Beruflich Dokumente
Kultur Dokumente
APUNTES DE CLASE
Realizado por:
Ing. Efraín Rafael Murillo Quispe
AREQUIPA – PERU
2010
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.
DEFINICIÓN
ROBERT SHANNON
SHUBIK
DEFINICION DE MODELO
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.
1. COMPONENTES:
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.
4. RELACIONES FUNCIONALES:
- 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:
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.
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
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.
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.
3. Todo proceso de simulación tiene tres fases: Desarrollo del modelo, Ejecución del
Modelo y Análisis de salidas del modelo:
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.
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.
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
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
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:
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.
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”.
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.
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:
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
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
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
Por lo tanto, la gráfica de distribución de frecuencias relativas nos da una idea de la expresión
matemática que representará a una variable aleatoria.
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.
2. VARIABLES CONTINUAS
Distribución Exponencial
Distribución Uniforme
Distribución Normal
ETC.
El procedimiento es el siguiente:
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:
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
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.
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.
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
Por lo tanto X = 4
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.
TABLA DE SIMULACIÓN
RESUMEN DE RESULTADOS:
Como se observa:
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:
4. Simulación de
Sistemas con Excel y
Visual Basic
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.
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:
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.
TABLA DE SIMULACIÓN:
69
Tiempo promedio de espera en cola (Wq) = = 4.6 minutos/cliente
15
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:
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
Conclusiones:
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:
SOLUCIÓN:
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
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
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.
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.
SOLUCIÓN:
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:
4
Tiempo promedio de espera en cola (Wq) = = 0.333 minutos/vehículo
15 − 3
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)
CASO ESTUDIO 3:
SIMULACIÓN DE GESTIÓN DE INVENTARIOS EN EXCEL
A.- Introducción
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.
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
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:
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.
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.
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.
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
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.
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.
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.
SOLUCIÓN:
Se concluye que no habrá pasajeros que se alejen por falta de asientos vacíos.
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
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
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.
Para generar los valores de las variables aleatorias L, A y AO, utilice los números aleatorios
indicados por el profesor.
SOLUCIÓN:
c) Diagrama de Flujo:
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.