TECNOLÓGICO NACIONAL DE MÉXICO CAMPUS

MINATITLÁN

MATERIA
SIMULACIÓN

INVESTIGACIÓN TEMA 3

PROFESOR (A)
TORRES PÉREZ JOSEPH JAIR

EQUIPO 3

ESTEBAN HERNANDEZ AMAYRANI

FELICIANO GONZALEZ CESAR
FIGUEROA LÓPEZ ROSA ELENA
GARRIDO ZACARIAS SAUL
GONZÁLEZ MARTÍNEZ IRVING GAEL
HERNANDEZ CAMACHO MARIANA VIANEY
 INTRODUCCIÓN

En la presente investigación trataremos sobre los temas de la unidad número 3, que

tiene por nombre construcción de modelos de simulación. A continuación, se
presenta una pequeña información sobre lo que veremos en este trabajo.
Crear modelos de simulación nos permite anticipar aciertos y errores en diferentes
campos, lo cual permitirá adaptar estrategias para los mejores y peores escenarios
tratando de evitar estos últimos, nos permite cambiar variables para ir registrando
diferentes finales para ciertos eventos.
Ya de manera digital se programa o diseña una simulación lo cual nos permite
visualizar diferentes escenarios a través de la modificación de valores. Durante el
desarrollo del modelo de simulación se necesita la validación de expertos en el
campo para verificar que los escenarios mostrados se apeguen a la realidad de los
hechos de acuerdo a los diferentes datos.
 3.0 CONSTRUCCIÓN DE MODELOS DE SIMULACIÓN

¿Qué es la construcción de modelos de simulación?

Se trata de permitir a las empresas predecir, comparar y optimizar el
comportamiento de sus procesos simulados en un tiempo muy breve sin el coste ni
el riesgo de llevarlos a cabo, haciendo posible la representación de los procesos,
recursos, productos y servicios en un modelo dinámico.
La metodología general de la simulación es la siguiente:
• Colección de datos
• Implementación del modelo con la computadora
• Validación
• Experimentación
• Interpretación
• Documentación
Esta metodología, al ser un método a través de la obtención de datos obtenemos
un resultado, para poder diseñar una simulación, es un proceso científico
cuantitativo.
Ya de manera digital se programa o diseña una simulación lo cual nos
permite visualizar diferentes escenarios a través de la modificación de valores.
Durante el desarrollo del modelo de simulación se necesita la validación de expertos
en el campo para verificar que los escenarios mostrados se apeguen a la realidad
de los hechos de acuerdo a los diferentes datos.
Ya teniendo un modelo verificado, se reproducen experimentos con diferentes datos
de entrada pronosticando obviamente diferentes salidas, siempre apegados a datos
escalables.
El mismo modelo de simulación interpreta los resultados mostrando un escenario
basado en esos datos. Y obviamente se genera la documentación competente para
ello, a nivel empresarial u gubernamental se aplican las diferentes correcciones.
 3.1 METODOLOGÍA GENERAL DE LA SIMULACIÓN

Debemos considerar que la realización de un estudio de simulación requiere la

ejecución de una serie de actividades y análisis que permitan sacarle el mejor
provecho.

1) DEFINICIÓN DEL SISTEMA BAJO ESTUDIO.

En esta etapa es necesario conocer el sistema a modelar. Para ello se requiere

saber qué origina el estudio de simulación y establecer los supuestos del modelo:
es conveniente definir con claridad las variables de decisión del modelo, determinar
las interacciones entre éstas, y establecer con precisión los alcances y limitaciones
que aquel podría llegar a tener.
Es recomendable contar con la información suficiente para lograr establecer un
modelo conceptual, el cual debe incluir sus fronteras y todos los elementos que lo
componen, además de las interacciones entre ellos, los flujos de productos, las
personas y los recursos, así como las variables de mayor interés para el problema.

2) GENERACIÓN DE UN MODELO DE SIMULACIÓN BASE.

Consiste en la generación de un modelo de simulación base. No es preciso que este

modelo sea demasiado detallado, pues se requiere mucha más información
estadística sobre el comportamiento de las variables de decisión del sistema. La
generación de este modelo es el primer reto para el programador de la simulación,
ya que debe traducir a un lenguaje de simulación la información e incluir las
interrelaciones de todos los posibles subsistemas que existan en el problema a
modelar. “La simulación exige ciencia y arte en la generación de sus modelos”.
Conforme se avanza en el modelo base, se pueden ir agregando las variables
aleatorias del sistema, con sus respectivas distribuciones de probabilidad
asociadas.
3) RECOLECCIÓN DE ANÁLISIS DE DATOS.

Es posible comenzar la recopilación de la información estadística de las variables

aleatorias del modelo de manera paralela a la generación del modelo base. En esta
etapa se debe establecer qué la información es útil para la determinación de las
distribuciones de probabilidad asociadas a cada una de las variables necesarias
para la simulación. De no contar con la información requerida, será necesario
realizar un estudio estadístico del comportamiento de la variable que se desea
identificar, para luego incluirla en el modelo. Al finalizar la recolección y análisis de
datos para todas las variables del modelo, se tendrán las condiciones para generar
una versión preliminar del problema que se esta simulando.

4) GENERACIÓN DEL MODELO PRELIMINAR.

En esta etapa se integra la información obtenida a partir del análisis de los datos,
los supuestos del modelo y los datos necesarios para crear un modelo lo mas
cercano posible a la realidad del problema bajo estudio. En algunos casos no se
cuenta con información estadística, si este es el caso, el encargado de la simulación
puede, con base en su experiencia, realizar algunas sugerencias de distribuciones
de probabilidad que comúnmente se asocien al tipo de proceso que se desea incluir
en el modelo.

5) VERIFICACION DEL MODELO.

Una vez que se han identificado las distribuciones de probabilidad de las variables
del modelo y se han implantado los supuestos acordados, es necesario realizar un
proceso de verificación de datos para comprobar la propiedad de la programación
del modelo, y comprobar que todos los parámetros usados en la simulación
funcionen correctamente.
No se debe descartar la posibilidad de que ocurran errores humanos al alimentar el
modelo con la información. Incluso podría darse el caso de que los supuestos
iniciales hayan cambiado una o varias veces durante el desarrollo del modelo. Por
lo tanto, debemos asegurarnos de que el modelo que se va a ejecutar esté basado
en los más actuales.
6) VALIDACIÓN DEL MODELO.

El proceso de validación del modelo consiste en realizar una serie de pruebas

simultaneas con la información de entrada real para observar su comportamiento y
analizar sus resultados.
Si el problema bajo simulación involucra un proceso que se desea mejorar, el
modelo debe someterse a una prueba con las condiciones actuales de operación,
lo que nos dará como resultado un comportamiento similar al que se presenta
realmente en nuestro proceso. Por otro lado, si está diseñando un nuevo proceso la
validación resulta mas complicada. Una manera de validar el modelo en este caso,
consiste en introducir algunos escenarios sugeridos por el cliente y validad que el
comportamiento sea congruente con las expectativas que se tienen de acuerdo con
la experiencia.

7) GENERACIÓN DEL MODELO FINAL.

El analista está listo para realizar la simulación y estudiar el comportamiento del

proceso. En caso de que se desee comparar escenarios diferentes para un mismo
problema, este será el modelo raíz; en tal situación, el siguiente paso es la definición
de los escenarios a analizar.

8) DETERMINACIÓN DE LOS ESCENARIOS PARA EL ANÁLISIS.

Tras validar el modelo es necesario acordar con el cliente los escenarios que se
quieren analizar. Una manera muy sencilla de determinarlos consiste en utilizar un
escenario pesimista, uno optimista y uno intermedio, para la variable de respuesta
más importante, es preciso tomar en cuenta que no todas las variables se
comportan igual ante los cambios en los distintos escenarios. El riesgo de esta
situación radica en que el analista podría realizar un diseño de experimentos capaz
de generar una gran cantidad de replicas, lo que redundaría en un incremento
considerable de costo, análisis y tiempo de simulación. Es por ello que muchos
paquetes de simulación cuentan con herramientas para realizar este proceso, las
cuales eliminan la animación y acortan los tiempos de simulación. Estas
herramientas permiten realizar varias replicas del mismo escenario para obtener
resultados con estadísticas importantes respecto de la toma de decisiones.
El analista también puede contribuir a esta selección de escenarios, sugiriendo
aquellos que considere mas importantes; al hacerlo dará pie a que se reduzca el
número de combinaciones posibles.
 9) ANÁLISIS DE SENSIBILIDAD.

Una vez que se obtienen los resultados de los escenarios es importante realizar
pruebas estadísticas que permitan comparar los escenarios con los mejores
resultados finales. Si dos de ellos tienen resultados similares, será necesario
comparar sus intervalos de confianza respecto de la variable de respuesta final. Si
no hay intersección de intervalos podremos decir con certeza estadística que los
resultados no son iguales, si los intervalos se sobren ponen será imposible definir
estadísticamente que una solución es mejor que otra. Si se desea obtener un
escenario “ganador”, será necesario realizar mas replicas de cada modelo y/o
incrementar el tiempo de simulación de cada corrida, con ello acortar los intervalos
de confianza de las soluciones finales y por consiguiente, incrementar la
probabilidad de diferencias soluciones.

10) DOCUMENTACION DEL MODELO, SUGERENCIAS Y CONCLUSIONES.

Esta documentación es muy importante, pues permitirá el uso del modelo

generado en caso de que se requieran ajustes futuros. En ella se deben incluir
los supuestos del modelo, las distribuciones asociadas a sus variables, todos
sus alcances y limitaciones y, en general, la totalidad de las consideraciones de
programación. Es importante incluir sugerencias tanto respecto del uso del
modelo como sobre los resultados obtenidos, con el propósito de realizar un
reporte más completo, por último deberán presentarse las conclusiones del
proyecto de simulación.

Podemos decir que la realización de un proyecto de simulación implica 3

grandes fases:

1) El diseño del modelo del problema a analizar.

2) La construcción del modelo
3) La experimentación que se puede realizar con éste.
3.2 EJEMPLO DE UNA SIMULACIÓN TIPO MONTECARLO EN
HOJA DE CALCULO.

(Se anexó hoja de calculo en la asignación)

 3.2.1 Descripcion y conceptualización de la simulación,
establecer el problema, especificación de los objetivo, definicion
de indicadores, simulacion y determinacion 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 apoyarla toma de
decisiones. Se usa como un paradigma para analizar sistemas complejos. La idea
es obtener una representación simplificada de algún aspecto de interés de la
realidad. Permite experimentar con sistemas (reales o propuestos) en casos en los
que de otra manera esto sería imposible o impráctico

El sistema simulado imita la operación del sistema actual sobre el tiempo.

La historia artificial del sistema puede ser generado, observado y analizado.
La escala de tiempo puede ser alterado según la necesidad.
Las conclusiones acerca de las características del sistema actual pueden ser
inferidos.

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.
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 también
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
disimulación, para períodos futuros? 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.

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 simulación del pasado. Si basados en
ellos hallamos una función del comportamiento, estaremos en condiciones de
repetir el comportamiento del sistema en el modelo y poder aplicarlo para realizar
estudios sobre el mismo.

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 sistema, sus alcances y limitaciones
(restricciones de la abstracción).
5. Se especifica el diagrama de flujo lógico.
Problemas, Objetivos y Metas

Problema: Alguna amenaza, incremento de costos, información desconocida,

riesgoso 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

• 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 a permitir lograr el objetivo planteado.

Estructura del Sistema

• Gráfico del Sistema.
• Elementos del Sistema.
• Entidades.
• Atributos.
• Actividades.
• Análisis del Sistema
• Eventos.
 • Eventos Principales
• Variables
• Tiempo.
• Contadores
• Estado del Sistema
• Diagrama de Flujo
• Programa Principal
• Eventos Principales
• Variables Aleatorias
• Distribución Frecuencia Traslación del modelo
• Se decide el lenguaje de programación o el software de simulación a
usar.
• Software de Simulación
• Lenguajes de Propósito General.

VERIFICACION
Verificación y Validación

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

inferencia acerca de un sistema es correcta.
1. Pero no se puede probar si un simulador es correcto o “verdadero”.
2. Lo que importa es la utilidad operativa del modelo y no la verdad de su
estructura.
3. No existe la “prueba” de validación de un modelo.
4. Se hacen pruebas a lo largo de su desarrollo:
5. Validar la sensibilidad del modelo.
6. Prueba de las suposiciones.
7. Prueba de transformaciones E-S

VERIFICACIÓN

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

desea.
✓ Se verificar si el modelo está correctamente construido.
✓ Se verifica si el modelo se ha construido de acuerdo a las especificaciones.
✓ Se realiza por inspección a lo largo del proyecto
VALIDACION

✓ Prueba la concordancia entre el desempeño del modelo y el desempeño del

sistema real.
✓ Examina el ajuste del modelo a cierto dato empírica.
✓ 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 simulación corresponden a hipótesis sujeta a
validación.

EXPERIMENTACIÓN

Una vez validado el modelo se realiza la experimentación que consiste en generar

los datos deseados y realizar el análisis de sensibilidad de los índices requeridos.
El análisis de sensibilidad consiste en variar los parámetros del sistema y la
observación del efecto en la variable de interés Planeación Estratégica
Se relaciona a cómo diseñar y experimentar con el modelo de simulación, con la
finalidad de:
• Reducir el número de pruebas experimentales.
• Proporcionar una estructura para el proceso de aprendizaje del
investigador.
Los objetivos de la experimentación son:
• Encontrar la combinación valores de parámetros que optimizan la
variable de interés.
• Explicar la relación entre la variable de interés y las variables
controlables.
• La experimentación ayuda a conocer el sistema materia de la
simulación.

DOCUMENTACIÓN

✓ Ayuda a incrementar la vida útil del modelo.

✓ Se relaciona al proceso de desarrollo, operación e implantación del modelo
de simulación.
✓ Ayuda al modelador a reconocer sus propios errores y mejorar para un
siguiente proyecto de simulación Modelo de Informe Fina.

Implantación
✓ Para que un proyecto de simulación sea exitoso se deben dar 3condiciones:
✓ Sea aceptado, entendido y usado.
 3.2.2. CARACTERIZACIÓN DE CADA INDICADOR: AGRUPAMIENTO DE
DATOS, GRÁFICAS Y ESTIMACIÓN DE PARÁMETROS

CARACTERIZACIÓN: Agrupamiento de datos: Existen métodos para resumir los

datos medidos u observados.

Cuando se trata de variables cualitativas donde las categorías están determinadas,

lo único que hay que hacer es contabilizar el número de casos pertenecientes a
cada categoría y normalizar en relación al número total de casos, calculando una
proporción, un porcentaje o una razón. En cambio, cuando se trata de variables
cuantitativas, el resumen de los datos consiste en organizar tablas que sintetizan
los datos originales y se denominan distribuciones de frecuencia.
Frecuencia: es el número de veces que se presenta cada valor de la variable.
Tabla de frecuencias: es una tabla que presenta en forma ordenada los distintos
valores de una variable y sus correspondientes frecuencias.

Gráficas: en general la representación gráfica de una tabla de frecuencias permite

percibir con mayor claridad algunas características de la masa de datos que se
investiga. Por ello, a través de gráficos, resulta bastante más fácil transmitir
conclusiones a personas no habituadas a la interpretación de tablas de frecuencias.
Para representar gráficamente una distribución de frecuencias se utiliza un par de
ejes de coordenadas. En el eje de las abscisas se representará la variable estudiada
y en el eje de las ordenadas, las correspondientes frecuencias.

Estimadores de parámetros: Al obtener de una población la distribución de

frecuencias de una variable lo que se persigue es reducir o condensar en pocas
cifras el conjunto de observaciones relativas a dicha variable.
Este proceso de reducción puede continuarse hasta su grado máximo, es decir,
hasta sustituir todos los valores observados por uno solo, que se llama promedio.
Existen numerosas formas de calcular promedios. La más conocida es la media
aritmética, pero además existen otras como la mediana y la moda o el modo.
Media aritmética: es el número que se obtiene al dividir la suma de todas las
observaciones por la cantidad de observaciones sumadas.
Al obtener de una población la distribución de frecuencias de una variable lo que se
persigue es reducir o condensar en pocas cifras el conjunto de observaciones
relativas a dicha variable.

Este proceso de reducción puede continuarse hasta su grado máximo, es decir,

hasta sustituir todos los valores observados por uno solo, que se llama promedio.
Existen numerosas formas de calcular promedios. La más conocida es la media
aritmética, pero además existen otras como la mediana y la moda o el modo.
Media aritmética: es el número que se obtiene al dividir la suma de todas las
observaciones por la cantidad de observaciones sumadas.
Los parámetros, son medidas descriptivas de una población completa que se
pueden utilizar como las entradas para que una función de distribución de
probabilidad genere curvas de distribución. Los parámetros generalmente se
representan con letras griegas para distinguirlos de los estadísticos de muestra. Por
ejemplo, la media de la población se representa con la letra griega mu (μ) y la
desviación estándar de la población, con la letra griega sigma (σ). Los parámetros
son constantes fijas, es decir, no varían como las variables. Sin embargo, sus
valores por lo general se desconocen, porque es poco factible medir una población
entera.

Cada distribución es definida totalmente por varios parámetros específicos,

generalmente entre uno y tres. La tabla siguiente incluye ejemplos de los
parámetros necesarios para tres distribuciones. Los valores de los parámetros
determinan la ubicación y la forma de la curva en la gráfica de distribución y cada
combinación única de valores de parámetros produce una curva de distribución
única.

Por ejemplo, una distribución normal es definida por dos parámetros: la media y la
desviación estándar. Si se especifican estos parámetros, se conoce con precisión
toda la distribución.
La línea continua representa una distribución normal con una media de 100 y una
desviación estándar de 15. La línea discontinua también es una distribución normal,
pero tiene una media de 120 y una desviación estándar de 30.

Acerca de las estimaciones de parámetros (también conocidas como estadísticos

de muestra). Los parámetros son medidas descriptivas de toda una población. Sin
embargo, sus valores por lo general se desconocen, porque es poco factible medir
una población entera. Por eso, usted puede tomar una muestra aleatoria de la
población para obtener estimaciones de los parámetros. Un objetivo del análisis
estadístico es obtener estimaciones de los parámetros de la población, junto con la
cantidad de error asociada con estas estimaciones. Estas estimaciones se conocen
también como estadísticos de muestra.

Existen diferentes tipos de estimaciones de parámetros:

Las estimaciones de punto son el valor individual más probable de un parámetro.
Por ejemplo, la estimación de punto de la media de la población (el parámetro) es
la media de la muestra (la estimación del parámetro).
Los intervalos de confianza son un rango de valores que probablemente contienen
el parámetro de población. Para un ejemplo de estimaciones de parámetros,
supongamos que usted trabaja para un fabricante de bujías que estudia un
problema en la separación entre electrodos. Sería demasiado costoso medir cada
bujía que se fabrica. En lugar de ello, toma una muestra aleatoria de 100 bujías y
mide la separación en milímetros. La media de la muestra es 9.2. Esta es la
estimación de punto para la media de la población (μ). Igualmente crea un intervalo
de confianza de 95% para μ que es (8.8, 9.6). Esto significa que puede estar 95%
seguro de que el valor verdadero de la separación promedio de todas las bujías se
encuentra entre 8.8 y 9.6.
 3.2.3 AUMENTAR EL TAMAÑO DE LA SIMULACIÓN Y REPETIR 3.2.2

El objetivo es profundizar en el concepto de estimador como una función de la

muestra observada. Con este propósito el programa calcula cuatro estadísticos
centrales a partir de una muestra. Se pide que se observe cómo varían estos
estadísticos al introducir valores extremos.

Funcionamiento:
Se introducen los valores deseados y el programa calcula automáticamente los
estadísticos centrales.

Consistencia: Visualizar el significado de la propiedad de consistencia para

estimadores.
Con este propósito se comparan, mediante simulaciones, dos estimadores de la
media de una población Normal con esperanza igual a cero: uno consistente (la
media aritmética o promedio) y otro que no lo es (la primera observación).
En la gráfica se muestran los resultados obtenidos para diez muestras de medida
diferente (2, 10, 50 y 500 individuos). Ha de verse cómo, al aumentar el tamaño
muestral, sólo el estimador consistente converge al verdadero valor del parámetro
estimado.

Funcionamiento:
1. Presionar el botón correspondiente para obtener nuevas simulaciones.
2. Observar el comportamiento de los dos estimadores al incrementar el tamaño
muestral.

Comparar, mediante simulaciones

Las propiedades de consistencia i sesgo para cuatro estimadores del valor alpha (la
esperanza) de una distribución Exponencial. El usuario puede escoger el valor alpha
del modelo Exponencial y la medida de la muestra a simular.

Funcionamiento

1.Entrar los valores de Alpha el tamaño de la muestra a simular.

2.Presionar el botón correspondiente para obtener una nueva simulación.
3.Observar los valores de los cuatro estimadores.
4.Repetir todo el proceso diversas ocasiones y llegar a conclusiones respecto a las
propiedades de consistencia y sesgo.

Como en el caso anterior, pero, en lugar de obtener una única simulación, se obtiene
un número arbitrario de simulaciones.
Con esto es posible añadir al estudio de la consistencia y el sesgo la eficiencia de
un estimador.
Funcionamiento

1. Entrar los valores de alpha, el tamaño de la muestra y el número de muestras

asimilar.
2. Presionar el botón correspondiente para obtener las nuevas simulaciones
3. Observar los valores de los cuatro estimadores.
4. Repetir todo el proceso diversas ocasiones y llegar a conclusiones respecto
a las propiedades de consistencia, sesgo y consistencia.

Visualizar el concepto de estimador máximo verosímil.

Se parte de una muestra conocida procedente de una distribución Exponencial.
Funcionamiento:

1. Utilizar las barras de desplazamiento para variar la estimación de Alpha hasta

alcanzar el máximo de la función de verosimilitud.
2. Comparar el valor obtenido con los estadísticos calculados para esta
muestra.
 3.2.4 ESTABLECER EL EFECTO SOBRE LA VARIABILIDAD DE
UNESTIMADOR TIENE EL TAMAÑO DE LA SIMULACIÓN.

Concepto Monte Carlo

La Simulación de Monte Carlo es una técnica que permite llevar a cabo la valoración
de los proyectos de inversión considerando que una, o varias, de las variables que
se utilizan para la determinación de los flujos netos de caja no son variables ciertas,
sino que pueden tomar varios valores.

La estimación de las variables Aplicación

En primer lugar, hay que seleccionar el modelo matemático que se va a utilizar.

Valor Actual Neto (VAN)Tasa Interna de Rentabilidad (TIR)Según el valor obtenido
para estos métodos de valoración se tomará la decisión 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 estaría incurriendo en un error en los resultados obtenidos, y se
reduciría la variabilidad de los resultados al tener lugar el efecto de compensación
en la interacción de las variables.

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 del
tamaño 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 en los 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.- Posteriormente, se obtendrán las
funciones de distribución asociadas a las variables (o variable).Z = f(x), donde "x"
es la variable desconocida a simular- A continuación, se sustituyen los valores
simulados en el modelo matemático 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 categorías de resultados.
Para finalizar, se lleva a cabo el análisis estadístico y de inferencia sobre el
comportamiento de la realidad, siendo interesante calcular la media, la varianza y la
desviación típica. - Procedimiento aditivo: se parte de un número inicial de
simulaciones (n), y se calcula la media y la desviación típica del modelo matemático
utilizado.
Se calcula la media y la desviación típica del modelo matemático utilizando para ello
un número de simulaciones que asciende a "2n".

Ejemplo:
• Paso1: Tamaño del bloque de simulaciones "n".
• Paso 2: Tamaño del bloque de simulaciones"n+n = 2n". Si no hay
convergencia, entonces paso 3, sino finalizar.
• Paso 3: Tamaño del bloque de simulaciones"2n+n = 3n". Si no hay
convergencia, entonces
• Paso 4: sino finalizar. Y así, sucesivamente hasta alcanzar la
convergencia. - Procedimiento multiplicativo: se parte de un número inicial
de simulaciones (n), y se calcula la media y la desviación típica del modelo
matemático utilizado.
A continuación, se procede a añadir un número de nuevas simulaciones equivalente
a las acumuladas hasta ese momento, de tal forma que ahora se calcula la media y
la desviación típica del modelo matemático.
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 LA
SIMULACIÓN.

REPLICA: Las réplicas son múltiples corridas experimentales con la misma

configuración de factores (niveles), Están sujetas a las mismas fuentes de
variabilidad, de forma independiente unas de otras. Se pueden replicar
combinaciones de niveles de factores, grupos de combinaciones de niveles de
factores o diseños enteros.

CORRIDA: Una corrida se define como una sucesión de eventos similares,

precedidos y seguidos por un evento diferente, Una prueba de Corridas es un
método que nos ayuda a evaluar el carácter de aleatoriedad de una secuencia de
números estadísticamente independientes y números uniformemente distribuidos.
Es decir dado una serie de números determinar si son o no aleatorios.

ESTADO TRANSITORIO: Estado no estacionario en el que los valores de las

condiciones que lo definen evolucionan asintóticamente desde un estado inicial
hacia un estado final estacionario o periódico.

ESTADO ESTABLE: Se dice de un sistema o proceso que está en estado

estacionario si las variables que definen su comportamiento, respecto del tiempo,
permanecen invariantes.

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.

RELOJ DE LA SIMULACION: Contador de tiempo de la simulación y su función

consiste en responder preguntas tales como en tiempo que se utilizan en un modelo
de simulación y tiempo total que se quiere que dure esta última.
 CONCLUSIÓN

La simulación se utiliza en una amplia variedad de empresas, para ayudar a la

gerencia a tomar decisiones. Casi todas las empresas tienen problemas de
planificación y la simulación puede ayudar a resolverlos. Se utiliza más
frecuentemente para ayudar a la gerencia en los casos en que el problema no se
presta a soluciones rutinarias.
Así pues, la simulación ayuda a la gerencia a tomar decisiones; ofrece un método
mediante el cual se pueden probar los planes propuestos, antes de llevarlos a cabo.
Por naturaleza, la simulación ayuda a la gerencia a determinar los resultados de las
preguntas del tipo: “¿Qué pasaría si...?” Como subproducto importante de la
simulación, se adquiere un conocimiento de la estructura del negocio. A través del
análisis necesario para preparar el modelo se puede descubrir un gran número de
interrelaciones inadvertidas hasta el momento. Además, pueden ponerse de
manifiesto los puntos débiles del negocio en la estructura de la empresa. Por lo
tanto, el propio proceso de representación mediante modelos resulta
frecuentemente beneficioso para la gerencia.
En resumen, se representará mentalmente, todos los aspectos necesarios para
determinar si el trabajo (producción adicional de servicios de consulta externa) se
puede realizar, y cuál es la mejor manera de llevarlo a cabo.
REFERENCIAS

C., & Perfil, V. T. M. (s. f.). 3.2.2._ Caracterizacion de cada indicador: agrupamiento de

datos, graficas y estimacion de parametros. Blogspot. Recuperado 15 de marzo de

2022, de https://cristianmartinaguilarcruz.blogspot.com/2020/05/caracterizacion-

agrupamiento-de-datos.html

¿Qué son parámetros, estimaciones de parámetros y distribuciones de muestreo? -

Minitab. (s. f.). (C) Minitab, LLC. All rights Reserved. 2022. Recuperado 15 de

marzo de 2022, de https://support.minitab.com/es-mx/minitab/18/help-and-how-

to/statistics/basic-statistics/supporting-topics/data-concepts/what-are-parameters-

parameter-estimates-and-sampling-distributions/

Sheila, A.F. (2001): Construcción de modelos de simulación. Recuperado. Academia. Edu

https://www.academia.edu/36246730/Unidad_3_Construccion_de_Modelos_de_Simulacio

José Martínez. (junio 2020). Efecto sobre la variabilidad en simulación. Recuperado.

Simulación.

https://josemartinvelascotenoriosimulacion.blogspot.com/2020/06/unidad-4-segunda-part

Centro de ayuda de Creo Parametric. (s. f.). PTC. Recuperado 26 de octubre de 2021, de

http://support.ptc.com/help/creo/creo_pma/spanish/index.html#page/simulate/cfd/pe

rforming_simulation.html

CURSO, S. E. D. (2010). SIMULACION. www.fing.edu.uy. Recuperado 26 de octubre de

2021, de

https://www.fing.edu.uy/inco/cursos/simulacion/archivos/clases/clase07web.pdf
Estado estacionario. (s. f.). Wikipedia, la enciclopedia libre. Recuperado 26 de octubre de

2021, de https://es.wikipedia.org/wiki/Estado_estacionario

P., & Completo, V. M. P. (s. f.). 3.3 Definiciones: Replica, corrida, estado transitorio,

estado estable, condiciones iniciales, reloj de la simulación. Blogspot. Recuperado

26 de octubre de 2021, de https://pabloarmandorobleroroblero.blogspot.com/

Reloj de simulación (Simulación). (s. f.). Glosarios especializados. Recuperado 26 de

octubre de 2021, de https://glosarios.servidor-alicante.com/simulacion/reloj-de-

simulacion#:%7E:text=Contador%20de%20tiempo%20de%20la,quiere%20que%20

dure%20esta%20%C3%BAltima.

Réplicas y repeticiones en experimentos diseñados - Minitab. (s. f.). (C) Minitab, LLC. All

rights Reserved. 2019. Recuperado 26 de octubre de 2021, de

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/modeling-

statistics/doe/supporting-topics/basics/replicates-and-repeats-in-designed-

experiments/

Unidad 1 - Simulacion. (s. f.). GOOGLESITIES. Recuperado 26 de octubre de 2021, de

https://sites.google.com/site/eleazarsimulacion/unidad-1