INSTITUTO TECNOLÓGICO DE MÉXICO

SIMULACIÓN
Integrantes:
Martínez Peña Luis
Enrique
Ordaz Martínez
Emmanuel
Santos Santos María
Elena
Ing. Obed Vargas Aguado

 3.
CONSTRUCCIÓN
DE LOS
MODELOS DE
SIMULACIÓN
 COLECCIÓN DE DATOS

3.1 METODOLOGÍA GENERAL DE LA Definir con claridad y exactitud los datos

que el modelo va a requerir para
SIMULACIÓN
producir los resultados deseados.

EN LA FORMULACIÓN DEL
VALIDACIÓN
MODELO
En la formulación del modelo es Las formas mas comunes de validar son:
necesario definir todas las La opinión de expertos sobre los
variables que forman parte de resultados de la simulación.
él, sus relaciones lógicas y los
La exactitud con que se predicen
diagramas de flujo que
describan en forma completa el datos históricos.
modelo. La exactitud en la predicción del
futuro.

La comprobación de falla del modelo
de simulación al utilizar datos
quehacen fallar al sistema real.
 EXPERIMENTACIÓN
DOCUMENTACIÓN
Se realiza después de que el modelo
Dos tipos de documentación son
haya sido validado, consiste en generar
requeridos para hacer un mejor uso del
losdatos deseados y en realizar un
modelode simulación. La primera se
análisis de sensibilidad de los índices
refiere a la documentación del tipo
requeridos.
técnico y lasegunda se refiere al
manual del usuario, con el cual se
facilita la interacción y eluso del
modelo desarrollado
INTERPRETACIÓN
Se interpretan los resultados que
arroja la simulación y con base a esto
se tomauna decisión.
 3.2 EJEMPLO DE UNA SIMULACIÓN
TIPO MONTECARLO EN HOJA DE
CALCULO

CONCEPTO FUNDAMENTAL
La simulación de Monte Carlo es Las hojas de cálculo como
una técnica que combina conceptos Excel (y cualquier lenguaje de
estadísticos(muestreo aleatorio) programación estándar)son
con la capacidad que tienen los capaces de generar números
ordenadores para generarnúmeros pseudo-aleatorios
pseudo-aleatorios y automatizar provenientes de
cálculos. unadistribución uniforme
entre el 0 y el 1.
 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.

Simulación

Es la construcción de modelos
informáticos que describen la parte
esencial del comportamiento de un
sistema de interés, así como diseñar y
realizar experimentos con el modelo y
extraer conclusiones de sus resultados
para apoyar la toma de decisiones.
 Estructura de un modelo de simulación.

ci: variable exógena controlable

ni: variable exógena no controlable
ei: variable endógena (estado del sistema)
si: variable endógena (salida del sistema)
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
1 El problema. 6 Experimentación.

2 Recolección de datos. 7 Resultados.

3 El modelo. 8 Documentación.

4 Verificación. 9 Implantación.

Validación
5 .
El análisis se lleva a cabo en tres pasos:

1. Recolección y procesamiento de los datos

simulados.
2. Cálculo de la estadística de las pruebas.
3. Interpretación de los resultados.
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.
EL PROBLEMA

Formulación y definición del sistema

Se inicia en la administración de la empresa. Quién sabe que tiene un
problema, pero no sabe definirlo.
1. La formulación del problema no se hace una sola vez, se hace a través 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 límites del sistemas , sus alcances y limitaciones
(restricciones de la abstracción).
5. Se especifica el diagrama de flujo lógico.
Problema.
• Alguna amenaza, incremento de costos,
información desconocida, riesgos o
contradicciones. Se plantea como un conjunto de
síntomas, aún no se conoce las causas.
Objetivo.
• Resolver el problema o cómo resolver el
problema.
• El objetivo no es conocer las causas del
problema. Se orienta a la solución del problema.
Meta
• Conjunto de actividades para lograr el objetivo
planteado.
Por lo general se puede medir
RECOLECCIÓN DE DATOS

Recolección de datos
• Se recopila datos de la realidad con la finalidad de
estimar las variables y parámetros de entrada.
• Se debe decidir:
–Cómo recopilar la información
–Qué datos se necesita y si son importantes.
•En caso de tener variables aleatorias:
–Identificar la distribución de frecuencias.
–Verificar si la distribución no cambia en el tiempo.
–Validar la sensibilidad del modelo ante diferentes
distribuciones de probabilidad.
EL MODELO

Formulación del modelo

• Es la reducción o abstracción del sistema real a un diagrama de

flujo lógico, 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 simplificación).

– Un modelo detallado puede implicar mucho tiempo en su
implementación.
– Un modelo simplificado no le va ha permitir lograr el objetivo
planteado.
 3.2.2.- Caracterización de cada indicador:
Agrupamiento de datos, gráficos y estimación de
parámetros.

Método Secuencial Indicador

• Desarrollado por Alabert (1987b) y Journel (1989). Es el

caso correspondiente ala simulación de indicadores
anidados usando el método secuencial.

• En particular si se considera un solo indicador debido a

que toma valores sólo
de 0 y 1, la distribución condicional se reduce su valor
esperado condicional, queen general es no conocido.
 Método Secuencial Indicador
Usa el Kriging indicador para estimar la función distribución de
probabilidad local.•

Requiere del modelo del semi variograma 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.

Permite mezclar fácilmente datos duros con suaves.

Es un algoritmo muy eficiente
Su principal dificultad estriba en los problemas de relación de orden
del Kriging de los indicadores. Como alternativa se toma en cuenta la
correlación cruzada de los indicadores (co-simulación de los
indicadores).
Otro problema es que la calidad de la simulación es sensible al
tamaño dela vecindad empleada por el kriging, usualmente demasiado
pequeña.
 3.2.4.- Establecer el efecto sobre la
variabilidad de unestimador tiene el
tamaño de la simulación.

Concepto Monte Carlo

1. La estimación de las
La Simulación de Monte Carlo es una variables
técnica que permite llevar a cabo la Aplicación:
valoración de los proyectos de
En primer lugar hay que
inversión considerando que una, o
varias, de las variables que se utilizan seleccionar el modelo
para la determinación de los flujos matemático que se va a
netos de caja no son variables ciertas, utilizar.Valor Actual Neto
sino que pueden tomar varios (VAN)Tasa Interna de
valores.
Rentabilidad (TIR
Estimación del tamaño de la muestra
Para determinar el tamaño de la muestra, se empezará
utilizando un número no demasiado elevado de simulaciones,
que se sustituirán en el modelo matemático seleccionado, y se
calculará la media y la desviación típica correspondiente al
mismo.
Metodología de cálculo
La aplicación del método de Monte Carlo para valorar
inversiones plantea dos aspectos fundamentales; la estimación
de las variables y la determinación deltamaño de la
muestra.Simular la realidad a través del estudio de una
muestra, que se ha generado deforma totalmente aleatoria.
Resulta, por tanto, de gran utilidad en los casos
 Ejemplo:

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

Paso 2: Tamaño del bloque de simulaciones"2xn = 2n". Si no

hay convergencia, entonces paso 3, sino finalizar.
Paso 3: Tamaño 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
lasimulación.

Estado estable
Una variable está en estado estacionario
(estable) si su valor esperado es el mismo
durante el periodo de tiempo que est
amos considerando.Una simulación está
en estado estacionario si todas sus colas
lo están.
El estado estacionario es alcanzado luego
de un perıodo de tiempo llamado perıodo
transitorio inicial
Reloj de Simulación:
Es el contador de tiempo de la simulación,
y su función consiste en responder
preguntas tales como cuánto tiempo se ha
utilizado el modelo de la simulación,
ycuanto tiempo en total se requiere que
dure esta última.Existen dos tipos de reloj
de simulación
¿Qué es una réplica?

Función de las réplicas las réplicas; se

presentan con la finalidad de obtener
estadísticas de intervalo que nos den una
mejor ubicación del verdadero valor dela
variable bajo los diferentes escenarios que se
presentan al modificar losnúmeros pseudo
aleatorios en cada oportunidad. Disminuir el
error de lasimulación Importancia de las
réplicas en simulación.

Tipos de réplicas
Muestreo antitético:
comunes afecta a todas las alternativas
es inducir una correlación
negativa entrelos elementos
correspondientes en las series
de números aleatorios
utilizadospara generar
variaciones de entrada en
réplicas diferentes.
Corridas comunes:
El objetivo principal es iniciar nuevas
corridas de simulación utilizando
siempre los datos almacenados; de
esta forma, el uso de las corridas
de igual forma. Se debe aplicar cuando
elproblema consiste en la comparación
de dos o más alternativas.
Muestreo Clasificado:
Esta técnica se apoya en un resultado
parcial de una corrida, clasificándolo
como interesante o no interesante, en
caso de serinteresante se continúa con
la corrida en caso contrario se detiene
la corrida.
Variaciones de control:

Este método utiliza aproximaciones de modelos analíticos para

reducir la varianza. Muestreo estratificado: En esta técnica la
función de distribución se divide en varias partes, lo más
homogéneas posibles que se resuelven o ejecutan por separado; los
resultados obtenidos se combinanpara lograr una sola estimación
del parámetro a analizar.

Muestreo sesgado:

Consiste en distorsionar las probabilidades físicas del sistema real,

de tal forma que los eventos de interés ocurran más
frecuentemente.
Los resultados obtenidos presentarán también una distorsión
que debe corregirsemediante factores probabilísticos de ajuste.
PRUEBA DE CORRIDAS
Una prueba de Corridas es un método que
nos ayuda a evaluar el carácter de
aleatoriedad de una secuencia de números
estadística mente independientes y
números uniformemente distribuidos.Es Existen algunos métodos disponibles
decir dado una serie de números para verificar varios aspectos de la
determinar si son o no aleatorios. calidadde los números pseudoaleatorios.
Si no existiera un generador particular
PRUEBAS DE CORRIDA ARRIBA Y ABAJO denúmeros aleatorios disponible, se le
recomienda al analista usar estos
Ahora procedemos a calcular el total de
métodoscuando se realice una
corridas que resulta de la suma de sumade
simulación. Uno de estos métodos es el
corrida ascendente con la descendente.
método de pruebade corridas.
 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.Los métodos cuantitativos utilizados amplia mente por
la Investigación de Operaciones para resolver problemas, por el
contrario, resuelven analíticamente el modelo para sacar entonces
conclusiones y/o tomar decisiones con respecto a dicho sistema o
proceso.
 Referencias

Ricardo GP. Unidad 3 Construccion de Modelos de Simulacion. 2018 [citado el 27 de

noviembre de 2021]; Disponible en:
https://www.academia.edu/36246730/Unidad_3_Construccion_de_Modelos_de_Simulacion