Taxonomía de Simulación

Según el esquema de representación interno seleccionado, los modelos de simulación pueden ser discretos, continuos o combinados. Los modelos DES, que son el tema central de este libro, son los más comunes entre los tipos de simulación. Los modelos DES se basan en una representación interna discreta de las variables del modelo (variables que cambian su estado en puntos discretos en el tiempo). En general, los modelos de simulación discreta se enfocan en modelar variables discretas que reciben valores de distribuciones aleatorias o probabilísticas, donde el estado del sistema cambia en puntos discretos en el tiempo. Una variable discreta puede ser la cantidad de clientes en un banco, productos y componentes en un proceso de ensamblaje o automóviles en un restaurante de autoservicio.

Los modelos de simulación continua, por otro lado, se enfocan en variables continuas, recibiendo valores de distribuciones aleatorias o probabilísticas, donde el estado del sistema cambia continuamente. Los ejemplos de variables continuas incluyen el tiempo de espera, el nivel de agua detrás de una presa y el flujo de fluidos en los procesos químicos y las tuberías de distribución. La simulación continua es menos popular que la simulación discreta, ya que la mayoría de los sistemas de producción y negocios se modelan utilizando variables aleatorias discretas (clientes, unidades, entidades, pedidos, etc.).

Los modelos de simulación combinados incluyen elementos tanto discretos como continuos en el modelo. Por ejemplo, contenedores de fluidos separados (discretos) llegan a un proceso químico donde los fluidos se vierten en un depósito para ser procesados de manera continua. Este tipo de simulación requiere la capacidad de definir y rastrear variables tanto discretas como continuas.

Además, los modelos son deterministas o estocásticos. Un proceso estocástico se modela utilizando modelos probabilísticos. Entre los ejemplos de modelos estocásticos se incluyen los clientes que llegan a un banco, el servicio a los clientes y las fallas del equipo. En estos ejemplos, la variable aleatoria puede ser el tiempo entre llegadas, el tiempo de servicio o procesamiento y el tiempo de falla del equipo (TTF), respectivamente.

Los modelos deterministas, por otro lado, no involucran variables aleatorias o probabilísticas en sus procesos. Los ejemplos incluyen modelar operaciones de tiempo de ciclo fijo en un sistema automatizado o modelar las llegadas programadas a una clínica. La mayoría de las operaciones del mundo real son probabilísticas. Por lo tanto, la mayoría de los estudios de simulación involucran generación aleatoria y muestreo de distribuciones de probabilidad teóricas o empíricas para modelar variables de sistema aleatorias. La variabilidad en las entradas del modelo conduce a la variabilidad en las salidas del modelo. Como se muestra en la figura siguiente, un modelo determinista Y = f (X) generará una respuesta estocástica (Y) cuando las entradas del modelo (X1, X2 y X3) sean estocásticas. Si la respuesta representa la productividad de un sistema de producción, las entradas del modelo, como las tasas de llegada de piezas, el pronóstico de la demanda y la combinación de modelos, generan una tasa de producción variable.

¿Qué sigue?

Finalmente, y según la naturaleza de la evolución del modelo con el tiempo, los modelos pueden ser estáticos o dinámicos. Como se muestra en la figura siguiente, un modelo de simulación puede involucrar respuestas tanto estáticas como dinámicas. En modelos estáticos, el estado del sistema (definido en variables de estado) no cambia con el tiempo. Por ejemplo, una variable estática (X1) puede ser un número fijo de trabajadores en una línea de montaje, que no cambia con el tiempo. Alternativamente, una variable dinámica (X2) puede ser el número de unidades en un búfer, que cambia dinámicamente con el tiempo. Los modelos de Simulación de Monte Carlo son modelos (estáticos) independientes del tiempo que se ocupan de un sistema de estado fijo. En tales modelos similares a hojas de cálculo, ciertos valores de las variables cambian en función de distribuciones aleatorias y las medidas de rendimiento se evalúan según dichos cambios sin considerar el momento y la dinámica de dichos cambios. Sin embargo, la mayoría de los modelos operativos son dinámicos. Las variables de estado del sistema a menudo cambian con el tiempo y las interacciones que resultan de tales cambios dinámicos impactan en el comportamiento del sistema.