Twelfth LACCEI Latin American and Caribbean Conference for Engineering and Technology (LACCEI2014)

Excellence in Engineering To Enhance a Countrys Productivity July 22 - 24, 2014 Guayaquil, Ecuador.

Diseo General de las Etapas de Simulacin de Procesos con

nfasis en el Anlisis de Entrada
Oscar Javier Herrera
Escuela Colombiana de Carreras Industriales ECCI, Bogot Colombia. ojavierho@gmail.com

Luis Abraham Becerra

Universidad Cooperativa de Colombia, Bogot Colombia. luis.becerra@campusucc.edu.co

Resumen
Aqu se presenta un esquema metodolgico para desarrollar las etapas de un proceso de simulacin como
herramienta para la toma de decisiones a nivel empresarial con nfasis en las etapas previas al diseo del modelo
(anlisis de entrada), a travs del estudio de la literatura al respecto y de la experiencia del autor principal,
evaluando esencialmente las etapas establecidas por (Banks, 2005) y teniendo en cuenta su aplicacin a las micro
y pequeas empresas principalmente, basndose en las apreciaciones de tres empresas de confecciones de este
tipo en la cuidad de Bogot, obtenindose como resultado una forma novedosa que simplifica y hace ms practico
el uso de la simulacin.
Palabras clave: Investigacin de operaciones, Simulacin discreta, anlisis de entrada, toma de decisiones,
anlisis estadstico de datos, productividad.

Abstract
Here a methodology is presented to outline the steps of developing a process simulation as a tool for decision
making at the enterprise level with emphasis on pre-design model (analysis input) stages, through study of the
literature and experience of the senior author essentially established by evaluating the steps (Banks, 2005) and
considering their application to micro and small enterprises mainly based on the findings of three garment
companies of its kind in the city of Bogot yield results in a novel way that simplifies and makes more practical
the use of simulation.
Keywords: Operations Research, Computer simulation, input analysis, decision making, statistical analysis of
data, productivity.

1. INTRODUCCIN
Hoy en da es ms frecuente encontrar empresas micro, pequea o mediana (Mipyme), en todos los sectores
econmicos. En su afn por surgir estas empresas se esfuerzan por cumplirles a sus clientes de diversas maneras
pero sin llevar a cabo procesos de planeacin (Zapata Guerrero, 2005), no desarrollan una estrategia de negocio
(Palomo Gonzlez, 2005) y en su mayora no utilizan herramientas tcnicas, lo que las lleva a sobrecostos y por lo
tanto a improductividades.

De otra forma, en las empresas se presentan situaciones o sucesos que requieren tomar decisiones para planificar,
predecir, invertir, proyectar, etc. Para eso es importante el conocimiento del problema o de la situacin y de las
posibles soluciones, donde juegan un papel de importancia herramientas que permiten la obtencin y anlisis de
informacin, como la modelizacin y la simulacin. (Universidad Tecnolgica Nacional - Facultad Regional
Buenos Aires, 2010) y que sirve como soporte para la toma de decisiones, la cual ha sido empleada en diversas
reas, con especial nfasis en sistemas de manufactura (Dong, 2001). Por otro lado y debido a que los

12th Latin American and Caribbean Conference for Engineering and Technology
Guayaquil, Ecuador July 22-24, 2014
empresarios confan con ms facilidad en modelos que simulen la realidad construidos a partir de parmetros y
formulas fcilmente identificables dentro del sistema real, que en modelos matemticos que pueden ofrecer la
misma o mejor calidad en las conclusiones, pero que resultan ms complicados de entender y necesitan de un
conocimiento previo en la materia (Meja vila & Galofre Vsquez, 2008), es que se pretende desarrollar un
estudio de simulacin de procesos productivos como herramienta cuantitativa, especficamente en el anlisis de
las etapas previas al diseo del modelo de simulacin, debido a la dificultad de identificar la complejidad del
sistema a simular y de las restricciones en la recoleccin de informacin (Trujillo Daz, Vallejo Cubillos, &
Becerra Fernndez, 2010) y de su anlisis estadstico para el posterior diseo del modelo, lo cual se puede hacer
ms complejo por el nivel de detalle que se quiere incluir en el anlisis, la incertidumbre de los datos y el nmero
de criterios que se utilizan en la comparacin de alternativas (Otamendi, 2002).

El valor agregado a travs del uso de la simulacin se sustenta en la posibilidad de representar adecuadamente una
amplia gama de posibles escenarios, obteniendo no solo medidas de desempeo sino tambin una representacin
grfica adecuada para el entendimiento por parte del equipo tomador de decisiones y de las directivas de la
empresa. (Prez & Riao , 2007) y ms, teniendo en cuenta que el anlisis de sistemas mediante simulacin ha
tenido un auge espectacular en las dos ltimas dcadas, a medida que los ordenadores personales han ido
mejorando sus servicios. (Otamendi, 2002) y al desarrollo de diversos software para facilitar el diseo de los
modelos -representaciones de un sistema desarrollado para un propsito especifico- (Urqua Moraleda & Martn
Villalba, 2013), lo cual ayuda a encontrar una solucin con mejores resultados ( Lanner Group, Geoffrey Hook ,
2011). Es as, que el problema abordado en este estudio es la dificultad que presentan los empresarios,
especialmente las micro y pequeas empresas para el uso de la simulacin de sistemas productivos como
herramienta para la toma de decisiones y especficamente en el anlisis de las etapas previas al diseo del modelo
de simulacin. Por lo tanto, se establece un diseo metodolgico para su consecucin de una manera sencilla y
practica para su aplicacin por parte de este grupo de empresarios en busca de utilizar herramientas tcnicas que
mejoren el desempeo de los sistemas productivos que gerencian. Se comenzara por establecer las apreciaciones
de tres micro empresarios en Bogot del sector de confecciones sobre el proceso de simulacin de manera general,
obtenindose las siguientes valoraciones:
- Los empresarios no conocen las herramientas de Investigacin de Operaciones como apoyo para la toma de
decisiones a nivel empresarial y por lo tanto, no conocen nada acerca de la simulacin.
- Relacionado con el anlisis de informacin, no realizan estudios estadsticos en la gestin de su proceso, ni
usan ningn software para tal fin, por lo tanto no conocen nada relacionado con el anlisis de entrada en
simulacin.

Se pasara ahora a determinar los conceptos generales de simulacin en procesos, definiendo sus etapas o pasos de
consecucin de una manera sencilla de entender y utilizar por parte de los micro y pequeos empresarios,
haciendo nfasis en la forma de realizar el anlisis de la informacin previo a la consecucin del modelo de
simulacin.

2. GENERALIDADES DE LA SIMULACIN Y SU PROCESO

El trmino simulacin ha sido interpretado por varios autores desde su formacin y conocimiento, desde sus
inicios se defini como una tcnica numrica para la realizacin de experimentos en un computador digital, con
ciertos tipos de modelos lgicos que describen el comportamiento de un sistema econmico (Naylor & Boughton,
1971), esto con el fin de entender el comportamiento del sistema real o evaluar varias estrategias para la operacin
del sistema (Shannon, 1975). Su objetivo es modelar el mundo real, reducindolo a una estructura ms simple
(modelo) mediante el uso de la computadora, que corresponde a una representacin limitada de la realidad
atendiendo los propsitos claramente definidos para el estudio o aplicacin (Knepell & Arangno, 1993), (Law &
Kelton, 2000), (Guasch Petit, Piera, Casanovas, & Figueras, 2003), (Bez Sentes, Torres Osorio, Alvarado
Lassmann, Ortiz Flores, & Moras Snchez, 2008) y luego codificarlo en un entorno de simulacin para poder
realizar experimentos y analizar los resultados con el fin de mejorar el rendimiento del sistema. Cuando mayor sea
el grado de aproximacin de la simulacin a la realidad, mayor ser su utilidad (Blanco Rivero & Fajardo
Piedrahita, 2003). Estos experimentos se caracterizan porque el modelo evoluciona o se desarrolla en el tiempo
(Winston, 1994) y (Ross, 1999). Este ltimo lo sustenta como un modelo probabilstico que requiere la generacin
12th Latin American and Caribbean Conference for Engineering and Technology
Guayaquil, Ecuador July 22-24, 2014
de mecanismos estocsticos (donde las variables son sometidas a influencias o impactos aleatorios, (Velsquez &
Velsquez, 2012)), establecindose relaciones lgicas, matemticas y probabilsticas que integran el
comportamiento de un sistema bajo estudio cuando se presenta un evento determinado (Garcia Reyes, Garcia
Dunna, & Cardenas Barrn, 2006). Tambin se considera como un experimento estadstico y en consecuencia sus
resultados se deben interpretar de esta manera (Meja vila & Galofre Vsquez, 2008). Para (Banks, 2005) la
simulacin implica la generacin de una historia artificial de un sistema, y la observacin de esa historia artificial
para sacar conclusiones concernientes a las caractersticas de la operacin del sistema real.

De los planteamientos anteriores se estableci la siguiente definicin de simulacin: es una herramienta que
permite representar, analizar y comprender un sistema o proceso en el mundo real valindose de la imitacin del
mismo en una computadora a travs de un software en el que se realizan pruebas o experimentos a distintos
escenarios del sistema con el fin de analizar los resultados arrojados y obtener as conclusiones de tal manera
que sirva como apoyo para la toma de decisiones en el sistema real.

3. ETAPAS PARA EL PROCESO DE SIMULACIN

De acuerdo al planteamiento de (Banks, 2005), el proceso de simulacin es extenso dado que, etapas como la
recoleccin de la informacin deben hacerse lo ms precisa posible de manera que los datos obtenidos sean
verdicos y no se altere el resultado de la simulacin, lo que conlleva una inversin en tiempo y dinero que
repercute en la economa de la organizacin, por ello es estrictamente necesario definir el problema, objetivos y
limitantes del sistema de manera que se pueda tener la seguridad de que la herramienta a aplicar es simulacin.
(Banks, 2005) Hace referencia a una etapa inicial llamada formulacin del problema, (Hillier & Lieberman, 2010)
coincide con l en los componentes de sta. (Garcia Reyes, Garcia Dunna, & Cardenas Barrn, 2006) nombran
esta etapa como definicin del sistema bajo estudio. Por su parte, el autor (Blanco Rivero & Fajardo Piedrahita,
2003) plantea como inicio del proceso de simulacin la elaboracin del plan de estudio en el que incluye
actividades ya mencionadas por (Banks, 2005), definir los objetivos de la simulacin definir cmo se va a medir
su desempeo, la informacin que se espera obtener del modelo o la importancia de la decisin a tomar a partir
del modelo. (Coss Bu, 1998) divide este paso en dos, el primero que comprende el anlisis preliminar del sistema,
teniendo en cuenta sus restricciones y se determinan las interacciones entre el sistema, adems las medidas de
efectividad y resultados esperados, el otro incluye la definicin de las variables que forman parte del sistema y los
diagramas de flujo que describen el modelo.

(Banks, 2005) define la siguiente etapa como el Ajuste de los objetivos y el plan general del proyecto para luego
establecer la conceptualizacin del modelo, en este punto concuerda con (Blanco Rivero & Fajardo Piedrahita,
2003) donde muestran que ste debe ser ajustado de manera progresiva, haciendo mejoras a su proceso. Por su
parte (Garcia Reyes, Garcia Dunna, & Cardenas Barrn, 2006) plantean que se debe definir el grfico que
representa el modelo haciendo uso de la creatividad y reflejando la realidad del problema a tratar. Seguidamente
sigue la recoleccin de la informacin requerida para la construccin del modelo, la cual ocupa gran parte del
tiempo y es fundamental en la realizacin del modelo y depende del sistema en el que se va a trabajar (Hillier &
Lieberman, 2010). Para (Coss Bu, 1998) la etapa siguiente es la implementacin del modelo en la computadora,
en sta tambin enuncia la relevancia de definir qu lenguaje ser el usado en la computadora, de esta manera
coincide con (Banks, 2005).

Luego viene la etapa de validacin (Banks, 2005) (Garcia Reyes, Garcia Dunna, & Cardenas Barrn, 2006)
quienes argumentan que es necesario realizar una serie de pruebas de manera que se pueda cotejar el
comportamiento del modelo y su semejanza con la realidad. En seguida prosigue el diseo experimental, donde
se deben determinar las alternativas a simular, teniendo en cuenta el nmero de simulaciones que han sido
completadas y analizadas. En este punto (Garcia Reyes, Garcia Dunna, & Cardenas Barrn, 2006) y (Coss Bu,
1998) dicen que una vez obtenidos los resultados de los escenarios planteados, es necesario realizar anlisis de
sensibilidad para comparar los que presenten los mejores resultados. Aqu es importante definir la longitud de
corrida y el nmero de estas (Hillier & Lieberman, 2010), este autor define que la longitud de corrida es
directamente proporcional a la precisin de las estimaciones. (Garcia Reyes, Garcia Dunna, & Cardenas Barrn,
2006) hace referencia de la necesidad de realizar rplicas al modelo o hacer ms largo el tiempo de cada corrida,
12th Latin American and Caribbean Conference for Engineering and Technology
Guayaquil, Ecuador July 22-24, 2014
dependiendo de lo requiera el mismo. Finalmente (Banks, 2005) hace referencia a la documentacin del programa
en la que quede la evidencia para las personas que lo utilicen y posteriores tomas de decisiones. (Hillier &
Lieberman, 2010) indican que se debe realizar una serie de recomendaciones y realizar un informe, este debe
resumir la manera como se realiz el estudio y los resultados arrojados por el mismo. Y por ltimo es la ejecucin
de las propuestas planteadas. Tomando en cuenta la informacin anterior acerca del proceso de simulacin a nivel
terico, se proponen un proceso metodolgico evidenciado en la Tabla 3, para el desarrollo de un proceso sencillo
de simulacin para pequeas y medianas empresas.
Tabla 3. Etapas para la Simulacin de Procesos
NOMBRE
ETAPAS DEFINICIN Y ASPECTOS A TENER EN CUENTA
COMPONENTE
Pretende ilustrar de la manera ms completa posible el sistema en el cual se va trabajar, se necesita
entender muy bien el funcionamiento de las condiciones reales, sus elementos, relaciones y metas e
imaginarlas como un sistema. (Blanco Rivero & Fajardo Piedrahita, 2003) de manera que se pueda
tener una idea muy cercana de los componentes del sistema sobre el cual se va a realizar la simulacin,
determinando si la herramienta adecuada para dar solucin al problema es la ya mencionada o se debe
trabajar con otras tcnicas de mtodos numricos para obtener los mismos resultados a menor costo.
Para esta etapa se consideran los siguientes aspectos:
Para que se hace, donde el analista se debe cuestionar los siguientes aspectos:
- Qu resultados se alcanzarn con la simulacin?
- En cunto tiempo se alcanzarn esos resultados?
- Recursos requeridos:
a. Mano de Obra: Profesional calificado en procesos de simulacin discreta
y en estadstica
b. Financiero: Realizar un presupuesto de inversin en la consecucin del
Objetivos de la
modelo y aplicacin de las mejoras propuestas.
simulacin
c. Tecnolgico: software de desarrollo productivo para procesos de
simulacin.
d. Disponibilidad del personal involucrado en el sistema a simular.
1. Definicin - Definir el alcance que se va a tener con la simulacin, que consiste en
del sistema establecer si el modelo de simulacin se va a realizar sobre todo el sistema o
sobre alguna(s) etapa(s) en especial del proceso, determinando su inicio y fin
con especificidad.
Son los elementos que definen el comportamiento del sistema y que son
relevantes para su funcionamiento, con las cuales ste es representado de
manera genrica. Se puede establecer tres tipos de variables como son las
Las variables de
mencionadas por (Calderon, 2003)
inters
a. De decisin: Son las que describen el estado del sistema en cualquier
a) De decisin
instante y definen su comportamiento.
b) De respuesta
b. De respuesta: Son las variables cuyo valor se trata de predecir a travs del
c) Exgenas
modelo.
c. Exgenas: Afectan el comportamiento del sistema, no son afectados por el
sistema.
Hacen referencia a las variables que miden el comportamiento del sistema
Medidas de
evaluado en el modelo y sirven para determinar qu escenario de desempeo
desempeo
es mejor que otro.
Es importante definir la informacin que se espera obtener del modelo o la importancia de la decisin a
tomar a partir del modelo.
Aqu se debe disear un plan general que contemple los siguientes aspectos:
Programas a utilizar
Es necesario establecer que programas (software) se adaptan al sistema que
en el desarrollo de la
2. Plan ser simulado.
simulacin
General del
Cuantas personas estarn involucradas en el proceso de simulacin?
Proyecto
a) Profesional en Simulacin y Estadstica
Nmero de personas
b) Personas que recopilaran los datos base del estudio
c) Personal involucrado en el proceso productivo que pueden apoyar con su

12th Latin American and Caribbean Conference for Engineering and Technology
Guayaquil, Ecuador July 22-24, 2014
 conocimiento la simulacin, esto puede ayudar a que el ambiente que se
simular se ajuste ms a la realidad.
De cunto dinero se debe disponer para llevar a cabo el proceso de
simulacin?
El costo del proceso
a) Salario de los analistas
b) Inversin en herramientas informticas, de ser necesario.
El tiempo de cada
una de las fases del Busca establecer cuanto tiempo tomar llevar a cabo cada una de las fases o
proceso de etapas de la simulacin con el fin de realizar trazabilidad a las mismas.
simulacin.
Con el tiempo ya establecido de cada etapa, se debe establecer que resultado
Resultados esperados
arrojar cada una de las mismas, lo que puede ayudar a controlar el progreso
al final de cada etapa.
del proceso completo de simulacin.
Consiste en la obtencin de los datos referentes a las variables definidas en la etapa 1, preferiblemente
tomados directamente del sistema a simular, con la precaucin de que no haya ninguna alteracin del
comportamiento ms habitual de las respectivas variables.
La recoleccin de los datos est ntimamente ligada a la longitud de corrida del modelo, pues de sta
depende el tiempo que tome la obtencin de la informacin, teniendo en cuenta que la longitud de
corrida hace referencia a la duracin de un ciclo productivo de planeacin, (subdivisin del horizonte
de planeacin) que por lo general es de un mes. Dado que esta etapa ocupa gran parte del tiempo del
proceso general de simulacin es necesario dar inicio a la misma rpidamente.
Es necesario establecer que parmetros definirn la longitud de corrida, la cual
puede depender de:
a) El tiempo del ciclo productivo
Longitud de Corrida b) Determinar si se tomarn uno (1) o varios ciclos productivos para la
definicin de la longitud de corrida
c) Definir si la corrida se har por un pedido o cantidad especfica de
productos requerida.
Debido a que la recoleccin de informacin se convierte en muchos casos en
restriccin, ya que el acceso a sta en su mayora es limitada, o no se realiza
de la manera adecuada. (Trujillo Daz, Vallejo Cubillos, & Becerra Fernndez,
3. Definir fuentes de
2010), se debe saber en qu fuente (datos tomados directamente del sistema,
Recoleccin informacin
datos histricos, registros contables, rdenes de compra, opiniones de
de Datos expertos o experimentos), puede tomarse la informacin necesaria para
soportar el modelo y por tanto el proceso.
Dado que esta etapa es la ms extensa del proceso, se debe determinar el
Tiempo de inicio de
momento oportuno en el que se iniciara la toma de la informacin o la
la etapa
recoleccin de la misma.
Existen algunas formas de conseguir informacin que pueden orientar en la
distribucin a escoger y en la formulacin del modelo aunque no existan datos,
entre estas esta (Banks, Carson, Barry L., & Nicol, 2005):
Datos de ingeniera, como informacin proporcionada por los proveedores
de un producto (duracin del producto, factor de uso, etc.). Esto permitir
definir un punto de entrada.
Cuando no se tienen Opiniones de expertos, pueden permitir identificar situaciones, como
datos, que se hace? tiempos de fallo, tiempos optimistas y pesimistas en un proceso, entre
otros. Ese conocimiento puede representar gran ayuda en la formulacin
del modelo.
La naturaleza del proceso, dado a que existen distribuciones que se
ajustan normalmente a determinados tipos de proceso.
Se hace necesario realizar anlisis de sensibilidad de los resultados de la
simulacin de acuerdo con la distribucin elegida.
En esta etapa se estudian los datos recolectados referentes a las variables definidas previamente con el
4. Anlisis de fin de establecer su comportamiento estadstico y que sern introducidos en el software de simulacin
Entrada de manera que se pueda asegurar que los parmetros de la simulacin funcionan de manera correcta de
acuerdo al comportamiento original del sistema.
12th Latin American and Caribbean Conference for Engineering and Technology
Guayaquil, Ecuador July 22-24, 2014
 Es importante tener en cuenta en este anlisis la apreciacin del experto en el sistema, (dueo del
sistema o quien lo opera o quien lo conoce muy bien), con el propsito de tener una aprobacin general
del comportamiento de estas variables y as tener una validacin previa del sistema a travs de las
variables que lo componen.
Determinar el tratamiento que se le d a las variables involucradas en el
sistema.
- Prueba de independencia: De acuerdo con (Calderon, 2003) esta prueba
Anlisis estadsticos a busca establecer la relacin que existe entre el ordenamiento de una secuencia
realizar: de nmeros aleatorios, de acuerdo al tiempo de generacin.
- Pruebas de - Prueba de Homogeneidad: Segn (Mongue Ivars & Juan Prez), estas
Independencia pruebas se realizan con el fin de establecer si dos muestras aleatorias proceden
- Pruebas de de una misma poblacin.
Homogeneidad
- Pruebas de - Prueba de bondad de ajuste: Para (Marques Dos Santos, 2011) esta prueba
Bondad de busca probar de manera estadstica que la distribucin de la frecuencia
Ajuste observada se ajusta con alguna distribucin terica conocida.
- Anlisis de - Anlisis de regresin: Conforme al postulado de (Pedroza & Dicovskyi,
regresin 2006) este anlisis hace referencia a la cantidad de cambio que experimenta
una variable dependiente (Y), en relacin al cambio de una unidad de una
variable independiente (X). Estudia la naturaleza de la relacin entre dos
variables dependientes
Proceso a seguir para el Anlisis de Entrada
Variables de
Decisin

Anlisis de
Independencia

Las variables son Si Anlisis de Si Anlisis de

Las variables son Bondad de
independientes? Homogeneidad homogneas? Ajuste

No No
Formar grupos
Anlisis de
y/o cada una de
Regresin las variables

Para el anlisis de los datos se debe realizar una discriminacin por periodos de tiempo y grupos
definidos de variables, a fin de determinar si existan comportamientos estadsticamente diferentes en
cada uno de stos. (Prez & Riao , 2007).
Segn (Trujillo Daz, Vallejo Cubillos, & Becerra Fernndez, 2010), en el diseo de la metodologa
para el anlisis de datos se realiza en primera instancia un anlisis estadstico de entrada, con el fin de
identificar el comportamiento factorial del sistema intra e inter variable, luego se realizan las pruebas
de homogeneidad, cuya prueba utilizada para este fin es la prueba no-paramtrica de diferencia de N
medias de Kruskal-Wallis (Conover, 2000) y finalmente la prueba de bondad de ajuste. En esta ltima
en particular, la prueba Kolmogorov-Smirnov (Law & Kelton, 2000) para aquellos casos en que su
versin corregida existe, adems su propsito es obtener distribuciones de probabilidad para representar
las variables de decisin. Esta representacin ofrece mucha mayor informacin que un anlisis a partir
de promedios o cotas inferior y superior (Law, 2003).
Uso de programas o Determinar qu aplicativos estadsticos se usaran para este fin de acuerdo al
software estadsticos tipo de prueba a realizar y a su disponibilidad. Los ms recomendados por tipo
a utilizar. de prueba son:
12th Latin American and Caribbean Conference for Engineering and Technology
Guayaquil, Ecuador July 22-24, 2014
 - Statgraphics: para pruebas de independencia, homogeneidad (test de
Kruskal-Wallis) y de regresin.
- Stat:Fit: para pruebas de independencia y Bondad de Ajuste.
En este paso se debe elaborar el modelo del sistema lo ms cercano a la realidad, empleando la sintaxis
especfica del software que se est utilizando, teniendo en cuenta la lgica secuencial del proceso real.
Se sugiere realizar un bosquejo general del proceso para construir el modelo, sin olvidar las relaciones
existentes entre sus componentes y teniendo en cuenta lo siguiente:
- Modelos de categora terminal: Segn (Kelton, Sadowski, & Sadowski,
2006) el modelo dicta un punto de partida especfico y de finalizacion, como
un reflejo natural de la forma en que el sistema de destino funciona realmente.
Aqu, la simulacin terminar de acuerdo con alguna regla o condicin del
Clasificacin del
modelo especificado. De acuerdo con (Guasch Petit, Piera, Casanovas, &
modelo de acuerdo
Figueras, 2003), incia en un determinado estado que ha sido previsto por quien
con su momento de
la dise y que ser ejecutada hasta que ocurra un evento -previamente
finalizacin:
identificado- por el cual se detendr la simulacin.
- Modelos de categora no terminal o de estado estable: de acuerdo a (Garcia
Reyes, Garcia Dunna, & Cardenas Barrn, 2006), este tipo de simulacin no
involucra una ocurrencia en el tiempo en que tenga que finalizar.
Conocimiento del La elaboracin del modelo requiere una comprensin total de todo el sistema
5. sistema a modelar de manera que dicho modelo sea lo ms cercano posible al sistema en estudio.
Construccin
del Modelo Lenguaje de Es preciso conocer cul es el lenguaje que maneja el software de simulacin
simulacin elegido, con el fin de que la sintaxis del proceso quede bien definida.
Para (Harrell, Ghosh, & Bowder, 2011) los componentes del sistema se
definen de la siguiente manera:
- Elementos estticos: Tambin llamados locaciones, hacen referencia a las
ubicaciones, representan lugares fijos en el sistema en el que las entidades se
Componentes del
encaminan para el procesamiento, la demora, el almacenamiento, la toma de
sistema a modelar
decisiones, o alguna otra actividad.
- Elementos
- Elementos dinmicos: Generalmente nombrados entidades hacen referencia a
estticos.
cualquier cosa que un modelo puede procesar, como ejemplo se pueden
- Elementos
nombrar: partes, materiales, insumos del proceso, clientes del sistema.
dinmicos.
- Los arribos o llegadas: Es el mecanismo para definir cmo las entidades
- Los arribos.
entran en el sistema. Las entidades pueden llegar individualmente o en lotes.
- La secuencia
- La secuencia lgica: Normalmente nombrada procesamiento, describe las
lgica.
operaciones que se realizan en un lugar, el tiempo que una entidad gasta en
determinado lugar, los recursos que necesita para completar el procesamiento
y todo lo que sucede en el lugar, incluyendo la seleccin siguiente destino de
una entidad.
En este paso se busca realizar pruebas experimentales para cotejar si el modelo es una representacin
fidedigna o semejante del sistema real, esto se hace mediante la comparacin de la informacin de
salida del modelo o resultados obtenidos de la simulacin previa contra los datos observados reales.
Con esto se busca que los parmetros de las variables y la estructura lgica del modelo sean
representados de manera correcta en el ordenador. Cuando se encuentran diferencias, estas son usadas
junto con el conocimiento adquirido, para mejorar el modelo. Este proceso se repite hasta que la
exactitud del modelo sea aceptable (lo ms cercano a la realidad).
De acuerdo con lo que indica (Garavito, 2012) la validacin del modelo se realiza para desarrollar un
6. Validacin
nivel aceptable de confianza de que las inferencias sacadas del desempeo del modelo son correctas y
aplican al sistema real. Dependiendo del modelo a simular se sugiere hacer prototipos para verlos en
funcionamiento. Se recomiendan las siguientes formas de validacin para el modelo a simular:
Es necesario evaluar la opinin de quien mejor conoce el sistema,
Opinin del experto en el sistema.
porque es quien lo opera e interacta constantemente con l.
Un especialista en simulacin puede determinar si el modelo
Opinin de expertos en
elaborado contiene falencias en la sintaxis del mismo o en manejo
Simulacin
estadstico de la informacin.

12th Latin American and Caribbean Conference for Engineering and Technology
Guayaquil, Ecuador July 22-24, 2014
 Busca realizar pruebas estadsticas a travs de establecer
Evaluacin estadstica con un intervalos de confianza, para verificar si existe diferencia
determinado nivel de error significativa entre los datos simulados y los datos reales. Esto se
hace escogiendo las variables ms significativas del sistema.
Esta informacin aporta valor real al modelo, se puede evaluar su
Exactitud en la prediccin futura correcto funcionamiento al compararlo con el comportamiento
pronosticado en la realidad.
Si al introducir las fallas del sistema al modelo, el comportamiento
Usar lo que hace fallar el sistema del mismo no presenta cambio alguno, esto es una muestra de que
real el modelo no est completamente ajustado a la realidad, necesitar
entonces modificaciones.
Buscar la comparacin de distintos escenarios reales del sistema,
Anlisis de sensibilidad
lo que puede despejar dudas en la comprensin del mismo.
- Test de Continuidad: Los pequeos cambios en los parmetros
de insumo, deben provocar pequeos cambios en los resultados de
la simulacin. Ejemplo: pequeo aumento en la razn de llegadas
a un sitio debe resultar en un pequeo aumento en el nmero
promedio de entidades en fila. Si el cambio es desproporcional, el
analista deber entender porque esto ocurre.
- Test de Consistencia: Corridas similares, deber presentar
Test de validacin (Garavito,
resultados similares.
2012)
- Degeneracin: Cuando ciertos detalles se remuevan del modelo,
los resultados debern reflejar esa remocin. Ejemplo: que cuando
un recurso se quite, que el nmero promedio en fila aumente.
- Condiciones absurdas: Aqu se prueban dos aspectos, si al
modelo se le entran insumos absurdos, que los resultados no sean
absurdos que no se generen situaciones absurdas durante la
simulacin Ejemplo: tiempos negativos
Busca experimentar o evaluar diversos comportamientos o escenarios del sistema, realizando un
anlisis de sensibilidad con el fin de comparar los que presentan los mejores resultados de acuerdo al
objetivo planteado inicialmente. Es importante en este paso, establecer indicadores de desempeo con
los cuales realizar las comparaciones de los diversos escenarios y as tener un criterio objetivo de
seleccin de la mejor opcin.
En todo este proceso, es necesario tener en cuenta el nmero de simulaciones que han sido completadas
y analizadas enfocados en la duracin del periodo de inicializacin, la longitud de corrida de la
simulacin y el nmero de veces que se repetir cada ejecucin. Si es necesario realizar rplicas
(nuevas corridas de simulacin), se debe evaluar si el diseo actual es el mismo que se ha ejecutado con
antelacin, de lo contrario, determinar cmo se harn los nuevos experimentos.
El cual establece las posibles alternativas de comportamiento o
7. escenarios del sistema que se quieren evaluar con el modelo de
Experimenta simulacin de acuerdo a los objetivos establecidos en su inicio.
cin Aqu se debe tener en cuenta:
- Si se debe realizar cambios a los parmetros o
El plan de experimentacin.
comportamiento de las variables
- Adicin o reduccin de variables o elementos constitutivos
del sistema
- Modificaciones a las lgicas de funcionamiento del sistema
- O cualquier otro cambio que se considere pertinente evaluar.
Es importante determinar el momento en el que el sistema llega a
su estado estable teniendo en cuenta el nmero de rplicas
Ajuste del modelo
necesarias, se sugiere la metodologa establecida por (Rossetti,
2010)
8. Aqu se deben aclarar los resultados obtenidos teniendo en cuenta los siguientes aspectos:
Interpretaci Cmo se comport el sistema en los experimentos realizados?,
Resultados de experimentos
ny qu alternativas se consideraron en la simulacin y cules fueron
12th Latin American and Caribbean Conference for Engineering and Technology
Guayaquil, Ecuador July 22-24, 2014
 presentacin sus comportamientos?
de resultados Lista de aportes que fueron hechos en el transcurrir del proceso de
Observaciones hechas en el
simulacin, acciones tomadas a partir de las mismas, resultados de
proceso
las que fueron implementadas.
Cules fueron las acciones tomadas a partir del proceso de
Toma de decisiones simulacin que ha culminado, como se debe afrontar el problema
detectado en su inicio.
Debe evidenciar la interpretacin del analista en el proceso que se
Conclusiones y recomendaciones llev a cabo, es necesario dejar claro a los interesados, de ser
del proceso posible de forma escrita, que es relevante para tener en cuenta en
el proceso.
Una vez realizados los anlisis pertinentes y la presentacin de los informes correspondientes, es
necesario que la alta gerencia tome la decisin teniendo en cuenta:
Los costos en los que incurrir ejecutando los cambios que fueron sugeridos por parte del experto
en simulacin, traducidos en:
9.
- Mano de obra involucrada.
Toma de
- Posibles retrasos de la operacin por motivo de los cambios.
Decisiones
- Inversin en nuevas tecnologas e infraestructura.
- Capacitacin o entrenamiento al personal acerca del nuevo proceso.
El tiempo que tardar en realizar los cambios propuestos.
El tiempo estimado de retorno de la inversin.
Segn (Garcia Dunna & Azarang Esfandiari, 1996) es necesario realizar un monitoreo al sistema y
10. controlarlo puesto que los sistemas son dinmicos y es posible que con el transcurso del tiempo sea
Monitoreo y necesario modificar el modelo de simulacin, ante los nuevos cambios del sistema real, con el fin de
control. llevar a cabo actualizaciones peridicas que permitan que el modelo siga siendo una representacin
del sistema.

4. CONCLUSIONES
Se pudo establecer una forma novedosa de ver el proceso de simulacin de procesos productivos explicado de
manera sencilla a travs una gua metodolgica y sistmica que aclara el concepto de esta tcnica para la toma de
decisiones, estableciendo especficamente cada una de sus etapas y la forma de llevarlas a cabo, definiendo desde
el establecimiento de sus objetivos hasta la utilizacin de recursos. Se hizo especial nfasis en el anlisis de
entrada donde implica la recopilacin de informacin y su anlisis, determinndose las diferentes pruebas a
realizar a nivel de la estadstica, su proceso y software ms recomendado que se encuentra en el mercado. Este
diseo es til para todo tipo de empresa, aunque se realiz pensando de manera particular para las micro y
pequeas empresas por su desconocimiento en esta herramienta y por los bajos niveles de capacitacin tcnica en
el uso de la estadstica y de los modelos cuantitativos incluyendo el manejo de software especializado. Queda
abierta la posibilidad de continuar con el anlisis de las otras etapas aplicadas a un sistema real en otro estudio
posterior.

REFERENCIAS
Lanner Group, Geoffrey Hook . (2011). Business Process Modeling And Simulation. Proceedings of the 2011
Winter Simulation Conference (pg. 17). Phoenix: 7ST UK.
Bez Sentes, O., Torres Osorio, R., Alvarado Lassmann, A., Ortiz Flores, F., & Moras Snchez, C. (2008).
Metodologa de ayuda a la decisin para el plan de produccin en sistemas de manufactura flexible. Revista
de la Ingeniera Industrial, 2(1), 1-13.
Banks, J. (2005). Introduction to Discrete-Event System Simulation (4ta ed.). India: Pearson Education India.
Banks, J., Carson, J. S., Barry L., N., & Nicol, D. M. (2005). Discrete-Event System Simulation. New Jersey:
Prentice-Hall.
Blanco Rivero, L. E., & Fajardo Piedrahita, I. D. (2003). Simulacin con Promodel. Bogot: Escuela Colombiana
de Ingenieria.
Calderon, B. A. (Julio de 2003). Introduccion a la simulacin. Recuperado el 14 de Enero de 2014, de
http://www.aladefe.org/simulacion/index_files/documentos/

12th Latin American and Caribbean Conference for Engineering and Technology
Guayaquil, Ecuador July 22-24, 2014
Coss Bu, R. (1998). Simulacin un enfoque prctico. Mexico: Limusa.
Dong, M. (27 de 07 de 2001). Process Modeling, Performance Analysis and Configuration Simulation in
Integrated Supply Chain Network Design. Ph.D. Thesis. Virginia: Virginia Polytechnic Institute and State
University.
Garavito, E. (2012). Tecnicas Modernas de Optimizacion. Bucaramanga: Universidad Industrial de Santander
UIS.
Garcia Reyes, H., Garcia Dunna, E., & Cardenas Barrn, L. (2006). Simulacion y Anlisis de sistemas con
Promodel. Mexico: Pearson.
Guasch Petit, A., Piera, M. ., Casanovas, J., & Figueras, J. (2003). Modelado y simulacin: Aplicacin a
procesos logsticos de Fabricacin y Servicios. Barcelona: Edicions UPC.
Harrell, C., Ghosh, B. K., & Bowder, R. O. (2011). Simulation Using Promodel. EEUU: Mc Graw Hill.
Hillier, F. S., & Lieberman, G. J. (2010). Investigacion de Operaciones (9a. ed.). Mexico D.F.: McGraw Hill.
Kelton, W. D., Sadowski, R. P., & Sadowski, D. A. (2006). Simulation with Arena. Boston: Mc Graw Hill.
Knepell, P. L., & Arangno, D. C. (1993). Simulation Validation: A Confidence Assessment Methodology.
California: IEEE Computer Society Press.
Law, A. (2003). How to conduct a successful simulation study. Proceedings of the 2003 Winter Simulation
Conference. Tucson AZ 85717 U.S.A.: S. Chick, P. J. Snchez, D. Ferrin, and D. J. Morrice, eds.
Law, A. M., & Kelton, W. D. (2000). Simulation, Modeling ann Analysis. Tucson, Arizona USA: Mc Graw Hill.
Marques Dos Santos, M. J. (2011). Estadstica bsica un enfoque no parametrico. Zaragoza: FES Zaragoza.
Meja vila, H., & Galofre Vsquez, M. (Diciembre de 2008). Aplicacin de software de simulacin como
herramienta en el rediseo de plantas de produccin en empresas del sector de alimentos. Prospectiva, 6(2),
39-45.
Mongue Ivars, J. F., & Juan Prez, . A. (s.f.). www.uoc.edu. Recuperado el 20 de Diciembre de 2013, de
http://www.uoc.edu/in3/e-math/docs/Chi_cuadrado.pdf
Naylor, T. H., & Boughton, J. M. (1971). Computer Simulation Experiments with Models of Economic Systems.
New York.
Otamendi, J. (Marzo de 2002). Simulacin: una herramienta eficaz y eficiente para la toma de decisiones. SEIO
Sociedad de Estadstica e Investigacin Operativa, 18(1), 2-8.
Palomo Gonzlez, M. A. (2005). Los proceos de gestin y la problematica de las Pymes. Ingenieras, 26-31.
Pedroza, H., & Dicovskyi, L. (2006). Sistemas de Anlisis estadstico con SPSS. Managua: INTA.
Prez, J. F., & Riao , G. (Mayo de 2007). Queuing Analysis for the Design of a Cafeteria Using Discrete-Event
Simulation. Revista de ingeniera. Universidad de los Andes(25), 12-21.
Ross, S. M. (1999). Simulacin. Naucalpan: Prentice Hall Hispanoamericana S.A.
Rossetti, M. D. (2010). Simulation Modeling and Arena. New Yersey: Jhon Wiley & Sons Inc.
Shannon, R. E. (1975). System Simulation - The Art and Science. Englewood Cliffs New Jersey: Prentice-Hall.
Trujillo Daz, J., Vallejo Cubillos, J. D., & Becerra Fernndez, M. (Diciembre de 2010). Metodologa para la
simulacin de centros de llamadas-Caso de estudio. Studiositas, 5(3), 117-137.
Universidad Tecnolgica Nacional - Facultad Regional Buenos Aires. (Junio de 2010). Plan de Curso en
Simulacin. PLAN 95 - ING. EN SISTEMAS DE INFORMACIN. Buenos Aires, Argentina.
Urqua Moraleda, A., & Martn Villalba, C. (2013). Modelado y Simulacin de eventos discretos. Madrid:
Universidad Nacional de Educacion a Distancia Madrid.
Velsquez, S., & Velsquez, R. (Septiembre de 2012). Modeling with random variables in simulink using
montecarlo simulations. Universidad, Ciencia y Tecnologia, 16(64), 203-211.
Winston, I. W. (1994). Investigacion de Operaciones y Algoritmos (4ta ed.). Indiana: International Thompson
Editores.
Zapata Guerrero, E. E. (2005). Las Pymes y su problematica empresarial. Analisis de Casos. En G. Calderon
Hernandez, & G. A. Castao Duque, Investigacin en Administracin en America Latina: Evolucin y
Resultados (pg. 795). Manizalez: Universidad Nacional de Colombia.

Autorizacin y Renuncia
Autores autorizan a LACCEI para publicar el documento en las actas del congreso. LACCEI o los editores no son
responsables ni por el contenido ni por las implicaciones de lo que se expresa en el peridico.
12th Latin American and Caribbean Conference for Engineering and Technology
Guayaquil, Ecuador July 22-24, 2014