en primer lugar. A lo sumo, podemos esforzarnos por asegurarnos
de que el comportamiento del modelo no se contradiga con los hechos.

Con la validación, tratamos de determinar hasta qué punto el modelo es bueno. Un modelo es bueno
si cumple con nuestro objetivo proporcionando información relativamente precisa. El modelo solo
debe ser tan válido como sea necesario y no tan válido como sea posible. Siempre hay una
compensación entre la precisión de los resultados y el costo de obtenerlos.
Aquí hay una serie de ideas para juzgar la validez de un modelo:
a) ¿Las medidas de rendimiento del modelo coinciden con las medidas de rendimiento del
sistema real?
b) Si no hay un sistema real para comparar, entonces haga comparaciones con resultados
relevantes de modelos de simulación similares de sistemas reales.
c) Usar la experiencia o la intuición de los expertos en sistemas para formular hipótesis sobre cómo deberían
funcionar los componentes específicos de un sistema complejo.
d) Realizar un “recorrido” estructurado del modelo ante una audiencia de todas las personas
clave para garantizar que las entradas y suposiciones del modelo sean correctas y que las
medidas de desempeño del modelo sean realistas. El conocimiento del equipo completo
contribuye a la validez del modelo.
e) ¿El comportamiento del modelo se corresponde con la teoría? Determine el mínimo y el máximo
teóricos de los resultados y verifique si los resultados se encuentran dentro de este intervalo.

f) Varíe los parámetros de entrada que conoce la dirección de su efecto en una medida
de desempeño particular, y verifique el cumplimiento.
g) ¿El modelo es capaz de predecir con precisión los resultados? Esta técnica se utiliza para la
validación continua de un modelo que se utiliza de forma continua.
h) Pida a otro modelador de simulación que revise el modelo. Mejor aún, haga que otro
modelador construya un modelo del mismo sistema y compare los resultados.

8. Realiza experimentos alternativos

Siempre se requieren múltiples ejecuciones de simulación (u observaciones) cuando se trata de estocásticos.

Recuerde, entrada aleatoria, salida aleatoria. Si es posible, se deben calcular los intervalos de confianza para cada
una de las medidas de desempeño definidas en el paso 2. Los escenarios alternativos se pueden configurar
individualmente y simular manualmente usando el módulo de experimentación de Flexsim, o se pueden ejecutar
ejecuciones automáticas usando el módulo de optimización.

El módulo de optimización de Flexsim utiliza el software OptQuest desarrollado por

OptTek Systems, Inc. Para realizar una optimización, deberá definir una variable objetivo
para maximizar o minimizar, tantas variables de decisión con las que desee experimentar,
cualquier requisito que deben cumplirse y cualquier restricción lineal que desee satisfacer.
Luego especifique el intervalo de confianza deseado para la variable objetivo y deje que
OptQuest se encargue de ejecutar el modelo el número correcto de repeticiones para
cumplir con el intervalo de confianza para cada experimento; y luego, en última instancia,
encontrar el conjunto de soluciones óptimas de variables de decisión para maximizar o
minimizar su variable objetivo. OptQuest utiliza metaheurísticas (una familia de enfoques
de optimización que incluye algoritmos genéticos, recocido simulado, búsqueda tabú,

Al elegir la duración de la ejecución de la simulación, es importante tener en cuenta los períodos de calentamiento,
los posibles tiempos prolongados entre fallas de recursos, las variaciones diarias o estacionales en
tiempos de proceso o llegadas, o cualquier otra característica del sistema que requiera una larga
duración para capturar el efecto.

9. Analizar los productos

Los informes, tablas, gráficos y diagramas de intervalos de confianza serán parte del análisis de
resultados. Un intervalo de confianza indica el rango en el que se encuentra la medida de
desempeño. Esto se hace usando un límite superior e inferior. El grado en que se separan los límites
superior e inferior se denomina precisión. La fiabilidad del rango se indica con un porcentaje. Se
utilizan técnicas estadísticas para analizar los datos de salida de cada una de las ejecuciones de
escenarios alternativos. Al analizar los resultados y sacar conclusiones, debe asegurarse de
interpretar los resultados de tal manera que se relacionen con el objetivo. A menudo es útil generar
una matriz de resultados y alternativas.