INVESTIGACION DE: SIMULACION DE HOJA DE CÁLCULO PROFESOR: Ing. Cisneros Juan Manuel Covarrubias Ing. Industrial Fecha: 28/11/2017 .........4.3..................................................1............................ 4 SOFTWARE PARA SIMULACION DE SISTEMAS DE LINEAS DE ESPERA . 16 5. etc.................................................................................... Ejemplos de simulación en hoja electrónica ...... 3 5.......... proyecciones...................................................................................... ...................................... 11 5...........................................4.. Construcción de intervalos de confianza ....1..Contenido Unidad 5 simulación en hoja de cálculo ...... Programas comerciales de simulación disponibles ................... 17 .. 11 5........................... 15 5.............................. 3 5.................3............2 Tipos de modelo de simulación programables en hoja de cálculo (inventarios.................3.................................1 Lenguaje general de Programación en computadoras..........1.............................. Programación: distribución del modelo en la hoja de cálculo . líneas de espera...): descripción ...... Validación................................................... financieras................................................ Programación de los informes de salida (estadísticas) ............................... 13 5...........2............3................................................................................... Construcción de gráficas ... 6 5.4..................2 Experimentación con varias configuraciones posibles del sistema simulado .....4.. 16 5................................. 5 5..................................3.................................1........................ mediante la aplicación de procedimientos lógicos. Todo esto. Es un idioma artificial diseñado para expresar computaciones que pueden ser llevadas a cabo por máquinas como las computadoras. Una característica relevante de los lenguajes de programación es precisamente que más de un programador pueda usar un conjunto común de instrucciones que sean comprendidas entre ellos para realizar la construcción del programa de forma colaborativa. (lenguaje para el marcado de páginas web que no es propiamente un lenguaje de programación sino un conjunto de instrucciones que permiten diseñar el contenido y el texto de los documentos) Permite especificar de manera precisa sobre qué datos debe operar una computadora. cómo deben ser almacenados o transmitidos y qué acciones debe tomar bajo una variada gama de circunstancias.Unidad 5 simulación en hoja de cálculo 5. También la palabra programación se define como el proceso de creación de un programa de computadora. se depura. Lenguaje de programación. Pueden usarse para crear programas que controlen el comportamiento físico y lógico de una máquina. se compila y se mantiene el código fuente de un programa informático se le llama programación. Prueba y depuración del programa. Desarrollo de la documentación. .1. tal como sucede con el lenguaje Léxico. o como modo de comunicación humana. para expresar algoritmos con precisión. a través de un lenguaje que intenta estar relativamente próximo al lenguaje humano o natural. Al proceso por el cual se escribe. Está formado de un conjunto de símbolos y reglas sintácticas y semánticas que definen su estructura y el significado de sus elementos y expresiones. se prueba. Escritura de la lógica del programa empleando un lenguaje de programación específico (codificación del programa) Ensamblaje o compilación del programa hasta convertirlo en lenguaje de máquina.1 Lenguaje general de Programación en computadoras. Existe un error común que trata por sinónimos los términos 'lenguaje de programación' y 'lenguaje informático'. como por ejemplo el HTML. Los lenguajes informáticos engloban a los lenguajes de programación y a otros más. a través de los siguientes pasos: El desarrollo lógico del programa para resolver un problema en particular. Jalar. Optimización plenamente integrada Creación de modelos rápida. Grúas Viajeras. Sistemas de Empujar.3. Lotus. cualquier sistema puede ser modelado. Importación del Layout de Autocad. Operadores). etc. etc. Genera en automático las gráficas en 3 dimensiones para visualización en el espacio tridimensional. Único software de simulación con. sencilla y flexible. Logística. etc. IDEF0 . logística. logística. Integración a Excel. Teoría de Restricciones. y cualquier herramienta de CAD / CAE / Diseño. Resultados probados. (Bandas de transporte. corte. Programas comerciales de simulación disponibles Promodel ProModel es un simulador con animación para computadoras personales. etc.1.5. manejo de materiales. Puedes simular bandas de transporte. Puedes simular Justo a Tiempo. Permite simular cualquier tipo de sistemas de manufactura. Modelos optimizables. grúas viajeras. Visual Basic y herramientas de Microsoft. Manejo de Materiales. talleres. Elementos de Logística. así como de fotografías digitales. Prácticamente. Algunos ejemplos incluyen determinar la mejor combinación de factores para maximizar producción minimizando costo. ensamble. y Operaciones incluidas. IDEF0 o IDEFØ (Integration Definition for Function Modeling) es un método diseñado para modelar decisiones. Puede utilizarse para simular procesos tan variados como: La disponibilidad de camas en un hospital. Los modelos efectivos de IDEFØ ayudan a organizar el análisis de un sistema y a promover una buena comunicación entre el analista y el cliente. efectúa diferentes análisis del comportamiento. Llenado de líquidos en una planta embotelladora Producción de cobre . La flexibilidad de la herramienta de modelado de simulación Arena permite el análisis de todo. Este tipo de software es de gran utilidad para visualizar y estudiar de qué modo se están llevando a cabo diferentes procesos. SOFTWARE PARA SIMULACION DE SISTEMAS DE LINEAS DE ESPERA ARENA Arena es un modelo de simulación por computadora que nos ofrece un mejor entendimiento de las cualidades de un sistema. desde centros de atención al cliente para completar las cadenas de suministro. Arena no tiene un enfoque único objetivo de la industria. Arena facilita la disponibilidad del software el cual está formado por módulos de lenguaje siman. acciones y actividades de una organización o sistema. dos de ellos: primero. El exceso de inventario es producto de varios factores. básicamente se asocia con parámetros de gestión de inventarios que no corresponden a la situación de un artículo. pueden ser amortiguadas si se hace una verificación o estimación correcta de los parámetros de gestión de inventarios. pero las dos mencionadas. muchas de ellas son producto de una gestión incorrecta de la información. pero aun así el servicio esperado no cumple con las expectativas de la empresa. en estos momentos dar servicio es fundamental para mantener la cartera de clientes. líneas de espera. Supongamos que la política de inventario seleccionada por su empresa para gestionar un artículo que comercializa es la denominada como revisión continua.): descripción. el stock de seguridad.5. Hay más situaciones en la gestión de inventarios por las cuales se crean excesos o faltantes de inventario. pero. Puede ser que estos dos parámetros los haya asignado por su experiencia pasada o porque su sistema se los haya estimado. una reacción posiblemente desproporcionada de sobreprotección o un posible desconocimiento de la demanda. se suele tener sobrante de lo que no se vende y faltante de lo que hay demanda. etc. En definitiva. Uno de los objetivos fundamentales de gestión es el nivel de servicio que es capaz de dar. ¿está seguro de cumplir sus objetivos de negocio?. por experiencias pasadas de rotura de inventario. Inventarios: El gestor logístico se encuentra siempre con el dilema de tener mucho inventario y aun así no puede satisfacer todas las necesidades de sus clientes. la cuál se caracteriza por tener dos parámetros. El segundo caso. En esta situación cuando el inventario llega a su punto de reaprovisionamiento lanza un pedido de acopio por una cantidad fija predeterminada. el total de inventario valorado es superior a lo que se entiende que corresponde. proyecciones. y la cantidad a reaprovisionarse.2 Tipos de modelo de simulación programables en hoja de cálculo (inventarios. financieras. El punto de pedido corresponde a la demanda media en el plazo de aprovisionamiento más el stock de seguridad fijado. Una medida del desempeño logístico es el servicio . ¿Qué es lo que está ocurriendo? La respuesta es simple. lo que define un punto de pedido. Este último caso se debe a cambios de la demanda o suministro y un mantenimiento de parámetros de reaprovisionamiento estimados previamente para un escenario diferente. Calculo un sumatorio de frecuencias para asegurarme que suman el 100% (representado por 1). Si necesitase simular números entre 0 y 5 lo multiplicaría por 6 y me quedaría la parte entera =ENTERO(ALEATORIO()*5). En el ejemplo de esta hoja. En el ejercicio nos hemos quedado con los valores entre 0 y 1. de 3 días el 50% de las veces y 5 días el restante 30% de los días. la demanda va desde 0 a 6 unidades en un día. Esta información se puede obtener desde su base de datos de ventas y mediante la herramienta de análisis de datos de la hoja de cálculo puede hacer un histograma de estos valores. La hoja se puede adaptar fácilmente a otros valores. que me pidiesen una unidad el 5% y así.03). los porcentajes corresponden a la probabilidad de que ocurra una demanda. Paso 2: Ahora calculamos las demandas acumuladas. Paso 1: Introduzco los datos históricos que conozco: La función aleatorio me devuelve un numero aleatorio entre 0 y 1. Es importante recordar que en este sistema de gestión de inventarios se basa en el pasado. la información está dada mediante una tabla en la que muestra el porcentaje de ocurrencias de cada demanda para un artículo. ocurrió el 3% de los días (representado por 0.medido como demanda satisfecha directamente de las existencias sobre el total de la demanda. Una segunda lectura de esta información puede ser. . Este indicador se puede medir para un artículo tanto en unidades como en valores económicos. El tiempo de servicio fue de un día el 20% de las veces. 0 unidades. En resumen: que no me pidiesen nada. se asume que en el futuro tendrá un comportamiento similar su demanda. Si quisiese numero entre 1 y 5 entonces multiplicaría por 5 tomaría la parte entera y le sumaria 1 =ENTERO(ALEATORIO()*5)+1. 03 y 0. si el número generado está entre 0 y 0. y entre 0.7 tomaré 3 como plazo de entrega.03 simularé que me han pedido 0 unidades para ese día. La búsqueda en estas matrices está hecha con la función Excel buscarv.2 y 0. Para los tiempos de servicio seguiremos el mismo proceso. s sale entre 0.Paso 3: Ahora con la función aleatorio vamos a calcular la simulación para n días Cuando generemos números aleatorios para simular la demanda del artículo. .7 y 1 tomaré 5 días como plazo de entrega. si está entre 0 y 0.2 tomaré 1 como plazo de entrega. Si sale un numero entre 0. si un artículo llega a su punto para simular cuento tardaría en llegar la mercancía generaré un numero aleatorio.08 simularé que me han pedido una unidad. con el fin de variarlos para obtener un objetivo determinado. a través de funciones de distribución de probabilidad .. este modelo toma su forma a partir de los postulados sobre la operación del sistema real Por medio de una simulación se estudian los sistemas reales a través de un modelo del sistema real con el propósito de comprender la interacción de los procesos que intervienen en el. Es posible reemplazar las expresiones matemáticas y el cálculo de los valores de las variables de interés.El resultado nos queda: Simulación en líneas de espera una definición amplia seria:"Una simulación es una imitación de la operación de un proceso real durante un tiempo determinado” El comportamiento de un sistema durante un tiempo determinado puede ser estudiado por medio de un modelo de simulación. Ejemplo: . estos modelos son conocidos como la teoría de colas y ellos tratan de representar los resultados promedio de la utilización de las funciones de distribución de probabilidad que describen los sistemas de espera. Los Modelos de simulación de eventos discretos (o simulación tipo Monte Carlo). después de un número conveniente de ensayos al resultado que se obtendría con el sistema real Los modelos que se obtienen como un conjunto de ecuaciones se denominan con frecuencia modelos analíticos o modelos de optimización. Los modelos de simulación son usados para estudiar y calcular los procesos estocásticos y los fenómenos o problemas de líneas de espera. las funciones de distribución se usan con el propósito de realizar una experimentación cuyos resultados llevarán.Los Modelos de simulación de eventos discretos (o simulación tipo Monte Carlo). también se usan los modelos o procesos de Markov para describir y calcular las líneas de espera. las funciones de distribución se usan con el propósito de realizar una experimentación cuyos resultados llevarán. después de un número conveniente de ensayos al resultado que se obtendría con el sistema real. Se dispone de modelos analíticos que expresan el comportamiento de las líneas de espera. Al ser previsiones a ms de un año. Las demandas de potencia pico en estas ciudades que ocurren a la misma hora (2:00 p. La Planificación Financiera consiste en la elaboración de previsiones a medio y largo plazo. pero no obstante es conveniente realizarla para estar mejor preparado y dirigir con ms precisión la empresa. 40 millones. 20 millones. 5. en un horizonte de 3-5 años.3. La compañía de luz tiene tres centrales que cubren las necesidades de cuatro ciudades.m. Cada central suministra las cantidades siguientes de kilowatts-hora: planta 1. tiene un elevado grado de incertidumbre. planta 3. Ejemplo En un inicio solo se presenta su enunciado y planteamiento. Los costos por enviar un millón de kw/h de la planta dependen de la distancia que debe viajar la electricidad y se muestran en la tabla A. 35 millones. 30 millones.1. 30 millones y ciudad 4.) son como sigue (en kw/h): ciudad 1. analizar y corregir las tendencias. planta 2. 50 millones. . ciudad 2.Proyecciones Estimados seguidores esta vez he creado un simulador en Excel sobre un plan contable económico y financiero. al marcar los rumbos que debe tomar. Un posterior control nos permitirá a través de las desviaciones. Programación: distribución del modelo en la hoja de cálculo Solución de problemas de programación lineal (PL) con una hoja de cálculo En este punto se demuestra con detalle la mecánica del uso del Solver en Excel mediante la solución del siguiente problema. está completamente libre para que ustedes lo adapten a su criterio y de acuerdo al régimen y cuentas de su ubicación y país. ciudad 3.3. enjuiciar la gestión empresarial de la unidad económica para predecir su evolución futura y poder tomar decisiones con la menor incertidumbre. En definitiva. Ejemplos de simulación en hoja electrónica 5. 45 millones.1. El análisis financiero consiste en evaluar la situación económico-financiera actual de la empresa y proyectar su futuro. colocando celdas para las variables de decisión. . como se observa en la siguiente figura.Este problema se resuelve a través del Solver de Excel. obteniendo a cambio un total del 25 Euros por cada una. y que nos piden consejo para decidir sobre el número de licencias de un determinado sistema operativo que conviene adquirir – las licencias se suministrarán con los ordenadores que se vendan durante el próximo trimestre. Cuando salga al mercado la nueva versión del sistema operativo. El resto de fórmulas son bastante claras: . en la celda I2 usamos la función BUSCARV para determinar el suceso correspondiente asociado al valor pseudo-aleatorio obtenido –notar que usamos también la función MIN. el almacén podrá devolver al distribuidor las licencias sobrantes. Basándose en los datos históricos de los últimos meses. los responsables del almacén han sido capaces de determinar la siguiente distribución de probabilidades por lo que a las ventas de licencias del nuevo sistema operativo se refiere Construimos nuestro modelo usando las fórmulas que se muestran en la figura inferior.3. En la casilla H2 usaremos la función ALEATORIO para generar el valor pseudo-aleatorio que determinará el suceso resultante. Cada licencia de sistema operativo le cuesta al almacén un total de 75 Euros.2 Experimentación con varias configuraciones posibles del sistema simulado Supongamos que trabajamos en un gran almacén informático. y es lógico pensar que en pocos meses habrá un nuevo sistema operativo en el mercado de características superiores.5. ya que en ningún caso podremos vender más licencias que las disponibles. mientras que el precio al que la vende es de 100 Euros. . por el grado de detalle geométrico de la sala. por una parte. introducido por el usuario. Validación Para la validación de los resultados del programa de simulación acústica Catt Acoustic v8. que en nuestro caso es el más fiel posible a la realidad. por los métodos de cálculo que utiliza el programa de simulación y. se ha escogido un aula de la Escuela Superior de Ingenieros (ESI): 105. La precisión de los cálculos vendrá determinada. Para esto se han modificado algunos de los parámetros que permite el programa. El objetivo final es obtener una referencia que permita conocer la precisión de los resultados obtenidos mediante las simulaciones realizadas con Catt Acoustic v8. . para determinar la precisión con que la simulación se ajusta a las medidas. por otra.4. obteniendo los parámetros acústicos mediante la simulación de las aulas.5. Este estudio se realiza en tres fases: 1) Ajuste del modelo numérico para que represente lo más fielmente la realidad. 2) Comparación entre los resultados medidos y simulados. 2.5.4.1. Programación de los informes de salida (estadísticas) 5. Construcción de gráficas .4. el 95% de intervalos así calculados contendrán a la verdadera media poblacional. Por ejemplo. tendremos un rango de valores en el que confiamos (con un 95% de confianza) que se encuentra la verdadera media poblacional. La expresión más general para hacer estimaciones calculando intervalos de confianza es sumar y restar al estimador muestral z veces el EE del estimador: Parámetro (estimador + z x EE del estimador) donde z es el valor correspondiente de la distribución normal. se usa la distribución t de Student. no tiene aplicación para expresar la variabilidad de los individuos de una población. el EE de la media valdría 20 100 2 .).3. quedará un margen de incertidumbre que se expresa en términos del error estándar (EE) del estimador. Esta medida es el intervalo de confianza (I. Este mismo razonamiento se aplica a otros estimadores muestrales distintos de la media: proporciones. diferencias de medias. resulta natural querer disponer de una medida del parámetro poblacional que incorpore tanto la estimación puntual como su error estándar. Es decir. diferencias de proporciones. todas ellas de tamaño n. en consecuencia. sumándole y restándole 2 errores estándar. Siguiendo con el ejemplo anterior. lo que la desviación estándar es al individuo...4. El error estándar es un concepto central en los intervalos de confianza. Así. Por tanto. el error estándar de la media mide nuestro grado de incertidumbre respecto a la capacidad de la media muestral para estimar la media poblacional. varianza. . debido a que no disponemos de s (la desviación estándar poblacional) sino sólo de (la desviación estándar muestral). es sólo un indicador de la variabilidad de las medias calculadas en muchas posibles muestras que se tomen de una población. que facilita un rango de valores dentro del cual se encontrará el verdadero valor del parámetro poblacional con un cierto grado de confianza. las estimaciones puntuales obtenidas a partir de una muestra diferirán del parámetro poblacional y. si lo único que sabemos es que la media muestral es x = 39 años. y esperaríamos que las medias de muestras repetidas de tamaño 100 tuviesen una distribución normal cuya desviación estándar fuese 2.C. nuestra única posibilidad es confiar es que esta media muestral esté entre ese 95% de medias muestrales situadas en el entorno de +2 errores estándar de la verdadera media poblacional. Construcción de intervalos de confianza Como hemos comentado anteriormente. Si repetimos todo el proceso 100 veces. A veces. en vez de z.5. El error estándar es a la muestra. si la desviación estándar de la edad de una muestra de 100 pacientes es 20 años. Niveles de confianza habituales para los I. El tamaño muestral.025).1.5% ( / 2 = 0. con la que el método dará una respuesta correcta. media.. 1- ).C.Si el I.) repartido en dos colas. Figura 5. . implica que hay un 5% de error (en general. es al nivel de confianza del 95% (en general. Cuantos más datos hayan participado en el cálculo.C.) El I. más pequeño esperamos que sea la diferencia. en este caso. z valdría1 1. está formado por valores ligeramente menores y mayores que la aproximación ofrecida por la muestra. Cada cola valdría el 2. El intervalo de confianza calculado dependerá de: Lo estimado en la muestra (porcentaje. una a cada lado. son el 95% y el 99%.96.C.. La probabilidad. nivel de confianza (1-).