Como Mejorar La Logística de Su Empresa Mediante La Simulación PDF

MIQUEL NGEL PIERA
TONI GUASCH
JOSEP CASANOVAS
JUAN JOS RAMOS
CMO MEJORAR
LA LOGSTICA DE SU
EMPRESA MEDIANTE
LA SIMULACIN
Madrid - Buenos Aires - Mxico

Miguel ngel Piera, Toni Guasch, Josep Casanovas, Juan Jos Ramos, 2006
(Libro en papel)
Miguel ngel Piera, Toni Guasch, Josep Casanovas, Juan Jos Ramos, 2013
(Libro electrnico)
Reservados todos los derechos.
No est permitida la reproduccin total o parcial de este libro, ni su tratamiento

informtico, ni la transmisin de ninguna forma o por cualquier medio, ya sea
electrnico, mecnico, por fotocopia, por registro u otros mtodos sin el permiso
previo y por escrito de los titulares del Copyright
Ediciones Daz de Santos, S.A.

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

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

Toni Guasch
Dedicat a Rosa, Ada y Laura

Josep Casanovas
Dedicado a Mara Jos y Julia

Juan Jos Ramos
ndice
Sobre los autores .................................................................. XI

Prlogo .................................................................................. XIII
1. Introduccin y motivacin ............................................. 1

Herramientas de ayuda a la toma de decisiones en pro-
duccin......................................................................... 4
La toma de decisiones en logstica ................................... 7
Por qu los procesos logsticos, de fabricacin o de ser-
vicios, deben ser considerados sistemas complejos? ... 10
Ventajas de la simulacin digital ...................................... 12
Entornos grficos de simulacin: factor de riesgo............ 14
reas de aplicacin........................................................... 14
2. Qu es un proyecto de simulacin? ............................. 17
Etapas de un proyecto de simulacin................................ 18
3. Importancia de los datos ................................................ 25
Proceso de recogida de datos ............................................ 26
Algunas ideas que facilitarn la tarea de recogida y anli-
sis de datos ................................................................... 26
IX
X NDICE
Aleatoriedad versus comportamiento determinista........... 27

Puede un ordenador generar los mismos datos que un
sistema real?................................................................ 29
Identificacin de las propiedades estadsticas .................. 31
Funciones de distribucin tericas ms utilizadas ............ 32
4. Construccin y funcionamiento de un modelo de si-
mulacin basado en un sistema sencillo........................ 35
Ejemplo............................................................................. 36
Definiciones previas.......................................................... 37
Simulacin manual ........................................................... 39
5. Verificacin y validacin de modelos ............................ 45
Qu se entiende por verificacin y validacin? .............. 46
Dificultades para la validacin.......................................... 53
6. Herramientas informticas para la simulacin............ 55
Lenguajes y entornos de simulacin................................. 56
Criterios para la evaluacin de las herramientas inform-
ticas .............................................................................. 59
Funcionalidad ................................................................... 60
Facilidad............................................................................ 67
Eficiencia .......................................................................... 68
Fiabilidad .......................................................................... 68
Portabilidad....................................................................... 69
Empresa ............................................................................ 69
Coste ................................................................................. 70
7. Aplicaciones y ejemplos.................................................. 73
Campos de aplicacin ....................................................... 73
Ejemplos ........................................................................... 79
Apndice A. Simulacin en Internet .................................... 99
Apndice B. Bibliografa ..................................................... 103
Sobre los autores
Los autores poseen una dilatada experiencia docente e investi-

gadora en el campo de la simulacin digital, as como en el desa-
rrollo y uso de software especializado y en su aplicacin sectorial
(www-iri.upc.es/logisim). Han participado en numerosos proyectos
de transferencia de tecnologa, relacionados con la mejora de los
procesos productivos en sistemas siderrgicos y textiles, en la in-
dustria farmacutica o en el sector de la automocin, la mejora de
procesos logsticos de transporte en procesos portuarios, y en otros
campos de aplicacin, como la logstica asociada a los sistemas
de prevencin y seguridad en la evacuacin de edificios. Asimismo,
han liderado y participado en distintos proyectos de investiga-
cin, desarrollo e innovacin (I+D+I) y han dedicado un notable
esfuerzo a la transferencia de conocimiento organizando cursos,
seminarios, y conferencias internacionales sobre aspectos metodo-
lgicos y aplicados de la simulacin. Se adjunta un CD-ROM con
informacin relacionada con el centro de transferencia de tecnolo-
ga en simulacin LogiSim, as como informacin y resultados de
proyectos de simulacin industriales en los que se han aplicado la
metodologa que se introduce en el presente libro.
XI
Prlogo
Las personas expertas en simulacin consideran inconcebible

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

recursos al minimizar el factor de riesgo y al facilitar un diseo
equilibrado del sistema. Un reciente informe, patrocinado por la
Comunidad Europea, cuantificaba el impacto de la simulacin en
un incremento de entre el 5 y el 10% en la productividad global de
las empresas.
La caracterstica ms significativa de la simulacin de modelos
de eventos discretos es su notable capacidad para contemplar los
efectos aleatorios presentes en la mayora de los procesos reales.
Tradicionalmente, la simulacin de eventos discretos ha sido apli-
cada con xito al anlisis y diseo de procesos de fabricacin. En
la ltima dcada su uso se ha extendido a otras reas tales como
logstica, transporte, servicios, sanidad, informtica o comunica-
ciones. La popularizacin de estas tcnicas ha ido paralela al in-
cremento de potencia y flexibilidad de las nuevas herramientas. Su
facilidad de manejo y sus entornos de visualizacin/animacin
han facilitado la incorporacin de nuevos usuarios menos espe-
cializados. Si bien se ha popularizado su utilizacin, tambin se
ha incrementado su mal uso. Un modelo de simulacin no puede
ser mejor que los datos y las tcnicas empleadas en su construc-
cin.
Existen varios libros que cubren distintos aspectos de las tc-
nicas de simulacin. Podemos encontrar, desde una mera intro-
duccin a aplicaciones de la simulacin, hasta libros cientficos
donde se describen los ltimos algoritmos y sus ventajas para op-
timizar el rendimiento de los simuladores, pasando por libros aca-
dmicos en los cuales se presentan los requisitos para la construc-
cin de simuladores. El primer objetivo perseguido en el presente
libro es introducir al lector en estas tcnicas y acercarlo a su po-
tencial. El segundo es contribuir a su difusin en el entorno em-
presarial. Se presentan conceptos, vocabulario, as como las herra-
mientas informticas necesarias para el desarrollo de modelos de
simulacin de sistemas orientados a eventos, todo ello de forma in-
dependiente a un lenguaje de simulacin especfico.
PRLOGO XV
Los autores disponen de una dilatada experiencia en el desa-

rrollo de modelos en distintos campos, y pretenden resumir en
este libro algunas de sus experiencias que faciliten la tarea de mo-
delado. Para una presentacin ms formal de la metodologa de
modelado, se recomienda al lector el libro Modelado y simula-
cin: aplicacin a procesos logsticos de fabricacin y servicios de
los mismos autores.
Captulo
1
Introduccin y motivacin
La elevada competitividad industrial, as como las exigencias

en precios y calidad del producto, obliga a que las empresas deban
reconfigurar continuamente su cartera de productos, sus mtodos
operativos, sus enfoques de mercado, su proceso de acopio de ma-
teriales y distribucin de los productos.
Por un lado nos encontramos que en el mbito industrial existe
un conjunto importante de empresas que deben redefinir sus pro-
cesos productivos, pero por otro lado nos encontramos con una fal-
ta de mtodos, criterios y herramientas que faciliten la toma de de-
cisiones, dando una respuesta correcta no tan solo a los aspectos
estratgicos y econmicos, sino tambin a los aspectos tcticos y
operacionales.
Puede decirse que las soluciones que pueden aportar a un mis-
mo problema los ingenieros o los economistas suele ser muy dife-
rente, y en algunos casos incluso contradictorias, debido princi-
palmente a que los objetivos estratgicos, de costos y financiacin
no siempre son compatibles con los objetivos de produccin. Con-
sidrense, a ttulo de ejemplo, los departamentos de Ventas, Pro-
duccin y Expedicin de una industria, los cuales presentan nece-
1
2 CMO MEJORAR LA LOGSTICA DE SU EMPRESA MEDIANTE LA SIMULACIN
sidades y parmetros de rendimiento distintos, la solucin que

suele adoptarse suele ser una solucin de compromiso en la que se
ponderan las soluciones particulares que daran mejor beneficio a
cada uno de los departamentos por separado.
De modo ms general, las empresas deben competir conside-
rando no un objetivo particular sino que deben poder contemplar el
problema en su globalidad, considerando los diferentes indicadores
de posicionamiento en el mercado a la vez, y no una solucin de
compromiso que pondere las soluciones particulares alcanzadas a
partir de visiones particionadas del problema. Considrense, a t-
tulo de ejemplo, los siguientes parmetros de posicionamiento que
suelen contemplarse en la toma de decisiones:
Flexibilidad: capacidad de reaccin frente a cambios en los
plazos de entrega, para lo cual se deben poder realizar cambios
en las plantillas, volumen de produccin, gama de productos, etc.
Calidad: grado de satisfaccin de las necesidades y expecta-
tivas de los clientes en el producto final, la cual suele para-
metrizarse mediante especificaciones tcnicas, caractersticas
fsicas y tiempos de respuesta entre otros.
Servicio: grado de cumplimiento de los compromisos adquiri-
dos en cuanto a los plazos de entrega, cantidades y precios.
Coste: el precio del producto final no viene determinado tan
solo por los aspectos de produccin, sino que depende con-
siderablemente de las polticas de distribucin, acopio de
materiales, gestin de stock.
Innovacin: capacidad sistemtica de poder generar produc-
tos o servicios nuevos, o bien de producir los mismos pro-
ductos y servicios de maneras diferentes.
Aunque en los enfoques clsicos de produccin las empresas
priorizaban algunos de los parmetros descritos, ignorando o mi-
nimizando el resto, en la actualidad es necesario poder tomar de-
cisiones bajo una perspectiva ms amplia en la que se contemplen
INTRODUCCIN Y MOTIVACIN 3
de modo integrado y no competitivo las prioridades de los distintos

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

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

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

duccin debe contemplar de modo integrado tres tipos de periodos
para la toma de decisiones: largo plazo, medio plazo y corto plazo.
En la planificacin a largo plazo la toma de decisiones suele cen-
trarse en aspectos estratgicos, tales como productos, seleccin
de equipos y procesos, recursos, servicios y localizacin. La pla-
nificacin a medio plazo comporta la toma de decisiones tcticas,
tales como sobre el acopio de material, establecer las cantidades de
produccin de cada producto, con el objetivo de optimizar algn
criterio de rendimiento tal como la minimizacin de los costes sin
violar las restricciones de capacidad. En la planificacin a corto
plazo las decisiones estn vinculadas a los aspectos ms operacio-
nales, como la programacin diaria de operaciones y la secuencia-
lizacin de tareas.
Existen un conjunto de aspectos que deben tenerse en cuenta al
seleccionar herramientas informticas de ayuda a la toma de deci-
siones: horizonte de planificacin (estratgico, tctico, operacio-
nal), cantidad de materiales a procesar (relacin jerrquica entre las
piezas necesarias para la fabricacin de los subproductos), tipos de
productos a fabricar (diversificacin de la produccin), capacidad
de los recursos (paradas de mantenimiento, tiempos de set-up),
reprocesamiento de material defectuoso, demanda (esttica, din-
mica, determinista o estocstica), acopio de material (roturas de
stock).
Los modelos utilizados para el anlisis y la toma de decisiones
en planificacin pueden ser clasificados en:
Modelos deterministas analticos: se caracterizan en que los

parmetros son conocidos y con valores especficos, y el ob-
jetivo consiste en alcanzar una solucin analtica a travs de
tcnicas de programacin matemtica. Estos modelos suelen
ofrecer soluciones bajo ciertas hiptesis de trabajo, pero se
encuentran limitados a representaciones estacionarias del
sistema.
Modelos analticos estocsticos: se caracterizan porque al

menos uno de los parmetros es desconocido, pero se supone
que responde a una cierta funcin de distribucin estadstica.
Aunque estos modelos suelen representar con mayor grado
de detalle el comportamiento de los sistemas reales que pre-
sentan un cierto comportamiento estocstico, al no ser din-
micos, no permiten una correcta actualizacin temporal del
estado de los objetos descritos.
Modelos econmicos: se centran en la especificacin de la
relacin comprador-vendedor desde una perspectiva de cos-
tes.
Modelos de simulacin: permiten alcanzar representaciones
con un elevado grado de detalle del sistema en estudio. Faci-
litan considerablemente la toma de decisiones mediante un
anlisis del tipo qu pasara si ...?
En los ltimos aos han aparecido en el mercado una gran di-
versidad de paquetes informticos de ayuda a la toma de decisiones
en la planificacin y gestin de materiales, como son por ejemplo:
MRP, ERP, DRP, SCM. Todos estos paquetes intentan planificar la
demanda y procesamiento de materiales a lo largo del tiempo. De-
safortunadamente, los modelos con los que trabajan no contemplan
la importancia de los recursos, de modo que estos planificadores
presentan ciertas dificultades en capturar aquellos aspectos de la di-
nmica de las unidades de produccin y transporte, los cuales tie-
nen una incidencia importante en el rendimiento de los sistemas
con elevada diversidad de produccin.
Por otro lado, dado que los recursos (unidades de produccin y
de transporte) tampoco pueden ser considerados como objetos sen-
cillos de modelar: las relaciones entre recursos presentan caracte-
rsticas tcnicas (i.e. orden de las operaciones), dependencia (i.e. un
operador puede supervisar varias unidades pero solo puede atender
a una), capacidad limitada (en funcin del tipo de operacin), tam-
bin se han desarrollado metodologas y entornos informticos de
ayuda a la toma de decisiones sobre la gestin y planificacin de

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

La principal dificultad en la resolucin de los problemas logs-
ticos en la industria estriba en que cada vez que se toma una deci-
sin sobre una determinada variable, deber tenerse en cuenta cul
va a ser el alcance de la decisin; no slo en cuanto a la respuesta
del sistema, sino tambin de qu forma afectar a otras variables
ntimamente relacionadas con la inicial. Desde un punto de vista
ms formal, la dificultad en el uso de sistemas informticos que
ayuden a la toma de decisiones estriba en la gran cantidad de va-
riables que intervienen, las interacciones existentes entre ellas y los
intereses conflictivos e incluso contrapuestos que muchas veces
presentan. Poder dar respuestas a problemas de localizacin de
centros productivos y logsticos, tales como: dnde se deberan
ubicar las instalaciones?, cmo se deberan disear las redes de

distribucin con sus almacenes y redes de transporte?, o poder va-
lidar un plan de produccin antes de su implantacin, son algunos
ejemplos de problemas logsticos para los que no existen paquetes
informticos estndar que puedan dar la respuesta que la industria
necesita.
Otro problema inherente a la planificacin de la produccin,
programacin de actividades, transporte, diseo y finanzas es la
presencia de incertidumbre. Considrese a ttulo de ejemplo la
fluctuacin en el precio de los carburantes, la disponibilidad de po-
tencia elctrica, el acopio de materia prima. Un factor clave en la
optimizacin bajo incertidumbre es la exploracin del espacio de
bsqueda, el cual es difcil de tratar en la prctica industrial debido
al tamao intratable si se realiza una bsqueda exhaustiva. La
toma de decisiones bajo incertidumbre suele presentar un nivel de
complejidad adicional por la presencia de variables de decisin
enteras que suelen utilizarse para describir relaciones lgicas y
otras decisiones discretas.
La falta de herramientas analticas que ayuden y faciliten la
toma de decisiones es uno de los principales problemas con los que
se encuentran los ingenieros y directivos que tienen la necesidad de
mejorar el rendimiento de aquellos sistemas cuyo comportamiento
depende de un nmero elevado de variables. Determinar cambios
en los procedimientos, en los flujos de informacin, as como en la
organizacin y en las polticas de funcionamiento tradicionales de
la empresa son algunos ejemplos de tareas que deben ser realizadas
para reaccionar ante perturbaciones y adaptarse a los constantes
cambios del mercado o del entorno.
La dificultad que comporta la toma de decisiones ligadas a
procesos complejos se hace evidente en una gran diversidad de
campos en los que prcticamente se desconoce la influencia que
pueden tener los cambios locales sobre el rendimiento global de los
procesos. Considrense, a modo de ejemplo, todos aquellos siste-
mas que no pueden procesar de modo inmediato las peticiones de

trabajo, las cuales son retenidas y priorizadas en colas de espera
asociadas a los distintos recursos.
El problema es todava ms complicado cuando se pretende
optimizar o en su caso simplemente mejorar el rendimiento de
un sistema que presenta un comportamiento estocstico (predecible
desde un punto de vista estadstico) a partir de cambios en sus pro-
cesos internos. Para conseguir este objetivo debemos contemplar no
tan slo las fluctuaciones estadsticas, sino tambin las distintas si-
tuaciones que se derivan de la dependencia entre sucesos.
Ejemplos de sistemas con caractersticas similares a las des-
critas pueden encontrarse en las lneas de produccin, en los siste-
mas hospitalarios, sistemas de transporte, redes de comunicacin,
sistemas de defensa y sistemas de procesamiento de la informa-
cin. A modo de ilustracin, supongamos que en un sistema de
produccin tenemos un conjunto de piezas con determinadas peti-
ciones de trabajo asociadas que debern competir entre ellas para
poder utilizar algunos recursos compartidos. Estos suelen ser, entre
otros, mquinas, operarios, herramientas, unidades de transporte
(palets, por ejemplo), o tambin el espacio de los almacenes loca-
les. De modo similar, en los sistemas hospitalarios tenemos peti-
ciones de servicio asociadas a los pacientes que compiten para
acceder a recursos comunes. En este caso, ambulancias, camillas,
salas, sillas de ruedas, camas, mdicos de distintas especialida-
des, enfermeros/as, mquinas de rayos X, TAC, RMN y quirfanos,
entre otros.
Para tratar la complejidad que presenta la optimizacin de pro-
blemas logsticos caracterizados por incertidumbre y un nmero
elevado de variables de decisin altamente acopladas, en este libro
se introducen las principales caractersticas de la simulacin de sis-
temas orientados a eventos discretos como metodologa para dar
respuesta a la toma de decisiones en el campo de la logstica. Estas
herramientas de simulacin ofrecen una plataforma que permite
abordar con xito un proceso de mejora continua de sistemas com-

plejos para los cuales las tcnicas analticas clsicas, basadas en el
uso de clculo diferencial, teora de probabilidades y mtodos al-
gebraicos no pueden ser utilizadas para formalizar de modo senci-
llo la complejidad de estos sistemas.
La simulacin digital consiste en imitar en un ordenador el
comportamiento de un sistema bajo ciertas condiciones de opera-
cin. Para ello es necesario formalizar construir el modelo
basndonos en la sintaxis de un cierto lenguaje de simulacin
el conocimiento que se tiene del sistema que se desea simular,
mediante relaciones lgicas, matemticas y simblicas. El cono-
cimiento que se adquiere en la fase de desarrollo del modelo de
simulacin constituye una buena base para sugerir los cambios que,
con mayor probabilidad, generarn beneficios en el rendimiento
global del sistema. De modo anlogo, permite simplificar el nme-
ro de experimentos a ser realizados en el entorno de simulacin.
Una vez se dispone de un modelo correcto, este puede ser uti-
lizado para analizar y evaluar cmo afectaran ciertos cambios al
rendimiento del sistema, tanto en su organizacin como en las po-
lticas de gestin de recursos compartidos, antes de que dichos
cambios sean aplicados en el sistema real. La experimentacin en
entornos de simulacin digital permite tambin adquirir un mejor
conocimiento de las interacciones entre distintas variables de de-
cisin a partir de la observacin de los resultados que se obtienen al
provocar cambios en los parmetros del modelo.
Por qu los procesos logsticos,

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

sistemas complejos, por ejemplo, un televisor, ni tampoco en
funcin del nmero de ecuaciones necesarias para describir su
comportamiento.
Entendemos que la complejidad de un sistema no es una pro-
piedad inherente al comportamiento del propio sistema, sino ms
bien a la falta de metodologa y de herramientas que permitan es-
pecificar y formalizar el conocimiento que se tiene del mismo con
el objetivo de desarrollar un modelo que presente un comporta-
miento similar al del sistema real. As pues, se da el caso de que el
conocimiento de las leyes fsicas que rigen la dinmica de un pro-
ceso, as como tener una buena base en el uso de herramientas
matemticas, permiten que algunos sistemas que en el pasado ha-
ban sido considerados complejos, en la actualidad ya no lo sean.
De algn modo, puede decirse que todava no existe hoy en da
una metodologa, reconocida y aceptada por los distintos sectores
empresariales y acadmicos, que permite formalizar exhaustiva-
mente el conocimiento que se tiene de los sistemas logsticos, de
produccin o de servicios. Algunos autores afirman que el desa-
rrollo de un modelo de simulacin debe considerarse tanto un arte
como una ciencia. Aunque no se dispone de una metodologa
que permita garantizar el desarrollo de modelos adecuados a los
objetivos particulares de cada estudio, s existen unas ciertas guas
generales o secuencias de pasos que facilitan dicha tarea.
El arte del modelado se caracteriza por la habilidad de abstraer
tan slo las caractersticas de inters del problema, seleccionar y
modificar las suposiciones generales que se tienen del sistema, y de
enriquecer y manipular el modelo hasta obtener una aproxima-
cin til del sistema que se desea estudiar.
En el caso particular de los sistemas logsticos, de fabricacin o
de servicios, y en general tambin en aquellos sistemas en los que
determinados elementos compiten por acceder a recursos compar-
tidos, y cuyo estado puede variar de forma asncrona y en paralelo,
se requiere no tan slo de una buena metodologa para describir el

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

El modelado mediante simulacin es una tcnica muy flexible
y, en general, de fcil aplicacin. Es potente, ya que sus modelos
no requieren las simplificaciones asumidas al trabajar nicamente
con tcnicas analticas. Obtener informacin de un modelo de si-
mulacin suele ser ms fcil que hacerlo del sistema real.
En contrapartida, conseguir los datos apropiados sobre el sis-
tema en estudio puede resultar caro o imposible: el sistema de re-
ferencia puede simplemente no existir.
A modo de resumen, se enumeran a continuacin algunas de
las ventajas que ofrece el uso correcto de los entornos de simula-
cin digital.
Permiten evaluar estrategias de mejora sin perturbar el fun-

cionamiento del sistema real.
Permiten evaluar hiptesis sobre cmo y por qu aparecen
ciertos fenmenos en el sistema estudiado.
El tiempo puede ser expandido o comprimido, de modo que
podemos acelerar el experimento y as observar ciertos fe-
nmenos que prevemos se van a producir en un instante de-
terminado o a lo largo del estudio.
Mejor conocimiento sobre cmo afectan ciertas variables de

decisin al comportamiento global de todo el sistema.
Permiten analizar los cuellos de botella, indicando el estado y
grado de utilizacin de los distintos recursos.
Un proyecto de simulacin suele ayudar de forma decisiva a
entender la secuencia real de operaciones del sistema.
Finalmente, los modelos de simulacin permiten responder a
preguntas del tipo: qu ocurrira si que son tan esencia-
les para la mejora del rendimiento de sistemas considerados
complejos.
La constante investigacin en los campos de la simulacin y
de la computacin permiten suponer que, en breve, van a
poder responderse preguntas del tipo podra ocurrir este su-
ceso? o bien, qu concatenacin de sucesos pueden condu-
cir a una determinada situacin o estado?
A pesar de esta flexibilidad, la simulacin no soluciona todos

los problemas. Construir un modelo de simulacin puede ser
costoso, principalmente porque debe ser verificado y validado.
Adicionalmente, el coste de la experimentacin se incrementa en
la medida que lo hacen los tiempos de computacin y de anlisis
de alternativas. La naturaleza estadstica de la simulacin re-
quiere realizar varios ensayos sobre el mismo modelo para con-
seguir resultados fiables y precisos. De todos modos, y al mar-
gen de estas desventajas, la simulacin se mantiene como una de
las herramientas ms tiles para la gran mayora de los proble-
mas de ingeniera. Tanto en el diseo, planificacin u opera-
cin de los sistemas, la simulacin puede ser utilizada para ob-
tener informacin valiosa que facilite la toma de decisiones
acertadas.
Entornos grficos de simulacin:

factor de riesgo
El correcto uso de las tcnicas de simulacin suele aportar im-
portantes beneficios tanto cualitativos como cuantitativos, sobre
todo en aquellos proyectos de toma de decisiones que pueden
comportar inversiones econmicas considerables.
En la actualidad, las herramientas de simulacin no son utili-
zadas por profesionales especializados en este campo, sino por in-
genieros (expertos en otros campos) que buscan en la simulacin
una respuesta rpida (se suele trabajar bajo una fuerte presin para
encontrar resultados) a problemas industriales. En muchas situa-
ciones, la simulacin ha sido utilizada como ltima herramienta,
cuando el problema no ha podido ser solucionado correctamente
por ninguna otra metodologa.
La evolucin de los lenguajes de simulacin de sistemas orien-
tados a eventos discretos slo asequibles a verdaderos especia-
listas hacia entornos de simulacin con capacidad de programa-
cin grfica utilizables de modo inmediato por usuarios sin
ningn tipo de experiencia en este campo, potencia el uso (a me-
nudo incorrecto) de estas herramientas. A modo de ilustracin,
una revisin de la documentacin comercial de algunos paquetes
de software de simulacin confirma dicha impresin: without re-
quiring a computer expert (GENETIK, Insight Logistics), designed
for end-user (HOCUS,P-E International), even for inexperienced
users (ProModel, Production Modeling Corporations).
reas de aplicacin
La simulacin se ha empleado tradicionalmente para:
Diseo o mejora de sistemas.
Gestin de sistemas.
Entrenamiento y educacin.
Comunicacin y ventas.
En la ltima dcada se ha popularizado el empleo de la simu-

lacin en los sectores productivos, logsticos y de servicios. Para
muchas empresas, la simulacin se ha convertido en una prctica
estndar en el diseo o modificacin de instalaciones o procesos.
Las encuestas efectuadas en Estados Unidos indican que la simu-
lacin es la tcnica ms empleada y que el rango de aplicaciones es
muy amplio. A continuacin se enumeran algunos de los campos
donde el uso correcto de las herramientas de simulacin orientadas
a eventos discretos ha aportado y aporta mejoras considerables en
el rendimiento global del sistema:
Industrias
Procesos logsticos Servicios
productivas
Automvil Transporte por ferrocarril Sanidad
Espacio Sistemas portuarios Restaurantes
Electrnica Transporte por camin Bancos
Metal, acero Transporte por avin Centros de llamada
Papel/Textil Sistemas intermodales Gestin de residuos
Cermica Almacenes Hostelera
Mueble Logstica de procesos Planificacin
Alimentacin productivos de emergencias
Minera Cadena de suministros o catstrofes
Captulo
2
Qu es un proyecto
de simulacin?
Un proyecto de simulacin es dinmico por naturaleza. Los re-

sultados que se van obteniendo a medida que se desarrolla el pro-
yecto pueden poner de manifiesto nuevos problemas, as como li-
mitaciones inherentes al sistema en estudio, que pueden forzar a
reconsiderar factores de diseo. Tambin la motivacin inicial del
cliente puede variar a lo largo del proyecto como consecuencia de
los resultados obtenidos, o por factores externos al propio proyec-
to. Para tener xito en un entorno tan cambiante es necesario de-
sarrollar una aproximacin metodolgica correcta. Los elementos
que se presentan en este captulo tienen como objetivo servir de
gua para abordar con xito un proyecto de simulacin.
En la prctica, el xito en el uso de una tecnologa tan potente
como la simulacin no depende tan solo de los aspectos puramen-
te tcnicos, sino de otros aspectos complementarios como son:
Tener o ganarse el apoyo de los rganos con capacidad de de-
cisin de las empresas, para poder superar los obstculos
que pudieran aparecer.
Inspirar confianza. El cliente o usuario final responsable de la
toma de decisiones no tiene generalmente el tiempo disponi-
17
ble para fiscalizar todo el trabajo efectuado. En consecuencia,

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

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

La especificacin de objetivos es una de las tareas ms impor-
tantes de cualquier proyecto y lgicamente tambin de un proyecto
de simulacin. Si los objetivos no estn claros o son poco concretos,
existe el peligro de no abordar el problema para el cual se ha soli-
citado el proyecto de simulacin y, por tanto, ser incapaz de res-
ponder a las expectativas generadas. En consecuencia, es necesario,
ya en la fase previa a la aceptacin del proyecto, saber identificar los
objetivos para los cuales se ha optado por utilizar la simulacin, de
forma que sean precisos, razonables, comprensibles y medibles.
Estos objetivos nos servirn de gua a lo largo del estudio.
Diseo del modelo conceptual

Una vez conocidos los objetivos del proyecto, podemos tener la
tentacin de iniciar de forma inmediata la construccin del mode-
lo de simulacin. Esto suele conducir a la obtencin de modelos de
QU ES UN PROYECTO DE SIMULACIN? 19
Tabla 2.1. Etapas de un proyecto de simulacin.
Etapa Descripcin
1. Formulacin Define el problema a estudiar, incluyendo los
del problema. objetivos escritos del problema.
2. Diseo del modelo Especificacin del modelo a partir de las carac-
conceptual. tersticas de los elementos del sistema a estudiar
y sus interacciones teniendo en cuenta los obje-
tivos del problema.
3. Recogida de datos. Identificar, recoger y analizar los datos necesa-
rios para el estudio.
4. Construccin Construccin del modelo de simulacin par-
del modelo. tiendo del modelo conceptual y de los datos.
5. Verificacin Comprobar que el modelo se comporta como
y validacin. es de esperar y que existe la correspondencia
adecuada entre el sistema real y el modelo.
6. Diseo de En funcin de los objetivos del estudio, desa-
experimentos rrollar las estrategias de definicin de los esce-
y experimentacin. narios a simular. Experimentar.
7. Anlisis de resultados. Analizar los resultados de la simulacin con la
finalidad de detectar problemas y recomendar
mejoras o soluciones.
8. Documentacin. Proporcionar documentacin sobre el trabajo
efectuado.
9. Implementacin. Poner en prctica las decisiones efectuadas con
el apoyo del estudio de simulacin.
simulacin con mltiples lagunas y de difcil mantenimiento. Es

por ello conveniente formular o especificar el modelo de simula-
cin empleando un nivel de abstraccin (modelo conceptual) su-
perior al del propio cdigo. El modelo conceptual especifica las re-
laciones estructurales ms importantes del sistema a simular y, en
consecuencia, constituye un medio de dilogo y de coordinacin
entre los distintos departamentos o grupos involucrados.
Tambin corresponde a esta etapa especificar qu resultados o

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

cin y datos disponibles: cul es la fuente?, cundo se recogi?,
cmo fue recogida?, tiene sta sentido?, tenemos insuficientes
datos o son excesivos? Para tener buenos resultados es condicin
indispensable disponer de unos buenos datos. Desgraciadamente,
en muchos casos no se dispone de toda la informacin y datos
necesarios pero, aun as, se requiere que se d respuesta a las pre-
guntas planteadas. En estos casos es necesario efectuar hiptesis
razonables en colaboracin con el usuario final. Si los datos son
limitados o su calidad es dudosa es conveniente ser prudente a la
hora de extraer conclusiones en base a los resultados generados por
el simulador. No obstante, aun en los casos en los que hay proble-
mas con los datos, dichos resultados y el conocimiento adqui-
rido durante el estudio de simulacin siempre podrn aportar
informacin valiosa para la toma de decisiones.
Construccin del modelo
En numerosos proyectos de simulacin se dedica ms esfuerzo a

la construccin del modelo que a la resolucin del problema. A me-
nudo la obtencin de un modelo ejecutable se convierte errnea-
mente en el objetivo prioritario. La estrategia dominante debera ser
la comprensin del problema, el anlisis de los resultados y la ob-
tencin de soluciones. Para avanzar ms rpidamente en la consecu-
cin de estos objetivos, es recomendable trabajar de forma progresi-

va y construir en primer lugar uno o varios modelos simplificados
que capturen las partes ms esenciales del sistema de inters.
Verificacin y validacin
Bien al contrario que en los procesos judiciales en los que se pre-

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

Aspecto estratgico en la resolucin de problemas de decisin
en sistemas complejos, deberemos introducir aqu la planificacin
especfica de nuestro entorno de experimentacin a fin de poder ad-
ministrar de forma razonable nuestros recursos a la hora de deter-
minar cules sern las combinaciones de factores que caracteriza-
rn cada uno de los escenarios a simular.
Entenderemos como escenario cada una de las configuraciones
de niveles en los factores (parmetros) con los que desearemos
evaluar o simular nuestro sistema. As desarrollaremos una estra-
tegia del tipo qu pasa si?, y trataremos de averiguar las con-
figuraciones de valores del sistema ptimas. Esto conlleva la
manipulacin de gran cantidad de informacin y la aplicacin de
tcnicas de diseo experimental como los planes factoriales frac-
cionales, que nos ayudarn a desarrollar correctamente nuestro
proyecto sobre la base de establecer cmo vamos a recoger dicha
informacin. En esta fase ser til la participacin de expertos es-
tadsticos y la utilizacin de las herramientas adecuadas, as como
tener en cuenta las tcnicas especficas tcticas que se emplean en
la fase de anlisis de resultados.
Anlisis de los resultados

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

dio o que, simplemente, distorsionan nuestras estadsticas. Tambin
puede interesarnos monitorizar un proceso precisamente durante su
fase de carga, y solo hasta que alcance un determinado estado en el
que consideramos se dan las condiciones de estabilidad deseadas y
nuestro estudio deja de tener inters.
En segundo lugar, debemos especificar el nmero de repeticio-
nes o ejecuciones del modelo de simulacin, para cada una de las
configuraciones de factores o escenarios, necesarias para garantizar
una determinada calidad estadstica de nuestros resultados. En de-
finitiva, se trata de adjuntar a dichos resultados un sello de credibi-
lidad experimental. Como contrapartida, debemos buscar las fr-
mulas y mtodos que optimicen la utilizacin de nuestros recursos
en trminos de tiempo de computacin o de limitaciones temporales
del propio estudio de simulacin. En esta etapa se emplean a me-
nudo tcnicas especficas como las que buscan la reduccin de la
variancia, nmeros aleatorios comunes (CRN) o variables antitticas
(AV), entre otras. Estas mismas tcnicas pueden ser tiles para la
mejora de los coeficientes de los metamodelos de simulacin. Estos
son ecuaciones matemticas que relacionan las variables de entrada
y de salida de un modelo de simulacin y pueden ser utilizados, en
su caso, como mecanismo eficiente para la obtencin rpida de
respuestas en determinados tipos de problemas.
En general, el valor aadido ms importante de un estudio de
simulacin no lo constituyen los resultados finales obtenidos con el
modelo. El resultado ms valioso es el conocimiento adquirido en
el proceso de anlisis, que permite aportar argumentos cualitativos
y/o cuantitativos justificados a favor o en contra de las diferentes
opciones de diseo planteadas.
Documentacin
Es importante mantener una documentacin permanentemente
actualizada que refleje el estado del proyecto y que evolucionar y
se enriquecer en paralelo con el desarrollo del mismo. Los obje-

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

zando herramientas de trabajo en grupo, el personal tcnico o
directivo relacionado sigue al da el progreso del proyecto.
Informar sobre todo el proyecto (documento final).
Facilitar la futura reutilizacin del modelo si sta fuera de in-
ters.
Se recomienda recoger en los informes la siguiente informa-
cin: introduccin; objetivos; hiptesis; descripcin fsica
del sistema; justificacin de la metodologa empleada; des-
cripcin del modelo, anlisis de los experimentos efectuados
y conclusiones.
Implementacin
En este contexto, se entiende por implementacin la toma de

decisiones y aplicacin de conclusiones como consecuencia del es-
tudio de simulacin. Un proyecto de simulacin no tiene xito si
las mejoras o cambios que ha justificado tcnica y econmica-
mente no son posteriormente implementados.
Para que las recomendaciones sean tenidas en cuenta es nece-
sario que el modelo sea creble. Para ello, no es suficiente con
que el modelo sea vlido. Tambin es necesario que quienes vayan
a tomar las decisiones estn convencidos de su validez. Esta cre-
dibilidad la conferirn, tanto la calidad y solidez del estudio rea-
lizado, como la seriedad y experiencia del equipo que realiza la
simulacin.
Captulo
3
Importancia de los datos
El anlisis de los datos de los que se dispone sobre el sistema a

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

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

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

tos. En general, las empresas con procesos muy automatizados,
como los de fabricacin, tienen mucha informacin registrada. En
el otro extremo, las empresas de servicios, tienen poca informacin
til para construir el modelo. Cuando el proceso es pobre en datos,
la forma ms usual de obtener la informacin es a travs de infor-
mes, entrevistas personales o la observacin.
Para la toma de medidas del comportamiento de sistemas exis-
tentes, debemos determinar qu mtodos son los ms adecuados
para nuestro propsito, los cuales pueden variar desde el uso de un
ordenador que registre los datos automticamente, hasta la graba-
cin de un vdeo para una posterior extraccin de los mismos.
Tambin se recomienda detectar circunstancias poco comunes, y
considerar como sera conveniente tratarlas.
Es conveniente intentar analizar los datos conforme son reco-
gidos. Puesto que el almacenamiento y anlisis de datos innecesa-
rios no aporta ningn beneficio, es aconsejable determinar si las
muestras recogidas son adecuadas para obtener las distribuciones
necesarias para la simulacin, o si debera realizarse un muestreo
ms preciso o a un nivel de abstraccin superior.
Posiblemente debamos intentar combinar conjuntos de datos
homogneos, comprobar la homogeneidad de los datos en periodos
de trabajo sucesivos, y durante los mismos periodos en das suce-
sivos. Tambin evaluar la necesidad de utilizar distribuciones dife-
rentes para un mismo conjunto de datos.
Aleatoriedad versus comportamiento

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

proceso estocstico, sino con una simplificacin de la descripcin
del sistema que va a permitir replicar su comportamiento sin tener
que formalizar todas aquellas relaciones causa-efecto que apartan
los resultados de poderse evaluar como deterministas.
Considrese el sistema ilustrado en la Figura 3.1. Se trata de un
manipulador que recoge piezas de una cinta transportadora y las al-
macena en el stock interno de una mquina (M1). Desde un punto
de vista tecnolgico, la grapa del manipulador dispone de un con-
junto de sensores cuyas seales van a permitir determinar la posi-
cin y orientacin de la pieza, informacin necesaria para que el
manipulador pueda recogerla y clasificarla en un cierto stock. El
tiempo necesario para realizar un ciclo de trabajo depende de dis-
tintos factores, tales como la posicin y orientacin de la siguiente
pieza a ser procesada respecto a la grapa del manipulador, la posi-
cin final donde va a ser transportada, el peso de la pieza, etc.
Ntese que el conocimiento de estos datos junto con el conjunto de
ecuaciones algebraico-diferenciales que describen la dinmica del
manipulador, as como la orientacin y posicin de la siguiente pie-
za deberan ser suficientes como para poder predecir con exactitud
Mquina
M1
Robot
R1
Figura 3.1. Sistema Manipulador: transporte de cinta a mquina.

el tiempo que se invertir en la siguiente operacin de transporte,

de modo que ser posible generar en un ordenador las mismas sa-
lidas y cambios de estado que en el sistema real, lo cual (tal y
como era de prever) rompe los principios de aleatoriedad.
Aunque las unidades de produccin, as como los manipula-
dores y unidades de transporte que pueden encontrarse en las lne-
as de produccin estn lejos afortunadamente de presentar
un comportamiento aleatorio, el uso de modelos estocsticos para
representar la evolucin de un sistema sobre la base de los cambios
de estado provocados por una secuencia de eventos, facilita no
tan solo la tarea de construccin del modelo, sino tambin la vali-
dacin del mismo.
Por otro lado, la descripcin mediante formulaciones deter-
ministas de muchos fenmenos no tan solo es desaconsejable sino,
en la prctica, imposible. En este conjunto de eventos estocsti-
cos, se encuentran todos aquellos directa o indirectamente rela-
cionados con las actividades de los operadores humanos, como
son por ejemplo: las peticiones de informacin, el tiempo de repa-
racin de las mquinas, de llegadas de material, los fallos en las
operaciones, etc.
Puede un ordenador generar los mismos datos

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

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

Ntese adems, que otra muestra recolectada del mismo sistema
fsico no seguir necesariamente la misma pauta de la primera
muestra, pero s es de esperar que presente las mismas propiedades
estadsticas.
As pues, el objetivo no es conseguir generar una secuencia de
datos idntica a la obtenida en una muestra del sistema a modelar,
sino poder generar datos con las mismas propiedades estadsticas
que los datos de la muestra.
Podemos utilizar funciones de distribucin de probabilidad para
describir, a ciertos niveles de abstraccin, el comportamiento gene-
ral aproximado de los sistemas en estudio. Un modelo es una abs-
traccin del sistema de inters. Esto implica que slo se modela lo
que ocurre y no necesariamente la mecnica de cmo suceden los
eventos. En este contexto las funciones de distribucin de probabi-
lidad resultan muy tiles para especificar un conocimiento abstrac-
to y distribuido de los sistemas a simular. Construir un modelo que
reflejara con detalle la mecnica de un sistema complejo a partir de

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

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

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

respondan a las mismas propiedades estadsticas que los datos re-
cogidos en la muestra. Podremos utilizar un generador de variables
aleatorias que sigan una funcin de densidad de probabilidad co-
nocida (normal, lognormal, gamma, exponencial, weibull, etc.) o
bien ser necesario implementar un algoritmo o funcin de usuario
que nos permita generar los valores de inters.
En definitiva, se trata de decidir si los valores generados por
una funcin de densidad de probabilidad conocida presentan ca-
ractersticas suficientemente similares a la de los datos recogidos
en la muestra del sistema a modelar. Para ello existe un conjunto de
tests de hiptesis que permiten tomar la decisin de aceptar o no
una funcin de densidad de probabilidad como una representa-
cin abstracta suficientemente buena de un sistema.
Funciones de distribucin tericas

ms utilizadas
En el caso de no disponer de informacin suficiente como para
determinar la distribucin estadstica que sigue un determinado
fenmeno o proceso, se recomienda el uso de distribuciones es-
tndar que, de modo genrico, suelen utilizarse para modelar si-
tuaciones conocidas, como, por ejemplo:
Distribucin Algunas situaciones en las que se suele utilizar

Exponencial Tiempos entre llegadas en procesos con independencia
entre ocurrencias. Vida o averas de dispositivos.
Poisson Proceso de llegadas. Tamaos de lotes. Nmero de tems
pedidos a un almacn.
Normal Tiempo de servicio de una unidad de produccin sin con-
siderar posibles fallos, errores aditivos de medida.
Distribucin Algunas situaciones en las que se suele utilizar

Uniforme Tiempo de servicio cuando la informacin disponible es
escasa.
Gamma Tiempo de servicio de varias unidades de produccin idn-
ticas dando servicio en paralelo a la misma carga de en-
trada, considerando fallos en las mquinas.
LogNormal Tiempo de servicio de varias unidades de produccin tra-
bajando en secuencia considerando fallos en las mquinas.
Aplicable en modelos econmicos.
Weibull Tiempo entre fallos de una pieza o equipo. Tiempo de
vida de un equipo electrnico.
Erlang Apropiada en actividades cuyas fases siguen tiempos ex-
ponenciales, como el trfico telefnico clsico. Tambin en
tiempos de servicio o de reparacin.
Triangular Es til para modelar el tiempo necesario para realizar una
operacin cuando solo se conoce el tiempo mnimo, el
mximo o el ms probable o moda.
Binomial Tests de piezas: nmero de tems defectuosos en un lote de
tamao determinado.
Captulo
4
Construccin
y funcionamiento de un
modelo de simulacin basado
en un sistema sencillo
La simulacin de modelos basada en la metodologa de eventos

discretos consiste en la reproduccin mediante un ordenador de las
operaciones de un sistema real. Estas pueden ser las desarrolladas
a diario en un aeropuerto, el proceso de ensamblaje en una lnea de
fabricacin o la asignacin de personal sanitario a los diferentes
turnos de trabajo de un hospital. Tradicionalmente, el anlisis de
estos procesos se ha efectuado mediante complejos modelos ma-
temticos desarrollados por expertos. Los programas de simulacin
disponibles en la actualidad permiten que el anlisis de estos pro-
cesos pueda ser efectuado por personas no expertas en tcnicas de
programacin o en tcnicas matemticas.
La simulacin de procesos mediante eventos discretos en la
prctica real siempre ser lgicamente efectuada en un ordena-
dor, aunque en el ejemplo que se muestra a continuacin se efec-
tuar manualmente a fin de mostrar los mecanismos bsicos de un
proceso de simulacin.
35
Ejemplo
El sistema de inters es un proceso de recepcin, procesado y
expedicin de rdenes a clientes. La Figura 4.1 muestra las tres ac-
tividades ms significativas del mismo. Disponemos de cuatro tra-
bajadores por cada turno diario de ocho horas. La franja horaria
normal de trabajo es desde las nueve de la maana hasta las cinco
de la tarde. No obstante, la jornada laboral se alarga si no ha sido
posible expedir todas las rdenes recibidas a lo largo del da.
4 rdenes ordinarias/da
6 rdenes prioritarias/da
Recepcin Proceso de
de rdenes de rdenes Expedicin
2 horas/orden ordinaria
4 horas/orden prioritaria
Figura 4.1. Esquema del proceso de rdenes.
Los parmetros ms significativos del proceso son:
En promedio, se reciben diez rdenes cada da.

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

sndonos en los valores promedio se puede sacar la conclusin
CONSTRUCCIN Y FUNCIONAMIENTO DE UN MODELO DE SIMULACIN 37
errnea de que no existir ningn retraso en las rdenes y de que

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

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

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

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

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

Las primeras dos rdenes llegan a las 9 de la maana. La ter-

cera orden llega una hora ms tarde, a las 10 de la maana. Dado
que estas primeras rdenes son ordinarias y hay trabajadores para
procesarlas, las tres rdenes son expedidas al cabo de dos horas.
Ms adelante, a las 13 horas, llega la orden nmero 8. En este
instante, los cuatro trabajadores estn ocupados. En consecuen-
cia, no se puede iniciar su proceso hasta una hora ms tarde des-
pus de ser expedida la orden nmero 5. Para completar las rde-
nes 8, 9 y 10 se precisa que tres trabajadores alarguen su jornada de
trabajo ms all de las 5 de la tarde.
La Tabla 4.1 muestra tambin de forma tabular los resultados
de la simulacin a mano. La primera columna muestra en qu ins-
tante ocurre cada evento. En la cuarta columna se muestra el tipo
de evento, evento de llegada de una orden o evento de expedicin de
una orden. En la columna nmero dos se muestra la orden que se
recibe o expide y en la siguiente columna, la tercera, se muestra el
tipo de orden, ordinaria o prioritaria. En las columnas quinta y
sexta se muestran el nmero de rdenes en la cola y el nmero de
rdenes en el sistema (desde que llega la orden hasta que sta es
expedida) respectivamente. La penltima columna muestra el tiem-
po que est cada orden en la cola a la espera de ser procesada. La
ltima columna muestra, en el evento de expedicin, el tiempo
total que ha permanecido la orden en el sistema. El tiempo total
ser la suma del tiempo en la cola ms el tiempo en proceso.
Las ltimas cuatro columnas muestran datos importantes para
analizar el comportamiento del sistema. Estas estadsticas son
recogidas cada vez que hay un evento. Por ejemplo, el nmero de
rdenes en la cola alcanza su valor mximo a las 13 horas. Las
ltimas tres rdenes estn en la cola una, dos y tres horas respecti-
vamente. A continuacin se resume el comportamiento del proce-
so observado mediante la simulacin manual,
tiempo de ciclo promedio para rdenes ordinarias = 8 h/4 rdenes = 2 h/orden
tiempo de ciclo promedio para las prioritarias = 30 h/6 rdenes = 5 h/orden
tiempo promedio en la cola = 6 h/10 rdenes = 0,6 h/orden
tiempo mximo en la cola = 3 h

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

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

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

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

llegaran en la siguiente hora consistira en introducir 100 bolas en
un saco numeradas de la 01 hasta la 100 y sacar una al azar. Si el
valor extrado estuviera comprendido entre el 01 y el 40, el n-
mero de rdenes sera 1. Si estuviera entre el 41 y el 70, llegaran
2 rdenes, entre el 71 y el 90, llegaran 3 y entre el 91 y el 100 lle-
garan 4. Para proseguir, se repone la bola y se procede de forma
exactamente igual para obtener el nmero de rdenes de la hora si-
guiente. Ntese que, del total de bolas, 40 estn comprendidas en-
tre los valores 01 y 40: la probabilidad de que el nmero de rde-
nes sea 1 ser 0,4 (40%).
Tabla 4.3. Nmero de rdenes recibidas en cada franja horaria.

Hora Nmero al azar Nmero de rdenes
9 54 2
10 12 1
11 36 1
12 60 2
13 90 4
El simulador tiene que ser capaz de generar las rdenes que lle-
gan cada hora a partir del conocimiento disponible sobre la distri-
bucin de probabilidad. Para ello se han diseado algoritmos de ge-
neracin de nmeros al azar (nmeros pseudoaleatorios) que
cumplen dicho fin. La Tabla 4.3 muestra los nmeros al azar y el
nmero de rdenes asignadas por el simulador para cada hora.
Las herramientas actuales de simulacin simplifican mucho la
tarea de construccin y experimentacin con el modelo de simula-
cin. El modelo del ejemplo anterior viene representado por la
Figura 4.5.
Llegada de Proceso de las

Expedicin
rdenes rdenes
0 0
0
Figura 4.5. Proceso de rdenes.
La mayora de las herramientas actuales generan automtica-

mente estadsticas sobre el comportamiento dinmico del sistema.
Captulo
5
Verificacin y validacin
de modelos
Un aspecto muy importante que incide de modo determinante

en el xito de los proyectos de simulacin es que el modelo con el
que se trabaja sea una representacin suficientemente fiable y, por
lo tanto creble, del comportamiento del sistema. Ntese que cual-
quier prediccin o propuesta de mejora formulada a partir de los re-
sultados obtenidos experimentando con un modelo incorrecto, pue-
de llegar a comportar, en su caso, la aprobacin de inversiones
que no resuelvan correctamente los problemas que se haban plan-
teado.
No existe un mtodo genrico para determinar si un modelo es
correcto. Esto es debido a que la validez de un modelo debe ser
particularizada en trminos de los objetivos para los cuales ha sido
desarrollado, considerando tanto el nivel de precisin aceptable,
como el conjunto de condiciones de experimentacin que cubren el
dominio de aplicacin.
A pesar de no disponer de una metodologa basada en unas re-
glas generales que permitan de modo sistemtico establecer cun-
do un modelo es suficientemente vlido para un cierto propsito, s
que se dispone de un conjunto de pautas y procedimientos que, de
45
algn modo, permiten evaluar el grado de fiabilidad del modelo

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

Verificacin consiste en asegurar que el modelo conceptual ha
sido transformado de forma correcta en un modelo de simulacin
por ordenador. Validacin, por otro lado, consiste en asegurar que
el modelo representa la realidad con la precisin suficiente segn el
objetivo perseguido.
Un aspecto clave es el de la precisin suficiente. Ningn mo-
delo es 100% preciso. Todo lo contrario, el objetivo de un modelo
no es que sea absolutamente preciso sino constituir una simplifi-
cacin que facilite entender y explorar una realidad ms compleja.
El grado de simplificacin o el nivel de precisin necesarios de-
penden del objetivo para el cual el modelo es construido. Es nece-
sario, pues, conocer bien el objetivo perseguido antes de cons-
truir, verificar y validar el modelo.
Despus de construir el modelo de simulacin, queremos estar
seguros de que el modelo se comporta como est previsto (verifi-
cacin). Esta tarea puede parecer simple, pero los modelos de los
procesos reales tienen mltiples actividades producindose de for-
ma simultnea que pueden provocar interacciones no previstas o
errneas. Es por tanto necesario disear y desarrollar diagnsticos
VERIFICACIN Y VALIDACIN DE MODELOS 47
para detectar y corregir las relaciones no controladas y los posibles

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

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

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

del proceso de modelado en la cual se ilustra la relacin del pro-
ceso de verificacin y el de validacin como etapas propias en el
proceso de modelado.
Sistema Fsico Valoracin

modelo
conceptual
Anlisis y
Validacin modelado
de datos
Experimentacin
Programacin
Modelo de simulacin Modelo conceptual
Valoracin
modelo
simulacin
Figura 5.1. Esquema simplificado del proceso de modelado.
El conjunto de tests a realizar para evaluar el grado de validez

de un modelo suelen agruparse en alguno de los siguientes epgra-
fes, atendiendo a los objetivos a validar.
1. Validacin del modelo conceptual: consiste en determinar
que las teoras, hiptesis de trabajo, as como las suposicio-
nes bajo las que se ha formalizado el modelo conceptual son
correctas, y que la representacin de los objetivos en el
modelo es razonable para el uso que se prev del mismo.
2. Validacin de los datos: consiste en garantizar que los datos
utilizados para la construccin del modelo, su evaluacin y
diagnstico, as como los utilizados en la realizacin de
experimentos son adecuados y correctos.
3. Verificacin del modelo de simulacin: conjunto de pruebas
y mtodos que permiten garantizar que la implementacin
del modelo conceptual es correcta.
4. Validacin funcional: conjunto de tests que permiten deter-

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

un conocimiento profundo del sistema real de inters. Para obtener
este conocimiento en general es necesario interaccionar con las
personas que tienen la informacin y la experiencia sobre cmo se
comporta el sistema. El modelador tiene que interpretar la infor-
macin obtenida para poder construir el modelo conceptual. En
esta etapa existe la nada desdeable posibilidad de que el modelo
conceptual sea incorrecto debido a que la informacin obtenida no
haya sido interpretada correctamente. Por esto es importante la
validacin del modelo conceptual.
No existen mtodos formales para la validacin del modelo
conceptual. Es til especificar correctamente el proyecto de simu-
lacin. La especificacin tiene que incluir los objetivos, la meto-
dologa de modelado empleada y la descripcin del modelo. Este
documento puede ser revisado por el personal con experiencia en el
sistema de inters con el objetivo de detectar errores e incorporar
mejoras.
Validacin de los datos
Los datos son extrados del proceso real y ms tarde emplea-

dos para parametrizar el modelo conceptual y, posteriormente, el
modelo de simulacin. Tambin son empleados para la valida-

cin y experimentacin. Si los datos son poco precisos, tambin lo
ser el modelo de simulacin. Es por tanto importante, que se in-
viertan las energas necesarias para asegurar la calidad de los datos
obtenidos.
En la mayora de los estudios de simulacin hay datos que
son imprecisos o no estn en el formato adecuado o, sencillamente,
no se dispone de ellos. En esta situacin es necesario adoptar me-
didas para obtener o estimar los datos. Es tambin necesario efec-
tuar estudios de sensibilidad para evaluar el efecto provocado por la
incertidumbre sobre los datos.
Verificacin del modelo de simulacin
Varios aspectos del modelo deben ser verificados. La primera

estrategia consiste en revisar el cdigo para garantizar que los datos
y la lgica implementada sea la correcta. Una aproximacin com-
plementaria es que la revisin sea efectuada por otra persona.
El comportamiento dinmico del modelo tambin tiene que
ser revisado. En este apartado se incluyen los aspectos temporales
(por ejemplo, tiempos de ciclo, de reparacin o de transporte), el
control de los elementos (por ejemplo, turnos de trabajo, agendas
de trabajo o planificacin). Otro mecanismo de verificacin con-
siste en efectuar un seguimiento de los eventos. La mayor parte de
simuladores ofrecen las herramientas necesarias para realizar un se-
guimiento, en forma de traza, de los eventos que ocurren en la rea-
lizacin de un cierto experimento. La validez de la secuencia ob-
tenida puede ser fcilmente confirmada a partir del conocimiento
que se tiene del sistema. Cuando se trabaja con sistemas complejos,
esta tcnica tan solo puede utilizarse en periodos cortos, al aparecer
un nmero muy elevado de eventos.
La animacin es un elemento muy til para verificar el com-
portamiento dinmico del sistema. Aunque la visualizacin de la
evolucin del modelo no permite evaluar los parmetros de rendi-

miento del sistema, ni prever con cierto rigor el comportamiento
del sistema ante distintas situaciones, s permite verificar en una
primera instancia la calidad del modelo y facilitar posteriormente
su validacin al poder ser comparado con el funcionamiento del
sistema real. Asimismo, la visualizacin interactiva de la evolucin
del sistema simulado permite depurar errores de diseo, detectar
datos inconsistentes o incoherentes y otros errores que slo pueden
detectarse a partir de la monitorizacin simultnea en pantalla de
diferentes variables del modelo en estudio.
Hay un conjunto de tcnicas que son tiles tanto para verificar
como para validar el comportamiento del modelo, entre ellas,
Tests de condiciones extremas: tanto la estructura del mode-

lo, as como los resultados de los experimentos, deberan
ser coherentes cuando se experimenta con el modelo bajo
condiciones extremas o bajo condiciones no recomendables
en el sistema fsico.
Tests de degeneracin: la degeneracin del comportamiento
de un modelo suele diagnosticarse seleccionando y variando
ciertos valores en los parmetros de entrada. Considrese, por
ejemplo, la evolucin de una cola de espera asociada a un
servidor en el cual el proceso de llegadas es superior al tiem-
po de servicio del servidor. La evolucin del tamao de la
cola debera obedecer a los cambios en los valores de los pa-
rmetros.
Seguimiento de trayectorias: la lgica del modelo puede ser
comprobada a partir de un seguimiento (traza) del estado de
las entidades que fluyen entre los elementos que integran el
modelo. As pues, es de esperar que los atributos de una pie-
za se vean actualizados despus de haber sido atendida por
algn servidor (mquina), al igual que ocurrira sobre el sis-
tema real.
Validacin funcional
Hay dos mecanismos para validar el sistema. El primero es

comparar el modelo de simulacin con el proceso real. La segunda
aproximacin es comparar el modelo con un modelo analtico del
mismo proceso. Esta segunda aproximacin, cuando es posible, es
til si no es posible acceder al sistema real.
Si se dispone del proceso real, se pueden comparar los datos
del mismo (datos histricos) con los obtenidos con el modelo
cuando ste ltimo es ejecutado en las mismas condiciones que el
proceso real. Evidentemente, no deben utilizarse para ello los mis-
mos datos que sirvieron para caracterizar las distribuciones esta-
dsticas que rigen los fenmenos de nuestro modelo. Otro meca-
nismo de validacin es mostrar el modelo a personas expertas en el
proceso de inters. La interaccin con las distintas personas que co-
nocen parte del sistema que se desea modelar, suele utilizarse para
determinar si el comportamiento del modelo es o no razonable
ante distintas condiciones de operacin.
Si no se dispone del proceso real se puede optar por comparar
el modelo de simulacin con un modelo analtico. Es poco proba-
ble que el modelo analtico sea capaz de predecir exactamente el
resultado de la simulacin, dado que si ste fuera el caso lo ms
probable es que no se hubiera construido el modelo de simulacin.
No obstante, es posible que el modelo analtico sea capaz de ge-
nerar aproximaciones al comportamiento del proceso real que sir-
van de base suficiente para la comparacin y validacin. Para fa-
cilitar el proceso de comparacin es a menudo til simplificar el
modelo de simulacin o el experimento que se realiza sobre l, y
as experimentar en condiciones parecidas a las del modelo anal-
tico. Por ejemplo, se podra trabajar en el modelo de simulacin
con valores deterministas (promedio) en lugar de valores alea-
torios.
Dificultades para la validacin

Muchos modelos son construidos para evaluar el comporta-
miento de procesos que no existen. Incluso cuando el proceso real
existe, es probable que el modelo se emplee para evaluar diseos
alternativos que todava no existen. El que el modelo sea vlido
para la condiciones actuales de operacin no garantiza que sea
vlido cuando se modifique para representar algn cambio en el
proceso real.
En el proceso de validacin a menudo se comparan los resul-
tados del modelo (datos operacionales) con los resultados reales. El
modelo se ejecuta en las mismas condiciones que el sistema real
para evaluar si se comporta de forma parecida. Uno de los aspectos
que puede comprometer el proceso de validacin es el que los da-
tos obtenidos sobre el comportamiento del proceso real no sean lo
suficientemente precisos. Aunque los datos obtenidos del proceso
real sean correctos, si la muestra obtenida sobre el comportamien-
to del proceso real no es significativa, el proceso de validacin
puede ser errneo.
La conclusin principal que se extrae es que, a pesar que en la
teora un modelo es o no es vlido, en la prctica diaria es muy di-
fcil demostrar la validez absoluta de un modelo. Solo es posible
pensar en trminos de la confianza que se tiene en el mismo, lo
cual asociamos al concepto de credibilidad.
Adicionalmente, hay que tener en cuenta que la aceptacin de
un estudio de simulacin no depende exclusivamente de la validez
del modelo. Las tcnicas de verificacin y validacin garantizan la
calidad tcnica del modelo. Sin embargo, no determinan el nivel de
aceptacin del proyecto. Como consecuencia, y para conseguir
que el trabajo sea aceptado, aparte de considerar la calidad del
modelo hay que asegurar tambin la calidad del proyecto en su
conjunto.
Captulo
6
Herramientas informticas
para la simulacin
La popularidad que ha estado adquiriendo la simulacin

orientada a eventos discretos en los ltimos aos se ha visto
acompaada de un incremento notable de entornos y herramientas
de simulacin comerciales cuyas prestaciones estn continua-
mente mejorando con el objetivo de facilitar su uso a usuarios no
expertos.
Los mecanismos internos (por ejemplo, la gestin de la cola de
eventos y la generacin de nmeros aleatorios) son esencialmente
los mismos para todas las herramientas. Las diferencias principales
entre ellas reside en las funciones y metodologa de modelado, y en
las interfaces de usuario. La mayora de las herramientas tienen in-
terfaces grficas, se requiere poca programacin y el conjunto de
opciones se pueden seleccionar a travs de mens desplegables.
Cada vez ms, los mecanismos para la animacin estn integrados
con las funciones de modelado. De esta forma se dispone directa-
mente de un nivel mnimo de animacin. En algunos casos, los me-
canismos de animacin pueden ser muy sofisticados.
A menudo, las herramientas de programacin son evaluadas
solo sobre la base de dos o tres criterios, tales como el precio, fa-
55
cilidad de uso o la calidad de las demostraciones comerciales.

Aunque todos los entornos han sido desarrollados para cubrir las
necesidades de los usuarios finales mediante interfaces amigables y
fciles de utilizar, una mala eleccin de las herramientas inform-
ticas suele acabar repercutiendo tanto en un incremento conside-
rable de horas de programacin por parte de personal especialista,
como la compra de libreras adicionales que no se suministraban
con el entorno.
Al igual que en el campo de la programacin no existe el con-
cepto de: el mejor lenguaje de programacin, puesto que cada
lenguaje ofrece herramientas muy potentes y depuradas que pueden
ser tiles para satisfacer ciertos objetivos y totalmente inservibles
para abordar otro tipo de problemas, tampoco existe el concepto
El mejor simulador en el campo de la simulacin de modelos de
eventos discretos. Aunque algunos entornos de simulacin ofrecen
ms funciones que otros, no existe ningn paquete que satisfaga de
manera ptima los diversos aspectos del desarrollo de un proyecto
de simulacin en todos los campos de aplicacin.
En este captulo se presentarn algunos criterios que deben
tenerse en cuenta para seleccionar y evaluar la herramienta de si-
mulacin. Existen diversas fuentes bibliogrficas donde se discute
cul es el programa de simulacin ms apropiado a cada tipo de
problema, en cambio existen muy pocas referencias que describan
una metodologa que ayude a seleccionar el programa ms ade-
cuado, tcnicas que permitan evaluar la capacidad de las herra-
mientas de simulacin, as como los criterios y recomendaciones a
tener en cuenta en dicho proceso.
Lenguajes y entornos de simulacin

Aunque cualquier lenguaje de programacin podra ser utili-
zado para simular el comportamiento de un sistema orientado a
eventos discretos, existen un conjunto de caractersticas inherentes
HERRAMIENTAS INFORMTICAS PARA LA SIMULACIN 57
tanto a los proyectos de simulacin como a la evolucin que pre-

sentan los sistemas que se desean simular que aconsejan el uso de
herramientas propias al campo de la simulacin:
Herramientas necesarias para programar un modelo de si-
mulacin, entre las que podemos destacar: generacin de
nmeros y variables aleatorias que responden a ciertas fun-
ciones de distribucin particulares, gestin automatizada del
tiempo de simulacin, gestin automatizada de las rutinas de
tratamiento de los eventos que determinan el comportamien-
to del sistema, algoritmos de anlisis de los resultados, y
generacin de informes entre otros. Todas estas caractersti-
cas repercuten en una reduccin considerable del tiempo de
programacin del modelo.
El mantenimiento de un modelo de simulacin se ve enor-
memente simplificado cuando este ha sido programado con
una herramienta de simulacin. Ntese que una caractersti-
ca inherente a la metodologa de modelado es la constante
manipulacin del modelo a partir de los resultados obtenidos
del simulador.
Las herramientas de simulacin ofrecen funciones especficas
para la deteccin de errores, como es el caso de la aparicin
de bloqueos en sistemas de transportes.
Aunque no existen todava unos criterios ampliamente acepta-
dos para clasificar las herramientas de simulacin, hoy en da la
mayora de herramientas comerciales suelen agruparse en dos
grandes clases que se describen a continuacin: lenguajes de si-
mulacin de propsito general y entornos de simulacin.
Lenguajes de simulacin de propsito general
Los lenguajes que pueden utilizarse para la simulacin de un sis-

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

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

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

ticados e intensivos en clculo a costes razonables.
Criterios para la evaluacin de las herramientas

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

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

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

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

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

Descomposicin jerrquica:
La agrupacin de funciones en mdulos o submodelos per-
mite estructurar mejor el modelo de simulacin y adoptar
una metodologa de modelado bottom-up o top-down.
Interfaces con programas o mdulos fuera del modelo de

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

restricciones, y las reglas de gestin y planificacin. El dis-
poner de un conjunto rico de funciones contribuye en gran
medida a reducir el tiempo y el esfuerzo necesario para cons-
truir el modelo de simulacin.
Mecanismos de programacin equivalentes a los de los len-
guajes de programacin de alto nivel: if-then-else, while, etc.
Es generalmente necesario que el entorno de simulacin
aporte un conjunto de funciones que permita el control del
flujo de la simulacin de una manera parecida a la de los len-
guajes de programacin convencionales.
Definicin de atributos y de variables globales:
Los atributos son necesarios para caracterizar las entidades
del modelo de simulacin. El modelo de simulacin no tiene
que limitar el nmero de atributos que se puede asignar a cada
tipo de entidad, dado que en general es necesario un nmero
elevado de atributos. Por ejemplo, en un proceso de fabricacin
las entidades del modelo pueden ser las piezas en proceso de
fabricacin. Estas piezas pueden estar caracterizadas por (atri-
butos) cliente, plazo de entrega mnimo y mximo, tipo de
pieza, coste, color, etc. Las variables globales almacenan va-
lores que son accesibles por todos los elementos del modelo.
Distribuciones de probabilidad:
La mayora de los entornos de simulacin permiten generar
nmeros aleatorios y variables aleatorias a partir de un con-
junto significativo de funciones de distribucin tericas o
experimentales predefinidas.
Acceso a las variables de estado:
Es deseable el acceso o modificacin de las variables de es-
tado del modelo. Por ejemplo, es a menudo necesario tomar
decisiones en funcin del estado, ocupacin, de una cola.
Tamao del modelo:

El entorno de simulacin tiene que tener la capacidad sufi-
ciente para modelar y simular el problema de inters.
Conexin con determinados estndares de facto:

Es deseable que el modelo pueda conectarse de forma fcil
con programas de amplio y fcil uso como hojas de clculo y
gestores de bases de datos, con lo que se pueden aprove-
char las enormes potencialidades de software permanente-
mente actualizado y que incorpora funcionalidades que no
tendra sentido desarrollar especficamente en el contexto
del entorno de simulacin. Un ejemplo de estas ventajas sera
la capacidad de visualizacin dinmica de grficos que pro-
porciona Excel o la conexin del simulador con una base
de datos que soporte el protocolo SQL.
Simulacin y animacin
Componentes grficos:
La animacin de un modelo puede en general ser definida en
base a los tres componentes grficos siguientes (Figura 6.2):
1. Objetos estticos: son aquellos elementos grficos,
por ejemplo, el dibujo de fondo, que se mantienen
inalterables a lo largo de la simulacin.
2. Objetos dinmicos: son aquellos elementos que modi-
fican sus caractersticas grficas y/o su posicin a lo
largo de la simulacin.
3. Informacin y estadsticas dinmicas: informacin
textual, numrica o grfica: las informaciones grficas
pueden ser diagramas temporales, histogramas, nive-
les,
Figura 6.2. Componentes de una animacin.
Importacin de grficos CAD:

Si existe un dibujo CAD del entorno (fondo) a simular, es
conveniente la conversin e importacin automtica al en-
torno de simulacin. Esta funcin permite un ahorro notable
de tiempo si la animacin es compleja.
Debugger interactivo (DI):

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

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

Para parametrizar el modelo de simulacin es en general
necesario obtener, a partir de los datos disponibles, las dis-
tribuciones de probabilidad que modelan el comportamien-
to de los diferentes elementos. Por ejemplo, frecuencia de
llegadas, tiempos de proceso o averas. Esta tarea requiere
un mdulo o funcin que permita obtener la mejor distri-
bucin a partir de los datos conocidos. Si el entorno de si-
mulacin no dispone de esta funcionalidad se pueden ad-
quirir herramientas informticas estadsticas que realizan
este ajuste.
Estadsticas:
Un buen entorno de simulacin tiene que permitir definir
estadsticas tanto continuas como discretas.
Anlisis de los datos de salida:

En general, los entornos de simulacin permiten almacenar
los resultados de la simulacin en una base de datos o en ar-
chivos de trabajo. Posteriormente se emplea un analizador de
datos de salida para analizar estos valores. Estos analizadores
permiten obtener grficas del comportamiento dinmico, his-
togramas e intervalos de confianza.
Anlisis del rgimen permanente:
Es conveniente que el entorno permita analizar el comporta-
miento del modelo en rgimen permanente. En consecuencia,
tiene que ser posible definir un tiempo de calentamiento para
eliminar las estadsticas recogidas en el transitorio.
Simulaciones independientes:
Debe ser posible efectuar mltiples simulaciones empleando
diferentes secuencias de nmeros aleatorios.
Escritura o lectura directa a/o desde archivos:
Las funciones de lectura o escritura de datos a/o desde ar-
chivos son muy tiles para leer o almacenar grandes canti-
dades de informacin.
Escritura o lectura a (o desde) bases de datos u hojas de clculo:
Dado que la mayora de los posibles usuarios de los modelos
de simulacin estn familiarizados con el uso de hojas de cl-
culo, es muy til que la entrada de parmetros o la salida de
resultados se efecte a travs de una hoja de clculo. De
esta forma el usuario final no tiene que estar familiarizado
con los detalles del entorno de simulacin. Cuando una par-
te significativa de la informacin del modelo tiene que ser
empleada o compartida con otras aplicaciones (por ejemplo,
un planificador), puede ser conveniente almacenar la infor-
macin compartida en una base de datos.
Conexin con aplicaciones externas:

La conexin con otras aplicaciones es necesaria si el modelo
tiene que trabajar en colaboracin con otras aplicaciones.
Por ejemplo, planificadores u optimizadores.
Facilidad
La mayora de vendedores de entornos de simulacin hacen n-
fasis en la potencia, pero, en algunos casos, su elevada complejidad
dificulta notablemente el obtener resultados positivos en un tiempo
razonable. Los aspectos que facilitan que el entorno de simulacin
sea fcil de emplear son:
Capacidad de interaccin del ratn con el entorno.

Calidad de la documentacin, manual interactivo.
Animacin.
Mens y opciones simples.
Entradas grficas siempre que sea posible.
Generacin automtica de estadsticas.
Ayuda sensitiva al contexto.
Opciones de depuracin y seguimiento.
Mecanismos de deteccin de errores.
La tendencia actual es hacia los entornos grficos tipo Win-

dows, que reducen la cantidad de informacin que hay que intro-
ducir en el teclado. La capacidad de definir grficamente los ele-
mentos del modelo y sus relaciones tambin contribuye a que los
entornos sean ms fciles de usar.
Eficiencia
La velocidad de ejecucin es un factor importante en la medida
en que uno de los costes ms importantes de un proyecto de simu-
lacin es el tiempo del analista. La velocidad de simulacin est
penalizada muchas veces por el nmero de entidades y elementos
del modelo.
Muchos paquetes tienen varias formas de ejecutar un modelo.
1. Con animacin: permite visualizar el comportamiento di-
nmico del modelo.
2. A marcha rpida: permite avanzar ms deprisa hasta el ins-
tante de inters dado que no actualiza la informacin grfi-
ca (sin animacin). A partir del momento elegido se puede
ejecutar el modelo con animacin.
3. Proceso en lotes: ejecuta todo el modelo sin animacin. Es
el modo que permite la ejecucin ms veloz, en general, una
vez se ha depurado y validado el modelo y se realizan las
ejecuciones de explotacin.
Fiabilidad
La fiabilidad del entorno de simulacin es uno de los aspectos
ms complicados de evaluar debido que las limitaciones o errores
generalmente no aparecen con los primeros ejemplos de evalua-
cin. En consecuencia, en lugar de evaluar la viabilidad del en-
torno se cree ms idneo evaluar la capacidad de respuesta de la
empresa que desarrolla entornos de simulacin ante posibles
errores:
Tiene el vendedor una certificacin de calidad del software?
Cun robusta es la tecnologa empleada en desarrollar el
entorno de simulacin?
Cul es el mecanismo de correccin de errores y cmo son

las mejoras proporcionadas al usuario final?
Portabilidad
La portabilidad evala si el entorno de simulacin puede eje-
cutarse en diferentes sistemas operativos. Algunos aspectos que
afectan o estn ligados a la portabilidad son:
Si precisa de placas grficas o drivers especiales.
La capacidad o no de trabajar en red.
Si requiere de compiladores o entornos adicionales. Por
ejemplo Excel, Access, Visual Basic, C++, etc.
Empresa
La inversin en simulacin generalmente va ms all del precio
de compra del entorno de simulacin. Para proteger la inversin y
asegurar que el entorno ser soportado durante el periodo de inte-
rs, hay un conjunto de aspectos ligados a la empresa que desarro-
lla y vende los programas.
Estabilidad de la empresa:
Un aspecto a tener en cuenta es el tiempo que lleva la em-
presa en temas de simulacin y si esta temtica es su negocio
principal, o solo colateral.
Historia de la empresa:
Se debe tener en cuenta si la empresa est involucrada en un
proceso de mejora continua de sus productos y si saca regu-
larmente al mercado actualizaciones del entorno de simula-
cin.
Aceptacin:
Cuntos clientes tiene?, en qu sectores?
Apoyo tcnico:
Dnde esta el distribuidor ms cercano? Qu medios emplea
la empresa o distribuidor para proporcionar apoyo tcnico?
Formacin:
Una formacin efectiva puede ayudar a los nuevos usuarios a
arrancar desde una mejor posicin. En consecuencia, es im-
portante analizar si se ofrecen cursos generalistas o a medida
de las necesidades particulares.
Consultora:
Si el usuario no tiene la capacidad cientfica y tcnica para
abordar un proyecto puede ser de inters subcontratar parte o
la totalidad del proyecto a una consultora externa. En conse-
cuencia, puede ser de inters evaluar si el propio distribuidor
u otras consultoras tienen la capacidad para apoyar el pro-
yecto con el entorno seleccionado. Otro aspecto a considerar
es la experiencia de la persona o personas que liderarn el
proyecto subcontratado.
Otros servicios:
Muchas de las empresas de simulacin ofrecen otros servi-
cios de inters para los usuarios. Como por ejemplo: grupo
de usuarios en Internet, revista interna, casos de estudio y
reuniones de usuarios.
Coste
El coste de un proyecto de simulacin no incluye solamente la
compra del entorno, dado que los gastos de personal pueden ser
muy superiores al del entorno de simulacin. En consecuencia, es

conveniente tener en cuenta el coste total a la hora de decidir la
compra. No tiene sentido adquirir un entorno con menos presta-
ciones si esto repercute en un incremento del esfuerzo del personal.
Otro aspecto que hay que tener en cuenta es qu se est com-
prando con la oferta efectuada por el vendedor. Algunos aspectos
son:
Qu funciones o elementos incluye el precio de referen-
cia?
Qu funciones o elementos no incluye y cul es su precio?
Cul es el coste del mantenimiento anual para el primer
ao y la previsin para los aos siguientes? Cul es el coste
de las nuevas versiones?
Cul es el coste de un curso de formacin estndar? Cul
es el coste de un curso de formacin a medida en casa del
cliente?
Qu descuentos se ofrecen por la compra de ms de una li-
cencia?
Cul es el coste de distribucin de un modelo ejecutable
run-time?
Captulo
7
Aplicaciones y ejemplos
El campo de aplicacin de las tcnicas de simulacin basadas

en eventos discretos ha crecido notablemente en los ltimos aos.
Las mejoras en las interfaces y el desarrollo de simuladores o m-
dulos orientados a aplicaciones especficas ha facilitado el acceso a
estas herramientas. La visualizacin, mediante la animacin por
ordenador, de los resultados de la simulacin proporciona credibi-
lidad y acceso inmediato a los resultados, de forma ms clara y
amable que la proporcionada por el anlisis de tediosos listados o
visiones estticas de la evolucin de los sistemas.
Campos de aplicacin
A continuacin se describen algunas de las reas en las que se
ha aplicado o aplica la simulacin como herramienta de ayuda a la
toma de decisiones estratgicas u operativas.
73
Fabricacin
Una de las reas en donde tradicionalmente se ha aplicado in-

tensivamente la simulacin es en el campo de los procesos de fa-
bricacin y los sistemas de manipulacin de materiales. Las moti-
vaciones que han impulsado el empleo de la simulacin son:
Las empresas estn forzadas a ser competitivas.
El nivel de automatizacin es muy elevado.
Las nuevas formas de trabajo, como por ejemplo just in time
tienen que ser evaluadas.
Los procesos de fabricacin estn generalmente bien definidos.
Estos procesos son generalmente demasiado complejos para
ser analizados con tcnicas analticas.
Los aspectos especficos que se pueden estudiar son:
Las necesidades de equipo y/o personal: nmero y tipo de
mquinas para alcanzar un determinado objetivo; nmero,
tipo y distribucin fsica de los elementos internos de trans-
porte; distribucin y espacio para los stocks; evaluacin del
impacto del cambio del product mix sobre el ritmo producti-
vo; evaluacin del efecto de un nuevo equipo en una instala-
cin existente; planificacin de las tareas del personal.
Anlisis de rendimientos: anlisis de produccin; anlisis
del tiempo en el sistema; anlisis de los cuellos de botella.
Evaluacin de estrategias operacionales: planificacin de
la produccin; polticas de gestin de inventarios; estrate-
gias de control; polticas de control de calidad.
Redes de distribucin (supply chain)
En el mundo de las corporaciones virtuales, ya no son las em-

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

racin no tiene fbricas, camiones o tiendas. Se caracteriza, sin em-
bargo, por ser una de las corporaciones con ms xito en el rea de
las prendas deportivas.
La mayora de estas corporaciones dependen de un conjunto de
suministradores, recursos de transporte, fbricas y almacenes para
el correcto funcionamiento de sus redes. Como consecuencia del
uso combinado de empresas propias y empresas externas es a me-
nudo difcil conocer el impacto de los cambios o las vas de actua-
cin para mejorar el comportamiento de las redes.
Las tcnicas de simulacin proporcionan mecanismos para
examinar y mejorar las redes de distribucin de una forma que no
podra ser alcanzada con otras tcnicas. La complejidad y variabi-
lidad asociada con estos sistemas hace prcticamente imposible su
anlisis de forma precisa con mtodos analticos convencionales. El
inters de la simulacin para el anlisis de procesos de distribucin
queda avalado con la siguiente frase :
IBM dispone de una cadena de suministro increiblemente com-
pleja. Se desarroll un sistema de simulacin que se utiliz para la ca-
dena de suministro de juegos de guerra, evaluando diferentes escena-
rios para ver los efectos del los cambios a contemplar. La simulacin
ha cambiado fundamentalmente el modo en el que estamos realizando
los negocios.
A different shade of blue: how IBM transformed itself using the
power of networked information. Industry Week, B. Doug, 7/7/97.
Transporte
El sector del transporte es un rea con un inters creciente en

las tcnicas de simulacin. En ausencia de las herramientas de si-
mulacin, se podra emplear una hoja de clculo o una herramien-
ta de optimizacin (por ejemplo, Programacin Lineal). No obs-
tante, a pesar de que estas herramientas son extremadamente tiles
para resolver muchos problemas, no son en general adecuadas,

dado que no pueden manejar de forma conveniente las siguientes
caractersticas de este tipo de sistemas:
1. Complejidad: en los sistemas reales encontramos reglas que
no pueden ser incluidas fcilmente en una hoja de clculo o
un optimizador.
2. Dinmica: los modelos de simulacin, por su propia natu-
raleza, contemplan las caractersticas dinmicas de los sis-
temas. Es muy difcil incluir los aspectos dinmicos en una
hoja de clculo o un optimizador.
3. Azar: los sistemas reales de transporte estn sujetos al azar.
Algunos ejemplos son: tiempos de trnsito, tiempos de car-
ga/descarga, tiempos entre averas, tiempos de mantenimiento.
4. Presin en la toma de decisiones: en ausencia de modelos
detallados de simulacin, se tiende a tomar decisiones muy
conservadoras para evitar problemas por falta de medios
logsticos de transporte.
Ejemplos de simulacin se pueden encontrar en todos los mo-
dos de transporte. Muchas grandes empresas del sector del trans-
porte, ya sean areas, por ferrocarril, barco o camin, emplean en la
actualidad la simulacin para estudiar sus operaciones. Las empre-
sas transportadoras emplean la simulacin para racionalizar sus
circuitos de transporte y planificar mejor sus operaciones. Los puer-
tos, compaas de ferrocarril y las terminales areas emplean la si-
mulacin para determinar su capacidad y mejorar sus operaciones:
Puertos: los puertos y las terminales portuarias son procesos
que precisan evolucionar muy rpidamente para adaptarse a
los continuos cambios del mercado. Este proceso de adapta-
cin precisa a menudo de fuertes inversiones y/o de cambios
en su logstica operativa. Estos sistemas son intensivos en el
ritmo de trabajo, 24 horas al da, 365 das al ao. Desde un
punto de vista organizacional, la coordinacin de todas las
actividades que se llevan a cabo es una tarea difcil debido

al elevado nmero de grupos o empresas que intervienen:
autoridad portuaria, autoridades martimas, operadores de
terminales, empresas estibadoras, empresas de transporte,
compaas de ferrocarriles, sindicatos, etc. La simulacin, en
la medida en que permite contemplar los aspectos ms sig-
nificativos y sus interrelaciones, es una herramienta muy til
para la ayuda en la toma de decisiones, tanto estratgicas
como operacionales.
Ferrocarriles: dentro del mbito del transporte por ferroca-
rril, la simulacin es una herramienta de gran utilidad para la
ayuda en la toma de decisiones estratgicas, por ejemplo, el
problema del dimensionamiento optimizar una flota de
vagones teniendo en cuenta la produccin de las diferentes
factoras, el cliente final y tipo del material, los tiempos de
carga/descarga y los tiempos de trnsito. A parte de optimizar
la flota de vagones, la simulacin tambin permite definir la
mejor estrategia para su gestin. Otro mbito de aplicacin
de la simulacin es, por ejemplo, evaluar la sensibilidad de
un sistema ferroviario a perturbaciones en la red.
Terminales areas: en este campo, muchos son los aspectos
susceptibles de ser analizados mediante simulacin. Algunas
aplicaciones son: anlisis y diseo del sistema de cintas de
transporte de maletas, anlisis de flujos de pasajeros y de las
necesidades de espacio, y anlisis del movimiento de los
aviones en tierra y asignacin de las puertas de atraque.
La capacidad de mejora en los procesos logsticos y de trans-
porte mediante el uso de modelos de simulacin puede ser consi-
derable debido al potencial de:
Reduccin en los costes de infraestructura mvil.
Reduccin de los costes operativos.
Mejora del nivel de servicio.
Sanidad
Es cada vez ms fuerte la presin sobre el entorno sanitario

para controlar sus costes manteniendo o mejorando sus niveles de
servicio. En consecuencia, uno de los retos principales a los que se
enfrenta en la actualidad el sistema sanitario es cmo incrementar
la eficiencia de las operaciones. Es decir, determinar la mejor for-
ma de organizar los mltiples recursos necesarios para proporcio-
nar un servicio de calidad manteniendo o reduciendo los costes. La
distribucin o planificacin de estos recursos no puede ser efec-
tuada con la ayuda de frmulas simples dado que las interrelacio-
nes entre ellos son, generalmente, complejas. La simulacin es
una herramienta adecuada para el anlisis y la ayuda a la toma de
decisiones por su capacidad para modelar estas relaciones y los fac-
tores aleatorios inherentes a estos sistemas. La simulacin permite
explorar mltiples opciones de forma econmica y sin riesgos y, de
modo especial, sin degradar el nivel de servicio actual.
Una de las aplicaciones clsicas de la simulacin en el entorno
sanitario es la determinacin de los recursos necesarios (camas,
quirfanos, de Rayos-X, boxes, mdicos, enfermeras, etc.) para
un centro determinado dado un conjuntos de restricciones y de pa-
rmetros (tipologa y flujos de pacientes, horarios, tiempos de ser-
vicio, etc.). Casos de particular inters pueden ser la simulacin de
servicios de urgencias o el estudio de la evolucin de los costes aso-
ciados a determinados tipos de enfermedades graves o frecuentes.
Negocios (Bussines Process Reengineering BPR)
La simulacin se aplica con xito a otros muchos campos que

aqu se han agrupado bajo el nombre genrico de BPR:
Procesos administrativos propios de empresas de servicios:
bancos, empresas de seguros, administracin, como pueden
ser la circulacin de documentos, estimacin de riesgos, etc.
Actividades logsticas diversas: desde las operaciones para la

perforacin de pozos petrolferos hasta las actividades ex-
tractivas de una mina.
Actividades de atencin al cliente: call-centers, restaurantes,
taquillas en bancos, estaciones o aeropuertos.
Ejemplos
En este apartado se ilustra a travs de aplicaciones reales dife-
rentes aspectos relacionados con el desarrollo y experimentacin de
modelos de simulacin que han sido desarrollados por Logisim
(http://www-iri.upc.es/logisim) en colaboracin con otras ingenie-
ras.
Automatizacin de la gestin logstica de un almacn

de DAMM en el Prat de Llobregat
Las tcnicas de simulacin anteriormente descritas se han em-

pleado tradicionalmente en modo off-line para la ayuda a la toma
de decisiones estratgicas y para la evaluacin de estratgicas
operacionales. Otra rea de aplicacin en el que la simulacin
tiene un potencial elevado para contribuir a la mejora de estos pro-
cesos es en desarrollo de modelos de simulacin en tiempo real
para la evaluacin, deteccin de fallos o mejoras de sistemas de
control reales.
La implantacin o mejora de sistemas de control automtico de
procesos logsticos puede ser muy complicada si se trabaja direc-
tamente en el escenario real. Adicionalmente, todas las posibles
configuraciones de trabajo no pueden ser evaluadas dado que esta-
mos restringidos por el estado del proceso logstico real. Por lti-
mo, algunos problemas pueden ser muy difciles de resolver debi-
do a la dificultad en tracear todas sus posibles causas y la
imposibilidad de repetir exactamente la misma secuencia de even-
tos que han provocado el fallo. La simulacin en tiempo real es una

opcin atractiva que puede ser empleada para superar las dificul-
tades anteriores:
Las pruebas y diagnsticos se pueden efectuar sin perturbar
las operaciones logsticas reales.
Se pueden evaluar todos los escenarios deseados dado que no
estamos condicionados por el funcionamiento real actual del
proceso. Adicionalmente, la posibilidad de escalar el tiempo
permite reducir el tiempo total necesario para realizar los
experimentos sobre los escenarios contemplados.
Encontrar el origen de los errores y corregirlos es mucho
ms fcil en un entorno de laboratorio en el que los experi-
mentos pueden ser repetidos tantas veces como se desea.
Con lo que los resultados finales palpables son:
Reduccin de los plazos de entrega.
Reduccin de costes.
Sistemas de control ms fiables.
Gestin ms ptima de los procesos.
Ejemplos en los que estas tcnicas tienen un inters real son,
entre otros:
Optimizacin de los sistemas de gestin de almacenes inte-
ligentes: muchos almacenes son diseados para tener una
cierta capacidad de entrada/salida que muchas veces no se
cumple en la realidad. El empleo del simulador permite el di-
seo o ajuste de las polticas de gestin real sin las dificulta-
des de trabajar contra la realidad.
Diseo e implantacin de sistemas de control de procesos lo-
gsticos: antes de implantar el sistema de control en la reali-
dad, se prueba y mejora contra el simulador.
DAMM es una empresa que se caracteriza por apostar fuerte-

mente por la mejora tecnolgica de sus procesos. La instalacin
que se presenta ha sido pionera en Espaa. La Figura 7.1 muestra
un esquema del almacn anexo a la planta de produccin. Est
compuesto por los siguientes elementos:
Lnea 1 y Lnea 2 de envasado de cerveza: los palets de bote-
lla reciclable entran en la lnea y los palets de botella llena sa-
len de la lnea. La productividad de la lnea depende del tipo
de producto que se produce y de las incidencias de la lnea.
Sistemas de carga automtica (SCA1 y SCA2) que reciben
de los camiones palets de botella reciclable. Estos palets son
trasladados a las lneas o a las estibas por la flota de los
AGV. Los sistemas de carga automtica tambin reciben
palets de botella llena de los AGV que posteriormente son
cargados en los camiones.
reas de estiba (AE) que almacena transitoriamente los pa-
lets de botella reciclable que entrarn posteriormente en la l-
nea y los palets de botella llena que se trasladarn poste-
riormente a los SCA.
Figura 7.1. Esquema del almacn.

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

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

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

de simulacin tiene que generar y transmitir a los subsistemas rea-
les la misma informacin que recibirn de la realidad: estado de los
diversos sensores de planta, llegadas de camiones y cargas, posi-
cin y estado de los AGV. As mismo, el simulador tiene que mo-
ver los AGV siguiendo las rdenes reales recibidas del sistema de
control de trfico.
Este trabajo de simulacin ha tenido una duracin total de cin-
co meses y se ha desarrollado en paralelo con el resto de trabajos
de ingeniera necesarios para la implantacin del sistema. Los re-
sultados obtenidos en el trabajo relacionado con el simulador han
sido muy satisfactorios, dado que han permitido mejorar el sistema
de control y garantizar su calidad.
Sistema de clasificacin, inspeccin y encajado

de bobinas de hilo
El objetivo del estudio de simulacin ha sido analizar el diseo,

previo a la construccin, de un proceso de transporte, inspeccin,
etiquetado, embolsado y encajado de bobinas de hilo de un proce-
so textil. El estudio ha sido realizado en colaboracin con Cogni-
vision Research S.L., empresa de ingeniera experta en la automa-
tizacin de procesos textiles.
El proyecto tiene como objetivo fundamental automatizar el
proceso para reducir costes operativos y mejorar el proceso de
inspeccin de calidad. Los elementos principales del mismo son:
Cuatro nuevas mquinas de hilatura con una capacidad de fa-
bricacin de 250 bobinas por mquina de forma simultnea.
El flujo de bobinas proviene de las cuatro mquinas autom-
ticas pero tambin de otro sector de la factora. Las bobinas
que provienen de otro sector son transportadas a esta insta-
lacin mediante carros y cargadas manualmente a la cinta de
inspeccin.
Dos vehculos autoguiados (AGV) para la descarga autom-

tica de las bobinas fabricadas y su transporte posterior a los
robots de descarga.
Dos robots de descarga que trasladan las bobinas de los ve-
hculos a los palets de transporte de bobinas.
Sistema de cintas asncronas para el transporte y clasificacin
de las bobinas. Dado que cada mquina es capaz de fabricar
un tipo de hilo diferente. Es necesario la agrupacin de las
bobinas de un mismo tipo antes de su envo posterior al en-
cajado dado que, en caso contrario, el trabajador de encajado
se encontrara con bobinas de diferentes tipos mezcladas.
Pesadora automtica para el control de peso.
Sistema inteligente para la inspeccin mediante tcnicas de
visin artificial.
Mquina de plastificado y etiquetado de bobinas.
Figura 7.3. Animacin del sistema de clasificacin, inspeccin

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

Determinacin de puntos conflictivos.
Evaluacin de las necesidades de personal.
Determinacin de la capacidad del proceso.
Diseo de la poltica de control de las cintas
Los datos necesarios para parametrizar el modelo de simula-
cin han sido:
Tiempos de proceso de cada una de las mquinas, velocidad
de las cintas, velocidad de los vehculos autoguiados. Estos
datos han sido suministrados por los fabricantes de cada uno
de los elementos.
Diseo de la cinta y poltica de gestin prevista.
Bases de datos de produccin: uno de los aspectos ms im-
portantes para modelar y simular correctamente este y otros
sistemas de fabricacin y manipulacin de materiales, es ali-
mentar el modelo de simulacin con un flujo productivo pa-
recido al real. Para este ejemplo particular, y dado que ya se
dispona de mquinas de hilatura parecidas, se ha modelado
la produccin de las cuatro mquinas de hilatura a partir de la
informacin disponible en una base de datos sobre la pro-
duccin en otras mquinas ya instaladas.
Los resultados obtenidos han sido:
Diseo del sistema de control: la contribucin ms impor-
tante del estudio de simulacin ha sido el diseo de la polti-
ca de control de todo el proceso. Un aspecto de inters ha
sido, por ejemplo, la gestin de los pulmones de clasifica-
cin. En el modelo se han reservado los cuatro pulmones
marcados desde el uno hasta el cuatro para el almacena-
miento de las bobinas descargadas automticamente. El quin-
to pulmn (el ms interior) se reserva para los palets carga-
dos manualmente o para la recirculacin de palets vacos.
Garantizar que el sistema funcionar correctamente y mostrar

como funcionar. Este aspecto no es solo de inters para el
cliente final y para los directivos de la ingeniera responsable
del diseo y de la instalacin, sino tambin para los tcnicos
encargados del montaje y la programacin, dado que el co-
nocimiento adquirido mediante el modelo de simulacin fa-
cilita la toma de decisiones correctas si deben efectuarse
cambios menores en el diseo.
Evaluar las necesidades de personal: el modelo ha permitido
evaluar las necesidades de personal en funcin de la poltica
de produccin adoptada.
Anlisis de un departamento de urgencias peditricas

de un hospital
Los objetivos detallados del estudio son:

Objetivo estructural: evaluar las necesidades de espacio te-
niendo en cuenta los flujos actuales y los flujos futuros pre-
vistos.
Objetivo asistencial: evaluar el impacto del perfil compe-
tencial de los profesionales.
Objetivo organizacional: analizar los circuitos de visitas, de
pacientes, de analtica y en especial de radiologa.
Para abordar el estudio se ha desarrollado un modelo de simu-
lacin que mimetiza el comportamiento dinmico real del servicio
de pediatra. En una primera fase se ha obtenido un modelo din-
mico del proceso actual y a continuacin se ha estudiado el com-
portamiento futuro previsto.
Para la realizacin del estudio se parte de los flujos histricos
disponibles y de los datos asistenciales disponibles hasta la fecha.
Por ejemplo, en la Figura 7.4 se muestra el nmero total de pa-
800
700
600
500 Oa 2
400 >2
Todos
300
200
100
0
8 10 12 14 16 18 20 22
Figura 7.4. Urgencias peditricas por hora del da (semanas tipo,

entre las 8 y 24 horas).
cientes que llegan en cada franja horaria en funcin de la hora del

da para una semana tipo (lactantes son los pacientes de 0 a 2
aos). Se han estimado los parmetros asistenciales de los cuales
no se tiene informacin registrada. Los parmetros estimados
son, por ejemplo, el tiempo dedicacin del mdico en el box en
funcin de la patologa del paciente y el tiempo de realizacin de
placas.
En condicin de carga elevada del trabajo, se parte de la hip-
tesis de que los mdicos con experiencia (seniors), son capaces
de reducir sus tiempos de servicio manteniendo el mismo nivel de
calidad. Si la carga es excepcionalmente alta, estas condiciones
pueden aparecer en la semana de la gripe, los mdicos an reducen
ms sus tiempos de servicio a pesar de que son conscientes de
que hay una merma de calidad que se traduce en segundas visitas
en das posteriores. Estas ltimas condiciones no se contemplan en
el modelo, lo que provoca, para estos casos, tiempos de esperas de
los pacientes alejados de la realidad actual, colas muy elevadas con
la consiguiente saturacin de la sala de espera. Para estos ltimos
casos, el objetivo del estudio es determinar el nmero de mdicos y
el perfil competencial que tendra que ser necesario para dar un ser-
vicio sin merma de calidad.
La Tabla 7.1 siguiente muestra la carga ponderada de pacientes

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

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

co boxes, tres mdicos senior y un mdico junior, se obtiene que la
ocupacin mxima de la sala de espera general del servicio de ur-
gencias se mantiene por debajo de las 40 personas. En este caso
particular, estos resultados son aceptables, dado que la sala de
espera disponible tena esta capacidad. Ntese que el nmero de
pacientes reales es inferior al 50% de las personas de la sala de es-
pera dado que los pacientes peditricos generalmente van acom-
paados por uno o dos familiares.
Figura 7.5. Ocupacin de la sala de espera general

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

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

nado de las salas de espera es correcto si se dispone de boxes
adicionales y de los recursos humanos necesarios.
Rayos-X: se han estudiado las propuestas contempladas con
el objetivo de ver el impacto de cada propuesta en las nece-
sidades de espacio en la sala de espera interna, tiempo de es-
pera y su repercusin en otros mbitos de trabajo (RX y
emergencias).
Evolucin en el modelo asistencial: el modelo de simulacin
permite explorar propuestas de evolucin del modelo asis-
tencial de la atencin a la demanda no programada en la in-
fancia y en la adolescencia. En esta lnea y partiendo de la hi-
ptesis de la disponibilidad de un aparato autnomo para la
RX peditrica, se ha simulado la atencin de todos los pa-
cientes que precisan observacin en un nico mbito para la
mejora asistencial y optimizar recursos humanos.
Simulacin de una planta de recepcin, picking y expedicin

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

decisiones para el diseo y la remodelacin de espacios y equipos (la-
yout) de una planta de fabricacin de productos farmacuticos que
deba incorporar algunos procesos que, hasta el momento, se reali-
zaban en dos plantas distintas alejadas algunos kilmetros como re-
sultado de la fusin de dos compaas del sector. Las funciones a mo-
delizar estaban relacionadas, bsicamente, con los espacios dedicados
a la recepcin de materias primas y productos de empaquetado y em-
balaje, con el transporte interior al/y desde el almacn automatizado
y con el proceso de picking de los distintos productos. Adicional-
mente se modelaban otras reas o funciones, como la zona destinada
al control de calidad o algunos dispositivos crticos, como poda ser
un repaletizador en la zona de entrada al recinto, elevadores y robots.
Como en todo proceso de este tipo, se dedic un esfuerzo im-

portante al anlisis del nuevo contexto productivo creado a partir de
la implicacin de agentes provenientes de distintas culturas desde el
punto de vista tcnico y comercial. Se constituyeron grupos de tra-
bajo y pactaron los objetivos del estudio, as como las distintas fases,
los puntos de evaluacin y las estrategias de validacin, en su caso.
Ms especficamente, y con las naturales reservas a las que
obliga la confidencialidad del proyecto, se tuvieron en cuenta:
Los flujos de entrada de materiales, tipologa, destino y dis-
tribucin temporal de los distintos subprocesos.
Las previsiones de produccin y sus caractersticas: los pro-
ductos farmacuticos tienen determinados requisitos de cali-
dad, caducidad, conservacin y, algunos de ellos, una fuerte
estacionalidad en el consumo. Por lo tanto, debamos evaluar
un entorno cambiante y flexible, fcilmente adaptable a la
demanda de cada uno de los frmacos.
Las restricciones espaciales en la planta actual, con las dis-
tintas distribuciones resultantes en cuanto a reas de recep-
cin, expedicin, picking manual y automtico, y dispositi-
vos de alimentacin del mismo. Se consider y model la
incorporacin de un nuevo nivel a construir encima del que
se haba estado utilizando.
El movimiento de un robot para el picking de paquetes y el
dimensionado de las correspondientes bancadas.
La asignacin de los distintos productos, de mayor consumo,
a las bancadas utilizadas por el brazo robotizado.
El movimiento de cintas transportadoras fijas y de rodillos,
elevadores y otros dispositivos de transporte.
Diferentes alternativas de suministro en el picking. Grado de
automatizacin mediante autodispensadores.
Los controles de calidad en salida.
Los sistemas de etiquetado y sellado, as como los muelles de

expedicin.
Las distintas alternativas de turnos de trabajo a fin de satis-
facer estrictos criterios en los plazos de entrega.
Los datos necesarios para parametrizar el modelo fueron:
Datos de requerimientos de expedicin de todos los produc-
tos (alrededor de un millar) especificados separada y singu-
larmente por tipo de paquete y embalaje y segn su variabi-
lidad estacional y estimacin de mximos.
Diseo de la planta a partir de los planos CAD.
Caractersticas de los distintos dispositivos existentes o en
evaluacin de compra: velocidades, tasas de avera, tiempos
de reparacin, zonas de stock, etc.
Los datos referentes a los turnos de trabajo, personal dispo-
nible y turnos de recogida de productos embalados en zona
de expedicin.
Figura 7.6. Visualizacin 3-D de la zona de picking.

Los resultados obtenidos fueron, entre otros:

Anlisis detallado de los datos de produccin, al nivel nece-
sario para la simulacin. Contraste de valores de diseo de al-
gunos de los dispositivos en la planta que se comportaban por
debajo de sus valores de especificacin en el diseo original.
Modelizacin global de la zona de inters de la planta, con lo
que se pudieron evaluar flujos globales y especficos.
Dimensionado de las zonas de picking automatizado y del ro-
bot. Evaluacin de alternativas de asignacin de productos a
bancadas.
Visualizacin dinmica en 3-D del modelo en su conjunto, con
posibilidad de navegacin por el mismo a partir de distintos
puntos de vista, lo que ayudaba a la comprensin espacial del
nuevo diseo de planta ms all de la pura animacin plana.
El modelo fue desarrollado a medida mediante el entorno de si-
mulacin LeanSIM propio del equipo de trabajo de simulacin, ba-
sado en herramientas y lenguajes estndar. El proyecto dur, en tr-
minos reales, del orden de ocho meses.
Anlisis por simulacin de la Operacin Paso

del Estrecho del puerto de Almera
Durante la Operacin del Paso del Estrecho (en adelante OPE)

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

el mircoles, despus de haber agotado todos los billetes de los lu-
nes y los martes, lo que provoca una ocupacin mxima de las ins-
talaciones del puerto de Almera.
A fin de ofrecer un mejor servicio a los pasajeros, la autoridad
portuaria de Almera y Motril contrat la asistencia de SENER In-
geniera y Sistemas para aumentar la infraestructura portuaria de-
dicada al trfico de pasajeros, diseando una nueva estacin mar-
tima y una nueva explanada.
Con el objetivo de analizar las alternativas de obra civil dise-
adas por SENER Ingeniera y Sistemas (Sergi Ametller, David
Vergs, y Josep Canudas) los autores del libro desarrollaron un mo-
delo empleando tcnicas de simulacin de procesos (concreta-
mente usando el programa ARENA). La experimentacin con el
modelo permiti determinar el dimensionamiento final del espacio
fsico diseado por SENER, detectar posibles puntos crticos de
trficos (asistiendo en la redaccin de las medidas correctoras ne-
cesarias para solventarlos), y determinar las mejores polticas de
explotacin de la terminal.
Dado el elevado nmero de actividades concurrentes en el tiem-
po que aparecen en una zona de espacio limitada, como es el caso,
de flujo de vehculos en un recinto portuario, as como las relaciones
de causa efecto entre el proceso de llegadas de vehculos (total-
mente aleatorio) y la saturacin de los diversos puntos de paso con-
flictivos (cuellos de botella), la codificacin del modelo concep-
tual deba tener en cuenta la necesidad de parametrizar el modelo de
simulacin, de tal modo que fuera posible evaluar el comporta-
miento del sistema simplemente realizando cambios en el marco ex-
perimental (inputs) sin tener que modificar el modelo de simulacin.
Los principales datos utilizados para alimentar el modelo de si-
mulacin fueron:
N.o de barcos en servicio de cada naviera y para cada destino
(Nadur y Melilla).
N.o de pasajeros por barco.

N.o de vehculos por barco.
Tiempos de rotacin de cada barco.
Tiempos de atraque de cada barco.
Tiempos de estiba/desestiba.
Tiempos de registro (aduana, chequeo de billetes...)
Distribucin de llegada de los vehculos.
Escenarios de crecimiento.
Dado que la fiabilidad de las predicciones estaba condicionada
por los datos disponibles, la obtencin de datos se realiz teniendo
en cuenta los siguientes condicionantes:
Para modelar las llegadas de vehculos se parti del nmero
de vehculos embarcados por las diferentes compaas du-
rante la OPE de 2000. En la Figura 7.7 se muestra la presen-
cia de picos de ms de 2.000 vehculos transportados en un
solo da de Almera a Marruecos.
Sbado, julio 1 Sbado, julio 15 Sbado, julio 29 Sbado, julio 12 Sbado, julio 26
Domingo, julio 2 Domingo, julio 16 Domingo, julio 30 Domingo, julio 13 Domingo, julio 27
3.500
2.500
Vehculos
2.000
1.500
1.000
500
0
Fecha
Llegadas Salidas Total llegadas + Salidas Fines de semana
Figura 7.7. Evolucin del flujo de llegadas y salidas de vehculos

durante los fines de semana de la OPE de 2000.
Se parti de los horarios del ao 2000 para modelar las lle-

gadas y salidas de ferrys.
Se utilizaron los datos disponibles durante los ltimos tres
aos para disear los diferentes escenarios de crecimiento.
Una vez analizados el grado de ocupacin de las zonas de
pulmn, preembarque, desembarque y embarque, as como la
saturacin de las zonas de paso para mover los vehculos de una
zona a la siguiente en funcin del proceso de llegada de los bu-
ques y la disponibilidad de billetes, se opt por dimensionar tres
zonas de preembarque (vase Figura 7.8), en las que se distribu-
an los coches en funcin del destino y de la naviera que prestaba
el servicio:
1. Zona de preembarque: vehculos que se dirigen a Melilla
con la naviera Transmediterrnea.
2. Zona de preembarque: vehculos que se dirigen a Nador
con las navieras Transmediterrnea, Comarit o Limadet.
3. Zona preembarque: vehculos que se dirigen a Nador con la
naviera Ferrimaroc.
Figura 7.8. Layout de la zona de preembarque.

El principal beneficio de las tcnicas de simulacin de procesos

en el problema objeto de estudio fue disponer de una herramienta
potente y sugestiva para evaluar las diferentes alternativas de or-
ganizacin del espacio planteadas por SENER y la autoridad por-
tuaria de Almera. El modelo permiti reducir el riesgo en la toma
de decisiones, definiendo la correcta gestin de la terminal en los
momentos de mxima afluencia de pasajeros.
Simulacin de una nueva rea terminal aeroportuaria

A pesar de que el transporte es un factor clave en el desarrollo
econmico de cualquier regin, la aviacin recibe en la actualidad
poco crdito como factor que contribuye en conectar suministra-
dores, industrias y consumidores con un servicio eficiente y com-
petitivo. Hoy en da, cualquiera conoce los importantes beneficios
que las autopistas ofrecen a los sistemas de transportes, pero no es
as en el caso de aeropuertos.
La coordinacin y sincronizacin efectiva de todos los recursos
de un aeropuerto es un factor decisivo para poder ofrecer con xito
su funciones ante las distintas perturbaciones a las que se ve cons-
tantemente sometido. En general, debido a una falta de metodologa,
as como de herramientas para poder gestionar de modo eficiente los
recursos aeroportuarios actuales, se suele abordar el problema de ca-
pacidad de los aeropuertos realizando inversiones considerables de
capital en la adquisicin de nuevos recursos, o aumentando la ca-
pacidad de los ya existentes. Sobredimensionar un aeropuerto no
conduce a la solucin de una mejor gestin de sus recursos, sino que
ms bien repercute en forzar un crecimiento de recursos justamen-
te donde ms difcil ser absorber las cargas de trabajo no esperadas.
Cabe notar, por otro lado, que no se ha invertido suficientemente en
mtodos para hacer ms efectivos los recursos existentes.
Considerando el elevado coste y el largo horizonte en cuanto a
tiempo requeridos para las mejoras de un aeropuerto, la planifica-
cin es un factor esencial para determinar tanto los recursos nece-
sarios as como para una correcta priorizacin en el tiempo de los

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

truccin, 2015 y 2025) con un horizonte de 40 millones de pasaje-
ros/ao. Parte de la complejidad en la fase de desarrollo del modelo
de simulacin vena impuesta por la necesidad de caracterizacin de
los requerimientos del sistema en cuanto a demanda, configura-

cin de vuelos y compaas operadoras, servicios, catering, etc., en
un entorno muy cambiante a raz de los acontecimientos de 11 de
septiembre de 2001. As pues, el modelo de simulacin deba reco-
ger los cambios sobre los requisitos de control de acceso y seguri-
dad en un entorno donde van a moverse miles de trabajadores y ser-
vicios, adicionalmente al personal de vuelo y a los propios
pasajeros. El modelo tambien contemplaba diferentes escenarios
de acceso, en funcin de las polticas europeas de libre circula-
cin de personas y de mercancas, entre otras.
El nivel de detalle alcanzado en el desarrollo del modelo mi-

croscpico ha generado una nueva lnea de investigacin en Logi-
SIM en cuanto a la modelizacin de procesos con gran volumen de
entidades y a los problemas de representacin en realidad virtual,
segunda fase del proyecto.
El dilogo entre los diferentes actores implicados, tratando de
consolidar la metodologa de trabajo, las herramientas y la utilizacin
de la simulacin para la toma de decisiones en un contexto habituado
a trabajar con otras aproximaciones metodolgicas, hicieron de este
proyecto un elemento clave para la futura utilizacin de la simulacin
en estos y otros proyectos de ingeniera civil de gran envergadura.
Apndice
A
Simulacin en Internet
La tabla siguiente muestra un directorio de herramientas de

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

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

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

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

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

Como Mejorar La Logística de Su Empresa Mediante La Simulación PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Como Mejorar La Logística de Su Empresa Mediante La Simulación PDF

Uploaded by

Copyright:

Available Formats

MIQUEL NGEL PIERA

Madrid - Buenos Aires - Mxico

Reservados todos los derechos.

No est permitida la reproduccin total o parcial de este libro, ni su tratamiento

Ediciones Daz de Santos, S.A.

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

Dedicat a la Maria, lAlba, lAndreu i el Guillem

Dedicat a Rosa, Ada y Laura

Dedicado a Mara Jos y Julia

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

1. Introduccin y motivacin ............................................. 1

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

Los autores poseen una dilatada experiencia docente e investi-

Las personas expertas en simulacin consideran inconcebible

Un estudio de simulacin, a menudo permite ahorrar importantes

Los autores disponen de una dilatada experiencia en el desa-

La elevada competitividad industrial, as como las exigencias

sidades y parmetros de rendimiento distintos, la solucin que

de modo integrado y no competitivo las prioridades de los distintos

Especificar todos estos aspectos cualitativos como parmetros

Herramientas de ayuda a la toma

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

Modelos deterministas analticos: se caracterizan en que los

Modelos analticos estocsticos: se caracterizan porque al

ayuda a la toma de decisiones sobre la gestin y planificacin de

La toma de decisiones en logstica

ubicar las instalaciones?, cmo se deberan disear las redes de

mas que no pueden procesar de modo inmediato las peticiones de

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

Por qu los procesos logsticos,

de componentes que se encuentran lejos de ser clasificados como

se requiere no tan slo de una buena metodologa para describir el

Ventajas de la simulacin digital

Permiten evaluar estrategias de mejora sin perturbar el fun-

Mejor conocimiento sobre cmo afectan ciertas variables de

A pesar de esta flexibilidad, la simulacin no soluciona todos

Entornos grficos de simulacin:

En la ltima dcada se ha popularizado el empleo de la simu-

Un proyecto de simulacin es dinmico por naturaleza. Los re-

ble para fiscalizar todo el trabajo efectuado. En consecuencia,

Etapas de un proyecto de simulacin

Formulacin del problema

Diseo del modelo conceptual

Tabla 2.1. Etapas de un proyecto de simulacin.

simulacin con mltiples lagunas y de difcil mantenimiento. Es

Tambin corresponde a esta etapa especificar qu resultados o

En general, se recomienda cuestionar siempre toda la informa-

Construccin del modelo

En numerosos proyectos de simulacin se dedica ms esfuerzo a

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

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

Diseo de experimentos y experimentacin

Anlisis de los resultados

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

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

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

En este contexto, se entiende por implementacin la toma de

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

Proceso de recogida de datos

Algunas ideas que facilitarn la tarea

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

Aleatoriedad versus comportamiento

El concepto datos aleatorios no debe confundirse con el de un