Simulación y Optimización

en procesos Industriales
La impartición de estos conceptos nace de la necesidad de
desarrollar competencias en los estudiantes que permitan
analizar, modelar, experimentar sistemas productivos y de
servicios de una organización, reales o hipotéticos a través de
la simulación de eventos discretos y continuos con el fin de
conocerlos con claridad y/o mejorar su funcionamiento
INDICE
TIPOS DE SISTEMAS DE MODELOS
MODELADO, SIMULACIÓN Y OPTIMIZACIÓN
METODOLOGÍA SIMULACIÓN OPTIMIZACIÓN.
¿POR QUÉ SIMULAR?
AMBIENTES EN REALIDAD VIRTUAL 3D
APORTACIONES PARA LA EMPRESA
FUNDAMENTOS TEORICOS EN LA SIMULACIÓN DE EVENTOS DISCRETOS.
APLICACIONES MAS [Link]ÓN DE EVENTOS DISCRETOS.
HERRAMIENTAS PARA LA SIMULACIÓN
PASOS PARA REALIZAR UN ESTUDIO DE SIMULACIÓN.
COMPONENTES DE UN SOFTWARE DE SIMULACIÓN
SOFTWARE(FLEXIM)
COMPLEMENTOS(FLEXIM)
BIBLIOGRAFÍA.
 TIPOS DE SISTEMAS DE MODELOS
TIPOS DE SISTEMAS DE MODELOS
Cuando un proceso industrial está sometido a estudio existen básicamente dos formas para realizar
el análisis. Se puede experimentar con el sistema real, o se puede experimentar con un modelo del
sistema. La experimentación con el sistema real crea bastantes problemas en su utilización debido
al coste de las pruebas correspondientes y a la logística del propio proceso. Un método lo
suficientemente bueno es crear y estudiar un modelo del sistema.

Los modelos de los sistemas a simular se pueden dividir en 2 grandes bloques que se detallan a
continuación: modelos físicos y modelos matemáticos.
TIPOS DE SISTEMAS DE MODELOS

Fuente: Adaptado de GUASCH, et al. (2005), pág. 4.

TIPOS DE SISTEMAS DE MODELOS

LOS MODELOS FÍSICOS

Un modelo físico es una maqueta, o la recreación del sistema real. Los ejemplos de modelos físicos
son simuladores de túneles aerodinámicos, modelos en miniatura, tanques de gravedad, etc. La
mayoría de los sistemas de la fabricación son difíciles de modelar con modelos físicos debido a la
interacción dinámica de los elementos involucrados.
LOS MODELOS MATEMATICOS
Los modelos matemáticos son usados para predecir o determinar las relaciones cuantitativas de un
sistema. La programación lineal, la física y la geometría son los ejemplos de modelos matemáticos.
Es decir, un modelo matemático es cualquier modelo que usa cálculos, fórmulas o algoritmos para
predecir el comportamiento de un sistema. Están diseñados para ser muy precisos.

Dentro de este tipo de sistemas de modelos matemáticos podemos diferenciar 2 tipos: los modelos
analíticos y los modelos de simulación.
 TIPOS DE SISTEMAS DE MODELOS
MATEMATICOS
Los Modelos Analíticos.
Los modelos analíticos son aquellos que son sacados de una
fórmula conocida para obtener la solución. La solución puede ser
muy difícil de obtener y puede implicar mucho tiempo y recursos de
cálculo. Este tipo de análisis de modelos para obtener ciertas
conclusiones es utilizado por personal técnico de ingeniería,
matemática, física, etc. por lo tanto la coordinación de los equipos de trabajo suele ser bastante
complicada, lo que condicionan que los equipos de trabajo que participan sean costosos.
La construcción de un modelo analítico tiene con frecuencia serios inconvenientes, como son:
El problema de encontrar el modelo de ecuaciones que representen al sistema real.
La enorme dificultad para resolver el modelo.
 TIPOS DE SISTEMAS DE MODELOS
MATEMATICOS
Los Modelos de Simulación.
Muchos sistemas contienen un número dinámico de algoritmos
que interactúan entre sí para los cuales es prácticamente
imposible encontrar soluciones mediante modelos analíticos. En
estos casos la simulación se usa para predecir los resultados
del sistema. La simulación proveerá la respuesta "correcta"
además de proporcionar una estimación razonable de
comportamiento del sistema.
 Los modelos de simulación. Modelos
Estáticos frente a Modelos Dinámicos
Los Modelos Estáticos: suelen utilizarse para representar el sistema en un cierto instante de tiempo;
y en su formulación no se considera el avance del tiempo. Frecuentemente involucra muestras variables
para generar un resultado estadístico, generalmente se conoce como la Simulación de MonteCarlo.
Por ejemplo en el ámbito financiero, este tipo de simulación es usada para seleccionar un portafolio
de acciones o bonos.(Problema Excel)

Los Modelos Dinámicos: permiten deducir cómo las variables de interés del sistema en estudio
evolucionan con el tiempo. Tienen una o más variables aleatorias como entradas. La simulación
dinámica es muy utilizada para el análisis de sistemas de manufactura y servicios, por ejemplo la
simulación en una sala de emergencias de un hospital durante una jornada de trabajo habitual.
 Los modelos de simulación. Modelos
Deterministas respecto a Modelos
Estocásticos
Un modelo se denomina Determinista si su nuevo estado puede ser completamente definido a
partir del estado previo y de sus entradas. Es decir, ofrece un único conjunto de valores de salida
para un conjunto de entradas conocidas. Representa el sistema en un punto particular en el tiempo y
no posee componentes de entrada de tipo aleatorio.
Los resultados obtenidos en una simulación de este tipo siempre van a ser los mismos independientemente del número de
veces que la simulación sea corrida. Por ejemplo las llegadas a un consultorio médico, a diferencia de la sala de emergencias,
pueden ser de tipo determinístico si cada uno de los pacientes llega a la hora determinada de su cita.
Los Modelos Estocásticos requieren de una o más variables aleatorias para formalizar las
dinámicas de interés. En consecuencia, el modelo no genera un único conjunto de salidas cuando es
utilizado para realizar un experimento, sino que los resultados son utilizados para estimar el
comportamiento real del sistema. Representan el sistema a través del tiempo.
Por ejemplo dentro del funcionamiento de la sala de emergencias de un hospital, pueden ser consideradas como variables
estocásticas: el intervalo de tiempo de llegada de pacientes o el tiempo en el cual cada paciente es atendido por el médico
dependiendo de la gravedad de su situación.
Los modelos de simulación. Modelos
Continuos frente a Modelos Discretos
Es importante tener en cuenta el comportamiento del sistema en el espacio temporal en el momento de la
realización del estudio del sistema. Por lo tanto, podemos decir que el diseño de un modelo de simulación
depende de clasificación del sistema en uno de estos dos tipos: un modelo discreto es aquel en el cual las
variables de estado pueden cambiar de valor sólo un número finito de veces por unidad de tiempo y un
modelo continuo es aquel cuyas variables de estado pueden cambiar continuamente con el tiempo.
SISTEMA DE EVENTOS DISCRETOS
Es un sistema cuyo estado cambia sólo en ciertos puntos del tiempo. Se caracterizan porque las propiedades
de interés del sistema cambian únicamente en un cierto instante o secuencia de instantes y permanecen
constantes el resto del tiempo
SISTEMA DE EVENTOS CONTINUOS:
Es un sistema cuyo estado cambia continuamente y a cada instante en el transcurso del tiempo, por lo tanto,
las variables del estado del sistema evolucionan de modo continuo a lo largo del tiempo.

Ver: Guasch, et al. 2005, p. 5.

 Los modelos de simulación. Modelos
Continuos frente a Modelos Discretos
Figura 1. Sistema Continuo Figura 2. Sistema Discreto

Fuente: BANKS, et al. (2001), pág. 12.

 ESTUDIO DE SIMULACIÓN BASICO
Los parámetros más significativos del sistema son:

• Hay 4 trabajadores por cada turno diario de 8 horas.

• Se trabaja desde las 9 de la mañana hasta las 5 de la tarde. No obstante, la jornada laboral se alarga si no ha sido
posible expedir todas las órdenes recibidas a lo largo del día.
• Sólo se aceptan órdenes hasta las 13 horas.
• En promedio, se reciben 10 órdenes cada día.
• Hay dos tipos de órdenes, las ordinarias (el 40%) y las prioritarias (el 60% restante).
• En promedio, una orden prioritaria requiere 4 horas de proceso, mientras que una ordinaria sólo 2 horas.
ESTUDIO DE SIMULACIÓN

RECEPCIÓN PROCESADO
EXPEDICIÓN
DE ÓRDENES DE ÓRDENES

En promedio se reciben Tiempo de proceso:

10 órdenes al día: - Ordinarias (2 horas)
- Ordinarias (40%)
- Prioritarias (4 horas)
- Prioritarias (60%)
ESTUDIO DE SIMULACIÓN(Resolución estática)
(Resolución dinámica)
ESTUDIO DE SIMULACIÓN. Resumen
1. Reloj de simulación: Variable que registra la cantidad de tiempo que ha sido simulada
2. Métodos para incrementar el reloj
a) Incremento en tiempo fijo (time step)
i. Se avanza un intervalo fijo (pequeño) y se actualiza el estado Simulación.
ii. Se considera que los eventos se producen al final del intervalo
iii. Origina problemas por simultaneidad de eventos

b) Incremento por evento (event step)

i. Se comprueba cuando se produce el evento más inminente y se avanza el reloj hasta ese
instante
ii. No se incurre en errores en los instantes de ocurrencia de los eventos

3. Lista de eventos
a) Secuencia de instantes en las que se producen los eventos
b) Puede ser generada al principio o en el transcurso de la simulación
ESTUDIO DE SIMULACIÓN. Resumen
4. Contadores estadísticos: Variables que almacenan información estadística relevante sobre el
comportamiento del sistema

4. Rutina de tiempo: Determina el siguiente evento y avanza el reloj de simulación al instante en

que va a ocurrir

5. Rutina de evento: Actualiza las variables de estado cuando se produce un evento. Hay una por
cada tipo de evento
6. Programa principal: Enlaza las rutinas de tiempo y evento.
7. Generador de informes o resultados: Realiza los cálculos o estimaciones de las características
que se desean medir
Simulación de eventos discretos. Diagrama
de flujo
 MODELADO, SIMULACIÓN Y OPTIMIZACIÓN
MODELADO, SIMULACIÓN Y OPTIMIZACIÓN
 Los Modelos de Simulación permiten profundizar en las variables que afectan más significativamente al
funcionamiento de la empresa, analizar sus interacciones y evaluar su impacto global, constituyendo una
ayuda inestimable para optimizar los procesos.

 La Optimización es la búsqueda de la mejor forma de hacer las cosas considerando las restricciones
funcionales, técnicas y económicas de nuestros procesos. La optimización de los procesos productivos
permite a una empresa seguir siendo competitiva. ¿Por qué no hacer de la optimización un proceso
constante, una práctica habitual en las empresas? La tecnología actual permite que sea posible, con un
esfuerzo mínimo, obtener resultados óptimos.
 Relación entre simulación y optimización

• Desde sus inicios los equipos de simulación han buscado optimizar los problemas que resuelven.
• 1995 Promodel incluye SimRunner con algoritmos evolutivos.
• 2004 Arena incluye Optquest con algoritmos de búsqueda Tabu Search, redes neuronales,
búsqueda dispersa, y programación lineal y entera.
• 2010 Simio lanzado en sustitución de Arena usa Optquest.
 Metodología Simulación-Optimización
DESVENTAJAS SI SE VEN SEPARADAS.
• Simulación: subconjunto limitado de escenarios.
• Optimización: no contempla fluctuaciones en el
modelo.

VENTAJAS SI SE VEN UNIDAS

• Mejora en los aspectos de análisis y
consecuente optimización cuando esto sea
posible.

Según la clasificación anterior, el tipo de simulación en

el cual se ha de centrar el desarrollo de este proyecto
es: Simulación de eventos discretos dinámicos, que
incluye variables de tipo estocástico y determinístico.
Metodología Simulación-Optimización
Metodología Simulación-Optimización
¿POR QUÉ SIMULAR?
• Simular permite diseñar correctamente los cambios complejos y conocer el efecto que estos cambios tienen
en el sistema para poder solucionarlos de manera más efectiva.
• En Lean y Six Sigma ayuda a identificar y eliminar actividades que no generan valor agregado para el proceso,
permite analizar el impacto de la variabilidad.
• Visualiza problemas y sus soluciones. Ayuda a comunicar ideas.
• Responde a las preguntas: “¿Qué pasa sí…?” antes de invertir capital y sin interrumpir la operación actual.
• Por lo tanto, uno de los objetivos principales de usar la simulación en cualquier área es la búsqueda en
alcanzar los conocimientos referentes a la predicción del futuro o la explicación lógica de un fenómeno.
• La visualización de una simulación tridimensional animada es una forma bastante efectiva de presentar y
explicar un nuevo proyecto, o propuesta de reingeniería. Un modelo de simulación en 3D permite exponer y
presentar las propuestas y cambios de una forma gráfica e intuitiva.

Ver: García, et al. 2006, p. 8.

 AMBIENTES EN REALIDAD VIRTUAL 3D
 La Realidad Virtual es una tecnología de simulación por ordenador utilizando
herramientas informáticas diseñadas a tal fin, dinámica y tridimensional, que
posee un alto contenido gráfico , acústico y táctil.

 Está orientada a la visualización de situaciones y variables complejas durante

la cual el usuario ingresa a "mundos" que aparentan ser reales, resultando
inmerso en ambientes altamente participativos, de origen artificial.

 El auge de la realidad virtual ha estado precedido de un largo tiempo de

intensa investigación, plasmándose en la actualidad en una multiplicidad de
sistemas que permiten que el usuario experimente "artificialmente".

 El mundo virtual nos ofrece la posibilidad de hacer cosas especiales. Se

presenta en un medio esencialmente activo en el cual el usuario puede
incursionar creativamente hasta donde el límite de su imaginación se lo
permita. Allí radica, muy posiblemente, el mayor atractivo por cuanto la
imaginación y la creatividad tienen la oportunidad de ejecutarse en un
"mundo" artificial e ilimitado.
 BENEFICIOS E IMPLICACIONES.
Sus beneficios más destacados son:
 Exploración de diferentes alternativas que de otra manera serían inaccesibles.
 Economía al no tener que reproducir (con las inversiones y cambios reales) costosos entornos de simulación.
 Posibilidad de mostrar al cliente nuevos productos y de comprobar su funcionamiento y prestaciones.
 Visualización interactiva y participativa de cada una de las alternativas.
 Visualización de modelos y supuestos completos.
 Fácil incorporación de datos y modelos externos.
 Visualización de relaciones entre múltiples variables.
 Facilidad de revisión, modificación y optimización de diseños en tiempo real.
 Mayor impacto promocional.

Entre las desventajas que puede presentar la simulación están:

 La simulación no es una herramienta de optimización. No genera soluciones óptimas a problemas de análisis
cuantitativos.
 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.
 Existe el riesgo de tomar malas decisiones basadas en modelos de simulación que no han sido validados y verificados
adecuadamente.
Ver: García, et al. 2006, p. 8.
 APORTACIONES PARA LA EMPRESA
La simulación tiene aplicación en todas las áreas de la empresa.
La simulación de procesos industriales se usa para desarrollar y validar el diseño de las plantas industriales de
manufactura en su conjunto, permitiendo comparar varios escenarios diferentes de tal manera que se pueda
predecir el comportamiento de cada uno de ellos.
En la publicación “The benefits of digital manufacturing”,realizada por CIMDATA en 2002, ya se exponían los
siguientes beneficios derivados de aplicar estas técnicas de simulación:
APORTACIONES PARA LA EMPRESA
APORTACIONES PARA LA EMPRESA
SIMULACIÓN EVENTOS DISCRETOS.
Fundamentos teóricos básicos.
1. SIMULACIÓN MONTECARLO
2. GENERACIÓN DE NÚMEROS ALEATORIOS
3. GENERACIÓN DE VARIABLES ALEATORIAS
a) Método de la Transformada Inversa
b) Método de Aceptación y Rechazo
c) Método de Convolución

4. TÉCNICAS DE REDUCCIÓN DE VARIANZA

a) Variables antitéticas.
b) El método de la variables de control
c) Números aleatorios comunes.
SIMULACIÓN MONTECARLO
La simulación Monte Carlo (MC) es una técnica fundamentada en conceptos estadísticos como
muestreo aleatorio y la capacidad que tienen los computadores para generar números pseudo-aleatorios
y automatizar cálculos que permiten resolver problemas matemáticos mediante la simulación de
variables aleatorias.

John Von Neumann, a finales de los años 40 y con los primeros computadores, aplica la simulación MC para
resolver problemas complejos que no podían ser resueltos de forma analítica.

La idea es crear un modelo matemático del sistema, proceso o actividad analizada, ubicando variables
identificadas como inputs o entradas del modelo para:
• Generar muestras aleatorias o valores concretos.
• Analizar el comportamiento del sistema ante los valores generados.

Luego de repetir n veces este experimento, se dispone de n observaciones del comportamiento del sistema, para
realizar un análisis detallado. Entre mayor sea el número n de experimentos, más preciso será el estudio.
Esta es una técnica ampliamente utilizada como alternativa a modelos matemáticos exactos y para estimar
soluciones de problemas complejos.
 GENERACIÓN DE NÚMEROS ALEATORIOS
Según Ross (1999,2005), el núcleo de un estudio de Simulación es la capacidad de generar números
aleatorios que representan el valor de una variable aleatoria.

Secuencia aleatoria: secuencia de números obtenida al azar de algún conjunto prefijado.

• Normalmente es suficiente generar valores de la distribución uniforme U(0,1). A partir de ella se
pueden generar otras distribuciones
• Dado que no es posible generar números de naturaleza aleatoria, se consideran números
pseudoaleatorios, generados por medio de algoritmos determinísticos que requieren un
parámetro de inicio.
Una secuencia de números pseudoaleatorios debe verificar: Distribución uniforme e Independencia
estadística
Un método para generar números pseudoaleatorios debe verificar:
 Proporcionar variedad de secuencias.
 Secuencias reproducibles
 Con un ciclo no repetitivo arbitrariamente grande
 Velocidad de generación
 Ocupar escasa memoria en el ordenador

Esto se ha conseguido mediante métodos aritméticos

Generación de números pseudoaleatorios
Una secuencia de números pseudoaleatorios debe verificar:
 Distribución uniforme
 Independencia estadística

Un método para generar números pseudoaleatorios debe verificar:

 Proporcionar variedad de secuencias.
 Secuencias reproducibles
 Con un ciclo no repetitivo arbitrariamente grande
 Velocidad de generación
 Ocupar escasa memoria en el ordenador

Esto se ha conseguido mediante métodos aritméticos

Métodos congruenciales
Fórmulas recurrentes basadas en el concepto de congruencia:

𝑥𝑥𝑛𝑛
𝑢𝑢𝑛𝑛 =
𝑚𝑚
Métodos [Link]

𝑥𝑥𝑛𝑛
𝑢𝑢𝑛𝑛 =
𝑚𝑚
Métodos [Link]

𝑥𝑥𝑛𝑛
𝑢𝑢𝑛𝑛 =
𝑚𝑚
Métodos congruenciales. Los más usados

𝑥𝑥𝑛𝑛
𝑢𝑢𝑛𝑛 =
𝑚𝑚
GENERACIÓN DE VARIABLES ALEATORIAS
discretas

𝑥𝑥𝑛𝑛
𝑢𝑢𝑛𝑛 =
𝑚𝑚
GENERACIÓN DE VARIABLES ALEATORIAS
discretas

𝑥𝑥𝑛𝑛
𝑢𝑢𝑛𝑛 =
𝑚𝑚
GENERACIÓN DE VARIABLES ALEATORIAS
continua. Transformada inversa.

𝑥𝑥𝑛𝑛
𝑢𝑢𝑛𝑛 =
𝑚𝑚
GENERACIÓN DE VARIABLES ALEATORIAS
continua. Transformada inversa.

−ln(𝑢𝑢)
𝑥𝑥 =
𝜆𝜆
Análisis estadístico de resultados
Precisión de la media muestral
 APLICACIONES MAS UTILIZADAS. Simulación
de eventos discretos
Diseño de Lay-out.
La simulación de procesos nos permitirá
verificar desde el punto de vista de la
fabricación un lay-out, midiendo
productividades, unidades fabricadas,
tiempo empleado en transportes de
material que se realizan dentro de una
planta…. También nos permitirá organizar
correctamente células de fabricación en
U, disponiendo de la mejor ubicación
posible de máquinas y operarios.

Imagen célula en U simulada.

 APLICACIONES MAS UTILIZADAS. Simulación
de eventos discretos
Optimización del flujo de
material.
El flujo de materiales dentro
de una fábrica está
íntimamente ligado con el
lay-out, y la consecuencia de
éste con el propio proceso
productivo.

Ejemplo de validación de lay-out mediante simulación.

 APLICACIONES MAS UTILIZADAS. Simulación
de eventos discretos
Balanceo de líneas de producción.
Uno de los principales problemas que
presentan muchas de las líneas de
producción son las diferencias de
tiempo de ciclo entre unas máquinas y
otras y la dificultad de planificar las
horas de funcionamiento de éstas. Con
la simulación se consigue detectar con
claridad los cuellos de botella y tener
una perspectiva dinámica del balanceo
de la línea de producción, permitiendo
analizar el material en proceso, el
empleo de recursos y la saturación de
los buffer intermedios.
 APLICACIONES MAS UTILIZADAS. Simulación
de eventos discretos
Optimizar nivel de stocks
Ligado al apartado anterior,
balanceo de líneas de
producción, tenemos la
optimización del nivel de
stocks intermedios, que serán
los que regulen las diferencias
de tiempo de ciclo de unos
procesos y otros.
 APLICACIONES MAS UTILIZADAS. Simulación
de eventos discretos
Validación de sistemas
logísticos automáticos
En este apartado se
encontraría la validación de
sistemas logísticos como es el
caso de sistemas automáticos
de movimiento de materiales
como son los AGVs, cintas
transportadoras, cadenas de
transporte elevadas e incluso
los transe levadores de los
sistemas automáticos
 HERRAMIENTAS PARA LA SIMULACIÓN
FLEXSIM

+ Información: [Link]

OPTQUEST OPTIMIZER
Información: [Link]

DELMIA QUEST ([Link])

TECHNOMATICS FACTORY FLOW ([Link])

 HERRAMIENTAS PARA LA SIMULACIÓN
PROMODEL
+ Información: [Link]

SIMPROCESSS
+ Información: [Link]

SIMUL8
+ Información: [Link]

WITNESS
+ Información: [Link]

ARENA

+Información:
[Link]
 PASOS PARA REALIZAR UN ESTUDIO DE
SIMULACIÓN
Como ocurre con otras herramientas de investigación, 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, según Blanco (2001) y Guasch, et al. (2005).

1. Definición del sistema bajo estudio.

2. Generación del modelo de simulación base.
3. Recolección y análisis de datos.
4. Generación del modelo preliminar.
5. Verificación del modelo.
6. Validación del modelo.
7. Generación del modelo final.
8. Determinación de los escenarios para el análisis.
9. Análisis de sensibilidad.
10. Documentación del modelo.
 PASOS PARA REALIZAR UN ESTUDIO DE
SIMULACIÓN
Todos estos pasos se traducen POR EJEMPLO ,CASO ERAMAN:

1. INTRODUCCIÓN.
2. OBJETIVOS
3. DESARROLLO DE LAS TAREAS
I. RECOPILACIÓN DE LA INFORAMCIÓN:
i. Mapa de flujo de valor (VSM-Value Stream Map).Situación inicial.
II. ANÁLISIS DE LA SITUACIÓN ACTUAL MEDIANTE SIMULACIÓN
III. DEFINICIÓN DE LA SITUACIÓN FUTURA
i. Mapa de flujo de valor (VSM-Value Stream Map).Situaciones futuras.
IV. ELABORACIÓN DE MODELO DE SIMULACIÓN Y ANÁLISIS DE RESULTADOS.
i. Mapa de flujo de valor (VSM-Value Stream Map).Situación propuesta
4. RESULTADOS
5. CONCLUSIONES
 PASOS PARA REALIZAR UN ESTUDIO DE
SIMULACIÓN
RECOPILACIÓN DE LA INFORAMCIÓN:
I. Mapa de flujo de valor (VSM-Value Stream Map).Situación inicial.
 PASOS PARA REALIZAR UN ESTUDIO DE
SIMULACIÓN
ANÁLISIS DE LA SITUACIÓN ACTUAL MEDIANTE SIMULACIÓN
 PASOS PARA REALIZAR UN ESTUDIO DE
SIMULACIÓN
DEFINICIÓN DE LA SITUACIÓN FUTURA
i. Mapa de flujo de valor (VSM-Value Stream Map).Situaciones futuras.
 COMPONENTES DE UN SOFTWARE DE
SIMULACIÓN
Ventajas lenguajes simulación Ventajas lenguajes propósito general
Reducen esfuerzo de programación Más conocidos por los programadores
(presentan las características necesarias
para el desarrollo de modelos de simulación)

Entorno natural de trabajo (bloques Disponibles en cualquier plataforma

básicos de programación más afines)
Fácil modificación para diferentes Menor tiempo de ejecución
experimentos
Facilitan detección de errores Mayor flexibilidad
COMPONENTES DE UN SOFTWARE DE
SIMULACIÓN
Módulo de ajuste de datos de entrada: permite realizar el ajuste de los datos a una distribución de
probabilidad teórica conocida mediante pruebas de bondad de ajuste. Permite importar, exportar datos a
otras aplicaciones, por ejemplo Excel. Todo software de simulación actualizado tiene este módulo.

Módulo de interface de la modelación: permite al usuario caracterizar el modelo mediante las

Herramientas gráficas, de diálogo y texto, así como archivos externos de datos que definan el modelo.

Procesador del modelo: Crea una base de datos del modelo que contiene datos de entrada. Si es
necesario realiza conversiones de los datos que permitan iniciar la simulación de manera eficiente.

Módulo de interface de la simulación: despliega la animación que se visualiza durante la ejecución de

la simulación y que permite al usuario interactuar con la simulación para controlar efectos de la
animación como su velocidad, ver el estado de las variables, entre otros.
COMPONENTES DE UN SOFTWARE DE
SIMULACIÓN
Procesador de la simulación: se encarga de ejecutar la lógica de los eventos y actualizar las
estadísticas que se van obteniendo mientras se ejecuta la simulación. Se compone de elementos como :
 Variable reloj: lleva el control del avance del tiempo.
 Calendario de eventos: consiste en una lista que contiene los eventos que se ejecutarán en el orden
cronológico en que ocurren.
 Lógica del evento: contiene las instrucciones para simular el comportamiento de un evento.
Generador de números aleatorios: algoritmos para calcular valores para variables aleatorias.

Procesador de animación: interactúa con la base de datos de la simulación para actualizar la

representación gráfica de lo que se está simulando. La animación se despliega durante la ejecución de
la simulación dando una visión cualitativa de lo que sucede en el modelo pero los resultados importantes
de la simulación consisten en resúmenes estadísticos, por lo que la animación es un complemento de la
presentación de resultados.
COMPONENTES DE UN SOFTWARE DE
SIMULACIÓN
Procesador de salida: resume los datos estadísticos calculados durante la simulación y crea
bases de datos conteniendo estos resultados.

Interface de salida: proporciona la interface para que el usuario pueda visualizar de manera
clara los resultados de la simulación.

Módulo de Optimización: tiene como objetivo mejorar el diseño del modelo a través de una gestión
eficiente de los recursos y actividades, partiendo de una función objetivo (Z) definida por el usuario, y
las restricciones (sujeto a) automáticamente crea los escenarios posibles de la simulación y los ejecuta,
obteniendo el resultado óptimo. Para un usuario del modelo, el mejor modelo podría ser: maximizar
unidades producidas, minimizando costo; tal vez para otro usuario la mejor función objetivo es:
maximizar unidades producidas, minimizando inventario en proceso y maximizando la utilización de los
operarios.
 SOFTWARE(FLEXIM)
Es un software de simulación de eventos discretos y
continuos basado en el paradigma de construcción y
programación orientada a objetos y modelado basado en
la animación (3D). La última versión disponible a Enero
de 2019 Utiliza el software ExpertFit para el ajuste y
análisis de datos a distribuciones de probabilidad y la
aplicación OptQuest para optimizar los modelos de
simulación.

Flexsim presenta un impactante ambiente tridimensional y cuenta con una flexibilidad de simular cualquier
tipo de proceso y construir modelos de simulación con la mayor rapidez y con una facilidad de uso
extraordinaria, sin necesidad de programación, aunque recibe código C/C++ y tiene un lenguaje propio
llamado FlexScript, lo cual lo convierte en uno de los software de simulación. También cuenta con la
capacidad de crear videos de las simulaciones desde el mismo Flexsim que posteriormente se pueden
presentar o compartir. Los objetos y el layout utilizados en el modelo pueden ser importados desde
aplicaciones CAD, o utilizar la librería 3D que trae por defecto, tanto para modelos discretos como sistemas
continuos.
 COMPLEMENTOS(FLEXIM)
ExpertFit
Es un módulo para realizar pruebas de bondad de ajuste, el cual determina cual es la distribución de
probabilidad que mejor se ajusta, como podría ser una distribución normal indicando los valores de la
media y su desviación estándar o bien una exponencial por mencionar un ejemplo.

OptQuest
El módulo de optimización y diseño de experimentos para los modelos de simulación automáticamente
crea diferentes escenarios a partir de los modelos creados en Flexsim variando las distintas condiciones
que se le especifiquen tales como el número de personas, montacargas, inventario, capacidad de las
máquinas, velocidades de las bandas transportadoras, personal de mantenimiento, turnos, demandas o
cualquier variable que se desee, utilizando algoritmos para evaluar esta gama de escenarios y encontrar
automáticamente la solución óptima. Los criterios para encontrar esta solución óptima los define el usuario
y pueden ser cualquiera de los objetivos que se deseen.

Ejemplos de los objetivos son maximizar utilidades, minimizar tiempos de suministro, minimizar los
tiempos de espera, maximizar piezas producidas, maximizar el nivel de servicio o cualquier otro objetivo
que se desee.
 BIBLIOGRAFÍA.
• Banks, J. “Introduction to Simulation”. Winter Simulation Conference. 1999, P.11-13. Nutter, P. “Manufacturing Simulation for Industrial Projects”. Ohio Northern
University.2006. P. 2.
• Miller, S., Pegden, D. “Introduction to manufacturing Simulation”. Winter Simulation Conference. 2000, P. 63-65. Longo, F., Mirabelli, G., Papoff, E. “Effective Design o
an Assembly Line Using
• Modeling&simulation”. Winter Simulation Conference. 2006, P. 1895-1897. McLean, C., Leong S. “The Role of Simulation un Strategic Manufacturing”. Manufacturing
Simulation and Modeling Group, National Institute of Standards and Techonology. P. 1-6.
• Ferrin, D. M., Miller, M., Muthler, D. “Lean sigma and Simulation, so what´s the correlation?”. Winter Simulation Conference. 2005, 2013-2014. Standridge, C. R.,
• Marvel, J. H. “Why Lean needs simulation?”. Winter Simulation Conference. 2006, P. 1097.
• Adams, M., Componation, P., Czarnecki, H., Schroer, B. J. “Simulation as tool for continuous process improvement”. Winter Simulation Conference. 1999, P.768-769.
• Law, A. M., McComas, M. G. “Simulation of Manufacturing Systems”. Winter Simulation Conference. 1999, P. 57.
• ROSS, Sheldon M. Simulación, Segunda Edición, Prentice Hall, México, 1999.
• Pazos Arias J.J, Suárez González A, Díaz Redondo R.P., “Teoría de Colas y Simulación de Eventos Discretos”. 2003, P. 35-38.
• A. Ravindran, “Operations research and management science handbook”. CIMDATA, “The benefits of digital Manufacturing”. 2002.
• GARCÍA, Francisco; SIERRA, Jorge y GUZMÁN Virginia. Simulación de Sistemas para Administración e Ingeniería. CECSA, México, 2005.
• GUASH, Antoni; PIERA, Miguel Ángel; CASANOVAS, Josep y FIGUERAS, Jaume. Modelado y simulación. Aplicación y procesos logísticos de fabricación y servicios. Alfaomega, México,
2005.
• GARCÍA, Eduardo; GARCÍA, Heriberto y CARDENAS, Leopoldo. Simulación y análisis de sistemas con ProModel. Pearson Educación, México, 2006.
• BLANCO Rivero, Luis; FAJARDO Piedrahita, Iván. Simulación con ProModel: casos de producción y logística. Escuela Colombiana de Ingeniería, Bogotá, 2003.
• RÍOS INSÚA, David; RÍOS INSÚA, Sixto; MARTÍN JIMÉNEZ, Jacinto y JIMÉNEZ MARTÍN, Antonio. Simulación Métodos y Aplicaciones. Segunda Edición, Editorial Alfaomega, Madrid,
2009.
• 2018 Winter Simulation Conference, página oficial de la conferencia anual de simulación. Disponible en: [Link]
• Flexsim Simulation Software, página oficial del software. Consultado en Diciembre de 2018. Disponible en:[Link]