Anda di halaman 1dari 60

2-6-2017

TEMA 3 CONSTRUCCIN DE MODELOS DE SIMULACIN

ALUMNA: GARDUO CHAVEZ KARINA MONSERRAT

ASIGNATURA: SIMULACIN

ASESOR: ISC FELIPE VALENCIA SANTOS


ndice
INTRODUCCION ....................................................................................................................... 3
3.1 METODOLOGIA GENERAL DE LA SIMULACION .............................................................. 4
Definicin del sistema............................................................................................................. 4
Formulacin del modelo ......................................................................................................... 4
Coleccin de datos ................................................................................................................. 4
Implementacin del modelo con la computadora .................................................................... 4
Validacin ............................................................................................................................... 4
Experimentacin ..................................................................................................................... 5
Interpretacin ......................................................................................................................... 5
Documentacin ...................................................................................................................... 5
Formulacin del problema ...................................................................................................... 5
Identificacin del Problema..................................................................................................... 5
Reconocer las variables del sistema ...................................................................................... 6
Especificacin de las restricciones de las variables de decisin ............................................. 6
Desarrollar una estructura preliminar del modelo que interrelacione las variables
del sistema y las medidas de ejecucin. ........................................................................ 7
Desarrollo de un modelo apropiado ................................................................................ 8
Coleccin de datos y Anlisis .......................................................................................... 8
Desarrollo del modelo ........................................................................................................ 9
Comprensin del sistema .................................................................................................10
Construccin del Modelo ..................................................................................................10
Verificacin y Validacin del modelo .............................................................................13
Experimentacin y Anlisis de las salidas ....................................................................13
Experimentacin con el modelo ......................................................................................13
Anlisis de las salidas ......................................................................................................15
Implantacin de los resultados de la Simulacin ........................................................16
3.2 Ejemplo de una simulacin tipo Montecarlo en hoja de clculo ...........................................17
Conceptos fundamentales .....................................................................................................18
3.2.1 Descripcin y conceptualizacin de simulacin, establecer el problema, especificacin del
objetivo (s), definicin de indicadores, simulacin y determinacin de la muestra. ....................24
Elaboracin de un modelo de simulacin ..............................................................................25
Como especificar valores de variables y parmetros .............................................................27

1
Evaluacin de resultados ......................................................................................................28
Determinacin de la muestra .................................................................................................29
3.2.2 Caracterizacin de cada indicador, agrupamiento de datos, grficas y estimacin de
parmetros................................................................................................................................29
Caracterizacin de cada indicador.........................................................................................29
Agrupamiento de datos .........................................................................................................37
Grficas y estimacin de parmetros en simulacin ..............................................................38
Estimacin de los parmetros ...............................................................................................40
3.2.4 Establecer el efecto que sobre la variabilidad de un estimador tiene el tamao de la
simulacin .................................................................................................................................49
3.3 Definiciones: replica, corrida, estado transitorio, estado estable, condiciones iniciales, reloj
de la simulacin. .......................................................................................................................52
Corrida ..................................................................................................................................54
Estado transitorio ..................................................................................................................56
Estado estable ....................................................................................................................56
Condiciones iniciales .............................................................................................................57
Reloj de simulacin ...............................................................................................................57
CONCLUSIONES .....................................................................................................................58
Bibliografa ................................................................................................................................58

2
INTRODUCCION

Con el descubrimiento de la computadora digital, la simulacin se ha convertido en la


herramienta de anlisis ms poderosa para el diseo y la operacin de procesos o
sistemas complejos.

La simulacin le permite al usuario experimentar con sistemas reales o propuestos en


casos en los que de otra manera esto sera imposible o imprctico.
La simulacin implica la deduccin de un modelo representativo del sistema a simular.

La simulacin consiste bsicamente en construir modelos informticos que describen la


parte esencial del comportamiento de un sistema de inters, as como en disear y
realizar experimentos con el modelo y extraer conclusiones de sus resultados para
apoyar la toma de decisiones.

Tpicamente, se utiliza en el anlisis de sistemas tan complejos que no es posible su


tratamiento analtico o mediante mtodos de anlisis numricos. Sus orgenes estn en
los trabajos de Student para aproximar la distribucin que lleva su nombre, y los
mtodos que Von Neumann y Ulam introdujeron para resolver ecuaciones integrales.

La Simulacin ha crecido como una metodologa de experimentacin fundamental en


campos tan diversos como las aplicaciones industriales y comerciales, como los
simuladores de vuelo, los juegos de simulacin.

3
3.1 METODOLOGIA GENERAL DE LA SIMULACION

Definicin del sistema

Para tener una definicin exacta del sistema que se desea simular, es necesario hacer
primeramente un anlisis preliminar de este, con el fin de determinar la interaccin con
otros sistemas, las restricciones del sistema, las variables que interactan dentro del
sistema y sus interrelaciones, las medidas de efectividad que se van a utilizar para
definir y estudiar el sistema y los resultados que se esperan obtener del estudio.

Formulacin del modelo

Una vez definidos con exactitud los resultados que se esperan obtener del estudio, se
define y construye el modelo con el cual se obtendrn los resultados deseados. En la
formulacin del modelo es necesario definir todas las variables que forman parte de el,
sus relaciones lgicas y los diagramas de flujo que describan en forma completa el
modelo.

Coleccin de datos

Es importante que se definan con claridad y exactitud los datos que el modelo va a
requerir para producir los resultados deseados.

Implementacin del modelo con la computadora

Con el modelo definido, el siguiente paso es decidir si se utiliza algn lenguaje como el
fortran,lisp,etc..., o se utiliza algn paquete como Vensim,Stella e iThink,
GPSS,Simula,Simscript,Rockwell Arena, etc..., para procesarlo en la computadora y
obtener los resultados deseados.

Validacin

A travs de esta etapa es posible detallar deficiencias en la formulacin del modelo o


en los datos alimentados al modelo. Las formas ms comunes de validar un modelo
son:

La opinin de expertos sobre los resultados de la simulacin.

4
La exactitud con que se predicen datos histricos.

La exactitud en la prediccin del futuro.

La comprobacin de falla del modelo de simulacin al utilizar datos que hacen fallar al
sistema real.

La aceptacin y confianza en el modelo de la persona que har uso de los resultados


que arroje el experimento de simulacin.

Experimentacin

Se realiza despus de que el modelo haya sido validado, consiste en generar los datos
deseados y en realizar un anlisis de sensibilidad de los ndices requeridos.

Interpretacin

Se interpretan los resultados que arroja la simulacin y con base a esto se toma una
decisin. Es obvio que los resultados que se obtienen de un estudio de simulacin
ayuda a soportar decisiones del tipo semi-estructurado.

Documentacin

Dos tipos de documentacin son requeridos para hacer un mejor uso del modelo de
simulacin. La primera se refiere a la documentacin del tipo tcnico y la segunda se
refiere al manual del usuario, con el cual se facilita la interaccin y el uso del modelo
desarrollado.

Formulacin del problema

Se definen las cuestiones para las que se buscan las respuestas, las variables
implicadas y las medidas de ejecucin que se van a usar.

Esta fase es muy importante para poder alcanzar un modelo vlido, se puede dividir a
su vez en 5 fases

Identificacin del Problema

Se hace una abstraccin del tipo de problema que se va a tratar. Se identifican los
recursos a utilizar, los requisitos que se van a exigir (relaciones a establecer).

5
Reconocer las variables del sistema

Se han de identificar las variables que interviene en el sistema y que son de inters
para nuestro modelo, stas se pueden clasificar en:

Variables exgenas: son variables externas al modelo y existen con independencia de


l.

Se consideran variables de entrada. stas a su vez se pueden dividir en dos grupos:

Variables controlables o de decisin (factores): son aquellas sobre las que el analista
puede decidir su valor dentro de ciertos lmites.

Variables incontrolables o parmetros: sus valores no se pueden decidir sino que


vienen fijados. Las variables sern controlables o incontrolables dependiendo de quin
las defina.

Variables endgenas: son variables internas y las variables de salida del modelo. Son
funcin de las variables exgenas y de la estructura del modelo.

Especificacin de las restricciones de las variables de decisin

Incluso en el caso de que las variables sean controlables, estn limitadas o restringidas
a ciertos lmites dentro de los cuales se pueden modificar.

Es importante considerar cuidadosamente las restricciones sobre las variables de


decisin, ya que definen el posible espacio de soluciones dentro del cual se buscar
una buena solucin o la ptima usando el modelo de simulacin.

6
Desarrollar una estructura preliminar del modelo que interrelacione las
variables del sistema y las medidas de ejecucin .
Para evaluar la efectividad de un sistema, se debe identificar una medida o medidas de
comportamiento (o ejecucin) para juzgarlo. Estas medidas se seleccionan del conjunto
de variables endgenas. La medida o medidas que se pretenden optimizar se conocen
como funcin objetivo.

Hay veces en las que existe una nica funcin objetivo dominante y entonces se intenta
optimizar sta sin tener en cuenta las otras variables, aunque siempre considerando las
restricciones. En otras ocasiones existe ms de una funcin dominante, en este caso,
hay que estudiar las distintas funciones objetivo e intentar encontrar valores para los
cuales las funciones son ptimas.

Cuando se quiere tener en cuenta varias medidas de comportamiento, a menudo no se


podrn optimizar simultneamente. Lo ideal sera hacer mnimas ambas medidas, el
tiempo de espera y el costo de tener los empleados, pero si se minimiza una de ellas la
otra aumenta. Se tienen tres formas de abordar este problema:

Establecer compromisos implcitos entre las medidas. Esta aproximacin es muy


subjetiva y no se va a considerar. Se dan los resultados a quin tenga que tomar la
decisin y l ser quien establezca la relacin entre las variables conflictivas.

Establecer compromisos explcitos, realizando una combinacin de todas las medidas


usando una dimensin comn tal como el costo. A estas tcnicas se les suele conocer
como anlisis de toma de decisiones multiatributo o multiobjetivo. Para realizar esta
tcnica se tiene que decidir una dimensin comn para todas las medidas, factores
pesos, y formar una funcin que las combine.

Restriccin y corte: seleccionar una medida como la que ms interesa optimizar y


hacer que las otras estn dentro de un rango de valores aceptable. Esto reduce la
posibilidad de encontrar un ptimo, o al menos las mejores soluciones.

7
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
ser una buena representacin del sistema), o por el contrario se han definido ms de
las necesarias (esto puede oscurecer las relaciones entre las variables realmente
importantes). En resumen, lo que se tiene que fijar en este paso es el nivel de detalle al
que se debe llegar en el modelo. El nivel de detalle depende de:

Propsito del modelo.

Contribucin de las variables al modelo.

No es igual si lo que se desea hacer es un modelo para una previsin a largo plazo, en
cuyo caso la precisin puede ser menor, debido a que al transcurrir el tiempo las
variables van a cambiar e incluso podrn aparecer otras nuevas, que si se desea una
previsin a corto plazo, entonces se deber profundizar ms en el nivel de detalle.

Coleccin de datos y Anlisis


Aunque la recogida de datos se va a ver como el segundo paso, es bastante posible
que se hayan tenido que recoger datos para la formulacin del problema. Sin embargo,
durante este paso se recoge el mayor volumen de datos, se reduce y se analiza.

Los mtodos de recogida de datos son tan variados como los problemas a los que
stos se pueden aplicar. Si se clasifican por su sencillez, se puede ir desde las
aproximaciones manuales hasta las tcnicas ms sofisticadas de alta tecnologa. En la
seleccin de un mtodo se pueden tener en cuenta los siguientes factores:

Capacidad de quien recoja los datos.

El impacto que pueda producir el proceso de recoleccin sobre el comportamiento del


sistema real. Puede producir perturbaciones reales o fsicas en el sistema o
psicolgicas.

8
La facilidad de conversin de los datos a una representacin procesable por el
ordenador.

El coste del mtodo.

En muchas situaciones es suficiente con la observacin directa y la recogida manual de


los atributos de inters. Pero si la medida que se quiere observar depende de una
persona, su comportamiento se puede ver afectado por estar siendo observada. Otras
veces puede ocurrir que la accin que se quiere observar sea muy rpida y que no sea
posible realizar una observacin humana.

Para decidir el nmero de muestras necesarias, se ha de establecer una relacin costo-


exactitud y hacer una optimizacin de dicha relacin.

Una vez realizado el muestreo, los datos se han de analizar e introducir en el modelo.
Los datos usados para definir el modelo pueden ser de dos tipos:

Determinsticos: son datos conocidos con certeza. stos se pueden introducir


fcilmente en el modelo.

Probabilsticos: hay dos formas de incluirlos en el modelo:

Usar la muestra de datos recogida para representar la distribucin de probabilidades.

Determinar una distribucin probabilstica terica que se comporte como la

Muestra y usar sta en el modelo. Esto permite tener una mejor comprensin
(generalizacin) del modelo.

Desarrollo del modelo


Incluye la construccin y depuracin del modelo del sistema real, incluyendo la
seleccin de un lenguaje de programacin, codificacin del modelo. Esta etapa se va a
dividir en dos partes:

Comprensin del sistema y Construccin del modelo.

9
Comprensin del sistema
Una de las tareas ms difciles en el anlisis de simulacin es adquirir el suficiente
conocimiento del sistema para poder desarrollar un modelo apropiado, es decir,
conocer el comportamiento del sistema. Dos tcnicas comnmente usadas son la
aproximacin de flujo fsico y la aproximacin de cambio de estado.

Aproximacin de Flujo Fsico. Se ha de identificar las entidades cuyo procesamiento o


transformacin constituye el propsito principal del sistema. Estas entidades pueden
tomar diferentes caminos en el sistema, las rutas que siguen se determinan mediante
reglas de decisin. La representacin del sistema vendr dada mediante un diagrama
de flujo de entidad y los elementos de procesamiento del sistema.

Aproximacin de Cambio de Estado. Para describir esta aproximacin, se debe definir


unas variables endgenas adicionales que son las variables de estado e introducir un
nuevo concepto, el de suceso o evento. Las variables de estado describen el estado
del sistema en cada momento. Dados los valores actuales de las variables de estado,
las variables exgenas y la estructura del modelo, se puede determinar el estado futuro
del sistema. Un evento es un instante particular en el tiempo en el que el sistema
cambia de estado. La evolucin del sistema se puede representar mediante un grafo de
sucesos.

Construccin del Modelo


Las tareas principales en la construccin de un modelo son:

Eleccin Mecanismo de avance del tiempo. Este depender de la aproximacin elegida


para describir el comportamiento del sistema. Si se eligi la aproximacin de flujo fsico,
este diagrama de flujo podra refinarse para convertirse en el diagrama de flujo del
programa. Si se sigui la aproximacin de cambio de estado, el diagrama de flujo
desarrollado debera describir el procedimiento que efecta los cambios de estado en
el tiempo. Otros dos factores inciden en la construccin del diagrama de flujo del
programa: elegir un mecanismo de avance del tiempo y el lenguaje de programacin

10
que se seleccione. Hay fundamentalmente dos formas de considerar el avance del
tiempo en un modelo de simulacin:

Incrementos fijos de tiempo: se considera un intervalo fijo de tiempo y el estado del


modelo se comprueba despus de transcurrido cada uno de estos incrementos
constantes.

Incrementos por los eventos (N.E.T.A., Next Event Time Advance): las
comprobaciones y modificaciones de las variables afectadas se realizan slo despus
de la ocurrencia de un evento. Aqu el incremento de tiempo es variable, va desde la
ocurrencia de un evento a otro.

El avance del tiempo de simulacin depende de cul de las aproximaciones se elija. Si


se elige el incremento por eventos, el reloj se inicializa a 0, y se incrementa al siguiente
tiempo en que vaya a ocurrir un suceso, en ese momento, en este momento de
actualizacin del reloj se modifican las variables que se vean afectadas por la
ocurrencia del suceso. Si por el contrario se elige un incremento de tiempo fijo, el reloj
se inicia a 0 y se va actualizando cada vez que pase el incremento de tiempo fijado. En
esos instantes se observar el sistema para realizar los cambios. En ese momento
puede ocurrir que no haya sucedido ningn cambio o que por el contrario que hayan
ocurrido ms de un suceso con lo cual se tendr que decidir cul atender antes (por
ejemplo dando prioridad a los sucesos). En esta aproximacin pueden ocurrir errores
de redondeo, que hacen referencia a la diferencia de tiempo que pasa desde que
sucede un suceso hasta que ste se computa (cuando el reloj se incrementa).

Hay que tener cuidado en la eleccin del incremento de tiempo. Si ste es demasiado
pequeo se realizar trabajo intil, ya que se comprobarn cambios cuando en realidad
no ha ocurrido ningn suceso. Por el contrario si es demasiado grande se producirn
muchos errores de redondeo y la dinmica del modelo ser ineficiente.

Eleccin de un Lenguaje de programacin. Hay un creciente nmero de lenguajes de


programacin disponibles para la implementacin de modelos de simulacin.

11
Entre los lenguajes de simulacin destacan: GPSS (General Purpose Simulation
System), SLAM (Simulation Language for Alternative Modeling), SIMAN (Simulation
Analysis), y SIMSCRIPT. Muchos lenguajes de propsito general son completamente
adecuados para la simulacin, por ejemplo, FORTRAM, PASCAL,, pero los lenguajes
de simulacin proporcionan una serie de caractersticas que hacen la programacin,
depuracin y experimentacin ms eficientes en tiempo y esfuerzo, aunque consuman
ms tiempo en la ejecucin. Quizs la ms importante ventaja de los lenguajes de
simulacin es la correspondencia entre los elementos del sistema y los elementos del
lenguaje. Por ejemplo, en GPSS hay bloques de diagramas de flujo y conjuntos de
sentencias de programa llamados QUEUE que procesan entidades a travs de una
cola de espera y acumulan datos de variables de salida tales como tiempo de espera
en la cola.

El lenguaje seleccionado puede influir en la forma exacta del diagrama de flujo del
programa de computador.

Generacin de nmeros y variables aleatorias. Se van a necesitar muestras aleatorias


para representar valores de variables de entrada probabilsticas. Utilizando estos
nmeros aleatorios podemos obtener valores de variables aleatorias que sigan ciertas
distribuciones de probabilidad.

Aunque se ha hecho referencia a que los nmeros usados en simulacin son


aleatorios, no lo son totalmente, ya que se producen a partir de algoritmos
determinsticos. Sin embargo las propiedades de los nmeros producidos se pueden
hacer lo suficientemente cerradas de forma que stos sean completamente utilizables
para la simulacin. Si el modelo se implementa con un lenguaje de propsito general,
se puede seleccionar e incluir algoritmos necesarios para generar las variables
aleatorias requeridas. Pero si se utiliza un lenguaje de simulacin estos algoritmos
estn incluidos y pueden ser fcilmente accesibles por el usuario.

Implementacin y depuracin del modelo. La facilidad o dificultad en esta etapa


dependen en gran medida del lenguaje de programacin que se haya elegido.

12
Verificacin y Validacin del modelo
La Verificacin del modelo consiste en ver cul es la consistencia interna del modelo.

La Validacin consiste en asegurar que existe la una correspondencia entre el sistema


real y el modelo. Un buen mtodo para la validacin es hacer un test para ver cmo el
modelo predice el comportamiento del sistema ante determinadas entradas.

La verificacin y validacin del modelo se realiza en todas los niveles de modelizacin:


modelo conceptual, modelo lgico y un modelo de ordenador. La verificacin se centra
en la consistencia interna del modelo, mientras que la validacin se interesa por la
correspondencia entre el modelo y la realidad.

Se dice que un modelo es vlido si sus medidas de salida tienen una correspondencia
apropiada con las mismas medidas en el sistema real. La comprobacin ltima para la
validez de un modelo es ver cmo el modelo puede predecir un comportamiento futuro
del sistema ante unas determinadas entradas.

Experimentacin y Anlisis de las salidas


Se han de disear los experimentos que se van a llevar a cabo sobre el modelo y luego
analizar las salidas obtenidas, de forma que podamos responder a las cuestiones que
se plantearon.

Experimentacin con el modelo


El propsito ltimo de la experimentacin con el modelo es obtener informacin acerca
del comportamiento del sistema para que esto nos ayude en la toma de decisiones.
Cuando consideramos la ejecucin de un sistema se puede desear conocer cmo se
comporta dicho sistema en sentido absoluto, o comparativamente, para poder
contrastar varias configuraciones alternativas del sistema. O se podran considerar dos
medidas simultneamente.

13
Es evidente que el nmero de exploraciones que se tendran que realizar es
extremadamente largo. Hasta para los diseos de experimentos ms modestos, la
exploracin de todas las posibles soluciones en la bsqueda de la mejor solucin, no
es algo factible. Se necesita una aproximacin estructurada ms directa para encontrar
una solucin que merezca la pena. Podemos considerar dos aproximaciones diferentes
para abordar este problema: conjunto predeterminado de experimentos y tcnicas de
bsqueda de ptimos.

Conjunto de experimentos predeterminado: esta aproximacin impone identificar


factores que podran afectar a la medida de salida y ejecutar los experimentos con los
factores puestos a determinados valores. Una vez realizados los experimentos se
aplicaran unas tcnicas estadsticas denominadas anlisis de la varianza (ANOVA),
para decidir cul o cules de los factores seleccionados tiene realmente algn impacto
en la medida de salida. Las medidas de salida se pueden adaptar de forma que las
suposiciones estadsticas de esta tcnica se satisfagan de forma razonable y puedan
ser aplicadas en la experimentacin del modelo.

Un diseo experimental particularmente general es el diseo factorial. Se consideran


dos o ms factores pudiendo estar cada uno a dos o ms niveles.

El uso de un conjunto predeterminado de experimentos es efectivo para encontrar


buenas soluciones si se puede aproximar una regin de optimalidad con experimentos
previos o con la experiencia que se tenga sobre el problema. Sin embargo esta tcnica
no puede conducir a la mejor solucin global, ni siquiera puede garantizar un ptimo
local.

Tcnicas de bsqueda de ptimos: un conjunto de estas tcnicas se conoce como


Metodologa de Superficie de Respuesta (RSM). La superficie de respuesta es la
funcin que describe las relaciones de las medidas de ejecucin con los factores o
variables de decisin. Dos factores definen una superficie de 3 dimensiones, la cual
puede ser vista como un terreno en donde se puede escalar. De hecho, la
representacin en 2 dimensiones de la respuesta de superficie es como las lneas de
contorno de un mapa topogrfico. Usando varias estrategias se pueden alcanzar
puntos altos en el terreno, y quizs llegar a la cumbre. Una estrategia es el mtodo de

14
escalado ascendente. Esta requiere que el modelo se ejecute suficientemente para
hacer que se pueda determinar qu direccin (qu cambios en los valores de los
factores) parece conducir a un incremento en la altitud (incremento en la medida de
salida). Las variables de decisin se van cambiando de esta forma y el proceso
contina hasta que ya no se puede llegar ms alto, en ese momento se ha alcanzado
un ptimo local o global.

Anlisis de las salidas


En la interpretacin de las salidas del modelo, hay algunos aspectos que son nicos de
la simulacin. Mientras que los modelos analticos proporcionan soluciones con
medidas de ejecucin completamente definidas, los modelos de simulacin producen
estimaciones de las medidas que estn sujetas a error.

Las salidas del modelo de simulacin se consideran muestras. Las principales


cuestiones en la obtencin de estimaciones tiles a partir de muestras son: que la
muestra sea representativa del comportamiento del sistema, y que el tamao de la
muestra sea lo suficientemente grande para que las estimaciones de las medidas de
ejecucin alcancen un buen nivel de precisin. El tamao de la muestra es algo que
est bien definido, pero la representatividad del comportamiento del sistema depende
de la naturaleza de las cuestiones que tienen que ser contestadas por el modelo.

Se pueden realizar dos tipos de anlisis con un modelo de simulacin:

Anlisis para sistemas con final definido: la ejecucin del modelo finaliza cuando ocurre
un evento especfico. Se tomara una muestra por ejecucin.

Anlisis para sistemas con final no definido (sistemas en estado de equilibrio o


estacionario): el inters est en medias de las medidas de comportamiento de
ejecuciones largas, despus de que el sistema ha pasado por algn periodo de
comportamiento transitorio. Las medidas en estado estacionario se pueden definir
como el valor de las medidas en el lmite, cuando la longitud de la ejecucin tiende a
infinito.

15
En ambos casos, las condiciones inicia les (estado del sistema el empezar la ejecucin)
pueden influir en la estimacin de las medidas de comportamiento.

El tamao de la muestra es importante ya que la precisin de las estimaciones


depende de la varianza de la media de la muestra, y la varianza cambia de forma
inversamente proporcional al tamao de la muestra (si se cuadriplica el tamao de la
muestra la desviacin estndar se reduce a la mitad). La definicin de tamao de
muestra para simulacin depende del tipo de anlisis que se haya hecho. Para el
anlisis de un sistema con final definido se podra reproducir el periodo de inters, con
las condiciones iniciales apropiadas, un determinado nmero de veces hasta conseguir
la precisin deseada de la estimacin. En cada ejecucin de obtendr un elemento de
la muestra. Con un anlisis en estado estacionario el tamao de la muestra est
estrechamente enlazado con el tamao de la ejecucin del modelo o cantidad de
tiempo de simulacin.

Implantacin de los resultados de la Simulacin


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

Este paso final es uno de los ms importantes y el que ms se descuida de todo el


proceso. Parece obvio que los beneficios de un largo y costoso anlisis no se
realizarn sin una implementacin apropiada y una aceptacin por parte de los
usuarios.

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

Existe un vaco de comunicacin entre el analista de la simulacin 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 implementacin es tardo.

Resistencia al cambio.

16
Falta de coincidencia entre el personal disponible y los objetivos marcados por el
modelo.

Hay aproximaciones que tratan estos obstculos potenciales. Estas aproximaciones


requieren que los usuarios y los analistas estn implicados desde el comienzo en el
proyecto simulacin.

3.2 Ejemplo de una simulacin tipo Montecarlo en hoja de clculo

El trabajo presenta a la simulacin de Monte Carlo como tcnica cuantitativa que hace
uso de la estadstica y cules son los procesos en los ordenadores para imitar,
mediante modelos matemticos, el comportamiento aleatorio de sistemas reales no
dinmicos. Concretamente haciendo uso de la planilla de clculo de Microsoft Excel, se
describe cmo es posible obtener un nmero pseudo-aleatorio -proveniente de una
distribucin uniforme entre el 0 y el 1- usando la funcin ALEATORIO. Avanzando en
ejemplos mas complejos se construyen modelos de simulacin Monte Carlo cuando las
variables aleatorias son discretas o continuas.

La simulacin de Monte Carlo es una tcnica que combina conceptos estadsticos


(muestreo aleatorio) con la capacidad que tienen los ordenadores para generar
nmeros pseudo-aleatorios y automatizar clculos.

Los orgenes de esta tcnica estn 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 aos posteriores, la
simulacin de Monte Carlo se ha venido aplicando a una infinidad de mbitos como
alternativa a los modelos matemticos exactos o incluso como nico medio de estimar
soluciones para problemas complejos. As, en la actualidad es posible encontrar
modelos que hacen uso de simulacin Monte Carlo en las reas informtica,
empresarial, econmica, industrial e incluso social [5, 8]. En otras palabras, la
simulacin de Monte Carlo est presente en todos aquellos mbitos en los que el
comportamiento aleatorio o probabilstico desempea un papel fundamental -

17
precisamente, el nombre de Monte Carlo proviene de la famosa ciudad de Mnaco,
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 clculo para realizar
simulacin Monte Carlo [1, 6, 7]. La potencia de las hojas de clculo 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 anlisis de escenarios (what-if
anaylisis). Las ltimas versiones de Excel incorporan, adems, un lenguaje de
programacin propio, el Visual Basic for Applications, con el cual es posible crear
autnticas aplicaciones de simulacin destinadas al usuario final. En el mercado
existen de hecho varios complementos de Excel (Add-Ins) especficamente diseados
para realizar simulacin Monte Carlo, siendo los ms conocidos: @Risk, Crystall Ball,
Insight.xla, SimTools.xla, etc. [W2 W5].

Conceptos fundamentales

La funcin ALEATORIO() de Excel

Las hojas de clculo como Excel (y cualquier lenguaje de programacin estndar) son
capaces de generar nmeros pseudo-aleatorios provenientes de una distribucin
uniforme entre el 0 y el 1. Este tipo de nmeros pseudo-aleatorios son los elementos
bsicos a partir de los cuales se desarrolla cualquier simulacin por ordenador. En
Excel, es posible obtener un nmero pseudo-aleatorio -proveniente de una distribucin
uniforme entre el 0 y el 1- usando la funcin ALEATORIO:

18
Los nmeros generados mediante la funcin ALEATORIO tienen dos propiedades que
los hacen equiparables a nmeros completamente aleatorios:

1.Cada vez que se usa la funcin ALEATORIO, cualquier nmero real entre 0 y 1 tiene
la misma probabilidad de ser generado (de ah el nombre de distribucin uniforme).

2. Los diferentes nmeros generados son estadsticamente independientes unos de


otros (es decir, el valor del nmero generado en un momento dado no depende de los
generados con anterioridad).

La funcin ALEATORIO es una funcin voltil de Excel. Esto significa que cada vez que
pulsamos la tecla F9 o cambiemos alguno de los inputs del modelo, todas las celdas
donde aparezca la funcin ALEATORIO sern recalculadas de forma automtica.

Se pueden encontrar ejemplos del uso de ALEATORIO en el propio men de ayuda de


Excel.

Qu es la simulacin de Monte Carlo?

La simulacin de Monte Carlo es una tcnica cuantitativa que hace uso de la


estadstica y los ordenadores para imitar, mediante modelos matemticos, el
comportamiento aleatorio de sistemas reales no dinmicos (por lo general, cuando se
trata de sistemas cuyo estado va cambiando con el paso del tiempo, se recurre bien a
la simulacin de eventos discretos o bien a la simulacin de sistemas continuos).

La clave de la simulacin Monte Carlo consiste en crear un modelo matemtico del


sistema, proceso o actividad que se quiere analizar, identificando aquellas variables
(inputs del modelo) cuyo comportamiento aleatorio determina el comportamiento global
del sistema. Una vez identificados dichos inputs o variables aleatorias, se lleva a cabo
un experimento consistente en (1) generar con ayuda del ordenador-muestras
aleatorias (valores concretos) para dichos inputs, y (2) analizar el comportamiento del
sistema ante los valores generados. Tras repetir n veces este experimento,
dispondremos de n observaciones sobre el comportamiento del sistema, lo cual nos
ser de utilidad para entender el funcionamiento del mismo obviamente, nuestro

19
anlisis ser tanto ms preciso cuanto mayor sea el nmero n de experimentos que
llevemos a cabo.

Veamos un ejemplo sencillo:

En la imagen inferior se muestra un anlisis histrico de 200 das sobre el nmero de


consultas diarias realizadas a un sistema de informacin empresarial (EIS) residente en
un servidor central. La tabla incluye el nmero de consultas diarias (0 a 5) junto con las
frecuencias absolutas (nmero de das que se producen 0, 1, ..., 5 consultas), las
frecuencias relativas (10/200 = 0,05, ...), y las frecuencias relativas acumuladas.

Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el suceso


asociado, en este caso, la probabilidad de un determinado nmero de consultas (as,
p.e., la probabilidad de que se den 3 consultas en un da sera de 0,30), por lo que la
tabla anterior nos proporciona la distribucin de probabilidad asociada a una variable
aleatoria discreta (la variable aleatoria es el nmero de consultas al EIS, que slo
puede tomar valores enteros entre 0 y 5).

Supongamos que queremos conocer el nmero esperado (o medio) de consultas por


da. La respuesta a esta pregunta es fcil si recurrimos a la teora de la probabilidad:
Denotando por X a la variable aleatoria que representa el nmero diario de consultas al
EIS, sabemos que:

20
Por otra parte, tambin podemos usar simulacin de Monte Carlo para estimar el
nmero esperado de consultas diarias (en este caso se ha podido obtener el valor
exacto usando teora de probabilidad, pero ello no siempre ser factible). Veamos
cmo:

Cuando se conozca la distribucin de probabilidad asociada a una variable aleatoria


discreta, ser posible usar la columna de frecuencias relativas acumuladas para
obtener los llamados intervalos de nmeros aleatorios asociados a cada suceso.

En este caso, los intervalos obtenidos son:

[0,00 , 0,05) para el suceso 0

[0,05 , 0,15) para el suceso 1

[0,15 , 0,35) para el suceso 2

[0,35 , 0,65) para el suceso 3

[0,65 , 0,85) para el suceso 4

[0,85 , 1,00) para el suceso 5

El grfico siguiente nos muestra cada una de las probabilidades sobre el nmero de
consultas. En l, se aprecia claramente la relacin existente entre probabilidad de cada
suceso y el rea que ste ocupa.

Esto significa que, al generar un nmero pseudo-aleatorio con el ordenador


(proveniente de una distribucin uniforme entre 0 y 1), estaremos llevando a cabo un
experimento cuyo resultado, obtenido de forma aleatoria y segn la distribucin de

21
probabilidad anterior, estar asociado a un suceso. As por ejemplo, si el ordenador nos
proporciona el nmero pseudo-aleatorio 0,2567, podremos suponer que ese da se han
producido 2 consultas al EIS.

Asignamos pues la funcin ALEATORIO a una casilla (la G1 en el caso de la imagen):

Seleccionando la celda y arrastrando con el ratn desde el borde inferior derecho de


la misma podemos obtener un listado completo de nmeros pseudo-aleatorios:

A continuacin, podemos usar la funcin SI de Excel para asignar un suceso a cada


uno de los nmeros pseudo-aleatorios generados (como veremos, otra forma de hacer
esta asignacin ser usando la funcin BUSCARV):

Repitiendo el proceso de seleccionar y arrastrar obtendremos algo similar a:

22
Finalmente, usando la funcin PROMEDIO ser posible calcular la media de los valores
de la columna H:

En este caso, hemos obtenido un valor estimado que corresponde exactamente con el
valor real anteriormente calculado va la definicin terica de la media. Sin embargo,
debido a la componente aleatoria intrnseca al modelo, normalmente obtendremos
valores cercanos al valor real, siendo dichos valores diferentes unos de otros (cada
simulacin proporcionar sus propios resultados). Se puede comprobar este hecho
pulsando repetidamente sobre la funcin F9 (cada vez que se pulsa dicha tecla, Excel
genera nuevos valores aleatorios y, por tanto, nuevos valores para la columna H y la
casilla I1). Si en lugar de usar una muestra aleatoria formada por 100 observaciones
hubisemos usado una formada por 10, los valores que obtendramos al pulsar
repetidamente F9 no seran estimaciones tan buenas al valor real. Por el contrario, es
de esperar que si hubisemos usado 1.000 (o mejor an 10.000) observaciones, los
valores que obtendramos en la casilla I1 estaran todos muy cercanos al valor real.

23
3.2.1 Descripcin y conceptualizacin de simulacin, establecer el problema,
especificacin del objetivo (s), definicin de indicadores, simulacin y determinacin de
la muestra.

Engloba soluciones para diversas situaciones. Se puede definir como una


experimentacin con modelos que imitan aspectos que ya ocurrieron para as poder
trabajar en condiciones parecidas a las reales, tomando un entorno parecido al real
pero acondicionado artificialmente, controlando las variables.

Segn Thomas H. Naylor define: Simulacin es una tcnica numrica, para conducir
experimentos en un computador. Estos experimentos comprenden ciertos tipos de
relaciones matemticas y lgicas, los cuales son necesarios para describir el
comportamiento y la estructura de sistemas complejos del mundo real a travs de
largos periodos de tiempos.

Robert E. Shannon dice que la simulacin es el proceso de disear y desarrollar un


modelo computarizado de un sistema o proceso, y conducir experimentos con este
modelo, con el propsito de entender el comportamiento del sistema o evaluar varias
estrategias con las cuales se puede operar el sistema.

24
Gordon dice que la simulacin de sistemas, como una tcnica para resolver problemas
a base de seguir cambios a travs del tiempo de un modelo dinmico de un sistema.

"Simulacin es la investigacin de una hiptesis o un conjunto de hiptesis de trabajo


utilizando modelos" (Betancourt, 2013).

La definicin del problema para efectos de simulacin difiere un poco de la definicin


del problema para cualquier otra herramienta de anlisis. Bsicamente, implica la
especificacin de objetivos e identificacin de las variables relevantes controlables e
incontrolables del sistema que se va a estudiar. Un ejemplo es el mercado del pescado.
El objetivo del propietario de la pescadera es maximizar la ganancia sobre la venta del
pescado. La variable relevante controlable (es decir, bajo el control de quien toma las
decisiones) es la regla que rige el pedido, mientras las variables relevantes
incontrolables son los niveles de demanda diarios de pescado y la cantidad vendida del
mismo. Tambin se podra especificar otro objetivo posible, como maximizar las
ganancias por la venta de langosta o maximizar el ingreso de las ventas.

Elaboracin de un modelo de simulacin


Una caracterstica que distingue a la simulacin de las tcnicas como la programacin
lineal o la teora de colas es el que un modelo de simulacin debe elaborarse conforme
a las necesidades de cada situacin de problema (contrariamente, un modelo de
programacin lineal se usa en varias situaciones con slo restablecer los valores de la
funcin objetivo y las restricciones). Sin embargo, existen lenguajes de simulacin que
facilitan la elaboracin del modelo, los cuales se comentarn posteriormente en el
captulo. La naturaleza nica de cada modelo de simulacin significa que los
procedimientos analizados en adelante para la elaboracin y ejecucin de un modelo
representan una sntesis de varios enfoques para la simulacin y que son lineamientos
en vez de las reglas rgidas.

Especificacin de las variables y parmetros El primer paso en la elaboracin de un


modelo de simulacin es determinar las propiedades del sistema real que deben ser

25
fijas (denominadas parmetros) y a cules se les debe permitir que varen durante la
ejecucin de la simulacin (llamadas variables). En la pescadera, las variables son la
cantidad de pescado pedido, la demandada y el volumen de ventas; los parmetros son
el costo y el precio de venta del pescado. En la mayora de las simulaciones, el
enfoque est en la condicin de las variables en diferentes puntos de tiempo, como los
kilos de pescado demandado y vendidos al da.

Especificacin de las reglas de decisin Las reglas de decisin (o reglas operativas)


son conjuntos de condiciones bajo los que se observa el comportamiento del modelo
de simulacin. Estas reglas son el enfoque directo o indirecto de casi todos los estudios
de simulacin. En muchas simulaciones, las reglas de decisin son prioritarias (por
ejemplo, a qu cliente atender primero, qu trabajo procesar primero). En ciertas
situaciones pueden estar involucradas si se toma en cuenta la cantidad grande de
variables en el sistema. Por ejemplo, se podra establecer una regla de pedidos de
inventario de tal modo que la cantidad a pedir dependiera de la cantidad en inventario,
la cantidad anteriormente pedida mas no recibida, la cantidad de pedidos acumulados
atrasados y las existencias de seguridad deseadas.

Especificacin de las distribuciones de probabilidad Se pueden usar dos categoras de


distribucin para la simulacin: las distribuciones empricas de frecuencia y las
distribuciones estndar matemticas. Una distribucin emprica se deriva de observar
las frecuencias relativas de cierto evento, como la llegada en una lnea o la demanda
de un producto. Es decir que se trata de una distribucin de demanda elaborada segn
las necesidades que slo es relevante para una situacin en particular. Podra verse
como la presentada a la izquierda en la ilustracin 19A.2. Dichas distribuciones se
determinan por observacin directa o anlisis detallado de registros (su uso se
mostrar en el ejemplo de simulacin de lneas de espera). Pero, por ejemplo, muchas
veces se puede suponer de manera razonable que la demanda est muy vinculada con
una distribucin estndar matemtica, como la normal o Poisson. Lo anterior simplifica
en gran medida la recopilacin y captura de datos.

Especificacin del procedimiento para incrementar el tiempo En un modelo de


simulacin, el tiempo se puede avanzar con uno de dos mtodos: 1) incrementos fijos o

26
2) incrementos variables. En ambos mtodos de incrementos de tiempo es importante
el concepto de un reloj simulado. En el mtodo de incremento de tiempo fijo, se
especifican los incrementos uniformes de tiempo del reloj (como minutos, horas o das)
y la simulacin contina por intervalos fijos de un periodo al siguiente. En cada punto
de tiempo de reloj, se rastrea el sistema para determinar si ocurra algn evento. De ser
as, se simulan los eventos y avanza el tiempo; de lo contrario, el tiempo de todas
maneras avanza una unidad. En el mtodo de incremento de tiempo variable, el tiempo
del reloj avanza por la cantidad requerida para iniciar el siguiente evento. Cul es el
mtodo ms conveniente? La experiencia indica que es ms recomendable el
incremento de tiempo fijo cuando los eventos de inters ocurren con regularidad o la
cantidad de eventos es grande y normalmente ocurren varios en el mismo periodo. Por
lo general se prefiere el mtodo de incremento de tiempo variable, que requiere menos
tiempo de ejecucin de cmputo, cuando se presentan relativamente pocos eventos en
una cantidad considerable de tiempo. Ignora los intervalos de tiempo cuando no sucede
nada y avanza de inmediato al siguiente punto cuando se presenta algn evento.

Como especificar valores de variables y parmetros

Por definicin, el valor de una variable cambia conforme avanza la simulacin, aunque
se le debe dar un valor inicial. Cabe recordar que el valor de un parmetro permanece
constante; sin embargo, puede cambiar conforme se estudian diferentes alternativas en
otras simulaciones.

Determinacin de condiciones iniciales La determinacin de condiciones iniciales para


las variables es una decisin tctica importante en la simulacin. 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. Para manejar este problema, los analistas han seguido varios
planteamientos como 1) descartar los datos generados durante las primeras partes de
la ejecucin, 2) seleccionar las condiciones iniciales que reducen la duracin del
periodo de calentamiento o 3) seleccionar las condiciones iniciales que eliminan el
sesgo. Sin embargo, para emplear cualquiera de estas alternativas, el analista debe
tener una idea del margen de datos de salida esperado. Por lo tanto, en cierto sentido,

27
el analista sesga los resultados. Por otro lado, una de las nicas caractersticas de la
simulacin es que permite la crtica en el diseo y anlisis de la simulacin; por lo que
si el analista tiene cierta informacin que alberga un problema, se debe incluir.

Determinacin de duracin de la ejecucin La duracin de la ejecucin de simulacin


(duracin de la ejecucin o tiempo de ejecucin) depende del propsito de la
simulacin. Quizs el planteamiento ms comn sea continuar la simulacin hasta
lograr un equilibrio. En el ejemplo del mercado de pescado, significara que las ventas
simuladas de pescado corresponden a sus frecuencias relativas histricas. Otro
planteamiento es ejecutar la simulacin durante un periodo establecido como 1 mes, 1
ao o una dcada y ver si las condiciones al final del periodo son razonables. Un tercer
planteamiento es establecer la duracin de la ejecucin de modo que se obtenga una
muestra suficientemente grande para efectos de pruebas de hiptesis estadstica. Esta
alternativa se considera en la siguiente seccin.

Evaluacin de resultados
Desde luego que las conclusiones que se pueden obtener de una simulacin dependen
del grado en que el modelo refleja el sistema real, aunque tambin depende del diseo
de la simulacin en un sentido estadstico. De hecho, muchos analistas consideran la
simulacin como una forma de prueba de hiptesis donde cada ejecucin de
simulacin ofrece uno o ms datos de muestra que son susceptibles al anlisis formal a
travs de los mtodos estadsticos inferenciales. Los procedimientos estadsticos que
normalmente se usan en la evaluacin de resultados de simulacin incluyen el anlisis
de varianza, anlisis de regresin y pruebas t. En la mayora de las situaciones, el
anlisis tiene ms informacin disponible con la cual comparar los resultados de
simulacin: datos operativos antiguos del sistema real, datos operativos del desempeo
de sistemas semejantes y la percepcin del analista de la operacin del sistema real.
Sin embargo, se debe admitir que la informacin obtenida de estas fuentes
probablemente no sea suficiente para validar las conclusiones derivadas de la
simulacin. Por lo tanto, la nica prueba real de una simulacin es qu tan bien se
desempea el sistema real despus de haber implantado los resultados del estudio.

28
Determinacin de la muestra

La determinacin del tamao muestral en una investigacin es de vital importancia,


tanto para caracterizar la distribucin de la variable, como para fijar el grado de
precisin del cuando se efecta un estudio de carcter cuantitativo (limitado al uso de
un muestreo aleatorio simple, unietpico y fijo), en el cual se utilizan mtodos
estadsticos inferenciales como medios para el anlisis, como ser la estimacin
estadstica, las pruebas de hiptesis y el anlisis de experimentos, que requieren de
informacin precisa sobre las variables consideradas, y que es obtenida a partir de la
muestra representativa de la respectiva poblacin.

El artculo presenta varias ecuaciones para la determinacin del tamao muestral,


agrupadas en 6 figuras, usando la ayuda didctica de los rboles de decisin, que
facilitan su eleccin. Con el fin de ejemplificar la manera de utilizar los rboles de
decisin para la eleccin de la ecuacin adecuada en el clculo del tamao muestral,
se muestra un ejemplo de investigacin, que es desarrollado completamente, desde la
concepcin del problema hasta las conclusiones finales. Por otro lado, se exponen
algunas bases tericas y empricas que ayuden a utilizar de la mejor manera posible
las distintas ecuaciones que permiten el clculo del tamao muestral.

3.2.2 Caracterizacin de cada indicador, agrupamiento de datos, grficas y estimacin


de parmetros.

Caracterizacin de cada indicador


Los modelos de simulacin constituyen una herramienta fundamental para entender la
complejidad que caracteriza los sistemas ecolgicos y ambientales. Esto se debe a que
son la nica herramienta disponible para traducir una coleccin de hiptesis acerca de
procesos ecolgicos en una representacin de cmo el ecosistema funciona en su
totalidad. Estos permiten realizar anlisis de impactos tecnolgicos, econmicos y

29
ambientales, la evaluacin de estrategias productivas y los pronsticos del rendimiento
de los cultivos. Su empleo se enfoca generalmente a comprender mejor los problemas
y anticipar la realidad que se investiga. 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 permitir ensayar experimentos que no se
podran realizar en el sistema real. En este trabajo se abordan las caractersticas y
utilizacin de los modelos de simulacin, algunas de las principales clasificaciones y
ejemplos de trabajos realizados en Cuba con estos modelos, as como las
peculiaridades del modelo DSSAT (sistema de apoyo para las decisiones de
transferencia agrotecnolgica). Por tanto, esta revisin pretende dar a conocer las
caractersticas e importancia de los modelos de simulacin de cultivos, como
herramienta principal en los procesos de toma de decisiones, para poder lograr
posteriores aplicaciones como primera aproximacin de la capacidad productiva en
distintas condiciones edafoclimticas de Cuba, as como tambin lograr la investigacin
de ciertos procesos en plantas, que necesitarn una mejor interpretacin en su
interaccin frente a otros factores productivos, de insumos y ambientales.

De acuerdo con la cantidad de datos y el conocimiento que est disponible dentro de


un campo particular, se desarrollan modelos con diferentes niveles de complejidad. La
clasificacin de los modelos ha sido intentada anteriormente, pero no se pueden hacer
delimitaciones definidas, ya que los modelos generalmente poseen caractersticas de
ms de un grupo .

Los modelos de simulacin se clasifican en dos grandes grupos: empricos y


mecanicistas. Los primeros son descriptivos, se derivan de datos observados sin
involucrar procesos fisiolgicos y tienen escasa capacidad explicativa. Por el contrario,
los modelos mecanicistas poseen capacidad explicativa de la fisiologa del cultivo,
porque consideran aspectos como la temperatura, la radiacin fotosnteticamente
activa, el ndice de rea foliar, la fotosntesis, la respiracin y la eficiencia en el uso de
la radiacin . No obstante, dentro de estas clasificaciones existen otras categoras, que
de acuerdo a sus caractersticas han sido nombradas de diferente forma.

30
Los modelos que estudian las relaciones biolgicas para describir el comportamiento
de un sistema se les denominan modelos mecansticos, a diferencia de los modelos
empricos que describen las relaciones matemticas entre los datos .

Modelos empricos o descriptivos: Estos modelos describen, de un modo simplificado,


el comportamiento de un cultivo.

El desarrollo de un modelo emprico se basa en la individualizacin, a partir de datos


experimentales, de una o ms ecuaciones matemticas, para la representacin del
proceso examinado.

Las principales carencias de este tipo de aproximacin 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 biolgico.

Los modelos empricos son descripciones directas de los datos observados y se


expresan generalmente como ecuaciones de regresin (con uno o varios factores) y se
utilizan para estimar la produccin final. Ejemplos de tales modelos incluyen la
respuesta de la produccin a la aplicacin de fertilizantes, la relacin entre el rea de la
hoja y la cantidad de hojas de una planta dada, la relacin entre la altura del tallo y el
nmero de tallos, su dimetro y la produccin final de caa de azcar.

Modelos mecansticos. Estos modelos son aquellos que describen el comportamiento


del sistema en trminos de propiedades de bajo nivel. Por tanto, existe comprensin o
explicacin en los niveles inferiores. Estos modelos tienen la habilidad de imitar
importantes procesos fsicos, qumicos o biolgicos, y describir cmo y porqu resulta
una respuesta particular. El analista comienza usualmente con algn empirismo y en la
medida que se gana en conocimiento se introducen variables y parmetros adicionales
para explicar la produccin de la cosecha. As, el analista adopta un enfoque
reduccionista. La mayora de los modelos de crecimiento de cultivos caen dentro de
esta categora.

Modelos estticos y dinmicos. Los modelos estticos representan relaciones entre las
variables que no se modifican en el tiempo y, por tanto, se conoce su valor final y no su

31
evolucin en el tiempo (ejemplo simulacin de la intercepcin solar, fotosntesis). Los
modelos dinmicos describen el modo en el cual el sistema cambia en el tiempo y, por
lo tanto, es posible seguir la evolucin temporal de cada una de las variables del
sistema (ejemplo: balance de nitrgeno e hdrico en el suelo).

Modelos determinsticos y estocsticos. Los modelos determinsticos atribuyen un solo


valor a cada variable del sistema. Hacen predicciones para cantidades (por ejemplo,
produccin de la cosecha) sin ninguna distribucin probabilstica asociada, varianza o
elemento aleatorio. En los sistemas biolgicos y agrcolas son normales las
variaciones, debido a imprecisiones en los datos recogidos y a heterogeneidad del
material con que se ha trabajado. En algunos casos, los modelos determinsticos
pueden ser adecuados a pesar de estas variaciones inherentes, pero en otros pueden
resultar insatisfactorios, por ejemplo, en la prediccin de lluvia. Cuanto mayor sea la
incertidumbre del sistema, ms inadecuados se vuelven los modelos determinsticos.
Los modelos estocsticos sealan, en cambio, para una variable una distribucin de
valores.

Cuando la variacin y la incertidumbre alcanzan un nivel alto, se hace recomendable


desarrollar un modelo estocstico que d un valor medio esperado con una varianza
asociada. Sin embargo, los modelos estocsticos tienden a ser difciles de manipular y
rpidamente se vuelven muy complejos. Por consiguiente, es recomendable intentar
resolver el problema inicialmente con un enfoque determinstico y utilizar el enfoque
estocstico solo si los resultados no son adecuados o satisfactorios.

Trabajos realizados en Cuba con la aplicacin de modelos empricos

Desde la dcada de los 80 los modelos empricos han sido ampliamente usados por
muchos investigadores cubanos, con el fin de describir el crecimiento de dismiles
cultivares, entre estos trabajos podemos mencionar algunos de los desarrollados en el
INCA (Instituto Nacional de Ciencias Agrcolas), donde se realiz una comparacin
entre diferentes funciones matemticas para describir el crecimiento de algunos
rganos en posturas de caf crecidas en vivero; adems, se plantea que desde este
tiempo se ha venido trabajando en Cuba en la aplicacin de diferentes funciones
matemticas para describir el crecimiento de diferentes cultivos, como papa, ctricos,

32
tomate y caf; esto permite estimar el valor de la variable en cuestin en cualquier
momento, dentro del rango en que se realiz el estudio.

Se determin, tambin, el crecimiento de plntulas de cafeto en diferentes condiciones


de aviveramiento, con el objetivo de conocer la influencia del uso o no de la sombra
durante el perodo de aviveramiento, la altura sobre el nivel del mar y dos fechas de
siembra, en la dinmica de crecimiento de plntulas, as como en la extensin del
perodo de aviveramiento (Figura 1); los datos fueron ajustados a una funcin
exponencial polinmica de segundo grado (y =eb0 +b1x+b2x2), obtenindose valores
de R2 entre 0.96 y 0.98, y se establecieron dinmicas para cada una de las variables
evaluadas.

Trabajos realizados en Cuba con la aplicacin de modelos determinsticos

Durante tres dcadas se han aplicado estos modelos, en lo fundamental, en pases de


clima templado. Por los beneficios que aportan, especialistas de la Universidad Agraria
de La Habana, del Instituto Nacional de Riego y Drenaje, y el de Investigaciones de la
Caa de Azcar, elaboraron los primeros trabajos para utilizar en nuestras condiciones
geogrficas cinco de los modelos agrohidrolgicos de alcance internacional.

Por primera vez en el pas, se ofrecen los parmetros que describen las propiedades
hidrulicas para los principales grupos de suelos cubanos. Esta investigacin le
confiere validez al modelo Swcrop para ser utilizado en el cultivo de la papa en
condiciones tropicales; antes solo se empleaba en clima templado.

Tambin se obtiene una versin del modelo Swap para la caa de azcar. Este predice
los daos que puedan originarse por cambios climticos, caractersticas del suelo y
fecha apropiada para la siembra. Una Unidad Bsica de Produccin Cooperativa del
central Hctor Molina en La Habana, lo puso en prctica e informaciones preliminares
anticipan un saldo productivo y econmico alentador.

La importancia de este trabajo es facilitar herramientas que sean tiles para lograr una
correcta estrategia agrcola y aprovechar al mximo el agua disponible, en tiempos de
prolongada sequa como los actuales.

33
En el Instituto de Investigaciones de Riego y Drenaje se ha trabajado durante varios
aos en la evaluacin y validacin de diferentes modelos de simulacin de
transferencias hdricas, fundamentalmente para las condiciones edafoclimticas de la
regin del sur de La Habana .

Investigadores del Instituto Nacional de Riego y Drenaje de Cuba realizaron el trabajo


titulado Posibilidades de los modelos de simulacin como herramienta eficaz en los
estudios del manejo ptimo del agua y la fertilizacin en diferentes sistemas de cultivos
agrcolas, con el objetivo de resumir y discutir las principales caractersticas de los
modelos de simulacin (STIC y MACRO) disponibles para la investigacin en el
Instituto de Riego y Drenaje de Cuba, y sus posibilidades para la prediccin del
comportamiento de los cultivos agrcolas ante diferentes manejos de agua, fertilizacin
y ambientes climticos.

De igual forma, se desarroll el trabajo titulado Coeficientes de cultivo de la cebolla y su


determinacin con el modelo ISAREG, con el objetivo de explorar a partir de datos
histricos los resultados de dos dcadas de experimentos de campo de cebolla
cultivada en la Estacin Experimental de Riego y Drenaje, para la calibracin y
validacin del modelo ISAREG, con el fin de obtener los coeficientes de cultivo (Kc) y la
fraccin de agotamiento (p) adecuada para este cultivo.

Los modelos de simulacin respecto a cultivos agrcolas son una categora de modelos
ambientales que, tpicamente, predicen el rendimiento de los cultivos, el crecimiento y
desarrollo de las plantas, y la dinmica de la humedad y otros nutrientes.

Un modelo de cultivo es la simulacin dinmica del crecimiento por el uso de la


integracin numrica de los procesos constituyentes con la ayuda de las
computadoras. Ms especficamente, esto implica un programa de computacin que
describe la dinmica del crecimiento del cultivo en relacin con el ambiente, operando
en pasos de tiempo y un orden de magnitud por debajo de la estacin del crecimiento,
y con la capacidad de obtener variables que describen el estado del cultivo en
diferentes puntos del tiempo; por ejemplo, la biomasa por unidad de rea, el estadio de
desarrollo, el rendimiento, el contenido de nitrgeno de las hojas, etc.

34
Si definimos a los modelos de cultivos como la representacin matemtica de una
sntesis de mecanismos y procesos, es errneo pensar que podamos representar
perfectamente los sistemas biolgicos y, por lo tanto, la modelizacin est orientada
generalmente a ver la respuesta a aspectos precisos como: prediccin de la
produccin, potencialidad de cultivares, manejo de la irrigacin, entre otros.

Los modelos de simulacin agronmica son herramientas que integran informacin, y


permiten analizar y cuantificar las relaciones existentes entre los factores mencionados
y sus efectos como componentes del sistema, para evaluar diferentes planteos
productivos o analizar un factor manteniendo los otros constantes; por ejemplo, la
variacin del rendimiento por efecto del clima sin modificar el manejo, el genotipo y el
suelo. 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. Es por ello necesario validar los modelos en los ambientes en donde se
utilizarn.

No obstante la capacidad relativa de los modelos existentes y la credibilidad de sus


resultados es todava un aspecto importante a valorar. Esto est asociado
primeramente a la no disponibilidad de datos apropiados para la validacin del modelo
y, por otra, a la inadecuacin en las representaciones de los procesos e interacciones
del sistema agua-suelo-planta-atmsfera. Es por tanto muy importante antes de
adoptar uno u otro modelo para aplicaciones agrcolas y medioambientales que se
realice un trabajo de evaluacin y validacin exhaustivo de estos.

Modelo DSSAT (Sistema de Apoyo de Decisiones para la Transferencia de la


Agrotecnologa). Desde 1983, un grupo internacional de cientficos cooperantes han
desarrollado modelos de simulacin de cultivos, enfocados a proporcionar estimaciones
realistas del comportamiento de los cultivos bajo diferentes estrategias de manejo y
condiciones ambientales. Estos modelos se han combinado en un paquete, como parte
de un programa de enlaces (software shell) conocido como Sistema de Apoyo para
Decisiones de Transferencia de Agrotecnologa (DSSAT, por sus siglas en ingls).

Los modelos de simulacin de cultivos del DSSAT utilizan archivos de datos para clima,
suelo y manejo del cultivo. Estos archivos se utilizan para proveer en la simulacin un

35
ambiente parecido a donde crece el cultivo. El DSSAT, adems, incluye varios
programas de aplicacin para anlisis estacionales, rotacin de cultivo y anlisis
secuencial, y anlisis espacial a escala de campo o regional. Los modelos proveen una
de las mejores aproximaciones del comportamiento de los cultivos, integrando nuestro
entendimiento de los procesos complejos de las plantas influenciados por el clima, el
suelo y las condiciones de manejo.

El modelo DSSAT ha sido usado por investigadores de todo el mundo en los ltimos 15
aos; este paquete tiene incorporado 16 modelos de cultivos diferentes, con un
software que facilita la evaluacin y aplicacin de estos modelos de cultivos para
diferentes propsitos. Estos permiten simular el crecimiento de cultivos de importancia
econmica y han demostrado alta confiabilidad en distintas condiciones de clima, suelo
y manejo. Con este modelo es posible organizar y archivar bases de datos sobre clima,
suelos, cultivos, experimentos y precios; simular producciones de cultivo en una o
varias pocas y en secuencias; analizar resultados y representar grficamente
simulaciones; analizar variabilidad espacial y evaluar diferentes prcticas de manejo
especficas a una explotacin o parte de ella.

El DSSAT ha tenido los siguientes impactos:

ha sido adoptado por ms de 1500 investigadores en 91 pases

utilizado en ms de ocho proyectos nacionales e internacionales sobre el cambio


climtico

cientos de aplicaciones desarrolladas independientemente de los creadores originales

valid el enfoque de sistemas para la transferencia tecnolgica

dio lugar a la formacin de ICASA.

El DSSAT de la Red de Sitios Indicadores Internacionales para la Transferencia de la


Agrotecnologa (IBSNAT) incluye un sistema de manejo de base de datos, modelos de
simulacin de cultivos y programas de aplicacin. Hoy en da, los modelos de
simulacin forman parte del Consorcio para la Aplicacin de Sistemas Agrcolas ICASA
(International Consortium for Agricultural System Application).

36
Agrupamiento de datos

Cuando tiene un conjunto de datos muy grande en un anlisis de Exploracin visual de


datos, los datos sern ms fciles de manejar si los agrupa en subconjuntos lgicos y
consulta solo un subconjunto cada vez. Por ejemplo, una cuadrcula en el anlisis
refleja los sueldos de los empleados por Regin, Director y Empleado. Puede poner
Regin en el rea de paginacin y ver los datos sobre los sueldos de los empleados
por Director y Empleado, a razn de una regin cada vez. Todos los datos de la
cuadrcula seguirn estando presentes, si bien estarn agrupados en secciones ms
pequeas y manejables.

Una vez que haya agregado un atributo al rea Paginacin segn, 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 rea Paginacin segn para mostrar rpidamente los
datos tal como se mostraran si se hubiese seleccionado el elemento.

Cuando se filtran los datos de grupo en un anlisis, se aplican los agrupamientos a


todas las visualizaciones de la ficha de diseo actual. Cada diseo en un anlisis se
agrupa por separado, sin afectar el contenido de los otros diseos del anlisis.

Los siguientes pasos indican cmo agrupar y desagrupar datos y cmo crear una
animacin de los datos agrupados.

Para agrupar o desagrupar datos en un anlisis

Realice una de las siguientes acciones:

Para agrupar datos por un atributo, realice los siguientes pasos:

Desde el panel Objetos de conjunto de datos, arrastre y suelte el atributo que desea
utilizar para agrupar datos en rea de paginacin. Los elementos del atributo se
muestran automticamente en el rea de paginacin.

37
Desplace el cursor sobre el nombre del atributo en el rea de paginacin y, a
continuacin, haga clic en el icono de flecha ubicado a la derecha. Aparecer una lista
de opciones.

Por defecto, los elementos de atributo en el rea de paginacin aparecen como


botones seleccionables en una barra de botones. Puede cambiar el estilo en el que los
elementos se muestran en el rea de paginacin. Por ejemplo, puede elegir mostrar los
elementos de atributo como opciones en una lista desplegable. Las opciones son:

Barra de botones

Barra de desplazamiento

Lista desplegable

Para quitar un atributo del rea de paginacin, desplace el cursor encima del nombre
del atributo en el rea de paginacin y, a continuacin, haga clic en el icono de flecha a
la derecha y seleccione Quitar.

Para reemplazar el atributo en el rea de paginacin con otro atributo del panel Objetos
de conjunto de datos, desplcese encima del nombre del atributo del rea de
paginacin y, a continuacin, elija Reemplazar con y seleccione el atributo segn el
cual desea agrupar los datos.

Puede mostrar una animacin de los datos para crear un ciclo que atraviese una
visualizacin de los datos agrupados por cada elemento de atributo en el rea de
paginacin.

Grficas y estimacin de parmetros en simulacin

Para poder apreciar si la simulacin est funcionando correctamente, lo mejor que puede
hacerse es visualizar la forma en que est evolucionando a travs de grficas y
animaciones.

38
cla() se utiliza para limpiar la regin de la grfica antes de volver pintar sobre ella
nuevamente.

Este mtodo tambin puede usarse para generar una lnea horizontal como:

In [176]: plt.cla()

In [177]: plt.plot([3]*5)

Out[177]: [<matplotlib.lines.Line2D at 0x3f874d0>]

39
Estimacin de los parmetros

En las correspondientes fichas de ejercicios los valores de los parmetros se dieron por
conocidos, no siendo necesario estimarlos. En este captulo se analizarn los diversos
mtodos para estimar los parmetros. Conviene recordar que la estimacin de
parmetros implica conocimientos sobre a teora de muestreo y sobre inferencia
estadstica.

En este manual se referir uno de los mtodos generales ms usados en la estimacin


de parmetros el mtodo de los mnimos cuadrados. Este mtodo utiliza, en muchos
casos, procesos iterativos de estimacin que requieren valores iniciales prximos a los
verdaderos parmetros. As, se presentan tambin algunos mtodos particulares, que
permiten obtener, fcilmente, estimaciones prximas a los verdaderos valores de los
parmetros. De cualquier modo, estas estimaciones aproximadas tambin tienen, por si

40
solas, inters prctico. Estos mtodos sern ilustrados con la estimacin de los
parmetros de crecimiento y de la relacin stock-reclutamiento, S-R.

El mtodo de los mnimos cuadrados es presentado bajo las formas de Regresin lineal
simple, del modelo lineal mltiple y de modelos no lineales (mtodo de Gauss-Newton).

Asuntos como el anlisis de residuos, distribucin en el muestreo de los estimadores


(asintticas o empricas Bootstrap y jacknife), lmites y intervalos de confianza,
etc., son importantes en la estimacin de parmetros. No obstante, para abordar estos
asuntos, sera necesario un curso de mayor duracin.

Regresin lineal simple, mtodo de mnimos cuadrados

Modelo

Considerando las siguientes variables y parmetros:

Variable dependiente (o respuesta) =Y


Variable independiente (o auxiliar) =X
Parmetros = A, B
La variable independiente es lineal con los parmetros
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 parmetros del modelo o sea:

Observados xi e yi para cada par i, como i = 1, 2,..., i,...n


Estimar A y B y (Y1, Y2,..., Yi,..., Yn) para los n pares de valores observados
(Valores estimados

41
y (o a y b) y , ,..., .., )

uncin objeto (o funcin criterio)

Criterio de estimacin

Los estimadores sern los valores de A y B que hacen mnima la funcin objeto. Este
criterio se denomina mtodo de los mnimos cuadrados. Para llevar a cabo la
minimizacin han de igualarse a cero las derivadas F/A y F/B y resolver el sistema
de ecuaciones obtenido respecto A y B.

La resolucin del sistema de ecuaciones, despus de algunas transformaciones


matemticas, da los siguientes resultados:

Sxx = S(x - )(x - ) Sxy = S(x - )(y - )


b = Sxy/Sxx
a= - b.

Ntese que los valores yi observados, para un mismo conjunto de valores de X


seleccionados, dependen de la muestra recogida. Estadsticamente se acostumbra a
presentar el problema de la regresin 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.

As, el valor esperado de y ser Y o A+BX y la varianza de y ser igual a la varianza de


e.

42
Se acostumbra a diferenciar desvo de residuo:

Desvo es la diferencia de yobservado e ymdio ( ), esto es desvo = (y- )

En tanto que

Residuo es la diferencia entre yobservado e Yestimado ( ), esto es residuo = (yi - ).

Es conveniente, para el anlisis del ajuste del modelo a los datos observados,
considerar las siguientes caractersticas:

La suma de los cuadrados de los residuos:

Esta cantidad indica la variacin residual de los valores observados en relacin a los
valores estimados del modelo, esto es, la variacin de los valores observados no
explicada por el modelo.

La suma de los cuadrados de los desvos de los valores estimados del modelo es
igual a:

Este valor indica la variacin de los valores estimados de la variable dependiente del
modelo en relacin a su media, esto es, la variacin de los valores estimados de la
variable dependiente explicada por el modelo.

La suma total de los cuadrados de los desvos de los valores observados es igual
a:

43
Este valor indica la variacin total de los valores observados en relacin a la media

Es fcil verificar la siguiente relacin:

SQtotal = SQmodelo + SQresidual

1 = r2 + (1 - r2)

donde

r2 (coeficiente de determinacin) es el porcentaje de la variacin total que es explicada


por el modelo y,

1-r2 es el porcentaje de la variacin total que no es explicada por el modelo.

3.2.3 Aumentar el tamao de la simulacin y repetir 3.2.2

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


observada. Con este propsito el programa calcula cuatro estadsticos centrales a partir
de una muestra. Se pide que se observe cmo varan estos estadsticos al introducir
valores extremos, etc.

44
Funcionamiento:

1. Se introducen los valores deseados y el programa calcula automticamente los


estadsticos centrales.

C7m1_consistencia
Visualizar el significado de la propiedad de consistencia para estimadores. Con este
propsito se comparan, mediante simulaciones, dos estimadores de la media de una
poblacin Normal con esperanza igual a cero: uno consistente (la media aritmtica o
promedio) y otro que no lo es (la primera observacin). En la grfica se muestran los
resultados obtenidos para diez muestras de medida diferente (2, 10, 50 y 500
individuos). Ha de verse cmo, al aumentar el tamao muestral, slo el estimador
consistente converge al verdadero valor del parmetro estimado.

Funcionamiento:

1. Presionar el botn correspondiente para obtener nuevas simulaciones.

2. Observar el comportamiento de los dos estimadores al incrementar el tamao


muestral.

C7m2c1A
Comparar, mediante simulaciones, las propiedades de consistencia i sesgo para
cuatro estimadores del valor alpha (la esperanza) de una distribucin Exponencial. El
usuario puede escoger el valor alpha del modelo Exponencial y la medida de la
muestra a simular.

45
Funcionamiento:

1. Entrar los valores


de alpha y el
tamao de la
muestra a simular.

2. Presionar el botn
correspondiente
para obtener una
nueva simulacin.

3. Observar los
valores de los
cuatro
estimadores.

4. Repetir todo el
proceso diversas
ocasiones y llegar
a conclusiones
respecto a las
propiedades de
consistencia y
sesgo.

C7m2c1B
Como en el caso anterior pero, en lugar de obtener una nica simulacin, se obtiene
un nmero arbitrario de simulaciones. Con esto es posible aadir al estudio de la
consistencia y el sesgo la eficiencia de un estimador.

46
Funcionamiento:

1. Entrar los
valores
de alpha, el
tamao de la
muestra y el
nmero de
muestras
asimular.

2. Presionar el
botn
correspondient
e para obtener
las nuevas
simulaciones.

3. Observar los
valores de los
cuatro
estimadores.

4. Repetir todo el
proceso
diversas
ocasiones y
llegar a
conclusiones
respecto a las
propiedades de
consistencia,
sesgo y

47
consistencia.

C7m2c2A
Visualizar el concepto de estimador mximo verosmil. Se parte de una muestra
conocida procedente de una distribucin Exponencial.

Funcionamiento:

1. Utilizar las
barras de
desplazamie
nto para
variar la
estimacin
de alpha ha
sta alcanzar
el mximo
de la
funcin de
verosimilitud
.

2. Comparar el
valor
obtenido
con los
estadsticos
calculados
para esta
muestra.

48
3.2.4 Establecer el efecto que sobre la variabilidad de un estimador tiene el tamao de
la simulacin

La Simulacin de Monte Carlo es una tcnica que permite llevar a cabo la valoracin de
los proyectos de inversin considerando que una, o varias, de las variables que se
utilizan para la determinacin de los flujos netos de caja no son variables ciertas, sino
que pueden tomar varios valores.

1. La estimacin de las variables

Aplicacin:

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

Valor Actual Neto (VAN)

Tasa Interna de Rentabilidad (TIR)

Segn el valor obtenido para estos mtodos de valoracin se tomar la decisin de si el


proyecto es rentable y se lleva a cabo, o no.

Identificar las variables cuyo comportamiento se va a simular (X)

Es decir, aquellas que se consideran que no van a tomar un valor fijo, sino que pueden
tomar un rango de valores por no tratarse de variables ciertas

Si no se tuvieran en cuenta dichas interrelaciones, y se simularan las variables de


forma independiente, se estara incurriendo en un error en los resultados obtenidos, y
se reducira la variabilidad de los resultados al tener lugar el efecto de compensacin
en la interaccin de las variables.

2. Estimacin del tamao de la muestra

49
Para determinar el tamao de la muestra, se empezar utilizando un nmero no
demasiado elevado de simulaciones, que se sustituirn en el modelo matemtico
seleccionado, y se calcular la media y la desviacin tpica correspondiente al mismo.

METODOLOGA DE CLCULO

La aplicacin del mtodo de Monte Carlo para valorar inversiones plantea dos aspectos
fundamentales; la estimacin de las variables y la determinacin del tamao de la
muestra.

Simular la realidad a travs del estudio de una muestra, que se ha generado de forma
totalmente aleatoria. Resulta, por tanto, de gran utilidad en los casos en los que no es
posible obtener informacin sobre la realidad a analizar, o cuando la experimentacin
no es posible, o es muy costosa.

-Una vez identificadas las variables que se van a simular, hay que determinar la funcin
de densidad de probabilidad f(x) asociada a cada una de ellas.

- Posteriormente, se obtendrn las funciones de distribucin asociadas a las variables


(o variable).

Z = f(x), donde "x" es la variable desconocida a simular

- A continuacin, se sustituyen los valores simulados en el modelo matemtico para ver


el resultado obtenido para las simulaciones realizadas.

- Posteriormente, se agrupan y clasifican los resultados. Se comparan los casos


favorables, con los casos posibles, y se agrupan por categoras de resultados.

- Para finalizar, se lleva a cabo el anlisis estadstico y de inferencia sobre el


comportamiento de la realidad, siendo interesante calcular la media, la varianza y la
desviacin tpica.

50
- Procedimiento aditivo: se parte de un nmero inicial de simulaciones (n), y se calcula
la media y la desviacin tpica del modelo matemtico utilizado.

-Se calcula la media y la desviacin tpica del modelo matemtico utilizando para ello
un nmero de simulaciones que asciende a "2n".

Ejemplo:

Paso 1: Tamao del bloque de simulaciones "n".

Paso 2: Tamao del bloque de simulaciones

"n+n = 2n". Si no hay convergencia, entonces paso 3, sino finalizar.

Paso 3: Tamao del bloque de simulaciones

"2n+n = 3n". Si no hay convergencia, entonces paso 4, sino finalizar.

Y as, sucesivamente hasta alcanzar la convergencia.

- Procedimiento multiplicativo: se parte de un nmero inicial de simulaciones (n), y se


calcula la media y la desviacin tpica del modelo matemtico utilizado. A continuacin
se procede a aadir un nmero de nuevas simulaciones equivalente a las acumuladas
hasta ese momento, de tal forma que ahora se calcula la media y la desviacin tpica
del modelo matemtico utilizando.

Obtenemos la variabilidad del nuevo bloque de simulaciones tiene el mismo peso sobre
el total que la del bloque anterior, siendo por tanto en un mtodo ms perfecto.

Ejemplo:

51
Paso 1: Tamao del bloque de simulaciones "n".

Paso 2: Tamao del bloque de simulaciones

"2xn = 2n". Si no hay convergencia, entonces paso 3, sino finalizar.

Paso 3: Tamao del bloque de simulaciones

"2x2n = 4n". Si no hay convergencia, entonces paso 4, sino finalizar.

Y as, sucesivamente hasta alcanzar la convergencia.

3.3 Definiciones: replica, corrida, estado transitorio, estado estable, condiciones


iniciales, reloj de la simulacin.

Para aproximar una distribucin de probabilidades por medio de simulacin es


necesario determinar un nmero de replicas. La precisin con que se estima la
distribucin depender de dicho nmero de replicas.

Qu es una rplica? Copia exacta o muy similar. Funcin de las rplicas las rplicas
se presentan con la finalidad de obtener estadsticas de intervalo que nos den una
mejor ubicacin del verdadero valor de la variable bajo los diferentes escenarios que se
presentan al modificar los nmeros pseudo aleatorios en cada oportunidad.

Disminuir el error de la simulacin Importancia de las rplicas en simulacin. De esta


manera se obtiene una relacin entre el nmero de replicas y la precisin de la
estimacin, de manera que entre ms replicas se tengas ms preciso ser el modelo.

Tipos de rplicas Muestreo antittico: es inducir una correlacin negativa entre los
elementos correspondientes en las series de nmeros aleatorios utilizados para
generar variaciones de entrada en rplicas diferentes. Corridas comunes:
52
El objetivo principal es iniciar nuevas corridas de simulacin utilizando siempre los
datos almacenados; de esta forma, el uso de las corridas comunes afecta a todas las
alternativas de igual forma. Se debe aplicar cuando el problema consiste en la
comparacin de dos o ms alternativas. Muestreo Clasificado:

Esta tcnica se apoya en un resultado parcial de una corrida, clasificndolo como


interesante o no interesante, en caso de ser interesante se contina con la corrida en
caso contrario se detiene la corrida. Variaciones de control:

Este mtodo utiliza aproximaciones de modelos analticos para reducir la varianza.


Muestreo estratificado: En esta tcnica la funcin de distribucin se divide en varias
partes, lo ms homogneas posibles que se resuelven o ejecutan por separado; los
resultados obtenidos se combinan para lograr una sola estimacin del parmetro a
analizar. Muestreo sesgado: Consiste en distorsionar las probabilidades fsicas del
sistema real, de tal forma que los eventos de inters ocurran ms frecuentemente. Los
resultados obtenidos presentarn tambin una distorsin que debe corregirse mediante
factores probabilsticos de ajuste.

Como estimar en simulacin el nmero de rplicas Replicas en Promodel para estimar


el nmero de corridas necesarias debe realizarse un nmero de corridas de manera
preliminar, por ejemplo de 30 a 50. Esto se hace a travs del men de ProModel
SIMULATION/OPTIONS lo que dar lugar a que se despliegue un cuadro de dilogo en
el cual se agregar el nmero de corridas elegido en el campo"number of replications".

Ahora bien, antes de emplear la frmula para estimar el nmero de corridas debes
elegir la variable de respuesta sobre la cual realizars este anlisis. Puede ser el
contenido de alguna fila (average content), o el total de piezas producidas (current
value), el tiempo en el sistema (averaged minutes in system), la utilizacin de mquinas
o estaciones de trabajo (% utilization), etc.

Todo depende del objetivo del estudio que se est realizando y en funcin de lo que se
desea mejorar. A partir de que se elige la(s) variable(s) de referencia para el anlisis se
recabar del reporte general ponderado la media y desviacin estndar obtenida en
esa variable en particular, los cuales sern respectivamente los valores de X (la media)

53
y (la desviacin estndar) a sustituir en la siguiente frmula: Si el nmero de corridas
obtenido de la frmula se cubri con el nmero de corridas preliminares significa que ya
no es necesario hacer ms corridas; pero si el nmero de corridas calculado es
superior al que se consider de manera preliminar entonces debern realizarse las
corridas que sean necesarias.

Corrida

Si tenemos una secuencia de nmeros de tal manera que a cada uno de los nmeros
siga otro mayor la secuencia dada ser ascendente (arriba).

Si cada nmero va seguido por otro menor, la secuencia ser descendente (abajo)
PROPIEDADES
Las dos propiedades ms importantes esperadas en los nmeros aleatorios son
uniformidad e independencia. La prueba de uniformidad puede ser realizada usando las
pruebas de ajuste de bondad disponibles

Los nmeros pueden estar uniformemente distribuidos y aun no ser independientes uno
del otro.

Por ejemplo, una secuencia de nmeros montonamente se incrementa dentro del


rango de cero a
uno esta uniformemente distribuida si la cantidad incremental es constante para todos.
(0, 0.1, 0.2,
0.3,......,0.9).

Una prueba de Corridas es un mtodo que nos ayuda a evaluar el carcter de


aleatoriedad de una secuencia de nmeros estadsticamente independientes y
nmeros uniformemente distribuidos.
Es decir dado una serie de nmeros determinar si son o no aleatorios.

54
Ahora procedemos a calcular el total de corridas que resulta de la suma de suma de
corrida ascendente con la descendente.

Existen algunos mtodos disponibles para verificar varios aspectos de la calidad de los
nmeros pseudoaleatorios. Si no existiera un generador particular de nmeros
aleatorios disponible, se le recomienda al analista usar estos mtodos cuando se
realice una simulacin. Uno de estos mtodos es el mtodo de prueba de corridas
Pasos para evaluar una prueba de corridas:
Ejemplo Paso 1:

Se tienen los siguientes nmeros aleatorios

59,12,19,05,59,58,83,18,36,00,61,47,24,41,42,98,23,67,84,43,29,71,88,74,60,10,46,23,
15,11,78,3
1,11,91,99,57,28,18,32,21,12,95,38,76,07,96,33,63,10,05

De acuerdo al mtodo (prueba de corridas arriba y abajo) se evaluar 59<12, como no


lo es se le signar un signo -. Seguiremos comparando 12<19, ya que si lo es se le
asigna un signo +.

-+-+-+-+-+--+++-++--++---+---+--++---+--+-+-+-+--
Una corrida se define como una sucesin de eventos similares, precedidos y seguidos
por un evento diferente.

En el ejemplo tendamos un total de corridas de 33.


Para el paso 2 se utiliza la siguiente formula donde N nmero de datos generados
Paso 3
Se define = 0.05, entonces
Como =0.05 entocnes se valida en la formula
1-/2 el resultado en las tablas de distribucin

55
La validacin de rechazo ser

Z calculada =0.00 < Z0.475 =0.68

Ejemplo 2
Ejemplo Nmeros Aleatorios - NETBEANS
Paso 1 :Evaluar los nmeros y asignarles un signo
Procedemos a realizar los clculos

Decisin: Se rechaza
Conclusin: De acuerdo a la evidencia presentada no aceptamos los nmeros
pseudoaleatorios
Si el valor absoluto de Z calculada es mayor o igual a la Z de las tablas se rechazar la
hiptesis

Como 0.00<0.6808 no es mayor, la hiptesis se aprueba

Estado transitorio

En la mayora de los casos la salida de una simulacin con terminacin es transitoria.


La salida transitoria significa que la distribucin de la salida est en constante cambio.

Estado estable
Una variable est en estado estacionario (estable) si su valor esperado es el mismo
durante el perodo de tiempo que estamos considerando.

Una simulacin est en estado estacionario (estable) si todas sus colas estn en
estado estacionario. El estado estacionario es alcanzado luego de un perodo de
tiempo llamado perodo transitorio inicial (run-in).

56
Condiciones iniciales

La mayora de los modelos de simulacin estocstica se corren con la idea de estudiar al


sistema de una situacin de estado estable. Sin embargo, la mayora de estos modelos
presentan en su etapa inicial estados transientes los cuales no son tpicos del estado
estable. Por consiguiente es necesario establecer claramente las alternativas o cursos d
accin que existen para resolver este problema. Algunos autores piensan que la forma
de atacar este problema sera a travs de:

Usar un tiempo de corrida lo suficientemente grande de modo que los periodos


transientes sean relativamente insignificantes con respecto a la condicin de
estado estable.

Excluir una parte apropiada de la parte inicial de la corrida

Utilizar simulacin regenerativa

Obviamente, de las tres alternativas presentadas, la que presenta menos desventajas es


el uso de simulacin regenerativa. Las otras alternativas presentan las desventajas de
ser prohibitivamente excesivas en costo.

Reloj de simulacin

Reloj de Simulacin:

Es el contador de tiempo de la simulacin, y su funcin consiste en responder


preguntas tales como cunto tiempo se ha utilizado el modelo de la simulacin, y
cuanto tiempo en total se requiere que dure esta ltima.

Existen dos tipos de reloj de simulacin

: El reloj de simulacin absoluto, que parte del cero y termina en un tiempo total de
simulacin definido, el

Reloj de simulacin relativo, que solo consiste en el lapso de tiempo que transcurre
entre dos eventos.

57
Ejemplo

.- el tiempo de proceso de una pieza es relativo, mientras que el tiempo absoluto seria
el global: desde que la pieza entro a ser procesada hasta el momento que trmino su
proceso.

CONCLUSIONES

La simulacin 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.

El objetivo de este trabajo es darnos a conocer y comprender la importancia que tiene


la simulacin en nosotros como futuros ingenieros industriales, como tambin los
procesos que la simulacin trae consigo.

La simulacin 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 simulacin es
importante conocer los puntos anteriores.

Bibliografa

http://simu-iti.blogspot.mx/2011/03/13-metodologia-de-la-simulacion.html

http://www.cyta.com.ar/biblioteca/bddoc/bdlibros/monte_carlo/monte_carlo.htm

http://support.minitab.com/es-mx/minitab/17/topic-library/modeling-
statistics/doe/basics/replicates-and-repeats-in-designed-experiments/

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

http://simu-iti.blogspot.mx/2011/03/15-estructura-y-etapas-de-un-estudio-de.html

http://simulacionsisjuanb.es.tl/1-.-6-.-_-ETAPAS-DE-UN-PROYECTO-DE-
SIMULACION.htm

58
59