Documente Academic
Documente Profesional
Documente Cultură
ASIGNATURA: SIMULACIN
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
3
3.1 METODOLOGIA GENERAL DE LA SIMULACION
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.
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.
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
4
La exactitud con que se predicen datos histricos.
La comprobacin de falla del modelo de simulacin al utilizar datos que hacen fallar al
sistema real.
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.
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
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 controlables o de decisin (factores): son aquellas sobre las que el analista
puede decidir su valor dentro de ciertos lmites.
Variables endgenas: son variables internas y las variables de salida del modelo. Son
funcin de las variables exgenas y de la estructura del modelo.
Incluso en el caso de que las variables sean controlables, estn limitadas o restringidas
a ciertos lmites dentro de los cuales se pueden modificar.
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.
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:
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.
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:
8
La facilidad de conversin de los datos a una representacin procesable por el
ordenador.
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:
Muestra y usar sta en el modelo. Esto permite tener una mejor comprensin
(generalizacin) 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.
10
que se seleccione. Hay fundamentalmente dos formas de considerar el avance del
tiempo en un modelo de simulacin:
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.
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.
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.
12
Verificacin y Validacin del modelo
La Verificacin del modelo consiste en ver cul es la consistencia interna del modelo.
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.
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.
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 para sistemas con final definido: la ejecucin del modelo finaliza cuando ocurre
un evento especfico. Se tomara una muestra por ejecucin.
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.
Entre las razones por las que los esfuerzos de implantacin son a menudo intiles, se
incluyen las siguientes:
Falta de entendimientos por parte de los encargados del sistema debido a los
tecnicismos utilizados.
Resistencia al cambio.
16
Falta de coincidencia entre el personal disponible y los objetivos marcados por el
modelo.
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.
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
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).
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.
19
anlisis ser tanto ms preciso cuanto mayor sea el nmero n de experimentos que
llevemos a cabo.
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:
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.
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.
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.
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.
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.
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.
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.
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.
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.
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
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.
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 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).
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.
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 .
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.
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 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.
36
Agrupamiento de datos
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.
Los siguientes pasos indican cmo agrupar y desagrupar datos y cmo crear una
animacin de los datos agrupados.
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.
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.
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)
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.
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).
Modelo
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:
41
y (o a y b) y , ,..., .., )
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.
y = A + BX + e
donde e es una variable aleatoria con valor esperado igual a cero y varianza igual a s2.
42
Se acostumbra a diferenciar desvo de residuo:
En tanto que
Es conveniente, para el anlisis del ajuste del modelo a los datos observados,
considerar las siguientes caractersticas:
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
1 = r2 + (1 - r2)
donde
44
Funcionamiento:
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:
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:
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.
Aplicacin:
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
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.
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:
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".
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.
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:
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.
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:
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
-+-+-+-+-+--+++-++--++---+---+--++---+--+-+-+-+--
Una corrida se define como una sucesin de eventos similares, precedidos y seguidos
por un evento diferente.
55
La validacin de rechazo ser
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
Estado transitorio
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
Reloj de simulacin
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.
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