República Bolivariana de Venezuela

Universidad Nacional Experimental de Guayana

Coordinación General de Pregrado
Proyecto de Carrera: Ingeniería Industrial
Unidad Curricular: Simulación

ASIGNACIÓN 2: (TGS)

Profesor: Bachilleres:
Rafael Villarroel María C. Rodríguez 25.944.099
Aryanys Hernández 28.263.874

Ciudad Guayana, Noviembre 2022

 INTRODUCCIÓN

Un sistema es un grupo de objetos que se encuentran relacionados por

algún tipo de interacción o interdependencia con el fin de un propósito
determinado. Actualmente es necesario que la industria de la transformación
y servicios analice y estudie la capacidad de sus sistemas con el fin de hacer
frente a la demanda actual, mejorando sus utilidades y, con el tiempo,
contemplar la posibilidad de expandirse. Sin embargo, los complejos
sistemas, tanto industriales como de servicios, se integran por una gran
cantidad de variables que hacen prácticamente improbable crear un modelo
que logre un mejor nivel operativo. Por lo que es necesario buscar
herramientas que otorguen fuentes alternas de efectividad en las
operaciones.

En este sentido, la simulación (que es una proyectiva animada de las

operaciones de los sistemas productivos en diferentes instantes del tiempo)
se convierte en una técnica interesante a la hora de describir un panorama
artificial de distintos escenarios en condiciones óptimas, pesimistas e incluso
catastróficas, las cuales proyectan estadísticas que describen la naturaleza
operativa en diferentes instantes de tiempo.
 1) CLASIFICACIÓN DE LOS SISTEMAS

La clasificación de un sistema al igual que el análisis de los aspectos

del mismo es un proceso subjetivo; depende del individuo que lo hace,
del objetivo que se persigue y de las circunstancias particulares en las
cuales se desarrolla. 

De acuerdo con el planteamiento de Alba (1995), los sistemas se

clasifican así:

Según su relación con el medio ambiente:

1. Sistemas abiertos: Sistema que intercambia materia, energía

o información con el ambiente. Ejemplos: Célula, ser humano, ciudad,
perro, televisor, familia, estación de radio.
2. Sistemas cerrados: Sistema que no intercambia materia, energía o
información con el ambiente. Ejemplos: Universo, reloj desechable,
llanta de carro.

Según su naturaleza:

1. Sistemas concretos: Sistema físico o tangible. Ejemplos: Equipo de

sonido, edificio, pájaro, guitarra, elefante.
2. Sistemas abstractos: Sistema simbólico o conceptual. Ejemplos:
Sistema hexadecimal, idioma español, lógica difusa.

Según su origen:

1. Sistemas naturales: Sistema generado por la naturaleza. Ejemplos:

Río, bosque, molécula de agua.
2. Sistemas artificiales: Sistema producto de la actividad humana; son
concebidos y construidos por el hombre. Ejemplos: Tren, avión,
marcapasos, idioma inglés.
Según sus relaciones:

1. Sistemas simples: Sistema con pocos elementos y relaciones.

Ejemplos: Juego de billar, péndulo, f(x) = x + 1, palanca.
2. Sistemas complejos: Sistema con numerosos elementos y relaciones
entre ellos. Ejemplos: Cerebro, universidad, cámara fotográfica.

Esta clasificación es relativa porque depende del número de elementos

y relaciones considerados. En la práctica y con base en límites sicológicos
de la percepción y comprensión humanas, un sistema con más o menos
siete elementos y relaciones se puede considerar simple.

Según su cambio en el tiempo:

1. Sistemas estáticos: Sistema que no cambia en el tiempo. Ejemplos:

Piedra, vaso de plástico, montaña.
2. Sistemas dinámicos: Sistema que cambia en el tiempo. Ejemplos:
Universo, átomo, la tierra, hongo.

Según el tipo de variables que lo definen:

1. Sistemas discretos: Sistema definido por variables discretas.

Ejemplos: lógica booleana, alfabeto.
2. Sistemas continuos: Sistema definido por variables continuas.
Ejemplos: alternador, río.

2) TIPOS DE MODELOS

Un modelo es una interpretación explicita del entendimiento (o las ideas)

que se tiene de una situación. Es una representación de un objeto real que
en el plano abstracto el hombre concibe para caracterizarlo y poder, sobre
esa base, darle solución al problema planteado, es decir, satisfacer una
necesidad.
 Turner (1970:364) se distingue tres tipos básicos de modelos: icónicos,
análogos y simbólicos.

En los modelos icónicos, la relación de correspondencia se establece a

través de las propiedades morfológicas, habitualmente un cambio de escala
con conservación del resto de las propiedades topológicas. Ejemplo: una
maqueta, donde se ha establecido una reducción de tamaño conservando las
relaciones dimensionales básicas.

En un modelo icónico se conservan las proporciones del objeto real

mediante una reducción de escala y una selección de las propiedades
representadas.

Los modelos análogos se construyen mediante un conjunto de

convenciones que sintetizan y codifican propiedades del objeto real para
facilitar la "lectura" o interpretación de las mismas.

Ejemplo: un mapa impreso, construido mediante un conjunto de

convenciones cartográficas que hacen legibles propiedades tales como las
altitudes, distancias, localización física de objetos geográficos, entre otros.
 Arriba: modelo análogo utilizado para resolver el problema del camino más
corto entre dos vértices de un grafo. Los lugares se representan mediante
pequeñas anillas y los caminos entre ellos se modelizan mediante hilos de la
misma longitud que el camino real. Para localizar la ruta más corta entre dos
puntos, A y D, se cogen las anillas correspondientes y se tensa la red. Los
hilos tensos definen la ruta mínima: A>F>H>D

Los modelos simbólicos se construyen representando el objeto real

mediante una codificación matemática (geométrica, estadística, entre otros.)

Ejemplo: la representación de un edificio mediante la identificación y

codificación en una estructura geométrica de sus elementos básicos.

Reconstrucción virtual de
un edificio prerrománico, un
ejemplo de modelo simbólico parte
del edificio ha sido representado a
partir de un levantamiento simulado basado en restos de cimientos y muros.

3) SIMULACIÓN CONTINUA Y SIMULACIÓN DISCRETA

SIMULACIÓN DISCRETA

Es la modelación de un sistema por medio de una representación en la

cual el estado de las variables cambia instantáneamente en instante de
tiempos separados. (En términos matemáticos el sistema solo puede cambiar
en instante de tiempo contables). Un ejemplo típico de simulación discreta
ocurre en las colas donde estamos interesados en la estimación de medidas
como el tiempo de espera promedio o la longitud de la línea de espera. Tales
medidas solo cambian cuando un cliente entra o sale del sistema; en todos
los demás momentos, no ocurre nada en el sistema desde el punto de vista
de la inferencia estadística.

SIMULACIÓN CONTINUA

Es la modelación de un sistema por medio de una representación en la

cual las variables de estado cambian continuamente en el tiempo.
Típicamente, los modelos de simulación continua involucran ecuaciones
diferenciales que determinan las relaciones de las tasas de cambios de las
variables de estado en el tiempo. Un ejemplo típico de simulación continua
es el estudio de la dinámica de la población mundial; los modelos de
simulación continua normalmente se representan en términos de ecuaciones
diferenciales en diferencias que describen las interacciones entre los
diferentes elementos del sistema.

4) ETAPAS DE LA SIMULACIÓN

La simulación es un proceso y consta de las siguientes etapas:

Definición del sistema: es necesario hacer primeramente un análisis

preliminar de éste, con el fin de determinar la interacción con otros sistemas,
las restricciones del sistema, las variables que interactúan dentro del sistema
y sus interrelaciones, las medidas de efectividad que se van a utilizar para
definir y estudiar el sistema y los resultados que se esperan obtener del
estudio.

Formulación del modelo: es necesario definir todas las variables que

forman parte de él, sus relaciones lógicas y los diagramas de flujo que
describan en forma completa el modelo.

Colección de datos: es importante definir con claridad y exactitud los

datos que el modelo va a requerir para producir los resultados deseados.
 Implementación del modelo en la computadora: Con el modelo
definido, el siguiente paso es decidir si se utiliza algún lenguaje como el
fortran, algol, lisp, entre otros., o se utiliza algún paquete como Vensim,
Stella e iThink, GPSS, simula, simscript, Rockwell Arena entre otros., para
procesarlo en la computadora y obtener los resultados deseados.

Validación: A través de esta etapa es posible detallar deficiencias en la

formulación del modelo o en los datos alimentados al modelo. Las formas
más comunes de validar un modelo son:

a) La opinión de expertos sobre los resultados de la simulación.

b) La exactitud con que se predicen datos históricos.
c) La exactitud en la predicción del futuro.
d) La comprobación de falla del modelo de simulación al utilizar datos
que hacen fallar al sistema real.
e) La aceptación y confianza en el modelo de la persona que hará uso de
los resultados que arroje el experimento de simulación.

Experimentación: La experimentación con el modelo se realiza después

que éste haya sido validado y consiste en generar los datos deseados y en
realizar un análisis de sensibilidad de los índices requeridos.

Interpretación: En esta etapa del estudio, se interpretan los resultados

que arroja la simulación y con base a esto se toma una decisión. Es obvio
que los resultados que se obtienen de un estudio de simulación ayudan a
soportar decisiones del tipo semi-estructurado.

Documentación: Dos tipos de documentación son requeridos para hacer

un mejor uso del modelo de simulación. Documentación del tipo técnico y la
al manual del usuario, con el cual se facilita la interacción y el uso del modelo
desarrollado.
 5) NÚMEROS ALEATORIOS

Un número aleatorio es aquel obtenido al azar, en donde todos los

números tienen la misma probabilidad de ser seleccionado, y la elección de
uno no depende de la elección del otro.
Los números aleatorios son la base esencial de la simulación.
Usualmente, toda la aleatoriedad involucrada en el modelo se obtiene a partir
de un generador de números aleatorios que produce una sucesión de valores
que supuestamente son realizaciones de una secuencia de variables
aleatorias independientes e idénticamente distribuidas. Posteriormente estos
números aleatorios se transforman convenientemente para simular las
diferentes distribuciones de probabilidad que se requieran en el
modelo. En general, la validez de los métodos de transformación dependen
fuertemente de la hipótesis de que los valores de partida son realizaciones
de variables aleatorias pero esta suposición realmente no se cumple, puesto
que los generadores de números aleatorios son simplemente programas
determinísticos que intentan reproducir una sucesión de valores que parezca
aleatoria.

6) SIMULACION DE VARIABLES ALEATORIAS

Una variable aleatoria es aquella variable que puede tener asignado un

valor (no previsible) de un determinado conjunto finito (variable aleatoria
discreta) o infinito (variable aleatoria continua) de posibles valores. La
simulación de variables aleatorias es una función que asigna un número a
cada posible resultado de un experimento (espacio de muestreo). Aunque la
secuencia exacta de valores que serán asignados a una variable aleatoria no
puede ser prevista, sí que es posible conocer el rango de valores en los que
puede variar, así como la probabilidad de tener asignado un cierto valor.
 Un proceso estocástico evoluciona en el tiempo y/o espacio e involucra a
una variable aleatoria, de tal modo que el comportamiento del proceso no
puede preverse con exactitud. Estos procesos se utilizan para representar
aquellas actividades cuyos efectos varían aleatoriamente en distintas salidas
y los resultados generados sirven para obtener estimaciones de las variables
que caracterizan el comportamiento real del sistema.

En simulación, los valores que puede tomar una variable aleatoria, como
la duración de una actividad, o quizá el tiempo entre arribos de las entidades
al sistema, son representados por una Distribución de Probabilidad. Para
generar un valor individual de la variable aleatoria, un número aleatorio
(creado mediante un generador de números aleatorios) es colocado en una
rutina o ecuación de transformación, convirtiendo el número aleatorio en un
valor que conforma una distribución de probabilidad y que re presenta a la
variable aleatoria.

El comportamiento aleatorio en un sistema es expresado en un modelo de

simulación, ya sea utilizando expresiones de probabilidad o por la
especificación de distribuciones de probabilidad. Esto depende de si se trata
de un hecho particular de decisión mediante la comparación con un número
aleatorio generado, o si se trata de la probabilidad de un valor asociado a
una variable aleatoria, como la duración de una actividad, o quizá la cantidad
de productos que compra un cliente, entre otros.

Las expresiones de probabilidad definen la variabilidad de posibles

resultados; las distribuciones de probabilidad definen la variabilidad de una
situación dada, expresada por un universo de posibles valores
pertenecientes a la variable aleatoria.

7) SIMULACIÓN DE MONTE CARLO

 Las simulaciones de Monte Carlo son una técnica matemática que predice
los posibles resultados de un evento incierto. Los programas informáticos
utilizan este método para analizar datos pasados y predecir una serie de
resultados futuros en función de una elección de acción. Por ejemplo, si
desea estimar las ventas del primer mes de un nuevo producto, puede
proporcionar al programa de simulación de Monte Carlo los datos históricos
de ventas. El programa estimará diferentes valores de venta en función de
factores como las condiciones generales del mercado, el precio del producto
y el presupuesto de publicidad.

Una simulación de Monte Carlo es un modelo probabilístico que puede

incluir un elemento de incertidumbre o aleatoriedad en su predicción. Cuando
se utiliza un modelo probabilístico para simular una salida, se obtienen
resultados diferentes cada vez. Por ejemplo, la distancia que separa su casa
de la oficina es fija. Sin embargo, una simulación probabilística podría
predecir tiempos de viaje diferentes al considerar factores como la
congestión, el mal tiempo y las averías de los vehículos.  

En cambio, los métodos de previsión convencionales son más

deterministas. Proporcionan una respuesta definitiva a la predicción y no
pueden tener en cuenta la incertidumbre. Por ejemplo, es posible que
indiquen el tiempo de viaje mínimo y máximo, pero ambas respuestas son
menos precisas.

8) PRUEBAS DE BONDAD DE AJUSTE

Consiste en determinar si los datos de cierta muestra corresponden a

cierta distribución poblacional. En este caso es necesario que los valores de
la variable en la muestra y sobre la cual se quiere realizar la inferencia esté
dividida en clases de ocurrencia, o equivalentemente, sea cual sea la
variable de estudio, se deben categorizar los datos asignando sus valores a
diferentes clases o grupos.

Existen varios procedimientos para probar la bondad de ajuste de una

distribución a los datos observados en una muestra, uno de ellos es la
prueba Ji-cuadrada, que se basa en el estadístico de prueba. Es una prueba
de hipótesis estadística que se usa para averiguar si es probable que una
variable provenga o no de una distribución específica. Se emplea a menudo
para determinar si los datos de una muestra son representativos de la
población completa. La prueba de ji cuadrado de bondad de ajuste
comprueba si es probable que los datos de la muestra vengan de una
distribución teórica específica. De esta manera se tiene un conjunto de
valores de datos y cierta idea sobre cómo se distribuyen. Esta prueba da una
manera de decidir si los datos se ajustan lo bastante bien a la idea o se debe
revisar.

9) UTILIZACIÓN DE SOFTWARE ESTADÍSTICO PARA PRUEBAS DE

BONDAD DE AJUSTE

Un paquete estadístico es un programa informático que está

especialmente diseñado para resolver problemas en el área de la estadística,
o bien está programado para resolver problemas de esta área. Existen
muchos programas que no son especialmente estadísticos pero que pueden
hacer algunos cálculos aplicables en estadística aplicada. Estos programas
han impulsado y siguen impulsando enormemente la labor de los
investigadores que desean utilizar la estadística como apoyo en su trabajo.
Los paquetes más sencillos tienen interfaz por ventanas, lo que implica
facilidad de uso y aprendizaje pero un mayor encorsetamiento a la hora de
hacer cálculos que el programa no tenga predefinidos. Los programas más
complejos suelen tener la necesidad de conocer su lenguaje de
programación, pero suelen ser mucho más flexibles al poderse incluir en
ellos funciones, tests o contrastes que no traen instalados por definición.

Ventajas: La potencia de cálculo de un ordenador puede ayudar a un

investigador a realizar cientos o miles de contrastes de hipótesis en un
tiempo muy reducido. Asimismo puede calcular decenas de modelos de
regresión en un tiempo muy corto y después quedarse con el más apropiado
de ellos. En problemas de investigación de operaciones un programa
estadístico es capaz de realizar miles de iteraciones por segundo de un
algoritmo en el que una persona tardaría varios minutos en cada una de
ellas. Asimismo, es capaz de elegir entre miles de resultados posibles cuál
de todos ellos es el óptimo. Básicamente, lo que permiten es resolver
problemas de estadística aplicada por fuerza bruta o por probar miles de
combinaciones para quedarse finalmente con la que se crea que es la mejor
para el uso

Inconvenientes: En los programas más complejos se necesitan tener

conocimientos de programación, así como para realizar los cálculos más
laboriosos. Por ejemplo si se desea realizar una operación dada a una
columna concreta, lo más frecuente es que se pueda hacer esto por
ventanas, sin embargo, si se desea hacer esto mismo para todas las
columnas del documento, que pueden ser centenares, es posible que se
necesite programar un bucle en la sintaxis del programa. Otro inconveniente
está en que en estadística a menudo pueden salir resultados contradictorios
entre tests distintos. Un programa informático se dará cuenta de ello y
avisará de algún modo, pero tendrá que ser el usuario el que decida a cuál
de los test hacer caso, y esto en ocasiones es complejo, sobre todo si no se
está familiarizado a fondo con la estadística o se tiene poca experiencia.

Paquetes estadísticos mas comunes: R; SAS; SPSS; Epi Info 7; SPAD;

Stata; Statgraphics; Redatam; Minitab; Matlab; S-PLUS; LISRE;L WinQSB;
Excel; PSPP.
 10) SISTEMAS TERMINALES Y SISTEMAS NO TERMINALES

Sistemas terminales: Describe sistemas que operan en períodos cortos

de tiempo y que muchas veces nunca alcanzan el estado estacionario.
Interesa todo el período de simulación. Una simulación terminal es conducida
cuando hay interés en la conducta del sistema en un período particular de
tiempo, por ejemplo, el movimiento de autos en una carretera durante horas
pico. La simulación terminal inicia en un estado o tiempo definido y termina
cuando se llega a otro tiempo específico o definido. Las simulaciones
terminales no intentan medir el comportamiento de estado estable, aunque
puede haber períodos de tiempo en que se alcance el estado estable.

Sistema no terminal: Una simulación no terminal se ejecuta cuando interesa

el comportamiento del sistema en “estado estable”, es decir a largo plazo. No involucran
una ocurrencia en el tiempo que tenga que finalizar. En este caso surge la
necesidad de determinar la longitud de la corrida (réplicas) para asegurar
la estabilización de los resultados del modelo.

11) ANÁLISIS DE RESULTADOS

Los resultados del trabajo deben ser redactados en forma clara y concisa
en un reporte final. Esto tiene el propósito de describir todos los aspectos
importantes del estudio. Por lo tanto, la documentación del proyecto tendrá
que ser una tarea continua durante toda la construcción del modelo de
simulación. Esto incluye la formulación del problema, objetivos,
consideraciones para elaborar el modelo conceptual y su transformación en
el modelo computacional, criterios utilizados, resultados de los experimentos,
recomendaciones establecidas y las conclusiones, además de las
observaciones derivadas de su implementación. Es importante incluir a este
reporte final un resumen ejecutivo que señale las recomendaciones claras y
sustentables de lo que el modelador cree oportuno. Esto incluye tanto los
detalles del análisis como una presentación. Así mismo se recomienda
entregar un manual de usuario para que el cliente o dueño del sistema tenga
una mayor facilidad al momento de dar uso al modelo de simulación
concluido.

El resultado de las simulaciones se realiza a través de LeanGen, que no

es una herramienta específica de análisis de resultados, no obstante dispone
de componentes gráficos que permiten un primer estudio de los resultados
con los estadísticos más comunes: desviación estándar, tendencia, media o
exponencial y la exportación de datos en formato de archivo de texto plano
para el tratamiento de los datos obtenidos con programas específicos de
análisis estadísticos. Cada uno de los diferentes elementos de simulación,
diseñados en un modelo LeanSim, puede, automáticamente, registrar una
serie de valores que permiten determinar el grado de aceptación del modelo
simulado. Estos valores son almacenados en un control asociado al área de
representación de estadísticos y la interacción por parte del usuario con este
control se analiza en los siguientes apartados.
 CONCLUSIÓN

Las técnicas de simulación sirven para analizar los procesos actuales

(mejora y optimización) y procesos futuros (anticipación de soluciones) con el
fin de obtener el diseño más eficiente con diferentes objetivos, como la
optimización de recursos, estimación de eficiencia y evaluación de
alternativas de diseño de los procesos.

La simulación puede complementarse con otros sistemas de planificación y

programación para validar y confirmar las planificaciones previstas y ejecutar
las operaciones con la máxima eficiencia. A lo largo de los años la simulación
digital es implementada con mucho éxito en distintas actividades. Uno de los
sectores que más se ha beneficiado de sus aplicaciones es en la industria,
debido a que en esa área se pone en práctica distintos modelos de
simulación que van ajustados a las necesidades de producción o mejoras de
un producto.
 BIBLIOGRAFÍA

Anónimo, (s.f) Tipos de modelos. En Tema 1 conceptos construcción del

MDE. Recuperado de:
https://www6.uniovi.es/~feli/CursoMDT/Tema1/Page2.html el 20 de
noviembre de 2022

Zamudio, R (2021). Teoría de sistemas. Qué es, características, clasificación,

elementos. En gestiopolis. Recuperado de:
https://www.gestiopolis.com/teoria-de-sistemas/ el 20 de noviembre de 2022

Anónimo, (s.f). Tipos de simulación. En IUPSM Simulación. Recuperado de:

https://iupsmsimulacion.wordpress.com/tipos-de-simulacion/ el 20 de
noviembre de 2022
García, G (2017). Metodología de simulación: Etapas de un proyecto de
Simulación. En Naps Tecnología y educación. Recuperado de:
https://naps.com.mx/blog/metodologia-de-simulacion-etapas-de-un-proyecto-
de-simulacion/ el 13 de noviembre de 2022
Torres, P (2013). Variables aleatorias en simulación. En
SOLOINDUSTRIALES. Recuperado de:
https://soloindustriales.com/variables-aleatorias-en-simulacion/ el 20 de
noviembre de 2022
Anónimo, (s.f). Prueba de bondad. Recuperado de:
http://www.dcb.unam.mx/profesores/irene/Notas/PruebaBondad.pdf el 20 de
noviembre de 2022
Anónimo, (s.f). Pruebas de bondad de ajuste. En slideshare. Recuperado de:
https://es.slideshare.net/carlosbehe/pruebas-de-bondad-de-ajuste el 20 de
noviembre de 2022
Anónimo, (s.f). Modelo de simulación terminal y no terminal terminal. En
Scribd. Recuperado de: https://es.scribd.com/document/364729621/Modelo-
de-Simulacion-Terminal-y-No-Terminalel 20 de noviembre de 2022
Anónimo, (s.f) Metodología de simulación. Recuperado de:
https://www.tdx.cat/bitstream/handle/10803/1557/03.METODOLOGIA_SIMUL
ACION.pdf el 20 de noviembre de 2022