Simulacioìn de Procesos 2018

Marketing en Contenido Digital
SIMULACIÓN DE
PROCESOS
INGENIERÍA INDUSTRIAL
Simulación de Procesos
2
© Corporación Universitaria
Remington
Primera edición
2018
John Andersson Valencia Palacio
Facultad de Ciencias Básicas e Ingeniería
Editorial Uniremington
Medellín, Colombia
Derechos Reservados ©2011
Primera edición: 2018
Responsables
Jorge Mauricio Sepúlveda Castaño
Decano de la Facultad de Ciencias Básicas e Ingeniería
jsepulveda@uniremington.edu.co
Francisco Javier Álvarez Gómez

Coordinador CUR-Virtual
falvarez@uniremington.edu.co
Edición y Montaje
Vicerrectoría de Educación a Distancia y Virtual
Equipo de diseño gráfico
www.uniremington.edu.co
virtual@uniremington.edu.co
Derechos reservados: El módulo de estudio del curso de

SIMULACIÓN DE PROCESOS es propiedad de la Corporación
Universitaria Remington; las imágenes fueron tomadas de
diferentes fuentes que se relacionan en los derechos de autor y
las citas en la bibliografía. El contenido del módulo está protegido
por las leyes de derechos de autor que rigen al país. Este material
tiene fines educativos y no puede usarse con propósitos
económicos o comerciales. El autor(es) certificó (de manera verbal
o escrita) No haber incurrido en fraude científico, plagio o vicios
de autoría; en caso contrario eximió de toda responsabilidad a la
Corporación Universitaria Remington y se declaró como el único
responsable.
Esta obra es publicada bajo la licencia Creative Commons.

Reconocimiento-No Comercial-Compartir Igual 2.5 Colombia
3
TABLA DE CONTENIDO
Pág.
1 UNIDAD 1. GENERALIDADES 7
1.1.1 RELACIÓN DE CONCEPTOS 7
1.1.2 PRUEBA INICIAL 8
1.1.3 OBJETIVO GENERAL 9
1.1.4 OBJETIVOS ESPECÍFICOS 9
1.2 TEMA 1. CONCEPTOS BÁSICOS DE LA SIMULACIÓN DE PROCESOS 9

1.2.1 ¿QUÉ ES LA SIMULACIÓN? 9
1.2.2 APLICACIONES DE LA SIMULACIÓN 10
1.2.3 VENTAJAS Y DESVENTAJAS DE LA SIMULACIÓN 10
1.2.4 SISTEMAS Y MODELOS 11
1.2.5 ELEMENTOS DE LA SIMULACIÓN DISCRETA 13
1.2.6 EJERCICIOS DE APRENDIZAJE 1 14
1.2.7 TALLER DE ENTRENAMIENTO 15
1.3 TEMA 2 GENERACIÓN DE NÚMEROS ALEATORIOS 16

1.3.1 MÉTODOS DE GENERACIÓN DE NÚMEROS SEUDOALEATORIOS 16
1.3.2 MÉTODO DE LOS CUADRADOS CENTRALES 16
1.3.3 EJERCICIO DE APRENDIZAJE 1 18
2 UNIDAD 2. GENERACIÓN DE DATOS PARA SIMULACIÓN 20

2.2 tema 1 VARIABLES ALEATORIAS 22

2.2.1 TIPOS DE VARIABLES ALEATORIAS 22
2.2.2 FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETAS 23
2.2.3 FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD CONTINUAS 24
2.2.4 EJERCICIO DE APRENDIZAJE 25
2.3 TEMA 2 GENERACIÓN DE VARIABLES ALEATORIAS 27

2.3.1 MÉTODO DE LA TRANSFORMADA INVERSA 27
2.4 TEMA 3 PRUEBAS DE BONDAD DE AJUSTE 34

4
3 UNIDAD 3. MODELOS DE SIMULACIÓN 39
3.2 TEMA 1 SIMULACIÓN DE PROCESOS CON EXCEL 41

3.2.1 MODELO BÁSICO DE SIMULACIÓN 41
3.3 TEMA 2. SIMULACIÓN DE PROCESOS CON PROMODEL 48

3.3.1 ELEMENTOS BÁSICOS 48
3.3.5 TALLER DE ENTRENAMIENTOS 50
4 PISTAS DE APRENDIZAJE 52
5 GLOSARIO 53
6 BIBLIOGRAFÍA 54
PROPÓSITO GENERAL
SIMULACIÓN DE
PROCESOS
Brindar a los estudiantes las herramientas propias de la simulación y la estadística que

les permitan diseñar, modelar, analizar y evaluar sistemas complejos que se presentan
en la vida cotidiana y en los procesos productivos
SIMULACIÓN DE
PROCESOS
OBJETIVO GENERAL
Utilizar los modelos de simulación de procesos para sistemas complejos
presentes en las organizaciones productivas, analizando las dinámicas, variables
y sensibilidad ante los cambios, evaluando, además, los impactos que tienen las
decisiones estratégicas en la ejecución de las actividades propias de cada
sistema.
OBJETIVOS ESPECÍFICOS
 Identificar los elementos básicos de la simulación y la relevancia de la
generación de números aleatorios
 Establecer procedimientos para las pruebas de bondad de ajuste de las

variables aleatorias asociadas a los elementos de la simulación
 Desarrollar modelos de simulación en Excel y promodel que permitan

identificación de las dinámicas, analizando los resultados y tomando
decisiones estratégicas para el mejoramiento de los procesos productivos.
UNIDAD 1 UNIDAD 2 UNIDAD 3
Generación de Modelos de
Generalidades Datos para Simulación
Simulación
7
1 UNIDAD 1. GENERALIDADES
1.1.1 RELACIÓN DE CONCEPTOS
 Modelo: Es la representación matemática de las variables que interfieren o influyen en el

comportamiento de una variable.
 Número aleatorio: Consiste en una cantidad numérica generada de manera

independiente y sin ningún tipo de correlación
 Sistema: Conjunto de elementos que interactúan entre si

8
1.1.2 PRUEBA INICIAL
Explicación de la opción de
Pregunta 4 Opciones de respuesta
respuesta
Incorrecto: No se puede definir

1. un equipo de cómputo
estrictamente como un equipo
2. un software o paquete Incorrecto: Un sistema no es un

operativo software o un programa
Pregunta: ¿Qué es un
Correcto: Un sistema está
sistema? 3. un conjunto de
compuesto por diversos
elementos que
elementos que interactúan entre
interactúan entre si
si según la teoría de sistemas
4. una simplificación de la Incorrecto: Esto se puede definir

realidad como un modelo
respuesta
Incorrecto: Este tipo de modelos

1. Determinístico trabajan con datos bajo
certidumbre
Correcto: los modelos

2. Probabilístico probabilísticos trabajan con
Pregunta: ¿Qué tipo de variables bajo incertidumbre
modelo es representado por
variables aleatorias? Incorrecto: Este tipo de modelos
3. Dinámico
relacionan el cambio en el tiempo
Incorrecto: Este tipo de modelo

4. Discreto relaciona los valores que puede
tomar una variable
respuesta
9
Incorrecto: pueden ayudar en el
1. software y tiempo proceso pero no son elementos
básicos
Incorrecto: sólo los recursos son

2. personas y recursos
Pregunta: ¿cuáles son elementos básicos
elementos básicos de una
simulación? Incorrecto: no se consideran en
3. restricciones
la simulación
Correcto: conforman los

4. recursos, atributos y
elementos básicos de una
locaciones
simulación.
1.1.3 OBJETIVO GENERAL

 Identificar los elementos básicos de la simulación y la relevancia de la generación de
números aleatorios.
1.1.4 OBJETIVOS ESPECÍFICOS

 Determinar los elementos que son relevantes en la simulación de sistemas.
 Generar números aleatorios que garanticen el adecuado funcionamiento del proceso de

simulación.
1.2 TEMA 1. CONCEPTOS BÁSICOS DE LA SIMULACIÓN DE

PROCESOS
1.2.1 ¿QUÉ ES LA SIMULACIÓN?
Como cita (Hillier, 2010) “…Esta técnica involucra el uso de una computadora para imitar
(simular) la operación de un proceso o sistema completo”. Por otra parte, (Law, 2007) lo define
como las técnicas que utilizan el computador para imitar o simular las operaciones de varios
tipos de compañías y procesos de la vida real. Como ejemplos se podrían considerar procesos
10
como la atención de usuarios en una central telefónica, las actividades desarrolladas en un
almacén de materias primas; el cargue y descargue de vehículos, el sistema de inventarios en una
planta de alimentos, entre otros.
1.2.2 APLICACIONES DE LA SIMULACIÓN

Las áreas de aplicación de la simulación son numerosas y diversas. A continuación, se listan
algunos problemas que han evidenciado la importancia y la aplicabilidad de esta técnica:
a) Diseño y análisis de sistemas de manufactura
b) Evaluación de un nuevo sistema de armamento militar o táctico
c) Determinar las políticas de pedido en un sistema de inventarios
d) Diseño y operación de infraestructura de transporte como aeropuertos, submarinos o

puertos
e) Análisis financiero y económico de sistemas
f) Evaluación en el diseño de organizaciones de servicio como hospitales, restaurantes,

centros farmaceúticos, peajes, oficinas bancarias, entre otros.
g) Viabilidad en el lanzamiento de nuevos productos al mercado
h) Rediseño de procesos productivos, centros de trabajo y personal asignado a tareas.
1.2.3 VENTAJAS Y DESVENTAJAS DE LA SIMULACIÓN

De acuerdo con (Dunna, 2003) se presentan las siguientes ventajas y desventajas con la
implementación de la simulación:
1.2.3.1 VENTAJAS
 Conocer el impacto de los cambios en los procesos antes de ejecutarlos
 Mejora el conocimiento del proceso actual

11
 Medio de capacitación para tomar decisiones
 Permite probar múltiples escenarios
 Puede generar buenas soluciones ante problemas complejos
1.2.3.2 DESVENTAJAS
 No es una herramienta de optimización
 Se requiere mucho tiempo para la recolección de datos
 Conocimiento en software de simulación
 Conocimiento en herramientas estadísticas
1.2.4 SISTEMAS Y MODELOS

Un sistema es definido como un conjunto de entidades o elementos (personas, máquinas, piezas,
entre otros) que actúan e interactúan entre sí con el objetivo de alcanzar un fin lógico (Schmidt
y Taylor, 1970). En un sentido práctico, los elementos de un sistema difieren significativamente
dependiendo de los objetivos y del alcance que tenga el estudio que se desee realizar.
Como ejemplo, si se desea estudiar el número de casetas necesarias en un peaje vial para
minimizar la espera de los vehículos, el sistema se puede delimitar como el espacio de la
carretera donde serán ubicadas las casetas e incluyen a los vehículos que pasarán por esa vía.
Mientras que si el interés de estudio es medir el número de vehículos que pasan por cierto cruce
vial, el sistema sería entonces delimitado por las calles que conforman dicho cruce.
Un modelo es una representación matemática, física o probabilística de un sistema real a partir

de la definición de los elementos, relaciones, proposiciones, hechos, variables y parámetros; con
el fin de analizar los comportamientos de sistemas complejos.
1.2.4.1 TIPOS DE MODELOS

Los modelos de simulación se pueden clasificar según el tipo de ecuaciones matemáticas que lo
componen, Según la forma como cambia de estados o según la forma como cambian las variables
en el sistema. En la siguiente tabla se relacionan cada tipo de clasificación.
12
CLASIFICACIÓN TIPO DEFINICIÓN EJEMPLO
Ecuaciones evaluadas Personas que

en un punto llegan a un banco
Discretos
determinado del en un intervalo de
tiempo tiempo
SEGÚN EL TIPO DE
ECUACIONES Ecuaciones
diferenciales que
Flujo de un fluido
Continuos definen el cambio de
en una tubería
una variable con
respecto al tiempo
Representan un
resultado bajo un
El lanzamiento de
Estáticos conjunto de
un dado
condiciones
SEGÚN LA FORMA
determinadas
COMO CAMBIA DE
ESTADOS
Número de
El estado del sistema
personas que
Dinámicos cambia con relación al
hacen fila en un
tiempo
banco
Se conoce con certeza

el estado de la Costo de producir
Determinístico variable en un una pieza de
momento manufactura
SEGÚN LA FORMA
determinado
COMO CAMBIAN LAS
VARIABLES
Se utilizan variables Número de
aleatorias para vehículos que
Probabilístico
modelar el pasan por un peaje
comportamiento en un día.
El presente curso está enfocado a los problemas con variables estocásticas o probabilísticas, con
cambios de estados dinámicos y con eventos discretos. Este tipo de simulación se denomina
simulación de eventos discretos.
13
1.2.4.2 RAZONES PARA LA SIMULACIÓN DISCRETA
 Según (Dyner, Peña y Arango; 2008) existen un conjunto de razones que justifican el uso
de la simulación para eventos discretos:
 Encontrar soluciones a problemas matemáticos de los cuales no se conoce solución

analítica
 Resolver problemas de sistemas en los cuales su experimentación es costosa
 Entender el comportamiento de los sistemas donde se presentan procesos estocásticos

complejos
 Apoyar la formulación de estrategias productivas y organizacionales de las compañías.
1.2.5 ELEMENTOS DE LA SIMULACIÓN DISCRETA

En todos los sistemas complejos con eventos discretos, se pueden identificar los siguientes
elementos:
ELEMENTO CARACTERÍSTICA
Representación de los flujos de entrada o de salida del sistema,

es el elemento responsable de que el estado del sistema cambie
ENTIDAD
Ejemplos: personas que ingresan a un banco, vehículos que
llegan a un peaje, llamadas que ingresan a una central telefónica.
Es la condición que guarda el sistema bajo estudio en un

momento de tiempo determinado
Se compone de variables o características de operación puntuales
Como ejemplo se puede considerar:
ESTADO DEL SISTEMA
 Número de piezas en proceso en un momento
determinado.
 Tiempo promedio de duración de un servicio en un
espacio de tiempo
14
Se define como un cambio en el estado actual del sistema
Ejemplos:
 Llegada de un nuevo cliente al sistema
EVENTO
 Inspección completada de una pieza
 Daño en una máquina
 Salida de un consumidor por excesivo tiempo de espera
Son los lugares físicos en los que las entidades son atendidas,
transformadas o servidas; o bien aquellos donde esperan a serlo.
LOCALIZACIONES
Ejemplos: máquinas, cabinas telefónicas, casetas, sillas de
espera, filas de banco, mesas, entre otros.
Dispositivos necesarios para llevar a cabo una operación pero que

no forma parte de la localización
RECURSOS
Ejemplos: Montacargas, operarios, técnicos, asesores, personal,
camillas.
Es una característica de las entidades.

ATRIBUTO Ejemplos: Peso, color, tipo de cliente, tipo de emergencia en un
hospital, tipo de pieza.
Condiciones cuyo valor se modifican con ecuaciones matemáticas

y relaciones lógicas
VARIABLES
Ejemplo: número de personas que ingresarán al sistema
Número de piezas a inspeccionar en un turno
1.2.6 EJERCICIOS DE APRENDIZAJE 1

A continuación, se presenta un ejemplo prototipo para identificar los elementos principales de
un sistema productivo.
Suponga que el sistema productivo que se desea simular es una central de llamadas.
Entidades: Llamadas que ingresan a la central

15
Localizaciones: Stands de servicios en los cuáles se reciben las llamadas: el espacio virtual donde
se ubican las llamadas en espera.
Recursos: Personal que contesta las llamadas; servidores que redirigen llamadas de acuerdo al
servicio que se requiera
Atributos: Tipo de llamada; servicio o necesidad que presente el usuario que hace la llamada.
1.2.7 TALLER DE ENTRENAMIENTO

Determine los elementos de cada uno de los siguientes sistemas
a) La sala de emergencia de un hospital
b) Un banco mercantil
c) Una línea telefónica de atención a clientes
d) La recepción de un hotel
e) Un taller de tornos
f) El proceso de pintura de un automóvil
g) Un hospital
h) Un sistema de respuesta en caso de emergencias
TIPS
Los sistemas productivos están compuestos por entidades,
localizaciones, recursos, atributos y variables.
Los recursos son necesarios para hacer la operación, pero no hacen

parte de la localización.
16
1.3 TEMA 2 GENERACIÓN DE NÚMEROS ALEATORIOS
Para poder realizar simulaciones de procesos de manera confiable se requiere la inclusión de
variabilidad en cada uno de sus eventos; motivo por el cual se requiere la generación de números
aleatorios que generes dicha variabilidad al modelo de simulación planteado. En consecuencia,
la generación adecuada de números aleatorios es fundamental para el buen funcionamiento y
ajuste de los modelos de simulación.
De esta manera, lo primero que se debe revisar es si los números aleatorios generados son
realmente aleatorios; es decir, si no se presentan correlaciones entre ellos ni factores de
dependencia. Sin embargo, esto implica generar un conjunto infinito de números, lo que implica
un consumo de tiempo, recursos y energía que no son justificables desde el punto de vista de la
simulación. Para esto entonces, se utilizan algunos métodos de generación de números
considerados “Seudoaleatorios”; los cuáles garantizan un comportamiento similar en cuánto a
variabilidad y correlación.
1.3.1 MÉTODOS DE GENERACIÓN DE NÚMEROS SEUDOALEATORIOS

A continuación, se presentan un conjunto de métodos utilizados para la generación de números
seudoaleatorios.
1.3.2 MÉTODO DE LOS CUADRADOS CENTRALES

Este método fue propuesto en la década de los cuarenta del siglo XX por Von Neumann y
Metrópolis; el cual permite el muestreo de número aleatorios a partir de la selección de las cifras
centrales de un número después de haberlo elevado al cuadrado. Los pasos para el desarrollo de
este método son los siguientes:
 Paso 1. Elegir un número entero cualquiera y elevarlo al cuadrado
 Paso 2. Seleccionar los dígitos centrales
 Paso 3. Dividir el número entre 100 para generar un número entre cero y uno.
 Paso 4. Ir al paso 1 hasta haber generado el número suficiente de datos.

17
EJEMPLO:
Inicie el algoritmo con un número entero cualquiera, en este caso 65. Al elevarlo al cuadrado
obtenemos 4225. El paso siguiente es seleccionar los dígitos centrales 22 y repetir el mismo
procedimiento así:
(65)2 = 4225; (22)2 = 484; (8)2 = 64; (64)2 = 4096
Así, los números generados serán {65, 22, 8, 64, 9} y al dividir entre 100 quedarán {0.65, 0.22,
0.08, 0.64, 0.09}
1.3.2.1 MÉTODO DE LOS PRODUCTOS MEDIOS

Este método es similar al algoritmo anterior, sólo que se requiere la propuesta de dos números
enteros de dos o más dígitos, los cuales se multiplican y al número generado se le seleccionan los
dos dígitos centrales; los cuáles se dividen entre 100 para generar un valor decimal. Los pasos de
este método son los siguientes:
 Paso 1. Elegir dos números enteros positivos de dos o más dígitos
 Paso 2. Multiplicar los números generados
 Paso 3. Seleccionar los dos dígitos centrales del número obtenido
 Paso 4. Dividir el número entre 100
 Paso 5. Reemplazar el primer número generado por el el obtenido
 Paso 6. Repetir hasta obtener la cantidad de números aleatorios requerido.
1.3.2.2 MÉTODOS CONGRUENCIAL MULTIPLICATIVO

El algoritmo congruencial multiplicativo genera una secuencia de números enteros a partir de la
siguiente ecuación recursiva:
𝑋𝑖+1 = 𝑎𝑋𝑖 𝑚𝑜𝑑 (𝑚)

18
Donde Xo es un número entero conocido como semilla, a es una constante multiplicativa definida
por el usuario y m un número entero positivo. La operación Mod se refiere al residuo generado
por la división de aXi entre m.
Finalmente, para generar un número aleatorio en 0 y 1 se debe ejecutar la siguiente ecuación:
𝑋𝑖
𝑟𝑖 =
𝑚−1
De acuerdo con Banks, Carson, Nelson y Nicol, citados en (XXXX, 2000) las condiciones que deben
cumplir los parámetros para que el algoritmo congruencial multiplicativo alcance su máximo
periodo N, son:
𝑚 = 2𝑔
𝑎 = 5 + 8𝑘; 𝑐𝑜𝑛 𝑘 𝑒𝑛𝑡𝑒𝑟𝑜 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜
𝑋𝑜 = 𝑑𝑒𝑏𝑒 𝑠𝑒𝑟 𝑢𝑛 𝑛ú𝑚𝑒𝑟𝑜 𝑖𝑚𝑝𝑎𝑟
𝑔 𝑑𝑒𝑏𝑒 𝑠𝑒𝑟 𝑢𝑛 𝑛ú𝑚𝑒𝑟𝑜 𝑒𝑛𝑡𝑒𝑟𝑜 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜
A partir de estas condiciones se logra un periodo de vida máximo N=k/4

Suponga que se seleccionan dos números enteros 65 y 83. Apliquemos los pasos del método de
los productos medios para generar 4 números aleatorios:
65 ∗ 83 = 5𝟑𝟗5; 83 ∗ 39 = 3𝟐𝟑7; 39 ∗ 23 = 8𝟗7; 9 ∗ 23 = 2𝟎7

Así, luego de dividir entre 100 los números aleatorios serías {0.39;0.23;0,09;0.00}

Generar suficientes números aleatorios con el método congruencial multiplicativo entre 0 y 1 con
los siguientes parámetros: Xo=17; k=2 y g=5.
19
Calculemos los parámetros así:
𝑎 = 5 + 8 ∗ 2 = 21; 𝑚 = 25 = 32
5
𝑋1 = (21 ∗ 17)𝑚𝑜𝑑 32 = 5; 𝑟1 = = 0,612
32 − 1
9
𝑋2 = (21 ∗ 5)𝑚𝑜𝑑 32 = 9; 𝑟2 = = 0,2903
32 − 1
29
𝑋3 = (21 ∗ 9)𝑚𝑜𝑑 32 = 29; 𝑟3 = = 0.9354
32 − 1
1
𝑋4 = (21 ∗ 29)𝑚𝑜𝑑 32 = 1; 𝑟4 = = 0,032
32 − 1
21
𝑋5 = (21 ∗ 1)𝑚𝑜𝑑 32 = 21; 𝑟5 = = 0,6774
32 − 1

1) Genere la secuencia de 5 números aleatorios del generador congruencial 𝑥𝑖+1 =
71𝑥𝑖 𝑚𝑜𝑑 (35)
2) Genere 10 números aleatorios a partir del método de productos medios, Utilice los
números 50 y 85 como semillas iniciales.
3) Genere 20 números aleatorios con el método de los cuadrados medios utilizando como
semilla el número 114.
TIPS
Recuerde: Los números completamente aleatorizados son difíciles de
generar, por lo que se pueden utilizar métodos que generen números
seudoaleatorios
20
2 UNIDAD 2. GENERACIÓN DE DATOS PARA
SIMULACIÓN
 Función de distribución de probabilidad: Relación matemática que explica el

comportamiento probabilístico de una variable aleatoria
 Variable Aleatoria: Es la representación de los posibles resultados de un evento incierto

21
respuesta
1. Los vehículos que llegan Correcto: En este caso los valores

a un taller de de la variable sólo pueden ser
mantenimiento número enteros
2. Tiempo de servicio en
Incorrecto: Es una variable continua
Pregunta: ¿Es una variable un cajero
aleatoria discreta?
3. Resistencia de un Incorrecto: Es una variable
material continua
4. Kilómetros recorrido Incorrecto: Es una variable

por hora continua
respuesta
Incorrecto: Este tipo de

1. Binomial y Poisson
distribuciones son discretas
Correcto: son las distribuciones de

Pregunta: ¿Cuáles de los 2. Exponencial y Erlang probabilidad para variables
siguientes pares de aleatorias continuas
distribuciones son
continuas? 3. Normal y Bernoulli Incorrecto: Bernoulli es Discreta
Incorrecto: Hipergeométrica es
4. Hipergeométrica y
una distribución para variables
Lognormal
discretas

Establecer procedimientos para las pruebas de bondad de ajuste de las variables aleatorias
asociadas a los elementos de la simulación.
22
 Identificar los tipos de variables aleatorias existentes y como generarlas
 Generar variables aleatorias, partiendo de funciones de distribución de probabilidad
 Realizar pruebas de bondad de ajuste para los datos generados.
2.2 TEMA 1 VARIABLES ALEATORIAS

Una variable aleatoria es la representación numérica de un evento probabilístico de realidad.
Un variable aleatoria puede representar al número de personas que llegan a un banco, pue esto
depende de factores de incertidumbre como el día de la llegada, la hora, condiciones económicas
y otros aspectos del entorno del sistema que pueden afectar el comportamiento de los agentes,
en este caso, las personas que ingresan al banco. Por otra parte, el tiempo que transcurre entre
la llegada de un cliente a un restaurante y su salida del mismo; se puede representar a partir de
una variable aleatoria que considere aspectos como el tipo de comida pedida, el número de
clientes en espera, la preparación requerida, la hora del día en la que se hace el pedido; entre
otros.
2.2.1 TIPOS DE VARIABLES ALEATORIAS

De acuerdo con el tipo de valor numérico que pueda tomar la variable aleatoria, esta se puede
clasificar en dos tipos: Discretas y continuas.
2.2.1.1 VARIABLES ALEATORIAS DISCRETAS

Se utilizan para eventos en los cuáles los posibles valores que pueden tomar las variables
aleatorias son números enteros y positivos. Algunos ejemplos de este tipo de variables aleatorias
son el número de personas que ingresan a un banco, número de personas a favor de un candidato,
número de productos no conformes dentro de un lote de producción; número de llamadas que
ingresan a un Callcenter; entre otros.
2.2.1.2 VARIABLES ALEATORIAS CONTINUAS

Este tipo de variables se utilizan en los eventos probabilísticos cuyos valores que se pueden
presentar son decimales, es decir, se encuentran dentro de un intervalo de posibles valores.
23
Algunos ejemplos de este tipo de variables pueden ser: tiempo de servicio en un restaurante,
resistencia a la humedad de una pieza metálica, diámetro promedio de un producto determinado;
entre otros.
2.2.2 FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETAS

Una función de distribución de probabilidad F.D.P es una relación matemática que permite
asignar valores probabilísticos a cada posible resultado de una variable aleatoria. Sea Pi la
probabilidad de que la variable aleatoria X tome el valor i; donde i puede tomar valores desde 0
hasta n, se deben cumplir las siguientes condiciones:
0 ≤ 𝑃𝑖 ≤ 1 ∀𝑖
𝑛
∑ 𝑃𝑖 = 1
𝑖=0
2.2.2.1 TIPOS DE FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETAS

Existen algunas funciones de distribución de probabilidad representativas porque muchos
eventos se pueden representar a partir de su definición. Algunas de estas funciones se muestran
en la siguiente tabla:
FUNCIÓN DE DISTRIBUCIÓN DE
TIPO DE EVENTOS
PROBABILIDAD
Utilizada cuando una variable aleatoria sólo puede tomar

dos posibles valores. Ejemplo: estar a favor o no de una
DISTRIBUCIÓN BINOMIAL
política; número de personas que fuman; número de
artículos defectuosos en un lote.
Utilizada cuando la variable aleatoria mide la ocurrencia de

un evento por unidad de tiempo. Ejemplo: número de
DISTRIBUCIÓN POISSON
vehículos que llegan a un estacionamiento por hora,
número de tiquetes vendidos por día.
DISTRIBUCIÓN Utilizada cuando en una población finita de tamaño N, se

HIPERGEOMÉTRICA encuentran M individuos que cumplen con una
característica y se toma una muestra aleatoria de tamaño n
24
para determinar la probabilidad de obtener X elementos
con la característica dentro de la muestra
Ejemplo: Número de refrigeradores defectuosos dentro de
un lote de 100 unidades en una muestra de 5 de ellos.
2.2.3 FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD CONTINUAS

Sea f(x) una función que establece la probabilidad de que una variable aleatoria tome el valor de
x; para f(x) sea una función de distribución de probabilidad continua debe cumplir las siguientes
condiciones:
0 ≤ 𝑓(𝑥 ) ≤ 1
∞
∫ 𝑓 (𝑥 )𝑑𝑥 = 1
−∞
2.2.3.1 TIPOS DE FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD CONTINUAS

Así como existen unas funciones de probabilidad discretas muy utilizadas por su fácil adaptación
a un conjunto importante de eventos aleatorios; también hay unas funciones de probabilidad
continuas que son muy utilizadas para la definición de eventos en un experimento dado, como se
muestra a continuación:
FUNCIÓN DE DISTRIBUCIÓN
TIPO DE EVENTOS
DE PROBABILIDAD
Utilizada cuando una variable aleatoria tiene la misma

DISTRIBUCIÓN UNIFORME
probabilidad de ocurrencia para todos sus eventos.
Utilizada cuando la variable aleatoria mide el tiempo que

pasa entre la ocurrencia de un conjunto de eventos. Ejemplo:
DISTRIBUCIÓN EXPONENCIAL Tiempo requerido para hacer un servicio en una tienda,
tiempo transcurrido durante el cruce de vehículos, entre
otros
Utilizada en muchos tipos de variables aleatorias continuas y

DISTRIBUCIÓN NORMAL
discretas.
25
Ejemplo: resistencia de una viga, número de vehículos que
pasan por una autopista al año, nota promedio en un examen
de simulación, entre otros
2.2.4 EJERCICIO DE APRENDIZAJE

En cada una de las siguientes situaciones, identifique el tipo de variable aleatoria a utilizar y cuál
podría ser la función de distribución de probabilidad
(a) número de Aviones que llegan a un aeropuerto por hora.
(b) Dureza de un material
(c) número de personas que fuman en una población
Para a)
Por la forma como se define la variable aleatoria, se debe considerar como variable discreta, pues
los posibles resultados son valores enteros; por otra parte, al ser un evento medido por unidad
de tiempo, se puede asociar una función de distribución Poisson.
Para b)
Esta variable se puede considerar de tipo continua pues puede tomar cualquier valor entero o
decimal. En lo que se refiere a la función de distribución de probabilidad puede usarse una
uniforme o una normal.
Para c)
Esta variable aleatoria es discreta, pues se refiere a número de personas cuyos valores sólo
pueden ser números enteros. Teniendo en cuenta que la población a estudiar sólo puede dar una
de dos posibles respuestas (fumar o no fumar) la función de distribución de probabilidad a utilizar
es la binomial
26
1) En cada una de las siguientes situaciones, identifique el tipo de variable y la posible
función de distribución de probabilidad:
 Estatura promedio de los estudiantes de ingeniería industrial
 Rendimiento de gasolina en kilómetros
 Número de personas que votaron a favor de cierto candidato
 Tiempo entre llegadas de usuarios a un banco
 Tasa de llegadas de vehículos a un parqueadero
2) ¿Cierto o falso?
 La función de distribución normal se asocia a variables aleatorias discretas
 El número de personas de género femenino en un grupo de estudiantes se le puede

asignar una distribución de probabilidad uniforme
 La función de distribución exponencial se utiliza para variables aleatorias discretas
TIPS
Recuerde: Existen variables aleatorias discretas para valores enteros, y
variables continuas para valores enteros y decimales
27
2.3 TEMA 2 GENERACIÓN DE VARIABLES ALEATORIAS
Teniendo en cuenta que, en los procesos productivos, de servicios y en general de la realidad
presentan variabilidad e incertidumbre; se requieren variables aleatorias que permitan
representar esa realidad a partir de la definición de funciones de distribución de probabilidad.
En el caso de la simulación, existen algunos métodos utilizados para la generación de variables
aleatorias:
 Método de la transformada Inversa
 Método de convolución
 Método de composición
 Método de la transformada directa
 Método de aceptación y rechazo.
Para efectos del módulo, sólo se profundizará en el primer método, para conocimiento de los
demás el lector puede remitirse a los autores citados en la bibliografía.
2.3.1 MÉTODO DE LA TRANSFORMADA INVERSA

Este método puede utilizarse para simular eventos relacionados con variables aleatorias
continuas, lo cual se logra a partir de la definición de la función de distribución acumulada F(x) y
la generación de números pseudoaleatorios rj. El método consta de los siguientes pasos:
1) Definir la función de distribución de probabilidad f(x) que representa a la variable

aleatoria a modelar
2) Calcular la función acumulada F(x)
3) Despejar la variable aleatoria x y obtener la función acumulada inversa F(x)-1
4) Generar variables aleatorias Xi sustituyendo valores con números pseudoaleatorios rj

en la función acumulada inversa.
Para la generación de variables aleatorias discretas, se deben seguir los siguientes pasos:
28
1) Calcular todos los valores posibles de la distribución de probabilidad p(x) de la variable
a modelar
2) Calcular todos los valores de la distribución acumulada P(x)
3) Generar números pseudoaleatorios ri
4) Comparar con el valor de P(x) y determinar el valor de x correspondiente a P(x)
EJEMPLO
Para la generación de variables aleatorias que tengan una función de distribución de probabilidad
exponencial se procede así:
Paso 1. Función de probabilidad f(x)
𝑓(𝑥 ) = 𝜆𝑒 −𝜆𝑥
Paso 2. Función de probabilidad acumulada F(x)
𝑥
𝐹(𝑥) = ∫ 𝜆𝑒 −𝜆𝑥 𝑑𝑥 = 1 − 𝑒 −𝜆𝑥
0
Paso 3. Despejar x y reemplazar F(x) por ri
1
𝑥𝑖 = − ln(1 − 𝑟𝑖 )
𝜆
Así, a partir de la generación de números pseudoaleatorios se pueden generar variables aleatorias
que posean distribución exponencial.
A continuación, se presenta un cuadro resumen que muestra los generadores utilizados con las
funciones de distribución de probabilidad más comunes:
29
30
Fuente: (Dunna, 2006)

El tiempo de atención en un cajero automático sigue una distribución normal con media de 12
segundos y una desviación estándar de 0.4 segundos. Genere 5 variables aleatorias con esta
distribución para simular el tiempo de atención de este cajero.
A partir de la definición vista en el cuadro anterior, la ecuación generadora de la distribución

normal es:
31
Así, a partir de la generación de 12 números aleatorios para cada uno de las 5 simulaciones se
presentan los siguientes resultados:
𝟏𝟐 𝟏𝟐
Tiempo de
Cliente ∑ 𝒓𝒊 ∑ 𝒓𝒊 − 𝟔
servicio
𝒊=𝟏 𝒊=𝟏
1 6.21 0.21 12.084
2 5.34 -0.66 11.736
3 6.03 0.03 12.01
4 6.97 0.97 12.038
5 4.81 -1.19 11.524

El número de piezas que entran a un sistema de producción sigue una distribución de Poisson con
media de 2 piezas por hora. Simular el comportamiento de la llegada de las piezas al sistema.
Al tratarse de una variable aleatoria discreta distribuida Poisson, se tiene la siguiente función de
distribución de probabilidad:
32
Se calculan a partir de estas ecuaciones, las probabilidades puntuales y acumuladas para los
diferentes valores de X hasta un punto donde la probabilidad acumulada sea casi 1, como se
muestra en la siguiente tabla:
Asi entonces, la regla para generar la variable aleatoria será definida así:

33
De esta manera, de acuerdo al número pseudoaleatorio generado, se asigna el valor de la variable
aleatoria así:

1) La siguiente tabla muestra la demanda diaria de un producto de aseo en un almacén de
cadena. Simule el comportamiento de la demanda para 5 dias.
2) Los datos históricos de los tiempos de servicio en una gasolinera en Medellín se

comportan bajo una distribución exponencial con media 5 minutos por cliente. Genere 10
variables aleatorias que representen los tiempos de servicio de la gasolinera.
3) La velocidad de un ciclista en las etapas de un tour se comporta de manera uniforme entre

25 y 35 kilómetros por hora. Simule la velocidad que alcanzaría un ciclista durante 10
etapas de dicho tour.
4) La resistencia promedio de una viga se define a partir de una distribución normal con
media de 10 Kpa y desviación de 1.5 Kpa. Simule la resistencia promedio de 15 vigas.
34
TIPS
Recuerde: Determinar el tipo de variable aleatoria a generar y buscar
el generador asociado a la distribución de probabilidad definida
En caso de no encontrarse el generador para la distribución de

probabilidad asociada, debes remitirte a los conceptos estadísticos y
matemáticos para generarla.
2.4 TEMA 3 PRUEBAS DE BONDAD DE AJUSTE

Para generar variables aleatorias que simulen el comportamiento de un evento, se requiere
conocer cuál es función de distribución de probabilidad a la cual se ajustan los datos. Para esto ,
existen algunas metodologías generalmente conocidas para determinar si un conjunto de
datos se ajustan a una determinada función de distribución; Entre los métodos más conocidos
se encuentran:
 Prueba Chi-Cuadrada (Para todo tipo de variable)
 Prueba Kolmogorov-Smirnov (Para variables continuas)
 Prueba de Anderson-Darling (Para variables continuas y condicionalmente para

discretas)
En este curso, se realizarán las pruebas de bondad de ajuste a partir de la prueba Chi-
Cuadrada y paquetes estadísticos incorporados en Promodel.
2.4.1.1 PRUEBA CHI-CUADRADO

Esta prueba consiste en la aceptación o rechazo de una hipótesis, en la cual se contrasta la idea
de que un conjunto de datos se comporta bajo cierta función de distribución de probabilidad.
Para esto se utiliza el siguiente procedimiento:
 Obtener al menos 30 datos de la variable aleatoria a analizar

35
 Calcular la media y la varianza de los datos
 Crear un histograma con 𝒎 = √𝒏 intervalos, donde n es el número de datos y obtener

la frecuencia observada en cada intervalo Oi
 Establecer una hipótesis mediante una distribución de probabilidad que se ajuste a la

forma del histograma
 Calcular la frecuencia esperada Ei, a partir de la función de probabilidad propuesta
 Calcular el estadístico de prueba:
𝑚
2
(𝐸𝑖 − 𝑂𝑖)2
𝜒 =∑
𝐸𝑖
𝑖=1
 Determinar el valor crítico de la prueba 𝝌𝟐 𝜶,𝒏−𝒌−𝟏 Donde alfa es el nivel de significancia

y K es el número de parámetros estimados en la distribución propuesta
 Si el estadístico de prueba es menor que el valor crítico, entonces se puede afirmar que
los datos se comportan bajo la función de distribución de probabilidad indicada.
2.4.2 EJERCICIO DE APRENDIZAJE

Se quiere determinar la función de distribución de probabilidad que explica el comportamiento
del número de vehículos que ingresan a una gasolinera por hora; para lo cual se toman los
siguientes datos.
En este caso se cuentan con 50 registros, a partir de los cuales definimos el número de intervalos
para realizar el histograma, la media y la varianza:
36
𝒎 = 𝟏𝟏, 𝒎𝒆𝒅𝒊𝒂 = 𝟏𝟓. 𝟎𝟒 𝒚 𝒗𝒂𝒓𝒊𝒂𝒏𝒛𝒂 = 𝟏𝟑. 𝟏𝟒
A partir de estas definiciones se realiza el histograma de frecuencias para cada intervalo
A partir de la forma que tome el histograma o bien por la estructura que tenga la variable aleatoria
se establece una hipótesis sobre la posible función de distribución de probabilidad que se ajusta
a los datos.
En este caso se partirá de la hipótesis de que los datos provienen de una distribución Poisson,
cuya función de distribución es la siguiente:
𝝀𝒙 𝒆−𝝀
𝒑(𝒙) = 𝒑𝒂𝒓𝒂 𝒙 = 𝟎, 𝟏, 𝟐 …
𝒙!
Donde Lambda será la media estimada.
A partir de esta función se calcula la frecuencia esperada así:
𝐸𝑖 = 𝑛𝑝(𝑥)
Por ejemplo, para el intervalo 2 que incorpora a x=8 y x=9 entonces:
𝟏𝟓𝟖 𝒆−𝟏𝟓 𝟏𝟓𝟗 𝒆−𝟏𝟓

𝑬𝟐 = 𝟓𝟎 ∗ ( + ) = 𝟐. 𝟓𝟗𝟐6
𝟖! 𝟗!
Asi, al calcular la frecuencia esperada de cada intervalo y teniendo las frecuencias observadas en
el histograma, se puede calcular el estadístico de prueba:
37
Considerando un nivel de significancia del 5%, que se estimó el valor de lambda; al buscar en la
tabla de la distribución Chi-Cuadrado se obtiene el siguiente valor crítico:
𝜒 2 0,05;11−1−1 = 18.307
Finalmente, como el estadístico de prueba es menor que el valor crítico, se puede concluir que
los datos provienen de una distribución Poisson con media de 15 vehículos por hora.

1) Los siguientes son los datos de un estudio de tiempo de atención a los clientes de una
florería, medido en minutos por cliente:
Determinar la distribución de probabilidad con un nivel de significancia del 5%

2) Utilice la prueba Chi-cuadrada para determinar con un nivel de significancia del 10%, que
tipo de distribución siguen los datos.
38
3) Utilice la prueba Chi-cuadrada para determinar con un nivel de significancia del 5%, que
tipo de distribución siguen los datos.
4) Determine con un nivel de significancia del 10%, si la variable aleatoria representada por
la siguiente tabla de frecuencia sigue una distribución exponencial con media 1
TIPS
Recuerde: seguir los pasos básicos para desarrollar la prueba chi-
cuadrado
No olvides utilizar los datos suficientes para tener resultados

confiables.
39
3 UNIDAD 3. MODELOS DE SIMULACIÓN
 Análisis de sensibilidad: Se refiere a la interpretación de los efectos generados en un

sistema ante cambios en variables críticas
 Anidado: Tipo de función en Excel en la cual se encuentra funciones dentro de otras
 Promodel: paquete informático utilizado para hacer simulaciones
respuesta
Incorrecto: Los formatos son

1. Un formato de celda cambios en la presentación de la
Pregunta: ¿Qué es una información
función condicional en
Correcto: La función Si en Excel
Excel? 2. una función Sí que
condiciona el valor de una celda de
genera condiciones en un
acuerdo al cumplimiento de una o
problema varias condiciones
40
Incorrecto: Los Contadores se
utilizan para determinar el
3. Un contador
número de elementos en un
conjunto de datos
Incorrecto: Las gráficas son

4. Una gráfica
representaciones de resultados
Pregunta 2. Opciones de respuesta
respuesta
Correcto: Cada variable aleatoria

necesita de un número aleatorio
Pregunta: ¿Para cada Verdadero que le permita tomar un valor de
variable aleatoria de un acuerdo a su función de
modelo se debe generar un distribución de probabilidad
número aleatorio en excel?
Incorrecto: No hay manera de
Falso generar una variable aleatoria sin
números aleatorios

Desarrollar modelos de simulación en Excel y promodel que permitan identificación de las
dinámicas, analizando los resultados y tomando decisiones estratégicas para el mejoramiento de
los procesos productivos.

 Plantear modelos de simulación a partir de Excel
 Analizar los resultados obtenidos en la simulación
 Plantear modelos de simulación en Promodel

41
3.2 TEMA 1 SIMULACIÓN DE PROCESOS CON EXCEL
Para el desarrollo efectivo de una simulación en Excel se requiere de un análisis previo de la
situación a modelar y del manejo de los siguientes conocimientos:
 Fórmulas en Excel (generar aleatorios, función Si, Si anidado y Si condicional, Función

Contar, Contar. Si, promedio, suma, máximo, mínimo; entre otras)
 Conceptos estadísticos básicos como probabilidad y sus propiedades.
 Distribución de probabilidad de las variables aleatorias del modelo
3.2.1 MODELO BÁSICO DE SIMULACIÓN

A continuación, se describe un modelo básico que simulación que introduce los elementos básicos
a tener en cuenta en Excel para desarrollar adecuadamente el proceso de simulación:
3.2.1.1 EJERCICIO DE APRENDIZAJE-MODELO BÁSICO

Considere un juego en el que se lanza un dado y una moneda al mismo tiempo. Dependiendo del
resultado obtenido con cada objeto, se obtendrá una ganancia (o pérdida) según lo muestra la
Tabla:
Para cualquier problema a simular, inicialmente se deben conocer cuáles son los eventos sujetos
a incertumbre, en este caso:
 El resultado al lanzar la moneda
 El resultado al lanzar el dado
Considere que cada evento incierto requiere de la generación de un número aleatorio, que en
Excel se hace a partir de la fórmula Aleatorio (), el cual arroja un número aleatorio entre 0 y 1.
Ahora, luego de generar los números aleatorios, se requiere asociar una función de distribución
de probabilidad para cada uno de los eventos inciertos. En este caso:
42
 Para el resultado de la moneda: Sólo hay dos posibles resultados Cara y sello, luego
existe una probabilidad del 50% de que sea cara o sello. Esa es la función de
distribución asociada a este evento.
 Para el resultado del dado: Existen 6 posibles resultados; por lo tanto, existe una
probabilidad de 1/6, es decir 16.6 % de que caiga en 1, 2, 3, 4,5 o 6. Así entonces, si
el número aleatorio se encuentra entre 0 y 16.66 el resultado del dado será 1, entre
16.67 y 33.33%, el resultado será 2 y así sucesivamente.
Finalmente, luego de modelar los posibles resultados de las variables aleatoria, se debe
simular la ganancia o pérdida obtenida según la combinación de resultados. Esto se hace a
partir de las condiciones que presente el proceso a simular. Para esto se requiere la
utilización de funciones condicionadas.
A continuación, se presenta un modelo en excel que muestra la estructura descrita

anteriormente
3.2.1.2 EJERCICIO DE APRENDIZAJE-MODELO INTERMEDIO

Una compañía de juguetes nacionales ha comenzado a promocionar el nuevo muñeco de la
temporada navideña llamado “El alegre muñeco”. Diariamente llegan a la bodega de la empresa
400, 500 ó 600 unidades con probabilidad de 0.4, 0.40 y 0.20 respectivamente del nuevo muñeco
listas para ser enviadas a los clientes. La cantidad de muñecos que diariamente llegan a la bodega
corresponde a la producción del día. Según los pronósticos de la demanda se cree que
diariamente se venderán entre 480 y 600 unidades (distribuidas uniformemente). Actualmente la
bodega solo tiene capacidad para almacenar 240 unidades y al principio de la temporada se
encuentra vacía. En caso de no tener capacidad suficiente para almacenar, cada unidad se llevará
a otra bodega arrendada y se incurrirá en un costo de $500 por cada muñeco enviado allí. Por
otro lado, se ha estimado un costo de producción igual a $700 por unidad. Dado que el producto
43
es nuevo, los directivos no tienen claro cuál debe ser el precio de venta. Se ha sugerido que este
precio de venta debe seguir una distribución exponencial con media 2,000.
Variables aleatorias Distribución de probabilidad
Número de juguetes que 400 con probabilidad de 0,4

llegan 500 con probabilidad de 0,4
600 con probabilidad de 0,2
Número de muñecos vendidos Uniforme entre 480 y 600
Precio de venta Exponencial con media 2000
Así, cada uno de estos elementos debe tener asignado un número aleatorio diferente para la
simulación de los resultados. Las distribuciones de probabilidad en Excel se ingresan como
fórmula de acuerdo a los generadores vistos en la unidad 3.
Estructura en Excel de acuerdo con el planteamiento del problema a simular:
Observación: Excel permite generar número aleatorios provenientes de ciertas distribuciones

específicas, para lo cual inicialmente debe instalarse un complemento así:
 Ir al menú Archivo
 Dar clic en Opciones
 En la ventana emergente, dar clic en la opción complementos

44
 Al final de la ventana, hacer clic en el botón IR
 En la ventana emergente, dar clic en el cuadro asociado a herramientas para análisis
 Aceptar y esperar que Excel instale el complemento
 Verifique que en el menú datos, aparezca una nueva opción llama análisis de datos.
Después de instalado el complemento, siga las siguientes instrucciones para generar números
aleatorios con Excel:
 Menú datos- opción análisis de datos
 En la ventana emergente seleccionar generación de números aleatorios y aceptar
 Indique el número de variables a generar, cantidad de números aleatorios y la función

de distribución de probabilidad indicada.
45
 Escriba los parámetros de la distribución de probabilidad asignada
 En opciones de salida, ubique la celda en la que desea que se generen los números
aleatorios y aceptar.

1) Una barra de longitud x1 será unida mediante soldadura a otra de longitud x2. Si x1 sigue
una distribución normal con media de 30 cm y varianza de 0.81, y x2, una distribución
Erlang con k = 10 y una media de 14.5 cm, Simule la soldadura de 300 barras, tome en
cuenta que las especificaciones de diseño son de 45 ± 5 cm y determine el estimador de
la probabilidad de que una barra esté fuera de especificaciones.
2) Una empresa productora de salsas y especies, elabora 3 tipos de productos: Salsa rosada,
salsa de tomate y BBQ. La tasa de producción de las tres referencias es de 30%, 25% y 45%
respectivamente. El proceso de producción de la salsa rosada inicia cuando un operario
mezcla los ingredientes en una olla industrial, lo que se estima en un tiempo distribuido
normal con media de 10 minutos y desviación de 1 minuto. Posteriormente inicia un
proceso de batido que tiene una distribución exponencial con tiempo promedio de 30
minutos; luego de lo cual se transporta por medio de tuberías a la zona de envasado, con
un tiempo uniforme entre 2 y 5 minutos. Finalmente, el producto se envasa en un tiempo
distribuido normalmente con media 20 minutos y desviación de 3 minutos.
46
El proceso de producción de salsa de tomate y BBQ es similar en cuanto al flujo, aunque con
diferencias en los tiempos de operación: el proceso inicia cuando un operario mezcla los
ingredientes en un recipiente; luego de lo cual son llevado por medio de carretilla manual a
la olla de cocción, en donde se homogeniza la mezcla y se calientan los ingredientes a 90°C.
Al finalizar este proceso, el operario saca una muestra para analizar las condiciones de calidad
del producto, de tal manera que el departamento de calidad puede aprobar el producto y
autorizar el traslado a envasado; o bien sugerir un tiempo adicional de cocinado; después del
cual se garantiza la calidad del producto.
A continuación, se presentan las etapas del proceso y la duración de las mismas para cada
producto:
Proceso Duración
Mezcla Uniforme (20,30)
Traslado a olla de cocción Exponencial (4)
Normal (40, 5) con probabilidad del 30% y

Cocción
Exponencial (50) con probabilidad del 70%
80% se aprueba el lote; cuando se rechaza

Revisión de calidad se requiere un tiempo de cocción adicional
uniforme (10,20)
10 minutos con probabilidad del 15%;

Uniforme entre 15 y 20 minutos con
Envasado
probabilidad del 40% y el resto con tiempo
exponencial (15 minutos)
Tabla 1. Tiempos de proceso para la salsa de tomate
Proceso Duración
Mezcla Exponencial (20)
Traslado a olla de cocción Normal (4, 0.5)

47
Uniforme (40, 50) con probabilidad del 60%
Cocción
y normal (50, 5) con probabilidad del 40%
90% se aprueba el lote; cuando se rechaza

Revisión de calidad se requiere un tiempo de cocción adicional
Exponencial (20)
10 minutos con probabilidad del 15%;

Uniforme entre 15 y 20 minutos con
Envasado
probabilidad del 40% y el resto con tiempo
exponencial (15 minutos)
Tabla 2. Tiempos de proceso para la salsa BBQ
3) El dueño de la única funeraria de un pequeño pueblo ha comprado un lote de 500ataúdes

con una longitud de 1.70 metros. La población de este pueblo tiene una estatura normal
con una media de 1.65 y desviación estándar de 0.05 metros. El costo de cada ataúd es de
$3,000 y calcula vender cada uno en $8,000. Al morir, el difunto es llevado a la funeraria
para los preparativos correspondientes y en algunas ocasiones será necesario hacer
arreglos adicionales para que quepa en el ataúd; como doblarle las rodillas, el cuello, o
ambos, hacer un orificio en la base o en la tapa del ataúd, alargar el ataúd o simplemente
llevarlo con las piernas colgando. Independientemente de la solución que más agrade a
los deudos, el dueño ofrece un descuento de 5% sobre el precio regular. Simule este
proceso hasta que se agoten las existencias de ataúdes y determine:
a) La cantidad de difuntos que obtendrán un descuento.
b) La utilidad promedio que obtendrá la funeraria por este concepto.
4) En un proceso de control de calidad se pasan cajas de manera constante, con el fin de

inspeccionar al azar cierto número de productos de una caja seleccionada también
arbitrariamente. La probabilidad de seleccionar una caja para inspección es de 30%; de las
cajas que se revisan, en el 50% de los casos se inspecciona sólo un producto, en el 30%, 2
productos, y en el 20% restante, 3 productos. Se sabe que la probabilidad de que una caja
contenga uno o más productos defectuosos es de 2%, y que la probabilidad (en
porcentaje) de que este producto sea encontrado durante la inspección es de 10*número
de productos inspeccionados.
a) Simule 100 cajas que pasan por el proceso de control de calidad.

48
b) Determine el número de cajas que contendrán productos defectuosos.
c) Determine cuántas cajas con productos defectuosos no fueron detectadas. Si el costo

de una caja con productos defectuosos que sale al mercado es de $20/caja, determine el
valor total en el que se incurriría.
5) A un cajero automático llegan clientes con un tiempo entre llegadas con distribución 3-
Erlang con media de 6 minutos, cada cliente retira entre $1,000 y $5,000 en múltiplos de
$500 con distribución uniforme discreta. El cajero solo tiene disponible $450,000.
a) ¿Cuánto tiempo tardará el cajero para que deje de permitir al cliente retirar todo el
dinero que deseaba?
b) ¿Cuántos clientes sí pudieron retirar todo el dinero que deseaban?
c) Si este cajero es rea bastecido de dinero cada 24 horas, ¿Qué recomendación le haría al
Banco?
3.3 TEMA 2. SIMULACIÓN DE PROCESOS CON PROMODEL

Promodel es uno de los paquetes de software comerciales más utilizados en los procesos de
simulación, dada su facilidad de uso y su bajo costo comparado con muchos otros paquetes.
Este paquete cuenta con herramientas básicas de diseño, análisis y representación gráfica de los
modelos a simular; generando resúmenes estadísticos sobre el comportamiento de los elementos
del sistema simulado. Entre muchas aplicaciones se puede simular procesos de ensambles,
procesos de producción, procesos de servicios, transporte, entre otros. Se remite al lecto a la
página web del software www.promodel.com en el cual pueden encontrar tutoriales, casos de
estudio y demás.
3.3.1 ELEMENTOS BÁSICOS

En promodel se pueden identificar una serie de módulos que permiten hacer un análisis más
completo sobre los modelos de simulación. Entre ellos se encuentran los siguientes:
3.3.1.1 PROMODEL
Área de trabajo donde se define el modelo y todos sus componentes. Relaciones lógicas, flujos,
actividades y ciclos de producción.
49
3.3.1.2 EDITOR GRÁFICO
Cuenta con una serie de bibliotecas que permiten dar una mejor presentación visual a los
modelos. Incluso se pueden importar algunos dibujos hechos con otros softwares.
3.3.1.3 RESULTADOS
Es una interfaz que facilita la administración, manejo y análisis de la información. Este módulo
permite la interacción con programas de hojas de cálculo como Excel
3.3.1.4 STAT:FIT
Permite hacer pruebas de bondad de ajuste para determinar la distribución de probabilidad que
se ajusta a un conjunto de datos.
3.3.1.5 SIMRUNNER
Permite hacer diseño de experimentos para determinar y analizar factores críticos dentro de un
modelo de simulación.

A continuación, se presentan una serie de tutoriales en video que permiten identificar los
elementos básicos, la forma como se configura y como se construye un modelo de simulación en
promodel. Adicionalmente se hace un breve análisis de los resultados obtenidos.
 Video: Simulación con Promodel - Vídeo 01

 ”Ver Video”: https://www.youtube.com/watch?v=oL0hHcZMlZY

 ”Ver Video”: https://www.youtube.com/watch?v=xbjcxdJVecI

 ”Ver Video”: https://www.youtube.com/watch?v=IXqEkM9dTms
50
 Video: PROMODEL ¿Cómo usarlo? - Tutorial básico (Simulación de rotulado de
carros)
 ”Ver Video”: https://www.youtube.com/watch?v=1N0B9WH5Lvc

 Video: Simulación Utilizando Promodel para Analizar un Problema de Ing.
Industrial
 ”Ver Video”: https://www.youtube.com/watch?v=5RIJ2UlF7Pg
3.3.5 TALLER DE ENTRENAMIENTOS

1) Una gasolinera tiene una bomba y una fila con capacidad para n autos donde puedan
esperar antes de ser atendidos. El tiempo entre arribos de los vehículos es de 3 ± 1
minutos/auto. El tiempo para dar servicio es de 5 ± 2 minutos. Elabore un modelo en
ProModel con sólo dos localizaciones, una que simule la bomba y otra, la fila de tamaño
finito. Ejecute el modelo durante 100 horas con n = 1, 2, 3, 4, 5 e indique en cada caso el
número total de autos que no pudieron entraren la gasolinera por falta de espacio. ¿Cuál
es el número mínimo de espacios que se deberían tener para asegurar que no hubiera
rechazos de autos?
2) un operario de limpieza se le entregan simultáneamente 60 piezas cada hora. El tiempo

de limpieza es de 50 segundos/pieza. Simule el proceso anterior durante 500 horas para
determinar:
a) La utilización del operario.
b) Tiempo promedio de permanencia de las piezas en todo el proceso.
c) Tiempo promedio de espera de las piezas antes de ser limpiadas.

51
d) La cantidad total de piezas limpiadas.
3) Un sistema de pintura consta de dos procesos en serie: pintura y horneado, antes de cada
proceso hay un almacén de capacidad infinita. El tiempo de pintura es de 10
minutos/pieza, y el tiempo de horneado es de 6 minutos/pieza. Para el proceso hay dos
pintores y un horno. La tasa de entrada es de 7 piezas/hora (pieza tipo 1) y de 3
piezas/hora (pieza tipo 2). El tiempo para moverse de un proceso a otro es de 30 segundos.
Sim ule el sistema con 5 días para determinar:
a) La utilización de cada operación.
b) El tiempo promedio de permanencia de las piezas en todo el proceso.
c) El tiempo promedio de espera de las piezas antes del pintado y antes del horneado.
4) A un centro de copiado llegan clientes cada 5 minutos, con distribución exponencial. Ahí
son atendidos por un operario con un promedio de servicio de 6 minutos con distribución
exponencial. Sólo hay espacio para tres personas en la fila; si llega alguien más, se le envía
a otro centro de copiado. Simule el sistema a partir de esta información y determine:
a) ¿Cuál es el número promedio de clientes que esperan en la fila?
b) ¿Cuál es la utilización del centro de copiado?
c) Si cada cliente que se va le cuesta $5 al centro de copiado, ¿a cuánto asciende la

pérdida esperada?
TIPS
Recuerde: identificar las variables aleatorias y su distribución de

probabilidad asociada
No olvides generar un grupo de números aleatorios por cada variable

aleatoria
Recuerda definir muy bien las locaciones, entidades y rutas en

promodel para que el modelo sea lo más real posible
52
4 PISTAS DE APRENDIZAJE
Los sistemas productivos están compuestos por entidades, localizaciones, recursos, atributos y
variables
Los recursos son necesarios para hacer la operación, pero no hacen parte de la localización.
Recuerde: Los números completamente aleatorizados son difíciles de generar, por lo que se
pueden utilizar métodos que generen números seudoaleatorios
Recuerda: Existen variables aleatorias discretas para valores enteros, y variables continuas para
valores enteros y decimales
Recuerde: Determinar el tipo de variable aleatoria a generar y buscar el generador asociado a la

distribución de probabilidad definida
Recuerda seguir los pasos básicos para desarrollar la prueba chi-cuadrado
No olvides utilizar los datos suficientes para tener resultados confiables.
Recuerda identificar las variables aleatorias y su distribución de probabilidad asociada
No olvides generar un grupo de números aleatorios por cada variable aleatoria
Recuerda definir muy bien las locaciones, entidades y rutas en promodel para que el modelo sea
lo más real posible
53
5 GLOSARIO
Análisis de sensibilidad: Se refiere a la interpretación de los efectos generados en un sistema
ante cambios en variables críticas
Anidado: Tipo de función en Excel en la cual se encuentra funciones dentro de otras
Función de distribución de probabilidad: Relación matemática que explica el comportamiento

probabilístico de una variable aleatoria
Modelo: Es la representación matemática de las variables que interfieren o influyen en el

comportamiento de una variable.
Número aleatorio: Consiste en una cantidad numérica generada de manera independiente y sin
ningún tipo de correlación
Promodel: paquete informático utilizado para hacer simulaciones
Sistema: Conjunto de elementos que interactúan entre si
Variable Aleatoria: Es la representación de los posibles resultados de un evento incierto

54
6 BIBLIOGRAFÍA
a la Investigación de
Este capítulo recomienda al estudiante las Operaciones (Vol. 1). McGraw-Hill.
fuentes de consulta bibliográficas y digitales
para ampliar su conocimiento, por lo tanto,  Law, A. M., Kelton, W. D., & Kelton,
deben estar en la biblioteca digital de la
W. D. (2007). Simulation modeling
Remington. Utilice la biblioteca digital
http://biblioteca.remington.edu.co/es/ para and analysis (Vol. 3). New York:
la consulta de bibliografía a la cual puede McGraw-Hill
acceder el estudiante.
 Piera, M. À. (2004). Modelado y
 Arias, J. J. P., González, A. S., & simulación. Aplicación a procesos
Redondo, R. P. D. (2003). Teoría de logísticos de fabricación y
colas y simulación de eventos servicios (Vol. 118). Universitat
discretos. Prentice-Hall. Politècnica de Catalunya. Iniciativa
Digital Politècnica.
 Banks, J. (Ed.). (1998). Handbook of
simulation: principles, methodology,  Taha, H. A. (2004). Investigación de
advances, applications, and practice. operaciones. Pearson Educación.
John Wiley & Sons.
 Winston, W. L., & Goldberg, J. B.
 Barceló, J. (1996). Simulación de (2005). Investigación de operaciones:
sistemas discretos. Madrid: Isdefe. aplicaciones y algoritmos.
 Dunna, E. G., Reyes, H. G., & Barrón,

L. E. C. (2006). Simulación y análisis
de sistemas con ProModel. Pearson
Educación.
 Dyner, I., Zapata, G. E. P., & Arango,

S. (2008). Modelamiento para la
simulación de sistemas socio-
económicos y naturales. Universidad
Nacional de Colombia (Medellín).
 Hillier, F. S., Lieberman, G. J., &

Osuna, M. A. G. (2010). Introducción

Simulacioìn de Procesos 2018

Cargado por

Información del documentohacer clic para expandir la información del documento

Copyright:

Formatos disponibles

Simulacioìn de Procesos 2018

Cargado por

Información del documento

Descripción original:

Título 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

Simulacioìn de Procesos 2018

Cargado por

Copyright:

Formatos disponibles

Marketing en Contenido Digital

Primera edición: 2018

Francisco Javier Álvarez Gómez

Derechos reservados: El módulo de estudio del curso de

Esta obra es publicada bajo la licencia Creative Commons.

1.2 TEMA 1. CONCEPTOS BÁSICOS DE LA SIMULACIÓN DE PROCESOS 9

1.3 TEMA 2 GENERACIÓN DE NÚMEROS ALEATORIOS 16

2 UNIDAD 2. GENERACIÓN DE DATOS PARA SIMULACIÓN 20

2.2 tema 1 VARIABLES ALEATORIAS 22

2.3 TEMA 2 GENERACIÓN DE VARIABLES ALEATORIAS 27

2.4 TEMA 3 PRUEBAS DE BONDAD DE AJUSTE 34

3.2 TEMA 1 SIMULACIÓN DE PROCESOS CON EXCEL 41

3.3 TEMA 2. SIMULACIÓN DE PROCESOS CON PROMODEL 48

Brindar a los estudiantes las herramientas propias de la simulación y la estadística que

 Establecer procedimientos para las pruebas de bondad de ajuste de las

 Desarrollar modelos de simulación en Excel y promodel que permitan

UNIDAD 1 UNIDAD 2 UNIDAD 3

 Modelo: Es la representación matemática de las variables que interfieren o influyen en el

 Número aleatorio: Consiste en una cantidad numérica generada de manera

 Sistema: Conjunto de elementos que interactúan entre si

Incorrecto: No se puede definir

2. un software o paquete Incorrecto: Un sistema no es un

4. una simplificación de la Incorrecto: Esto se puede definir

Incorrecto: Este tipo de modelos

Correcto: los modelos

Incorrecto: Este tipo de modelo

Incorrecto: sólo los recursos son

Correcto: conforman los

1.1.3 OBJETIVO GENERAL

1.1.4 OBJETIVOS ESPECÍFICOS

 Generar números aleatorios que garanticen el adecuado funcionamiento del proceso de

1.2 TEMA 1. CONCEPTOS BÁSICOS DE LA SIMULACIÓN DE

1.2.2 APLICACIONES DE LA SIMULACIÓN

a) Diseño y análisis de sistemas de manufactura

b) Evaluación de un nuevo sistema de armamento militar o táctico

c) Determinar las políticas de pedido en un sistema de inventarios

d) Diseño y operación de infraestructura de transporte como aeropuertos, submarinos o

e) Análisis financiero y económico de sistemas

f) Evaluación en el diseño de organizaciones de servicio como hospitales, restaurantes,

g) Viabilidad en el lanzamiento de nuevos productos al mercado

h) Rediseño de procesos productivos, centros de trabajo y personal asignado a tareas.

1.2.3 VENTAJAS Y DESVENTAJAS DE LA SIMULACIÓN

 Mejora el conocimiento del proceso actual

 Permite probar múltiples escenarios

 Puede generar buenas soluciones ante problemas complejos

 Se requiere mucho tiempo para la recolección de datos

 Conocimiento en software de simulación

 Conocimiento en herramientas estadísticas

1.2.4 SISTEMAS Y MODELOS

Un modelo es una representación matemática, física o probabilística de un sistema real a partir

1.2.4.1 TIPOS DE MODELOS

Ecuaciones evaluadas Personas que

Se conoce con certeza

 Encontrar soluciones a problemas matemáticos de los cuales no se conoce solución

 Resolver problemas de sistemas en los cuales su experimentación es costosa

 Entender el comportamiento de los sistemas donde se presentan procesos estocásticos

 Apoyar la formulación de estrategias productivas y organizacionales de las compañías.