Trabajo Unidad V de Guillermo

Instituto Tecnológico de La Piedad
División de estudios profesionales
INGENIERIA INDUSTRIAL.
INVESTIGACION UNIDAD V
SIMULACION EN HOJA DE CALCULO.
PRESENTADO POR:
CANCHOLA CUELLAR CARLOS ALBERTO.
LA PIEDAD, MICHOACÁN MAYO DEL 2023 (30 MAY 2023)
Av. Tecnológico # 2000, Meseta de los Laureles, C.P. 59370, La Piedad, Mich.
Tels. 01 (352) 52 62294, 52 62369, 52 60680, www.tecnm.mx | www.itlapiedad.edu.
5.1 Selección del medio para realizar la simulación de cada proyecto

Tomar una decisión equivocada en este aspecto crítico puede tener consecuencias desastrosas que
afecten tanto el éxito general de un proyecto de estudio como su avance en el tiempo previsto. La
importancia de realizar una elección acertada en este sentido radica en el hecho de que cualquier
error puede desencadenar una serie de efectos negativos y desafíos adicionales que pueden
comprometer la realización exitosa de la investigación.
Cuando se trata de un estudio, cada paso y elección realizada tiene un impacto significativo en el
proceso en su conjunto. Desde la selección de la metodología adecuada hasta la elección de las
herramientas y técnicas de investigación, cada detalle cuenta y puede marcar la diferencia entre el
éxito y el fracaso. Una mala elección en cualquiera de estos aspectos cruciales puede dar lugar a una
serie de problemas que dificulten el avance y desarrollo del estudio.
Por ejemplo, la elección de una metodología inapropiada puede conducir a la obtención de

resultados poco fiables o sesgados, lo que socavaría la credibilidad y validez de la investigación en
su conjunto. Además, seleccionar herramientas o tecnologías no adecuadas para recopilar y analizar
los datos puede generar dificultades técnicas, retrasos en el procesamiento de la información y, en
última instancia, afectar negativamente la finalización oportuna del estudio.
Otro aspecto a considerar es la elección de los participantes o muestras en el estudio. Una selección
inadecuada puede llevar a una representación desequilibrada o poco representativa de la población
objetivo, lo que afectaría la generalización de los hallazgos y debilitaría la validez externa de los
resultados.
Asimismo, la falta de atención a los recursos disponibles, como el presupuesto asignado, el tiempo
disponible y el personal involucrado, puede tener un impacto directo en el éxito del estudio. Si no se
realiza una elección adecuada en términos de gestión de recursos, es probable que se produzcan
demoras, falta de financiamiento y desequilibrios en la carga de trabajo, lo que puede llevar al
fracaso general del proyecto o a su incumplimiento en los plazos establecidos.
5.1.1 lenguaje general de la programación en computadoras

En sus inicios, los programas de simulación se creaban utilizando lenguajes de propósito general
como ASSEMBLER, FORTRAN, ALGOL o PL/I. Sin embargo, a partir de la década de 1960
surgieron lenguajes específicos para la simulación, como GPSS, GASP, SIMSCRIPT y SLAM. A
finales del siglo pasado, la aparición de las interfaces gráficas revolucionó el campo de las
aplicaciones en esta área y dio lugar al surgimiento de los simuladores.
En la práctica, es crucial seleccionar la aplicación más adecuada al tipo de sistema que se desea
simular, ya que la elección del lenguaje o simulador determinará el tiempo necesario para desarrollar
el modelo de simulación. Las opciones varían desde el uso de hojas de cálculo y lenguajes de
propósito general como Visual Basic, C++ o Fortran, hasta el uso de lenguajes específicos de
simulación como GPSS, SLAM, SIMAN, SIMSCRIPT, GAS y SSED. También existen simuladores
desarrollados específicamente para diferentes objetivos, como SIMPROCESS, ProModel, Witness,
Taylor II y Cristal Ball.
Los lenguajes de simulación simplifican enormemente el desarrollo y la ejecución de simulaciones

de sistemas complejos del mundo real. Estos lenguajes son similares a los lenguajes de
programación de alto nivel, pero están especialmente diseñados para aplicaciones de simulación
específicas. Por lo general, se acompañan de una metodología de programación respaldada por un
conjunto de símbolos propios que permiten describir el modelo, por ejemplo, mediante diagramas de
flujo u otras herramientas que simplifican significativamente la modelización y facilitan la
depuración posterior del modelo.
Características de los lenguajes de simulación:
1. Los lenguajes de simulación proporcionan automáticamente las características necesarias
para la programación de un modelo de simulación, lo que redunda en una reducción
significativa del esfuerzo requerido para programar el modelo.
2. Proporcionan un marco de trabajo natural para el uso de modelos de simulación. Los bloques
básicos de construcción del lenguaje son mucho más afines a los propósitos de la simulación
que los de un lenguaje de tipo general.
3. Los modelos de simulación son mucho más fácilmente modificables.
4. Proporcionan muchos de ellos una asignación dinámica de memoria durante la ejecución,
5. Facilitan una mejor detección de los errores.
6. Los paquetes de software especialmente diseñados para simulación contienen aplicaciones
diversas que facilitan al simulador las tareas de comunicaciones, la depuración de errores
sintácticos y de otro tipo de errores, la generación de escenarios, la manipulación “on-line”
de los modelos, etc.
7. Son muy conocidos y en uso actualmente
8. Aprendizaje lleva cierto tiempo
9. Simuladores de alto nivel
10. Muy fáciles de usar por su interface gráfica

11. Restringidos a las áreas de manufactura y comunicaciones
12. Flexibilidad restringida puede afectar la validez del modelo
Una vez que se ha completado la construcción y validación del modelo de simulación, se enfrenta el
siguiente paso crucial: la elección del lenguaje de programación que se utilizará para implementarlo.
En el ámbito del desarrollo de modelos de simulación, existen diversas opciones de software
disponibles, que se pueden clasificar en cuatro categorías principales.
 La primera categoría abarca los lenguajes de propósito general, que fueron ampliamente
utilizados en los primeros días de la simulación. Estos lenguajes, como Fortran, C y C++,
son muy versátiles y permiten una amplia gama de funcionalidades. Sin embargo, su
principal desventaja radica en que requieren una considerable cantidad de tiempo y esfuerzo
para programar los modelos de simulación en ellos. Debido a esto, en general se prefiere
utilizar lenguajes más específicos para la simulación.
 La segunda categoría incluye los lenguajes diseñados específicamente para la programación

de simulaciones. Estos lenguajes ofrecen numerosas características y funcionalidades que
resultan necesarias para la implementación de modelos de simulación. Algunos ejemplos de
estos lenguajes son GPSS, Simscript, Siman y Modsim, entre otros. Aunque pueden ser
menos flexibles que los lenguajes de propósito general, están especialmente diseñados para
facilitar la creación de modelos de simulación, lo que reduce significativamente el tiempo
requerido para su desarrollo. En consecuencia, se considera que estos lenguajes son la opción
más natural y conveniente para llevar a cabo la implementación de un modelo de simulación.
Al elegir un lenguaje para la programación de simulaciones, es importante considerar las

características y requisitos específicos del modelo en cuestión, así como las preferencias y
habilidades del equipo de desarrollo. La selección de un lenguaje adecuado puede tener un impacto
significativo en la eficiencia y la facilidad de mantenimiento del modelo de simulación a largo
plazo. Por lo tanto, se recomienda evaluar cuidadosamente las opciones disponibles y seleccionar
aquella que mejor se ajuste a las necesidades particulares del proyecto.
Además de la elección del lenguaje de programación, también es importante considerar el entorno

de desarrollo y las herramientas disponibles para la implementación del modelo de simulación.
Estas herramientas pueden incluir bibliotecas especializadas, entornos de simulación integrados,
sistemas de visualización de datos y otras utilidades que facilitan el proceso de desarrollo y análisis
del modelo. La selección de las herramientas adecuadas puede ayudar a mejorar la productividad y
la calidad del trabajo realizado, permitiendo un desarrollo más eficiente y una mejor comprensión
de los resultados obtenidos durante la simulación.
5.1.2 Hoja de calculo.

Aplicaciones de hojas de cálculo. Cuando se enfrentan problemas de dimensiones más pequeñas,
también se puede recurrir al uso de hojas de cálculo, como el popular programa Excel, con el fin de
obtener una comprensión básica del funcionamiento de un sistema en particular. Sin embargo,
cuando se trata de problemas de mayor complejidad, las hojas de cálculo se vuelven demasiado
complicadas y dejan de ser una opción viable.
Definición de hoja de cálculo. Una hoja de cálculo es un software que permite la manipulación y
realización de cálculos complejos con datos numéricos almacenados en tablas. Además, brinda la
posibilidad de automatizar tareas mediante el uso de fórmulas y macros, y facilita la creación de

representaciones gráficas como histogramas, curvas y gráficos de sectores, entre otros.
En este sentido, una hoja de cálculo se convierte en una herramienta versátil que puede ser utilizada
tanto en actividades de oficina, donde se requiere la organización y manejo de grandes volúmenes
de datos, como en contextos estratégicos y de toma de decisiones, al permitir la creación de
visualizaciones gráficas que sintetizan la información de manera efectiva.
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.

Software de simulación especializado. Los paquetes de software diseñados específicamente para la
simulación son herramientas altamente poderosas que ofrecen componentes predefinidos,
simplificando en gran medida la tarea de construcción de modelos. Estos elementos permiten
representar de manera intuitiva una amplia gama de procesos y fenómenos que ocurren en entornos
logísticos y productivos. No obstante, en ocasiones es necesario diseñar componentes
personalizados o configurar adecuadamente los elementos existentes para representar las
particularidades del sistema en estudio.
Dentro de este grupo de paquetes de software especializados, encontramos lenguajes como Extend,
Micro Saint, Autmod, Promodel, Arena y Witness. Estas herramientas proporcionan un entorno de
simulación completo y robusto, con capacidades específicas para abordar diferentes escenarios y
necesidades. Cada uno de estos lenguajes tiene características únicas y enfoques particulares, lo que
les permite adaptarse a diversas aplicaciones y contextos.
Al utilizar estos paquetes de software de simulación, los modeladores pueden aprovechar las
funciones y componentes predefinidos para representar y analizar eficientemente los sistemas
complejos. Estos lenguajes ofrecen una amplia gama de posibilidades, como la creación de modelos
de procesos logísticos, simulación de líneas de producción, optimización de operaciones y
evaluación de estrategias de negocio. Además, permiten visualizar los resultados mediante gráficos,
tablas y estadísticas, lo que facilita la interpretación de los datos generados durante la simulación.
Sin embargo, es importante tener en cuenta que, a pesar de la potencia y flexibilidad de estos
paquetes de software de simulación, en ciertos casos puede ser necesario personalizar los elementos
existentes o desarrollar componentes específicos para capturar las particularidades del sistema en
estudio. Esto requiere un conocimiento profundo del lenguaje y una comprensión detallada de los
procesos y fenómenos que se desean simular.
 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.
 Permite efectuar un estudio de tiempos para mejorar la productividad global y local deun
sistema.
 Estudio de volúmenes de trabajo para detectar recursos con capacidad restrictiva
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:
1. reducciones de costos mejoras en la productividad
2. incrementar las ventajas estratégicas en la producción de bienes y servicios.
 Tiene la habilidad para determinar el uso de los recursos disponibles.

 Algunas aplicaciones típicas:
1.-Líneas de ensamble
2.- Sistemas de manufactura flexible
3.- Producción por lotes
4.- Justo a tiempo (JAT) y Sistemas de producción KANBAN.
5.- Sistemas de colas. (Para servicios o manufactura tales como líneas de empaque).
6.- Optimización de la distribución en planta y el manejo de materiales.
7.- Servicio Financieros
8.- Logística
9.- Reingeniería de Negocios
10.- Evaluación, planeación y re-diseño de sistemas de servicios
5.1.4 Otros medios
Diferentes enfoques de simulación. Existen diversas formas de abordar la simulación, cada una de
ellas adecuada para diferentes situaciones y propósitos. A continuación, se explorarán algunos
enfoques comunes utilizados en la simulación:
1. Identidad: En este enfoque, el modelo de simulación es una réplica exacta del sistema real
en estudio. Las empresas automotrices, por ejemplo, utilizan este enfoque al realizar pruebas
de choque de automóviles utilizando unidades reales. Esta forma de simulación permite
obtener resultados precisos al replicar fielmente el comportamiento del sistema.
2. Cuasi-identidad: En este caso, se emplea una versión ligeramente simplificada del sistema
real. Un ejemplo de esto son los entrenamientos militares, que implican la movilización
de equipos y tropas, pero no se lleva a cabo una batalla real. Esta forma de simulación busca
capturar los aspectos fundamentales del sistema sin incluir todos los detalles complejos.
3. Laboratorio: Aquí, los modelos de simulación se desarrollan y ejecutan en un entorno de

laboratorio con condiciones controladas. Esta forma de simulación permite realizar
experimentos repetibles y observar el comportamiento del sistema bajo diferentes escenarios.
Puede haber dos tipos de simulaciones en este contexto:
 Juego operacional: En esta modalidad, las personas compiten entre sí como parte del
modelo, mientras que las computadoras y maquinarias desempeñan un papel
complementario. Un ejemplo sería una simulación de negocios en la que las computadoras
recopilan y presentan la información generada por cada participante de manera ordenada.
 Hombre-Máquina: En este tipo de simulación, se estudia la interacción entre las personas y

las máquinas. Las personas también forman parte del modelo y la computadora no solo
recopila información, sino que también la genera. Un ejemplo de esto es un simulador de
vuelo, donde los pilotos interactúan con la máquina y experimentan diferentes escenarios de
vuelo.
Simulación de Monte Carlo. Otro enfoque ampliamente utilizado en la simulación es el método de

Monte Carlo. Esta técnica utiliza números aleatorios uniformemente distribuidos en el intervalo
[0,1] para resolver problemas en los que la evolución en el tiempo no es de importancia principal. A
través de la generación de múltiples iteraciones y el análisis estadístico de los resultados, la
simulación de Monte Carlo puede proporcionar estimaciones y predicciones precisas en escenarios

complejos.
Comparación de soluciones analíticas y simuladas. Para ilustrar la utilidad de la simulación, se

pueden considerar ejemplos donde se compara una solución analítica con una solución obtenida
mediante simulación. Al emplear la simulación de Monte Carlo u otros métodos, es posible evaluar
el rendimiento de diferentes sistemas y comparar los resultados con las predicciones teóricas. Esta
comparación ayuda a verificar la validez y la precisión de los modelos de simulación utilizados, lo
que brinda confianza en los resultados obtenidos.
5.2 Tipos de modelo de simulación programables en hoja de cálculo

(inventarios, líneas de espera, proyecciones, financieras, etc.):
descripción.
INVENTARIOS.
Gestión de inventarios: Optimización del servicio al cliente
La gestión de inventarios es un desafío constante para los responsables logísticos, quienes a menudo
se enfrentan al dilema de tener un exceso de inventario sin poder satisfacer todas las necesidades de
sus clientes. ¿Qué es lo que está sucediendo exactamente? La respuesta es simple: suele haber
excedentes de productos que no se venden y faltantes de aquellos que tienen una alta demanda. En
definitiva, el valor total del inventario es superior a lo que se considera adecuado, pero aún así, el
servicio ofrecido no cumple con las expectativas de la empresa.
El exceso de inventario puede ser atribuido a varios factores, entre los cuales destacan dos de ellos.
En primer lugar, las experiencias previas de agotamiento de inventario pueden llevar a una reacción
exagerada de protección excesiva o incluso a un desconocimiento de la demanda real. En segundo
lugar, este problema puede estar asociado con parámetros de gestión de inventarios que no se
ajustan a la situación específica de un artículo. Este último caso puede ocurrir cuando se producen
cambios en la demanda o en el suministro, pero los parámetros de reaprovisionamiento se mantienen
sin cambios, basados en escenarios anteriores. Existen más situaciones en la gestión de inventarios
que pueden dar lugar a excesos o faltantes de inventario, muchas de las cuales son el resultado de
una gestión incorrecta de la información. Sin embargo, los dos casos mencionados pueden ser
mitigados mediante una verificación o estimación precisa de los parámetros de gestión de
inventarios.
Supongamos que la política de inventario seleccionada por su empresa para gestionar un artículo es
la denominada "revisión continua". Esta política se caracteriza por tener dos parámetros clave: el
stock de seguridad, que define el punto de pedido, y la cantidad a reaprovisionarse. En esta
situación, cuando el inventario alcanza su punto de reaprovisionamiento, se realiza un pedido para
reponer una cantidad fija predeterminada. El punto de pedido se calcula sumando la demanda media
en el período de aprovisionamiento al stock de seguridad establecido.
Es posible que haya asignado estos dos parámetros basándose en su experiencia previa o porque su
sistema los ha estimado automáticamente. Sin embargo, ¿está seguro de que está cumpliendo sus
objetivos comerciales? Uno de los objetivos fundamentales de la gestión de inventarios es el nivel
de servicio que se puede proporcionar, ya que en la actualidad brindar un buen servicio es crucial
para mantener una cartera de clientes sólida. Una medida del rendimiento logístico es el nivel de
servicio, que se puede medir como la proporción de la demanda satisfecha directamente desde el
inventario en comparación con la demanda total. Este indicador se puede expresar tanto en unidades
como en valores económicos, dependiendo de su contexto específico.
En el ejemplo de esta hoja, se presenta información en forma de tabla que muestra el porcentaje de
ocurrencia de cada nivel de demanda para un artículo en particular, que varía de 0 a 6 unidades en
un día. Esta información se puede obtener a partir de su base de datos de ventas, y utilizando
herramientas de análisis de datos en una hoja de cálculo, es posible generar un histograma con estos
valores. La hoja de cálculo se puede adaptar fácilmente para trabajar con otros conjuntos de datos.
Una segunda lectura de esta información es que los porcentajes representan la probabilidad de que
ocurra una determinada demanda. Es importante tener en cuenta que este sistema de gestión de
inventarios se basa en datos históricos y asume que el comportamiento de la demanda en el futuro
será similar.
Paso 1:
Introducir los datos históricos:
La función "aleatorio" me proporciona un número aleatorio en el rango de 0 a 1. Si deseamos

simular números en un rango de 0 a 5, podemos multiplicarlo por 6 y tomar la parte entera
utilizando la función "ENTERO(ALEATORIO()*5)". Si queremos obtener números en el rango de
1 a 5, multiplicamos por 5, tomamos la parte entera y luego le sumamos 1, utilizando la fórmula
"ENTERO(ALEATORIO()*5)+1".
En el ejercicio en cuestión, nos hemos centrado en los valores comprendidos entre 0 y 1. Para
resumir, tenemos los siguientes datos:
1. No se solicitaron unidades en el 0% de los días.

2. Se solicitó una unidad en el 3% de los días.
3. Realizamos un cálculo de la suma de frecuencias para asegurarnos de que sumen 100%
(representado por 1).
4. El tiempo de servicio fue de un día en el 20% de las ocasiones.

5. El tiempo de servicio fue de tres días en el 50% de las ocasiones.
6. El tiempo de servicio fue de cinco días en el 30% restante de los días.
7. Es importante destacar que estos porcentajes se basan en la simulación y pueden variar en
cada ejecución. Utilizando estos datos, podemos realizar análisis y estimaciones para
respaldar la toma de decisiones en el contexto específico de la simulación.
Paso 2: Ahora calculamos las demandas acumuladas.
Paso 3: Ahora con la función aleatorio vamos a calcular la simulación para n días
Cuando necesitamos generar números aleatorios para simular la demanda de un artículo, utilizamos
un enfoque específico. Por ejemplo, si el número aleatorio generado cae dentro del rango de 0 a
0.03, simulamos que no se ha realizado ningún pedido de unidades para ese día. En cambio, si el
número se encuentra entre 0.03 y 0.08, simulamos que se ha solicitado una unidad.
En cuanto a los tiempos de servicio, seguimos un proceso similar. Cuando un artículo alcanza su
punto de reposición y necesitamos simular cuánto tiempo tardará en llegar la mercancía, generamos
un número aleatorio. Si este número cae en el rango de 0 a 0.2, establecemos un plazo de entrega de
1 día. Si el número se encuentra entre 0.2 y 0.7, consideramos un plazo de entrega de 3 días. Por
último, si el número aleatorio está comprendido entre 0.7 y 1, establecemos un plazo de entrega de 5
días.
Para realizar estas simulaciones, utilizamos la función "BUSCARV" en Excel. Esta función nos
permite buscar los valores correspondientes en las matrices de demanda y tiempos de servicio, según
los rangos establecidos previamente.
Al emplear este enfoque, podemos obtener resultados simulados que representan la variabilidad de
la demanda y los tiempos de servicio, lo cual nos ayuda a realizar análisis y tomar decisiones
informadas en la gestión logística y de inventarios.
Simulación en líneas de espera.

Una forma más amplia de definir la simulación sería: "La simulación es un proceso que busca imitar
el funcionamiento de un sistema real a lo largo de un periodo de tiempo determinado, permitiendo el
estudio y comprensión de la interacción de los diferentes procesos que intervienen en él, con el
objetivo de lograr un objetivo específico".
Un modelo de simulación se construye tomando en consideración los principios y supuestos sobre

cómo opera el sistema real. A través de la simulación, se analizan los sistemas reales utilizando un
modelo que representa sus características principales, lo que nos permite experimentar con
diferentes variables y condiciones para alcanzar un objetivo determinado.
En lugar de utilizar expresiones matemáticas y cálculos precisos para determinar los valores de las
variables de interés, se emplean funciones de distribución de probabilidad. En los modelos de
simulación de eventos discretos, como el enfoque de Monte Carlo, estas funciones de distribución se
utilizan para realizar experimentos que, tras un número suficiente de repeticiones, proporcionan
resultados similares a los que se obtendrían en el sistema real.
Los modelos analíticos, también conocidos como modelos de optimización, son un conjunto de
ecuaciones que describen el comportamiento de un sistema. Por otro lado, los modelos de
simulación se utilizan para estudiar y calcular procesos estocásticos y fenómenos relacionados con
las líneas de espera.
En el ámbito de las líneas de espera, existen modelos analíticos, como la teoría de colas, que se
basan en funciones de distribución de probabilidad para estimar los resultados promedio del uso de
sistemas de espera. Además, se utilizan modelos o procesos de Markov para describir y calcular las
características de las líneas de espera.
En resumen, los modelos de simulación, especialmente los enfoques basados en eventos discretos
como la simulación de tipo Monte Carlo, utilizan funciones de distribución de probabilidad para
llevar a cabo experimentos que se aproximen a los resultados que se obtendrían en el sistema real
después de un número suficiente de repeticiones. Esto nos brinda la capacidad de comprender y
analizar los sistemas complejos y estocásticos, como las líneas de espera, de una manera más
completa y detallada.
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 y 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. Ejemplos de simulación en hoja electrónica.

Cuando tenga XLSTAT activado, puede acceder a las simulaciones de Monte Carlo seleccionando
la opción "XLSTAT / Simulaciones de Monte Carlo / Definir una distribución" o haciendo clic en
el botón específico en la barra de herramientas de Sim (como se muestra en la captura de pantalla a
continuación).
Una vez que haya accedido a esta opción, se abrirá una ventana que le permitirá definir la
distribución que desea utilizar en su simulación. Aquí podrá seleccionar entre una amplia variedad
de distribuciones estadísticas, como la distribución normal, la distribución uniforme, la distribución
de Poisson, entre otras.
Cada distribución tiene sus propias características y parámetros que deberá especificar. Por
ejemplo, si elige la distribución normal, deberá ingresar el valor medio (media) y la desviación
estándar. Si elige la distribución uniforme, deberá indicar el valor mínimo y máximo.
Una vez que haya definido la distribución, podrá utilizarla en su modelo de simulación. Por
ejemplo, si está simulando la demanda de un producto, puede asignar una distribución de
probabilidades a la demanda y generar valores aleatorios basados en esa distribución.
La simulación de Monte Carlo le permitirá generar múltiples escenarios aleatorios utilizando la

distribución definida. Estos escenarios reflejarán las posibles variaciones en los datos y le
proporcionarán información sobre cómo podrían comportarse sus variables de interés en diferentes
situaciones.
Aparece el cuadro de diálogo Definir una distribución. A continuación, seleccione el Nombre de la

variable como la celda A2 con el nombre “Sales”. Elija una distribución normal con mu = 120 y
sigma = 10.
Una vez haya seleccionado Aceptar, se incluye la invocación a la función adecuada en la celda
activa. Proceda a crear la segunda variable de distribución. Puede generarla de manera similar a la
anterior. En este caso, elija una distribución normal con un promedio (mu) de 80 y una desviación
estándar (sigma) de 20. A continuación se muestra el diálogo correspondiente:
Seleccione la celda de resultados que muestra el valor 40, el cual es el resultado de la fórmula =B2-
B3, como la celda activa. Luego, elija el comando XLSTAT / Simulaciones de Monte Carlo /
Definir un resultado variable, o haga clic en el botón apropiado en la barra de herramientas de Sim.
Aparecerá el cuadro de diálogo Definir un resultado variable. A continuación, seleccione la celda
A4 como el nombre de la variable.
Una vez haya hecho clic en OK, se inserta la llamada a la función XLSTAT_SimRes en la celda
activa.
Este proceso puede encontrarse en la hoja de Excel llamada "Modelo". Para comenzar la ejecución
de una simulación simple, elija el comando XLSTAT / Simulaciones de Monte Carlo / Iniciar
cálculos, o haga clic en el botón correspondiente en la barra de herramientas Sim.
Aparecerá el cuadro de diálogo para la ejecución de la simulación. Puede establecer el número de
simulaciones en 1000.
En la pestaña Gráficos - Sensibilidad, introduzca los parámetros de los análisis Tornado y Araña.
Los cálculos se inician una vez que se ha hecho clic en OK. Interpretación de los resultados de un
modelo básico de simulación. El primer resultado es un resumen del modelo simulado.
A continuación, se presentan especificaciones sobre las dos variables de distribución y la variable

de resultado.
Las tablas siguientes ofrecen información detallada sobre las dos variables de distribución,
incluyendo estadísticas descriptivas, histogramas y cuartiles.
Las siguientes tablas muestran los detalles de la variable de resultado. Se muestran los estadísticos
descriptivos, un histograma y estadísticos acerca de los intervalos. A continuación se muestran los
resultados del análisis de sensibilidad. El análisis de sensibilidad se basa en las simulaciones
contrarias al análisis Tornado que se presenta a continuación.
La siguiente sección presenta el análisis de Sensibilidad.

El análisis de Sensibilidad se realiza punto por punto para todas las variables de entrada, tanto las
variables aleatorias con distribuciones como las variables de escenario. A través del análisis de
Sensibilidad, se estudia el efecto de cada variable aleatoria y cada variable de escenario en la
variable de resultado, variando su valor entre dos límites y registrando el valor correspondiente de
la variable de resultado. Esto nos permite comprender cómo cada variable aleatoria y cada variable
de escenario afecta a la variable de resultado. Para las variables aleatorias, los valores explorados
pueden estar cerca de la mediana o cerca del valor predeterminado, con límites definidos por
percentiles o desviaciones estándar. En el caso de las variables de escenario, el análisis se realiza
entre dos límites especificados al definir las variables. El número de puntos de análisis es una
opción que puede ser ajustada por el usuario antes de ejecutar el modelo de simulación.
En el diagrama se observa que los costos tienen el mayor impacto en el beneficio. Estos resultados
no se derivan de las iteraciones de la simulación.
Finalmente, se muestran la matriz de correlaciones de las distribuciones y las variables de resultado.

Vemos que los costos y las ventas no están correlacionados. Pero el beneficio está, obviamente,
correlacionado con las ventas y los costos.
5.3.1. Implementación: distribución del modelo en la hoja de cálculo.
Resolución de problemas de programación lineal (PL) utilizando una hoja de cálculo En esta
sección se presenta en detalle el proceso de utilizar el Solver en Excel para resolver el siguiente
problema.
Ejemplo
Al inicio, se presenta únicamente el enunciado y planteamiento del problema.
Una compañía de energía eléctrica cuenta con tres centrales que abastecen las necesidades de
cuatro ciudades. Cada central suministra las siguientes cantidades de kilovatios-hora: central 1, 35
millones; central 2, 50 millones; central 3, 40 millones. Las demandas de energía pico en estas
ciudades, que ocurren al mismo tiempo (2:00 p.m.), son las siguientes (en kw/h): ciudad 1, 45
millones; ciudad 2, 20 millones; ciudad 3, 30 millones; ciudad 4, 30 millones. Los costos de enviar
un millón de kw/h desde cada central dependen de la distancia que la electricidad debe recorrer, 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.

Imaginemos que trabajamos en una empresa de tecnología y nos han pedido asesoramiento para
tomar una decisión sobre la cantidad de licencias de un sistema operativo específico que conviene
adquirir. Estas licencias se suministrarán junto con las computadoras que se vendan durante el
próximo trimestre, y es probable que en pocos meses se lance al mercado una nueva versión del
sistema operativo con características superiores. Cada licencia de sistema operativo tiene un costo
de adquisición de 75 Euros para la empresa, mientras que se vende a un precio de 100 Euros.
Cuando se lance la nueva versión del sistema operativo, la empresa tendrá la opción de devolver las
licencias no utilizadas al distribuidor y obtener un reembolso de 25 Euros por cada una.
Basándonos en los datos históricos de los últimos meses, los responsables de la empresa han podido
determinar la siguiente distribución de probabilidades en relación a las ventas de licencias del nuevo
sistema operativo:
Creamos nuestro modelo utilizando las expresiones mostradas en la figura de abajo. En la celda H2
utilizaremos la función ALEATORIO para generar un valor pseudoaleatorio que determinará el
resultado del evento. En la celda I2 empleamos la función BUSCARV para encontrar el evento
correspondiente asociado al valor pseudoaleatorio obtenido. Además, utilizamos la función MIN
para asegurarnos de que nunca se vendan más licencias de las disponibles. Las demás fórmulas son
autoexplicativas:
5.4 VALIDACION.
La validación del modelo de simulación es esencial para garantizar que cumple con el objetivo
establecido. Aunque no existen reglas precisas sobre cómo realizar la validación, hay pautas
importantes que los expertos consideran relevantes para desarrollar un modelo válido y confiable. A
continuación, se presentan estas pautas en el contexto temporal del proyecto:
Utilizar técnicas cuantitativas para validar los componentes del modelo. Por ejemplo, se puede
emplear la teoría de colas para dimensionar inicialmente el sistema. Además, el uso de técnicas
como el muestreo secuencial y la reducción de varianza resultaron útiles en el diseño de
experimentos.
Realizar análisis de sensibilidad para identificar los factores más importantes en el modelo. Si se
detecta que un factor tiene una influencia significativa, es necesario modelarlo de manera
exhaustiva.
Revisar los resultados de la simulación y la animación para evaluar su coherencia. Se puede

considerar el comportamiento de una entidad específica dentro del modelo y verificar si sigue la
lógica del sistema. También es útil analizar el comportamiento del sistema en condiciones extremas.
En el caso de este proyecto, se han tenido en cuenta estas pautas dentro del alcance establecido,
garantizando así la validez del modelo de simulación.
5.4.1 programación de los informes de salida (estadísticas).

La simulación de un sistema se asemeja a un experimento de muestreo estadístico artificial realizado
en una computadora. Por lo tanto, para dar sentido a los resultados de un estudio de simulación, es
fundamental utilizar las herramientas estadísticas adecuadas para su diseño y análisis.
Un aspecto importante a tener en cuenta en los datos obtenidos de la simulación es que, en general,
forman procesos autocorrelacionados y no estacionarios. Esto implica que las técnicas estadísticas
que se basan en la suposición de observaciones independientes e idénticamente distribuidas no son
aplicables en este contexto. Ahora profundicemos en la naturaleza aleatoria de los resultados de la
simulación.
Consideremos un proceso estocástico que representa la salida de una característica específica del
sistema, por ejemplo, el tiempo de espera de los pacientes en un centro médico. Para representar el
tiempo de espera del i-ésimo paciente, utilizamos la variable Yi. Es importante destacar que estas
variables aleatorias Yi no son, en general, independientes ni tienen la misma distribución. Es
evidente que el tiempo de espera de un cliente que llega en la posición i estará relacionado con el
tiempo de espera del cliente que lo precedió. Además, si el sistema comienza vacío, es decir, sin
clientes en espera, entonces Y1=0 y tiene una distribución diferente a las demás.
Supongamos que ejecutamos el modelo de simulación de forma independiente n veces, utilizando

diferentes semillas y reiniciando los contadores estadísticos en cada ejecución. Si en cada ejecución
tomamos m datos, los resultados obtenidos serán los siguientes:
5.4.2 construcción de graficas.

Una hoja de cálculo desempeña un papel fundamental como una herramienta de cálculo esencial.
Sin embargo, también ofrece capacidades gráficas y sirve como una base de datos sencilla. Los
gráficos son una forma clara de mostrar relaciones numéricas, respaldando el dicho de que una
imagen vale más que mil palabras. A menudo, los administradores tienen que presentar relaciones y
vender sus ideas, por lo que utilizar algún tipo de gráfico puede hacer que su exposición sea más
atractiva, sencilla y fluida.
En el mercado existen numerosos programas valiosos para crear gráficos, pero en la mayoría de los
casos, las opciones que nos brindan las hojas de cálculo, como Excel, son más que suficientes. Al
crear un gráfico a partir de una hoja de cálculo, las filas o columnas de números que deseamos
visualizar se denominan rango de datos. Cuando se crea un gráfico con estos valores, la aplicación
establece un enlace dinámico entre el gráfico y los datos numéricos de la hoja. Esto significa que
cualquier cambio en los datos se reflejará automáticamente en el gráfico resultante.
Excel ofrece la posibilidad de trabajar con gráficos en sus hojas de cálculo, lo que nos permite tener
una visión más clara y visual del contenido de nuestras tablas de datos. Un gráfico en Excel es una
representación gráfica de un conjunto de datos de una hoja de cálculo. Podemos crear diferentes
tipos de gráficos, como barras, columnas, líneas, etc., según la información visual que deseemos
obtener. Los datos utilizados en la creación del gráfico pueden variar, y el gráfico se actualizará
automáticamente para reflejar estos cambios.
5.4.4 juicios sobre los resultados reportados.

La recopilación de información se refiere al uso de una amplia variedad de técnicas y herramientas
que el analista puede utilizar para desarrollar sistemas de información. Estas técnicas incluyen
entrevistas, encuestas, cuestionarios, observaciones, diagramas de flujo y diccionarios de datos.
Cada una de estas herramientas se aplica en momentos específicos con el objetivo de obtener
información relevante para una investigación en particular.
La creciente tendencia hacia el uso de datos cuantitativos se debe en gran medida al desarrollo de
computadoras de alta velocidad y capacidad, que han brindado la capacidad de manejar información
de manera compacta y con tiempos de respuesta rápidos. Además, esta tendencia se debe a que cada
vez se reconoce más la necesidad de utilizar métodos científicos en la gestión empresarial.
Los datos son la información que se obtiene sobre el comportamiento de un proceso y se desea
representar gráficamente con el fin de obtener información estadística y analizar las tendencias. Los
datos son conjuntos o agrupaciones de observaciones relacionadas entre sí. Un conjunto de datos se
compone de varias observaciones individuales, que se conocen como datos puntuales.
Dado que los datos proporcionan la base para tomar decisiones y acciones, las razones para recopilar
datos se pueden clasificar de la siguiente manera:
 Análisis de tendencias y patrones: Los datos nos permiten identificar tendencias y patrones
en el comportamiento de un proceso. Esto nos ayuda a comprender mejor cómo se desarrolla
y evoluciona dicho proceso, lo que a su vez nos permite tomar decisiones informadas y
realizar ajustes cuando sea necesario.
 Evaluación del rendimiento: La recopilación de datos nos permite evaluar el rendimiento de

un sistema o proceso en función de métricas y objetivos predefinidos. Esto nos permite
identificar áreas de mejora, detectar problemas y tomar medidas correctivas para optimizar el
rendimiento.
 Toma de decisiones basada en datos: Los datos nos brindan información objetiva y
cuantificable que respalda la toma de decisiones. Al recopilar datos relevantes, podemos
analizar la información de manera rigurosa y fundamentada, lo que nos ayuda a tomar
decisiones más acertadas y minimizar los riesgos.
 Mejora continua: La recopilación de datos es esencial para el proceso de mejora continua. Al

monitorear y analizar los datos, podemos identificar oportunidades de mejora, implementar
cambios y evaluar el impacto de esas mejoras en el desempeño general.
 Respuesta a cambios y adaptación: Los datos nos permiten detectar cambios en el entorno o
en las condiciones del sistema y nos brindan información para adaptarnos y responder de
manera efectiva. Esto es especialmente relevante en entornos empresariales dinámicos y en
constante evolución.
5.5 Conclusión
Las conclusiones que se pueden extraer de una simulación se basan en la medida en que el modelo
representa fielmente el sistema real, así como en el diseño estadístico de la simulación. De hecho,
muchos expertos consideran que la simulación es similar a realizar pruebas de hipótesis, donde cada
ejecución de la simulación proporciona uno o más conjuntos de datos de muestra que pueden ser
analizados de manera formal utilizando métodos estadísticos inferenciales. Los procedimientos
estadísticos comúnmente utilizados en la evaluación de los resultados de la simulación incluyen
análisis de varianza, análisis de regresión y pruebas t.
En la mayoría de los casos, el análisis de los resultados de la simulación se realiza en función de la

información disponible para su comparación. Esto puede incluir datos operativos históricos del
sistema real, datos de rendimiento de sistemas similares y la percepción del analista sobre el
funcionamiento del sistema real. Sin embargo, se debe reconocer que la información obtenida de
estas fuentes puede no ser suficiente para validar las conclusiones derivadas de la simulación. Por lo
tanto, la verdadera prueba de una simulación radica en qué tan bien el sistema real se desempeña
después de implementar los resultados del estudio.
Es importante tener en cuenta que la simulación es una herramienta poderosa pero no garantiza una
validez absoluta. La precisión de las conclusiones obtenidas depende de la calidad y
representatividad del modelo, así como de la precisión de los datos utilizados en la simulación.
Además, es esencial considerar las limitaciones inherentes al proceso de simulación, como
supuestos simplificados y la imposibilidad de tener en cuenta todos los factores y variables
relevantes del sistema real.
En resumen, si bien la simulación puede proporcionar valiosas conclusiones y perspectivas, es

necesario tener cuidado al interpretar los resultados y considerarlos en el contexto de la realidad del
sistema. La verdadera prueba de la validez de la simulación se encuentra en su capacidad para
mejorar el desempeño y la toma de decisiones una vez que se implementan los resultados en el
sistema real.
5.5.1 comparación entre las configuraciones simuladas.

A partir de los resultados obtenidos en la simulación, se abre la posibilidad de realizar nuevos
experimentos de simulación con el objetivo de explorar diferentes escenarios. Existen diversos
factores que pueden ser modificados en estos nuevos experimentos, como los parámetros, las
variables, las reglas de decisión, las condiciones iniciales y la duración de la ejecución.
En relación a los parámetros, resulta interesante realizar simulaciones con diferentes costos o
precios de un producto, con el fin de analizar cómo se verían afectados los resultados. Además, los
valores obtenidos en experimentos anteriores pueden ser considerados como condiciones iniciales
útiles para las simulaciones posteriores, permitiendo una comparación más precisa.
Asimismo, es importante tener en cuenta que la duración de la ejecución de la simulación puede

influir en los resultados. En algunos casos, probar diferentes duraciones de ejecución puede
constituir un nuevo experimento en sí mismo, especialmente si el sistema presenta eventos o
cambios a lo largo del tiempo. Por ejemplo, si el sistema tiene múltiples niveles de operación y el
acceso al segundo nivel depende del tiempo transcurrido, duplicar la duración de la simulación
podría generar condiciones nuevas y distintas, aunque igualmente estables. En este escenario, una
simulación de más de 200 periodos podría considerarse como un experimento completamente
nuevo.
La realización de nuevos experimentos de simulación permite explorar y comprender mejor el

comportamiento del sistema en diferentes escenarios. Al cambiar los factores y condiciones en cada
experimento, se amplía el conocimiento sobre las posibles interacciones y consecuencias dentro del
sistema simulado. Es importante tener en cuenta que estos experimentos deben llevarse a cabo de
manera rigurosa y controlada, manteniendo registros detallados de los cambios realizados y los
resultados obtenidos.
En resumen, los resultados de la simulación pueden servir como punto de partida para realizar
nuevos experimentos, donde se modifiquen factores como parámetros, variables, reglas de decisión,
condiciones iniciales y duración de la ejecución. Estos experimentos permiten obtener una visión
más completa y precisa del comportamiento del sistema, proporcionando insights y conocimientos
valiosos para la toma de decisiones y la mejora continua.
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 más similares al sistema real
 Las variables de resultado
 Los estadísticos como la media, desviación estándar.
5.5.3 Recomendaciones para la implantación.
Se recomienda utilizar para comprar 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 existan 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 cálculo en los proyectos de simulación del grupo

(SI PROCEDE).
Debemos considerar:
1) Ajuste del modelo numérico para que represente lo más fielmente la realidad.
2) Comparación 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 tiendaEl beneficio es
simplemente la diferencia entre las ventas y los costos en este sencillocaso.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.

Trabajo Unidad V de Guillermo

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Trabajo Unidad V de Guillermo

Cargado por

Copyright:

Formatos disponibles

Instituto Tecnológico de La Piedad

División de estudios profesionales

LA PIEDAD, MICHOACÁN MAYO DEL 2023 (30 MAY 2023)

5.1 Selección del medio para realizar la simulación de cada proyecto

Por ejemplo, la elección de una metodología inapropiada puede conducir a la obtención de

5.1.1 lenguaje general de la programación en computadoras

Los lenguajes de simulación simplifican enormemente el desarrollo y la ejecución de simulaciones

10. Muy fáciles de usar por su interface gráfica

 La segunda categoría incluye los lenguajes diseñados específicamente para la programación

Al elegir un lenguaje para la programación de simulaciones, es importante considerar las

Además de la elección del lenguaje de programación, también es importante considerar el entorno

5.1.2 Hoja de calculo.

posibilidad de automatizar tareas mediante el uso de fórmulas y macros, y facilita la creación de

5.1.3 Programas comerciales de simulación disponibles.

 Permite ver los efectos de contar con eventos dependientes.

 Reportes de simulación entregan toda la información necesaria para tomar las

 Tiene la habilidad para determinar el uso de los recursos disponibles.

3. Laboratorio: Aquí, los modelos de simulación se desarrollan y ejecutan en un entorno de

 Hombre-Máquina: En este tipo de simulación, se estudia la interacción entre las personas y

Simulación de Monte Carlo. Otro enfoque ampliamente utilizado en la simulación es el método de

simulación de Monte Carlo puede proporcionar estimaciones y predicciones precisas en escenarios

Comparación de soluciones analíticas y simuladas. Para ilustrar la utilidad de la simulación, se

5.2 Tipos de modelo de simulación programables en hoja de cálculo

La función "aleatorio" me proporciona un número aleatorio en el rango de 0 a 1. Si deseamos

1. No se solicitaron unidades en el 0% de los días.

4. El tiempo de servicio fue de un día en el 20% de las ocasiones.

Paso 2: Ahora calculamos las demandas acumuladas.

Simulación en líneas de espera.

Un modelo de simulación se construye tomando en consideración los principios y supuestos sobre

5.3. Ejemplos de simulación en hoja electrónica.

La simulación de Monte Carlo le permitirá generar múltiples escenarios aleatorios utilizando la

Aparece el cuadro de diálogo Definir una distribución. A continuación, seleccione el Nombre de la

A continuación, se presentan especificaciones sobre las dos variables de distribución y la variable

La siguiente sección presenta el análisis de Sensibilidad.

Finalmente, se muestran la matriz de correlaciones de las distribuciones y las variables de resultado.

5.3.1. Implementación: distribución del modelo en la hoja de cálculo.

5.3.2 Experimentación con varias configuraciones posibles del sistema simulado.

Revisar los resultados de la simulación y la animación para evaluar su coherencia. Se puede

5.4.1 programación de los informes de salida (estadísticas).

Supongamos que ejecutamos el modelo de simulación de forma independiente n veces, utilizando

5.4.2 construcción de graficas.

5.4.4 juicios sobre los resultados reportados.

 Evaluación del rendimiento: La recopilación de datos nos permite evaluar el rendimiento de

 Mejora continua: La recopilación de datos es esencial para el proceso de mejora continua. Al

En la mayoría de los casos, el análisis de los resultados de la simulación se realiza en función de la

En resumen, si bien la simulación puede proporcionar valiosas conclusiones y perspectivas, es

5.5.1 comparación entre las configuraciones simuladas.

Asimismo, es importante tener en cuenta que la duración de la ejecución de la simulación puede

La realización de nuevos experimentos de simulación permite explorar y comprender mejor el

5.5.2 Selección de la mejor configuración.

5.6 Uso de la hoja de cálculo en los proyectos de simulación del grupo

Seleccione el comando XLSTAT / Definir una distribución.

También podría gustarte