UNIDAD 3.

CONSTRUCCIÓN DE MODELOS DE SIMULACIÓN

La simulación como tal es un proceso y en general consta de las siguientes
etapas.
Definición del sistema:
Para tener una definición exacta del sistema que se desea simular, es necesario
hacer primeramente un análisis preliminar de éste, con el fin de determinar la
interacción con otros sistemas, las restricciones del sistema, las variables que
interactúan 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.
Formulación del modelo:
La simulación como tal es un proceso y en general consta de las siguientes
etapas.

•    Definición del sistema:

Para tener una definición exacta del sistema que se desea simular, es necesario
hacer primeramente un análisis preliminar de éste, con el fin de determinar la
interacción con otros sistemas, las restricciones del sistema, las variables que
interactúan 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.
Colección de datos:
Es importante que se definan con claridad y exactitud los datos que el modelo va a
requerir para producir los resultados deseados.

•   Implementación del modelo en la computadora:

Con el modelo definido, el siguiente paso es decidir si se utiliza algún lenguaje
como el fortran, algol, lisp, etc., o se utiliza algún paquete como Vensim, Stella y
iThink, GPSS, simula, simscript, Rockwell Arena etc., para procesarlo en la
computadora y obtener los resultados deseados.
Validación:
A través de esta etapa es posible detallar deficiencias en la formulación del
modelo o en los datos alimentados al modelo. Las formas más comunes de validar
un modelo son:
1. La opinión de expertos sobre los resultados de la simulación.
2. La exactitud con que se predicen datos históricos.
3. La exactitud en la predicción del futuro.
4. La comprobación de falla del modelo de simulación al utilizar datos que hacen
fallar al sistema real.
5. La aceptación y confianza en el modelo de la persona que hará uso de los
resultados que arroje el experimento de simulación.
Experimentación:
La experimentación con el modelo se realiza después que éste haya sido validado.
La experimentación consiste en generar los datos deseados y en realizar un
análisis de sensibilidad de los índices requeridos.

Interpretación:
En esta etapa del estudio, se interpretan los resultados que arroja la simulación y
con base a esto se toma una decisión. Es obvio que los resultados que se
obtienen de un estudio de simulación ayudan a soportar decisiones del tipo semi-
estructurado.
Documentación:
Dos tipos de documentación son requeridos para hacer un mejor uso del modelo
de simulación. La primera se refiere a la documentación del tipo técnico y la
segunda se refiere al manual del usuario, con el cual se facilita la interacción y el
uso del modelo desarrollado.

3.2 “EJEMPLO DE UNA SIMULACIÓN TIPO MONTE CARLO, EN UNA HOJA

DE CÁLCULO”
Historia y acepciones
 Su origen se remonta al trabajo de von NEUMANN y Ulan a finales de los
40
 La técnica es vieja, pero fue revivida y nombrada en un trabajo secreto en
los ALAMOS
 Se ha vuelto sinónimo de simulación
Dos acepciones:
• Generador de números aleatorios usando distribución de probabilidad
• Elevado número de repeticiones para evitar la incertidumbre probabilística

La simulación de Montecarlo es un método enfocado en la resolución de

problemas de carácter matemático a través de un modelo estadístico que consiste
en generar posibles escenarios resultantes de una serie de datos iniciales.
Generador de distribuciones de probabilidad
El modelo es más útil si se puede usar una distribución teórica
Los datos empíricos deben comprobarse para ver si se ajustan a una distribución
conocida
Reducción de incertidumbre probabilística
Al tratarse de un modelo estocástico
El experimento es necesario realizarlo un número elevado de veces >500
Depende del caso en cuestión y de la serie de números aleatorios que se genere y
del número de variables aleatorias del problema
El experimento podrá detenerse cuando la media aritmética y la varianza se
estabilice

Ventajas de utilizar el método de simulación Monte Carlo

 Genera múltiples posibilidades de escenarios futuros, por lo que nos
ayuda a entender qué puede pasar y tendremos una estimación del
rendimiento del proyecto o inversión.
 Cuando lo utilizamos en sistemas de trading, nos puede ayudar a darnos
cuenta de que el sistema no es útil o va a dejar de serlo.
 Permite analizar el riesgo de la inversión, ya que obtendremos
aproximaciones de las probabilidades de éxito y fracaso.
Desventajas de utilizar el método de simulación Monte Carlo
 Si el sistema opera con datos que no se han llegado a actualizar con
respecto a la situación actual, puede que las conclusiones finales que
saquemos no sean correctas.
 En casos donde la relación entre variables pueda modificar el resultado final
del proyecto o inversión, la simulación de Montecarlo no nos va a ser de
ayuda, ya que no tiene en cuenta la dependencia entre los datos.
 En muestras poco representativas no tiene sentido aplicarlo, ya que los
resultados finales serán tan poco fiables como la muestra inicial.

3.2.1.- DESCRIPCIÓN Y CONCEPTUALIZACIÓN DE LA SIMULACIÓN,

ESTABLECER EL PROBLEMA, ESPECIFICACIÓN DEL OBJETIVO (S),
DEFINICIÓN DE INDICADORES, SIMULACIÓN Y DETERMINACIÓN DE LA
MUESTRA.

Simulación
Es la construcción de modelos informáticos que describen la parte esencial del
comportamiento de un sistema de interés, así como diseñar y realizar
experimentos con el modelo y extraer conclusiones de sus resultados para
apoyarla toma de decisiones. Se usa como un paradigma para analizar sistemas
complejos. La idea es obtener una representación simplificada de algún aspecto
de interés de la realidad. Permite experimentar con sistemas (reales o propuestos)
en casos en los que de otra manera esto sería imposible o impráctico.
La formulación de los modelos de simulación requiere de la cuantificación de los
parámetros de las variables. Cuando se dispone de datos históricos el proceso
inicia con la recolección de datos a los cuales se les denomina datos en bruto (raw
data) y posteriormente se les organiza en histogramas los que sirven de base para
formular los modelos matemáticos que describen su comportamiento.
Es necesario estimar los valores de los parámetros de dichos modelos y probar su
significación estadística con respecto a la bondad de ajuste de las distribuciones
de probabilidad.
La estimación de parámetros de los modelos estocásticos cae dentro del dominio
de la estadística. Estas acciones son lo que se conoce como evaluación
del modelo.
La etapa final del estudio de simulación consiste en validar el modelo a través del
análisis de los datos simulados y debemos responder a las preguntas ¿qué tan
bien coinciden los valores simulados de las variables endógenas con datos
históricos conocidos, si es que éstos están disponibles? y ¿qué tan exactas son
las predicciones del comportamiento del sistema real hechas por el modelo de
simulación, para períodos futuros? El análisis se lleva a cabo en tres pasos:
 Recolección y procesamiento de los datos simulados.
 Cálculo de la estadística de las pruebas.
 Interpretación de los resultados.
Como se puede inferir, nuevamente tendremos que aplicar los conceptos
estadísticos que se utilizaron en la formulación del modelo.
Obtener las entradas y las salidas, relaciones cuantitativas y cualitativas. Los
datos deben ser convenientemente tratados para que se puedan realizar
predicciones del comportamiento del sistema. Si nos quedamos con los datos
como los obtenemos del sistema real, podemos caer en la mera simulación del
pasado. Si basados en ellos hallamos una función del comportamiento, estaremos
en condiciones de repetir el comportamiento del sistema en el modelo y poder
aplicarlo para realizar estudios sobre el mismo.
Con el modelo definido, el siguiente paso es decir si utiliza algún lenguaje como el
FROTAN, ALGOL, LIPS, etc., o se utiliza algún simulador como PROMODEL,
VENSIM; STELLA, ITHINK, GPSS, SIMULA, SIMSCRIP, ROKCWELL, ARENA,
FLEXSIM, etc. para el procesarlo en la computadora y obtener resultados
deseados
El problema
Formulación y definición del sistema
Se inicia en la administración de la empresa. Quién sabe que tiene un problema,
pero no sabe definirlo.
1. La formulación del problema no se hace una sola vez, se hace a través de todo
el proyecto.
2. Se define los objetivos del estudio (objetivos y metas).3. Se define el sistema a 
estudiar.
4. Se define los límites del sistema, sus alcances y limitaciones (restricciones de la
abstracción).
5. Se especifica el diagrama de flujo lógico.
Problemas, Objetivos y Metas
Problema.
•Alguna amenaza, incremento de costos, información desconocida, riesgoso
contradicciones. Se plantea como un conjunto de síntomas, aún no se conoce las
causas.
Objetivo.
•Resolver el problema o cómo resolver el problema.
•El objetivo no es conocer las causas del problema. Se orienta a la solución del
problema.
Meta
•Conjunto de actividades para lograr el objetivo planteado.
Por lo general se puede medir

2. Recolección de datos
Recolección de datos
• Se recopila datos de la realidad con la finalidad de estimar las variables y
parámetros de entrada.
• Se debe decidir:
– Cómo recopilar la información
– Qué datos se necesita y si son importantes.
• En caso de tener variables aleatorias:
–Identificar la distribución de frecuencias.
–Verificar si la distribución no cambia en el tiempo.
–Validar la sensibilidad del modelo ante diferentes distribuciones de probabilidad.
3. El modelo
Formulación del modelo
• Es la reducción o abstracción del sistema real a un diagrama de flujo lógico,
donde se identifican los elementos, las variables y los eventos importantes para
cumplir el objetivo del estudio.
• Se define el nivel de detalle del estudio (o nivel de simplificación).
– Un modelo detallado puede implicar mucho tiempo en su implementación.
– Un modelo simplificado no le va ha permitir lograr el objetivo planteado.
4.Verificación
Verificación y Validación
•Es el proceso de llevar a un nivel de confianza del usuario referente a cualquier
inferencia acerca de un sistema es correcta.
•Pero no se puede probar si un simulador es correcto o “verdadero”.
• Lo que importa es la utilidad operativa del modelo y no la verdad de su
estructura.
•No existe la “prueba” de validación de un modelo.
• Se hacen pruebas a lo largo de su desarrollo:
–Validar la sensibilidad del modelo.
–Prueba de las suposiciones.
–Prueba de transformaciones E-S
Verificación
•Para asegurar que el modelo se comporta de la manera que el experimentador
desea.
• Se verificar si el modelo está correctamente construido.
•Se verifica si el modelo se ha construido de acuerdo a las especificaciones.
• Se realiza por inspección a lo largo del proyecto
5.Validacion
• Prueba la concordancia entre el desempeño del modelo y el desempeño del
sistema real.
• Examina el ajuste del modelo a cierto dato empírica.
• Un bueno modelo es aquel que se ajusta mejor a los datos y por lo tanto se
puede usar para predecir la realidad.
• Todos los modelos de simulación corresponden a hipótesis sujeta a validación.

6. Experimentación
•Una vez validado el modelo se realiza la experimentación que consiste en
generar los datos deseados y realizar el análisis de sensibilidad de los índices
requeridos.
• El análisis de sensibilidad consiste en variar los parámetros del sistema y la
observación del efecto en la variable de interés Planeación Estratégica
•Se relaciona a cómo diseñar y experimentar con el modelo de simulación, con la
finalidad de:
– Reducir el número de pruebas experimentales.
– Proporcionar una estructura para el proceso de aprendizaje del investigador.
• Los objetivos de la experimentación son:
– Encontrar la combinación valores de parámetros que optimizan la variable de
interés.
– Explicar la relación entre la variable de interés y las variables controlables.
• La experimentación ayuda a conocer el sistema materia de la simulación.

7. Implantación
Implantación
Para que un proyecto de simulación sea exitoso se deben dar 3 condiciones:
• Sea aceptado, entendido y usado
3.2.2 CARACTERIZACION DE CADA INDICADOR: AGRUPAMIENTO DE
DATOS, GRAFICAS Y ESTIMACION DE PARAMETROS.

Método Secuencial Indicador.

Desarrollado por Alabert (1987) y Journel (1989). Es el caso correspondiente a la
simulación de indicadores anidados usando el método secuencial.
En particular si se considera un solo indicador debido a que toma valores sólo de 0
y 1, la distribución condicional se reduce su valor esperado condicional, que en
general es no conocido.
Alabert y Journel propusieron usar en su lugar la estimación mediante kriging
simple del indicador, la cual preserva la media y la covarianza de la FA que
comparado con el método de condicionamiento estándar tiene la ventaja de
producir simulaciones binarias que reproducen el histograma de la FA.
Un nuevo valor simulado se obtiene a partir de la FDP estimada usando los
valores observados (datos) y los valores previamente simulados en una vecindad
del punto.
En dependencia de cómo se estime la función distribución de probabilidad, existen
dos métodos secuenciales:
• Secuencial Indicador
• Secuencial Gaussiano.
Usa el Kriging indicador para estimar la función de distribución de probabilidad
local.
Requiere del modelo del semivariograma para cada valor de corte especificado
por el usuario o como alternativa más eficiente pero menos precisa del
semivariograma obtenido para el valor de corte correspondiente a la mediana.
• Permite mezclar fácilmente datos duros con suaves.
• Es un algoritmo muy eficiente
 • Su principal dificultad estriba en los problemas de relación de orden del
Kriging de los indicadores. Como alternativa se toma en cuenta la
correlación cruzada de los indicadores (co-simulación de los
indicadores).
• Otro problema es que la calidad de la simulación es sensible al tamaño
de la vecindad empleada por el kriging, usualmente demasiado
pequeña.

3.2.2AUMENTAR EL TAMAÑO DE LA SIMULACIÓN Y REPETIR

3.2.4.- ESTABLECER EL EFECTO SOBRE LA VARIABILIDAD DE UN

ESTIMADOR TIENE EL TAMAÑO DE LA SIMULACIÓN.

La Simulación de Monte Carlo es una técnica que permite llevar a cabo la

valoración de los proyectos de inversión considerando que una, o varias, de las
variables que se utilizan para la determinación de los flujos netos de caja no son
variables ciertas, sino que pueden tomar varios valores.
1. La estimación de las variables
 Aplicación: En primer lugar, hay que seleccionar el modelo matemático que
se va a utilizar.
 Valor Actual Neto (VAN)Tasa Interna de Rentabilidad (TIR)Según el valor
obtenido para estos métodos de valoración se tomará la decisión de si el
proyecto es rentable y se lleva a cabo, o no. identificar las variables cuyo
comportamiento se va a simular (X)Es decir, aquellas que se consideran
que no van a tomar un valor fijo, sino que pueden tomar un rango de
valores por no tratarse de variables ciertas Si no se tuvieran en cuenta
dichas interrelaciones, y se simularan las variables de forma independiente,
se estaría incurriendo en un error en los resultados obtenidos, y se reduciría
la variabilidad de los resultados al tener lugar el efecto de compensación en
la interacción de las variables.
 2. Estimación del tamaño de la muestra Para determinar el tamaño de la
muestra, se empieza utilizando un número no demasiado elevado, que se
sustituirán en el modelo matemático seleccionado, y se calculará la media y
la desviación típica correspondiente al mismo. Metodología de cálculo La
 aplicación del método de Monte Carlo para valorar inversiones plantea dos
aspectos fundamentales; la estimación de las variables y la determinación
del tamaño de la muestra. Simular la realidad a través del estudio de una
muestra, que se ha generado deforma totalmente aleatoria. Resulta, por
tanto, de gran utilidad en los casos en los
 que no es posible obtener información sobre la realidad a analizar, o
cuando la experimentación no es posible, o es muy costosa.
 -Una vez identificadas las variables que se van a simular, hay que
determinar la función de densidad de probabilidad f(x) asociada a cada una
de ellas.
 - Posteriormente, se obtendrán las funciones de distribución asociadas a las
variables (o variable).
 Z = f(x), donde "x" es la variable desconocida a simular- A continuación, se
sustituyen los valores simulados en el modelo matemático para ver el
resultado obtenido para las simulaciones realizadas.
-Posteriormente, se agrupan y clasifican los resultados. Se comparan los casos
favorables, con los casos posibles, y se agrupan por categorías de resultados.
- Para finalizar, se lleva a cabo el análisis estadístico y de inferencia sobre el
comportamiento de la realidad, siendo interesante calcular la media, la varianza y
la desviación típica.
- Procedimiento aditivo: se parte de un número inicial de simulaciones (n), y se
calcula la media y la desviación típica del modelo matemático utilizado.
-Se calcula la media y la desviación típica del modelo matemático utilizando para
ello un número de simulaciones que asciende a "2n".
Ejemplo:
Paso 1: Tamaño del bloque de simulaciones "n".
Paso 2: Tamaño del bloque de simulaciones "n+n = 2n". Si no hay convergencia,
entonces paso 3, sino finalizar.
Paso 3: Tamaño del bloque de simulaciones"2n+n = 3n". Si no hay convergencia,
entonces
paso 4, sino finalizar. Y así, sucesivamente hasta alcanzar la convergencia. -
Procedimiento multiplicativo: se parte de un número inicial de simulaciones (n), y
se calcula la media y la desviación típica del modelo matemático utilizado. A
continuación, se procede a añadir un número de nuevas simulaciones equivalente
a las acumuladas hasta ese momento, de tal forma que ahora se calcula la media
y la desviación típica del modelo matemático utilizando.
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 método más
perfecto.
Ejemplo:
Paso 1: Tamaño del bloque de simulaciones "n".
Paso 2: Tamaño del bloque de simulaciones"2xn = 2n". Si no hay convergencia,
entonces paso 3, sino finalizar.
Paso 3: Tamaño del bloque de simulaciones"2x2n = 4n". Si no hay convergencia,
entonces paso 4, sino finalizar.

3.3.- DEFINICIONES: REPLICA, CORRIDA, ESTADO TRANSITORIO, ESTADO

ESTABLE, CONDICIONES INICIALES, RELOJ DE LA SIMULACIÓN.

Estado estable: Una variable está en estado estacionario (estable) si su valor

esperado es el mismo durante el período de tiempo que estamos considerando.
Una simulación está en estado estacionario si todas sus colas lo están. El estado
estacionario es alcanzado luego de un período de tiempo llamado período
transitorio inicial (run-in).
Reloj de Simulación: Es el contador de tiempo de la simulación, y su función
consiste en responder preguntas tales como cuánto tiempo se ha utilizado el
modelo de la simulación, y cuanto tiempo en total se requiere que
dure esta última. Existen dos tipos de reloj de simulación: el reloj de
simulación absoluto, que parte del cero y termina en un tiempo total disimulación
definido, el reloj de simulación relativo, que solo consiste en el lapso de tiempo
que transcurre entre dos eventos.
Por ejemplo: El tiempo de proceso de una pieza es relativo, mientras que el
tiempo absoluto sería el global: desde que la pieza entro a ser procesada hasta el
momento que terminó su proceso.
Replica
¿Qué es una réplica? Copia exacta o muy similar.
Función de las réplicas; se presentan con la finalidad de obtener estadísticas de
intervalo que nos den una mejor ubicación del verdadero valor de la variable bajo
los diferentes escenarios que se presentan al modificar los números pseudo
aleatorios en cada oportunidad. Disminuir el error de la simulación Importancia de
las réplicas en simulación. De esta manera se obtiene una relación entre el
número de réplicas y la precisión de la estimación, de manera que entre más
replicas se tengas más preciso será el modelo.
Tipos de réplicas
Muestreo antitético: es inducir una correlación negativa entre los elementos
correspondientes en las series de números aleatorios utilizados para generar
variaciones de entrada en réplicas diferentes.
Corridas comunes: El objetivo principal es iniciar nuevas corridas de simulación
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 comparación de dos o más alternativas.
Muestreo Clasificado: Esta técnica se apoya en un resultado parcial de una
corrida, clasificándolo como interesante o no interesante, en caso de ser
interesante se continúa con la corrida en caso contrario se detiene la corrida.
Variaciones de control: Este método utiliza aproximaciones de modelos
analíticos para reducir la varianza. Muestreo estratificado: En esta técnica la
función de distribución se divide en varias partes, lo más homogéneas posibles
que se resuelven o ejecutan por separado; los resultados obtenidos se combinan
para lograr una sola estimación del parámetro a analizar.
Muestreo sesgado: Consiste en distorsionar las probabilidades físicas del
sistema real, de tal forma que los eventos de interés ocurran más frecuentemente.
Los resultados obtenidos presentarán también una distorsión que debe corregirse
mediante factores probabilísticos de ajuste.
¿Cómo estimar en simulación el número de Replicas en ProModel?
Para estimar el número de corridas necesarias debe realizarse un número de
corridas de manera preliminar, por ejemplo, de 30 a 50.
Esto se hace a través del menú de ProModel SIMULATION/OPTIONS lo que dará
lugar a que se despliegue un cuadro de diálogo en el cual se agregará el número
de corridas elegido en el campo "number of replications".
Ahora bien, antes de emplear la fórmula para estimar el número de corridas debes
elegir la variable de respuesta sobre la cual realizarás este análisis. 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 utilización de
máquinas o estaciones de trabajo (% utilization), etc.
Todo depende del objetivo del estudio que se está realizando y en función de lo
que se desea mejorar.
A partir de que se elige la(s) variable(s) de referencia para el análisis se recabará
del reporte general ponderado la media y desviación estándar obtenida en esa
variable en particular, los cuales serán respectivamente los valores de X (la media)
y σ (la desviación estándar) a sustituir en la siguiente fórmula:
Si el número de corridas obtenido de la fórmula se cubrió con el número de
corridas preliminares significa que ya no es necesario hacer más corridas; pero si
el número de corridas calculado es superior al que se consideró de manera
preliminar entonces deberán realizarse las corridas que sean necesarias.
Prueba de corridas arriba y abajo
Si tenemos una secuencia de números de tal manera que a cada uno de los
números siga otro mayor la secuencia dada será ascendente (arriba).
Si cada número va seguido por otro menor, la secuencia será descendente (abajo)

Propiedades
Las dos propiedades más importantes esperadas en los números aleatorios son
uniformidad e independencia. La prueba de uniformidad puede ser realizada
usando las pruebas de ajuste de bondad disponibles.
Los números pueden estar uniformemente distribuidos y aun no ser
independientes uno del otro.
Por ejemplo
Una secuencia de números monótonamente se incrementa dentro del rango de
cero a uno esta uniformemente distribuida si la cantidad incremental es constante
para todos. (0, 0.1, 0.2, 0.3, ,0.9)
Es decir, dado una serie de números determinar si son o no aleatorios.
Ahora procedemos a calcular el total de corridas que resulta de la suma de suma
de corrida ascendente con la descendente.
Existen algunos métodos disponibles para verificar varios aspectos de la calidad
de los números pseudoaleatorios. Si no existiera un generador particular de
números aleatorios disponible, se le recomienda al analista usar estos métodos
cuando se realice una simulación. Uno de estos métodos es el método de prueba
de corridas.
Ejemplo
Paso 1:
Se tienen los siguientes números aleatorios
59,12,19,05,59,58,83,18,36,00,61,47,24,41,42,98,23,67,84,43,29,71,88,74,60,10,4
6,23,15,11,78,3
1,11,91,99,57,28,18,32,21,12,95,38,76,07,96,33,63,10,05
De acuerdo al método (prueba de corridas arriba y abajo) se evaluará 59<12,
como no lo es se le signará un signo -. Seguiremos comparando 12<19, ya que si
lo es se le asigna un signo +.
Una corrida se define como una sucesión de eventos similares, precedidos y
seguidos por un evento diferente.
En el ejemplo tendíamos un total de corridas de 33.+
Para el paso 2
se utiliza la siguiente formula donde N número de datos generados

Paso 3
Se define µ = 0.05, entonces
Como µ=0.05 entonces se valida en la fórmula
1-µ/2 el resultado en las tablas de distribución
La validación de rechazo será
Z calculada =0.00 < Z0.475 =0.68

3.4 GUÍA PARA LA ELABORACIÓN DE LA MONOGRAFÍA DEL PROYECTO

¿Qué es la monografía?
Una monografía es un trabajo científico escrito, producto de la investigación
bibliográfica, que estudia en forma exhaustiva un tema claramente delimitado y
que lo desarrolla en forma lógica, con un enfoque metódico, científico, objetivo y a
veces didáctico, y cuyo objetivo final es transmitir el resultado de la citada
investigación.
El informe constituye un documento, resultado de una investigación exploratoria,
seria y amplia, que emplea como fuente la bibliografía existente, y como método la
búsqueda y el análisis bibliográfico.
Los tipos y formas de monografías son variados, como lo son las ciencias y sus
métodos particulares; por ejemplo, una temática relacionada con lo jurídico diferirá
en su tratamiento de otra cercana a la medicina.
La finalidad del artículo de revisión puede ser:
1. Recopilar y anotar, no forzosamente evaluar, los trabajos publicados sobre un
tema determinado en un periodo definido. Antiguamente, esta clase de trabajos
presentaban análisis históricos y la bibliografía se ordenaba por orden cronológico.
Aunque este tipo de revisión es ahora menos corriente, no significa que la historia
de un tema se ha vuelto menos importante y sigue existiendo.
2. Ofrecer una evaluación crítica de los trabajos publicados sobre los últimos
adelantos o sobre una nueva comprensión de un campo o temática en rápida
transformación, y tratar de llegar a conclusiones importantes basadas en esos
trabajos
Guía sugerida para la elaboración de una monografía
1-El tema no debe ser muy amplio o general, sino más bien enfocado (por
ejemplo: Li T regulatorios en alergia alimentaria). Cuanto más delimitado sea el
objetivo, mejor circunscripta estará la bibliografía y más concretas serán las
cuestiones a resolver. El tema debe ser realista en función de la bibliografía
disponible.
2-Realizar una amplia búsqueda bibliográfica, seleccionando los trabajos de mayor
a menor rigor científico y los más actualizados.
3-Enunciar claramente el objetivo (en la introducción).
4-Preparar guion temático o índice: para las revisiones no hay una organización
establecida, por consiguiente, el autor tendrá que elaborar la suya propia. La regla
fundamental es preparar un índice, con un criterio que va de lo general a lo
específico, el cual ayuda a organizar el artículo, lo que es de máxima importancia.
5-Indagar, evaluar y sintetizar la información. Se trata de hacer una
síntesis convincente e ilustrativa de datos, no un acumulo de información.
6-Concluir con la síntesis de lo examinado y plantear los aspectos aun no
dilucidados
Instrucciones de forma
1- La extensión depende del tema y suele ser de libre elección. Como mínimo 20
páginas y un máximo de 50.
2- Fuente y tamaño del texto: Times New Roman o Arial, tamaño 11. Interlineado:
1,5.
3- No utilizar palabras en otro idioma a menos que sean nombres científicos (como
Cryptococcusneoformans) o términos que normalmente se utilizan en inglés (por
ejemplo, primers). Si se utilizan, debe tipearse en itálica (por ej. In Vitro) y se
sugiere realizar un glosario de palabras.
La preparación final del manuscrito se debe editar teniendo en cuenta el
siguiente orden y recomendaciones:
 Primera página: se debe incluir el Título en mayúsculas y centrado, seguido del nombre
completo del autor, institución y motivo por el cual la realiza, lugar y fecha. Nombre
completo del instructor, si correspondiera.
 Índice: debe incluirla introducción y los diferentes ejes temáticos a desarrollar de acuerdo
al guión establecido, las conclusiones y bibliografía citada.
 Abreviaturas: se deben explicitar las abreviaturas en orden alfabético y/o el glosario. En el
texto, las abreviaturas deben definírsela primera vez que se las utilice.
 Introducción: se debe introducir el tema general de forma clara y concisa, suministrando
sus antecedentes más relevantes y dejando establecido la importancia del mismo. Se debe
expresar el objetivo del trabajo. No debe ser extensa. La introducción debe captar el
interés del lector en el tema. Debe escribirse en tiempo presente.
 Cuerpo del texto: incluye el desarrollo de los diferentes ejes temáticos, siguiendo el guión
establecido y siendo coherente con el índice presentado (misma numeración, mismas
páginas, mismas palabras, mismo tipo de letra). Se sugiere el uso de subtítulos para
ordenar el desarrollo. La extensión de esta parte debe ser de aproximadamente el 80% del
documento.
 Tiempo verbal: En general para escribir todo el documento se utiliza el tiempo presente
(ej: Las espondilo artropatías seronegativas son un grupo de enfermedades caracterizadas
por), (ej: “Álvarez demostró que la estreptomicina inhibe el desarrollo de...en aquellos
pacientes.” “Estudios recientes realizados en Nueva Jersey lograron demostrar una
asociación entre...y los anticuerpos anti-Factor VIII10.”
 Tablas y figuras: son elementos útiles para facilitar la comprensión o completar la
información presentada textualmente. Es preferible insertar las tablas y figuras con el
texto correspondiente, pero siempre al final de un párrafo. Siempre aclarar al pie de la
figura o tabla la autoría y referencia de la misma (ej: “Modificado de Fernández L. Y col,
ref22”). Nunca reproducir tablas o tablas con textos en otro idioma recordar que en caso
de artículos de revisión que se envíen a publicación, previamente debe obtenerse el
permiso del editor, lo cual deberá quedar también aclarado al pie de la figura.
 Conclusiones: deben ser claras y concisas, puede destacarse qué nuevos aspectos del
conocimiento no dejan lugar a dudas y cuales aún requieren mayor investigación. Se
pueden incluir aportes u observaciones personales.
 Agradecimientos: si correspondiesen.
 Bibliografía: Debe citarse correctamente, a medida que aparece en el texto y en forma
completa. Para las referencias se utilizan números arábigos entre paréntesis o la opción de
supra índice. Cuando para una misma afirmación existen varias citas y los números
correspondientes a las referencias con salteados, éstos deben estar separados por comas
y cuando son seguidos debe usarse un guion, aclarando sólo el intervalo entre el menor y
el mayor (ej: 2, 5, 7-9.).
 Presentación impresa: utilizar papel de buena calidad y tamaño A4 imprimiendo sólo de
un lado de la página.