LOCALIZACION

Simulacin de Sistemas
UNIVERSIDAD NACIONAL DE SAN

AGUSTN DE AREQUIPA
FACULTAD DE INGENIERA DE PRODUCCIN Y
SERVICIOS
Escuela Profesional de Ingeniera Industrial
APUNTES DE CLASE
SIMULACIN DE SISTEMAS DE EVENTOS

DISCRETOS
Realizado por:
Ing. Efran Rafael Murillo Quispe
AREQUIPA PERU
2010
Ing. Efran Murillo
1.
Introduccin a la
INTRODUCCIN
La simulacin es una tcnica numrica que se aplica a cierta clase de problemas que surgen en
la industria, planificacin de proyectos o en administracin. Como tal es una herramienta ms
que se utiliza en el campo de la investigacin de operaciones.
Es una tcnica que permite representar un sistema real mediante un modelo de simulacin
basado en computadora.
El modelo de simulacin debe imitar el funcionamiento del sistema real de tal forma que se
pueda experimentar alternativas de optimizacin.
Se recurre a la simulacin cuando no existen mtodos analticos que no pueden resolver el
problema. Al simular el funcionamiento de un sistema o mejor dicho el modelo del sistema
nuestro inters, es lograr obtener datos al respecto de su comportamiento frente a distintas
situaciones relevantes.
DEFINICIN
ROBERT SHANNON
La simulacin es el disear y desarrollar un modelo computarizado de un sistema o proceso y
conducir experimentalmente con este modelo con el propsito de entender el comportamiento
del sistema del mundo real o evaluar varias estrategias con los cuales puedan operar el
sistema.
SHUBIK
Es un modelo, dice que la simulacin de un sistema o de un organismo es la operacin de un
modelo lo cual se va a llamar simulador el cual es una representacin del sistema. Este
modelo o simulador estar sujeto a diversas manipulaciones, las cuales seran imposibles de
realizar, demasiado costosas o imprcticas. La operacin de un modelo puede estudiarse y con
ello conocer las propiedades concernientes al comportamiento del sistema o subsistema real
costoso.
Ing. Efran Murillo
QUE INTENTA LA SIMULACION

1. Descubrir el comportamiento de un sistema
2. Postular teoras o hiptesis que expliquen el comportamiento observado
3. Usar esas teoras para predecir el comportamiento futuro del sistema, es decir mirar
los efectos que se produciran en el sistema mediante los cambios dentro de l o en su
mtodo de operacin.
PROPIEDADES DE LOS MODELOS DE SIMULACION
DEFINICION DE MODELO
Modelo es una representacin de un objeto, sistema o idea de forma diferente a la de identidad
misma.
Por lo general el modelo nos ayuda a entender y mejorar un sistema.
El modelo de un objeto puede ser una rplica exacta de este, con la diferencia del material que
lo compone o de su escala, inclusive puede ser una abstraccin de las propiedades dominantes
del objeto.
FUNCIONES DEL MODELO
-
Comparar
Predecir
Ejemplo: La pintura de un paisaje es una rplica de algo que existe. Un carro de madera es la
rplica de un original.
ESTRUCTURA DEL MODELO
El modelo se puede escribir de tal forma:
E = F(Xi, Yi)
Donde:
E: Es el efecto del comportamiento del sistema
Xi: Son las variables y parmetros que nosotros podemos controlar
Yi: Las variables y los parmetros que nosotros no podemos controlar
F: Es la funcin con la cual relacionamos Xi con Yi con el fin de modificar o dar origen a E.
PROPIEDADES DE LOS MODELOS

1. COMPONENTES:
Generalmente son las partes o componentes de un conjunto que forman el sistema o
definen la estructura fsica del sistema.
2. VARIABLES: Relacionan los componentes entre s y pueden ser de tres tipos:
-
Exgenas: Son las variables independientes o de entrada del modelo. Estas se

clasifican en controlables y no controlables. Las controlables estn sujetos a la
Ing. Efran Murillo
manipulacin de quienes toman decisiones por ejemplo la duracin de las fases

del semforo. Las no controlables surgen del medio ambiente, como el
intervalo entre llegada de los vehculos a la interseccin.
-
Endgenas: Son variables dependientes o de salida del modelo como por

ejemplo el tiempo promedio de espera de los vehculos en la interseccin. La
duracin de este tiempo depende evidentemente del intervalo entre llegadas de
los vehculos y los tiempos del semforo.
De Estado: Estas definen el estado del sistema en un tiempo especfico. Su

utilidad es proporcionar la informacin adecuada que permite determinar los
valores de las variables exgenas del problema. Por ejemplo, la variable de
estado tiempo de la llegada de n-simo vehiculo a la interseccin
conjuntamente con los estados del semforo (rojo o verde) nos ayudan a
afirmar si el vehculo se detiene a su llegada a la interseccin o no, y en caso
de detenerse se puede calcular su tiempo de espera.
La naturaleza de cada sistema y el inters particular del investigador en simular su

modelo proveen las pautas para identificar las variables relevantes y definir su
tipo.
3. PARAMETROS:
Son cantidades a las cuales el operador del modelo puede asignarle valores arbitrarios lo
cual se diferencia de las variables. Si el intervalo entre llegada de los vehculos a la
interseccin es una constante h este seria un parmetro.
Los parmetros una vez establecidos se convierten en constantes.
4. RELACIONES FUNCIONALES:
Describen a los parmetros de tal manera que muestran su comportamiento dentro de un
componente o entre componentes de un sistema.
Las relaciones funcionales pueden ser de tipo determinsticos o estocsticos.
- Determinsticas: Sus definiciones que relacionan ciertas variables o parmetros
donde una salida del proceso es singularmente determinada por una entrada dada.
- Estocsticas: Cuando el proceso tiene una salida indefinida, para una entrada
determinada las relaciones funcionales se representan por ecuaciones matemticas
y salen del anlisis estadstico matemtico.
5. RESTRICCIONES:
Estas son limitaciones impuestas a valores de las variables las cuales pueden ser de dos
formas:
-
Autoimpuestas: O sea asignadas por el mismo operador o
Ing. Efran Murillo
-
Impuestas: O sea cuando son asignadas manualmente por el mismo sistema
6. FUNCIONES DE OBJETIVO:
Son las metas del sistema o el como evaluar al sistema, existen retentivas por ejemplo: la
conservacin de tiempo, energa y adquisitivas ejemplo: Ganancia en algo.
CLASIFICACION DE LOS MODELOS
Los modelos se pueden clasificar en forma general, pero los modelos de simulacin se pueden
clasificar en forma ms especfica.
De que forma podemos modelar un objeto o sistema desde lo ms real a lo ms irreal.
VENTAJAS Y DESVENTAJAS DE LA SIMULACION:

VENTAJAS
1. El desarrollo del modelo de un sistema generalmente proporciona mejor conocimiento
del sistema real.
2. La simulacin permite comprimir el tiempo; se pueden evaluar aos de experiencia en
el sistema real en unos segundos de simulacin.
3. La simulacin no interrumpe las actividades del sistema real.
4. La simulacin ofrece una rplica ms realista del sistema que el anlisis matemtico.
5. La solucin responde a preguntas del tipo que pasa si.
DESVENTAJAS
1. Aunque se invierta mucho tiempo y esfuerzo en el desarrollo de un modelo para
simulacin, no hay garantas de que el modelo produzca buenas respuestas.
2. No es posible demostrar los resultados del modelo de simulacin. La simulacin
implica numerosas repeticiones de secuencias que se basan en sucesos generados de
manera aleatoria.
3. La construccin del modelo del sistema puede llevar de unas horas hasta aos-hombre,
dependiendo del sistema que se simular. Los sistemas complejos pueden ser muy
costosos y tardar mucho tiempo.
4. Las simulaciones pueden ser menos precisas que los modelos matemticos, ya que se
basan en cuestiones aleatorias. Si el sistema se puede representar con un modelo
matemtico, es mejor que usar una simulacin.
5. Aunque avanza la tcnica de las simulaciones, an no existe un mtodo normalizado.
Por consiguiente, los modelos del mismo sistema pueden variar si los desarrollan
distintas personas.
La simulacin ms que una ciencia es un arte.
Ing. Efran Murillo
CRITERIOS QUE SE DEBE TENER EN CUENTA PARA QUE UN MODELO DE

SIMULACION SEA BUENO
1.
2.
3.
4.
Fcil de entender por el usuario.

Que tenga el modelo metas y objetivos.
Que el modelo no me de respuestas absurdas.
Que sea fcil de manipular, la comunicacin entre el usuario y la computadora debe
ser sencilla.
5. Que sea completa, tenga por lo menos las partes o funciones ms importantes del
sistema.
6. Que sea adaptable, osea que podamos modificarlo, adaptarlo y actualizarlo.
7. Que sea evolutiva, osea que al principio sea simple y poco a poco empezamos a
volverla compleja dependiendo de las necesidades de los usuarios
ETAPAS DEL PROCESO DE SIMULACIN
Para desarrollar un modelo de simulacin Kelton (2004) recomienda seguir los siguientes
pasos:
1. Definicin del problema: Se debe definir el problema de estudio como primer paso,
adems de delimitarlo y establecer los objetivos que se pretenda alcanzar.
2. Formulacin del problema: Se crea un modelo lgico del sistema. Se debe
considerar la estructura de los datos o restricciones, el tipo de anlisis a llevar a cabo,
el tipo de animacin requerida y la comprensin del software.
3.
Todo proceso de simulacin tiene tres fases: Desarrollo del modelo, Ejecucin del
Modelo y Anlisis de salidas del modelo:
Ing. Efran Murillo
Ejemplo.- Para aclarar el concepto de la simulacin examinamos el siguiente sistema.

Un semforo en una interseccin tiene una fase verde que demora 1 minuto y una fase roja de
0.8 minutos. El intervalo entre llegada de los vehculos al la interseccin es una variable
aleatoria X distribuida exponencialmente con un valor esperado R(X) = 0.2 minutos. Se debe
determinar: a) El tiempo promedio de espera de los vehculos. b) El nmero promedio de los
vehculos en espera durante la fase roja.
Se puede plantear la cuestin en una forma ms til: Determinar el intervalo de la fase roja
que resulte en un tiempo promedio de espera menor o igual a 10 segundos. El investigador
puede variar la duracin de las fases del semforo y simulando lo ocurrido en la interseccin
observar el efecto de los cambios en a) y b).
Para poder simular el funcionamiento de este sistema primero debemos saber cmo generar
los valores de X, y posteriormente la solucin al problema. Por ahora evitando los
procedimientos de generacin suponiendo que X=2 segundos es una constante.
Desarrollamos la siguiente tabla:
Tenemos que examinar lo que sucede con cada vehculo al llegar a la interseccin tomando en
cuenta su tiempo de llegada y la fase en la cual se encuentra el semforo.
En este ejemplo simple se observa que en un perodo de luz roja, 48 segundos, el tiempo total
de espera es siempre igual a:
TE = 46+44+42+...+2=2(23+22+21+...+1)
La sumatoria de la serie es: n(n+1)/2
entonces:
TE = 2(23(24)/2) = 552
El nmero de los vehculos en espera es 23, Por lo tanto el tiempo promedio de espera TP es:
TP =TE/23 =24
Para determinar la duracin de la fase roja del semforo que permitira un tiempo promedio de
espera menor o igual a 10 segundos se repiten los pasos anteriores para valores de R menor
que 0.8 minutos, por ejemplo:
Para R = 0.6
R = 0.4
Ing. Efran Murillo
TP = 18
TP = 12
Cuando X, el intervalo entre llegadas es aleatoria esencialmente se procede como antes para
calcular el valor de las incgnitas en el problema. El aspecto computacin se vuelve tedioso y
exige el uso de medios electrnicos.
PROPIEDADES DEL MODELO
1. Los componentes.- Los vehculos llegando a la interseccin y el semforo.
2. Las variables:
a) Variables Exgenas.- El intervalo entre llegada de los vehculos a la interseccin.
b) Variables Endgenas.- El tiempo promedio de espera de los vehculos.
c) Variables de Estado.- El tiempo de la llegada de n-simo vehiculo a la interseccin y el
estado del semforo (rojo o verde).
3. Los parmetros.- La duracin de las fases del semforo y el tiempo de simulacin.
4. Relaciones funcionales:
Tiempo de espera=R-T
Donde R es el tiempo que termina la fase roja y T es el tiempo de la llegada de un
vehiculo a la interseccin en la fase roja.
Siendo X el intervalo entre llegadas de los vehculos, la funcin de densidad de
probabilidad de X, f(x)=.e.x es una caracterstica de la operacin.
El propsito de simular un modelo es examinar el efecto de los cambios en las variables
exgenas y en los parmetros sobre las variables endgenas. En el problema anterior se
propona estudiar el efecto del cambio en la duracin de la fase roja sobre el tiempo promedio
de espera de los vehculos.
3. DIAGRAMA DE FLUJO EN SIMULACION

Mediante el diagrama de flujo se establece los pasos a seguir en el proceso de simular la
operacin del modelo, las alternativas que pueden surgir en una situacin determinada y los
clculos que se debe realizar. El diagrama de flujo facilita la tarea de la programacin.
Para el problema del semforo (caso estocstico) primero procedemos a definir los smbolos y
posteriormente viene el diagrama de flujo simulando la operacin del modelo durante un siclo
del semforo (Fig.1).
El semforo comienza a funcionar en la fase verde.
X el intervalo entre llegada de los vehculos
T tiempo de llegada de un vehculo a la interseccin
V duracin de la fase verde, 60 segundos
R duracin de la fase roja, 48 segundos
TE tiempo de espera acumulada
K contador de vehculos en espera
TP tiempo promedio de espera
Ing. Efran Murillo
Fig 1. Diagrama de flujo del Problema del Semforo.

En el diagrama de flujo no se detalla la generacin de los valores de la variable aleatoria X.
Por (GENERAR X) se entiende que cada vez que se ejecute este paso, X toma un valor
conforme a la distribucin de probabilidad que lo representa. Como se mostrar
posteriormente se debe utilizar las frmulas correspondientes para reproducir valores de las
variables aleatorias dada su distribucin y sus parmetros.
Para entender mejor el diagrama supngase que primero: X=14, entonces T=14
Significa que el primer vehculo llega 14 segundos despus del comienzo del funcionamiento
del semforo.
T=14<60
Se supone que el siguiente valor de X es 20
T=14+20=34
representa el tiempo de la llegada del segundo vehculo.
T=34<108, T<60
Se supone X=10, T=44<108, T<60
Se supone X=18, T=62<108, T>60
K=1 TE=108-62=46 el primer vehculo que llega en la fase roja y su tiempo
de espera.
De este modo se repite los pasos hasta que T toma un valor mayor que 108 sealando el fin de
la simulacin y la impresin de TE.
Ing. Efran Murillo
2.
10
Modelado de la
Aleatoriedad
VARIABLE ALEATORIA
Dado un experimento aleatorio cualquiera cuyos sucesos elementales posibles pueden
identificarse fcilmente mediante un nmero real, se denomina Variable Aleatoria, X, al
conjunto de estos nmeros.
Tambin se le llama variable de azar o variable estocstica, y significa cantidad que puede
tomar varios valores imprevistos.
Ejemplo 1.- Sea el experimento aleatorio de lanzar un dado al aire. Los posibles resultados del
experimento (sucesos elementales) son los siguientes: <<que salga 1>>, <<que salga 2>>,
<<que salga 3>>, <<que salga 4>>, <<que salga 5>> y <<que salga 6>>. Resulta sencillo
asociar a cada suceso elemental el nmero correspondiente a la cara del dado que haya salido.
Por tanto, la variable aleatoria, X, ser:
X= 1,2,3,4,5,6
Por el contrario, si dado un experimento aleatorio cualquiera no resulta inmediata la
asociacin de un nmero para cada uno de los posibles sucesos elementales, se establece una
correspondencia entre el conjunto de los posibles sucesos elementales y el conjunto de los
nmeros reales, de manera que a cada suceso elemental le corresponda un nmero real
arbitrario y que a sucesos elementales distintos les correspondan nmeros distintos.
Se denomina variable aleatoria al conjunto imagen de esta correspondencia, es decir, al
conjunto de los nmeros reales que se hayan hecho corresponder a cada uno de los sucesos
elementales.
Ejemplo 2.- Sea el experimento aleatorio de averiguar la marca de tabaco que preferir un
individuo entre las posibles marcas: <<X>>, <<Y>>, <<Z>>.
En este caso la asociacin de un nmero para cada suceso elemental posible del experimento
no es inmediata. En consecuencia, se establece una correspondencia entre el conjunto de los
sucesos elementales posibles y el conjunto de los nmeros reales, del modo siguiente:
Ing. Efran Murillo
11
Al suceso elemental <<preferir la marca X>> se le hace corresponder el nmero 1; al suceso

elemental <<preferir la marca Y>> se le hace corresponder el nmero 2; al suceso elemental
<<preferir la marca Z>> se le hace corresponder el nmero 3.
La variable aleatoria X ser: X = (1,2,3).
CLASIFICACIN DE LAS VARIABLES ALEATORIAS

Las variables aleatorias pueden ser continuas o discontinuas. En este ltimo caso se denomina
tambin discretas.
a) VARIABLE ALEATORIA CONTINUA.Si X es una Variable aleatoria continua, puede tomar cualquier valor de un intervalo continuo
o dentro de un campo de variacin dado. Las probabilidades de que ocurra un valor dado x
estn dadas por una funcin de densidad de probabilidad de que X quede entre a y b. El rea
total bajo la curva es 1.
Ejemplo.- Sea el experimento aleatorio consistente en medir la altura que es capaz de saltar
cada miembro de un conjunto de personas. En este experimento, cada miembro del conjunto
observado da lugar a un nmero, por lo que se toma como variable aleatoria el conjunto de las
medidas de las alturas que son capaces de saltar las distintas personas.
En el supuesto que una persona hubiera saltado 105 cm y otra 106 cm, no existira ninguna
razn para que otra no hubiera saltado un valor intermedio cualquiera entre las dos anteriores,
como 105.5 cm. Se trata de una variable aleatoria continua.
b) VARIABLE ALEATORIA DISCONTINUA O DISCRETA.
Se dice que una Variable aleatoria Discreta o Discontinua X, tiene un conjunto definido de
valores posibles x1,x2,x3,..xn con probabilidades respectivas p1,p2,p3,..pn., Es decir que
slo puede tomar ciertos valores dentro de un campo de variacin dado. Como X ha de tomar
uno de los valores de este conjunto, entonces p1 + p2 ++ pn=1.
En general, una variable aleatoria discreta X representa los resultados de un espacio muestral
en forma tal que por P(X = x)se entender la probabilidad de que X tome el valor de x. De
esta forma, al considerar los valores de una variable aleatoria es posible desarrollar una
funcin matemtica que asigne una probabilidad a cada realizacin x de la variable aleatoria
X. Esta funcin recibe el nombre de funcin de la probabilidad.
Ejemplo.- Sea el experimento aleatorio consistente en lanzar una moneda al aire. Los sucesos
elementales del experimento, <<que salga cara>>, <<que salga cruz>>, no vienen
representados por los nmeros, por lo que casa suceso elemental se le hace corresponder un
nmero real. As al suceso elemental <<que salga cara>> se le hace corresponder el nmero
1 y al suceso elemental <<que salga cruz>> se le hace corresponder el nmero 2.
Ing. Efran Murillo
12
La variable aleatoria ser: X = (1,2).

Se trata de una variable aleatoria discontinua o discreta, ya que nicamente puede adoptar los
valores 1 y 2
Distribuciones de probabilidad
Cuando las variables aleatorias toman diversos valores, la probabilidad asociada a cada uno
de tales valores puede ser organizada como una distribucin de probabilidad, la cual es la
distribucin de las probabilidades asociadas a cada uno de los valores de la variable aleatoria.
Las distribuciones de probabilidad pueden representarse a travs de una tabla, una grfica o
una frmula, en cuyo caso tal regla de correspondencia se le denomina funcin de
probabilidad.
Las distribuciones de probabilidad comunes en simulacin son: Bernoulli, Binomial, Poisson,
Geomtrica, Hipergeomtrica, Exponencial, Normal, Triangular, Gamma, Erlang, Lognormal,
Weibull.
A continuacin se presenta 4 casos de distribucin de frecuencias:
Caso 1.
Sea x una variable aleatoria que representa los intervalos de llegada (en minutos) de vehculos
a una estacin de gasolina. Se ha recopilado las siguientes observaciones correspondientes a
los primeros 20 autobuses:
2 5 1 4 2 1 3 7 9 1 3 1 3 8 2 4 5 2 6 1
Se observa que el rango de los datos est entre 0 y 9, por lo tanto se puede establecer 9 clases.
La distribucin de frecuencias de cada clase para esta muestra de datos sera la siguiente:
Se observa que la grfica se aproxima a una distribucin exponencial.

Nota: Si el rango de los datos es muy grande, por ejemplo entre 0 y 100, se aconseja
establecer intervalos de clase.
Ing. Efran Murillo
13
Caso 2.
Sea x una variable aleatoria que representa la demanda en miles de unidades de un producto.
Se ha obtenido los siguientes 20 datos:
3 0
5 1 9 5 2 6 3 4 7 4 10 5 6 4 6 7 5 8
La distribucin de frecuencias respectiva es la siguiente:
Se observa que la grfica se aproxima a una distribucin normal.
Caso 3.
Sea x una variable aleatoria con distribucin uniforme que representa el nmero de asientos
vacos que trae un autobs al llegar a un paradero. Se ha obtenido los siguientes datos para la
llegada de 20 autobuses:
2 7 1 9
6 2 3 7 4 10 4 5 1 9 6 3
8 5 8 10
La distribucin de frecuencias es la siguiente:
Se observa que la grfica corresponde a una distribucin uniforme.
Ing. Efran Murillo
14
Caso 4.
Sea x una variable aleatoria que representa la demanda diaria de un artculo. Se ha obtenido
los siguientes datos para los primeros 20 das:
7 1 5 4 7 2
5 6 7 8 5
7 3 5
7 9 5 3 4
Se observa que la grfica no se aproxima a ninguna distribucin matemtica, por lo tanto se

asume que es una distribucin emprica.
Por lo tanto, la grfica de distribucin de frecuencias relativas nos da una idea de la expresin
matemtica que representar a una variable aleatoria.
En un modelo de simulacin es importante conocer las distribuciones de probabilidad de las
variables aleatorias, ya que a travs de ellas se reproducirn los valores requeridos para imitar
el funcionamiento del sistema en estudio. Para reproducir dichos valores se requiere nmeros
aleatorios, por lo tanto hay que generar primeramente dichos nmeros.
NMEROS ALEATORIOS
Definicin:
Son nmeros que deben de cumplir los requisitos de espacio equiprobable, es decir, que todo
elemento tenga la misma probabilidad de ser elegido y que la eleccin de uno no dependa de
la eleccin del otro.
Para generar nmeros aleatorios hay que recurrir a los nmeros pseudoaleatorios por que
fundamentalmente las sucesiones de nmeros pseudoaleatorios son ms rpidas de generar
que las de nmeros aleatorios.
Nmeros Pseudolaeatorios.- Son unos nmeros generados por medio de una funcin
(determinista, no aleatoria) y que aparentan ser aleatorios.
Criterios para que las secuencias de nmeros pseudoaleatorios sean aceptables:
1. Que sean uniformemente distribuidas
Ing. Efran Murillo
15
2.
3.
4.
5.
Que sean estadsticamente independientes

Que sean reproducibles
Que sean no cclicas o no peridicas
Que el mtodo con el cual se genera sea capaz de generar nmeros aleatorios a altas
velocidades
6. Que sea capaz de ocupar el mnimo espacio en la memoria del computador
Las tcnicas para generar nmeros aleatorios son:
1) Utilizando TABLAS DE NUMEROS ALEATORIOS: APNDICE B
2) Mediante FUNCIONES ESPECIFICAS
2.1 En EXCEL: Aleatorio( )
2.2 En PASCAL: RANDOM
2.3 En Visual Basic: RND( )
2.4 etc.
3) METODO DE CONGRUENCIA LINEAL: Genera nmeros uniformemente
distribuidos y estadsticamente independientes.
Xi+1 = (aXi + c) Mod m
Donde:
Para i=0, entonces Xo es la semilla, a es el multiplicador, c el incremento
constante y m el mdulo.
Ejemplo: para Xo=35, a=13, c=65 y m=100
X1= (13*35+65) mod 100 = 20
X2 = (13*20+65) mod 100 = 25
X3 = (13*25+65) mod 100 = 90
Etc.
4) OTROS
Una serie de nmeros pseudoaleatorios requieren ser validados mediante pruebas de
uniformidad y aleatoriedad. Los nmeros de una serie generada y validada servirn finalmente
para generar valores para nuestras variables aleatorias.
GENERACIN DE VALORES DE VARIABLES ALEATORIAS

1. VARIABLES DISCRETAS
Distribucin Emprica
Distribucin Geomtrica
2. VARIABLES CONTINUAS
Distribucin Exponencial
Distribucin Uniforme
Distribucin Normal
ETC.
Ing. Efran Murillo
16
1. Generacin de Valores de Variables Aleatorias con:
DISTRIBUCIN EXPONENCIAL
Sea t una variable aleatoria que representa los intervalos de llegada (en minutos) de vehculos
a una estacin de gasolina a la cual llegan a una tasa , por lo tanto para simular el sistema
necesitamos generar valores para la variable aleatoria t, la cual sigue una distribucin
exponencial.
El procedimiento es el siguiente:
1 Generar un nmero aleatorio r entre 0 y 1
2 Usar el valor r para resolver la siguiente ecuacin para t:
F(t) = r
1 - e-t = r
e-t = 1 r
t=-
*ln(1 r)
Por lo tanto para el ejemplo especfico que implica los intervalos entre llegadas de vehculos a
la estacin de gasolina, en el que = 12 vehculos por hora (0.2 vehculos por minuto) y se
genera un nmero aleatorio uniforme de, digamos, r = 0.3329, entonces el prximo vehculo
llegar dentro de:
t=-
Ing. Efran Murillo
1
*ln(1-0.3329)= -5*ln(0.6671)= -5*(-0.4048) = 2.024 minutos
0.2
17
DISTRIBUCIN NORMAL
Suponga que necesita generar la demanda D de leche que sigue una distribucin normal con
una media de 750 galones al da y una desviacin estndar de 100 galones. Para hacer eso con
una variable aleatoria normalmente distribuda, con una media de y una desviacin estndar
de , haga lo siguiente:
1 Genere un nmero aleatorio uniforme r entre 0 y 1.
2 Use este valor r para encontrar un valor de t para el que:
F(t) = P(D t) = r
Es decir, encontrar el valor de t para que el rea bajo la distribucin normal a la izquierda de t,
en la figura siguiente, es t. Para hacer esto use la tabla estndar-normal del apndice A para
encontrar el valor asociado; despus calcule t, de la siguiente manera:
z=
As :
t = + (*z)
Para el ejemplo especfico de la leche en el que r= 0.1515, = 750 y = 100, el valor z del
apndice A es aproximadamente -1.03, y as:
z (0.1515) = -1.03
t = 750 + 100*(-1.03) = 647 galones
El uso de nmeros aleatorios para generar entradas probabilsticas a menudo se denomina
simulacin de MonteCarlo. El mtodo obtuvo su nombre durante la Segunda Guerra Mundial
cuando los cientficos usaron nmeros aleatorios para estimar, en un sentido estadstico, las
soluciones a problemas matemticos complejos.
Ing. Efran Murillo
18
Los mtodos descritos aqu no son los ms eficientes disponibles, pero se usan por que son
conceptualmente fciles de comprender. Ahora ver cmo se usan estas ideas en el diseo de
una simulacin por computadora.
DISTRIBUCIN UNIFORME
Uno de los mtodos ms comnmente utilizados para generar nmeros aleatorios que siguen
una distribucin conocida se basa en usar nmeros aleatorios uniformemente distribuidos
entre 0 y 1. Como se ilustra en la figura siguiente, tales nmeros tienen la siguiente
funcin de densidad, f(x), y la funcin de distribucin acumulativa, F(x):
f(x)=1
F(x)=x
Por ejemplo si se quiere generar el nmero de asientos vacos que trae un autobs que llega a
un paradero, los cuales estn uniformemente distribudos entre 5 y 15 asientos, y se tiene
un nmero aleatorio r = 0.7, se tiene:
min = 5
max = 15
r = 0.7
x = 15 - (15 - 5)*(1 r)
x = 15 - (10)*(1 r) = 15 - 10(1 0.7) = 15 - 10(0.3) = 15 - 3 = 12
Entonces se tiene que el autobs trae 12 asientos vacos.
Nota: Tambin podemos utilizar la frmula siguiente: min + (max min)*( r), los valores
generados no coinciden en cuanto al orden, pero al final todos los nmeros saldrn con
la misma frecuencia.
Ing. Efran Murillo
19
DISTRIBUCIN EMPRICA
Pasos:
1 Tomar muestra lo suficientemente grande de los valores de la variable aleatoria (mnimo
30 observaciones)
2 Clasificar en rangos.
3 Determinar frecuencia asociada a cada rango.
4 Calcular el porcentaje o probabilidad correspondiente.
Ejemplo: Sea x una variable aleatoria que representa los intervalos de llegada de los
vehculos a un semforo. Los 30 datos observados del sistema real son los siguientes:
Observacin
1
2
3
4
5
6
7
8
9
10
x
2
4
5
2
3
4
2
4
5
5
Observacin
11
12
13
14
15
16
17
18
19
20
x
4
2
3
4
5
3
4
5
4
3
Observacin
21
22
23
24
25
26
27
28
29
30
x
2
1
1
3
2
4
1
3
2
4
Las probabilidades de ocurrencia de cada rango son las siguientes:

Rango
1
2
3
4
5
Frecuencia
III
IIIIIIII
IIIIII
IIIIIIIII
IIIII
=3
=7
=6
=9
=5
Probabilidad
0.10
0.23
0.20
0.30
0.17
1.00
5 Calcular la funcin acumulada y graficar

i
1
2
Xi
1
2
Ing. Efran Murillo
p(Xi)
0.10
0.23
F(Xi)
0.10
0.33
3
4
5
3
4
5
20
0.20
0.30
0.17
0.53
0.83
1.00
6 Generar un nmero aleatorio entre 0 y 1

Por ejemplo r =0.58
7 Identificar el rango donde se encuentra r
F(Xi)< r < F(Xi+1)
F(Xi)< r < F(Xi+1)
8 Escoger el Xi+1 y volver al paso 6
Por lo tanto X = 4
CASO ESTUDIO 1: COSTO DE UN ITEM PERFECTO

En un proceso productivo en el cual se procesan aproximadamente 1000 piezas diarias, las
piezas una vez procesadas son inspeccionadas para determinar si son rechazadas,
reprocesadas o aceptadas para su posterior venta. Estadsticamente las piezas son rechazadas,
reprocesadas o aceptadas con probabilidades de 5%, 10% y 85% respectivamente.
Si el costo de un proceso es de $10 por pieza y el de reproceso $5. Cul seria el costo
promedio de una pieza que termine en ventas?
Para determinar dicho costo, debemos imitar el funcionamiento del sistema y determinar el
nmero de reprocesos, as como el porcentaje de piezas aceptadas.
Ing. Efran Murillo
21
Se asume que la distribucin de la variable exgena (hacia dnde se deriva la pieza una vez
inspeccionada), es emprica, entonces se debe generar los eventos usando el procedimiento
para generar valores para variables con distribucin emprica.
Para efectos de explicacin del funcionamiento del sistema y obtener los resultados buscados,
se fija como tiempo de simulacin el proceso de 20 piezas.
Usaremos los nmeros aleatorios de la celda A3 de la tabla de nmeros aleatorios del
apndice B.
A continuacin se muestra la tabla de simulacin:
TABLA DE SIMULACIN
RESUMEN DE RESULTADOS:
Como se observa:
Ing. Efran Murillo
22
El costo acumulado para un total de 20 piezas es = 20*10 + 4*5 = 220

El costo unitario ser 220/18 = 12.2222 dlares
El porcentaje de piezas aceptadas ser 18/20 = 0.9
Adems, dado que el sistema real procesa en promedio 1000 piezas diarias, entonces para
tener resultados consistentes que permitan tomar decisiones, se tendr que realizar
simulaciones para un mayor nmero de piezas. Por ejemplo para 200 piezas, 2000 piezas; los
resultados se aproximarn ms al valor terico. Tal como se observa en la siguiente grfica:
Grfica del Costo de un tem perfecto
Ing. Efran Murillo
4.
23
Simulacin de
Sistemas con Excel y
Visual Basic
CASOS ESTUDIO 2: SIMULACIN DE SISTEMAS DE COLAS
Los usuarios llegan ALEATORIAMENTE a un telfono pblico. Si el telfono est

desocupado, realizan la llamada, en caso contrario esperan en cola hasta que el sistema se
desocupe. La duracin de cada una de las llamadas tambin es ALEATORIA.
Se ha registrado durante 3 horas la informacin relacionada a la tasa de llegadas de los
clientes al sistema, as como los tiempos de servicio (duracin de las llamadas), llegando a
obtener los siguientes promedios:
= 20 clientes por horas, los clientes llegan en promedio cada 3 minutos.
= 15 clientes por hora, las llamadas duran en promedio 4 minutos.
Al analizar las muestras de datos con el Input Analyzer del Arena, se ha determinado que
ambas variables tienen distribucin exponencial.
Con esta informacin se le pide analizar el sistema de colas, determinando lo siguiente:
Ing. Efran Murillo
24
a) El tiempo promedio de espera en cola.

b) El tiempo improductivo total del Telfono Pblico.
c) La utilizacin de Telfono Pblico.
1.- Utilice la simulacin manual para determinar dichas inquietudes. Para ello deber simular
el funcionamiento del sistema durante la llegada de los 15 primeros clientes.
Nota: Los valores generados para sus variables aleatorias deben redondearse a cero
decimales.
2.- Es bastante probable que los resultados anteriores no puedan ser validados, por lo que se le
pide simular el sistema durante las primeras 4 horas de funcionamiento del da, para 50
das.
Solucin:
Al observar los datos >, por lo tanto no cumplen la condicin obligatoria para aplicar las
frmulas de colas a fin de poder determinar las respuestas a las inquietudes planteadas, en
consecuencia la nica herramienta a utilizar es la simulacin de sistemas.
Por otro lado la simulacin para las 4 primeras horas, por la gran cantidad de datos, ya no es
posible realizar la simulacin manual, por lo que podemos utilizar un lenguaje de
programacin o una herramienta de software como el Excel o el Arena.
1.- Solucin manual para la llegada de 15 clientes:
1ro. Definimos las propiedades del modelo de simulacin:
Propiedades del modelo
COMPONENTES:
Clientes y el Telfono
VARIABLES EXOGENAS:
x: Intervalo entre llegadas de los clientes
y: Duracin de una llamada
VARIABLES ENDOGENAS:
Wq: Tiempo promedio de espera en cola por parte de los clientes
TI: Tiempo Improductivo u Ocioso del telfono pblico
U: Utilizacin de telfono pblico
VARIABLES DE ESTADO:
T: Tiempo de llegada de un cliente
D: Tiempo de desocupacin del telfono
PARMETROS:
Ing. Efran Murillo
25
Tiempo de Simulacin (TS)= 4 horas el tiempo que demande la llegada de 15 clientes.

RELACIONES FUNCIONALES:
x Distribucin Exponencial con media 3 minutos entre clientes.
y Distribucin Exponencial con media 4 minutos por cliente.
2do. Generamos los valores para nuestras variables exgenas o aleatorias, utilizando la
metodologa estudiada en el captulo 3.
La expresin de la distribucin exponencial para ambas variables es:
x =
ln (1- r)
y = ln(1- r)
donde r es un nmero aleatorio entre 0 y 1.
Tomando valores aleatorios de las TABLAS DE NUMEROS ALEATORIOS, tenemos:
3ro. Construimos la Tabla de simulacin respectiva y en ella realizamos las operaciones

necesarias para imitar el funcionamiento del sistema. La tabla final se muestra a continuacin:
Ing. Efran Murillo
26
TABLA DE SIMULACIN:
En base a los resultados obtenidos, determinamos las inquietudes planteadas:

Tiempo promedio de espera en cola (Wq)
69
4.6 minutos/cliente
15
Tiempo Improductivo o Tiempo ocioso (TI) = 8 minutos

Utilizacin del telfono (U)
37
0.8222 (el sistema esta ocupado el 82.22% del tiempo
45
total de operacin)
2.- Solucin Utilizando el Excel o Visual Basic para las 4 primeras horas de
funcionamiento:
1ro. Para entender la lgica del funcionamiento del sistema, utilizamos un diagrama de flujo:
Diagrama de Flujo: Problema del Telfono
Ing. Efran Murillo
2do. En base al diagrama de flujo, codificamos el programa en Visual Basic:

Codificacin del Programa en Visual Basic.
Private Sub Command1_Click()
T=0
TI=0
D=0
C=0
TE=0
A:
Randomize
r = rnd()
x = -3*Log(1-r)
Ing. Efran Murillo
27
28
T=T+x
C=C+1
Randomize
r = rnd()
y = -4*Log(1-r)
if T>D then
TI=TI+(T-D)
D=T+y
else
TE=TE+(D-T)
D=D+y
endif
if t >= 240 then
Wq=TE/C
U=1- TI/D
Text1.text=Wq
Text2.text=U
else
Goto A
endif
End Sub
Los resultados promedio de las 50 simulaciones son:
Wq = 15.5 minutos por cliente
TI = 0.3 minutos
U = 0.97 sea 97%
Conclusiones:
1. La simulacin es una herramienta que permite imitar el funcionamiento de un sistema
real, para luego experimentar con el sin necesidad de afectarlo fsicamente.
2. Permite a las empresas que lo apliquen, pronosticar comportamientos futuros acerca
del sistema, lo cual permitir a los tomadores de decisin sugerir alternativas de
optimizacin.
3. La simulacin exige un tratamiento estadstico de la informacin a efectos de validar
el modelo y poder as sugerir la implementacin de alternativas de mejora.
Ing. Efran Murillo
29
Ejercicio 1:
Un semforo en una interseccin vehicular tiene una fase verde que actualmente demora 50
segundos y una fase roja de 40 segundos. El intervalo entre las llegadas de los vehculos a la
interseccin (en segundos) es una variable aleatoria con distribucin emprica:
Intervalos entre llegadas (X): 10 11 12 13 14
Probabilidad: 0.1 0.3 0.2 0.3 0.1
Se pide:
a) Suponiendo que acaba de iniciar la fase roja, mediante la simulacin de Montecarlo
determine el tiempo promedio de espera de los vehculos en cola para esta interseccin
en un tiempo de simulacin equivalente a la llegada de 10 vehculos. La cola
desaparece una vez que el semforo cambia a la fase verde. Para generar los valores de
la variable X, utilice los nmeros aleatorios indicados por el profesor.
b) Las propiedades del modelo.
c) El Diagrama de Flujo respectivo.
SOLUCIN:
a) Tiempo Promedio de Espera = 19.7 segundos.
Vehculo
1
2
3
4
5
6
7
8
9
10
R
0,15
0,81
0,92
0,23
0,96
0,09
0,28
0,10
0,55
0,82
Fase Fase
X
T Roja Verde TE
11 11
1
29
13 24
1
16
14 38
1
2
11 49
1
14 63
1
10 73
1
11 84
1
10 94
1
36
12 106 1
24
13 119 1
11
6
118
b) Propiedades del Modelo:

1. Componentes: Vehculos y Semforo
2. Variables Exgenas:
2.1 Controlables
2.2 No Controlables:
X: Intervalo entre llegadas de los vehculos
Ing. Efran Murillo
3. Variables Endgenas:
3.1 De Estado
T: Tiempo de llegada de un vehculo
F: Fase del semforo
3.2 De Salida:
Wq: Tiempo promedio de espera de los vehculos
4. Parmetros:
X: DISC(10,0.1;11,0.3;12,0.2;13,0.3;14,0.1)
TS: llegada de 10 vehculos
FV: Fase Verde = 50 segundos
FR: Fase Roja = 40 segundos2
C) Diagrama de flujo:
Ing. Efran Murillo
30
31
EJERCICIO 2:
Los usuarios llegan exponencialmente a una estacin de gasolina con intervalos promedio
entre llegadas de 3 minutos. El tiempo de servicio es una variable aleatoria distribuda
uniformemente entre 1 y 5 minutos.
Suponiendo que la capacidad del sistema y el nivel de paciencia de los usuarios son
ilimitados, imite el funcionamiento del sistema durante la llegada de 10 vehculos y
determine:
b) Las propiedades del modelo.
c) El tiempo promedio de espera de los clientes.
d) La utilizacin del servidor.
e) El tiempo acumulado ocioso del servidor.
f) El diagrama reflujo respectivo.
Nota 1: Para generar las variables aleatorias utilice los nmeros aleatorios siguientes:
- Para los intervalos entre llegadas: 15, 81, 92, 23, 96, 75, 28, 10, 55 y 82
- Para los tiempos de servicio: 10, 7, 30, 91, 54, 32, 4, 46, 21 y 91.
Nota 2: Los valores generados deben redondearse a cero decimales.
EJERCICIO 3:
Los usuarios llegan empricamente a una estacin de gasolina, bajo la siguiente distribucin
de frecuencias:
Intervalo
Entre
llegadas
(minutos)
0
1
2
3
4
5
Frecuencia
5
5
30
5
50
5
100
El tiempo de servicio es una variable aleatoria distribuda normalmente con media de 3

minutos y desviacin estndar de 2 minutos.
Suponiendo que la capacidad del sistema es ilimitada y el nivel de paciencia de los usuarios es
de 2 minutos, imite el funcionamiento del sistema durante la llegada de 10 vehculos y
determine:
a)
b)
c)
d)
Las propiedades del modelo.

El tiempo promedio de espera.
El nmero de vehculos que abandonan el sistema.
La utilizacin y el Tiempo ocioso del servidor.
Ing. Efran Murillo
32
e) El diagrama de flujo respectivo.

Nota 1: Para generar las variables aleatorias utilice los nmeros aleatorios siguientes:
- Para los intervalos entre llegadas: 43, 8, 30, 39, 15, 3, 21, 97, 94 y 80
- Para los tiempos de servicio: 98, 35, 70, 93, 20, 50, 4, 46, 21 y 91.
Nota 2: Los valores generados deben redondearse a cero decimales.
CASO ESTUDIO 2:
SIMULACIN DE SISTEMAS DE COLAS EN PARALELO
Llegan exponencialmente a una estacin de combustible los vehculos con una media para los
intervalos entre llegadas de 2 minutos. Existen 2 surtidores de combustible (A y B). Los
tiempos de servicio de ambos surtidores estn distribuidos uniformemente entre 2 y 6
minutos. Los vehculos ocupan de preferencia el surtidor A, si es que ambos estn
desocupados.
La estacin de gasolina tiene espacio limitado para 3 vehculos incluidos los que estn
recibiendo el servicio. El Vehculo que llega a la estacin y no encuentra espacio, abandona la
estacin.
La paciencia de los conductores es mximo 4 minutos de espera, en caso de superar su
paciencia, estos tambin abandonan el sistema.
Utilizando la simulacin de Montecarlo, imite el funcionamiento del sistema durante la
llegada de 15 vehculos y determine:
a)
b)
c)
d)
El tiempo promedio de espera de los vehculos en la estacin de gasolina.

La utilizacin del surtidor de gasolina A.
La utilizacin del surtidor de gasolina B.
El nmero de vehculos que abandonan la estacin de gasolina.
Para generar los valores de las variables aleatorias, utilice los nmeros aleatorios de la tabla
de nmeros aleatorios del Apndice B de la siguiente manera:
- Intervalos entre llegadas de los vehculos a la estacin de gasolina:
- Tiempos de servicio del surtidor A:
- Tiempos de servicio del surtidor B:
Nota: Los valores generados debe redondearse a cero decimales.
SOLUCIN:
1ro. Definimos las propiedades del modelo:
Ing. Efran Murillo
celda A1
celda A3
celda C8
33
Propiedades del modelo

COMPONENTES:
Vehculos y Surtidores de combustible
VARIABLES EXOGENAS:
L: Intervalo entre llegadas de los vehculos
TS(A): Tiempo de servicio del surtidor A
TS(B): Tiempo de servicio del surtidor B
VARIABLES ENDOGENAS:
Wq: Tiempo promedio de espera en cola por parte de los vehculos
U(A): Utilizacin del surtidor A
U(B): Utilizacin del surtidor B
AL: Nmero de vehculos que se alejan
VARIABLES DE ESTADO:
TL: Tiempo de llegada de un vehculo
TD(A): Tiempo de desocupacin del surtidor A
TD(B): Tiempo de desocupacin del surtidor B
PARMETROS:
Tiempo de Simulacin (TS)= El tiempo que demande la llegada de 15 clientes.
Capacidad del sistema = 3 vehculos.
Lmite de paciencia de los conductores = 4 minutos
RELACIONES FUNCIONALES:
L Distribucin Exponencial con media de 2 minutos entre vehculos.
TS(A) TS(B) Distribucin Uniforme entre 2 y 6 minutos.
2do. Construimos la tabla de simulacin donde generaremos los valores para las variables
aleatorias respectivas.
TABLA DE SIMULACIN:
Ing. Efran Murillo
34
3ro. En base a los resultados obtenidos, determinamos las inquietudes planteadas:

Tiempo promedio de espera en cola (Wq)
4
0.333 minutos/vehculo
15 3
Tiempo Improductivo o Tiempo ocioso (TI) = 8 minutos

Utilizacin del surtidor A (U(A))
27
0.8438 (el surtidor A esta ocupado el 84.38% del
32
tiempo total de operacin)

Utilizacin del surtidor B (U(B))
22
0.6875 (el surtidor B esta ocupado el 68.75% del
32
tiempo total de operacin)

Abandonan la estacin de gasolina = 3 vehculos
Ing. Efran Murillo
35
CASO ESTUDIO 3:
SIMULACIN DE GESTIN DE INVENTARIOS EN EXCEL
A.- Introduccin
En los mtodos para calcular cantidades de reposicin. (Anlisis de sensibilidad y lote
econmico), se ha trabajado sobre costos de mantenimiento de inventarios y costos de realizar
pedidos, pero no se ha considerado el costo asociado de no tener los artculos cuando la
demanda excede el inventario disponible, quiz uno de los costos ms importantes en manejo
de las existencias. Una de las maneras de atacar este problema de los costos de escasez es el
uso de programas de simulacin (investigacin operativa en lugar de la tcnica del lote
econmico.
Adems como el mtodo del lote econmico exige, para ser confiable, demanda constante y
tiempo de abastecimiento fijo, con la simulacin se puede trabajar con variabilidad en esos
dos aspectos, ampliando la utilidad del sistema de simulacin.
La simulacin que es una tcnica de evaluacin para sistemas complejos, es una herramienta
importante tanto para el diseo, como para el anlisis de un sistema.
En cuanto la complejidad del sistema de inventarios que se tiene aumenta, la simulacin llega
a ser ms y ms atractiva como una ayuda para la toma de decisiones. Esto es particularmente
cierto para sistemas dinmicos y/o probabilistas. Uno de los rasgos ms atractivos de un
enfoque de simulacin es la oportunidad que da al analista de comprende, la naturaleza
dinmica de un sistema.
Con la simulacin se puede "mover" un modelo a travs del tiempo y observar como se,
comporta el sistema en sentido dinmico; adems, una de las caractersticas de la simulacin
es que puede tratar con elementos probabilsticos que sean a menudo difciles si no imposibles
de manejar analticamente.
Un rasgo no atractivo de la simulacin, es que no garantiza nada ms que una solucin que
puede utilizarse para ciertos sistemas, puede ser difcil determinar cuan cercana est la
solucin que se tiene a la solucin ptima real.
Otra desventaja de la simulacin, se relaciona con las computadoras, pues la mayora de los
estudios de simulacin se lleva en ellas. La cantidad de programacin de cmputo Y tiempo
de ejecucin de computadoras requeridos para ejecutar un anlisis particular, podran ser muy
grandes. An as, la simulacin es la nica forma conocida de analizar ciertos sistemas, su
poder y versatibilidad a menudo sobrepasan su defecto.
B.- Procedimiento general de simulacin
Los pasos necesarios para disear un anlisis completo de Simulacin, son:
Ing. Efran Murillo
36
1.- Deber desarrollarse un modelo que intente capturar los rasgos esenciales del sistema bajo
estudio. Al desarrollar tal modelo es importante pensar en trminos de variables controlables
(tambin llamadas variables de decisin), variables incontrolables y la relacin existente entre
ellas.
2.- El segundo paso es validar el modelo que ha sido desarrollado. Los modelos a menudo se
operan y se comparan con el comportamiento pasado del sistema y con las esperanzas de los
analistas. Cualquier modificacin necesaria debe realizarse antes que se obtenga resultado,
tiles del modelo
3.- Habiendo terminado el paso de validacin. El analista entonces disea y ejecuta
experimentos con el modelo, valores dados u otras representaciones para las variables no
controlables, se experimentan con las variables de decisin y se observa como responde el
sistema.
Un Diagrama de Flujo para un Procedimiento de Simulacin
C.- El mtodo de Montecarlo

Una herramienta til en muchos de los modelos de simulacin, es el mtodo de Montecarlo,
para generar variables aleatorias de las distribuciones de probabilidad. La tcnica es tan
simple como poderosa.
Ejemplo :Suponiendo una salida (X) de un proceso probabilstico dado, es un entero entre 0
y 39, inclusive. Adems se est interesado en que X est en ciertos intervalos (0-9, 10-19,2029,30-39) y se conoce la probabilidad correspondiente de que X est en cualquier intervalo en
un tiempo dado:
Ing. Efran Murillo
37
Distribucin hipottica de probabilidad

a,b
p(a<X<b)
0,9
10,19
20,29
30,39
0.15
0.20
0.50
0.15
1.00
El primer paso es asociar con cada evento el nmero de los dgitos enteros uniformemente
distribuidos (esto es, igual probabilidad) que corresponde a la probabilidad del evento.
Distribucin hipottica junto con asignaciones de
enteros de dos dgitos
a,b
p(a<X<b)
enteros de dos dgitos
0,9
0.15
00-14
10,19
0.20
15-64
20,29
0.50
35-84
30,39
0.15
85-99
1.00
Por ejemplo el evento 0 < X < 9 tiene una probabilidad de 0.15 de acontecer. Por
consiguiente se asocian 15 enteros aleatorios de dos dgitos con este evento (00-14). La
numeracin consecutiva de los enteros aleatorios asignados es simplemente por conveniencia,
de igual manera para el evento 20 < X < 29 se asignan 50 nmeros aleatorios.
El nmero total de nmeros aleatorios utilizados para los cuatro eventos es 100. La idea es
que la relacin de la cantidad de nmeros aleatorios asignados a un evento a la cantidad total
de nmeros aleatorios asignados a la distribucin total sea igual a la probabilidad de
ocurrencia del evento. As, se hubiere decidido asignar nmeros aleatorios a 3 cifras en lugar
de los de dos, se habran necesitado 1,000 nmeros en total (debe haber al menos tantos
dgitos como posiciones despus de punto decimal en la distribucin de probabilidad).
Para las asignaciones de los nmeros aleatorios, la salida de este proceso se simula recogiendo
nmeros de una tabla de nmeros aleatorios y simplemente determinando el evento
correspondiente. Por ejemplo, suponiendo que se recurriera a un tabla de nmeros aleatorios y
se obtuviera el nmero 27, ste indicara que el evento 10 < X < 19 ocurri.
Se puede pensar de esto como una simulacin de un proceso cuya salida es una variable
aleatoria que est presentada por la distribucin de probabilidad mostrada en la tabla anterior.
Si se contina simulando este proceso y se registra la frecuencia con la cual ocurre cada
evento, se acercara en el lmite cuando el nmero de ensayos en la simulacin creciera sin
tope, a la probabilidad de ocurrencia de cada evento.
Ing. Efran Murillo
a,b
0,9
10,19
20,29
30,39
p(a<X<b)
0.15
0.20
0.50
0.15
1.00
38
Asignaciones
de entero
00-14
15-64
35-84
85-99
Nmero de
ocurrencias
13
32
54
12
Frecuencia
relativa
0.13
0.21
0.54
0.12
Con una gran cantidad de ensayos se producirn frecuencias relativas que sern ms cercanas
a los nmeros de probabilidad originadas.
D.- Sistema de inventarios
Una forma de determinar los niveles (le reposicin (R) y las cantidades de reposicin (Q)
considerando todos los elementos de costos que intervienen en un sistema de inventarios y
adems de forma que se automatice la administracin del inventario de un almacn, es un
sistema de simulacin.
La eleccin de los valores numricos de las variables la decisin se infiere de buscar el
intercambio entre:
El costo de tener el inventaro

El costo de colocar los pedidos para llenar el inventario
El costo asociado, al no tener productos cuando la demanda excede al inventario
disponible (costo de escasez).
Estos componentes de costo usualmente se suman juntos para proporcionar un costo variable
total para un perodo, una semana un mes, un ao. El objetivo del administrador es determinar
una poltica que minimice el valor promedio del costo total.
Aunque estos modelos son relativamente fciles de desarrollar, a menudo son muy difciles
de resolver matemticamente, pues con frecuencia contienen funciones no lineales de las
variables de decisin y contienen uno o ms elementos estocsticos que resulten de la
demanda y/o consideraciones de tiempo en que llegan los artculos despus de haber hecho el
pedido.
Como un resultado, el anlisis matemtico requerido para calcular una poltica ptima a
menudo es extremadamente difcil, para muchos sistemas el anlisis matemtico es imposible.
La simulacin sin embargo, trata fcilmente con las complejidades de los sistemas de
inventario. Se puede simular el comportamiento para una variedad de polticas, entonces la
administracin puede elegir la poltica que proporciona el comportamiento del sistema ms
deseable en promedio. Las matemticas complejas no son necesarias.
Ejemplo:
Se presenta un sistema de inventario, en el que la demanda diaria es incierta, pero que puede
representarse probabilsticamente en la distribucin siguiente:
Ing. Efran Murillo
39
Asignacin
del
Demanda
Aleatorio
0
1
2
3
Probabilidad
0.1
0.3
0.5
0.1
1.0
Nmero
0
1,2,3
4,5,6,7,8
9
Adems se conoce que:

a.- Cuando la demanda excede el inventario, se permite tener pedidos pendientes pero se
carga el costo $1.00 por unidad, por no haber tenido el artculo en almacn (costo de
escasez).
b.-El tiempo que transcurre desde que se hace el pedido hasta que se reciben las cantidades
es constante e igual a dos das.
c.- El costo de colocar un pedido para volver a tener artculos en inventario es de $ 10.00
(independientemente de la cantidad ordenada).
d.- El costo de tener el inventario es de 50 centavos por da por cada unidad en almacn al
inicio del da.
Se necesita instalar una poltica de reposicin, para lo cual se requiere establecer los valores
de los niveles de reposicin (R) y cantidad de reposicin (Q) que definen esta poltica.
El problema se resuelve simulando el comportamiento del costo del sistema para una variedad
de polticas posibles y eligiendo aquellas polticas que proporcionen un costo mnimo.
Por ejemplo, se podra probar la poltica " Toda vez que el inventario que se tiene al inicio de
un da sea menor o igual a R=2, colocar un pedido para Q=6 unidades.
Utilizando el enfoque de Montecarlo, se pueden generar demandas diarias, calcular los niveles
de inventarios y de pedidos pendientes y calcular los costos diarios y correspondientes. Estos
costos diarios se acumulan Y promedian para estimar el comportamiento en costo del sistema
para la poltica R = 2, Q = 6.
La tabla siguiente presenta la simulacin para 3 semanas
Da
Inventario
inicial
1
2
6*
4
Unida- Unidades Nmeros Unidades

des
recibidas aleatorios demanpedidadas
das
0
0
Ing. Efran Murillo
0
0
5
0
2
0
Unidades
pedidas que
estn en
espera para
entregarse
Costo por
mantener la
unidad
almacenada
0
0
$3.00
2
Costo por
no tener la
unidad en
almacn
0
0
Costo del Costo

pedido
total
0
0
$3.00
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
4
1
0
0
1
0
0
2
0
0
1
1
0
4
3
0
0
0
2
0
6
0
0
6
0
0
6
0
0
6
0
0
0
0
6
0
0
6
40
0
0
0
6
0
0
6
0
0
6
0
0
6
0
0
0
0
6
0
9
1
9
8
7
5
1
8
6
9
0
3
8
1
9
7
1
3
4
3
1
3
2
2
2
1
2
2
3
0
1
2
1
3
2
1
1
2
0
0
3
0
1
2
0
0
2
0
0
0
0
0
0
2
1
0
0
2
0.5
0
0
0.5
0
0
1
0
0
0.5
0.5
0
2
1.5
0
0
0
1
0
0
3
0
1
2
0
0
2
0
0
0
0
0
0
2
1
0
0
0
10
0
0
10
0
0
10
0
0
10
0
0
0
0
10
0
0
10
*Inventario inicial asignado arbitrariamente
La tabla anterior es un registro utilizado para llevar la simulacin durante 3 semanas. Los
nmeros aleatorios utilizados en la simulacin fueron tomados arbitrariamente de una tabla de
nmeros aleatorios.
El primer da del perodo de simulacin comienza con un nivel de inventario de 6 unidades.
Se pide cero unidades puesto que el inventario actual es mayor que R y se reciben cero
unidades puesto que no hay ningn pedido pendiente de recibir. Ninguna unidad se necesita
pedir, y el da dos se inicia con cuatro unidades. El costo asociado en el da 1 es simplemente
$3.00 ya que no se tuvo escasez en el stock ni se curs ningn pedido.
Sumando los resultados de costo en la hoja de trabajo y promediando sobre las tres semanas,
se obtiene un costo promedio de $ 28.5 por semana para la poltica R = 2, Q = 6.
La estimacin de costo para otras posibilidades se obtienen en forma similar y se utilizan para
comparar polticas (para mejorar la confiabilidad de las comparaciones, se debera
examinar el sistema para ms de 3 semanas) segn costos.
EJERCICIO 4:
La demanda diaria de un artculo (D) es una variable aleatoria con distribucin exponencial
con una media de 50 unidades diarias. La cantidad inicial en el almacn es 100 unidades y se
reduce diariamente.
Se tiene la poltica de pedir cada 3 das. Se solicita al inicio del da 250 unidades adicionales
que llegan en un tiempo aleatorio (TR) con distribucin normal con media de 2 das y
desviacin estndar de 1 da. Al llegar las unidades solicitadas primero se cumple con la
demanda atrasada.
Ing. Efran Murillo
2
10.5
3
0
11.5
2
0
11
2
0
10.5
0.5
0
2
1.5
12
1
0
11
41
El costo variable en el que se incurre es la suma del costo esperado de almacenamiento, el

costo de pedido y el costo esperado de escasez. La escasez es acumulativa. Esto es, un cliente
espera hasta que se tiene el artculo. El costo de inventario se estima en 0.5 dlares por unidad
por da, y se carga a las unidades en inventario al final del da. La escasez cuesta 1.5 dlares
por cada unidad que falte. El costo de pedido es 50 dlares por pedido. Los pedidos llegan al
inicio del da.
Simule el funcionamiento del negocio durante 10 das, y determine el costo total, as como el
inventario final del da 10. Para generar los valores de las variables aleatorias D y TR, utilice
los nmeros aleatorios indicados por el profesor.
SOLUCIN:
Di
a
II
100
79
3
4
5
6
7
8
0
0
137
75
0
233
9 182
10 128
Pedi
do
250
Suministro
T
r
Z
R
0,37 0,33
0,4
250 0,68 7
1,4
250 0,93 8
Demanad
a
Recibi
do
Costo
Pedi
do
IF
0,34
21
79
39,5
0,96
161
82
123
39,5
123,
0
250
0,33
0,20
0,71
20
11
62
0
0
75
20
11
0
0
0
37,5
30
16,5
0
50
0
0
80,0
16,5
37,5
250
0,83
0,06
0,64
89
3
51
0
0
182
14
3
0
0
0
91
21
4,5
0
50
0
0
0,66
0,92
54
126
128
2
0
0
64
1
0
0
50
0
71,0
4,5
91,0
114,
0
1,0
578,
0
Csotos
Escas Almac Escas
ez
en
ez
1. Costo total = 578 soles

2. Inventario Final = 2 unidades
CASO ESTUDIO 4:
SIMULACIN DE SISTEMAS DE CONGESTIN VEHICULAR
Los pasajeros llegan a un paradero de autobuses con tiempos medio entre llegadas de 2
minutos distribuidos exponencialmente. Un autobs llega con tiempos entre llegadas de 7+-2
minutos. El autobs tiene capacidad para 15 pasajeros y el nmero de asientos no ocupados
cuando llega el autobs tiene igual probabilidad de estar entre 0 y 15. El autobs recibe tantos
pasajeros como pueden sentarse y los que no puedan abordar se alejan.
Ing. Efran Murillo
Total
a)
42
Emplee la simulacin de Montecarlo para determinar el nmero de pasajeros que se

alejan durante la llegada de 20 pasajeros.
Emplear los siguientes nmeros aleatorios:
- Para las llegadas de los pasajeros: B9
- Para las llegadas de los autobuses: C1
- Para el nmero de asientos vacos: A10
b)
Utilice un lenguaje de programacin para simular el funcionamiento del paradero de

autobuses y determine el nmero de pasajeros que se alejan durante:
b.1) Un tiempo de 8 horas.
b.2) La llegada de 100 autobuses.
Nota: En ambos casos construya los diagramas de flujo respectivos.
SOLUCIN:
Para dar respuesta a la parte a), construimos la siguiente tabla de simulacin:
Se concluye que no habr pasajeros que se alejen por falta de asientos vacos.
Solucin Para un tiempo de simulacin de 8 horas:
Propiedades del Modelo
3.1 COMPONENTES:
Autobuses y Pasajeros.
3.2 VARIABLES EXOGENAS:
L: Tiempo entre llegadas de los pasajeros
A: Tiempo entre arribos de autobuses
NANO: Nmero de asientos no ocupados
3.3 VARIABLES ENDOGENAS:
Ing. Efran Murillo
AL: Nmero de pasajeros que se alejan por falta de asientos
3.4 VARIABLES DE ESTADO:
T: Tiempo de llegada de un pasajero
TL: Tiempo de llegada de un autobs
3.5 PARMETROS:
Tiempo de Simulacin = 8 horas o la llegada de 100 pasajeros
Capacidad del autobs = 15 asientos
3.6 RELACIONES FUNCIONALES:
L Distribucin Exponencial con media entre llegadas de 2 minutos
A Distribucin Normal con media de 7 minutos y desviacin estndar de 2 minutos
NANO Distribucin Uniforme entre 0 y 15
Diagrama de Flujo para un tiempo de simulacin de 8 horas.
Programa en Visual Basic (parte b.1)

Private Sub Command1_ Click ()
tl = 0
al = 0
Ing. Efran Murillo
43
44
t=0
p=0
n = 35
B:
j=0
For i = 1 to n
Randomize
j = j + Rnd()
Next i
a = 7 + ( 2 ^ (1 / 2 ) ) * ( j ( n / 2 ) ) * ( ( 12 / n ) ^ (1 / 2 ) )
tl = tl + a
While t < = 480
Randomize
r = Rnd ()
L = -2 * Log (1 r )
t=t+L
If < = tl them
p=p+1
Else
Randomize
r = Rnd ()
nano = 15 * ( 1 r )
If nano > p Then
al = al + p nano
End if
p=1
Go to B
End if
Wend
Text1.Text = al
End Sub
A continuacin se presenta el diagrama de flujo para un tiempo de simulacin de la llegada de
100 autobuses:
Ing. Efran Murillo
Programa en Visual Basic (parte b.2)

Private Sub Command1_Click()
t1 = 0
a1 = 0
t=0
p=0
n = 35
g=0
B:
j=0
For i = 1 To n
Ing. Efran Murillo
45
46
Randomize
j = j + Rnd()
Next i
A = 7 + (( 2 ^ ( 1/2 ) * ( j - (n/2 )) * (( 12/n ) ^ ( 1/2 ))
g=g+1
t1 = t1 + a
While g <= 100
Randomize
r = Rnd()
L = -2 * Log( 1- r )
t=t+L
If t <= t1 Then
p=p+1
Else
Randomize
r = Rnd()
nano = 15 * ( 1 - r )
If nano > p Then
a1 = a1 + p - nano
End if
p=1
Go To B
End if
Wend
Text1.Text = a1
End Sub
EJERCICIO 5:
Los pasajeros llegan a un paradero de autobuses con tiempos medio entre llegadas (L) de 2
minutos distribuidos exponencialmente. Un autobs llega con intervalos de tiempo (A)
distribuidos uniformemente entre 5 y 7 minutos.
El autobs tiene capacidad para 25 pasajeros y el nmero de asientos ocupados (AO) cuando
llega el autobs tiene igual probabilidad de estar entre 20 y 25. El autobs recibe tantos
pasajeros como pueden sentarse y los que no puedan abordar se alejan.
Simule el funcionamiento del sistema durante la llegada de 10 pasajeros y determine:
a) El nmero promedio de pasajeros que se alejan por no encontrar asiento disponible. (2
puntos)
b) El tiempo promedio de espera de los pasajeros. (2 puntos)
Ing. Efran Murillo
47
c) Construya el diagrama de flujo respectivo. (3 puntos)

Para generar los valores de las variables aleatorias L, A y AO, utilice los nmeros aleatorios
indicados por el profesor.
SOLUCIN:
Pasajeros
Pasajero
r
1
0,82
2
0,62
3
0,13
4
0,08
5
0,92
6
0,95
7
0,86
8
0,11
9
0,16
10
0,52
L
3
2
0
0
5
6
4
0
0
1
T
3
5
5
5
10
16
20
20
20
21
Autobuses
Cola
r
A
1
0,41 6
2
3
4
1
0,92 7
1
0,05 5
1
0,44 6
2
3
4
Asientos
TL r AO AV TE
6 0,54 23 2 3
1
1
1
13 0,07 20 5 3
18 0,92 25 0 2
24 0,12 21 4 4
4
4
3
26
A
2
0
1
a)
b)
Nmero promedio de pasajeros que se alejan = 3/3 = 1 pasajero

Tiempo promedio de espera = 26/10 = 2.6 minutos
c)
Diagrama de Flujo:
Ing. Efran Murillo
Ing. Efran Murillo
48
49
CASO ESTUDIO NRO 5:

SIMULACIN DEL VAN DE UN PROYECTO DE INVERSIN
ACERCA DEL INVERSIONISTA:
Ismael siempre fue un hombre de ideas claras y objetivas bien definidas. Tan luego se formo
en una de las mejores escuelas de administracin, el demostr gran espritu emprendedor y
energa.
Ahora, a los 42 aos de edad, el viene invirtiendo su patrimonio de $ 4 000 000 de modo muy
cauteloso y obteniendo 15% al ao. Actualmente, el se enfrenta con una inflacin adicional
creciente y se esta preocupando con su efecto corrosivo sobre su patrimonio. De hecho Ismael
esta pensando en alterar su comportamiento, procurando alternativas con mayores riesgos y
esperando rendimientos ms atrayentes.
LA DECISION
Ismael pretende colocar $ 1 000 000 de su inversin seguro y cauteloso en una de las dos
alternativas X o Y, siempre que el rendimiento sea mayor que los actuales 15% y los riesgos
sean compatibles.
Un modelo de simulacin seria el anlisis apropiado para tratar los valores aleatorios del
proyecto X, en cuanto a las incertezas del proyecto Y podran ser mas bien visualizadas en un
diseo de rbol de decisiones.
El problema de la preferencia en el tiempo puede ser tratado utilizando los clculos del
Valor Presente Neto (VAN), como recomiendan la mayora de los autores. La tasa de
descuento es de 15%. De cualquier modo, dada la incerteza en relacin al tiempo de duracin
del proyecto, otros anlisis no se justifican.
EL PROYECTO X.
El proyecto X consiste en el lanzamiento de un nuevo producto. La inversin inicial total es
de $ 1 000 000 y el retorno depende de factores inciertos y valores aleatorios.
i) Incerteza en relacin al costo variable unitario de produccin. Este costo depende de
procesos mal controlados y de insumos con pocos proveedores, osea, factores inciertos. En
tanto, un panel de especialistas atribuyo estimativos subjetivos (probabilidades como medida
de incerteza) que resultaron para el primer ao de produccin, en:
Probabilidad (%)
40
30
30
Costo Unitario ($)

3.00
3.50
4.00
No hay costos fijos importantes adems de la inversin inicial.
Ing. Efran Murillo
50
ii) Aleatoriedad en el total de las ventas anuales. Existen muchos datos estadsticos de
comportamiento del mercado para productos semejantes, en el pasado. La aleatoriedad de los
valores para las ventas anuales (durante el ciclo de vida del producto) puede ser modelada por
una distribucin que, por nica vez, ser aproximada por tramos lineales. Las distribuciones
son diferentes para cada uno de los 4 aos (de modo que refleje un ciclo de vida), en cada una
de estas distribuciones, es aproximada por 5 rangos lineales. Cada rango lineal corresponde a
una distribucin uniforme. Las distribuciones lineales utilizadas en el proceso de
aproximacin son:
Distribuciones de las 5 Distribuciones Uniformes
Distribucin
Uniforme
1
2
3
4
5
Lmites
(1000 unidades vendidas)
70 a 360
360 a 410
410 a 490
490 a 630
630 a 900
Para cada ao, el comportamiento del mercado (tamao-participacin) ser tal que caiga en
una de las distribuciones lineales arriba, con las siguientes probabilidades:
Modelando las ventas anuales
Distribucin
uniforme
1
2
3
4
5
Probabilidad de ocurrencia (%)

ao 1 ao 2 ao 3 ao 4
25
10
5
30
30
20
25
25
30
25
25
20
10
25
25
20
5
20
20
5
Por este proceso, se genera un valor de venta segn la siguiente secuencia:
Seleccione un ao para el cual se desea generar un valor de ventas.

Seleccione la distribucin uniforme siguiendo las probabilidades correspondientes a
aquel ao.
Se recomienda el proceso acumulativo; por ejemplo, para el ao 1: genere un nmero

aleatorio con distribucin uniforme 0 a 1 y si resulta entre 0 y 0.25 use la distribucin 1, hasta
0.55 use la 2, hasta 0.85 use la 3, hasta 0.95 use la 4 y encima de 0.95, use la 5. Observe
cmo para los aos 1 y 4, inicio y fin del ciclo de vida del producto, la probabilidad de
seleccionar distribuciones (1 y 2) con bajas ventas es mayor.
Despus de seleccionar la distribucin segn el procedimiento anterior, genere el valor

de las ventas dentro de la distribucin seleccionada.
iii) El tiempo de vida (ciclo del producto) depende del desempeo de las ventas:
Si Ventas (ao 1) + Ventas (ao 2) < 600 000, entonces 2 aos.

Si Ventas (ao 1) + Ventas (ao 2) + Ventas (ao 3) < 1 000 000, entonces 3 aos.
Ing. Efran Murillo
51
El mximo es de 4 aos, despus de los cuales ser desactivado.
iv) El precio unitario de venta ya fue fijado en $ 5.00 .

El producto tendr disponibilidad inmediata despus de la inversin inicial (esta es una
simplificacin).
La especificidad del producto es tal que despus de su tiempo de vida, no hay valor residual
sobre la inversin inicial.
v) Para efectuar los anlisis, Ismael pretende construir un modelo de simulacin con 100
casos y efectuar 10 simulaciones con el modelo de modo a obtener medias globales.
Para los clculos financieros, despus de la inversin inicial, los otros valores sern todos
concentrados al final de cada ao.
PROYECTO Y
El proyecto Y es mucho mas conservador. Se trata de una inversin inmobiliaria de 1 milln
de dlares en edificaciones comerciales. El beneficio a ser recibido anualmente es bastante
bueno y fue estimado en 35% de la inversin inicial. Hay incertezas en relacin al tiempo de
reventa y al valor de reventa.
i) Tiempo de reventa:
Despus de tres aos, con probabilidad de 60%.
Despus de cuatro aos, con probabilidad de 40%.
ii) Valor de reventa (depende de las evoluciones del mercado inmobiliario y de la regin en
particular):
Factor de multiplicacin
En relacin a la
Inversin inicial
0,90
1,00
1,10
1,15
Probabilidad (%)
10
20
50
20
En qu proyecto deber invertir su dinero Ismael?
CASO ESTUDIO 6:
SISTEMA DEL TERMINAL PESQUERO
OBJETIVOS:
Ing. Efran Murillo
52
- Probar las habilidades de los jugadores para establecer niveles de pedido de
inventario para un horizonte de planificacin de diez semanas. El ganador

ser aquel que al final tenga mayores ganancias.
CASO.- El Terminal pesquero vende camarn fresco a diversos clientes de
Arequipa. Al inicio de cada semana elabora los pedidos de cajas de camarn a
los representantes de la flota en Matarani, para satisfacer la demanda de sus
clientes a media semana. El camarn se entrega al Terminal y luego, a media
semana, a los clientes.
El suministro y la demanda del camarn son inciertos. El suministro puede
variar hasta +-10% con respecto a la cantidad de pedido. La probabilidad
relacionada con esta variacin es:
-10%
0%
+10%
30% de las veces

50% de las veces
20% de las veces
La demanda semanal del camarn se distribuye normalmente con media de 800

cajas y desviacin estndar de 100 cajas.
El terminal pesquero paga 30 dlares por la caja de camarn y la vende a 50. El
camarn que no se venda al final de la semana se vende a 4 dlares la caja a una
compaa de alimento para gatos. El terminal pesquero, si lo desea, puede pedir
que el proveedor congele el camarn en el muelle, pero esto eleva 4 dlares el
costo por caja y, por lo tanto, le cuesta 34 dlares al Terminal pesquero. La
congelacin permite que el terminal pesquero mantenga un inventario de
camarn, pero el almacenamiento del camarn en el congelador de la empresa
cuesta 2 dlares por caja a la semana. A los clientes no les importa si el camarn
que reciben es el fresco o el congelado. El terminal pesquero calcula que su
costo de inexistencias es igual al alza en precio; es decir, cada caja que pida y no
pueda surtir le cuesta a la empresa $50 - $30 = $20.
Procedimiento para el juego. El juego consiste en decidir cada semana cuntas
cajas de camarn fresco y congelado hay que pedir. La cantidad que se pida
puede ser cualquiera. El profesor acta como rbitro y proporciona los nmeros
aleatorios. Los pasos para llevar a cabo el juego son:
a)
Decidir cul ser la cantidad de camarn fresco y congelado que se pedir

y registrar las cantidades en la columna 3 de la hoja de trabajo (ver cuadro A).
Suponga que no hay inventario inicial del camarn congelado.
Ing. Efran Murillo
b)
53
Determinar la cantidad que se entrega y registrarla como pedidos

recibidos. Para esto, el profesor toma un nmero de la tabla de nmeros
aleatorios uniformes y encuentra el nivel de variacin asociado en los
siguientes intervalos de nmeros aleatorios:
0.00 0.30 = -10%
0.31 0.80 = 0%
0.81 1.00 = +10%
Si el nmero aleatorio es, por ejemplo, 0.13, la cantidad de variacin sera
10%. Entonces, si decide pedir 1000 cajas de camarn fresco y 100 de
camarn congelado, la cantidad que recibira sera 1000 0.10(1000), o 900
cajas de camarn fresco, y 100- 0.10(100), o 90 cajas de camarn congelado.
(Observe que la cantidad de variacin es la misma para el camarn fresco y el
congelado). Estas cantidades se registran en la columna 4.
c) Sumar la cantidad de camarn congelado en inventario (si hay) a la cantidad

de camarn fresco y congelado que acaba de recibir, y registrar esta cantidad
en la columna 5. Con base en las cifras anteriores, sera 990.
d) Determinar la demanda de camarn. Para esto, el profesor obtiene un nmero
aleatorio de la tabla de desviacin estndar y lo registra en la ecuacin que se
encuentra en la parte superior de la columna 6. As, si el valor de desviacin
es 1.76, la demanda para la semana es 800+100(1.76), o 624.
e) Determinar la cantidad vendida. Esta cantidad ser la menor de la demanda
(columna 6) y la cantidad disponible (columna 5). Entonces, si un jugador
recibi 990 y la demanda es 624, la cantidad que se registre ser 624 (con un
sobrante de 990-624, o 366).
f) Determinar el excedente. La cantidad de excedente es sencillamente la
cantidad que quede despus de satisfacer la demanda de una semana. Suponga
siempre que se vende primero el camarn fresco y luego el congelado.
Entonces, si utilizamos la cifra de 366 que se obtuvo en (e), el excedente
incluira las 90 cajas originales de camarn congelado.
g) Determinar la escasez. Es la cantidad de demanda no satisfecha en cada
periodo y slo ocurre cuando la demanda es mayor a las ventas. (Como todos
los clientes consumen el camarn en la semana en que se les entrega, no
importan los pedidos atrasados). La cantidad de escasez (en cajas de camarn)
se registra en la columna 9.
Determinacin de ganancias. El cuadro B se usa para determinar las ganancias
Ing. Efran Murillo
54
al final del juego. Los valores que se registran en esta tabla se obtienen al sumar
las columnas relevantes del cuadro A y hacer los clculos correspondientes.
Tarea. Simular las operaciones de 10 semanas. Se sugiere que hagan una pausa
al concluir la semana 5 para que los jugadores traten de evaluar la manera en
que podran mejorar su rendimiento. Tambin podran planificar una estrategia
de pedidos para la semana de veda, cuando no se proveer camarn.
TABLA A: Hoja de trabajo para la simulacin.
TABLA B: Ganancias de las Operaciones

Ingresos por ventas
($50 x col.7)
$______
Ingresos por desecho
($4 x col.8 fresco)
$______
Total de ingresos
$_______
Costo de compras de camarn fresco
($30 x col.4 fresco)
$______
Costo de compras de camarn
congelado ($34 x col.4 congelado) $______
Costo de almacenamiento de camarn
congelado ($2 x col.8 congelado)
$______
Costo de escasez ($20 x col.9)
$______
Costo total
$_______
Ganancias
$_______
Ing. Efran Murillo
55
APLICACIONES PROPUESTAS
APLICACIN 1.- Los buques tanque llegan a un puerto petrolero con la distribucin de
tiempos entre llegadas que se ve en la tabla siguiente:
Tiempo entre llegadas (das)
Probabilidad
1
2
3
4
5
.20 .25 .35 .15 .05
El puerto tiene dos terminales, A y B. La terminal B es ms moderna y, por lo tanto, ms

eficaz que la terminal A. El tiempo para descargar un buque tanque depende de la capacidad
de ste. Un superbuque tanque necesita 4 das para descargar en la terminal A y 3 en la
terminal B. Un buque tanque de tamao mediano necesita 3 das en la terminal A y 2 das en
la terminal B. Los buques tanque pequeos se descargan en 2 das en la terminal A y en 1 en
la terminal B. Los buques tanques que llegan se forman en una sola cola en el puerto hasta
que se desocupa una terminal para descarga. El servicio se da sobre la base primero que llega
primero en ser atendido. El tipo de buque tanque y la frecuencia con la que llegan a este
puerto se presenta en la siguiente tabla:
TIPO DE BUQUE TANQUE
Superbuque tanque
Superbuque tanque mediano
Superbuque tanque pequeo
PROBABILIDAD
0.40
0.35
0.25
Suponiendo que si los dos terminales estn desocupados, los buques eligen el Terminal A para
ser atendido, utilice la simulacin de Montecarlo para la llegada de 15 buques y determine el
nmero promedio de das que pasa un tanque en el puerto y el tiempo ocioso de cada una de
las terminales.
Utilice los nmeros aleatorios de las celdas E 7 y C 5 para generar los tiempos entre llegadas
y el tipo de buque tanque que llega respectivamente.
APLICACIN 2.- El gerente de una pequea oficina de correos teme que el crecimiento de
la localidad sature el servicio que se ofrece con una sola ventanilla. Decide obtener datos de
muestra con respecto a 100 individuos que solicitan servicio. A continuacin se presenta un
resumen de los datos:
Tiempo entre
llegadas
(minutos)
1
2
3
4
5
Frecuencia
8
35
34
17
6
Tiempo de
servicio
(minutos)
1.0
1.5
2.0
2.5
3.0
3.5
Frecuencia
12
21
36
19
7
5
100
100
Emplee la simulacin de Montecarlo para estimar el tiempo promedio de espera y el promedio
de inactividad de los empleados durante la llegada de 15 clientes.
Ing. Efran Murillo
-
56
Utilice la secuencia de nmeros aleatorios de las celdas B1 y E3 para generar los

intervalos entre llegadas de los clientes y los tiempos de servicio respectivamente.
APLICACIN 3.- La biblioteca de la universidad tiene una copiadora para uso de los
estudiantes. Estos llegan a la mquina con una distribucin de tiempos entre llegadas
mostradas en la siguiente tabla:
Tiempo entre llegadas (minutos) 1
2 3
4 5
Probabilidad
.20 .25 .40 .10 .05
El tiempo promedio que se tarda en hacer una copia es 15 segundos. Un anlisis de los datos
acumulados muestra que el nmero de copias que hace un estudiante al pasar a la mquina
tiene la distribucin siguiente:
Nmero de copias
Probabilidad
6 7 8
9 10
.20 .25 .35 .15 .05
El bibliotecario cree que con el sistema actual, la cola en la mquina copiadora es demasiado
larga y que el tiempo que un estudiante pasa en el sistema (tiempo de espera + tiempo de
servicio) es demasiado.
Efecte una simulacin de Montecarlo para la llegada de 10 clientes y determine el tiempo
promedio de espera y el tiempo ocioso de la mquina copiadora.
Utilice los nmeros aleatorios de las celdas A7 y B9 (tabla de nmeros aleatorios) para
generar los valores de los tiempos entre llegadas de los estudiantes y el nmero de copias
solicitadas respectivamente.
APLICACIN 4.- La demanda diaria de pollos en un minimarket es una variable aleatoria
con distribucin exponencial con una media de 5 unidades diarias. El administrador comienza
el da con 15 pollos.
Cada pollo tiene un costo de 13 soles y se vende a 20 soles. Se reduce el inventario
diariamente. Si al final de un da en particular el dueo tiene menos de 8 pollos en stock,
ordena un pedido suficiente para tener 15 pollos al inicio del siguiente da.
Adems se conoce que:
-
Cuando la demanda excede el inventario, no se permite tener pedidos pendientes pero

se carga el costo de 3 soles por unidad, por no haber tenido el artculo en almacn (costo
de escasez).
El costo de colocar un pedido para volver a tener artculos en inventario es de 10 soles

(independiente de la cantidad ordenada).
El costo de mantener inventario de un da para otro es de 1.5 soles. El costo de

almacenamiento del inventario inicial fue cargado en la gestin anterior
Ing. Efran Murillo
57
Asumiendo que el costo de adquisicin e inventario de los 15 pollos con los que empieza el
negocio fueron absorbidos en la gestin anterior, determine Ud. utilizando la tcnica de la
simulacin de Montecarlo:
a) La utilidad total para un periodo de 15 das.
b) El nmero de pollos que sobran al final del ltimo da.
Para generar la demanda diaria utilice los nmeros aleatorios de la celda E8 (tabla de nmeros
aleatorios).
APLICACIN 5.- Un lote de estacionamiento dispone de 30 espacios para el
estacionamiento de los vehculos. Es abierto de 8 a.m. a 4 p.m.. El intervalo entre la llegada
de vehculos al lote L tiene distribucin exponencial con un valor esperado de 3 minutos. La
duracin de estada de un vehculo S es normalmente distribuida con un valor esperado de 90
minutos y una varianza de 30 minutos. Si al llegar un vehculo no hay espacio libre, se aleja.
Se pide:
a) Construya un modelo de simulacin (diagrama de flujo) que simule el funcionamiento
del Lote de estacionamiento y determine el nmero de vehculos que se alejan durante
un da de 8 horas (480 minutos).
b) Suponiendo que el lote de estacionamiento tenga solamente 3 espacios y tomando en
cuenta los intervalos de llegada (L) y las duracin de las estadas (S) generados,
determinar el nmero de vehculos que se alejan durante la llegada de 10 vehculos.
Utilice para generar L, los nmeros aleatorios de la celda C1 y para S los de la celda
E8 (tabla de nmeros aleatorios).
APLICACIN 6.- Un semforo en una interseccin vehicular tiene una fase verde que
actualmente demora 50 segundos y una fase roja de 40 segundos. El intervalo entre las
llegadas de los vehculos a la interseccin (en segundos) es una variable aleatoria con
distribucin emprica:
Intervalos entre llegadas
probabilidad
5
6
7 8
9
0.1 0.3 0.2 0.3 0.1
a) Construya un modelo de simulacin (diagrama de flujo) para este sistema que permita
determinar la duracin de la fase verde, de tal manera que el tiempo promedio de
espera de los vehculos que llegan a dicha interseccin no sea mayor a 30 segundos.
Utilice un tiempo de simulacin de 5 horas.
b) Mediante la simulacin de Montecarlo determine la longitud promedio de vehculos
en cola para esta interseccin en un tiempo de simulacin equivalente a la llegada de
15 vehculos. Utilice los nmeros de la celda B9 (tabla de nmeros aleatorios) para
generar los valores de la variable aleatoria.
APLICACIN 7.- En un proceso productivo las piezas una vez procesadas son
inspeccionadas para determinar si son rechazadas, reprocesadas o aceptadas para su posterior
venta. Estadsticamente el 70% de las piezas son aceptadas, el 10% son rechazadas y el 20%
reprocesadas. Una pieza reprocesada puede volver nuevamente a ser reprocesada. Utilice la
Ing. Efran Murillo
58
tcnica de simulacin de Montecarlo para imitar el funcionamiento de este sistema durante la

llegada de 15 piezas y responda las siguientes inquietudes:
a) Si el costo de proceso es de $13 por pieza y el de reproceso $7. Cul seria el costo de un
item que termine en ventas?.
b) En un lote de 5000 piezas cuntas sern rechazadas?.
Nota: Utilice los nmeros aleatorios de la celda C2 (tabla de nmeros aleatorios) para generar
valores para la variable aleatoria de si la pieza es aceptada, descartada o reprocesada.
APLICACIN 8.- En el puesto de gasolina El campen, ocurre lo siguiente:
a) Los carros llegan al puesto a cada 12 a 16 minutos con una media de 14 minutos entre
llegadas y distribucin uniforme.
b) Juan Prez atiende exponencialmente, llevando en promedio15 minutos para atender
un carro (4 minutos para llenar el tanque, 3 minutos para verificar el aceite y 8
minutos para contar el cambio).
Se le sugiere las siguientes alternativas para mejorar el servicio:
a) No hacer nada y dejar las cosas como estn.
b) Someter a Juan Prez a un programa de capacitacin, de modo que mejore su
aritmtica y de esta manera disminuir el tiempo de servicio de 15 a 6 minutos.
c) Instalar una segunda bomba y contratar a un operario para operarla. El joven trabaja
exactamente del mismo modo que Juan Prez.
d) Sugerir a Juan Prez que descanse y contrate al mejor estudiante del grupo escolar de
la nocturna, el empleara 5 minutos para atender un carro.
NOTA: Observe que este proceso no es de optimizacin, ya que no es posible definir una
funcin objetivo a ser maximizada o minimizada.
a) Mediante la simulacin de Montecarlo determine la mejor alternativa de optimizacin
en funcin al tiempo promedio de espera en cola. Utilice el tiempo de simulacin
equivalente a la llegada de 15 vehculos al sistema.
Utilice los siguientes nmeros aleatorios para generar los valores de las variables
aleatorias:
- Para la tasa de llegadas: Nmeros aleatorios de la celda C7 (tabla de nmeros
aleatorios).
- Para los tiempos de servicio: Nmeros aleatorios de la celda D4 (tabla de nmeros
aleatorios).
Ing. Efran Murillo
59
APLICACIN 9.- Un vendedor compra peridicos al precio de 50 cntimos de sol por cada
uno y los vende a 1 sol la unidad. Al final de cada da el agente de publicaciones le pagar 15
cntimos de sol por cada peridico que no haya vendido. La demanda diaria D de los
peridicos tiene la siguiente distribucin de probabilidad (distribucin emprica):
D
p(D)
75
0.08
80
0.07
85
0.02
90
0.20
95
0.09
100
0.19
105
0.12
110
0.03
115
0.14
120
0.06
g)
Suponiendo que el vendedor puede pedir cualquier cantidad de peridicos que se

encuentre en el rango de valores de la demanda, construya un modelo de simulacin
(diagrama de flujo) para este sistema logstico que permita determinar el nivel ptimo
de aprovisionamiento (nmero de peridicos a pedir diariamente), en un tiempo de
simulacin de 200 das.
h)
Mediante la simulacin de Montecarlo determine la utilidad total esperada para un

nivel de aprovisionamiento de 95 peridicos diarios en un tiempo de simulacin de 20
das. Utilice los nmeros de la celda A5 (tabla de nmeros aleatorios) para generar los
valores de la variable aleatoria.
APLICACIN 10.- Suponga que estamos determinando el punto de reorden R de una

poltica de inventarios (Q,R). Con esta poltica pedimos Q unidades cuando el nivel de
inventario desminuye a R o menos. La distribucin de probabilidades de la demanda diaria se
da en la siguiente tabla:
DEMANDA DIARIA
(unidades)
12
13
14
15
16
17
PROBABILIDAD
.05
.15
.25
.35
.15
.05
El tiempo de entrega tambin es una variable aleatoria y tiene la siguiente distribucin:

TIEMPO DE ENTREGA
(Das)
1
2
3
4
PROBABILIDAD
.20
.30
.35
.15
Suponemos que la cantidad pedir hasta tener permanece igual, en 100 unidades. Nuestro
inters en este caso es determinar el valor del punto de reorden R que minimice el costo total
de inventario. Este costo es la suma del costo esperado de almacenamiento, el costo esperado
de pedido y el costo esperado de escasez. La escasez es acumulativa. Esto es, un cliente
espera hasta que se tiene el artculo. El costo de inventario se estima en 0.20 dlares por
unidad por da, y se carga a las unidades en inventario al final del da. La escasez cuesta 1
dlar por cada unidad que falte. El costo de pedido es 15 dlares por pedido. Los pedidos
llegan al inicio del da.
Ing. Efran Murillo
60
a) Suponiendo que el punto de reorden R puede oscilar entre 0 y 50 unidades, construya

un modelo de simulacin (diagrama de flujo) para este sistema de inventario que
permita determinar el valor de R que minimice el costo total de inventario, en un
tiempo de simulacin de 500 das.
b) Mediante la simulacin de Montecarlo determine el costo total de inventario para un
punto de reorden igual 30 unidades en un tiempo de simulacin de 20 das.
Utilice los siguientes nmeros aleatorios para generar los valores de las variables
aleatorias:
-
Para la demanda: Nmeros aleatorios de la celda C1 (tabla de nmeros aleatorios).

Para los tiempos de llegada de los pedidos: Nmeros aleatorios de la celda E8
(tabla de nmeros aleatorios).
Ing. Efran Murillo
61
Apndice A
rea bajo la curva normal estndar

Z
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.00
0.10
0.20
0.30
0.40
0.50000
0.53983
0.57926
0.61791
0.65542
0.50399
0.54380
0.58317
0.62172
0.65910
0.50798
0.54776
0.58706
0.62552
0.66276
0.51197
0.55172
0.59095
0.62930
0.66640
0.51595
0.55567
0.59483
0.63307
0.67003
0.51994
0.55962
0.59871
0.63683
0.67364
0.52392
0.56356
0.60257
0.64058
0.67724
0.52790
0.56749
0.60247
0.64431
0.68082
0.53188
0.57142
0.61026
0.64803
0.68439
0.53586
0.57535
0.61409
0.65173
0.68793
0.50
0.60
0.70
0.80
0.90
0.69146
0.72575
0.75804
0.78814
0.81594
0.69497
0.72907
0.76115
0.79103
0.81859
0.69847
0.73237
0.76424
0.79389
0.82121
0.70194
0.73536
0.76730
0.79673
0.82381
0.70540
0.73891
0.77035
0.79955
0.82639
0.70884
0.74215
0.77377
0.80234
0.82894
0.71226
0.74537
0.77637
0.80511
0.83147
0.71566
0.74857
0.77935
0.80785
0.83398
0.71904
0.75175
0.78230
0.81057
0.83646
0.72240
0.75490
0.78525
0.81327
0.83891
1.00
1.10
1.20
1.30
1.40
0.84134
0.86433
0.88493
0.90320
0.91924
0.84375
0.86650
0.88686
0.90490
0.92073
0.84614
0.86864
0.88877
0.90658
0.92220
0.84849
0.87076
0.88965
0.90824
0.92364
0.85083
0.87286
0.89251
0.90988
0.92507
0.85314
0.87493
0.89435
0.91149
0.92647
0.85543
0.87698
0.89617
0.91309
0.92785
0.85769
0.87900
0.89796
0.91466
0.92922
0.85993
0.88100
0.89973
0.91621
0.93056
0.86214
0.88298
0.90147
0.91774
0.93189
1.50
1.60
1.70
1.80
1.90
0.93319
0.94520
0.95543
0.96407
0.97128
0.93448
0.94630
0.95637
0.96485
0.97193
0.93574
0.94738
0.95728
0.96562
0.97257
0.93699
0.94845
0.95818
0.96638
0.97320
0.93822
0.94950
0.95907
0.96712
0.97381
0.93943
0.95053
0.95994
0.96784
0.97441
0.94062
0.95154
0.96080
0.96856
0.97500
0.94179
0.95254
0.96164
0.96926
0.97558
0.94295
0.95352
0.96246
0.96995
0.97615
0.94408
0.95449
0.96327
0.97062
0.97670
2.00
2.10
2.20
2.30
2.40
0.97725
0.98214
0.98610
0.98928
0.99180
0.97784
0.98257
0.98645
0.98956
0.99202
0.97831
0.98300
0.98679
0.98983
0.99224
0.97882
0.98314
0.98713
0.99010
0.99245
0.97932
0.98382
0.98745
0.99036
0.99266
0.97982
0.98422
0.98778
0.99061
0.99286
0.98030
0.98461
0.98809
0.99086
0.99310
0.98077
0.98500
0.98840
0.99111
0.99324
0.98124
0.98537
0.98870
0.99134
0.99343
0.98169
0.98574
0.98899
0.99158
0.99361
2.50
2.60
2.70
2.80
2.90
0.99379
0.99534
0.99653
0.99744
0.99813
0.99396
0.99547
0.99664
0.99752
0.99819
0.99413
0.99560
0.99674
0.99760
0.99825
0.99430
0.99573
0.99683
0.99767
0.99831
0.99446
0.99585
0.99693
0.99774
0.99836
0.99461
0.99598
0.99702
0.99781
0.99841
0.99477
0.99609
0.99711
0.99788
0.99846
0.99492
0.99621
0.99720
0.99795
0.99851
0.99506
0.99632
0.99728
0.99801
0.99856
0.99520
0.99643
0.99736
0.99807
0.99861
3.00
3.10
3.20
3.30
3.40
0.99865
0.99903
0.99931
0.99952
0.99966
0.99869
0.99906
0.99934
0.99953
0.99968
0.99874
0.99910
0.99936
0.99955
0.99969
0.99878
0.99913
0.99938
0.99957
0.99970
0.99882
0.99916
0.99940
0.99958
0.99971
0.99886
0.99918
0.99942
0.99960
0.99972
0.99899
0.99921
0.99944
0.99961
0.99973
0.99893
0.99924
0.99946
0.99962
0.99974
0.99896
0.99926
0.99948
0.99964
0.99975
0.99900
0.99929
0.99950
0.99965
0.99976
3.50
3.60
3.70
3.80
3.90
0.99977
0.99984
0.99989
0.99993
0.99995
0.99978
0.99985
0.99990
0.99993
0.99995
0.99978
0.99985
0.99990
0.99993
0.99996
0.99979
0.99986
0.99990
0.99994
0.99996
0.99980
0.99986
0.99991
0.99994
0.99996
0.99981
0.99987
0.99991
0.99994
0.99996
0.99981
0.99987
0.99992
0.99994
0.99996
0.99982
0.99988
0.99992
0.99995
0.99996
0.99983
0.99988
0.99992
0.99995
0.99997
0.99983
0.99989
0.99992
0.99995
0.99997
1 Fuente: Richard I. Levin and Charles A. Kirkpatrick, Quantitive Approaches to Management

(New York: McGraw-Hill, 1978), p. 588.
Ing. Efran Murillo
62
Apndice B: Tabla de Nmeros Aleatorios

1
10
1581922396
0928105582
4112077556
7457477468
0099520858
7245174840
6749420382
5503161011
7164238934
3593969525
4192054466
9697426117
2007950579
4584768758
3840145867
0190453442
6766554338
6315116284
3908771938
5570024586
2999997185
7864375912
7065492027
0654683246
7830555058
7626984369
4785048453
4627791048
9376470693
1227991661
5582095589
4959397698
1824779358
7041092295
3555104281
9717595534
5571564123
4674262892
8461228715
1838538678
1834182305
1884227732
6791857341
3007929946
6085440624
7005051056
9846413446
0625457703
5457593922
4076486653
2068577984
7295088579
3440672486
5435810788
3090908872
2275698645
4832630032
7413686599
7666127259
0272759769
0700014629
6488888550
9564268448
2389278610
9120831830
4800088084
5585265145
9172824179
4035554324
9324732596
0135968938
8383232768
6349104233
4765104877
5255147182
4725370390
3646121751
5765558107
0441608934
7936797054
5535798279
1056981450
1333750468
5726289716
0903099163
1634107293
7344613447
2809456764
0746980892
3049068967
6203476893
2923727501
6696243386
4031562749
2875556938
3496332071
8306646692
4229164694
9751489574
8950826528
8262130892
9586111652
1882412963
9670852913
2039593181
8416549348
5670984959
1198757695
5263097712
0385998136
5169439659
4031652526
3457416988
3859431781
7228567652
1165628559
5089052204
5544814339
0840126299
1186563397
7678931194
1892857070
3382569662
8149224168
3519287786
9641916289
8436077768
8762592043
8749472723
9527542791
4764439855
8416606706
9434074212
3420847871
6827824899
8521057472
1129117244
5806554509
9285305274
6955157269
5937802079
8044389132
2219599137
5570757297
5496629750
5054070890
0661684251
7321363715
1799906380
4934582003
8374856049
7055508767
0684012006
1291265730
5973470495
4676463101
5432114610
0414294470
5133648980
9999089966
8408705169
8123543276
1531027886
3643768456
1267173884
5407921254
9780623691
0016943666
4942059208
4425143189
1351031403
2323673751
4579426926
5468631609
2481675649
5049082870
2928794956
6185670830
2202271078
4711871173
6279247618
8234013222
5273692238
1820481234
6383872737
1471300754
3204461091
8224980942
6331989646
5482964330
3445280195
4611203081
3193884236
6273785046
4841817356
7303867953
8875127201
7051128285
1989141062
4071187742
4637567488
6472382934
0933147914
4890031305
9776135501
2229367983
2966095680
0140121598
4011966963
7544056852
1074373131
0927534537
7016633739
4141314518
4020651657
3768932478
2195448096
3828538786
1475623997
3216653251
6002561840
3188881718
1513082455
6474393896
8907598697
7463807244
9956043516
6363845920
5897002653
8300978148
4446895088
6426813469
5902177065
0318831723
5901682626
3044151557
1699403490
5738031833
8764467686
2161984904
3694915658
6072112445
8224729718
1455349704
1443167141
6255181190
6251533454
1108468072
5595364247
1456207629
Ing. Efran Murillo

LOCALIZACION

Cargado por

Copyright:

Formatos disponibles

LOCALIZACION

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

LOCALIZACION

Cargado por

Copyright:

Formatos disponibles

Simulacin de Sistemas

UNIVERSIDAD NACIONAL DE SAN

Escuela Profesional de Ingeniera Industrial

SIMULACIN DE SISTEMAS DE EVENTOS

Ing. Efran Murillo

Ing. Efran Murillo

QUE INTENTA LA SIMULACION

PROPIEDADES DE LOS MODELOS

Exgenas: Son las variables independientes o de entrada del modelo. Estas se

Ing. Efran Murillo

manipulacin de quienes toman decisiones por ejemplo la duracin de las fases

Endgenas: Son variables dependientes o de salida del modelo como por

De Estado: Estas definen el estado del sistema en un tiempo especfico. Su

La naturaleza de cada sistema y el inters particular del investigador en simular su

Autoimpuestas: O sea asignadas por el mismo operador o

Ing. Efran Murillo

Impuestas: O sea cuando son asignadas manualmente por el mismo sistema

VENTAJAS Y DESVENTAJAS DE LA SIMULACION:

Ing. Efran Murillo

CRITERIOS QUE SE DEBE TENER EN CUENTA PARA QUE UN MODELO DE

Fcil de entender por el usuario.

Ing. Efran Murillo

Ejemplo.- Para aclarar el concepto de la simulacin examinamos el siguiente sistema.

Ing. Efran Murillo

3. DIAGRAMA DE FLUJO EN SIMULACION

Ing. Efran Murillo

Fig 1. Diagrama de flujo del Problema del Semforo.

Ing. Efran Murillo

Ing. Efran Murillo

Al suceso elemental <<preferir la marca X>> se le hace corresponder el nmero 1; al suceso

CLASIFICACIN DE LAS VARIABLES ALEATORIAS

Ing. Efran Murillo

La variable aleatoria ser: X = (1,2).

Se observa que la grfica se aproxima a una distribucin exponencial.

La distribucin de frecuencias respectiva es la siguiente:

Se observa que la grfica se aproxima a una distribucin normal.

La distribucin de frecuencias es la siguiente:

Se observa que la grfica corresponde a una distribucin uniforme.

Ing. Efran Murillo

Se observa que la grfica no se aproxima a ninguna distribucin matemtica, por lo tanto se

Que sean estadsticamente independientes

GENERACIN DE VALORES DE VARIABLES ALEATORIAS

Ing. Efran Murillo

1. Generacin de Valores de Variables Aleatorias con:

Ing. Efran Murillo

2. Generacin de Valores de Variables Aleatorias con:

Ing. Efran Murillo

3. Generacin de Valores de Variables Aleatorias con:

Ing. Efran Murillo

4. Generacin de Valores de Variables Aleatorias con:

Las probabilidades de ocurrencia de cada rango son las siguientes:

5 Calcular la funcin acumulada y graficar

Ing. Efran Murillo

6 Generar un nmero aleatorio entre 0 y 1

CASO ESTUDIO 1: COSTO DE UN ITEM PERFECTO

Ing. Efran Murillo

Ing. Efran Murillo

El costo acumulado para un total de 20 piezas es = 20*10 + 4*5 = 220

Grfica del Costo de un tem perfecto

El costo acumulado para un total de 20 piezas es = 2010 + 45 = 220