NOMBRE DE LA ESCUELA:
INSTITUTO TECNOLOGICO DE LA PAZ
NOMBRE DEL PROFESOR:
JESUS MANUEL BAUTISTA ORTEGA
NOMBRE DEL ALUMNO:
MARIO RIOS GERALDO
NOMBRE DE LA CARRERA:
INGENIERIA INDUSTRIAL
NOMBRE DE LA MATERIA:
SIMULACION
NOMBRE DEL TEMA:
ENSAYO CONTRUCCION DE MODELOS DE SIMULACION
FECHA DE ENTREGA:
30 MARZO 2023
UNIDAD III.-
CONSTRUCCIÓN
DE MODELOS DE
SIMULACIÓN
UNIDAD III.-
CONSTRUCCIÓN
DE MODELOS DE
SIMULACIÓN
Crear modelos de simulación nos permite anticipar aciertos y errores en diferentes
campos, lo cual permitirá adaptar estrategias para los mejores y peores escenarios
tratando de evitar estos últimos, nos permite cambiar variables para ir registrando
diferentes finales para ciertos eventos.
Esta metodología, al ser un método a través de la obtención de datos obtenemos
un resultado, para poder diseñar una simulación, es un proceso científico
cuantitativo, ya de manera digital se programa o diseña una simulación lo cual
permite visualizar diferentes escenarios a través de la modificación de valores.
Durante el desarrollo del modelo de simulación se necesita la validación de
expertos en el campo para verificar que los escenarios mostrados se apeguen a la
realidad de los hechos de acuerdo a los diferentes datos.
La simulación es una de las diferentes herramientas de las que disponen los
analistas para tomar decisiones y mejorar sus procesos. Sin embargo, cabe señalar
que la simulación de eventos discretos tiene ventajas y desventajas que deben
considerarse al decidir si es adecuada para resolver un problema en particular.
Siendo así que es una muy buena herramienta para conocer el impacto de los
cambios en los procesos sin tener que hacerlos en la realidad, mejorando el
conocimiento del proceso actual ya que al analista se le permite ver cómo se
comporta el modelo generado en diferentes escenarios, consiguiendo ser utilizado
como medio de formación en la toma de decisiones al ser más barato hacer un
estudio de simulación que hacer muchos cambios en los procesos reales.
permitiendo probar diferentes escenarios en busca de las mejores condiciones de
trabajo para los procesos simulados, en el caso de problemas de alta complejidad,
la simulación permite generar una buena solución. Actualmente, los paquetes de
software de simulación tienden a ser más simples, lo que los hace más fáciles de
usar, reconociendo que las herramientas de animación que forman parte de
muchos de estos paquetes es posible ver cómo se comporta un proceso cuando se
mejora.
De igual manera da lugar a inconvenientes, que los cuales, 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 llegando hacer que las simulaciones sean costosas si se desean usarlas
para problemas relativamente fáciles de resolver en lugar de usar soluciones
analíticas diseñadas específicamente para tales casos ejecutándose por mucho
tiempo, generalmente meses el hacer un buen estudio de simulación, sin embargo,
no todos los analistas tienen la voluntad (o la oportunidad) de esperar tanto
tiempo para obtener una respuesta.
El analista debe ser competente en el uso del paquete de simulación y tener un
conocimiento sólido de estadísticas para interpretar los resultados en algunos
casos, el cliente puede tener falsas expectativas de la herramienta de simulación.
Por consiguiente, los factores clave para asegurar el éxito de los modelos de
simulación, a pesar de que los beneficios de la simulación, sean imposible de
garantizar que un modelo tenga éxito. Cuando se usa la simulación para la toma de
decisiones, hay algunas condiciones importantes que pueden causar problemas si
no se les presta atención. El tamaño de tirada insuficiente donde la variable de
respuesta aleatoria debe encontrarse en un estado estable para sacar conclusiones
estadísticas válidas del modelo de simulación. El problema es que, en general,
cuando un modelo consta de múltiples variables de decisión, difícilmente alcanzan
el estado estacionario al mismo tiempo puede ser estable en un momento dado y
el otro no, por lo que, en cuanto a la segunda variable, no es estadísticamente
fiable, la definición de la variable de respuesta es incorrecta sé da si el modelo de
simulación es altamente eficiente y refleja en gran medida la realidad volviéndose
imposible tomar decisiones que afecten el comportamiento del sistema bajo una
investigación si las variables de respuesta elegidas no son apropiadas, por lo tanto,
el problema no es el inventario final, sino la velocidad de producción requerida
para cumplir con los requisitos de diseño deseados, los errores en el
establecimiento de relaciones entre variables aleatorias de programación común es
olvidar o minimizar el impacto de las relaciones lógicas que existen entre las
variables aleatorias en un modelo, puesto que si alguna de estas variables no está
definida correctamente, podría tenerse un modelo donde se ajuste con base a la
realidad actual. Sin embargo, puede que no sea posible visualizar el verdadero
impacto de falla si el sistema no está optimizado para observar el comportamiento.
Además, de que el error determina el tipo de distribución asociado a una variable
aleatoria del modelo de problema en este caso utiliza distribuciones que, aunque
no sean las más adecuadas o si bien responden únicamente a un intento de
simplificar los estudios estadísticos. Siendo que la falta evaluación estadística de los
resultados en un problema común por el que a menudo se critica la simulación es
la suposición de que es una herramienta de optimización. Esta evaluación es
incorrecta porque las variables son aleatorias y características de un modelo que
incluye probabilidades. Por esta misma razón es necesario realizar múltiples
corridas para obtener diferentes resultados finales para las variables de respuesta y
obtener intervalos de confianza basados en estos valores, donde se pueden indicar
un rango dentro del cual se pueden encontrar los valores finales en este tipo de
problema se comparan dos escenarios; en donde podemos encontrar un mejor
resultado para uno de ellos, pero si los intervalos de confianza de respuesta se
superponen, sería imposible decir que el resultado de un escenario es mejor que el
otro estadísticamente hablando, ambos resultados pueden ser iguales.
Uso incorrecto de la información obtenida. Un problema que a veces surge es el
mal uso de la información recopilada para realizar el estudio, ya sea por parte de
un cliente o de otra fuente. Muchas veces esta información es recolectada,
analizada y administrada de acuerdo a las propias necesidades de la empresa, lo
que hace que no siempre esté en la forma y presentación requerida para la
simulación. Si la información se utiliza para determinar los parámetros del modelo
sin limpiarla ni reorganizarla, existe una alta probabilidad de que la precisión de los
resultados del estudio se vea comprometida.
Para realizar un estudio de simulación Debemos tener en cuenta que, al igual que
otras herramientas de investigación, la realización de un estudio de simulación
requiere realizar una serie de actividades y análisis que nos permitirán sacarle el
máximo provecho. Definición del sistema objeto de estudio, para ello, es necesario
conocer las causas del estudio de simulación y establecer los supuestos del modelo
conviene definir claramente las variables de decisión del modelo, determinar las
interacciones entre ellas y precisar el alcance y las restricciones, es recomendable
contar con la información suficiente para poder crear un modelo conceptual o
mapa mental del sistema en estudio, el cual debe incluir sus límites y todos los
elementos que lo componen, así como las interacciones entre ellos, los flujos de
productos, personas y recursos, y las variables de mayor interés para el problema.
Generación del modelo base de simulación. Una vez que se ha definido el sistema
utilizando un modelo conceptual, la siguiente fase del estudio es crear un modelo
de simulación de referencia. Este modelo no necesita ser demasiado detallado ya
que se necesita 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 simulación, ya que tiene que traducir la información
obtenida en la fase de definición del sistema a un lenguaje de simulación e incluir
las interrelaciones de todos los subsistemas posibles que existen en el sistema. Si
se requiere animación, este también es un buen momento para definir qué gráfico
puede representar mejor el sistema que se está modelando. Como en otras ramas
de la Investigación Operativa, “La simulación requiere ciencia y arte en la
generación de sus modelos”. En este sentido, el creador de un estudio de
simulación es como un artista que debe usar toda su creatividad para crear un
buen modelo que refleje la realidad del problema a analizar. A medida que avanza
el modelo base, se pueden agregar las variables aleatorias del sistema con sus
respectivas distribuciones de probabilidad asociadas. El recopilamiento y análisis
de datos, comenzar a recopilar la información estadística de las variables aleatorias
del modelo en paralelo con la generación del modelo base. Donde es necesario
determinar qué información es útil para determinar las distribuciones de
probabilidad asociadas a cada una de las variables aleatorias requeridas para la
simulación, en donde, si no se cuenta con la información requerida o no se confía
en la información disponible, se debe realizar un estudio estadístico del
comportamiento de las variables a identificar para luego incluirlas en el modelo.
Luego viene el análisis de los datos esenciales para asignar una distribución de
probabilidad a una variable aleatoria y las pruebas a aplicar a la misma. Al final de
la recopilación y el análisis de datos para todas las variables del modelo, se dan las
condiciones para crear una versión preliminar del problema simulado.
Luego la generación del modelo en esta fase se integra la información obtenida 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 objeto de
estudio. En algunos casos, especialmente cuando se trata del diseño de un nuevo
proceso o esquema de trabajo, no se dispone de información estadística, por lo
que es necesario estimar un rango de variación o determinar (con la ayuda del
cliente) valores constantes. que permiten realizar el modelado del análisis. La
validación del modelo se lleva a cabo, ya una vez identificadas las distribuciones de
probabilidad de las variables del modelo e implementadas las suposiciones
acordadas, se realiza un proceso de validación de datos para validar la
programación del modelo y verificar que todos los parámetros utilizados en la
simulación funcionan. correctamente. Por otro lado, no se debe descartar la
posibilidad de un error humano en la alimentación del modelo. Los supuestos
iniciales pueden haber cambiado una o más veces durante el desarrollo del
modelo. Una vez validado, el modelo está listo para ser comparado con la realidad
del problema que se está modelando. Por consiguiente, la generación de modelo
final los analistas están listos para ejecutar simulaciones para investigar el
comportamiento del proceso siendo el modelo raíz cuando se comparan diferentes
escenarios del mismo problema. En tales situaciones, el siguiente paso es la
definición del escenario a analizar.
Finalmente, el determinar los escenarios para el análisis una forma muy fácil de
determinarlos es utilizar escenarios pesimistas, optimistas e intermedios para las
variables de respuesta más importantes. Sin embargo, se debe tener en cuenta que
no todas las variables se comportarán igual ante diferentes cambios de escenario,
por lo que se analizan variables de respuesta múltiple desde perspectivas
pesimista, optimista e intermedia. Con estas herramientas, puede repetir el mismo
escenario varias veces y obtener resultados que incluyen estadísticas importantes
para la toma de decisiones, como los intervalos de confianza. Los analistas también
pueden contribuir a la selección de escenarios y sugerir los que consideren más
importantes. Si lo hace, reduce el número de combinaciones posibles, el análisis de
sensibilidad. Una vez obtenidos los resultados del escenario, es importante realizar
pruebas estadísticas que permitan comparar el escenario con el mejor resultado
final, si dos de ellos tienen resultados similares, entonces se deben comparar los
intervalos de confianza con respecto a la variable de respuesta final. Sin embargo,
es imposible definir estadísticamente qué solución es mejor cuando los intervalos
se superponen. La documentación de modelos, recomendaciones y conclusiones
donde una vez realizado el análisis de los resultados, se debe realizar toda la
documentación del modelo. Esta documentación es muy importante ya que
permite utilizar el modelo generado en caso de que se requieran ajustes futuros.
Debe incluir los supuestos del modelo, las distribuciones asociadas a sus variables,
todos sus límites y límites, y en general todas las consideraciones de programación.
Para concluir, la simulación se utiliza en una amplia variedad de empresas, para
ayudar a la gerencia a tomar decisiones. Casi todas las empresas tienen problemas
de planificación y la simulación puede ayudar a resolverlos. Se utiliza más
frecuentemente para ayudar a la gerencia en los casos en que el problema no se
presta a soluciones rutinarias.
Finalmente, se representa mentalmente, todos los aspectos necesarios para
determinar si el trabajo (producción adicional de servicios de consulta externa) se
puede realizar, y cuál es la mejor manera de llevarlo a cabo. Este modelo mental
constituye la base de sus decisiones. Tales modelos mentales son de extraordinaria
utilidad cuando los factores que interviene no son numerosos ni complicados. El
modelo de simulación puede superar muchos de los problemas inherentes al
modelo mental. Por medio de un estudio o un análisis profundos, la situación real
se puede transformar sobre el papel en un modelo que represente con exactitud
aquellos sectores de la empresa relacionados con los propósitos. De este modo, el
modelo refleja la situación real y tiene además en cuenta las interrelaciones
estructurales que resultan afectadas por cualesquiera cambios propuestos.
Referencia
Eduardo García Dunna, H. G. (2013). Simulación y Análisis de Sistemas con Promodel. México:
Pearson.
