Escolar Documentos
Profissional Documentos
Cultura Documentos
INGENIERA INDUSTRIAL
NOMBRE DE LA MATERIA:
Simulacin
CATEDRATICO:
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
1
Unidad 3.- Construccin de modelos de simulacin.
3.1.- Metodologa general de la simulacin.
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.
Validacin
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.
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
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).
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.
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).
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).
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:
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.
8
Repitiendo el proceso de seleccionar y arrastrar obtendremos algo similar a:
9
Casos prcticos con software
Veamos un ejemplo algo ms complejo del uso de Excel para construir modelos
de simulacin Monte Carlo cuando las variables aleatorias sean discretas:
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):
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.
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.
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):
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:
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.
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.
Simulacin
18
El sistema simulado imita la operacin del sistema actual sobre el tiempo.
Las conclusiones acerca de las caractersticas del sistema actual pueden ser
inferidos.
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:
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
Problema.
Objetivo.
Meta
21
2. RECOLECCIN DE DATOS
Recoleccin de datos
Se debe decidir:
3. EL MODELO
22
Estructura del Sistema
Entidades.
Atributos.
Actividades.
Eventos.
Eventos Principales
DRE
Variables
Tiempo.
Contadores
Diagrama de Flujo
Programa Principal
Eventos Principales
Variables Aleatorias
Distribucin Frecuencia
Software de Simulacin
23
GPSS, Arena, Simscript, Simula, Promodel.
Dynamo, Powersim
4. VERIFICACION
Verificacin y Validacin
Verificacin
24
5. VALIDACION
Validacin
Un bueno modelo es aquel que se ajusta mejor a los datos y por lo tanto se
puede usar para predecir la realidad.
6. EXPERIMENTACION
Experimentacin
Planeacin Estratgica
25
La experimentacin ayuda a conocer el sistema materia de la simulacin.
7. RESULTADOS
Interpretacin
8. DOCUMENTACIN
Documentacin
9. IMPLANTACION
Implantacin
26
3.2.2.- Caracterizacin de cada indicador: Agrupamiento de datos, grficos y
estimacin de parmetros.
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.
27
3.2.4.- Establecer el efecto sobre la variabilidad de un
estimador tiene el tamao de la simulacin.
Aplicacin:
En primer lugar hay que seleccionar el modelo matemtico que se va a utilizar.
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.
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.
-Se calcula la media y la desviacin tpica del modelo matemtico utilizando para
ello un nmero de simulaciones que asciende a "2n".
Ejemplo:
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:
Reloj de Simulacin:
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.
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.
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
PRUEBA DE CORRIDAS
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.
Ejemplo Paso 1:
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
-+-+-+-+-+--+++-++--++---+---+--++---+--+-+-+-+--
Una corrida se define como una sucesin de eventos similares, precedidos y
seguidos por un evento diferente.
34
Paso 3
Ejemplo 2
Ejemplo Nmeros Aleatorios NETBEANS
Decisin: Se rechaza
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.
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/
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