Modelos de optimizacin y recursos

Unidad 6: Modelacin Y Simulacin De Operaciones Y

Procesos
Alumnos: Araujo Garca Marvin Noe
Poot Puc Ral Fernando
Tuz Cahum Jos Enrique
Tuz Ek Luis Miguel

Docente: M. en Arq. Aguilar Rivero Lucila Guadalupe

Grado: 3
Grupo: A
Carrera: Ingeniera Civil

Investigacin Documental

Introduccin:
En esta investigacin documental se hablara de la unidad 6 que trata de modelacin y
simulacin de operaciones y procesos, que son algoritmos para dar una solucin a un
problema dado, en este caso, primero se dar una pequea introduccin al tema con el
concepto del proceso de simulacin al igual que los elementos y fases, otro tema ser la
tcnica de Montecarlo que son mtodos que se agrupan a una serie de procedimientos que
analizan distribuciones de variables aleatorias usando simulacin de nmeros aleatorios. Al
igual que las aplicaciones en los problemas de lneas de esperas e inventarios. La
modelacin y simulacin de procesos permite desarrollar modelos virtuales y experimentar
en forma dinmica con ellos. Lo que facilita identificar y cuantificar oportunidades de mejora
en el desempeo actual, as como analizar el comportamiento del proceso bajo estudio en
diferentes condiciones de operacin y adelantarse proactivamente a cambios futuros.

6.1 El proceso de simulacin: concepto, elementos y

fases
Concepto:
La simulacin es la mejor alternativa de la observacin de un sistema. Nos permite recopilar
Informacin pertinente acerca del comportamiento del sistema al paso del tiempo. La
simulacin no es una tcnica de optimizacin. Ms bien se usa para estimar las mediciones
del desempeo de un sistema modelado.
La simulacin moderna suele manejar situaciones que se pueden describir en el contexto
de una lnea de espera o cola. La simulacin no se limita a eso, porque casi cualquier
situacin de funcionamiento se puede considerar como alguna forma de lnea de espera.
sta es la razn por la que la simulacin ha gozado de aplicaciones tan tremendas en las
redes de comunicaciones, manufactura, control de inventario, comportamiento del cliente,
pronsticos econmicos, sistemas biomdicos y estrategias y tcticas blicas.
Un precursor de la simulacin de nuestros das es la tcnica de Monte Carlo, esquema
dirigido hacia la estimacin de parmetros estocsticos o determinsticos con base en el
muestreo aleatorio. La diferencia principal entre las dos tcnicas es que en el mtodo de
Monte Carlo el elemento tiempo no es factor pertinente. Como ejemplos de las aplicaciones
Monte Carlo est la estimacin del rea de una curva o, en forma ms general, la evaluacin
de integrales mltiples, la estimacin de la constante pi = 3.1416, y la inversin de matrices.
La simulacin es un experimento estadstico y en consecuencia sus resultados se deben
interpretar con las pruebas estadsticas adecuadas.

Elementos:
El objetivo final de la simulacin es estimar algunas medidas de desempeo deseables que
describan el comportamiento del sistema simulado. Por ejemplo, en una instalacin de
servicio, las medidas de desempeo asociadas pueden incluir el tiempo de espera promedio
hasta que un cliente es atendido, la longitud promedio de la cola y la utilizacin promedio de
la instalacin de servicio. Esta seccin muestra cmo se recopilan las estadsticas del
sistema simulado con base en el concepto de eventos.

1.-El estado de sistema, es decir, un conjunto de variables que permitan describir el estado
de los diferentes elementos del sistema
2.-El reloj de la simulacin, que es un contador que guarda registro del instante en el que se
encuentra la simulacin.
3.-La lista de eventos, donde se almacenan los eventos que deben tener lugar y cuando
deben ocurrir (por ejemplo, la lista de eventos puede contener la informacin siguiente
cuando el reloj de la simulacin tome el valor 32.27 el llegara una nueva llamada al
sistema).
4.-Un procedimiento de inicializacin, es decir, un programa para que el estado del modelo
de simulacin sea el deseado.
5.-Un procedimiento de actualizacin del reloj, para gobernar como avanza el reloj de la
simulacin.
6.-Un procedimiento para la generacin de eventos, para generar eventos a partir de la
ejecucin de eventos previos y del cambio de estado de los elementos del sistema.
7.-Procedimientos para la generacin de valores de variables aleatorias.
8.-Un generador de informes, que por defecto ofrece informacin sobre el comportamiento
del sistema (contadores, niveles de ocupacin, etc.)
8.-El programa principal, que gobierna la ejecucin de todo el modelo e invoca, cuando
corresponde, a cada uno de los elementos interiores.

Etapas del proceso de simulacin:

1.- definicin del sistema
2.- formulacin del modelo
3.- preparacin de datos
4.- traslacin del modelo
5.- validacin

6.- planeacin estratgica

7.- experimentacin
8.- interpretacin
9.- documentacin

6.2 MTODO MONTE CARLO

Los mtodos de Monte Carlo abarcan una coleccin de tcnicas que permiten obtener
soluciones de problemas matemticos o fsicos por medio de pruebas aleatorias repetidas.
En la prctica, las pruebas aleatorias se sustituyen por resultados de ciertos clculos
realizados con nmeros aleatorios.

El mtodo de Monte Carlo es una herramienta de investigacin y planeamiento; bsicamente

es una tcnica de muestreo artificial, empleada para operar numricamente sistemas
complejos que tengan componentes aleatorios o determinsticos, manteniendo tanto la
entrada como la salida un cierto grado de incertidumbre.

Algoritmo:

El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la generacin

de nmeros aleatorios por el mtodo de Transformacin Inversa, el cual se basa en las
distribuciones acumuladas de frecuencias:

Determinar la/s V.A. y sus distribuciones acumuladas (F)

Generar un nmero aleatorio
uniforme

(0,1).

Determinar el valor de la V.A. para el nmero

Aleatorio generado de acuerdo a las clases que
Tengamos.
Calcular media, desviacin estndar error y realizar el histograma.

Iterar tantas veces

como muestras
necesitamos

Analizar resultados para distintos tamaos de muestra.

Otra opcin para trabajar con Monte Carlo, cuando la variable aleatoria no es directamente el
resultado de la simulacin o tenemos relaciones entre variables es la siguiente:

Disear el modelo lgico de decisin

Especificar distribuciones de probabilidad para las variables aleatorias relevantes.
Incluir posibles dependencias entre variables.
Muestrear valores de las variables aleatorias.
Calcular el resultado del modelo segn los valores del muestreo (iteracin) y registrar el
resultado
Repetir el proceso hasta tener una muestra estadsticamente representativa
Obtener la distribucin de frecuencias del resultado de las iteraciones
Calcular media, desvo.
Analizar los resultados

Las principales caractersticas a tener en cuenta para la implementacin o utilizacin del

algoritmo son:

para evitar que se produzca correlacin entre los valores mustrales.

Iterar tantas veces como muestras necesitamos

Ejemplos:
Utilizaremos un muestreo Montecarlo para estimar el rea del siguiente crculo:
(x - 1)2 + (y - 2)2 = 25
El radio del crculo es r = 5 cm, y su centro es (x, y) = (1, 2).

El procedimiento para estimar el rea requiere encerrar estrechamente el crculo en un

cuadrado cuyo lado sea igual al dimetro del crculo, como se muestra en la figura 19.1. Los
puntos de esquina se determinan a partir de la
geometra del cuadrado.
La estimacin del rea del crculo se basa en

un

experimento de muestreo que brinda una

oportunidad igual de seleccionar cualquier

punto

en el cuadrado. Si m de n puntos muestreados

quedan

dentro del crculo, entonces

Para asegurarnos de que todos los puntos en el cuadrado son igualmente probables, las
coordenadas x y y de un punto en el cuadrado se representan por medio de las siguientes
distribuciones uniformes:

La determinacin de una muestra (x, y) se basa en el uso de nmeros (seudo) aleatorios

independientes
0-1. La tabla 19.1 incluye una muestra de tales nmeros, los cuales utilizaremos en los
ejemplos de este captulo. Para el propsito de simulacin general, se utilizan operaciones
aritmticas
especiales para generar nmeros (seudo) aleatorios 0-1.
Se puede usar un par de nmeros aleatorios 0-1, R1 y R2, para generar un punto aleatorio
(x, y) en el cuadrado utilizando las siguientes frmulas:

Para demostrar la aplicacin del procedimiento, consideremos R1 5 .0589 y R2 5 .6733.

Este punto queda dentro del crculo debido a que

Ejemplo 2:
Si deseamos reproducir, mediante nmeros aleatorios, la tirada sucesiva de una moneda,
debemos previamente asignarle un intervalo de nmeros aleatorios a CARA y otro a CRUZ,
de manera de poder interpretar el resultado de la simulacin. Tales intervalos se asignan en
funcin de las probabilidades de ocurrencia de cada cara de la moneda. Tenemos as:
CARA Probabilidad: 0,50 Nmeros aleatorios: 0,000 al 0,499
CRUZ Probabilidad: 0,50 Nmeros aleatorios: 0,500 al 0,999
Despus, al generar un nmero aleatorio a partir de la funcin RAN de la calculadora, por
ejemplo, obtenemos el resultado simulado. As, si obtenemos el nmero aleatorio 0,385,
observamos que est incluido en el intervalo asignado a CARA.
En otras aplicaciones, se asocian intervalos de nmeros aleatorios segn las probabilidades
de ocurrencia de los eventos a simular.

6.3 Aplicaciones de la simulacin en problemas de lneas

de espera e inventarios.
Teora de cola:
Una cola es una lnea de espera. La teora de colas es un conjunto de modelos matemticos
que describen sistemas de lneas de esperas particulares.

El objetivo es encontrar el estado ms estable del sistema y determinar una capacidad de

servicio.
Un sistema de colas se puede describir como sigue. Un conjunto de clientes llega a un
sistema buscando un servicio, esperan si este no es inmediato, y abandonan el sistema una
vez han sido atendidos. En algunos casos se puede admitir que los clientes abandonan el
sistema si se cansan de esperar.
El trmino cliente se usa con un sentido general y no implica que sea un ser humano,
puede significar piezas esperando su turno para ser procesadas o una lista de trabajo
esperando para imprimir en una impresora en red.
Caractersticas de los sistemas de cola:
Seis son las caractersticas bsicas que se deben utilizar para describir adecuadamente un
sistema de colas:
a) Patrn de llegada de los clientes
b) Patrn de servicio de los servidores
c) Disciplina de cola
d) Capacidad del sistema
e) Nmero de canales de servicio
f) Nmero de etapas de servicio

Patrn de llegada de los clientes

En situaciones de cola habituales, la llegada es estocstica, es decir la llegada depende de
una cierta variable aleatoria, en este caso es necesario conocer la distribucin probabilstica
entre dos llegadas de cliente sucesivas. Adems habra que tener en cuenta si los clientes
llegan independiente o simultneamente.
Patrones de servicio de los servidores.
Los servidores pueden tener un tiempo de servicio variable, en cuyo caso hay que asociarle,
para definirlo, una funcin de probabilidad. Tambin pueden atender en lotes o de modo

individual. El tiempo de servicio tambin puede variar con el nmero de clientes en la cola,
trabajando ms rpido o ms lento, y en este caso se llama patrones de servicio
dependientes
Disciplina de cola
La disciplina de cola es la manera en que los clientes se ordenan en el momento de ser
servidos de entre los de la cola. Cuando se piensa en colas se admite que la disciplina de
cola normal es FIFO (atender primero a quien lleg primero) Sin embargo en muchas colas
es habitual el uso de la disciplina LIFO atender primero al ltimo).
Capacidad del sistema
En algunos sistemas existe una limitacin respecto al nmero de clientes que pueden
esperar en la cola. A estos casos se les denomina situaciones de cola finitas. Esta limitacin
puede ser considerada como una simplificacin en la modelizacin de la impaciencia de los
clientes.
Nmero de canales del servicio
Es evidente que es preferible utilizar sistemas multiservidos con una nica lnea de espera
para todos que con una cola por servidor. Por tanto, cuando se habla de canales de servicio
paralelos, se habla generalmente de una cola que alimenta a varios servidores mientras que
el caso de colas independientes se asemeja a mltiples sistemas con slo un servidor.
Etapas de servicio Un sistema de colas puede ser un-etapa o multi-etapa. En los sistemas
multietapa el cliente puede pasar por un nmero de etapas mayor que uno. Una peluquera
es un sistema un-etapa, salvo que haya diferentes servicios (manicura, maquillaje) y cada
uno de estos servicios sea desarrollado por un servidor diferente.
Etapas de servicio
Un sistema de colas puede ser un-etapa o multi-etapa. En los sistemas multietapa el cliente
puede pasar por un nmero de etapas mayor que uno. Una peluquera es un sistema unetapa, salvo que haya diferentes servicios (manicura, maquillaje) y cada uno de estos
servicios sea desarrollado por un servidor diferente.
Aplicacin de la teora de colas:

Una vez llegados a este punto se han obtenido una serie de datos y resultados, de modo que
el siguiente paso es analizarlos y buscarles una aplicacin til para la empresa.
Estos resultados son de suma utilidad a la hora de disear los sistemas de lneas de espera.
La decisin a tomar ms comn es el nmero de servidores que deben estar en
funcionamiento, aunque tambin son importantes otros aspectos como nmero de servidores
por instalacin de servicio, eficiencia de los servidores, nmero de instalaciones de servicio,
tamao de la sala de espera
A la hora de tomar estas decisiones en la empresa el objetivo ser normalmente optimizar
costes. Para ello se han de tener en cuenta dos grandes factores: en primer lugar el coste
que supone dar el servicio, ya que cuanto mayor sea el nmero de servidores en mayores
costes incurrir la empresa, cuanto mayor sea la eficiencia de esos servidores en menores
costes incurrir pero mayor inversin requerir; en segundo lugar nos encontramos con el
coste que supone que los clientes esperen dentro del sistema. As pues la decisin correcta
es la que suma ambos costes y hace este resultado mnimo.
Importancia de la distribucin exponencial y de Poisson:
La forma algebraica de la distribucin exponencial es:

T: tiempo (horas, minutos, etc.)

La distribucin exponencial supone una mayor probabilidad para tiempos de llegadas
pequeos. En general se considera que las llegadas son aleatorias. Es una distribucin
discreta empleada con mucha frecuencia para describir el patrn de las llegadas a un
sistema de colas.
Por otra parte la forma algebraica de la distribucin de Poisson es:

P (k)= probabilidad de k llegadas por unidad de tiempo.

= tasa media de llegadas.

Ejemplos:
Un promedio de 10 automviles por hora llegan a un cajero con un solo servidor que
proporciona servicio sin que uno descienda del automvil. Suponga que el tiempo de servicio
promedio por cada cliente es de 4 minutos, y que tanto los tiempos entre llegadas y los
tiempos de servicio son exponenciales conteste las preguntas.
1. Cul es la probabilidad de que el cajero este ocioso?
2. Cul es el numero promedio de automviles que estn en la cola del cajero? (se
considera que un automvil que est siendo atendido no est en la cola
esperando)
3. Cul es la cantidad promedio de tiempo que un cliente pasa en el
estacionamiento del banco (incluyendo el tiempo del servicio).
Solucin
De acuerdo con las premisas, estamos trabajando con un sistemas de colas de
M/M/1/GD// para el cual = 10 automviles por hora y = 15 automviles por hora. Por lo
tanto p= 10/15 = 2/3
1. Segn

(24),

Por lo tanto el cajero estar ocioso por un promedio de un tercio de tercio de tiempo.
2. Determinemos L

3.

EJEMPLO

Una mquina en servicio tiene una unidad de reserva para sustituirla de inmediato cuando
falle. El tiempo a la falla (tiempo entre fallas) de la mquina (o de su unidad de reserva) es
exponencial, y sucede cada 40 min. En promedio. El operador de la mquina dice que esta
tiene la costumbre de descomponerse cada noche a eso de las 8:30 pm. Analizar lo que
dice

el

operador.

La tasa promedio de fallas de la mquina es = 60 / 40 = 1.5 fallas por hora. As, la

distribucin exponencial del tiempo a la falla es

En cuanto a lo que dice el operador, ya se sabe que no puede ser correcto, porque se opone
al hecho de que el tiempo entre fallas es exponencial y, en consecuencia, es totalmente
aleatorio. La probabilidad de que una falla suceda a la 8:30 pm no se puede usar para
respaldar ni refutar esa afirmacin por que el valor de esa probabilidad depende de la hora
del da (en relacin a las 8:30 pm) con la que se calcule. Por ejemplo si ahora son las 8:20
pm, la probabilidad de lo que dice el operador sea cierto esta noche es baja.

Modelo general de inventario:

La naturaleza del problema de los inventarios consiste en colocar y recibir en forma repetida
pedidos u rdenes de determinados tamaos a intervalos de tiempo establecidos. Desde un
punto de vista, una poltica de inventario contesta las siguientes preguntas:
1. Cunto pedir?
2. Cundo pedir?
Las respuestas de estas preguntas se basan en minimizar el siguiente modelo de costos:

(Costo total del inventario) = (costo de compra) + (costo de preparacin) + (costo de

almacenamiento) + (costo de faltante).
Todos esos costos se deben expresar en la cantidad econmica de pedido (Cunto pedir?)
y el tiempo entre los pedidos (Cundo pedir?).
1. El costo de compra se basa en el precio por unidad del artculo. Puede ser constante,
o puede ofrecerse con descuentos.
2. El costo de preparacin representa el costo fijo incurrido cuando se coloca un pedido.
Es el independiente de la cantidad pedida.
3. El costo de almacenamiento o de posesin representa el costo de mantener una
existencia de inventario. Comprende el inters sobre el capital y el costo de
almacenamiento, mantenimiento y manejo.
4. El costo faltante es la penalizacin en que se incurre cuando se terminan las
existencias. Incluye la perdida potencial de ingresos y el costo, ms subjetivo, de
perdida de la buena voluntad del cliente.
Un sistema de inventarios se puede basar en la revisin peridica (por ejemplo, pedir cada
semana o cada mes), cuando se reciben nuevos pedidos al iniciar cada periodo. En forma
alternativa, el sistema se puede basar en una revisin continua, cuando se colocan los
nuevos pedidos y la cantidad de inventario baja hasta cierto nivel, que se llama punto de
reorden.
Modelo clsico de cantidad econmica de pedido:
El modelo ms sencillo de los modelos de inventario implica una tasa constante de demanda
con el surtido instantneo del pedido y sin faltante. Se definen.
Y= cantidad pedida (cantidad de unidades)
D= tasa de demanda (unidades por unidad de tiempo)
T0= duracin del ciclo de pedido (unidades de tiempo)
El nivel de inventario sigue el patrn de la figura 11.1. Cuando el inventario llega al valor
cero, se coloca un pedido cuyo tamao es y unidades, y recibe en forma instantnea.

Figura 11.1

Despus la existencia se consume uniformemente y la tasa constante de demanda D. el ciclo

de pedido para este comportamiento es

El nivel promedio de inventario que resulta es:

Nivel de promedio de inventario =

El modelo requiere de dos parametros:

K= costo de preparacion correspondiente a la colocacion de un pedido ($/pedido)
h= costo de lamacenamieto ($ por unidad en inevntario por unidad de tiempo)
el costo total por unidad de tiempo (TCU, de total cost per unit time) se calcula como sigue:

El valor ptimo de la cantidad de pedido y se determina minimizando TCU (y) con respecto a
y. suponiendo que y sea continua, una condicin necesaria para determinar el valor ptimo
de y es

Esta condicin tambin es suficiente, porque TCU (y) es convexa.

La solucin de la ecuacin da como resultado la siguiente cantidad econmica de pedido y*

As, la poltica ptima de inventario para el modelo propuesto se resume como sigue:

En realidad, no se necesita hacer un nuevo pedido en el instante en que se pide, como se ha

descrito aqu. En lugar de ello puede transcurrir un tiempo de entrega positivo, L, entre la
colocacin y la recepcin de un pedido, como se ve en la figura 11.2. En este caso, el punto
de reorden se presenta cuando el nivel del inventario baja LD unidades.
En la figura 11.2 se supone que el tiempo de entrega L es menor que la longitud del ciclo t*0.
Lo cual en general no es el caso. Para tener en cuenta otras situaciones, se definir el
tiempo efectivo de entrega como sigue:

Figura 11.2

Donde n es el entero mayor que L/t0. Este resultado se justifica, porque despus de n
ciclos de t*0 cada uno, el estado del inventario es como si el intervalo entre colocar un pedido
y recibir otro es LtD unidades, y la poltica de inventario se puede reenunciar como sigue:
Pedir la cantidad y* siempre que la cantidad de inventario baja LtD unidades.

Ejemplo:

Se cambian luces de neon en el campus de la U de A a una tasa se 100 unidades

diarias. Estas luces de neon piden en forma periodica. Cuesta $ 100 al iniciar una orden de
compra. Se estima que una luz de neon en el almacen cuesta unos $ 0.02 diarios. El tiempo
de entrega, entre la colocacion y la recepcion de un pedido es de 12 dias. Determine la
politica optima de inventario para pedir las luces de neon.
De acuerdo al problema.
D= 100 unidades por dia
K = $ 100 por pedido
h = $ 0.02 por unidad y por dia
tt = 12 dias

asi

La longitud correspondiente es

Como el tiempo de entrega L = 12 das es mayor que la longitud del ciclo t*0 (= 10 das), se
debe calcular Lt la cantidad de ciclos incluidos en L es

Entonces

Entonces el punto de reorden se presenta cuando la cantidad de inventario baja a

La poltica de inventario para pedir las luces de nen es

Pedir 100 unidades cuando el inventario baja a 200 unidades.
El costo de inventario correspondiente a la poltica propuesta es

Conclusin:
Con base a lo ledo pudimos llegar a la conclusin de que La simulacin es un procedimiento
cuantitativo que describe un proceso la cual desarrolla un modelo del mismo y despus
conducir una serie de experimentos de tanteos organizados para predecir el comportamiento
del mecanismo, de la cual se apoya con diferentes algoritmos del cual cada uno tiene
diferente solucin segn sea el caso que se presente.

Bibliografa:
1.- Hamdy A. Taha, Investigacin de operaciones 9na edicin, Capitulo 19: Modelado De
Simulacin, pgina 647
2.- Hamdy A. Taha, Investigacin de operaciones 7ma edicin, capitulo 18: Modelado De
Simulacin, pgina 639