Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
MIQUEL ÀNGEL PIERA TONI GUASCH JOSEP CASANOVAS JUAN JOSÉ RAMOS CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN Madrid - Buenos Aires - México © Miguel Ángel Piera, Toni Guasch, Josep Casanovas, Juan José Ramos, 2006 (Libro en papel) © Miguel Ángel Piera, Toni Guasch, Josep Casanovas, Juan José Ramos, 2013 (Libro electrónico) Reservados todos los derechos. “No está permitida la reproducción total o parcial de este libro, ni su tratamiento informático, ni la transmisión de ninguna forma o por cualquier medio, ya sea electrónico, mecánico, por fotocopia, por registro u otros métodos sin el permiso previo y por escrito de los titulares del Copyright” Ediciones Díaz de Santos, S.A. Albasanz, 2 28037 MADRID ediciones@editdiazdesantos.com www.editdiazdesantos.com ISBN: 978-84-9969-650-8 (Libro electrónico) ISBN: 978-84-7978-738-7 (Libro en papel) ediciones@editdiazdesantos.com www.editdiazdesantos.com Dedicat a la Gemma, l’Alba, la Judit, el Marc, als meus pares Josep M.a i M.a Carme, i als meus fillols Andreu i Gabriel Miquel Àngel Piera Dedicat a la Maria, l’Alba, l’Andreu i el Guillem Toni Guasch Dedicat a Rosa, Ada y Laura Josep Casanovas Dedicado a María José y Julia Juan José Ramos Sobre los autores .................................................................. Prólogo .................................................................................. 1. Introducción y motivación ............................................. Herramientas de ayuda a la toma de decisiones en pro- ducción......................................................................... La toma de decisiones en logística ................................... ¿Por qué los procesos logísticos, de fabricación o de ser- vicios, deben ser considerados sistemas complejos? ... Ventajas de la simulación digital ...................................... Entornos gráficos de simulación: factor de riesgo............ Áreas de aplicación........................................................... 2. ¿Qué es un proyecto de simulación? ............................. Etapas de un proyecto de simulación................................ 3. Importancia de los datos ................................................ Proceso de recogida de datos ............................................ Algunas ideas que facilitarán la tarea de recogida y análi- sis de datos ................................................................... IX Índice XI XIII 1 4 7 10 12 14 14 17 18 25 26 26 Aleatoriedad versus comportamiento determinista........... ¿Puede un ordenador generar los mismos datos que un sistema real?................................................................ Identificación de las propiedades estadísticas .................. Funciones de distribución teóricas más utilizadas ............ 4. Construcción y funcionamiento de un modelo de si- mulación basado en un sistema sencillo ........................ Ejemplo............................................................................. Definiciones previas.......................................................... Simulación manual ........................................................... 5. Verificación y validación de modelos ............................ ¿Qué se entiende por verificación y validación? .............. Dificultades para la validación.......................................... 6. Herramientas informáticas para la simulación............ Lenguajes y entornos de simulación................................. Criterios para la evaluación de las herramientas informá- ticas .............................................................................. Funcionalidad ................................................................... Facilidad............................................................................ Eficiencia .......................................................................... Fiabilidad .......................................................................... Portabilidad....................................................................... Empresa ............................................................................ Coste ................................................................................. 7. Aplicaciones y ejemplos .................................................. Campos de aplicación ....................................................... Ejemplos ........................................................................... Apéndice A. Simulación en Internet .................................... Apéndice B. Bibliografía ..................................................... X ÍNDICE 27 29 31 32 35 36 37 39 45 46 53 55 56 59 60 67 68 68 69 69 70 73 73 79 99 103 Los autores poseen una dilatada experiencia docente e investi- gadora en el campo de la simulación digital, así como en el desa- rrollo y uso de software especializado y en su aplicación sectorial (www-iri.upc.es/logisim). Han participado en numerosos proyectos de transferencia de tecnología, relacionados con la mejora de los procesos productivos en sistemas siderúrgicos y textiles, en la in- dustria farmacéutica o en el sector de la automoción, la mejora de procesos logísticos de transporte en procesos portuarios, y en otros campos de aplicación, como la logística asociada a los sistemas de prevención y seguridad en la evacuación de edificios. Asimismo, han liderado y participado en distintos proyectos de investiga- ción, desarrollo e innovación (I+D+I) y han dedicado un notable esfuerzo a la transferencia de conocimiento organizando cursos, seminarios, y conferencias internacionales sobre aspectos metodo- lógicos y aplicados de la simulación. Se adjunta un CD-ROM con información relacionada con el centro de transferencia de tecnolo- gía en simulación LogiSim, así como información y resultados de proyectos de simulación industriales en los que se han aplicado la metodología que se introduce en el presente libro. XI Sobre los autores (www-iri.upc.es/logisim). Las personas expertas en simulación consideran inconcebible que cualquier nuevo sistema pueda ser diseñado y construido, o uno ya existente modificado, sin el empleo de la simulación en el marco del estudio que proporcione los criterios para tomar la de- cisión. Las técnicas de simulación se emplean para predecir el comportamiento de sistemas complejos y para comprender los im- pactos del cambio. Tienen muchas y reconocidas ventajas, permi- ten diagnosticar el sistema antes de ser construido, reducen el ries- go y el tiempo necesario de puesta en marcha o modificación de sistemas existentes. Aunque su uso ha crecido notablemente en los últimos años, todavía se realizan importantes inversiones sobre sistemas nuevos o modificaciones sin el beneficio de la capacidad de predicción de la simulación. Algunas veces, estos sistemas no responden a los re- querimientos de diseño y deben ser modificados una vez construi- dos. Por otra parte, en muchos casos y para cubrir riesgos, se so- bredimensiona la capacidad de los sistemas. Aunque estos se comportan según las especificaciones, emplean los recursos de forma poco eficiente y, por tanto, son más costosos de lo necesario. XIII Prólogo Un estudio de simulación, a menudo permite ahorrar importantes recursos al minimizar el factor de riesgo y al facilitar un diseño equilibrado del sistema. Un reciente informe, patrocinado por la Comunidad Europea, cuantificaba el impacto de la simulación en un incremento de entre el 5 y el 10% en la productividad global de las empresas. La característica más significativa de la simulación de modelos de eventos discretos es su notable capacidad para contemplar los efectos aleatorios presentes en la mayoría de los procesos reales. Tradicionalmente, la simulación de eventos discretos ha sido apli- cada con éxito al análisis y diseño de procesos de fabricación. En la última década su uso se ha extendido a otras áreas tales como logística, transporte, servicios,sanidad, informática o comunica- ciones. La popularización de estas técnicas ha ido paralela al in- cremento de potencia y flexibilidad de las nuevas herramientas. Su facilidad de manejo y sus entornos de visualización/animación han facilitado la incorporación de nuevos usuarios menos «espe- cializados». Si bien se ha popularizado su utilización, también se ha incrementado su mal uso. Un modelo de simulación no puede ser mejor que los datos y las técnicas empleadas en su construc- ción. Existen varios libros que cubren distintos aspectos de las téc- nicas de simulación. Podemos encontrar, desde una mera intro- ducción a aplicaciones de la simulación, hasta libros científicos donde se describen los últimos algoritmos y sus ventajas para op- timizar el rendimiento de los simuladores, pasando por libros aca- démicos en los cuales se presentan los requisitos para la construc- ción de simuladores. El primer objetivo perseguido en el presente libro es introducir al lector en estas técnicas y acercarlo a su po- tencial. El segundo es contribuir a su difusión en el entorno em- presarial. Se presentan conceptos, vocabulario, así como las herra- mientas informáticas necesarias para el desarrollo de modelos de simulación de sistemas orientados a eventos, todo ello de forma in- dependiente a un lenguaje de simulación específico. XIV PRÓLOGO Los autores disponen de una dilatada experiencia en el desa- rrollo de modelos en distintos campos, y pretenden resumir en este libro algunas de sus experiencias que faciliten la tarea de mo- delado. Para una presentación más formal de la metodología de modelado, se recomienda al lector el libro Modelado y simula- ción: aplicación a procesos logísticos de fabricación y servicios de los mismos autores. PRÓLOGO XV La elevada competitividad industrial, así como las exigencias en precios y calidad del producto, obliga a que las empresas deban reconfigurar continuamente su cartera de productos, sus métodos operativos, sus enfoques de mercado, su proceso de acopio de ma- teriales y distribución de los productos. Por un lado nos encontramos que en el ámbito industrial existe un conjunto importante de empresas que deben redefinir sus pro- cesos productivos, pero por otro lado nos encontramos con una fal- ta de métodos, criterios y herramientas que faciliten la toma de de- cisiones, dando una respuesta correcta no tan solo a los aspectos estratégicos y económicos, sino también a los aspectos tácticos y operacionales. Puede decirse que las soluciones que pueden aportar a un mis- mo problema los ingenieros o los economistas suele ser muy dife- rente, y en algunos casos incluso contradictorias, debido princi- palmente a que los objetivos estratégicos, de costos y financiación no siempre son compatibles con los objetivos de producción. Con- sidérense, a título de ejemplo, los departamentos de Ventas, Pro- ducción y Expedición de una industria, los cuales presentan nece- 1 Introducción y motivación Capítulo 1 sidades y parámetros de rendimiento distintos, la solución que suele adoptarse suele ser una solución de compromiso en la que se ponderan las soluciones particulares que darían mejor beneficio a cada uno de los departamentos por separado. De modo más general, las empresas deben competir conside- rando no un objetivo particular sino que deben poder contemplar el problema en su globalidad, considerando los diferentes indicadores de posicionamiento en el mercado a la vez, y no una solución de compromiso que pondere las soluciones particulares alcanzadas a partir de visiones particionadas del problema. Considérense, a tí- tulo de ejemplo, los siguientes parámetros de posicionamiento que suelen contemplarse en la toma de decisiones: • Flexibilidad: capacidad de reacción frente a cambios en los plazos de entrega, para lo cual se deben poder realizar cambios en las plantillas, volumen de producción, gama de productos, etc. • Calidad: grado de satisfacción de las necesidades y expecta- tivas de los clientes en el producto final, la cual suele para- metrizarse mediante especificaciones técnicas, características físicas y tiempos de respuesta entre otros. • Servicio: grado de cumplimiento de los compromisos adquiri- dos en cuanto a los plazos de entrega, cantidades y precios. • Coste: el precio del producto final no viene determinado tan solo por los aspectos de producción, sino que depende con- siderablemente de las políticas de distribución, acopio de materiales, gestión de stock. • Innovación: capacidad sistemática de poder generar produc- tos o servicios nuevos, o bien de producir los mismos pro- ductos y servicios de maneras diferentes. Aunque en los enfoques clásicos de producción las empresas priorizaban algunos de los parámetros descritos, ignorando o mi- nimizando el resto, en la actualidad es necesario poder tomar de- cisiones bajo una perspectiva más amplia en la que se contemplen 2 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN de modo integrado y no competitivo las prioridades de los distintos departamentos que configuran las empresas. Es necesario enfocar, de manera innovadora y competitiva, la toma de decisiones en la empresa, y reconsiderar el nuevo marco del planteamiento estratégico de las operaciones, los conceptos de pro- ducción ajustada (lean manufacturing), la logística como fuente de ventaja competitiva y la necesidad de instrumentar herramientas informatizadas para la planificación de la cadena de suministro. La distinción clásica entre empresas industriales y empresas de servicios es cada vez menos relevante, ya que en la actualidad, la ma- yor parte de empresas manufactureras contemplan aspectos de ser- vicio, es decir, no sólo deben ser excelentes en los aspectos físicos del producto, sino que también necesitan actuar como hábiles sumi- nistradores de servicios. Al integrar en la cadena de producción estos aspectos relacionados con los servicios que en general las empresas ofrecen o contratan, existe un conjunto de características particulares que no pueden ser parametrizadas ni ponderadas de igual modo en la toma de decisiones. Algunos de estos aspectos son: • Los servicios se diferencian de los materiales a manipular, ya que ellos son: intangibles, heterogéneos (no estandarizados), inseparables (significa la dificultad de separar la producción del servicio del consumo), y perecederos (imposibles de al- macenar). • Los servicios logísticos también tienen esas características singulares, sin embargo, también difieren en gran parte de los servicios descritos en la literatura de servicios. Por ejemplo, los servicios logísticos principalmente involucran relaciones negocios-negocios, donde no solo el comprador es el apos- tador crítico, sino también su cliente, el cual puede ser di- rectamente agraviado debido a un mal servicio. Además, hay en muchos casos una necesidad de interacción estrecha tanto con los procesos de los clientes como con los procesos de sus compradores. INTRODUCCIÓN Y MOTIVACIÓN 3 Especificar todos estos aspectos cualitativos como parámetros de entrada a paquetes informáticos de ayuda a la toma de decisio- nes no siempre será posible debido, entre otros aspectos, a los componentes de incertidumbre inherentes al comportamiento hu- mano, así como otros aspectos que aparecen de modo indirecto como consecuencia de relaciones entre los componentes que inte- gran el sistema. Esta falta de herramientas y metodologías justifica que algunos autores definan el concepto de logística en el contexto industrial como un arte y una ciencia: «el arte y la ciencia de obtener, pro- ducir y distribuir material y productos, en el lugar, tiempo y canti- dades adecuadas». Más formalmente, la logística se puede definir como el proceso de planeamiento, implementación y control efi- ciente y a costos razonables del flujo y almacenamiento de mate- rias primas, inventarios de productos en proceso, de productos ter- minados, y toda la información relacionada comprendida entre el punto de origen y el punto de consumofinal, con el fin de lograr la satisfacción de los requerimientos del cliente. Para que la logística pueda pasar de ser como un arma útil para la reducción de los costes del transporte a toda una cultura empre- sarial de mejora continua y a una necesidad estratégica, será nece- sario disponer de metodologías y herramientas informáticas que faciliten la toma de decisiones entendiendo el problema a resolver bajo una perspectiva integradora, y no como un compromiso entre los subproblemas en que se ha descompuesto el problema logístico. Herramientas de ayuda a la toma de decisiones en producción La planificación es una actividad cuyo principal objetivo es al- canzar el mejor uso de los recursos para satisfacer la demanda (ga- rantizando requerimientos y anticipando oportunidades) para un cierto periodo de tiempo denominado «horizonte de planificación». 4 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN En el caso concreto de la industria, la planificación de la pro- ducción debe contemplar de modo integrado tres tipos de periodos para la toma de decisiones: largo plazo, medio plazo y corto plazo. En la planificación a largo plazo la toma de decisiones suele cen- trarse en aspectos estratégicos, tales como productos, selección de equipos y procesos, recursos, servicios y localización. La pla- nificación a medio plazo comporta la toma de decisiones tácticas, tales como sobre el acopio de material, establecer las cantidades de producción de cada producto, con el objetivo de optimizar algún criterio de rendimiento tal como la minimización de los costes sin violar las restricciones de capacidad. En la planificación a corto plazo las decisiones están vinculadas a los aspectos más operacio- nales, como la programación diaria de operaciones y la secuencia- lización de tareas. Existen un conjunto de aspectos que deben tenerse en cuenta al seleccionar herramientas informáticas de ayuda a la toma de deci- siones: horizonte de planificación (estratégico, táctico, operacio- nal), cantidad de materiales a procesar (relación jerárquica entre las piezas necesarias para la fabricación de los subproductos), tipos de productos a fabricar (diversificación de la producción), capacidad de los recursos (paradas de mantenimiento, tiempos de set-up), reprocesamiento de material defectuoso, demanda (estática, diná- mica, determinista o estocástica), acopio de material (roturas de stock). Los modelos utilizados para el análisis y la toma de decisiones en planificación pueden ser clasificados en: • Modelos deterministas analíticos: se caracterizan en que los parámetros son conocidos y con valores específicos, y el ob- jetivo consiste en alcanzar una solución analítica a través de técnicas de programación matemática. Estos modelos suelen ofrecer soluciones bajo ciertas hipótesis de trabajo, pero se encuentran limitados a representaciones estacionarias del sistema. INTRODUCCIÓN Y MOTIVACIÓN 5 • Modelos analíticos estocásticos: se caracterizan porque al menos uno de los parámetros es desconocido, pero se supone que responde a una cierta función de distribución estadística. Aunque estos modelos suelen representar con mayor grado de detalle el comportamiento de los sistemas reales que pre- sentan un cierto comportamiento estocástico, al no ser diná- micos, no permiten una correcta actualización temporal del estado de los objetos descritos. • Modelos económicos: se centran en la especificación de la relación comprador-vendedor desde una perspectiva de cos- tes. • Modelos de simulación: permiten alcanzar representaciones con un elevado grado de detalle del sistema en estudio. Faci- litan considerablemente la toma de decisiones mediante un análisis del tipo «¿qué pasaría si ...? En los últimos años han aparecido en el mercado una gran di- versidad de paquetes informáticos de ayuda a la toma de decisiones en la planificación y gestión de materiales, como son por ejemplo: MRP, ERP, DRP, SCM. Todos estos paquetes intentan planificar la demanda y procesamiento de materiales a lo largo del tiempo. De- safortunadamente, los modelos con los que trabajan no contemplan la importancia de los recursos, de modo que estos planificadores presentan ciertas dificultades en capturar aquellos aspectos de la di- námica de las unidades de producción y transporte, los cuales tie- nen una incidencia importante en el rendimiento de los sistemas con elevada diversidad de producción. Por otro lado, dado que los recursos (unidades de producción y de transporte) tampoco pueden ser considerados como objetos sen- cillos de modelar: las relaciones entre recursos presentan caracte- rísticas técnicas (i.e. orden de las operaciones), dependencia (i.e. un operador puede supervisar varias unidades pero solo puede atender a una), capacidad limitada (en función del tipo de operación), tam- bién se han desarrollado metodologías y entornos informáticos de 6 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN ayuda a la toma de decisiones sobre la gestión y planificación de recursos como son: aproximaciones Just-in-Time, Theory of Cons- traints, Schedulers y Planners. Desafortunadamente, estos entornos suelen asumir en algunos casos que el material es un problema se- cundario, en otros se limitan a mejorar el rendimiento de los re- cursos críticos (cuellos de botella), así como también, algunas de estas aproximaciones (schedulers y planners) que la disponibilidad de los recursos responde a actividades deterministas. En los sistemas reales de producción hay un elevado grado de dependencia entre las decisiones sobre recursos y sobre materiales. Considérese, por ejemplo, que niveles grandes de ocupación de re- cursos (la saturación de recursos es deseable para el departamento de producción) suele penalizar la diversidad en producción (flexi- bilidad deseable para departamento de ventas). Este tipo de con- flictos tan solo pueden ser tratados eficientemente si el modelo puede contemplar de modo simultáneo tanto los aspectos relacio- nados con el material, como los aspectos relacionados con los re- cursos a gestionar. La toma de decisiones en logística La principal dificultad en la resolución de los problemas logís- ticos en la industria estriba en que cada vez que se toma una deci- sión sobre una determinada variable, deberá tenerse en cuenta cuál va a ser el alcance de la decisión; no sólo en cuanto a la respuesta del sistema, sino también de qué forma afectará a otras variables íntimamente relacionadas con la inicial. Desde un punto de vista más formal, la dificultad en el uso de sistemas informáticos que ayuden a la toma de decisiones estriba en la gran cantidad de va- riables que intervienen, las interacciones existentes entre ellas y los intereses conflictivos e incluso contrapuestos que muchas veces presentan. Poder dar respuestas a problemas de localización de centros productivos y logísticos, tales como: ¿dónde se deberían INTRODUCCIÓN Y MOTIVACIÓN 7 ubicar las instalaciones?, ¿cómo se deberían diseñar las redes de distribución con sus almacenes y redes de transporte?, o poder va- lidar un plan de producción antes de su implantación, son algunos ejemplos de problemas logísticos para los que no existen paquetes informáticos estándar que puedan dar la respuesta que la industria necesita. Otro problema inherente a la planificación de la producción, programación de actividades, transporte, diseño y finanzas es la presencia de incertidumbre. Considérese a título de ejemplo la fluctuación en el precio de los carburantes, la disponibilidad de po- tencia eléctrica, el acopio de materia prima. Un factor clave en la optimización bajo incertidumbre es la exploración del espacio de búsqueda, el cual es difícil de tratar en la práctica industrial debido al tamaño intratable si se realiza una búsqueda exhaustiva. La toma de decisiones bajo incertidumbre suele presentar un nivel de complejidad adicional por la presencia de variables de decisión enteras que suelen utilizarse para describir relaciones lógicas y otras decisionesdiscretas. La falta de herramientas analíticas que ayuden y faciliten la toma de decisiones es uno de los principales problemas con los que se encuentran los ingenieros y directivos que tienen la necesidad de mejorar el rendimiento de aquellos sistemas cuyo comportamiento depende de un número elevado de variables. Determinar cambios en los procedimientos, en los flujos de información, así como en la organización y en las políticas de funcionamiento tradicionales de la empresa son algunos ejemplos de tareas que deben ser realizadas para reaccionar ante perturbaciones y adaptarse a los constantes cambios del mercado o del entorno. La dificultad que comporta la toma de decisiones ligadas a procesos complejos se hace evidente en una gran diversidad de campos en los que prácticamente se desconoce la influencia que pueden tener los cambios locales sobre el rendimiento global de los procesos. Considérense, a modo de ejemplo, todos aquellos siste- 8 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN mas que no pueden procesar de modo inmediato las peticiones de trabajo, las cuales son retenidas y priorizadas en colas de espera asociadas a los distintos recursos. El problema es todavía más complicado cuando se pretende optimizar —o en su caso simplemente mejorar— el rendimiento de un sistema que presenta un comportamiento estocástico (predecible desde un punto de vista estadístico) a partir de cambios en sus pro- cesos internos. Para conseguir este objetivo debemos contemplar no tan sólo las fluctuaciones estadísticas, sino también las distintas si- tuaciones que se derivan de la dependencia entre sucesos. Ejemplos de sistemas con características similares a las des- critas pueden encontrarse en las líneas de producción, en los siste- mas hospitalarios, sistemas de transporte, redes de comunicación, sistemas de defensa y sistemas de procesamiento de la informa- ción. A modo de ilustración, supongamos que en un sistema de producción tenemos un conjunto de piezas con determinadas peti- ciones de trabajo asociadas que deberán competir entre ellas para poder utilizar algunos recursos compartidos. Estos suelen ser, entre otros, máquinas, operarios, herramientas, unidades de transporte (palets, por ejemplo), o también el espacio de los almacenes loca- les. De modo similar, en los sistemas hospitalarios tenemos peti- ciones de servicio asociadas a los pacientes que compiten para acceder a recursos comunes. En este caso, ambulancias, camillas, salas, sillas de ruedas, camas, médicos de distintas especialida- des, enfermeros/as, máquinas de rayos X, TAC, RMN y quirófanos, entre otros. Para tratar la complejidad que presenta la optimización de pro- blemas logísticos caracterizados por incertidumbre y un número elevado de variables de decisión altamente acopladas, en este libro se introducen las principales características de la simulación de sis- temas orientados a eventos discretos como metodología para dar respuesta a la toma de decisiones en el campo de la logística. Estas herramientas de simulación ofrecen una plataforma que permite INTRODUCCIÓN Y MOTIVACIÓN 9 abordar con éxito un proceso de mejora continua de sistemas com- plejos para los cuales las técnicas analíticas clásicas, basadas en el uso de cálculo diferencial, teoría de probabilidades y métodos al- gebraicos no pueden ser utilizadas para formalizar de modo senci- llo la complejidad de estos sistemas. La simulación digital consiste en imitar en un ordenador el comportamiento de un sistema bajo ciertas condiciones de opera- ción. Para ello es necesario formalizar —construir el modelo basándonos en la sintaxis de un cierto lenguaje de simulación— el conocimiento que se tiene del sistema que se desea simular, mediante relaciones lógicas, matemáticas y simbólicas. El cono- cimiento que se adquiere en la fase de desarrollo del modelo de simulación constituye una buena base para sugerir los cambios que, con mayor probabilidad, generarán beneficios en el rendimiento global del sistema. De modo análogo, permite simplificar el núme- ro de experimentos a ser realizados en el entorno de simulación. Una vez se dispone de un modelo correcto, este puede ser uti- lizado para analizar y evaluar cómo afectarían ciertos cambios al rendimiento del sistema, tanto en su organización como en las po- líticas de gestión de recursos compartidos, antes de que dichos cambios sean aplicados en el sistema real. La experimentación en entornos de simulación digital permite también adquirir un mejor conocimiento de las interacciones entre distintas variables de de- cisión a partir de la observación de los resultados que se obtienen al provocar cambios en los parámetros del modelo. ¿Por qué los procesos logísticos, de fabricación o de servicios, deben ser considerados sistemas complejos? La complejidad de un sistema no debe medirse simplemente en función del número de componentes (o subsistemas) que lo inte- gran —existen sistemas electrónicos con un considerable número 10 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN de componentes que se encuentran lejos de ser clasificados como sistemas complejos, por ejemplo, un televisor—, ni tampoco en función del número de ecuaciones necesarias para describir su comportamiento. Entendemos que la complejidad de un sistema no es una pro- piedad inherente al comportamiento del propio sistema, sino más bien a la falta de metodología y de herramientas que permitan es- pecificar y formalizar el conocimiento que se tiene del mismo con el objetivo de desarrollar un modelo que presente un comporta- miento similar al del sistema real. Así pues, se da el caso de que el conocimiento de las leyes físicas que rigen la dinámica de un pro- ceso, así como tener una buena base en el uso de herramientas matemáticas, permiten que algunos sistemas que en el pasado ha- bían sido considerados complejos, en la actualidad ya no lo sean. De algún modo, puede decirse que todavía no existe hoy en día una metodología, reconocida y aceptada por los distintos sectores empresariales y académicos, que permite formalizar exhaustiva- mente el conocimiento que se tiene de los sistemas logísticos, de producción o de servicios. Algunos autores afirman que el desa- rrollo de un modelo de simulación debe considerarse tanto un arte como una ciencia. «Aunque no se dispone de una metodología que permita garantizar el desarrollo de modelos adecuados a los objetivos particulares de cada estudio, sí existen unas ciertas guías generales o secuencias de pasos que facilitan dicha tarea». El arte del modelado se caracteriza por la habilidad de abstraer tan sólo las características de interés del problema, seleccionar y modificar las suposiciones generales que se tienen del sistema, y de enriquecer y manipular el modelo hasta obtener una aproxima- ción útil del sistema que se desea estudiar. En el caso particular de los sistemas logísticos, de fabricación o de servicios, y en general también en aquellos sistemas en los que determinados elementos compiten por acceder a recursos compar- tidos, y cuyo estado puede variar de forma asíncrona y en paralelo, INTRODUCCIÓN Y MOTIVACIÓN 11 se requiere no tan sólo de una buena metodología para describir el comportamiento del sistema, sino también que el modelador tenga un buen conocimiento del cómo, cuándo y por qué el estado del mismo sufre un cambio. Este conocimiento se encuentra general- mente distribuido entre los distintos departamentos de las empre- sas, lo cual dificulta de modo considerable el desarrollo de un mo- delo. Conocer paso a paso cada una de las posibles consecuencias que pueden aparecer como resultado de iniciar, o finalizar una cierta acción, no es una tarea trivial. Ventajas de la simulación digital El modelado mediante simulación es una técnica muy flexible y, en general, de fácil aplicación. Es potente, ya que sus modelos no requieren las simplificaciones asumidas al trabajar únicamente con técnicas analíticas. Obtener información de un modelo de si- mulación sueleser más fácil que hacerlo del sistema real. En contrapartida, conseguir los datos apropiados sobre el sis- tema en estudio puede resultar caro o imposible: el sistema de re- ferencia puede simplemente no existir. A modo de resumen, se enumeran a continuación algunas de las ventajas que ofrece el uso correcto de los entornos de simula- ción digital. • Permiten evaluar estrategias de mejora sin perturbar el fun- cionamiento del sistema real. • Permiten evaluar hipótesis sobre cómo y por qué aparecen ciertos fenómenos en el sistema estudiado. • El tiempo puede ser expandido o comprimido, de modo que podemos acelerar el experimento y así observar ciertos fe- nómenos que prevemos se van a producir en un instante de- terminado o a lo largo del estudio. 12 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN • Mejor conocimiento sobre cómo afectan ciertas variables de decisión al comportamiento global de todo el sistema. • Permiten analizar los cuellos de botella, indicando el estado y grado de utilización de los distintos recursos. • Un proyecto de simulación suele ayudar de forma decisiva a entender la secuencia real de operaciones del sistema. • Finalmente, los modelos de simulación permiten responder a preguntas del tipo: «qué ocurriría si…» que son tan esencia- les para la mejora del rendimiento de sistemas considerados complejos. • La constante investigación en los campos de la simulación y de la computación permiten suponer que, en breve, van a poder responderse preguntas del tipo ¿podría ocurrir este su- ceso? o bien, ¿qué concatenación de sucesos pueden condu- cir a una determinada situación o estado? A pesar de esta flexibilidad, la simulación no soluciona todos los problemas. Construir un modelo de simulación puede ser costoso, principalmente porque debe ser verificado y validado. Adicionalmente, el coste de la experimentación se incrementa en la medida que lo hacen los tiempos de computación y de análisis de alternativas. La naturaleza estadística de la simulación re- quiere realizar varios ensayos sobre el mismo modelo para con- seguir resultados fiables y precisos. De todos modos, y al mar- gen de estas desventajas, la simulación se mantiene como una de las herramientas más útiles para la gran mayoría de los proble- mas de ingeniería. Tanto en el diseño, planificación u opera- ción de los sistemas, la simulación puede ser utilizada para ob- tener información valiosa que facilite la toma de decisiones acertadas. INTRODUCCIÓN Y MOTIVACIÓN 13 Entornos gráficos de simulación: factor de riesgo El correcto uso de las técnicas de simulación suele aportar im- portantes beneficios tanto cualitativos como cuantitativos, sobre todo en aquellos proyectos de toma de decisiones que pueden comportar inversiones económicas considerables. En la actualidad, las herramientas de simulación no son utili- zadas por profesionales especializados en este campo, sino por in- genieros (expertos en otros campos) que buscan en la simulación una respuesta rápida (se suele trabajar bajo una fuerte presión para encontrar resultados) a problemas industriales. En muchas situa- ciones, la simulación ha sido utilizada como última herramienta, cuando el problema no ha podido ser solucionado correctamente por ninguna otra metodología. La evolución de los lenguajes de simulación de sistemas orien- tados a eventos discretos —sólo asequibles a verdaderos especia- listas— hacia entornos de simulación con capacidad de programa- ción gráfica —utilizables de modo inmediato por usuarios sin ningún tipo de experiencia en este campo—, potencia el uso (a me- nudo incorrecto) de estas herramientas. A modo de ilustración, una revisión de la documentación comercial de algunos paquetes de software de simulación confirma dicha impresión: without re- quiring a computer expert (GENETIK, Insight Logistics), designed for end-user (HOCUS,P-E International), even for inexperienced users (ProModel, Production Modeling Corporations). Áreas de aplicación La simulación se ha empleado tradicionalmente para: • Diseño o mejora de sistemas. • Gestión de sistemas. 14 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN • Entrenamiento y educación. • Comunicación y ventas. En la última década se ha popularizado el empleo de la simu- lación en los sectores productivos, logísticos y de servicios. Para muchas empresas, la simulación se ha convertido en una práctica estándar en el diseño o modificación de instalaciones o procesos. Las encuestas efectuadas en Estados Unidos indican que la simu- lación es la técnica más empleada y que el rango de aplicaciones es muy amplio. A continuación se enumeran algunos de los campos donde el uso correcto de las herramientas de simulación orientadas a eventos discretos ha aportado y aporta mejoras considerables en el rendimiento global del sistema: INTRODUCCIÓN Y MOTIVACIÓN 15 Industrias Procesos logísticos Servicios productivas Automóvil Transporte por ferrocarril Sanidad Espacio Sistemas portuarios Restaurantes Electrónica Transporte por camión Bancos Metal, acero Transporte por avión Centros de llamada Papel/Textil Sistemas intermodales Gestión de residuos Cerámica Almacenes Hostelería Mueble Logística de procesos Planificación Alimentación productivos de emergencias Minería Cadena de suministros o catástrofes Un proyecto de simulación es dinámico por naturaleza. Los re- sultados que se van obteniendo a medida que se desarrolla el pro- yecto pueden poner de manifiesto nuevos problemas, así como li- mitaciones inherentes al sistema en estudio, que pueden forzar a reconsiderar factores de diseño. También la motivación inicial del cliente puede variar a lo largo del proyecto como consecuencia de los resultados obtenidos, o por factores externos al propio proyec- to. Para tener éxito en un entorno tan cambiante es necesario de- sarrollar una aproximación metodológica correcta. Los elementos que se presentan en este capítulo tienen como objetivo servir de guía para abordar con éxito un proyecto de simulación. En la práctica, el éxito en el uso de una tecnología tan potente como la simulación no depende tan solo de los aspectos puramen- te técnicos, sino de otros aspectos complementarios como son: • Tener o ganarse el apoyo de los órganos con capacidad de de- cisión de las empresas, para poder superar los obstáculos que pudieran aparecer. • Inspirar confianza. El cliente o usuario final responsable de la toma de decisiones no tiene generalmente el tiempo disponi- 17 ¿Qué es un proyecto de simulación? Capítulo 2 ble para fiscalizar todo el trabajo efectuado. En consecuencia, se tomarán decisiones en relación a los resultados de un es- tudio de simulación si el grupo que ha realizado el estudio se ha ganado dicha confianza sobre la base de un trabajo serio y riguroso. Etapas de un proyecto de simulación La Tabla 2.1 muestra el conjunto de etapas de un proyecto de simulación. Estas etapas pueden ser interpretativas, analíticas o de desarrollo. Aunque puede parecer que el desarrollo de un pro- ceso de simulación es un proceso secuencial, en la práctica no es así. Por ejemplo, si el modelo de simulación obtenido no supera la etapa de validación (etapa 5), es posible que sea necesario modifi- car tanto el modelo conceptual como el de simulación. Formulación del problema La especificación de objetivos es una de las tareas más impor- tantes de cualquier proyecto y lógicamente también de un proyecto de simulación. Si los objetivos no están claros o son poco concretos, existe el peligro de no abordar el problema para el cual se ha soli- citado el proyecto de simulación y, por tanto, ser incapaz de res- ponder a las expectativas generadas. En consecuencia, es necesario, ya en la fase previa a la aceptación del proyecto, saber identificar los objetivos para los cuales se ha optado por utilizar la simulación, de forma que sean precisos, razonables, comprensibles y medibles. Estos objetivos nos servirán de guía a lo largo del estudio. Diseño del modelo conceptualUna vez conocidos los objetivos del proyecto, podemos tener la tentación de iniciar de forma inmediata la construcción del mode- lo de simulación. Esto suele conducir a la obtención de modelos de 18 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN simulación con múltiples lagunas y de difícil mantenimiento. Es por ello conveniente formular o especificar el modelo de simula- ción empleando un nivel de abstracción (modelo conceptual) su- perior al del propio código. El modelo conceptual especifica las re- laciones estructurales más importantes del sistema a simular y, en consecuencia, constituye un medio de diálogo y de coordinación entre los distintos departamentos o grupos involucrados. ¿QUÉ ES UN PROYECTO DE SIMULACIÓN? 19 Tabla 2.1. Etapas de un proyecto de simulación. Etapa 1. Formulación del problema. 2. Diseño del modelo conceptual. 3. Recogida de datos. 4. Construcción del modelo. 5. Verificación y validación. 6. Diseño de experimentos y experimentación. 7. Análisis de resultados. 8. Documentación. 9. Implementación. Descripción Define el problema a estudiar, incluyendo los objetivos escritos del problema. Especificación del modelo a partir de las carac- terísticas de los elementos del sistema a estudiar y sus interacciones teniendo en cuenta los obje- tivos del problema. Identificar, recoger y analizar los datos necesa- rios para el estudio. Construcción del modelo de simulación par- tiendo del modelo conceptual y de los datos. Comprobar que el modelo se comporta como es de esperar y que existe la correspondencia adecuada entre el sistema real y el modelo. En función de los objetivos del estudio, desa- rrollar las estrategias de definición de los esce- narios a simular. Experimentar. Analizar los resultados de la simulación con la finalidad de detectar problemas y recomendar mejoras o soluciones. Proporcionar documentación sobre el trabajo efectuado. Poner en práctica las decisiones efectuadas con el apoyo del estudio de simulación. También corresponde a esta etapa especificar qué resultados o estadísticas se espera obtener del modelo de simulación para res- ponder a las preguntas planteadas en los objetivos. A menudo, al especificar los resultados, se detecta que hay partes del modelo que pueden ser simplificadas, dado que son redundantes o no contri- buyen a responder a las preguntas planteadas. Recogida de datos En general, se recomienda cuestionar siempre toda la informa- ción y datos disponibles: ¿cuál es la fuente?, ¿cuándo se recogió?, ¿cómo fue recogida?, ¿tiene ésta sentido?, ¿tenemos insuficientes datos o son excesivos? Para tener buenos resultados es condición indispensable disponer de unos buenos datos. Desgraciadamente, en muchos casos no se dispone de toda la información y datos necesarios pero, aun así, se requiere que se dé respuesta a las pre- guntas planteadas. En estos casos es necesario efectuar hipótesis razonables en colaboración con el usuario final. Si los datos son limitados o su calidad es dudosa es conveniente ser prudente a la hora de extraer conclusiones en base a los resultados generados por el simulador. No obstante, aun en los casos en los que hay proble- mas con los datos, dichos resultados y el conocimiento adqui- rido durante el estudio de simulación siempre podrán aportar información valiosa para la toma de decisiones. Construcción del modelo En numerosos proyectos de simulación se dedica más esfuerzo a la construcción del modelo que a la resolución del problema. A me- nudo la obtención de un modelo ejecutable se convierte errónea- mente en el objetivo prioritario. La estrategia dominante debería ser la comprensión del problema, el análisis de los resultados y la ob- tención de soluciones. Para avanzar más rápidamente en la consecu- 20 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN ción de estos objetivos, es recomendable trabajar de forma progresi- va y construir en primer lugar uno o varios modelos simplificados que capturen las partes más esenciales del sistema de interés. Verificación y validación Bien al contrario que en los procesos judiciales en los que se pre- supone inocentes a los encausados hasta que no se demuestre su culpabilidad, en el campo de la simulación la experiencia recomien- da suponer que todo modelo es incorrecto excepto que se demuestre lo contrario. Los esfuerzos en dotar a los actuales simuladores de po- tentes herramientas para facilitar su uso, curiosamente han contri- buido a uno de los principales peligros de la simulación: «olvidarse del mundo real y aceptar sin reparos los resultados del modelo». Para tener una garantía razonable de que el modelo de simulación repre- senta la realidad, y como consecuencia, tomar decisiones estratégicas u operacionales basándose en los resultados, es absolutamente ne- cesario verificar y validar antes el modelo de simulación. La verificación consiste en comprobar que el modelo se ejecu- ta correctamente y según las especificaciones (según el modelo conceptual). La validación consiste en comprobar que las teorías, hipótesis de trabajo, así como suposiciones son correctas. Algunos autores consideran que un modelo es válido si responde correcta- mente a las preguntas que nos queremos formular sobre el sistema real, o lo que es lo mismo, es válido si nos es útil. Si el proceso to- davía no existe, trataremos de validar una parte del mismo me- diante el estudio de componentes conocidos, y será necesario con- trastar los resultados con expertos del proceso de interés para comprobar si el modelo se comporta tal como ellos esperan. Los costes asociados a haber realizado una verificación y vali- dación inadecuada pueden ser incalculables. Pueden conducir a tomar decisiones perjudiciales, retrasar proyectos y a asumir ries- gos o gastos innecesarios. ¿QUÉ ES UN PROYECTO DE SIMULACIÓN? 21 Diseño de experimentos y experimentación Aspecto estratégico en la resolución de problemas de decisión en sistemas complejos, deberemos introducir aquí la planificación específica de nuestro entorno de experimentación a fin de poder ad- ministrar de forma razonable nuestros recursos a la hora de deter- minar cuáles serán las combinaciones de factores que caracteriza- rán cada uno de los escenarios a simular. Entenderemos como escenario cada una de las configuraciones de niveles en los factores (parámetros) con los que desearemos evaluar o simular nuestro sistema. Así desarrollaremos una estra- tegia del tipo «¿qué pasa si?», y trataremos de averiguar las con- figuraciones de valores del sistema «óptimas». Esto conlleva la manipulación de gran cantidad de información y la aplicación de técnicas de diseño experimental como los planes factoriales frac- cionales, que nos ayudarán a desarrollar correctamente nuestro proyecto sobre la base de establecer cómo vamos a recoger dicha información. En esta fase será útil la participación de expertos es- tadísticos y la utilización de las herramientas adecuadas, así como tener en cuenta las técnicas específicas tácticas que se emplean en la fase de análisis de resultados. Análisis de los resultados Fuertemente entroncado con el punto anterior, y a partir de los distintos escenarios desarrollados mediante un adecuado diseño experimental, debemos tratar de resolver en esta fase dos proble- mas principales: el marco temporal de nuestro estudio y la calidad estadística de nuestros resultados. En primer lugar debemos determinar, en función del tipo de sistema en estudio (por ejemplo si se trata del estado estacionario o transitorio de un proceso), cuáles son los datos que vamos a reco- lectar de nuestra simulación. Así, puede interesarnos descartar to- dos aquellos datos que corresponden a la fase de carga inicial del 22 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN sistema, ya que consideramos que no aportan nada a nuestro estu- dio o que, simplemente, distorsionan nuestras estadísticas. También puede interesarnos monitorizar un proceso precisamente durante su fase de carga,y solo hasta que alcance un determinado estado en el que consideramos se dan las condiciones de estabilidad deseadas y nuestro estudio deja de tener interés. En segundo lugar, debemos especificar el número de repeticio- nes o ejecuciones del modelo de simulación, para cada una de las configuraciones de factores o escenarios, necesarias para garantizar una determinada calidad estadística de nuestros resultados. En de- finitiva, se trata de adjuntar a dichos resultados un sello de credibi- lidad experimental. Como contrapartida, debemos buscar las fór- mulas y métodos que optimicen la utilización de nuestros recursos en términos de tiempo de computación o de limitaciones temporales del propio estudio de simulación. En esta etapa se emplean a me- nudo técnicas específicas como las que buscan la reducción de la variancia, números aleatorios comunes (CRN) o variables antitéticas (AV), entre otras. Estas mismas técnicas pueden ser útiles para la mejora de los coeficientes de los metamodelos de simulación. Estos son ecuaciones matemáticas que relacionan las variables de entrada y de salida de un modelo de simulación y pueden ser utilizados, en su caso, como mecanismo eficiente para la obtención rápida de respuestas en determinados tipos de problemas. En general, el valor añadido más importante de un estudio de simulación no lo constituyen los resultados finales obtenidos con el modelo. El resultado más valioso es el conocimiento adquirido en el proceso de análisis, que permite aportar argumentos cualitativos y/o cuantitativos justificados a favor o en contra de las diferentes opciones de diseño planteadas. Documentación Es importante mantener una documentación permanentemente actualizada que refleje el estado del proyecto y que evolucionará y ¿QUÉ ES UN PROYECTO DE SIMULACIÓN? 23 se enriquecerá en paralelo con el desarrollo del mismo. Los obje- tivos perseguidos con la documentación son: • Reflejar el estado del proyecto en un momento dado. Utili- zando herramientas de trabajo en grupo, el personal técnico o directivo relacionado sigue al día el progreso del proyecto. • Informar sobre todo el proyecto (documento final). • Facilitar la futura reutilización del modelo si ésta fuera de in- terés. • Se recomienda recoger en los informes la siguiente informa- ción: introducción; objetivos; hipótesis; descripción física del sistema; justificación de la metodología empleada; des- cripción del modelo, análisis de los experimentos efectuados y conclusiones. Implementación En este contexto, se entiende por implementación la toma de decisiones y aplicación de conclusiones como consecuencia del es- tudio de simulación. Un proyecto de simulación no tiene éxito si las mejoras o cambios que ha justificado técnica y económica- mente no son posteriormente implementados. Para que las recomendaciones sean tenidas en cuenta es nece- sario que el modelo sea creíble. Para ello, no es suficiente con que el modelo sea válido. También es necesario que quienes vayan a tomar las decisiones estén convencidos de su validez. Esta cre- dibilidad la conferirán, tanto la calidad y solidez del estudio rea- lizado, como la seriedad y experiencia del equipo que realiza la simulación. 24 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN El análisis de los datos de los que se dispone sobre el sistema a modelar es una tarea imprescindible que, correctamente desarro- llada, facilita y simplifica considerablemente el desarrollo de los modelos y de los proyectos de simulación. La recogida de datos es una de las etapas más laboriosas de un proyecto de simulación. En general, y de modo muy especial en los sistemas complejos, el conocimiento sobre el funcionamiento del sistema, necesario para construir el modelo de simulación, está repartido entre diferentes personas de la empresa. Para obtener toda esta información el modelador tiene que estar dispuesto a de- terminar y buscar la información necesaria y las fuentes que pue- dan proporcionarla. El proceso de recogida y análisis de la información puede ser abrumador. Los datos no se presentan en general en el formato ne- cesario para definir el modelo. Muchos esfuerzos dirigidos a la ob- tención de estos acaban con muchos datos pero con poca informa- ción útil para la construcción del modelo. Si la información obtenida es insuficiente deberán efectuarse hipótesis razonables para proseguir el estudio. 25 Importancia de los datos Capítulo 3 Proceso de recogida de datos La primera etapa a seguir en el proceso de recogida de datos es determinar la información necesaria basándose en los objetivos planteados en el proyecto y en función del nivel de detalle deseado. El empleo de diagramas causa-efecto facilita el proceso de re- cogida de datos en la medida en que indican cuales de ellos son más significativos. En general, los datos a considerar en la cons- trucción del modelo son todas aquellas variables que pueden influir sobre el rendimiento del sistema (en general, las que influyen sobre los datos de salida del estudio). Por ejemplo, en el caso de las lí- neas de producción, el tiempo de ciclo de las máquinas, los tiem- pos de transporte, el rendimiento de los operadores, las llegadas de las peticiones, etc. En la fase de desarrollo del modelo, los datos disponibles se clasificarán en alguno de los siguientes grupos: estados, eventos, entradas, salidas, parámetros y tiempos. Aunque el proceso de recogida de datos parezca costoso en tiempo y recursos, los ingenieros con experiencia en el uso de las actuales herramientas de simulación coinciden en su importancia, pues la calidad de esta información va a condicionar la validez del estudio en desarrollo. Algunas ideas que facilitarán la tarea de recogida y análisis de datos Una planificación inicial del proceso de recogida de datos aporta beneficios en el tiempo de construcción del modelo. Los da- tos no provienen en general de una sola fuente. Son el resultado del análisis de la información existente, de extrapolaciones, de entre- vistas, de medidas efectuadas para el estudio y de la intuición que proporciona la experiencia. 26 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN Algunos procesos son, por propia naturaleza, muy ricos en da- tos. En general, las empresas con procesos muy automatizados, como los de fabricación, tienen mucha información registrada. En el otro extremo, las empresas de servicios, tienen poca información útil para construir el modelo. Cuando el proceso es pobre en datos, la forma más usual de obtener la información es a través de infor- mes, entrevistas personales o la observación. Para la toma de medidas del comportamiento de sistemas exis- tentes, debemos determinar qué métodos son los más adecuados para nuestro propósito, los cuales pueden variar desde el uso de un ordenador que registre los datos automáticamente, hasta la graba- ción de un vídeo para una posterior extracción de los mismos. También se recomienda detectar circunstancias poco comunes, y considerar como sería conveniente tratarlas. Es conveniente intentar analizar los datos conforme son reco- gidos. Puesto que el almacenamiento y análisis de datos innecesa- rios no aporta ningún beneficio, es aconsejable determinar si las muestras recogidas son adecuadas para obtener las distribuciones necesarias para la simulación, o si debería realizarse un muestreo más preciso o a un nivel de abstracción superior. Posiblemente debamos intentar combinar conjuntos de datos homogéneos, comprobar la homogeneidad de los datos en periodos de trabajo sucesivos, y durante los mismos periodos en días suce- sivos. También evaluar la necesidad de utilizar distribuciones dife- rentes para un mismo conjunto de datos. Aleatoriedad versus comportamiento determinista Cuando es posible describir completamente el resultado de una actividad en términos de su entrada, se dice que la actividad es de- terminista. En caso contrario se dice que la actividad es estocástica. IMPORTANCIA DE LOS DATOS 27 El concepto datos aleatoriosno debe confundirse con el de un proceso estocástico, sino con una simplificación de la descripción del sistema que va a permitir replicar su comportamiento sin tener que formalizar todas aquellas relaciones causa-efecto que apartan los resultados de poderse evaluar como deterministas. Considérese el sistema ilustrado en la Figura 3.1. Se trata de un manipulador que recoge piezas de una cinta transportadora y las al- macena en el stock interno de una máquina (M1). Desde un punto de vista tecnológico, la grapa del manipulador dispone de un con- junto de sensores cuyas señales van a permitir determinar la posi- ción y orientación de la pieza, información necesaria para que el manipulador pueda recogerla y clasificarla en un cierto stock. El tiempo necesario para realizar un ciclo de trabajo depende de dis- tintos factores, tales como la posición y orientación de la siguiente pieza a ser procesada respecto a la grapa del manipulador, la posi- ción final donde va a ser transportada, el peso de la pieza, etc. Nótese que el conocimiento de estos datos junto con el conjunto de ecuaciones algebraico-diferenciales que describen la dinámica del manipulador, así como la orientación y posición de la siguiente pie- za deberían ser suficientes como para poder predecir con exactitud 28 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN Figura 3.1. Sistema Manipulador: transporte de cinta a máquina. Máquina M1 Robot R1 el tiempo que se invertirá en la siguiente operación de transporte, de modo que será posible generar en un ordenador las mismas sa- lidas y cambios de estado que en el sistema real, lo cual (tal y como era de prever) rompe los principios de aleatoriedad. Aunque las unidades de producción, así como los manipula- dores y unidades de transporte que pueden encontrarse en las líne- as de producción están lejos —afortunadamente— de presentar un comportamiento aleatorio, el uso de modelos estocásticos para representar la evolución de un sistema sobre la base de los cambios de estado provocados por una secuencia de eventos, facilita no tan solo la tarea de construcción del modelo, sino también la vali- dación del mismo. Por otro lado, la descripción mediante formulaciones deter- ministas de muchos fenómenos no tan solo es desaconsejable sino, en la práctica, imposible. En este conjunto de eventos «estocásti- cos», se encuentran todos aquellos directa o indirectamente rela- cionados con las actividades de los operadores humanos, como son por ejemplo: las peticiones de información, el tiempo de repa- ración de las máquinas, de llegadas de material, los fallos en las operaciones, etc. ¿Puede un ordenador generar los mismos datos que un sistema real? Para responder a esta pregunta, considérese de nuevo el sistema presentado en la Figura 3.1, pero esta vez como un elemento más dentro de una línea de producción. El objetivo del estudio de si- mulación será detectar y evaluar los cuellos de botella que se pro- duzcan en el sistema. Bajo estas consideraciones, no vamos a uti- lizar la misma secuencia de números obtenida directamente del sistema físico (Tabla 3.1), sino que intentaremos que los valores obtenidos por el simulador mediante generadores de variables ale- IMPORTANCIA DE LOS DATOS 29 atorias presenten las mismas propiedades estadísticas que aquellos. Nótese además, que otra muestra recolectada del mismo sistema físico no seguirá necesariamente la misma pauta de la primera muestra, pero sí es de esperar que presente las mismas propiedades estadísticas. Así pues, el objetivo no es conseguir generar una secuencia de datos idéntica a la obtenida en una muestra del sistema a modelar, sino poder generar datos con las mismas propiedades estadísticas que los datos de la muestra. Podemos utilizar funciones de distribución de probabilidad para describir, a ciertos niveles de abstracción, el comportamiento gene- ral aproximado de los sistemas en estudio. Un modelo es una abs- tracción del sistema de interés. Esto implica que sólo se modela lo que ocurre y no necesariamente la mecánica de cómo suceden los eventos. En este contexto las funciones de distribución de probabi- lidad resultan muy útiles para especificar un conocimiento abstrac- to y distribuido de los sistemas a simular. Construir un modelo que 30 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN Tabla 3.1. Tiempos de ciclo del sistema manipulador. 9,3 9,8 9,1 8,9 9,4 10,7 8,7 11,4 10,4 9,7 8,7 9,8 9,6 13,0 9,6 10,5 9,5 8,5 11,9 10,1 9,7 11,0 9,7 10,3 10,0 10,2 9,5 9,1 10,1 11,5 10,5 8,9 12,2 9,7 9,7 8,5 12,0 10,0 9,6 10,4 9,5 8,3 10,9 9,1 9,8 8,9 12,9 9,7 10,7 9,7 10,4 7,6 9,7 9,5 8,4 10,4 8,7 8,5 8,0 11,2 7,4 10,0 11,3 8,3 8,0 9,3 10,0 10,1 10,5 8,9 9,3 7,1 10,5 10,1 8,3 8,6 11,5 10,3 10,8 11,0 10,0 9,5 9,0 9,2 10,1 10,0 10,8 8,5 10,6 11,6 10,7 9,7 9,6 9,9 10,0 10,0 11,0 9,5 9,8 9,7 reflejara con detalle la mecánica de un sistema complejo a partir de los datos muestreados constituiría una tarea complicada que reque- riría personal especializado y una inversión en tiempo considerable, y repercutiría fuertemente sobre el coste del proyecto. El uso de funciones de distribución de probabilidad simplifica altamente la tarea de modelado. Los modelos de simulación de sistemas orientados a eventos discretos se desarrollan combinando los valores generados por el simulador que pueden caracterizar un determinado evento, y ecuaciones o grafos que permiten for- malizar las posibles relaciones entre dichos eventos y el nuevo es- tado del sistema. Identificación de las propiedades estadísticas Un método para poder describir las propiedades estadísticas de una muestra consiste en especificar la probabilidad de aparición que tiene cada uno de los datos recogidos en la muestra. Para ello, es posible disponer de un conjunto de herramientas comerciales que facilitan tanto la construcción de un histograma (Figura 3.2), en el cual se recoge la frecuencia de aparición de cada uno de los datos, como la parametrización de una función de densidad de probabilidad cuyas propiedades estadísticas sean lo más similares posible a la muestra con la que se trabaja. IMPORTANCIA DE LOS DATOS 31 Figura 3.2. Histógrama y función de densidad de probabilidad ajustada. 0,5 0,2 0,0 7,0 8,2 9,4 10,6 11,8 13,0 El objetivo que se persigue es generar valores aleatorios que respondan a las mismas propiedades estadísticas que los datos re- cogidos en la muestra. Podremos utilizar un generador de variables aleatorias que sigan una función de densidad de probabilidad co- nocida (normal, lognormal, gamma, exponencial, weibull, etc.) o bien será necesario implementar un algoritmo o función de usuario que nos permita generar los valores de interés. En definitiva, se trata de decidir si los valores generados por una función de densidad de probabilidad conocida presentan ca- racterísticas suficientemente similares a la de los datos recogidos en la muestra del sistema a modelar. Para ello existe un conjunto de tests de hipótesis que permiten tomar la decisión de aceptar o no una función de densidad de probabilidad como una representa- ción abstracta suficientemente buena de un sistema. Funciones de distribución teóricas más utilizadas En el caso de no disponer de información suficiente como para determinar la distribución estadística que sigue un determinado fenómeno o proceso, se recomienda el uso de distribuciones es- tándar que, de modo genérico, suelen utilizarse para modelar si- tuaciones conocidas, como, por ejemplo: Distribución Algunas situaciones en las que se suele utilizar Exponencial Tiempos entre llegadas en procesos con independencia entre ocurrencias. Vida o averías de dispositivos. Poisson Proceso de llegadas. Tamaños de lotes. Número de ítems pedidos a un almacén. Normal Tiempo de servicio de una unidad de producción sin con- siderar posibles fallos, errores aditivos de medida. 32 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN IMPORTANCIA DE LOS DATOS 33 Distribución Algunas situacionesen las que se suele utilizar Uniforme Tiempo de servicio cuando la información disponible es escasa. Gamma Tiempo de servicio de varias unidades de producción idén- ticas dando servicio en paralelo a la misma carga de en- trada, considerando fallos en las máquinas. LogNormal Tiempo de servicio de varias unidades de producción tra- bajando en secuencia considerando fallos en las máquinas. Aplicable en modelos económicos. Weibull Tiempo entre fallos de una pieza o equipo. Tiempo de vida de un equipo electrónico. Erlang Apropiada en actividades cuyas fases siguen tiempos ex- ponenciales, como el tráfico telefónico clásico. También en tiempos de servicio o de reparación. Triangular Es útil para modelar el tiempo necesario para realizar una operación cuando solo se conoce el tiempo mínimo, el máximo o el más probable o moda. Binomial Tests de piezas: número de ítems defectuosos en un lote de tamaño determinado. La simulación de modelos basada en la metodología de eventos discretos consiste en la reproducción mediante un ordenador de las operaciones de un sistema real. Estas pueden ser las desarrolladas a diario en un aeropuerto, el proceso de ensamblaje en una línea de fabricación o la asignación de personal sanitario a los diferentes turnos de trabajo de un hospital. Tradicionalmente, el análisis de estos procesos se ha efectuado mediante complejos modelos ma- temáticos desarrollados por expertos. Los programas de simulación disponibles en la actualidad permiten que el análisis de estos pro- cesos pueda ser efectuado por personas no expertas en técnicas de programación o en técnicas matemáticas. La simulación de procesos mediante eventos discretos en la práctica real siempre será lógicamente efectuada en un ordena- dor, aunque en el ejemplo que se muestra a continuación se efec- tuará manualmente a fin de mostrar los mecanismos básicos de un proceso de simulación. 35 Construcción y funcionamiento de un modelo de simulación basado en un sistema sencillo Capítulo 4 Ejemplo El sistema de interés es un proceso de recepción, procesado y expedición de órdenes a clientes. La Figura 4.1 muestra las tres ac- tividades más significativas del mismo. Disponemos de cuatro tra- bajadores por cada turno diario de ocho horas. La franja horaria normal de trabajo es desde las nueve de la mañana hasta las cinco de la tarde. No obstante, la jornada laboral se alarga si no ha sido posible expedir todas las órdenes recibidas a lo largo del día. 36 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN Recepción de órdenes Proceso de de órdenes Expedición 4 órdenes ordinarias/día 6 órdenes prioritarias/día 2 horas/orden ordinaria 4 horas/orden prioritaria Figura 4.1. Esquema del proceso de órdenes. Los parámetros más significativos del proceso son: • En promedio, se reciben diez órdenes cada día. • Hay dos tipos de órdenes: las ordinarias y las prioritarias. El 40% de las órdenes son ordinarias y el 60% restante son prioritarias. • En promedio, una orden ordinaria requiere dos horas de pro- ceso y una orden prioritaria cuatro horas. • Sólo se aceptan órdenes hasta la una del mediodía. Si efectuamos un análisis del comportamiento del sistema ba- sándonos en los valores promedio se puede sacar la conclusión errónea de que no existirá ningún retraso en las órdenes y de que los recursos humanos están aprovechados al 100%: órdenes ordinarias = 4 órdenes/día × 2 horas/orden = 8 horas/día órdenes prioritarias = 6 órdenes/día × 4 horas/orden = 24 horas/día capacidad necesaria = 8 + 24 = 32 horas/día capacidad disponible = 4 trabajadores/día × 8 horas/día = 32 horas/día porcentaje de utilización = cap. necesaria/cap. disponible × 100=100% Definiciones previas Más adelante se muestra una simulación manual del proceso anterior contemplando que las órdenes llegan de forma aleatoria. Sin embargo, antes de proceder con la simulación es conveniente adelantar las siguientes definiciones: • Variables de estado: son el conjunto de variables que permi- ten determinar el estado de un sistema en un instante deter- minado. Para el ejemplo propuesto, serán el número de ór- denes en la cola y el número de órdenes en proceso. • Eventos: sucesos que ocurren en instantes determinados de tiempo y que pueden cambiar el estado del sistema. En nues- tro caso, la llegada de una nueva orden y la expedición de una orden. • Entidad: describe el objeto que es procesado, manipulado o transportado en el modelo. En el ejemplo propuesto se ma- neja tan solo un único tipo de entidades, las órdenes. • Cola: está formada por un conjunto de entidades ordenadas. Por ejemplo, una cola de coches a la espera de poner gasoli- na, una cola de aviones a la espera para despegar. En nuestro ejemplo, se tiene una cola de órdenes en espera para ser pro- cesadas. CONSTRUCCIÓN Y FUNCIONAMIENTO DE UN MODELO DE SIMULACIÓN… 37 • Recurso: es una persona, máquina o cualquier otro elemento que proporciona un servicio o efectúa operaciones sobre las entidades. En el ejemplo propuesto son los cuatro trabajado- res que procesan las órdenes. • Variable aleatoria: es aquella variable cuyo valor no puede conocerse de forma precisa o determinista. Por ejemplo, el momento de llegada de una orden. • Distribución: es la ley que gobierna el comportamiento pro- babilístico de la variable aleatoria. Para el ejemplo propues- to, la que determina el tiempo entre las llegadas de las dis- tintas órdenes. La Figura 4.2 muestra gráficamente las acciones asociadas al evento de llegada de una orden. Si todos los trabajadores están ocupados, la orden espera en la cola. En caso contrario, se le asig- na un trabajador y se inicia su proceso. 38 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN El segundo evento representa las acciones ligadas a la expedi- ción de una orden (Figura 4.3). Al finalizar el procesado de una or- den, uno de los trabajadores queda libre. Si hay órdenes en cola, el trabajador tomará la orden e iniciará su proceso. En caso contrario, el trabajador permanece a la espera de la llegada de nuevas órdenes. Figura 4.2. Diagrama de flujo del evento de llegada de una orden. Llegada de una orden 4 trabaj. ocupados Se inicia el proceso de la orden La orden se espera en la cola NO SÍ Simulación manual Para analizar el comportamiento del sistema se simula la diná- mica del proceso en el cual la llegada de órdenes es aleatoria. La Figura 4.4 para cada una de las órdenes la hora de llegada, el tiem- po que está en cola, el tiempo de proceso y la hora de expedición. CONSTRUCCIÓN Y FUNCIONAMIENTO DE UN MODELO DE SIMULACIÓN… 39 Figura 4.3. Diagrama de flujo del evento de expedición de una orden. Orden es expedida No hay órdenes en la cola Trabajadores en espera de órdenes Quitar una orden de la cola Se inicia el proceso de la orden NO SÍ Figura 4.4. Diagrama de la simulación manual. Orden ordinaria Orden prioriataria Expedición Inicio del proceso Orden en la cola para el proceso Horas extras 9 a 10 10 a 11 11 a 12 12 a 13 13 a 14 14 a 15 15 a 16 16 a 17 17 a 18 18 a 19 19 a 20orden 1 2 3 4 5 6 7 8 9 10 Las primeras dos órdenes llegan a las 9 de la mañana. La ter- cera orden llega una hora más tarde, a las 10 de la mañana. Dado que estas primeras órdenes son ordinarias y hay trabajadores para procesarlas, las tres órdenes son expedidas al cabo de dos horas. Más adelante, a las 13 horas, llega la orden número 8. En este instante, los cuatro trabajadores están ocupados. En consecuen- cia, no se puede iniciar su proceso hasta una hora más tarde des- pués de ser expedida la orden número 5. Para completar las órde- nes 8, 9 y 10 se precisa que tres trabajadores alarguen su jornada de trabajo más allá de las 5 de la tarde. La Tabla 4.1 muestra también de forma tabular los resultados de la simulación a mano. La primera columna muestra en qué ins- tante ocurre cada evento. En la cuarta columna se muestra el tipo de evento, evento de llegada de una orden o evento de expedición de una orden. Enla columna número dos se muestra la orden que se recibe o expide y en la siguiente columna, la tercera, se muestra el tipo de orden, ordinaria o prioritaria. En las columnas quinta y sexta se muestran el número de órdenes en la cola y el número de órdenes en el sistema (desde que llega la orden hasta que ésta es expedida) respectivamente. La penúltima columna muestra el tiem- po que está cada orden en la cola a la espera de ser procesada. La última columna muestra, en el evento de expedición, el tiempo total que ha permanecido la orden en el sistema. El tiempo total será la suma del tiempo en la cola más el tiempo en proceso. Las últimas cuatro columnas muestran datos importantes para analizar el comportamiento del sistema. Estas estadísticas son recogidas cada vez que hay un evento. Por ejemplo, el número de órdenes en la cola alcanza su valor máximo a las 13 horas. Las últimas tres órdenes están en la cola una, dos y tres horas respecti- vamente. A continuación se resume el comportamiento del proce- so observado mediante la simulación manual, tiempo de ciclo promedio para órdenes ordinarias = 8 h/4 órdenes = 2 h/orden tiempo de ciclo promedio para las prioritarias = 30 h/6 órdenes = 5 h/orden tiempo promedio en la cola = 6 h/10 órdenes = 0,6 h/orden 40 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN tiempo máximo en la cola = 3 h nivel de servicio promedio = 7 órdenes a tiempo/10 órdenes = 70% 3 trabajadores han tenido que trabajar un total de 6 horas extras para comple- tar las órdenes. CONSTRUCCIÓN Y FUNCIONAMIENTO DE UN MODELO DE SIMULACIÓN… 41 Tiempo Número Tipo Tipo Número Número Tiempo Tiempo (hora) de de de en en en en orden orden evento cola sistema cola sistema 9 1 Ordinaria Llegada 0 1 — — 9 2 Ordinaria Llegada 0 2 — — 10 3 Ordinaria Llegada 0 3 — — 11 1 Ordinaria Exped. 0 2 — 2 h 11 2 Ordinaria Exped. 0 1 — 2 h 11 4 Priorit. Llegada 0 2 — — 12 3 Ordinaria Exped. 0 1 — 2 h 12 5 Ordinaria Llegada 0 2 — — 12 6 Priorit. Llegada 0 3 — — 13 7 Priorit. Llegada 0 4 — — 13 8 Priorit. Llegada 1 5 — — 13 9 Priorit. Llegada 2 6 — — 13 10 Priorit. Llegada 3 7 — — 14 5 Ordinaria Exped. 2 6 — 2 h 15 4 Priorit. Exped. 1 5 — 4 h 16 6 Priorit. Exped. 0 4 — 4 h 17 7 Priorit. Exped. 0 3 — 4 h 19 8 Priorit. Exped. 0 2 1 h 5 h 19 9 Priorit. Exped. 0 1 2 h 6 h 20 10 Priorit. Exped. 0 0 3 h 7 h Tabla 4.1. Tabla de la simulación manual del proceso de órdenes. Aunque inicialmente parecía que el diseño del proceso era el adecuado, las llegadas aleatorias provocan colas y retardos poste- riores en el procesado de las órdenes. En este ejemplo se ha obser- vado que las llegadas aleatorias provocan desviaciones significati- vas respecto al comportamiento esperado inicialmente. Otros posibles escenarios a contemplar podrían ser: • Escenario 1: ¿cómo afecta al comportamiento del proceso si el número de órdenes diarias varía entre 8 y 12 (el valor promedio todavía es 10)? • Escenario 2: ¿cuál es el impacto sobre el comportamiento del sistema si el tiempo para procesar las órdenes prioritarias varía entre las 3 y las 5 horas (el valor promedio todavía es 4)? • Escenario 3: ¿cómo afecta al comportamiento del proceso si la proporción de órdenes de cada tipo llegadas diariamente es aleatoria (el valor promedio es todavía de 40%, 60%)? Si se efectúa la simulación de cada uno de los escenarios ante- riores, o de la combinación de varios de dichos escenarios, se puede observar un deterioro de las estadísticas de comportamiento del proceso provocado por el incremento de variabilidad en el mismo. Al realizar la simulación anterior, se ha supuesto como cono- cido el número de órdenes que llegan en cada franja horaria. Sin embargo, en la práctica diaria existe una diversidad de motivos que no permiten que dichos tiempos puedan ser conocidos, como son por ejemplo: • El proceso simulado todavía no existe en la realidad. • Se desea simular el comportamiento de un sistema real bajo condiciones diferentes de operación. Aunque no se disponga de la información anterior, si que, en general, se dispone de datos que, convenientemente analizados, pueden informar sobre la distribución del número de órdenes que llegan cada hora. Esta información se ha podido obtener de forma 42 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN precisa a partir de una muestra real, o de forma aproximada, a partir del conocimiento general del que se dispone sobre el sistema. Se supone conocida la probabilidad de que en una hora deter- minada lleguen 1, 2, 3 o 4 órdenes. La distribución de probabili- dades se muestra en la Tabla 4.2. CONSTRUCCIÓN Y FUNCIONAMIENTO DE UN MODELO DE SIMULACIÓN… 43 Tabla 4.2. Distribución de probabilidad de llegadas de órdenes. Órdenes/hora Probabilidad (%) Prob. acumulada 1 40 40 2 30 70 3 20 90 4 10 100 Una forma para simular cuál sería el número de órdenes que llegarían en la siguiente hora consistiría en introducir 100 bolas en un saco numeradas de la 01 hasta la 100 y sacar una al azar. Si el valor extraído estuviera comprendido entre el 01 y el 40, el nú- mero de órdenes sería 1. Si estuviera entre el 41 y el 70, llegarían 2 órdenes, entre el 71 y el 90, llegarían 3 y entre el 91 y el 100 lle- garían 4. Para proseguir, se repone la bola y se procede de forma exactamente igual para obtener el número de órdenes de la hora si- guiente. Nótese que, del total de bolas, 40 están comprendidas en- tre los valores 01 y 40: la probabilidad de que el número de órde- nes sea 1 será 0,4 (40%). Tabla 4.3. Número de órdenes recibidas en cada franja horaria. Hora Número al azar Número de órdenes 9 54 2 10 12 1 11 36 1 12 60 2 13 90 4 El simulador tiene que ser capaz de generar las órdenes que lle- gan cada hora a partir del conocimiento disponible sobre la distri- bución de probabilidad. Para ello se han diseñado algoritmos de ge- neración de números al azar (números pseudoaleatorios) que cumplen dicho fin. La Tabla 4.3 muestra los números al «azar» y el número de órdenes asignadas por el simulador para cada hora. Las herramientas actuales de simulación simplifican mucho la tarea de construcción y experimentación con el modelo de simula- ción. El modelo del ejemplo anterior viene representado por la Figura 4.5. 44 CÓMO MEJORAR LA LOGÍSTICA DE SU EMPRESA MEDIANTE LA SIMULACIÓN Figura 4.5. Proceso de órdenes. Llegada de órdenes Proceso de las órdenes Expedición 0 0 0 La mayoría de las herramientas actuales generan automática- mente estadísticas sobre el comportamiento dinámico del sistema. Un aspecto muy importante que incide de modo determinante en el éxito de los proyectos de simulación es que el modelo con el que se trabaja sea una representación suficientemente fiable y, por lo tanto creíble, del comportamiento del sistema. Nótese que cual- quier predicción o propuesta de mejora formulada a partir de los re- sultados obtenidos experimentando con un modelo incorrecto, pue- de llegar a comportar, en su caso, la aprobación de inversiones que no resuelvan correctamente los problemas que se habían plan- teado. No existe un método genérico para determinar si un modelo es correcto. Esto es debido a que la validez de un modelo debe ser particularizada en términos de los objetivos para los cuales ha sido desarrollado, considerando tanto el nivel de precisión aceptable, como el conjunto de condiciones de experimentación que cubren el dominio de aplicación. A pesar de no disponer de una metodología basada en unas re- glas generales que permitan de modo sistemático establecer cuán- do un modelo es suficientemente válido para un cierto propósito, sí que se dispone de un conjunto de pautas y procedimientos que, de 45 Verificación y validación de modelos Capítulo 5 algún modo, permiten evaluar el grado de fiabilidad del modelo con el que se trabaja. No es posible probar por completo el modelo contra todos los inputs posibles, por cuestiones de tiempo, recursos y racionalidad intelectual. En consecuencia, la fase de verificación y validación
Compartir