CARRERA:

INGENIERA CIVIL

GRADO Y GRUPO:
3A

UNIDAD 6
MODELACIN Y SIMULACIN DE OPERACIONES Y PROCESOS

NOMBRE DEL DOCENTE:

M. EN ARQ. AGUILAR RIVERO LUCILA GUADALUPE

INTEGRANTES:
AC BALAM WILLIAN JEOVANY
COUOH KUMUL JORGE ALEJANDRO
REQUENA CHUC CARLOS EDUARDO

TUZ CANO RODRIGO VENANCIO

FECHA DE ENTREGA:

03/12/2015
INTRODUCCIN

El primer tema trata de la simulacin y como su nombre lo dice nos puede servir como una
tcnica que permite simular en un ordenador o computadora el comportamiento de lo que
nosotros queramos analizar ya sea algo fsico o terico segn ciertas condiciones
particulares de operacin. Sabemos muy bien que no todas las cosas llegan a una solucin
fcilmente y por consiguiente la simulacin nos permite analizar ciertos puntos que no
necesariamente se tienen que hacer unos clculos y no siempre se llega a lo real

La simulacin es un sistema de mucho anlisis y ha sido necesario construir artificialmente

objetos y experimentar con ellos dinmicamente antes de interactuar con el sistema real.

El segundo tema trata de 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. Por tanto, se trata de una tcnica que permite
introducir el riesgo en la valoracin de los proyectos de inversin, que se vern en esta
investigacin.

En esta investigacin consiste prcticamente en lo ya mencionado pero estaremos tomando

los conceptos de la simulacin y los procesos que se requiere para poder realizarlo, al igual
que estaremos hablando de las tcnicas de Montecarlo y la forma en la que se aplica, por
ultimo mencionaremos lo que es la aplicacin de los modelos y las simulaciones por medios
de diferentes software, cada investigacin tiene ejemplos en los cuales nos podemos basar
para ver cmo es la manera en que se aplican estos modelos.
MODELACIN Y SIMULACIN DE OPERACIONES Y PROCESOS

1. EL PROCESO DE SIMULACIN: CONCEPTO, ELEMENTOS Y FASES

Concepto

La simulacin es un procedimiento cuantitativo que describe un proceso al desarrollar un

modelo del mismo y despus conducir una serie de experimentos de tanteos organizados
para predecir el comportamiento del mecanismo con el tiempo. El observar los experimentos
es muy parecido a observar el proceso en operacin. Para encontrar cmo reaccionara el
proceso real a ciertos cambios, podemos producir estos cambios en nuestro modelo y
simular la reaccin del proceso real a ellos.

La simulacin es un sustituto apropiado para la evaluacin matemtica de un modelo en

muchas situaciones. Aunque tambin involucra suposiciones, stas son tratables. El uso de
la simulacin nos permite proporcionar una percepcin clara a ciertos problemas de toma de
decisiones donde la evaluacin matemtica de un modelo no es posible.

Los 4 mtodos de simulacin ms comunes son:

Mtodos analticos. Estn basados en tcnicas asociadas a la teora de colas, consistiendo

esencialmente en ndulos ensamblados entre s en una red multinivel. La simulacin
analtica pone de manifiesto mltiples aspectos ligados a la complejidad dinmica de los
procesos en los que varios agentes compiten por un mismo recurso, as como la variabilidad
asociada a procesos de entrada-salida. Los modelos analticos proporcionan estimaciones
sobre hechos agregados estables con ms precisin que el anlisis proporcionado por series
de datos.

Mtodos continuos. En esta aproximacin, el comportamiento de los procesos se simula

utilizando ecuaciones diferenciales que reflejan la variacin en el tiempo de cada variable de
estado. Una variable de estado podra ser la tasa de llegada de rdenes o la tasa de
procesamiento de un recurso. Estos modelos son apropiados para modelizar procesos de
gran volumen o producciones continuas. Evidentemente, se ha de suponer que las variables
de estado varan de forma continua y diferenciable en el tiempo (generalmente, las
ecuaciones diferenciales se utilizan cuando el tamao del paso del tiempo es pequeo). Se
trata de determinar los valores corrientes de las variables de estado hasta el momento en el
cual se alcanza un umbral que pone en marcha ciertas acciones. Las ecuaciones
diferenciales pueden tener en cuenta comportamientos de tipo estocstico, y los modelos
correspondientes han de ser capaces de modelizar tanto los fenmenos de transicin como
los estados de equilibrio. Dos grandes retos para los modelizadores que utilizan estas
tcnicas son el desarrollo de ecuaciones que describan los comportamientos aleatorios
dependientes del tiempo, as como evaluar los resultados obtenidos mediante la resolucin
analtica o numrica de dichas ecuaciones.

Mtodos discretos. En este tipo de simulacin, las variables de estado del modelo
evolucionan sobre un conjunto discreto de puntos, quizs aleatorio, del eje de tiempos. En
estos modelos, los flujos temporales entre los puntos del mencionado conjunto compiten
unos con otros por el uso de los recursos escasos.

Estos modelos permiten simular comportamientos aleatorios introduciendo distribuciones de

probabilidad discretas.; por ello, los resultados obtenidos por estos modelos discretos son
asimismo aleatorios, con lo que tan solo pueden ser tomados como una estimacin del
comportamiento real, siendo necesario mltiples aproximaciones y/o replicaciones para que
el resultado obtenido, en trminos medios, se aproxime al real.

Dado que se trata de modelos discretos, se puede recurrir a la modelizacin mediante

ecuaciones en diferencias finitas (si los puntos del eje de tiempos son aleatorios, es seguro
que no estarn igualmente espaciados, entonces resulta ms complejo la utilizacin de
tcnicas asociadas a ecuaciones en diferencias finitas).

En un proceso de simulacin de tipo discreto, se introducen en el modelo entidades que

representan productos y servicios, y que al competir por los recursos que permiten llevar a
cabo las actividades, los consumen. Es la tcnica de simulacin ms natural para modelizar y
analizar procesos.

Todos orientados a objetos. Esta tcnica de modelizacin contempla a procesos,

productos, servicios y recursos como si de objetos se tratara. Cada objeto est formado por
una combinacin de informacin (atributos) y procedimientos (mtodos); ambos se combinan
para crear un ejemplar del objeto en cuestin. Por ejemplo, un objeto denominado "cliente"
puede tener como atributos edad, capacidad de endeudamiento y nivel de educacin. En un
proceso convencional de solicitud de hipoteca, todos los formularios de prstamo recorren un
mismo proceso basado en ciertas pautas, pero usando un modelo orientado a objetos, se
puede definir una informacin nica para un cliente especfico y los procedimientos
exclusivos a utilizar con su formulario de solicitud de prstamo.

Los mtodos orientados a objetos reducen drsticamente los tiempos de desarrollo de los
modelos en el sentido de que no ser preciso volver a construirlo desde la base, se puede
utilizar una plantilla verstil y reutilizarla.

El propsito de la simulacin y modelizacin orientada a objetos es facilitar la posibilidad de

crear complejos submodelos que maximicen su ciclo de vida y permitan su integracin en
otros modelos.

Este mtodo permite incorporar las tcnicas anteriormente tratadas, tanto analticas como
continuas y discretas, ya que para modelizar los flujos intermedios entre los objetos; se
puede recurrir a submodelos que utilicen dichas herramientas. .

La simulacin es una herramienta de la Investigacin de Operaciones y de gran utilidad para

la toma de decisiones. Esta tcnica, como ya lo mencionamos, es til para representar
sistemas reales y as visualizar todos y cada uno de sus componentes, las formas en que
interactan y las polticas que los rigen.

La simulacin ha evolucionado hasta alcanzar una gran complejidad y se ha podido utilizar

para resolver problemas en disciplinas asociadas no slo al diseo, planeacin y control de
sistemas de manufactura, sino en otras como Mercadotecnia, Recursos Humanos y
Finanzas.

La simulacin debe ser considerada como una de las mejores herramientas para observar un
sistema real en operacin, con la ventaja de que no es necesario detener todo el sistema
para poder analizarlo. Los modelos de simulacin son una alternativa a los modelos
matemticos, y la simulacin es utilizada cuando los sistemas que se estn analizando son
muy complejos y no es posible obtener una solucin analtica.
Ventajas de la Simulacin:

Permite una experimentacin controlada.

Permite comprimir el tiempo al experimentar.
Permite el anlisis de sensibilidad.
Evita costos o riesgos ya que no es necesario interrumpir el desarrollo del sistema,
para estudiar su comportamiento.
No es necesario destruir al sistema si se desea investigar sus lmites de resistencia.
Si slo es un sistema propuesto no es necesario construirlo fsicamente.
Es una herramienta de entrenamiento efectiva.
SIMPLIFICACIN de los procesos productivos.
EVALUACIN de diseos alternativos de sistemas.

Modelos

Los modelos son abstracciones de los sistemas. Para poder disear nuevos sistemas y
optimizar los ya existentes, se utilizan modelos, ya que experimentar con el sistema mismo
puede ser muy costoso, puede destruirse el sistema o por lo menos interrumpirse
temporalmente en su funcionamiento, o simplemente puede ser imposible experimentar con
l. As, un modelo debe ser lo suficientemente vlido para tomar decisiones similares a las
que se tomaran en caso de experimentacin directa con el sistema. Sin embargo, los
resultados de la simulacin, aunque vlidos, no se utilizaran en el proceso de toma de
decisiones si el modelo no es creble. Dicho de otra forma, tenemos dos tareas: construir un
modelo apegado a lo real (vlido) y convencer a "los de arriba" de que lo es (creble).

Tratndose de simulacin, los modelos utilizados son por lo general descriptivos pues
estudian el comportamiento de sistemas a travs del tiempo. Y es con base en esta
investigacin que es posible determinar las condiciones bajo las cuales el sistema operara
ms efectiva y eficientemente. Los modelos de simulacin no se disean para encontrar
soluciones ptimas. Es una tcnica de experimentacin (eventos aleatorios), se evalan
diversas alternativas y se toman decisiones con base en la comparacin de resultados.
Puesto que los modelos de simulacin suelen ser utilizados para estudiar sistemas
complejos, por lo general pueden emplearse modos numricos de anlisis en vez de los
analticos. En su mayora, los modelos de simulacin son probabilsticos y estn hechos a la
medida del cliente.

Con relacin a la simulacin los modelos de inters pueden ser:

En cuanto al tiempo:

1) Estticos: Representacin de un sistema en un instante particular del tiempo.

2) Dinmicos: Representacin de un sistema a lo largo de un periodo de tiempo.

En cuanto a las variables:

1) Determinsticos: Si no contiene variables aleatorias.

2) Estocsticos: Si contiene una o ms variables aleatorias.

Tambin pueden ser discretos o continuos, cuyas caractersticas ya se definieron para los
sistemas.

La simulacin es una herramienta de la investigacin de operaciones que nos permite

conocer y analizar el comportamiento de un sistema real o propuesto para decidir cursos de
accin: modificarlo, aceptarlo o rechazarlo.
Se considera a la Simulacin como un proceso que consiste en construir un modelo
descriptivo de un sistema real, con el propsito de estudiar el comportamiento de dicho
sistema a travs del tiempo; con la ventaja de que no es necesario interrumpirlo (si es muy
costoso), destruirlo (si se desea saber sus lmites mximos de resistencia) o construirlo (si es
slo un propuesto).

El proceso para el desarrollo exitoso de un modelo de simulacin, consiste en empezar con

un modelo simple, el cual puede ser enriquecido de una manera evolutiva para satisfacer los
requerimientos de solucin de un problema. A. M. Law y M.G. McComas (Hctor
Vargas."Simulacin: Mucho ms que una herramienta". Revista Vanguardia de Agosto de
1994. Facultad de Ingeniera del CETYS) mencionan los siguientes elementos para el xito
de un proyecto de simulacin:

* Conocimiento de la metodologa de la simulacin, modelos probabilsticos de investigacin

de operaciones, teora de probabilidad y estadstica.

* Formulacin correcta del problema.

* Informacin adecuada sobre la operacin del sistema.

* Modelacin adecuada de la aleatoreidad del sistema.

* Escoger el software adecuado y utilizarlo correctamente.

* Validar el modelo y su credibilidad.

* Utilizar los procedimientos estadsticos adecuados para interpretar los resultados de la

simulacin.

* Utilizar tcnicas adecuadas de administracin de proyectos.

Los pasos que a continuacin se presentan son una gua para desarrollo de un estudio de
simulacin. Cabe aclarar que el tiempo requerido para cada paso depende del sistema a
modelar; asimismo, algunos proyectos de simulacin pueden requerir algunos pasos no
incluidos.

Pasos del Proceso de Simulacin:

1.Planeacin estratgica y Establecer las condiciones experimentales

Tctica
2. Formulacin del Problema
3. Construccin del Modelo
4. Obtencin de Informacin
5. Desarrollo del Programa
6. Verificacin
7. Validacin
8.Experimentacin
9.Anlisis de Resultados
10.Implementacin
documentacin
para el uso del modelo.
Definicin del problema y enunciado del
objetivo
Abstraccin matemtica del problema
Identificacin, especificacin y obtencin de
datos
Preparar el modelo para su procesamiento
Asegurar el correcto funcionamiento del
programa
Correspondencia entre el modelo y la realidad
Uso del modelo para obtencin de resultados
Inferencias y recomendaciones basadas en el
modelo
y Usar resultados para toma de decisiones y
documentar el funcionamiento y uso del
modelo
SIMULACIN (EJERCICIOS RESUELTOS)
EJEMPLO1.
1. Produccin con inspeccin

Se trata de simular el proceso de inspeccin de los mandos de control de televisores.

Los tiempos entre llegadas de los mismos sigue una distribucin uniforme entre 3.5 y 7.5
minutos. La inspeccin lleva un tiempo que se distribuye segn una Uniforme entre 6 y 12
minutos. Tras la inspeccin, si se detecta algn fallo (ocurre el 15% de las veces), se enva a
ser ajustado tras lo cual vuelve a ser inspeccionado. El ajuste lleva un tiempo uniforme entre
20 y 40 minutos. Cuando un televisor pasa la inspeccin ( a la primera otras varios ajustes),
se enva a la seccin de empaquetado, que no forma parte del modelo.

Solucin:

ANLISIS

Entidades y variables de estado:

Eventos y actualizacin de variables:
DIAGRAMA DE CICLO DE ACTIVIDADES

SIMULACIN
2. Produccin con diferentes tipos de pieza
EJEMPLO 2:

En una planta de fabricacin existen 2 tornos y 1 taladradora. Con ellos se fabrican dos tipos
de productos (1 y 2). Los tiempos de procesado en minutos de cada pieza son:

Se desea simular la fabricacin de 12 lotes de 5 piezas del producto 1 y 10 lotes de 8 piezas

del producto 2, sabiendo que el tiempo entre llegada de cada lote de productos tipo 1 es de
14 minutos y el de los de tipo 2 sigue una exponencial de media 3 minutos.

SOLUCIN:
ANLISIS

Entidades y variables de estado:

Eventos y actualizacin de variables:
DIAGRAMA DE CICLO DE ACTIVIDADES

SIMULACIN
 2. LAS TCNICAS MONTECARLO

Concepto

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. Por tanto, se trata de una tcnica que permite introducir el riesgo en la
valoracin de los proyectos de inversin.

La tcnica de la simulacin de Monte Carlo se basa en 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. As,
permite tener en cuenta para el anlisis un elevado nmero de escenarios aleatorios, por lo
que, se puede decir que hace posible llevar la tcnica del anlisis de escenarios al infinito
ampliando la perspectiva de los escenarios posibles. De esta forma, se pueden realizar
anlisis que se ajusten en mayor medida a la variabilidad real de las variables consideradas.
La aplicacin de esta tcnica se basa en la identificacin de las variables que se consideran
ms significativas, as como las relaciones existentes entre ellas (aunque esto puede resultar
realmente complejo), para explicar la realidad a estudiar mediante la sustitucin del universo
real, por un universo terico utilizando nmeros aleatorios.

La simulacin de Monte Carlo data del ao 1940, cuando Neuman y Ulam la aplicaron en el
campo de la experimentacin de armas nucleares. A partir de entonces, se ha demostrado
que es una tcnica que puede ser aplicada en campos de diversa ndole, utilizndose por
primera vez para el anlisis de inversiones en el ao 1964 por Hertz. Hay algunas
aplicaciones informticas especficas, como es el caso del programa "@Risk" de Palisade, o
el "Cristal Bowl", que permiten tener en cuenta la correlacin existente entre las variables, y
realizar el anlisis del riesgo en la valoracin de proyectos de inversin utilizando la
simulacin de Monte Carlo.
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.

1. La estimacin de las variables

Para la aplicacin de la simulacin de Monte Carlo se han de seguir los siguientes pasos:

En primer lugar hay que seleccionar el modelo matemtico que se va a utilizar, siendo
en el caso de la valoracin de proyectos de inversin los ms habituales el Valor
Actual Neto (VAN), y la 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.

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

A continuacin habr que 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, as como
las relaciones que existen entre ellas (por lo que sera deseable definir los coeficientes
de correlacin existentes entre las variables (posibilidad que ofrece el programa
"@Risk"). 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.
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).
A continuacin se procede a la generacin de nmeros aleatorios (nmeros tomados
al azar) comprendidos entre cero y uno. Estos nmeros pueden obtenerse utilizando
un ordenador, siendo necesarios tantos como variables se consideren en el modelo
multiplicado por el nmero de simulaciones que se deseen realizar.
 Una vez se dispone de los nmeros aleatorios, stos se llevan sobre el eje de
ordenadas, y se proyectan horizontalmente sobre las correspondientes funciones de
distribucin F(x) de las variables (o la variable) del modelo.
El valor as calculado de "x" ser el primer valor de la muestra simulada.
Este proceso habr de repetirse el nmero de veces necesario para poder disponer
del nmero adecuado de valores muestrales.

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

resultado obtenido para las simulaciones realizadas. En el caso del anlisis de proyectos
de inversin en los que se utiliza como mtodo de valoracin el VAN, hay que tener en
cuenta que la tasa de descuento a utilizar en las simulaciones es la tasa libre de riesgo,
porque en caso contrario se estara penalizando doblemente al proyecto de inversin,
tanto en el numerador como en el denominador por el riesgo. No obstante, en contra de
esta posicin que es la que se utiliza habitualmente en la prctica empresarial, se
encuentra la de los autores Brealey y Myers, quienes limitan la utilidad de la simulacin
de Monte Carlo a la mejor estimacin de los flujos netos de caja, y proponen aplicar para
el descuento de los mismos la tasa de descuento ajustada por el riesgo, y no la tasa libre
de riesgo, porque consideran que hay un nico VAN.

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. Por ejemplo, en la valoracin de proyectos de inversin, es habitual
llevar a cabo el anlisis de la viabilidad de un proyecto de inversin analizando la
probabilidad de que el Valor Actual Neto (VAN) sea positivo (P(VAN>0)), as como el
anlisis de sensibilidad con el objetivo de identificar aquellas variables que son
consideradas crticas por tener mayor impacto sobre el VAN.

2. Estimacin del tamao de la muestra

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. A continuacin, se ir
ampliando el tamao de la muestra hasta que la media y la desviacin tpica no varen
significativamente en relacin con los resultados obtenidos con la muestra anterior.

Se pueden aplicar dos procedimientos:

Procedimiento aditivo: 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 al bloque inicial (n),
de tal forma que ahora se calcula la media y la desviacin tpica del modelo
matemtico utilizando para ello un nmero de simulaciones que asciende a "2n". La
nueva media y desviacin tpica as calculadas se comparan con las anteriores,
repitindose el proceso hasta que la media y la desviacin tpica no diverjan en ms
de un 0,5 1 por ciento. El inconveniente que presenta este mtodo es que segn se
van aadiendo nuevos bloques de simulaciones, las simulaciones antiguas tienen
mayor peso que las nuevas.

EJEMPLOS

Ejemplo 1: Tiempo de consultas a servidores en paralelo

Supongamos que desde un ordenador cliente se realiza consultas SQL a bases de datos
situadas en dos servidores distintos. Nuestro objetivo ser estimar el tiempo esperado
(tiempo medio) que deberemos esperar para recibir la respuesta de ambos servidores. Dada
la complejidad de la consulta que queremos realizar, y basndonos en experiencias
anteriores, se calcula que el tiempo necesario para que cada uno de los servidores responda
a la misma sigue una distribucin normal con los parmetros (media y desviacin estndar,
en minutos) que se indican a continuacin:

Pediremos a Excel que genere valores pseudo-aleatorios provenientes de dichas

distribuciones. Asimismo, usaremos la funcin MAX para obtener el tiempo de respuesta
(que ser el mximo de los tiempos de respuesta de cada servidor), y la funcin SI para
determinar qu servidor ha sido el ms rpido en responder:
Usaremos tambin las funciones CONTAR y CONTAR.SI para contar el nmero de
iteraciones y el nmero de veces que un servidor es ms rpido que el otro:

Finalmente, las funciones PROMEDIO, DESVEST, e INTERVALO.CONFIANZA nos servirn

para obtener, respectivamente, el tiempo muestral medio (esperado) de respuesta, la
desviacin estndar de la muestra (observaciones que generaremos), y un intervalo de
confianza, a un nivel del 95%, para el tiempo medio (este intervalo nos permitir saber si
nuestra estimacin es buena o si, por el contrario, necesitaremos ms iteraciones).

Una vez introducidas las frmulas anteriores, bastar con seleccionar y arrastrar hacia
abajo el rango de celdas G3:J3, con lo que se generarn nuevas iteraciones. En la imagen
siguiente se muestra el resultado obtenido al generar 2.077 iteraciones. Observar que el
tiempo medio estimado de respuesta es de 22,9 minutos, y podemos asegurar, con un nivel
de confianza del 95%, que dicho tiempo medio estar entre 22,8 y 23,0 minutos.

Finalmente, se observa tambin que el servidor 1 ha respuesto ms rpido que el servidor 2

en el 67% de las iteraciones.
Ejemplo 2: Inversin inicial y flujo de caja

Consideremos ahora un nuevo problema: supongamos que disponemos de un capital inicial

de 250 Euros que deseamos invertir en una pequea empresa. Supondremos tambin que
los flujos de caja -tanto los de entrada como los de salida- son aleatorios, siguiendo stos
una distribucin normal.

Para el primer mes, el valor esperado del flujo de entrada es de 500 Euros, mientras que el
valor esperado para el flujo de salida es de 400 Euros. En meses posteriores, el valor
esperado ser el valor obtenido para en el mes anterior. Por su parte, las desviaciones
estndar valdrn, en todos los casos, un 25% del valor medio (esperado) asociado. En base
a lo anterior, podemos construir un modelo como se muestra en las siguientes imgenes:

Seleccionando y arrastrando hacia abajo el rango G3:O3, hemos obtenido los siguientes
resultados para 5.859 iteraciones:
Observamos que el valor esperado para el capital final es de unos 544 Euros, y que
podemos afirmar, con un nivel de confianza del 95%, que dicho valor estar entre 528 y 560
Euros.
 3. APLICACIONES Y USOS DE LA SIMULACIN

Hoy en da existe una gran variedad de aplicaciones de la simulacin debido a las diferentes
ventajas que sta ofrece sobre otras herramientas utilizadas. Algunas de estas aplicaciones
son:

1. diseo de las instalaciones. esta aplicacin evala el tamao de las instalaciones o el

nmero de empleados que se requieren.

2. planificacin agregada. evaluacin del coste de planes alternativos.

3. programacin. secuenciacin de tareas en todo tipo de procesos.

4. gestin de inventario. se simulan las reglas de decisin propuestas para calcular costes y
efecto en el servicio al cliente.

5. planificacin de requerimientos de materiales. evaluar el efecto de los cambios propuestos

en el plan de produccin.

6. simulacin de sistemas econmicos. evaluar el efecto de decisiones (devaluacin de la

moneda, el impuesto al valor aadido, etc.) en las dems variables macroecmicas.

7. simulacin de estados financieros. permite analizar estrategias que llevarn a la

organizacin al logro de sus objetivos y metas de corto, medio y largo plazo.

8. En la reduccin de costos.

9. En el desarrollo del mtodo de anlisis, ya que con los mtodos existentes para resolver
problemas se invierte un tiempo considerable en poder desarrollar el mtodo de anlisis.

10. En la experimentacin de prueba y error.

11. En la industria:

12. En la capacitacin del personal.

13. En la aviacin:
14. En el entrenamiento de pilotos.

15. En finanzas: puede usarse para calcular presupuestos, analizar alternativas de inversin,
flujo de efectivo.

16. En mercadotecnia: el analista debe tomar decisiones para colocar la promocin de un

producto en diferentes medios de comunicacin: peridico, radio, televisin, etc.

17. En recursos humanos: beneficios de la movilidad en el trabajo, del tipo de personas para
un determinado empleo, de las diferentes estructuras jerrquicas y de relacin dentro de una
empresa.

As tambin, la simulacin ha sido empleada en sistemas tales como: biolgicos,

econmicos, de la salud, de negocios, de produccin, de transportacin, sociales, urbanos,
etc.

Con el transcurso del tiempo el uso de la simulacin como una herramienta de trabajo
ha aumentado, Algunos de los factores que han acentuado el uso son:

- El constante desarrollo de lenguajes y simuladores computacionales.

- La flexibilidad del modelaje va simulacin.

La simulacin es una herramienta verstil que ha sido usada de diferentes maneras,

incluyendo:

* Diseo de sistemas

* Administracin de sistemas

* Entrenamiento y capacitacin

* Comunicacin

* Relaciones pblicas
CONCLUSIN

Vistas las innegables ventajas de la aplicacin de los modelos de simulacin en la

planificacin y gestin estratgica de la empresa, nuestro propsito es continuar en
esta lnea de investigacin: concretamente en la aplicacin de modelos de simulacin
a empresas espaolas del sector de servicios sociales, y ms especficamente en
hospitales. Este es un sector cuyas caractersticas (gran dinamismo, tiempos de colas
que se han de resolver ptimamente, procesos de reingeniera en constante uso)
hacen que consideremos que la implementacin de la tcnica de simulacin mediante
modelizacin de sus procesos ms estratgicos constituya un campo de gran inters.
REFERENCIAS

Szulanski, F.; Rodrguez, P.: "Utilizando la simulacin para mejorar la efectividad del
Tablero de Comando". http://www.5campus.com/leccin/simulatablero.

Aracil, J.: Introduccin a la dinmica de sistemas. Alianza Editorial. Madrid, 1996.

file:///C:/Users/Alejandro/Downloads/Documents/SSU2A%20-%20%20Metodos%20de%20Montecarlo.pdf

http://indira-hinostroza.blogspot.mx/2013/03/venfermeras.html

http://mural.uv.es/juanama/astronomia/montecarlo.htm