Ch1 Simio and Simulation Traduccion

Machine Translated by Google

Simio y Simulación: Modelado, Análisis, Aplicaciones Quinta edición Jeffrey S. Smith (Universidad de Auburn) David T. Sturrock (Simio LLC) W. David Kelton (Universidad de Cincinnati)

Publicado por Simio LLC www.simio.com

I

Machine Translated by Google

yo

Simio y Simulación: Modelado, Análisis, Aplicaciones Quinta edición Revisión: 1 de noviembre de 2018

Copyright c 2018 por Jeffrey S. Smith, David T. Sturrock y W. David Kelton. Reservados todos los derechos. Salvo lo permitido por la Ley de derechos de autor de los Estados Unidos de 1976, ninguna parte de esta publicación puede reproducirse ni distribuirse de ninguna forma ni por ningún medio, ni almacenarse en un sistema de recuperación de bases de datos, sin el permiso previo por escrito del editor.

Damos la bienvenida a los comentarios y otras contribuciones de los instructores y estudiantes para [email protected]. Este libro de texto fue escrito para Simio 10 o posterior. • El software Simio Personal Edition está disponible para su descarga en www.simio.com. • Los profesores que deseen una subvención para usar la versión académica completa de Simio sin cargo pueden aplicar en www.simio.com/academics. • Los estudiantes registrados pueden usar el software proporcionado por la universidad sin cargo o pueden obtener un copia personal por una tarifa nominal a través de su profesor.

Simio es una marca registrada de Simio LLC. Microsoft, Windows, Excel, Word, Power Point, Visio y Visual Studio son marcas comerciales o marcas comerciales registradas de Microsoft Corporation. OptQuest es una marca registrada de OptTek Systems, Inc. Stat::Fit es una marca registrada de Geer Mountain Software Corporation. @RISK y StatTools son marcas registradas de Palisade Corporation. Minitab es una marca comercial registrada de Minitab, Inc. Flexsim es una marca comercial de productos de software Flexsim. Arena es una marca comercial de Rockwell Automation. ILOG es una marca registrada de IBM. APO-PP/DS es una marca comercial de SAP. Wonderware es una marca comercial de Schneider Electric. Todas las demás marcas comerciales y marcas comerciales registradas se reconocen como propiedad de sus respectivos dueños. Las instrucciones de este libro no cubren todos los aspectos o detalles del software Simio. Consulte la documentación del producto para obtener las descripciones más recientes y completas.

Machine Translated by Google

Prefacio Esta quinta edición explica cómo usar la simulación para tomar mejores decisiones comerciales en dominios de aplicaciones que van desde la atención médica hasta la minería, desde la fabricación pesada hasta las cadenas de suministro y todo lo demás. Está escrito para ayudar a los usuarios técnicos y no técnicos a comprender mejor los conceptos y la utilidad de la simulación. Se puede utilizar en un entorno de aula o como apoyo al estudio independiente. El software moderno hace que la simulación sea más útil y accesible que nunca y este libro ilustra R , líder en software de simulación. los conceptos de simulación con Simio Esta edición está escrita para Simio Versión 10 o posterior, lo último en tecnología de simulación. Hemos incorporado muchas funciones nuevas, así como sugerencias de los lectores. Hemos mejorado el contenido de Monte Carlo, el análisis de entrada y el análisis de salida, y hemos agregado una nueva cobertura de técnicas de modelado basadas en datos y generadas por datos. Finalmente, actualizamos significativamente y renombramos el capítulo Programación basada en simulación a Programación basada en simulación en Industry 4.0, agregando material que ilustra cómo la simulación está contribuyendo a la creación y operación efectiva de gemelos digitales y programación y control operativos. Se han mejorado y ampliado los problemas del final del capítulo, y se han incorporado muchas sugerencias de los lectores. Hemos reorganizado el material para mejorar el flujo y tenemos actualizaciones a lo largo del libro para muchas de las nuevas características de Simio agregadas recientemente. Este libro puede servir como texto principal en el primer y segundo curso de simulación tanto a nivel de pregrado como de posgrado. Está escrito en un enfoque de escritura de estilo tutorial accesible centrado en ejemplos específicos en lugar de conceptos generales, y cubre una variedad de aplicaciones que incluyen un sabor internacional. Nuestra experiencia ha demostrado que estas características hacen que el texto sea más fácil de leer y absorber, además de atraer a estudiantes de diferentes orígenes culturales y de aplicaciones. Un primer curso de simulación probablemente cubriría del Capítulo 1 al Capítulo 8 a fondo, y probablemente los Capítulos 9 y 11, particularmente para estudiantes de clase alta o de posgrado. Para un segundo curso de simulación, podría funcionar omitir o revisar rápidamente los Capítulos 1-3 y 6, cubrir completamente todos los demás capítulos hasta el Capítulo 11 y usar el Apéndice A como tareas de refuerzo. El texto o los componentes del mismo también podrían respaldar un módulo de simulación de unas pocas semanas dentro de un curso de encuesta más amplio en programas sin un curso de simulación independiente (por ejemplo, MBA). Para un módulo de simulación que es parte de un curso de encuesta más grande, recomendamos concentrarse en los Capítulos 1, 4 y 5, y luego quizás tocar ligeramente los Capítulos 7 y 8. La extensibilidad presentada en el Capítulo 11 podría proporcionar un trabajo de proyecto interesante para un estudiante de posgrado con cierta experiencia en programación, ya que podría vincularse fácilmente con otros temas de investigación. Del mismo modo, el Capítulo 12 podría usarse como introducción a algún estudio o investigación avanzados sobre las últimas técnicas en planificación y programación basadas en simulación. El Apéndice A podría usarse como tareas de los estudiantes o problemas de desafío en un curso de estudio independiente o enfocado en aplicaciones. R ventanas R sistema operativo y aplicaciones Asumimos una familiaridad básica con Microsoft y R Microsoftasume Word. el trabajoRprevio comunes como Microsoft Excel. Este libro también probabilidad del curso y lay estadística. la comodidad Los con lectores la no necesitan ser expertos, pero sí iii

Machine Translated by Google

IV

necesita dominio de los conceptos básicos de probabilidad y estadística; los temas más específicos se describen al principio de los capítulos 2 y 6. Este libro de texto fue escrito para usarse con el software de simulación Simio. El siguiente Simio Los productos están disponibles para uso académico: • Simio Personal Edition permite una capacidad de modelado completa, pero permite guardar y experimentar solo en modelos pequeños (hasta 30 objetos y 30 pasos). Se puede descargar sin costo desde www.simio.com/evaluate.php. Si bien esto es útil para el aprendizaje personal y las clases cortas, la limitación del modelo pequeño generalmente lo hace inadecuado para un entorno de aula donde se involucrarán problemas y proyectos más grandes.

• Simio Academic Edition es un software completo equivalente a Simio Design Edition disponible comercialmente. En muchas regiones (incluido EE. UU.) no tiene limitaciones de tamaño de modelo; en otras áreas se limita a modelos de hasta 200 objetos (bastante grandes). En todos los casos, se limita a un uso no comercial (los detalles completos están disponibles en www.simio.com/academics/simio-academic-simulation-products.htm) y se limita a su uso únicamente en las computadoras de la universidad y del instructor. Los instructores que deseen una subvención para usar Simio sin cargo para su departamento y laboratorios pueden solicitarla en www.simio.com/academics.

• Simio Student Edition es idéntico a Simio Academic Edition, pero tiene licencia para que lo usen los estudiantes en sus propias computadoras. Una licencia de un año está disponible por una tarifa nominal para los estudiantes que están registrados en un curso acreditado. Tenga en cuenta que los estudiantes pueden usar una edición académica de Simio proporcionada por la universidad sin cargo. Los profesores que hayan obtenido una subvención de software deben consultar sus cartas de activación para obtener instrucciones sobre cómo organizar la disponibilidad del software para sus alumnos, o los profesores pueden ponerse en contacto con [email protected]. Los estudiantes deben comunicarse con sus instructores para conocer la disponibilidad.

Simio sigue un proceso de desarrollo ágil: además de los principales lanzamientos anuales, hay lanzamientos menores cada tres semanas. Esto es bueno desde el punto de vista de tener nuevas funciones y correcciones de errores disponibles tan pronto como se crean. Es malo desde el punto de vista de "mantenerse al día": descargar, aprender y documentar. Esta edición de libro de texto fue escrita para usarse con la versión 10.174 o posterior de Simio. Si bien se seguirán agregando nuevas funciones, los conceptos presentados en esta edición deberían ser precisos para cualquier versión 10 y posteriores. Los ejemplos y las figuras pueden tener un aspecto ligeramente diferente si se utilizan diferentes versiones (consulte la explicación en los Capítulos 1 y 4). El material complementario del curso también está disponible en línea. Los recursos en línea están disponibles en tres categorías. Se puede encontrar un sitio web que contiene información general sobre libros de texto y recursos disponibles para el público en www.simio.com/publications/SASMAA. La información y los recursos disponibles solo para estudiantes están disponibles a través de enlaces en esa página: aquí encontrará los archivos modelo y otros archivos utilizados en los ejemplos y problemas de final de capítulo, problemas adicionales y otros recursos útiles. El nombre de usuario es estudiante y la contraseña es Reg!stered5tudent. Esta área para estudiantes del sitio web también contendrá actualizaciones posteriores a la publicación, como información específica de versiones posteriores. También hay enlaces especiales de acceso restringido en esa página que están disponibles para los instructores, que contienen diapositivas y otros recursos didácticos útiles. Un instructor registrado debe comunicarse con Simio ([email protected]) para obtener la información de inicio de sesión. Muchas personas nos ayudaron a llegar a este punto. Primero, como coautor de la primera edición, el Dr. Alexander Verbraeck ha brindado contribuciones incalculables a la estructura, la calidad y el contenido. Dr. C. Dennis Pegden hizo contribuciones importantes al capítulo de programación. El personal técnico de Simio LLC (Cory Crooks, Glenn Drake, Glen Wirth, Dave Takus, Renee Thiesing, Katie Prochaska y Christine Watson) fueron excelentes para ayudarnos a comprender las características, encontrar

Machine Translated by Google

v

la mejor manera de describirlos e ilustrarlos, e incluso proporcionó corrección de pruebas y ayuda con los estudios de casos. Jan Burket y Alex Molnar nos ayudaron con la revisión. Eric Howard, Erica Hedderick y Molly Arthur de Simio LLC brindaron un gran apoyo para ayudar a correr la voz y trabajar con los primeros usuarios. De la Universidad de Auburn, Chris Bevelle y Josh Kendrick trabajaron en los nuevos estudios de caso introductorios, James Christakos y Yingde Li trabajaron en el material para la primera edición, Ashkan Negahban brindó mucho apoyo durante sus años como estudiante de doctorado y Grant Romine y Samira Shirzaei brindaron asistencia con la quinta edición. Si bien apreciamos la participación de todos los primeros usuarios, nos gustaría agradecer especialmente a Jim Grayson, Gary Kochenberger, Deb Medeiros, Barry Nelson, Leonard Perry y Laurel Travis (y sus estudiantes en Virginia Tech) por brindar sus comentarios. para ayudarnos a mejorar.

Jeffrey S. Smith Universidad de Auburn [email protected] David T. Sturrock Simio LLC y la Universidad de Pittsburgh [email protected] W. David Kelton Universidad de Cincinnati [email protected] Envíe sus comentarios a cualquiera de los autores anteriores o a [email protected]

Machine Translated by Google

vi

A los más importantes para nosotros:

Drew, Katy y Kristi Diana, Kathy, Melanie y Victoria Albert, Anna, Anne, Christie y Molly

Machine Translated by Google

Sobre los autores Jeffrey S. Smith es profesor Joe W. Forehand de ingeniería industrial y de sistemas en la Universidad de Auburn y socio fundador de Conflexion, LLC. Antes de su puesto en Auburn, fue profesor asociado de ingeniería industrial en la Universidad de Texas A&M. Además de sus puestos académicos, el Dr. Smith ha ocupado puestos profesionales de ingeniería en Electronic Data Systems (EDS) y Philip Morris USA. El Dr. Smith tiene una licenciatura en Ingeniería Industrial de la Universidad de Auburn y una maestría y un doctorado en Ingeniería Industrial de la Universidad Estatal de Pensilvania. Sus principales intereses de investigación son el diseño y análisis de sistemas de fabricación y la simulación de eventos discretos. El Dr. Smith forma parte de los consejos editoriales de Journal of Manufacturing Systems and Simulation, y su trabajo de investigación ha sido financiado por la Agencia de Proyectos de Investigación Avanzada de Defensa (DARPA), la NASA, la Fundación Nacional de Ciencias (NSF), los Laboratorios Nacionales Sandia , SEMATECH, USDA y FHWA. Sus socios industriales en investigación patrocinada incluyen Alcoa, BRP, DaimlerChrysler, Siemens VDO, Continental, Rockwell Software, Systems Modeling Corporation, JC Penney, Fairchild Semiconductor, IBM, Nacom Industries, UPS y la Asociación de Tenis de los Estados Unidos (USTA). El Dr. Smith se ha desempeñado como PI o Co-PI en más de $ 8 millones de investigación patrocinada y ganó el Premio anual de Investigación Senior de la Facultad de Ingeniería de la Universidad de Auburn en 2004. Además, ha sido seleccionado como Miembro Destacado de la Facultad en la Departamento de Ingeniería Industrial y de Sistemas en Auburn cuatro veces. Se ha desempeñado en varios comités de conferencias nacionales, fue el presidente general de la Conferencia de simulación de invierno de 2004 y actualmente forma parte de la junta directiva de la Conferencia de simulación de invierno. El Dr. Smith es miembro del Instituto de Ingenieros Industriales y de Sistemas (IISE) y miembro sénior de INFORMS. David T. Sturrock es cofundador y vicepresidente de operaciones de Simio LLC. Es responsable del desarrollo, el soporte y los servicios para los productos de programación y simulación de Simio LLC. En ese puesto, gestiona el desarrollo de nuevos productos, imparte cursos comerciales frecuentes y gestiona una variedad de proyectos de consultoría. También imparte clases de simulación como miembro de la facultad de campo en la Universidad de Pittsburgh. Con más de 35 años de experiencia, ha aplicado técnicas de simulación en las áreas de manufactura, sistemas de transporte, programación, procesamiento de alta velocidad, distribución de plantas, procesos de negocios, centros de llamadas, análisis de capacidad, diseño de procesos, cuidado de la salud, puesta en marcha de plantas y control en tiempo real. Recibió su licenciatura en ingeniería industrial de la Universidad Estatal de Pensilvania con especialización en fabricación y automatización. David comenzó su carrera en Inland Steel Company, donde trabajó como ingeniero industrial de planta y luego formó y dirigió un grupo de simulación/programación que resolvió una amplia gama de problemas de modelado para la empresa, sus proveedores y sus clientes. Posteriormente se unió a Systems Modeling donde, como consultor sénior, luego líder de desarrollo y, en última instancia, vicepresidente de desarrollo, jugó un papel decisivo en la construcción de SIMAN y Arena en una posición líder en el mercado. Cuando Rockwell Automation adquirió Systems Modeling, se convirtió en viii

Machine Translated by Google

viii

el Gerente de Producto para el conjunto de productos de simulación y emulación de Rockwell. Es un ferviente promotor de la simulación y ha dado charlas en más de 40 países de los seis continentes. Fue el Presidente General de la Conferencia Internacional de Simulación de Invierno de 1999 (WSC). Fue coautor de las ediciones 3 y 4 de Simulation with Arena (Kelton et al. 2004, 2007). Ha participado en varios proyectos de investigación financiados, ha escrito un puñado de artículos y ha sido miembro activo del Instituto de Ingenieros Industriales y de Sistemas (IISE), INFORMS, PDMA, SME, AMA y otros grupos profesionales. W. David Kelton es profesor emérito en el Departamento de Operaciones, Análisis de Negocios y Sistemas de Información de la Universidad de Cincinnati. Recibió una licenciatura en matemáticas de la Universidad de Wisconsin-Madison, una maestría en matemáticas de la Universidad de Ohio y una maestría y un doctorado en ingeniería industrial de Wisconsin. Anteriormente estuvo en la facultad de Penn State, la Universidad de Minnesota, la Universidad de Michigan y Kent State. Los puestos de visita han incluido la Escuela Naval de Posgrado, la Universidad de Wisconsin-Madison, el Instituto de Estudios Avanzados de Viena y la Escuela de Economía de Varsovia. Es miembro de INFORMS, IISE y de la Escuela de Graduados de la Universidad de Cincinnati. Los intereses de investigación y las publicaciones del Dr. Kelton se encuentran en los aspectos probabilísticos y estadísticos de la simulación, las aplicaciones de la simulación, el control de calidad estadístico y los modelos estocásticos. Sus artículos han aparecido en Operations Research, Management Science, INFORMS Journal on Computing, IIE Transactions, Naval Research Logistics, European Journal of Operational Research y Journal of the American Statistical Association, entre otros. Es coautor de Simulation with Arena, que recibió el premio McGraw-Hill al título nuevo más exitoso en 1998. También fue coautor, con Averill M. Law, de las tres primeras ediciones de Simulation Modeling and Analysis. Fue editor en jefe de INFORMS Journal on Computing desde 2000 hasta mediados de 2007; también se desempeñó como editor del área de simulación para Operations Research, INFORMS Journal on Computing e IIE Transactions. Ha recibido el premio TIMS College on Simulation al mejor trabajo de simulación en Ciencias de la Gestión, el premio de la División de Investigación de Operaciones del IIE, el premio INFORMS College on Simulation Distinguished Service Award y el premio INFORMS College on Simulation Outstanding Simulation Publication Award. Fue presidente de TIMS College on Simulation y corepresentante de INFORMS en la Junta Directiva de la Conferencia de Simulación de Invierno desde 1991 hasta 1999, donde se desempeñó como Presidente de la Junta en 1998. En 1987 fue Presidente del Programa de la WSC y en 1991 fue Presidente General.

Machine Translated by Google

Contenido

ix

Contenido 1 Introducción a la simulación 1.1 Sobre el Libro .

. . . . ... . ...

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Sistemas y Modelos . . . . . . . . . . . . 1.3 Aleatoriedad y el proceso de simulación . . 1.3.1 Aleatoriedad en simulación y variables aleatorias . . . . . . . . . . . . . . . . . 1.3.2 El proceso de simulación . 1.3.3 . . . . . . . . . . . . . . . . . . Diseño conceptual . . . . . . . . . . . . . . . . . . . . . . . 1.3.4 Análisis de entrada . . . 1.3.5 1.3.6Desarrollo, verificación y validación de modelos . . . . . . . . . Análisis y experimentación de resultados . . . . . . . . . . . . . 1.4 Cuándo simular (y cuándo no) . . . . . . . . . . . . . . . . . . . ... 1.5 Habilidades de Éxito en Simulación . 1.5.1 Objetivos del proyecto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.5.2 Especificación funcional . 1.5.3 Iteraciones del proyecto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.5.4 Gestión de Proyectos y Agilidad . 1.5.5 Declaraciones de Derechos de las Partes Interesadas y Simulacionistas . . . . .

2 Conceptos básicos de la teoría de . . . . . . colas 2.1 Estructura y terminología del sistema de colas . 2.2 . . . . . . . . . . . . . Ley de Little y otras relaciones . 2.3 Resultados específicos para algunas estaciones de espera multiservidor . . . . . . . . . ... . ... . . . . . . . . 2.3.1 M/M/1 . . . . . . . . . ... . ... . . . . . . . . 2.3.2 M/M/c . . . . . . . . . ... . ... . . . . . . . . 2.3.3 M /G/1 . . . . . . . . . ... . ... . . . . . . . . 2.3.4 G/M/1 . . ... . . . . . . . . . . . . . . . . 2.4 Redes de colas . . . . . . . . . . . . . . . . 2.5 Teoría de colas frente a simulación . . . . ... . ... . . . . . . . . . . . . . . . . 2.6 Problemas .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

... ... . . . . . . . . . . . . ... . . ... ... ... ... . . ...

. . . . . . . . . .

. . . . . . . . . .

... ... ... . . . . . . . . ... ... ...

. . . . . . .

.

. . . .

. . . . . . . . . . . . . . . .

1 ... . 1 ... . 3 ... . 5 . . . . 6 ... . 7 ... . 8 ... . 8 ... . 8 ... . 9 ... . 9 . . . . 10 . . . . 10 . . . . 12 . . . . 14 . . . . 15 . . . . dieciséis

. . . . . . . . . .

... ... . . . . . . . . . . ... . . ...

. . . . . .

19 . 21 . 23 . 24 . 25 . 25 . 26 . 26 . 28 . 31 . 31 34

3 tipos de simulación 3.1

Clasificación de simulaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.1.1 Modelos estáticos vs. dinámicos . . . . . . . . . . . . . . . . . . . . . . . . . 34

3.2

. . . . . . . 35 3.1.2 Modelos dinámicos de cambio continuo frente a cambio discreto . . . . . . . . . . . . . . . . . . . . 36 3.1.3 Estático Modelos Estocástico deterministas Monte Carlo vs. estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 ix

Machine Translated by Google

CONTENIDO

X

. . . . . . . . Modelo 3-1: Tirar dos dados . . . . . . Modelo 3-2: Integración de Montecarlo . 3.2.3 Modelo 3-3: Ganancias de inventario de un solo período . . . . 3.2.4 Modelo 3-4: Modelo de decisión de nuevos productos . . . . 3.3 Simulación dinámica sin software especial . . . . 3.3.1 Modelo 3-5: Simulación Dinámica Manual . 3.3.2 Modelo 3-6: Retrasos en la cola de servidor único . . . . . . . . . 3.4 Opciones de software para simulación dinámica . 3.4.1 Software Lenguajes de simulación de programación de propósito de propósito especial . general 3.4.2 . . . . . . . . 3.5 Problemas . . . . ... . ... . . . . . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . ... . . . . ... . . . . ...

. . . . . . . . . . . . . . . . . . . 4.2 Modelo 4-1: Primer proyecto utilizando los objetos de la biblioteca estándar . 4.2.1 . . . . . . . . . . . . . . . . . . . . Construyendo el Modelo . . 4.2.2 . . . . . . . . . . . Experimentación Inicial y Análisis . . . . . . 4.2.3 Réplicas y Análisis Estadístico de Salida . 4.2.4 . . . . . . . . Simulaciones de estado estacionario versus de terminación . . . . . . . . . . . . . . . . . . . . . 4.2.5 Verificación del modelo . . . . . . . . . . . . . . . 4.3 Modelo 4-2: Primer modelo usando procesos . . . . . . . . . . . 4.4 Modelo 4-3: Cajero automático (ATM) . . . . . . . . . . . 4.5 Más allá de los medios: parcelas de Simio MORE (SMORE) . . . . . . . . . . . 4.6 Exportación de datos de salida para análisis posteriores . . . . . . . . . . . . . . 4.7 Registros interactivos e informes del tablero . . . . . . . . . . . . . . . . . . . . . Animación del 4.8 4.9 Depuración de modelo modelosbásico ... ... . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.9.1 4.9.2Descubriendo El proceso de Problemas depuraciónSutiles . . . 4.9.3 . . . . . . . . . . . . . . . . . Herramientas de depuración . . . . ... . . . . . . . . . . . . . . . . . . . ... . ... . . . . . . . . . . . . . . . . . . . . 4.10 Resumen . . . . ... . ... . . . . . . . . . . . . . . . . . . . . 4.11 Problemas .

. . ... ... ... ... ... . . . . . . . . ... . . ... ... ... . . . . ... ...

. . . . . . . . . . . . . . . . . . . . . . . . . . .

... ... . . . . . . . . . . ... . . . . . . . . . . . . ... . .

. . . . . . . . . . . . . . . .

3.2.1 3.2.2

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . .

. . . . . . . . . . .

4 primeros modelos de Simio

4.1 La interfaz de usuario básica de Simio .

5 Modelado intermedio con Simio Simio . . . .5.1.4 . 5.1 Framework . . . 5.1.1 5.1.2 5.1.3 5.1.5 5.1.6Introducción Alcance de los datos . 5.1.7 a los Objetos . GeneradorPropiedades de expresiones . . 5.1.8. y Estados . Costeo . Fichas y Entidades . . . . ... . Procesos . Objetos como recursos . . . . ... . . . . . . ... . . 5.2 Modelo 5-1: Montaje de PCB . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . 5.3 Modelo 5-2: Ensamblaje de PCB mejorado . . retrabajo . .Adición 5.3.1 5.3.2 de una Usoestación de expresiones de . con pesos de enlace . . . . . . . . . . . . 5.3.3 5.3.4 Fallas Horarios de de máquinas recursos. .. .. . . . . . . . . . . . . . . . . . . 5.3.5 Verificación del Modelo 5-2 . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . .

. . . . ... . . . . ... ... ... . . ... ...

. . 38 . . 40 . 41 . . 47 . . 50 . 50 . 57 . 60 . . 60 . 61 . 61

66 . . . . 67 . . . . 72 . . . . 72 . . . . 78 . . . . 80 . . . . 84 . . . . 86 . . . . 87 . . . . 92 . . . . 96 . . . . 102 . . . . 104 . . . . 107 . . . . 109 . . . . 111 . . . . 111 . . . . 113 . . . . 114 . . . . 114

... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...

117 . 117 . 117 . 120 . 125 . 127 . 128 . 130 . 131 . 132 . 134 . 138 . 138 . 142 . 144 . 149 . 150

Machine Translated by Google

xi

CONTENIDO

. . . . . . 5.5 Modelo 5-4: Comparación de múltiples escenarios alternativos . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.6 Resumen . . . . ... . ... . . . . . . . . . . . . . . . . 5.7 Problemas . 5.4 Modelo 5-3: Modelo de PCB con selección de proceso .

6 Análisis de entrada 6.1 Especificación de distribuciones de probabilidad de entrada univariadas . 6.1.1 . .usar . de . distribuciones . . . observados . . . . de . . . Enfoque general . . 6.1.2 para datos del mundo realOpciones . 6.1.3 Elección probabilidad . 6.1.4 Ajuste observados . de distribuciones a datos reales . . . . . .

. . . .

. . . .

6.1.5 Más sobre la evaluación de la bondad de ajuste . 6.1.6 . . . . . . . . . . . . . . . . . . . . . Problemas de instalación de distribución .

... . ... . . . . . . . . . 6.2 Tipos de Entradas . . . . . . 6.2.1 Determinista Estocástico vs . 6.2.2 Procesos escalares, 6.2.3 multivariados Tasa de yllegada estocásticos variable . en el tiempo . . . . . . ... . . . . . 6.3 Generadores de números aleatorios . 6.4 Generación de variantes y procesos aleatorios . 6.5 Uso de los parámetros de entrada de Simio . . . . . . . . 6.5.1 Estimación Sensibilidad del errorde delrespuesta tamaño de . la . . . . . . . . . . . 6.5.2 muestra . . . . ... . ... . . . . . . . . 6.6 Problemas .

. . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7 Trabajar con datos del modelo 7.1 . . ... . ... . . . . . . . . . . . . . Tablas de datos . 7.1.1 Conceptos básicos deModelo las tablas 7-1: . .un . 7.1.2 ED usando . . . . . . . . . . . . . . . . una tabla de datos . 7.1.3 Tablas de secuencias . . . . . . . . . . . . . . . .

. . . .

. . . .

7.1.4 Modelo 7-2: ED mejorado mediante tablas de secuencias . . . relacionales . . . . . . . . .. 7.1.5 Mesas de llegada y modelo 7-3 . 7.1.6 Tablas . . . . . . . . . . . . . . . ... . . . . . . . . . . . tablas . 7.1.7 Importación/exportación 7.2 Horarios . 7.2.1 de . . . . . .. . . . . . . . . . . . . . . . . . . . Horarios de trabajo del calendario . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.2.2 Horarios manuales . . . ... . . . . . . . . . . . 7.3 Tablas de tarifas y modelo 7-4 . ... . . . . . . . . . . . 7.4 Tablas de consulta y modelo 7-5 . 7.5 . . . .. . . . . . . . . . . . . . . Listas y cambios . 7.6 Conjuntos de estados . . ... . ... . . . . . . . . . . . . . . . . ... . . . . . . . . . . . . . . . 7.7 Modelos controlados por . . . . . . . . . . . datos . 7.7.1 Tablas y grupos repetidos . . . . . . . . . . . . . . . . 7.8 Modelos generados por datos . . . . . . ... . ... . . . . . . . . . . . . . . . 7.9 Resumen . . . . ... . ... . . . . . . . . . . . . . . . 7.10 Problemas .

. . . . . . . . . . . . . . .

. . . .

. . . .

. . . .

. . . . ... ... . ... ... . ... ... . ...

... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . ... ... . . ... ... ... ... . . . . . . ... ... . . ...

. . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . .

... . . . . . . . . . . . . . . ... . . . . . . . . ... ... ... . . ... ... ...

. . . . . . . . . . . . . . . . . . . .

. . . . . . ... . . ... . . . . . . . . . . . . . . ... . . . . ... . . ... . . ... . . ... . ... . ... . . ... . ...

. . . . . . . . . . .

.

. . . . . . . . . . . . . . . . . . . .

... ... . . ... . . ... ... ... . . ... ... ... ... ... . . . . . . ... ... ...

. 152 . 157 . 162 . 162 165 . . 166 . 166 . 167 . . 168 . . 170 . . 177 . . 181 . 187 . . 187 . 188 . 189 . 190 . 193 . 197 . 200 . 203 . 204

. .

.

. . .

207 . 207 . 208 . 209 . 213 . 214 . 218 . 220 . 221 . 222 . 222 . 224 . 225 . 227 . 228 . 230 . 231 . 232 . 234 . 235 . 235

239 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239 Opciones de navegación y visualización . . . . . . . . . . . . . . . . . . . . . . 241

8 Animación y movimiento de entidades . . . ... . ... 8.1 Animación . ... 8.1.1 ¿Por qué animar? . 8.1.2

. . . .

. . . .

Machine Translated by Google

xi

CONTENIDO

de estado con Animación la cintade defondo animación con la. cinta 8.1.4 de Edición dibujode. 8.1.3 símbolos Animación con la . ensamblajecinta de PCB de símbolos . 8.1.6 8.2 . 8.1.5 Movimiento Modelo de 8-1: entidades Animación . . .del 8.2.1 . . . Uso de conectores, Movimiento rutas de de entidades tiempo ya rutas través. 8.2.3 del espacio Uso delibre . 8.2.2 . . . . transportadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... . . . . . . . . . . . . 8.2.4 Modelo 8-2: Montaje de PCB con transportadores . 8.2.5 . . . . . vehículos . . . . .. . . . . . . . . . . . Uso de trabajadores . 8.2.6 Uso .de ... . . . . . . . . . . . . . . . . . . 8.2.7 Modelo 8-3: ED mejorado con personal hospitalario . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.3 Resumen . . . . ... . ... . . . . . . . . . . . . . . . . 8.4 Problemas .

. . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . ... . . . . . . . . . . . . . . ... ...

. . . . . . . . . . .

. . . . . . . . . . . . . .

. . ... ... . . . . ... . . ... . . ... ... . . ... ...

. . 243 . 244 . 246 . . 248 . . 251 . 253 . . 254 . 256 . . 257 . 259 . 262 . . 262 . 269 . 269

271 9 Modelado avanzado con Simio . . . . . . . . . . . . . . . . . . . . . . . . . . 271 9.1 Modelo 9-1: revisión del modelo ED . 9.1.1 Búsqueda de niveles de recursos óptimos en el modelo 9-1 con OptQuest . . . . . 280 9.1.2 Clasificación y selección de escenarios alternativos en el modelo 9-1 con subconjunto . ... . . . . . . . . . . . . . . . . . . . . ... Selección y KN . . . . 287 . . . . . . . . . . . . . . . . . . . . . . . . . 291 9.2 Modelo 9-2: Modelo para llevar pizza . . . . . . . . . . . . . . . . . . . . . . 298 9.2.1 Experimentación con el modelo 9-2 . . . . . . . . . . . . . . . . . . . . . . . . . 301 9.3 Modelo 9-3: Búferes de capacidad fija . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 306 9.4 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 307 9.5 Problemas . 10 Temas varios de modelado 10.1 Paso de . . ... . ... . . . . . . . . . . . . . . . . . . . búsqueda . 10.1.1 Modelo 10-1: Búsqueda y eliminación de entidades de una estación . 10.1.2 Modelo 10-2: Acumulación de un tiempo de proceso total en un lote . . . . . . . . . . . . . . . . 10.2 Modelo 10-3: Obstáculo y renegación . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.3 Secuencias de tareas . . . . . . . . . . . . . . . . . . . . 10.4 Lógica de decisión basada en eventos . . . . . . . . . . . . . . . . . . . 10.5 Otras bibliotecas y recursos . . ... . . . . . . . . . . . . . . . . . . . 10.5.1 Biblioteca de flujo . ... . . . . . . . . . . . . . . . . . . . 10.5.2 Biblioteca de extras . 10.5.3 Foro de elementos compartidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.6 Experimentación . . . . . . . . . . . . . . . . . . . . . . 10.6.1 Procesamiento paralelo . . 10.6.2 Procesamiento en la nube . . . . . . . . . . . . . . . . . . . . . . . . . ... . ... . . . . . . . . . . . . . . . . . . . 10.7 Resumen . . . . ... . ... . . . . . . . . . . . . . . . . . . . 10.8 Problemas . 11 Personalización y ampliación de Simio 11.1 Conceptos básicos de definición de objetos . . . . . . . 11.1.1 Lógica del modelo . . . . . . . . . . . . . . . . ... . . . . . . . . . . 11.1.2 Vista externa . 11.1.3 Subclasificación de una definición de objeto . . . . . . . . 11.1.4 Propiedades, estados y eventos . . 11.2 Modelo 11-1: Creación de un objeto jerárquico .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . . . . . . . .

. . ... ... ... . . ... . . ... ... . . ... ...

. . . . . . . . ... . ... . ... . ... . ... . ... . ... . . . . ... . ... . ... . ...

309 . . 309 . . 309 . . 311 . 312 . 314 . 317 . 319 . 319 . 320 . 321 . . 322 . 322 . 323 . 323 . 323

. . . . . .

... . ... . . . . ... . . . . ... ... . ... ... . ... ... . ...

325 . 326 . 327 . 327 . 329 . 330 . 331

. ... . .

. .

.

Machine Translated by Google

XIII

CONTENIDO

11.2.1 Lógica del modelo . . . . . . ... 11.2.2 Vista externa .

. ... . . . . . . . . 11.3 Modelo 11-2: Construcción de un objeto base . . 11.3.1 Lógica del modelo . . . . . . . . . . . . ... . . . . . . 11.3.2 Vista externa . . 11.4 Modelo 11-3: subclasificación de un objeto . . . . . . . . . . . . 11.4.1 Lógica del modelo . ... . . . . . . 11.4.2 Vista externa . . . . . 11.5 Trabajar con extensiones de usuario .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . . . 11.5.1 Cómo crear e implementar una extensión de usuario . . . . . . . . . . . . . . . . . . . . . . . . . . 11.6 Resumen . . . . ... . ... . . . . . . . . . . . . . . . 11.7 Problemas .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . . . . . . ... . . ... ...

12 Programación basada en simulación en la Industria 4.0 12.1 . . . . . . . . . Revoluciones industriales a través de los tiempos . . 12.2 La Cuarta Revolución Industrial – La Fábrica Inteligente . . . . . . . . . . . . . . . . . 12.3 La necesidad de un gemelo digital . 12.4 Papel de la simulación de diseño en la Industria 4.0 . . . . . . . . . . . . . . . . . 12.5 El papel de la programación basada en simulación . . . . . . . . . . . 12.5.1 Simulación como Gemelo Digital . 12.6 Problemas difíciles en la planificación y programación . . . . . . . . 12.7 Programación basada en simulación . . . . . . . . . . . . . . . . . 12.8 Planificación y programación basadas en riesgos . . . . . . . . . . . . . . . . . 12.9 Planificación y programación con Simio Enterprise . . . . . . . . . . . . . . . . . 12.10 La interfaz de programación . . . 12.11 Modelo 12-1: Primer enfoque del modelo para la programación . . . . . 12.11.1 Construcción de un modelo de programación simple . . . . . . . . . . . . . . . . . . 12.11.2 Creación de un modelo más realista . . . . 12.11.3 Adición de objetivos y seguimiento de rendimiento . 12.11.4 Herramientas de evaluación adicionales . . . . . . . . . . . . . . . . . . 12.12 Modelo 12-2: enfoque Data First para la programación . 12.12.1 Configuración del modelo para la importación de datos . . . . . . 12.12.2 Importación de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12.12.3 Ejecución y análisis del modelo . . . . . . . . . . . 12.13 Información adicional y ejemplos . 12.13.1 Libros electrónicos de Simio sobre planificación y programación . . . . 12.13.2 Ejemplos de programación . . . . . . . . . . . . . . . . . . . . ... . ... . . . . . . . . . . . . . . . . 12.14 Resumen . . . . ... . ... . . . . . . . . . . . . . . . . 12.15 Problemas .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

... ... . . ... . . . . ... ... ... ... ... . . . . . . . . . . . . . . . . . . ... . . ... ... ...

ANEXOS A Casos prácticos con Simio A.1 . . Operación de inspección y mecanizado . . . . . A.1.1 Descripción del problema . A.1.2 Modelo de muestra y resultados . . ... . . . . A.2 Parque de atracciones . . . . . . . A.2.1 Descripción del problema .

. . . . . . A.2.2 Modelo de muestra y resultados . . ... . . . . . A.3 Restaurante Sencillo . .

. . . . . . . .

. . . . . . . . . . . . .

. . .

. . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . 331 . . . . 331 . . . . 334 . . . . 335 . . . . 337 . . . . 338 . . . . 339 . . . . 341 . . . . 342 . . . . 343 . . . . 344 . . . . 344

... ... ... ... ... ... ... . . ... . . . . ... ... ... . . ... ... . . ... ... ... . . ... ... ...

. . .

.

.

.

346 . 346 . 347 . 349 . 350 . 352 . 354 . 355 . 357 . 360 . 361 . 363 . 365 . 365 . 366 . 367 . 369 . 371 . 371 . 372 . 372 . 373 . 373 . 374 . 375 . 375 376

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

377 . . . . . . . . 377 . . . . . . . . 377 . . . . . . . . 380 . . . . . . . . 387 . . . . . . . . 387 . . . . . . . . 390 . . . . . . . . 392

Machine Translated by Google

xiv

CONTENIDO

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . . . . B.6 Suministro de fabricación de pulpa y papel . . . . . . . . B.7 Cambio de divisas mundial . . . . . . . B.8 Instalación del panel solar Sunrun . . ... . . . . . . . B.9 Producción de semillas . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . ... . . . . . . . . . . . . . .

A.3.1 Descripción del problema . . ... A.5 Ciudad de Vacaciones Aeropuerto . . . . A.4 Sucursal bancaria pequeña . .

A.6 Simplemente el mejor hospital . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

B Problemas de competencia de estudiantes de Simio B.1 Alquiler de coches innovadores . . . . . . . . . . B.2 Logística de Perforación Simio . . . . . . . . . . B.3 Centros de Atención de Urgencias de Simio . . . . . . . . B.4 Problema de fabricación aeroespacial . . . . . . B.5 Cadena de suministro latinoamericana .

. . . .

. . . .

. . . .

. . . . . . . . . . . . . . . . .

... ... ... ...

. . . .

... ... ... ...

... . ... ... . . . . ... . ... . . . . ... ... . ... ... . . . . ... . ... ... . . . . ... . . . .

. 392 . 394 . 397 . 401 404 . 404 . 405 . 405 . 405 . 406 . 406 . 407 . 407 . 407

Bibliografía

408

Índice

412

Machine Translated by Google

Capítulo 1

Introducción a la simulación La simulación ha estado en uso durante más de 40 años, pero recién está entrando en su mejor momento. Gartner (www.gartner.com) es un proveedor líder de investigación técnica y asesoramiento para empresas. En 2010, Gartner [13] identificó a Advanced Analytics, incluida la simulación, como el número dos de las diez principales tecnologías estratégicas. En 2012 [56] y 2013 [14], Gartner volvió a enfatizar el valor del análisis y la simulación:

“Debido a que el análisis es el 'motor de combustión de los negocios', las organizaciones invierten en inteligencia comercial incluso cuando los tiempos son difíciles. Gartner predice que la próxima gran fase de la inteligencia de negocios será un movimiento hacia una mayor simulación y extrapolación para brindar decisiones más informadas”. “Con la mejora del rendimiento y los costos, los líderes de TI pueden permitirse realizar análisis y simulaciones para cada acción realizada en el negocio. El cliente móvil vinculado a motores analíticos basados en la nube y repositorios de big data potencialmente permite el uso de optimización y simulación en todas partes y en todo momento. Este nuevo paso proporciona simulación, predicción, optimización y otros análisis, para potenciar aún más la flexibilidad de decisión en el momento y lugar de cada acción del proceso comercial”. Los avances en hardware y software relacionados con la simulación durante la última década han sido espectaculares. Las computadoras ahora brindan un poder de procesamiento inaudito incluso hace unos años. Las interfaces de usuario y el diseño de productos mejorados han hecho que el software sea significativamente más fácil de usar, lo que reduce la experiencia requerida para usar la simulación de manera efectiva. Los avances en la tecnología

orientada a objetos continúan mejorando la flexibilidad del modelado y permiten un modelado preciso de sistemas altamente comp El hardware, el software y los símbolos disponibles públicamente hacen posible que incluso los novatos produzcan simulaciones con animaciones 3D atractivas para apoyar la comunicación entre personas de todos los orígenes. Estas innovaciones y otras están trabajando juntas para impulsar la simulación a una nueva posición como tecnología crítica. Este libro le abre el mundo de la simulación al brindarle los conceptos básicos de la tecnología general de simulación, identificar las habilidades necesarias para proyectos de simulación exitosos e introducir un paquete de simulación de última generación.

1.1 Sobre el Libro Comenzaremos presentando algunos conceptos generales de simulación, para ayudar a comprender la tecnología subyacente sin entrar aún en conceptos específicos del software. El Capítulo 1, Introducción a la simulación, cubre aplicaciones típicas de simulación, cómo identificar una simulación adecuada 1

Machine Translated by Google

2

CAPÍTULO 1. INTRODUCCIÓN A LA SIMULACIÓN

aplicación, y cómo llevar a cabo un proyecto de simulación. El Capítulo 2, Conceptos básicos de la teoría de colas, presenta los conceptos de la teoría de colas, sus puntos fuertes y sus limitaciones y, en particular, cómo se puede utilizar para ayudar a validar componentes de modelos de simulación posteriores. El Capítulo 3, Tipos de simulación, presenta algunos de los aspectos técnicos y la terminología de la simulación, clasifica los diferentes tipos de simulaciones en varias dimensiones y luego ilustra esto trabajando con varios ejemplos específicos. A continuación, presentamos conceptos de simulación más detallados ilustrados con numerosos ejemplos implementados en Simio. En lugar de dividir los componentes técnicos (como la validación y el análisis de salida) en capítulos separados, consideramos cada ejemplo como un mini proyecto e introducimos sucesivamente más conceptos con cada proyecto. Este enfoque brinda la oportunidad de aprender las mejores prácticas y habilidades generales en una etapa temprana y luego reforzar esas habilidades con cada proyecto sucesivo. El Capítulo 4, Primeros modelos de Simio, comienza con una breve descripción general de Simio y luego se lanza directamente a la creación de un modelo de cola de servidor único en Simio. El objetivo principal de este capítulo es presentar el proceso de creación de modelos de simulación utilizando Simio. Si bien los procesos básicos de creación y análisis de modelos no son específicos de Simio, nos centraremos en Simio como vehículo de implementación. Este proceso no solo introduce habilidades de modelado, sino que también cubre el análisis estadístico de los resultados de salida de la simulación, la experimentación y la verificación del modelo. Luego, ese mismo modelo se reproduce utilizando herramientas de nivel inferior para ilustrar otro posible enfoque de modelado, así como para brindar una mayor comprensión de lo que sucede "detrás de la cortina". El capítulo continúa con un tercer modelo más interesante de un cajero automático, presenta un análisis de salida adicional utilizando los gráficos SMORE innovadores de Simio y analiza el análisis de salida fuera de Simio. El capítulo cierra con una discusión sobre cómo descubrir y rastrear esos desagradables "errores" que a menudo infestan los modelos. El objetivo del Capítulo 5, Modelado intermedio con Simio, es construir sobre los conceptos básicos de modelado y análisis de Simio presentados anteriormente para que podamos comenzar a desarrollar y experimentar con modelos de sistemas más realistas. Comenzaremos discutiendo un poco más sobre cómo funciona Simio y su marco general. Luego, construiremos un modelo de ensamblaje electrónico y, sucesivamente, agregaremos funciones adicionales, incluido el modelado de múltiples procesos, ramificación y fusión condicionales, etc. A medida que desarrollemos estos modelos, continuaremos introduciendo y utilizando nuevas funciones de Simio. También retomaremos nuestra investigación sobre cómo configurar y analizar experimentos de simulación estadística sólidos, esta vez teniendo en cuenta el objetivo común de comparar múltiples escenarios alternativos. Al final de este capítulo, debe tener una buena comprensión de cómo modelar y analizar sistemas de complejidad intermedia con Simio. En este punto, habremos cubierto algunas aplicaciones de simulación interesantes, por lo que luego analizaremos los problemas relacionados con las distribuciones de entrada y los procesos que impulsan los modelos. El capítulo 6, Análisis de entrada, analiza diferentes tipos de entradas para simulaciones, métodos para convertir datos observados del mundo real en algo útil para un proyecto de simulación y generar las cantidades aleatorias de entrada apropiadas que se necesitan en la mayoría de las simulaciones. El Capítulo 7, Trabajar con datos de modelos, tiene una visión más amplia y examina los muchos tipos de datos que a menudo se requieren para representar un sistema real. Comenzaremos construyendo un modelo simple de departamento de emergencias (ED) y mostraremos cómo cumplir con sus requisitos de datos de entrada utilizando la construcción de tabla de datos de Simio. Agregaremos sucesivamente más detalles al modelo para ilustrar los conceptos de tablas de secuencia, tablas de datos relacionales, tablas de llegada y tablas de datos de importación y exportación. Continuaremos mejorando el modelo ED para ilustrar horarios de trabajo, tablas de tarifas y tablas de funciones. El capítulo finaliza con una breve introducción a las listas, arreglos y matrices de cambio. Después de completar este capítulo, debería tener un buen dominio de los tipos de datos que se encuentran con frecuencia en los modelos y las opciones de Simio para representar esos datos. Animación y movimiento de entidades, Capítulo 8, analiza la validación mejorada, la comunicación

Machine Translated by Google

1.2. SISTEMAS Y MODELOS

3

y la credibilidad que la animación 2D y 3D puede aportar a un proyecto de simulación. Luego exploramos las diversas herramientas de animación disponibles, incluida la animación de fondo, los símbolos personalizados y los objetos de estado. Revisaremos nuestro modelo anterior de ensamblaje electrónico para practicar algunas nuevas habilidades de animación, así como para explorar los diferentes tipos de enlaces disponibles y agregar transportadores para manejar el flujo de trabajo. Finalmente, presentaremos los objetos Simio Vehicle y Worker para el movimiento asistido de entidades y revisaremos nuestro modelo ED anterior para considerar la dotación de personal y mejorar la animación. El capítulo 9 es Modelado avanzado con Simio. Comenzamos con una versión más simple de nuestro modelo ED, con el objetivo de demostrar el uso de modelos para la toma de decisiones y, en particular, la optimización basada en simulación. Luego, presentaremos un nuevo ejemplo de pizzería para ilustrar algunas construcciones de modelado nuevas, así como para reunir conceptos que se introdujeron anteriormente. Un tercer y último modelo, una línea de montaje, permite el estudio de la asignación de espacio intermedio para maximizar el rendimiento. El capítulo 10 es nuevo en la cuarta edición y cubre temas varios de modelado. Esto introduce algunos conceptos de modelado poderosos como el paso de búsqueda, el bloqueo y la renuncia, las secuencias de tareas y la lógica de decisión basada en eventos. También presenta la biblioteca de flujo para el procesamiento de flujo, la biblioteca de extras para grúas, elevadores y otros dispositivos, y el foro de elementos compartidos, una fuente de otras herramientas valiosas. Este capítulo finaliza discutiendo la Experimentación y algunas de las opciones disponibles para ejecutar efectivamente muchas réplicas y escenarios. El Capítulo 11, Personalización y ampliación de Simio, comienza con material un poco más avanzado: se basa en la experiencia previa con el uso de procesos complementarios para brindar orientación en la creación de sus propios objetos y bibliotecas personalizados. Incluye ejemplos de creación de objetos jerárquicamente a partir de objetos básicos y subclasificación de objetos de biblioteca estándar. Este capítulo finaliza con una introducción a la extensibilidad de Simio a través de la programación de sus propias reglas, componentes y complementos para Simio. El Capítulo A, Casos de estudio con Simio, incluye cuatro casos de estudio introductorios y dos avanzados relacionados con el desarrollo y uso de modelos de Simio para analizar sistemas. Estos problemas tienen un alcance mayor y no están tan bien definidos como los problemas de tarea de los capítulos anteriores y brindan la oportunidad de usar sus habilidades en problemas más realistas. En el Capítulo 12, Programación basada en simulación, exploramos el uso de la simulación como herramienta de planificación y programación. Si bien la planificación y la programación basadas en simulación se han discutido y utilizado durante muchos años, los avances recientes en las herramientas de software de simulación han hecho que estas aplicaciones sean significativamente más fáciles de implementar y usar. Concluimos este capítulo con una descripción de la tecnología de planificación y programación basada en riesgos (RPS) de Simio. Finalmente, el Apéndice B, Problemas de competencia de estudiantes de Simio, proporciona resúmenes de problemas recientes presentados en lo que se ha convertido rápidamente en la competencia de simulación de estudiantes más grande. Este es un lugar ideal para explorar un proyecto desafiante u obtener ideas para crear su propio proyecto.

1.2 Sistemas y Modelos Un sistema es cualquier conjunto de componentes relacionados que juntos trabajan hacia algún propósito. Un sistema puede ser tan simple como una línea de espera en un cajero automático (ATM) o tan complejo como un aeropuerto completo o una red de distribución mundial. Para cualquier sistema, ya sea existente o simplemente contemplado, es necesario y, a veces, incluso esencial, comprender cómo se comportará y funcionará en diversas configuraciones y circunstancias. En un sistema existente, a veces puede obtener la comprensión necesaria mediante una observación cuidadosa. Un inconveniente de este enfoque es que es posible que deba observar el sistema real durante mucho tiempo para observar las condiciones particulares de interés incluso una vez, y mucho menos hacer suficientes observaciones para llegar a conclusiones confiables. Y, por supuesto, para algunos sistemas (como un

Machine Translated by Google

4

CAPÍTULO 1. INTRODUCCIÓN A LA SIMULACIÓN

red de distribución mundial), puede que no sea posible encontrar un punto de vista desde el que pueda observar todo el sistema con un nivel de detalle adecuado. Surgen problemas adicionales cuando desea estudiar cambios en el sistema. En algunos casos, puede ser fácil realizar un cambio en el sistema real; por ejemplo, agregar una segunda persona temporal a un turno de trabajo para observar el impacto. Pero en muchos casos, esto simplemente no es práctico: considere la inversión requerida para evaluar si debe usar una máquina estándar que cuesta $300,000 o una máquina de alto rendimiento que cuesta $400,000. Finalmente, si el sistema real aún no existe, ninguna observación es posible en absoluto. Por estas razones, entre otras, usamos modelos para ganar comprensión. Hay muchos tipos de modelos, cada uno con sus propias ventajas y limitaciones. Los modelos físicos, como el modelo de un automóvil o un avión, pueden proporcionar tanto un sentido de la realidad como una interacción con el entorno físico, como en las pruebas de túnel de viento. Los modelos analíticos usan representaciones matemáticas que pueden ser bastante útiles en dominios de problemas específicos, pero los dominios aplicables a menudo son limitados. La simulación es un enfoque de modelado con una aplicabilidad mucho más amplia. La simulación por computadora imita la operación de un sistema y sus procesos internos, generalmente a lo largo del tiempo, y con el detalle apropiado para sacar conclusiones sobre el comportamiento del sistema. Los modelos de simulación se crean utilizando software diseñado para representar componentes comunes del sistema y registrar cómo se comportan con el tiempo. La simulación se utiliza para predecir tanto el efecto de los cambios en los sistemas existentes como el rendimiento de los nuevos sistemas. Las simulaciones se utilizan con frecuencia en el diseño, emulación y operación de sistemas. Las simulaciones pueden ser estocásticas o deterministas. En una simulación estocástica (la más común), se introduce la aleatoriedad para representar la variación encontrada en la mayoría de los sistemas. Las actividades que involucran a personas siempre varían (por ejemplo, en el tiempo necesario para completar una tarea o la calidad del desempeño); las entradas externas (como clientes y materiales) varían; y se producen excepciones (fallos). Los modelos deterministas no tienen variación. Estos son raros en las aplicaciones de diseño, pero más comunes en el soporte de decisiones basado en modelos, como las aplicaciones de programación y emulación. La Sección 3.1.3 trata esto con más detalle. Hay dos tipos principales de simulación, discreta y continua. Los términos discreto y continuo se refieren a la naturaleza cambiante de los estados dentro del sistema. Algunos estados (p. ej., la longitud de una cola, el estado de un trabajador) pueden cambiar solo en puntos discretos en el tiempo (llamados tiempos de eventos). Otros estados (por ejemplo, la presión en un tanque o la temperatura en un horno) pueden cambiar continuamente con el tiempo. Algunos sistemas son puramente discretos o continuos, mientras que otros tienen ambos tipos de estados presentes. La Sección 3.1.2 analiza esto más a fondo y da un ejemplo de una simulación continua. Los sistemas continuos se definen mediante ecuaciones diferenciales que especifican la tasa de cambio. El software de simulación utiliza la integración numérica para generar una solución para las ecuaciones diferenciales a lo largo del tiempo. La dinámica del sistema es un enfoque gráfico para crear modelos simples utilizando el mismo concepto subyacente y, a menudo, se usa para modelar la dinámica de la población, el crecimiento/deterioro del mercado y otras relaciones basadas en ecuaciones. Cuatro paradigmas de modelado discreto han evolucionado en la simulación. Los eventos modelan los puntos en el tiempo cuando cambia el estado del sistema (llega o sale un cliente). Los procesos modelan una secuencia de acciones que tienen lugar a lo largo del tiempo (una parte de un sistema de fabricación agarra a un trabajador, retrasa un tiempo de servicio y luego libera al trabajador). Los objetos permiten un modelado más intuitivo al representar objetos completos que se encuentran en la instalación. El modelado basado en agentes (ABM) es un caso especial del paradigma de objetos en el que el comportamiento del sistema surge de la interacción de una gran cantidad de objetos inteligentes autónomos (como soldados, empresas en un mercado o individuos infectados en una epidemia). La distinción entre estos paradigmas es algo borrosa porque los paquetes modernos incorporan múltiples paradigmas. Simio es una herramienta de modelado de múltiples paradigmas que incorpora todos estos paradigmas en un solo marco. Puede usar un solo paradigma o combinar múltiples paradigmas en el mismo modelo. Simio combina la facilidad

Machine Translated by Google

1.3. LA ALEATORÍA Y EL PROCESO DE SIMULACIÓN

5

y modelado rápido de objetos con la flexibilidad de los procesos. La simulación se ha aplicado a una gran variedad de escenarios. Los siguientes son solo algunos ejemplos. de áreas en las que se ha utilizado la simulación para comprender y mejorar la eficacia del sistema:

Aeropuertos: lanzaderas de estacionamiento, emisión de boletos, seguridad, transporte de terminales, tráfico de patio de comidas, manejo de equipaje, asignaciones de puertas, deshielo de aviones. Hospitales: operación del departamento de emergencias, planificación de desastres, envío de ambulancias, re estrategias de servicios regionales, asignación de recursos. Puertos: Tráfico de camiones y trenes, tráfico de buques, gestión portuaria, almacenamiento de contenedores, capital en vestimentas, operaciones de grúas. Minería: Transferencia de materiales, transporte de mano de obra, asignación de equipos, mezcla de materiales a granel.

Parques de atracciones: transporte de invitados, diseño/puesta en marcha de atracciones, gestión de filas de espera, atracciones dotación de personal, manejo de multitudes.

Centros de llamadas: Dotación de personal, evaluación del nivel de habilidad, mejora del servicio, planes de capacitación, programación algoritmos Cadenas de suministro: reducción de riesgos, puntos de pedido, asignación de producción, posicionamiento de inventario, transporte, gestión del crecimiento, planificación de contingencias. Manufactura: análisis de inversión de capital, optimización de línea, cambios en la combinación de productos, producción mejora de la productividad, transporte, reducción de mano de obra. Militar: Logística, mantenimiento, combate, contrainsurgencia, búsqueda y detección, humani relieve tariano.

Telecomunicaciones: Transferencia de mensajes, enrutamiento, confiabilidad, seguridad de la red contra cortes o ataques.

Sistema de justicia penal: operaciones de libertad condicional y libertad condicional, utilización y capacidad de la prisión. Sistema de respuesta a emergencias: tiempo de respuesta, ubicación de la estación, niveles de equipo, dotación de personal. Sector público: Asignación de máquinas de votación a recintos. Servicio al cliente: mejora del servicio directo, operaciones de back-office, asignación de recursos, planificación de capacidad.

Lejos de ser una herramienta solo para la fabricación, los dominios y las aplicaciones de la simulación son muy variados y prácticamente ilimitados.

1.3 Aleatoriedad y el proceso de simulación En esta sección discutimos los pasos típicos involucrados en el proceso de simulación. También describimos los roles importantes que juegan la incertidumbre y la aleatoriedad tanto en las entradas como en las salidas de los modelos de simulación.

Machine Translated by Google

6

CAPÍTULO 1. INTRODUCCIÓN A LA SIMULACIÓN

Tabla 1.1: Funciones de masa de probabilidad (PMF) y densidad (PDF) para variables aleatorias. Variables aleatorias discretas p(xi) = Pr(X = xi) F(x) = PAG

p(xi)

Variables aleatorias continuas f(x) tiene las siguientes propiedades: 1. f(x) ÿ 0 ÿ valores reales, x ÿ

ÿi3xiÿx _

2. R

ÿÿ

f(x)dx = 1 B

3. PAGS r(a ÿ x ÿ b) = R a f(x)dx

1.3.1 Aleatoriedad en simulación y variables aleatorias

Aunque algunos ejemplos de modelado de simulación usan solo valores deterministas, la gran mayoría de los modelos de simulación incorporan alguna forma de aleatoriedad porque es inherente a los sistemas que se modelan. Los componentes aleatorios típicos incluyen tiempos de procesamiento, tiempos de servicio, tiempos de llegada de clientes o entidades, tiempos de transporte, fallas y reparaciones de máquinas/ recursos, y sucesos similares. Por ejemplo, si se dirige a la ventanilla de autoservicio en un restaurante local de comida rápida para tomar un refrigerio nocturno, no puede saber exactamente cuánto tiempo le llevará llegar allí, cuántos otros clientes pueden estar frente a usted. cuándo llegas, o cuánto tardará en ser atendido, por citar solo algunas variables. Es posible que podamos estimar estos valores en función de la experiencia previa u otros conocimientos, pero no podemos predecirlos con certeza. El uso de estimaciones deterministas de estos valores estocásticos en los modelos puede generar predicciones de rendimiento no válidas (generalmente demasiado optimistas). Sin embargo, incorporar estos componentes aleatorios en modelos analíticos estándar puede ser difícil o imposible. El uso de la simulación, por otro lado, hace que la inclusión de componentes aleatorios sea bastante fácil y, de hecho, es precisamente su capacidad para incorporar fácilmente el comportamiento estocástico lo que hace que la simulación sea una herramienta de análisis y modelado tan popular. Este será un tema fundamental a lo largo de este libro. Debido a que la aleatoriedad en los modelos de simulación se expresa mediante variables aleatorias, la comprensión y el uso de variables aleatorias es fundamental para el análisis y el modelado de simulación (consulte [57], [47] para repasar). En su forma más básica, una variable aleatoria es una función cuyo valor está determinado por el resultado de un experimento; es decir, no conocemos el valor hasta después de realizar el experimento. En el contexto de la simulación, un experimento implica ejecutar el modelo de simulación con un conjunto dado de entradas. El comportamiento probabilístico de una variable aleatoria, X, se describe por su función de distribución (o función de distribución acumulativa, CDF), F(x) = P r(X ÿ x), donde el lado derecho representa la probabilidad de que la variable aleatoria X toma un valor menor o igual que el valor x. Para variables aleatorias discretas, se debe considerar la función de masa de probabilidad, p(xi), y para variables aleatorias continuas, se evalúa la función de densidad de probabilidad, f(x) (ver Tabla 1.1). Una vez que hemos caracterizado una variable aleatoria X, medimos métricas como el valor esperado (E[X]), la varianza (Var[X]) y varias otras características de la distribución, como cuantiles, simetría/sesgo, etc. En muchos casos, debemos confiar en las estadísticas muestrales, como la media muestral, X, y la 2 varianza muestral, S (X), porque no podemos caracterizar de manera factible los parámetros poblacionales correspondientes. Es importante determinar los tamaños de muestra apropiados para estas estimaciones. A diferencia de muchos otros métodos experimentales, en el análisis de simulación, a menudo podemos controlar los tamaños de muestra para satisfacer nuestras necesidades. La simulación requiere entradas y salidas para evaluar un sistema. Desde el lado de entrada de la simulación, caracterizamos variables aleatorias y generamos muestras a partir de las distribuciones correspondientes; desde el lado de la salida analizamos las características de las distribuciones (es decir, media, varianza,

Machine Translated by Google

1.3. LA ALEATORÍA Y EL PROCESO DE SIMULACIÓN

7

Figura 1.1: Ejemplo de tiempos de tratamiento de pacientes y la CDF empírica correspondiente.

Figura 1.2: El proceso de simulación.

percentiles, etc.) en base a las observaciones generadas por la simulación. Considere un modelo de una pequeña clínica de atención médica sin cita previa. Las entradas del sistema incluyen los tiempos de llegada del paciente y los tiempos de diagnóstico y tratamiento del cuidador, todos los cuales son variables aleatorias (consulte la Figura 1.1 para ver un ejemplo). Para simular el sistema, necesitamos comprender y generar observaciones de estas variables aleatorias como entradas al modelo. A menudo, pero no siempre, tenemos datos del sistema "real" que usamos para caracterizar las variables aleatorias de entrada. Los resultados típicos pueden incluir el tiempo de espera del paciente, el tiempo en el sistema y las utilizaciones del cuidador y del espacio. El modelo de simulación generará observaciones de estas variables aleatorias. Al controlar la ejecución del modelo de simulación, podemos usar las observaciones generadas para caracterizar los resultados de interés. En la siguiente sección, discutiremos el análisis de entrada y salida en el contexto del proceso de simulación general.

1.3.2 El proceso de simulación El proceso básico de simulación se muestra en la Figura 1.2. Tenga en cuenta que el proceso no es estrictamente secuencial y, a menudo, resultará iterativo. Discutiremos brevemente cada uno de estos componentes en las siguientes secciones y desarrollaremos los temas en detalle a lo largo del libro.

Machine Translated by Google

8

CAPÍTULO 1. INTRODUCCIÓN A LA SIMULACIÓN

1.3.3 Diseño conceptual El diseño conceptual requiere una comprensión detallada del sistema que se está modelando, así como un enfoque de modelado básico para crear los modelos de simulación. El diseño conceptual se puede hacer con lápiz y papel o en una pizarra o en un espacio de colaboración similar que promueva el pensamiento libre. Es útil estar fuera de las limitaciones del paquete de software de simulación que está utilizando. Aunque sería ideal un proceso o metodología bien definidos para el diseño conceptual, no conocemos ninguno. En cambio, la planificación del proyecto es un proceso informal que implica "pensar" y discutir los detalles del problema y los posibles enfoques de modelado. Luego, los modeladores pueden esbozar un detalle sistemático del enfoque de modelado y decidir sobre la aplicación de detalles específicos del software. Tenga en cuenta que los modelos de simulación se desarrollan para objetivos específicos y un aspecto importante del diseño conceptual es garantizar que el modelo responda a las preguntas que se formulan. En general, los nuevos simulacionistas (así como los nuevos constructores de modelos en otros dominios) dedican muy poco tiempo a la fase de diseño conceptual. En cambio, tienden a saltar y comenzar el proceso de desarrollo del modelo. Asignar muy poco tiempo para el diseño conceptual casi siempre aumenta el tiempo total requerido para completar el proyecto.

1.3.4 Análisis de entrada El análisis de entrada (que se cubre en detalle en el Capítulo 6) implica caracterizar las entradas del sistema y luego desarrollar los algoritmos y el código de computadora para generar observaciones sobre las variables aleatorias de entrada y los procesos. Prácticamente todo el software de simulación comercial (incluido Simio) tiene funciones integradas para generar las observaciones de entrada. Por lo tanto, la tarea principal de análisis de entrada consiste en caracterizar las variables aleatorias de entrada y especificar las distribuciones y procesos correspondientes al software de simulación. A menudo tenemos observaciones de muestra de los datos del mundo real, y un enfoque común es "ajustar" distribuciones estándar o empíricas a estos datos que luego se pueden usar para generar las muestras durante la simulación (como se muestra en la Figura 1.1). Otro enfoque es tomar muestras aleatoriamente de los datos reales observados. Si no tenemos datos del mundo real sobre las entradas, podemos usar reglas generales generales y análisis de sensibilidad para ayudar con la tarea de análisis de entrada. En cualquiera de estos enfoques, es importante analizar la sensibilidad de los resultados de su modelo a las entradas seleccionadas. El Capítulo 6 también discutirá el uso de Parámetros de Entrada y cómo usarlos para completar ese análisis.

1.3.5 Desarrollo, verificación y validación del modelo El desarrollo del modelo es el proceso de "codificación" mediante el cual el modelo conceptual se convierte en un modelo de simulación "ejecutable". No queremos asustar a nadie con el término "codificación": la mayoría de los paquetes de simulación modernos brindan interfaces gráficas de usuario sofisticadas para admitir la creación/ mantenimiento de modelos, por lo que la "codificación" generalmente implica arrastrar y soltar los componentes del modelo y completar los cuadros de diálogo y las propiedades. ventanas Sin embargo, el desarrollo efectivo de modelos requiere una comprensión detallada de la metodología de simulación en general y de cómo funciona el software específico que se utiliza en particular. Los pasos de verificación y validación aseguran que el modelo es correcto. La verificación es el proceso que garantiza que el modelo se comporte como el desarrollador pretendía, y el componente de validación garantiza que el modelo sea preciso en relación con el sistema real que se está modelando. Tenga en cuenta que no será posible probar la corrección en ninguno de los modelos, excepto en los más simples. En cambio, nos enfocamos en recolectar evidencia hasta que nosotros (o nuestros clientes) estemos satisfechos. Aunque esto pueda molestar a los primeros simulacionistas, es la realidad. Los temas de desarrollo, verificación y validación de modelos se tratan a partir del Capítulo 4 y en el resto del libro.

Machine Translated by Google

1.4. CUÁNDO SIMULAR (Y CUÁNDO NO)

9

1.3.6 Análisis de resultados y experimentación Una vez que se ha verificado y validado un modelo, se ejercita el modelo para obtener información sobre el sistema subyacente. En los ejemplos anteriores, puede estar interesado en evaluar métricas de desempeño como el tiempo promedio que espera un paciente antes de ver a un cuidador, el percentil 90 de la cantidad de pacientes en la sala de espera, la cantidad promedio de vehículos que esperan en la entrada. a través del carril, etc. También puede estar interesado en tomar decisiones de diseño, como la cantidad de cuidadores necesarios para garantizar que el paciente promedio no espere más de 30 minutos, la cantidad de personal de cocina para garantizar que el pedido promedio esté listo en 5 minutos, etc. La evaluación de las métricas de rendimiento y la toma de decisiones de diseño mediante un modelo de simulación implica el análisis de resultados y la experimentación. El análisis de salida toma las observaciones individuales generadas por la simulación, caracteriza las variables aleatorias subyacentes (de una manera estadísticamente válida) y extrae inferencias sobre el sistema que se está modelando. La experimentación implica variar sistemáticamente las entradas del modelo y la estructura del modelo para investigar configuraciones alternativas del sistema. Los temas de análisis de salida se distribuyen a lo largo de los capítulos de modelado (4, 5 y 9).

1.4 Cuándo simular (y cuándo no hacerlo) La simulación de sistemas complicados se ha vuelto bastante popular. Una de las principales razones de esto está encarnada en esa palabra "complicado". Si el sistema de interés fuera lo suficientemente simple como para representarlo de manera válida mediante un modelo analítico exacto, la simulación no sería necesaria y, de hecho, no debería usarse. En cambio, los métodos analíticos exactos como la teoría de colas, la probabilidad o el álgebra o el cálculo simples podrían hacer el trabajo. Simular un sistema simple para el cual podemos encontrar una solución analítica exacta solo agrega incertidumbre a los resultados, haciéndolos menos precisos. Sin embargo, el mundo tiende a ser un lugar complicado, por lo que rápidamente salimos del ámbito de modelos tan “simples”. Es probable que un modelo válido de un sistema complicado sea bastante complicado en sí mismo y no se pueda someter a un análisis analítico simple. Si seguimos adelante y construimos un modelo simple de un sistema complicado con el objetivo de preservar nuestra capacidad para obtener una solución analítica exacta, el modelo resultante podría ser demasiado simple (incluso simplista) y no estaríamos seguros de si representa válidamente el sistema. Es posible que podamos obtener una solución analítica agradable, limpia, exacta y de forma cerrada para nuestro modelo simple, pero es posible que hayamos hecho muchas suposiciones simplificadoras

(algunas de las cuales pueden ser bastante cuestionables en la realidad) para llegar a nuestro modelo analítico. modelo manej Podemos terminar con una solución al modelo, pero ese modelo puede no tener mucha semejanza con la realidad, por lo que es posible que no tengamos una solución al problema. Es difícil medir cuán poco realista es un modelo; ni siquiera está claro si esa es una pregunta razonable. Por otro lado, si no nos preocupamos por construir un modelo que al final tendrá una solución analítica, estamos libres para permitir que las cosas en el modelo se vuelvan tan complicadas y desordenadas como deben ser para poder para imitar el sistema de una manera válida. Cuando no se dispone de un modelo simple tratable analíticamente, recurrimos a la simulación, donde simplemente imitamos el sistema complicado, a través de su modelo complicado (pero realista), y estudiamos qué sucede con los resultados. Esto permite que algunas entradas del modelo sean estocásticas, es decir, aleatorias y representadas por "sorteos" de distribuciones de probabilidad en lugar de valores de entrada fijos y constantes, para representar cómo son las cosas en realidad. Los resultados de nuestro modelo de simulación también serán estocásticos y, por lo tanto, inciertos. Claramente, esta incertidumbre o imprecisión en el resultado de la simulación es problemática. Pero, como veremos, no es difícil medir el grado de esta imprecisión. Si los resultados son demasiado imprecisos tenemos remedio. A diferencia de la mayoría de los experimentos de muestreo estadístico, tenemos el control total de la "aleatoriedad" y el número de repeticiones, y podemos usar este control para obtener cualquier nivel de precisión deseado. El tiempo de computadora solía ser una barrera real para la utilidad de la simulación. Pero con

Machine Translated by Google

10

CAPÍTULO 1. INTRODUCCIÓN A LA SIMULACIÓN

software moderno que se ejecuta en computadoras multiprocesador rápidas fácilmente disponibles e incluso computación en la nube, podemos hacer suficiente simulación para obtener resultados con imprecisión que es medible, aceptablemente baja y perceptiblemente válida. En años pasados, la simulación a veces se descartaba como “el método de último recurso”, o un enfoque que se debía adoptar solo “cuando todo lo demás falla” ([70], pp. 887, 890). Como se señaló anteriormente, la simulación no debe utilizarse si se dispone de un modelo válido tratable analíticamente. Pero en muchos (quizás la mayoría) de los casos, el sistema real es demasiado complicado, o no obedece las reglas, para permitir que se construya y analice un modelo analíticamente manejable de cualquier validez creíble. En nuestra opinión, es mejor simular el modelo correcto y obtener una respuesta aproximada cuya imprecisión pueda medirse y reducirse objetivamente, que hacer un análisis analítico exacto del modelo incorrecto y obtener una respuesta cuyo error ni siquiera puede cuantificarse, una situación eso es peor que la imprecisión. Si bien estamos hablando de respuestas precisas, los ejemplos y las figuras de esta edición de texto se crearon con la versión 91 de Simio . Debido a que cada versión de Simio puede contener cambios que podrían afectar el comportamiento de bajo nivel (como el orden de procesamiento de eventos simultáneos), diferentes versiones podrían producir diferentes resultados numéricos para una ejecución interactiva. Puede preguntarse "¿Qué resultados son correctos?" ¡Cada uno es tan correcto (o tan incorrecto) como los demás! En este libro, aprenderá cómo crear resultados estadísticamente válidos y cómo reconocer cuándo los tiene (o no los tiene). Con la posible excepción de una rara corrección de errores entre versiones, cada versión debe generar resultados estadísticamente equivalentes (y válidos) para el mismo modelo, aunque pueden diferir numéricamente entre ejecuciones interactivas individuales.

1.5 Habilidades de Éxito en Simulación Aprender a usar una herramienta de simulación y comprender la tecnología subyacente no garantizará su éxito. Llevar a cabo proyectos de simulación exitosos requiere mucho más que eso. Los recién llegados a la simulación a menudo preguntan cómo pueden tener éxito en la simulación. La respuesta es fácil: “Trabaja duro y haz todo bien”. Pero tal vez quieras un poco más de detalle. Identifiquemos algunos de los temas más importantes que deben ser considerados.

1.5.1 Objetivos del proyecto Muchos proyectos comienzan con una fecha de entrega fija, pero a menudo solo tienen una idea aproximada de lo que se entregará y una vaga idea de cómo se hará. La primera pregunta que viene a la mente cuando se presenta un desafío de este tipo es "¿Cuáles son los objetivos del proyecto?" Aunque pueda parecer una pregunta obvia con una respuesta simple, a menudo sucede que las partes interesadas no saben la respuesta. Antes de que pueda ayudar con los objetivos, debe conocer a las partes interesadas. Una parte interesada es alguien que encarga, financia, utiliza o se ve afectado por el proyecto. Algunas partes interesadas son obvias: es probable que su jefe sea una parte interesada (si es un estudiante, su instructor es sin duda una parte interesada). Pero a veces hay que trabajar un poco para identificar a todas las partes interesadas clave. ¿Por qué debería importarte? En parte porque las partes interesadas a menudo tienen objetivos diferentes (ya veces contradictorios). Supongamos que se le pide que modele una instalación de fabricación específica en una gran corporación y evalúe si una nueva grúa de $ 4 millones brindará los resultados deseados (aumentos en el rendimiento del producto, reducciones en el tiempo de espera, reducciones en el mantenimiento, etc.). Aquí hay algunas posibles partes interesadas y cuáles podrían ser sus objetivos en una situación típica: 1 Si está utilizando una versión más reciente de Simio, busque en el área para estudiantes del sitio web de libros de texto, donde encontrará información adicional. el contenido en línea se publicará a medida que esté disponible.

Machine Translated by Google

1.5. HABILIDADES DE SIMULACIÓN PARA EL ÉXITO

11

• Gerente de ingeniería industrial (IE) (su jefe): Quiere demostrar que IE agrega valor a la corporación, por lo que quiere que usted demuestre ahorros de costos drásticos o mejora de la productividad. También quiere una buena animación en 3D que pueda usar para comercializar sus servicios en otras partes de la corporación.

• Gerente de producción: está convencido de que comprar una grúa nueva es la única forma en que puede cumplir con sus objetivos de producción y ha instruido a su personal clave para que le brinde la información que lo ayude a demostrarlo. • VP-Producción: Ha estado en el negocio por mucho tiempo y no está convencido de que esto de la “simulación” ofrezca algún beneficio real. Está apoyando marginalmente este esfuerzo debido a la presión política, pero espera (y secretamente espera) que el proyecto fracase. • Vicepresidenta de Finanzas: Le preocupa mucho gastar el dinero en la grúa, pero también le preocupa la productividad inadecuada. De hecho, ella es quien, en la última reunión ejecutiva, insistió en encargar un estudio de simulación para obtener un análisis objetivo. • Supervisora de Línea: Trabaja allí desde hace 15 años y es responsable del movimiento de material. Sabe que existen formas menos costosas e igualmente efectivas de aumentar la productividad y estaría encantada de compartir esa información si alguien se molesta en preguntarle. • Obrero de materiales: Actualmente dedica gran parte de su tiempo a mover materiales y tiene miedo de que lo despidan si compra una grúa nueva. Así que hará todo lo posible para convencerte de que una grúa nueva es una mala idea. • Gerente de ingeniería: su personal ya está abrumado, por lo que no quiere involucrarse a menos que sea absolutamente necesario. Pero si se va a comprar una grúa nueva, tiene algunas ideas muy específicas de cómo se debe configurar y usar. Este escenario es en realidad una combinación de algunos casos reales. Los proyectos más pequeños y las empresas más pequeñas pueden tener menos partes interesadas, pero los principios subyacentes siguen siendo los mismos. Los objetivos y motivaciones en conflicto no son nada inusuales. Cada una de las partes interesadas tiene aportes valiosos para el proyecto, pero es importante tener en cuenta sus sesgos y motivaciones al evaluar sus aportes. Entonces, ahora que hemos llegado a conocer un poco a las partes interesadas, debemos determinar cómo cada uno ve o contribuye a los objetivos del proyecto e intentar priorizarlos de manera adecuada. Para identificar los objetivos clave, debe hacer preguntas como estas: • ¿Qué desea evaluar o espera probar? • ¿Cuál es el alcance del modelo? ¿Cuánto detalle se prevé para cada componente de la ¿sistema? • ¿Qué componentes son críticos? ¿Qué componentes menos importantes podrían aproximarse? • Qué información de entrada puede estar disponible, qué tan buena es, quién la proporcionará y ¿Cuándo?

• ¿Cuánta experimentación será necesaria? ¿Se requerirá una búsqueda óptima? • ¿Cómo se usará cualquier animación (la animación para la validación es bastante diferente de la animación presentado a una junta directiva)? • ¿De qué forma desea obtener los resultados (presentación verbal, números detallados, resúmenes, gráficos, informes de texto)?

Machine Translated by Google

12

CAPÍTULO 1. INTRODUCCIÓN A LA SIMULACIÓN

Una buena manera de ayudar a identificar objetivos claros es diseñar una maqueta del informe final. Puede decir: "Si genero un informe con la siguiente información en un formato como este, ¿eso satisfará sus necesidades?" Una vez que pueda obtener un acuerdo general sobre la forma y el contenido del informe final, a menudo puede trabajar hacia atrás para determinar el nivel de detalle apropiado y abordar otras inquietudes de modelado. Este proceso también puede ayudar a sacar a la luz objetivos de modelado no reconocidos. A veces la claridad necesaria del proyecto no está ahí. Si es así, y sigue adelante de todos modos para planificar todo el proyecto, incluidos los entregables, los recursos y la fecha, se está preparando para el fracaso. La falta de claridad del proyecto es un llamado claro para hacer el proyecto en fases. Comenzar con un pequeño prototipo a menudo ayudará a aclarar los grandes problemas. Con base en esas experiencias de prototipo, es posible que pueda hacer un plan detallado para las fases posteriores. Hablaremos más sobre eso a continuación.

1.5.2 Especificación funcional “Si no sabes a dónde vas, ¿cómo sabrás cuando llegues allí?” Consejo del carpintero: “Mide dos veces. Corta una vez. Si ha seguido los consejos de la Sección 1.5.1, ahora tiene al menos algunos objetivos básicos del proyecto. Estás listo para comenzar a construir el modelo, ¿verdad? ¡Incorrecto! En la mayoría de los casos, sus partes interesadas buscarán algunos compromisos. • ¿Cuándo lo terminará (ayer es demasiado pronto)? • ¿Cuánto costará (o cuántos recursos requerirá)? • ¿Qué tan completo será el modelo (o qué aspectos específicos del sistema se incluirán)? • ¿Cuál será la calidad (o cómo se verificará y validará)? ¿Estás listo para dar respuestas confiables a esas preguntas? Probablemente no. Por supuesto, la peor situación posible, pero bastante común, es que la parte interesada proporcione respuestas a todas esas preguntas y deje que usted las entregue. Imagínese una declaración como “Le pagaré $5000 para proporcionar un análisis exhaustivo y validado de . . . para ser entregado dentro de cinco días a partir de ahora. Si se acepta, tal declaración a menudo resulta en mucho tiempo extra y produce un modelo incompleto y no validado con una o dos semanas de retraso. Y en cuanto al dinero prometido. . . bueno, el cliente no recibió lo que pidió, ahora, ¿verdad? Está bien que el cliente especifique las respuestas a dos de esas preguntas y, en casos excepcionales, incluso a tres. Pero debe reservarse el derecho de ajustar al menos uno o dos de esos parámetros. Puede reducir el alcance para cumplir con una fecha límite. O puede extender la fecha límite para lograr el alcance. O bien, puede duplicar los recursos y el costo para lograr el alcance y cumplir con la fecha (ajustar la calidad rara vez es una buena idea). Si tiene suerte, la parte interesada le permitirá responder las cuatro preguntas (por supuesto, reservándose el derecho de rechazar su propuesta). Pero, ¿cómo se te ocurren buenas respuestas? Mediante la creación de una especificación funcional, que es un documento que describe exactamente qué se entregará, cuándo, cómo y por quién. Si bien los detalles requeridos en una especificación funcional varían según la aplicación y el tamaño del proyecto, los componentes típicos pueden incluir lo siguiente: 1. Introducción a) Objetivos de la simulación: Discusión de objetivos de alto nivel. ¿Cuál es la salida deseada? resultado de este proyecto?

Machine Translated by Google

1.5. HABILIDADES DE SIMULACIÓN PARA EL ÉXITO

13

b) Identificación de las partes interesadas: ¿Quiénes son las principales personas preocupadas por los resultados de este modelo? ¿Qué otras personas también están preocupadas? ¿Cómo será utilizado el modelo y por quién? ¿Cómo lo aprenderán? 2. Descripción del sistema y enfoque de modelado: descripción general de los componentes del sistema y enfoques para modelarlos, incluidos, entre otros, los siguientes componentes: a) Equipo: Cada equipo debe ser descrito en detalle, incluyendo su comportamiento, configuraciones, horarios, confiabilidad y otros aspectos que puedan afectar el modelo. Incluya tablas de datos y diagramas según sea necesario. Cuando aún no existan datos, deben identificarse como tales. b) Tipos de productos: ¿Qué productos están involucrados? ¿Cómo se diferencian? ¿Cómo se relacionan entre sí? ¿Qué nivel de detalle se requiere para cada producto o grupo de productos? c) Operaciones: Cada operación debe describirse en detalle incluyendo su comportamiento, configuraciones, cronogramas, confiabilidad y otros aspectos que puedan afectar el modelo. Incluya tablas de datos y diagramas según sea necesario. Cuando aún no existan datos, deben identificarse como tales. d) Transporte: El transporte interno y externo debe describirse en forma adecuada. detalle. 3. Datos de entrada: ¿Qué datos se deben considerar para la entrada del modelo? ¿Quién proporcionará esto? ¿información? ¿Cuándo? ¿En qué formato?

4. Datos de salida: ¿Qué datos debe producir el modelo? En esta sección, una maqueta del informe final ayudará a aclarar las expectativas de todas las partes. 5. Entregables del proyecto: discuta todos los entregables del proyecto acordados. Cuando se completa esta lista, el proyecto se considera completo. a) Documentación: ¿Qué modelo de documentación, instrucciones o manual de usuario se ¿previsto? ¿A qué nivel de detalle? b) Software y capacitación: si se pretende que el usuario interactúe directamente con el modelo, discuta el software que se requiere; qué software, si lo hay, se incluirá en la cotización del precio del proyecto; y qué interfaz personalizada, si corresponde, se proporcionará. También analice qué proyecto o capacitación sobre productos se recomienda o se brindará. c) Animación: ¿Cuáles son los entregables de la animación y con qué fines se utilizarán las animaciones (validación del modelo, aceptación de las partes interesadas, marketing)? 2D o 3D? ¿Están disponibles los diseños y símbolos existentes y en qué forma? ¿Qué se proporcionará, por quién y cuándo? 6. Fases del proyecto: describa cada fase del proyecto (si hay más de una) y el esfuerzo estimado, la fecha de entrega y el cargo para cada fase. 7. Firmas: Sección de firmas para los principales interesados. Al comienzo de un proyecto, existe una inclinación natural a empezar a modelar. Hay presión de tiempo. Las ideas fluyen. Hay emoción. Es muy difícil parar y hacer una especificación funcional. Pero confíe en nosotros: vale la pena hacer una especificación funcional. Vuelva a mirar esas citas al comienzo de esta sección. Hacer una pausa para determinar adónde va y cómo va a llegar allí puede ahorrar esfuerzos mal dirigidos y pérdida de tiempo.

Machine Translated by Google

14

CAPÍTULO 1. INTRODUCCIÓN A LA SIMULACIÓN

Recomendamos que aproximadamente el primer 10 % del tiempo total estimado del proyecto se dedique a crear un prototipo y una especificación funcional. No considere esto como tiempo extra. Más bien, como en el diseño de informes, solo está cambiando algunas tareas específicas al principio del proyecto, cuando pueden tener el mayor beneficio de planificación. Sí, eso significa que si espera que el proyecto tarde 20 días, debe dedicar unos dos días a esto. Como resultado, es posible que descubra que el proyecto requerirá 40 días para finalizar; sin duda, malas noticias, pero es mucho mejor averiguarlo por adelantado mientras aún tiene tiempo para considerar alternativas (volver a priorizar los objetivos, reducir el alcance, agregar recursos, etc).

1.5.3 Iteraciones del proyecto Los proyectos de simulación se realizan mejor como un proceso iterativo, incluso desde los primeros pasos. Podría pensar que podría simplemente definir sus objetivos, crear una especificación funcional y luego crear un prototipo. Pero mientras escribe la especificación funcional, es probable que descubra nuevos objetivos. Y mientras hace el prototipo, descubrirá cosas nuevas e importantes para agregar a la especificación funcional. A medida que avanza en el proyecto, un enfoque iterativo se vuelve aún más importante. Un novato en simulación a menudo tendrá una idea y comenzará a modelarla, luego seguirá agregando al modelo hasta que esté completo, y solo entonces ejecutará el modelo. Pero incluso el mejor modelador, usando las mejores herramientas, cometerá errores. Pero cuando todo lo que sabe es que su error está “en alguna parte del modelo”, es muy difícil encontrarlo y corregirlo. Según nuestra experiencia colectiva en la enseñanza de la simulación, este es un gran problema para los estudiantes nuevos en el tema. Los modeladores más experimentados generalmente construirán una pequeña parte del modelo, luego la ejecutarán, la probarán, la depurarán y verificarán que hace lo que el modelador esperaba que hiciera. Luego repita ese proceso con otra pequeña pieza del modelo. Tan pronto como exista suficiente modelo para compararlo con el mundo real, valide, tanto como sea posible, que toda la sección del modelo coincida con el comportamiento previsto del sistema. Siga repitiendo este proceso iterativo hasta que el modelo esté completo. En cada paso del proceso, encontrar y solucionar problemas es mucho más fácil porque es muy probable que se trate de un problema en la pieza pequeña que se agregó más recientemente. Y en cada paso puede guardar con un nombre diferente (como MyModelV1, MyModelV2, o con fechas completas e incluso horas adjuntas a los nombres de los archivos), para permitir volver a una versión anterior si es necesario. Otro beneficio de este enfoque iterativo, especialmente para los novatos, es que los problemas potencialmente importantes se pueden eliminar antes. Digamos que construyó un modelo completo basado en una suposición errónea de cómo funcionaba la agrupación de entidades, y solo al final descubrió su malentendido. En ese momento, podría requerir una revisión extensa para cambiar la base de su modelo. Sin embargo, si estuviera construyendo su modelo iterativamente, probablemente habría descubierto su malentendido la primera vez que usó la construcción de agrupación, momento en el cual sería relativamente fácil tomar una mejor estrategia. Un beneficio final y extremadamente importante del enfoque iterativo es la capacidad de priorizar. Para cada iteración, trabaje en la pequeña sección más importante del modelo que queda. Lo único predecible sobre el desarrollo de software de todo tipo es que casi siempre toma mucho más tiempo de lo esperado. La construcción de modelos de simulación a menudo comparte el mismo problema. Si se queda sin tiempo de proyecto cuando sigue un enfoque no iterativo y su modelo aún no funciona, y mucho menos verificado o validado, esencialmente no tiene nada útil que mostrar por sus esfuerzos. Pero si se le acaba el tiempo al seguir un enfoque iterativo, tiene una parte del modelo que está completa, verificada, validada y lista para usar. Y si ha estado trabajando en la tarea de mayor prioridad en cada iteración, es posible que descubra que la parte completada es suficiente para cumplir con la mayoría de los objetivos del proyecto (busque la regla 80-20 o el principio de Pareto para ver por qué) .

Machine Translated by Google

1.5. HABILIDADES DE SIMULACIÓN PARA EL ÉXITO

15

Aunque puede variar un poco según el proyecto y la aplicación, los pasos generales en un estudio de simulación son:

1. Definir objetivos de alto nivel e identificar a las partes interesadas. 2. Definir la especificación funcional, incluidos los objetivos detallados, los límites del modelo, el nivel de detalle, enfoque de modelado y medidas de salida. Diseñar el informe final. 3. Construya un prototipo. Actualice los pasos 1 y 2 según sea necesario. 4. Modelar o mejorar una pieza de alta prioridad del sistema. Documentarlo y verificarlo. Iterar. 5. Recopilar e incorporar datos de entrada del modelo. 6. Verificar y validar el modelo. Involucrar a las partes interesadas. Vuelva al paso 4 según sea necesario. 7. Diseño de experimentos. Hacer corridas de producción. Involucrar a las partes interesadas. Regrese al paso 4 como necesario. 8. Documentar los resultados y el modelo. 9. Presente los resultados y recopile sus felicitaciones. Mientras itera, no pierda la oportunidad de comunicarse regularmente con las partes interesadas. A las partes interesadas no les gustan las sorpresas. Si el proyecto está produciendo resultados que difieren de lo esperado, aprendan juntos por qué sucede eso. Si el proyecto está retrasado, infórmeselo a las partes interesadas con anticipación para que se puedan evitar problemas graves. No piense en las partes interesadas como simples clientes y, desde luego, no como adversarios. Piense en las partes interesadas como socios: pueden ayudarse mutuamente para obtener los mejores resultados posibles de este proyecto. Y esos resultados a menudo provienen de la exploración detallada del sistema que es necesaria para descubrir los procesos reales que se están modelando. De hecho, en muchos proyectos, una gran parte del valor ocurre incluso antes de que se generen los "resultados" de la simulación, debido al conocimiento obtenido de la exploración inicial por parte de los modeladores y la colaboración frecuente con las partes interesadas.

1.5.4 Gestión de proyectos y agilidad Hay muchos aspectos para un proyecto exitoso, pero uno de los más obvios es cumplir con el plazo de finalización. Un proyecto que produce resultados después de que se toma la decisión tiene poco valor. Otros aspectos, a menudo relacionados, son el costo, los recursos y el tiempo consumidos. Un proyecto que supera el presupuesto puede cancelarse antes de que se acerque a su finalización. Debe prestar la debida atención a las fechas de finalización y los costos del proyecto. Pero ambos son resultados de cómo gestiona los detalles del proyecto día a día. Un proyecto bien administrado comienza por tener objetivos claros y una especificación funcional sólida para guiar sus decisiones. A lo largo del proyecto, tomará decisiones grandes y pequeñas, como las siguientes:

• ¿Cuánto detalle se debe modelar en una sección en particular? • ¿Cuántos datos de entrada necesito recopilar? • ¿A qué datos de salida debo prestar más atención? • ¿Cuándo se considera válido el modelo? • ¿Cuánto tiempo debo dedicar a la animación? ¿En el análisis?

Machine Translated by Google

CAPÍTULO 1. INTRODUCCIÓN A LA SIMULACIÓN

dieciséis

• ¿Qué debería hacer después? En casi todos los casos, la especificación funcional debe proporcionar directa o indirectamente las respuestas. Ya capturó y priorizó los objetivos de sus partes interesadas clave. Esa información debe convertirse en la base de la mayoría de las decisiones. Una de las cosas que tendrá que priorizar son las "especificaciones en evolución" o las nuevas solicitudes de las partes interesadas, a veces denominadas "desplazamiento del alcance". Un extremo es tomar una línea dura y decir "Si no está en la especificación funcional, no está en el modelo". Si bien en algunos casos excepcionales esta respuesta puede ser apropiada y necesaria, en la mayoría de los casos no lo es. La simulación es un proceso exploratorio y de aprendizaje. A medida que explora nuevas áreas y aprende más sobre el sistema de destino, es natural que evolucionen nuevos temas, enfoques y áreas de estudio. Negarse a lidiar con esto limita severamente el valor potencial de la simulación (y su valor como proveedor de soluciones). Otro extremo es adoptar el enfoque de que las partes interesadas siempre tienen razón, y si le piden que trabaje en algo nuevo, debe ser lo correcto. Si bien esta respuesta hace feliz a la parte interesada a corto plazo, el resultado más probable a largo plazo es un proyecto tardío o incluso sin terminar, ¡y una parte interesada muy descontenta! Si siempre está persiguiendo la última idea, es posible que nunca tenga tiempo para terminar el trabajo de alta prioridad necesario para producir algún valor.

La clave es gestionar estas oportunidades: esa gestión comienza con una comunicación abierta con las partes interesadas y revisando los elementos de la especificación funcional y sus prioridades relativas. Cuando se agrega algo al proyecto, algo más debe cambiar. Tal vez abordar el nuevo elemento sea lo suficientemente importante como para posponer un poco la fecha límite del proyecto. Si no es así, tal vez este nuevo elemento sea más importante que alguna otra tarea que se pueda abandonar (o mover a la "lista de deseos" que se desarrolla para cuando las cosas van mejor de lo esperado). O tal vez este nuevo elemento en sí mismo debería moverse a la "lista de deseos". Nuestra definición de agilidad es la capacidad de reaccionar rápida y adecuadamente al cambio. Tu la capacidad de ser ágil contribuirá significativamente a su éxito en la simulación.

1.5.5 Declaraciones de derechos de las partes interesadas y los simulacionistas Terminaremos este capítulo reconociendo que las partes interesadas tienen expectativas razonables de lo que hará por ellos (Figura 1.3). Considere cuidadosamente estas expectativas para mejorar la eficacia y el éxito de su próximo proyecto. Pero además de esas expectativas, las partes interesadas también tienen algunas responsabilidades con usted (Figura 1.4). Discutir ambos conjuntos de estas expectativas con anticipación puede mejorar las comunicaciones y ayudar a garantizar que su proyecto sea exitoso, una situación beneficiosa para todos que satisfaga las necesidades de todos. Estos "derechos" se extrajeron del blog Success in Simulation [67] en www.simio.com/blog y se usaron con autorización. Lo instamos a leer detenidamente los primeros temas de este blog no comercial por sus muchos consejos de éxito y temas breves e interesantes.

Machine Translated by Google

1.5. HABILIDADES DE SIMULACIÓN PARA EL ÉXITO

Figura 1.3: Declaración de derechos de las partes interesadas de la simulación.

17

Machine Translated by Google

18

CAPÍTULO 1. INTRODUCCIÓN A LA SIMULACIÓN

Figura 1.4: Declaración de derechos del simulacionista.

Machine Translated by Google

Capitulo 2 Conceptos básicos de la teoría de colas

Muchos (no todos) los modelos de simulación son de sistemas de colas que representan una amplia variedad de operaciones reales. Por ejemplo, los pacientes llegan a una clínica de atención urgente (es decir, simplemente se presentan al azar sin citas) y todos deben registrarse primero, posiblemente después de esperar en una fila (o una cola) por un rato; véase la figura 2.1. Después de registrarse, los pacientes van al registro o, si están gravemente enfermos, van a una sala de traumatología y podrían tener que esperar en la cola en cualquiera de esos lugares también antes de ser atendidos. Los pacientes que van a la sala de examen luego salen del sistema o van a una sala de tratamiento (quizás haciendo cola allí primero) y luego salen. Los pacientes gravemente enfermos que fueron a una sala de traumatología luego van todos a una sala de tratamiento (posiblemente después de hacer cola allí también), y luego salen. Las preguntas para diseñar y operar una instalación de este tipo podrían incluir cuánto personal de qué tipo debe tener de servicio durante qué períodos de tiempo, qué tan grande debe ser la sala de espera, cómo se vería afectada la estadía de los pacientes en la sala de espera si los médicos y enfermeras disminuyeran o aumentaran. el tiempo que tienden a pasar con los pacientes, qué sucedería si llegara un 10% más de pacientes y cuál podría ser el impacto de atender a los pacientes en un orden de acuerdo con alguna medida de agudeza de su condición presentada en lugar de primero en llegar, primero en ser atendido. Este breve capítulo cubrirá solo los aspectos básicos de la teoría de colas (no de la simulación de colas), ya que la familiaridad con este material y la terminología es importante para desarrollar muchos modelos de simulación. Las fórmulas matemáticas relativamente simples de la teoría elemental de colas

Figura 2.1: Un sistema de colas que representa una clínica de urgencias.

19