Professional Documents
Culture Documents
Simulador AutoMod
Combina las características de los lenguajes de propósito especial (lenguajes de
simulación) y un simulador de propósito especial de manejo de materiales.
Tiene características generales de programación
Simulador ProModel
Es una herramienta de simulación que funciona en computadoras personales en un
ambiente Windows.
Fue concebido como una herramienta para ingenieros y gerentes para:
-· Líneas de ensamble
-· Sistemas de manufactura flexible
-· Producción por lotes
-· Justo a tiempo (JAT) y Sistemas de producción KANBAN.
-· Sistemas de colas. (Para servicios o manufactura tales como líneas de empaque).
-· Optimización de la distribución en planta y el manejo de materiales.
· Servicio Financieros
· Logística
· Reingeniería de Negocios
· Evaluación, planeación y re-diseño de sistemas de servicios
Simulador ARENA
Desarrollado por la Systems Modeling Corporatiion
Utiliza el lenguaje de simulación SIMAN
Es un paquete de simulación y animación extendible
El código interno en SIMAN puede evaluarse, modificarse o adicionarse de sub rutinas en
lenguaje C, Fortran, etc.
Permite programar visualmente mediante asociación de bloques (Crea modelos de
simulación sin la necesidad de codificar programas
Admite simulación continua y discreta
Gran flexibilidad de uso
Permite la programación a bajo nivel
Proporciona un entorno gráfico para visualizar la evolución de los sistemas simulados
(Permite mostrar la animación del modelo construido)
Simulador WITNESS
Fue desarrollado durante los 1970´s por AT&T Istel.
Actualmente es distribuido por el Grupo Lanner.
Es uno de los más usados, mas confiables y mejor conocidos entre los softwares SED
(Simulación de eventos discretos).
El concepto de construcción de modelos en WITNESS consiste en la construcción de
bloques similares a los deSIMUL8 excepto por los bloques Inicial y Terminal.
Estos paquetes incluyen, además, herramientas específicas para gestionar todo el proceso de
simulación (como por ejemplo, la realización de experimentos). El inconveniente de esta alternativa es
el precio, notablemente mayor que el de cualquiera de las alternativas anteriores.
La función aleatorio me devuelve un numero aleatorio entre 0 y 1. Si necesitase simular números entre
0 y 5 lo multiplicaría por 6 y me quedaría la parte entera =ENTERO(ALEATORIO()*5). Si quisiese
numero entre 1 y 5 entonces multiplicaría por 5 tomaría la parte entera y le sumaria 1
=ENTERO(ALEATORIO()*5)+1.
En el ejercicio nos hemos quedado con los valores entre 0 y 1.
En resumen: que no me pidiesen nada, 0 unidades, ocurrió el 3% de los días (representado por 0,03),
que me pidiesen una unidad el 5% y así. Calculo un sumatorio de frecuencias para asegurarme que
suman el 100% (representado por 1). El tiempo de servicio fue de un día el 20% de las veces, de 3
días el 50% de las veces y 5 días el restante 30% de los días.
Paso 2: Ahora calculamos las demandas acumuladas.
Paso 3: Ahora con la función aleatorio vamos a calcular la simulación para n días
Cuando generemos números aleatorios para simular la demanda del artículo, si el número generado
está entre 0 y 0,03 simularé que me han pedido 0 unidades para ese día. Si sale un numero entre 0,03
y 0,08 simularé que me han pedido una unidad. Para los tiempos de servicio seguiremos el mismo
proceso, si un artículo llega a su punto para simular cuento tardaría en llegar la mercancía generaré
un numero aleatorio, si está entre 0 y 0,2 tomaré 1 como plazo de entrega, s sale entre 0,2 y 0,7
tomaré 3 como plazo de entrega, y entre 0,7 y 1 tomaré 5 días como plazo de entrega. La búsqueda
en estas matrices está hecha con la función Excel buscarv.
Proyecciones
Estimados seguidores esta vez he creado un simulador en Excel sobre un plan contable económico y
financiero, está completamente libre para que ustedes lo adapten a su criterio y de acuerdo al régimen
y cuentas de su ubicación y país.
La Planificación Financiera consiste en la elaboración de previsiones a medio y largo plazo, en un
horizonte de 3-5 años. Al ser previsiones a ms de un año, tiene un elevado grado de incertidumbre,
pero no obstante es conveniente realizarla para estar mejor preparado y dirigir con ms precisión la
empresa, al marcar los rumbos que debe tomar. Un posterior control nos permitirá a través de las
desviaciones, analizar y corregir las tendencias.
El análisis financiero consiste en evaluar la situación económico-financiera actual de la empresa y
proyectar su futuro. En definitiva, enjuiciar la gestión empresarial de la unidad económica para predecir
su evolución futura y poder tomar decisiones con la menor incertidumbre.
5.3. Ejemplos de simulación en hoja electrónica
Una vez activado XLSTAT, seleccione el comando XLSTAT / Simulaciones de Monte Carlo / Definir
una distribución, o haga clic en el botón correspondiente de la barra de herramientas de Sim (véase
siguiente captura de pantalla).
Una vez haya hecho clic en OK, se inserta la llamada a la función correspondiente en la celda activa.
Creación de la segunda variable de distribución Ahora, se puede generar de la misma manera la
segunda variable de distribución. Seleccione en este caso una distribución normal con mu = 80 y sigma
= 20. Aquí está el correspondiente cuadro de diálogo:
Una vez haya hecho clic en OK, la llamada a la función correspondiente a XLSTAT_SimRes se inserta
en la celda activa.
Esto se puede encontrar en la hoja de Excel “Model”. Ejecución de un modelo simple de simulación
Para iniciar la ejecución de la simulación, seleccione el menú comando XLSTAT / Simulaciones de
Monte Carlo / Iniciar los cálculos, o haga clic en el botón correspondiente de la barra de herramientas
Sim.
Se muestra el cuadro de diálogo de ejecución de la simulación. Puede fijar el número de simulaciones
a 1000.
En la pestaña Gráficos - Sensibilidad, introduzca los parámetros de los análisis Tornado y Araña.
Los cálculos empiezan una vez haya hecho clic en OK.
Interpretación de los resultados de un modelo simple de simulación
El primer resultado es un resumen del modelo de simulación.
A continuación, se muestran detalles sobre las dos variables de distribución y sobre la variable de
resultado.
Las siguientes tablas muestran los detalles de las dos variables de distribución (estadísticos
descriptivos, histogramas y cuartiles).
Las siguientes tablas muestran los detalles de la variable de resultado. Se muestran los estadísticos
descriptivos, un histograma y estadísticos acerca de los intervalos. A continuación se muestran los
resultados del análisis de sensibilidad. El análisis de sensibilidad se basa en las simulaciones
contrarias al análisis Tornado que se presenta a continuación.
Este problema se resuelve a través del Solver de Excel, colocando celdas para las variables de
decisión, como se observa en la siguiente figura.
5.3.2 Experimentación con varias configuraciones posibles del sistema simulado
Supongamos que trabajamos en un gran almacén informático, y que nos piden consejo para decidir
sobre el número de licencias de un determinado sistema operativo que conviene adquirir – las licencias
se suministrarán con los ordenadores que se vendan durante el próximo trimestre, y es lógico pensar
que en pocos meses habrá un nuevo sistema operativo en el mercado de características superiores.
Cada licencia de sistema operativo le cuesta al almacén un total de 75 Euros, mientras que el precio
al que la vende es de 100 Euros. Cuando salga al mercado la nueva versión del sistema operativo, el
almacén podrá devolver al distribuidor las licencias sobrantes, obteniendo a cambio un total del 25
Euros por cada una. Basándose en los datos históricos de los últimos meses, los responsables del
almacén han sido capaces de determinar la siguiente distribución de probabilidades por lo que a las
ventas de licencias del nuevo sistema operativo se refiere:
Construimos nuestro modelo usando las fórmulas que se muestran en la figura inferior. En la casilla
H2 usaremos la función ALEATORIO para generar el valor pseudo-aleatorio que determinará el suceso
resultante; en la celda I2 usamos la función BUSCARV para determinar el suceso correspondiente
asociado al valor pseudo-aleatorio obtenido –notar que usamos también la función MIN, ya que en
ningún caso podremos vender más licencias que las disponibles. El resto de fórmulas son bastante
claras:
5.4 VALIDACION.
Validación del Modelo
Se debe comprobar que el modelo de simulación cumple con el objetivo establecido. Toda simulación
tiene que validarse para asegurar que la inferencia a partir del modelo es una predicción correcta del
proceso que se quiere simular. No existen normas precisas sobre cómo debe realizarse la validación.
Pero sí se pueden tener en cuenta ciertas pautas que los expertos consideran relevantes para el
desarrollo de una modelo válido y creíble. Éstas son presentadas a continuación, y situadas en el
marco temporal de la realización del proyecto.
Utilizar técnicas cuantitativas para validar los componentes del modelo. Por Ejemplo, el uso
de la teoría de colas en el dimensionamiento inicial. Asimismo el muestreo secuencial y las
técnicas de reducción de varianza fueron de gran ayuda en el diseño de experimentos.
Llevar a cabo análisis de sensibilidad para determinar factores importantes en el modelo. En
caso de detectar que un factor más influyente, éste deberá modelarse concienzudamente.
Revisar los resultados de la simulación y la animación para ver si parecen coherentes. Se
puede considerar una única entidad que entre en el modelo y siga la lógica del sistema para
ver si es coherente. También se puede analizar el comportamiento del sistema en condiciones
extremas…
Así, en el presente proyecto se han tenido en cuenta aquellas pautas que quedaban dentro del
alcance.
Un aspecto relevante de los datos obtenidos de la simulación es que, en general, forman procesos
autos correlacionados y no estacionarios, por lo que las técnicas estadísticas basadas en
observaciones independientes e idénticamente distribuidas no son aplicables. Veamos más
detenidamente cuál es la naturaleza aleatoria de una salida de simulación. Consideremos un proceso
estocástico que represente la salida de una característica específica del sistema en cuestión, por
ejemplo el tiempo en cola de los pacientes en un centro médico. Representamos de esta manera, el
tiempo de paciente i-ésimo por la variable Yi . Estas variables aleatorias Yi no son, en general, ni
independientes ni idénticamente distribuidas. Está claro que el tiempo de espera del cliente que llega
en la posición i estará relacionado con el tiempo que haya esperado el cliente que lo ha precedido, y
que si el sistema arranca vacío, es decir, con las tecnologías desocupadas, Y1=0, teniendo distinta
distribución al resto. Supongamos que ejecutamos de forma independiente n veces el modelo de
simulación, utilizando distintas semillas e inicializando en cada una de ellas los contadores
estadísticos. Si en cada ejecución hemos tomado m datos, los resultados son:
Si nos fijamos en los resultados por columnas, las observaciones y1i, …, yji, …, yni son independientes
y proceden de la misma distribución Yi , tiempo en cola del i-ésimo cliente.
Excel ofrece la posibilidad de trabajar con gráficos en sus hojas de cálculo que nos proporcionaran
una visión más clara y grafica del contenido de las tablas de datos. Un gráfico en Excel es la
representación gráfica de un conjunto de datos de una hoja de cálculo. Podemos crear diferentes tipos
de gráficos (barras, columnas, líneas, etc.) dependiendo de la información visual que queramos
conseguir. Los datos utilizaos en su creación, pueden variar y el grafico se actualizará
automáticamente
5.4.3 Construcción de intervalos de confianza.
5.4.4 juicios sobre los resultados reportados
La recolección de datos se refiere al uso de una gran diversidad de técnicas y herramientas que
pueden ser utilizadas por el analista para desarrollar los sistemas de información, los cuales pueden
ser la entrevistas, la encuesta, el cuestionario, la observación, el diagrama de flujo y el diccionario de
datos.
Todos estos instrumentos se aplicarán en un momento en particular, con la finalidad de buscar
información que será útil a una investigación en común.
La tendencia al empleo de datos cuantiosos se debe en gran parte actualmente al desarrollo de
computadoras de alta velocidad y capacidad que han puesto toda su capacidad para el manejo de la
información en forma compacta y en poco tiempo de respuesta. También se debe en parte esta
tendencia a que se va teniendo cada vez más en cuenta la necesidad de métodos científicos en la
administración de las empresas.
Los datos son la información que se obtiene acerca del comportamiento del proceso y se desea
graficar, con la finalidad de obtener información estadística y poder analizar las tendencias. Los datos
son agrupaciones o conjuntos de cualquier número de observaciones relacionadas entre sí. Una
agrupación de datos es conocida como conjunto de datos y una observación individual es un dato
puntual.
Dado que los datos proporcionan las bases para los juicios y las acciones, los razones para la
recolección de los mismos pueden clasificarse de la siguiente manera; datos para:
El entendimiento de la situación actual.
El análisis de problemas.
El control de procesos (trabajo).
La investigación de operaciones.
El juicio sobre la aceptación o rechazo.
5.5 Conclusión
Las conclusiones que se pueden obtener de una simulación dependen del grado en que el modelo
refleja el sistema real, aunque también depende del diseño de la simulación en un sentido estadístico.
De hecho, muchos analistas consideran la simulación como una forma de prueba de hipótesis donde
cada ejecución de simulación ofrece uno o más datos de muestra que son susceptibles al análisis
formal a través de los métodos estadísticos inferenciales. Los procedimientos estadísticos que
normalmente se usan en la evaluación de resultados de simulación incluyen el análisis de varianza,
análisis de regresión y pruebas t. En la mayoría de las situaciones, el análisis tiene más información
disponible con la cual comparar los resultados de simulación: datos operativos antiguos del sistema
real, datos operativos del desempeño de sistemas semejantes y la percepción del analista de la
operación del sistema real. Sin embargo, se debe admitir que la información obtenida de estas fuentes
probablemente no sea sufi ciente para validar las conclusiones derivadas de la simulación. Por lo tanto,
la única prueba real de una simulación es qué tan bien se desempeña el sistema real después de
haber implantado los resultados del estudio.
Con base en los resultados de simulación, es posible que se tenga un nuevo experimento de
simulación. Se podrían cambiar muchos factores: parámetros, variables, reglas de decisión,
condiciones de inicio y duración de la ejecución. Respecto a los parámetros, quizá sea interesante
repetir la simulación con varios costos o precios diferentes de un producto para ver qué cambios se
generarían. Además, los valores del experimento anterior también podrían ser condiciones iniciales
útiles para las simulaciones subsecuentes. Por último, ya sea que intentar diferentes duraciones de
ejecuciones constituya un nuevo experimento en vez de duplicar un experimento anterior depende de
los tipos de eventos que se presenten al cabo del tiempo en la operación del sistema. Por ejemplo,
puede ser que el sistema tenga más de un nivel de operación estable y que llegar al segundo nivel
dependa del tiempo. Por consiguiente, aun cuando la primera serie de ejecuciones de, por decir, 100
periodo muestre condiciones estables, duplicar la duración de las series puede arrojar condiciones
nuevas y diferentes, aunque igualmente estables. En este caso, la ejecución de simulación de más de
200 periodos se podría considerar como un experimento nuevo.