Simulación de sistemas discretos

Simulación de Sistemas 1
UNIVERSIDAD NACIONAL DE SAN AGUSTÍN

DE AREQUIPA
FACULTAD DE INGENIERÍA DE PRODUCCIÓN Y
SERVICIOS
Escuela Profesional de Ingeniería Industrial
APUNTES DE CLASE
SIMULACIÓN DE SISTEMAS DE EVENTOS

DISCRETOS
Realizado por:
Ing. Efraín Rafael Murillo Quispe
AREQUIPA – PERU
2010
Ing. Efraín Murillo

1. Introducción a la
Simulación de Sistemas
INTRODUCCIÓN
La simulación es una técnica numérica que se aplica a cierta clase de problemas que surgen en
la industria, planificación de proyectos o en administración. Como tal es una herramienta más
que se utiliza en el campo de la investigación de operaciones.
Es una técnica que permite representar un sistema real mediante un modelo de simulación
basado en computadora.
El modelo de simulación debe imitar el funcionamiento del sistema real de tal forma que se
pueda experimentar alternativas de optimización.
Se recurre a la simulación cuando no existen métodos analíticos que no pueden resolver el

problema. Al simular el funcionamiento de un sistema o mejor dicho el modelo del sistema
nuestro interés, es lograr obtener datos al respecto de su comportamiento frente a distintas
situaciones relevantes.
DEFINICIÓN
ROBERT SHANNON
La simulación es el diseñar y desarrollar un modelo computarizado de un sistema o proceso y

conducir experimentalmente con este modelo con el propósito 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 simulación de un sistema o de un organismo es la operación de un

modelo lo cual se va a llamar simulador el cual es una representación del sistema. Este
modelo o simulador estará sujeto a diversas manipulaciones, las cuales serían imposibles de
realizar, demasiado costosas o imprácticas. La operación de un modelo puede estudiarse y con
ello conocer las propiedades concernientes al comportamiento del sistema o subsistema real –
costoso.

QUE INTENTA LA SIMULACION

1. Descubrir el comportamiento de un sistema
2. Postular teorías o hipótesis que expliquen el comportamiento observado
3. Usar esas teorías para predecir el comportamiento futuro del sistema, es decir mirar
los efectos que se producirían en el sistema mediante los cambios dentro de él o en su
método de operación.
PROPIEDADES DE LOS MODELOS DE SIMULACION
DEFINICION DE MODELO
Modelo es una representación 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 réplica exacta de este, con la diferencia del material que
lo compone o de su escala, inclusive puede ser una abstracción de las propiedades dominantes
del objeto.
FUNCIONES DEL MODELO

- Comparar
- Predecir
Ejemplo: La pintura de un paisaje es una réplica de algo que existe. Un carro de madera es la
réplica 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 parámetros que nosotros podemos controlar
Yi: Las variables y los parámetros que nosotros no podemos controlar
F: Es la función 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 física del sistema.
2. VARIABLES: Relacionan los componentes entre sí y pueden ser de tres tipos:
- Exógenas: Son las variables independientes o de entrada del modelo. Estas se

clasifican en controlables y no controlables. Las controlables están sujetos a la

manipulación de quienes toman decisiones por ejemplo la duración de las fases

del semáforo. Las no controlables surgen del medio ambiente, como el
intervalo entre llegada de los vehículos a la intersección.
- Endógenas: Son variables dependientes o de salida del modelo como por

ejemplo el tiempo promedio de espera de los vehículos en la intersección. La
duración de este tiempo depende evidentemente del intervalo entre llegadas de
los vehículos y los tiempos del semáforo.
- De Estado: Estas definen el estado del sistema en un tiempo específico. Su

utilidad es proporcionar la información adecuada que permite determinar los
valores de las variables exógenas del problema. Por ejemplo, la variable de
estado “tiempo de la llegada de n-ésimo vehiculo a la intersección”
conjuntamente con los estados del semáforo (rojo o verde) nos ayudan a
afirmar si el vehículo se detiene a su llegada a la intersección o no, y en caso
de detenerse se puede calcular su tiempo de espera.
La naturaleza de cada sistema y el interés 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 vehículos a la
intersección es una constante h este seria un parámetro.
Los parámetros una vez establecidos se convierten en constantes.
4. RELACIONES FUNCIONALES:
Describen a los parámetros de tal manera que muestran su comportamiento dentro de un

componente o entre componentes de un sistema.
Las relaciones funcionales pueden ser de tipo determinísticos o estocásticos.
- Determinísticas: Sus definiciones que relacionan ciertas variables o parámetros

donde una salida del proceso es singularmente determinada por una entrada dada.
- Estocásticas: Cuando el proceso tiene una salida indefinida, para una entrada
determinada las relaciones funcionales se representan por ecuaciones matemáticas
y salen del análisis estadístico matemático.
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

- 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
conservación de tiempo, energía y adquisitivas ejemplo: Ganancia en algo.
CLASIFICACION DE LOS MODELOS
Los modelos se pueden clasificar en forma general, pero los modelos de simulación se pueden
clasificar en forma más específica.
De que forma podemos modelar un objeto o sistema desde lo más real a lo más 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 simulación permite comprimir el tiempo; se pueden evaluar años de experiencia en
el sistema real en unos segundos de simulación.
3. La simulación no interrumpe las actividades del sistema real.
4. La simulación ofrece una réplica más realista del sistema que el análisis matemático.
5. La solución responde a preguntas del tipo “que pasa si…”.
DESVENTAJAS
1. Aunque se invierta mucho tiempo y esfuerzo en el desarrollo de un modelo para
simulación, no hay garantías de que el modelo produzca buenas respuestas.
2. No es posible demostrar los resultados del modelo de simulación. La simulación
implica numerosas repeticiones de secuencias que se basan en sucesos generados de
manera aleatoria.
3. La construcción del modelo del sistema puede llevar de unas horas hasta años-hombre,
dependiendo del sistema que se simulará. Los sistemas complejos pueden ser muy
costosos y tardar mucho tiempo.
4. Las simulaciones pueden ser menos precisas que los modelos matemáticos, ya que se
basan en cuestiones aleatorias. Si el sistema se puede representar con un modelo
matemático, es mejor que usar una simulación.
5. Aunque avanza la técnica de las simulaciones, aún no existe un método normalizado.
Por consiguiente, los modelos del mismo sistema pueden variar si los desarrollan
distintas personas.
La simulación más que una ciencia es un arte.

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

SIMULACION SEA BUENO
1. Fácil de entender por el usuario.
2. Que tenga el modelo metas y objetivos.
3. Que el modelo no me de respuestas absurdas.
4. Que sea fácil de manipular, la comunicación entre el usuario y la computadora debe
ser sencilla.
5. Que sea completa, tenga por lo menos las partes o funciones más 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 SIMULACIÓN
Para desarrollar un modelo de simulación Kelton (2004) recomienda seguir los siguientes
pasos:
1. Definición del problema: Se debe definir el problema de estudio como primer paso,
además de delimitarlo y establecer los objetivos que se pretenda alcanzar.
2. Formulación del problema: Se crea un modelo lógico del sistema. Se debe

considerar la estructura de los datos o restricciones, el tipo de análisis a llevar a cabo,
el tipo de animación requerida y la comprensión del software.
3. Todo proceso de simulación tiene tres fases: Desarrollo del modelo, Ejecución del
Modelo y Análisis de salidas del modelo:

Ejemplo.- Para aclarar el concepto de la simulación examinamos el siguiente sistema.
Un semáforo en una intersección tiene una fase verde que demora 1 minuto y una fase roja de
0.8 minutos. El intervalo entre llegada de los vehículos al la intersección 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 vehículos. b) El número promedio de los
vehículos en espera durante la fase roja.
Se puede plantear la cuestión en una forma más útil: 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 duración de las fases del semáforo y simulando lo ocurrido en la intersección
observar el efecto de los cambios en a) y b).
Para poder simular el funcionamiento de este sistema primero debemos saber cómo generar
los valores de X, y posteriormente la solución al problema. Por ahora evitando los
procedimientos de generación suponiendo que X=2 segundos es una constante.
Desarrollamos la siguiente tabla:
Tenemos que examinar lo que sucede con cada vehículo al llegar a la intersección tomando en
cuenta su tiempo de llegada y la fase en la cual se encuentra el semáforo.
En este ejemplo simple se observa que en un período 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 número de los vehículos en espera es 23, Por lo tanto el tiempo promedio de espera TP es:
TP =TE/23 =24
Para determinar la duración de la fase roja del semáforo que permitiría 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 TP = 18
R = 0.4 TP = 12

Cuando X, el intervalo entre llegadas es aleatoria esencialmente se procede como antes para
calcular el valor de las incógnitas en el problema. El aspecto computación se vuelve tedioso y
exige el uso de medios electrónicos.
PROPIEDADES DEL MODELO

1. Los componentes.- Los vehículos llegando a la intersección y el semáforo.
2. Las variables:
a) Variables Exógenas.- El intervalo entre llegada de los vehículos a la intersección.
b) Variables Endógenas.- El tiempo promedio de espera de los vehículos.
c) Variables de Estado.- El tiempo de la llegada de n-ésimo vehiculo a la intersección y el
estado del semáforo (rojo o verde).
3. Los parámetros.- La duración de las fases del semáforo y el tiempo de simulación.
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 intersección en la fase roja.
Siendo X el intervalo entre llegadas de los vehículos, la función de densidad de

probabilidad de X, f(x)=.e−.x es una característica de la operación.
El propósito de simular un modelo es examinar el efecto de los cambios en las variables

exógenas y en los parámetros sobre las variables endógenas. En el problema anterior se
proponía estudiar el efecto del cambio en la duración de la fase roja sobre el tiempo promedio
de espera de los vehículos.
3. DIAGRAMA DE FLUJO EN SIMULACION

Mediante el diagrama de flujo se establece los pasos a seguir en el proceso de simular la
operación del modelo, las alternativas que pueden surgir en una situación determinada y los
cálculos que se debe realizar. El diagrama de flujo facilita la tarea de la programación.
Para el problema del semáforo (caso estocástico) primero procedemos a definir los símbolos y
posteriormente viene el diagrama de flujo simulando la operación del modelo durante un siclo
del semáforo (Fig.1).
El semáforo comienza a funcionar en la fase verde.
X – el intervalo entre llegada de los vehículos
T – tiempo de llegada de un vehículo a la intersección
V – duración de la fase verde, 60 segundos
R – duración de la fase roja, 48 segundos
TE – tiempo de espera acumulada
K – contador de vehículos en espera
TP – tiempo promedio de espera

Fig 1. Diagrama de flujo del Problema del Semáforo.

En el diagrama de flujo no se detalla la generación 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 distribución de probabilidad que lo representa. Como se mostrará
posteriormente se debe utilizar las fórmulas correspondientes para reproducir valores de las
variables aleatorias dada su distribución y sus parámetros.
Para entender mejor el diagrama supóngase que primero: X=14, entonces T=14
Significa que el primer vehículo llega 14 segundos después del comienzo del funcionamiento
del semáforo.
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 vehículo.
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 vehículo 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 señalando el fin de
la simulación y la impresión de TE.

2. Modelado de la
Aleatoriedad
VARIABLE ALEATORIA
Dado un experimento aleatorio cualquiera cuyos sucesos elementales posibles pueden
identificarse fácilmente mediante un número real, se denomina Variable Aleatoria, X, al
conjunto de estos números.
También se le llama variable de azar o variable estocástica, 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 número correspondiente a la cara del dado que haya salido.
Por tanto, la variable aleatoria, X, será:
X= 1,2,3,4,5,6
Por el contrario, si dado un experimento aleatorio cualquiera no resulta inmediata la

asociación de un número 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
números reales, de manera que a cada suceso elemental le corresponda un número real
arbitrario y que a sucesos elementales distintos les correspondan números distintos.
Se denomina variable aleatoria al conjunto imagen de esta correspondencia, es decir, al

conjunto de los números 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 preferirá un
individuo entre las posibles marcas: <<X>>, <<Y>>, <<Z>>.
En este caso la asociación de un número 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 números reales, del modo siguiente:

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

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

Las variables aleatorias pueden ser continuas o discontinuas. En este último caso se denomina
también 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 variación dado. Las probabilidades de que ocurra un valor dado x
están dadas por una función de densidad de probabilidad de que X quede entre a y b. El área
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 número, 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 existiría ninguna
razón 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
sólo puede tomar ciertos valores dentro de un campo de variación 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 entenderá 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
función matemática que asigne una probabilidad a cada realización x de la variable aleatoria
X. Esta función recibe el nombre de función 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 números, por lo que casa suceso elemental se le hace corresponder un
número real. Así al suceso elemental <<que salga cara>> se le hace corresponder el número
“1” y al suceso elemental <<que salga cruz>> se le hace corresponder el número “2”.

La variable aleatoria será: X = (1,2).
Se trata de una variable aleatoria discontinua o discreta, ya que únicamente 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 distribución de probabilidad, la cual es la
distribución de las probabilidades asociadas a cada uno de los valores de la variable aleatoria.
Las distribuciones de probabilidad pueden representarse a través de una tabla, una gráfica o
una fórmula, en cuyo caso tal regla de correspondencia se le denomina función de
probabilidad.
Las distribuciones de probabilidad comunes en simulación son: Bernoulli, Binomial, Poisson,

Geométrica, Hipergeométrica, Exponencial, Normal, Triangular, Gamma, Erlang, Lognormal,
Weibull.
A continuación se presenta 4 casos de distribución de frecuencias:
Caso 1.
Sea x una variable aleatoria que representa los intervalos de llegada (en minutos) de vehículos
a una estación 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 está entre 0 y 9, por lo tanto se puede establecer 9 clases.
La distribución de frecuencias de cada clase para esta muestra de datos sería la siguiente:
Se observa que la gráfica se aproxima a una distribución exponencial.
Nota: Si el rango de los datos es muy grande, por ejemplo entre 0 y 100, se aconseja
establecer intervalos de clase.

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 distribución de frecuencias respectiva es la siguiente:
Se observa que la gráfica se aproxima a una distribución normal.
Caso 3.
Sea x una variable aleatoria con distribución uniforme que representa el número de asientos
vacíos que trae un autobús 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 distribución de frecuencias es la siguiente:
Se observa que la gráfica corresponde a una distribución uniforme.

Caso 4.
Sea x una variable aleatoria que representa la demanda diaria de un artículo. Se ha obtenido
los siguientes datos para los primeros 20 días:
7 1 5 4 7 2 3 5 6 7 8 5 7 3 5 7 9 5 3 4
Se observa que la gráfica no se aproxima a ninguna distribución matemática, por lo tanto se

asume que es una distribución empírica.
Por lo tanto, la gráfica de distribución de frecuencias relativas nos da una idea de la expresión
matemática que representará a una variable aleatoria.
En un modelo de simulación es importante conocer las distribuciones de probabilidad de las

variables aleatorias, ya que a través de ellas se reproducirán los valores requeridos para imitar
el funcionamiento del sistema en estudio. Para reproducir dichos valores se requiere números
aleatorios, por lo tanto hay que generar primeramente dichos números.
NÚMEROS ALEATORIOS
Definición:
Son números que deben de cumplir los requisitos de espacio equiprobable, es decir, que todo
elemento tenga la misma probabilidad de ser elegido y que la elección de uno no dependa de
la elección del otro.
Para generar números aleatorios hay que recurrir a los números pseudoaleatorios por que
fundamentalmente las sucesiones de números pseudoaleatorios son más rápidas de generar
que las de números aleatorios.
Números Pseudolaeatorios.- Son unos números generados por medio de una función
(determinista, no aleatoria) y que aparentan ser aleatorios.
Criterios para que las secuencias de números pseudoaleatorios sean aceptables:

1. Que sean uniformemente distribuidas

2. Que sean estadísticamente independientes

3. Que sean reproducibles
4. Que sean no cíclicas o no periódicas
5. Que el método con el cual se genera sea capaz de generar números aleatorios a altas
velocidades
6. Que sea capaz de ocupar el mínimo espacio en la memoria del computador
Las técnicas para generar números aleatorios son:
1) Utilizando TABLAS DE NUMEROS ALEATORIOS: APÉNDICE 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 números uniformemente
distribuidos y estadísticamente 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 módulo.
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 números pseudoaleatorios requieren ser validados mediante pruebas de

uniformidad y aleatoriedad. Los números de una serie generada y validada servirán finalmente
para generar valores para nuestras variables aleatorias.
GENERACIÓN DE VALORES DE VARIABLES ALEATORIAS

1. VARIABLES DISCRETAS
Distribución Empírica
Distribución Geométrica
2. VARIABLES CONTINUAS
Distribución Exponencial
Distribución Uniforme
Distribución Normal
ETC.

1. Generación de Valores de Variables Aleatorias con:

DISTRIBUCIÓN EXPONENCIAL
Sea t una variable aleatoria que representa los intervalos de llegada (en minutos) de vehículos
a una estación 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 distribución
exponencial.
El procedimiento es el siguiente:
1 Generar un número aleatorio r entre 0 y 1
2 Usar el valor r para resolver la siguiente ecuación para t:
F(t) = r
1 - e-t = r
e-t = 1 – r
1
 t=- *ln(1 – r)

Por lo tanto para el ejemplo específico que implica los intervalos entre llegadas de vehículos a
la estación de gasolina, en el que = 12 vehículos por hora (0.2 vehículos por minuto) y se
genera un número aleatorio uniforme de, digamos, r = 0.3329, entonces el próximo vehículo
llegará dentro de:
t = - 1 *ln(1-0.3329)= -5*ln(0.6671)= -5*(-0.4048) = 2.024 minutos

0.2


DISTRIBUCIÓN NORMAL
Suponga que necesita generar la demanda D de leche que sigue una distribución normal con
una media de 750 galones al día y una desviación estándar de 100 galones. Para hacer eso con
una variable aleatoria normalmente distribuída, con una media de  y una desviación estándar
de , haga lo siguiente:
1 Genere un número 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 área bajo la distribución normal a la izquierda de t,
en la figura siguiente, es t. Para hacer esto use la tabla estándar-normal del apéndice A para
encontrar el valor asociado; después calcule t, de la siguiente manera:
t−
z=

Así : t =  + (*z)
Para el ejemplo específico de la leche en el que r= 0.1515, = 750 y  = 100, el valor z del
apéndice A es aproximadamente -1.03, y así:
z (0.1515) = -1.03
 t = 750 + 100*(-1.03) = 647 galones
El uso de números aleatorios para generar entradas probabilísticas a menudo se denomina

simulación de MonteCarlo. El método obtuvo su nombre durante la Segunda Guerra Mundial
cuando los científicos usaron números aleatorios para estimar, en un sentido estadístico, las
soluciones a problemas matemáticos complejos.

Los métodos descritos aquí no son los más eficientes disponibles, pero se usan por que son
conceptualmente fáciles de comprender. Ahora verá cómo se usan estas ideas en el diseño de
una simulación por computadora.

DISTRIBUCIÓN UNIFORME
Uno de los métodos más comúnmente utilizados para generar números aleatorios que siguen
una distribución conocida se basa en usar números aleatorios uniformemente distribuidos
entre 0 y 1. Como se ilustra en la figura siguiente, tales números tienen la siguiente función de
densidad, f(x), y la función de distribución acumulativa, F(x):
f(x)=1
F(x)=x
Por ejemplo si se quiere generar el número de asientos vacíos que trae un autobús que llega a
un paradero, los cuales están uniformemente distribuídos entre 5 y 15 asientos, y se tiene un
número 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 autobús trae 12 asientos vacíos.
Nota: También podemos utilizar la fórmula siguiente: min + (max – min)*( r), los valores
generados no coinciden en cuanto al orden, pero al final todos los números saldrán con la
misma frecuencia.


DISTRIBUCIÓN EMPÍRICA
Pasos:
1 Tomar muestra lo suficientemente grande de los valores de la variable aleatoria (mínimo
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
vehículos a un semáforo. Los 30 datos observados del sistema real son los siguientes:
Observación x Observación x Observación x

1 2 11 4 21 2
2 4 12 2 22 1
3 5 13 3 23 1
4 2 14 4 24 3
5 3 15 5 25 2
6 4 16 3 26 4
7 2 17 4 27 1
8 4 18 5 28 3
9 5 19 4 29 2
10 5 20 3 30 4
Las probabilidades de ocurrencia de cada rango son las siguientes:
Rango Frecuencia Probabilidad

1 III =3 0.10
2 IIIIIIII =7 0.23
3 IIIIII =6 0.20
4 IIIIIIIII =9 0.30
5 IIIII =5 0.17
1.00
5 Calcular la función acumulada y graficar
i Xi p(Xi) F(Xi)
1 1 0.10 0.10
2 2 0.23 0.33

3 3 0.20 0.53
4 4 0.30 0.83
5 5 0.17 1.00
6 Generar un número 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. Estadísticamente 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. ¿Cuál seria el costo
promedio de una pieza que termine en ventas?
Para determinar dicho costo, debemos imitar el funcionamiento del sistema y determinar el
número de reprocesos, así como el porcentaje de piezas aceptadas.

Se asume que la distribución de la variable exógena (hacia dónde se deriva la pieza una vez
inspeccionada), es empírica, entonces se debe generar los eventos usando el procedimiento
para generar valores para variables con distribución empírica.
Para efectos de explicación del funcionamiento del sistema y obtener los resultados buscados,
se fija como tiempo de simulación el proceso de 20 piezas.
Usaremos los números aleatorios de la celda A3 de la tabla de números aleatorios del

apéndice B.
A continuación se muestra la tabla de simulación:
TABLA DE SIMULACIÓN
RESUMEN DE RESULTADOS:
Como se observa:

El costo acumulado para un total de 20 piezas es = 20*10 + 4*5 = 220
El costo unitario será 220/18 = 12.2222 dólares
El porcentaje de piezas aceptadas será 18/20 = 0.9
Además, dado que el sistema real procesa en promedio 1000 piezas diarias, entonces para
tener resultados consistentes que permitan tomar decisiones, se tendrá que realizar
simulaciones para un mayor número de piezas. Por ejemplo para 200 piezas, 2000 piezas; los
resultados se aproximarán más al valor teórico. Tal como se observa en la siguiente gráfica:
Gráfica del Costo de un ítem perfecto

4. Simulación de
Sistemas con Excel y
Visual Basic
CASOS ESTUDIO 2: SIMULACIÓN DE SISTEMAS DE COLAS
Los usuarios llegan ALEATORIAMENTE a un teléfono público. Si el teléfono está

desocupado, realizan la llamada, en caso contrario esperan en cola hasta que el sistema se
desocupe. La duración de cada una de las llamadas también es ALEATORIA.
Se ha registrado durante 3 horas la información relacionada a la tasa de llegadas de los

clientes al sistema, así como los tiempos de servicio (duración de las llamadas), llegando a
obtener los siguientes promedios:
 = 20 clientes por horas, ó los clientes llegan en promedio cada 3 minutos.
 = 15 clientes por hora, ó 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 distribución exponencial.
Con esta información se le pide analizar el sistema de colas, determinando lo siguiente:

a) El tiempo promedio de espera en cola.

b) El tiempo improductivo total del Teléfono Público.

c) La utilización de Teléfono Público.
1.- Utilice la simulación manual para determinar dichas inquietudes. Para ello deberá 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 día, para 50
días.
Solución:
Al observar los datos >, por lo tanto no cumplen la condición obligatoria para aplicar las
fórmulas de colas a fin de poder determinar las respuestas a las inquietudes planteadas, en
consecuencia la única herramienta a utilizar es la simulación de sistemas.
Por otro lado la simulación para las 4 primeras horas, por la gran cantidad de datos, ya no es
posible realizar la simulación manual, por lo que podemos utilizar un lenguaje de
programación o una herramienta de software como el Excel o el Arena.
1.- Solución manual para la llegada de 15 clientes:
1ro. Definimos las propiedades del modelo de simulación:

Propiedades del modelo
COMPONENTES:
Clientes y el Teléfono
VARIABLES EXOGENAS:
x: Intervalo entre llegadas de los clientes
y: Duración de una llamada
VARIABLES ENDOGENAS:
Wq: Tiempo promedio de espera en cola por parte de los clientes
TI: Tiempo Improductivo u Ocioso del teléfono público
U: Utilización de teléfono público
VARIABLES DE ESTADO:
T: Tiempo de llegada de un cliente
D: Tiempo de desocupación del teléfono
PARÁMETROS:
Tiempo de Simulación (TS)= 4 horas ó el tiempo que demande la llegada de 15 clientes.

RELACIONES FUNCIONALES:
x → Distribución Exponencial con media 3 minutos entre clientes.
y → Distribución Exponencial con media 4 minutos por cliente.
2do. Generamos los valores para nuestras variables exógenas o aleatorias, utilizando la
metodología estudiada en el capítulo 3.
La expresión de la distribución exponencial para ambas variables es:

1
x =− ln (1- r)

1
y =− ln(1- r)

donde r es un número aleatorio entre 0 y 1.
Tomando valores aleatorios de las TABLAS DE NUMEROS ALEATORIOS, tenemos:
3ro. Construimos la Tabla de simulación respectiva y en ella realizamos las operaciones

necesarias para imitar el funcionamiento del sistema. La tabla final se muestra a continuación:

TABLA DE SIMULACIÓN:
En base a los resultados obtenidos, determinamos las inquietudes planteadas:
69
Tiempo promedio de espera en cola (Wq) = = 4.6 minutos/cliente
15
Tiempo Improductivo o Tiempo ocioso (TI) = 8 minutos
37
Utilización del teléfono (U) = = 0.8222 (el sistema esta ocupado el 82.22% del tiempo
45
total de operación)
2.- Solución Utilizando el Excel o Visual Basic para las 4 primeras horas de
funcionamiento:
1ro. Para entender la lógica del funcionamiento del sistema, utilizamos un diagrama de flujo:
Diagrama de Flujo: Problema del Teléfono

2do. En base al diagrama de flujo, codificamos el programa en Visual Basic:
Codificación 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)

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 ó sea 97%
Conclusiones:
1. La simulación es una herramienta que permite imitar el funcionamiento de un sistema

real, para luego experimentar con el sin necesidad de afectarlo físicamente.
2. Permite a las empresas que lo apliquen, pronosticar comportamientos futuros acerca

del sistema, lo cual permitirá a los tomadores de decisión sugerir alternativas de
optimización.
3. La simulación exige un tratamiento estadístico de la información a efectos de validar

el modelo y poder así sugerir la implementación de alternativas de mejora.

Ejercicio 1:
Un semáforo en una intersección vehicular tiene una fase verde que actualmente demora 50
segundos y una fase roja de 40 segundos. El intervalo entre las llegadas de los vehículos a la
intersección (en segundos) es una variable aleatoria con distribución empírica:
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 simulación de Montecarlo

determine el tiempo promedio de espera de los vehículos en cola para esta intersección
en un tiempo de simulación equivalente a la llegada de 10 vehículos. La cola
desaparece una vez que el semáforo cambia a la fase verde. Para generar los valores de
la variable X, utilice los números aleatorios indicados por el profesor.
b) Las propiedades del modelo.
c) El Diagrama de Flujo respectivo.
SOLUCIÓN:
a) Tiempo Promedio de Espera = 19.7 segundos.
Fase Fase
Vehículo R X T Roja Verde TE
1 0,15 11 11 1 29
2 0,81 13 24 1 16
3 0,92 14 38 1 2
4 0,23 11 49 1
5 0,96 14 63 1
6 0,09 10 73 1
7 0,28 11 84 1
8 0,10 10 94 1 36
9 0,55 12 106 1 24
10 0,82 13 119 1 11
6 118
b) Propiedades del Modelo:
1. Componentes: Vehículos y Semáforo

2. Variables Exógenas:
2.1 Controlables
2.2 No Controlables:
X: Intervalo entre llegadas de los vehículos

3. Variables Endógenas:
3.1 De Estado
T: Tiempo de llegada de un vehículo
F: Fase del semáforo
3.2 De Salida:
Wq: Tiempo promedio de espera de los vehículos
4. Parámetros:
X: DISC(10,0.1;11,0.3;12,0.2;13,0.3;14,0.1)
TS: llegada de 10 vehículos
FV: Fase Verde = 50 segundos
FR: Fase Roja = 40 segundos2
C) Diagrama de flujo:

EJERCICIO 2:
Los usuarios llegan exponencialmente a una estación de gasolina con intervalos promedio
entre llegadas de 3 minutos. El tiempo de servicio es una variable aleatoria distribuída
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 vehículos y
determine:
b) Las propiedades del modelo.
c) El tiempo promedio de espera de los clientes.
d) La utilización del servidor.
e) El tiempo acumulado ocioso del servidor.
f) El diagrama reflujo respectivo.
Nota 1: Para generar las variables aleatorias utilice los números 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 empíricamente a una estación de gasolina, bajo la siguiente distribución
de frecuencias:
Intervalo
Entre
llegadas
(minutos) Frecuencia
0 5
1 5
2 30
3 5
4 50
5 5
100
El tiempo de servicio es una variable aleatoria distribuída normalmente con media de 3

minutos y desviación estándar 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 vehículos y
determine:
a) Las propiedades del modelo.
b) El tiempo promedio de espera.
c) El número de vehículos que abandonan el sistema.
d) La utilización y el Tiempo ocioso del servidor.

e) El diagrama de flujo respectivo.
Nota 1: Para generar las variables aleatorias utilice los números 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:
SIMULACIÓN DE SISTEMAS DE COLAS EN PARALELO
Llegan exponencialmente a una estación de combustible los vehículos 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 están distribuidos uniformemente entre 2 y 6
minutos. Los vehículos ocupan de preferencia el surtidor A, si es que ambos están
desocupados.
La estación de gasolina tiene espacio limitado para 3 vehículos incluidos los que están
recibiendo el servicio. El Vehículo que llega a la estación y no encuentra espacio, abandona la
estación.
La paciencia de los conductores es máximo 4 minutos de espera, en caso de superar su

paciencia, estos también abandonan el sistema.
Utilizando la simulación de Montecarlo, imite el funcionamiento del sistema durante la

llegada de 15 vehículos y determine:
a) El tiempo promedio de espera de los vehículos en la estación de gasolina.
b) La utilización del surtidor de gasolina A.
c) La utilización del surtidor de gasolina B.
d) El número de vehículos que abandonan la estación de gasolina.
Para generar los valores de las variables aleatorias, utilice los números aleatorios de la tabla
de números aleatorios del Apéndice B de la siguiente manera:
- Intervalos entre llegadas de los vehículos a la estación de gasolina: celda A1
- Tiempos de servicio del surtidor A: celda A3
- Tiempos de servicio del surtidor B: celda C8
Nota: Los valores generados debe redondearse a cero decimales.
SOLUCIÓN:
1ro. Definimos las propiedades del modelo:

Propiedades del modelo

COMPONENTES:
Vehículos y Surtidores de combustible
VARIABLES EXOGENAS:
L: Intervalo entre llegadas de los vehículos
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 vehículos
U(A): Utilización del surtidor A
U(B): Utilización del surtidor B
AL: Número de vehículos que se alejan
VARIABLES DE ESTADO:
TL: Tiempo de llegada de un vehículo
TD(A): Tiempo de desocupación del surtidor A
TD(B): Tiempo de desocupación del surtidor B
PARÁMETROS:
Tiempo de Simulación (TS)= El tiempo que demande la llegada de 15 clientes.
Capacidad del sistema = 3 vehículos.
Límite de paciencia de los conductores = 4 minutos
RELACIONES FUNCIONALES:
L → Distribución Exponencial con media de 2 minutos entre vehículos.
TS(A) ó TS(B) → Distribución Uniforme entre 2 y 6 minutos.
2do. Construimos la tabla de simulación donde generaremos los valores para las variables
aleatorias respectivas.
TABLA DE SIMULACIÓN:

3ro. En base a los resultados obtenidos, determinamos las inquietudes planteadas:
4
Tiempo promedio de espera en cola (Wq) = = 0.333 minutos/vehículo
15 − 3
Tiempo Improductivo o Tiempo ocioso (TI) = 8 minutos
27
Utilización del surtidor A (U(A)) = = 0.8438 (el surtidor A esta ocupado el 84.38% del
32
tiempo total de operación)
22
Utilización del surtidor B (U(B)) = = 0.6875 (el surtidor B esta ocupado el 68.75% del
32
tiempo total de operación)
Abandonan la estación de gasolina = 3 vehículos

CASO ESTUDIO 3:
SIMULACIÓN DE GESTIÓN DE INVENTARIOS EN EXCEL
A.- Introducción
En los métodos para calcular cantidades de reposición. (Análisis de sensibilidad y lote

económico), 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 artículos cuando la
demanda excede el inventario disponible, quizá uno de los costos más 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 simulación (investigación operativa en lugar de la técnica del lote
económico.
Además como el método del lote económico exige, para ser confiable, demanda constante y
tiempo de abastecimiento fijo, con la simulación se puede trabajar con variabilidad en esos
dos aspectos, ampliando la utilidad del sistema de simulación.
La simulación que es una técnica de evaluación para sistemas complejos, es una herramienta
importante tanto para el diseño, como para el análisis de un sistema.
En cuanto la complejidad del sistema de inventarios que se tiene aumenta, la simulación llega
a ser más y más atractiva como una ayuda para la toma de decisiones. Esto es particularmente
cierto para sistemas dinámicos y/o probabilistas. Uno de los rasgos más atractivos de un
enfoque de simulación es la oportunidad que da al analista de comprende, la naturaleza
dinámica de un sistema.
Con la simulación se puede "mover" un modelo a través del tiempo y observar como se,
comporta el sistema en sentido dinámico; además, una de las características de la simulación
es que puede tratar con elementos probabilísticos que sean a menudo difíciles si no imposibles
de manejar analíticamente.
Un rasgo no atractivo de la simulación, es que no garantiza nada más que una solución que
puede utilizarse para ciertos sistemas, puede ser difícil determinar cuan cercana está la
solución que se tiene a la solución óptima real.
Otra desventaja de la simulación, se relaciona con las computadoras, pues la mayoría de los
estudios de simulación se lleva en ellas. La cantidad de programación de cómputo Y tiempo
de ejecución de computadoras requeridos para ejecutar un análisis particular, podrían ser muy
grandes. Aún así, la simulación es la única forma conocida de analizar ciertos sistemas, su
poder y versatibilidad a menudo sobrepasan su defecto.
B.- Procedimiento general de simulación
Los pasos necesarios para diseñar un análisis completo de Simulación, son:

1.- Deberá desarrollarse un modelo que intente capturar los rasgos esenciales del sistema bajo
estudio. Al desarrollar tal modelo es importante pensar en términos de variables controlables
(también llamadas variables de decisión), variables incontrolables y la relación 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 modificación necesaria debe realizarse antes que se obtenga resultado,
útiles del modelo
3.- Habiendo terminado el paso de validación. El analista entonces diseña y ejecuta

experimentos con el modelo, valores dados u otras representaciones para las variables no
controlables, se experimentan con las variables de decisión y se observa como responde el
sistema.
Un Diagrama de Flujo para un Procedimiento de Simulación
C.- El método de Montecarlo
Una herramienta útil en muchos de los modelos de simulación, es el método de Montecarlo,

para generar variables aleatorias de las distribuciones de probabilidad. La técnica es tan
simple como poderosa.
Ejemplo :Suponiendo una salida (X) de un proceso probabilístico dado, es un entero entre 0
y 39, inclusive. Además se está interesado en que X esté en ciertos intervalos (0-9, 10-19,20-
29,30-39) y se conoce la probabilidad correspondiente de que X esté en cualquier intervalo en
un tiempo dado:

Distribución hipotética de probabilidad

a,b p(a<X<b)
0,9 0.15
10,19 0.20
20,29 0.50
30,39 0.15
1.00
El primer paso es asociar con cada evento el número de los dígitos enteros uniformemente
distribuidos (esto es, igual probabilidad) que corresponde a la probabilidad del evento.
Distribución hipotética junto con asignaciones de

enteros de dos dígitos
a,b p(a<X<b) enteros de dos dígitos
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 dígitos con este evento (00-14). La
numeración consecutiva de los enteros aleatorios asignados es simplemente por conveniencia,
de igual manera para el evento 20 < X < 29 se asignan 50 números aleatorios.
El número total de números aleatorios utilizados para los cuatro eventos es 100. La idea es
que la relación de la cantidad de números aleatorios asignados a un evento a la cantidad total
de números aleatorios asignados a la distribución total sea igual a la probabilidad de
ocurrencia del evento. Así, se hubiere decidido asignar números aleatorios a 3 cifras en lugar
de los de dos, se habrían necesitado 1,000 números en total (debe haber al menos tantos
dígitos como posiciones después de¡ punto decimal en la distribución de probabilidad).
Para las asignaciones de los números aleatorios, la salida de este proceso se simula
recogiendo números de una tabla de números aleatorios y simplemente determinando el
evento correspondiente. Por ejemplo, suponiendo que se recurriera a un tabla de números
aleatorios y se obtuviera el número 27, éste indicaría que el evento 10 < X < 19 ocurrió.
Se puede pensar de esto como una simulación de un proceso cuya salida es una variable
aleatoria que esté presentada por la distribución de probabilidad mostrada en la tabla anterior.
Si se continúa simulando este proceso y se registra la frecuencia con la cual ocurre cada
evento, se acercaría en el límite cuando el número de ensayos en la simulación creciera sin
tope, a la probabilidad de ocurrencia de cada evento.

a,b p(a<X<b) Asignaciones Número de Frecuencia

de entero ocurrencias relativa
0,9 0.15 00-14 13 0.13
10,19 0.20 15-64 32 0.21
20,29 0.50 35-84 54 0.54
30,39 0.15 85-99 12 0.12
1.00
Con una gran cantidad de ensayos se producirán frecuencias relativas que serán más cercanas
a los números de probabilidad originadas.
D.- Sistema de inventarios
Una forma de determinar los niveles (le reposición (R) y las cantidades de reposición (Q)
considerando todos los elementos de costos que intervienen en un sistema de inventarios y
además de forma que se automatice la administración del inventario de un almacén, es un
sistema de simulación.
La elección de los valores numéricos de las variables la decisión se infiere de buscar el

intercambio entre:
• El costo de tener el inventarío
• 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 período, una semana un mes, un año. El objetivo del administrador es determinar
una política que minimice el valor promedio del costo total.
Aunque estos modelos son relativamente fáciles de desarrollar, a menudo son muy difíciles
de resolver matemáticamente, pues con frecuencia contienen funciones no lineales de las
variables de decisión y contienen uno o más elementos estocásticos que resulten de la
demanda y/o consideraciones de tiempo en que llegan los artículos después de haber hecho el
pedido.
Como un resultado, el análisis matemático requerido para calcular una política óptima a
menudo es extremadamente difícil, para muchos sistemas el análisis matemático es imposible.
La simulación sin embargo, trata fácilmente con las complejidades de los sistemas de
inventario. Se puede simular el comportamiento para una variedad de políticas, entonces la
administración puede elegir la política que proporciona el comportamiento del sistema más
deseable en promedio. Las matemáticas complejas no son necesarias.
Ejemplo:
Se presenta un sistema de inventario, en el que la demanda diaria es incierta, pero que puede
representarse probabilísticamente en la distribución siguiente:

Asignación
del
Demanda Probabilidad Número
Aleatorio
0 0.1 0
1 0.3 1,2,3
2 0.5 4,5,6,7,8
3 0.1 9
1.0
Además 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 artículo en almacén (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 días.
c.- El costo de colocar un pedido para volver a tener artículos en inventario es de $ 10.00
(independientemente de la cantidad ordenada).
d.- El costo de tener el inventario es de 50 centavos por día por cada unidad en almacén al
inicio del día.
Se necesita instalar una política de reposición, para lo cual se requiere establecer los valores
de los niveles de reposición (R) y cantidad de reposición (Q) que definen esta política.
El problema se resuelve simulando el comportamiento del costo del sistema para una variedad
de políticas posibles y eligiendo aquellas políticas que proporcionen un costo mínimo.
Por ejemplo, se podría probar la política " Toda vez que el inventario que se tiene al inicio de
un día 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 política R = 2, Q = 6.
La tabla siguiente presenta la simulación para 3 semanas

Día Inven- Unida- Unidades Números Unidades Unidades Costo por Costo por Costo del Costo
tario des recibidas aleatorios deman- pedidas que mantener la no tener la pedido total
inicial pedi- dadas están en unidad unidad en
das espera para almacenada almacén
entregarse
1 6* 0 0 5 2 0 $3.00 0 0 $3.00
2 4 0 0 0 0 0 2 0 0 2
3 4 0 0 9 3 0 2 0 0 2
4 1 6 0 1 1 0 0.5 0 10 10.5
5 0 0 0 9 3 3 0 3 0 3
6 0 0 6 8 2 0 0 0 0 0
7 1 6 0 7 2 1 0.5 1 10 11.5
8 0 0 0 5 2 2 0 2 0 2
9 0 0 6 1 1 0 0 0 0 0
10 2 6 0 8 2 0 1 0 10 11
11 0 0 0 6 2 2 0 2 0 2
12 0 0 6 9 3 0 0 0 0 0
13 1 6 0 0 0 0 0.5 0 10 10.5
14 1 0 0 3 1 0 0.5 0 0 0.5
15 0 0 6 8 2 0 0 0 0 0
16 4 0 0 1 1 0 2 0 0 2
17 3 0 0 9 3 0 1.5 0 0 1.5
18 0 6 0 7 2 2 0 2 10 12
19 0 0 0 1 1 1 0 1 0 1
20 0 0 6 3 1 0 0 0 0 0
21 2 6 0 4 2 0 1 0 10 11
*Inventario inicial asignado arbitrariamente
La tabla anterior es un registro utilizado para llevar la simulación durante 3 semanas. Los
números aleatorios utilizados en la simulación fueron tomados arbitrariamente de una tabla de
números aleatorios.
El primer día del período de simulación 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 ningún pedido pendiente de recibir. Ninguna unidad se necesita
pedir, y el día dos se inicia con cuatro unidades. El costo asociado en el día 1 es simplemente
$3.00 ya que no se tuvo escasez en el stock ni se cursó ningún 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 política R = 2, Q = 6.
La estimación de costo para otras posibilidades se obtienen en forma similar y se utilizan para
comparar políticas (para mejorar la confiabilidad de las comparaciones, se debería
examinar el sistema para más de 3 semanas) según costos.
EJERCICIO 4:
La demanda diaria de un artículo (D) es una variable aleatoria con distribución exponencial
con una media de 50 unidades diarias. La cantidad inicial en el almacén es 100 unidades y se
reduce diariamente.

Se tiene la política de pedir cada 3 días. Se solicita al inicio del día 250 unidades adicionales
que llegan en un tiempo aleatorio (TR) con distribución normal con media de 2 días y
desviación estándar de 1 día. Al llegar las unidades solicitadas primero se cumple con la
demanda atrasada.
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 artículo. El costo de inventario se estima en 0.5 dólares por unidad
por día, y se carga a las unidades en inventario al final del día. La escasez cuesta 1.5 dólares
por cada unidad que falte. El costo de pedido es 50 dólares por pedido. Los pedidos llegan al
inicio del día.
Simule el funcionamiento del negocio durante 10 días, y determine el costo total, así como el
inventario final del día 10. Para generar los valores de las variables aleatorias D y TR, utilice
los números aleatorios indicados por el profesor.
SOLUCIÓN:
Suministro Demanada Csotos Costo
Dia II Pedido r Z TR Recibido r D IF Escasez Almacen Escasez Pedido Total
1 100 0,34 21 79 0 39,5 0 0 39,5
2 79 0,96 161 0 82 0 123 0 123,0
-
3 0 250 0,37 0,33 2 0,33 20 0 20 0 30 50 80,0
4 0 0,20 11 0 11 0 16,5 0 16,5
5 137 250 0,71 62 75 0 37,5 0 0 37,5
6 75 250 0,68 0,47 2 0,83 89 0 14 0 21 50 71,0
7 0 0,06 3 0 3 0 4,5 0 4,5
8 233 250 0,64 51 182 0 91 0 0 91,0
9 182 250 0,93 1,48 3 0,66 54 128 0 64 0 50 114,0
10 128 0,92 126 2 0 1 0 0 1,0
578,0
1. Costo total = 578 soles
2. Inventario Final = 2 unidades
CASO ESTUDIO 4:
SIMULACIÓN DE SISTEMAS DE CONGESTIÓN VEHICULAR
Los pasajeros llegan a un paradero de autobuses con tiempos medio entre llegadas de 2
minutos distribuidos exponencialmente. Un autobús llega con tiempos entre llegadas de 7+-2
minutos. El autobús tiene capacidad para 15 pasajeros y el número de asientos no ocupados
cuando llega el autobús tiene igual probabilidad de estar entre 0 y 15. El autobús recibe tantos
pasajeros como pueden sentarse y los que no puedan abordar se alejan.

a) Emplee la simulación de Montecarlo para determinar el número de pasajeros que se alejan

durante la llegada de 20 pasajeros.
Emplear los siguientes números aleatorios:
- Para las llegadas de los pasajeros: B9
- Para las llegadas de los autobuses: C1
- Para el número de asientos vacíos: A10
b) Utilice un lenguaje de programación para simular el funcionamiento del paradero de
autobuses y determine el número 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.
SOLUCIÓN:
Para dar respuesta a la parte a), construimos la siguiente tabla de simulación:
Se concluye que no habrá pasajeros que se alejen por falta de asientos vacíos.
Solución Para un tiempo de simulación 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: Número de asientos no ocupados
3.3 VARIABLES ENDOGENAS:

AL: Número 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 autobús
3.5 PARÁMETROS:
Tiempo de Simulación = 8 horas o la llegada de 100 pasajeros
Capacidad del autobús = 15 asientos
3.6 RELACIONES FUNCIONALES:
L → Distribución Exponencial con media entre llegadas de 2 minutos
A → Distribución Normal con media de 7 minutos y desviación estándar de 2 minutos
NANO → Distribución Uniforme entre 0 y 15
Diagrama de Flujo para un tiempo de simulación de 8 horas.
Programa en Visual Basic (parte b.1)

Private Sub Command1_ Click ()
tl = 0
al = 0

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 continuación se presenta el diagrama de flujo para un tiempo de simulación de la llegada de

100 autobuses:

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

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 autobús llega con intervalos de tiempo (A)
distribuidos uniformemente entre 5 y 7 minutos.
El autobús tiene capacidad para 25 pasajeros y el número de asientos ocupados (AO) cuando
llega el autobús tiene igual probabilidad de estar entre 20 y 25. El autobús 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 número promedio de pasajeros que se alejan por no encontrar asiento disponible. (2

puntos)
b) El tiempo promedio de espera de los pasajeros. (2 puntos)

c) Construya el diagrama de flujo respectivo. (3 puntos)
Para generar los valores de las variables aleatorias L, A y AO, utilice los números aleatorios
indicados por el profesor.
SOLUCIÓN:
Pasajeros Autobuses Asientos

Pasajero r L T Cola r A TL r AO AV TE A
1 0,82 3 3 1 0,41 6 6 0,54 23 2 3 2
2 0,62 2 5 2 1
3 0,13 0 5 3 1
4 0,08 0 5 4 1
5 0,92 5 10 1 0,92 7 13 0,07 20 5 3 0
6 0,95 6 16 1 0,05 5 18 0,92 25 0 2 1
7 0,86 4 20 1 0,44 6 24 0,12 21 4 4
8 0,11 0 20 2 4
9 0,16 0 20 3 4
10 0,52 1 21 4 3
26 3
a) Número promedio de pasajeros que se alejan = 3/3 = 1 pasajero

b) Tiempo promedio de espera = 26/10 = 2.6 minutos
c) Diagrama de Flujo:


CASO ESTUDIO NRO 5:

SIMULACIÓN DEL VAN DE UN PROYECTO DE INVERSIÓN
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 administración, el demostró gran espíritu emprendedor y
energía.
Ahora, a los 42 años de edad, el viene invirtiendo su patrimonio de $ 4 000 000 de modo muy
cauteloso y obteniendo 15% al año. Actualmente, el se enfrenta con una inflación 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 más atrayentes.
LA DECISION
Ismael pretende colocar $ 1 000 000 de su inversión 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 simulación seria el análisis apropiado para tratar los valores aleatorios del
proyecto X, en cuanto a las incertezas del proyecto Y podrían ser mas bien visualizadas en un
diseño de árbol de decisiones.
El problema de la “preferencia en el tiempo” puede ser tratado utilizando los cálculos del
Valor Presente Neto (VAN), como recomiendan la mayoría de los autores. La tasa de
descuento es de 15%. De cualquier modo, dada la incerteza en relación al tiempo de duración
del proyecto, otros análisis no se justifican.
EL PROYECTO X.
El proyecto X consiste en el lanzamiento de un nuevo producto. La inversión inicial total es

de $ 1 000 000 y el retorno depende de factores inciertos y valores aleatorios.
i) Incerteza en relación al costo variable unitario de producción. 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 año de producción, en:
Probabilidad (%) Costo Unitario ($)

40 3.00
30 3.50
30 4.00
No hay costos fijos importantes además de la inversión inicial.

Simulación de sistemas discretos

Hochgeladen von

Dokumentinformationen

Originalbeschreibung:

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Simulación de sistemas discretos

Hochgeladen von

Copyright:

Verfügbare Formate

Simulación de Sistemas 1

UNIVERSIDAD NACIONAL DE SAN AGUSTÍN

SIMULACIÓN DE SISTEMAS DE EVENTOS

Ing. Efraín Murillo

Se recurre a la simulación cuando no existen métodos analíticos que no pueden resolver el

La simulación es el diseñar y desarrollar un modelo computarizado de un sistema o proceso y

Es un modelo, dice que la simulación de un sistema o de un organismo es la operación de un

Ing. Efraín Murillo

QUE INTENTA LA SIMULACION

Modelo es una representación de un objeto, sistema o idea de forma diferente a la de identidad

Por lo general el modelo nos ayuda a entender y mejorar un sistema.

FUNCIONES DEL MODELO

ESTRUCTURA DEL MODELO

PROPIEDADES DE LOS MODELOS

Generalmente son las partes o componentes de un conjunto que forman el sistema o

2. VARIABLES: Relacionan los componentes entre sí y pueden ser de tres tipos:

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

Ing. Efraín Murillo

manipulación de quienes toman decisiones por ejemplo la duración de las fases

- Endógenas: Son variables dependientes o de salida del modelo como por

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

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

Los parámetros una vez establecidos se convierten en constantes.

Describen a los parámetros de tal manera que muestran su comportamiento dentro de un

Las relaciones funcionales pueden ser de tipo determinísticos o estocásticos.

- Determinísticas: Sus definiciones que relacionan ciertas variables o parámetros

- Autoimpuestas: O sea asignadas por el mismo operador o

Ing. Efraín Murillo

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

CLASIFICACION DE LOS MODELOS

VENTAJAS Y DESVENTAJAS DE LA SIMULACION:

Ing. Efraín Murillo

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

2. Formulación del problema: Se crea un modelo lógico del sistema. Se debe

Ing. Efraín Murillo

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

Desarrollamos la siguiente tabla:

Ing. Efraín Murillo

PROPIEDADES DEL MODELO

Donde R es el tiempo que termina la fase roja y T es el tiempo de la llegada de un

Siendo X el intervalo entre llegadas de los vehículos, la función de densidad de

El propósito de simular un modelo es examinar el efecto de los cambios en las variables

3. DIAGRAMA DE FLUJO EN SIMULACION

Ing. Efraín Murillo

Fig 1. Diagrama de flujo del Problema del Semáforo.

Ing. Efraín Murillo

Por el contrario, si dado un experimento aleatorio cualquiera no resulta inmediata la

Se denomina variable aleatoria al conjunto imagen de esta correspondencia, es decir, al

Ing. Efraín Murillo

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

La variable aleatoria X será: X = (1,2,3).

CLASIFICACIÓN DE LAS VARIABLES ALEATORIAS

a) VARIABLE ALEATORIA CONTINUA.-

b) VARIABLE ALEATORIA DISCONTINUA O DISCRETA.

Ing. Efraín Murillo

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

Las distribuciones de probabilidad comunes en simulación son: Bernoulli, Binomial, Poisson,

A continuación se presenta 4 casos de distribución de frecuencias:

Se observa que la gráfica se aproxima a una distribución exponencial.

Ing. Efraín Murillo

La distribución de frecuencias respectiva es la siguiente:

Se observa que la gráfica se aproxima a una distribución normal.

t = - 1 ln(1-0.3329)= -5ln(0.6671)= -5*(-0.4048) = 2.024 minutos

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