Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Unidad 3 Construccion de Modelos de Simu PDF
Unidad 3 Construccion de Modelos de Simu PDF
INGENIERÍA INDUSTRIAL
NOMBRE DE LA MATERIA:
Simulación
CATEDRATICO:
INVESTIGACIÓN
Unidad 3.- Construcción de modelos de simulación.
6° “A“
FECHA DE ENTREGA:
Abril ,24 de2017
Índice
Introducción ....................................................................................................................................... 1
Unidad 3.- Construcción de modelos de simulación................................................................... 2
3.1.- Metodología general de la simulación. ............................................................................ 2
3.2.- Ejemplo de una simulación tipo Montecarlo, en hoja de cálculo. ................................ 4
3.2.1.- Descripción y conceptualización de la simulación, establecer el problema,
especificación del objetivo (s), definición de indicadores, simulación y determinación
de la muestra. ......................................................................................................................... 18
3.2.2.- Caracterización de cada indicador: Agrupamiento de datos, gráficos y
estimación de parámetros. .................................................................................................... 27
3.2.4.- Establecer el efecto sobre la variabilidad de un estimador tiene el tamaño de la
simulación. ............................................................................................................................... 28
3.3.- Definiciones: Replica, corrida, estado transitorio, estado estable, condiciones
iniciales, reloj de la simulación. ................................................................................................ 30
3.4.- Inicio del proyecto final de simulación. Formación de equipos de estudiantes para
proyecto final de simulación; atendiendo a los lineamientos: guía para la elaboración de
la monografía del proyecto. ...................................................................................................... 36
Conclusión ....................................................................................................................................... 37
Bibliografía ....................................................................................................................................... 37
Introducción
1
Unidad 3.- Construcción de modelos de simulación.
3.1.- Metodología general de la simulación.
Una vez definidos con exactitud los resultados que se esperan obtener del estudio,
se define y construye el modelo con el cual se obtendrán los resultados deseados.
En la formulación del modelo es necesario definir todas las variables que forman
parte de él, sus relaciones lógicas y los diagramas de flujo que describan en forma
completa el modelo.
Colección de datos
Es importante que se definan con claridad y exactitud los datos que el modelo va a
requerir para producir los resultados deseados.
Validación
2
Experimentación
Se realiza después de que el modelo haya sido validado, consiste en generar los
datos deseados y en realizar un análisis de sensibilidad de los índices requeridos.
Interpretación
Se interpretan los resultados que arroja la simulación y con base a esto se toma
una decisión. Es obvio que los resultados que se obtienen de un estudio de
simulación ayudan a soportar decisiones del tipo semi-estructurado.
Documentación
Dos tipos de documentación son requeridos para hacer un mejor uso del modelo
de simulación. La primera se refiere a la documentación del tipo técnico y la
segunda se refiere al manual del usuario, con el cual se facilita la interacción y el
uso del modelo desarrollado.
3
3.2.- Ejemplo de una simulación tipo Montecarlo, en hoja de cálculo.
Los orígenes de esta técnica están 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 años posteriores,
la simulación de Monte Carlo se ha venido aplicando a una infinidad de ámbitos
como alternativa a los modelos matemáticos exactos o incluso como único medio
de estimar soluciones para problemas complejos. Así, en la actualidad es posible
encontrar modelos que hacen uso de simulación Monte Carlo en las áreas
informática, empresarial, económica, industrial e incluso social [5, 8]. En otras
palabras, la simulación de Monte Carlo está presente en todos aquellos ámbitos
en los que el comportamiento aleatorio o probabilístico desempeña un papel
fundamental -precisamente, el nombre de Monte Carlo proviene de la famosa
ciudad de Mónaco, 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 cálculo para
realizar simulación Monte Carlo [1, 6, 7]. La potencia de las hojas de cálculo 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 análisis de
escenarios (“what-if anaylisis”). Las últimas versiones de Excel incorporan,
además, un lenguaje de programación propio, el Visual Basic for Applications, con
el cual es posible crear auténticas aplicaciones de simulación destinadas al
usuario final. En el mercado existen de hecho varios complementos de Excel (Add-
Ins) específicamente diseñados para realizar simulación Monte Carlo, siendo los
más conocidos: @Risk, Crystall Ball, Insight.xla, SimTools.xla, etc. [W2 – W5].
4
Conceptos fundamentales
1. Cada vez que se usa la función ALEATORIO, cualquier número real entre 0 y 1
tiene la misma probabilidad de ser generado (de ahí el nombre de distribución
uniforme).
La función ALEATORIO es una función volátil 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 función ALEATORIO serán recalculadas de forma
automática.
5
se trata de sistemas cuyo estado va cambiando con el paso del tiempo, se recurre
bien a la simulación de eventos discretos o bien a la simulación de sistemas
continuos).
6
asociada a una variable aleatoria discreta (la variable aleatoria es el número de
consultas al EIS, que sólo puede tomar valores enteros entre 0 y 5).
Por otra parte, también podemos usar simulación de Monte Carlo para estimar el
número esperado de consultas diarias (en este caso se ha podido obtener el valor
exacto usando teoría de probabilidad, pero ello no siempre será factible). Veamos
cómo:
El gráfico siguiente nos muestra cada una de las probabilidades sobre el número
de consultas. En él, se aprecia claramente la relación existente entre probabilidad
de cada suceso y el área que éste ocupa.
7
Esto significa que, al generar un número pseudo-aleatorio con el ordenador
(proveniente de una distribución uniforme entre 0 y 1), estaremos llevando a cabo
un experimento cuyo resultado, obtenido de forma aleatoria y según la distribución
de probabilidad anterior, estará asociado a un suceso. Así por ejemplo, si el
ordenador nos proporciona el número pseudo-aleatorio 0,2567, podremos suponer
que ese día se han producido 2 consultas al EIS.
8
Repitiendo el proceso de seleccionar y “arrastrar” obtendremos algo similar a:
9
Casos prácticos con software
Veamos un ejemplo algo más complejo del uso de Excel para construir modelos
de simulación Monte Carlo cuando las variables aleatorias sean discretas:
10
En la imagen anterior se muestra cómo construir el modelo con una observación
(iteración). 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 también realizar “what-if” análisis (análisis
de escenarios o preguntas del tipo “¿qué pasaría 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
fácilmente el número de iteraciones (observaciones muestrales) sin más 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 obtendrían unos
resultados similares a los que se muestran a continuación (ya que 1.000 es un
número ya bastante considerable para este ejemplo):
12
A partir de los resultados, parece claro que la decisión óptima es hacer un pedido
de 150 unidades, ya que con ello se consigue el beneficio máximo.
13
Con esta opción, es posible generar fácilmente 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 Análisis de datos, es posible usar un
resultado muy conocido de la teoría estadística, llamado método de la
transformada inversa, para derivar las fórmulas que permiten obtener valores
pseudo-aleatorios provenientes de distribuciones como la Weibull o la Lognormal.
En la tabla siguiente se muestran algunas fórmulas que, implementadas en celdas
de Excel, nos permiten obtener valores pseudo-aleatorios de algunas de las
distribuciones continuas más usadas:
14
Añadir, finalmente, que es relativamente sencillo implementar funciones VBA que,
haciendo uso del método de la transformada inversa o de otros métodos similares,
permitan la generación de valores provenientes de casi cualquier distribución
teórica.
Como hemos comentado, es posible usar las fórmulas anteriores para generar, a
partir de la función ALEATORIO(), valores pseudo-aleatorios provenientes de otras
distribuciones continuas. En las páginas siguientes, veremos dos ejemplos de
modelos que hacen uso de la distribución normal (la distribución estadística más
importante y utilizada):
15
Usaremos también las funciones CONTAR y CONTAR.SI para contar el número
de iteraciones y el número de veces que un servidor es más rápido que el otro:
Una vez introducidas las fórmulas anteriores, bastará con seleccionar y “arrastrar”
hacia abajo el rango de celdas G3:J3, con lo que se generarán 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 estará entre 22,8 y 23,0 minutos.
16
Finalmente, se observa también que el servidor 1 ha respuesto más rápido 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 será el valor obtenido para en el mes anterior. Por
su parte, las desviaciones estándar valdrán, 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 imágenes:
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 estará
entre 528 y 560 Euros.
Simulación
18
El sistema simulado imita la operación del sistema actual sobre el tiempo.
Las conclusiones acerca de las características del sistema actual pueden ser
inferidos.
19
La formulación de los modelos de simulación requiere de la cuantificación de los
parámetros de las variables. Cuando se dispone de datos históricos el proceso
inicia con la recolección 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 matemáticos que describen su
comportamiento. Es necesario estimar los valores de los parámetros de dichos
modelos y probar su significación estadística con respecto a la bondad de ajuste
de las distribuciones de probabilidad. La estimación de parámetros de los
modelos estocásticos cae dentro del dominio de la estadística. Estas acciones son
lo que se conoce como evaluación del modelo.
La etapa final del estudio de simulación consiste en validar el modelo a través del
análisis de los datos simulados y debemos responder a las preguntas ¿qué tan
bien coinciden los valores simulados de las variables endógenas con datos
históricos conocidos, si es que éstos están disponibles? y ¿qué tan exactas son
las predicciones del comportamiento del sistema real hechas por el modelo de
simulación, para períodos futuros?. El análisis se lleva a cabo en tres pasos:
Con el modelo definido, el siguiente paso es decir si utiliza algún lenguaje como el
FROTAN, ALGOL, LIPS, etc., o se utiliza algún 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. RECOLECCIÓN DE DATOS
Recolección 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
– Distribución Frecuencia
• Software de Simulación
23
– GPSS, Arena, Simscript, Simula, Promodel.
– Dynamo, Powersim
4. VERIFICACION
Verificación y Validación
Verificación
24
5. VALIDACION
Validación
• 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
Experimentación
Planeación Estratégica
25
• La experimentación ayuda a conocer el sistema materia de la simulación.
7. RESULTADOS
Interpretación
8. DOCUMENTACIÓN
Documentación
9. IMPLANTACION
Implantación
26
3.2.2.- Caracterización de cada indicador: Agrupamiento de datos, gráficos y
estimación de parámetros.
• Requiere del modelo del semivariograma para cada valor de corte especificado
por el usuario o como alternativa más 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 tamaño de la simulación.
Aplicación:
En primer lugar hay que seleccionar el modelo matemático que se va a utilizar.
La aplicación del método de Monte Carlo para valorar inversiones plantea dos
aspectos fundamentales; la estimación de las variables y la determinación del
tamaño de la muestra.
28
que no es posible obtener información sobre la realidad a analizar, o cuando la
experimentación no es posible, o es muy costosa.
-Una vez identificadas las variables que se van a simular, hay que determinar la
función de densidad de probabilidad f(x) asociada a cada una de ellas.
-Se calcula la media y la desviación típica del modelo matemático utilizando para
ello un número 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 método más
perfecto.
Ejemplo:
Reloj de Simulación:
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 simulación) el sistema debe estar en estado estacionario.
Condiciones iniciales: son los valores iniciales de los parámetros para una
simulación 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 período de tiempo muy largo.
31
Corridas comunes: El objetivo principal es iniciar nuevas corridas de simulación
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 comparación de dos o más alternativas.
32
PRUEBA DE CORRIDAS ARRIBA Y ABAJO
Si tenemos una secuencia de números de tal manera que a cada uno de los
números siga otro mayor la secuencia dada será ascendente (arriba).
Si cada número va seguido por otro menor, la secuencia será descendente (abajo)
PROPIEDADES
Las dos propiedades más importantes esperadas en los números 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 métodos disponibles para verificar varios aspectos de la calidad
de los números pseudoaleatorios. Si no existiera un generador particular de
números aleatorios disponible, se le recomienda al analista usar estos métodos
cuando se realice una simulación. Uno de estos métodos es el método 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 sucesión de eventos similares, precedidos y
seguidos por un evento diferente.
34
Paso 3
Ejemplo 2
Ejemplo Números Aleatorios – NETBEANS
Decisión: Se rechaza
35
3.4.- Inicio del proyecto final de simulación. Formación de equipos de
estudiantes para proyecto final de simulación; atendiendo a los
lineamientos: guía para la elaboración de la monografía del proyecto.
36
Conclusión
El desarrollo de los modelos y su amplia difusión al mundo de los negocios fue resultado
fundamentalmente de la utilización de las computadoras digitales. Debido a la gran carga de datos
que se necesita para experimentar el "mundo real" con un modelo matemático, resultaría
sumamente ineficaz e inapropiado efectuar una "corrida" de simulación sin el auxilio de un
sistema de computación.
Bibliografía
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