Simulacion - Investigación de Operaciones

REPÚBLICA BOLIVARIANA DE VENEZUELA
UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA
¨ANTONIO JOSÉ DE SUCRE¨
VICERRECTORADO PUERTO ORDAZ
DEPARTAMENTO DE INGENIERÍA INDUSTRIAL
ASIGNATURA: INVESTIGACIÓN DE OPERACIONES II
SIMULACIÓN APLICADA A LA INVESTIGACIÓN DE OPERACIONES.
Profesora: Estudiantes:
Ing. María Gabriela Higuerey Emilibet Gómez. C.I.: 27.957.775
Narcisa Brito. C.I.: 24.890.270
Puerto Ordaz, marzo de 2023.

ÍNDICE
INTRODUCIÓN..............................................................................................................................3
Simulación........................................................................................................................................4
Ventajas y desventajas de la simulación.......................................................................................5
Tipos de simulación......................................................................................................................6
Procedimiento para un estudio de simulación importante................................................................7
Simulación Discreta........................................................................................................................13
Definición genérica de eventos...................................................................................................13
Mecánica de la Simulación Discreta...........................................................................................13
Simulación manual de un modelo de un solo servidor...........................................................13
Simulación basada en una hoja de cálculo del modelo de un solo servidor...........................20
Software Arena...............................................................................................................................22
Modelos aplicados a la vida real con empleo de software (Ejemplos)..........................................24
Ejemplo Nº 1 de Aplicaciones a la vida Real.............................................................................24
Ejemplo Nº 2 de Aplicaciones a la vida Real.............................................................................26
CONCLUSIÓN..............................................................................................................................29
BIBLIOGRAFÍA............................................................................................................................31
INTRODUCIÓN.
La simulación es una técnica de las ciencias administrativas muy poderosa y se utiliza mucho
para el análisis y estudio de sistemas complejos.
La simulación se podría definir como una técnica que imita la operación de un sistema del
mundo real a medida que evoluciona con el tiempo. Esto normalmente se hace desarrollando un
modelo de simulación. Un modelo de simulación, por lo general, toma la forma de un conjunto de
suposiciones acerca de la operación del sistema, expresado como relaciones matemáticas o
lógicas entre los objetos de interés en el sistema. A diferencia de las soluciones matemáticas
exactas disponibles con la mayor parte de los modelos analíticos, el proceso de simulación tiene
que ver con ejecutar el modelo a través del tiempo, por lo común en una computadora, para
generar muestras representativas de las medidas de desempeño.
Con respecto a esto, la simulación se podría ver como un experimento de muestreo en el
sistema real, donde los resultados son los puntos muestrales. Por ejemplo: para obtener la mejor
estimación de la media de la medida de desempeño, se promedian los resultados muestrales.
Resulta evidente que mientras más puntos muestrales se generen, mejor será la estimación. Sin
embargo, otros factores, como las condiciones iniciales de la simulación, la longitud del periodo
que está siendo simulado, la exactitud del modelo en sí, inciden en que tan buena será la
estimación final.
3
Simulación.
La simulación es el proceso de diseñar un modelo de un sistema real y llevar a término
experiencias con él, con la finalidad de comprender el comportamiento del sistema o evaluar
nuevas estrategias, dentro de los límites impuestos por un cierto criterio o un conjunto de ellos,
para el funcionamiento del sistema.
La simulación tiene el mismo papel en muchos estudios de Investigación de Operaciones. El
equipo de Investigación Operativa se dedica a desarrollar un diseño o procedimiento de operación
para algún sistema estocástico, es decir, que opera en forma probabilística a través del tiempo. El
desempeño del sistema real se imita mediante distribuciones de probabilidad para generar
aleatoriamente los distintos eventos que ocurren en el sistema. Por todo esto, un modelo de
simulación sintetiza el sistema con su construcción de cada componente y de cada evento.
Después, el modelo corre el sistema simulado para obtener observaciones estadísticas del
desempeño del sistema como resultado de los diferentes eventos generados de manera aleatoria.
Debido a que las corridas de simulación, por lo general, requieren la generación y el
procesado de una gran cantidad de datos, es inevitable que estos experimentos estadísticos
simulados se lleven a cabo en una computadora.
Cuando es necesario usar simulación como parte de un estudio de Investigación de
Operaciones, es común que vaya precedida de ciertos pasos. En particular, primero se hace un
análisis teórico preliminar para desarrollar un diseño básico del sistema. Después se usa
simulación para experimentar con los diseños específicos con el fin de estimar el desempeño real.
Una vez desarrollado y elegido el diseño detallado, se prueba el sistema real para ajustar los
últimos detalles del diseño final.
4
La simulación casi siempre se usa cuando el sistema estocástico en cuestión es demasiado
complejo para que su análisis con los modelos analíticos (como modelos de colas), sea
satisfactorio. Lo más importante del enfoque analítico es que abstrae la esencia del problema,
revela su estructura fundamental y proporciona una visión de las relaciones causa-efecto dentro
del sistema. Por ello, si es posible construir un modelo analítico que sea, a la vez, una
idealización razonable del problema y una solución satisfactoria, este enfoque es superior a la
simulación. Sin embargo, muchos problemas son tan complejos que no se pueden resolver por la
vía analítica. Entonces, aunque la simulación tiende a ser un proceso relativamente caro, con
frecuencia es el único enfoque práctico para resolver un problema.
Ventajas y desventajas de la simulación.
Al igual que con la mayoría de otras técnicas, la simulación tiene sus ventajas y sus
desventajas. La principal ventaja de la simulación es que la teoría es relativamente directa. En
general, los métodos de simulación son más fáciles de aplicar que los métodos analíticos. Si bien
los modelos analíticos podrían requerir que se hicieran muchas suposiciones simplificadoras, los
modelos de simulación tienen pocas restricciones de este tipo, así que dan una flexibilidad mucho
mayor al representar el sistema real. Una vez construido el modelo, se puede usar una y otra vez
para analizar diferentes políticas, parámetros o diseños. Por ejemplo si en una empresa comercial
tiene un modelo de simulación de su sistema de inventario, se pueden probar varias políticas de
inventario en el modelo en vez de aprovechar la oportunidad de experimentar en el sistema real.
Sin embargo, se debe remarcar que la simulación no es una técnica de optimización. La
mayoría de las veces se utiliza para analizar preguntas del tipo “que pasa si”. Es posible la
optimización con la simulación, pero por lo general es un proceso lento. La simulación también
5
puede ser costosa. No obstante, con el desarrollo de lenguajes de simulación de aplicación
específica, disminución del costo computacional y avances en las metodologías de simulación, el
problema del costo es cada vez menos importante.
Tipos de simulación.
Existen dos grandes categorías de simulación que estudian el comportamiento de sistemas
reales como una función de tiempo, por lo que podemos decir que existen dos tipos distintos de
modelos de simulación.
 Los modelos continuos se ocupan de sistemas cuyo comportamiento cambia
continuamente con el tiempo. Estos modelos suelen utilizar ecuaciones diferenciales para
describir las interacciones entre los diferentes elementos del sistema, por lo que el análisis
tiende a ser complejo. Un ejemplo típico tiene que ver con el estudio de la dinámica de la
población mundial.
En ocasiones es posible aproximar los cambios continuos en el estado del sistema
mediante cambios discretos, para usar una simulación de eventos discretos que aproxime
el comportamiento de un sistema continuo, circunstancia que tiende a simplificar mucho
el análisis.
 Los modelos discretos tienen que ver principalmente con el estudio de líneas de espera
con el objetivo de determinar medidas como el tiempo de espera promedio y la longitud
de la cola. Estas medidas cambian sólo cuando un cliente entra o sale del sistema. Los
instantes en que ocurren los cambios en puntos discretos específicos del tiempo (eventos
de llegada y salida), originan el nombre simulación de evento discreto.
6
En la práctica, la mayoría de las aplicaciones de simulación son simulaciones de eventos
discretos.
Procedimiento para un estudio de simulación importante.
Un estudio importante de investigación de operaciones basado en la aplicación de simulación
incluye una serie de pasos típicos, se aplican casi los mismos cuando el estudio se basa en otra
técnica de investigación de operaciones. Estos pasos son los siguientes:
Paso 1: Formulación del problema y planeación del estudio.
El equipo de investigación de operaciones debe comenzar por reunirse con la administración
para determinar el problema a partir de los siguientes tipos de preguntas.
1. ¿Qué problema desea estudiar la administración?
2. ¿Cuáles son los objetivos globales del estudio?
3. ¿Qué aspectos específicos debe incluirse?
4. ¿Qué tipos de configuraciones de sistemas alternativos deben considerarse?
5. ¿Qué medidas de desempeño del sistema son de interés para la administración?
6. ¿Cuáles son las restricciones de tiempo para realizar el estudio?
Además, el equipo deberá reunirse con ingenieros y personal operativo para aprender los
detalles de cómo operaría el sistema. (En general, el equipo debe incluir uno o más miembros que
tengan un conocimiento directo del sistema.)
Paso 2: Recolección de datos y formulación del modelo de simulación.
Los tipos de datos necesarios dependen de la naturaleza del sistema que se simula. En el caso
de un sistema de colas, los datos clave serían la distribución de los tiempos entre llegadas y de los
tiempos de servicio. En la mayoría de los demás casos, lo que se necesita son las distribuciones
de probabilidad de las cantidades relevantes. En general, sólo se podrán estimar estas
7
distribuciones, pero es importante hacerlo. Con la finalidad de generar escenarios representativos
de la forma en que un sistema se desempeñará, es fundamental que la simulación genere
observaciones aleatorias a partir de estas distribuciones en lugar de sólo usar los promedios.
Muchas veces un modelo de simulación se formula en términos de un diagrama de flujo que
enlaza los componentes del sistema. Las reglas de operación, que se dan para cada componente,
incluyen las distribuciones de probabilidad que controlan cuándo ocurrirán los eventos.
Paso 3: Comprobación de la precisión del modelo de simulación.
Antes de construir un programa de computadora, el equipo de IO debe comprometer a las
personas más familiarizadas con la operación futura del sistema para verificar la precisión del
modelo de simulación. Con frecuencia, este compromiso se logra mediante una revisión
estructurada del modelo conceptual y su presentación ante una audiencia compuesta por todas las
personas clave.
En una reunión de este tipo se puede descubrir y corregir algunos supuestos erróneos del
modelo, añadir otros y resolver algunos aspectos acerca del grado de detalle necesario de las
distintas partes que lo componen.
Paso 4: Selección del software y creación del programa de computadora.
Existen varias clases importantes de software que se utilizan para realizar simulaciones en
computadora.
Uno es la hoja de cálculo. Excel puede realizar algunas simulaciones básicas. Además,
dispone de algunos complementos excelentes para mejorar este tipo de modelado en hoja de
cálculo.
Otras clases de software para simulación están diseñadas para aplicaciones más grandes en las
que ya no es conveniente usar hojas de cálculo. Una de ellas la constituyen los lenguajes de
programación de propósito general como C, FORTRAN, BASIC, etc. Estos lenguajes (y sus
8
predecesores) se usaron mucho en los inicios del desarrollo del campo, debido a su gran
flexibilidad para programar cualquier tipo de simulación. Sin embargo, por el tiempo tan largo de
programación que se requiere, ahora se usan mucho menos.
También se ha desarrollado una gran cantidad de paquetes de software comerciales que no
usan hojas de cálculo para llevar a cabo simulaciones específicas. Históricamente, dichos
paquetes han sido clasificados en dos categorías: lenguajes de simulación de propósito general y
simuladores orientados a la aplicación. Los primeros proporcionan un gran número de
características necesarias para programar cualquier modelo de simulación en una forma eficiente.
Los segundos (también llamados simuladores) están diseñados para simular muchos tipos
específicos de sistemas.
Sin embargo, a medida que ha pasado el tiempo, la diferencia entre estas dos categorías casi
ha desaparecido. Los lenguajes de programación de propósito general incluyen ciertas
características especiales que los hacen apropiados para trabajar como simuladores en ciertos
tipos de aplicaciones específicas. Por el contrario, los simuladores actuales tienden a incluir un
mayor grado de flexibilidad en el sentido de su capacidad para trabajar con una clase de sistemas
más amplia.
Otra forma de categorizar a los paquetes de simulación es en función al uso de un enfoque de
programación por evento o un enfoque por proceso para la modelación de la simulación de
eventos discretos.. La mayoría de los paquetes de simulación actuales usan el enfoque por
proceso.
Cada vez es más común que los paquetes de simulación incluyan características de animación
para desplegar simulaciones en acción. En una animación, los elementos clave de un sistema se
representan en una pantalla de computadora mediante íconos que cambian su forma, color o
posición cuando se presenta un cambio en el estado del sistema de simulación. La razón

9
primordial de la gran popularidad de la animación es su capacidad para comunicar la esencia de
un modelo de simulación (o de una corrida de simulación) a los administradores y otras personas
clave.
Debido a la creciente importancia de la simulación, existen en la actualidad alrededor de 50
compañías de software que comercializan paquetes de simulación. La referencia seleccionada
12 proporciona un estudio de dichos paquetes. (OR/MS Today actualiza dicho estudio cada dos
años.)
Paso 5: Prueba de validación del modelo de simulación.
Después de construir y depurar el programa de computadora, el siguiente paso es probar si el
modelo de simulación incorporado en él proporciona resultados válidos para el sistema que
intenta representar. En particular, ¿los valores de las medidas generadas por el modelo de
simulación son una aproximación cercana de las medidas de desempeño del sistema real?
En algunos casos suele disponerse de un modelo matemático que proporcione resultados de
una versión sencilla del sistema. Si es así, estos resultados deben compararse con los resultados
de la simulación.
Cuando no se dispone de datos reales para comparar con los resultados de la simulación, una
posibilidad es realizar una prueba de campo para recolectarlos. Esta prueba incluye construir un
pequeño prototipo de alguna versión del sistema propuesto y ponerlo en marcha.
Otra prueba de validación útil es que el personal operativo experimentado verifique la
credibilidad del cambio en los resultados de la simulación cuando cambia la configuración del
sistema simulado. La observación de animaciones de corridas de simulación también constituye
una forma muy útil de verificar la validez del modelo de simulación.
Paso 6: Planeación de las simulaciones que deben realizarse.
10
En este punto, es necesario comenzar a tomar decisiones acerca de las configuraciones del
sistema que se va a simular. A menudo, éste es un proceso evolutivo, donde los resultados
iniciales de una gama de configuraciones ayudan a determinar qué configuraciones específicas
justifican una investigación detallada.
También deben tomarse decisiones sobre algunos aspectos estadísticos. Uno de ellos es la
longitud del periodo de calentamiento para esperar que el sistema alcance, en esencia, la
condición de estado estable antes de iniciar la recolección de datos. Con frecuencia, las corridas
preliminares se usan para analizar este aspecto. Como los sistemas suelen requerir un tiempo
sorprendentemente largo para llegar al estado estable, es útil seleccionar condiciones iniciales de
un sistema simulado que parezca representativo de las condiciones de estado estable a fin de
reducir al mínimo este tiempo requerido.
Otro aspecto estadístico importante es la longitud de la corrida de simulación después del
periodo de calentamiento de cada configuración del sistema que se simula. Es necesario tener
presente que la simulación no produce valores exactos de las medidas de desempeño. En su lugar,
cada corrida de simulación puede verse como un experimento estadístico que genera
observaciones estadísticas del desempeño del sistema simulado. Estas observaciones se usan para
obtener estimaciones estadísticas de las medidas de desempeño. Cuando aumenta la longitud de
una corrida se incrementa la precisión de estas estimaciones
La teoría estadística para diseñar experimentos estadísticos que se realizan mediante
simulación es muy similar a la de los experimentos realizados por observación directa del
desempeño de un sistema físico. Por lo tanto, la inclusión de un estadístico profesional (o al
menos un analista con experiencia en simulación y antecedentes importantes en estadística) en el
equipo de IO puede ser invaluable en este paso.
Paso 7: Realización de corridas de simulación y análisis de los resultados.

11
La salida de la corrida de simulación proporciona estimaciones estadísticas de las medidas de
desempeño deseadas de cada configuración del sistema que interesa. En general, además de una
estimación puntual de cada medida de desempeño debe obtenerse un intervalo de confianza para
indicar los valores probables de la medida.
Estos resultados pueden indicar de inmediato que es claro que una configuración del sistema
es superior a las otras. Con mayor frecuencia identificarán unos cuantos candidatos fuertes para
ser el mejor. En el último caso, deben realizarse algunas corridas de simulación más largas para
comparar mejor estos candidatos. También pueden usarse corridas adicionales para afinar los
detalles de la que parece la mejor configuración.
Paso 8: Presentación de recomendaciones a la administración.
Después de completar su análisis, el equipo de IO debe presentar sus recomendaciones a la
administración.
Esta presentación suele hacerse mediante un informe por escrito y una presentación formal a
los administradores responsables de tomar las decisiones respecto del sistema que se estudia.
El informe y la presentación, además de resumir la manera en que se realizó el estudio, deben
incluir documentación que valide el modelo de simulación. También se puede incluir una
animación de una corrida simulada para comunicar mejor el proceso de simulación y agregar
credibilidad.
Asimismo, es importante mostrar los resultados numéricos que proporcionan la base lógica de
las recomendaciones.
Por lo general, la administración involucra al equipo de IO en la implantación inicial del
nuevo sistema, lo cual incluye la capacitación del personal afectado.
12
Simulación Discreta.
El objetivo final de la simulación es estimar algunas medidas de desempeño deseables que
describan el comportamiento del sistema simulado. Por ejemplo, en una instalación de servicio,
las medidas de desempeño asociadas pueden incluir el tiempo de espera promedio hasta que un
cliente es atendido, la longitud promedio de la cola y la utilización promedio de la instalación de
servicio.
Definición genérica de eventos.
Todas las simulaciones de eventos discretos describen, directamente o indirectamente,
situaciones de colas en las que los clientes llegan (para servicio), esperan en la cola (si es
necesario) y luego reciben el servicio antes de salir de la instalación de servicio.
Como tal, cualquier simulación de evento discreto, independientemente de la complejidad del
sistema que describe, se reduce a tratar con dos eventos básicos: llegadas y salidas. El siguiente
ejemplo ilustra el uso de los eventos de llegada y salida para describir un sistema compuesto de
colas distintas.
Mecánica de la Simulación Discreta.
Simulación manual de un modelo de un solo servidor.
El tiempo entre llegadas de los clientes a la peluquería HairKare es exponencial con media de
15 minutos. La peluquería es atendida por sólo un peluquero, y se lleva entre 10 y 15 minutos,
distribuidos de manera uniforme, para realizar un corte de pelo. Los clientes son atendidos con
base en la disciplina primero en llegar, primero en salir (FIFO). El objetivo de la simulación es
calcular las siguientes medidas de desempeño:
13
1. La utilización promedio de la peluquería.
2. La cantidad promedio de clientes que esperan.
3. El tiempo promedio que un cliente espera en la cola.
La lógica del modelo de simulación se puede describir en función de las acciones asociadas
con los eventos de llegada y salida del modelo.
Evento de llegada
1. Genere y guarde cronológicamente el tiempo de ocurrencia del siguiente evento de llegada (=
tiempo de simulación actual + tiempo entre llegadas).
2. Si la instalación (peluquero) está ociosa.
a. Inicie el servicio y declare ocupada la instalación. Actualiza las estadísticas de utilización de la
instalación.
b. Genere y guarde cronológicamente el tiempo del evento de salida del cliente (= tiempo de
simulación actual + tiempo de servicio).
3. Si la instalación está ocupada, ponga al cliente en la cola, y actualice las estadísticas de la cola.
Evento de salida
1. Si la cola está vacía, declare ociosa la instalación. Actualice las estadísticas de utilización de la
instalación.
2. Si la cola no está vacía
a. Seleccione un cliente de la cola, póngalo en la instalación. Actualice las estadísticas de
utilización de instalación y la cola.

14
b. Genere y guarde cronológicamente el tiempo de ocurrencia del evento de salida del cliente (=
tiempo de simulación actual + tiempo de servicio).
Según los datos del problema, el tiempo entre llegadas es exponencial con media de 15
minutos, y el tiempo de servicio es uniforme entre 10 y 15 minutos. Si p y q representan muestras
aleatorias de tiempos entre llegadas y de servicio, entonces obtenemos
Para el objetivo de este ejemplo, utilizamos R de la tabla 19.1, comenzando con la columna
1.También utilizamos el símbolo T para representar el tiempo del reloj de simulación.
Suponemos además que el primer cliente llega en el instante T = 0 y que la instalación
comienza vacía.
Debido a que los cálculos de simulación suelen ser voluminosos, la simulación se limita sólo a
las primeras 5 llegadas. El ejemplo está diseñado para cubrir todas las situaciones posibles que
pudieran surgir en el curso de la simulación.
Llegada del cliente 1 en el instante T = 0. Genere la llegada del cliente 2 en el instante
Debido a que la instalación está ociosa en el instante T = 0, el cliente inicia el servicio de
inmediato. Por lo tanto, el tiempo de salida se calcula como
La lista cronológica de eventos futuros es por lo tanto
15
Salida del cliente 1 en el instante T = 13.37. Debido a que la cola está vacía, la instalación se
declara ociosa. Al mismo tiempo, registramos que la instalación ha estado ocupada entre T = 0 y
T = 13.37 minutos. La lista actualizada de eventos futuros es
Llegada del cliente 2 en el instante T = 42.48. El cliente 3 llegará en el instante
Debido a que la instalación esta ociosa, el cliente 2 inicia el servicio, y la instalación se
declara ocupada. El tiempo de salida es
La lista de eventos futuros se actualiza como
16
Debido a que actualmente la instalación está ocupada (hasta T = 57.22), el cliente 3 se coloca
en la cola en el instante T = 53.49. La lista de eventos futuros actualizada es
Salida del cliente 2 en el instante T = 57.22. El cliente 3 se retira de la cola para iniciar el
servicio. El tiempo de espera es
El tiempo de salida es
La lista actualizada de eventos futuros es
Debido a que la instalación está ocupada hasta T = 70.19, el cliente 4 se coloca en la cola. La
lista actualizada de eventos futuros es
17
Llegada del cliente 5 en el instante T = 61.83. La simulación se limita a 5 llegadas, por
consiguiente no se genera la llegada del cliente 6. La instalación sigue ocupada, porque el cliente
se coloca en la cola en el instante T = 61.83. La lista de eventos actualizada es
Salida del cliente 3 en el instante T = 70.19. El cliente 4 se retira de la cola para iniciar el
La lista actualizada de eventos futuros es
Salida del cliente 4 en el instante T = 81.08. El cliente se retira de la cola para iniciar el
18
La lista de eventos actualizada es
Salida del cliente 5 en el instante T = 92.82. No hay más clientes en el sistema (cola e
instalación) y la simulación termina.
La figura A resume los cambios de longitud de la cola y la utilización de la instalación como
una función del tiempo de simulación.
La longitud de la cola y la utilización de la instalación se conocen como variables basadas en
el tiempo porque su variación es una función del tiempo. En consecuencia, sus valores promedio
se calculan como
FIGURA A. Cambios de la longitud de la cola y de la utilización de instalación como una
función del tiempo de simulación, T.
19
Implementando esta fórmula con los datos que aparecen en la figura A, obtenemos
El tiempo de espera promedio en la cola es una variable basada en observaciones cuyo valor
se calcula como
El examen de la figura A revela que el área debajo de la curva de longitud de la cola en
realidad es igual a la suma del tiempo de espera de los tres clientes que se unen a la cola, es decir,
El tiempo de espera promedio en la cola de todos los clientes se calcula por consiguiente como
Simulación basada en una hoja de cálculo del modelo de un solo servidor.
Desde luego, un modelo de un solo servidor es una situación simple fácil de modelar en un
entorno de hoja de cálculo. Otras situaciones requieren un esfuerzo de modelado más
complicado, una tarea que se facilita con los paquetes de simulación disponibles.
Simulación basada en una hoja de cálculo del modelo de un solo servidor.
El modelo de simulación de la instalación de un solo servidor requiere dos elementos básicos:
1. Una lista cronológica de los eventos del modelo.
2. Una gráfica que rastree los cambios del uso de la instalación y la longitud de la cola.
20
Estos dos elementos permanecen esenciales en el desarrollo de un modelo de simulación
basado en la hoja de cálculo (en realidad, basado en cualquier computadora). La diferencia es que
la implementación se realiza de modo que sea compatible con el uso de la computadora.
La figura B proporciona los resultados obtenidos con excelSingleServer.xls. Los datos de
entrada permiten representar el tiempo entre llegadas y de servicio en una de cuatro formas:
constante, exponencial, uniforme y triangular. La distribución triangular es útil porque se puede
utilizar como una estimación inicial aproximada de cualquier distribución, simplemente con tres
estimaciones a, b y c que representan los valores mínimo, el más probable y el máximo del
tiempo. La única otra información necesaria para controlar la simulación es la duración de la
ejecución de la simulación, la cual en este modelo es especificada por el número de llegadas que
se pueden generar en el modelo.
Los cálculos de la hoja de cálculo reservan una fila para cada llegada. Los tiempos entre
llegadas y de servicio de cada llegada se generan con los datos de entrada. Se supone que la
primera llegada ocurre en el instante T = 0. Debido a que la instalación comienza ociosa, el
cliente inicia el servicio de inmediato. La hoja de cálculo proporciona suficiente información para
demostrar los cálculos internos dados en la simulación manual.
Se desarrolló otra hoja de cálculo para simular modelos de varios servidores
(excelMultiServer.xls). El diseño de la plantilla se basa en las mismas ideas utilizadas en caso de
un solo servidor. Sin embargo, la determinación del tiempo de salida no es tan simple y requiere
el uso de macros VBA.
21
FIGURA B. Resultados de un modelo de simulación de un solo servidor obtenido con Excel
(archivo excelSingle.xls).
Software Arena.
El simulador ARENA, te permitirá mejorar las habilidades en resolución de problemas
mediante la realización de casos simulados, análisis y proyectos de investigación. Arena es un
modelo de simulación por computadora que nos ofrece un mejor entendimiento, ya que además
de representar el sistema, efectúa automáticamente diferentes análisis del comportamiento,
además de que facilita la disponibilidad del software el cual está formado por módulos de
lenguaje de simulación.
Este programa combina las ventajas de los simuladores de alto nivel con la flexibilidad de
lenguajes generales como microsoft y visual basic. También incluye animaciones, dinámicas en
22
el mismo ambiente del trabajo y prevé apoyo integrado, incluyendo gráficas para los diseños
estadísticos y analiza aspectos que son parte del estudio. A través del simulador ARENA se
podrá:
 Analizar de forma detallada el tipo de sistema de manufactura, y transporte de una
operación.
 Conocer el funcionamiento de sistemas de medidas clave como costes, tasa de salida de
piezas, tiempos de ciclo y utilización.
 Identificar obstáculos que se pueden presentar en operaciones logísticas como: cuello de
botella, sobreutilización de recursos, etc.
 Visualizar el impacto de los cambios en la rentabilidad de operaciones.
 Mejorar el manejo de los niveles de inventario, personal, sistemas de comunicaciones y
equipo.
En pocas palabras, el simulador ARENA es un gran complemento en la formación académica,
permitiendo desarrollar habilidades transversales como: toma de decisiones, liderazgo y
resolución de problemas. Entre las ventajas de este software se encuentran:
La disponibilidad en el mercado de entornos de simulación, con librerías pre-programadas y
validadas de componentes típicos, junto con la capacidad de programación gráfica y de
visualización ha hecho posible que la simulación sea una técnica cada vez más utilizada en el
análisis y la mejora de sistemas.
El software de simulación ARENA está diseñado para su uso dentro de la empresa, apoyando
tanto el análisis de áreas particulares (manufactura, logística, servicio al cliente, etc.) como el de
23
procesos que abarcan varias áreas particulares. ARENA utiliza una intuitiva representación del
proceso modelado tipo “diagrama de flujo”.
El modelado se lleva a cabo siguiendo una estructura jerárquica. ARENA ofrece la posibilidad
de crear representaciones utilizando una librería gráfica ampliable. Arena maneja bases de datos
como fuente de los reportes aumentándole de manera considerable la funcionalidad de estos y de
la información que se puede obtener. Es completamente personalizable con un formato igual al
presentado por pequeñas bases de datos como Microsoft Access o bases mayores como Visual
Fox Pro entre otras. Esto implica la posibilidad de obtener reportes gráficos y numéricos en el
mismo formato.
Sus aplicaciones se centran en el análisis de procesos de gestión administrativa y servicios en
Seguros, Banca o Finanzas, o flujos y procesos de fabricación no intensivos en manejo de
materiales. Abarcan campos diversos, destacando el análisis de sistemas de producción y
logística industrial, distribución, nodos de transporte y almacenaje, servicios, así como logística
integral y el análisis de toda la cadena de suministro. Está especialmente indicado en el análisis
de líneas de fabricación y envasado/empaquetado de grandes velocidades de producción, que son
fundamentales en industrias de alimentación y bebidas, industria farmacéutica, química y
cosméticos, e industria electrónica. Además permite evaluar el ROI asociado a la implantación de
nueva tecnología y equipos de proceso, validar el diseño de líneas, evaluar mejoras en líneas
existentes.
Modelos aplicados a la vida real con empleo de software (Ejemplos).
Ejemplo Nº 1 de Aplicaciones a la vida Real.
24
Los centros de atención telefónica de llamadas han sido una de las industrias de mayor
crecimiento a nivel mundial por muchos años. Sólo en Estados Unidos, cientos de miles de
negocios usan los centros de atención ubicados en todo el mundo para que los clientes puedan
hacer sus pedidos mediante una llamada telefónica sin costo a un número 800.
El mercado de la red 800 es muy lucrativo para las compañías de telecomunicaciones, por lo
que están felices de poder vender la tecnología necesaria para sus clientes de negocios y, después,
ayudarlos a diseñar centros de atención eficientes. La compañía AT&T fue pionera en el
desarrollo y comercialización de este servicio para sus clientes. Su enfoque consistió en
desarrollar un modelo de simulación altamente sofisticado y flexible llamado Simulador de
Procesamiento de Llamadas (CAPS, Call Processing Simulator), que permitía a sus clientes
estudiar varios escenarios sobre cómo diseñar y operar sus centros de atención telefónica.
El simulador CAPS consta de cuatro módulos:
 El módulo de generación de llamadas produce llamadas entrantes que llegan de
forma aleatoria, con tasas de llegada promedio que varían a lo largo del día.
 El módulo de red simula la forma en que una llamada entrante puede contestarse
de manera inmediata o ponerla en espera o recibir una señal de ocupado. En estos
últimos casos puede resultar que la persona que llama espere hasta que entre su
llamada o que se desespere y haga negocio con otra compañía.
 El módulo de distribución automática de llamadas simula la forma en que el
sistema automático de distribución de llamadas de AT&T distribuye de manera
equitativa los agentes disponibles.
25
 El módulo de servicio de llamadas simula que ciertos agentes dan servicio a
diferentes llamadas y, después, hacen todo el trabajo de seguimiento necesario.
El desarrollo y perfeccionamiento de CAPS a lo largo de muchos años siguen los pasos de un
estudio de simulación muy importante que se describe en el punto anterior. Este enfoque
meticuloso ha dado grandes dividendos a AT&T. La compañía ha realizado alrededor de 2000
estudios CAPS al año para sus clientes de negocios ayudándole a incrementar, proteger y ganar
más de 1000 millones de dólares en un mercado de red-800 de 8000 millones de dólares. Esto
también ha generado más de 750 millones de dólares de ganancias anuales para los clientes de
negocio de AT&T que solicitaron los estudios acerca de CAPS. Esta sofisticada aplicación de la
simulación condujo a AT&T a ganar el primer lugar en la competencia internacional de 1993 por
el Premio Franz Edelman al desempeño en investigación de operaciones y ciencias de la
administración.
Ejemplo Nº 2 de Aplicaciones a la vida Real.
Desde su fundación en 1914, Merrill Lynch ha sido una firma líder en servicios financieros
que se esfuerza por convertir Wall Street en Main Street, esto es, poner los mercados financieros
al alcance de todo el mundo. Emplea una fuerza de ventas muy capacitada formada por más de
15000 asesores financieros en Estados Unidos y tiene presencia en 36 países. Como una de las
compañías de Fortune 100 con ganancias netas de 26 billones (109) de dólares en 2005, tiene
bajo su control activos de los clientes que suman más de 1.7 trillones (1012) de dólares.
Al enfrentarse con una competencia cada vez mayor de firmas de correduría de descuento y de
correduría electrónica, a finales de 1998 se decidió formar un grupo de tarea con el fin de
recomendar un producto o servicio para satisfacer las exigencias del mercado. Al grupo de IO de
26
Merrill Lynch se le encomendó hacer un análisis detallado de dos nuevas opciones de precios
para los clientes. Una de ellas debería reemplazar el cargo por transacciones de forma individual
mediante el cargo de un porcentaje fijo de los activos de los clientes y, después, permitir un
número ilimitado de transacciones libres y acceso total a un asesor financiero. La otra opción
permitiría que los clientes invirtieran en línea directamente con una cuota fi ja reducida por
transacción sin consultar a un asesor de inversiones.
El gran reto que encaró el grupo de IO fue determinar el “punto sano” para los precios de estas
opciones que fuera capaz de aumentar los negocios de la firma e incrementar sus ganancias y a la
vez minimizar el riesgo de perderlas. Una herramienta clave para abordar este problema fue el
uso de la simulación. Para llevar a cabo un estudio de simulación mayor, el grupo formó y
evaluó un enorme volumen de datos acerca de los activos y de la actividad comercial de los cinco
millones de clientes de la firma. En cada segmento de la base de clientes se hizo un análisis
minucioso relativo a su comportamiento de aceptar ofertas mediante el uso del criterio
administrativo, la investigación de mercados y la experiencia con los clientes. Con toda esta
información como insumo, el grupo procedió a formular y a correr un modelo de simulación con
varios escenarios de precios para poder identificar el punto sano de éstos.
La implementación de estos resultados tuvo un profundo efecto en la posición competitiva de
Merrill Lynch, colocándola en una posición de liderazgo en la industria. En lugar de seguir
perdiendo terreno en la feroz competencia que enfrentaba, los activos de los clientes
administrados por la compañía aumentaron 22 billones de dólares (109) y su ganancia alcanzó los
80 millones de dólares en un periodo de 18 meses. El presidente ejecutivo de Merrill Lynch
llamó a esta nueva estrategia “la decisión más importante que hemos tomado, como firma (en los
últimos 20 años)”. Esta aplicación de la simulación representó un enorme éxito y llevó a Merrill
27
Lynch a obtener el primer lugar en la competencia internacional por el Premio Franz Edelman al
desempeño en investigación de operaciones y ciencias de la administración.
28
CONCLUSIÓN.
La simulación es una herramienta que se emplea con amplitud para estimar el desempeño de
sistemas estocásticos complejos cuando se quiere usar nuevos diseños o políticas de operación,
también se puede usar la simulación para describir el comportamiento transitorio de un sistema
propuesto. Más aún, si se usan ecuaciones diferenciales, la simulación se puede aplicar a sistemas
cuyos estados cambian en forma continua en el tiempo. La simulación es una de las técnicas que
más se emplean en investigación de operaciones debido a que es una herramienta flexible,
poderosa e intuitiva. En cuestión de segundos o minutos, puede simular incluso años de
operación de un sistema común mientras genera una serie de observaciones estadísticas sobre el
desempeño del sistema en este periodo. Debido a su excepcional versatilidad, la simulación se ha
aplicado en una amplia variedad de áreas. Más aún, sus horizontes continúan ampliándose debido
a los grandes avances en el desarrollo de software de simulación, que incluye el que realiza
simulaciones en hojas de cálculo.
La simulación es una técnica por naturaleza imprecisa. Proporciona sólo estimaciones
estadísticas y no resultados exactos y compara alternativas más que generar una solución
óptima (a menos que se use un paquete de software especial como el OptQuest). A pesar de los
grandes avances en el software, todavía puede ser una manera lenta y costosa de estudiar
sistemas estocásticos complejos. Por lo general requiere una gran cantidad de tiempo y gasto para
el análisis y la programación, además de un tiempo considerable para las corridas en
computadora.
Por último, la simulación conduce sólo a datos numéricos sobre el comportamiento del
sistema, no proporciona una visión adicional respecto de las relaciones de causa y efecto dentro
29
del sistema, excepto por los indicios que pueden extraerse a partir de estos números (y del
análisis que se requiere para construir el modelo). Por lo tanto, es muy costoso llevar a cabo un
análisis de sensibilidad de los valores de los parámetros supuestos por el modelo. La única forma
posible sería efectuar una serie de corridas de simulación con diferentes valores de los parámetros
que tenderían a proporcionar muy poca información a un costo relativamente alto.
30
BIBLIOGRAFÍA.
 Hillier, F. S., & Lieberman, G. J. (2010). Introducción a la investigación de
operaciones (9a. ed.). México: McGraw-Hill.
 TAHA, H. A. (2012). INVESTIGACION DE OPERACIONES (1a. ed.). MEXICO:
PRENTICE HALL.
 Winston, W. L., Anzúrez, M. B., & Sánchez Fragoso, F. (2005). Investigación de
operaciones: Aplicaciones y algoritmos (4a ed. --.). México, D. F.: International
Thomson.
 Universidad Panamericana de Panamá. “Conociendo el simulador ARENA y sus
beneficios”. Abril de 2019 enlace: https://uip.edu.pa/conociendo-el-simulador-arena-y-
sus-beneficios/
 Blog: Características de ARENA
 http://novenoindustrial.blogspot.com/2014/08/caracteristicas-de-arena.html
 C. (2004, September 27). Imitación del funcionamiento de un proceso o sistema del
mundo real a lo largo del tiempo, para estudiar los acontecimientos reales en muchos
contextos o los efectos de condiciones y cursos de acción alternativos. Wikipedia.org;
Wikimedia Foundation, Inc. https://es.wikipedia.org/wiki/Simulaci%C3%B3n
31

Simulacion - Investigación de Operaciones

Cargado por

Copyright:

Formatos disponibles

Simulacion - Investigación de Operaciones

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Simulacion - Investigación de Operaciones

Cargado por

Copyright:

Formatos disponibles

REPÚBLICA BOLIVARIANA DE VENEZUELA

UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA

¨ANTONIO JOSÉ DE SUCRE¨

VICERRECTORADO PUERTO ORDAZ

DEPARTAMENTO DE INGENIERÍA INDUSTRIAL

ASIGNATURA: INVESTIGACIÓN DE OPERACIONES II

SIMULACIÓN APLICADA A LA INVESTIGACIÓN DE OPERACIONES.

Ing. María Gabriela Higuerey Emilibet Gómez. C.I.: 27.957.775

Narcisa Brito. C.I.: 24.890.270

Puerto Ordaz, marzo de 2023.

para el análisis y estudio de sistemas complejos.

modelo de simulación. Un modelo de simulación, por lo general, toma la forma de un conjunto de

suposiciones acerca de la operación del sistema, expresado como relaciones matemáticas o

generar muestras representativas de las medidas de desempeño.

Con respecto a esto, la simulación se podría ver como un experimento de muestreo en el

estimación de la media de la medida de desempeño, se promedian los resultados muestrales.

La simulación es el proceso de diseñar un modelo de un sistema real y llevar a término

para el funcionamiento del sistema.

La simulación tiene el mismo papel en muchos estudios de Investigación de Operaciones. El

equipo de Investigación Operativa se dedica a desarrollar un diseño o procedimiento de operación

simulación sintetiza el sistema con su construcción de cada componente y de cada evento.

Debido a que las corridas de simulación, por lo general, requieren la generación y el

simulados se lleven a cabo en una computadora.

Cuando es necesario usar simulación como parte de un estudio de Investigación de

últimos detalles del diseño final.

frecuencia es el único enfoque práctico para resolver un problema.

Ventajas y desventajas de la simulación.

desventajas. La principal ventaja de la simulación es que la teoría es relativamente directa. En

tiene un modelo de simulación de su sistema de inventario, se pueden probar varias políticas de

inventario en el modelo en vez de aprovechar la oportunidad de experimentar en el sistema real.

Sin embargo, se debe remarcar que la simulación no es una técnica de optimización. La

específica, disminución del costo computacional y avances en las metodologías de simulación, el

problema del costo es cada vez menos importante.

Existen dos grandes categorías de simulación que estudian el comportamiento de sistemas

 Los modelos continuos se ocupan de sistemas cuyo comportamiento cambia

En ocasiones es posible aproximar los cambios continuos en el estado del sistema

el comportamiento de un sistema continuo, circunstancia que tiende a simplificar mucho

con el objetivo de determinar medidas como el tiempo de espera promedio y la longitud

de llegada y salida), originan el nombre simulación de evento discreto.

Procedimiento para un estudio de simulación importante.

Un estudio importante de investigación de operaciones basado en la aplicación de simulación

técnica de investigación de operaciones. Estos pasos son los siguientes:

Paso 1: Formulación del problema y planeación del estudio.

El equipo de investigación de operaciones debe comenzar por reunirse con la administración

para determinar el problema a partir de los siguientes tipos de preguntas.

1. ¿Qué problema desea estudiar la administración?

2. ¿Cuáles son los objetivos globales del estudio?

3. ¿Qué aspectos específicos debe incluirse?

4. ¿Qué tipos de configuraciones de sistemas alternativos deben considerarse?

5. ¿Qué medidas de desempeño del sistema son de interés para la administración?

6. ¿Cuáles son las restricciones de tiempo para realizar el estudio?

tengan un conocimiento directo del sistema.)

Paso 2: Recolección de datos y formulación del modelo de simulación.

de probabilidad de las cantidades relevantes. En general, sólo se podrán estimar estas

de la forma en que un sistema se desempeñará, es fundamental que la simulación genere

Muchas veces un modelo de simulación se formula en términos de un diagrama de flujo que

Paso 3: Comprobación de la precisión del modelo de simulación.

Antes de construir un programa de computadora, el equipo de IO debe comprometer a las