Marco teórico

Introducción a la simulación
La creación de nuevos y mejores desarrollos en el área de la computación ha
traído consigo innovaciones m uy importantes tanto en la toma de decisiones
como en el diseño de procesos y productos. Una de las técnicas para realizar
estudios piloto, con resultados rápidos y a un relativo bajo costo, se basa en la
modelación — la cual se conoce como simulación— que se ha visto beneficiada
por estos avances. En general, dichos paquetes nos proveen de una enorme
diversidad de herramientas estadísticas que permiten tanto un manejo más
eficiente de la información relevante bajo análisis como una mejor presentación e
interpretación. [García Dunna, E., & Heriberto, G. R.(2013) Simulación y
análisis de sistemas con ProModel. México:Pearson]

Historia de la simulación
En septiembre de 1996, un grupo de diseñadores de herramientas, expertos en
aplicaciones y científicos de la computación unieron sus fuerzas para trabajar
juntos en el área de la tecnología y las aplicaciones del modelado orientado a
objetos. El grupo incluía a los desarrolladores de los lenguajes de modelado
orientados a objetos Dymola, Omola, ObjectMath, NMF (Neutral Modeling Format),
Allan-U.M.L, SIDOPS+ y Smile, si bien no todos ellos pudieron acudir a la primera
reunión. El objetivo inicial fue escribir un libro blanco acerca de la tecnología de los
lenguajes orientados a objetos, incluyendo una posible unificación de los lenguajes
de modelado existentes.
Sin embargo, el trabajo pronto se centró en un objetivo más ambicioso: la creación
de un lenguaje de modelado orientado a objetos, nuevo y unificador, basado en la
experiencia adquirida en los diseños precedentes. Los diseñadores realizaron un
esfuerzo de unificación de los conceptos para crear un lenguaje común, iniciando
el diseño desde cero. Este nuevo lenguaje se llamó Modelica.
Pronto, el grupo se establecido como un comité técnico (Technical Committee 1)
dentro de EuroSim, y como el Technical Chapter on Modelica dentro de la Society
for Computer Simulation International (SCS). En febrero de 2000, se constituyó la
Modelica Association como una organización internacional independiente, sin
ánimo de lucro, cuyo objetivo es desarrollar y promover el desarrollo y difusión del
lenguaje Modelica y de las Librerías Estándar de Modelica.
La primera descripción del lenguaje Modelica, que es la versión 1.0, fue puesta en
la web en septiembre de 1997, por un grupo de ingenieros orgullosos con el
trabajo realizado, tras un cierto número de reuniones de diseño intensas.
Actualmente existen siete herramientas comerciales bastante completes que
soportan el diseño textual y gráfico de modelos con Modelica, así como una
implementación de código abierto bastante completa, y varios prototipos parciales
desarrollados en universidades. También está disponible la amplia y creciente
librería Estándar de Modelica. El lenguaje está difundiéndose rápidamente tanto
en el ámbito industrial como en el académico.

Mirando con cierta perspectiva la tecnología de Modelica, uno se da cuenta de dos

hechos relevantes:
 Modelica incluye ecuaciones, lo cual es inusual en la mayoría de los
lenguajes de programación.
 La tecnología de Modelica soporta la edición gráfica para el diseño de
modelos, basada en componentes predefinidos.
[Fritzson P. (2006). Introducción al modelado y simulación de sistemas
técnicos y físicos con Modelica. Addink Software Científico]

Concepto de simulación
Según Thomas H. Naylor; simulación es una técnica numérica para conducir
experimentos en una computadora digital. Estos experimentos comprenden ciertos
tipos de relaciones matemáticas y lógicas, las cuales son necesarias para describir
el comportamiento y la estructura de sistemas complejos del mundo real a través
de lagos periodos de tiempo.
Según H. Maisel y G. Gnugnoli; simulación es una técnica numérica para realizar
experimentos en una computadora digital. Estos experimentos involucran ciertos
tipos de modelos matemáticos y lógicos que describen el comportamiento de
sistemas de negocios, económicos, sociales, biológicos, físicos o químicos, a
través de largos periodos de tiempo.
[http://simulacionkarla.blogspot.com/p/blog-page.html]
El concepto de simulación engloba soluciones para muchos propósitos diferentes.
Por ejemplo, podríamos decir que el modelo de un avión a escala que se introduce
a una cámara por donde se hace pasar un flujo de aire, puede simular los efectos
que experimentará un avión real cuando se vea sometido a turbulencia.
Por otro lado, algunos paquetes permiten hacer la representación de un proceso
de fresado o torneado: Una vez que el usuario establezca ciertas condiciones
iniciales, podrá ver cómo se llevaría a cabo el proceso real, lo que le da la
posibilidad de revisarlo sin necesidad de desperdiciar material ni poner en riesgo
la maquinaria. Por lo tanto, la simulación se refiere a un gran conjunto de métodos
y aplicaciones que buscan imitar el comportamiento de sistemas reales,
generalmente por medio de una computadora con un software apropiado.
Aplicaciones de la simulación
Actualmente, el analista que desea hacer uso de esta herramienta dispone de una
gran cantidad de software de simulación que le permite tomar decisiones en temas
muy diversos. Por ejemplo, en aplicaciones donde se usan lenguajes de
programación general como Fortran, para analizar esquemas de administración
del inventario, en aplicaciones para analizar y mejorar la administración de la
cadena de suministro, en análisis y validación de medidas de desempeño en
sistemas de manufactura, en aplicaciones de mejoras mediante despliegues seis
sigma, o en procesos de capacitación a través de la simulación como herramienta
base. Sin duda, la flexibilidad en cuanto a la modelación, el análisis y el
mejoramiento de sistemas ha hecho de la simulación una herramienta cuyo uso y
desarrollo se han visto alentados de manera significativa.
En la actualidad resulta fácil encontrar paquetes de software con gran capacidad
de análisis, así como mejores animaciones (2D y 3D) y aplicaciones para
generación de reportes con información relevante para la toma de decisiones.

Ventajas y desventajas de la simulación

Dentro de las ventajas más comunes que ofrece la simulación podemos citar las
siguientes:
 Es muy buena herramienta para conocer el impacto de los cambios en los
procesos, sin necesidad de llevarlos a cabo en la realidad.
 Mejora el conocimiento del proceso actual ya que permite que el analista
vea cómo se comporta el modelo generado bajo diferentes escenarios.
 Puede utilizarse como medio de capacitación para la toma de decisiones.
 Es más económico realizar un estudio de simulación que hacer muchos
cambios en los procesos reales.
 Permite probar varios escenarios en busca de las mejores condiciones de
trabajo de los procesos que se simulan.
[García Dunna, E., & Heriberto, G. R.(2013) Simulación y análisis de sistemas
con ProModel. México:Pearson]
 Los experimentos son demasiado costosos, demasiado peligrosos, o el
sistema que se desea investigar no existe aún. Éstas son las principales
dificultades de la experimentación con sistemas reales.
 En una simulación todas las variables pueden ser estudiadas y controladas,
incluso aquellas que son inaccesibles en el sistema real.
 Fácil manipulación de modelos. Utilizando simulación, es fácil manipular los
parámetros del modelo de un sistema, incluso fuera del rango admisible de
un sistema físico particular.
[Fritzson P. (2006). Introducción al modelado y simulación de sistemas
técnicos y físicos con Modelica. Addink Software Científico]
Éstas son algunas de las desventajas que la simulación puede presentar:
 Aunque muchos paquetes de software permiten obtener el mejor escenario
a partir de una combinación de variaciones posibles, la simulación no es
una herramienta de optimización.
 La simulación puede ser costosa cuando se quiere emplearla en problemas
relativamente sencillos de resolver, en lugar de utilizar soluciones analíticas
que se han desarrollado de manera específica para ese tipo de casos.
 Se requiere bastante tiempo — por lo general meses— para realizar un
buen estudio de simulación; por desgracia, no todos los analistas tienen la
disposición (o la oportunidad) de esperar ese tiempo para obtener una
respuesta.
 Es preciso que el analista domine el uso del paquete de simulación y que
tenga sólidos conocimientos de estadística para interpretar los resultados.
 En algunas ocasiones el cliente puede tener falsas expectativas de la
herramienta de simulación, a tal grado que le asocia condiciones similares a
un video juego o a una bola de cristal que le permite predecir con exactitud
el futuro.

Pasos para realizar un estudio de simulación

Debemos considerar que la realización de un estudio de simulación requiere la
ejecución de una serie de actividades y análisis que permitan sacarle el mejor
provecho. A continuación se mencionan los pasos básicos para realizar un estudio
de simulación, aunque en muchas ocasiones será necesario agregar otros o
suprimir algunos de los aquí enumerados, de acuerdo con la problemática en
cuestión.
1. Definición del sistema bajo estudio.
En esta etapa es necesario conocer el sistema a modelar. Para ello se requiere
saber qué origina el estudio de simulación y establecer los supuestos del modelo:
es conveniente definir con claridad las variables de decisión del modelo,
determinar las interacciones entre éstas, y establecer con precisión los alcances y
limitaciones que aquel podría llegar a tener. Antes de concluir este paso es
recomendable contar con la información suficiente para lograr establecer un
modelo conceptual o un mapa mental del sistema bajo estudio, el cual debe incluir
sus fronteras y todos los elementos que lo componen, además de las
interacciones entre ellos, los flujos de productos, las personas y los recursos, así
como las variables de mayor interés para el problema.
2. Generación del modelo de simulación base.
Una vez que se ha definido el sistema en términos de un modelo conceptual, la
siguiente etapa del estudio consiste en la generación de un modelo de simulación
base. No es preciso que este modelo sea demasiado detallado, pues se requiere
mucha más información estadística sobre el comportamiento de las variables de
decisión del sistema.
La generación de este modelo es el primer reto para el programador de la
simulación, ya que debe traducir a un lenguaje de simulación la información que
se obtuvo en la etapa de definición del sistema, e incluir las interrelaciones de
todos los posibles subsistemas que existan en el problema a modelar. En caso de
que se requiera una animación, éste también es un buen momento para definir
qué gráfico puede representar mejor el sistema que se modela. Igual que ocurre
en otras ramas de la investigación de operaciones," la simulación exige ciencia y
arte en la generación de sus modelos". El realizador de un estudio de simulación
es, en este sentido, como un artista que debe usar toda su creatividad para
realizar un buen modelo que refleje la realidad del problema que se está
analizando. Conforme se avanza en el modelo base se pueden ir agregando las
variables aleatorias del sistema, con sus respectivas distribuciones de probabilidad
asociadas.
3. Recolección y análisis de datos.
Es posible comenzar la recopilación de la información estadística de las variables
aleatorias del modelo de manera paralela a la generación del modelo base. En
esta etapa se debe establecer qué información es útil para la determinación de las
distribuciones de probabilidad asociadas a cada una de las variables aleatorias
necesarias para la simulación. Aunque en algunos casos se logra contar con datos
estadísticos, suele suceder que el formato de almacenamiento o de generación de
reportes no es el apropiado para facilitar el estudio. Por ello, es muy importante
dedicar el tiempo suficiente a esta actividad. De no contar con la información
requerida o en caso de desconfiar de la disponible, será necesario realizar un
estudio estadístico del comportamiento de la variable que se desea identificar,
para luego incluirla en el modelo. Más adelante se hará e l análisis de los datos
indispensables para asociar una distribución de probabilidad a una variable
aleatoria, así como las pruebas que se le deben aplicar. Al finalizar la recolección
y análisis de datos para todas las variables del modelo, se tendrán las condiciones
para generar una versión preliminar del problema que se está simulando.
4. Generación del modelo preliminar.
En esta etapa se integra la información obtenida a partir del análisis de los datos,
los supuestos del modelo y todos los datos necesarios para crear un modelo lo
más cercano posible a la realidad del problema bajo estudio. En algunos casos, no
se cuenta con información estadística, por lo que debe estimarse un rango de
variación o determinar (con ayuda del cliente) valores constantes que permitan
realizar el modelado. Si éste es el caso, el encargado de la simulación puede
realizar algunas sugerencias de distribuciones de probabilidad que comúnmente
se asocien al tipo de proceso que se desea incluir en el modelo. Al finalizar esta
etapa el modelo está listo para su primera prueba: su verificación o, en otras
palabras, la comparación con la realidad.
5. Verificación del modelo.
Una vez que se han identificado las distribuciones de probabilidad de las variables
del modelo y se han implantado los supuestos acordados, es necesario realizar un
proceso de verificación de datos para comprobar la propiedad de la programación
del modelo, y comprobar que todos los parámetros usados en la simulación
funcionen correctamente. Ciertos problemas, en especial aquellos que requieren
muchas operaciones de programación o que involucran distribuciones de
probabilidad difíciles de programar, pueden ocasionar que el comportamiento del
sistema sea muy diferente del que se esperaba. Por otro lado, no se debe
descartar la posibilidad de que ocurran errores hum anos al alimentar el modelo
con la información. Incluso podría darse el caso de que los supuestos iniciales
hayan cambiado una o varias veces durante el desarrollo del modelo. Por lo tanto,
debemos asegurarnos de que el modelo que se va a ejecutar esté basado en los
más actuales. Una vez que se ha completado la verificación, el modelo está listo
para su comparación con la realidad del problema que se está modelando. A esta
etapa se le conoce también como validación del modelo.
6. Validación del modelo.
El proceso de validación del modelo consiste en realizar una serie de pruebas
simultáneas con información de entrada real para observar su comportamiento y
analizar sus resultados. Si el problema bajo simulación involucra un proceso que
se desea mejorar, el modelo debe someterse a prueba con las condiciones
actuales de operación, lo que nos dará como resultado un comportamiento similar
al que se presenta realmente en nuestro proceso. Por otro lado, si se está
diseñando un nuevo proceso la validación resulta más complicada. Una manera
de validar el modelo en este caso, consiste en introducir algunos escenarios
sugeridos por el cliente y validar que el comportamiento sea congruente con las
expectativas que se tienen de acuerdo con la experiencia. Cualquiera que sea la
situación, es importante que el analista conozca bien el modelo, de manera que
pueda justificar aquellos comportamientos que sean contrarios a la experiencia de
los especialistas que participan en su validación.
7. Generación del modelo final.
Una vez que el modelo se ha validado, el analista está listo para realizar la
simulación y estudiar el comportamiento del proceso. En caso de que se desee
comparar escenarios diferentes para un mismo problema, éste será el modelo
raíz; en tal situación, el siguiente paso es la definición de los escenarios a analizar.
8. Determinación de los escenarios para el análisis.
Tras validar el modelo es necesario acordar con el cliente los escenarios que se
quieren analizar. Una manera m uy sencilla de determinarlos consiste en utilizar
un escenario pesimista, uno optimista y uno intermedio para la variable de
respuesta más importante. Sin embargo, es preciso tomar en cuenta que no todas
las variables se comportan igual ante los cambios en los distintos escenarios, por
lo que tal vez sea necesario que más de una variable de respuesta se analice bajo
las perspectivas pesimista, optimista e intermedia. El riesgo de esta situación
radica en que el analista podría realizar un diseño de experimentos capaz de
generar una gran cantidad de réplicas, lo que redundaría en un incremento
considerable de costo, análisis y tiempo de simulación. Es por ello que muchos
paquetes de simulación cuentan con herramientas para realizar este proceso, las
cuales eliminan la animación y acortan los tiempos de simulación. Estas
herramientas permiten realizar varias réplicas del mismo escenario para obtener
resultados con estadísticas importantes respecto de la toma de decisiones (por
ejemplo, los intervalos de confianza).
9. Análisis de sensibilidad.
Una vez que se obtienen los resultados de los escenarios es importante realizar
pruebas estadísticas que permitan comparar los escenarios con los mejores
resultados finales. Si dos de ellos tienen resultados similares será necesario
comparar sus intervalos de confianza respecto de la variable de respuesta final. Si
no hay intersección de intervalos podremos decir con certeza estadística que los
resultados no son iguales; sin embargo, si los intervalos se sobreponen será
imposible definir estadísticamente que una solución es mejor que otra. Si se desea
obtener un escenario "ganador", será necesario realizar más réplicas de cada
modelo y/o incrementar el tiempo de simulación de cada corrida. Con ello se
busca acortar los intervalos de confianza de las soluciones finales y, por
consiguiente, incrementar la probabilidad de diferenciar las soluciones.
10. Documentación del modelo, sugerencias y conclusiones.
Una vez realizado el análisis de los resultados, es necesario efectuar toda la
documentación del modelo. Esta documentación es muy importante, pues
permitirá el uso del modelo generado en caso de que se requieran ajustes futuros.
En ella se deben incluir los supuestos del modelo, las distribuciones asociadas a
sus variables, todos sus alcances y limitaciones y, en general, la totalidad de las
consideraciones de programación. También es importante incluir sugerencias
tanto respecto del uso del modelo como sobre los resultados obtenidos, con el
propósito de realizar un reporte más completo. Por último, deberán presentarse las
conclusiones del proyecto de simulación, a partir de las cuales es posible obtener
los reportes ejecutivos para la presentación final.
Referencias bibliográficas:
García Dunna, E., & Heriberto, G. R.(2013) Simulación y análisis de sistemas con
ProModel. México:Pearson
Fritzson P. (2006). Introducción al modelado y simulación de sistemas técnicos y
físicos con Modelica. Addink Software Científico
http://simulacionkarla.blogspot.com/p/blog-page.html