S.E.P. S.N.E.S.T. D.G.E.S.T. S.E.V.

INSTITUTO TECNOLGICO SUSPERIOR DE LAS

CHOAPAS.

INGENIERA INDUSTRIAL
NOMBRE DE LA MATERIA:

Simulacin
CATEDRATICO:

Ing. Ral Ramos Urgell

NOMBRE DEL ALUMNO(A):

Nelsi De La Cruz Jimnez

INVESTIGACIN
Unidad 3.- Construccin de modelos de simulacin.

6 A

FECHA DE ENTREGA:
Abril ,24 de2017
ndice

Introduccin ....................................................................................................................................... 1
Unidad 3.- Construccin de modelos de simulacin................................................................... 2
3.1.- Metodologa general de la simulacin. ............................................................................ 2
3.2.- Ejemplo de una simulacin tipo Montecarlo, en hoja de clculo. ................................ 4
3.2.1.- Descripcin y conceptualizacin de la simulacin, establecer el problema,
especificacin del objetivo (s), definicin de indicadores, simulacin y determinacin
de la muestra. ......................................................................................................................... 18
3.2.2.- Caracterizacin de cada indicador: Agrupamiento de datos, grficos y
estimacin de parmetros. .................................................................................................... 27
3.2.4.- Establecer el efecto sobre la variabilidad de un estimador tiene el tamao de la
simulacin. ............................................................................................................................... 28
3.3.- Definiciones: Replica, corrida, estado transitorio, estado estable, condiciones
iniciales, reloj de la simulacin. ................................................................................................ 30
3.4.- Inicio del proyecto final de simulacin. Formacin de equipos de estudiantes para
proyecto final de simulacin; atendiendo a los lineamientos: gua para la elaboracin de
la monografa del proyecto. ...................................................................................................... 36
Conclusin ....................................................................................................................................... 37
Bibliografa ....................................................................................................................................... 37
Introduccin

En el presente trabajo trataremos sobre las etapas que son

tiles para la elaboracin de un modelo de simulacin, con
base a esto conoceremos conceptos fundamentales a cerca
del tema y cmo podemos aplicarlas como ingenieros.
Conoceremos diversos tipos de indicadores y como estos se
componen, esto para poder hacer un anlisis sobre lo
estudiado y llegar al mejor resultado.

1
Unidad 3.- Construccin de modelos de simulacin.
3.1.- Metodologa general de la simulacin.

Formulacin del modelo

Una vez definidos con exactitud los resultados que se esperan obtener del estudio,
se define y construye el modelo con el cual se obtendrn los resultados deseados.
En la formulacin del modelo es necesario definir todas las variables que forman
parte de l, sus relaciones lgicas y los diagramas de flujo que describan en forma
completa el modelo.

Coleccin de datos

Es importante que se definan con claridad y exactitud los datos que el modelo va a
requerir para producir los resultados deseados.

Implementacin del modelo con la computadora

Con el modelo definido, el siguiente paso es decidir si se utiliza algn lenguaje

como el fortran,lisp,etc..., o se utiliza algun paquete como Vensim,Stella e iThink,
GPSS,Simula,Simscript,Rockwell Arena, etc..., para procesarlo en la computadora
y obtener los resultados deseados.

Validacin

A travs de esta etapa es posible detallar deficiencias en la formulacin del

modelo o en los datos alimentados al modelo. Las formas ms comunes de validar
un modelo son:

1. La opinin de expertos sobre los resultados de la simulacin.

2. La exactitud con que se predicen datos histricos.

3. La exactitud en la prediccin del futuro.

4. La comprobacin de falla del modelo de simulacin al utilizar datos que

hacen fallar al sistema real.

5. La aceptacin y confianza en el modelo de la persona que har uso de los

resultados que arroje el experimento de simulacin.

2
 Experimentacin

Se realiza despus de que el modelo haya sido validado, consiste en generar los
datos deseados y en realizar un anlisis de sensibilidad de los ndices requeridos.

Interpretacin

Se interpretan los resultados que arroja la simulacin y con base a esto se toma
una decisin. Es obvio que los resultados que se obtienen de un estudio de
simulacin ayudan a soportar decisiones del tipo semi-estructurado.

Documentacin

Dos tipos de documentacin son requeridos para hacer un mejor uso del modelo
de simulacin. La primera se refiere a la documentacin del tipo tcnico y la
segunda se refiere al manual del usuario, con el cual se facilita la interaccin y el
uso del modelo desarrollado.

3
3.2.- Ejemplo de una simulacin tipo Montecarlo, en hoja de clculo.

La simulacin de Monte Carlo es una tcnica que combina conceptos estadsticos

(muestreo aleatorio) con la capacidad que tienen los ordenadores para generar
nmeros pseudo-aleatorios y automatizar clculos.

Los orgenes de esta tcnica estn ligados al trabajo desarrollado por Stan Ulam y
John Von Neumann a finales de los 40 en el laboratorio de Los Alamos, cuando
investigaban el movimiento aleatorio de los neutrones [W1]. En aos posteriores,
la simulacin de Monte Carlo se ha venido aplicando a una infinidad de mbitos
como alternativa a los modelos matemticos exactos o incluso como nico medio
de estimar soluciones para problemas complejos. As, en la actualidad es posible
encontrar modelos que hacen uso de simulacin Monte Carlo en las reas
informtica, empresarial, econmica, industrial e incluso social [5, 8]. En otras
palabras, la simulacin de Monte Carlo est presente en todos aquellos mbitos
en los que el comportamiento aleatorio o probabilstico desempea un papel
fundamental -precisamente, el nombre de Monte Carlo proviene de la famosa
ciudad de Mnaco, donde abundan los casinos de juego y donde el azar, la
probabilidad y el comportamiento aleatorio conforman todo un estilo de vida.

Son muchos los autores que han apostado por utilizar hojas de clculo para
realizar simulacin Monte Carlo [1, 6, 7]. La potencia de las hojas de clculo reside
en su universalidad, en su facilidad de uso, en su capacidad para recalcular
valores y, sobre todo, en las posibilidades que ofrece con respecto al anlisis de
escenarios (what-if anaylisis). Las ltimas versiones de Excel incorporan,
adems, un lenguaje de programacin propio, el Visual Basic for Applications, con
el cual es posible crear autnticas aplicaciones de simulacin destinadas al
usuario final. En el mercado existen de hecho varios complementos de Excel (Add-
Ins) especficamente diseados para realizar simulacin Monte Carlo, siendo los
ms conocidos: @Risk, Crystall Ball, Insight.xla, SimTools.xla, etc. [W2 W5].

4
Conceptos fundamentales

La funcin ALEATORIO () de Excel

Las hojas de clculo como Excel (y cualquier lenguaje de programacin estndar)

son capaces de generar nmeros pseudo-aleatorios provenientes de una
distribucin uniforme entre el 0 y el 1. Este tipo de nmeros pseudo-aleatorios son
los elementos bsicos a partir de los cuales se desarrolla cualquier simulacin por
ordenador. En Excel, es posible obtener un nmero pseudo-aleatorio -proveniente
de una distribucin uniforme entre el 0 y el 1- usando la funcin ALEATORIO:

Los nmeros generados mediante la funcin ALEATORIO tienen dos propiedades

que los hacen equiparables a nmeros completamente aleatorios:

1. Cada vez que se usa la funcin ALEATORIO, cualquier nmero real entre 0 y 1
tiene la misma probabilidad de ser generado (de ah el nombre de distribucin
uniforme).

2. Los diferentes nmeros generados son estadsticamente independientes unos

de otros (es decir, el valor del nmero generado en un momento dado no depende
de los generados con anterioridad).

La funcin ALEATORIO es una funcin voltil de Excel. Esto significa que cada
vez que pulsamos la tecla F9 o cambiemos alguno de los inputs del modelo, todas
las celdas donde aparezca la funcin ALEATORIO sern recalculadas de forma
automtica.

Se pueden encontrar ejemplos del uso de ALEATORIO en el propio men de

ayuda de Excel.

Qu es la simulacin de Monte Carlo?

La simulacin de Monte Carlo es una tcnica cuantitativa que hace uso de la

estadstica y los ordenadores para imitar, mediante modelos matemticos, el
comportamiento aleatorio de sistemas reales no dinmicos (por lo general, cuando

5
se trata de sistemas cuyo estado va cambiando con el paso del tiempo, se recurre
bien a la simulacin de eventos discretos o bien a la simulacin de sistemas
continuos).

La clave de la simulacin Monte Carlo consiste en crear un modelo matemtico del

sistema, proceso o actividad que se quiere analizar, identificando aquellas
variables (inputs del modelo) cuyo comportamiento aleatorio determina el
comportamiento global del sistema. Una vez identificados dichos inputs o variables
aleatorias, se lleva a cabo un experimento consistente en (1) generar con ayuda
del ordenador-muestra aleatorio (valores concretos) para dichos inputs, y (2)
analizar el comportamiento del sistema ante los valores generados. Tras repetir n
veces este experimento, dispondremos de n observaciones sobre el
comportamiento del sistema, lo cual nos ser de utilidad para entender el
funcionamiento del mismo obviamente, nuestro anlisis ser tanto ms preciso
cuanto mayor sea el nmero n de experimentos que llevemos a cabo.

Veamos un ejemplo sencillo:

En la imagen inferior se muestra un anlisis histrico de 200 das sobre el nmero

de consultas diarias realizadas a un sistema de informacin empresarial (EIS)
residente en un servidor central. La tabla incluye el nmero de consultas diarias (0
a 5) junto con las frecuencias absolutas (nmero de das que se producen 0, 1, ...,
5 consultas), las frecuencias relativas (10/200 = 0,05, ...), y las frecuencias
relativas acumuladas.

Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el

suceso asociado, en este caso, la probabilidad de un determinado nmero de
consultas (as, p.e., la probabilidad de que se den 3 consultas en un da sera de
0,30), por lo que la tabla anterior nos proporciona la distribucin de probabilidad

6
asociada a una variable aleatoria discreta (la variable aleatoria es el nmero de
consultas al EIS, que slo puede tomar valores enteros entre 0 y 5).

Supongamos que queremos conocer el nmero esperado (o medio) de consultas

por da. La respuesta a esta pregunta es fcil si recurrimos a la teora de la
probabilidad: Denotando por X a la variable aleatoria que representa el nmero
diario de consultas al EIS, sabemos que:

Por otra parte, tambin podemos usar simulacin de Monte Carlo para estimar el
nmero esperado de consultas diarias (en este caso se ha podido obtener el valor
exacto usando teora de probabilidad, pero ello no siempre ser factible). Veamos
cmo:

Cuando se conozca la distribucin de probabilidad asociada a una variable

aleatoria discreta, ser posible usar la columna de frecuencias relativas
acumuladas para obtener los llamados intervalos de nmeros aleatorios asociados
a cada suceso.

En este caso, los intervalos obtenidos son:

[0,00 , 0,05) para el suceso 0

[0,05 , 0,15) para el suceso 1

[0,15 , 0,35) para el suceso 2

[0,35 , 0,65) para el suceso 3

[0,65 , 0,85) para el suceso 4

[0,85 , 1,00) para el suceso 5

El grfico siguiente nos muestra cada una de las probabilidades sobre el nmero
de consultas. En l, se aprecia claramente la relacin existente entre probabilidad
de cada suceso y el rea que ste ocupa.

7
Esto significa que, al generar un nmero pseudo-aleatorio con el ordenador
(proveniente de una distribucin uniforme entre 0 y 1), estaremos llevando a cabo
un experimento cuyo resultado, obtenido de forma aleatoria y segn la distribucin
de probabilidad anterior, estar asociado a un suceso. As por ejemplo, si el
ordenador nos proporciona el nmero pseudo-aleatorio 0,2567, podremos suponer
que ese da se han producido 2 consultas al EIS.

Asignamos pues la funcin ALEATORIO a una casilla (la G1 en el caso de la

imagen):

A continuacin, podemos usar la funcin SI de Excel para asignar un suceso a

cada uno de los nmeros pseudo-aleatorios generados (como veremos, otra forma
de hacer esta asignacin ser usando la funcin BUSCARV):

8
Repitiendo el proceso de seleccionar y arrastrar obtendremos algo similar a:

Finalmente, usando la funcin PROMEDIO ser posible calcular la media de los

valores de la columna H:

En este caso, hemos obtenido un valor estimado que corresponde exactamente

con el valor real anteriormente calculado va la definicin terica de la media. Sin
embargo, debido a la componente aleatoria intrnseca al modelo, normalmente
obtendremos valores cercanos al valor real, siendo dichos valores diferentes
unos de otros (cada simulacin proporcionar sus propios resultados). Se puede
comprobar este hecho pulsando repetidamente sobre la funcin F9 (cada vez que
se pulsa dicha tecla, Excel genera nuevos valores aleatorios y, por tanto, nuevos
valores para la columna H y la casilla I1). Si en lugar de usar una muestra
aleatoria formada por 100 observaciones hubisemos usado una formada por 10,
los valores que obtendramos al pulsar repetidamente F9 no seran estimaciones
tan buenas al valor real. Por el contrario, es de esperar que si hubisemos usado
1.000 (o mejor an 10.000) observaciones, los valores que obtendramos en la
casilla I1 estaran todos muy cercanos al valor real.

9
Casos prcticos con software

Monte Carlo con variables discretas

Veamos un ejemplo algo ms complejo del uso de Excel para construir modelos
de simulacin Monte Carlo cuando las variables aleatorias sean discretas:

Supongamos que trabajamos en un gran almacn informtico, y que nos piden

consejo para decidir sobre el nmero de licencias de un determinado sistema
operativo que conviene adquirir las licencias se suministrarn con los
ordenadores que se vendan durante el prximo trimestre, y es lgico pensar que
en pocos meses habr un nuevo sistema operativo en el mercado de
caractersticas superiores. Cada licencia de sistema operativo le cuesta al
almacn un total de 75 Euros, mientras que el precio al que la vende es de 100
Euros. Cuando salga al mercado la nueva versin del sistema operativo, el
almacn podr devolver al distribuidor las licencias sobrantes, obteniendo a
cambio un total del 25 Euros por cada una. Basndose en los datos histricos de
los ltimos meses, los responsables del almacn han sido capaces de determinar
la siguiente distribucin de probabilidades por lo que a las ventas de licencias del
nuevo sistema operativo se refiere:

Construimos nuestro modelo usando las frmulas que se muestran en la figura

inferior. En la casilla H2 usaremos la funcin ALEATORIO para generar el valor
pseudo-aleatorio que determinar el suceso resultante; en la celda I2 usamos la
funcin BUSCARV para determinar el suceso correspondiente asociado al valor
pseudo-aleatorio obtenido notar que usamos tambin la funcin MIN, ya que en
ningn caso podremos vender ms licencias que las disponibles. El resto de
frmulas son bastante claras:

10
En la imagen anterior se muestra cmo construir el modelo con una observacin
(iteracin). A fin de generar nuevas observaciones, deberemos seleccionar el
rango H2:N2 y "arrastrar" hacia abajo (tantas casillas como iteraciones deseemos
realizar):

Finalmente, es posible estimar el valor esperado de la variable aleatoria que

proporciona los beneficios sin ms que hallar la media de las 100 observaciones
que acabamos de realizar. Asimismo, usaremos las funciones DESVEST e
INTERVALO.CONFIANZA para hallar, respectivamente, la desviacin estndar de
la muestra obtenida y el intervalo de confianza (a un nivel del 95%) para el valor
esperado:

11
A partir del modelo anterior es posible tambin realizar what-if anlisis (anlisis
de escenarios o preguntas del tipo qu pasara si cambiamos tal o cual input?).
Para ello es suficiente con ir cambiando los valores de las celdas con fondo
amarillo o rojo (inputs del modelo en este ejemplo). Asimismo, podemos ampliar
fcilmente el nmero de iteraciones (observaciones muestrales) sin ms que
repetir los procesos de seleccionar y arrastrar.

En el caso actual, hemos optado por tomar 1.000 iteraciones para cada una de los
posibles inputs asociados a la cantidad de pedido (estos posibles inputs son: 100,
150, 200, 250, y 300). Si se realizase el experimento, se obtendran unos
resultados similares a los que se muestran a continuacin (ya que 1.000 es un
nmero ya bastante considerable para este ejemplo):

12
A partir de los resultados, parece claro que la decisin ptima es hacer un pedido
de 150 unidades, ya que con ello se consigue el beneficio mximo.

Generacin de nmeros aleatorios provenientes de otras distribuciones

Las ltimas versiones de Excel incorporan un Add-In llamado Anlisis de datos.

Este complemento proporciona nuevas funcionalidades estadsticas a la hoja de
clculo. Entre ellas, nos interesa destacar la de Generacin de nmeros
aleatorios:

13
Con esta opcin, es posible generar fcilmente observaciones provenientes de
diversas distribuciones de variable discreta (Bernoulli, Binomial, Poisson,
Frecuencia relativa, y Discreta) o de variable continua (Uniforme y Normal).
Independientemente del complemento Anlisis de datos, es posible usar un
resultado muy conocido de la teora estadstica, llamado mtodo de la
transformada inversa, para derivar las frmulas que permiten obtener valores
pseudo-aleatorios provenientes de distribuciones como la Weibull o la Lognormal.
En la tabla siguiente se muestran algunas frmulas que, implementadas en celdas
de Excel, nos permiten obtener valores pseudo-aleatorios de algunas de las
distribuciones continuas ms usadas:

14
Aadir, finalmente, que es relativamente sencillo implementar funciones VBA que,
haciendo uso del mtodo de la transformada inversa o de otros mtodos similares,
permitan la generacin de valores provenientes de casi cualquier distribucin
terica.

Simulacin Monte Carlo con variables continuas

Como hemos comentado, es posible usar las frmulas anteriores para generar, a
partir de la funcin ALEATORIO(), valores pseudo-aleatorios provenientes de otras
distribuciones continuas. En las pginas siguientes, veremos dos ejemplos de
modelos que hacen uso de la distribucin normal (la distribucin estadstica ms
importante y utilizada):

Ejemplo 1: Tiempo de consultas a servidores en paralelo

Supongamos que desde un ordenador cliente se realiza consultas SQL a bases de

datos situadas en dos servidores distintos. Nuestro objetivo ser estimar el tiempo
esperado (tiempo medio) que deberemos esperar para recibir la respuesta de
ambos servidores. Dada la complejidad de la consulta que queremos realizar, y
basndonos en experiencias anteriores, se calcula que el tiempo necesario para
que cada uno de los servidores responda a la misma sigue una distribucin normal
con los parmetros (media y desviacin estndar, en minutos) que se indican a
continuacin:

Pediremos a Excel que genere valores pseudo-aleatorios provenientes de dichas

distribuciones. Asimismo, usaremos la funcin MAX para obtener el tiempo de
respuesta (que ser el mximo de los tiempos de respuesta de cada servidor), y la
funcin SI para determinar qu servidor ha sido el ms rpido en responder:

15
Usaremos tambin las funciones CONTAR y CONTAR.SI para contar el nmero
de iteraciones y el nmero de veces que un servidor es ms rpido que el otro:

Finalmente, las funciones PROMEDIO, DESVEST, e INTERVALO.CONFIANZA

nos servirn para obtener, respectivamente, el tiempo muestral medio (esperado)
de respuesta, la desviacin estndar de la muestra (observaciones que
generaremos), y un intervalo de confianza, a un nivel del 95%, para el tiempo
medio (este intervalo nos permitir saber si nuestra estimacin es buena o si, por
el contrario, necesitaremos ms iteraciones).

Una vez introducidas las frmulas anteriores, bastar con seleccionar y arrastrar
hacia abajo el rango de celdas G3:J3, con lo que se generarn nuevas iteraciones.
En la imagen siguiente se muestra el resultado obtenido al generar 2.077
iteraciones. Observar que el tiempo medio estimado de respuesta es de 22,9
minutos, y podemos asegurar, con un nivel de confianza del 95%, que dicho
tiempo medio estar entre 22,8 y 23,0 minutos.

16
Finalmente, se observa tambin que el servidor 1 ha respuesto ms rpido que el
servidor 2 en el 67% de las iteraciones.

Ejemplo 2: Inversin inicial y flujo de caja

Consideremos ahora un nuevo problema: supongamos que disponemos de un

capital inicial de 250 Euros que deseamos invertir en una pequea empresa.
Supondremos tambin que los flujos de caja -tanto los de entrada como los de
salida- son aleatorios, siguiendo stos una distribucin normal.

Para el primer mes, el valor esperado del flujo de entrada es de 500 Euros,
mientras que el valor esperado para el flujo de salida es de 400 Euros. En meses
posteriores, el valor esperado ser el valor obtenido para en el mes anterior. Por
su parte, las desviaciones estndar valdrn, en todos los casos, un 25% del valor
medio (esperado) asociado. En base a lo anterior, podemos construir un modelo
como se muestra en las siguientes imgenes:

17
Seleccionando y arrastrando hacia abajo el rango G3:O3, hemos obtenido los
siguientes resultados para 5.859 iteraciones:

Observamos que el valor esperado para el capital final es de unos 544 Euros, y
que podemos afirmar, con un nivel de confianza del 95%, que dicho valor estar
entre 528 y 560 Euros.

3.2.1.- Descripcin y conceptualizacin de la simulacin, establecer el problema,

especificacin del objetivo (s), definicin de indicadores, simulacin y
determinacin de la muestra.

Simulacin

Es la construccin de modelos informticos que describen la parte esencial del

comportamiento de un sistema de inters, as como disear y realizar
experimentos con el modelo y extraer conclusiones de sus resultados para apoyar
la toma de decisiones.

Se usa como un paradigma para analizar sistemas complejos. La idea es obtener

una representacin simplificada de algn aspecto de inters de la realidad.

Permite experimentar con sistemas (reales o propuestos) en casos en los que de

otra manera esto sera imposible o imprctico.

18
El sistema simulado imita la operacin del sistema actual sobre el tiempo.

La historia artificial del sistema puede ser generado, observado y analizado.

La escala de tiempo puede ser alterado segn la necesidad.

Las conclusiones acerca de las caractersticas del sistema actual pueden ser
inferidos.

Estructura de un modelo de simulacin

ci: variable exgena controlable

ni: variable exgena no controlable

ei: variable endgena (estado del sistema)

si: variable endgena (salida del sistema)

19
La formulacin de los modelos de simulacin requiere de la cuantificacin de los
parmetros de las variables. Cuando se dispone de datos histricos el proceso
inicia con la recoleccin de datos a los cuales se les denomina datos en
bruto (raw data) y posteriormente se les organiza en histogramas los que sirven
de base para formular los modelos matemticos que describen su
comportamiento. Es necesario estimar los valores de los parmetros de dichos
modelos y probar su significacin estadstica con respecto a la bondad de ajuste
de las distribuciones de probabilidad. La estimacin de parmetros de los
modelos estocsticos cae dentro del dominio de la estadstica. Estas acciones son
lo que se conoce como evaluacin del modelo.

La etapa final del estudio de simulacin consiste en validar el modelo a travs del
anlisis de los datos simulados y debemos responder a las preguntas qu tan
bien coinciden los valores simulados de las variables endgenas con datos
histricos conocidos, si es que stos estn disponibles? y qu tan exactas son
las predicciones del comportamiento del sistema real hechas por el modelo de
simulacin, para perodos futuros?. El anlisis se lleva a cabo en tres pasos:

1. Recoleccin y procesamiento de los datos simulados.

2. Clculo de la estadstica de las pruebas.
3. Interpretacin de los resultados.

Como se puede inferir, nuevamente tendremos que aplicar los conceptos

estadsticos que se utilizaron en la formulacin del modelo.

Obtener las entradas y las salidas, relaciones cuantitativas y cualitativas.

Los datos deben ser convenientemente tratados para que se puedan realizar
predicciones del comportamiento del sistema. Si nos quedamos con los datos
como los obtenemos del sistema real, podemos caer en la mera simulacin del
pasado. Si basados en ellos hallamos una funcin del comportamiento, estaremos
en condiciones de repetir el comportamiento del sistema en el modelo y poder
aplicarlo para realizar estudios sobre el mismo.

Con el modelo definido, el siguiente paso es decir si utiliza algn lenguaje como el
FROTAN, ALGOL, LIPS, etc., o se utiliza algn simulador como PROMODEL,
VENSIM; STELLA, ITHINK, GPSS, SIMULA, SIMSCRIP, ROKCWELL, ARENA,
FLEXSIM, etc. para el procesarlo en la computadora y obtener resultados
deseados.

20
EL PROBLEMA

Formulacin y definicin del sistema

Se inicia en la administracin de la empresa. Quin sabe que tiene un problema,

pero no sabe definirlo.

1. La formulacin del problema no se hace una sola vez, se hace a travs de

todo el proyecto.

2. Se define los objetivos del estudio (objetivos y metas).

3. Se define el sistema a estudiar.

4. Se define los lmites del sistemas , sus alcances y limitaciones (restricciones

de la abstraccin).

5. Se especifica el diagrama de flujo lgico.

Problemas, Objetivos y Metas

Problema.

Alguna amenaza, incremento de costos, informacin desconocida, riesgos

o contradicciones. Se plantea como un conjunto de sntomas, an no se conoce
las causas.

Objetivo.

Resolver el problema o cmo resolver el problema.

El objetivo no es conocer las causas del problema. Se orienta a la solucin

del problema.

Meta

Conjunto de actividades para lograr el objetivo planteado.

Por lo general se puede medir

21
2. RECOLECCIN DE DATOS

Recoleccin de datos

Se recopila datos de la realidad con la finalidad de estimar las variables y

parmetros de entrada.

Se debe decidir:

Cmo recopilar la informacin

Qu datos se necesita y si son importantes.

En caso de tener variables aleatorias:

Identificar la distribucin de frecuencias.

Verificar si la distribucin no cambia en el tiempo.

Validar la sensibilidad del modelo ante diferentes distribuciones de

probabilidad.

3. EL MODELO

Formulacin del modelo

Es la reduccin o abstraccin del sistema real a un diagrama de flujo lgico,

donde se identifican los elementos, las variables y los eventos importantes para
cumplir el objetivo del estudio.

Se define el nivel de detalle del estudio (o nivel de simplificacin).

Un modelo detallado puede implicar mucho tiempo en su implementacin.

Un modelo simplificado no le va ha permitir lograr el objetivo planteado.

22
Estructura del Sistema

Grfico del Sistema.

Elementos del Sistema.

Entidades.

Atributos.

Actividades.

Anlisis del Sistema

Eventos.

Eventos Principales

DRE

Variables

Tiempo.

Contadores

Estado del Sistema

Diagrama de Flujo

Programa Principal

Eventos Principales

Variables Aleatorias

Distribucin Frecuencia

Traslacin del modelo

Se decide el lenguaje de programacin o el software de simulacin a usar.

Software de Simulacin

23
 GPSS, Arena, Simscript, Simula, Promodel.

Dynamo, Powersim

Lenguajes de Propsito General

Java, C, Pascal, Delphi, Visual Basic, etc

4. VERIFICACION

Verificacin y Validacin

Es el proceso de llevar a un nivel de confianza del usuario referente a

cualquier inferencia acerca de un sistema es correcta.

Pero no se puede probar si un simulador es correcto o verdadero.

Lo que importa es la utilidad operativa del modelo y no la verdad de su

estructura.

No existe la prueba de validacin de un modelo.

Se hacen pruebas a lo largo de su desarrollo:

Validar la sensibilidad del modelo.

Prueba de las suposiciones.

Prueba de transformaciones E-S

Verificacin

Para asegurar que el modelo se comporta de la manera que el

experimentador desea.

Se verificar si el modelo est correctamente construido.

Se verifica si el modelo se ha construido de acuerdo a las especificaciones.

Se realiza por inspeccin a lo largo del proyecto.

24
5. VALIDACION

Validacin

Prueba la concordancia entre el desempeo del modelo y el desempeo

del sistema real.

Examina el ajuste del modelo a cierta dato emprica.

Un bueno modelo es aquel que se ajusta mejor a los datos y por lo tanto se
puede usar para predecir la realidad.

Todos los modelos de simulacin corresponden a hiptesis sujeta a

validacin.

6. EXPERIMENTACION

Experimentacin

Una vez validado el modelo se realiza la experimentacin que consiste en

generar los datos deseados y realizar el anlisis de sensibilidad de los ndices
requeridos.

El anlisis de sensibilidad consiste en variar los parmetros del sistema y la

observacin del efecto en la variable de inters

Planeacin Estratgica

Se relaciona a cmo disear y experimentar con el modelo de simulacin,

con la finalidad de:

Reducir el nmero de pruebas experimentales.

Proporcionar una estructura para el proceso de aprendizaje del

investigador.

Los objetivos de la experimentacin son:

Encontrar la combinacin valores de parmetros que optimizan la variable

de inters.

Explicar la relacin entre la variable de inters y las variables controlables.

25
 La experimentacin ayuda a conocer el sistema materia de la simulacin.

7. RESULTADOS

Interpretacin

En esta etapa se realiza la interpretacin de los resultados que arroja la

simulacin y basndose en esto se toma una decisin.

Se determina si el modelo de simulacin es til para resolver el problema

planteado al inicio de la investigacin.

Posiblemente ahora con ms conocimiento de causa se puede determinar

con mayor precisin cul es el problema a resolver?

8. DOCUMENTACIN

Documentacin

Ayuda a incrementar la vida til del modelo.

Se relaciona al proceso de desarrollo, operacin e implantacin del modelo

de simulacin.

Ayuda al modelador a reconocer sus propios errores y mejorar para un

siguiente proyecto de simulacin

Modelo de Informe Final

9. IMPLANTACION

Implantacin

Para que un proyecto de simulacin sea exitoso se deben dar 3

condiciones:

Sea aceptado, entendido y usado.

26
3.2.2.- Caracterizacin de cada indicador: Agrupamiento de datos, grficos y
estimacin de parmetros.

Mtodo Secuencial Indicador

Desarrollado por Alabert (1987b) y Journel (1989). Es el caso correspondiente a

la simulacin de indicadores anidados usando el mtodo secuencial.

En particular si se considera un solo indicador debido a que toma valores slo

de 0 y 1, la distribucin condicional se reduce su valor esperado condicional, que
en general es no conocido.

Alabert y Journel propusieron usar en su lugar la estimacin mediante kriging

simple del indicador, la cual preserva la media y la covarianza de la FA que
comparado con el mtodo de condicionamiento estndar tiene la ventaja de
producir simulaciones binarias que reproducen el histograma de la FA.

Un nuevo valor simulado se obtiene a partir de la FDP estimada usando los

valores observados (datos) y los valores previamente simulados en una vecindad
del punto.

En dependencia de cmo se estime la funcin distribucin de probabilidad,

existen dos mtodos secuenciales: Secuencial Indicador Secuencial
Gaussiano.

Usa el Kriging indicador para estimar la funcin distribucin de probabilidad local.

Requiere del modelo del semivariograma para cada valor de corte especificado
por el usuario o como alternativa ms eficiente pero menos precisa del
semivariograma obtenido para el valor de corte correspondiente a la mediana.

Permite mezclar fcilmente datos duros con suaves.

Es un algoritmo muy eficiente
Su principal dificultad estriba en los problemas de relacin de orden del
Kriging de los indicadores. Como alternativa se toma en cuenta la
correlacin cruzada de los indicadores (co-simulacin de los indicadores).
Otro problema es que la calidad de la simulacin es sensible al tamao de
la vecindad empleada por el kriging, usualmente demasiado pequea.

27
3.2.4.- Establecer el efecto sobre la variabilidad de un
estimador tiene el tamao de la simulacin.

Concepto Monte Carlo

La Simulacin de Monte Carlo es una tcnica que permite llevar a cabo la

valoracin de los proyectos de inversin considerando que una, o varias, de las
variables que se utilizan para la determinacin de los flujos netos de caja no son
variables ciertas, sino que pueden tomar varios valores.
1. La estimacin de las variables

Aplicacin:
En primer lugar hay que seleccionar el modelo matemtico que se va a utilizar.

Valor Actual Neto (VAN)

Tasa Interna de Rentabilidad (TIR)

Segn el valor obtenido para estos mtodos de valoracin se tomar la decisin

de si el proyecto es rentable y se lleva a cabo, o no.
identificar las variables cuyo comportamiento se va a simular (X)
Es decir, aquellas que se consideran que no van a tomar un valor fijo, sino que
pueden tomar un rango de valores por no tratarse de variables ciertas
Si no se tuvieran en cuenta dichas interrelaciones, y se simularan las variables de
forma independiente, se estara incurriendo en un error en los resultados
obtenidos, y se reducira la variabilidad de los resultados al tener lugar el efecto de
compensacin en la interaccin de las variables.
2. Estimacin del tamao de la muestra

Para determinar el tamao de la muestra, se empezar utilizando un nmero no

demasiado elevado de simulaciones, que se sustituirn en el modelo matemtico
seleccionado, y se calcular la media y la desviacin tpica correspondiente al
mismo.
Metodologa de clculo

La aplicacin del mtodo de Monte Carlo para valorar inversiones plantea dos
aspectos fundamentales; la estimacin de las variables y la determinacin del
tamao de la muestra.

Simular la realidad a travs del estudio de una muestra, que se ha generado de

forma totalmente aleatoria. Resulta, por tanto, de gran utilidad en los casos en los

28
que no es posible obtener informacin sobre la realidad a analizar, o cuando la
experimentacin no es posible, o es muy costosa.

-Una vez identificadas las variables que se van a simular, hay que determinar la
funcin de densidad de probabilidad f(x) asociada a cada una de ellas.

- Posteriormente, se obtendrn las funciones de distribucin asociadas a las

variables (o variable).

Z = f(x), donde "x" es la variable desconocida a simular

- A continuacin, se sustituyen los valores simulados en el modelo matemtico
para ver el resultado obtenido para las simulaciones realizadas.

- Posteriormente, se agrupan y clasifican los resultados. Se comparan los casos

favorables, con los casos posibles, y se agrupan por categoras de resultados.
- Para finalizar, se lleva a cabo el anlisis estadstico y de inferencia sobre el
comportamiento de la realidad, siendo interesante calcular la media, la varianza y
la desviacin tpica.

- Procedimiento aditivo: se parte de un nmero inicial de simulaciones (n), y se

calcula la media y la desviacin tpica del modelo matemtico utilizado.

-Se calcula la media y la desviacin tpica del modelo matemtico utilizando para
ello un nmero de simulaciones que asciende a "2n".

Ejemplo:

Paso 1: Tamao del bloque de simulaciones "n".

Paso 2: Tamao del bloque de simulaciones

"n+n = 2n". Si no hay convergencia, entonces paso 3, sino finalizar.

Paso 3: Tamao del bloque de simulaciones

"2n+n = 3n". Si no hay convergencia, entonces paso 4, sino finalizar.

Y as, sucesivamente hasta alcanzar la convergencia.

- Procedimiento multiplicativo: se parte de un nmero inicial de simulaciones (n), y
se calcula la media y la desviacin tpica del modelo matemtico utilizado. A
continuacin se procede a aadir un nmero de nuevas simulaciones equivalente
a las acumuladas hasta ese momento, de tal forma que ahora se calcula la media
y la desviacin tpica del modelo matemtico utilizando.

29
Obtenemos la variabilidad del nuevo bloque de simulaciones tiene el mismo peso
sobre el total que la del bloque anterior, siendo por tanto en un mtodo ms
perfecto.
Ejemplo:

Paso 1: Tamao del bloque de simulaciones "n".

Paso 2: Tamao del bloque de simulaciones

"2xn = 2n". Si no hay convergencia, entonces paso 3, sino finalizar.

Paso 3: Tamao del bloque de simulaciones

"2x2n = 4n". Si no hay convergencia, entonces paso 4, sino finalizar.

3.3.- Definiciones: Replica, corrida, estado transitorio,

estado estable, condiciones iniciales, reloj de la
simulacin.

Estado estable Una variable est en estado estacionario (estable) si su valor

esperado es el mismo durante el perodo de tiempo que estamos considerando.
Una simulacin est en estado estacionario si todas sus colas lo estn. El estado
estacionario es alcanzado luego de un perodo de tiempo llamado perodo
transitorio inicial (run-in).

Reloj de Simulacin:

Es el contador de tiempo de la simulacin, y su funcin consiste en responder

preguntas tales como cunto tiempo se ha utilizado el modelo de la simulacin, y
cuanto tiempo en total se requiere que dure esta ltima.
Existen dos tipos de reloj de simulacin: el reloj de simulacin absoluto, que
parte del cero y termina en un tiempo total disimulacin definido, el reloj de
simulacin relativo, que solo consiste en el lapso de tiempo que transcurre entre
dos eventos.
Ejemplo

El tiempo de proceso de una pieza es relativo, mientras que el tiempo

absoluto seria el global: desde que la pieza entro a ser procesada hasta el
momento que termin su proceso.

30
Estado estacionario, Condiciones y Sesgo inicial Para obtener resultados
confiables:

Durante todo el tiempo en que se toman las medidas (cuando se registran los
datos de la simulacin) el sistema debe estar en estado estacionario.

Condiciones iniciales: son los valores iniciales de los parmetros para una
simulacin en estado estacionario. Las condiciones iniciales determinan un sesgo
inicial que influye en el tiempo que lleva alcanzar la estabilidad, en los resultados y
en las estimaciones calculadas. Este sesgo se puede anular realizando
simulaciones durante un perodo de tiempo muy largo.

Cmo obtener resultados confiables Existen 3 maneras:

1. Comenzar en estado estacionario con informacin del "sistema real".

Cantidad y tipo de entidades en actividad y en colas, organizadas en
el calendario segn informacin anterior y de acuerdo a sus
distribuciones
2. La simulacin se corre hasta alcanzar estado estacionario y se toma
ese estado del sistema como punto de partida para las siguientes
corridas.
3. Se corre la simulacin desde el sistema vaco hasta el estado
estable, all se comienzan a recolectar datos. Se desprecian las
medidas del perodo run-in.

El tercer mtodo es el ms seguro. En los dos primeros se corre el riesgo de

obtener datos sesgados; cuando se alcanza el estado estacionario puede variar
dependiendo a veces de los distintos valores de las variables de decisin.

Qu es una rplica? Copia exacta o muy similar.

Funcin de las rplicas las rplicas; se presentan con la finalidad de obtener

estadsticas de intervalo que nos den una mejor ubicacin del verdadero valor de
la variable bajo los diferentes escenarios que se presentan al modificar los
nmeros pseudo aleatorios en cada oportunidad. Disminuir el error de la
simulacin Importancia de las rplicas en simulacin. De esta manera se obtiene
una relacin entre el nmero de rplicas y la precisin de la estimacin, de manera
que entre ms replicas se tengas ms preciso ser el modelo.

Tipos de rplicas Muestreo antittico: es inducir una correlacin negativa entre

los elementos correspondientes en las series de nmeros aleatorios utilizados
para generar variaciones de entrada en rplicas diferentes.

31
Corridas comunes: El objetivo principal es iniciar nuevas corridas de simulacin
utilizando siempre los datos almacenados; de esta forma, el uso de las corridas
comunes afecta a todas las alternativas de igual forma. Se debe aplicar cuando el
problema consiste en la comparacin de dos o ms alternativas.

Muestreo Clasificado: Esta tcnica se apoya en un resultado parcial de una

corrida, clasificndolo como interesante o no interesante, en caso de ser
interesante se contina con la corrida en caso contrario se detiene la corrida.

Variaciones de control: Este mtodo utiliza aproximaciones de modelos

analticos para reducir la varianza. Muestreo estratificado: En esta tcnica la
funcin de distribucin se divide en varias partes, lo ms homogneas posibles
que se resuelven o ejecutan por separado; los resultados obtenidos se combinan
para lograr una sola estimacin del parmetro a analizar.

Muestreo sesgado: Consiste en distorsionar las probabilidades fsicas del

sistema real, de tal forma que los eventos de inters ocurran ms frecuentemente.
Los resultados obtenidos presentarn tambin una distorsin que debe corregirse
mediante factores probabilsticos de ajuste.

Cmo estimar en simulacin el nmero de rplicas Replicas en Promodel? Para

estimar el nmero de corridas necesarias debe realizarse un nmero de corridas
de manera preliminar, por ejemplo de 30 a 50. Esto se hace a travs del men de
ProModel SIMULATION/OPTIONS lo que dar lugar a que se despliegue un
cuadro de dilogo en el cual se agregar el nmero de corridas elegido en el
campo"number of replications". Ahora bien, antes de emplear la frmula para
estimar el nmero de corridas debes elegir la variable de respuesta sobre la cual
realizars este anlisis. Puede ser el contenido de alguna fila (average content), o
el total de piezas producidas (current value), el tiempo en el sistema (averaged
minutes in system), la utilizacin de mquinas o estaciones de trabajo (%
utilization), etc. Todo depende del objetivo del estudio que se est realizando y en
funcin de lo que se desea mejorar. A partir de que se elige la(s) variable(s) de
referencia para el anlisis se recabar del reporte general ponderado la media y
desviacin estndar obtenida en esa variable en particular, los cuales sern
respectivamente los valores de X (la media) y (la desviacin estndar) a sustituir
en la siguiente frmula: Si el nmero de corridas obtenido de la frmula se cubri
con el nmero de corridas preliminares significa que ya no es necesario hacer ms
corridas; pero si el nmero de corridas calculado es superior al que se consider
de manera preliminar entonces debern realizarse las corridas que sean
necesarias.

32
PRUEBA DE CORRIDAS ARRIBA Y ABAJO

Si tenemos una secuencia de nmeros de tal manera que a cada uno de los
nmeros siga otro mayor la secuencia dada ser ascendente (arriba).

Si cada nmero va seguido por otro menor, la secuencia ser descendente (abajo)
PROPIEDADES
Las dos propiedades ms importantes esperadas en los nmeros aleatorios son
uniformidad e independencia. La prueba de uniformidad puede ser realizada
usando las pruebas de ajuste de bondad disponibles

Los nmeros pueden estar uniformemente distribuidos y aun no ser

independientes uno del otro.

Por ejemplo, una secuencia de nmeros montonamente se incrementa dentro del

rango de cero a
uno esta uniformemente distribuida si la cantidad incremental es constante para
todos. (0, 0.1, 0.2, 0.3,......,0.9)

PRUEBA DE CORRIDAS

Una prueba de Corridas es un mtodo que nos ayuda a evaluar el carcter de

aleatoriedad de una secuencia de nmeros estadsticamente independientes y
nmeros uniformemente distribuidos.

Es decir dado una serie de nmeros determinar si son o no aleatorios.

PRUEBAS DE CORRIDA ARRIBA Y ABAJO

Ahora procedemos a calcular el total de corridas que resulta de la suma de suma

de corrida ascendente con la descendente.

33
Existen algunos mtodos disponibles para verificar varios aspectos de la calidad
de los nmeros pseudoaleatorios. Si no existiera un generador particular de
nmeros aleatorios disponible, se le recomienda al analista usar estos mtodos
cuando se realice una simulacin. Uno de estos mtodos es el mtodo de prueba
de corridas.

Pasos para evaluar una prueba de corridas:

Ejemplo Paso 1:

Se tienen los siguientes nmeros aleatorios

59,12,19,05,59,58,83,18,36,00,61,47,24,41,42,98,23,67,84,43,29,71,88,74,60,10,4
6,23,15,11,78,3
1,11,91,99,57,28,18,32,21,12,95,38,76,07,96,33,63,10,05

De acuerdo al mtodo (prueba de corridas arriba y abajo) se evaluar 59<12,

como no lo es se le signar un signo -. Seguiremos comparando 12<19, ya que si
lo es se le asigna un signo +.

-+-+-+-+-+--+++-++--++---+---+--++---+--+-+-+-+--
Una corrida se define como una sucesin de eventos similares, precedidos y
seguidos por un evento diferente.

En el ejemplo tendamos un total de corridas de 33.+

Para el paso 2 se utiliza la siguiente formula donde N nmero de datos generados

34
Paso 3

Se define = 0.05, entonces

Como =0.05 entonces se valida en la frmula

1-/2 el resultado en las tablas de distribucin

La validacin de rechazo ser

Z calculada =0.00 < Z0.475 =0.68

Ejemplo 2
Ejemplo Nmeros Aleatorios NETBEANS

Paso 1 :Evaluar los nmeros y asignarles un signo

Procedemos a realizar los clculos

Decisin: Se rechaza

Conclusin: De acuerdo a la evidencia presentada no aceptamos los nmeros

pseudoaleatorios
Si el valor absoluto de Z calculada es mayor o igual a la Z de las tablas se
rechazar la hiptesis

Como 0.00<0.6808 no es mayor, la hiptesis se aprueba

Condiciones iniciales: valores iniciales de las variables de estado.

35
3.4.- Inicio del proyecto final de simulacin. Formacin de equipos de
estudiantes para proyecto final de simulacin; atendiendo a los
lineamientos: gua para la elaboracin de la monografa del proyecto.

36
Conclusin

El desarrollo de los modelos y su amplia difusin al mundo de los negocios fue resultado
fundamentalmente de la utilizacin de las computadoras digitales. Debido a la gran carga de datos
que se necesita para experimentar el "mundo real" con un modelo matemtico, resultara
sumamente ineficaz e inapropiado efectuar una "corrida" de simulacin sin el auxilio de un
sistema de computacin.

Los mtodos cuantitativos utilizados ampliamente por la Investigacin de Operaciones para

resolver problemas, por el contrario, resuelven analticamente el modelo para sacar entonces
conclusiones y/o tomar decisiones con respecto a dicho sistema o proceso.

En la actualidad la Simulacin constituye una de las ms poderosas tcnicas de resolucin de

problemas y es ampliamente utilizada en las Ciencias de la Administracin y de la Ingeniera.

Bibliografa

37
http://simu-iti.blogspot.mx/2011/03/13-metodologia-de-la-simulacion.html

[1] Seila, A.F. (2001): Spreadsheet Simulation. Proceedings of the 2001 Winter Simulation
Conference, pp. 74 78.

[2] Savage, S.L. (1998): "Insight.xla: Business Analysis Software for Microsoft Excel".
Duxbury Press.

[3] Camm, J.D.; Evans, J.R. (1996): "Management Science: Modelling, Analysis and
Interpretation". South Western College Publishing.

[4] Winston, W.L.; Albright, S.C. (1997): "Practical Management Science: Spreadsheet
Modeling and Applications". Duxbury Press.

[5] Gedam, S.G.; Beaudet, S.T. (2000): Monte Carlo Simulation using Excel Spreadsheet
for Predicting Reliability of a Complex System. Proceedings Annual Reliability and
Maintainability Symposium.

[6] Evans, J.R. (2000): Spreadsheets as a Tool for Teaching Simulation<. Informs
Transactions On Education Volume 1, Number 1.
http://ite.informs.org/Vol1No1/evans/evans.html

[7] Eckstein, J; Riedmueller, S.T. (2002): YASAI: Yet Another Add-in for Teaching
Elementary Monte Carlo Simulation in Excel. Informs Transactions On Education. Volume
2, Number 2.

http://ite.informs.org/vol2no2/EcksteinRiedmueller/

[8] Judge, G. (1999):Simple Monte Carlo studies on a spreadsheet. Computers in Higher

Education Economics Review (CHEER). Volume 13, Issue 2.

http://www.economics.ltsn.ac.uk/cheer/ch13_2/ch13_2p12.htm

[9] Hwarng, H.B. (2001): A Modern Simulation Course for Business Students. Interfaces,
31:3, Part 1 of 2, May-June 2001, pp. 66-75.

[10] Nance, R.E., Sargent, R.G. (2002): Perspectives on the Evolution of Simulation.
Operations Research, Vol. 50, No. 1, January-February 2002, pp. 161-172.

https://es.slideshare.net/solartime/modelo-de-simulacion

http://simulacionsystem11.es.tl/1-.-6-.-_-ETAPAS-DE-UN-PROYECTO-DE-
SIMULACION.htm

http://simulaciontsistemcompu.blogspot.mx/2012/01/reloj-de-es-el-contador-de-tiempo-de-
la.html

https://www.fing.edu.uy/inco/cursos/simulacion/archivos/clases/clase07web.pdf

http://documents.mx/documents/replicas-en-simulacion-presentacion.html

38
39