Professional Documents
Culture Documents
2018
INTEGRANTES
Facultad de Ingeniería
ÍNDICE
I. INTRODUCCIÓN .................................................................................................................. 3
OBJETIVO GENERAL............................................................................................................. 4
MODELOS DE SIMULACIÓN 1
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
ÍNDICE DE FIGURAS
Figura 3 Variables aleatorias mediante una distribución normal (Olivares, 2007). ..................... 12
ÍNDICE DE TABLAS
Tabla 3 Primeras iteraciones para obtener valores del factor organizacional .............................. 18
MODELOS DE SIMULACIÓN 2
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
I. INTRODUCCIÓN
Cuando alguien tiene la responsabilidad de conducir un sistema dado, como por ejemplo: un banco,
una ciudad, un sistema de transporte, etc., debe tomar continuamente decisiones acerca de las
acciones que ejecutará sobre el sistema. Estas decisiones deben ser tales que la conducta resultante
del sistema satisfaga de la mejor manera posible los objetivos planteados.
Para poder decidir correctamente es necesario saber cómo responderá el sistema ante una
determinada acción. Esto podría hacerse por experimentación con el sistema mismo; pero factores
de costos, seguridad y otros hacen que esta opción generalmente no sea viable. A fin de superar
estos inconvenientes, se reemplaza el sistema real por otro sistema que en la mayoría de los casos es
una versión simplificada. Este último sistema es el modelo a utilizar para llevar a cabo las
experiencias necesarias sin los inconvenientes planteados anteriormente.
MODELOS DE SIMULACIÓN 3
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
II. OBJETIVOS
OBJETIVO GENERAL
OBJETIVOS ESPECÍFICOS
En esta área de conocimiento se desarrolló la teoría de la simulación que podría definirse como un
medio que experimenta con un modelo detallado de un sistema real para determinar como 2
responderá el sistema a los cambios en su estructura o entorno [Harrell, C., Tumay, K; 2001].
A nivel de planificación y control estratégicos de una empresa, los modelos de simulación insertan
varios inputs a un sistema y proporcionan un modelo para evaluar o volver a diseñar y medir o
cuantificar factores tan importantes como la satisfacción del cliente, la utilización de recursos, el
proceso de reingeniería y el tiempo invertido en todo ello.
La simulación es un medio mediante el cual tanto nuevos procesos como procesos ya existentes
pueden proyectarse, evaluarse y contemplarse sin correr el riesgo asociado a experiencias llevadas a
cabo en un sistema real. Es decir, permite a las organizaciones estudiar sus procesos desde una
perspectiva sistemática procurando una mejor comprensión de la causa y efecto entre ellos además
de permitir una mejor predicción de ciertas situaciones.
MODELOS DE SIMULACIÓN 4
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
La teoría de la simulación permite valorar, replantear y medir, por ejemplo, la satisfacción del
cliente ante un nuevo proceso, la utilización de recursos en el nuevo proceso o incluso el tiempo
para minimizarle. Todas estas posibilidades hacen de la simulación un instrumento ideal para un
esfuerzo de replanteamiento de la empresa.
En el modelo determinístico las mismas entradas producen las mismas salidas, sin que haya el
espacio para el azar. Esta estrechamente relacionado con la creación de entornos simulados a través
de simuladores para el estudio de situaciones hipotéticas, o para crear sistemas de gestión que
permitan disminuir la incertidumbre.
La aplicación consiste en hacer simulaciones en diferentes escenarios para observar las diferentes
reacciones o salida de datos. Por ejemplo, este tipo de modelo se utiliza en los simulacros de
incendio y en los simulacros de choques con muñecos especiales diseñadas para dichas pruebas.
Usa valores constantes para los parámetros como tiempos de carga, viaje, descarga y demoras. La
suma de estos datos constituye el ciclo determinístico del modelo. La figura 1 presenta los
requerimientos para el proceso determinístico en el acarreo minero superficial entre los puntos de
carguío y de descarga.
MODELOS DE SIMULACIÓN 5
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
EJEMPLOS.
1. La planificación de una línea de producción, en cualquier proceso industrial, es posible
realizarla con la implementación de un sistema de gestión de procesos que incluya un
modelo determinístico en el cual estén cuantificados las materias primas, la mano de obra,
los tiempos de producción y los productos finales asociados a cada proceso.
2. Casos prácticos serian los camiones en minería ya que son deterministas en el sentido que
podemos hacer que entren comandos por el camión por medio del volante, frenos, pedal del
acelerador, cambios, claxon, freno de mano, etc.
MODELOS DE SIMULACIÓN 6
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
3. Otro caso seria como los aparatos eléctricos como el caso de la licuadora en el que al
apretar un botón ejecuta una acción.
MODELOS DE SIMULACIÓN 7
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
4.3.1 INTRODUCCIÓN
La herramienta de Monte Carlo se aplica en el campo de las simulaciones, es por esto que es
llamada “simulación de Monte Carlo”. La simulación es una técnica cuantitativa utilizada para
matemático. Una simulación se puede definir como “el proceso de diseñar y desarrollar un modelo
computarizado de un sistema o proceso y conducir experimentos con este modelo con el propósito
de entender el comportamiento del sistema o evaluar varias estrategias con las cuales se puede
operar el sistema (Coss, 1999)”. La simulación de Monte Carlo utiliza funciones de distribución con
El método fue llamado de esta manera por el principado de Mónaco “la capital del juego de
azar”, al tomar una ruleta de juego como un generador simple de número aleatorios. Este nombre es
relativamente reciente y fue atribuido a Jon von Neumann y Stanislaw Ulam cuando trabajaban en
el proyecto Manhattan durante la segunda guerra mundial. Sin embargo, la idea del cálculo de
Monte Carlo es mucho más antigua que la aparición de los ordenadores y era conocida
anteriormente por el nombre de "muestreo estadístico". Inicialmente, Monte Carlo no fue un método
para resolver problemas en física, sino para evaluar integrales que no podían ser evaluadas de otra
multidimensionales fueron las dos áreas iniciales en las que la simulación de Monte Carlo probó ser
de gran utilidad. Hoy en día son muchas las aplicaciones que tiene esta herramienta en diferentes
campos como en la física, química, problemas ingenieriles, economía etc. Esto es debido al avance
MODELOS DE SIMULACIÓN 8
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
ámbitos. Dentro del ámbito del análisis de riesgo, Rezaie et al. (2007) propusieron un algoritmo
basado en la simulación de Monte Carlo para investigar los efectos de la incertidumbre en este
ámbito. También se publicó un análisis de las ventajas de usar esta herramienta en los análisis de
incertidumbre, y también se ha combinado con la lógica difusa. Li et al. (2008) hicieron un análisis
Monte Carlo. Esta herramienta también ha sido usada por Changpeng et al. (2014) para tratar los
factores humanos y ver los efectos de dichos factores en las ejecuciones de vuelos en el campo de la
Es por esto, que usando esta herramienta se puede introducir el efecto del factor humano. Para
poder entender el funcionamiento de esta herramienta y la manera en que han sido introducidos los
Yauri (2012) estableció que para implementar la simulación de Monte Carlo en su estado puro,
la cual está fundamentada en la generación de números aleatorios, se deben seguir los siguientes
pasos:
MODELOS DE SIMULACIÓN 9
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
Otra opción para trabajar con Monte Carlo seria cuando la variable aleatoria no es directamente
el resultado de la simulación o bien cuando se tienen relaciones entre las variables. Entonces los
Teniendo en cuenta estas dos aproximaciones, se puede decir que existen tres conceptos básicos
que se deben de considerar en el momento de aplicar la simulación de Monte Carlo: las variables
VARIABLES ALEATORIAS
Se denomina una variable aleatoria, a una variable X que puede tomar un conjunto de valores
{x0, x1, x2, ... xn-1} con probabilidades {p0, p1, p2, ... pn-1}. El problema crucial de la aplicación
del método de Monte Carlo es hallar los valores de una variable aleatoria con una distribución de
probabilidad dada por la función P(s) a partir de los valores de una variable aleatoria
uniformemente distribuida en el intervalo [0, 1), proporcionada generalmente por algún generador
MODELOS DE SIMULACIÓN 10
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
probabilidad puede tomar un valor de entre un conjunto de valores, cada uno de los cuales
proceso aleatorio que cumple con determinados supuestos teóricos. Los parámetros que
distribución.
Por lo tanto, para simular un proceso o hallar la solución de un problema matemático usando
esta metodología es necesario usar gran cantidad de estos números o variables aleatorias, ya que
este método consiste en tomar un solución válida, provocar una pequeña variación aleatoria, y si la
nueva configuración cumple con las restricciones, se registra esa nueva solución; si no, se queda
con la antigua.
Toda variable aleatoria posee una distribución de probabilidad que describe su comportamiento.
probabilidad especifica todos los valores posibles de la variable junto con su probabilidad de
ocurrencia. Si la variable es continua, es decir, cuando la variable puede tomar cualquier valor de un
subintervalos de valores. En la siguiente tabla se muestran algunas de las FDP más comunes.
MODELOS DE SIMULACIÓN 11
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
En el análisis de riesgo, muchas veces las distribuciones de ciertas variables o parámetros no son
conocidas, por lo que, generalmente, se representan con las más generales como son las normales,
triangulares o uniformes.
Vanorio y Mera (2009) afirmaron que para la evaluación de riesgos, específicamente en el sector
de transportes, las siguientes funciones de probabilidad son las que mejor se adaptan: distribución
uniforme, triangular, normal y gamma. Amsterdam (2004) utilizó la simulación de Monte Carlo
para el cálculo de consecuencias en el análisis de riesgo y asignó diferentes tipos de FDP a variables
MODELOS DE SIMULACIÓN 12
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
variables donde encontró más dificultad para calcularlas y con más incertidumbre usó distribuciones
uniformes. Después de establecer las variables aleatorias y sus PDF, se tienen que realizar las
La simulación de Monte Carlo se basa también en las iteraciones del modelo propuesto. Cuantas
más iteraciones se hagan, más preciso será. Sin embargo, el esfuerzo computacional también será
Smid et al. (2009) mencionaron que, al final las iteraciones, se utilizan, para extraer información
de los resultados, medias, desviaciones estándares o percentiles que pueden ser de gran ayuda para
los asesores del riesgo. Amsterdam (2004) utilizó el valor medio después de 50 iteraciones para
establecer la concentración de cloro en una dispersión tóxica, dándole rangos a variables como la
temperatura del cloro y la cantidad liberada. También utilizó como variable la cantidad de masa
liberada, haciendo diferentes iteraciones entre un rango de cantidad de masa para obtener la
un tanque de propano. El resultado obtenido después de todas las iteraciones e interpretadas por
métodos estadísticos puede tener diferentes significados dependiendo del objetivo y de lo que se
4.3.6 METODOLOGÍA
El modificador basado en la simulación de Monte Carlo tiene las mismas características que se
MODELOS DE SIMULACIÓN 13
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
bases de datos.
Zapata (2003) comentó que no existe una metodología única para implementar la simulación de
Montecarlo, ya que es una herramienta que puede servir en muchos campos y es adaptable al tipo de
situación que se esté aplicando. Para poder integrar el factor humano y poder crear el modificador
A continuación, se explican los pasos necesarios para la obtención del modificador basado en la
se tienen en cuenta los mismos grupos de variables que contienen los factores establecidos:
factor organizacional, factores de las características del trabajo, factor de las características
personales. De esta manera se podrán comparar los resultados de las dos metodologías propuestas:
Cada una de las variables, las cuales tienen en cuenta el factor humano, es tratada como variable
aleatoria continua, ya que éstas pueden tomar cualquier valor dentro de un rango determinado que
será un rango de incertidumbre acorde con las condiciones de los factores considerados. Como ya se
MODELOS DE SIMULACIÓN 14
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
ha mencionado, estas variables están representadas por una FDP que puede ser de diferentes formas.
El tipo de FDP seleccionado para representar a las variables es del tipo “Uniforme”, debido a las
Para obtener la función característica del modelo se tienen que tener en cuenta varias
consideraciones, algunas de las cuales ya han sido mencionadas, como: las conexiones entre las
variables, la restricción del valor final del modificador (1,50) o los diferentes pesos de las variables.
d+e+f
Factor de las características del trabajo: β = 3
…………………... [6.2]
g+h
Factor de las características personales: γ = ……………………… [6.3]
2
MODELOS DE SIMULACIÓN 15
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
Dónde:
a = subcontratación
b = formación
c = comunicación e informe
d = gestión de la carga de trabajo
e = condiciones medioambientales
f = equipamiento de seguridad
g = habilidades y conocimiento
h = comportamiento persona
Una vez obtenidas las tres ecuaciones individuales de los factores, se suman
d+e+f g+h
𝑥 = 𝛼 + 𝛽 + 𝛾 = (0.2 𝑎 + 0.6 𝑏 + 0.2 𝑐) + 3
+ 2
………….. [6.4]
𝑥 𝜀 [0,30]……………………………………….. [6.5]
cuando (x)mín. Por otro lado, cuando (x)máx entonces [F(x)]mín. Con ésta información se
Después de considerar esto, y usando una regresión lineal, se llega a la siguiente ecuación:
Para poder trabajar con esta ecuación se tiene que caracterizar la incertidumbre en términos de la
simulación de Monte Carlo, esto quiere decir que a cada variable de entrada “a” o “h” (Figura 6.3)
se le tiene que asignar un rango de incertidumbre para poder hacer las iteraciones necesarias que
necesita el modelo.
la generación de números aleatorios; por lo tanto, se tienen que realizar N número de iteraciones
MODELOS DE SIMULACIÓN 16
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
para poder obtener un resultado final. Estas iteraciones se han realizado en un rango de
incertidumbre asignado. Dicho rango proviene de las características de cada empresa. Para poder
obtenerlo, se ha creado un método de evaluación del comportamiento de las empresas, a partir del
cual se han determinado los rangos de incertidumbre necesarios para poder continuar con la
metodología propuesta.
De acuerdo con el resultado obtenido del método de evaluación del comportamiento de las
empresas, se conocerán los valores de las variables y se podrán comparar con los rangos
establecidos en la Tabla 2. De esta manera, a cada variable se le asignará un rango: pobre, medio o
excelente.
Una vez obtenidos los rangos para cada variable, se necesitan hacer las iteraciones
en 1000, ya que se considera que es un número suficiente de iteraciones para obtener valores
representativos. Por lo tanto, se realizan las 1000 iteraciones necesarias para obtener diferentes
valores de incertidumbre de todas las variables y de los factores, según sus ecuaciones
MODELOS DE SIMULACIÓN 17
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
correspondientes. Por ejemplo, en la Tabla 3 se muestran diferentes iteraciones para las tres
variables correspondientes al factor organizacional (α): en caso de que la variable contratación (a)
tenga condiciones pobres, la variable formación (b) tenga condiciones medias y la de comunicación
De la misma manera, se hacen todas las iteraciones para todas las variables (a –h), obteniendo
así, diferentes resultados para cada uno de los factores (γ, β y α) y por consecuente, del modificador
de la frecuencia.
Una vez realizadas todas las iteraciones fijadas para cada variable, se obtendrán mil posibles
resultados del modificador. El resultado final, que representará el valor del modificador, se obtiene
mediante el valor de la media de los posibles valores de dicho modificador (Figura 6.4). Para ello se
han tenido en cuenta las condiciones establecidas, como el tipo de FDP de las variables, el número
software “Minitab” (Minitab, 2010), simplemente aplicando el esquema de las variables, los pesos y
los resultados del método de evaluación de las empresas. En el anexo I se detalla el uso de este
software para la obtención de las iteraciones necesarias para el cálculo del modificador.
MODELOS DE SIMULACIÓN 18
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
Una vez establecidas las dos metodologías, que se usaron en esta tesis, para obtener el
modificador de la frecuencia que permite considerar el efecto del factor humano en el análisis
cuantitativo del riesgo (lógica difusa y simulación de Monte Carlo), se necesitan establecer los
Ciclo es la suma de tiempos fijos y variables recurrentes y secuenciales de la operación unitaria del
equipo de carguío, acarreo o del sistema (Fig). El ciclo puede ser determinístico o probabilístico.
Procesa tiempos reales numéricos constantes. Consta de los tiempos de carguío, descarga, viajes
cargado y vacío del equipo. El cálculo requiere ábacos de gradabilidad y retardo dinámico de cada
modelo y tamaño de equipo de acarreo. Las figuras 4 y 5 presentan ábacos típicos para el cálculo de
los tiempos de viaje. El tiempo de viaje total (cargado y vacío), puede calcularse por dos métodos:
1) Usando las características de la vía de acarreo (longitud de cada segmento de vía, pendiente y
resistencia a la rodadura), y el peso total del equipo cargado y vacío. En el ábaco se estima
MODELOS DE SIMULACIÓN 19
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
velocidad máxima y luego velocidad media por aplicación de la tabla de factores de velocidad los
cuales varían para traducir dos variables: a) el estado de movimiento del equipo en el segmento de
vía que puede ser estacionado o a velocidad y
b) la longitud de los segmentos.
MODELOS DE SIMULACIÓN 20
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
Factor de Acoplamiento
Determina el número de unidades de transporte para cada unidad de carguío.
Si: N = Número total de transportadores
n = Número total de cargadores
T = Ciclo de cada unidad de transporte. Número aproximadamente constante
t = Ciclo de cada unidad de carguío. Número aproximadamente constante
z = Número de transportadores por unidad de carguío. Cifra entera y constante
y = Número de pases (paladas), requeridos para llenar la tolva del transportador. (mínimo 4 y
máximo 6).
Se establece que: z = T / (y. t).
Multiplicando esta expresión por n se tiene:
n . z = T. n / (y . t).
Pero (n . z) = N.
Entonces: N. y. t = T. n ó N. y. t / (T. n) = 1 = FA = Factor de Acoplamiento, o
Elegida la marca del cargador, se procede a seleccionar el tamaño de la cuchara tal que la tolva del
camión en prueba sea llenada con 4 a 6 paladas (D.W. Gentry et al., 1992). La producción requerida
decide el número de cargadores para lo cual debe conocerse el modelo y tamaño de cada cargador y
las producciones aproximadas. El número óptimo de transportadores se obtiene cuando:
FA = 1 = (N. y. t) / (T. n) ó N = T. n / (y. t)
La figura muestra el número óptimo teórico de transportadores que cumple la producción estimada
por el equipo de carguío. La producción real está por debajo de la teórica requiriendo más
transportadores para alcanzar la máxima producción del cargador debido a factores como distinto
estado de conservación de transportadores, interferencias en las zonas de carguío, de descarga y en
las vías de acarreo, espaciamiento diferente entre transportadores, destreza variable de los
conductores.
MODELOS DE SIMULACIÓN 21
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
se necesita entender muy bien el funcionamiento de las condiciones reales, sus elementos,
relaciones y metas e imaginarlas como un sistema. (Blanco Rivero & Fajardo Piedrahita,
2003) de manera que se pueda tener una idea muy cercana de los componentes del sistema
métodos numéricos para obtener los mismos resultados a menor costo. Para esta etapa se
Para que se hace, donde el analista se debe cuestionar los siguientes aspectos:
¿Qué resultados se alcanzarán con la simulación?
¿En cuánto tiempo se alcanzarán esos resultados?
MODELOS DE SIMULACIÓN 22
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
Recursos requeridos:
discreta y en estadística
simular.
especificidad.
Son los elementos que definen el comportamiento del sistema y que son relevantes para
establecer tres tipos de variables como son las mencionadas por (Calderon, 2003)
De decisión: Son las que describen el estado del sistema en cualquier instante y
definen su comportamiento.
De respuesta: Son las variables cuyo valor se trata de predecir a través del modelo.
sistema
MODELOS DE SIMULACIÓN 23
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
Hacen referencia a las variables que miden el comportamiento del sistema evaluado en
el modelo y sirven para determinar qué escenario de desempeño es mejor que otro.
Aquí se debe diseñar un plan general que contemple los siguientes aspectos:
simulado.
¿De cuánto dinero se debe disponer para llevar a cabo el proceso de simulación?
MODELOS DE SIMULACIÓN 24
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
SIMULACIÓN
Busca establecer cuanto tiempo tomará llevar a cabo cada una de las fases o etapas de la
Con el tiempo ya establecido de cada etapa, se debe establecer que resultado arrojará
cada una de las mismas, lo que puede ayudar a controlar el progreso del proceso completo
de simulación.
haya ninguna alteración del comportamiento más habitual de las respectivas variables. La
recolección de los datos está íntimamente ligada a la longitud de corrida del modelo, pues
de ésta depende el tiempo que tome la obtención de la información, teniendo en cuenta que
(subdivisión del horizonte de planeación) que por lo general es de un mes. Dado que esta
etapa ocupa gran parte del tiempo del proceso general de simulación es necesario dar inicio
a la misma rápidamente.
MODELOS DE SIMULACIÓN 25
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
depender de:
de la longitud de corrida
requerida.
(Trujillo Díaz, Vallejo Cubillos, & Becerra Fernández, 2010), se debe saber en qué fuente
(datos tomados directamente del sistema, datos históricos, registros contables, órdenes de
Dado que esta etapa es la más extensa del proceso, se debe determinar el momento
MODELOS DE SIMULACIÓN 26
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
a escoger y en la formulación del modelo aunque no existan datos, entre estas esta (Banks,
producto (duración del producto, factor de uso, etc.). Esto permitirá definir un
punto de entrada.
En esta etapa se estudian los datos recolectados referentes a las variables definidas
MODELOS DE SIMULACIÓN 27
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
En este paso se debe elaborar el modelo del sistema lo más cercano a la realidad,
empleando la sintaxis específica del software que se esté utilizando, teniendo en cuenta la
lógica secuencial del proceso real. Se sugiere realizar un bosquejo general del proceso para
construir el modelo, sin olvidar las relaciones existentes entre sus componentes y teniendo
en cuenta lo siguiente:
FINALIZACIÓN
Modelos de categoría terminal: Según (Kelton, Sadowski, & Sadowski, 2006) el modelo
MODELOS DE SIMULACIÓN 28
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
La elaboración del modelo requiere una comprensión total de todo el sistema de manera
Es preciso conocer cuál es el lenguaje que maneja el software de simulación elegido, con
5.6 VALIDACIÓN
En este paso se busca realizar pruebas experimentales para cotejar si el modelo es una
simulación previa contra los datos observados reales. Con esto se busca que los parámetros
de las variables y la estructura lógica del modelo sean representados de manera correcta en
el ordenador. Cuando se encuentran diferencias, estas son usadas junto con el conocimiento
adquirido, para mejorar el modelo. Este proceso se repite hasta que la exactitud del modelo
MODELOS DE SIMULACIÓN 29
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
Buscar la comparación de distintos escenarios reales del sistema, lo que puede despejar
5.7 EXPERIMENTACIÓN
realizando un análisis de sensibilidad con el fin de comparar los que presentan los mejores
establecer indicadores de desempeño con los cuales realizar las comparaciones de los
que se quieren evaluar con el modelo de simulación de acuerdo a los objetivos establecidos
MODELOS DE SIMULACIÓN 30
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
Aquí se deben aclarar los resultados obtenidos teniendo en cuenta los siguientes
aspectos:
Cuáles fueron las acciones tomadas a partir del proceso de simulación que ha culminado,
necesario dejar claro a los interesados, de ser posible de forma escrita, que es relevante para
5. 9. TOMA DE DECISIONES
Los costos en los que incurrirá ejecutando los cambios que fueron sugeridos por
MODELOS DE SIMULACIÓN 31
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
Según (Garcia Dunna & Azarang Esfandiari, 1996) “es necesario realizar un monitoreo
al sistema y controlarlo puesto que los sistemas son dinámicos y es posible que con el
transcurso del tiempo sea necesario modificar el modelo de simulación, ante los nuevos
cambios del sistema real, con el fin de llevar a cabo actualizaciones periódicas que
MODELOS DE SIMULACIÓN 32
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
MODELOS DE SIMULACIÓN 33
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
MODELOS DE SIMULACIÓN 34
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
Simulación programada
MODELOS DE SIMULACIÓN 35
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
MODELOS DE SIMULACIÓN 36
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
RESULTADOS DE LA SIMULACIÓN
Los resultados entregados por el simulador se presentan en la figura 18. Para Nc = 4 cargadores
El costo unitario y la producción horaria de cada flota puede leerse en la quinta columna contando
indica que se sobrepasa la producción requerida de 500 tm/h con las flotas de 2 cargadores de 5 m3
c/u y 8 camiones de 25 tm c/u al mínimo costo de $ 364.88/ tm y producción máxima de 550 tm/h.
capacidad c/u.
MODELOS DE SIMULACIÓN 37
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
VII. CONCLUSIONES
Según los criterios del programador la simulación está basada en el tiempo que se le
establezca ya sea en tiempo actual o a proyección futura, tiene en cuenta todos los
recursos y restricciones existentes, así como la forma en que se interactúa a medida que
pasa el tiempo. Hay muchos escenarios que se pueden simular.
Como regla general, los sistemas que implican un flujo de procesos con eventos discretos
se pueden simular. Por lo que cualquier proceso se puede dibujar un diagrama de flujo,
debe ser capaz disimular.
Este es un sector cuyas características (gran dinamismo, tiempos de colas que se han de
resolver óptimamente, procesos de reingeniería en constante uso) hacen que
consideremos que la implementación de la técnica de simulación mediante modelización
de sus procesos más estratégicos constituya un campo de gran interés.
La simulación tiene su aplicación en un largo espacio pues todo donde podamos ver cola
ahí estaremos aplicando simulación ya que esta es una gran herramienta para ahorrar
tiempo, dinero y esfuerzo en algunos aspectos que de llevarlos luego a la práctica nos
causarían muchos errores costosos y peligrosos.
MODELOS DE SIMULACIÓN 38
UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
VIII. BIBLIOGRAFÍA
MODELOS DE SIMULACIÓN 39