TECNOLÓGICO NACIONAL DE MÉXICO CAMPUS

MINATITLÁN

MATERIA
SIMULACIÓN

INVESTIGACIÓN TEMA 5

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
 INTRODUCIÓN

Es fundamental saber que existen simuladores dedicados a la industria con el objetivo

de mejorar e incrementar la eficiencia de las mismas a permitir hacer simulaciones de
diferentes procesos antes de que ocurran en realidad, las cuales producen resultados
que pueden ser analizados para una futura realización de los mismos. Existe una gran
variedad de simuladores de procesos comerciales, algunos de las cuales son
poderosas herramientas de cálculo, con inmensos bancos de datos que contienen las
propiedades físicas de miles de compuestos y sustancias químicas, selección de
modelos termodinámicos, cálculos de equipos (teórico y real), análisis de costo,
estado de agregación y condiciones de operación, que le dan al simulador la ventaja
de una gran versatilidad.
 5.1 SELECCIÓN DEL MEDIO PARA REALIZAR LA SIMULACIÓN DE CADA
PROYECTO
Una mala elección en este puede provocar el fracaso del estudio o que este no se
desarrolle a tiempo.

5.1.1 LENGUAJE GENERAL DE LA PROGRAMACIÓN EN COMPUTADORAS

En un principio, los programas de simulación se elaboraban utilizando algún lenguaje

de propósitogeneral, como ASSEMBLER, FORTRAN, ALGOL o PL/I. A partir de la
década de 1960 hacen suaparición los lenguajes específicos para simulación como
GPSS, GASP, SIMSCRIPT, SLAM. En la última década del siglo pasado la aparición
de las interfaces gráficas revolucionó el campo de las aplicaciones en esta área, y
ocasionaron el nacimiento de los simuladores. En lo práctico, es importante utilizar la
aplicación que mejor se adecúe al tipo de sistema a simular, ya que de la selección
del lenguaje o simulador dependerá el tiempo de desarrollo del modelo desimulación.
Las opciones van desde las hojas de cálculo, lenguajes de tipo general (como Visual
Basic,C++ o Fortan), lenguajes específicos de simulación (como GPSS, SLAM,
SIMAN, SIMSCRIPT, GASy SSED), hasta simuladores específicamente desarrollados
para diferentes objetivos (como SIMPROCESS, ProModel, Witness, Taylor II y Cristal
Ball).
APRENDIZAJE Y USO LENGUAJE DE SIMULACIÓN O SIMULADOR
Los lenguajes de simulación facilitan enormemente el desarrollo y ejecución de
simulaciones desistemas complejos del mundo real. Los lenguajes de simulación son
similares a los lenguajes de programación de alto nivel, pero están especialmente
preparados para determinadas aplicaciones dela simulación. Así suelen venir
acompañados de una metodología de programación apoyada por un sistema de
símbolos propios para la descripción del modelo por ejemplo mediante diagramas de
flujo u otras herramientas que simplifican notablemente la modelización y facilitan la
posterior depuración del modelo. Características de los lenguajes de simulación:
Los lenguajes de simulación proporcionan automáticamente las características
necesarias para laprogramación de un modelo de simulación, lo que redunda en una
reducción significativa del esfuerzorequerido para programar el modelo.
1. Proporcionan un marco de trabajo natural para el uso de modelos de
simulación. Los bloquesbásicos de construcción del lenguaje son mucho más
afines a los propósitos de la simulación que losde un lenguaje de tipo general.
2. Los modelos de simulación son mucho más fácilmente modificables.
3. Proporcionan muchos de ellos una asignación dinámica de memoria durante
la ejecución.
4. Facilitan una mejor detección de los errores
5. Los paquetes de software especialmente diseñados para simulación
contienen aplicacionesdiversas que facilitan al simulador las tareas de
comunicaciones, la depuración de errores sintácticosy de otro tipo de errores,
la generación de escenarios, la manipulación “on-line” de los modelos, etc.
6. Son muy conocidos y en uso actualmente.
7. Aprendizaje lleva cierto tiempo.
8. Simuladores de alto nivel.
9. Muy fáciles de usar por su interface gráfica.
10. Restringidos a las áreas de manufactura y comunicaciones.
11. Flexibilidad restringida puede afectar la validez del modeloUna vez que se ha
construido y validado el modelo de simulación, se debe seleccionar el lenguaje
quese va a utilizar para su programación. El software disponible para el
desarrollo de modelos desimulación puede ser dividido en cuatro categorías.
• Lenguajes de propósito general. Fueron muy empleados en el nacimiento de la
simulación,pero requieren mucho tiempo de programación y, por eso, se prefiere,
en general, usar lenguajesespecíficos para la simulación. A esta categoría
pertenecen lenguajes como Fortran, C y C++.
• Lenguajes para la programación de simulación. Proporcionan muchas
característicasnecesarias para realizar un modelo de simulación, reduciendo así
el tiempo de realización. Ejemplosson GPSS, Simscript, Siman, Modsim, etc.
 5.1.2 HOJA DE CALCULO

Hojas de cálculo. Cuando se trabaja con problemas de pequeña dimensión es

posible usar también hojas de cálculo, como por ejemplo Excel, para tener una
idea del funcionamiento de un sistema. Para problemas de relativa complejidad,
las hojas de cálculo se vuelven demasiado engorrosas y dejan de ser una
alternativa interesante.
Qué es una hoja de cálculo: Una hoja de cálculo es un programa informático que
permite manipular y realizar cálculos complejos con datos numéricos
almacenados en tablas. También permite automatizar tareas mediante el uso de
fórmulas y macros, y crear gráficos como histogramas, curvas, cuadros de
sectores, etc.
Por lo tanto, una hoja de cálculo es una herramienta multiuso que sirve tanto para
actividades de oficina, que implican la organización de grandes cantidades de
datos, como para niveles estratégicos y de toma de decisiones al crear
representaciones gráficas de la información sintetizada.

Las principales hojas de cálculo:

Las más importantes compañías de software han desarrollado hojas de cálculo,
que suelen incluirlas en los paquetes ofimáticos que ofrecen. Entre las principales
hojas de cálculo se encuentran Microsoft Excel (Microsoft Office), Sun StarOffice
Calc (StarOffice), OpenCalc (OpenOffice), IBM/Lotus 1-2-3 (SmartSuite), Corel
Quattro Pro (WordPerfect), KSpread (Koffice).
 5.1.3 PROGRAMAS COMERCIALES DE SIMULACIÓN DISPONIBLES

Paquetes de software de simulación. Los entornos específicos de simulación son

herramientas muy potentes con elementos predefinidos que simplifican
notablemente la tarea de construcción de modelos. Estos elementos permiten
representar de forma sencilla un abanico relativamente amplio de procesos y
fenómenos que tienen lugar en entornos logísticos y productivos. A pesar de ello,
a veces es necesario diseñar elementos específicos o configurar de manera
adecuada los elementos existentes para representar particularidades del sistema
estudiado Dentro de este grupo, existen lenguajes como Extend, Micro Saint,
Autmod, Promodel, Arena Y Witness.
Simulador Extend. Es un software orientado a apoyar el proceso de toma de
decisiones:
• Permite ver los efectos de contar con eventos dependientes.
• Las fluctuaciones estadísticas, o variabilidad natural de los sistemas, son
fácilmente modelables para dar realismo a los modelos.
• Extend ofrece una excelente relación costo / beneficio.
• El software permite modelar y simular cualquier tipo de sistema.
• Está orientado a manejo de objetos.
• Gráfica y Animación incorporadas.
• Permite tratar diferentes procesos.
• Reportes de simulación entregan toda la información necesaria para tomar
las mejoresdecisiones Manejo jerárquico.
• Recolección de estadísticas en forma gráfica.
• Parámetros simples para representar y medir la realidad de un modelo.
• Tiempo por tarea o actividad.
• Tiempos de transferencia o traslado.
• Inventario en cada etapa del proceso.
• Calidad del resultado en cada etapa.
• Productividad de los recursos.
• Tiempos de espera y flexibilidad.
 • Micro Saint:
PARA LOS SISTEMAS DE CUALQUIER TAMAÑO O COMPLEJIDAD Con
Micro Saint Sharp, no hay límite en el tamaño o la complejidad de los modelos
que se crean. A partir de modelos sencillos de la muy compleja, y Micro Saint
agudo puede manejar todo con éxito. Todos los aspectos únicos del sistema
que se está modelando se pueden representar en Micro San agudo utilizando
una serie de componentes de modelado y el lenguaje de programación
Microsoft C #.

• Simulador AutoMod
Combina las características de los lenguajes de propósito especial (lenguajes
de simulación) y un simulador de propósito especial de manejo de materiales.
Tiene características generales de programación:
• - Del proceso y procedimientos del proceso
• -Recursos
• -Cargas
• -Colas,
• -Variables
Están disponibles en el proceso del sistema numerosas declaraciones de control,
llamadas acciones. Funciones en C pueden ser llamadas en caso necesario, pero no
son requeridas en la mayoría de los modelos.

• Simulador ProModel
Es una herramienta de simulación que funciona en computadoras personales
en un ambiente Windows.
Fue concebido como una herramienta para ingenieros y gerentes para:
• Reducciones de costos mejoras en la productividad
• Incrementar las ventajas estratégicas en la producción de bienes y servicios.
• Tiene la habilidad para determinar el uso de los recursos disponibles.
 Simulador ARENA
• Desarrollado por la Systems Modeling Corporatiion
• Utiliza el lenguaje de simulación SIMAN
• Es un paquete de simulación y animación extendible
• El código interno en SIMAN puede evaluarse, modificarse o adicionarse de sub
rutinas en lenguaje C, Fortran, etc.
• Permite programar visualmente mediante asociación de bloques (Crea
modelos de simulación sin la necesidad de codificar programas
• Admite simulación continua y discreta
• Gran flexibilidad de uso
• Permite la programación a bajo nivel
• Proporciona un entorno gráfico para visualizar la evolución de los sistemas
simulados (Permite mostrar la animación del modelo construido).

5.1.4 OTROS MEDIOS

Identidad: Es cuando el modelo es una réplica exacta del sistema en estudio. Es
la que utilizan las empresas automotrices cuando realizan ensayos de choques de
automóviles utilizando unidades reales.
Cuasi-identidad: Se utiliza una versión ligeramente simplificada del sistema real.
Por ejemplo, los entrenamientos militares que incluyen movilización de equipos y
tropas pero no se lleva a cabo una batalla real.
Laboratorio: Se utilizan modelos bajo las condiciones controladas de un
laboratorio. Se pueden distinguir dos tipos de simulaciones: o Juego operacional:
Personas compiten entre ellas, ellas forman parte del modelo, la otra parte consiste
en computadoras, maquinaria, etc. Es el caso de una simulación de negocios
donde las computadoras se limitan a recolectar la información generada por cada
participante y a presentarla en forma ordenada a cada uno de ellos.
Hombre-Máquina: Se estudia la relación entre las personas y la máquina. Las
personas también forman parte del modelo. La computadora no se limita a
recolectar información, sino que también la genera.
 5.2 TIPOS DE MODELO DE SIMULACIÓN PROGRAMABLES EN HOJA DE
CÁLCULO (INVENTARIOS, LÍNEAS DE ESPERA, PROYECCIONES,
FINANCIERAS, ETC.).

Inventarios:
El gestor logístico se encuentra siempre con el dilema de tener mucho inventario
y aun así no puede satisfacer todas las necesidades de sus clientes. ¿Qué es lo
que está ocurriendo? La respuesta es simple, se suele tener sobrante de lo que
no se vende y faltante de lo que hay demanda. En definitiva, el total de inventario
valorado es superior a lo que se entiende que corresponde, pero aun así el servicio
esperado no cumple con las expectativas de la empresa. El exceso de inventario
es producto de varios factores, dos de ellos: primero, por experiencias pasadas de
rotura de inventario, una reacción posiblemente desproporcionada de
sobreprotección o un posible desconocimiento de la demanda. El segundo caso,
básicamente se asocia con parámetros de gestión de inventarios que no
corresponden a la situación de un artículo. Este último caso se debe a cambios de
la demanda o suministro y un mantenimiento de parámetros de
reaprovisionamiento estimados previamente para un escenario diferente. Hay más
situaciones en la gestión de inventarios por las cuales se crean excesos o faltantes
de inventario, muchas de ellas son producto de una gestión incorrecta de la
información, pero las dos mencionadas, pueden ser amortiguadas si se hace una
verificación o estimación correcta de los parámetros de gestión de inventarios.
Supongamos que la política de inventario seleccionada por su empresa para
gestionar un artículo que comercializa es la denominada como revisión continua,
la cual se caracteriza por tener dos parámetros, el stock de seguridad, lo que define
un punto de pedido, y la cantidad a reaprovisionarse. En esta situación cuando el
inventario llega a su punto de reaprovisionamiento lanza un pedido de acopio por
una cantidad fija predeterminada. El punto de pedido corresponde a la demanda
media en el plazo de aprovisionamiento más el stock de seguridad fijado. Puede
ser que estos dos parámetros los haya asignado por su experiencia pasada o
porque su sistema se los haya estimado, pero, ¿está seguro de cumplir sus
objetivos de negocio? Uno de los objetivos fundamentales de gestión es el nivel
de servicio que es capaz de dar, en estos momentos dar servicio es fundamental
para mantener la cartera de clientes. Una medida del desempeño logístico es el
servicio medido como demanda satisfecha directamente de las existencias sobre
el total de la demanda. Este indicador se puede medir para un artículo tanto en
unidades como en valores económicos. En el ejemplo de esta hoja, la información
está dada mediante una tabla en la que muestra el porcentaje de ocurrencias de
cada demanda para un artículo, la demanda va desde 0 a 6 unidades en un día.
Esta información se puede obtener desde su base de datos de ventas y mediante
la herramienta de análisis de datos de la hoja de cálculo puede hacer un
histograma de estos valores. La hoja se puede adaptar fácilmente a otros valores.
• Destacar
• Agregar nota
• Compartir cita

Una segunda lectura de esta información puede ser, los porcentajes corresponden
a la probabilidad de que ocurra una demanda. Es importante recordar que en
este sistema de gestión de inventarios se basa en el pasado, se asume que en
el futuro tendrá un comportamiento similar su demanda.

Simulación en líneas de espera

una definición amplia seria: “Una simulación es una imitación de la operación de
un proceso real durante un tiempo determinado”. El comportamiento de un sistema
durante un tiempo determinado puede ser estudiado por medio de un modelo de
simulación., este modelo toma su forma a partir de los postulados sobre la
operación del sistema real Por medio de una simulación se estudian los sistemas
reales a través de un modelo del sistema real con el propósito de comprender la
interacción de los procesos que intervienen en él, con el fin de variarlos para
obtener un objetivo determinado. Es posible reemplazar las expresiones
matemáticas y el cálculo de los valores de las variables de interés, a través de
funciones de distribución de probabilidad.
Los Modelos de simulación de eventos discretos (o simulación tipo Monte Carlo),
las funciones de distribución se usan con el propósito de realizar una
experimentación cuyos resultados llevarán, después de un número conveniente de
ensayos al resultado que se obtendría con el sistema real Los modelos que se
obtienen como un conjunto de ecuaciones se denominan con frecuencia modelos
analíticos o modelos de optimización. Los modelos de simulación son usados para
estudiar y calcular los procesos estocásticos y los fenómenos o problemas de
líneas de espera. Se dispone de modelos analíticos que expresan el
comportamiento de las líneas de espera, estos modelos son conocidos como la
teoría de colas y ellos tratan de representar los resultados promedio de la
utilización de las funciones de distribución de probabilidad que describen los
sistemas de espera, también se usan los modelos o procesos de Márkov para
describir y calcular las líneas de espera. Los Modelos de simulación de eventos
discretos (o simulación tipo Monte Carlo), las funciones de distribución se usan con
el propósito de realizar una experimentación cuyos resultados llevarán, después
de un número conveniente de ensayos al resultado que se obtendría con el sistema
real.
Proyecciones
Estimados seguidores esta vez he creado un simulador en Excel sobre un plan
contable económico y financiero, está completamente libre para que ustedes lo
adapten a su criterio y de acuerdo al régimen cuentas de su ubicación y país. La
Planificación Financiera consiste en la elaboración de previsiones a medio y largo
plazo, en un horizonte de 3-5 años. Al ser previsiones a ms de un año, tiene un
elevado grado de incertidumbre, pero no obstante es conveniente realizarla para
estar mejor preparado y dirigir con ms precisión la empresa, al marcar los rumbos
que debe tomar. Un posterior control nos permitirá a través de las desviaciones,
analizar y corregir las tendencias. El análisis financiero consiste en evaluar la
situación económico-financiera actual de la empresa y proyectar su futuro. En
definitiva, enjuiciar la gestión empresarial de la unidad económica para predecir su
evolución futura y poder tomar decisiones con la menor incertidumbre.
 5.3.1 PROGRAMACIÓN: DISTRIBUCIÓN DEL MODELO EN LA HOJA DE
CÁLCULO

Solución de problemas de programación lineal (PL) con una hoja de cálculo En

este punto se demuestra con detalle la mecánica del uso del Solver en Excel
mediante la solución del siguiente problema.
Ejemplo
En un inicio solo se presenta su enunciado y planteamiento.
La compañía de luz tiene tres centrales que cubren las necesidades de cuatro
ciudades. Cada central suministra las cantidades siguientes de kilowatts-hora:
planta 1, 35 millones; planta 2, 50 millones; planta 3, 40 millones. Las demandas
de potencia pico en estas ciudades que ocurren a la misma hora (2:00 p.m.) son
como sigue (en kw/h): ciudad 1, 45 millones; ciudad 2, 20 millones; ciudad 3, 30
millones y ciudad 4, 30 millones. Los costos por enviar un millón de kw/h de la
planta dependen de la distancia que debe viajar la electricidad y se muestran en
la tabla A.1.
Este problema se resuelve a través del Solver de Excel, colocando celdas para las
variables de decisión, como se observa en la siguiente figura.
 5.3.2 EXPERIMENTACIÓN CON VARIAS CONFIGURACIONES POSIBLES DEL
SISTEMA SIMULADO

Supongamos que trabajamos en un gran almacén informático, y que nos piden

consejo para decidir sobre el número de licencias de un determinado sistema
operativo que conviene adquirir – las licencias se suministrarán con los ordenadores
que se vendan durante el próximo trimestre, y es lógico pensar que en pocos meses
habrá un nuevo sistema operativo en el mercado de características superiores. Cada
licencia de sistema operativo le cuesta al almacén un total de 75 Euros, mientras que
el precio al que la vende es de 100 Euros.
Cuando salga al mercado la nueva versión del sistema operativo, el almacén podrá
devolver al distribuidor las licencias sobrantes, obteniendo a cambio un total del 25
Euros por cada una. Basándose en los datos históricos de los últimos meses, los
responsables del almacén han sido capaces de determinar la siguiente distribución de
probabilidades por lo que a las ventas de licencias del nuevo sistema operativo se
refiere.

Construimos nuestro modelo usando las fórmulas que se muestran en la figura inferior.
En la casilla H2 usaremos la función ALEATORIO para generar el valor pseudo-
aleatorio que determinará el suceso resultante; en la celda I2 usamos la función
BUSCARV para determinar el suceso correspondiente asociado al valor pseudo-
aleatorio obtenido –notar que usamos también la función MIN, ya que en ningún caso
podremos vender más licencias que las disponibles. El resto de fórmulas son bastante
claras:
Este problema se resuelve a través del Solver de Excel, colocando celdas para las
variables de decisión, como se observa en la siguiente figura.
 5.4 VALIDACIÓN

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

simultaneas con información de entrada real para observar sus comportamientos y
analizar sus resultados. Si el problema bajo simulación involucra un proceso que
desea mejorar, el modelo debe someterse a prueba con las condiciones actuales de
operación lo que nos dará como resultado un comportamiento similar la que se
presenta realmente en el proceso.

El proceso de verificación comprende la determinación del modelo de computadora

que sea internamente consistente y que siga la lógica del modelo conceptual. La
verificación debe contestar la pregunta ¿“Construimos el modelo correctamente? “La
validación es el proceso de comparar un modelo de simulación con el sistema real
que representa para estar seguro que es preciso. La validación responde la pregunta
¿“Construíamos el modelo correcto?”. La Verificación del modelo consiste en ver cuál
es la consistencia interna del modelo.
La Validación consiste en asegurar que existe la una correspondencia entré el sistema
real y el modelo. Un buen método para la validación es hacer un test para ver cómo
el modelo predice el comportamiento del sistema ante determinadas entradas. La
verificación y validación del modelo se realiza en todos los niveles de modelización:
modelo conceptual, modelo lógico y un modelo de ordenador.

La verificación se centra en la consistencia interna del modelo, mientras que la

validación se interesa por la correspondencia entre el modelo y la realidad. Sé dice
que un modelo es válido si sus medidas de salida tienen una correspondencia
apropiada con las mismas medidas en el sistema real. La comprobación última para
la validez de un modelo es ver cómo el modelo puede predecir un comportamiento
futuro del sistema ante unas determinadas entradas.
 5.4.1 PROGRAMACIÓN DE LOS INFORMES DE SALIDA(ESTADÍSTICAS)

La simulación de un sistema es un experimento de muestreo estadístico artificial

basado en el ordenador; por ello, los resultados de un estudio de simulación tendrán
sentido si se utilizan las herramientas estadísticas apropiadas para su diseño y
análisis. Un aspecto relevante de los datos obtenidos de la simulación es que, en
general, forman procesos autos correlacionados y no estacionarios, por lo que las
técnicas estadísticas basadas en observaciones independientes e idénticamente
distribuidas no son aplicables.
Comparación de los resultados de salida con los del sistema real. Este método se
podrá aplicar en aquellos casos en los que el sistema exista y se pueda
experimentar con él de forma que se obtenga datos de salida del mismo Este
método consiste en ejecutar el modelo y obtener una serie de datos de salida y
comparar éstos, mediante algún método estadístico, con resultados que se tengan
del sistema. Debemos comparar dos conjuntos de datos, de alguna forma, para
determinar si el modelo es una representación adecuada del sistema real.
La simulación de un sistema es un experimento de muestreo estadístico artificial
basado en el ordenador; por ello, los resultados de un estudio de simulación tendrán
sentido si se utilizan las herramientas estadísticas apropiadas para su diseño y
análisis. Un aspecto relevante de los datos obtenidos de la simulación es que, en
general, forman procesos autos correlacionados y no estacionarios, por lo que las
técnicas estadísticas basadas en observaciones independientes e idénticamente
distribuidas no son aplicables. Veamos más detenidamente cuál es la naturaleza
aleatoria de una salida de simulación. Consideremos un proceso estocástico que
represente la salida de una característica específica del sistema en cuestión, por
ejemplo, el tiempo en cola de los pacientes en un centro médico. Representamos de
esta manera, el tiempo de paciente i-ésimo por la variable Yi. Estas variables
aleatorias Yi no son, en general, ni independientes ni idénticamente distribuidas.
Está claro que el tiempo de espera del cliente que llega en la posición i estará
relacionado con el tiempo que haya esperado el cliente que lo ha precedido, y
que, si el sistema arranca vacío, es decir, con las tecnologías desocupadas,
Y1=0, teniendo distinta distribución al resto. Supongamos que ejecutamos de forma
independiente n veces el modelo de simulación, utilizando distintas semillas e
inicializando en cada una de ellas los contadores estadísticos. Si en cada ejecución
hemos tomado m datos, los resultados son:
 5.4.2 CONSTRUCCIÓN DE GRAFICAS

Una hoja de cálculo es fundamentalmente una herramienta de cálculo, aunque

también soportan un paquete de gráficos, así como una simple base de datos. Como
se sabe en un gráfico se muestran relaciones numéricas de forma clara, haciendo
bueno de que el dicho de que una imagen vale más que mil palabras. Muchas veces
el gestor tiene que presentar sus relaciones y vender sus ideas por lo que ayudarse
con algún tipo de grafico hará que su exposición aparezca más atrayente, sencilla y
fluida. En el mercado existen muchos y valiosísimos programas para realizar gráficos,
pero, en la mayoría de los casos, las opciones que nos brindan las hojas de cálculo
en como Excel son más que suficientes.

Al realizar un gráfico a partir de la hoja de cálculo filas o columnas de números que se

desean visualizar se denominan rango de datos. Cuando con dichos valores se crea
un gráfico la aplicación establece lo que se llama un enlace dinámico entre él y los
datos numéricos de la hoja, de forma que, cualquier cambio en los mismos quedara
reflejado automáticamente en el grafico resultante. Excel ofrece la posibilidad de
trabajar con gráficos en sus hojas de cálculo que nos proporcionaran una visión más
clara y grafica del contenido de las tablas de datos. Un gráfico en Excel es la
representación gráfica de un conjunto de datos de una hoja de cálculo. Podemos crear
diferentes tipos de gráficos (barras, columnas, líneas, etc.) dependiendo de la
información visual que queramos conseguir. Los datos utilizaos en su creación,
pueden variar y el grafico se actualizará automáticamente.
 5.4.3 CONSTRUCCIÓN DE INTERVALOS DE CONFIANZA

La estimación puntual aproxima mediante un número el valor de una característica

poblacional o parámetro desconocido (la altura media de los españoles, la intención
de voto a un partido en las próximas elecciones generales, el tiempo medio de
ejecución de un algoritmo, el número de taxis…) pero no nos indica el error que se
comete en dicha estimación.

Lo razonable, en la práctica, es adjuntar, junto a la estimación puntual del parámetro,

un intervalo que mida el margen de error de la estimación. La construcción de dicho
intervalo es el objetivo de la estimación por intervalos de confianza.
En la estimación por intervalos de confianza partimos de una
muestra x1,…,xnx1,…,xn. A partir de estos valores obtenemos un intervalo numérico.
Por ejemplo, podríamos hablar de que, con una confianza del 9999 por ciento, la
proporción de voto al partido político “Unidas Ciudadanas” está entre el 2929 y
el 3131 por ciento. O que, con una confianza del 9090 por ciento, la estatura media
está entre 1.801.80 y 1.841.84.
Igual que vimos antes con las encuestas de las estaturas, o de la proporción de gente
que cree en los extraterrestres, con cada muestra obteníamos nn datos diferentes, y
valores diferentes (de la media muestral o de la proporción muestral).
De cada muestra también puede obtenerse un intervalo de confianza. Entonces, con
cada muestra diferente, obtendremos un intervalo también diferente. A medida que
aumenta la cantidad de intervalos que hemos construido, el porcentaje de intervalos
que contienen el verdadero valor del parámetro se aproximará al 100(1−α)
%100(1−α)%.
Así, por ejemplo, un intervalo de confianza al 95%95% garantiza que, si
tomamos 100100 muestras, el verdadero valor del parámetro estará dentro del
intervalo en aproximadamente el 9595 de los intervalos construidos.
Veamos un ejemplo mediante simulación. Vamos a simular que realizamos encuestas,
en este caso preguntando a n=12n=12 personas (de nuevo si creen en los
extraterrestres). De cada muestra podemos obtener una estimación puntual
(calculada mediante la proporción en la muestra), y también un intervalo de confianza
(que más adelante veremos cómo se calcula). Haremos este
proceso B=20B=20 veces.
 5.4.4 JUICIOS SOBRE LOS RESULTADOS REPORTADOS

La recolección de datos se refiere al uso de una gran diversidad de

técnicas y herramientas que pueden ser utilizadas por el analista para desarrollar los
sistemas de información, los cuales pueden ser la entrevistas, la encuesta, el
cuestionario, la observación, el diagrama de flujo y el diccionario de datos. Todos
estos instrumentos se aplicarán en un momento en particular, con la finalidad de
buscar información que será útil a una investigación en común. La tendencia al empleo
de datos cuantiosos se debe en gran parte actualmente al desarrollo de computadoras
de alta velocidad y capacidad que han puesto toda su capacidad para el manejo de la
información en forma compacta y en poco tiempo de respuesta. También se debe en
parte esta tendencia a que se va teniendo cada vez más en cuenta la necesidad
de métodos científicos en la administración de las empresas. Los datos son
la información que se obtiene acerca del comportamiento del proceso y se desea
graficar, con la finalidad de obtener información estadística y poder analizarlas
tendencias. Los datos son agrupaciones o conjuntos de cualquier número
de observaciones relacionadas entre sí. Una agrupación de datos es
conocida como conjunto de datos y una observación individual es un dato puntual.
Dado que los datos proporcionan las bases para los juicios y las acciones, los razones
para la recolección de los mismos pueden clasificarse de la siguiente manera; datos
para:
• El entendimiento de la situación actual
• El análisis de problemas
• El control de procesos (trabajo)
• La investigación de operaciones
• El juicio sobre estación o rechazo
 5.5 CONCLUSIÓN

Las conclusiones que se pueden obtener de una simulación dependen del grado en
que el modelo refleja el sistema real, aunque también depende del diseño de la
simulación en un sentido estadístico. De hecho, muchos analistas consideran la
simulación como una forma de prueba de hipótesis donde cada ejecución de
simulación ofrece uno o más datos de muestra que son susceptibles al análisis formal
a través de los métodos estadísticos inferenciales.
Los procedimientos estadísticos que normalmente se usan en la evaluación de
resultados de simulación incluyen el análisis de varianza, análisis de regresión y
pruebas t.
En la mayoría de las situaciones, el análisis tiene más información disponible con
la cual comparar los resultados de simulación: datos operativos antiguos del
sistema real, datos operativos del desempeño de sistemas semejantes y la
percepción del analista de la operación del sistema real. Sin embargo, se debe
admitir que la información obtenida de estas fuentes probablemente no sea suficiente
para validar las conclusiones derivadas de la simulación. Por lo tanto, la única prueba
real de una simulación es qué tan bien se desempeña el sistema real después de
haber implantado los resultados del estudio.

5.5.1 COMPARACIÓN ENTRE LAS CONFIGURACIONES SIMULADAS

Con base en los resultados de simulación, es posible que se tenga un nuevo

experimento de simulación. Se podrían cambiar muchos factores: parámetros,
variables, reglas de decisión, condiciones de inicio y duración de la ejecución.
Respecto a los parámetros, quizá sea interesante repetir la simulación con
varios costos o precios diferentes de un producto para ver qué cambios
se generarían.
Además, los valores del experimento anterior también podrían ser condiciones
iniciales útiles para las simulaciones subsecuentes.
Por último, ya sea que intentar diferentes duraciones de ejecuciones constituya un
nuevo experimento en vez de duplicar un experimento anterior depende de los tipos
de eventos que se presenten al cabo del tiempo en la operación del sistema.
Por ejemplo, puede ser que el sistema tenga más de un nivel de operación estable y
que llegar al segundo nivel dependa del tiempo. Por consiguiente, aun cuando la
primera serie de ejecuciones de, por decir, 100 periodo muestre condiciones
estables, duplicar la duración de las series puede arrojar condiciones nuevas
y diferentes, aunque igualmente estables. En este caso, la ejecución de
simulación de más de 200 periodos se podría considerar como un
experimento nuevo.
 5.5.2 SELECCIÓN DE LA MEJOR CONFIGURACIÓN

Para la selección consideramos los siguientes criterios:

• El tipo de distribución de probabilidad más cercano a 100% (en este caso a
criterio personal)
• Las variables escenario mas similares del sistema real
• Las variables de resultado
• Los estadísticos como la media, desviación estándar.

5.5.3 RECOMENDACIONES PARA LA IMPLANTACIÓN

➢ Se recomienda utilizar para comparar resultados por Excel

➢ La implementación del algoritmo de optimización dentro de Excel, para evitar
retardar la obtención de soluciones.
➢ Emplear otro paquete computacional para la solución donde exista más
características de los materialistas.
➢ Efectuar un profundo análisis del impacto de cada uno de los parámetros
utilizados en el algoritmo de optimización.
 5.6 USO DE LA HOJA DE CALCULO EN LOS PROYECTOS DE SIMULACION
DELGRUPO (SI PROCEDE)

¿NUESTRO PROYECTO PROCEDE?

Debemos considerar:
1) Ajuste del modelo numérico para que represente lo mas fielmente la realidad.
2) Comparacion entre los resultados medios y simulados, para determinar la
precisión con que la simulación se ajusta a las muestras.

DATOS PARA CREAR Y EJECUTAR UN MODELO SIMPLE DE SIMULACIÓN

Ejemplo:

Nuestro modelo de simulación se basa en las ventas y costos de una tienda

El beneficio es simplemente la diferencia entre las ventas y los costos en este
sencillo
caso.
• Crear variables del modelo

• Seleccione el comando XLSTAT / Definir una distribución.

• Nos muestra una distribución normal con parámetros de Media y Desviación

Estándar. Definir una variable resultado, ajustada en la hoja de calcúlo.
• Iniciar los cálculos. Se puede fijar el número de simulaciones a 1000.

• Las siguientes tablablas muestran los detalles de las dos variables

de distribución.

• Estadísticos, descriptivos como; Histogramas.

• A continuación se muestran los resultados del análisis de sensibilidad.

• En el diagrama se ve que los costos

tienen el mayor impacto en el beneficio.
 CONCLUSION

Lo expuesto en este trabajo indica que es posible a un buen nivel de usuario de Planilla
de Cálculo. Basándose en el estudio de sistemas aplicando comandos, herramientas
y procedimientos disponibles, se pueden diseñar y construir simuladores usando una
Planilla de Cálculo.
Estos Simuladores se construyen relativamente fácil sin acceder al código de
programación, lo que permite su desarrollo en pocas horas de clases.
REFERENCIAS
DAVID, A. (02 de NOVIEMBRE de 2016). SIMULACION DE PROCESOS. Obtenido
de SOFTWARE COMERCIAL PARA LA SIMULACIÓN DE SISTEMAS:
https://simulacindeprocesosaguinagadavid.wordpress.com/2016/02/11/softwar
e-comercial-para-la-simulacion-de-
sistemas/#:~:text=SOFTWARE%20COMERCIAL%20PARA%20LA%20SIMUL
ACI%C3%93N%20DE%20SISTEMAS,-
%C2%A1QUE%20TAL%20AMIGOS&text=Es%20un%20conjunto%20de%20
comput
Herrera, N. d. (27 de junio de 2017). pdfcoffee. Recuperado el 28 de febrero de
2022, de https://pdfcoffee.com/simulacion-de-variables-aleatorias-13-pdf-
free.html
5.4-validacion.docx. (s. f.). Scribd. Recuperado 2 de mayo de 2022, de
https://es.scribd.com/document/388399475/5-4-validacion-docx

Manica, J. (s. f.). Unidad 5 SimulaciÃ3n en hoja de cálculo - SIMULACIÓ N EN

HOJA DE CÕLCULO DE MAYO DE 2021 INSTITUTO. StuDocu. Recuperado 15
de abril de 2022, de https://www.studocu.com/es-mx/document/instituto-tecnologico-
superior-de-villa-la-venta/simulacion/unidad-5-simulacion-en-hoja-de-
calculo/14782251

Ortiz, M. T. (s. f.). 6.3 Intervalos de confianza | Estadística Computacional. github.

Recuperado 2 de mayo de 2022, de https://tereom.github.io/est-computacional-
2018/intervalos-de-confianza.html

Blade, B. H. (2018, 23 mayo). Simulación Unidad 5. Scribd. Recuperado 1 de mayo

de 2022, de https://es.scribd.com/document/379964106/Simulacion-Unidad-5