miércoles, 6 de junio de 2012

RESUMEN CAPITULO 10



RESUMEN CAPITULO 10 EXPERIMENTACIÓN: BUSCANDO EL PASO DE SOLUCIONES
INTRODUCCIÓN


Mario Useche – Camilo Moncayo

El propósito de este capítulo es analizar los procedimientos de búsqueda en el espacio de la solución y los medios por los cuales los escenarios alternativos se pueden comparar. El capítulo comienza describiendo la naturaleza de la experimentación de la simulación. Esto se describe en términos de la forma en que las simulaciones se ejecutan y los medios por los cuales los escenarios para la experimentación se identifican.
Después de esto, hay una discusión sobre cómo los resultados de un experimento de simulación debe ser analizada. Esto proporciona una base importante para poder comparar escenarios alternativos en la búsqueda del espacio de soluciones. La discusión a continuación, pasa a cubrir tres áreas fundamentales en relación a la búsqueda del espacio de soluciones:

  1. La comparación de los resultados de dos o más escenarios diferentes.
  2. Los métodos para buscar el espacio de soluciones que abarcan los métodos informales, diseño experimental, meta modelo y optimización.
  3. El análisis de sensibilidad.


      1. La naturaleza de la experimentación con la simulación


Los experimentos con simulación pueden tomar varias formas. Estos se describen aquí como dos partes: interactivos y experimentos por lotes, y la comparación de las alternativas y la búsqueda de la experimentación.

Experimentación por lotes e interacción

Se debe tener cuidado en no dejar que los experimentos interactivos lleven demasiado peso en la formación de una comprensión del sistema y las opiniones acerca de las soluciones a los problemas. Debido a que la simulación se ejecuta en frente del usuario, la longitud de ejecución es probable que sea relativamente corta. Como tal, el usuario probablemente sólo ve una foto pequeña de las circunstancias posibles y los resultados son poco probable que sea estadísticamente significativa.
Los experimentos por lotes se llevan a cabo mediante el establecimiento de los factores experimentales y dejando el modelo a postularse para un predefinido de longitud de ejecución (o de un evento específico) y para un número determinado de repeticiones. Esto no requiere ninguna acción por parte del usuario del modelo por lo que la pantalla está normalmente apagada. Esto también mejora la velocidad en ejecución del modelo.

La experimentación y Comparación de alternativas de búsqueda

Cuando se comparan las alternativas donde hay un número limitado de escenarios para ser comparados. Estos escenarios se conoce a menudo al comienzo del estudio de simulación, por ejemplo, puede haber tres diseños alternativos de fábrica.
Mientras tanto, en la experimentación de búsqueda no hay escenarios predefinidos. En su lugar, uno o más factores experimentales se varían hasta alcanzar un nivel óptimo. Por ejemplo, el objetivo puede ser llegar a un rendimiento meta o para lograr un nivel óptimo de servicio al cliente, equilibrando el coste de los recursos con el costo de las perdidas.
La comparación de alternativas de búsqueda y la experimentación no son mutuamente excluyentes. De hecho, un estudio de simulación podría implicar una comparación de alternativas predefinidas y también un poco de búsqueda de un objetivo u óptima.

Análisis de los resultados de un escenario único

Se realizó experimentos de simulación con el fin de determinar el rendimiento del modelo, que se mide por los valores de las respuestas. Para cada respuesta de dos medidas son generalmente de interés: el promedio (estimaciones puntuales) y la variabilidad.

Las estimaciones puntuales

El nivel medio de una respuesta más comúnmente se mide por su media. Si una simulación podría ser ejecutada por un tiempo infinito, entonces sería posible obtener un valor exacto de la media para cada respuesta. Debido a que los experimentos de simulación proporcionan sólo una muestra de datos de salida, es importante que un intervalo de confianza para cada media se informe. Un intervalo de confianza proporciona información sobre el rango dentro del cual la media población tiene la expectativa de ser falsa.
Este enfoque no puede utilizarse con datos de una larga salida, sin embargo, puesto que es probable que los datos están correlacionados (intervalos de confianza se basan en la suposición de que las muestras son independientes).

La mediana de la estimación y el cuantil

Otra medida del rendimiento medio es la media. Más en general, puede ser que desee para estimar cuantiles, es decir, el nivel de rendimiento que se puede lograr con una probabilidad dada. La mediana es simplemente el cuantil 0,5, y la parte superior e inferior de los cuartiles de 0,25 y 0,75, respectivamente. En lugar de proporcionar sólo un único valor para un cuantil, es útil para calcular un intervalo de confianza basado en la muestra de los datos obtenidos a partir de la simulación.

Las medidas de la variabilidad

En la mayoría de los sistemas de operaciones de un nivel inferior de la variabilidad se prefieren, ya que es más fácil para que coincida con los recursos a los niveles de demanda. De hecho, un peor promedio con baja variabilidad puede ser seleccionado con preferencia a un promedio mejor con alta variabilidad.
Aparte de la creación de histogramas de los datos de salida, las medidas útiles de la variabilidad son la desviación mínima, máxima y estándar. Sea consciente de los valores extremos al declarar el mínimo y máximo, de lo contrario estas medidas pueden ser engañosas.

Comparando las alternativas

Al comparar escenarios alternativos al usuario, el modelo debe ser capaz de determinar si una alternativa es mejor que otra. Esto no es simplemente un caso de comparar los valores medios de las respuestas clave para ver cuáles son los mejores. Tomemos, por ejemplo, el caso en que dos escenarios (A y B) se comparan, la respuesta clave es el rendimiento diario.
Si los datos han sido generados a partir de sólo unas pocas repeticiones y no hay mucha variación en los resultados, esto le da poca confianza en que la diferencia sea significativa. Sin embargo, se han realizado muchas repeticiones y la desviación estándar es baja, puede haber más confianza en que la diferencia sea real.
Un enfoque más riguroso se basa en la formación de intervalos de confianza para la diferencia entre los resultados.

La comparación de dos escenarios

El uso de la desigualdad de Bonferroni es bastante eficaz, siempre y cuando el número de escenarios sigue siendo pequeño. Como aumenta la cantidad de escenarios, el número de intervalos de confianza puede convertirse rápidamente en inmanejable, sobre todo si una comparación completa de todos los escenarios se requiere.
La hoja de cálculo usado para comparar dos escenarios también se puede utilizar para comparar múltiples escenarios. El usuario puede introducir los resultados de repeticiones para cada par de escenarios y obtener el intervalo de confianza correcto ajustando el nivel de importancia de acuerdo con la desigualdad de Bonferroni.

Elegir el mejor de los casos

Más allá de la comparación de escenarios, hay un evidente interés en la identificación del mejor grupo de escenarios. Al nivel más simple se puede lograr mediante la inspección de los resultados medios de cada escenario.
Más allá de la comparación de los medios y el uso de intervalos de confianza para las diferencias, existen métodos estadísticos para elegir el mejor de los casos conocidos como métodos de clasificación y selección. 

Buscar Experimentación

Debido a que existe el potencial de tener muchos escenarios (factor / nivel de combinaciones) en la búsqueda de experimentación, muy a menudo no es posible simular cualquier escenario único en el tiempo disponible para determinar que cumplan con el objetivo requerido o dar un resultado óptimo.
Diseño experimental: identificar los factores experimentales que tienen más probabilidades de conducir a mejoras significativas, lo que reduce el total de los factores / nivel de combinaciones a analizar.
Meta modelos: ajustar un modelo a la salida de la simulación (un modelo de un modelo). Debido a que el modelo ajustado se ejecuta mucho más rápido que la simulación, muchos más de los factores / nivel de las combinaciones puede ser investigado.
Optimización: realizar una búsqueda eficaz de las combinaciones de factores / nivel, tratando de identificar la combinación óptima.
Para nuestros propósitos, sólo una breve descripción se da de los métodos para abordar estas cuestiones. Aunque estos enfoques se describen como temas separados, debe recordarse que se superponen unos con otros y que los enfoques pueden ser utilizados en combinación durante la experimentación.

Enfoques informales para buscar la experimentación

No obstante que hay un cuerpo significativo de la teoría en la experimentación de búsqueda, la evidencia anecdótica sugiere que la mayoría de la experimentación de simulación se realiza de manera informal. La falta de uso de métodos formales, probablemente, los resultados de la necesidad de aplicar la estadística no primaria cuando los emplean.
Los métodos informales para buscar experimentación se clasifican en tres categorías que se relacionan estrechamente con los mencionados anteriormente:
1. Identificar los factores importantes experimentales (similar al diseño experimental)
2. El desarrollo de una comprensión del espacio de soluciones (similar a meta modelado)
3. Búsqueda de factores / nivel de combinaciones de manera eficiente (similar a la optimización)

Diseño de experimentos

El diseño experimental actúa como una forma de identificar factores importantes experimentales, es decir, aquellos factores que los cambios son más propensos a producir el resultado deseado. Es un método formal para llevar a cabo la experimentación preliminar. Como tal, el diseño experimental puede ser valioso, especialmente en las primeras etapas de la experimentación, para la identificación de escenarios que deben ser simulados.
Diseños factoriales fraccionarios se aplican cuando hay demasiados factores que permitan a toda experimentación con cada combinación de factores. Un número limitado de combinaciones de factores se elige y se sacan conclusiones a partir de un análisis de los resultados.

Metamodelado

Un metamodelo es un modelo de un modelo, en nuestro caso un modelo de la salida de la simulación. Debido a que el metamodelo es normalmente un modelo analítico que se ejecuta mucho más rápido que la simulación. Es, por tanto, posible investigar escenarios muchos más con un metamodelo que con la propia simulación. La desventaja es que el metamodelo es una aproximación a la salida de la simulación y por lo tanto los resultados que proporciona no son tan precisos. También existe la sobrecarga de crear el metamodelo.

Optimización

En la optimización de la simulación, el objetivo es encontrar la combinación de factores que ofrece el mejor valor para una respuesta, que es el valor máximo o mínimo. El problema puede ser pensado en términos similares a los métodos estándar de optimización matemática. En primer lugar, hay una cierta función objetivo a optimizar, por lo general, el costo, beneficio, rendimiento o servicio al cliente. En segundo lugar, hay un conjunto de variables de decisión que se pueden cambiar; en simulación estos son los factores experimentales. Finalmente, hay una serie de limitaciones en el que las variables de decisión se pueden cambiar, lo que se expresa en términos de la gama dentro de la cual los factores experimentales pueden ser alterados.

Análisis de Sensibilidad

En el análisis de sensibilidad de las consecuencias de los cambios en las entradas del modelo se evalúan. En este contexto, los insumos del modelo se interpretan de manera más general que sólo los factores experimentales e incluyen todos los datos del modelo. Si hay un cambio significativo en la respuesta (el gradiente es empinada), entonces la respuesta es sensible al cambio en la entrada. Si hay poco cambio (el gradiente es poco profunda), entonces la respuesta es insensible a los cambios.
Todo esto puede proporcionar información útil tanto para el usuario del modelo y los clientes mediante la mejora de su comprensión del modelo. El último es particularmente importante para que el cliente entienda cómo los pequeños cambios pueden afectar a la solución propuesta para el problema planteado por el estudio de simulación.
Conclusiones

Este capítulo describe cómo se llevan a cabo experimentos de simulación y cómo los resultados deben ser reportados. Los métodos para la comparación de escenarios alternativos y se describen métodos para buscar en el espacio de soluciones se discuten. Las áreas clave y los métodos que se identifican son los siguientes:
1. La naturaleza de la experimentación de simulación
2. El análisis de los resultados: los intervalos de confianza para las estimaciones de la letra el método estándar, con repeticiones múltiples lotes y los medios de método para un largo plazo y medidas de variabilidad.
3. Comparación de las alternativas: pares-t del intervalo de confianza para la comparación de dos alternativas, ajustado por la desigualdad de Bonferroni cuando más de dos escenarios se están comparando.
4. La experimentación de búsqueda informal: la identificación de importantes factores de experimentación, el desarrollo de la comprensión del espacio de soluciones y la búsqueda de los factores de combinaciones de manera eficiente.
5. La experimentación formal de búsqueda: diseño experimental metamodelado, y optimización.
6. El análisis de sensibilidad

Resumen capitulo 9


Resumen capitulo 9

Simulation: The Practice of Model Development and Use
Stewart Robinson
Warwick Business School


Camilo Moncayo – Mario Useche

La Naturaleza de los Modelos de Simulación 

La naturaleza de un modelo de simulación y su salida afecta a los medios por los cuales se obtienen resultados precisos de un modelo. Para los propósitos de esta discusión, se supone que la salida de la simulación es estocástica, es decir, el modelo contiene sucesos aleatorios. Aunque es posible tener un modelo de simulación que no contiene ningún evento al azar, no es una práctica común.

9.2.1 Terminating and non-terminating simulations
Un modelo de simulación puede ser clasificado en dos tipos: de terminación y no terminación. Para la terminación de una simulación hay un punto final natural que determina la longitud de una carrera. El punto final se puede definir en un número de maneras, por ejemplo:
  • The model reaches an empty condition, e.g. a bank that closes at the end of a day.
  • The completion of the time period under investigation, e.g. the end of the busy lunch period in a supermarket.
  • The completion of a trace of input data, e.g. the completion of a production schedule.

9.2.2 de salida transitoria
En la mayoría de los casos, la salida de una simulación de terminación es transitoria. Salida transitoria significa que la distribución de la salida está constantemente cambiando. Tomemos, por ejemplo, una simulación de un banco. Una de las respuestas de interés es el número de clientes atendidos en cada hora del día. Además de esto, para cualquier período de tiempo el número de clientes atendidos es poco probable que sea idéntica en cualquier día dado. Esto es puramente como una consecuencia de la variación aleatoria en el sistema.
La distribución de clientes atendidos en la hora de 11:00 a 12:00 se presenta por f (11:00 - 12:00). Demuestra que 11:00-12:00 en cualquier día en el número de clientes atendidos podría estar entre aproximadamente 60 y aproximadamente 100. Durante muchos días, el número medio de clientes servidos 11:00-12:00 será de unos 80. Del mismo modo, para cada hora del día hay una distribución del número de clientes atendidos. Debido a que los datos de salida son transitorios, la distribución varía para cada hora del día. Por supuesto, las distribuciones no necesariamente tiene que ser normal.

9.2.3 El estado de equilibrio de salida
Para los que no terminan la salida de las simulaciones a menudo alcanza un estado estacionario. El estado estacionario no significa que la salida no está variando, pero que la salida es variable de acuerdo con alguna distribución fija (la distribución de estado estable). Tomemos el ejemplo de una simulación de una planta de producción. El rendimiento varía de día en día debido a las averías. Sin embargo, la capacidad de rendimiento (el nivel de rendimiento media) permanece constante. En el estado de equilibrio el nivel de variabilidad sobre la que significa también se mantiene constante ya que la distribución en estado estacionario es constante. A partir del día 10 en adelante, el rendimiento es variable en torno a una media constante de acuerdo a la distribución en estado estacionario, f (estado estacionario). Durante los primeros 9 días el valor de respuesta es mucho menor que sugiere que no está siguiendo la distribución de estado estacionario. ¿Cuál es la razón de esto? Piensa en un modelo típico de una planta de producción. Al comienzo de una ejecución de simulación que no hay piezas en el sistema.

9.2.4 Otros Tipos de Salidas
Transitoria y de estado estacionario no son los únicos tipos de salida que se producen a partir de modelos de simulación. Law y Kelton (2000) identifican un tercer tipo, el estado de equilibrio del ciclo. Piense en una simulación de una planta de producción en dos turnos de trabajo. El turno de noche tiene un menor número de operadores y por lo que trabaja a un ritmo más lento, en esta circunstancia el rendimiento registrado por los ciclos de simulación entre dos estados estacionarios. Un efecto similar podría ocurrir en una operación de servicio de 24 horas, como un centro de gestión de llamadas para los servicios de emergencia. La velocidad a la que las llamadas son recibidas varía con la hora del día. Como resultado, una respuesta de simulación, tales como las llamadas manejadas cambios a medida que progresa el día. Suponiendo que el patrón de llamada es similar en cada día, la salida de la simulación se realiza un ciclo a través de la misma serie de estados estacionarios. Por supuesto, el patrón puede ser más compleja, con un efecto día de la semana también. En este caso hay dos ciclos superpuestos unos sobre otros, todos los días uno y un ciclo semanal.

9.5 relativas a la discriminación de inicialización: Warm-up
Esta sección describe dos métodos para tratar con el sesgo de inicialización: un período de calentamiento y el establecimiento de las condiciones iniciales. La tercera opción de utilizar mixtos condiciones iniciales y calentamiento también se discute, así como las ventajas y desventajas de los diferentes métodos.

9.5.1 La determinación del período de calentamiento
Si un período de calentamiento se va a emplear la pregunta clave es ¿cuál debería ser la duración del período de calentamiento? La respuesta simple es que el período de calentamiento debe ser lo suficientemente largo para garantizar el modelo se encuentra en condiciones realistas. Para una simulación que no termina esto normalmente significa que el transitorio inicial ha pasado y la salida del modelo se encuentra en estado estacionario. La dificultad en esta respuesta consiste en determinar si el modelo está en una condición realista.

Una serie de métodos que se han propuesto para la identificación de sesgo de inicialización y la determinación del período de calentamiento. Estos se pueden clasificar en cinco tipos.
-Gráficos métodos: involucrar a la inspección visual de las series temporales de los datos de salida.
-Heurística enfoques: aplicar reglas simples con pocas suposiciones subyacentes.
-Métodos estadísticos: se basan en los principios de la estadística para determinar el período de calentamiento.
De inicialización de las pruebas de sesgo: identificar si existe algún sesgo en los datos de inicialización. Estrictamente estos no son métodos para identificar el período de calentamiento, pero se pueden usar en combinación con métodos de calentamiento para determinar si están funcionando con eficacia.
-Híbridos métodos: se trata de implicar una combinación de métodos gráficos o heurística con un test de sesgo de la inicialización.

De series de tiempo de inspección
El método más simple para identificar el período de calentamiento es inspeccionar un tiempo-serie de la salida de la simulación, es decir, la respuesta central (s) del modelo de simulación. El problema con la inspección de un tiempo-serie de una sola pasada, es que los datos pueden ser muy ruidoso y por lo tanto es difícil de detectar cualquier sesgo de inicialización. Mejor es, por lo tanto, cuando una serie de repeticiones se ejecutan y los promedios de los medios de repeticiones para cada ejercicio se trazan en una serie temporal. Al menos cinco réplicas se deben realizar, aunque se puede requerir más de los datos con mucho ruido. Los más repeticiones que se realizan más de la serie temporal se suaviza.

9.5.2 Establecimiento de las condiciones iniciales
Una alternativa al uso de un período de calentamiento es establecer las condiciones iniciales del modelo. Normalmente, esto significa poner el trabajo en curso, tales como piezas o clientes, en el modelo en el inicio de una carrera.
Hay dos formas en que las condiciones iniciales apropiadas pueden ser identificadas. El primero es observar el sistema real. En algunos casos, los datos sobre el estado actual del sistema real puede ser descargado directamente desde los sistemas de control automático (esto es una necesidad si el modelo se va a utilizar para ayudar en tiempo real la toma de decisiones). Obviamente, este método sólo se puede usar si el sistema real existe. El segundo enfoque es ejecutar el modelo de simulación para un período de calentamiento y registrar el estado del modelo, utilizando esto para definir la condición inicial del modelo para futuras ejecuciones.

9.5.3 Mezcla de condiciones iniciales y calentamiento
En algunos casos, es útil emplear una mezcla de un período de calentamiento y de las condiciones iniciales. El objetivo es reducir la longitud del período de calentamiento requerido. Por ejemplo, en una simulación que contiene un modelo de un depósito (o cualquier gran inventario) se necesitaría mucho tiempo para el inventario de almacén para crecer a un nivel realista si ninguna condición inicial se establece. Por lo tanto, tiene sentido establecer una condición inicial para el inventario. Sin embargo, a menos que las condiciones iniciales se establecen para el resto del modelo, entonces un período de calentamiento es, probablemente, todavía se requiere.

9.5.4 Las condiciones iniciales en comparación con el calentamiento
Ambas simulaciones de terminación y no termina-puede comenzar en un estado poco realista y así lo exigen las condiciones iniciales que se fijarán y / o un período de calentamiento que se ejecute. Para no terminan simulaciones el objetivo es garantizar que el transitorio inicial se elimina de los datos de salida. Para simulaciones de terminación el objetivo es asegurar que los resultados no están sesgados por un estado apropiado de partida. Para muchas simulaciones de operaciones de servicio se trata de una cuestión relativamente sencilla, ya que el estado vacía es una condición inicial realista. La principal ventaja de utilizar las condiciones iniciales es que se ahorra tiempo ya que un período de calentamiento no tiene que ser ejecutado. Esta vez puede ser importante si el modelo tiene que ser ejecutado varias veces durante la experimentación. Los principales problemas con la configuración de las condiciones iniciales se especifican las condiciones adecuadas y el tiempo necesario para escribir el código adicional para establecer esas condiciones.

9.6 Selección del número de repeticiones
y el run-length Esta sección describe los métodos para determinar el número de repeticiones que se deben realizar con un modelo y para la selección de una adecuada gestión de longitud para un largo plazo. El objetivo en ambos casos es para asegurar que los datos suficientes de salida se han obtenido a partir de la simulación con el fin de estimar el rendimiento del modelo con suficiente precisión. Como parte de la discusión sobre múltiples réplicas también hay una breve explicación de la reducción de la varianza. La sección concluye con una discusión sobre los méritos relativos de la utilización de múltiples repeticiones y largos recorridos.

Resumen paper: CONCEPTUAL MODELING FOR SIMULATION: ISSUES AND RESEARCH REQUIREMENTS

Modelado conceptual para la simulación:
PROBLEMAS Y NECESIDADES DE INVESTIGACIÓN

RESUMEN
En general se reconoce que el modelado conceptual es una de las partes más vitales de un estudio de simulación. Al mismo tiempo, también parece ser uno de los menos comprendidos. Una revisión de la literatura existente sobre el modelado conceptual de una serie de cuestiones que deben abordarse: la definición del modelo conceptual, el modelo conceptual de los requisitos, la forma de desarrollar un modelo conceptual, la representacion y comunicacion de un modelo conceptual, validación conceptual de modelos y la enseñanza del modelado conceptual. Es claro que esta es un área madura para nuevas investigaciones, para la clarificación de las ideas y el desarrollo de nuevos enfoques.

1 INTRODUCCIÓN
El Modelado conceptual es la abstracción de un modelo de un sistema real o  propuesto. Este proceso de abstracción involucra un cierto nivel de simplificación de la realidad (Zeigler1976). El Modelado conceptual requiere que la abstracción sea una simplificación adecuada (Pidd 2003). Este artículo pretende esbozar los parametros claves para el modelo  conceptual para la simulación. Basado en una revisión de la literatura actual en el campo de una serie de problemas se pueden identificar. La esperanza es identificar problemas y a medida en que se hayan abordado, realizar una investigacion de como programar el modelado conceptual. Los temass e discuten en los siguientes epígrafes: 
• Definición del modelo conceptual (Ling)
•Requisitos del modelo conceptual
• Cómo desarrollar un modelo conceptual?
• Representacion y comunicacion del modelo conceptual.
• LValidación del modelo conceptual
• Enseñanza de modelado conceptual
• Otros temas en el modelado conceptual

  1. La definición del modelo conceptual
La noción de modelado conceptual es vago y mal definido, con diferentes interpretaciones en cuanto a su significado.Lo que parece estar de acuerdo es que se refiere a las primeras etapas de un estudio de simulación. Esto implica un sentido de movimiento de el reconocimiento de una situación problema que debe abordarse con un modelo de simulación para la determinación de lo que va a ser modelado y cómo. En resumen, la discusión anterior se identifican algunos de las principales facetas del modelado conceptual y la definición de un modelo conceptual: 
• Se trata de pasar de una situación problemática, a través de los requisitos del modelo de una definición de lo que va a ser modelados y cómo
.• Es iterativo y repetitivo,con el modelo está siendo continuamente revisadas a través de-un estudio de modelado.
• Es una representación simplificada del sistema real.
• Es independiente del modelo de código o software, mientras que el diseño del modelo incluye tanto el modelo conceptual y el diseño delc ódigo (Fishwick, 1995).
• La perspectiva del cliente y el modelador son  importantes en el modelado conceptual.   Es evidente, sin embargo, que un acuerdo completo no hace existen más de estas facetas.

  1. REQUISITOS
La perfección se alcanza no cuando no hay nada más queañadir, sino cuando no queda nada para llevar. "Antoinede Saint-Exupéry”. Los  requisitos generales para la eficacia (conceptual) de los modelos de acuerdo general en que la necesidad de desarrollar el modelo más simple posible (Robinson, 1994). Simple modelos tienen una serie de ventajas. Pueden ser desarrollado más rápido, son más flexibles, requieren menos datos, correr más rápido,y es más fácil de interpretar los resultados ya que la estructura de el modelo se entiende mejor (Innis y Rexstad 1983;Ward, 1989; Sal 1993; Chwif et al. 2000). A medida que aumenta complejidad estas ventajas se pierden.

  1. Como desarrollar modelos conceptuales
El requisito general para desarrollar modelos simples pone de relieve una consideración importante en el diseño de un modelo conceptual. Requisitos de modelado de proporcionar una guía como si un modelo conceptual es apropiado. Sin embargo, describe cómo un modelador pueda hacer para determinar cuál es el modelo conceptual debe ser en un estudio de simulación. Entonces, ¿qué ayuda se ofrece en la simulación yl a literatura de modelado para guiar  en el diseño del modelo conceptual?

  1. Principios de Modelado
Proporcionar un conjunto de principios rectores para el modelado es un acercamiento a los modeladores de asesorar a la simulación sobre la forma de desarrollar modelos. Por ejemplo, Pidd (1999) describe seis principios de modelado: 
• Modelo simple
• Empezar y anadir poco a poco.
• Divide y vencerás, evitar megamodelos
• Uso de metáforas, analogías y similitudes
• No caer en amor con los datos

  1. Métodos de simplificación
La simplificación consiste en eliminar el alcance y detalle de un modelo o representación de los componentes más simples, mientras que mantener un nivel suficiente de precisión. En Zeigler(1976) estos términos se podría describir como más de la formación de grumos del modelo globalizado. Esto es lo contrario de la pequeña comienzo y añadir principio.

  1. Marcos de modelado
Un marco de modelos va más allá de la idea de orientar principios y métodos de simplificación de los modelos por brindando una serie de pasos específicos que guían un modelador a través del desarrollo de un modelo conceptual.

  1. Representacion y comunicacion de un modelo conceptual.
Modelado conceptual no sólo requiere que el modelador elabora un modelo adecuado, sino que todas las partes involucradas en un estudio de simulación deben entender e inmiscuirse en ese modelo. Sin esto, la credibilidad del modelo sería significativamente comprometida y con ello las posibilidades de éxito y los resultados del estudio de simulación. Como tal, es importante que el modelo conceptual se representa y la comunicación  sea comprensible para todos. En los términosd e Nance (1994), esto requiere la expresión de los trastornos mentales el modelo conceptual del modelador como un modelo comunicativo.

6 Validación del Modelo Conceptual
La necesidad de la validación del modelo conceptual es bien documentado (por ejemplo, Sargent 2004; Robinson 2004). Esto implica comprobar que el modelo conceptual es suficientemente exacto para el fin previsto. La dificultad radica en la definición de métodos para realizar esta validación.

  1. LA ENSEÑANZA DE MODELADO CONCEPTUAL
Wang y Brooks (2006) proporcionan alguna evidencia empíricapara mostrar cómo los modeladores principiantes, en este caso los estudiantes, puesto iluminado TLE esfuerzo en el modelado conceptual, a expensas de lael tiempo dedicado a la realización del modelo. Los expertos, por su parte,poner mucho más énfasis en conseguir el modelo adecuado estructura.

  1. OTRAS CUESTIONES EN MODELADO CONCEPTUAL
Aparte de los temas tratados anteriormente, una serie de otros pro-blemas en el modelado conceptual puede ser visto como importante.Estas áreas de cobertura, tales como: fomentar la creatividad en el modelo-ción, creación rápida de prototipos para el desarrollo del modelo, el grupo dela construcción de modelos y la facilitación, desarrollo iterativo deel modelo conceptual a través del ciclo de vida de un proyecto de simulación-ción, y el papel de los datos en el modelado conceptual.Todos estos desafíos actuales para la investigación.

  1. RESUMEN DE LAS NECESIDADES DE INVESTIGACIÓN
La discusión anterior Identificación entifies un conjunto de cuestiones que debenser abordados con el fin de desarrollar el campo de conceptualmodelos para la simulación (y modelar de manera más general).Estos temas incluyen: 
• Desarrollo de un consenso sobre la definición de unmodelo conceptual / modelado conceptual.
• Identificar los requisitos de un marco conceptualmodelo.
• Desarrollo de métodos para el diseño conceptuallos modelos, incluidos los principios de modelado, los métodos desimplificación y marcos de modelado.
• Avanzar hacia los métodos estándar para representar-ción y la comunicación de un modelo conceptual.
• Desarrollo de procedimientos para la validación de un modelo conceptual.
• La investigación de medios eficaces para la enseñanza del artedel modelado conceptual.

  1. Continuar adelante
Con el fin de mover el campo hacia adelante, parece útil tener un esfuerzo concertado con una comunidad de trabajo de investigaciónción en estos temas de una manera coordinada. Esto ha sido falta en el pasado cuatro decadas, con la posible excepción de la obra más reciente en el dominio militar durante el verano y otoño de Interoperabilidad de simulació.. Una comunidad para identificar necesidades de investigación y trabajar en proyectos específicos, se reúnen para discutir ideas y resultados, e informar de ellas a la simulación en general y de la comunidad gregando combustible. En general se cree que la investigación en modelo conceptual puede proporcionar beneficios tanto para principiantes como expertos modeladores.
Los modeladores principiantes pueden obtener importantes beneficios de la obtención de habilidades de modelado más rápido, por lo tanto pueden evitar algunos errores de modelado. Los expertos se beneficiarían de tener un proceso más formal para la orientación de su modelo,d y epender menos de la intuición esperanzada y más en la práctica guiada


Tomado de: CONCEPTUAL MODELING FOR SIMULATION: ISSUES AND RESEARCH REQUIREMENTS, Stewart Robinson, Warwick Business School, University of Warwick, Coventry, CV4 7AL, UNITED KINGDOM

RESUMEN PAER: SPREADSHEET SIMULATION


RESUMEN PAER: SPREADSHEET SIMULATION

SIMULACION EN UNA HOJA DE CÁLCULO

RESUMEN
Se refiere a la implementación de una hoja de cálculo como  plataforma para representar los modelos de simulación y realizar experimentos de simulación. Se nombran en el documento algunas razones para utilizar esta plataforma como herramienta de  simulación, porque es una forma eficiente de construir modelos de simulación y su respectiva ejecución, se describe cómo configurar una simulación en una hoja de cálculo y finalmente se examinan algunas de las limitaciones en el uso de hojas de cálculo para la simulación.

1 Introduccion

Una simulación es un experimento de muestreo que se puede realizar en un computador (Fishman 1996). El núcleo de una simulación (estocástica) es un modelo que involucra cantidades cuyos valores son impredecibles y por lo tanto se deben tomar muestras de una población apropiada. El modelo se representa mediante un programa que muestra las variables aleatorias, realiza los cálculos del modelo e informa de los resultados. Todos los modelos de simulación se ajustan a esta descripción. La hoja de cálculo como herramienta de simulacion implica el uso de un modelo, toma de muestras, llevar el modelo y los datos al computador y reportar los resultados.

2 ¿Por qué usar una hoja de cálculo para la simulación de un Modelo?

Vamos a utilizar la plataforma de simulacion térmica, que se refieren al software utilizado para desarrollar, probar y ejecutar una simulación y/o experimento del medio ambiente. En primer lugar, vamos a examinar con lo que se debe contar para hacer una simulación en la plataforma:

  1. Una forma de representar matemática y lógicas relaciones entre las variables en el computador es asignando  valores a los algoritmos que describen cómo hacer una serie de cálculos
  2. Una manera de generar distribuciones aleatorias uniformemente distribuidas es utilizarlos para observaciones de la muestraa  partir de distribuciones diferentes.
  3. Un medio para repetir los cálculos del modelo, por lo tanto la aplicación de repeticiones. Esta lista es mínima, pero estos son capacidades necesarias para la plataforma que se utilizará para la simulación. Las siguientes características también están disponibles en la mayoría de las hojas de cálculo para que el proceso sea mas rápido y fiable:
1. Un gran número de funciones para hacer matemática, estadística, base de datos, fecha / hora, financiera y demás cálculos.
2. Representaciones de base de datos y acceso a bases de datos.
3. Trazar gráficos.
4. Pantalla y funciones de documentación, tales como fuentes, colores y formas geométricas para mejorar la presentación.
5. Automatización a través de lenguajes de scripting como VBA (en el caso de ExcelTM).

3. Cuándo hay que usar una hoja de cálculo para hacer una simulacion?

Ciertas situaciones de modelado se prestan muy bien a la implementación de una hoja de cálculo. De hecho, cualquier conjunto de cálculo puede ser considerado como un modelo. Por lo general, estos modelos tienen parámetros o variables cuyos valores son verdaderos valores desconocidos y se asumió lo que se utiliza.

4 ¿Cómo configurar una hoja de cálculo para hacer una simulacion?

Las células en un modelo de hoja de cálculo se pueden clasificar por su contenido:
• Entradas para el modelo. Estas células pueden contener parámetros que forman parte del modelo, como la unidad de los costos o la demanda media. El contenido puede ser también valores de las muestras de las variables aleatorias que represienten cantidades inciertas en el modelo como demanda o el precio pagado, o que puede suponerse valores de los parámetros desconocidos cuando uno está haciendo un análisis de sensibilidad.
• Los cálculos intermedios. Estas células contienen fórmulas que tienen los cálculos que definen el modelo. Por ejemplo, en un modelo de inventario, que pueden calcular los niveles de inventarios o carteras al final de cada período. Estos cálculos pueden definir las transformaciones que convierten las entradas del modelo a las salidas.
• Los resultados del modelo. Estas células contienen las observaciones relativas a las cantidades de interés que se busca a partir del modelo. Por ejemplo, en un inventario elmodelo esta a partir de las observaciones que podrían ser los costos realizados durante cada período.

5 Simulacion

Complementos para hojas de cálculo. El proceso de desarrollar y ejecutar una simulación en una hoja de cálculo se puede simplificar tanto mediante uno de los paquetes disponibles en ExcelTM. @ RISKTM y Bola de CristalTM

6 Cuando no se debe utilizar una hoja de calculo para realizar una simulacion?

Las hojas de cálculo son herramientas poderosas y convenientes para la simulación de modelados, pero tienen cuatro importantes limitaciones.
(1) Sólo las estructuras de datos simples están disponibles en hojas de cálculo.
(2) algoritmos complejos son difíciles de implementar.
(3) Las hojas de cálculo son más lentas que otras alternativas.
(4) El almacenamiento de datos es limitada.

7 Conclusiones

Los modelos de simulación se utiliza sólo en un porcentaje muy pequeño de las situaciones en las que pueden proporcionar información valiosa para la toma de decisiones. A veces, los gerentes o analistas no están familiarizados con software de simulación especializado. Las hojas de cálculo proporcionan una plataforma de fácil uso para la simulación de que ya está en elescritorio de todos los analistas, ingenieros, gerentes, administradores y otros que necesitan para modelar y simular problemas. Desde hojas de cálculo tienen funciones de gran alcance para hacer sofisticados cálculos y características excelentes gráficos para la visualización de los resultados, pueden ser utilizados en el proceso, desde analizar los datos de entrada para desarrollar el modelo para analizar y presentar los resultados de la simulación.

Si el modelo ya está implementado en una hoja de cálculo,los gerentes pueden experimentar con el modelo y evaluar alternative sin tener que involucrar a los especialistas de la simulación. Las simulaciones no tiene porque ser extensas. Ellas son diseñadas para proporcionar estimaciones para mostrar de manera general el comportamiento del sistema. Esto sucede a menudo de modelos financieros. Estos modelos por lo general se puede implementar más eficientemente en una hoja de cálculo. Problemas de simulación para el que las hojas de cálculo son una plataforma útil también incluyen modelos de prototi poque son relativamente pequeños y diseñados para proporcionar una prueba dec oncepto. La simulación es una herramienta útil para hacer una sensibilidad de análisis de cualquier modelo que tengan parámetros desconocidos o de valides por cambiar. Hojas de cálculo comerciales y libre siguen siendo desarrollado. Las futuras versiones, sin duda, permitirán mayores hojas de cálculo y realizaran cálculos de manera más eficiente. Como potencia de cálculo sigue creciendo, las limitaciones a la simulación de la hoja de cálculo se estarán eliminado y esta plataformas esrá aún más atractiva.

Tomado de: SPREADSHEET SIMULATION Andrew F. Seila Terry College of Business The University of Georgia Athens, GA 30602-6273, U.S.A