Generalidades de Simulación de Eventos Continuos.

Es aquella en donde las variables de estado cambian de forma continua en el tiempo. Para ello se desarrolla una solución numérica de ecuaciones diferenciales simultáneas. Periódicamente, el programa de simulación resuelve todas las ecuaciones y usa los resultados para cambiar el valor de las variables de estado de la simulación.
Ejemplos:

• nivel de agua en un pantano ecología.
• procesos químicos.
• comportamientos sociales.
• análisis de comportamiento del consumidor.
• desarrollo organización.
• problemas matemáticos y físicos.

Puntos para Desarrollar un proyecto de Sim. de Eventos Discretos.

De todos los tipos de simulación mencionados, en el presente artículo pretendo enfocarme en la Simulación de Eventos Discretos, lo anterior es debido a que encuentro en esta técnica ventajas únicas y definitivas a la hora de diseñar y planear diferentes eslabones de la cadena de suministro, que como lo sabe es una de las áreas más determinantes como factor de éxito en cualquier compañía.

En general la simulación de eventos discretos permite modelar situaciones de alto nivel de complejidad con funciones relativamente sencillas, de esta forma es posible construir modelos que representen la realidad en el nivel de detalle deseado, por ejemplo el diseño de un modelo de un centro de distribución con recibo, almacenamiento, picking de estibas, zona de fast picking, alistamiento y despacho.

Dada la estructura de la simulación de eventos discretos es posible obtener todo tipo de estadísticas e indicadores relevantes a la operación modelada, inclusive se puede obtener información que muchas veces en los sistemas reales sería inimaginable tener, como por ejemplo: diagramas de gantt de las piezas en proceso, utilización de los recursos humanos, diagrama de gantt de los recursos utilizados, tiempos de ciclo de piezas en proceso).

• Su comportamiento se caracteriza por una secuencia finita o infinita de estados delimitados por eventos que ocurren de manera asíncrono.

María Elena Meda Campaña. (2012). Identificación de sistemas de eventos discretos.. 20/04/2016, de María Elena Meda Campaña emeda@cucea.udg.mx Sitio web:
 http://www.gdl.cinvestav.mx/ofelia/uploads/6.%20Dra.%20Maria%20Elena%20Meda%20%20Campa%C3%B1a%20-%20Identificaci%C3%B3n%20SED%20una%20aproximaci%C3%B3n%20de%20mod%20elado.pdf

Ejemplos de Simulación de Eventos Discretos.

Sistema de inventarios con un solo producto, cada semana un operario debe tomar una decisión de cuanto encargar (comprar o solicitar). Identificamos tres eventos en este sistema:

a) colocar una orden o solicitud.

b) llegada de una solicitud.

c) una venta o utilización del producto.

Sistema de inventarios: estimar el tamaño de órdenes de compra al proveedor según una cierta demanda . Si la demanda y tiempo de provisión son determinísticos, existen modelos analíticos que lo resuelven bien. Si son estocásticos, es recomendable usar simulación.

La planificación de un proceso de simulación debe ser precedida de una descripción del sistema y del problema que determinó la simulación. El análisis se hará mediante interviews, lectura de informes, actas y ejercicios de recolección de datos. Regla: el modelo debe ser tan simple como sea posible sin dejar de producir resultados verificables y fidedignos. 

Antonio Mauttone. (2010). Simulación a Eventos Discretos. 20/04/2016, de fing.edu.uy Sitio web: http://www.fing.edu.uy/inco/cursos/simulacion/archivos/clases/clase01web.pdf

Modelo de Simulación de Procesos Continuos.

El análisis de sistemas ayuda a resolver situaciones complejas, ubicando los puntos de apalancamiento más convenientes. Para ellos es necesario ver el total en vez de las partes. En vez de ver los elementos de una organización en forma aislada conviene verlos como elementos parciales de la realidad industrial. Es obvio que esta realidad industrial es mucho más compleja que alguna individualidad en particular. Sin embargo, es útil conocer que hay dos tipos de complejidades: una relativa a los detalles y otra relativa a la dinámica. Esta última está presente en situaciones donde la causa y el efecto son sutiles, y donde el efecto de la intervención a través del tiempo no es obvia. Por ejemplo, las técnicas de pronósticos, planificación o algún método analítico convencional no están equipadas para afrontar la complejidad dinámica. Un conjunto complejo de industrias para ensamblar un equipo, o el inventario de una fábrica supone complejidad dinámica.

Cuando la misma acción tiene efectos distintos a corto y a largo plazo, hay complejidad dinámica. Cuando la misma acción tiene consecuencia en un punto y otras consecuencias en otra parte del sistema hay complejidad dinámica. Los modelos gerenciales adaptados para guiar a la dirección sobre decisiones oportunas y pertinentes que tienen efectos en el corto, medio y largo plazo tienen complejidad dinámica, Sterman.

Simulación de Eventos Discretos.

La simulación de eventos discretos, es una herramienta de análisis que se difunde rápidamente en el ambiente empresarial, comprobando su utilidad para apoyar la toma de decisiones relacionadas con la planeación de la producción y los inventarios, y con el diseño de los sistemas de producción y sus cadenas de suministro, Guasch, Piera, y Figueras.

El concepto de sistema de evento discreto tiene por finalidad identificar a sistemas en los que los eventos que cambian el estado del mismo ocurren en instantes espaciados en el tiempo, a diferencia de los sistemas cuyo estado puede cambiar continuamente en el tiempo (como la posición de un vehículo en movimiento). Aunque aparentemente simples, los sistemas de eventos discretos, pueden modelar muchos de los fenómenos que enfrentan los responsables de la administración de los procesos productivos en una empresa. Por ejemplo, los inventarios de cualquier producto sólo se alteran ante la ocurrencia de alguno de dos eventos: ingreso de un lote de abastecimiento, o retiro de cierta cantidad del producto para satisfacer el pedido de un cliente, de la misma manera como el dinero disponible en cualquier cuenta bancaria sólo puede cambiar a consecuencia de un depósito, o a consecuencia de un retiro Rico (1992)

Los primeros intentos para simular sistemas de eventos discretos, datan de la década de los años 60, donde se desarrollan las primeras simulaciones en ordenador para planear proyectos de gran envergadura, aunque a un costo alto y utilizando lenguajes de propósito general (a menudo FORTRAN). Las primeras herramientas para facilitar el uso de la simulación de evento discreto aparecen en la forma de lenguajes de simulación en la década de los años 70, aunque la programación en estos lenguajes se realiza todavía por medio de comandos escritos en un archivo. Lenguajes como GPSS, SIMSCRIPT, SLAM y SIMAN tienen una amplia difusión en los años 80, paralela a una gran producción científica relacionada con las posibles aplicaciones de la simulación de evento discreto, y el desarrollo de métodos para el análisis de experimentos por simulación, para generar por ordenador la ocurrencia de eventos siguiendo patrones probabilísticos, y para permitir que el motor del lenguaje pueda modelar una gama amplia de aplicaciones.

En la década de los 90, la difusión de los ordenadores personales, y la aparición de paquetes de simulación que se programan en ambientes gráficos, y con capacidades de animación, permite que la simulación se difunda ampliamente como herramienta para el diseño y análisis en diversos sectores tanto de la industria de manufacturas como de servicios.

Actualmente se pueden distinguir en el mercado dos tipos de paquetes para simulación de evento discreto: los de propósito general y los orientados hacia alguna aplicación o sector industrial específico. Entre los paquetes más conocidos de propósito general, se pueden mencionar a Arena, Simul8, GPSS/H, AweSim, y MODSIM III, mientras que entre los paquetes con orientación hacia alguna aplicación se puede mencionar a AutoMod, ProModel, SIMFACTORY II.5, QUEST y Arena Packaging Edition para manufactura, COMNET III y OPNET Modeler para redes de comunicaciones, SIMPROCESS, ProcessModel, ServiceModel y Arena Business Edition para analizar flujos en procesos de negocios, y MedModel para servicios del cuidado de la salud. Los paquetes mencionados permiten la programación en un ambiente gráfico por medio de módulos, y pueden incorporar animación a sus modelos, lo que además de facilitar la programación del modelo de simulación, se constituye en una herramienta valiosa para la verificación y demostración de las capacidades del modelo.

Antonio Mauttone. (2010). Simulación a Eventos Discretos. 20/04/2016, de fing.edu.uy Sitio web: http://www.fing.edu.uy/inco/cursos/simulacion/archivos/clases/clase01web.pdf

Conclusión.

La Simulación de sistemas se trata sobre las técnicas utilizadas para imitar el funcionamiento de distintos tipos de instalaciones o procesos. A la instalación o proceso que se pretende estudiar se le denomina sistema y para poderlo analizar se realiza una serie de supuestos sobre su funcionamiento. Estos supuestos, que normalmente se expresan mediante relaciones matemáticas o relaciones lógicas, constituyen un modelo del sistema. Este modelo se utiliza para comprender y prever el comportamiento del sistema real. Si las relaciones matemáticas o lógicas que comprende el modelo son sencillas, entonces será posible utilizar un procedimiento analítico para obtener una solución o respuesta exacta sobre las características de interés del sistema analizado. No obstante, si las relaciones son complejas, puede ocurrir que no se pueda evaluar analíticamente el problema. 

En este caso, será necesario acudir a la simulación del sistema, evaluando numéricamente el modelo y analizando los datos obtenidos para estimar las características de dicho sistema. Un sistema se define como un conjunto de elementos unidos por relaciones de interacción o interdependencia. En el ámbito de los sistemas productivos estos elementos normalmente tienen un objetivo común. Los elementos que forman parte del sistema vienen condicionados por el objetivo del estudio que se pretende realizar, ya que un sistema definido para un estudio determinado puede ser una parte de un sistema más amplio definido para otro estudio particular. Por ejemplo, si se quiere determinar cuál es el número más adecuado de operarios y máquinas en la sección de mecanizado de una empresa que tiene una determinada cartera de pedidos, estos elementos serán los que formen parte del sistema a analizar, mientras que, si lo que se desea es estudiar la capacidad productiva de la empresa, los elementos mencionados anteriormente sólo serán una parte del sistema. A ellos habrá que añadir montaje, embalaje, almacenaje, etc. Se pueden realizar las siguientes definiciones: − Atributo: propiedad de un elemento del sistema. − Actividad: todo proceso que provoque un cambio en el sistema. El estado del sistema en un instante de tiempo determinado se puede definir como la descripción de todos los elementos, atributos y actividades en dicho instante. 

Generación de Muestras de Distribución.

•  El muestreo de Monte Carlo se logra al asignar intervalos de números aleatorios de acuerdo a las probabilidades en la distribución especificada.
•  Este método consiste en los siguientes pasos:

1. Se realiza una segmentación, para cada probabilidad de la distribución se le asigna un rango de valores según su valor.

2. Se genera un número aleatorio entero r entre 00 y 99. Cada número aleatorio en una secuencia (en este caso de 00 a 99) tiene una probabilidad igual (en este caso 0.01) de aparecer, y cada uno es independiente de los números antes y después de él.

3. Se devuelve la variable aleatoria discreta de la distribución que corresponda con el rango donde pertenece el número aleatorio generado.

 El muestreo de Monte Carlo se logra al transformar los números aleatorios en una variable aleatoria continua a partir de la distribución especificada. 

 Hay muchos métodos diferentes para generar variables aleatorias continuas. 

 La selección de un algoritmo particular dependerá de la distribución a partir de la cual se quiere generar, tomando en cuenta factores como la exactitud de las v.a., las eficiencias de cómputo y almacenaje, y la complejidad del algoritmo.


Carlos Palacios.. (2011). Método de Montecarlo.. 13/04/2016, de UAM Sitio web: https://www.uam.es/personal_pdi/ciencias/carlosp/html/pid/montecarlo.html