MODELAMIENTO Y

SIMULACIÓN
Carlos Ramírez Torres

EJE 1
Conceptualicemos

Fuente: Adobe/ 197846919

 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Conceptos de modelamiento y simulación . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Definición de simulación y paradigmas de la simulación . . . . . . . . . . . . . . . . 7
Simulación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Paradigmas de la simulación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
Simulación dinámica de sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
Fase de modelamiento cualitativo . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Fase de modelamiento cuantitativo . . . . . . . . . . . . . . . . . . . . . . . . . 10
Simulación de eventos discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Enfoque por eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Enfoque de actividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Enfoque de procesos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Fundamentos de la simulación de eventos discretos . . . . . . . . . . . . . . . . . 16
Agent-Based Simulation (ABS) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Aplicaciones de la simulación, ventajas y limitaciones . . . . . . . . . . . . . . . . . . 19
Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Bibliografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
ÍNDICE
 Hablar de simulación necesariamente lleva a pensar en las definiciones
más básicas de este término, la capacidad de imitación es un aspecto fun-
damental en la historia de la humanidad y en el desarrollo del ser humano
individualmente hablando. La RAE define el término imitación como “actuar,
comportarse o hacer algo a semejanza de otra persona o animal” (RAE,
2023).
En concordancia con esto, desde las teorías del desarrollo humano de Pia-
get, en la psicología se destaca el valor epigenético de la imitación (simula-
ción), como capacidad para la formación de elementos simbólicos en el de-
INTRODUCCIÓN

sarrollo del neonato y, más adelante, del niño mediante interacciones entre
este y los adultos y por ende se crean fortalezas que le permiten al individuo
adulto la capacidad de aprender mediante la observación y adaptación de
patrones en las interacciones entre pares (Bordoni, 2017).
Ya en el contexto de las organizaciones, en la historia de la ingeniería,
los procesos de desarrollo, observación y análisis, han permitido aprender
desde la imitación a cómo crear y aplicar herramientas para el análisis de
las interacciones entre los diferentes sistemas que hacen posible el funcio-
namiento de las organizaciones productivas y de servicios, detectando de
forma anticipada, posibles fallas, oportunidades o falencias que suministren
escenarios o respuestas probables frente a los escenarios diversos en cada
contexto abordado.
Las metodologías aplicadas para este tipo de análisis son conocidas como
simulación determinística y/o estocástica, y son ampliamente aplicables
a situaciones en las cuales se conoce con profundidad y amplitud el compor-
tamiento de cada uno de los elementos que interfieren en la problemática y
las posibles interacciones que se pueden dar dentro de la misma.
Será determinista en la medida en que los modelos son perfectamente
determinados. Sin embargo, en muchos casos existen situaciones en las cua-
les el entorno es altamente impredecible ya sea porque existe un gran desco-
nocimiento en la forma en que interactúan las variables, por complejidad de
estas o por falta de conocimiento de los detalles de uno o varios elementos
del sistema. Bajo este último escenario se emplea una metodología la simu-
lación estocástica, en la cual se trabaja con variables aleatorias sobre las
cuales no se tiene control.
Existen también las simulaciones discretas, sobre la cual intervienen
eventos discretos en diferentes intervalos de tiempo, y por último la simula-
ción dinámica, conocida así porque se considera la variable tiempo.
 Video

Para tener una idea ampliada de la definición y aplicación

práctica de los diferentes tipos de simulaciones los invitamos a
ver la siguiente videocápsula.
Simulación dinámica de un proceso industrial
https://www.youtube.com/watch?v=9I7nBLeBY2Q
¡Dé clic en el enlace!
INTRODUCCIÓN

Figura 1.
Tecnomatix Process Simulate - Rule based mapping

Fuente: Siemens (s. f.).

Frente a este tipo de retos que los profesionales en ingeniería se ven aboca-
dos a enfrentar en repetidas ocasiones, es necesario dar respuesta a nuestra
pregunta orientadora de este eje temático: ¿qué es la simulación y cuáles
sus ventajas y desventajas?
Esta pregunta está enmarcada en el nodo del sello Areandino “pensamiento
crítico”, permitirá a los estudiantes desarrollar competencia en la toma
decisiones a partir de los modelos cualitativos y cuantitativos construidos
a partir del análisis de los problemas y la comprensión de las dinámicas
sociales, económicas y ambientales del contexto local.
 Lectura recomendada

Para profundizar un poco más en los conceptos que se

trabajarán en este módulo, los invitamos a realizar la lectura
del artículo dispuesto en la plataforma de estudio, a través del
cual se vislumbran las amplias posibilidades de aplicación de la
simulación y el modelamiento.
Análisis de la industria del software en Colombia: una
aproximación con dinámica de sistemas (pp. 1 a la 17)
Sindy Martínez y Santiago Arango
INTRODUCCIÓN

https:// www.researchgate.net /publication /283328041_

Analisis_de_la_Industria_del_Sof tware_en_Colombia_Una_
aproximacion_con_Dinamica_de_Sistemas
¡Dé clic en el enlace!

Instrucción

En el videorresumen, ubicado en plataforma, les explicamos

paso a paso cómo realizar una conexión remota a los
computadores de la Fundación Universitaria del Área Andina y
acceder al software de simulación FlexSim.
Este recurso es fundamental para desarrollar y comprender
las temáticas del módulo de modelamiento y simulación,
¡y también se utiliza en las actividades evaluativas! ¡No se lo
pierdan y prepárense para sumergirse en el emocionante mundo
del aprendizaje!
 Conceptos de
modelamiento y
simulación
 Definición de simulación y paradigmas de la simulación

Simulación

En la literatura existen múltiples definiciones de simulación, sin embargo, estas con-

cuerdan en términos generales en que la simulación consiste en el proceso de repre-
sentar un sistema por medio de la abstracción de este en un modelo matemático y
computacional que imita tanto el funcionamiento de los elementos del sistema como
sus interrelaciones.
De forma más básica, la simulación se refiere generalmente a un esquema teóri-
co de un sistema complejo de la realidad, regularmente soportado matemáticamente.
Ejemplo de ello son los modelos económicos de los países, sobre los cuales se proyecta
el gasto público y el funcionamiento o dinámicas de la economía interna, en una escala
más cercana se ve en las líneas de espera o filas que realizan los usuarios para pagar en
un supermercado o en la caja de un banco, otro ejemplo en donde se puede aplicar la
simulación.
El uso de la simulación tiene su robustez en la capacidad que brinda al analista de
poder experimentar en el modelo modificando variables, relaciones del sistema, funcio-
namiento de los elementos e inclusive la posibilidad de comprender la interacción con el
entorno u otros sistemas como en un sistema de inventarios.
Otra ventaja que tiene la simulación está cimentada en la posibilidad de realizar gran
cantidad de experimentos con un mismo tipo de tratamiento y con ello determinar la
probabilidad de cada una de las respuestas obtenidas. También es posible identificar
tendencias de convergencia de los sistemas a valores estables y los límites sobre las va-
riables dentro de los cuales ocurren este tipo de situaciones y en que otras no generando
que el sistema se salga de control.
Se les atribuye a Neumann y Ullman, la formulación del método de Montecarlo, uno
de los primeros métodos de simulación conocidos y desarrollado entre 1942 y 1945.
Esta técnica estadística permite generar de manera global y repetitiva, una visión
de los escenarios representados mediante la simulación representativa y repetida de la
realidad.
Figura 2.
Representación del Método de Montecarlo

Fuente: Quirós (2020).

Modelamiento y simulación - eje 1 conceptualicemos 7

 Instrucción

En este episodio del pódcast, se explora el fascinante mundo de la simu-

lación y sus aplicaciones prácticas: desde representar la realidad a través
de modelos computacionales hasta su papel vital en la toma de decisio-
nes, aquí se descubrirá cómo esta herramienta se ha convertido en un pilar
esencial en la ingeniería y más allá.

Paradigmas de la simulación
En principio, los paradigmas se comprenden como supuestos o conceptos universal-
mente aceptados o compartidos por un amplio sector de las sociedades, en otras pala-
bras, corresponden a visiones compartidas de aspectos particulares.
Como supuestos, al momento de aplicarlos o tomarlos como referente, los paradig-
mas limitan el desarrollo o evolución de las ideas o conceptos; llevándolo a los modelos
de simulación, el paradigma apropiado que se elija determinará en buena medida el
correcto desarrollo y resultados eficaces de la simulación (Behdani, 2012).
En relación con la simulación de procesos existen tres paradigmas universalmente
aceptados y retomados recurrentemente en la literatura relacionada, a saber:
• Dinámica de sistemas.
• Simulación de eventos discretos.
• Simulación basada en agentes.
La literatura relacionada con estos temas, eventualmente se refiere a los sistemas
dinámicos como un cuarto paradigma que se emplea con mayor regularidad en los
diseños de ingeniería mecánica, eléctrica y química, para modelar sistemas físicos y su
comportamiento a lo largo del tiempo.
A continuación, se explora cada uno de estos paradigmas, sus usos y particularidades.

Simulación dinámica de sistemas

Conocido en inglés como “System Dynamics” (SD), surge alrededor de 1958 como
una postulación de Jay Forrester enfocada en el análisis y resolución de problemas em-
presariales e industriales para la toma de decisiones a largo plazo (Forrester, 1992) y fue
mayormente difundido en la década de 1960, en buena parte por la aplicación en el área
medio ambiental como modelo para generar proyecciones de la población, los recur-
sos disponibles y la contaminación del planeta, cuyos resultados fueron presentados en
el Club de Roma, una asociación privada compuesta principalmente por empresarios,
científicos y políticos, la que designó a un grupo de investigadores para realizar esta
investigación (Aracil, 1997).

Modelamiento y simulación - eje 1 conceptualicemos 8

 El uso de SD parte de una perspectiva apoyada en la realimentación y en los retrasos
de la información para entender el comportamiento dinámico de complejos sistemas
físicos, biológicos y sociales (Angerhofer, 2012). El principio de SD radica en la interacción
de los diferentes elementos de un sistema mediante relaciones causales, cuyo modela-
miento consta de una fase cualitativa y otra cuantitativa (Ibarra y Redondo, 2015).

Fase de modelamiento cualitativo

Esta primera fase está orientada a determinar qué relaciones de causalidad podrían
darse dentro de un sistema entre los elementos que lo integran, presentándose visual-
mente dentro de un diagrama causal que representa las posibles estructuras de reali-
mentación entre sistemas.
El primer paso consiste en conocer las variables del sistema y las hipotéticas relacio-
nes causales existentes entre ellas, posteriormente se representarán con flechas entre
las variables que se ven afectadas por las relaciones identificadas, como se muestra en
el ejemplo de la figura 3.
Figura 3.
Ejemplo de un diagrama causal

Fuente: Sarmiento (2016).

Las flechas en este diagrama causal son acompañadas por un signo + o – que, según
lo explica, a continuación, García (2023).
Indica el tipo de influencia ejercida por una variable sobre la otra. Un
signo “+” quiere decir que un cambio en la variable origen de la flecha
producirá un cambio del mismo sentido en la variable destino. El signo
“-” simboliza que el efecto producido será en sentido contrario.

Modelamiento y simulación - eje 1 conceptualicemos 9

Fase de modelamiento cuantitativo
Lograr la simulación computarizada de un modelo cuantitativo, requiere traducir el
diagrama causal a un diagrama de Forrester que se conforma a su vez por Parámetros
(constantes) y variables que pueden ser de nivel, de flujo o auxiliares, paso necesario
para obtener las ecuaciones que definen matemáticamente el comportamiento del sis-
tema a analizar:

Las variables de nivel definen el estado del sistema y son las variables
que acumulan magnitudes con el tiempo. Las variables de flujo repre-
sentan el cambio de las variables de nivel durante un periodo de tiempo.
Son las derivadas de los niveles con respecto al tiempo. Finalmente, las
variables auxiliares se utilizan para descomponer ecuaciones complejas
en ecuaciones más simples que faciliten la lectura del modelo. (Citado en
Sarmiento, 2016)

Figura 4.
Ejemplo de un diagrama de Forrester

Fuente: Sarmiento (2016).

La figura 4 ejemplifica un diagrama de Forrester en donde “población” corresponde

a una variable de nivel, los nacimientos y las muertes son variables de flujo y las tasas
de natalidad y mortalidad son parámetros. Los límites del modelo están representados
por las nubes de derecha e izquierda y representan un origen o fuente y un depósito o
sumidero, respectivamente, expresado de esta manera debido a que, en este ejemplo,
no es relevante el origen de los nacimientos ni el destino de las muertes en términos de
datos o información.
Como en los diversos aspectos de la vida cotidiana, cada una de las decisiones llevan
a tomar algunas acciones que tienen como resultado unas consecuencias. Extrapolando
esas circunstancias a un ejercicio de análisis de sistemas, ¿cómo se ven afectadas las
salidas (consecuencias) de las acciones llevadas a cabo dentro de un sistema y cómo se
puede corregir o mejorar las decisiones que se toman para ello?

Modelamiento y simulación - eje 1 conceptualicemos 10

 ¡Importante!

Dato de interés
Se conoce como sistema dinámico aquel en donde su salida en el
presente depende de una entrada en el pasado; si su salida en curso
depende solamente de la entrada en curso, el sistema se conoce como
estático. La salida de un sistema estático permanece constante si la
entrada no cambia y cambia solo cuando la entrada cambia. Por otro
lado, en el sistema dinámico la salida va a cambiar con el tiempo cuando
el sistema no está en equilibrio (Agudelo y López, 2018, vol. 9).

Video

Para complementar el aprendizaje sobre cómo funciona la dinámica de

sistemas y su aplicación práctica, los invitamos a ver la siguiente videocápsula
que explora los fundamentos de la SD en sus fases y variedad de aplicaciones.
Conceptos básicos de dinámica de sistemas
https:// youtu.be /Iq7lguaqfXk?list=PLE17Tq6955tV_VnkDhKgmOih_
SXSdKPyi
¡Dé clic en el enlace!

Simulación de eventos discretos

Mayormente conocido por su sigla DES, de su nombre en inglés “Discrete Event Simu-
lation”, en principio se aplicó exclusivamente a la ingeniería industrial en la investigación
de operaciones con el propósito de hallar mejoras en las áreas de negocios y procesos
industriales.
Desde la década de 1960 en que se desarrolló el DES, ha recibido aportes del General
Purpose Simulation System (GPSS) que contribuyeron a desarrollar lenguajes comercia-
les del DES.

Modelamiento y simulación - eje 1 conceptualicemos 11

 Según Sarmiento (2016), la simulación de eventos discretos requerirá el uso reiterati-
vo de los términos descritos a continuación, necesarios para comprender el proceso de
simulación:
• Colas
• Tiempo Colas:
• Atributos Si un recurso está ocupado cuando una
entidad lo requiere, entonces la entidad
• Entidades debe esperar, formando una cola. Las
colas pueden tener capacidades máximas
• Variables
y reglas que definen la prioridad de las
• Recursos entidades en la cola como FIFO (First In
First Out).
• Eventos

Tiempo:
Un reloj de simulación mantiene un registro del tiempo. A diferencia del tiempo real, el reloj
de simulación no calcula todos los valores de forma continua, sino que salta del tiempo de
un evento al tiempo del siguiente evento. Para ello, el reloj de simulación interactúa con el
calendario de eventos (que es una lista de los eventos programados).

Atributos:
Es una característica común de todas las entidades, pero con un valor específico que puede
variar de una entidad a otra (ejemplo: edad, sexo, color, etc.). Estos valores pueden ser
usados para determinar cómo una entidad responde a determinadas circunstancias y
pueden ser modificados durante cualquier momento de la simulación.

Entidades:
Son objetos dinámicos que tienen atributos, consumen recursos y entran a las colas. Las
entidades cambian de estado, afectan y son afectadas por otras entidades y el estado
del sistema. Usualmente son creadas, se mueven por el sistema por un lapso de tiempo y
luego son eliminadas al salir del sistema. Aunque puede haber entidades que nunca dejen el
sistema y se mantengan circulando de forma permanente.

Variables:
Representan características del sistema que son independientes de los tipos de entidades,
sin embargo, estas últimas pueden modificar las variables.

Modelamiento y simulación - eje 1 conceptualicemos 12

 Recursos:
Es un objeto que provee un servicio a una entidad. Los recursos representan personas, equipo,
espacio físico, etc. La entidad captura (unidades de) un recurso cuando está disponible y las
libera cuando termina de usarlo.

Evento:
Es algo que sucede en un instante de tiempo y que puede cambiar a los atributos, variables
o estadísticas.

La versatilidad de DES para aplicarse a diferentes tipos de problemas en la ingeniería,

radica en que se realiza la modelación digital (computacional) de sistemas con grandes
variaciones en el tiempo a partir de cambios en las variables de estado que se dan de
forma espontánea.
Frente a problemas que requieren simular colas o redes complejas con colas, la simu-
lación de eventos discretos resulta ser muy útil puesto que el énfasis de los procesos se
enfoca en la representación de la incertidumbre mediante representaciones estocásti-
cas.
Conforme lo menciona el articulo Cross-paradigm simulation modeling: Challenges
and successes, publicado por la Escuela Naval de Postgrados de Monterrey, California,
existen tres enfoques para abordar los modelos de simulación discreta.

Enfoque por eventos

Antes de iniciar a trabajar con este enfoque es necesario cuestionarse en primer lu-
gar: ¿cómo se define el estado del sistema?, seguidamente debe saberse: ¿cuáles son
los eventos que pueden cambiar el estado del sistema? Y finalmente, ¿cuál es la lógica
dentro de cada evento que define los cambios de estado?
En este enfoque el sistema es modelado a partir de definir aquellos cambios gene-
rados durante los eventos, para lo cual quien realiza la modelación (modelador) debe
establecer los posibles eventos que generen cambios en el estado del sistema. Dado que
la simulación del sistema surge de establecer la lógica asociada a cada evento en un
orden de tiempo, el modelador tendrá que desarrollar una lógica vinculada a cada tipo
de evento.
A continuación, se presenta un ejemplo de gráfico por eventos, en el que se tendrán
los siguientes parámetros.

Modelamiento y simulación - eje 1 conceptualicemos 13

 a. Evento de arribo (con tiempo entre arribos ta).
b. Operación de servicio (con tiempo de servicio ts) representada con un evento de
inicio y un evento de fin.
c. Cola Q inicialmente vacía.
d. Recurso S con una capacidad de k unidades.

Figura 5.
Gráfico por eventos para un sistema de colas

Fuente: Kesaraju (2012).

Enfoque de actividades
En principio se conoció como escaneo de actividades, en consecuencia, a la partici-
pación de los diferentes elementos o entidades de un sistema, describiéndolas y estable-
ciendo las condiciones por las que una actividad inicia o finaliza y los eventos que dan
inicio y final a las mismas, los cuales no se programan por el modelador, por el contrario,
son aquellas condiciones que se definen para la actividad las que las ejecutan.
Las condiciones para dar inicio o finalización de una actividad deben ser monitorea-
das acorde al avance del tiempo de la simulación y se ejecutan las acciones propicias
para la actividad conforme sean satisfechas las condiciones para las mismas, asegu-
rando que se considere cada actividad mediante el monitoreo conjunto de actividades
paralelo al avance en el tiempo de la simulación, dada la baja eficiencia de este método
frente al de eventos discretos.
En la figura 6 podrá apreciarse un ejemplo de diagrama de actividades para un sis-
tema de colas.

Modelamiento y simulación - eje 1 conceptualicemos 14

 ¡Importante!

Dato de interés:
“El método de escaneo de actividades evolucionó en el denominado
método de las tres fases que es una versión que mejora la eficiencia de
la ejecución. Este procedimiento categoriza las actividades en B y C. Las
actividades B son actividades ligadas a la ocurrencia de un suceso y pue-
den ser programadas con anticipación, mientras que las actividades C se
producirán cuando se verifiquen ciertas situaciones o condiciones” (Sar-
miento, 2016).

Figura 6.
Modelo del Diagrama Cíclico de Actividades (Activity Cycle Diagram o ACD) para un sistema de colas

Fuente: Robinson (2004).

Enfoque de procesos
Una buena variedad de simulaciones involucra la identificación de patrones tempo-
rales y los eventos secuenciales, dados en estos patrones, como una línea que desplaza
elementos para ser ensamblados o procesados en una estación de trabajo, lo que hace
que este enfoque sea uno de los más comúnmente aplicados.
Conforme a la definición de actividad en el contexto de este enfoque dada por Van-
gheluwe (2001), se puede definir como “el estado de un objeto entre dos eventos”, el
enfoque por procesos puede comprenderse como una sucesión continua de una o más
actividades.

Modelamiento y simulación - eje 1 conceptualicemos 15

 La siguiente gráfica representa un modelo típico de enfoque por procesos para un
sistema de colas.
Figura 7.
Enfoque por procesos para un sistema de colas

Fuente: Kesaraju (2012).

Para finalizar, se expone un ejemplo de aproximación a los tres enfoques, en una si-
mulación de atención de clientes por parte de un cajero que, al retirarse de su estación
de trabajo, hace que los clientes generen una cola.
Figura 8.
Ejemplo de los tres enfoques para un sistema de colas

Fuente: Vangheluwe (2001).

Fundamentos de la simulación de eventos discretos

a. Entidades como objetos pasivos: en estos sistemas las entidades aparecen sin
inteligencia o incapaces de tomar decisiones, debido a que las secuencias de
estas actividades se rigen por reglas globales por lo que se conocen como “enti-
dades pasivas”.
b. Requiere conocimientos de estadística: alrededor del 30% del tiempo del pro-
yecto de simulación, está destinado a la recolección y administración de datos.
c. Apoyo gráfico: los gráficos e imágenes son un apoyo recurrente para comunicar
los resultados de estas simulaciones.
d. Sistemas open-loop: en estos sistemas de control, la salida o retroalimentación
no influyen de forma importante sobre la señal de control.

Modelamiento y simulación - eje 1 conceptualicemos 16

 e. Metodología top-down: las reglas del sistema especificadas por el modelador
son analizadas de arriba hacia abajo en consecuencia con el comportamiento
natural de los individuos en el tiempo.
f. Clasificados como simulación discreta: considerando que en los DES, los cam-
bios en el sistema solo pueden darse en puntos discretos de tiempo en los que
ocurren eventos, se dice que se clasifican como simulación discreta.
g. Representación de aleatoriedad del sistema: esta es una necesidad presente
en la mayoría de los modelos DES, por lo que es posible entender que los DES por
naturaleza son estocásticos.

Agent-Based Simulation (ABS)

La simulación basada en agentes, el último de los tres paradigmas estudiados en este
módulo, ABS de sus siglas en inglés, tiene como fortaleza la comprensión de procesos
fundamentales de fenómenos complejos y no la predicción de estos.
Una característica preponderante en este tipo de simulación es la existencia de agen-
tes diversos interactuando ante la ausencia de un controlador central, dando como
resultado la dificultad de anticipar o predecir los comportamientos emergentes. Aunque
este modelo surge en la década de 1990, es en la década del 2000 donde se difundió
mayormente su aplicación principalmente por las siguientes características (citado en
Sarmiento, 2016).
• Comprender de forma profunda el comportamiento de los sistemas.
• El impulso dado por avances informáticos como el lenguaje UML (Unified Mode-
ling Language) y los gráficos de estado.
• Capacidades computacionales superiores y de constante crecimiento, pues las
simulaciones basadas en agentes requieren gran capacidad de cómputo, mucho
más que la simulación de eventos discretos y la dinámica de sistemas.
Dicho sea de paso, el término agentes, se refiere a objetos con un nivel consi-
derable de autonomía para la toma de decisiones, capacidad para percibir ano-
malías en el ambiente y otros agentes y reaccionar autónomamente ante esos
cambios, capacidad de interacción y comunicación social entre agentes, y por
último, capacidad de adaptación de sus comportamientos a partir de experien-
cias previas.

Modelamiento y simulación - eje 1 conceptualicemos 17

 La siguiente gráfica representa esa interacción entre agentes.
Figura 9.
Interacción entre agentes

Fuente: Sarmiento (2016).

En circunstancias en las que se desconoce el funcionamiento conjunto de un sistema,

ABS resulta bastante útil, aun cuando no se logra distinguir los flujos de procesos, varia-
bles o interacción entre estas últimas.

Video

Con el fin de comprender de forma significativa qué son los ABS y su

aplicación, los invitamos a observar atentamente la siguiente videocápsu-
la que explica esto de forma clara.
¿Qué son los modelos basados en agentes?
https://youtu.be/McSGT6o0Ffk
¡Dé clic en el enlace!

Instrucción

Los invitamos en plataforma a desarrollar la actividad de aprendizaje

“pareo” y poner a prueba sus conocimientos.

Modelamiento y simulación - eje 1 conceptualicemos 18

 Aplicaciones de la simulación, ventajas y limitaciones

La simulación, según ha sido explorado hasta este momento, no es más que una
herramienta para la toma de decisiones y el mejoramiento de procesos y, al ser una
herramienta, su efectividad dependerá en gran medida del rigor y propósito con el que
sea empleada.
Es así como de su uso dependen las posibles ventajas y desventajas, más allá de lo
expuesto hasta este momento, para lo cual se concluye con un comparativo de estas.
Tabla 1.
Ventajas y desventajas de la simulación

Ventajas Desventajas
Muy útil para validar virtualmente cam- Aunque muchos paquetes de software
bios en los procesos antes de implemen- permiten obtener el mejor escenario a
tarlos físicamente. partir de una combinación de variacio-
nes posibles, la simulación no es una
herramienta de optimización.
Al visualizar los diferentes escenarios La simulación puede ser costosa cuan-
posibles del modelo, se logra mejorar el do se quiere emplear en problemas rela-
conocimiento actual del mismo. tivamente sencillos de resolver, en lugar
de utilizar soluciones analíticas que se
han desarrollado de manera específica
para ese tipo de casos.
Es de gran utilidad en la capacitación Se requiere bastante tiempo –por lo ge-
de los individuos para la toma de deci- neral meses– para realizar un buen es-
siones. tudio de simulación; por desgracia, no
todos los analistas tienen la disposición
(o la oportunidad) de esperar ese tiem-
po para obtener una respuesta.
Con la simulación se logra un impor- Es preciso que el analista domine el uso
tante ahorro de recursos al evitar hacer del paquete de simulación y que tenga
cambios en los procesos reales desco- sólidos conocimientos de estadística
nociendo sus posibles resultados. para interpretar los resultados.
Permite probar varios escenarios en En algunas ocasiones el cliente puede
busca de las mejores condiciones de tener falsas expectativas de la herra-
trabajo de los procesos que se simulan. mienta de simulación, a tal grado que le
asocia condiciones similares a un video
juego o a una bola de cristal que le per-
mite predecir con exactitud el futuro.
En problemas de gran complejidad, la
simulación permite generar una buena-
solución.

Modelamiento y simulación - eje 1 conceptualicemos 19

 En la actualidad los paquetes de sof-
tware para simulación tienden a ser
más sencillos, lo que facilita su aplica-
ción.
Gracias a las herramientas de anima-
ción que forman parte de muchos de
esos paquetes es posible ver cómo se
comportará un proceso una vez que sea
mejorado.
Fuente: adaptado de García, García y Cárdenas (2013).

Video

Para sintetizar la información presentada hasta el momento y afianzar el

conocimiento adquirido, los invitamos a desarrollar el siguiente video tutorial
de uso básico del software de simulación FlexSim, al cual podrá acceder de
forma remota, siguiendo las instrucciones dadas en el recurso de aprendizaje
visto anteriormente.
Tutorial Flexsim #1
https://www.youtube.com/watch?v=NGGtozbGlsk&t=398s
¡Dé clic en el enlace!

Instrucción

Para cerrar este eje, los invitamos en plataforma a:

Realizar la actividad de aprendizaje “prueba objetiva”.
Y a revisar el recurso de aprendizaje “caso modelo”.

Modelamiento y simulación - eje 1 conceptualicemos 20

 Conclusiones

Como se ha podido notar, son más las ventajas probables que las desventajas al apli-
car simulación en el mejoramiento de los sistemas. No obstante, existen factores que
afectarán los resultados óptimos de la simulación o incluso el desarrollo mismo de esta,
como errores al establecer relaciones entre variables aleatorias, variables de respuesta
mal definidas, errores estadísticos de la información recolectada o una mala lectura de
los resultados obtenidos.
A continuación, se sintetizan las etapas como paso a paso para la realización de una
simulación, de forma que más adelante se pueda profundizar en cada una de ellas:
• Identificar el problema: iniciar por identificar el problema o el proceso que de-
seas analizar y mejorar, utilizando el modelamiento y la simulación. Define cla-
ramente los objetivos que deseas lograr y los aspectos específicos que quieres
abordar.
• Recolectar datos: recopilar los datos relevantes para el problema o proceso que
se está analizando. Esto puede incluir datos históricos, mediciones de desempe-
ño, tiempos de ciclo, demanda de productos, distribuciones de probabilidad y
cualquier otra información necesaria para desarrollar un modelo preciso.
• Diseñar el modelo: elegir la técnica de modelamiento adecuada para tu proble-
ma. Puede ser un modelo analítico, un modelo de simulación discreta, un modelo
basado en eventos o una combinación de ellos. Diseña el modelo considerando
los elementos clave del sistema, como entradas, salidas, variables de estado, pro-
cesos, relaciones y restricciones.
• Seleccionar una herramienta de simulación: elegir una herramienta de sof-
tware de simulación que se adapte a las necesidades específicas del caso. Algu-
nas opciones populares incluyen MATLAB, Arena, AnyLogic, Simio y muchas más.
Familiarizarse con la herramienta seleccionada y aprender cómo utilizarla para
construir y ejecutar simulaciones.
• Implementar el modelo: utilizar la herramienta de simulación seleccionada
para implementar el modelo. Ingresar los parámetros, variables y reglas necesa-
rios. Asegurarse de que el modelo representa de manera precisa el sistema o el
proceso analizado.
• Ejecutar la simulación: ejecuta la simulación utilizando los datos recopilados y
los parámetros del modelo. Realiza varias iteraciones y ejecuciones para obtener
una muestra estadísticamente significativa de resultados. Es necesario asegu-
rarse de establecer condiciones iniciales y de ejecutar la simulación durante un
período de tiempo suficiente para obtener resultados confiables.
• Analizar los resultados: una vez completada la simulación, se debe analizar
los resultados obtenidos, examinar las métricas y los indicadores de desempeño
relevantes, como el tiempo de ciclo, el tiempo de espera, el costo, la eficiencia,

Modelamiento y simulación - eje 1 conceptualicemos 21

 la utilización de recursos, etc. Es muy útil la utilización de gráficos, tablas y otros
métodos de visualización para presentar los resultados de manera clara y com-
prensible.
• Validar y verificar el modelo: deben compararse los resultados de la simulación
con los datos reales o las expectativas previas. Evaluar la precisión y la validez del
modelo. Si es necesario, realizar ajustes o mejoras en el modelo para reflejar de
manera más precisa el sistema o el proceso que se está analizando.
• Toma de decisiones informadas: utilizar los resultados de la simulación para
tomar decisiones informadas y realizar mejoras en el sistema o proceso estudiado.
Identificar oportunidades de optimización, identificar cuellos de botella, proponer
cambios en el diseño o la gestión, y evaluar el impacto de diferentes escenarios y
estrategias.
• Documentar y presentar los resultados: documentar todo el proceso de
modelamiento y simulación, incluyendo la metodología utilizada, los datos
recopilados, el diseño del modelo, los parámetros, los resultados y las conclusiones.
Así se da respuesta a la pregunta orientadora de este referente de pensamiento:
¿qué es la simulación y cuáles sus ventajas y desventajas?, resumiendo las ventajas
en la optimización de recursos para la validación de hipótesis y conceptos de forma
virtual, antes de ser aplicados en el contexto real, minimizando los impactos negativos
y previendo los mejores resultados y posibles fallas.
La recopilación y análisis de información para las primeras etapas en la planeación de
la simulación y la interpretación de resultados de esta, fortalece el pensamiento crítico
del profesional en ingeniería industrial, aportando desde este momento al desarrollo de
esta habilidad propia del sello transformador areandino enmarcado en este eje.

Modelamiento y simulación - eje 1 conceptualicemos 22

 Agudelo, S. y López, R. (2018 Vol. 9). Dinámica de sistemas en la gestión
de inventarios. Ingenierías USBMed, 75-85.
Angerhofer, B. (2012). System dynamics modeling in supply chain mana-
gement: research view. Proceedings of the 2000 Winter Simulation Confe-
rence. Orlando, Fl.
Aracil, J. Y. (1997). Dinámica de sistemas. Alianza Editorial S.A.
Behdani, B. (2012). Evaluation of paradigms for modeling supply chains
as complex sociotechnical systems. In Proceedings of the 2012 Winter Simu-
lation Conference. Berlín.
Bordoni, M. (2017). La imitación reconsiderada: Su función social en la
infancia temprana. Interdisciplinaria. Revista de Psicología y Ciencias Afines,
119 - 138.
BIBLIOGRAFÍA

Forrester, J. (1992). La dinámica de sistemas y el aprendizaje del alumno

en la educación escolar. Proyecto educativo dinámica de sistemas. Massa-
chusetts Institute of Technology.
García Duna, E., García Reyes, E. y Cárdenas, B. (2013). Simulación y aná-
lisis de sistemas con ProModel. Pearson.
García, J. (2023). Teoría y ejercicios prácticos de dinámica de sistemas.
Juan Martín García.
Ibarra, V. y Redondo, J. (2015). Dinámica de sistemas, una herramienta
para la educación ambiental en ingeniería. Luna Azul. Revistas Científicas.
Kesaraju, V. (2012). Integrated simulation combining process-driven and
event-driven models. Journal of Simulation, 9-20.
Robinson, S. (2004). Simulation: The practice of model development and
use. John Wiley & Sons.
Sarmiento, V. (2016). Análisis comparativo de los paradigmas de simula-
ción. Universidad de Lima.
Vangheluwe, H. (2001). Discrete event modeling and simulation. McGraw
Hill.