Instituto Tecnológico De Ciudad Juárez

Ingeniería industrial
Simulación
Integrantes: Torres Rodríguez cruz Antonio
Ornelas Fernández Luis Manuel
Docente: Fuentes Gabriela
Pasos para hacer un estudio de simulación
Planeación para la elaboración del modelo de simulación y su experimentación.
Para describir cómo se modela un sistema, en la literatura se puede encontrar que
los temas relacionados con el diseño, el análisis y la representación de modelos en el
software son esenciales para un estudio de simulación exitoso. Sin embargo, éstos
no son los únicos ingredientes, ya que se observa que ningún estudio de simulación
seguirá una “fórmula” preestablecida, pues hay varios aspectos que tienden a
aparecer con frecuencia en diferentes publicaciones.

1. Formulación del problema

Si lo que se busca es transformar una situación confusa e indeterminada, reconocida
como problemática, es necesario comprender el sistema a modelar. Esto incluye el
estado actual del sistema (lo que está sucediendo y por qué está sucediendo) y el
deseado (cómo puede hacerse mejor). De esta manera, se podrán definir los objetivos
del proyecto de simulación una vez que se logre definir los elementos componentes
del sistema, las variables, su comunicación e interacción, así como establecer sus
alcances y limitaciones. Una forma eficaz de lograr lo descrito, es mediante la
observación directa, la realización de entrevistas al personal involucrado en el
proyecto y todas las técnicas a nuestro alcance que sean fuente de información. Así,
se obtendrá el conocimiento que describe y analiza los métodos, se identificarán sus
lineamientos y recursos, y se clarificarán sus supuestos y consecuencias.
2. Colocación de objetivos y el plan del proyecto global
Los objetivos indicarán las preguntas que deben responderse mediante la simulación,
la clase de información que debe ser colectada y el nivel de detallen necesario. Aquí
se pueden hacer especificaciones acerca de lo que se observa, manipula, cambia y
entrega. Por lo tanto, es necesario establecer lo que se espera del modelo, como los
criterios bajo los cuales se puede medir su comportamiento.
3. Conceptualización del modelo
Es muy importante entender qué métricas se usarán. En este sentido, Banks et. al.
(2005) contextualiza que “la construcción de un modelo de simulación es tanto un arte
como una ciencia”. Sin embargo, la experiencia dicta que para dar una solución
concreta al problema en cuestión, es necesario un buen aporte de creatividad por
parte del analista. Así bien, es recomendable empezar con un modelo simple para
después modificarlo hasta uno de mayor complejidad. Sin embargo, la complejidad
del modelo final no debe exceder los requerimientos que cumplan con el propósito
para el cual se está haciendo el diseño. No es necesaria una copia paso a paso, entre
el modelo y el sistema real, sólo es necesaria la esencia de este último. En esta etapa
debe definirse qué aspectos del sistema serán representados en el modelo y cuáles
no. Además, se deberá establecer con qué nivel de detalle se hará dicha
representación (recuerde que el nivel de detalle depende en gran medida de lo que el
dueño del sistema esté dispuesto a pagar). Todo lo que se desea en este punto es
ingeniar un bosquejo del sistema a modelar.
4. Recolección y procesamiento de datos
Los objetivos del estudio establecen, en gran medida, la clase de datos que deben
ser obtenidos y cuántos detalles son adecuados a fin de no perder información
valiosa. Los datos pueden ser obtenidos de observaciones de un sistema ya existente.
En el caso de un sistema inexistente, los datos deben ser estimados. En esta etapa
es vital, para ambos casos, que se involucren las personas que en verdad saben lo
qué está pasando en el sistema real (operadores, supervisores, inspectores, todos
aquellos que conocen a detalle el sistema). Un ejemplo de algunos datos que deben
obtenerse son las condiciones y parámetros del proceso de producción, personal que
labora y las acciones que realizan, materiales o materias primas utilizadas,
maquinaria o equipos, esquemas, planos, procedimientos y, si es factible, datos
históricos, fotos y videos. Todo esto con el fin de despejar cualquier duda, por muy
simple o lógica que esta sea. Mediante estos datos se obtendrán los valores de los
parámetros estadísticos (definición de variables respecto a una distribución de
probabilidad) que serán utilizados durante la programación del modelo de simulación.
5. Construcción del modelo
En este punto el objetivo es ganar conocimiento acerca de la naturaleza del sistema,
así como proyectar situaciones alternas desprendidas por causa de un
desencadenamiento de eventos distintos a las condiciones normales de operación.
Con el propósito de pronosticar eventos, evaluar consecuencias y proponer
alternativas que contribuyan a mejorar el comportamiento del mismo. Es aquí donde
los términos información, análisis, critica, diseño y creatividad se integran para dar
forma a la estructura del modelo. El lector observara que esta etapa requiere de
conocimiento, habilidades y experiencia personal, sin embargo este paso es el más
divertido de todo el estudio.
Al comenzar a construir el modelo se debe considerar la magnitud y el nivel de detalle
requerido. La modelación de un sistema pequeño y simple es rápida y certera si la
información requerida esta completa y es correcta. Sin embargo, cuando un sistema
es complicado o demasiado grande, la clave implica la fragmentación del sistema en
módulos más pequeños y simples con la intención de evaluarlos por separado antes
de intégralos en un sólo modelo. Esto facilitara el hallazgo de errores por información
incorrecta, incompleta, mala programación, etc. En cuanto a los datos de entrada y
las condiciones iniciales, es necesario que desde el inicio se determinen los valores
asignados a las variables y parámetros del modelo. Para lo cual es importante recurrir
a los supuestos del modelo conceptual y a métodos de ensayo y error.
Finalmente, la idealización del sistema debe ser codificada en un formato que sea
reconocido por un computador digital. La formulación de la codificación requiere que
se definan tres aspectos importantes: (1) la información de entrada y condiciones
iniciales, (2) el software a emplear, y (3) las habilidades y experiencia del
programador. La información de entrada y condiciones iniciales garantizan la certeza
de que el modelo realmente representa al sistema real. Por tanto, antes de iniciar la
programación en algún software de simulación se hace eminente la importancia de
interpretar y depurar la información, y con ello crear diagramas de flujo que describan
la información del sistema y su lógica de interacción. En cuanto a computación se
refiere, es necesario elegir el software adecuado para el sistema a modelar, ya que
estos pueden ser muy distintos al momento de modelar un sistema industrial. Como
tercero y último punto, es conveniente mencionar que las habilidades y experiencia
del programador determinan la calidad del modelo, ya que sus conocimientos y
habilidades adquiridas en proyectos similares como su creatividad e ingenio servirán
como base para planear, organizar, dirigir y controlar un proyecto de simulación
exitoso. Al finalizar esta etapa, el modelo será verificado y validado con la intención
de poner en evidencia posibles desviaciones con respecto al sistema real.

¿Qué es la simulación ¿Monte Carlo?

La simulación Monte Carlo es una técnica matemática computarizada que permite
tener en cuenta el riesgo en análisis cuantitativos y tomas de decisiones. Esta técnica
es utilizada por profesionales de campos tan dispares como los de finanzas, gestión
de proyectos, energía, manufacturación, ingeniería, investigación y desarrollo,
seguros, petróleo y gas, transporte y medio ambiente.
La simulación Monte Carlo ofrece a la persona responsable de tomar las decisiones
una serie de posibles resultados, así como la probabilidad de que se produzcan según
las medidas tomadas. Muestra las posibilidades extremas —los resultados de tomar
la medida más arriesgada y la más conservadora— así como todas las posibles
consecuencias de las decisiones intermedias.
Los científicos que trabajaron con la bomba atómica utilizaron esta técnica por
primera; y le dieron el nombre de Monte Carlo, la ciudad turística de Mónaco conocida
por sus casinos. Desde su introducción durante la Segunda Guerra Mundial, la
simulación Monte Carlo se ha utilizado para modelar diferentes sistemas físicos y
conceptuales.

Cómo funciona la simulación Monte Carlo

La simulación Monte Carlo realiza el análisis de riesgo con la creación de modelos de
posibles resultados mediante la sustitución de un rango de valores —una distribución
de probabilidad— para cualquier factor con incertidumbre inherente. Luego, calcula
los resultados una y otra vez, cada vez usando un grupo diferente de valores
aleatorios de las funciones de probabilidad. Dependiendo del número de
incertidumbres y de los rangos especificados, para completar una simulación Monte
Carlo puede ser necesario realizar miles o decenas de miles de recálculos. La
simulación Monte Carlo produce distribuciones de valores de los resultados posibles.
El análisis de riesgo se puede realizar cualitativa y cuantitativamente. El análisis de
riesgo cualitativo generalmente incluye la evaluación instintiva o “por corazonada” de
una situación, y se caracteriza por afirmaciones como “Eso parece muy arriesgado” o
“Probablemente obtendremos buenos resultados”. El análisis de riesgo cuantitativo
trata de asignar valores numéricos a los riesgos, utilizando datos empíricos o
cuantificando evaluaciones cualitativas. Vamos a concentrarnos en el análisis de
riesgo cuantitativo.
Mediante el uso de distribuciones de probabilidad, las variables pueden generar
diferentes probabilidades de que se produzcan diferentes resultados. Las
distribuciones de probabilidad son una forma mucho más realista de describir la
incertidumbre en las variables de un análisis de riesgo. Las distribuciones de
probabilidad más comunes son:
Normal – O “curva de campana”. El usuario simplemente define la media o valor
esperado y una desviación estándar para describir la variación con respecto a la
media. Los valores intermedios cercanos a la media tienen mayor probabilidad de
producirse. Es una distribución simétrica y describe muchos fenómenos naturales,
como puede ser la estatura de una población. Ejemplos de variables que se pueden
describir con distribuciones normales son los índices de inflación y los precios de la
energía.
Lognormal – Los valores muestran una clara desviación; no son simétricos como en
la distribución normal. Se utiliza para representar valores que no bajan por debajo
del cero, pero tienen un potencial positivo ilimitado. Ejemplos de variables descritas
por la distribución lognormal son los valores de las propiedades inmobiliarias y bienes
raíces, los precios de las acciones de bolsa y las reservas de petróleo.
Uniform – Todos los valores tienen las mismas probabilidades de producirse; el
usuario sólo tiene que definir el mínimo y el máximo. Ejemplos de variables que se
distribuyen de forma uniforme son los costos de manufacturación o los ingresos por
las ventas futuras de un nuevo producto.
Triangular – El usuario define los valores mínimo, más probable y máximo. Los
valores situados alrededor del valor más probable tienen más probabilidades de
producirse. Las variables que se pueden describir con una distribución triangular son
el historial de ventas pasadas por unidad de tiempo y los niveles de inventario.
PERT – El usuario define los valores mínimo, más probable y máximo, como en la
distribución triangular. Los valores situados alrededor del más probable tienen más
probabilidades de producirse. Sin embargo, los valores situados entre el más
probable y los extremos tienen más probabilidades de producirse que en la
distribución triangular; es decir, los extremos no tienen tanto peso. Un ejemplo de
uso de la distribución PERT es la descripción de la duración de una tarea en un
modelo de gestión de un proyecto.
Discrete – El usuario define los valores específicos que pueden ocurrir y la
probabilidad de cada uno. Un ejemplo podría ser los resultados de una demanda
legal: 20% de posibilidades de obtener un veredicto positivo, 30% de posibilidades de
obtener un veredicto negativo, 40% de posibilidades de llegar a un acuerdo, y 10%
de posibilidades de que se repita el juicio.
Durante una simulación Monte Carlo, los valores se muestrean aleatoriamente a partir
de las distribuciones de probabilidad introducidas. Cada grupo de muestras se
denomina iteración, y el resultado correspondiente de esa muestra queda registrado.
La simulación Monte Carlo realiza esta operación cientos o miles de veces, y el
resultado es una distribución de probabilidad de posibles resultados. De esta forma,
la simulación Monte Carlo proporciona una visión mucho más completa de lo que
puede suceder. Indica no sólo lo que puede suceder, sino la probabilidad de que
suceda.

Algunos ejemplos de simulación de Montecarlo en inversión son los siguientes:

• Crear, valorar y analizar carteras de inversión
• Valorar productos financieros complejos como las opciones financieras
• Creación de modelos de gestión de riesgo
Dado que la rentabilidad de una inversión es impredecible, se utiliza este tipo de
método para evaluar distintos tipos de escenarios.
Un ejemplo sencillo se encuentra en la bolsa de valores. Los movimientos de una
acción no se pueden predecir. Se pueden estimar, pero es imposible hacerlo con
exactitud. Por ello, mediante la simulación de Montecarlo, se intenta imitar el
comportamiento de una acción o de un conjunto de ellas para analizar cómo podrían
evolucionar. Una vez se realiza la simulación de Montecarlo se extraen una cantidad
muy grande de escenarios posibles.
Ejemplo de la simulación de Montecarlo
Supongamos que queremos contratar a un gestor que realice operaciones por
nosotros en la bolsa de valores
El gestor al que queremos contratar presume de haber ganado 50% de rentabilidad
durante el último año con una cuenta de valores de 20.000 dólares. Para confirmar
que lo que dice es verdad, le pedimos su track record auditado. Es decir, el registro
de todas sus operaciones verificado por una auditor (para evitar estafas y cuentas
falsas). El gestor nos facilita toda la documentación y procedemos a valorar la cuenta
de resultados.

Vamos a suponer que disponemos de 20.000 dólares. Introducimos las variables

correspondientes en nuestro programa informático y extraemos el siguiente gráfico:
Con los resultados facilitados por el gestor que queremos contratar, se han realizado
10.000 simulaciones. Además, los resultados se han proyectado cuatro años. Esto
es, 10.000 escenarios diferentes para esos resultados durante cuatro años.
En la gran mayoría de escenarios se genera una rentabilidad positiva, pero existe una
pequeña probabilidad de perder dinero. La simulación de Montecarlo nos facilita una
infinidad de combinaciones para evaluar escenarios de los que a simple vista no
somos conscientes.