You are on page 1of 60

2-6-2017

TEMA 3 CONSTRUCCIÓN DE MODELOS DE SIMULACIÓN

ALUMNA: GARDUÑO CHAVEZ KARINA MONSERRAT

ASIGNATURA: SIMULACIÓN

ASESOR: ISC FELIPE VALENCIA SANTOS

Índice
INTRODUCCION ....................................................................................................................... 3
3.1 METODOLOGIA GENERAL DE LA SIMULACION .............................................................. 4
Definición del sistema............................................................................................................. 4
Formulación del modelo ......................................................................................................... 4
Colección de datos ................................................................................................................. 4
Implementación del modelo con la computadora .................................................................... 4
Validación ............................................................................................................................... 4
Experimentación ..................................................................................................................... 5
Interpretación ......................................................................................................................... 5
Documentación ...................................................................................................................... 5
Formulación del problema ...................................................................................................... 5
Identificación del Problema..................................................................................................... 5
Reconocer las variables del sistema ...................................................................................... 6
Especificación de las restricciones de las variables de decisión ............................................. 6
Desarrollar una estructura preliminar del modelo que interrelacione las variables
del sistema y las medidas de ejecución. ........................................................................ 7
Desarrollo de un modelo apropiado ................................................................................ 8
Colección de datos y Análisis .......................................................................................... 8
Desarrollo del modelo ........................................................................................................ 9
Comprensión del sistema .................................................................................................10
Construcción del Modelo ..................................................................................................10
Verificación y Validación del modelo .............................................................................13
Experimentación y Análisis de las salidas ....................................................................13
Experimentación con el modelo ......................................................................................13
Análisis de las salidas ......................................................................................................15
Implantación de los resultados de la Simulación ........................................................16
3.2 Ejemplo de una simulación tipo Montecarlo en hoja de cálculo ...........................................17
Conceptos fundamentales .....................................................................................................18
3.2.1 Descripción y conceptualización de simulación, establecer el problema, especificación del
objetivo (s), definición de indicadores, simulación y determinación de la muestra. ....................24
Elaboración de un modelo de simulación ..............................................................................25
Como especificar valores de variables y parámetros .............................................................27

1

Evaluación de resultados ......................................................................................................28
Determinación de la muestra .................................................................................................29
3.2.2 Caracterización de cada indicador, agrupamiento de datos, gráficas y estimación de
parámetros................................................................................................................................29
Caracterización de cada indicador.........................................................................................29
Agrupamiento de datos .........................................................................................................37
Gráficas y estimación de parámetros en simulación ..............................................................38
Estimación de los parámetros ...............................................................................................40
3.2.4 Establecer el efecto que sobre la variabilidad de un estimador tiene el tamaño de la
simulación .................................................................................................................................49
3.3 Definiciones: replica, corrida, estado transitorio, estado estable, condiciones iniciales, reloj
de la simulación. .......................................................................................................................52
Corrida ..................................................................................................................................54
Estado transitorio ..................................................................................................................56
Estado estable ....................................................................................................................56
Condiciones iniciales .............................................................................................................57
Reloj de simulación ...............................................................................................................57
CONCLUSIONES .....................................................................................................................58
Bibliografía ................................................................................................................................58

2

y los métodos que Von Neumann y Ulam introdujeron para resolver ecuaciones integrales. se utiliza en el análisis de sistemas tan complejos que no es posible su tratamiento analítico o mediante métodos de análisis numéricos. 3 . como los simuladores de vuelo.INTRODUCCION Con el descubrimiento de la computadora digital. La Simulación ha crecido como una metodología de experimentación fundamental en campos tan diversos como las aplicaciones industriales y comerciales. Típicamente. Sus orígenes están en los trabajos de Student para aproximar la distribución que lleva su nombre. así como en diseñar y realizar experimentos con el modelo y extraer conclusiones de sus resultados para apoyar la toma de decisiones. La simulación le permite al usuario experimentar con sistemas reales o propuestos en casos en los que de otra manera esto sería imposible o impráctico. La simulación consiste básicamente en construir modelos informáticos que describen la parte esencial del comportamiento de un sistema de interés. los juegos de simulación. La simulación implica la deducción de un modelo representativo del sistema a simular. la simulación se ha convertido en la herramienta de análisis más poderosa para el diseño y la operación de procesos o sistemas complejos.

Stella e iThink. el siguiente paso es decidir si se utiliza algún lenguaje como el fortran. Las formas más comunes de validar un modelo son: La opinión de expertos sobre los resultados de la simulación.. etc. Implementación del modelo con la computadora Con el modelo definido. las variables que interactúan dentro del sistema y sus interrelaciones. es necesario hacer primeramente un análisis preliminar de este.etc. las medidas de efectividad que se van a utilizar para definir y estudiar el sistema y los resultados que se esperan obtener del estudio. Formulación del modelo Una vez definidos con exactitud los resultados que se esperan obtener del estudio.. con el fin de determinar la interacción con otros sistemas. para procesarlo en la computadora y obtener los resultados deseados. o se utiliza algún paquete como Vensim. En la formulación del modelo es necesario definir todas las variables que forman parte de el. Colección de datos Es importante que se definan con claridad y exactitud los datos que el modelo va a requerir para producir los resultados deseados. las restricciones del sistema. GPSS..Simscript. Validación A través de esta etapa es posible detallar deficiencias en la formulación del modelo o en los datos alimentados al modelo.Rockwell Arena..Simula. sus relaciones lógicas y los diagramas de flujo que describan en forma completa el modelo. 4 .. se define y construye el modelo con el cual se obtendrán los resultados deseados.1 METODOLOGIA GENERAL DE LA SIMULACION Definición del sistema Para tener una definición exacta del sistema que se desea simular..3.lisp.

5 . Se identifican los recursos a utilizar. los requisitos que se van a exigir (relaciones a establecer). Esta fase es muy importante para poder alcanzar un modelo válido.La exactitud con que se predicen datos históricos. con el cual se facilita la interacción y el uso del modelo desarrollado. Formulación del problema Se definen las cuestiones para las que se buscan las respuestas. consiste en generar los datos deseados y en realizar un análisis de sensibilidad de los índices requeridos. La primera se refiere a la documentación del tipo técnico y la segunda se refiere al manual del usuario. La comprobación de falla del modelo de simulación al utilizar datos que hacen fallar al sistema real. las variables implicadas y las medidas de ejecución que se van a usar. Es obvio que los resultados que se obtienen de un estudio de simulación ayuda a soportar decisiones del tipo semi-estructurado. se puede dividir a su vez en 5 fases Identificación del Problema Se hace una abstracción del tipo de problema que se va a tratar. Documentación Dos tipos de documentación son requeridos para hacer un mejor uso del modelo de simulación. La exactitud en la predicción del futuro. La aceptación y confianza en el modelo de la persona que hará uso de los resultados que arroje el experimento de simulación. Interpretación Se interpretan los resultados que arroja la simulación y con base a esto se toma una decisión. Experimentación Se realiza después de que el modelo haya sido validado.

Es importante considerar cuidadosamente las restricciones sobre las variables de decisión. Son función de las variables exógenas y de la estructura del modelo. ya que definen el posible espacio de soluciones dentro del cual se buscará una buena solución o la óptima usando el modelo de simulación. Especificación de las restricciones de las variables de decisión Incluso en el caso de que las variables sean controlables. están limitadas o restringidas a ciertos límites dentro de los cuales se pueden modificar. Las variables serán controlables o incontrolables dependiendo de quién las defina. Éstas a su vez se pueden dividir en dos grupos: · Variables controlables o de decisión (factores): son aquellas sobre las que el analista puede decidir su valor dentro de ciertos límites. éstas se pueden clasificar en: Variables exógenas: son variables externas al modelo y existen con independencia de él. · Variables endógenas: son variables internas y las variables de salida del modelo. · Variables incontrolables o parámetros: sus valores no se pueden decidir sino que vienen fijados. 6 . Se consideran variables de entrada.Reconocer las variables del sistema Se han de identificar las variables que interviene en el sistema y que son de interés para nuestro modelo.

Esta aproximación es muy subjetiva y no se va a considerar. Cuando se quiere tener en cuenta varias medidas de comportamiento. a menudo no se podrán optimizar simultáneamente. el tiempo de espera y el costo de tener los empleados. Estas medidas se seleccionan del conjunto de variables endógenas. Lo ideal sería hacer mínimas ambas medidas. realizando una combinación de todas las medidas usando una dimensión común tal como el costo. Se tienen tres formas de abordar este problema: · Establecer compromisos implícitos entre las medidas. factores pesos.Desarrollar una estructura preliminar del modelo que interrelacione las variables del sistema y las medidas de ejecución . se debe identificar una medida o medidas de comportamiento (o ejecución) para juzgarlo. Para evaluar la efectividad de un sistema. La medida o medidas que se pretenden optimizar se conocen como función objetivo. Hay veces en las que existe una única función objetivo dominante y entonces se intenta optimizar ésta sin tener en cuenta las otras variables. Para realizar esta técnica se tiene que decidir una dimensión común para todas las medidas. · Restricción y corte: seleccionar una medida como la que más interesa optimizar y hacer que las otras estén dentro de un rango de valores aceptable. en este caso. A estas técnicas se les suele conocer como análisis de toma de decisiones multiatributo o multiobjetivo. 7 . pero si se minimiza una de ellas la otra aumenta. Esto reduce la posibilidad de encontrar un óptimo. aunque siempre considerando las restricciones. y formar una función que las combine. hay que estudiar las distintas funciones objetivo e intentar encontrar valores para los cuales las funciones son óptimas. En otras ocasiones existe más de una función dominante. · Establecer compromisos explícitos. Se dan los resultados a quién tenga que tomar la decisión y él será quien establezca la relación entre las variables conflictivas. o al menos las mejores soluciones.

durante este paso se recoge el mayor volumen de datos. entonces se deberá profundizar más en el nivel de detalle. Sin embargo. se reduce y se analiza. · Contribución de las variables al modelo. Colección de datos y Análisis Aunque la recogida de datos se va a ver como el segundo paso. Puede producir perturbaciones reales o físicas en el sistema o psicológicas. lo que se tiene que fijar en este paso es el nivel de detalle al que se debe llegar en el modelo. 8 . es bastante posible que se hayan tenido que recoger datos para la formulación del problema. Los métodos de recogida de datos son tan variados como los problemas a los que éstos se pueden aplicar. El nivel de detalle depende de: · Propósito del modelo. en cuyo caso la precisión puede ser menor.Desarrollo de un modelo apropiado Los modelos son abstracciones de las partes esenciales del sistema. Se ha de intentar ver si con las variables que se han especificado se tiene suficiente para describir estos aspectos importantes del sistema (si no se tienen suficientes entonces el modelo no será una buena representación del sistema). No es igual si lo que se desea hacer es un modelo para una previsión a largo plazo. · El impacto que pueda producir el proceso de recolección sobre el comportamiento del sistema real. En la selección de un método se pueden tener en cuenta los siguientes factores: · Capacidad de quien recoja los datos. debido a que al transcurrir el tiempo las variables van a cambiar e incluso podrán aparecer otras nuevas. En resumen. se puede ir desde las aproximaciones manuales hasta las técnicas más sofisticadas de alta tecnología. o por el contrario se han definido más de las necesarias (esto puede oscurecer las relaciones entre las variables realmente importantes). Si se clasifican por su sencillez. que si se desea una previsión a corto plazo.

Otras veces puede ocurrir que la acción que se quiere observar sea muy rápida y que no sea posible realizar una observación humana. codificación del modelo. Una vez realizado el muestreo. Pero si la medida que se quiere observar depende de una persona. los datos se han de analizar e introducir en el modelo. incluyendo la selección de un lenguaje de programación. Los datos usados para definir el modelo pueden ser de dos tipos: · Determinísticos: son datos conocidos con certeza. · Determinar una distribución probabilística teórica que se comporte como la Muestra y usar ésta en el modelo. se ha de establecer una relación costo- exactitud y hacer una optimización de dicha relación. · El coste del método.· La facilidad de conversión de los datos a una representación procesable por el ordenador. su comportamiento se puede ver afectado por estar siendo observada. Éstos se pueden introducir fácilmente en el modelo. Para decidir el número de muestras necesarias. Esta etapa se va a dividir en dos partes: Comprensión del sistema y Construcción del modelo. Desarrollo del modelo Incluye la construcción y depuración del modelo del sistema real. En muchas situaciones es suficiente con la observación directa y la recogida manual de los atributos de interés. Esto permite tener una mejor comprensión (generalización) del modelo. · Probabilísticos: hay dos formas de incluirlos en el modelo: · Usar la muestra de datos recogida para representar la distribución de probabilidades. 9 .

el de suceso o evento. · Aproximación de Flujo Físico. Las variables de estado describen el estado del sistema en cada momento. se debe definir unas variables endógenas adicionales que son las variables de estado e introducir un nuevo concepto. Para describir esta aproximación. Este dependerá de la aproximación elegida para describir el comportamiento del sistema. La representación del sistema vendrá dada mediante un diagrama de flujo de entidad y los elementos de procesamiento del sistema. Un evento es un instante particular en el tiempo en el que el sistema cambia de estado. este diagrama de flujo podría refinarse para convertirse en el diagrama de flujo del programa. es decir. se puede determinar el estado futuro del sistema. las variables exógenas y la estructura del modelo. Estas entidades pueden tomar diferentes caminos en el sistema. el diagrama de flujo desarrollado debería describir el procedimiento que efectúa los cambios de estado en el tiempo. conocer el comportamiento del sistema. · Aproximación de Cambio de Estado. Se ha de identificar las entidades cuyo procesamiento o transformación constituye el propósito principal del sistema. Si se siguió la aproximación de cambio de estado. Construcción del Modelo Las tareas principales en la construcción de un modelo son: Elección Mecanismo de avance del tiempo. Otros dos factores inciden en la construcción del diagrama de flujo del programa: elegir un mecanismo de avance del tiempo y el lenguaje de programación 10 . Dos técnicas comúnmente usadas son la aproximación de flujo físico y la aproximación de cambio de estado. las rutas que siguen se determinan mediante reglas de decisión.Comprensión del sistema Una de las tareas más difíciles en el análisis de simulación es adquirir el suficiente conocimiento del sistema para poder desarrollar un modelo apropiado. Dados los valores actuales de las variables de estado. Si se eligió la aproximación de flujo físico. La evolución del sistema se puede representar mediante un grafo de sucesos.

T. va desde la ocurrencia de un evento a otro. Si éste es demasiado pequeño se realizará trabajo inútil. El avance del tiempo de simulación depende de cuál de las aproximaciones se elija. en este momento de actualización del reloj se modifican las variables que se vean afectadas por la ocurrencia del suceso. En ese momento puede ocurrir que no haya sucedido ningún cambio o que por el contrario que hayan ocurrido más de un suceso con lo cual se tendrá que decidir cuál atender antes (por ejemplo dando prioridad a los sucesos). Si se elige el incremento por eventos.que se seleccione. Hay que tener cuidado en la elección del incremento de tiempo. En esta aproximación pueden ocurrir “errores de redondeo”. Next Event Time Advance): las comprobaciones y modificaciones de las variables afectadas se realizan sólo después de la ocurrencia de un evento. Si por el contrario se elige un incremento de tiempo fijo.A.. Hay un creciente número de lenguajes de programación disponibles para la implementación de modelos de simulación. Elección de un Lenguaje de programación. Por el contrario si es demasiado grande se producirán muchos errores de redondeo y la dinámica del modelo será ineficiente. que hacen referencia a la diferencia de tiempo que pasa desde que sucede un suceso hasta que éste se computa (cuando el reloj se incrementa). y se incrementa al siguiente tiempo en que vaya a ocurrir un suceso. el reloj se inicia a 0 y se va actualizando cada vez que pase el incremento de tiempo fijado. · Incrementos por los eventos (N. Aquí el incremento de tiempo es variable. en ese momento. 11 . ya que se comprobarán cambios cuando en realidad no ha ocurrido ningún suceso.E. Hay fundamentalmente dos formas de considerar el avance del tiempo en un modelo de simulación: · Incrementos fijos de tiempo: se considera un intervalo fijo de tiempo y el estado del modelo se comprueba después de transcurrido cada uno de estos incrementos constantes. el reloj se inicializa a 0. En esos instantes se observará el sistema para realizar los cambios.

en GPSS hay bloques de diagramas de flujo y conjuntos de sentencias de programa llamados QUEUE que procesan entidades a través de una cola de espera y acumulan datos de variables de salida tales como tiempo de espera en la cola. FORTRAM. aunque consuman más tiempo en la ejecución.…. Si el modelo se implementa con un lenguaje de propósito general. Implementación y depuración del modelo. PASCAL. se puede seleccionar e incluir algoritmos necesarios para generar las variables aleatorias requeridas. Muchos lenguajes de propósito general son completamente adecuados para la simulación. depuración y experimentación más eficientes en tiempo y esfuerzo. SLAM (Simulation Language for Alternative Modeling). ya que se producen a partir de algoritmos determinísticos. Utilizando estos números aleatorios podemos obtener valores de variables aleatorias que sigan ciertas distribuciones de probabilidad. La facilidad o dificultad en esta etapa dependen en gran medida del lenguaje de programación que se haya elegido. Generación de números y variables aleatorias. no lo son totalmente. por ejemplo. y SIMSCRIPT. Se van a necesitar muestras aleatorias para representar valores de variables de entrada probabilísticas. 12 . pero los lenguajes de simulación proporcionan una serie de características que hacen la programación. Sin embargo las propiedades de los números producidos se pueden hacer lo suficientemente cerradas de forma que éstos sean completamente utilizables para la simulación. El lenguaje seleccionado puede influir en la forma exacta del diagrama de flujo del programa de computador. Pero si se utiliza un lenguaje de simulación estos algoritmos están incluidos y pueden ser fácilmente accesibles por el usuario. Aunque se ha hecho referencia a que los números usados en simulación son aleatorios. SIMAN (Simulation Analysis).Entre los lenguajes de simulación destacan: GPSS (General Purpose Simulation System). Quizás la más importante ventaja de los lenguajes de simulación es la correspondencia entre los elementos del sistema y los elementos del lenguaje. Por ejemplo.

de forma que podamos responder a las cuestiones que se plantearon. Experimentación con el modelo El propósito último de la experimentación con el modelo es obtener información acerca del comportamiento del sistema para que esto nos ayude en la toma de decisiones. para poder contrastar varias configuraciones alternativas del sistema. 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. Se dice que un modelo es válido si sus medidas de salida tienen una correspondencia apropiada con las mismas medidas en el sistema real. La Validación consiste en asegurar que existe la una correspondencia entre el sistema real y el modelo.Verificación y Validación del modelo La Verificación del modelo consiste en ver cuál es la consistencia interna del modelo. Un buen método para la validación es hacer un test para ver cómo el modelo predice el comportamiento del sistema ante determinadas entradas. o comparativamente. Experimentación y Análisis de las salidas Se han de diseñar los experimentos que se van a llevar a cabo sobre el modelo y luego analizar las salidas obtenidas. 13 . Cuando consideramos la ejecución de un sistema se puede desear conocer cómo se comporta dicho sistema en sentido absoluto. modelo lógico y un modelo de ordenador. La verificación y validación del modelo se realiza en todas los niveles de modelización: modelo conceptual. O se podrían considerar dos medidas simultáneamente. 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.

Usando varias estrategias se pueden alcanzar puntos altos en el terreno. Hasta para los diseños de experimentos más modestos. Se necesita una aproximación estructurada más directa para encontrar una solución que merezca la pena. Las medidas de salida se pueden adaptar de forma que las suposiciones estadísticas de esta técnica se satisfagan de forma razonable y puedan ser aplicadas en la experimentación del modelo. El uso de un conjunto predeterminado de experimentos es efectivo para encontrar buenas soluciones si se puede aproximar una región de optimalidad con experimentos previos o con la experiencia que se tenga sobre el problema. la representación en 2 dimensiones de la respuesta de superficie es como las líneas de contorno de un mapa topográfico. Sin embargo esta técnica no puede conducir a la mejor solución global.Es evidente que el número de exploraciones que se tendrían que realizar es extremadamente largo. Técnicas de búsqueda de óptimos: un conjunto de estas técnicas se conoce como Metodología de Superficie de Respuesta (RSM). Una vez realizados los experimentos se aplicarían unas técnicas estadísticas denominadas análisis de la varianza (ANOVA). no es algo factible. La superficie de respuesta es la función que describe las relaciones de las medidas de ejecución con los factores o variables de decisión. De hecho. para decidir cuál o cuáles de los factores seleccionados tiene realmente algún impacto en la medida de salida. ni siquiera puede garantizar un óptimo local. Dos factores definen una superficie de 3 dimensiones. la exploración de todas las posibles soluciones en la búsqueda de la mejor solución. la cual puede ser vista como un terreno en donde se puede escalar. y quizás llegar a la cumbre. Conjunto de experimentos predeterminado: esta aproximación impone identificar factores que podrían afectar a la medida de salida y ejecutar los experimentos con los factores puestos a determinados valores. Se consideran dos o más factores pudiendo estar cada uno a dos o más niveles. Podemos considerar dos aproximaciones diferentes para abordar este problema: conjunto predeterminado de experimentos y técnicas de búsqueda de óptimos. Un diseño experimental particularmente general es el diseño factorial. Una estrategia es el método de 14 .

escalado ascendente. Análisis de las salidas En la interpretación de las salidas del modelo. Se pueden realizar dos tipos de análisis con un modelo de simulación: Análisis para sistemas con final definido: la ejecución del modelo finaliza cuando ocurre un evento específico. Esta requiere que el modelo se ejecute suficientemente para hacer que se pueda determinar qué dirección (qué cambios en los valores de los factores) parece conducir a un incremento en la altitud (incremento en la medida de salida). y que el tamaño de la muestra sea lo suficientemente grande para que las estimaciones de las medidas de ejecución alcancen un buen nivel de precisión. pero la representatividad del comportamiento del sistema depende de la naturaleza de las cuestiones que tienen que ser contestadas por el modelo. Mientras que los modelos analíticos proporcionan soluciones con medidas de ejecución completamente definidas. 15 . Las principales cuestiones en la obtención de estimaciones útiles a partir de muestras son: que la muestra sea representativa del comportamiento del sistema. Las salidas del modelo de simulación se consideran muestras. los modelos de simulación producen estimaciones de las medidas que están sujetas a error. en ese momento se ha alcanzado un óptimo local o global. cuando la longitud de la ejecución tiende a infinito. Se tomaría una muestra por ejecución. El tamaño de la muestra es algo que está bien definido. Las variables de decisión se van cambiando de esta forma y el proceso continúa hasta que ya no se puede llegar más alto. Las medidas en estado estacionario se pueden definir como el valor de las medidas en el límite. después de que el sistema ha pasado por algún periodo de comportamiento transitorio. hay algunos aspectos que son únicos de la simulación. Análisis para sistemas con final no definido (sistemas en estado de equilibrio o estacionario): el interés está en medias de las medidas de comportamiento de ejecuciones largas.

En ambos casos, las condiciones inicia les (estado del sistema el empezar la ejecución)
pueden influir en la estimación de las medidas de comportamiento.

El tamaño de la muestra es importante ya que la precisión de las estimaciones
depende de la varianza de la media de la muestra, y la varianza cambia de forma
inversamente proporcional al tamaño de la muestra (si se cuadriplica el tamaño de la
muestra la desviación estándar se reduce a la mitad). La definición de tamaño de
muestra para simulación depende del tipo de análisis que se haya hecho. Para el
análisis de un sistema con final definido se podría reproducir el periodo de interés, con
las condiciones iniciales apropiadas, un determinado número de veces hasta conseguir
la precisión deseada de la estimación. En cada ejecución de obtendrá un elemento de
la muestra. Con un análisis en estado estacionario el tamaño de la muestra está
estrechamente enlazado con el tamaño de la ejecución del modelo o cantidad de
tiempo de simulación.

Implantación de los resultados de la Simulación
Se ha de asegurar que los resultados son aceptados por el usuario.

Este paso final es uno de los más importantes y el que más se descuida de todo el
proceso. Parece obvio que los beneficios de un largo y costoso análisis no se
realizarán sin una implementación apropiada y una aceptación por parte de los
usuarios.

Entre las razones por las que los esfuerzos de implantación son a menudo inútiles, se
incluyen las siguientes:

· Existe un vacío de comunicación entre el analista de la simulación y los encargados y
usuarios del sistema.

· Falta de entendimientos por parte de los encargados del sistema debido a los
tecnicismos utilizados.

· El compromiso de implementación es tardío.

· Resistencia al cambio.

16

· Falta de coincidencia entre el personal disponible y los objetivos marcados por el
modelo.

Hay aproximaciones que tratan estos obstáculos potenciales. Estas aproximaciones
requieren que los usuarios y los analistas estén implicados desde el comienzo en el
proyecto simulación.

3.2 Ejemplo de una simulación tipo Montecarlo en hoja de cálculo

El trabajo presenta a la simulación de Monte Carlo como técnica cuantitativa que hace
uso de la estadística y cuáles son los procesos en los ordenadores para imitar,
mediante modelos matemáticos, el comportamiento aleatorio de sistemas reales no
dinámicos. Concretamente haciendo uso de la planilla de cálculo de Microsoft Excel, se
describe cómo es posible obtener un número pseudo-aleatorio -proveniente de una
distribución uniforme entre el 0 y el 1- usando la función ALEATORIO. Avanzando en
ejemplos mas complejos se construyen modelos de simulación Monte Carlo cuando las
variables aleatorias son discretas o continuas.

La simulación de Monte Carlo es una técnica que combina conceptos estadísticos
(muestreo aleatorio) con la capacidad que tienen los ordenadores para generar
números pseudo-aleatorios y automatizar cálculos.

Los orígenes de esta técnica están ligados al trabajo desarrollado por Stan Ulam y
John Von Neumann a finales de los 40 en el laboratorio de Los Alamos, cuando
investigaban el movimiento aleatorio de los neutrones [W1]. En años posteriores, la
simulación de Monte Carlo se ha venido aplicando a una infinidad de ámbitos como
alternativa a los modelos matemáticos exactos o incluso como único medio de estimar
soluciones para problemas complejos. Así, en la actualidad es posible encontrar
modelos que hacen uso de simulación Monte Carlo en las áreas informática,
empresarial, económica, industrial e incluso social [5, 8]. En otras palabras, la
simulación de Monte Carlo está presente en todos aquellos ámbitos en los que el
comportamiento aleatorio o probabilístico desempeña un papel fundamental -

17

precisamente, el nombre de Monte Carlo proviene de la famosa ciudad de Mónaco,
donde abundan los casinos de juego y donde el azar, la probabilidad y el
comportamiento aleatorio conforman todo un estilo de vida.

Son muchos los autores que han apostado por utilizar hojas de cálculo para realizar
simulación Monte Carlo [1, 6, 7]. La potencia de las hojas de cálculo reside en su
universalidad, en su facilidad de uso, en su capacidad para recalcular valores y, sobre
todo, en las posibilidades que ofrece con respecto al análisis de escenarios (“what-if
anaylisis”). Las últimas versiones de Excel incorporan, además, un lenguaje de
programación propio, el Visual Basic for Applications, con el cual es posible crear
auténticas aplicaciones de simulación destinadas al usuario final. En el mercado
existen de hecho varios complementos de Excel (Add-Ins) específicamente diseñados
para realizar simulación Monte Carlo, siendo los más conocidos: @Risk, Crystall Ball,
Insight.xla, SimTools.xla, etc. [W2 – W5].

Conceptos fundamentales

La función ALEATORIO() de Excel

Las hojas de cálculo como Excel (y cualquier lenguaje de programación estándar) son
capaces de generar números pseudo-aleatorios provenientes de una distribución
uniforme entre el 0 y el 1. Este tipo de números pseudo-aleatorios son los elementos
básicos a partir de los cuales se desarrolla cualquier simulación por ordenador. En
Excel, es posible obtener un número pseudo-aleatorio -proveniente de una distribución
uniforme entre el 0 y el 1- usando la función ALEATORIO:

18

proceso o actividad que se quiere analizar. se lleva a cabo un experimento consistente en (1) generar – con ayuda del ordenador-muestras aleatorias (valores concretos) para dichos inputs. el valor del número generado en un momento dado no depende de los generados con anterioridad). lo cual nos será de utilidad para entender el funcionamiento del mismo –obviamente.Los números generados mediante la función ALEATORIO tienen dos propiedades que los hacen equiparables a números completamente aleatorios: 1. ¿Qué es la simulación de Monte Carlo? La simulación de Monte Carlo es una técnica cuantitativa que hace uso de la estadística y los ordenadores para imitar. cualquier número real entre 0 y 1 tiene la misma probabilidad de ser generado (de ahí el nombre de distribución uniforme). cuando se trata de sistemas cuyo estado va cambiando con el paso del tiempo. el comportamiento aleatorio de sistemas reales no dinámicos (por lo general. dispondremos de n observaciones sobre el comportamiento del sistema.Cada vez que se usa la función ALEATORIO. Tras repetir n veces este experimento. La función ALEATORIO es una función volátil de Excel. Una vez identificados dichos inputs o variables aleatorias. Los diferentes números generados son estadísticamente independientes unos de otros (es decir. nuestro 19 . mediante modelos matemáticos. La clave de la simulación Monte Carlo consiste en crear un modelo matemático del sistema. y (2) analizar el comportamiento del sistema ante los valores generados. 2. identificando aquellas variables (inputs del modelo) cuyo comportamiento aleatorio determina el comportamiento global del sistema. Esto significa que cada vez que pulsamos la tecla F9 o cambiemos alguno de los inputs del modelo. Se pueden encontrar ejemplos del uso de ALEATORIO en el propio menú de ayuda de Excel. se recurre bien a la simulación de eventos discretos o bien a la simulación de sistemas continuos). todas las celdas donde aparezca la función ALEATORIO serán recalculadas de forma automática.

análisis será tanto más preciso cuanto mayor sea el número n de experimentos que llevemos a cabo... p.. 1. 5 consultas). Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el suceso asociado.). Veamos un ejemplo sencillo: En la imagen inferior se muestra un análisis histórico de 200 días sobre el número de consultas diarias realizadas a un sistema de información empresarial (EIS) residente en un servidor central. la probabilidad de que se den 3 consultas en un día sería de 0.. por lo que la tabla anterior nos proporciona la distribución de probabilidad asociada a una variable aleatoria discreta (la variable aleatoria es el número de consultas al EIS. las frecuencias relativas (10/200 = 0.05.. . y las frecuencias relativas acumuladas.. en este caso. que sólo puede tomar valores enteros entre 0 y 5). sabemos que: 20 . . la probabilidad de un determinado número de consultas (así. La tabla incluye el número de consultas diarias (0 a 5) junto con las frecuencias absolutas (número de días que se producen 0. Supongamos que queremos conocer el número esperado (o medio) de consultas por día.e.30). La respuesta a esta pregunta es fácil si recurrimos a la teoría de la probabilidad: Denotando por X a la variable aleatoria que representa el número diario de consultas al EIS.

35 . obtenido de forma aleatoria y según la distribución de 21 . Veamos cómo: Cuando se conozca la distribución de probabilidad asociada a una variable aleatoria discreta.05) para el suceso 0 • [0.85) para el suceso 4 • [0. En él.85 .00) para el suceso 5 El gráfico siguiente nos muestra cada una de las probabilidades sobre el número de consultas.Por otra parte.15 . 0. los intervalos obtenidos son: • [0. 0. al generar un número pseudo-aleatorio con el ordenador (proveniente de una distribución uniforme entre 0 y 1). también podemos usar simulación de Monte Carlo para estimar el número esperado de consultas diarias (en este caso se ha podido obtener el valor exacto usando teoría de probabilidad.35) para el suceso 2 • [0.05 . 1.65 .65) para el suceso 3 • [0. 0.00 . 0. 0. será posible usar la columna de frecuencias relativas acumuladas para obtener los llamados intervalos de números aleatorios asociados a cada suceso.15) para el suceso 1 • [0. estaremos llevando a cabo un experimento cuyo resultado. En este caso. pero ello no siempre será factible). se aprecia claramente la relación existente entre probabilidad de cada suceso y el área que éste ocupa. Esto significa que.

2567. si el ordenador nos proporciona el número pseudo-aleatorio 0. otra forma de hacer esta asignación será usando la función BUSCARV): Repitiendo el proceso de seleccionar y “arrastrar” obtendremos algo similar a: 22 . estará asociado a un suceso. Así por ejemplo. Asignamos pues la función ALEATORIO a una casilla (la G1 en el caso de la imagen): Seleccionando la celda y “arrastrando” con el ratón desde el borde inferior derecho de la misma podemos obtener un listado completo de números pseudo-aleatorios: A continuación.probabilidad anterior. podemos usar la función SI de Excel para asignar un suceso a cada uno de los números pseudo-aleatorios generados (como veremos. podremos suponer que ese día se han producido 2 consultas al EIS.

los valores que obtendríamos en la casilla I1 estarían todos muy cercanos al valor real.Finalmente. por tanto. normalmente obtendremos valores “cercanos” al valor real. debido a la componente aleatoria intrínseca al modelo. Se puede comprobar este hecho pulsando repetidamente sobre la función F9 (cada vez que se pulsa dicha tecla. siendo dichos valores diferentes unos de otros (cada simulación proporcionará sus propios resultados).000 (o mejor aún 10.000) observaciones. Excel genera nuevos valores aleatorios y. nuevos valores para la columna H y la casilla I1). es de esperar que si hubiésemos usado 1. los valores que obtendríamos al pulsar repetidamente F9 no serían estimaciones tan buenas al valor real. 23 . Sin embargo. hemos obtenido un valor estimado que corresponde exactamente con el valor real anteriormente calculado vía la definición teórica de la media. Si en lugar de usar una muestra aleatoria formada por 100 observaciones hubiésemos usado una formada por 10. Por el contrario. usando la función PROMEDIO será posible calcular la media de los valores de la columna H: En este caso.

Estos experimentos comprenden ciertos tipos de relaciones matemáticas y lógicas.3. simulación y determinación de la muestra. los cuales son necesarios para describir el comportamiento y la estructura de sistemas complejos del mundo real a través de largos periodos de tiempos. especificación del objetivo (s). Según Thomas H. Shannon dice que la simulación es el proceso de diseñar y desarrollar un modelo computarizado de un sistema o proceso. Engloba soluciones para diversas situaciones. y conducir experimentos con este modelo. con el propósito de entender el comportamiento del sistema o evaluar varias estrategias con las cuales se puede operar el sistema.1 Descripción y conceptualización de simulación. establecer el problema. controlando las variables. Naylor define: Simulación es una técnica numérica. 24 . Se puede definir como una experimentación con modelos que imitan aspectos que ya ocurrieron para así poder trabajar en condiciones parecidas a las reales.2. definición de indicadores. para conducir experimentos en un computador. Robert E. tomando un entorno parecido al real pero acondicionado artificialmente.

los cuales se comentarán posteriormente en el capítulo. bajo el control de quien toma las decisiones) es la regla que rige el pedido. un modelo de programación lineal se usa en varias situaciones con sólo restablecer los valores de la función objetivo y las restricciones). También se podría especificar otro objetivo posible. Básicamente.Gordon dice que la simulación de sistemas. La definición del problema para efectos de simulación difiere un poco de la definición del problema para cualquier otra herramienta de análisis. como una técnica para resolver problemas a base de seguir cambios a través del tiempo de un modelo dinámico de un sistema. El objetivo del propietario de la pescadería es maximizar la ganancia sobre la venta del pescado. mientras las variables relevantes incontrolables son los niveles de demanda diarios de pescado y la cantidad vendida del mismo. 2013). Un ejemplo es el mercado del pescado. La variable relevante controlable (es decir. Especificación de las variables y parámetros El primer paso en la elaboración de un modelo de simulación es determinar las propiedades del sistema real que deben ser 25 . La naturaleza única de cada modelo de simulación significa que los procedimientos analizados en adelante para la elaboración y ejecución de un modelo representan una síntesis de varios enfoques para la simulación y que son lineamientos en vez de las reglas rígidas. Sin embargo. existen lenguajes de simulación que facilitan la elaboración del modelo. como maximizar las ganancias por la venta de langosta o maximizar el ingreso de las ventas. "Simulación es la investigación de una hipótesis o un conjunto de hipótesis de trabajo utilizando modelos" (Betancourt. Elaboración de un modelo de simulación Una característica que distingue a la simulación de las técnicas como la programación lineal o la teoría de colas es el que un modelo de simulación debe elaborarse conforme a las necesidades de cada situación de problema (contrariamente. implica la especificación de objetivos e identificación de las variables relevantes controlables e incontrolables del sistema que se va a estudiar.

Especificación de las reglas de decisión Las reglas de decisión (o reglas operativas) son conjuntos de condiciones bajo los que se observa el comportamiento del modelo de simulación. el enfoque está en la condición de las variables en diferentes puntos de tiempo. Especificación de las distribuciones de probabilidad Se pueden usar dos categorías de distribución para la simulación: las distribuciones empíricas de frecuencia y las distribuciones estándar matemáticas. los parámetros son el costo y el precio de venta del pescado. las variables son la cantidad de pescado pedido. qué trabajo procesar primero). Estas reglas son el enfoque directo o indirecto de casi todos los estudios de simulación. En ciertas situaciones pueden estar involucradas si se toma en cuenta la cantidad grande de variables en el sistema. muchas veces se puede suponer de manera razonable que la demanda está muy vinculada con una distribución estándar matemática.2. En la pescadería. como los kilos de pescado demandado y vendidos al día. Por ejemplo.fijas (denominadas parámetros) y a cuáles se les debe permitir que varíen durante la ejecución de la simulación (llamadas variables). la cantidad de pedidos acumulados atrasados y las existencias de seguridad deseadas. En la mayoría de las simulaciones. el tiempo se puede avanzar con uno de dos métodos: 1) incrementos fijos o 26 . por ejemplo. las reglas de decisión son prioritarias (por ejemplo. se podría establecer una regla de pedidos de inventario de tal modo que la cantidad a pedir dependiera de la cantidad en inventario. la demandada y el volumen de ventas. En muchas simulaciones. Lo anterior simplifica en gran medida la recopilación y captura de datos. Pero. Una distribución empírica se deriva de observar las frecuencias relativas de cierto evento. a qué cliente atender primero. como la normal o Poisson. Dichas distribuciones se determinan por observación directa o análisis detallado de registros (su uso se mostrará en el ejemplo de simulación de líneas de espera). Podría verse como la presentada a la izquierda en la ilustración 19A. como la llegada en una línea o la demanda de un producto. Es decir que se trata de una distribución de demanda elaborada según las necesidades que sólo es relevante para una situación en particular. Especificación del procedimiento para incrementar el tiempo En un modelo de simulación. la cantidad anteriormente pedida mas no recibida.

En el método de incremento de tiempo fijo. De ser así. los analistas han seguido varios planteamientos como 1) descartar los datos generados durante las primeras partes de la ejecución. Como especificar valores de variables y parámetros Por definición. Por lo general se prefiere el método de incremento de tiempo variable. Ignora los intervalos de tiempo cuando no sucede nada y avanza de inmediato al siguiente punto cuando se presenta algún evento. cuando se presentan relativamente pocos eventos en una cantidad considerable de tiempo. se simulan los eventos y avanza el tiempo. Sin embargo. en cierto sentido. para emplear cualquiera de estas alternativas. el tiempo del reloj avanza por la cantidad requerida para iniciar el siguiente evento. Lo anterior se debe a que el modelo se sesga por una serie de valores iniciales hasta que el modelo llega a un estado estable. Por lo tanto. el analista debe tener una idea del margen de datos de salida esperado. el valor de una variable cambia conforme avanza la simulación. 27 . horas o días) y la simulación continúa por intervalos fijos de un periodo al siguiente. En el método de incremento de tiempo variable. Determinación de condiciones iniciales La determinación de condiciones iniciales para las variables es una decisión táctica importante en la simulación. el tiempo de todas maneras avanza una unidad. En ambos métodos de incrementos de tiempo es importante el concepto de un reloj simulado. que requiere menos tiempo de ejecución de cómputo. Para manejar este problema.2) incrementos variables. se rastrea el sistema para determinar si ocurría algún evento. aunque se le debe dar un valor inicial. Cabe recordar que el valor de un parámetro permanece constante. 2) seleccionar las condiciones iniciales que reducen la duración del periodo de calentamiento o 3) seleccionar las condiciones iniciales que eliminan el sesgo. sin embargo. se especifican los incrementos uniformes de tiempo del reloj (como minutos. de lo contrario. En cada punto de tiempo de reloj. ¿Cuál es el método más conveniente? La experiencia indica que es más recomendable el incremento de tiempo fijo cuando los eventos de interés ocurren con regularidad o la cantidad de eventos es grande y normalmente ocurren varios en el mismo periodo. puede cambiar conforme se estudian diferentes alternativas en otras simulaciones.

análisis de regresión y pruebas t. Determinación de duración de la ejecución La duración de la ejecución de simulación (duración de la ejecución o tiempo de ejecución) depende del propósito de la simulación. 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. 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. 28 . 1 año o una década y ver si las condiciones al final del periodo son razonables. una de las únicas características de la simulación es que permite la crítica en el diseño y análisis de la simulación. por lo que si el analista tiene cierta información que alberga un problema. De hecho. datos operativos del desempeño de sistemas semejantes y la percepción del analista de la operación del sistema real. significaría que las ventas simuladas de pescado corresponden a sus frecuencias relativas históricas. Otro planteamiento es ejecutar la simulación durante un periodo establecido como 1 mes. Quizás el planteamiento más común sea continuar la simulación hasta lograr un equilibrio. el análisis tiene más información disponible con la cual comparar los resultados de simulación: datos operativos antiguos del sistema real. Los procedimientos estadísticos que normalmente se usan en la evaluación de resultados de simulación incluyen el análisis de varianza. Esta alternativa se considera en la siguiente sección. Evaluación de resultados Desde luego que las conclusiones que se pueden obtener de una simulación dependen del grado en que el modelo refleja el sistema real.el analista sesga los resultados. aunque también depende del diseño de la simulación en un sentido estadístico. Un tercer planteamiento es establecer la duración de la ejecución de modo que se obtenga una muestra suficientemente grande para efectos de pruebas de hipótesis estadística. En el ejemplo del mercado de pescado. Por otro lado. En la mayoría de las situaciones. se debe incluir. la única prueba real de una simulación es qué tan bien se desempeña el sistema real después de haber implantado los resultados del estudio.

Esto se debe a que son la única herramienta disponible para traducir una colección de hipótesis acerca de procesos ecológicos en una representación de cómo el ecosistema funciona en su totalidad. agrupamiento de datos. tanto para caracterizar la distribución de la variable. como para fijar el grado de precisión del cuando se efectúa un estudio de carácter cuantitativo (limitado al uso de un muestreo aleatorio simple.2 Caracterización de cada indicador. y que es obtenida a partir de la muestra representativa de la respectiva población. 3. que requieren de información precisa sobre las variables consideradas. en el cual se utilizan métodos estadísticos inferenciales como medios para el análisis. que es desarrollado completamente. que facilitan su elección. se exponen algunas bases teóricas y empíricas que ayuden a utilizar de la mejor manera posible las distintas ecuaciones que permiten el cálculo del tamaño muestral. Caracterización de cada indicador Los modelos de simulación constituyen una herramienta fundamental para entender la complejidad que caracteriza los sistemas ecológicos y ambientales. usando la ayuda didáctica de los árboles de decisión. desde la concepción del problema hasta las conclusiones finales. Por otro lado. las pruebas de hipótesis y el análisis de experimentos. agrupadas en 6 figuras. se muestra un ejemplo de investigación. El artículo presenta varias ecuaciones para la determinación del tamaño muestral. como ser la estimación estadística. económicos y 29 .2. Con el fin de ejemplificar la manera de utilizar los árboles de decisión para la elección de la ecuación adecuada en el cálculo del tamaño muestral. Estos permiten realizar análisis de impactos tecnológicos. gráficas y estimación de parámetros. unietápico y fijo).Determinación de la muestra La determinación del tamaño muestral en una investigación es de vital importancia.

Su empleo se enfoca generalmente a comprender mejor los problemas y anticipar la realidad que se investiga. Por el contrario. dentro de estas clasificaciones existen otras categorías. de insumos y ambientales. algunas de las principales clasificaciones y ejemplos de trabajos realizados en Cuba con estos modelos. que necesitarán una mejor interpretación en su interacción frente a otros factores productivos. así como las peculiaridades del modelo DSSAT (sistema de apoyo para las decisiones de transferencia agrotecnológica). Un buen modelo es capaz de revelar interacciones entre los diferentes componentes que no eran evidentes al estudiar cada uno de los procesos separadamente y permitirá ensayar experimentos que no se podrían realizar en el sistema real. De acuerdo con la cantidad de datos y el conocimiento que está disponible dentro de un campo particular. el índice de área foliar. la evaluación de estrategias productivas y los pronósticos del rendimiento de los cultivos. se derivan de datos observados sin involucrar procesos fisiológicos y tienen escasa capacidad explicativa. para poder lograr posteriores aplicaciones como primera aproximación de la capacidad productiva en distintas condiciones edafoclimáticas de Cuba. esta revisión pretende dar a conocer las características e importancia de los modelos de simulación de cultivos. la radiación fotosínteticamente activa. Los modelos de simulación se clasifican en dos grandes grupos: empíricos y mecanicistas. así como también lograr la investigación de ciertos procesos en plantas. pero no se pueden hacer delimitaciones definidas. Los primeros son descriptivos. La clasificación de los modelos ha sido intentada anteriormente. que de acuerdo a sus características han sido nombradas de diferente forma. la fotosíntesis.ambientales. Por tanto. la respiración y la eficiencia en el uso de la radiación . se desarrollan modelos con diferentes niveles de complejidad. 30 . En este trabajo se abordan las características y utilización de los modelos de simulación. ya que los modelos generalmente poseen características de más de un grupo . los modelos mecanicistas poseen capacidad explicativa de la fisiología del cultivo. No obstante. como herramienta principal en los procesos de toma de decisiones. porque consideran aspectos como la temperatura.

su diámetro y la producción final de caña de azúcar. existe comprensión o explicación en los niveles inferiores. a diferencia de los modelos empíricos que describen las relaciones matemáticas entre los datos . el comportamiento de un cultivo. la relación entre la altura del tallo y el número de tallos. Modelos estáticos y dinámicos. Estos modelos tienen la habilidad de imitar importantes procesos físicos. Modelos empíricos o descriptivos: Estos modelos describen. El analista comienza usualmente con algún empirismo y en la medida que se gana en conocimiento se introducen variables y parámetros adicionales para explicar la producción de la cosecha. de una o más ecuaciones matemáticas. Por tanto. por tanto. la relación entre el área de la hoja y la cantidad de hojas de una planta dada. para la representación del proceso examinado. Estos modelos son aquellos que describen el comportamiento del sistema en términos de propiedades de bajo nivel. químicos o biológicos. El desarrollo de un modelo empírico se basa en la individualización. Modelos mecanísticos. La mayoría de los modelos de crecimiento de cultivos caen dentro de esta categoría. a partir de datos experimentales. y describir cómo y porqué resulta una respuesta particular. Los modelos empíricos son descripciones directas de los datos observados y se expresan generalmente como ecuaciones de regresión (con uno o varios factores) y se utilizan para estimar la producción final. Así. Los modelos estáticos representan relaciones entre las variables que no se modifican en el tiempo y. Las principales carencias de este tipo de aproximación son las de investigar: en la limitada validez en ambientes diversos a los originales en el empleo de las ecuaciones que a menudo no tienen un significado biológico. se conoce su valor final y no su 31 .Los modelos que estudian las relaciones biológicas para describir el comportamiento de un sistema se les denominan modelos mecanísticos. de un modo simplificado. el analista adopta un enfoque reduccionista. Ejemplos de tales modelos incluyen la respuesta de la producción a la aplicación de fertilizantes.

evolución en el tiempo (ejemplo simulación de la intercepción solar. se plantea que desde este tiempo se ha venido trabajando en Cuba en la aplicación de diferentes funciones matemáticas para describir el crecimiento de diferentes cultivos. Modelos determinísticos y estocásticos. es posible seguir la evolución temporal de cada una de las variables del sistema (ejemplo: balance de nitrógeno e hídrico en el suelo). pero en otros pueden resultar insatisfactorios. Sin embargo. con el fin de describir el crecimiento de disímiles cultivares. donde se realizó una comparación entre diferentes funciones matemáticas para describir el crecimiento de algunos órganos en posturas de café crecidas en vivero. como papa. varianza o elemento aleatorio. cítricos. fotosíntesis). Los modelos dinámicos describen el modo en el cual el sistema cambia en el tiempo y. 32 . por ejemplo. más inadecuados se vuelven los modelos determinísticos. se hace recomendable desarrollar un modelo estocástico que dé un valor medio esperado con una varianza asociada. en la predicción de lluvia. además. es recomendable intentar resolver el problema inicialmente con un enfoque determinístico y utilizar el enfoque estocástico solo si los resultados no son adecuados o satisfactorios. los modelos determinísticos pueden ser adecuados a pesar de estas variaciones inherentes. debido a imprecisiones en los datos recogidos y a heterogeneidad del material con que se ha trabajado. para una variable una distribución de valores. producción de la cosecha) sin ninguna distribución probabilística asociada. En algunos casos. los modelos estocásticos tienden a ser difíciles de manipular y rápidamente se vuelven muy complejos. por lo tanto. Los modelos estocásticos señalan. en cambio. Cuando la variación y la incertidumbre alcanzan un nivel alto. En los sistemas biológicos y agrícolas son normales las variaciones. Por consiguiente. Los modelos determinísticos atribuyen un solo valor a cada variable del sistema. Trabajos realizados en Cuba con la aplicación de modelos empíricos Desde la década de los 80 los modelos empíricos han sido ampliamente usados por muchos investigadores cubanos. entre estos trabajos podemos mencionar algunos de los desarrollados en el INCA (Instituto Nacional de Ciencias Agrícolas). Cuanto mayor sea la incertidumbre del sistema. Hacen predicciones para cantidades (por ejemplo.

especialistas de la Universidad Agraria de La Habana. Por primera vez en el país. elaboraron los primeros trabajos para utilizar en nuestras condiciones geográficas cinco de los modelos agrohidrológicos de alcance internacional.tomate y café. la altura sobre el nivel del mar y dos fechas de siembra. en países de clima templado. La importancia de este trabajo es facilitar herramientas que sean útiles para lograr una correcta estrategia agrícola y aprovechar al máximo el agua disponible. el crecimiento de plántulas de cafeto en diferentes condiciones de aviveramiento. También se obtiene una versión del modelo Swap para la caña de azúcar. Este predice los daños que puedan originarse por cambios climáticos. Trabajos realizados en Cuba con la aplicación de modelos determinísticos Durante tres décadas se han aplicado estos modelos. lo puso en práctica e informaciones preliminares anticipan un saldo productivo y económico alentador. y se establecieron dinámicas para cada una de las variables evaluadas. en la dinámica de crecimiento de plántulas. dentro del rango en que se realizó el estudio. se ofrecen los parámetros que describen las propiedades hidráulicas para los principales grupos de suelos cubanos. y el de Investigaciones de la Caña de Azúcar.96 y 0. los datos fueron ajustados a una función exponencial polinómica de segundo grado (y =eb0 +b1x+b2x2). del Instituto Nacional de Riego y Drenaje. en tiempos de prolongada sequía como los actuales.98. Esta investigación le confiere validez al modelo Swcrop para ser utilizado en el cultivo de la papa en condiciones tropicales. obteniéndose valores de R2 entre 0. con el objetivo de conocer la influencia del uso o no de la sombra durante el período de aviveramiento. Una Unidad Básica de Producción Cooperativa del central Héctor Molina en La Habana. 33 . antes solo se empleaba en clima templado. Se determinó. Por los beneficios que aportan. en lo fundamental. esto permite estimar el valor de la variable en cuestión en cualquier momento. también. así como en la extensión del período de aviveramiento (Figura 1). características del suelo y fecha apropiada para la siembra.

Los modelos de simulación respecto a cultivos agrícolas son una categoría de modelos ambientales que. y con la capacidad de obtener variables que describen el estado del cultivo en diferentes puntos del tiempo. con el objetivo de resumir y discutir las principales características de los modelos de simulación (STIC y MACRO) disponibles para la investigación en el Instituto de Riego y Drenaje de Cuba. y sus posibilidades para la predicción del comportamiento de los cultivos agrícolas ante diferentes manejos de agua. operando en pasos de tiempo y un orden de magnitud por debajo de la estación del crecimiento. Más específicamente. 34 . predicen el rendimiento de los cultivos. fundamentalmente para las condiciones edafoclimáticas de la región del sur de La Habana . etc. Investigadores del Instituto Nacional de Riego y Drenaje de Cuba realizaron el trabajo titulado “Posibilidades de los modelos de simulación como herramienta eficaz en los estudios del manejo óptimo del agua y la fertilización en diferentes sistemas de cultivos agrícolas”. y la dinámica de la humedad y otros nutrientes. el rendimiento.En el Instituto de Investigaciones de Riego y Drenaje se ha trabajado durante varios años en la evaluación y validación de diferentes modelos de simulación de transferencias hídricas. el crecimiento y desarrollo de las plantas. Un modelo de cultivo es la simulación dinámica del crecimiento por el uso de la integración numérica de los procesos constituyentes con la ayuda de las computadoras. con el objetivo de explorar a partir de datos históricos los resultados de dos décadas de experimentos de campo de cebolla cultivada en la Estación Experimental de Riego y Drenaje. con el fin de obtener los coeficientes de cultivo (Kc) y la fracción de agotamiento (p) adecuada para este cultivo. por ejemplo. típicamente. la biomasa por unidad de área. el contenido de nitrógeno de las hojas. esto implica un programa de computación que describe la dinámica del crecimiento del cultivo en relación con el ambiente. para la calibración y validación del modelo ISAREG. De igual forma. el estadio de desarrollo. se desarrolló el trabajo titulado Coeficientes de cultivo de la cebolla y su determinación con el modelo ISAREG. fertilización y ambientes climáticos.

entre otros. por otra. para evaluar diferentes planteos productivos o analizar un factor manteniendo los otros constantes. enfocados a proporcionar estimaciones realistas del comportamiento de los cultivos bajo diferentes estrategias de manejo y condiciones ambientales. Modelo DSSAT (Sistema de Apoyo de Decisiones para la Transferencia de la Agrotecnología). a la inadecuación en las representaciones de los procesos e interacciones del sistema agua-suelo-planta-atmósfera. Esto está asociado primeramente a la no disponibilidad de datos apropiados para la validación del modelo y. Es por ello necesario validar los modelos en los ambientes en donde se utilizarán. y permiten analizar y cuantificar las relaciones existentes entre los factores mencionados y sus efectos como componentes del sistema. manejo de la irrigación. Los modelos de simulación agronómica son herramientas que integran información. Es por tanto muy importante antes de adoptar uno u otro modelo para aplicaciones agrícolas y medioambientales que se realice un trabajo de evaluación y validación exhaustivo de estos. potencialidad de cultivares. por ejemplo. por lo tanto. es erróneo pensar que podamos representar perfectamente los sistemas biológicos y. Estos modelos se han combinado en un paquete. suelo y manejo del cultivo. Estos archivos se utilizan para proveer en la simulación un 35 . un grupo internacional de científicos cooperantes han desarrollado modelos de simulación de cultivos. Numerosos modelos han sido desarrollados por diferentes grupos de trabajo y cada uno de ellos tiene fortalezas y debilidades para predecir las variables de respuesta. Los modelos de simulación de cultivos del DSSAT utilizan archivos de datos para clima. la modelización está orientada generalmente a ver la respuesta a aspectos precisos como: predicción de la producción. por sus siglas en inglés). como parte de un programa de enlaces (software shell) conocido como Sistema de Apoyo para Decisiones de Transferencia de Agrotecnología (DSSAT. No obstante la capacidad relativa de los modelos existentes y la credibilidad de sus resultados es todavía un aspecto importante a valorar. Desde 1983. la variación del rendimiento por efecto del clima sin modificar el manejo.Si definimos a los modelos de cultivos como la representación matemática de una síntesis de mecanismos y procesos. el genotipo y el suelo.

con un software que facilita la evaluación y aplicación de estos modelos de cultivos para diferentes propósitos. 36 . integrando nuestro entendimiento de los procesos complejos de las plantas influenciados por el clima. analizar variabilidad espacial y evaluar diferentes prácticas de manejo específicas a una explotación o parte de ella. y análisis espacial a escala de campo o regional. Hoy en día. Estos permiten simular el crecimiento de cultivos de importancia económica y han demostrado alta confiabilidad en distintas condiciones de clima. experimentos y precios. El DSSAT de la Red de Sitios Indicadores Internacionales para la Transferencia de la Agrotecnología (IBSNAT) incluye un sistema de manejo de base de datos. simular producciones de cultivo en una o varias épocas y en secuencias. Los modelos proveen una de las mejores aproximaciones del comportamiento de los cultivos. Con este modelo es posible organizar y archivar bases de datos sobre clima. este paquete tiene incorporado 16 modelos de cultivos diferentes. incluye varios programas de aplicación para análisis estacionales. suelos. analizar resultados y representar gráficamente simulaciones. El modelo DSSAT ha sido usado por investigadores de todo el mundo en los últimos 15 años. el suelo y las condiciones de manejo. El DSSAT ha tenido los siguientes impactos: ha sido adoptado por más de 1500 investigadores en 91 países utilizado en más de ocho proyectos nacionales e internacionales sobre el cambio climático cientos de aplicaciones desarrolladas independientemente de los creadores originales validó el enfoque de sistemas para la transferencia tecnológica dio lugar a la formación de ICASA.ambiente parecido a donde crece el cultivo. los modelos de simulación forman parte del Consorcio para la Aplicación de Sistemas Agrícolas ICASA (International Consortium for Agricultural System Application). El DSSAT. rotación de cultivo y análisis secuencial. suelo y manejo. cultivos. además. modelos de simulación de cultivos y programas de aplicación.

Todos los datos de la cuadrícula seguirán estando presentes. Cada diseño en un análisis se agrupa por separado. se aplican los agrupamientos a todas las visualizaciones de la ficha de diseño actual. Los siguientes pasos indican cómo agrupar y desagrupar datos y cómo crear una animación de los datos agrupados. sin afectar el contenido de los otros diseños del análisis. Una vez que haya agregado un atributo al área Paginación según. Puede poner Región en el área de paginación y ver los datos sobre los sueldos de los empleados por Director y Empleado. Cuando se filtran los datos de grupo en un análisis. arrastre y suelte el atributo que desea utilizar para agrupar datos en Área de paginación. los datos serán más fáciles de manejar si los agrupa en subconjuntos lógicos y consulta solo un subconjunto cada vez. si bien estarán agrupados en secciones más pequeñas y manejables. realice los siguientes pasos: Desde el panel Objetos de conjunto de datos. Para agrupar o desagrupar datos en un análisis Realice una de las siguientes acciones: Para agrupar datos por un atributo.Agrupamiento de datos Cuando tiene un conjunto de datos muy grande en un análisis de Exploración visual de datos. Por ejemplo. a razón de una región cada vez. 37 . Director y Empleado. Los elementos del atributo se muestran automáticamente en el área de paginación. una cuadrícula en el análisis refleja los sueldos de los empleados por Región. puede hacer clic en un elemento de atributo para utilizarlo para agrupar datos o desplazar el cursor encima de un elemento de atributo en el área Paginación según para mostrar rápidamente los datos tal como se mostrarían si se hubiese seleccionado el elemento.

a continuación. a continuación. haga clic en el icono de flecha a la derecha y seleccione Quitar. Las opciones son: Barra de botones Barra de desplazamiento Lista desplegable Para quitar un atributo del área de paginación. Por ejemplo. Gráficas y estimación de parámetros en simulación Para poder apreciar si la simulación está funcionando correctamente. lo mejor que puede hacerse es visualizar la forma en que está evolucionando a través de gráficas y animaciones.Desplace el cursor sobre el nombre del atributo en el área de paginación y. desplace el cursor encima del nombre del atributo en el área de paginación y. Aparecerá una lista de opciones. Por defecto. los elementos de atributo en el área de paginación aparecen como botones seleccionables en una barra de botones. desplácese encima del nombre del atributo del área de paginación y. Puede cambiar el estilo en el que los elementos se muestran en el área de paginación. 38 . haga clic en el icono de flecha ubicado a la derecha. a continuación. Para reemplazar el atributo en el área de paginación con otro atributo del panel Objetos de conjunto de datos. elija Reemplazar con y seleccione el atributo según el cual desea agrupar los datos. Puede mostrar una animación de los datos para crear un ciclo que atraviese una visualización de los datos agrupados por cada elemento de atributo en el área de paginación. puede elegir mostrar los elementos de atributo como opciones en una lista desplegable.

plot([3]*5) Out[177]: [<matplotlib.Line2D at 0x3f874d0>] 39 . Este método también puede usarse para generar una línea horizontal como: In [176]: plt.lines.cla() se utiliza para limpiar la región de la gráfica antes de volver pintar sobre ella nuevamente.cla() In [177]: plt.

en muchos casos. Conviene recordar que la estimación de parámetros implica conocimientos sobre a teoría de muestreo y sobre inferencia estadística. fácilmente.Estimación de los parámetros En las correspondientes fichas de ejercicios los valores de los parámetros se dieron por conocidos. De cualquier modo. En este manual se referirá uno de los métodos generales más usados en la estimación de parámetros – el método de los mínimos cuadrados. estas estimaciones aproximadas también tienen. por si 40 . Este método utiliza. se presentan también algunos métodos particulares. Así. que permiten obtener. estimaciones próximas a los verdaderos valores de los parámetros. procesos iterativos de estimación que requieren valores iniciales próximos a los verdaderos parámetros. En este capítulo se analizarán los diversos métodos para estimar los parámetros. no siendo necesario estimarlos.

Asuntos como el análisis de residuos. Y2.. B La variable independiente es lineal con los parámetros Y = A+BX Objetivo Observados n pares de valores (cada par esta constituido por un valor seleccionado de la variable independiente y el valor observado correspondiente a la variable dependiente) estimar los parámetros del modelo o sea: Observados xi e yi para cada par i. como i = 1.. método de mínimos cuadrados Modelo Considerando las siguientes variables y parámetros: Variable dependiente (o respuesta) =Y Variable independiente (o auxiliar) =X Parámetros = A.. del modelo lineal múltiple y de modelos no lineales (método de Gauss-Newton). etc. El método de los mínimos cuadrados es presentado bajo las formas de Regresión lineal simple.. No obstante... Yi... sería necesario un curso de mayor duración. 2.....n Estimar A y B y (Y1. límites y intervalos de confianza.. distribución en el muestreo de los estimadores (asintóticas o empíricas «Bootstrap» y «jacknife»)..solas. interés práctico. Yn) para los n pares de valores observados (Valores estimados 41 . Regresión lineal simple. son importantes en la estimación de parámetros... Estos métodos serán ilustrados con la estimación de los parámetros de crecimiento y de la relación stock-reclutamiento. para abordar estos asuntos. S-R. i.

Este criterio se denomina método de los mínimos cuadrados.. después de algunas transformaciones matemáticas.. Nótese que los valores yi observados.b. para un mismo conjunto de valores de X seleccionados. Estadísticamente se acostumbra a presentar el problema de la regresión lineal simple escribiendo el modelo como: y = A + BX + e donde e es una variable aleatoria con valor esperado igual a cero y varianza igual a s2. y (o a y b) y . el valor esperado de y será Y o A+BX y la varianza de y será igual a la varianza de e. ) b = Sxy/Sxx a= . Así. )(y . ... Para llevar a cabo la minimización han de igualarse a cero las derivadas ¶F/¶A y ¶F/¶B y resolver el sistema de ecuaciones obtenido respecto A y B. da los siguientes resultados: Sxx = S(x . dependen de la muestra recogida. La resolución del sistema de ecuaciones. .. )(x . ) Sxy = S(x . ) unción objeto (o función criterio) Criterio de estimación Los estimadores serán los valores de A y B que hacen mínima la función objeto.. 42 .

para el análisis del ajuste del modelo a los datos observados. esto es. esto es residuo = (yi . ) En tanto que Residuo es la diferencia entre yobservado e Yestimado ( ). esto es desvío = (y. Es conveniente.Se acostumbra a diferenciar desvío de residuo: Desvío es la diferencia de yobservado e ymédio ( ). la variación de los valores estimados de la variable dependiente explicada por el modelo. esto es. ). La suma total de los cuadrados de los desvíos de los valores observados es igual a: 43 . considerar las siguientes características: La suma de los cuadrados de los residuos: Esta cantidad indica la variación residual de los valores observados en relación a los valores estimados del modelo. La suma de los cuadrados de los desvíos de los valores estimados del modelo es igual a: Este valor indica la variación de los valores estimados de la variable dependiente del modelo en relación a su media. la variación de los valores observados no explicada por el modelo.

1-r2 es el porcentaje de la variación total que no es explicada por el modelo. 3.2 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. etc. Se pide que se observe cómo varían estos estadísticos al introducir valores extremos.2. 44 .r2) donde r2 (coeficiente de determinación) es el porcentaje de la variación total que es explicada por el modelo y.2.Este valor indica la variación total de los valores observados en relación a la media Es fácil verificar la siguiente relación: SQtotal = SQmodelo + SQresidual o o 1 = r2 + (1 .3 Aumentar el tamaño de la simulación y repetir 3.

50 y 500 individuos). C7m2c1A Comparar. Se introducen los valores deseados y el programa calcula automáticamente los estadísticos centrales. El usuario puede escoger el valor alpha del modelo Exponencial y la medida de la muestra a simular. 45 . 10. C7m1_consistencia Visualizar el significado de la propiedad de consistencia para estimadores. Ha de verse cómo. mediante simulaciones. sólo el estimador consistente converge al verdadero valor del parámetro estimado. Observar el comportamiento de los dos estimadores al incrementar el tamaño muestral. Funcionamiento: 1. En la gráfica se muestran los resultados obtenidos para diez muestras de medida diferente (2. Con este propósito se comparan. las propiedades de consistencia i sesgo para cuatro estimadores del valor alpha (la esperanza) de una distribución Exponencial.Funcionamiento: 1. 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). 2. mediante simulaciones. al aumentar el tamaño muestral. Presionar el botón correspondiente para obtener nuevas simulaciones.

en lugar de obtener una única simulación. Presionar el botón correspondiente para obtener una nueva simulación. se obtiene un número arbitrario de simulaciones. C7m2c1B Como en el caso anterior pero. 2. 4. Observar los valores de los cuatro estimadores. Con esto es posible añadir al estudio de la consistencia y el sesgo la eficiencia de un estimador. 3. Repetir todo el proceso diversas ocasiones y llegar a conclusiones respecto a las propiedades de consistencia y sesgo. Entrar los valores de alpha y el tamaño de la muestra a simular. 46 .Funcionamiento: 1.

Observar los valores de los cuatro estimadores. 4. 2. sesgo y 47 . Presionar el botón correspondient e para obtener las nuevas simulaciones. 3. Entrar los valores de alpha.Funcionamiento: 1. Repetir todo el proceso diversas ocasiones y llegar a conclusiones respecto a las propiedades de consistencia. el tamaño de la muestra y el número de muestras asimular.

C7m2c2A Visualizar el concepto de estimador máximo verosímil. 2. Funcionamiento: 1. Comparar el valor obtenido con los estadísticos calculados para esta muestra. 48 . Se parte de una muestra conocida procedente de una distribución Exponencial. Utilizar las barras de desplazamie nto para variar la estimación de alpha ha sta alcanzar el máximo de la función de verosimilitud . consistencia.

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. sino que pueden tomar un rango de valores por no tratarse de variables ciertas Si no se tuvieran en cuenta dichas interrelaciones.2. Identificar las variables cuyo comportamiento se va a simular (X) Es decir. de las variables que se utilizan para la determinación de los flujos netos de caja no son variables ciertas. aquellas que se consideran que no van a tomar un valor fijo.3. Estimación del tamaño de la muestra 49 . o no. y se reduciría la variabilidad de los resultados al tener lugar el efecto de compensación en la interacción de las variables. 1. sino que pueden tomar varios valores. y se simularan las variables de forma independiente. se estaría incurriendo en un error en los resultados obtenidos. La estimación de las variables Aplicación: En primer lugar hay que seleccionar el modelo matemático que se va a utilizar. 2. o varias.4 Establecer el efecto que sobre la variabilidad de un estimador tiene el tamaño de la simulación La Simulación de Monte Carlo es una técnica que permite llevar a cabo la valoración de los proyectos de inversión considerando que una.

que se sustituirán en el modelo matemático seleccionado. donde "x" es la variable desconocida a simular . se empezará utilizando un número no demasiado elevado de simulaciones. . la varianza y la desviación típica. o es muy costosa. o cuando la experimentación no es posible. siendo interesante calcular la media. -Una vez identificadas las variables que se van a simular. Se comparan los casos favorables. Simular la realidad a través del estudio de una muestra. hay que determinar la función de densidad de probabilidad f(x) asociada a cada una de ellas. con los casos posibles. se obtendrán las funciones de distribución asociadas a las variables (o variable). y se calculará la media y la desviación típica correspondiente al mismo.Para determinar el tamaño de la muestra. de gran utilidad en los casos en los que no es posible obtener información sobre la realidad a analizar. por tanto. METODOLOGÍA DE CÁLCULO La aplicación del método de Monte Carlo para valorar inversiones plantea dos aspectos fundamentales. se sustituyen los valores simulados en el modelo matemático para ver el resultado obtenido para las simulaciones realizadas. . que se ha generado de forma totalmente aleatoria.A continuación. y se agrupan por categorías de resultados. se lleva a cabo el análisis estadístico y de inferencia sobre el comportamiento de la realidad.Posteriormente. se agrupan y clasifican los resultados. Resulta. Z = f(x). . 50 .Para finalizar.Posteriormente. la estimación de las variables y la determinación del tamaño de la muestra.

Paso 2: Tamaño del bloque de simulaciones "n+n = 2n".Procedimiento multiplicativo: se parte de un número inicial de simulaciones (n). sino finalizar.Procedimiento aditivo: se parte de un número inicial de simulaciones (n). entonces paso 4. y se calcula la media y la desviación típica del modelo matemático utilizado. Ejemplo: 51 . Si no hay convergencia. 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". Si no hay convergencia. Ejemplo: Paso 1: Tamaño del bloque de simulaciones "n". sino finalizar. A continuación se procede a añadir un número de nuevas simulaciones equivalente a las acumuladas hasta ese momento. Paso 3: Tamaño del bloque de simulaciones "2n+n = 3n". siendo por tanto en un método más perfecto. sucesivamente hasta alcanzar la convergencia.. de tal forma que ahora se calcula la media y la desviación típica del modelo matemático utilizando. entonces paso 3. Obtenemos la variabilidad del nuevo bloque de simulaciones tiene el mismo peso sobre el total que la del bloque anterior. . Y así.

Y así. Para aproximar una distribución de probabilidades por medio de simulación es necesario determinar un número de replicas. Si no hay convergencia. sino finalizar. De esta manera se obtiene una relación entre el número de replicas y la precisión de la estimación. Si no hay convergencia. Corridas comunes: 52 . Disminuir el error de la simulación Importancia de las réplicas en simulación. sino finalizar. corrida. 3. reloj de la simulación.Paso 1: Tamaño del bloque de simulaciones "n". Tipos de réplicas Muestreo antitético: es inducir una correlación negativa entre los elementos correspondientes en las series de números aleatorios utilizados para generar variaciones de entrada en réplicas diferentes. Función de las réplicas las réplicas se presentan con la finalidad de obtener estadísticas de intervalo que nos den una mejor ubicación del verdadero valor de la variable bajo los diferentes escenarios que se presentan al modificar los números pseudo aleatorios en cada oportunidad. Paso 3: Tamaño del bloque de simulaciones "2x2n = 4n". entonces paso 4. estado estable. ¿Qué es una réplica? Copia exacta o muy similar. estado transitorio.3 Definiciones: replica. Paso 2: Tamaño del bloque de simulaciones "2xn = 2n". entonces paso 3. condiciones iniciales. de manera que entre más replicas se tengas más preciso será el modelo. La precisión con que se estima la distribución dependerá de dicho número de replicas. sucesivamente hasta alcanzar la convergencia.

los cuales serán respectivamente los valores de X (la media) 53 . Muestreo Clasificado: Esta técnica se apoya en un resultado parcial de una corrida. la utilización de máquinas o estaciones de trabajo (% utilization). Variaciones de control: Este método utiliza aproximaciones de modelos analíticos para reducir la varianza. Muestreo estratificado: En esta técnica la función de distribución se divide en varias partes. Se debe aplicar cuando el problema consiste en la comparación de dos o más alternativas. en caso de ser interesante se continúa con la corrida en caso contrario se detiene la corrida. Muestreo sesgado: Consiste en distorsionar las probabilidades físicas del sistema real. Esto se hace a través del menú de ProModel SIMULATION/OPTIONS lo que dará lugar a que se despliegue un cuadro de diálogo en el cual se agregará el número de corridas elegido en el campo"number of replications". el uso de las corridas comunes afecta a todas las alternativas de igual forma.El objetivo principal es iniciar nuevas corridas de simulación utilizando siempre los datos almacenados. clasificándolo como interesante o no interesante. A partir de que se elige la(s) variable(s) de referencia para el análisis se recabará del reporte general ponderado la media y desviación estándar obtenida en esa variable en particular. antes de emplear la fórmula para estimar el número de corridas debes elegir la variable de respuesta sobre la cual realizarás este análisis. Como estimar en simulación el número de réplicas Replicas en Promodel para estimar el número de corridas necesarias debe realizarse un número de corridas de manera preliminar. por ejemplo de 30 a 50. de esta forma. Todo depende del objetivo del estudio que se está realizando y en función de lo que se desea mejorar. los resultados obtenidos se combinan para lograr una sola estimación del parámetro a analizar. Los resultados obtenidos presentarán también una distorsión que debe corregirse mediante factores probabilísticos de ajuste. Puede ser el contenido de alguna fila (average content). lo más homogéneas posibles que se resuelven o ejecutan por separado. Ahora bien. de tal forma que los eventos de interés ocurran más frecuentemente. el tiempo en el sistema (averaged minutes in system). etc. o el total de piezas producidas (current value).

(0. la secuencia será descendente (abajo) PROPIEDADES Las dos propiedades más importantes esperadas en los números aleatorios son uniformidad e independencia... Por ejemplo.0.y σ (la desviación estándar) a sustituir en la siguiente fórmula: Si el número de corridas obtenido de la fórmula se cubrió con el número de corridas preliminares significa que ya no es necesario hacer más corridas.9). Es decir dado una serie de números determinar si son o no aleatorios. 0.2. 0. 54 . una secuencia de números monótonamente se incrementa dentro del rango de cero a uno esta uniformemente distribuida si la cantidad incremental es constante para todos. 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... Si cada número va seguido por otro menor. pero si el número de corridas calculado es superior al que se consideró de manera preliminar entonces deberán realizarse las corridas que sean necesarias. Corrida Si tenemos una secuencia de números de tal manera que a cada uno de los números siga otro mayor la secuencia dada será ascendente (arriba).. 0.1.. La prueba de uniformidad puede ser realizada usando las pruebas de ajuste de bondad disponibles Los números pueden estar uniformemente distribuidos y aun no ser independientes uno del otro.3..

Existen algunos métodos disponibles para verificar varios aspectos de la calidad de los números pseudoaleatorios.58.57.00.Ahora procedemos a calcular el total de corridas que resulta de la suma de suma de corrida ascendente con la descendente.61.23.60.07. ya que si lo es se le asigna un signo +.10.11.05 entocnes se valida en la formula 1-µ/2 el resultado en las tablas de distribución 55 .84. En el ejemplo tendíamos un total de corridas de 33. se le recomienda al analista usar estos métodos cuando se realice una simulación.19.38.11.12.29.46. 15. Para el paso 2 se utiliza la siguiente formula donde N número de datos generados Paso 3 Se define µ = 0. -+-+-+-+-+--+++-++--++---+---+--++---+--+-+-+-+-- Una corrida se define como una sucesión de eventos similares.05 De acuerdo al método (prueba de corridas arriba y abajo) se evaluará 59<12.42.83.05.36.12.43. Uno de estos métodos es el método de prueba de corridas Pasos para evaluar una prueba de corridas: Ejemplo Paso 1: Se tienen los siguientes números aleatorios 59.33.47.74.91.18.88.28.32.18.78.98.96.24. precedidos y seguidos por un evento diferente.10. como no lo es se le signará un signo -.99.95. Si no existiera un generador particular de números aleatorios disponible.41.71.3 1.76.21. entonces Como µ=0.63.05.67.59.23. Seguiremos comparando 12<19.

La salida transitoria significa que la distribución de la salida está en constante cambio.68 Ejemplo 2 Ejemplo Números Aleatorios .6808 no es mayor.00<0.La validación de rechazo será Z calculada =0. 56 . la hipótesis se aprueba Estado transitorio En la mayoría de los casos la salida de una simulación con terminación es transitoria.00 < Z0. Una simulación está en estado estacionario (estable) si todas sus colas están en estado estacionario. Estado estable Una variable está en estado estacionario (estable) si su valor esperado es el mismo durante el período de tiempo que estamos considerando.NETBEANS Paso 1 :Evaluar los números y asignarles un signo Procedemos a realizar los cálculos Decisión: Se rechaza Conclusión: De acuerdo a la evidencia presentada no aceptamos los números pseudoaleatorios Si el valor absoluto de Z calculada es mayor o igual a la Z de las tablas se rechazará la hipótesis Como 0.475 =0. El estado estacionario es alcanzado luego de un período de tiempo llamado período transitorio inicial (run-in).

que solo consiste en el lapso de tiempo que transcurre entre dos eventos. de las tres alternativas presentadas. la mayoría de estos modelos presentan en su etapa inicial estados transientes los cuales no son típicos del estado estable.  Excluir una parte apropiada de la parte inicial de la corrida  Utilizar simulación regenerativa Obviamente. y su función consiste en responder preguntas tales como cuánto tiempo se ha utilizado el modelo de la simulación. y cuanto tiempo en total se requiere que dure esta última. Las otras alternativas presentan las desventajas de ser prohibitivamente excesivas en costo. Por consiguiente es necesario establecer claramente las alternativas o cursos d acción que existen para resolver este problema. Sin embargo. 57 . Algunos autores piensan que la forma de atacar este problema sería a través de:  Usar un tiempo de corrida lo suficientemente grande de modo que los periodos transientes sean relativamente insignificantes con respecto a la condición de estado estable.Condiciones iniciales La mayoría de los modelos de simulación estocástica se corren con la idea de estudiar al sistema de una situación de estado estable. Existen dos tipos de reloj de simulación : El reloj de simulación absoluto. el Reloj de simulación relativo. la que presenta menos desventajas es el uso de simulación regenerativa. que parte del cero y termina en un tiempo total de simulación definido. Reloj de simulación Reloj de Simulación: Es el contador de tiempo de la simulación.

htm http://support.com/site/eleazarsimulacion/unidad-1 http://simu-iti.blogspot.mx/2011/03/13-metodologia-de-la-simulacion.-6-. El objetivo de este trabajo es darnos a conocer y comprender la importancia que tiene la simulación en nosotros como futuros ingenieros industriales.ar/biblioteca/bddoc/bdlibros/monte_carlo/monte_carlo.google.mx/2011/03/15-estructura-y-etapas-de-un-estudio-de.htm 58 . como también los procesos que la simulación trae consigo.-_-ETAPAS-DE-UN-PROYECTO-DE- SIMULACION.es. mientras que el tiempo absoluto seria el global: desde que la pieza entro a ser procesada hasta el momento que término su proceso.el tiempo de proceso de una pieza es relativo.html http://www.minitab. Bibliografía http://simu-iti.com.Ejemplo .tl/1-.com/es-mx/minitab/17/topic-library/modeling- statistics/doe/basics/replicates-and-repeats-in-designed-experiments/ https://sites. La simulación tiene un amplio uso en casi y si no es que en todas las partes en las que se le requiera y se pueda ocupar para conocer adecuadamente la simulación es importante conocer los puntos anteriores.html http://simulacionsisjuanb. CONCLUSIONES La simulación es en estudio muy importante que se realiza para conocer los resultados posibles que se pueden obtener en la realidad sin llegar a ella es un proceso que nos ayuda a conocer riesgos y posibles resultados para ahorrarnos errores futuros en proyectos..blogspot.cyta.

59 .