Guía Completa sobre Simulación de Redes y Sistemas

La simulación de redes es una representación virtual.

Hay dos tipos principales de simulación de redes: Simulación con redes existentes o ya definidas y Simulación antes de la construcción.

Tipos de simulación:

Simulación discreta: Es una representación de un sistema en la que las variables cambian de estado en momentos específicos y separados en el tiempo. Es como si el sistema solo pudiera cambiar en «pasos discretos».
- Un ejemplo sería un reloj digital, donde los números cambian en intervalos específicos y no de manera continua.
Simulación continua: En este caso, las variables cambian de manera constante y gradual en el tiempo. No hay «pasos discretos», sino que los cambios son suaves y continuos.
- Un ejemplo sería la aguja de un reloj analógico, que se mueve de manera fluida sin saltos.
Simulación combinada (discreta-continua): Este tipo de simulación es una mezcla de los dos anteriores. Algunas variables cambian de manera continua en el tiempo, mientras que otras cambian en momentos específicos como en la simulación discreta.
- Es como si hubiera una combinación de movimientos fluidos y cambios más bruscos en el sistema que se está simulando.

En este tipo de simulación, pueden ocurrir interacciones entre las variables de estado de distintas formas:

Un cambio brusco en una variable puede causar un cambio rápido en el valor de una variable que cambia de manera gradual.
Un cambio brusco puede afectar la relación que gobierna cómo cambia una variable de manera continua, alterando su comportamiento en un momento específico.
Una variable que cambia de manera continua puede desencadenar un evento brusco, o incluso reprogramarlo.

Tipos de modelos:

Determinísticos: Estos son modelos matemáticos en los que entradas similares siempre producen la misma salida. Son utilizados para sistemas que se consideran estáticos y a menudo están asociados con la simulación de entornos para analizar situaciones hipotéticas. Dentro de los modelos determinísticos encontramos varias subcategorías:

Modelos Matemáticos: Representan la realidad de manera abstracta a través de relaciones matemáticas, generalmente ecuaciones. Tienen interpretaciones matemáticas y son menos descriptivos que los modelos verbales o mentales.
Modelos Predictivos: Ofrecen información sobre el comportamiento futuro de las variables. Se basan en técnicas estadísticas detalladas.
Modelos Evaluativos: Utilizan técnicas de evaluación para medir diferentes alternativas y comparar los resultados.
Modelos de Optimización: Buscan identificar la mejor solución para un problema específico.
Modelos Analíticos: Representan la realidad mediante fórmulas matemáticas y estudian el funcionamiento de sistemas y ecuaciones matemáticas.
Modelos Numéricos: Se centran en el aspecto numérico de las variables en un proceso, sin obtener soluciones analíticas.
Modelos Físicos: Representan objetos tangibles en la realidad a través de prototipos y modelos a escala.
Modelos Icónicos: Son representaciones físicas similares a fenómenos o sistemas reales, pero a una escala diferente.
Modelos Análogos: Sustituyen una propiedad de un sistema real por otra con un comportamiento similar.
Modelos Dinámicos: Presentan cambios frecuentes en las variables a lo largo del tiempo.
Modelos Continuos: Trabajan con variables que pueden tomar valores reales y se manejan con técnicas clásicas de optimización.
Modelos Estáticos: Representan un punto o sistema en un estado invariable a lo largo del tiempo.
Modelos Concretos o Reales: Comprenden todo lo que existe, ya sea material o no, accesible para la ciencia y sistemas analíticos.
Modelos Abstractos: Simplifican sistemas, destacando ciertos detalles y omitiendo otros.
Modelos Mentales: Son intuitivos y difíciles de formalizar.
Modelos Simbólicos: Utilizan conjuntos de símbolos en lugar de representaciones físicas para describir la realidad.
Modelos Probabilísticos: Se basan en aplicaciones estadísticas para evaluar eventos o fenómenos incontrolables, como la gestión de inventarios o teorías de juegos. Estos modelos se derivan de sistemas estocásticos.

Plan Simulation:

El software de Plan Simulation de Tecnomatic ofrece la capacidad de simular y optimizar procesos y sistemas de producción. Permite optimizar la gestión de materiales, la utilización de recursos y la logística en todos los niveles de planificación de una planta, desde instalaciones de producción a nivel global hasta plantas locales o líneas específicas.

Con Plan Simulation, se pueden crear modelos digitales de sistemas lógicos (como procesos de producción) con el objetivo de explorar y mejorar sus características y rendimiento. Estos modelos permiten a los usuarios realizar experimentos y trabajar con escenarios hipotéticos sin afectar los sistemas de producción reales. También pueden utilizarse en las fases de planificación antes de la instalación del sistema real. Las herramientas de análisis, estadísticas y gráficos ayudan a evaluar diferentes etapas de fabricación, facilitando la toma de decisiones en las primeras etapas de planificación de producción.

Tipos de sistemas:

Un sistema se define como un conjunto de objetos o entidades que interactúan para lograr un objetivo. Es importante notar que los objetos en un sistema pueden variar dependiendo del objetivo que se busque alcanzar. Por ejemplo, si se estudia cuántos cajeros necesita un supermercado para brindar un buen servicio, los objetos del sistema serán principalmente clientes y cajeros. Si se analiza las necesidades de los clientes, el sistema debería incluir entidades como productos y su consumo.

El estado de un sistema se refiere al conjunto mínimo de variables necesarias para describir todos los aspectos de interés del sistema en un momento específico. Estas variables están condicionadas por los objetivos del estudio. Por ejemplo, en el caso del supermercado, las variables de estado podrían ser el estado de cada cajero (disponible u ocupado) y el número total de clientes en el establecimiento.

Sistemas Continuos: Las variables de estado evolucionan de manera continua a lo largo del tiempo.
Sistemas Discretos: Las propiedades del sistema cambian solo en ciertos instantes o secuencias de instantes y permanecen constantes el resto del tiempo, siguiendo un patrón periódico.
Sistemas Orientados a Eventos Discretos: Similar a los sistemas discretos, pero los cambios en el estado del sistema siguen un patrón aleatorio.

Sistemas Combinados: Estos son sistemas que combinan subsistemas que siguen filosofías continuas y discretas respectivamente. Por ejemplo, sistemas con componentes que deben ser modelados de manera específica según uno de esos enfoques.

Tipos de modelos

Existen alternativas a las técnicas de simulación digital para imitar el comportamiento de un sistema. Algunas de estas alternativas incluyen la construcción de prototipos a escala, la representación analógica mediante circuitos eléctricos, la descripción cualitativa del sistema o la analogía con otros sistemas físicos o biológicos (como la experimentación con drogas en animales para prever sus efectos en humanos). Todas estas técnicas requieren la descripción de las características internas del sistema, conocida como el modelo del sistema, y el proceso de abstracción para obtener esta descripción se conoce como modelado.

Definición de Simulación de Eventos Discretos: Consiste en un conjunto de relaciones lógicas, matemáticas y probabilísticas que describen el comportamiento de un sistema ante eventos específicos. El objetivo es comprender, analizar y mejorar las condiciones operativas del sistema.

Definición Básica de un Sistema: Un sistema es un conjunto de elementos interrelacionados que funcionan como un todo. Para la simulación, es importante que estos elementos tengan límites claros, como en el sistema de atención a clientes, inventario de una empresa o sala de emergencias de un hospital.

Elementos de un Sistema para Simulación: Incluyen entidades, estado del sistema, eventos actuales y futuros, localizaciones, recursos, atributos, variables y el reloj de simulación. Cada uno desempeña un papel en la construcción del modelo de simulación.

Entidad: Representa los flujos de entrada y salida en un sistema. Al ingresar a un sistema, una entidad es responsable de cambiar el estado del sistema. Los ejemplos incluyen clientes en una caja de banco o piezas en un proceso.

Estado del Sistema: Es la condición del sistema en un momento específico. Incluye variables puntuales (como el número de piezas) y variables acumuladas o promedio (como el tiempo promedio de permanencia).

Evento: Es un cambio en el estado actual del sistema, como la entrada o salida de una entidad, finalización de un proceso, etc. Se divide en eventos actuales y futuros según ocurran en el momento o en el futuro programado.

Localización: Lugares donde una entidad puede detenerse para transformarse o esperar. Pueden ser almacenes, máquinas, estaciones de inspección, etc.

Recursos: Dispositivos necesarios para llevar a cabo una operación, como montacargas, herramientas, etc.

Atributo: Característica de una entidad (por ejemplo, color, tamaño). Se utiliza para diferenciar entidades sin crear nuevas.

Variables: Son condiciones cuyos valores se determinan y modifican mediante ecuaciones matemáticas y relaciones lógicas. Pueden ser continuas o discretas.

Reloj de Simulación: Contador de tiempo de la simulación que responde preguntas sobre la duración y eventos. Puede ser absoluto (desde 0 hasta un tiempo definido) o relativo (entre dos eventos).

Ventajas de la Simulación: Herramienta para evaluar el impacto de cambios sin implementarlos, mejora el conocimiento del proceso, sirve como medio de capacitación, es más económico que realizar cambios en la realidad, permite probar varios escenarios, especialmente en problemas complejos.

Desventajas de la Simulación: No es una herramienta de optimización, puede ser costosa, requiere tiempo, necesita conocimientos sólidos en estadística y simulación, a veces genera falsas expectativas en los clientes.

Elementos Claves para Garantizar el Éxito de un Modelo de Simulación:

Tamaño insuficiente de la corrida: Es esencial que las variables aleatorias de respuesta estén en estado estable para llegar a conclusiones válidas. Dado que las variables de decisión pueden ser difíciles de estabilizar, es posible que una esté estable mientras que otra no, lo que afectará la confiabilidad de las conclusiones.
Definición inadecuada de variables de respuesta: Aunque el modelo pueda ser eficiente y representar la realidad, si la variable de respuesta seleccionada no es la correcta, no se podrán tomar decisiones impactantes para el sistema en estudio.
Políticas empresariales y variables de respuesta: Si, por ejemplo, la política de la empresa prohíbe detener procesos de fábrica, el problema se centra en el ritmo de producción necesario para cumplir con los requerimientos de diseño, no en el nivel de inventario final.
Errores en relaciones entre variables aleatorias: Olvidar o minimizar las relaciones lógicas entre variables puede llevar a un modelo que se apegue a la realidad actual, pero que no explora su comportamiento al máximo, lo que dificulta visualizar el verdadero impacto de las deficiencias.
Selección incorrecta de distribuciones para variables aleatorias: Utilizar distribuciones inadecuadas o simplificar en exceso los estudios estadísticos puede alejar el modelo de la realidad, afectando los resultados de la simulación.
Falta de análisis estadístico de resultados: La simulación no es una herramienta de optimización. Es necesario realizar múltiples corridas para obtener intervalos de confianza que ayuden a evaluar la variabilidad de los resultados y evitar conclusiones incorrectas.
Uso incorrecto de la información: Si la información recopilada no se depura y reorganiza adecuadamente para adaptarse a las necesidades de la simulación, la precisión de los resultados puede verse afectada.
Falta o exceso de detalle en el modelo: Un modelo no debe ser ni demasiado simplificado ni excesivamente detallado. Un exceso de detalle puede aumentar el tiempo y costo del estudio, mientras que un modelo muy simplificado puede dejar de lado aspectos importantes del sistema. Es crucial que el nivel de detalle sea apropiado para capturar la realidad sin abrumar el análisis.

Pasos para realizar un estudio de simulación:

La realización de un estudio de simulación requiere la ejecución de una serie de actividades y análisis que permitan sacarle el mejor provecho. A continuación se mencionan los pasos básicos para realizar un estudio de simulación, aunque en muchas ocasiones será necesario agregar otros o suprimir algunos aquí enumerados:

Definición del sistema bajo estudio: En esta etapa es necesario conocer el sistema a modelar. Por ello, se requiere saber qué orienta el estudio de simulación y establecer los supuestos del modelo: es conveniente definir con claridad las variables de decisión del modelo, determinar las interacciones entre estas, y establecer con precisión los alcances y limitaciones que aquel podría llegar a tener.

Antes de concluir este paso, es recomendable contar con la información suficiente para lograr establecer un modelo conceptual o un mapa mental del sistema bajo estudio.

Generación del modelo de simulación base: Una vez que se ha definido el sistema en términos de un modelo conceptual, la siguiente etapa del estudio consiste en la generación de un modelo de simulación base. No es preciso que este modelo de simulación sea demasiado detallado, pues se requiere mucha más información estadística sobre el comportamiento de las variables de decisión del sistema. La generación de este modelo es el primer reto para el programador de la simulación, ya que debe traducir a un lenguaje de simulación la información que se obtuvo en la etapa de definición.
Recolección y análisis de datos: Es posible comenzar la recolección de la información estadística de las variables aleatorias del modelo de manera paralela a la generación del modelo base. En esta etapa se debe establecer qué información es útil para la determinación de las distribuciones de probabilidad asociadas a cada una de las variables aleatorias necesarias para la simulación. Aunque en algunos casos se logra contar con estadísticos, suele suceder que el formato de almacenamiento o de generación de reportes no es el apropiado para facilitar el estudio.
Generación del modelo preliminar: En esta etapa se integra la información obtenida a partir del análisis de los datos, los supuestos del modelo y todos los datos necesarios para crear un modelo lo más cercano posible a la realidad del problema bajo estudio.
Verificación del modelo: Una vez que se han identificado las distribuciones de probabilidad de las variables del modelo y se han implantado los supuestos acordados, es necesario realizar un proceso de verificación de datos para comprobar la propiedad de la programación del modelo, y comprobar que todos los parámetros usados en la simulación funcionen correctamente.
Validación del modelo: El proceso de validación del modelo consiste en realizar una serie de pruebas simultáneas con información de entrada real para observar su comportamiento y analizar sus resultados.

Si el problema bajo simulación involucra un proceso que se desea mejorar, el modelo debe someterse a prueba con las condiciones actuales de operación, lo que nos dará como resultado un comportamiento similar al que se presenta realmente en nuestro proceso.

Generación del modelo final: Una vez que el modelo sea validado, el analista está listo para realizar la simulación y estudiar el comportamiento del proceso. En caso de que se desee comparar escenarios diferentes para un mismo problema, este será el modelo raíz; en tal situación, el siguiente paso es la definición de los escenarios a analizar.
Determinación de los escenarios para el análisis: Tras validar el modelo, es necesario acordar con el cliente los escenarios que se desean analizar. Una manera muy sencilla de determinarlos consiste en utilizar un escenario pesimista, uno optimista y uno intermedio para la variable respuesta más importante. Sin embargo, es preciso tomar en cuenta que no todas las variables de respuesta se comportan igual ante los cambios de los distintos escenarios.
Análisis de sensibilidad: Una vez que se obtienen los resultados de los escenarios, es importante realizar pruebas estadísticas que permitan comparar los escenarios con los mejores resultados finales. Si dos de ellos tienen resultados similares, será necesario comparar sus intervalos; podremos decir con certeza estadística que los resultados no son iguales.
Documentación del modelo, sugerencias y conclusiones: Una vez realizado el análisis de los resultados, es necesario efectuar toda la documentación del modelo.

Esta documentación es muy importante, pues permitirá el uso del modelo generado en caso de que requieran ajustes futuros. En ellos se deben incluir los supuestos del modelo, las distribuciones asociadas a sus variables, todos sus alcances y limitaciones, y en general la totalidad de las consideraciones de programación. También es importante incluir sugerencias tanto respecto del uso del modelo como los resultados obtenidos, con el propósito de realizar un reporte más completo.