separata_simulación_discreta

Vista previa del material en texto

Simulación Discreta 
 1
Simulación Discreta. 
 
 
Simulación 
 
Representar algo, fingiendo o imitando lo que no es. 
 
¿Qué es simulación de procesos? 
Simulación es una técnica de modelamiento matemático, mediante la cual se 
construye un modelo del proceso de estudio, con el fin de entender la 
interacción de los componentes del sistema y evaluar diferentes alternativas de 
configuración para el mejoramiento de su desempeño. 
¿Cuándo usar simulación? 
Cuando existe un efecto combinado de variabilidad, incertidumbre e 
interdependencias entre los elementos del sistema y el estudio de su 
funcionamiento presenta alta complejidad. En estos casos es útil usar 
simulación para facilitar la comprensión del sistema tanto cualitativamente, a 
través de la animación, como cuantitativamente, por medio de un detallado 
análisis estadístico. 
¿Para qué usar simulación? 
• Tener un conocimiento más claro y detallado del sistema. 
• Identificar problemas específicos y parámetros sensibles de un sistema. 
• Diseñar nuevos sistemas sin incurrir en el riesgo de una inversión errónea. 
• Realizar experimentos con nuevas configuraciones antes de implementarlas. 
• Visualizar y probar el comportamiento de nuevas estrategias de operación. 
• Evaluar rápidamente las alternativas sin interrumpir los sistemas 
operacionales. 
• Mostrar los cambios de desempeño del sistema en el tiempo. 
• Apoyar la toma de decisiones. 
¿Cuáles son los beneficios de usar esta herramienta? 
Los beneficios más importantes de usar simulación discreta son: 
• Permitir obtener una visión general de la operación del sistema y verificar el 
impacto de posibles cambios en el desempeño del mismo. 
 
• Mejorar y facilitar la comprensión del sistema y sus elementos. 
 
• Facilitar la experimentación de políticas y nuevas configuraciones, en la 
búsqueda del mejoramiento del sistema. 
 Simulación Discreta 
 2
• Ahorros potenciales al reducir los costos de implantaciones erróneas. 
Todo esto apoya el proceso de toma de decisiones, sin incurrir en los costos de 
implantaciones equivocadas. 
Definiciones. 
 
Sistema: Proceso que interesa estudiar. Para poderlo estudiar hay que 
hacer supuestos referidos a su funcionamiento. 
También se define como una colección de entidades, por ejemplo: gente o 
máquinas, que actúan o interactúan buscando algún fin lógico. (Schmidt y 
Taylor 1970). 
 
En la práctica, lo que se entiende por sistema depende de los objetivos de un 
estudio en particular. Ejemplo: servicio de reparto a domicilio. 
 
Estado de un sistema: Colección de variables necesarias para describir 
un sistema en un momento particular. Ejemplo: número de pedidos por ser 
despachados, número de motociclistas libres, etc. 
 
Modelo: Relaciones matemáticas o lógicas que representan al sistema, 
considerando ciertos supuestos. Este modelo se utiliza para poder entender 
como se comporta el sistema. 
 
Si las relaciones que componen el modelo son simples, podría ser posible usar 
métodos matemáticos para obtener información exacta. (álgebra, cálculo o 
teoría de probabilidad). 
 
Sin embargo la mayoría de los sistemas reales son muy complejos para permitir 
ser analizados analíticamente y son estos sistemas los que deben estudiarse por 
simulación. Para poder hacer uso de la simulación se necesita recolectar data 
para estimar las verdaderas características de lo que estamos modelando. 
 
Tipos de sistemas. 
 
Sistemas discretos: La variable de estado cambia de manera 
instantánea en puntos separados de tiempo. Ejemplo, el número de pedidos 
cambia cuando un nuevo pedido llega a la central o cuando uno de ellos es 
atendido. 
 
Sistemas continuos: Las variables cambian continuamente con 
respecto al tiempo. Por ejemplo un automóvil en movimiento cambia 
continuamente de posición con respecto al tiempo. 
 
Pocos sistemas son puramente discretos o continuos, pero como generalmente 
un tipo de cambio predomina en la mayoría de los sistemas, es usualmente 
posible clasificarlos en uno de los dos tipos. 
 
 Simulación Discreta 
 3
Maneras de estudiar un sistema. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Areas de aplicación de la simulación. 
 
 Diseño y análisis de sistemas de manufactura. 
 Evaluación de sistemas de armamentos militares o sus requerimientos 
logísticos. 
 Determinación de los requerimientos de hardware o protocolos de 
comunicación de redes. 
 Diseño y operación de sistemas de transporte tales como aeropuertos, 
autopistas, puertos y trenes subterráneos. 
 Evaluar diseños de organizaciones como “call centers”, restaurantes de 
comida rápida, hospitales y oficinas de correos. 
 Reingeniería de procesos de negocios. 
 Determinar políticas de reordenamiento para sistemas de inventarios. 
 Analizar sistemas financieros o económicos. 
 
Dificultades del uso de la simulación. 
1. Los modelos para sistemas de gran tamaño tienden a ser muy complejo 
y escribir programas computacionales que los representen puede ser una 
tarea ardua. 
2. Requieren muchas veces una gran cantidad de tiempo computacional. 
 
Sistema 
Experimentar con 
un modelo 
 del sistema 
Experimentar 
con sistema 
actual. 
Modelo físico Modelo 
 matemático 
Solución 
analítica 
Simulación 
 Simulación Discreta 
 4
Pasos en un estudio de simulación. 
1. Formular el problema y planificar el estudio. 
a) El problema es planteado por el interesado. 
b) Se plantean: 
i. Objetivos. 
ii. Preguntas a ser contestadas por el estudio. 
iii. Medidas de actuación que serán usadas para evaluar la 
eficacia de las distintas configuraciones del sistema. 
iv. Alcance del modelo. 
v. Configuraciones del sistema a ser modeladas. 
vi. Software que se usará. 
vii. Ventana de tiempo para el estudio y recursos requeridos. 
 
2. Recolectar la data y definir el modelo. 
a) Recolectar información de la disposición del sistema y 
procedimientos operacionales. 
b) Recolectar data de parámetros específicos del modelo y de las 
distribuciones de probabilidad de entrada. 
c) Delinear la información anterior y los datos en un documento 
donde se expliciten los supuestos, que es el modelo conceptual. 
d) Recolectar la data (si es posible) de la actuación actual del 
sistema (para usarlo posteriormente en validación). 
e) El nivel de detalle del modelo debe depender de lo siguiente: 
i. Objetivos del proyecto. 
ii. Medidas de performance. 
iii. Disponibilidad de data. 
iv. Necesidad de credibilidad del modelo. 
v. Restricciones computacionales. 
vi. Opinión de expertos. 
vii. Restricciones en tiempo y monetarias. 
f) No es necesaria una correspondencia uno a uno entre cada 
elemento del modelo y el correspondiente elemento del sistema. 
g) Interactuar con el responsable del proyecto o personal clave de la 
empresa de manera regular. 
 
3. Verificar la validez conceptual del modelo. 
a) Llevar a cabo un recorrido a través del modelo conceptual usando 
el documento con los supuestos ante una reunión con los “dueños 
del problema”. 
Esto asegura que los supuestos son correctos y completos, 
asimismo promueve que el modelo se asuma como propio, por 
parte de los interesados. Esto debe hacerse antes de que el 
programa empiece para evitar reprogramar posteriormente. 
 
4. Construir un programa computacional y verificar. 
Utilizar un lenguaje de programación (Ej. C o Fortran) o un software de 
simulación (Arena, AutoMod, Extend, Promodel, Witness). 
 Simulación Discreta 
 5
 
5. Hacer pruebas piloto para validar. 
 
6. Verificar la validez del modelo. 
a) Si existe un sistema, compare el modelo y el sistema utilizando las 
mediciones existentes para el sistema. 
b) Utilice análisis de sensibilidad para determinar que factores del 
modelo tienen impacto significativo en las medidas de 
performance y por ello deben ser modelados cuidadosamente. 
 
7. Diseñar experimentos. 
a) Especificar lo siguientepara cada configuración del sistema que 
sea de interés: 
i. Longitud de cada corrida 
ii. Número de corridas independientes que se utilizarán. 
 
8. Hacer corridas de producción. 
 
9. Analizar la data de salida. 
 
a) Determinar el performance de la configuración actual del sistema. 
b) Comparar las configuraciones alternativas. 
 
10. Documentar, presentar y utilizar los resultados. 
a) Documentar los supuestos y estudiar los resultados. 
b) Presentar los resultados del estudio. 
i. En la medida de lo posible, usar animación para comunicar 
el modelo a los que encargados de tomar decisiones y a 
otro personal que no esté familiarizado con los detalles del 
modelo. 
ii. Discutir la construcción del modelo y el proceso de 
validación para promover la credibilidad. 
c) Los resultados se usan para tomar decisiones si son válidos y 
tiene credibilidad. 
 Simulación Discreta 
 6
Simulación discreta: Este tipo de modelo matemático se refiere a 
sistemas que varían a lo largo del tiempo, en el cual las variables de estado 
cambian instantáneamente en puntos de tiempo separados. 
Ejecución de un proyecto de simulación discreta. 
Después de haber elegido el problema que se estudiará, se deben considerar 
los siguientes aspectos: 
1. Descripción del problema a modelar. 
La finalidad de esta actividad es tener una comprensión global del 
funcionamiento actual del problema a modelar así como de los objetivos 
que se persiguen con la construcción y posterior utilización del modelo 
de simulación. 
Es de suma importancia que, desde un inicio, se tengan claros los 
objetivos globales y específicos que se esperan abordar durante el 
desarrollo del proyecto, asimismo la forma en que se pretenden evaluar 
o cuantificar los resultados obtenidos a futuro. Estos temas y objetivos 
pueden adquirir la forma de: 
a) Preguntas: Ejemplo ¿Cuál es el número de motociclistas óptimo que 
debo tener en el servicio de delivery ? ¿Cuántos cajeros debo tener 
para garantizar cierto nivel de servicio? 
b) Hipótesis: Ejemplo ¿La nueva política de despacho permitirá entregar 
los pedidos en menor tiempo? 
c) Efectos por estimar: Ejemplo ¿En cuánto se reduce el tiempo de 
espera en caso de implementar un nuevo cajero? ¿Cuántos soles 
ahorraré al tener una configuración distinta de mi sistema? 
2. Descripción del sistema. 
Trata de identificar los componentes que formarán parte del modelo que 
describirá el sistema. Esto permitirá construir un mejor modelo 
computacional, asimismo ir previendo las dificultades asociadas con la 
construcción del mismo. 
Aquí es necesario dejar en evidencia: 
a) Los supuestos que se hagan para simplificar la construcción del 
modelo. 
b) Las entidades que se usarán para la modelación (personas, 
componentes, tormentas, terremotos, etc.). 
c) Eventos asociados a las entidades (en un servicio de delivery: 
llegada de pedido, despacho del pedido, entrega del pedido). 
 Simulación Discreta 
 7
d) Atributos asociados a las entidades (por ejemplo, diferenciar si 
son clientes frecuentes o no). 
e) Las variables de estado asociadas con el desempeño del sistema. 
(Ejemplo número promedio de pedidos en espera de ser 
atendidos, tiempo de espera máximo de un cliente, etc.) 
 
3. Mediciones y ajustes de distribución. 
Medición: Etapa de mayor importancia y dificultad en la construcción de 
modelos de simulación. Aquí se recolecta la información que alimentará 
el modelo. Es indispensable determinar antes de construir el modelo lo 
que se medirá y cómo se realizarán las mediciones de modo que sean 
representativas. 
Esto implica en primer lugar escoger qué variables serán medidas para 
obtener los valores de los parámetros requeridos por el modelo. Hay 
algunas variables que no necesitan ser medidas directamente, sino que 
se pueden calcular a partir de otras aunque en algunos casos, por 
razones de validación posterior, es aconsejable hacer algunas mediciones 
independientes. 
Posteriormente, se debe determinar la manera en que se realizarán las 
mediciones. (Ej: cronómetros, cámaras, opiniones de expertos, datos 
históricos, etc.). Asimismo hay que recolectar la cantidad de información 
necesaria para que la muestra sea significativa y poder realizar pruebas 
de bondad de ajuste. 
Dado que en muchas situaciones no es posible repetir el proceso de 
medición, esta etapa debe ser planificada con sumo cuidado. 
Ajustes: Cuando se termina la etapa de medición de variables, se 
procede a ajustar éstas a una distribución de probabilidad que 
represente de mejor manera el fenómeno estudiado. Para realizar este 
ajuste se recurre a las denominadas pruebas de bondad de ajuste, entre 
ellas se puede mencionar Chi- cuadrado y Kolgomorov-Smirnoff. 
4. Modelo computacional. 
Cumplidos los pasos anteriores, se procederá a formular el modelo 
computacional, ya sea en un lenguaje de programación o en un software 
de simulación. La elección dependerá tanto de la complejidad el modelo, 
los recursos económicos y el tiempo que se disponga para resolver el 
problema. 
 
 Simulación Discreta 
 8
5. Validación del modelo y de los resultados obtenidos. 
Concluida la construcción del modelo, es necesario validarlo. Para ello 
hay que verificar al “correr” el modelo que representa la situación actual, 
si se obtienen valores que representan los resultados del sistema real. 
Entre los métodos o herramientas que se utilizan con mayor frecuencia 
tenemos, inspección, intervalos de confianza y series de tiempo. 
6. Proponer mejoras y evaluar el impacto. 
Validado el modelo, se pueden llevar a cabo modificaciones y evaluar si 
estas efectivamente contribuyen a mejorar el proceso. 
 Simulación Discreta 
 9
 
1. Información relevante sobre distribuciones de probabilidad. 
 
Función binomial. 
 
 Función Densidad 
 
 
 Función Acumulada 
 
 
 
 Parámetros 
 
.p= probabilidad de éxito 
.q= probabilidad de fracaso=(1-p) 
 
 Media y varianza 
 
Media : np 
Varianza: np(1-p) 
 
 Aplicaciones 
 
Se aplica en experimentos en donde sólo existen dos posibles resultados, como 
por ejemplo cálculo de la probabilidad de encontrar x artículos defectuosos en 
un lote de tamaño n, numero de artículos demandados de un inventario. 
 
 Generación a partir de otras distribuciones 
 
No se genera de otras distribuciones. 
 
 
 
)()( xnx qp
x
nxf 




 nx ...0













 


1
0
)(
0
)(
x
x
xnx qp
x
nxF
0.. xpara
10  x
xnpara ..
 Simulación Discreta 
 10
 
Función geométrica. 
 
 Función Densidad 
 
 
 Función Acumulada 
 
 
 Parámetros 
 
 .p= probabilidad de éxito 
.q= probabilidad de fracaso=(1-p) 
 
 Media y varianza 
 
Media : q/p 
Varianza : q/p2 
 
 Aplicaciones 
 
Permite encontrar la probabilidad de que ocurra el primer éxito en una secuencia 
de eventos Bernoulli con probabilidad de éxito de cada evento igual a p. 
Asimismo permite calcular la probabilidad de entre un número n de artículos 
inspeccionados se encuentre el primer defectuoso 
 
 Generación a partir de otras distribuciones 
 
La distribución geométrica es un caso especial de la distribución binomial 
negativa. 
 
 
)1()(  xqpxf ...3,2,1x
xqxF  1)(
 Simulación Discreta 
 11
 
Función de Poisson. 
 
 Función Densidad 
 
 
 
 
 
 Función Acumulada 
 
 
 
 Parámetros 
 
 : Media de la distribución 
 
 Media y varianza 
 
 Media:  
 Varianza:  
 
 Aplicaciones 
 
Número de eventos que ocurren en un intervalo de tiempo cuando dichos 
eventos son independientes entre sí, número de artículos demandados de un 
inventario, número de artículos en un batch de tamaño aleatorio. 
 
 Generación a partir de otras distribuciones 
 
No se genera de otra distribución. 
 
 
 
 
 
 
 
 








0
!)( x
e
xf
x ...3,2,1,0x
contrariocaso









x
i
i
i
e
xF
0 !
0
)(

0x
x0
 Simulación Discreta 
 12
Función Exponencial. 
 
 Función Densidad 
 
 
 Función Acumulada 
 
 
 
 
 Parámetros 
 
 β=1/ >0 
 
 Media y varianza 
 
Media: β 
Varianza: β2 
 
 Aplicaciones 
 
Tiempo entre eventos independientes como arribos a un servicio que ocurren a 
tasa constante. Es importante mencionar que es la única distribución continua 
que posee la propiedad de pérdida de memoria 
 
 Generación a partir de otras distribuciones 
 
Es un caso especial de las distribuciones Gamma y Weibull. 
 
 



 


caso otroen 0
0 si 
)(
 x e
xf
x



 


caso otroen 0
0 si 1
)(
 x e
xF
x
 Simulación Discreta 
 13
 
Función Gamma. 
 
 Función Densidad 
 
 
 
 Donde es la función gamma definida por: 
 
 
 Función Acumulada 
Parámetros 
 
 >0, parámetro de forma 
β >0, parámetro de escala 
 
 Media y varianza 
 
Media : β 
Varianza: β 2 
 
 Aplicaciones 
 
Para calcular el tiempo en completar cierta tarea, como atención a un cliente o 
reparación de una máquina. 
 
 Generación a partir de otras distribuciones 
No se genera de otra distribución. 
 
 











caso otroen 0
0 si 
)(
)(
 
/1
x ex
xf
x

 
0z real númerocualquier para )(
0
1  

 dtetz tz




 




caso otroen 0
0 si 1
)(
 
!
)/(/ 1
0
x e
xF
j
j
j
xx  
 Simulación Discreta 
 14
Función Weibull. 
 
 Función Densidad 
 
 
 
 
 Función Acumulada 
 
 
 
 
 Parámetros 
 
 >0, parámetro de forma 
β >0, parámetro de escala 
 
 Media y varianza 
 
Media : 
Varianza: 
 
 Aplicaciones 
 
Usada para modelos de confiabilidad como por ejemplo período de vida de 
equipos, tiempo para completar un trabajo. 
 
 Generación a partir de otras distribuciones 
 
No proviene de otra distribución 
 
 
 
 
 
 



 


caso otroen 0
0 si 
)(
 
)/(1 x ex
xf
x 



 


caso otroen 0
0 si 1
)(
 
)/( x e
xF
x 
)1(























22 11)2(2


 Simulación Discreta 
 15
Función normal. 
 
 Función Densidad 
 
Función Acumulada 
 
No posee 
 
 Parámetros 
 
  , parámetro de localización 
 , parámetro de escala 
 
 Media y varianza 
 
Media =  
Varianza= 2 
 
 Aplicaciones 
 
Representación de cantidades, como errores de mediciones, tallas, pesos,etc. 
 
 Generación a partir de otras distribuciones 
 
No se genera de otra distribución 
 
reales los a pertenece x 
2
1)(
22 2/)(
2


 xexf
 Simulación Discreta 
 16
 
Función lognormal 
 
 Función Densidad 
 
 
 Función Acumulada 
 
No posee 
 
 Parámetros 
 
  , parámetro de localización 
 , parámetro de escala 
 
 Media y varianza 
 
Media = e+2/2 
Varianza = e2+2(e2-1) 
 
 Aplicaciones 
Representación de cantidades, tiempo en culminar cierta tarea. 
 
 Generación a partir de otras distribuciones 
 
Procede de la distribución normal 
 










 


contrario caso 
 
 0 x
2
1
)(
22 2/)(ln
2
o
e
x
xf
x 

 Simulación Discreta 
 17
Función beta. 
 
 Función Densidad 
 
 
Donde β( 1,2) es la función Beta definida por: 
.para cualquier número real con z1 y z2 >0 
 
 Función Acumulada 
 
No posee 
 
 Parámetros 
 
 1 y 2 parámetros de forma, ambos mayores a cero 
 
 Media y varianza 
 
Media : 1/( 1+ 2) 
Varianza: 
 
 Aplicaciones 
 
Usado como un modelo grueso en ausencia de datos, distribución de 
proporciones aleatorias como la proporción de artículos defectuosos en un 
embarque, tiempo para completar una tarea en una red PERT. 
 
 Generación a partir de otras distribuciones 
 
No proviene de otra distribución 
 
 
 
 
 
 













caso otroen 0
10 si 
)2,1(
)1(
)(
 
1211
xxx
xf


dtttzz zz
 
1
0
1211 )1()2,1(
)121()21(
21
2  

 Simulación Discreta 
 18
Función triangular. 
 
 Función Densidad 
 Función Acumulada 
 
 Parámetros 
 
.a, b y c números reales con a<c<b 
.a es el parámetro de localización 
.b-a es el parámetro de escala 
.c es el parámetro de forma 
 
 Media y varianza 
 
Media =(a+b+c)/3 
Varianza= (a2+ b2+ c2- ab-ac-bc)/18 
 
 Aplicaciones 
 
Se usa como un modelo grueso en ausencia de datos 
 
 Generación a partir de otras distribuciones 
 
No se genera de otras distribuciones 
 
 
 
 
 
 
 
 
caso otroen 
xc si 
))((
)(2
 cxa si 
))((
)(2
)(


















o
b
cbab
xb
acab
ax
xf
 
 
xb si 1
a xsi 
xc si 
))((
)(1
 cxa si 
))((
)(
)(
2
2























o
b
cbab
xb
acab
ax
xF
 Simulación Discreta 
 19
Estadística de Pearson. 
 
 
 
Donde: 
f ob: Frecuencia observada 
f es: Frecuencia esperada 
 
2 , llamada estadística de Pearson para bondad de ajuste, da la sumatoria de 
discrepancia entre la frecuencia observada y el valor esperado bajo la hipótesis 
nula. 
Se demuestra que para un número grande de datos, y siendo cierta la hipótesis 
nula, estos es que los datos se ajustan a una distribución dada, 2 sigue una 
distribución ji-cuadrado con J-1 grados de libertad. 
A continuación se describirá la función Ji-cuadrado 
 
 Función Densidad 
 
K = constante que depende del número de grados de libertad 
J = número de grados de libertad 
2= estadística de Pearson 
 
 Parámetros 
 
J : número de grados de libertad 
 
 Media y varianza 
 
Media: j 
Varianza: 2j 
 
 Aplicaciones 
 
Pruebas de bondad de ajuste. 
 
 Generación a partir de otras distribuciones 
 
No proviene de otra distribución 
 
 
j es
esob
f
ff 22 )(
)1
2
(22/2 
j
Kef 
 Simulación Discreta 
 20
 Distribución normal (0,1) 
 
 
 
Distribución Lognormal (0,1) 
 
 
 
Distribución Weibull (,1) 
 
 
 
 
 
0
0,1
0,2
0,3
0,4
0,5
-4 -2 0 2 4
f(x
)
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0 1 2 3 4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
1,4
0 1 2 3 4
alfa 0,5
alfa 1
alfa2
alfa 3
 Simulación Discreta 
 21
 
Distribución Gamma (,1) 
 
 
 
 
Distribución Exponencial(1) 
 
 
 
 
 Distribución beta (1,2) 
 
 
0
0,2
0,4
0,6
0,8
1
1,2
1,4
0 1 2 3 4
alfa 0,5
alfa 1
alfa 2
alfa 3
0
0,2
0,4
0,6
0,8
1
1,2
0 5 10 15
0
0,5
1
1,5
2
2,5
3
0 0,5 1 1,5
alfa1:1,5, alfa2:5
alfa1:3;alfa2:1,5
 Simulación Discreta 
 22
 
Distribución triangular (a=1, c=3, b=7) 
 
 
 
 
Distribución binomial (p=0.1, n=10) 
 
 
Distribución binomial (p=0.5, n=10) 
 
 
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0 2 4 6 8
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8 9 10 11
p=0,1
0
0,05
0,1
0,15
0,2
0,25
0,3
1 2 3 4 5 6 7 8 9 10 11
p=0,5
 Simulación Discreta 
 23
Software existente en el mercado para simulación. 
(Fuente: http://www.lionhrtpub.com/orms/surveys/Simulation/) 
System Requirements 
Software Vendor 
Typical Applications of the 
software 
Primary Markets for which the 
software is appliedRAM Operating Systems 
@RISK Palisade 
Corporation 
@RISK is a risk analysis tool 
using Monte Carlo simulation to 
show all possible outcomes, and 
their likelihood of occurrence. 
Manufacturing, energy, finance, insurance, 
six sigma, medical, agriculture, 
transportation, government, academic, 
environment 
32 Microsoft Windows 
2000 or higher 
AgenaRisk Agena Probability analysis, statistical 
simulation, artificial intelligence, 
bayesian networks, business 
modeling, risk assessment, 
Industry, government, education, 
telecommunications, financial services, 
healthcare, pharmaceuticals, energy, 
environment, re 
256MB min Windows XP/2000, 
Unix, Linux 
Analytica 4.0 Lumina 
Decision 
Systems, Inc. 
Investment, risk, decision, 
portfolio network flow analysis; 
systems dynamics; resource, R&D 
planning; organization simulatio 
Business, financial, public policy, energy, 
environmental, healthcare, defense, 
manufacturing, education, 
telecommunication 
128 Windows 98, 2000, 
NT, XP, Vista 
AnyLogic XJ 
Technologies 
Forecasting and strategic 
planning, process analysis and 
optimization, optimal operational 
management, process 
visuallization 
Logistics, supply chains, manufacturing, 
healthcare, consumer markets, project 
management, busines processes, military 
512MB, 1GB 
recommended 
Windows. Mac OS, 
Linux 
Arena Rockwell 
Automation 
Facility design/configuration, 
scheduling, passenger and 
baggage-handling processes, 
patient management, dispatching 
strategy 
Airports, healthcare, logistics, supply 
chain, mfg., military, business process, call 
centers, steel, paper, mining, ports 
128M Windows 2000/Server 
2003/XP/Vista (in V12) 
Arena 
Contact 
Center 
Rockwell 
Automation 
Staffing, work strategies, 
campaign planning, customer 
metrics, back office, skill-based 
routing, ... 
Call centers and contact centers of all 
types, single/multi-site, local/global, 
unlimited size/complexity 
128M Windows 2000/Server 
2003/XP/Vista (in V12) 
AutoMod Applied 
Materials Inc. 
Discrete event simulation to 
improve the design, configuration 
and optimization of material 
handeling processes 
Distribution centers, warehouses, 
automotive, airports, equipment, shipping, 
semiconductor, and manufacturing 
1 GB Window XP 
Professional 
AutoSched 
AP 
Applied 
Materials Inc 
Capacity analysis and planning 
and short interval scheduling 
Semiconductor industry 1 gig min Windows XP 
Bulesss 
Simulation 
Software 
Stanislaw 
Raczynski 
General purpose simulation 
system. Generates C++ source 
code. 
Academic, engineering, industry, 
manufacturing 
248Mb Windows 98 or later, 
NT, XP, requires 
Borland's C++Builder 
Certified 
Distributions 
for use with 
Monte Carlo 
simulation 
AnalyCorp Probability management, see 
http://www.lionhrtpub.com/orms/ 
orms-2-06/frprobability.html 
Project portfolio, supply chain, finance 
Crew Station 
Design Tool 
(CSDT) 
Alion Science 
and 
Technology 
The CSDT allows users to 
visualize and optimize the 
location of controls and displays 
within a crew station. 
Aviation (e.g., aircraft cockpits), military, 
nuclear power plants, and car 
manufacturers 
256 MB RAM Microsoft Windows XP, 
2000, or NT 
Crystal Ball 
Professional 
Oracle's 
Crystal Ball 
Global 
Business Unit 
Business planning and analysis, 
cost/benefit analysis, risk 
management, petroleum 
exploration, environmental 
assessment . . . 
Financial services, environmental, oil and 
gas, pharmaceuticals, telecom, 
manufacturing, energy, utilities, insurance 
. . . 
512 MB Microsoft Windows 
2000, XP and Vista 
Crystal Ball 
Standard 
Oracle's 
Crystal Ball 
Global 
Business Unit 
Investment and financial; cost 
and benefit analysis; risk and 
project management; petroleum 
exploration; Six Sigma . . . 
Financial services, environmental, oil and 
gas, pharmaceuticals, telecom, 
manufacturing, energy, utilities, insurance 
. . . 
512 MB Microsoft Windows 
2000, XP and Vista 
CSIM 19 Mesquite 
Software 
Modeling systems Computer systems, communications, 
education, research 
1 - 1000 MB Windows, Linux, 
Solaris 
CSIM for 
Java 
Mesquite 
Software 
Modeling complex systems Education, research 10 - 1000MB Any system with Java 
eM-Plant UGS 
Tecnomatix 
PLM Software 
Strategic production decissions Automotive OEM; high bay warehouses; 
logistic supplier; engineering houses 
128 MByte Microsoft Windows 
2000, Microsoft 
Windows XP 
 Simulación Discreta 
 24
Emergency 
Department 
Simulator 
ProModel 
Corporation 
Emergency Department 
throughput, staffing, patient flow, 
and efficiency analysis. 
Emergency Department Performance 
Improvement 
128MB min, 
512MB 
recommended 
Windows 2000, XP 
Enterprise 
Dynamics 
Incontrol 
Enterprise 
Dynamics 
Logistics, material handling, 
manufacturing, call center 
applications, process 
improvement, capacity planning 
Airports, railways, public infrastructure, 
automotive, steel, electronics, food and 
beverage, consumer goods 
64Mb Windows 
98/2000/XP/Vista 
ExpertFit Averill M. Law 
& Associates 
discrete-event simulation, Monte 
Carlo simulation, data analysis in 
general 
defense, manufacturing, transportation, 
education 
minimal Windows 
ExtendSim 
AT 
Imagine That 
Inc. 
It is particularly well-suited to 
manufacturers operating in a 
mixed-mode environment: batch 
process and discrete event. 
Any industry that operates in a high-speed 
or high-volume arena: distribution 
logistics, call centers, packaging lines, etc. 
512 MB Windows Vista, XP, 
2000, 2003 Server, or 
better 
ExtendSim 
OR 
Imagine That 
Inc. 
Message-based discrete event 
architecture to model processes 
involving physical or logical 
objects moving through systems. 
Manufacturing and business modeling; 
communication systems, healthcare, Six 
Sigma, transportation, service, education, 
etc. 
512 MB Windows Vista, XP, 
2000, 2003 Server, or 
better 
ExtendSim 
Suite 
Imagine That 
Inc. 
Professional 3D modeling of 
continuous, discrete event and 
discrete rate processes. 
When impressive presentations count. 3D 
modeling of manufacturing, logistics, 
business, government, eductation, 
engineering.. 
512 MB Windows Vista, XP, 
2000, 2003 Server, or 
better 
Flexsim CT 
(Container 
Terminals) 
Flexsim 
Software 
Products, Inc. 
Simulation of container ports 
including: yard, land, sea, and 
rail, cranes, gangs, yard blocks, 
carriers. Links with TOS 
Terminal operating companies, port 
consultants, TOS providers, port 
automation integrators, homeland security 
512 Windows (XP, 2000, 
Vista) 
Flexsim 
Simulation 
Software 
Flexsim 
Software 
Products, Inc. 
Manufacturing, material handling, 
warehousing, supply chain, 
process improvement, lean, 
healthcare, continuous, food 
Manufacturing, healthcare, distribution, 
warehousing, supply chain, transportation, 
food processing, logistics 
512 Windows (XP, 2000, 
Vista) 
Flexsim 
Warehouse 
Analyzer 
Flexsim 
Software 
Products, Inc. 
Use to analyze slotting and 
picking of warehouse operations 
Warehousing, slotting, layout, building 
configuration and optimization. 
512 Windows (XP, 2000, 
Vista) 
ForeTell-DSS DecisionPath, 
Inc. 
Critical decision support, org. 
change mgmt, competitive 
marketing strategy, risk mgmt, 
counter-terrorism preparedness 
Government, life sciences, financial 
services 
512 MB Windows, Mac OS, 
Linux 
GoldSim GoldSim 
Technology 
Group 
water resources, mining, 
hazardous waste management, 
probabilistic risk analysis, 
reliability and throughput analysis 
Mining, water resources, aerospace and 
defense, engineering and management 
consulting, insurance, waste management 
256 Windows 2000 and 
above 
GPSS/H Wolverine 
Software 
Corporation 
Queueing models General purpose 256 MB Windows 
2000/XP/Vista 
Integrated 
Performance 
Modelling 
Environment 
(IPME) 
Alion MA&D 
Operation 
Human factors, human 
performance modeling, examining 
stressors in environmentsMilitary, nuclear, transportation, academia 512MB Windows XP, Windows 
2000, RedHat 
Enterprise Linux, 
Mandrake Linux 10.X 
L-SIM Lanner Group Java based Simulation 
Component for embedding into 
3rd party Process or Application 
suites 
Manufacturing, aerospace & defense, 
federal, homeland security, 
pharmaceuticals, energy, aviation, health, 
IT 
256MB Windows 2000, NT, XP 
and VISTA 
Lean-Modeler Visual8 
Corporation 
Value stream mapping, lean 
implementation, process 
improvement 
Automotive, energy, health care, logistics, 
manufacturing, metals, business process 
re-engineering 
minimum 
64MB 
Windows 95, 98, ME, 
NT 4, 2000, XP, Vista 
MAST CMS Research 
Inc 
MAST uses part routing and 
production information to 
determine kanban loops, product 
flows, and optimal operation plan 
Lean manufacturing implementation: 
analysis of process maps 
 Windows 2000 or 
higher 
MedModel 
Optimization 
Suite 
ProModel 
Corporation 
Design, plan, evaluate and 
improve processes of hospitals, 
clinics, and other healthcare 
systems to optmize performance 
Hospitals, Clinics, Healthcare Systems, 
Medical Device Manufacturing and Sales 
512MB min; 
Recommend 
1 GB 
Windows 2000, XP 
Micro Saint 
Sharp 
Alion Science 
and 
Technology 
Micro Saint Sharp is a powerful 
general-purpose discrete event 
simulation tool that allows users 
to build models of processes 
Typical markets include human 
performance, manufacturing, healthcare, 
supply chain, and command and control 
modeling. 
128MB Microsoft Windows 
Vista, Server 2003, XP, 
2000, 98, ME 
(Operating systems 
must support the 
Microsoft .NET 
 Simulación Discreta 
 25
Framework 2.0) 
MyM Tizio BV MyM is an integrated environment 
for the development, visualization 
and application of simulations of 
dynamic systems 
Government, Academic, Environment, 
Energy, Finance, Population, Health, 
Business 
512MB, 1Gb 
recommended 
Windows XP, Vista 
(OSX and Linux soon 
to come) 
mystrategy Global 
Strategy 
Dynamics Ltd 
Business and strategy planning Not industry-specific. Used by strategy 
professionals and wider management as 
alternative to dynamic modeling 
spreadsheets 
32MB min., 
64MB+ 
recom. 
Windows 98SE or later 
NAG C 
Library 
Numerical 
Algorithms 
Group 
product pricing optimization, 
portfolio optimization, statistical 
analysis, fluid dynamics 
finance,energy,engineering,education,earth 
sciences,life sciences 
problem-
dependent 
Windows(NT/XP/Vista), 
Linux, Solaris, AIX, 
HP-UX, Mac OS X 
NeuralTools Palisade 
Corporation 
New drug effectiveness, power 
grid fault detection, tumor & 
tissue , quality control & Six 
Sigma, structural fault detection. 
Manufacturing, energy, insurance, medical, 
Six Sigma, agriculture, finance, 
transportation, government, academic, 
environment 
32 MB Microsoft Windows 
2000 or higher 
Plant 
Simulation 
(=eM-Plant ; 
=SiMPLE++) 
Siemens 
(UGS, 
Tecnomatix, 
AESOP) 
Plant Simulation enables the 
simulation and optimization of 
production systems. 
Automotive; Suppliers; Shipyards; 
Electronic and White goods; CPG; Line 
Builder; Design houses 
128 MB RAM Microsoft Windows 
2000 with SP 4 or 
Windows XP 
Portfolio 
Simulator 
ProModel 
Corporation 
Simultaneous simulation analysis 
and optimization of multiple 
project plans across the entire 
portofolio of projects. 
Project and Portfolio Planning, Strategic 
Resource Capacity Planning; New Product 
Development, R&D, Scheduling 
512MB min; 
Recommend 
1 GB 
Windows 2000, XP 
Process 
Simulator 
ProModel 
Corporation 
Lean, Six Sigma, value stream 
mapping, process mapping, flow 
chart simulation, continuous 
process improvement 
All 512MB min.; 
recommend 1 
GB 
Windows 2000, XP, 
Vista; Also needs MS 
Visio 2002, 2003 or 
2007 
ProcessModel 
Professional 
ProcessModel, 
Inc. 
Business process improvement - 
all areas 
All 
Profimax, 
Techno 
Therm Plus, 
Technical 
Audit, 
Techno 
Maint, 
Techno Plan, 
Techno Corr, 
Techno 
Blend, 
Process 
Models for 
HPI 
Techno 
Software 
International 
Profit, productivity, performance 
maximization, energy, 
environment, maintenance, 
production management & 
auditing 
Process, power plants, design 
organizations 
256 MB Windows XP, Windows 
2000 
Project 
Simulator 
ProModel 
Corporation 
Enables project managers to 
rapidly visualize, analyze and 
optimize their project plans 
Anyone who uses Microsoft Project 512MB min; 
Recommend 
1 GB 
Windows 2000, XP ; 
Also needs MS Project 
2003 
ProModel 
Optimization 
Suite 
ProModel 
Corporation 
Lean, Six Sigma, capacity 
planning, cost analysis, process 
modeling, cycle time reduction, 
throughput optimization and 
more 
Manufacturing and logistics, 
pharmaceutical, defense 
512MB min.; 
recommend 1 
GB 
Windows 2000, XP 
Proof 
Animation 
Wolverine 
Software 
Corporation 
Animation of discrete-event 
simulation models 
Applications requiring high-quality 
animation of large numbers of objects 
256 MB Windows 
2000/XP/Vista 
Quantitative 
Methods 
Software 
(QMS) 
QuantMethods QMS contains modules for the 
most used mathematical models 
in the Decision Sciences. 
Higher education, logistics, manufacturing 1 Gb Windows, Linux and 
UNIX variants, Mac OS 
Renque Renque 
Corporation 
Renque is designed for general-
purpose discrete event 
simulations. 
service stations such as airports and call 
centers; road and rail traffic; industrial 
production lines 
512Mb Microsoft Windows 
SAIL CMS Research 
Inc 
SAIL provides simulation based 
scheduling and performance 
monitoring of flexible 
manufacturing 
Manufacturing where a variety of parts 
share the same machines on a daily basis 
 Windows 2000 or 
higher 
ServiceModel 
Optimization 
Suite 
ProModel 
Corporation 
Design, plan, evaluate and 
improve service industry systems 
such as Financial Services, 
Logistics, Business Re-
Engineering 
Financial Services, Logistics, 
Transportation, Food & Hotel Services, 
Entertainment, and Other Service 
Industries 
512MB min; 
Recommend 
1 GB 
Windows 2000, XP 
 Simulación Discreta 
 26
ShowFlow 2 Webb 
Systems 
Limited 
Manufacturing, Logistics Manufacturing and Logistics 512Mb All Windows up to and 
including XP 
ShowFlow 
Simulation 
Software 
Incontrol 
Enterprise 
Dynamics 
GmbH 
simulation of material flow and 
more generally of process flow 
small an medium sized companies 32MB Windows 95, 98, ME, 
2000, XP, Vista 
Sigma Custom 
Simulations 
Large-scale, highly-congested, 
and/or complex systems where 
entity flow simulators are 
ineffective. 
Simulation education, bioproduction, 
semiconductor fabs and tools — any large-
scale discrete-event system. 
640K Windows 
SimCad Pro CreateASoft, 
Inc. 
Dynamic process simulation 
software with lean support , 3D 
visualization, scheduling and 
value stream mapping. 
Healthcare, material handling, logistics, 
warehousing, manufacturing, high 
mix/jobshops, document flow, general 
services. 
512MB Windows 2000, 
Windows XP, Windows 
Vista 
SIMPROCESS CACI 
Product's 
Company 
Combines process mapping, flow 
charting, discrete event 
simulation, activity based costing 
in a single easy to use product 
Commercial, government, military, 
education, public, private 
512 Windows 2000 or 
greater 
SIMUL8 
Professional 
SIMUL8 
Corporation 
Optimize throughput, maximize 
resource utilization, identify 
bottlenecks, reduced risk 
decisions, process management, 
learning and training. For 
comprehensive, easy to build 
simulations requiring power 
features. 
Business processes: call center, 
manufacturing, supply chain, logistics, 
healthcare, financial, education 
128M + OS All Windows editions, 
Linux, Mac OS 
SIMUL8 
Standard 
SIMUL8 
Corporation 
Optimize throughput, maximize 
resource utilization, identify 
bottlenecks, reduced risk 
decisions, process management, 
learning and training. For 
comprehensive, easy to build 
simulations.Business processes: call center, 
manufacturing, supply chain, logistics, 
healthcare, financial, education 
128M + OS All Windows editions, 
Linux, Mac OS 
SLIM MJC2 Limited Strategic logistics and transport 
network modelling and 
optimization. 
All markets 1-2GB Many, including 
Windows & Unix 
SLX Wolverine 
Software 
Corporation 
High-end, unique applications 
that require features not built into 
off-the-shelf simulation software 
Air traffic control, homeland security, 
telecommunications, logistics 
256 MB Windows 
2000/XP/Vista 
Stat::Fit Geer 
Mountain 
Software 
Corp. 
Statistically fits input data to 
analytical distributions and 
exports into specific forms for 
simulation software. 
Simulation and modeling, risk assessment, 
reliability, quality, engineering and 
financial management. 
4MB PC/Windows 
STATISTICA StatSoft Comprehensive array of data 
analysis, data management, data 
visualization, and data mining 
procedures. 
Manufacturing, Research, Finance, 
Insurance, Chemical/Petrochemical, 
Healthcare 
256MB Windows 2000 or 
above 
The 
DecisionTools 
Suite 
Palisade 
Corporation 
Risk & decision analysis: cost 
estimating, resource allocation, 
Six Sigma & quality analysis, 
supply chain distr., and more. 
Manufacturing, energy, finance, insurance, 
Six Sigma, medical, agriculture, 
transportation, government, academic 
32 MB Microsoft Windows 
2000 or higher 
Vanguard 
System 
Vanguard 
Software 
Corporation 
Collaborative modeling, strategic 
planning, risk analysis, 
forecasting, portfolio 
management, optimization, Web-
based what-if 
Consulting (internal/external), 
manufacturing, financial services, 
pharmaceuticals, sales/marketing, finance, 
Six Sigma 
128MB Windows 2000, XP, 
Vista 
VISIO 
Simulation 
Solution 
Lanner Group VISIO based simulation Manufacturing, aerospace & defense, 
federal, homeland security, 
pharmaceuticals, energy, aviation, health, 
IT 
256MB Windows NT 4 (SP3 
and above), Windows 
2000, Windows XP, 
Windows VISTA 
WebGPSS Beliber AB General purpose discrete events 
simulation 
Education, esp. students of business, OR, 
logistics, supply chain systems 
16 MB Windows 
WITNESS 
Simulation 
Lanner Group Strategy validation, operational 
planning and process 
improvement 
Manufacturing, aerospace & defense, 
federal, homeland security, 
pharmaceuticals, energy, aviation, health, 
IT 
256 Windows NT 4 (SP3 
and above), Windows 
2000, Windows XP, 
Windows VISTA 
XLSim® AnalyCorp Executive education, small Monte 
Carlo applicaitons in Excel 
General Purpose Windows, all 
 Simulación Discreta 
 27