UNIVERSIDAD PANAMERICANA DEL PUERTO

FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES

ESCUELA DE CONTADURÍA PÚBLICA

INFORME

BACHILLER:
BARBERA F. ANNA I.
C. I.: V-20.982.321
INVESTIGACIÓN DE OPERACIONES
SECCIÓN: 20

PUERTO CABELLO, MAYO DE 2024

 SIMULACIÓN DE PROCESOS INDUSTRIALES

La simulación de procesos industriales se define como el uso de modelos informáticos para

probar virtualmente los métodos y procedimientos de fabricación, incluidos procesos como la
producción, el montaje, el inventario y el transporte.

Una simulación imita el funcionamiento de los procesos o sistemas del mundo real con el
uso de modelos. El modelo representa los comportamientos y las características clave del proceso
o sistema seleccionado, mientras que la simulación representa cómo evoluciona el modelo en
diferentes condiciones a lo largo del tiempo.

Por ejemplo, un ingeniero industrial puede necesitar saber cómo afectará a la producción el
aumento del caudal en un intercambiador de calor. Una simulación de procesos puede demostrar
este cambio en un software basado en la nube a través de una interfaz web, dando al ingeniero la
confianza de que los ajustes serán beneficiosos.

Las simulaciones suelen estar basadas en el ordenador y utilizan un modelo generado por
un software para apoyar las decisiones de los gestores e ingenieros, así como con fines de
formación. Por otro lado, las técnicas de simulación facilitan la comprensión y la experimentación,
ya que los modelos son visuales e interactivos. Además, incluyen la simulación de eventos discretos,
la simulación de procesos y la simulación dinámica.

En definitiva, las empresas pueden utilizar todos estos sistemas en diferentes niveles de la
organización. Esto reduce en gran medida el tiempo y los costes que supondrían las pruebas físicas
de un sistema de fabricación.
 El software de simulación puede utilizarse para predecir el rendimiento de un sistema de
fabricación planificado y comparar soluciones para cualquier problema descubierto en el diseño del
sistema.

Esto hace que la simulación de procesos industriales sea una capacidad bastante
competitiva, ya que permite a los fabricantes probar una serie de escenarios antes de comprar
herramientas, reservar capacidad o coordinar otros costosos recursos de producción.

Al utilizar el software de simulación para determinar exactamente lo que se necesita, el

fabricante puede evitar problemas durante la producción, reduciendo al mismo tiempo los
desperdicios y las repeticiones.

TIPOS DE SIMULACIÓN DE PROCESOS

Hoy en día, puedes elegir entre una amplia gama de modelos de simulación. Su selección
depende de la naturaleza de tu sistema en el mundo real, de sus requisitos y de los resultados
empresariales previstos. En general, la simulación de procesos puede dividirse en cuatro tipos
fundamentales, que son los siguientes:

1. Modelado y simulación basados en agentes: Una simulación basada en

agentes es un modelo que examina el impacto de un «agente» en el «sistema» o
«entorno». En términos sencillos, piensa en el impacto que tiene una nueva cortadora
láser o algún otro equipo de la fábrica en la línea de fabricación general. El «agente»
puede ser una persona, un equipo o prácticamente cualquier otra cosa. La simulación
incluye el «comportamiento» del agente, que sirve como reglas de cómo deben actuar
esos agentes en el sistema. Después, se observa cómo responde el sistema a esas reglas.
 Sin embargo, hay que extraer las reglas de los datos del mundo real; de lo
contrario, no se generarán conocimientos precisos. En cierto modo, sirve para examinar
un cambio propuesto e identificar posibles riesgos y oportunidades.

2. Simulación de eventos discretos: Un modelo de simulación de eventos

discretos te permite observar los eventos específicos que resultan en tus procesos de
negocio. Por ejemplo, el proceso típico de asistencia técnica implica que el usuario final
te llame, que tu sistema reciba y asigne la llamada y que tu agente le atienda. Se podría
utilizar un modelo de simulación de eventos discretos para examinar ese proceso de
soporte técnico. Además, se pueden utilizar modelos de simulación de eventos discretos
para estudiar muchos tipos de sistemas y para una amplia gama de resultados.

3. Simulación de dinámica de sistemas: Se trata de una forma muy abstracta

de modelado de simulación. A diferencia del modelado basado en agentes y del
modelado de eventos discretos, la dinámica de sistemas no incluye detalles específicos
sobre el sistema. Así, para una instalación de fabricación, este modelo no incluirá datos
sobre la maquinaria y la mano de obra. Más bien, las empresas utilizarán los modelos
de dinámica de sistemas para simular una visión a largo plazo y a nivel estratégico del
sistema global. En otras palabras, la prioridad es obtener información asociada sobre
todo el sistema en respuesta a una acción, por ejemplo, una reducción de los gastos de
capital, el fin de una línea de productos, etc.

4. Simulación de Montecarlo / Análisis de riesgos: En términos sencillos,

una simulación de Montecarlo es un método de análisis de riesgos. Las empresas lo
utilizan antes de poner en marcha un proyecto importante o un cambio en un proceso,
como una cadena de montaje de fabricación. Basados en modelos matemáticos,
los análisis de Montecarlo utilizan los datos empíricos de las entradas y salidas del
sistema real (por ejemplo, la entrada de suministros y el rendimiento de la producción).
Anudado a esto, identifica las incertidumbres y los riesgos potenciales mediante
distribuciones de probabilidad. La ventaja de una simulación basada en Montecarlo es
que permite conocer y comprender a fondo las posibles amenazas para los resultados y
 el tiempo de comercialización. En el fondo, puedes implementar las simulaciones de
Montecarlo en prácticamente cualquier industria o campo, incluyendo el petróleo y el
gas, la fabricación, la ingeniería, la gestión de la cadena de suministro y muchos otros.

EJEMPLO DE SIMULACIÓN DE PROCESO

En la práctica, la simulación de procesos industriales se realiza mediante el uso de un

software de simulación intuitivo para crear una maqueta visual de un proceso.

Esta simulación visual debe incluir detalles de los tiempos, las reglas, los recursos y las
restricciones, para reflejar con exactitud el proceso del mundo real. Hay muchas formas diferentes
de crear una simulación de procesos. En primer lugar, hay que conocer las propiedades del proceso
que se simula.

En segundo lugar, hay que articular el comportamiento de las distintas partes del proceso.
Por último, se deben proporcionar las condiciones de partida, trabajando de forma metódica en
cada paso del proceso.

La matemática subyacente puede hacerse a mano mediante operaciones matemáticas,

como cuando un estudiante de física calcula la trayectoria de un objeto. Incluso un simple diagrama
de bloques combinado con una calculadora de bolsillo para realizar las matemáticas puede servir
como simulación de procesos.

Pero, con la amplia gama de potentes programas informáticos especializados en simulación

de procesos que existen, ésta suele ser la vía más eficaz. A la postre, una simulación puede
construirse utilizando asistentes de software que piden al usuario información sobre el proceso que
se está simulando.
 Esta información debe incluir todo lo relacionado con la simulación, como los materiales de
los que está hecho el equipo. En pocas palabras, los asistentes de software están diseñados para
ayudar al usuario a identificar la información pertinente y garantizar que no se incluyan datos
extraños.

Un ejemplo de simulación de procesos podría ser una empresa manufacturera que analizara
su línea de producción para identificar ineficiencias y optimizar el rendimiento. La empresa crearía
un modelo del proceso de producción, incluyendo todas las tareas, recursos y puntos de decisión. A
continuación, realizaría simulaciones con diferentes escenarios, como variar la asignación de
recursos o cambiar la secuencia de tareas, para identificar cuellos de botella y áreas de mejora. A
partir de los resultados de la simulación, la empresa podría tomar decisiones informadas para
modificar el proceso de producción y, en última instancia, aumentar la eficiencia y la productividad.

MODELOS: ANALÓGICO, CONTINUO, DISCRETO

Sistemas continuos: En un sistema continúo las señales continúas de entrada son

transformadas en señales continúas de salida.

(𝑡)→𝑦(𝑡)x(t)→y(t)
 Por ejemplo el «audio» de una voz cantando en un micrófono es una entrada continúa, que
al pasar por el sistema de amplificadores se obtiene una señal continúa eléctrica de salida hacia los
parlantes.
 Sistema Discreto: Cuando las entradas de tiempo son muestras discretas se transforman en
salidas de tiempo discreto, al sistema se denomina «sistema discreto«. Simbólicamente se
representa como:

[𝑛]→𝑦[𝑛]x[n]→y[n]

Por ejemplo un filoscopio, flipbook o libro animado usa entradas y salidas de tiempo
discretas.

Sistemas Analógicos y Digitales: Un sistema con señales de entradas y salidas analógicas o

continúas se lo denomina» sistema analógico».
 De forma semejante, un sistema cuyas entradas y salidas son digitales es un sistema digital,
como una computadora, aunque también se conoce como un sistema discreto en el tiempo.

GENERACIÓN DE DESVIACIONES ALEATORIAS

Un modelo de simulación permite lograr un mejor entendimiento de prácticamente

cualquier sistema. Para ello, resulta indispensable obtener la mejor aproximación a la realidad, lo
que se consigue construyendo modelo a base de variables aleatorias que interactúen entre sí.

Las variables aleatorias tienen un comportamiento probabilístico en la realidad, por

ejemplo, el número de clientes que llegan cada hora a un banco depende del momento del día, del
día de la semana y otros factores como si es un día normal o de pago.
 Las variables aleatorias deben cumplir ciertas reglas de distribución de probabilidad.

1. La suma de las probabilidades asociadas a todos los valores posibles

de la variables aleatoria x es uno.

2. La probabilidad de que un posible valor de la variable x se presente

siempre es mayor o igual que cero.

3. El valor esperado de la distribución de la variable aleatoria es la

media de la misma, la cual a su vez estima la verdadera media de la población.

4. Si la distribución de probabilidad asociada a una variable aleatoria

está por más de un parámetro, dichos parámetros pueden obtenerse mediante un
estimador no sesgado.

Tipos de variables aleatorias.

Las variables aleatorias pueden diferenciarse de acuerdo con el tipo de valores

aleatorios que representan. Las variables aleatorias pueden ser discretas y continuas.

Variables aleatorias discretas.

Una variable aleatoria discreta x ha sido definida como aquella en la cual el número
de valores posibles que puede tomar es finito o infinito contable.

Este tipo de variables deben cumplir con estos parámetros:

 Algunas distribuciones de probabilidad son la uniforme discreta, la de Bernoulli, la
hipergeométrica, la de Poisson y la Binomial.

Variables aleatorias continuas.

Una variable aleatoria continua x ha sido definida como aquella en que todos los
valores que puede tomar forma un continuo de valores, dentro del recorrido de un intervalo.

Este tipo de ecuaciones se representan mediante una ecuación que se conoce como
función de densidad de probabilidad. Se cambia el uso de la sumatoria por una integral para
conocer la función acumulada de la variable aleatoria. Las variables aleatorias deben cumplir
con los siguientes parámetros.

En este tipo de distribuciones de probabilidad se tiene la uniforme continua, la

exponencial, la normal, la Weibull, la Chi-cuadrada y la Erlang.

Métodos para generar variables aleatorias.

 La variabilidad de eventos y actividades se representa a través de funciones de
densidad para fenómenos continuos y mediante distribuciones de probabilidad para
fenómenos discretos. La simulación de estos eventos o actividades se realiza con la
generación de variables aleatorias. Los principales métodos para generar variables aleatorias
son:

 Método de la transformada inversa. Método de aceptación y rechazo.

 Método de convolución.
 Método de la transformación directa. Método de composición.

MÉTODO DE LA TRANSFORMADA INVERSA.

El método de la transformada inversa puede utilizarse para simular variables

aleatorias continuas, lo cual se logra mediante la función acumulada F(x) y la generación de
números seudo aleatorios ri. El método consiste en:

1. Definir la función de densidad f(x) que represente la variable a modelar.

2. Calcular la función acumulada F(x).
3. Despejar la variables x y obtener la función acumulada inversa F(x)-1.
4. Generar las variables aleatorias x, sustituyendo valores con números
seudo aleatorios ri en la función acumulada inversa.
 Ejemplo. (DISTRIBUCIÓN UNIFORME):

Generar variables aleatorias con una distribución de probabilidad uniforme entre los
valores a y b.

La temperatura de una estufa se comporta uniformemente dentro del rango de 95

a 100 oC. Utilice la siguiente lista de números seudo aleatorios para simular la temperatura
de estufa.
Se genera la ecuación de la variable aleatoria.

Ejemplo (DISTRIBUCION EXPONENCIAL)

Generar variables aleatorias con una distribución exponencial con media igual a 1/.

Los datos históricos del tiempo de servicio en la caja de un banco se comportan en

forma exponencial con una media de 3 minutos por cliente. Una lista de números seudo
aleatorios nos permite simular el comportamiento de la variable aleatoria.

Ejemplo.

Obtenga con el método de la transformada inversa, la expresión matemática para

generar variables aleatorias con la siguiente función de densidad.
 Transformada inversa para variables aleatorias discretas.

El método de la transformada inversa también puede emplearse para simular

variables aleatorias de tipo discreto, como en las distribuciones de Poisson, de Bernoulli,
binomial, geométrica, discreta general, etc. La generación se lleva a cabo a través de la
probabilidad acumulada P(x) y la generación de números seudo aleatorios ri. El método
consiste en:

1. Calcular todos los valores de la distribución de probabilidad p(x)

de la variable a modelar.
 2. Calcular todos los valores de la distribución acumulada P(x).
3. Generar números seudo aleatorios ri.
4. Comparar con el valor de P(x) y determinar qué valor de x corresponde a
P(x).
 Ejemplo. (DISTRIBUCION DE BERNOULLI)

A partir de la distribución de probabilidad de las variables aleatorias de Bernoulli con

media

Los datos históricos sobre la frecuencia de paros de cierta maquina muestran que existe una
probabilidad de 0.2 de que esta falle (x=1) y de 0.8 de que no falle (x=0) en un día determinado.
Generar una secuencia aleatoria que simule este comportamiento.

Ejemplo. (Distribución Poisson)

El número de piezas que entran a un sistema de producción sigue una distribución

Poisson con media de 2 piezas/hora. Simular el comportamiento de la llegada de las piezas
al sistema.

Ejemplo. (Otras distribuciones empíricas)

La tabla siguiente muestra la demanda diaria de cepillos dentales en un

supermercado. Simular el comportamiento de la demanda mediante el método de la
transformada inversa.

Día 1 2 3 4 5 6 7 8 9 10
Demanda 1 2 2 1 1 3 0 3 1 2

METODO DE CONVOLUCION

En algunas distribuciones de probabilidad, la variable a simular, Y, puede generarse

mediante la suma de otras variables aleatorias X de manera más rápida que a través de otros
métodos. El método de convolucion puede expresarse como:

Las variables aleatorias de cuatro de las distribuciones más conocidas (Erlang, normal,
binomial y Poisson) pueden ser generadas a través de este método.

Distribución Erlang.

La variable aleatoria k-Erlang con media 1/ puede producirse a partir de la

generación de k variables exponenciales con media 1/k:

Ejemplo.

El tiempo de proceso de cierta pieza sigue una distribución 3-Erlang con media 1/
de 8 minutos/pieza. Una lista de números seudo aleatorios ri y la ecuación de generación de
números Erlang sirven para generar variables aleatorias con esta distribución.

GENERACIÓN DE NÚMEROS ALEATORIOS

Muy comúnmente los sistemas informáticos requieren de valores aleatorios para

diferentes procesos, por ejemplo, para ordenar las cosas, para seleccionar elementos de un
conjunto, para simulaciones, para tomar diferentes caminos en un proceso (como los
videojuegos).

Un lugar en el que los valores aleatorios tienen una importancia especial es en

criptografía y en la seguridad informática. De hecho, los números aleatorios están muy
relacionados con la generación de valores usables en criptografía como llaves, por ejemplo.

Veamos cómo se generan y cómo puedes usar correctamente los generadores de

números aleatorios, pero antes empecemos a hablar de qué es la aleatoriedad y cómo
podemos entenderla intuitivamente.

AleatoriedadPermalink

La aleatoriedad tiene que ver con la probabilidad de obtener cierto valor de un

conjunto (universo) de valores posibles. Los valores aleatorios son impredecibles, no puedes
asegurar que uno tiene más probabilidades de salir que otro. Ahora conecta los dos
conceptos anteriores: para que un valor sea aleatorio debe de ser extraído de un conjunto
de valores con la misma probabilidad de aparecer, lo que se conoce como una distribución
uniforme.

Ejemplo: una moneda lanzada puede entregar dos valores, cara o cruz (águila o sol
en México). Es imposible asegurar que va a salir uno u otro valor, debido a que ambos valores
tienen la misma probabilidad de salir. Y muchos procesos físicos se comportan de esta misma
manera.

Si en el universo de valores posibles es más probable que salga cierto valor, entonces
empezamos a perder aleatoriedad, imagínate por ejemplo el caso de una moneda o dado
cargado.

Los humanos percibimos un valor como aleatorio si parece poco probable que
hayamos obtenido ese valor específicamente, pero no siempre es así.

La aleatoriedad se puede medir a través de entropía, que es la cantidad de

información disponible en todo el espacio de valores. La entropía es la sumatoria de la
probabilidad de aparecer de cada valor multiplicado por su logaritmo base 2, y se mide en
bits. Una generador con aleatoriedad perfecta entrega tantos bits de entropía como valores
posibles.

Generadores de números aleatoriosPermalink

Los programadores podemos usar la aleatoriedad si tenemos un generador de

números aleatorios.

Un generador de números aleatorios es un programa que te entrega una serie de

bits aleatorios, es decir, impredecibles desde el punto de vista externo. Estos bits se pueden
usar entonces para crear un número aleatorio.

Haya generadores de diferentes tipos dependiendo de su fuente de entropía

(información impredecible) y de cómo la usen. Hablemos de los diferentes tipos, sus
características, y cómo usarlos.

True Random Number GeneratorsPermalink

A esta clase de generadores también se le conoce simplemente como generadores

de números aleatorios (Random Number Generators o RNG’s). Los RNGs toman su fuente de
entropía de lugares físicos, dado que el mundo real es impredecible. Miden las variaciones
en los semiconductores, la manera en la que mueves el ratón, el teclado, información de los
sensores de la computadora, el micrófono, la red y muchas otras cosas. Hay algunos que
toman su entropía de procesos cuánticos incluso, conocidos como generadores de números
aleatorios cuánticos o QRNGs.
 Estos elementos físicos son fuentes confiables de entropía, pero no podemos confiar
en nuestra manera de medirla o “capturarla”, además de que pueden ser sesgados por un
usuario malintencionado o atacante. Además son lentos para generar los bits aleatorios que
las aplicaciones pueden requerir.

Es normal que un RNG se quede sin suficiente entropía para servir a las aplicaciones
que lo usan, por lo que terminaría bloqueándola o haciéndola insegura.

Es por esto que los generadores de números aleatorios a menudo se complementan

de los generadores de números pseudo-aleatorios, de los que hablaremos a continuación.

Pseudo-Random Number GeneratorsPermalink

Los generadores de números pseudo-aleatorios (PRNGs) son aquellos que no toman

su fuente de entropía de lugares físicos, sino que la generan a partir de una semilla o seed.
Siempre que reciban la misma semilla generarán la misma secuencia de bits que parece
aleatoria, pero en realidad es determinista.

Si conocemos la semilla y el algoritmo, podríamos predecir la secuencia de bits que

resultará en cada llamada. Si la distribución de probabilidad de los bits es uniforme o cerca
de uniforme, entonces la secuencia de bits parecerá aleatoria, lo cuál es útil para la mayoría
de las aplicaciones.

Los PRNGs no se quedan sin entropía para seguir sirviendo bits, ya que la generan
artificialmente, normalmente con algoritmos matemáticos y piscinas o pools de bits.

Una forma de crear un PRNG es usando como semilla un RNG, que tome su fuente
de lugares físicos y expendiendo esta entropía a un número más grande de bits. Esto lo hace
mediante la actualización de un estado interno mediante la recepción de bits
verdaderamente aleatorios de un RNG.
 Cryptographically Secure Pseudo-Random Number GeneratorsPermalink

Los PRNGs critpográficamente seguros requieren dos características extras para ser
usados en criptografía:

Discreción hacia adelante. En inglés conocida como forward secrecy, se refiere a que
es imposible predecir los bits que generará a continuación.

Discreción hacia atás. Se refiere a que, dados los bits de un número aleatorio
generado, es imposible conocer los bits que le precedieron, que se entregaron en llamadas
anteriores.

Cuando hablamos de “imposible” en términos de criptografía, normalmente nos

referimos a que es computacionalmente infactible resolver el problema propuesto. Para que
esto sea cierto basta con que no exista un algoritmo de tiempo polinomial que funcione para
resolver el problema.

En pocas palabras, los PRNGs criptográficos son impredecibles completamente.

EjemplosPermalink

Algunos PRNGs que puedes usar son:

/dev/urandom de los sistemas UNIX: genera bits aleatorios combinando lecturas del
uso del sistema (RNG de hardware) y un generador por software, de manera que haya
siempre suficientes bits. Si quieres conocer más a detalle cómo funciona, este artículo te lo
explicará: Understanding random number generators and their limitations on Linux.

Meresenne Twister: genera bits aleatorios con una distribución uniforme, pero no
sirve para criptografía porque es predecible. Dada cierta cantidad de bits es posible predecir
la secuencia de bits que generará a continuación. Aún así, el MT se comporta mejor que
algunos otros PRNGs incluidos en los lenguajes de programación.

PRNG’s en procesadores: Tanto AMD (desde 2015), como Intel (Desde 2013) tienen
PRNGs embebidos dentro de los procesadores que pueden ser usados mediante
instrucciones específicas (RDRAND y RDSEED).

Fortuna. Es un algoritmo criptográficamente seguro diseñado en 2003, en el que

están basadas la generación de números aleatorios de MacOS y iOS.

LENGUAJES DE SIMULACIÓN

Un lenguaje de simulación es un software de simulación de naturaleza general y posee

algunas características especiales para ciertas aplicaciones, tal como ocurre con SLAM 11 y SIMAN
con sus módulos de manufactura. El modelo es desarrollado usando las instrucciones adecuadas del
lenguaje y permitiendo al analista un gran control para cualquier clase de sistema.

Un simulador (o de propósitos especiales) es un paquete de computadoras que permite

realizar la simulación para un ambiente específico, no requiriendo esfuerzo en programación. Hoy
en día existen simuladores para ambientes de manufactura y sistemas de comunicación permitiendo
un menor tiempo en el desarrollo del modelo, así como también contar con el personal sin
experiencia en simulación.

Los simuladores son actualmente muy utilizados para análisis en alto nivel, requiriéndose
únicamente agregar detalles en un cierto nivel, puesto que lo demás es estándar.

CACI Products Company autor de SIMSCRIPT 11.5 es también autor de los simuladores
SIMFACTORY 11.5, NETWORK 11.5 y COMNET 11.5, muy utilizados en estos últimos tiempos para
simulaciones de sistemas de manufacturas, redes de computadoras y redes de telecomunicaciones.
 Para procesar transacciones en espera de un ordenamiento, un lenguaje de simulación debe
proporcionar un medio automático de almacenamiento y recuperación de estas entidades.
Atendiendo a la orientación del modelamiento de una simulación discreta, existen tres formas:

1. Programación de eventos.

2. Procesos.

3. Examinación de actividades.

Una programación al evento es modelada, identificando las características del evento y

luego se escriben un juego de rutinas para los eventos con la finalidad de describir detalladamente
los cambios que ocurren en el tiempo en cada evento. Lenguajes como SIMSCRIPT 11.5 y SLAM 11
están orientados al evento.

Una interacción al proceso es una secuencia de tiempos interrelacionados, describiendo la

experiencia de una entidad a través del sistema. Por ejemplo, en un modelo de colas esta "historia"
se traduce en el paso del tiempo del ingreso a la cola, ingreso al servidor, paso del tiempo en el
servicio y fin del servicio (ver Fig. 2). GPSS, SIMAN y SIMNET son orientados al proceso.

En el examen de actividades, el modelador define las condiciones necesarias al empezar y

finalizar cada actividad en el sistema. El tiempo es avanzado en iguales incrementos de tiempo y en
cada incremento de tiempo, las condiciones son evaluadas para determinar si alguna actividad
puede estar empezando o terminando. El ESCL, es un lenguaje de simulación muy popular en Europa
y fue desarrollado en FORTRAN.