ndice.

1.- Introduccin

1.1 Definiciones e importancia de la simulacin en la ingeniera.

1.2 Conceptos bsicos de modelacin.
1.3 Metodologa de la simulacin.
1.4 Sistemas, modelos y control.
1.5 Estructura y etapas de un estudio de simulacin.
1.6 Etapas de un proyecto de simulacin.

2
3
4
5
7
9

2.-Nmeros pseudoaleatorios.

20

2.1Metodos de Generacin.
2.2 Pruebas estadsticas de aleatoriedad.
2.3 Mtodo de Monte Carlo.

22
25
29

3.-Generacin

33

de variables aleatorias.

3.1 Introduccin.
3.2 Variables aleatorias Discretas.
3.3 Variables aleatorias Continuas.
3.4 Mtodos para generar variables aleatorias.
3.5 Procedimientos especiales.

34
35
38
41
51

4.- Lenguajes de Simulacin

53

4.1Lenguajes de simulacin y simuladores.

4.2Aprendizaje y uso de un simulador.
4.3 Casos prcticos de simulacin.
4.3.1 Modelos de inventario.
4.3.2 Modelo de lneas de espera.
5.- Unidad integradora.
5.1 Caso de estudio
5.2 Validacin del sistema de simulacin

54
59
71
71
78
84
85
92

Bibliografa.

99

Unidad 1.- Introduccin. 25 AGO 2014.

Simular, segn el Diccionario Universitario Webster es: fingir, llegar a la esencia de algo,
prescindiendo de la realidad.
El uso de trmino Simulacin data de 1940, cuando los cientficos Von Neuman y Ulam
trabajaban en el proyecto Monte Carlo, durante la segunda guerra mundial, en la resolucin de
problemas de reacciones nucleares.
Con la utilizacin de la computadora en los experimentos de simulacin, surgen nuevas
aplicaciones y con ello una gran cantidad de problemas tericos y prcticos.

1.1Definiciones e importancia de la simulacin en la ingeniera.

A continuacin se describen algunas de las definiciones ms aceptadas y difundidas del
concepto simulacin.
A) Tomas H. Taylor la define como: Simulacin es una tcnica numrica para conducir
experimentos en una computadora digital. Estos experimentos comprenden ciertos
tipos de relaciones matemticas y lgicas, las cuales son necesarias para describir el
comportamiento y la estructura de sistemas complejos del mundo real.
B) Otra definicin la proporcionan H.Maisel y G. Gnugnoli, que la definen como:
Simulacin es una tcnica numrica para realizar experimentos en una computadora
digital. Estos experimentos involucran ciertos tipos de modelos matemticos y lgicos
que describen el comportamiento de un sistema de negocios, econmicos, sociales,
biolgicos, fsicos o qumicos a travs de largos periodos de tiempo.
C) Robert E. Shannon la define como: Simulacin es el proceso de disear y desarrollar
un modelo computarizado de un sistema o proceso y conducir experimentos con este
modelo con el propsito de entender el comportamiento del sistema o evaluar varias
estrategias con las cuales se puede operar el sistema. La Simulacin es una herramienta
de anlisis para el diseo, desarrollo y operacin de procesos o sistemas complejos.
Importancia de la simulacin en la ingeniera.
La simulacin es una herramienta que se usa ampliamente, actualmente existe una gran
cantidad de software para diversas aplicaciones lo que trae consigo las siguientes ventajas:
A travs de un estudio de simulacin se puede estudiar el efecto de los cambios
internos y externos del sistema, al realizar cambios en el modelo del sistema se
observan sus efectos en el comportamiento del sistema.
La observacin detallada del sistema que se est simulando puede conducir a un mejor
entendimiento del mismo y por consiguiente a sugerir estrategias para mejorar la
operacin y eficiencia del sistema.
Puede utilizarse como instrumento pedaggico para desarrollar en los estudiantes
habilidades bsicas en anlisis estadstico, terico, etc. En ocasiones se puede tener una
buena representacin del sistema y a travs de l es posible entrenar y dar cierto tipo de
experiencia. (simuladores de negocios, de vuelo, etc).
Ayuda a entender mejor los sistemas complejos, a detectar las variables ms
importantes que interactan en el sistema y a entender las interrelaciones entre las
variables.
Se puede utilizar para experimentar con nuevas situaciones, sobre las cuales se tiene
poca o nula informacin.
Cuando se introducen nuevos elementos al sistema, la simulacin se puede usar para
anticipar los cuellos de botella o algn otro problema que pueda surgir en el sistema.

1.2 Conceptos bsicos de modelacin.

La modelacin no es algo nuevo, la conceptualizacin y el desarrollo de modelos han tenido un

papel importante en el desarrollo intelectual de la humanidad, desde que el hombre trat de
entender e influir en su medio. El hombre ha usado la idea de los modelos para representar y
expresar ideas y objetos. El modelado se presenta de diversas maneras, como pinturas murales,
representacin de dolos, hasta un complejo sistema de ecuaciones matemticas para el vuelo
de una nave espacial. El progreso de la ciencia y la ingeniera se refleja en el progreso de la
habilidad del hombre para el desarrollo de modelos.
Un modelo es una representacin de un objeto, sistema o idea de forma diferente a la
identidad misma. Un modelo de un objeto puede ser una rplica exacta de ste (con material o
escala diferente) o una abstraccin de las propiedades dominantes.
Estructura de los modelos de simulacin.
Antes de iniciar el proceso de desarrollo de un modelo, se debera de comprender la estructura
bsica a partir de la cual se construye un modelo. Dicha estructura se representa
matemticamente como:
E = f ( xi, yi ) , donde:
E es el efecto del comportamiento del sistema.
xi son las variables y parmetros que podemos controlar.
yi son las variables y parmetros que no podemos controlar.
f es la relacin entre xi y yi , que da origen a E.
Elementos de los modelos.
Un modelo, casi siempre contiene los siguientes elementos:
Parmetros. Son cantidades a las cuales el operador del modelo puede asignarle valores
arbitrarios, de acuerdo a sus necesidades. Una vez establecidos, son constantes y no varan, por
ejemplo Cantidad de repartidores necesarios por da, periodo de compra, etc.
Variables. (x) Su valor puede cambiar durante la ejecucin del experimento. Los valores que
puede tomar es de acuerdo a la funcin permitida.
Podemos reconocer dos tipos de variables. Las exgenas tambin llamadas de entrada, es decir,
se originan o producen fuera del sistema o surgen debido a causas externas, un ejemplo de
variable exgena no controlable es el nmero de clientes por unidad de tiempo que llegan a una
cola en un sistema de espera y las variables endgenas o de salida, que se producen dentro del
sistema o que resultan de causas internas.
Relaciones funcionales. f(x) Describen a las variables y a los parmetros de tal manera que
muestran el comportamiento dentro de un componente o entre componentes del sistema. Estas
relaciones pueden ser de naturaleza determinstica o estocstica.
Las relaciones determinsticas son identidades que relacionan ciertas variables y/o parmetros
donde una salida del proceso es singularmente determinada por una entrada dada. En las
relaciones estocsticas el proceso tiene una salida indefinida para una entrada determinada.
Usualmente ambos tipos de relaciones adoptan la forma de una funcin matemtica, ecuacin o
inecuacin, que relaciona las variables endgenas con las exgenas.
Restricciones. Son las limitaciones impuestas a los valores de las variables o la manera en que
los recursos pueden consumirse o asignarse. Las restricciones pueden ser auto impuestas por el
diseador (cantidad mxima de capital disponible) o por el sistema debido a su naturaleza
(demanda mxima del producto).
Funcin objetivo. Es la definicin explicita de los objetivos y metas del sistema y la definicin
de los criterios que se emplearn para evaluar su logro . Los objetivos pueden ser retentivos o
adquisitivos.
Los objetivos retentivos son aquellos que tratan de preservar o conservar recursos (tiempo,
energa, habilidad, etc.) o estados (comodidad, nivel de empleo, etc.). Los objetivos
adquisitivos se relacionan con la adquisicin de recursos (utilidades, clientes, etc.).
La definicin de la funcin objetivo debe de ser una especificacin inequvoca de las metas y
objetivos contra los cuales se van a medir las decisiones.

Proceso de construccin de modelos.

El proceso mediante el cual se deduce el modelo de un sistema en estudio, puede describirse
como un arte intuitivo. Las reglas para desarrollar modelos tienen una utilidad limitada y
solamente puede servir como una estructura o planteamiento sugerido, al intentar sistematizar
la intuicin y la experiencia de los que han modelado diversos sistemas.
Toda divulgacin cientfica tiene una reconstruccin lgica de eventos, la cual trata de justificar
las implicaciones producidas. Ningn informe expone las suposiciones errneas que se
abandonaron, las frustraciones, las ideas repentinas y sus decisiones, solamente se relatan la
secuencia de eventos y justificaciones acerca de cmo se abordo el problema y se alcanzo el
resultado.

1.3Sistemas, modelos y control.

1.3.1 Sistemas.
El concepto de sistemas tiene un papel importante en el mundo moderno. El enfoque de
sistemas para abordar problemas reencuentra muy arraigado, y se habla de ella como si fuera
una metodologa precisa (lo cual no es cierto).
Como definicin de sistema se puede decir que es un conjunto de elementos con relaciones de
interaccin e interdependencia que le confieren entidad propia al formar un todo unificado.
Un sistema puede ser cualquier objeto, cualquier cantidad de materia, cualquier regin del
espacio, etc., seleccionado para estudiarlo y aislarlo (mentalmente) de todo lo dems. As todo
lo que lo rodea es entonces el entorno o el medio donde se encuentra el sistema.
EL enfoque de sistemas intenta estudiar el comportamiento de sistemas completos en vez de
concentrarse en sus partes. Se deriva de reconocer que an optimizando cada elemento del
sistema desde el punto operativo, el comportamiento del sistema completo puede resultar
menos que ptimo debido a las interacciones de los elementos.
Los sistemas complejos tienen caractersticas que pueden producir frustraciones al tratar de
mejorar su comportamiento, entre las cuales tenemos:
1. Cambio. Ningn sistema del mundo real permanece esttico durante un largo periodo. La
condicin o estado real de un sistema es el resultado del pasado y es la base para el futuro.
2. Medio. El medio de un sistema es un conjunto de elementos y sus principales propiedades, el
cual an cuando no forma parte del sistema, si se modifica, puede producir cambios en el
estado del sistema, el medio est constituido por todas las variables externas que pueden
afectar al sistema. Cada sistema tiene su propio medio.
3. Comportamiento intuitivo opuesto. Por lo general la causa y el efecto no se relacionan
estrechamente en el tiempo o el espacio, los efectos pueden aparecer despus de mucho tiempo
de que se dieran las causas. El examen superficial a menudo indica la necesidad de acciones
correctivas errneas, que pueden intensificar los problemas.
4. Tendencia al bajo rendimiento. Con el paso del tiempo las partes del sistema se deterioran y
surgen ineficiencias que van en perjuicio de su desempeo.
5. Interdependencia. Las actividades del mundo real influyen entre si. Ninguna de las
actividades dentro de un sistema complejo esta aislada completamente, cada evento es influido
por sus predecesores y afecta a sus sucesores.
6. Organizacin.
Los sistemas consisten en elementos o componentes altamente organizados. Sus partes se
combinan en jerarquas de subsistemas que al interactuar llevan a cabo la funcin del sistema.
1.3.2. Modelos.
4

En el apartado 1.2 definimos como modelo la representacin de un objeto, sistema o idea de

forma diferente a la identidad misma.
Para los propsitos de la simulacin la descripcin del sistema incluye una representacin
esttica y una representacin dinmica. La primera trata de determinar y definir la existencia
de subsistemas, los componentes que se incluyen y excluyen del modelo, cuales son parte del
entorno y las relaciones estructurales entre ellos.
1.3.3. Control.
El control se ha definido bajo dos perspectivas; una limitada y una amplia. Para la perspectiva
limitada, el control se concibe como la verificacin a posteriori de los resultados conseguidos
en el seguimiento de objetivos planeados. La perspectiva amplia lo concibe como una actividad
que orienta a la organizacin hacia el cumplimiento de los objetivos propuestos bajo
mecanismos de medicin cualitativos y cuantitativos.
El control es una etapa primordial pues an cuando se tenga una estructura y operacin
eficiente, se verifica que los hechos estn de acuerdo a los objetivos
1.3.3.1 Elementos del concepto de control.

Relacin con lo planteado: Siempre existe razn para verificar el logro de los objetivos
que se establecen en la planeacin.
o Medicin: Para controlar es imprescindible medir y cuantificar los resultados.
o Detectar desviaciones: Una de las funciones inherentes al control, es descubrir
las diferencias que se presentan entre la ejecucin y la planeacin.
Establecer medidas correctivas: El objeto del control es prever y corregir los errores.

1.4.3.2. Requisitos de un buen control

Correccin de fallas y errores: El control debe detectar e indicar errores de planeacin,
organizacin o direccin.
Previsin de fallas o errores futuros: el control, al detectar e indicar errores actuales, debe
prevenir errores futuros, ya sean de planeacin, organizacin o direccin.
Importancia del control
Una de las razones ms evidentes de la importancia del control es porque hasta el mejor de los
planes se puede desviar. El control se emplea para:

Enfrentar el cambio: Este forma parte ineludible del ambiente de cualquier organizacin.
Los mercados cambian, la competencia en todo el mundo ofrece productos o servicios
nuevos que captan la atencin del pblico. Surgen materiales y tecnologas nuevas. Se
aprueban o enmiendan reglamentos gubernamentales. La funcin del control sirve a los
gerentes para responder a las amenazas o las oportunidades de todo ello, porque les
ayuda a detectar los cambios que estn afectando los productos y los servicios de sus
organizaciones.
Producir ciclos ms rpidos: Una cosa es reconocer la demanda de los consumidores
para un diseo, calidad, o tiempo de entregas mejorados, y otra muy distinta es acelerar
los ciclos que implican el desarrollo y la entrega de esos productos y servicios nuevos a
los clientes. Los clientes de la actualidad no solo esperan velocidad, sino tambin
productos y servicios a su medida.
Agregar valor: Los tiempos veloces de los ciclos son una manera de obtener ventajas
competitivas. Otra forma, aplicada por el experto de la administracin japonesa Kenichi
Ohmae, es agregar valor. Tratar de igualar todos los movimientos de la competencia
puede resultar muy costoso y contraproducente. Ohmae, advierte, en cambio, que el
5

principal objetivo de una organizacin debera ser "agregar valor" a su producto o

servicio, de tal manera que los clientes lo comprarn, prefirindolo sobre la oferta del
competidor. Con frecuencia, este valor agregado adopta la forma de una calidad por
encima de la medida lograda aplicando procedimientos de control.
Facilitar la delegacin y el trabajo en equipo: La tendencia contempornea hacia la
administracin participativa tambin aumenta la necesidad de delegar autoridad y de
fomentar que los empleados trabajen juntos en equipo. Esto no disminuye la
responsabilidad ltima de la gerencia. Por el contrario, cambia la ndole del proceso de
control. Por tanto, el proceso de control permite que el gerente controle el avance de los
empleados, sin entorpecer su creatividad o participacin en el trabajo

El proceso de formulacin de modelos es relativamente individualista, dado que depende en

gran parte del juicio experimentado y la intuicin del analista. Estos aspectos influyen en cada
aspecto de la modelacin: al decidir el planteamiento ms productivo, al disear el modelo
cuando determinamos hechos y su importancia, as como al interpretar los resultados.
El primer paso para elaborar un modelo es especificar su objetivo o propsito, por lo tanto no
existe algo que se denomine en forma exclusiva como modelo de un sistema, porque el
modelado depende del objetivo deseado, el cual ser una gua para determinar los elementos y
relaciones del modelo del sistema.
Un planteamiento para la construccin exitosa de modelos es comenzar con
un modelo muy simple e intentar continuar con modelos ms elaborados que reflejen
situaciones complejas con mayor claridad. Conforme se prueba e intenta validar cada versin
del modelo, se produce una nueva versin que conduce a una nueva prueba y validacin.
Por lo tanto, el arte de modelar consiste en la habilidad para analizar un problema, resumir sus
caractersticas esenciales, seleccionar y modificar suposiciones bsicas que caracterizan el
sistema y luego enriquecer y elaborar el modelo hasta lograr una aproximacin til. Se
sugieren:
A.) principios:
Dividir el problema del sistema en problemas ms simples.
Establecer una definicin clara de los objetivos.
Buscar analogas.
Considerar un ejemplo numrico especfico del problema.
Establecer algunos smbolos.
Escribir datos obvios.
Si se tiene un modelo simple, enriquecerlo. Si es muy complejo, simplificarlo.
B.) Criterios
a. Fcil de entender
b. Dirigido a metas y objetivos
c. Sensato
d. Fcil de controlar y manipular
e. Adaptable
f. Evolutivo
C.) Patrones
1. Inspeccin y/o discusin con quienes conocen el sistema
2. Buscar analogas
3. Realizar anlisis estadstico de los datos
4. Experimentacin
5. Recurrir a un grupo de expertos
Grupo de expertos. Mtodo delphi.

1.4 Metodologa de la simulacin.

La simulacin se basa en el mtodo de resolucin de problemas que ha estado en uso durante
muchos aos. En ocasiones, se le ha denominado el mtodo de creacin del modelo o
comnmente
(I) el mtodo cientfico.
As, cuando se realiza la simulacin del sistema, se aplican los siguientes pasos:
1. Observacin del sistema.
2. Formulacin de teoras e hiptesis que explican el comportamiento observado.
3. Prediccin de comportamientos futuros en el sistema, basado en la suposicin de que las
hiptesis son correctas.
4. Comparacin del comportamiento que se predice con el comportamiento actual.
En ocasiones, se considera el estudio de un sistema, el cual an no existe, por lo que es obvio
que la observacin del sistema no es posible de realizar. Debido a esto, el mtodo cientfico se
desarrollo bajo un enfoque poco diferente al cual se le llam
(II) metodologa de sistemas.
Esta metodologa considera bsicamente cuatro fases: planeacin, modelacin, validacin y
aplicacin.
A. En la fase de planeacin se contempla: la definicin del sistema, el establecimiento del
alcance del modelo, la planeacin estratgica y la planeacin tctica.
B. La fase de modelado considera: la construccin del modelo, la traslacin del modelo y la
adquisicin de datos.
C. En la fase de validacin se verifica y valida el modelo.
D. La fase de aplicacin comprende: la experimentacin, el anlisis de los resultados obtenidos
del modelo, la implantacin y la documentacin.
Ms adelante se explicar con mayor detalle cada una de las etapas de la realizacin de un
estudio de simulacin.

1.5 Estructura y etapas de un estudio de simulacin.

Un proyecto de simulacin comienza normalmente con la descripcin de una situacin por
parte del patrocinador o promotor al analista, en trminos generales y de manera vaga e
imprecisa. Esto es de esperarse porque si conociera en forma exacta cual es el problema y la
forma de resolverla, ya lo hubiera resuelto.
Si suponemos que la simulacin se usa para investigar las propiedades de un sistema real, se
requieren de ciertas etapas las cuales difieren segn ciertos autores.
1.5.1.Raul Coss Bu, con la opinin de varios autores, plantea que las etapas para llevar a cabo
un experimento de simulacin son:
Definicin del sistema. Se debe de realizar un anlisis preliminar con el fin de determinar la
interaccin del sistema con otros sistemas, las restricciones del sistema, las variables que
interactan dentro de l y sus interrelaciones, las medidas de efectividad a utilizar para definir y
estudiar el sistema y los resultados que se esperan obtener del estudio.
Formulacin del modelo. En la formulacin es necesario definir todas las variables que forman
parte de l, sus relaciones lgicas y los diagramas de flujo que describen en forma completa el
modelo.
Coleccin de datos. Definir con claridad y exactitud los datos que el modelo va a requerir para
producir los resultados deseados. Por lo general la informacin se puede obtener de registros
contables, ordenes de trabajo, opinin de expertos y si no hay otra alternativa, se recurre a la
experimentacin.
Implementacin del modelo en la computadora. Decidir que lenguaje se utilizar o algn
paquete, para procesarlo en la computadora y obtener los resultados deseados.
7

Experimentacin. Consiste en generar los datos deseados (planeacin tctica y planeacin

estratgica) y realizar anlisis de sensibilidad de los ndices requeridos.
Validacin. En esta etapa es posible detectar deficiencias en la formulacin del modelo o en los
datos alimentados a l. Las formas ms comunes de validar son: la opinin de expertos sobre
los resultados de la simulacin, la exactitud de predecir datos histricos, exactitud de
predicciones futuras, la comprobacin de falla del modelo al usar datos que hacen fallar al
sistema real y la aceptacin y confianza en el modelo de la persona que usar los resultados que
arroje el experimento.
Interpretacin. Se interpretan los datos que arroj la experimentacin y en base a estos se toma
una decisin.
Documentacin. Se requieren dos tipos de documentacin: para hacer uso del modelo (tipo
tcnico) y para la interaccin y uso del modelo (manual del usuario).
1.5.2. Robert E. Shannon, plantea una gua que divide el proceso de la simulacin en las
siguientes etapas.
Definicin del sistema. Su objetivo es determinar los lmites o fronteras, las restricciones y las
medidas de efectividad que se usarn para definir el sistema que se estudiar.
Formulacin del modelo. Consiste en la abstraccin o reduccin del sistema real a un diagrama
de flujo lgico.
Preparacin de datos. Identifica los datos que el modelo requiere y realizar la reduccin de
estos a una forma adecuada.
Traslacin del modelo. Se realiza la descripcin del modelo en un lenguaje aceptable para la
computadora que se usar.
Validacin. Consiste en incrementar a un nivel de confianza aceptable la inferencia obtenida del
modelo respecto al sistema real.
Planeacin estratgica. Disea el experimento, las corridas de simulacin, que producir la
informacin deseada.
Planeacin tctica. Consiste en la determinacin de cmo se realizar cada una de las corridas
de prueba especificadas en el diseo experimental.
Experimentacin. Realizar las corridas de simulacin para generar los datos deseados y
efectuar el anlisis de sensibilidad.
Interpretacin. Obtener las inferencias respecto al sistema real con base en los datos generados
en la simulacin.
Implantacin. Usar el modelo y/o los resultados, la capacitacin del personal la implantacin
en los equipos correspondientes.
Documentacin. Es el registro de las actividades del proyecto y los resultados as como de la
documentacin del modelo y su uso.

1.6 Etapas de un (III) proyecto de simulacin.

Como se describi anteriormente, no existe una metodologa que nos garantice el como obtener
la simulacin optima de un proceso, lo que tenemos en la realidad es una gua que nos sirve de
referencia pero esta depende en gran parte de la experiencia y el juicio de los analistas que
diseen el experimento de simulacin. Para este trabajo describiremos el proceso planteado por
Shannon, porque es ms detallado en sus etapas.
1 Definicin del sistema.
Un proyecto de simulacin, usualmente inicia con una descripcin vaga de una situacin
(disminucin de utilidades, cuellos de botella en la produccin, niveles de inventarios, etc.) que
se presenta en el sistema donde labora el patrocinador del estudio.
Por otra parte, los lmites del estudio propuesto deben establecerse rpidamente, de modo que
el analista y el patrocinador tengan claro lo que se har y lo que no se har.

El descubrimiento de hechos en el sistema., para realizarlo se pueden utilizar los siguientes

procesos: observacin, medicin, participacin o la entrevista. Esto es que se puede recopilar
la informacin y datos de: los documentos, vales, facturas, notas, bases de datos, etc. estos
datos se deben aceptar tentativamente, y despus verificar su validez. Adems la informacin
que se obtiene de las entrevistas se describe la situacin general. La entrevista tiene dos
objetivos principales: Descubrir y verificar hechos y proporcionar la oportunidad de y
enfrentarse superar a la resistencia a los cambios que genere el estudio. El analista debe estar
considerar que la gente entrevistada est consciente de que sus opiniones pueden generar
cambios dentro del sistema. Con esta informacin que a cada momento aumenta se puede
generar el diagnstico de sntomas, la descripcin del estado actual del sistema, que requiere un
conocimiento pleno de todos los aspectos de la operacin de la organizacin, que sean
importantes para el caso. Esto incluye fuerzas o factores externos que impacten los resultados
deseados y un entendimiento de los aspectos objetivos y subjetivos del problema.
Paralelamente al descubrimiento de hechos se realizar la fase de orientacin, cuya finalidad es
entender y articular el conjunto de objetivos y metas que se desean lograr. Es muy raro que en
nuestra compleja sociedad actual, solo una persona tome las decisiones ms importantes y que
todos tengan el mismo objetivo.
Para su realizacin se proponen los siguientes pasos:
1. Identificar quien o quienes toman las decisiones, as como el proceso de toma de
decisiones.
2. Determinar los principales objetivos de los responsables de algn aspecto de la
decisin.
3. Identificar a otros participantes y el grado de influencia que pueden tener en la solucin,
as como los canales en que ejercen su influencia.
4. Determinar los objetivos e intereses de los otros participantes.
5. Establecer que aspectos estn expuestos al control de quienes toman las decisiones,
(variables endgenas) as como el tipo de control que pueden ejercer.
6. Identificar aquellos aspectos del entorno o contexto del problema que puedan afectar el
resultado de posible soluciones, (variables exgenas) los cuales no controlan quien toma
las decisiones.
7. Determinar que objeciones o acciones contrarias pueden surgir por parte de otros
participantes que se oponen a cambios en el sistema.
La fase de investigacin del estudio, se refiere al establecimiento de las bases y la planeacin
de la investigacin, (agenda o cronograma) este proceso incluye los siguientes pasos:
1. Especificar explcitamente las tareas por realizar y el sistema a estudiar.
2. Determinar las restricciones impuestas (personal, itinerario, fondos, tiempo, equipo,
etc.). Establecer los lmites del estudio para que el analista y patrocinador tengan una
idea clara de su alcance
3. Establecer el sistema de administracin de tareas para coordinar: al personal, los
recursos y transmitir conocimientos a todo el equipo desarrollador.
4. Motivar. Asegurar la participacin de todo el personal requerido.
5. Comunicacin. Tener acceso a toda la informacin y datos requeridos para resolver el
problema.
6. Desarrollar una base de criterios adecuados, mediante los cuales los resultados se
puedan evaluar.
La definicin del sistema para el propsito de simulacin concluye cuando tenemos la
representacin esttica y dinmica del sistema.
En la representacin esttica se determinan la organizacin de los elementos y subsistemas que
contendr el modelo y cuales se excluyen. La representacin dinmica trata sobre la
complejidad determinada por los cambios en el sistema. Que cambios son posibles? Como

afectan las variables externas? y su interdependencia Que relacin secuencial existe entre los
cambios? Qu se espera debido a los cambios?
2 Formulacin del modelo. (diagramacin)
Concluida la definicin del sistema debemos estar en condiciones de formular el modelo, por lo
tanto, la definicin del problema transforma la descripcin del promotor en el lenguaje preciso
de nuestros modelos formales.
Anteriormente en el apartado 1.2 se expusieron conceptos bsicos del modelo como una
definicin, la estructura de los modelos de simulacin, los elementos de los modelos y el
proceso de construccin de modelos. A continuacin se presentan algunos tipos de diagramas.
Diagramas para modelar.
El modelo es una representacin, por lo tanto requerimos de tcnicas para realizar la
representacin del sistema. Los modelos esquemticos son todos los mtodos de anlisis que
incluyen la representacin grfica de una operacin del sistema. Estos presentan una
abstraccin de cmo ocurren o pueden ocurrir los eventos del mundo real. Su propsito es
ayudar al analista a entender y documentar como funciona un sistema o proceso. Existen
numerosos modelos esquemticos, pero solo presentaremos algunos de ellos, se pueden
consultar sobre otros en textos para mejorar mtodos o de anlisis de administracin de la
produccin.
Diagrama de flujo de proceso. Es una herramienta de fcil uso, as como una tcnica muy til
para determinar como se realiza un proceso paso a paso. Se presenta la operacin de manera
lgica y condensada, mostrando el progreso etapa por etapa del proceso que se plantea. Su
limitacin es su uso para seguir un solo producto, material, objeto o persona. Tambin se
pueden poner en el diagrama mltiples materiales, objetos y personas pero el procedimiento se
vuelve ms complejo.
EL diagrama lo origin Frank B. Gilbreth y en la actualidad utiliza cinco smbolos:
Operacin. Representa que se esta haciendo algo o cambiando algo fsica o
qumicamente; algo se esta creando, ensamblando o desarmando. Se consideran operaciones:
capturar informacin, hacer un agujero, soldar piezas, etc. Tambin se consideran operaciones:
calcular, planear, recibir informacin, etc.
Transportacin o movimiento. Describe el movimiento del articulo que se est planeando
de un lugar a otro o de un departamento a otro. Un movimiento dentro del rea de operacin se
considera parte de la operacin, sin embargo si la persona u objeto deben de desplazarse, es una
transportacin.
Inspeccin. Es la comparacin contra los planes o estandares predeterminados,
incluyendo examen del artculo para establecer la calidad, cantidad, as como la lectura de
informacin impresa antes de tomar una decisin.
Demora. Representan retrasos temporales, como cuando se interrumpe a una persona
que realiza una actividad, una carta que espera en el buzn, etc.
Almacenamiento. Tiene lugar cuando las partes o articulos se mantienen en un estado
formal y deliberado de inactividad. Ejemplos son: las refacciones en un depsito, plasma en el
banco de sangre, registros de un archivo, etc.
Con este conjunto de smbolos se puede describir grficamente cualquier procedimiento o
proceso.
Una variante para visualizar el proceso es el diagrama de flujo, en el cual el diagrama de
proceso se sobrepone en un plano de la planta a escala del rea fsica donde se realiza el
proceso.
10

Diagrama de bloques.
Son quizs los dispositivos ms tiles disponibles para modelar. Los diagramas de bloques
identifican a los elementos o subsistemas principales y muestran la existencia de las relaciones
entre estos. Las flechas describen el flujo de transacciones entre los elementos, y los cuadros
que contienen las palabras descriptivas o de identificacin representan los elementos o
subsistemas.

Almacenamiento de
informacin

Recepcin de
informacin

Procesamiento de
informacin y
decisin.

Salida de
informacin.

Entrada

Salida

Ejemplo de diagrama de bloques.

Diagrama de flujo lgico.
Es un tipo de diagrama de bloques que incluye los smbolos que utilizan los analistas de
sistemas. Una caracterstica es su mayor flexibilidad al tener la capacidad de bifurcacin. Se
pueden representar puntos de decisin y de eleccin en la secuencia.
Los smbolos que se utilizan son:
Entrada-Salida. Cualquier proceso que haga disponible informacin para
procesamiento o registr.
Procesamiento. Es una funcin de procesamiento (similar, pero de mayor grado que una
operacin).
Decisin. Sirve para mostrar los puntos donde es posible una trayectoria opcional,
basada en condiciones variables.
Conector. Una entrada de, o salida a, otra parte del diagrama de flujo.
Terminal. Principio, final o punto de interrupcin del sistema.
El siguiente diagrama representa el cambio de una llanta ponchada.

11

Estallido

no

Llanta
ponchada?

Otra causa

si
Abrir cajuela,
sacar refaccin y
herramientas
si
Esta
ponchada?

Llamar taller

no
Es la
llanta
delantera?

no

si

Asegurar llantas
traseras

Asegurar llantas
delanteras

no

Vienen?
Quitar llanta
ponchada
Colocar refaccin.

si
Esperar la
reparacin

Guarda
herramientas y
llanta

Manejar a casa

Existe una gran diversidad de diagramas que se pueden utilizar para realizar diversas
representaciones y cada un sus ventajas de acuerdo a la aplicacin particular.
UML.
3 Preparacin de datos.
12

En esta etapa, se pretende adquirir los datos que se pueden obtener del sistema y de acuerdo al
modelo elaborado prepararlos para que estos puedan ser ingresados en l.
Es posible que algunos datos sean de fcil obtencin, pero tambin existen otros que no estn
disponibles o son difciles de adquirir y que pueden ser determinantes para el desarrollo del
modelo.
Es importante que se definan con claridad y exactitud los datos que el modelo va a requerir
para lograr los resultados deseados. La informacin requerida se puede obtener de registros
contables, de ordenes de trabajo, de ordenes de venta, de reportes de ventas, de opiniones de
expertos, de anlisis estadstico y si no hay otro remedio de la experimentacin (o de la
observacin directa).
En la siguiente unidad se presenta como realizar el anlisis de la informacin para determinar el
comportamiento de las variables aleatorias de entrada al modelo.
4 Traslacin del modelo.
Esta etapa consiste bsicamente en la realizacin de la descripcin del modelo en un lenguaje
aceptable para la computadora que se usar.
La mayora de las computadoras digitales operan en un lenguaje binario de representacin de
datos o algn mltiplo del binario tal como el octal o el hexadecimal. Debido a que estos
lenguajes son poco eficientes para la comunicacin, estos han evolucionado para que sus
usuarios conversen con las computadoras. Es de lamentar, que en la actualidad se han
desarrollado una gran cantidad de lenguajes de programacin, tanto de propsito general como
de propsito especial, lo que hace muy difcil la seleccin del lenguaje que mejor se ajuste a las
necesidades de la aplicacin particular.
Por lo tanto, la prctica comn es la adopcin del lenguaje conocido por el analista para el
desarrollo del programa. Cualquier lenguaje algortmico general puede expresar el modelo
deseado; sin embargo los lenguajes de simulacin especializados pueden tener ventajas muy
diferentes en trminos de facilidad, eficiencia y efectividad.
Como se enunci anteriormente se han desarrollado lenguajes de propsito general y lenguajes
de propsito especial.
Los primeros se disearon para resolver una extensa variedad de problemas, tales como
FORTRAN, COBOL, BASIC, C++, etc. Tienen ciertas ventajas como: mnimas restricciones al
formato de salida y estn bien informados (tienen bibliotecas y ayudas); pero requieren de
mayor tiempo de programacin y no contiene trminos propios de la simulacin.
Los lenguajes de propsito especfico, se disean para satisfacer o resolver una clase o tipo
particular de problemas, tales como los lenguajes de simulacin. Los lenguajes de simulacin
comenzaron a desarrollarse a finales de los cincuenta, cuando se observo que gran nmero de
programas tenan procesos funcionalmente similares y aparece la idea de crea lenguajes de
propsito especfico, como el GPSS, SIMULA, TAYLOR, etc. Entre sus ventajas esta: menos
tiempo de programacin, ofrece un medio conciso y directo para expresar conceptos de
simulacin, tiene la habilidad de construir y proporcionar subrutinas, genera automticamente
ciertos datos que se requieren en las corridas de simulacin, facilita la recopilacin y
despliegue de datos; pero debe de apegarse a los requerimientos de formatos de entrada y salida
y poseen una flexibilidad reducida de modelos y tiempo de las corridas.
5 Validacin.
Es al proceso para llevar a un nivel aceptable la confianza del usuario, referente a la inferencia
obtenida del modelo respecto al sistema real. Es imposible probar que el simulador es un
modelo correcto o verdadero del sistema real, debido a los mltiples factores que intervienen en
su elaboracin. Lo que nos importa es la validacin de resultados y reflexiones que hemos
obtenido u obtendremos a partir de la simulacin. Es decir, lo que importa es la utilidad
operativa del modelo y no la verdad de su estructura.

13

No existe la prueba de validacin, en su lugar, el experimentador debe de realizar pruebas a lo

largo del proceso de desarrollo del modelo a fin de crear confianza. Shannon, propone tres
posibles pruebas para validar el modelo. Primera, cerciorarse que el modelo tenga validez en
forma general, por ejemplo; puede el modelo dar respuestas absurdas si se lleva a los
parmetros a valores extremos?; Tambin podemos preguntar a gente que interviene en el
sistema si los resultados del modelo son razonables.
La segunda prueba es la de suposiciones y la tercera es la prueba de transformaciones de
entrada-salida. Estas dos pruebas requieren del uso de pruebas estadsticas de medias y
varianzas, anlisis de varianza, regresin, ji cuadrada, etc., pero su uso hace suposiciones
acerca del proceso fundamental lo que trae consigo las preguntas de validez.
Coos Bu, seala que las formas ms comunes de validar son:
La opinin de expertos sobre los resultados de la simulacin.
La exactitud con que se predicen datos histricos.
La exactitud de prediccin del futuro.
La comprobacin de falla del modelo de simulacin al utilizar datos que hacen fallar el
modelo.
La aceptacin y confianza en el modelo de la persona que har uso de los resultados que
arroje el experimento de simulacin.
6 Planeacin estratgica. N incompleto
Esta etapa tiene como finalidad el diseo del experimento que producir la informacin
deseada. El objetivo de cualquier investigacin experimental, es aprender acerca del sistema
que se estudia. El experimento es el proceso de observacin y anlisis que ofrece informacin
que conduce a las soluciones. El diseo experimental selecciona un planteamiento particular
para recopilar informacin que proporcione suficiente conocimiento acerca del sistema, para
permitir que se obtengan inferencias vlidas acerca de su desempeo.
Se pueden dos tipos de objetivos del experimento:
Encontrar la combinacin de valores de los parmetros que optimizan la variable de respuesta
(cuantas variables de entrada, valores de las variables de entrada, cuantas variables de salida).
Explicar la relacin entre la variable de respuesta y los factores controlables dentro del sistema
(de que manera un cambio en una variable independiente, afecta a la variable de respuesta?).
En constrccion
7 Planeacin tctica. n
Esta etapa considera aspectos de eficiencia y se encarga de la determinacin de como se van
a llevar a cabo cada una de las corridas que se especifican en el diseo experimental.
La planeacin tctica se interesa en dos reas problemticas: (A) las condiciones de inicio,
conforme afectan el alcance de equilibrio del sistema y la necesidad de (B) reducir la varianza
de las respuestas tanto como sea posible, mientras se minimiza los tamaos de muestra
requeridos.
A. Las condiciones inciales.
Un experimento de simulacin tiene la facilidad de repetir las condiciones experimentales, as
como la comodidad para empezar, detenerse y reiniciar el experimento. Esto es una gran
ventaja porque se tiene un mejor control del experimento, pero existe la desventaja de que es
necesario pensar y decidir cundo iniciar el modelo y cuando se debe de empezar a recolectar
los datos del modelo.
La forma ms comn de poner en marcha un modelo es cuando est en reposo, pero para
algunos sistemas esto ocurre solo una vez, por ejemplo en: un hospital, una autopista, un
aeropuerto, etc.
Para eliminar este efecto transitorio inicial del sistema, se tienen tres alternativas:
14

Utilizar corridas lo suficientemente grandes que hagan insignificante el efecto del

periodo inicial.
Desechar alguna parte del periodo inicial, de acuerdo a consideraciones propias.
Seleccionar las condiciones inciales tpicas del funcionamiento del sistema en
condiciones estables.

B. El problema de variabilidad.
Una de las caractersticas de los modelos estocsticos de simulacin es su variabilidad, por lo
tanto, se requiere de su repeticin para obtener la exactitud y precisin de los resultados. Como
el tiempo de las corridas, de cmputo y de simulacin puede ser grande, se debe de obtener
tanta informacin como sea posible con el menor nmero de corridas.
El experimento se debe de realizar de tal manera que no solo se obtengan los resultados sino
que tambin se pueda estimar la precisin de estas y la confianza atribuible a las conclusiones.
La cantidad del esfuerzo y la exactitud estn ntimamente relacionadas, por lo tanto debemos
establecer la exactitud deseada del estudio para as determinar el esfuerzo a realizar.
La pregunta que con mayor frecuencia se realiza es: Cuntas muestras debo de tomar para
logra la confianza deseada (significacin estadstica)?, para contestarla necesitamos saber
cunto esfuerzo deseamos realizar.
Determinacin del tamao de la muestra.
Para la determinacin del tamao de la muestra, se pueden usar dos mtodos:
Previa e independientemente de la operacin del modelo.
Durante la operacin del modelo y en base a sus resultados.
Para calcular el tamao de la muestra previa e independientemente de la operacin del modelo
de simulacin, se requiere de tener conocimiento de las posibles respuestas ms altas y ms
bajas que se pueden obtener y usa la siguiente relacin:

n= ( Z

/2

)2 / D 2

Donde:
= desviacin estndar, se calcula: intervalo de respuestas= 4
Z/2= constante de la distribucin normal, para cierto nivel de error ()
D=diferencia aceptable entre el estimado y el parmetro real.
Para calcular el tamao de la muestra en base a los resultados del modelos, se requiere correr el
modelo al menos 30 veces, con sus resultados se determina la desviacin estndar () y
posteriormente se usa la relacin descrita anteriormente.
8 Experimentacin. En construccion
En la experimentacin se planea un estudio de simulacin como una serie de corridas, cuyo
objetivo es comparar entre una diversidad de sistemas alternos y/o condiciones de operacin.
Se utilizara el trmino experimento para indicar la prueba de un sistema determinado que opere
bajo un conjunto de condiciones.
Entendemos por corrida a una sola ejecucin de una configuracin experimental y la
observacin es una sola medicin de una variable del sistema.
La realizacin de un experimento de simulacin es el proceso de ejecutar el modelo de modo de
que se observen las respuestas deseadas. Este experimento, es la realizacin de todas las
corridas sugeridas en la planeacin tctica con la determinacin del tamao de la muestra
(cantidad de corridas requeridas para lograr cierta confiabilidad en los resultados).

15

Cuando se corre el modelo para obtener la informacin deseada, se empiezan a encontrar los
defectos y los descuidos de nuestra planeacin y en ocasiones es necesario volver a nuestros
pasos hasta alcanzar los objetivos originalmente establecidos.

9 Interpretacin.
Esta etapa tiene como finalidad determinar la sensibilidad de nuestras respuestas finales a los
valores de los parmetros que se usaron. Usualmente el anlisis de sensibilidad consiste en la
variacin sistemtica de los valores de los parmetros (o variables de entrada) sobre algn
intervalo de inters y en la observacin del efecto en la respuesta del modelo (variables de
salida).
En la mayora de los modelos de simulacin, gran parte de las variables establecidas se basan
en datos sumamente dudosos. Comnmente, estos valores se pueden determinar slo con base a
conjeturas del personal experimentado o en un anlisis superficial de datos mnimos. En
consecuencia es de vital importancia la determinacin del grado de sensibilidad para los valores
que se usaron.

10 Implantacin.
Un proyecto de simulacin est exitosamente terminado, cuando hasta que es aceptado,
entendido y usado. Se ha determinado a travs del estudio de Gershefsky, que el porcentaje
promedio para desarrollar un modelo era de 25%, para la formulacin del problema 25%, para
el anlisis y recopilacin de datos 40% y para la implantacin 10%, por lo tanto no es de
sorprenderse que una de las causas de principales del fracaso en la investigacin de operaciones
y en los proyectos de ciencias administrativas se deba al mal entendimiento de los resultados
por parte del usuario y tambin a la falta de implantacin. Este pequeo tiempo dedicado a la
implantacin es difcil de entender cuando se considera que en esta etapa se debe de refinar el
modelo, entrenar al usuario, ajustar el modelo a las condiciones cambiantes y asegurar que los
resultados que se encontraron son vlidos.
El mejor modelo de simulacin no tiene valor hasta que sea aceptado por aquel que ponga en
prctica los resultados que se obtengan. A menos que se logre la implantacin y se obtengan
resultados, nuestros esfuerzos habran sido en vano.
El haber construido un sofisticado y elegante modelo de simulacin, el haber usado un buen
anlisis estadstico en la generacin e interpretacin de resultados, no tiene mayor importancia
para la mayora de los gerentes que se interesan en el problema y como resolverlo. Les importa
poco el tamao de la muestra, los niveles de confianza y otros detalles que le interesan al
investigador al realizar la preparacin de la presentacin de su trabajo.
La informacin que genera el simulador debe de ser aceptable por el cliente-usuario antes de
ser utilizado. Los criterios de aceptacin incluyen aspectos de credibilidad y utilidad. Es obvio
que la informacin de salida debe de ser razonable; es decir, el modelo no debe de
proporcionar respuestas absurdas, a pesar de que se usen valores absurdos o extremos. Si las
salidas del modelo no son crebles en ciertas circunstancias, estas se vuelven sospechosas an
cuando los resultados parezcan razonables. El otro criterio, es que el cliente-usuario debe de ser
capaz de percatarse de cmo debe usar o actuar con la informacin generada. Si no puede usar
directamente la informacin para ayudarse a si mismo a tomar decisiones o apoyar a alguien
para que las tome, entonces ignorar la informacin y el esfuerzo realizado habr sido intil.
El xito del esfuerzo y de la utilidad est ntimamente ligado al objetivo establecido para el
estudio.
Para maximizar la oportunidad de implementacin de los resultados del proyecto de
simulacin, debemos de tener un modelo que sea:
16

Entendible por el cliente y el usuario.

Capaz de dar respuestas razonables.
Capaz de proporcionar respuestas posibles de implementar.
Realista en lo referente a requerimiento de datos.
Capaz de proporcionar respuestas a preguntas como Qu pasa si?
Fcil de modificar Econmico en su uso.

11 Documentacin.
La documentacin tiene una relacin estrecha con la implantacin. La documentacin
cuidadosa y completa del desarrollo y operacin del modelo puede incrementar notablemente
su vida til y sus oportunidades para una exitosa implantacin.
Manual de usuario. La buena documentacin facilita la modificacin y asegura que el modelo
pueda usarse a pesar de que los servicios de los que se encarga del desarrollo del modelo ya no
estn disponibles.
Manual tcnico. La documentacin describe lo que es el sistema, lo que puede hacer y como
funciona. Tambin proporciona conocimientos a quien o quienes lo utilizarn o evaluarn.
La documentacin sirve a los siguientes propsitos:
Mejorar la comunicacin.
Proporcionar material de referencia sobre lo que sucedi en el pasado.
Proporcionar una gua para el mantenimiento, modificacin y recursin de los sistemas.
Servir como herramienta para educacin y capacitacin del personal.
La falta de una documentacin puede traes consigo algunas consecuencias, entre las que
tenemos:
Creacin de operaciones e ineficientes y no coordinadas.
Aumento de los esfuerzos redundantes.
Decepcin del personal de sistemas y los usuarios acerca del sistema.
La documentacin que se debe de presentar, la podemos dividir en tres tipos:
Documentacin General. Proporciona una gua y reglas de operacin para los usuarios cuando
interactan con el sistema. Incluye el manual del usuario, el cual indica lo que el sistema y
como recibir servicios de l.
Manual de procedimientos o manual de usuario. Induce a todo el personal de operacin de
programacin y de sistemas al plan maestro del sistema, a las normas de operacin y
procedimientos de programacin.
Documentacin de los programas o manual tcnico. Se compone de todos los documentos,
diagramas y esquemas que explican los diferentes aspectos del programa.

17

Unidad 2

Nmeros pseudoaleatorios.

18

Unidad 2.-Nmeros pseudoaleatorios.

La simulacin trabaja con modelos estocsticos, por tanto debe de ser capaz de generar valores
de variables aleatorias que sean representadas por las distribuciones de probabilidades
correspondientes a esas variables del modelo, ya sea que se generen con el uso de tablas
empricas o a partir de distribuciones tericas de probabilidad con los parmetros deseados.
Los nmeros aleatorios son generados con dispositivos fsicos como: la ruleta, dados o sacando
manualmente un nmero de un dispositivo, por ejemplo de una urna.
Conforme al aumento del uso de nmeros aleatorios, los investigadores utilizaron dispositivos
electrnicos para obtener una generacin ms rpida y una mayor cantidad.
Se han diseado varios esquemas para generar nmeros pseudoaleatorios, a travs del uso de
relaciones matemticas recursivas. Se dice que son nmeros pseudoaleatorios porque a pesar de
que estos puedan pasar las pruebas de aleatoriedad, estos son de hecho deterministicos, porque
si utilizamos en el generador los mismos valores de entrada, se obtienen la misma secuencia de
nmeros generados.
Es conveniente sealar que el proceso de generacin de variables aleatorias no uniformes se
hace a partir de la generacin de nmeros pseudoaleatorios o rectangulares. De Ah la
importancia de estos nmeros que se usan para generar variables aleatorias ms complicadas.
Independientemente del proceso que se utilice para generar los nmeros rectangulares, estos
deben de poseer ciertas caractersticas que aseguren o aumenten la confiabilidad de los
resultados, las cuales son:
Uniformemente distribuidos.
Estadsticamente independientes.
Reproducibles.
Periodo largo de repeticin.
Generados a travs de un mtodo rpido.
Generados con un mtodo que requiere pocos recursos computacionales.
A los nmeros uniformes o rectangulares generados a travs de relaciones de recurrencia se les
denomina nmeros pseudoaleatorios y se encuentran en el intervalo(0,1).

E(x) = (a + b) / 2

Var(x) = 2 = (b a)2 / 12

19

2.1 Mtodos de Generacin.

Actualmente, casi todas las computadoras incluyen en programas de biblioteca alguno que
genera nmeros pseudoaleatorios. En esta seccin se presentaran tres mtodos de generacin: el
mtodo de cuadrados medios y dos mtodos conguenciales.
El mtodo de cuadrados medios.
Este mtodo lo desarrollo Von Newman y Metrpolis.
El mtodo consiste en generar aleatoriamente un nmero de cuatro dgitos, denominado la
semilla, elevarlo al cuadrado y establecer una forma de tomar cuatro dgitos centrales del
resultado, ya sea quitando dos dgitos o un dgito de ambos extremos.
Ejemplo 1. Se a la semilla R0 = 4380, que se obtuvo por algn procedimiento aleatorio (urna o
tarjetas numeradas con reemplazo)
Primero, elevamos al cuadrado: (4380)2 = 19184400; eliminando 19 y 00, queda:
R1 = 1844 ; aplicando iterativamente el procedimiento obtenemos,
(1844)2 =3400336; como el nmero de dgitos es impar, establecemos el criterio de aumentar
un cero por la izquierda (o por la derecha), y tendremos 03400336; eliminando los dgitos de
los extremos: 03 y 36, queda:
R2 = 4003,

si repetimos el procedimiento;

(4003)2 = 16024009, eliminando 16 y 09, obtenemos:

R3 = 0240, repitiendo una vez ms;
(0240)2 = 57600, como es impar aumentamos un cero, 057600. En este caso eliminamos un
digito a los extremos y se tiene:
R4 = 5760

20

Se continan generando valores con el procedimiento hasta lograr los nmeros que se desean o
bien hasta que el procedimiento degenere, es decir cuando se repita una serie de nmeros
previamente generados.
Mtodos congruenciales.
Se han propuesto varias alternativas para la generacin de nmeros pseudoaleatorios a travs de
relaciones matemticas de recurrencia. Actualmente casi todas las computadoras incluyen
programas para generar estos nmeros con alguna variante de los mtodos congruenciales
sugeridos por Lehmer.
Los dos mtodos congruenciales ms populares son: el mixto y el multiplicativo.
Mtodo congruencia mixto.
Los generadores congruenciales lineales generan una secuencia de nmeros pseudoaleatorios
en el cual el proximo nmero pseudoaleatorio es determinado a partir del ltimo nmero
generado, es decir el nmero pseudoaleatorio X n+1 es derivado del nmero pseudoaleatorio X
n.
Para el mtodo congruencial mixto, la relacin de recurrencia utilizada es:
X n+1 = ( a X n + c ) mod m
Donde : a = Constante multiplicativa.
c = Constante aditiva.
m = mdulo de m.
X 0 = Semilla.
Satisfaciendo los siguientes requisitos:
X n, a, c, m 0 ; enteros

ma,mc; mX0.

En la relacin mod representa al la operacin aritmtica mdulo entre los nmeros a y b tal que el
resultado de (a mod b) es el residuo entero de la divisin a entre b. Por ejemplo, 16 mod 3 es igual a 1,
dado que al dividir 16 entre 3 el residuo (entero) es 1.
Ejemplo. Sea:
a= 5, c= 7, X 0 = 4 y
el metodo congruencial mixto.
n

Xn

0
1
2
3
4
5
6
7
8
9

4
3
6
5
0
7
2
1
4
3

Relacin de recurrencia:
( 5 X n + 7 ) mod 8
(27 / 8) = 3 + 3/8
(22 / 8)= 2 + 6/8
(37 / 8)= 4 + 5/8
(32 / 8) = 4 + 0/8
( 7 / 8) = 0 + 7/8
(42 / 8) = 5 + 2/8
(17 / 8) = 2 + 1/8
(12 / 8) = 1 + 4/8
(27 / 8) = 3 + 3/8
(22 / 8)= 2 + 6/8

m = 8 ; generar 10 nmeros pseudoaleatorios usando

X n+1
(mdulo)
3
6
5
0
7
2
1
4
3
6

# aleatorio
3/8 = .375
6/8 = .750
5/8 = .625
0/8 = 0
7/8 = .875
2/8 = .250
1/8 = .125
4/8 = .500
3/8 = .375
6/8 = .750

Si analizamos la tabla, se puede pensar que el periodo de todo generador es m ( 8 en nuestro

caso), sin embargo esto es falso porque el periodo depende de una apropiada seleccin de los
parmetros y de la semilla para que el generador logre el periodo deseado.
21

Por ejemplo si: a= 7, c= 7, X 0 = 7 y

n

Xn

0
1
2
3
4

7
6
9
0
7

m = 10, los nmeros generados seran;

Relacin de recurrencia:
( 7 X n + 7 ) mod 10
(56 / 10) = 5 + 6/10
( 49 / 10) = 4 + 9/10
( 70 / 10) = 7 + 0/10
( 7 / 10) = 0 + 7/10
(56 / 10) = 5 + 6/10

X n+1
(mdulo)
6
9
0
7
6

# aleatorio
6/10
9/10
0
7/10
6/10

En este caso se espera que el periodo fuera de 10, pero es de solo cuatro nmeros aleatorios.
Mtodo congruencia multiplicativo.
Al igual que el generador congruencia mixto, el prximo nmero pseudoaleatorio se determina
a partir del ltimo nmero generado, y utiliza la siguiente relacin de recurrencia:
X n+1 = ( a X n ) mod m
Donde : a = Constante multiplicativa.
m = mdulo de m.
X 0 = Semilla.
Satisfaciendo los siguientes requisitos:
X n, a, m 0 ; enteros

ma; mX0.

Ejemplo. Sea:
a= 3,
X 0 = 17 y
mtodo congruencial multiplicativo.
n

Xn

0
1
2
3
4
5
6
7
8
9

17
51
53
59
77
31
93
79
37
11

m = 100 ; generar 10 nmeros pseudoaleatorios usando el

Relacin de recurrencia:
( 3 X n + ) mod 100
( 51 / 100 ) = 0 + 51/199
( 153 / 100 ) = 1 + 53/100
( 159 /100 ) = 1 + 59/100
( 177 / 100 ) = 1 + 77/100
( 231 / 100 ) = 2 + 31/100
( 93 / 100 ) = 0 + 93/100
( 279 / 100 ) = 2 + 79/100
( 237 / 100 ) = 2 + 37/100
( 111 / 100 ) = 1 + 11/100
( 33 / 100 ) = 0 + 33/100

X n+1
(mdulo)
51
53
59
77
31
93
79
37
11
33

# aleatorio
.51
.53
.59
.77
.31
.93
.79
.37
.11
.33

EL propsito de este apartado es conocer que existen diversos mtodos para generar nmeros
pseudoaleatorios, los cuales se encuentran disponibles en calculadoras y computadoras, de ah
que dado que estn disponibles , estos nmeros los podremos utilizar en los experimentos si
cumplen las condiciones requeridas, para lo cual les aplicaremos diversas pruebas estadsticas
de aleatoriedad.

2.2 Pruebas estadsticas de aleatoriedad.

22

En todos los experimentos de simulacin se utilizan variables aleatorias que pueden tener
diferente comportamiento que la distribucin uniforme (Normal, Exponencial, Poisson, etc.),
las cuales se obtienen a partir de nmeros uniformes ( entre 0 y 1), por lo que se debe de poner
nfasis en el generador de nmeros pseudoaleatorios, ya que la deficiencia estadstica de una
Distribucin no uniforme, se deber exclusivamente a un generador deficiente. De ah la
importancia de la aplicacin de las pruebas estadsticas que se han desarrollado para probar la
uniformidad y aleatoriedad o independencia de los mismos. A continuacin se presenta algunas
de ellas.
Pruebas de uniformidad.
Prueba de promedios.
Para realizar la prueba se requiere una muestra de tamao N de nmeros pseudoaleatorios.
Primero, se evala el promedio aritmtico. X = (x1 + x2++ xn) / N.
Segundo, se determina el valor de Z0 con la relacin: Z0 = ( (X ) N ) / 1/12
Tercero, dado un nivel de significancia .
Si Zo Z/2; no se rechaza la hiptesis de que los nmeros provienen de una distribucin
uniforme con = .
Ejemplo. Aplicar la prueba de promedios a la siguiente tabla de nmeros aleatorios (Rnd), si se
acepta un nivel de significancia = 5%.
.411
.730
.553
.719
.383

.819
.281
.469
.791
.771

.191
.408
.392
.213
.914

.037
.541
.598
.770
.826

.894
.995
.434
.671
.018

.575
.233
.668
.156
.984

1. El tamao de la muestra es 30. y la media aritmtica es: 16.445 / 30 = 0.5482

2. determinar el valor de Z0 = ( (X ) N ) / 1/12
Z0 = ( (0.5482 ) 30 ) / 0.08333 = 0.9145
3. Si el nivel de significancia = 5%, entonces:
Z/2 = Z.05/2 = Z.025; consultando en la tabla de distribucin normal estndar obtenemos que
Z.025 = 1.96
Comparando Zo Z/2, tenemos que 0.9145 1.96 , por lo tanto;
no se rechaza que los nmeros de la tabla provienen de una distribucin uniforme
Prueba de Frecuencias
Una de las pruebas ms importantes es la prueba de frecuencias sobre los nmeros aleatorios.
La prueba consiste en dividir el intervalo (0,1) en n subintervalos.
Frecuencia
esperada

N/n

N/n

N/n

N/n
23

Frecuencia
observada

FO1

FO2

FO3

1/n

2/n

FOn

3/n

n/n=1

Luego; se compara la frecuencia esperada con la frecuencia. Si estas frecuencias son bastante
parecidas, entonces provienen de una distribucin uniforme.
El estadstico utilizado es 2 (chi-cuadrada) observada en los nmeros pseudoaleatorios y se
calcula con la expresin:
n

(FOi FEi)2 / FEi

; donde :
i=1
FOi; es la frecuencia observada del subintervalo i( cuantos valores se observaron en el intervalo
respectivo).
FEi; es la frecuencia esperadadel subintervalo i.
N; es el tamao de la muestra.
n; es el nmero de subintervalos.
El estadstico 2 observado se compara con el estadstico tabulado 2 para un nivel de confianza
y con n-1 grados de libertad.
2

Si observada (, n-1); no se puede rechazar la hiptesis de que la muestra proviene de

una distribucin uniforme.
Ejemplo. Realizar la prueba de frecuencias a los siguientes 30 nmeros generados.
.411
.730
.553
.719
.383

.819
.281
.469
.791
.771

.191
.408
.392
.213
.914

.037
.541
.598
.770
.826

.894
.995
.434
.671
.018

.575
.233
.668
.156
.984

Si dividimos el intervalo total (0,1) en 5 subintervalos, tendremos:

Frecuencia
esperada
Frecuencia
observada
(FE-FO)2/
FE

Total=30

Total=30

0.666

0.166

0.666

0.166

2=1.664

El estimador observado es 2 = 1.664

Si = 5%, tenemos que los grados de libertad son: v = (5-1) = 4, determinando el valor en la
tabla de la distribucin Ji- cuadrada : 2(5%,4) = 9.49.
Como la 2 observada ( 1.664) es menor que la 2 tabulada (9.49), no se puede rechazar la
hiptesis de que los nmeros generados provienen de una distribucin uniforme.
Pruebas de independencia??? o aleatoriedad.

24

Prueba por arriba y por abajo del promedio. Esta prueba requiere de la determinacin de la
longitud de las diversas corridas, por lo que a continuacin se presenta como se realiza su
determinacin.
Corrida de longitud nj.
Sea B una sucesin binaria compuesta por los bits 0 y 1.
Una sucesin de nj unos, enmarcada por ceros en cada extremo, recibe el nombre de corridas de
unos de longitud nj, de manera anloga se define la corrida de ceros. Por ejemplo, dada la
siguiente sucesin binaria:
0
1
1
1
0

1
0
0
1
1

0
0
0
0
1

0
1
1
1
1

1
1
0
1
0

1
0
1
0
1

El primer elemento de la sucesin(0); representa una corrida de longitud uno ya que a su

derecha se encuentra un smbolo diferente, que es 1.
El segundo elemento(1); tambin es una corrida de longitud uno, ya que en sus extremos se
tienen ceros.
los elementos en las posiciones tres y cuatro (son 0); se encuentran entre los unos de la segunda
y quinta posicin.
De igual manera se determinan el resto de las corridas y sus longitudes.
Procedimiento de la prueba.
1. Generar la muestra de tamao N de nmeros aleatorios (Rnd).
2. Con base en esta muestra, obtener una nueva sucesin binaria, segn el criterio:
Si Rndi es menor o igual a 0.5, asignar a Rndi el valor de 0.
Si Rndi es mayor 0.5, asignar a Rndi el valor de 1.
3. Determinar la frecuencia esperada para cada longitud de corrida i, con:
FEi = ( N i + 3 ) / 2i +1
4. determinar la frecuencia observada de cada longitud de corrida i.
5. Aplicar la prueba de frecuencias a las longitudes de corridas i.
Nota: cada longitud de corrida debe tener una frecuencia mnima de cinco.

Ejemplo. Dada la siguiente muestra de 30 nmeros aleatorios generados, aplicar la prueba de

corridas por arriba y por abajo del promedio, para probar la aleatoriedad de los mismos.
.411
.730
.553
.719
.383

.819
.281
.469
.791
.771

.191
.408
.392
.213
.914

.037
.541
.598
.770
.826

.894
.995
.434
.671
.018

.575
.233
.668
.156
.984

Generando la nueva sucesin de acuerdo a los criterios establecidos, por ejemplo, para el
primer elemento: 0.441 es menor que 0.5, entonces se asigna 0; para el segundo: 0.819 es
mayor que 0.5, entonces se asigna 1; continuando con el procedimiento obtenemos:
25

0
1
1
1
0

1
0
0
1
1

0
0
0
0
1

0
1
1
1
1

1
1
0
1
0

1
0
1
0
1

Se determina la frecuencia observada de la longitud de corrida i(1, 2, 3,) tanto para 0 como
para 1, obtenemos:
Longitud de corrida 1 = 7
Longitud de corrida 2 = 6
Longitud de corrida 3 = 3
Se calcular la frecuencia esperada.
FE1 = ( 30 1 + 3 ) / 21+1 = 32 / 4 = 8
FE2 = ( 30 2 + 3 ) / 22+1 = 31 / 8 = 3.875
FE3 = ( 30 3+ 3 ) / 23+1 = 30 / 16 = 1.875
En resumen se tiene la siguiente tabla.
Longitud de
Frecuencia
Frecuencia
corrida i
esperada
observada.
1
8.000
7
2
3.875
6
3
1.875
3
Como puede observarse la longitud de la corrida 3 es menor que 5, por lo tanto las frecuencias
de las longitudes de corrida 3 se unen con las de la 2 y se obtiene:
Longitud
de corrida i
1
2 o ms

Frecuencia
esperada
8
5.75

Frecuencia
observada
7
9

(FE FO)2 /
FE
0.125
1.837
2 = 1.962

Determinando el valor en la tabla de la distribucin Ji- cuadrada, para un nivel de significancia

de 5% y grados de libertad v = (2-1) = 1 : 2(5%,1) = 3.84.
Como 2 observada( 1.962) es menor que la tabulada ( 2(5%,1) = 3.84), entonces no se puede
rechazar la independencia o aleatoriedad de los nmeros de la muestra..

26

2.3 Mtodo de Monte Carlo.

El mtodo de Monte Carlo es una de las tcnicas estadsticas ms usadas en simulacin. Naylor,
dice que es una tcnica de simulacin para problemas que tienen una base estocstica o
probabilstica.
Su origen y nombre se remontan al trabajo de von Newman y Ulan a finales de los aos
cuarenta, cuando acuaron el trmino y aplicaron la tcnica para resolver ciertos problemas de
proteccin nuclear. El mtodo fue tan exitoso que se extendi su popularidad a otros campos y
el trmino casi se ha convertido en sinnimo de simulacin en la mente de muchas personas.
En el mtodo, la experiencia o los datos artificiales se generan mediante algn generador de
nmeros aleatorios y de alguna distribucin acumulada de inters. El generador de nmeros
aleatorios puede ser una tabla de dgitos aleatorios, una ruleta, una calculadora, una subrutina
de computadora o cualquier otra fuente de dgitos aleatorios distribuidos uniformemente..
La distribucin de probabilidad de inters, puede basarse en datos empricos que se obtienen
de registros anteriores, ser resultado de experimentos recientes (mediciones realizadas), puede
ser una distribucin terica conocida.
Los nmeros aleatorios servirn para producir una secuencia aleatoria de valores que
duplicaran la experiencia esperada de acuerdo al comportamiento de la variable de inters.
Para generar la muestra aleatoria de la muestra artificial se debe de partir de alguna distribucin
de probabilidad. Podemos usar el siguiente procedimiento.
1. Graficar los datos de inters como una distribucin de probabilidad acumulada. En
el eje x los valores de la variables y en el eje y la probabilidad (0,1).
2. Seleccione un nmero decimal aleatorio (NA) por medio de un generador de nmeros
aleatorios.
3. Proyecte horizontalmente el punto sobre el eje y que corresponde al NA, hasta que la
lnea interseque la curva acumulativa.
4. Proyectar hacia debajo de este punto de interseccin de la curva al eje x.
5. Escriba el valor de x, el cual ser el valor aleatorio para la muestra.
6. Repita los pasos del 2 al 6, hasta lograr la cantidad deseada de valores de las variables
aleatorias.
Ejemplo: Simulacin del lanzamiento de un dado legal
Deseamos conocer el comportamiento que tiene el lanzamiento de un dado y determinar la
probabilidad de ocurrencia de cada cara segn los puntos que muestra. Construir el
histograma de frecuencias relativas y calcular su media.
Los componentes para este experimento es el dado, el cual se puede encontrar en reposo o
en movimiento.
La actividad consiste en el lanzamiento del dado.
La variable endgena es el lanzador o generador.
La variable exgena o de salida es la variable aleatoria que representa la cantidad de puntos
que muestra el dado (1, 2, 3, 4, 5, 6).
La funcin de probabilidad es la uniforme discreta.
El reloj simulador se incrementar en una unidad cada vez que se efectu un lanzamiento.
Inicialmente el dado est en reposo y es irrelevante la cantidad de puntos que actualmente
muestra.
La variable aleatoria X = {1, 2, 3, 4, 5, 6}
Para realizar el experimento y conocer el comportamiento del lanzamiento de un dado,
tenemos dos opciones:
1. Simular por analoga, utilizando una tmbola. Se preparan seis papelitos idnticos
numerados del 1 al 6 y los introducimos a una tmbola (Gorra, caja, urna, etc.), revolvemos
los papeles y se extrae un papelito ale vez, se observa su valor y se anota (este nmero nos
27

indica la cantidad de puntos de la cara superior). Se ingresa el papel de nuevo a la tmbola

y se repite el experimento cuantas veces sea necesario.
Con los valores obtenidos se elabora la distribucin de frecuencias relativas, el histograma
y se calcula la media aritmtica.
2. Usando el Mtodo de Monte Carlo.
Como se supone que el dado es legal, la probabilidad de ocurrencia una de las caras
cualesquiera es de 1/6.
Entonces: f(x1) = f(x2) = f(x3) = f(x4) = f(x5) = f(x6) = 1/6
La funcin acumulada F(x), sera:
x
1
2
3
F(x)
1/6
2/6
3/6

4
4/6

5
5/6

6
6/6

Se construya la tabla para la generacin de la variable cantidad de puntos de la cara superior

con la funcin acumulada. Se establece el criterio de obtener el valor de la variable x, si ocurre
el nmero aleatorio NA obtenido por algn mtodo de generacin.
0 < NA 1/6
1/6 < NA 2/6
2/6 < NA 3/6
3/6 < NA 4/6
4/6< NA 5/6
5/6< NA 1

Entonces x = 1 (punto)
Entonces x = 2 (puntos)
Entonces x = 3 (puntos)
Entonces x = 4 (puntos)
Entonces x = 5 (puntos)
Entonces x = 6 (puntos)

Por ejemplo, si el nmero obtenido en tabla de nmeros aleatorios, calculadora o computadora

fuera NA = 0.523, observamos que se encuentra en el intervalo de (3/6, 4/6), por lo tanto la
variable x=4, es decir que la cara superior muestra 4 puntos.
Ejercicio.
Generar 60 nmeros aleatorios con una calculadora y registrar el valor de la variable x. A
continuacin elaborar la distribucin de frecuencias relativas (se pueden utilizar 10
subintervalos o clases), el histograma de frecuencias relativas.
Calcular la media aritmtica
Ejemplo. Una pequena tienda de regalos tiene una sola caja registradora para el cobro de las
compras de los clientes (sistema de formacin de colas de un solo canal). Supongamos que se
analizaron los tiempos de llegada de los clientes y el tiempo requerido para atenderlos. Para
simplificar redondearemos los tiempos en minutos. Como resultado se obtuvo que el tiempo
entre llegadas de los clientes se encuentra uniformemente distribuido de 1 a 10 minutos y el
tiempo para la atencin de los clientes tambin esta uniformemente distribuido de 1 a 6
minutos. Deseamos conocer el tiempo promedio que espera un cliente y el porcentaje de tiempo
desocupado del cajero.
Para simular el sistema necesitamos generar la llegada artificial de los clientes a la fila de la
caja registradora, as como tambin el tiempo requerido por el cajero para atenderlo. Una
manera de simular las llegadas es usar 10 cartas numeradas, las cuales se colocan en una urna y
posteriormente se extrae una, el nmero de la carta ser el tiempo que tarda en llegar el
prximo cliente. Para simular los tiempos de servicio podemos utilizar un dado numerado( del
1 al 6) y al tirarlo, el nmero que marque la cara superior ser la cantidad de minutos que se
requieren para atender al cliente.

28

Por otra parte, si se desea utilizar como base los nmeros pseudoaleatorios que genera una
calculadora u otro medio, es necesario elaborar un generador de tiempos de llegadas y otro de
los tiempos de servicios.
El generador de tiempo de llegadas, lo elaboramos dividiendo en 10 intervalos o clases, el
rango total que tienen los nmeros pseudoaleatorios(0-1) y obtenemos:
Nmero aleatorio
Tiempo entre llegadas
generado
(minutos)
0 < NA .1
1
.1 < NA .2
2
.2 < NA .3
3
.3 < NA .4
4
.4 < NA .5
5
.5 < NA .6
6
.6 < NA .7
7
.7 < NA .8
8
.8 < NA .9
9
.9 < NA 1
10
Si por ejemplo el nmero pseudoaleatorio generado es .325, entonces el tiempo de la prxima
llegada es de 4 minutos.
Para el tiempo de servicio el generador sera:
Nmero aleatorio
generado
0 < NA 1/6
1/6 < NA 2/6
2/6 < NA 3/6
3/6 < NA 4/6
4/6< NA 5/6
5/6< NA 1

Tiempo de servicio
(minutos)
1
2
3
4
5
6

La simulacin para la caja registradora sera:

Cliente
Tiempo Tiempo Reloj de Tiempo
de
de
llegadas inicio
llegada
servicio
servicio
1
4
3
8:04
8:04
2
1
1
8:05
8:07
3
9
3
8:14
8:14
4
2
4
8:16
8:17
5
9
3
8:25
8:25
6
10
2
8:35
8:35
7
1
5
8:36
8:37
8
1
4
8:37
8:42
9
3
3
8:40
8:46
10
4
3
8:44
8:49
11
5
2
8:49
8:52
12
7
5
8:56
8:56
13
3
4
8:59
9:01
14
4
4
9:03
9:05
15
10
5
9:13
9:13

Tiempo
fin del
servicio
8:07
8:08
8:17
8:21
8:28
8:37
8:42
8:46
8:49
8:52
8:54
9:01
9:05
9:09
9:18

Tiempo
desocup
cajero
4
0
6
0
4
7
0
0
0
0
0
2
0
0
4
Suma:27

Tiempo
espera
cliente
0
2
0
1
0
0
1
5
6
5
3
0
2
2
0
Suma:27
29

El tiempo promedio de espera es: 27 / 15 = 1.8 min/ cliente

El % de tiempo desocupado: (27 min./ 78 min.) x 100= 34.6%
Ejercicio. Complete la simulacin para una jornada de cuatro horas. Calculando:
El tiempo promedio de espera
El % de tiempo desocupado del cajero.

30

Unidad 3

Generacin de variables aleatorias.

31

Unidad 3.-Generacin

de variables aleatorias.

3.1 Introduccin.
En los experimentos de simulacin, por lo general existe la necesidad de generar valores de
variables aleatorias (ventas, compras de inventario, llegadas de clientes, etc.) las cuales se
encuentran interactuando y presentan comportamientos diferentes.
Cuando se realiza el experimento de simulacin, el proceso de generar un valor de cierta
variable aleatoria puede repetirse tantas veces como se requiera y tantas veces como
distribuciones de probabilidad existan.
Es importante tener presente que el proceso de generacin de variables aleatorias no uniformes
se hace a partir de la generacin de nmeros rectangulares (pseudoaleatorios).
Las variables que interactan en el experimento, por lo general presentan comportamientos que
siguen distribuciones de probabilidad tericas o empricas diferentes a la distribucin
uniforme. Por lo tanto, para generar estas variables, es necesario contar con un generador de
nmeros uniformes y una funcin, que a travs de un mtodo proporcione los valores de la
variable de la distribucin deseada.

F(x)

En los prximos apartados se presentaran las variables aleatorias discretas y continuas, as

como las distribuciones ms comunes, pero Qu es una variable aleatoria?
La mayora de los hechos de la vida real, genera resultados que se presentan como nmeros
reales, por ejemplo, el tiempo que se tarda el cajero en cobrar a un cliente, el tiempo que el
vendedor atiende a un cliente, el nmero de accidentes automovilsticos al da en una ciudad,
etc. Estos resultados numricos que pueden cambiar en cada medicin, da o experimento, se
llaman variable aleatoria.

32

Cada resultado no est determinado previamente sino depende del azar. El espacio muestral de
un experimento son todos los resultados posibles al realizarlo, por ejemplo; al lanzar una
moneda, hay dos resultados posibles: guila y sol, pero si lanzamos un dado el resultado de la
cara superior puede ser 1, 2, 3, 4, 5 y 6.
Formalmente una variable aleatoria es una funcin de valor real cuyo dominio es un espacio
muestral.

3.2 Variables aleatorias Discretas.

Definicin. Se denomina variable aleatoria discreta aquella que slo puede tomar un nmero
finito de valores dentro de un intervalo. Por ejemplo, el nmero de componentes de una
manada de lobos, pude ser 4 5 6 individuos pero nunca 5,75 5,87. Otros ejemplos de
variable discreta seran el nmero de pollos de gorrin que llegan a volar del nido o el sexo de
los componentes de un grupo familiar de babuinos.
Una variable aleatoria es discreta si su recorrido es un conjunto discreto. Un conjunto es
discreto si est formado por un nmero finito de elementos, o si sus elementos se pueden
enumerar en secuencia de modo que haya un primer elemento, un segundo elemento, un tercer
elemento, y as sucesivamente. En general podemos decir que las variables discretas son
enumerables y se mide por conteo.
Se denomina densidad discreta a la probabilidad de que una variable aleatoria discreta X tome
un valor numrico determinado (x).
Se representa:

f(x) = P[X=x]
La suma de todas las densidades ser igual a 1.

f(x) = 1

El valor esperado de una variable aleatoria discreta es un promedio ponderado de todos los
posibles resultados, donde las ponderaciones son las probabilidades asociadas con cada uno de
los resultados.

= E (x) = x p(x)
Donde: Xi = i-simo resultado de X, la variable discreta de inters.
P(Xi) = probabilidad de ocurrencia del i-simo resultado de X
La varianza de una variable aleatoria discreta (s 2) se define como el promedio ponderado de los
cuadros de las diferencias entre cada resultado posible y su media (los pesos son las
probabilidades de los resultados posibles).

Var(x) = 2 = ( xi - E (x) )2
A continuacin se realizara una breve descripcin de las principales distribuciones de
probabilidad discretas utilizadas en los experimentos de simulacin.
Distribucin Uniforme discreta.
33

Es la ms simple, y se usa en fenmenos que tienen la misma probabilidad de ocurrencia. Por

ejemplo, la ocurrencia de la cara de un dado, la ocurrencia de un nmero en una ruleta legal,
etc.
La funcin de densidad es:

P(xi) = 1 / n ;

E(xi) = (xi)

= 1/n

Var(xi) = 2 = (xi - )2 / n

Distribucin Poisson.
La distribucin de Poisson es una distribucin de probabilidad discreta. Expresa la probabilidad
de un nmero k de eventos ocurriendo en un tiempo fijo si estos eventos ocurren con una
frecuencia media conocida y son independientes del tiempo discurrido desde el ltimo evento.
Fue descubierta por Simon-Denis Poisson.
La distribucin se puede utilizar para el modelar las llegadas a una caja registradora, el nmero
de defectos en un metro cuadrado de tela, el nmero de colonia de bacterias en un centmetro
cbico de agua, el nmero de mquinas que fallan en el transcurso de una semana, el nmero
de accidentes que ocurren al da en cierto crucero de la ciudad.
La funcin de densidad es:

donde es un parmetro positivo que representa la frecuencia

esperada del fenmeno modelado por la distribucin.
Tanto el valor esperado como la varianza de una variable aleatoria con distribucin de
Poisson son iguales a .

34

Distribucin Binomial.

la distribucin binomial es una distribucin de probabilidad discreta que mide el nmero de

xitos en una secuencia de n ensayos independientes de Bernoulli con una probabilidad fija p
de ocurrencia del xito entre los ensayos.
Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo son posibles dos
resultados. A uno de estos se denomina xito y tiene una probabilidad de ocurrencia p y al otro,
fracaso, con una probabilidad q = 1 - p. En la distribucin binomial el anterior experimento se
repite n veces, de forma independiente, y se trata de calcular la probabilidad de un determinado
nmero de xitos. Para n = 1, la binomial se convierte, de hecho, en una distribucin de
Bernoulli.
Para representar que una variable aleatoria X sigue una distribucin binomial de parmetros n y
p, se escribe:

Existen muchas situaciones en las que se presenta una experiencia binomial. Este tipo de
experiencias se caracteriza por estar formada por un nmero predeterminado n de experimentos
iguales. Cada uno de los experimentos es independiente de los restantes (la probabilidad del
resultado de un experimento no depende del resultado del resto). El resultado de cada
experimento ha de admitir slo dos categoras (a las que se denomina xito y fracaso). Las
probabilidades de ambas posibilidades han de ser constantes en todos los experimentos (se
denotan como p y q o p y 1-p).
Se designa por X a la variable que mide el nmero de xitos que se han producido en los n
experimentos.
Cuando se dan estas circunstancias, se dice que la variable X sigue una distribucin de
probabilidad binomial, y se nota B(n,p).

Una variable aleatoria tiene una distribucin Binomial si existen las siguientes condiciones:
1. El experimento consiste en un nmero fijo de n intentos idnticos.
2. Cada intento solo puede tener un resultado de dos posibles, que se llama xito y fracaso.
35

3. La probabilidad p de xito es constante de intento a intento.

4. Los intentos son independientes.
5. Se define a X como el nmero de xitos en el intento.
Ejemplos: Se lanza un dado diez veces y se cuenta el nmero de tres obtenidos: X ~ B(10, 1/6) ;
se lanza una moneda dos veces y se cuenta el numero de guilas obtenidos. Su funcin de
probabilidad est dada por:

donde

, siendo

las combinaciones de

en (

elementos tomados

de en )
;

3.3 Variables aleatorias continuas.

Una variable aleatoria es continua si su recorrido no es un conjunto numerable, intuitivamente
esto significa que el conjunto de posibles valores de la variable abarca todo un intervalo de
nmeros reales. Por ejemplo, la variable que asigna la estatura a una persona extrada de una
determinada poblacin es una variable continua ya que, tericamente, todo valor entre,
pongamos por caso, 0 y 2,50 m, es posible.
Distribucin Uniforme o rectangular.

E(x) = (a + b) / 2

Var(x) = 2 = (b a)2 / 12

36

Distribucin Exponencial.
Existen muchas situaciones reales que se comportan como la distribucin exponencial, como
por ejemplo nacimientos, muertes, accidentes.
La funcin de densidad es:

En estadstica la distribucin exponencial es una distribucin de probabilidad continua con un

parmetro > 0 cuya funcin de distribucin es:

donde e representa el nmero e.

El valor esperado y la varianza de una variable aleatoria X con distribucin exponencial son:

Distribucin Normal.

37

Se llama distribucin normal, distribucin de Gauss o distribucin gaussiana, a una de las

distribuciones de probabilidad de variable continua que con ms frecuencia aparece en
fenmenos reales.
La grfica de su Funcin de densidad tiene una forma acampanada y es simtrica respecto de
un determinado parmetro. Esta curva se conoce como campana de Gauus.
La importancia de esta distribucin radica en que permite modelar numerosos fenmenos
naturales, sociales y psicolgicos. Mientras que los mecanismos que subyacen a gran parte de
este tipo de fenmenos son desconocidos, por la ingente cantidad de variables incontrolables
que en ellos intervienen, el uso del modelo normal puede justificarse asumiendo que cada
observacin se obtiene como la suma de unas pocas causas independientes.
Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el modelo de la
normal son:

caracteres morfolgicos de individuos como la estatura;

caracteres fisiolgicos como el efecto de un frmaco;
caracteres sociolgicos como el consumo de cierto producto por un mismo grupo de
individuos;
caracteres psicolgicos como el cociente intelectual;
nivel de ruido.
Errores cometidos al medir ciertas magnitudes, etc.
Se dice que una variable aleatoria continua X sigue una distribucin normal de
parmetros y y se denota X ~ N(, ) si su funcin de densidad est dada por:

donde (mu) es la media y (sigma) es la desviacin tpica (2 es la varianza).

Se llama distribucin normal "estndar" a aquella en la que sus parmetros toman los
valores = 0 y = 1. En este caso la funcin de densidad tiene la siguiente expresin:

Su grfica se muestra abajo y con frecuencia se usan tablas para el clculo de los valores de su
distribucin.

38

E(x) =

Var(x) = 2

3.4 Mtodos para generar variables aleatorias.

Cuando se realiza el experimento de simulacin, normalmente una o ms variables tienen un
comportamiento estocstico. El problema para generar estas variables aleatorias es determinar
su comportamiento, es decir, se debe de probar la compatibilidad de un conjunto de
frecuencias observadas con alguna frecuencia terica, o bien, pudieron originarse los datos
observados de una distribucin de probabilidad especfica?, entonces para generar una variable
aleatoria primero debemos de identificar su comportamiento, es decir que distribucin de
probabilidad sigue.
Identificacin de la distribucin de probabilidad.
Si la frecuencia de datos observados se asemeja de manera conveniente a la frecuencia terica,
entonces podemos utilizar la distribucin de probabilidad terica para representar la poblacin
principal.
Para formular una hiptesis o suposicin razonable acerca de la distribucin de una variable
aleatorios, debemos de compilar y analizar los datos histricos o experimentales.
Los datos se agrupan en una distribucin de frecuencias. Si la variable que se maneja es
discreta, se registran las frecuencias individualmente, pero si la variable es contina, se divide
la gama de valores en intervalos o clases iguales y se registra la frecuencia de cada clase.
Usualmente el nmero de intervalos debe de 5 a 20.
A continuacin se elabora la grfica de distribucin de frecuencias relativas. La frecuencia
relativa de cada intervalo es la frecuencia observada de cada intervalo entre el nmero total de
datos.
Ejemplo de variables discretas. Se compilaron el nmero de consultas telefnicas recibidas en
un consultorio, en intervalos de una hora y se presentan los resultados en la siguiente tabla.
Determinar la frecuencia relativa y elaborar la distribucin de frecuencias relativas para los
datos observados.

n( Nmero de
consultas
telefnicas en una
hora)
0
1
2
3
4
5

frecuencia(x)
P(x) = frecuencia relativa.
(nmero de intervalos f(x) / total de observaciones
de una hora con n
consultas)
315
142
40
9
4
2
509

315 / 509 = 0.619

142 / 509 = 0.279
40 / 509 = 0.079
9 / 509 = 0.017
4 / 509 = 0.004
2 / 509 = 0.002
1.000
39

Ejemplo de variables continuas. La siguiente tabla es la distribucin de frecuencias de la

produccin semanal del producto x, recabadas durante 120 semanas. Determinar la frecuencia
relativa y elaborar la distribucin de frecuencias relativas para los datos observados.
f(x) = frecuencia
( Cantidad de semanas
con esta produccin)
1
1
3
7
11
21
28
16
22
7
1
2
520

x
(produccin
semanal)
Menos de 46
46 - 55
56 - 65
66 - 75
76 - 85
86 - 95
96 - 105
106 - 115
116 - 125
126 - 135
136 - 145
146 o ms

frecuencia relativa
x / total de observaciones
1 / 520 = 0.008
1 / 520 = 0. 008
3 / 520 = 0.025
7 / 520 = 0.058
11 / 520 = 0.092
21 / 520 = 0.175
28 / 520 = 0.234
16 / 520 = 0.134
22 / 520 = 0. 183
7 / 520 = 0.058
1 / 520 = 0. 008
2 / 520 = 0. 017
1.000

Despus de obtener el grfico de la distribucin de frecuencias relativas observadas, se

compara visualmente con las grficas de las distribuciones de frecuencias tericas y se
seleccionan las posibles distribuciones de probabilidad a partir de la cual se deriv. Esto
requiere del juicio y experiencia del analista.
Despus de identificar una o ms distribuciones tericas, se procede a determinar los
parmetros para luego realizar las pruebas estadsticas necesarias.
Usualmente los parmetros se pueden determinar a partir de la media aritmtica y de la
varianza ( s2 ).
Ejemplo. Para el caso de consultas telefnicas recibidas en un consultorio (datos discretos), se
pueden calcular sus para sus parmetros de la siguiente manera:

s2 = ( xi2 fi - n X2 ) / n 1

Media aritmtica ( X )= xi fi / n ;
La es desde el primer evento hasta el evento k.

xi

fi

xi fi

xi2 fi

0
1
2
3
4
5

315
142
40
9
2
1
509

0
142
80
27
8
5
262

0
142
160
81
32
25
440

40

X = 262 / 509 = 0.5147

s2 = ( 440 (509)(0.5147)2 ) / (509 1) = 0.6007

Para el caso de la produccin semanal del producto x (datos discretos), los parmetros son:
Media aritmtica ( X )= Mi fi / n ;

s 2 = ( Mi 2 fi - n X 2 ) / n 1

Donde Mi es la marca de clase del intervalo i.

Mi
40.5
50.5
60.5
70.5
80.5
90.5
100.5
110.5
120.5
130.5
140.5
150.5

fi

Mi fi
40.5
50.5
181.5
493.5
885.5
1 900.5
2 814.5
1 678.0
2 651.0
913.5
140.5
301.0
12 140.0

1
1
3
7
11
21
28
16
22
7
1
2
120

Mi 2 fi
1 640.25
2 550.25
10 980.75
34 791.75
71 282.75
171 995.25
282 807.00
195 364.00
319 445.50
119 211.75
19 740.25
45 300.5
1 275 110.00

s2 = ( 1275100 (120)(101.17)2 ) / (120 1) = 393.83

X = 12140 / 120 = 101.17 ;

Para probar que ciertos valores siguen una distribucin de probabilidad se utilizan las pruebas
de bondad de ajuste: Ji cuadrada o Kolmogorov-Smirnov.
Prueba de la Ji cuadrada ( 2 )
Para probar estadsticamente que un conjunto de datos empiricos o de una muestra, no difieren
significativamente de aquellos que se esperan de una distribucin terica especfica, podemos
considerar las pruebas de bondad de ajuste.
Una medida de la discrepancia que existe entre la frecuencia esperada y la observada, la
proporciona el estimador 2 (ji-cuadrada).
El estimador lo proporciona:

2 = ( foi - fei ) / fei ; donde:

= Suma de todas las clases de i=1 hasta k

foi = frecuencia observada en la clase i
fei = frecuencia esperada en la clase i
Si 2 = 0, la frecuencia terica y observada concuerdan exactamente.
2 > 0, mientras mayor sea, mayor es la discrepancia.
Si 2 > 0, debemos de comparar el valor observado con el tabulado, para determinar si la
variacin es aleatoria.
En la prctica, la hiptesis nula( Ho ) es: no existe diferencia significativa entre la distribucin
de frecuencias observadas y la distribucin terica especfica con los mismos parmetros. Si,
2observada < 2(1 ),

41

La prueba considera los siguientes pasos:

1. Se deben usar conteos o nmeros reales.
2. Las frecuencias observadas para cada intervalo de clase deben de equivaler a cinco o
ms (en caso contrario se agrupan).
3. Los grados de libertad () se dan por la relacin : = k-1, donde k es el nmero de
clases.
Ejemplo: Deseamos probar que la distribucin de las consultas telefnicas recibidas en un
consultorio, provienen de una distribucin Poisson, con un nivel de confianza de 0.95.
La distribucin Poisson es:

Considerando que f(k;) es la probabilidad de que ocurra k, e es la

constante con valor 2.71828 y para esta distribucin es igual a la media y la varianza.
Se haba calculado: media aritmtica (X) = 0.5147 y Varianza (s2 ) = 0.6007
Como ambas deben ser iguales calculamos su promedio y obtenemos:
= (0.5147 + 0.6007) / 2 = 0.55 77
Establecemos la Ho: No existe diferencia significativa entre los datos observados y los que
proporciona una distribucin poisson con = 0.5577.
A continuacin se elabora la siguiente tabla para calcular 2observada.
n(k)

fi (0bservada)

Prob evento (n)

fi(esperada)

0
1
2
3
4
5

315
142
40
9
2
1
509

0.572
0.319
0.089
0.017
0.014
0.0003

219
162
45
9
1
1
509

2 = ( foi - fei
) / fei
1.98
2.47
0.56

La columna de la probabilidad del evento n se calcula usando la distribucin:

P(0) = [(0.5577)0 (2.71828)-(0.5577) ] / 0! = 0.572
P(1) = [(0.5577)1 (2.71828)-(0.5577) ] / 1! = 0.319
P(2) = [(0.5577)2 (2.71828)-(0.5577) ] / 2! = 0.089, etc.
Como la frecuencia esperada de los eventos 5 y 4 no llegan a cinco, se unen al evento 3 y la
tabla queda:
n(k)

fi (0bservada)

Prob evento (n)

fi(esperada)

0
1
2
3 o mas

315
142
40
12

0.572
0.319
0.089
0.017

219
162
45
11

2 = ( foi - fei
) / fei
1.98
2.47
0.56
0.09
42

509

509

5.1

2observada. = 5.1
En las tabla de la 2, determinamos el valor de tabulado de 2(1 ), ,
entonces 2(.95), 3 = 5.99
Como 2observada < 2(1 ), , entonces no se rechaza Ho, es decir no existe diferencia
significativa entre los datos observados y los que proporcionara una distribucin Poisson con
= 0.5577, con un nivel de confianza de 0.95.

Prueba de Kolgomorov-Smirnov.
Kolgomorov-Smirnov supusieron que la distribucin de probabilidad que se encontraba a
prueba, era continua y que se conoca la media y la varianza de la poblacin.
La prueba se emplea para probar el grado de concordancia entre la distribucin de datos
empricos de la muestra y alguna distribucin terica especfica.
Pasos de la prueba.
1. Se desarrolla la distribucin acumulativa de la distribucin terica y de los datos
empricos.
2. Se comparan y se selecciona aquel intervalo de clase que tenga mayor desviacin
absoluta (desviacin mxima) entre las desviaciones tericas y observadas.
3. Se compara la desviacin mxima obtenida con la desviacin crtica obtenida de la tabla
de Kolgomorov-Smirnov.
Si la desviacin observada es menor a la desviacin crtica se acepta que los datos observados
no presentan ninguna diferencia significativa con los que proporciona la distribucin terica
con ciertos parmetros.
Ejemplo. Considerar el ejemplo anterior de probar que la distribucin de las consultas
telefnicas recibidas en un consultorio, provienen de una distribucin Poisson, con un nivel de
confianza de 0.95.
Se determino que

= (0.5147 + 0.6007) / 2 = 0.55 77

fi (0bservada) P(n)

P(n)
observada terica
0.619
0.571
0.279
0.319
0.078
0.089
0.018
0.017
0.004
0.003
0.002
0.001
1.000
1.000

0
1
2
3
4
5

315
142
40
9
2
1
509

Frec.Acum.
observada
0.619
0.898
0.976
0.994
0.998
1

Frec.Acum.
terica
0.571
0.890
0.979
0.996
0.999
1

Desviacin
absoluta
0.048
0.008
0.003
0.002
0.001
0

La mayor desviacin absoluta observada es de 0.048

Buscando en la tabla de Kolmogorov-Smirnov la desviacin crtica con n = 509 y = 0.05, nos
indica que se requiere calcular con la relacin: 1.36 / n
43

Desviacin crtica = 1.36 / 509 = 0.0603

Como la desviacin absoluta observada (0.048) es menor que la desviacin crtica tabulada
(0.0603), se acepta la hiptesis nula.

Generacin de variables aleatorias.

En un modelo de simulacin, existe una o varias variables aleatorias interactuando.
Generalmente siguen distribuciones de probabilidad tericas o empricas diferentes a la
distribucin uniforme, entonces se tiene que simular este tipo de variables, por lo que se hace
necesario contar con un generador de nmeros pseudoaleatorios y una funcin que a travs de
un mtodo especfico los transforme en los valores de la funcin deseada.

Existen varios procedimientos para lograrlo, describiremos ampliamente el de la transformada

inversa.

Mtodo de la transformada inversa para variables aleatorias continas.

Este mtodo utiliza la distribucin acumulada F(x) de la distribucin a simular.
Como F(x) se define en el intervalo (0,1); se genera un nmero peudoaleatorio R y se trata de
determinar el valor de la variable aleatoria (x) para la cual su distribucin acumulada F(x) es
igual a R.
F(x) = R, entonces la variable aleatoria debe de cumplir:
x = F-1 ( R )

44

La dificultad del mtodo es que en ocasiones es difcil hallar la transformada inversa.

Ejemplo. Se desean generar valores aleatorios que sigan una distribucin exponencial.
La funcin de distribucin es:

La funcin acumulada se calcula con:

-

F(x) = f(x)dx = e x dx, con limite inferior 0 y superior x

Como eu du = eu ; Si u = -x entonces du = - dx.
F(x) = -

e-

F(x) = -

e-

e-

(-) dx = -1

, sustituyendo los limites obtenemos:

o bien

Igualando F(x) con R;

F(x) = 1 -

e-

1-

e-

e-

=R

=1R

Como R sigue una distribucin uniforme, 1-R sigue la misma distribucin, entonces:

e-

= R , aplicando logaritmo natural queda:

x = - (1/ ) Ln(R)

Ejemplo. Elabore el generador de nmeros aleatorios que sigan una distribucin uniforme.

45

La distribucin acumulada es:

F(x) = f(x)dx = [1/ (b a)] dx, con limite inferior 0 y superior x.

Integrando, F(x) = (x a) / (b a), igualando con R y despejando se obtiene:

x = a + (b a) R
Mtodo de la transformada inversa para variables aleatorias discretas.
Para distribuciones de probabilidad discretas, primero se evala su distribucin f(x) para cada
valor de x y con ellos se determina la funcin acumulada F(x).
Luego se establecen los intervalos de la variable de 0 a cada valor F(x) de la variable x, y de
acuerdo a la distribucin acumulada se elabora una tabla que genera el valor de x de acuerdo al
nmero pseudoaleatorio R.
Ejemplo Elaborar el generador de la variable aleatoria que sigue una distribucin Poisson con
= 5.

con k ( x ) = 0,1,2,3,4.
Primero evaluamos la funcin para diversos valores de k, por ejemplo:
f(0) = 50 e
k (x )
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

-5

/ 0! = 0.0067

P(k)
Probabilidad
del evento
0.0067
0.0337
0.0842
0.1409
0.1755
0.1755
0..1462
.1044
0.0653
0.0363
0.0181
0.0082
0.0034
0.0013
0.0005
0.0002

F(x)
Funcion acumulada
0.0067
0.0404
0.1246
0.2650
0.4405
0.6160
0.7622
0.8666
0.9319
0.9682
0.9863
0.9945
0.9979
0.9992
0.9997
0.9999

46

A continuacin se elabora la tabla de la transformada inversa de la funcin.

Valor del nmero pseudoaleatorio
0.0000 R < 0.0067
0.0067 R <0.0404
0.0404 R <0.1246
0.1246 R <0.2650
0.2650 R <0.4405
0.4405 R <0.6160
0.6160 R <0.7622
0.7622 R <0.8666
0.8666 R <0.9319
0.9319 R <0.9682
0.9682 R <0.9882
0.9882 R <0.9945
0.9945 R <0.9979
0.9979 R <0.9992
0.9992 R <0.9997
0.9997 R <0.9999

Valor generado de k
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Mtodo de Rechazo.
Este mtodo consiste en: primero generar un valor de la variable aleatoria y enseguida probar
que dicho valor simulado proviene de la distribucin de probabilidad que se est analizando. La
distribucin debe estar acotada y con un rango finito., es decir: a x b.
La aplicacin del mtodo de rechazo implica el desarrollo de los siguientes pasos:
Generar dos nmeros pseudoaleatorios R1 y R2.
1.
Determinar el valor de la variable aleatoria x de acuerdo a la relacin lineal de R1:
2.
x = a + (b a) R1
Evaluar la funcin de probabilidad en x = a + (b a) R1
3.
Determinar si se cumple la siguiente desigualdad:
4.
R2 f (a + (b a) R1) / M , donde M es la moda.
Si la respuesta es afirmativa se utiliza el valor de x como un valor simulado de la
5.
variable aleatoria, de lo contrario es necesario repetir el procedimiento cuantas veces
sea necesario.
Algunos autores como Tocher, que este mtodo podra ser ineficiente para ciertas distribuciones
de probabilidad en las cuales la moda sea grande.
Mtodo de Composicin.
Mediante este mtodo la distribucin de probabilidad f(x),se expresa como una mezcla devarias
distribuciones de probabilidad f(x) seleccionadas adecuadamente.
Los pasos requeridos son:
Dividir la distribucin de probabilidad original en sub-areas.
Definir la distribucin de probabilidad para cada area.
Expresar la distribucin de probabilidad original de la forma siguiente:
f(x) = A1f1(x) + 21f2(x) + A3f3(x) +.+ Anfn(x)
y
A1 = 1
Obtener la distribucin acumulada por areas.
Generar dos nmeros aleatorios R1 y R2.
Seleccionar la distribucin de probabilidad f(x) con la cual se va a simular el valor de x( usando
la transformada inversa) usando R1.
Usar R2 para simular el valor de x de acuerdo a la distribucin y procedimiento utilizado.
Si se desea estudiar detenidamente estos dos ltimos mtodos consultar el libro: Simulacin:
Un enfoque prctico de Raul Coos B.
47

Procedimientos especiales.
Existen distribuciones de probabilidad para las cuales la aplicacin del mtodo de la
transformada inversa es demasiado complicada. Para estas es posible utilizar algunas de sus
propiedades para facilitar y agilizar el proceso de generacin de valores aleatorios.
Generador de variables aleatorias que siguen la distribucin normal.
La funcin de densidad de la distribucin normal es:

Para aplicar el mtodo de la transformada inversa se requiere de la determinacin de la funcin

acumulada F(x), como no es posible expresarla explcitamente, es decir calcular la integral de
f(x), no es posible utilizar este mtodo.
Para lograr el generador se usa el teorema del lmite central, que establece que la suma de n
variables aleatorias independientes se aproxima a una distribucin normal a medida que n se
aproxima al infinito.
En forma de teorema: Si x1, x2, x3,, xn es una secuencia de n variables aleatorias independientes
con E(xi) = i y var(xi) = i2 (ambas finitas) y Y = a1x1 + a2x2 ++ anxn
Entonces, bajo ciertas condiciones:
Z = [ Y - ai i ] / (ai)2 i2 tiene una distribucin normal a medida que n se aproxima al
infinito.
Si las variables que se estn sumando son uniformes en el intervalo (0,1), entonces
Z = ( Ri n/2 ) / n/12

tiene una distribucin normal estandar.

Como la variable aleatoria x distribuida normalmente se obtiene como:

Z = ( x ) / , entonces la simulacin de la variable aleatoria x se hara con la siguiente
expresin.
x = + [( Ri n/2 ) / n/12] , se ha comprobado que con n=12 los valores simulados son
bastante aceptables, simplificando la expresin a:

x = + ( Ri n/6 ) , con i =1 hasta 12

48

Unidad 4

49

Lenguajes de Simulacin

Unidad 4.- Lenguajes de Simulacin

4.1 Lenguajes de simulacin y simuladores.
Los primeros esfuerzos en los estudios de simulacin se dirigieron en la definicin del sistema
a simular y en la descripcin en trminos de diagramas de flujo lgicos, as como en las
relaciones funcionales, sin embargo despus se tiene el problema de describir el modelo en un
lenguaje que sea aceptable por la computadora. La mayora de las computadoras digitales
operan en lenguaje binario o un mltiplo de l (octal o exadecimal) para representar los datos,
pero como estos son inconvenientes para la comunicacin con los usuarios, se han desarrollado
gran cantidad de leguajes para este fin lo que hace difcil decidir cual se ajusta mejor a nuestra
aplicacin. Por lo consiguiente el procedimiento usual es adoptar el lenguaje conocido por el
analista.
Los lenguajes de compilacin, algunas veces se les conoce como lenguajes de programacin de
alto nivel, estn orientados a la solucin de problemas (el programador se interesa en los pasos
requeridos para resolver el problema) y no en las operaciones que realiza la mquina. Los
lenguajes de compilacin son macrolenguajes, es decir una instruccin crea varias instrucciones
en el lenguaje de mquina.
En general podemos distinguir dos tipos de lenguajes, los de propsito general y los de
propsito especfico.
Los lenguajes de propsito general (como FORTRAN, COBOL, BASIC, ALGOL, C, etc.) se
disean para resolver una extensa variedad de problemas.

50

Los lenguajes de propsito especial, tales como varios lenguajes de simulacin (GPSS, GASP,
SIMULA, TAYLOR, etc.), se disean para satisfacer o resolver una clase o tipo particular de
problemas.
Ventajas de los lenguajes de simulacin.
La evolucin de los lenguajes de simulacin tiene sus inicios al final de la dcada de los
cincuenta .En un principio los lenguajes que se desarrollaron fueron los de propsito general,
sin embargo con el paso del tiempo los analistas se dieron cuenta de la gran similitud que
existan entre diferentes situaciones y sistemas que se estaban simulando, observaron que gran
nmero de programas tenan procesos funcionalmente similares, de ah surge la idea a principio
de los sesenta de crear lenguajes de propsito especial.
Cualquier lenguaje de programacin algortmico se puede usar para la modelacin del
simulador, pero aquellos que se disearon especficamente para el propsito de simulacin por
computadora proporcionan las siguientes ventajas:

Reduce la tarea de programacin.

Proporciona una gua conceptual.
Ayuda a definir clases de entidades dentro del sistema.
Proporciona flexibilidad de cambios.
Suministra un medio de diferenciacin entre entidades de la misma clase mediante
caractersticas o propiedades.
Describe la relacin de las entidades entre s con su ambiente comn.
Ajusta el nmero de entidades conforme varan las condiciones dentro del sistema.

Generalmente las simulaciones requieren de ciertas funciones comunes que diferencan un

lenguaje de simulacin de un lenguaje algebraico general o de programas de aplicacin
comercial o administrativa. En ellas tenemos:

Crear nmeros pseudoaleatorios

Crear variables aleatorias.
Variar el tiempo, ya sea por unidad fija o hasta la ocurrencia del siguiente evento.
Registrar datos de salida.
Efectuar anlisis estadstico sobre los datos registrados.
Arreglar salidas en formatos especficos.
Detectar e informar inconsistencias lgicas y otras condiciones de error.

Existen en el mercado dos grandes clases de software para simulacin: los lenguajes y los
simuladores.
Un lenguaje de simulacin es un software de simulacin de naturaleza general y posee algunas
caractersticas especiales para ciertas aplicaciones, tal como ocurre con SLAM 11 y SIMAN
con sus mdulos de manufactura. El modelo es desarrollado usando las instrucciones adecuadas
del lenguaje y permitiendo al analista un buen control para cualquier clase de sistema.
Un simulador (o de propsitos especiales) es un paquete de computadoras que permite realizar
la simulacin para un ambiente especfico, no requiriendo esfuerzo en programacin. Hoy en
da existen simuladores para ambientes de manufactura y sistemas de comunicacin
permitiendo un menor tiempo en el desarrollo del modelo, as como tambin contar con el
personal sin experiencia en simulacin.
Los simuladores son actualmente muy utilizados para anlisis en alto nivel, requirindose
51

nicamente agregar detalles en un cierto nivel, puesto que lo dems es estndar.

CACI Products Company autor de SIMSCRIPT 11.5 es tambin autor de los simuladores
SIMFACTORY 11.5, NETWORK 11.5 y COMNET 11.5, muy utilizados en estos ltimos
tiempos para simulaciones de sistemas de manufacturas, redes de computadoras y redes de
telecomunicaciones.
Para procesar transacciones en espera de un ordenamiento, un lenguaje de simulacin debe
proporcionar un medio automtico de almacenamiento y recuperacin de estas entidades. De
acuerdo a la orientacin del modelado de una simulacin discreta, existen tres formas:
1. Programacin de eventos.
2. Procesos.
3. Anlisis de actividades.
Una programacin al evento es modelada, identificando las caractersticas del evento y luego se
escriben un juego de rutinas para los eventos con la finalidad de describir detalladamente los
cambios que ocurren en el tiempo en cada evento. Lenguajes como SIMSCRIPT 11.5 y SLAM
11 estn orientados al evento.
Una interaccin al proceso es una secuencia de tiempos interrelacionados, describiendo la
experiencia de una entidad a travs del sistema. Por ejemplo, en un modelo de colas esta
"historia" se traduce en el paso del tiempo del ingreso a la cola, ingreso al servidor, paso del
tiempo en el servicio y fin del servicio. GPSS, SIMAN y SIMNET son orientados al proceso.
En el examen de actividades, el modelador define las condiciones necesarias al empezar y
finalizar cada actividad en el sistema. El tiempo es avanzado en iguales incrementos de tiempo
y en cada incremento de tiempo, las condiciones son evaluadas para determinar si alguna
actividad puede estar empezando o terminando. El ESCL, es un lenguaje de simulacin muy
popular en Europa y fue desarrollado en FORTRAN.
GASP IV
Es una coleccin de subrutinas FORTRAN, diseadas para facilitar la simulacin de secuencia
de eventos. Cerca de 30 subrutinas y funciones que proveen numerosas facilidades, incluyendo:

Rutinas de avance del tiempo,

Gestin de listas de eventos futuros,

Adicin y remocin de entidades.

Coleccin de estadsticas.

Generadores de variables aleatorias.

Reporte estndar.

El programador nicamente provee un program main, una rutina de actualizacin, rutinas de

eventos, generadores de reportes personalizados y una subrutina denominada EVNTS. El
programa main debe incluir la sentencia CALL GASP; siendo GASP una subrutina que
determina el eminente evento, invocando a EVNTS escrita por el usuario y obtiene el ndice
52

NEXT.
GASP IV es un lenguaje de simulacin desarrollado por Alan B. Pristker y N. Hurst en 1973.
Es un lenguaje hbrido porque puede ser usado para programadores de simulacin discretos,
continuos y combinados; siendo el primero en integrar completamente estos dos ambientes de
funcin del tiempo. GASP IV es un derivado del GASP II, y se diferencia por la definicin del
evento espacio-estado (state space event).
SIMSCRIPT II.5
Desarrollado en la RAND Corporation por H. Markowtz en los inicios de los sesenta.
SIMSCRIPT 11.5. Es un lenguaje de simulacin con orientacin al evento y al proceso, es
hbrido porque posee facilidades para simulacin de sistemas discretos y continuos. Un
programador SIMSCRIPT 11.5 consiste de las siguientes partes:

Preamble

Main program

Rutinas de eventos.

Rutinas ordinarias.

SIMSCRIPT 11.5, producido por CACI Products Company (La Jolla, California), fue utilizado
en el pasado en grandes y complejas simulaciones, como es el caso de los modelos no
orientados a colas; por ejemplo modelos de combates militares. Se encuentra disponible en
versin PC destacando su ambiente de S11VIGRAPHICS.
SIMSCRIPT 11.5 est basado en entidades, atributos y conjuntos. Visualiza el mundo a ser
simulado como un conjunto de entidades que pueden ser descritas a travs de sus atributos y los
eventos que aparecen en el tiempo.
SIMAN/Cinema
La versin original del SIMAN (Simulation and Analysis) fue desarrollada por Dennis Pegden,
en la Universidad de Alabama, cuando era lder del grupo de desarrollo de la versin original
de SLAM (basada en los software de GASP y Q~GER-r de Pristker and Associates). Ms tarde,
Pegden inicia su trabajo en el Pennisylvania State University donde lo disea como un lenguaje
de modelamiento para propsitos generales, incluyendo facilidades de manufactura muy tiles
en modelamiento de sistemas complejos de manufactura.
Desde su implementacin inicial en 1984, ha sido continuamente refinado por System
Modeling Corporation, y en 1998 y 1989 el lenguaje fue completamente rediseado dando
origen a SIMAN/Cinema.
El ambiente de modelamiento en SIMAN se desarrolla entre el Modeling y el Experiment; en el
primero se describe las componentes del sistema y sus interacciones y en el segundo se definen
las condiciones del experimento (longitud de la corrida, condiciones iniciales).
SIMAN modela un sistema discreto usando la orientacin al proceso; es decir, en un modelo de
sistema particular, se estudian las entidades que se mueven a travs del sistema. Una entidad
para SIMAN es un cliente, un objeto que se mueve en la simulacin y que posee caractersticas
nicas conocidas como atributos. Los procesos denotan la secuencia de operaciones o
actividades a travs del que se mueven las entidades, siendo modeladas por el diagrama de
53

bloques.
Usted construye un diagrama de bloque en un flowchart grfico, seleccionando y combinando
bloques. Despus, interactivamente, usando un editor especial se activa el generador
automtico de las sentencias del modelo desde el ambiente grfico. Los bloques de SIMAN se
clasifican en 10 tipos bsicos.

SLAM II
El SIMPSCRIPT y el GASP IV son los lenguajes de programacin de eventos ms destacados.
SLAM es un descendiente de GASP IV que ofrece tambin recursos de simulacin de redes y
continuos, estando ambos codificados en FORTRAN.
Desde los lenguajes orientados a los procesos, existe representacin de modelos en bloques
como GPSS y SIMAN y los basados en redes como Q-GERT y SLAM.
Con la llegada del PERT, se plantearon situaciones de redes complejas, en tanto a ramificacin
por efecto de una decisin y loop para conseguir que varias actividades se realicen de modo
repetitivo, trayendo consigo el desarrollo del GERT (Graphical Evaluation and Review
Technique), por Pritoker y Elaghraby; quienes lo aplicaron para el programa Apolo.
El lenguaje Q-GERT signific la respuesta al clculo de estimacin de probabilidades de
terminacin en cada nodo y la distribucin de tiempos y costos para la realizacin de cualquier
nodo, la estructura bsica de un modelo de simulacin Q-GERT es una red compuesta de nodos
y actividades (bifurcaciones). SLAM es una variante de QGERT que ofrece recursos de eventos
de redes y discretos (y tambin simulacin continua).
SLAM II (Simulation Languaje for Alternative Modeling) es un lenguaje de simulacin por el
cual se pueden construir modelos con orientacin al proceso o al evento. SLAM fue
desarrollado en 1979 por Dennis Pedge y Alan Pritsker y es distribuido por Pritsker
Corporation (indianapolis, Indiana). La parte de SLAM que se orienta a los procesos emplea
una estructura reticular compuesta por smbolos de nodos y ramas tales como colas, servidores
y puntos de decisin. Modelamiento significa incorporar esos smbolos a un modelo de red que
representa el sistema y en donde las entidades (tems) pasan a travs de la red. SLAM contiene
un procesador que convierte la representacin visual del sistema a un conjunto de sentencias.
La parte orientada a los eventos permite incluir rutinas en FORTRAN para las relaciones
lgicas y matemticas que describen los cambios en los eventos.
Un modelo continuo es especificado por las ecuaciones diferenciales o de diferencia, el que
describe la conducta dinmica de las variables de estado. El modelador codifica esas
ecuaciones en FORTRAN, empleando un juego especial de arreglos de almacn SLAM.
El SLAM simplifica el modelado de sistemas complejos, combinando el uso fcil de lenguaje
de proceso como GPSS y Q-GERT con la potencia y flexibilidad del lenguaje de eventos GASP
IV.

54

4.2 Aprendizaje y uso de un simulador.

Como se presento anteriormente, existen en el mercado una gran diversidad de paquetes de
simulacin.
Uno de los paquetes ms conocidos y utilizados es el GPSS (General Purpose Simulating
System en espaol, Sistema de Simulacin de Propsito General)
En esta seccin se realizar una presentacin breve del lenguaje de la simulacin, ya que para
la presentacin del lenguaje podra ser objeto de un curso. Se realizara una descripcin del
simulador, aplicaciones bsicas para tener una idea de su funcionamiento.
Para tener una concepcin ms amplia puede consultar simulacin de sistemas para
administracin e ingeniera de Garca- Sierra y Guzmn.
GPSS es un lenguaje interactivo desarrollado a principios de la dcada de 1960 cuyo autor es
Geoffrey Gordon. El objetivo de GPSS es la modelacin de sistemas discretos.
Cualquier sistema por simular en este lenguaje se describe por medio de un diagrama de
bloques los cuales representan las actividades, unidos mediante lneas que indican la secuencia
que seguirn las transacciones que a su vez fluyen a travs de los bloques.
Por medio del sistema simulado podemos mover entidades que dependen de la naturaleza del
sistema. Por ejemplo en un sistema de transporte por carretera se refiere a los vehculos que
transitan; en un sistema de comunicacin seran los mensajes; en un sistema de informacin
seran los registros de datos ye en un sistema productivo el movimiento de piezas.
la simulacin mediante GPSS se realiza con dos elementos bsicos conocidos como
transacciones y bloques.
Una transaccin es aquello que fluye a travs del sistema, por ejemplo: piezas, rdenes de
produccin, operarios, mecnicos, etc.
Los bloques definen cualquier operacin o actividad que realiza una transaccin dentro del
sistema, por ejemplo: entradas a un almacn, inicio de proceso, salida de almacn, fin de
proceso, ensamble, desensamble, etc.
Conceptos de programacin en GPSS
Un programa en GPSS puede ser visualizado desde dos puntos de vista; el primero, dentro del
contexto de programacin por bloques ya descrito; el segundo, dentro del contexto de cadenas
de eventos. Por lo general es ms sencilla la visualizacin de la simulacin dentro del primero
de ellos, y es posible programar modelos validos sin considerar el concepto de cadenas de
eventos. Se entiende por cadena de eventos el lugar donde se envan las transacciones que
durante su recorrido a travs del modelo o bloques encuentra una condicin de bloqueo que les
impide seguir un cambio libremente.
Existen dos tipos de bloqueo: a) bloqueo de retraso o b) bloqueo condicional.
a) El bloqueo de retraso consiste en la entrada de una transaccin a un bloque que retardara su
tiempo de avance; en otras palabras la transaccin estar en el tiempo t1 y saldr del bloque en
el tiempo t2, en el intervalo entre estos dos tiempos, la transaccin permanece, a los ojos de un
programador, por bloques en el bloque retardante, sin embargo, a los ojos de un programador
por eventos, la transaccin para formar parte de la cadena de eventos futuros, a la que entra en
t1 y sale en t2.
En GPSS existen solo dos bloques retardantes: el GENERATE, que coloca la transaccin en la
cadena de eventos futuros hasta el tiempo que deba de entrar al sistema y el ADVANCE, que
coloca la transaccin en la cadena de eventos futuros hasta que haya cumplido con su retraso
asignado.
55

b) El bloque condicional ocurre cuando una transaccin intenta entrar a un bloque y encuentra
un impedimento fsico o una condicin no cumplida en el bloque; por ejemplo, una transaccin
que intenta entrar a un bloque que simula una maquina, y dicha maquina se encuentra
trabajando con otra transaccin o esta descompuesta. Entonces la transaccin queda bloqueada
hasta que la maquina se desocupe o quede reparada. Hablamos en programacin por bloques,
en apariencia la transaccin queda suspendida en el espacio esperando su entrada al bloque que
se lo impide. Sin embargo, esa transaccin es enviada a esperar su destino a la cadena de
eventos actuales, hasta que la condicin de bloques desaparezca y pueda continuar su camino.
En este sentido en GPSS existen muchos bloques que actan sobre las transacciones; por
mencionar algunos, SEIZE, GATE, TEST y ENTER.
Estructura del lenguaje.
Dentro de un programa de GPSS se pueden distinguir cuatro tipos de instrucciones, cada una
de las cuales se detalla a continuacin:
Instrucciones de acceso al sistema GPSS
Estas instrucciones permiten al usuario el acceso al compilador del GPSS y dependen de cada
tipo de versin utilizada: en este punto se recomienda hacer referencia al manual respectivo.
Instrucciones de definido de variables
Son un tipo de instrucciones especiales de carcter opcional; su inclusin depende del sistema a
modelar. Estas instrucciones siempre se encuentran relacionadas con las instrucciones de lgica
del programa. Dentro de las instrucciones se encuentran las siguientes: definicin de las
funciones a utilizar, definicin de la capacidad de los almacenes, definicin del numero de
operarios o maquinas por estacin, inicializacin de variables, definicin de las operaciones
matemticas por utilizar, etctera. A continuacin de muestra una lista de las definiciones ms
comunes utilizadas en GPSS:
Definicin de funciones
Definicin del nmero de mquinas
Definicin de matrices
Asignacin numrica a variables
Inicializacin de variables
Definicin de histograma
Definicin de operaciones

FUNCTION
STORAGE
MATRIX
EQU
INITIAL
TABLE
VARIABLE y FVARIABLE

Instrucciones de lgica del programa

Este tipo de instrucciones son las conocidas como bloques; son las que se ejecutaran durante la
simulacin; la lgica depender de cada sistema que se desee simular. Teniendo en cuenta la
funcin que realizan, una clasificacin de los bloques o instrucciones de lgica es la siguiente:
Simulacin de inicio de proceso y captura de mquina

SEIZE
ENTER
PREEMPT

Simulacin de fin de proceso y liberacin de mquina

RELEASE
LEAVE
RETURN
56

Simulacin de entradas de transacciones a un almacn

QUEUE
ENTER
LINK

Simulacin de salidas de transacciones a un almacn

DEPART
ENTER
UNLINK

Simulacin de entrada de transaccin del sistema

GENERATE
SPLIT

Simulacin de salidas de transacciones del sistema

TERMINATE

Simulacin de diversos tipos de procesos

ADVANCE
ASEEMBLE
MATCH
GATHER

Simulacin de control de flujo de transacciones

TRANSFER
TEST
GATE
LOGIC
SELECT
LOOP
BUFFER

Bloques de operaciones aritmticas

SAVEVALUE
MSAVEVALUE
ASSIGN
INDEX
PRIORITY

Bloques de creacin de estadsticas

TABULATE

Las instrucciones de definido de variables y de lgica del programa se codifican siguiendo un

formato general, dentro del cual se pueden distinguir los siguientes elementos:

Loc

Bloque

Parmetros

Comentarios

19

31

donde:
Loc
Representa el nombre de una etiqueta o una direccin. La etiqueta es un campo opcional y su
existencia depende de la lgica del programa. Esta localizado en la columna 2. Su funcin es
simular a las etiquetas en Fortran o Basic.
Bloque
Es la instruccin especfica por ejecutar. Representa la accin que va a llevar a cabo cada una
de las transacciones que cursan por all. Se coloca en la columna 8.
Parmetros
57

Cada bloque representa la accin por ejecutar, sin embargo, es necesario incluir un documento,
como puede ser la duracin o el lugar de dicha accin. Los parmetros son las caractersticas
individuales de cada bloque, y dependern de la lgica del sistema. Se coloca en la columna 19.
Comentarios
Es el espacio donde el usuario puede colocar cualquier indicacin o identificacin de la
instruccin.
En algunas versiones del GPSS, como en el GPSS/PC, cada instruccin debe ir precedida de un
nmero de instruccin en forma ascendente de acuerdo con la lgica, pero se utiliza solo como
referencia para la edicin del programa.
Instrucciones de control de la simulacin
Estas instrucciones son las que controlan la ejecucin, edicin, y manejo de archivos en
GPSS/PC. Las principales son: END, START, SIMULATE.
Atributos numricos estndar.
Los parmetros son datos que representan atributos de la transaccin. Adicionalmente existen
atributos de las otras entidades del sistema, tal como el nmero de transacciones en un almacn
o la longitud de una cola, que quedan disponibles a los usuarios del programa, a estos se les
llama atributos numricos estndar(SNA).
Bloques bsicos de produccin en GPSS.
Llegada del elemento. Consiste en la entrada de una transaccin al sistema.
Existen dos tipos de entrada: la primera es cuando la transaccin proviene de un elemento que
no se considera dentro del modelo, en este caso la entrada se efecta con la instruccin
GENERATE y la segunda, tiene lugar tiene lugar cuando la transaccin proviene de otro
elemento bsico de produccin.
Inicio del retraso. SE presenta cuando una transaccin no puede iniciar con la actividad por la
cual ha entrado al elemento bsico. El bloque empleado para medir el retraso es QUEUE.
Inicio de la actividad. Es el evento por medio del cual una actividad pasa de de un estado de
espera a otro de actividad, esto es posible si los recursos estn desocupados. El evento puede
ser representado por los bloques SEIZE y ENTER.
Fin del retraso. Es el punto que indica la terminacin de la espera de una transaccin al haberse
iniciado una actividad. Tiene lugar en el mismo tiempo que el evento anterior.
Actividad. Es la accin por la cual la transaccin entra al de produccin. El bloque ADVANCE
se emplea para modelar tiempos de proceso y de transporte.
Fin de la actividad. Es el evento generado al finalizar la actividad, su fin es la liberacin de los
recursos usados al realizarla. Los bloques usados son RELEASE y LEAVE.
Salida del elemento. Consiste en el abandono total del sistema o de la interconexin con otro
sistema por parte de la transaccin. Para el abandono total del sistema se usa el bloque
TERMINATE.
Principales bloques utilizados en GPSS.
A continuacin se describirn los bloques que se usan mas frecuente al realizar simulaciones
con GPSS.
GENERATE
Este bloque sirve para dar entrada a las transacciones al sistema. No existe lmite a la cantidad
de bloques GENERATE que puede contener un modelo.
Sintaxis: GENERATE A,B,C,D,E,F

58

A. Tiempo medio entre llegadas.

B. Desviacin respecto a la media.
C. Tiempo en que se genera la primera transaccin.
D. Lmite de generacin de trasacciones.
E. Nivel de Prioridad.
F. Otro valor a usar en la simulacin.
Donde:
A en la distribucin uniforme representa el tiempo medio entre llegadas y el operador B es la
mitad del ancho entre ellas. B debe ser menor que A en todos los casos.
C Se usa cuando se necesita fijar el tiempo de generacin de la primera transaccin.
D pone lmite a la generacin de transacciones. Al generar n transacciones el bloque se vuelve
inactivo.
E da prioridad a las transacciones. A mayor valor mayor prioridad.
Ejemplos:
GENERATE 8,
GENERATE 8,2
GENERATE 6,1,4
GENERATE 12,2,,50
TERMINATE
El bloque se usa para eliminar las transacciones que se encuentran activas en la simulacin. En
el momento que la transaccin entra al bloque es destruida y sale del sistema, al mismo tiempo
se decrementa el valor de START en n unidades, hasta que ste llegue a cero, detenindose con
esto la simulacin. Su funcin es contraria a la del bloque GENERATE.
Sintaxis: TERMINATE A
Donde:
A es la cantidad decremental del contador para la terminacin.
TERMINATE tiene tres funciones:
1. Remover las transacciones activas de la simulacin.
2. Contar el nmero de transacciones que hayan pasado por el sistema.
3. Finalizar la simulacin en combinacin con la instruccin START
Ejemplos:
1. TERMINATE 1
SART
50
2. TERMINATE 5
SART
100
3. TERMINATE 4
SART
80
ADVANCE
La hora del reloj se representa con un nmero entero y el intervalo del tiempo real corresponde
a la unidad que selecciona el usuario (minutos, horas, das, etc.)Este bloque representa el gasto
del tiempo, su objetivo es simular retrasos en el flujo de las transacciones de manera que pueda
visualizarse como el tiempo del proceso, transporte o servicio. El bloque permite entrar todas
las transacciones que lleguen y en l pueden existir al mismo tiempo una o ms transacciones.

59

Sintaxis: ADVANCE A,B

donde:
A. Es el tiempo medio de retardo de la actividad o servicio.
B. B. Desviacin con respecto ala media para la distribucin uniforme.
En todos los casos B debe de ser menor que el valor de A, de lo contrario ocurrir un error al
intentar manejar una transaccin en tiempo negativo.
Cuando la transaccin entra al bloque en el tiempo t, se genera un tiempo de proceso (TP) con
base a los operadores A y B, y se enva la transaccin a la cadena de eventos futuros en espera
de que el tiempo de simulacin avance hasta el tiempo t = t +TP, momento en que la
transaccin sale del bloque y contina su camino.
Ejemplos:
1. ADVANCE 8
2. ADVANCE 25,4
SEIZE
Este bloque se emplea para simular la captura de una facilidad, servidor, proceso o instalacin.
Una facilidad es una entidad que puede utilizar una sola transaccin a la vez.
El bloque funciona como un controlador del flujo de las transacciones y trabaja conjuntamente
con el bloque RELEASE. Inicialmente el bloque est ocioso(F= 0), cuando una transaccin
entra en l su estado cambia a ocupado(F=1). Si otra transaccin ella a l y el atributo
alfanumrico estndar F es 1, la transaccin es enviada a la cadena de eventos actuales en
espera de que F=0.
Sintaxis: SEIZE A
A. Identificador del servidor.
Los atributos numricos estndar (SNA) del bloque son:
F. Estatus de la instalacin.
FC. Nmero de veces que la instalacin fue capturada.
FL. Regresa a 1 si la instalacin fue prevaciada.
FR. Utilizacin fraccional de la instalacin.
FT. Tiempo promedio de utilizacin de la facilidad.
FV. Regresa a 1 si la instalacin est en estado disponible.
Ejemplos:
1. SEIZE 1
2. SEIZE CAJA
RELEASE
Es la contraparte del bloque SEIZE. Permite simular la liberacin de una facilidad que haba
sido capturada. Cambia el valor del SNA de 1(ocupado) a 0(ocioso).
Sintaxis: RELEASE A
A. Identificador del servidor
Los SNA del bloque son:
F. Estatus de la instalacin.
FC. Nmero de veces que la instalacin fue capturada.
FL. Regresa a 1 si la instalacin fue prevaciada.
60

FR. Utilizacin fraccional de la instalacin.

FT. Tiempo promedio de utilizacin de la facilidad.
FV. Regresa a 1 si la instalacin est en estado disponible.
Cada SEIZE debe de ser acompaado por un RELEASE con el parmetro A idntico.
ENTER
Tiene como funcin simular la seleccin y captura de uno o ms servidores en paralelo, y
simular la entrada, el inicio de las estadsticas y la ocupacin de un espacio dentro de la fila de
capacidad finita.
Sintaxis: ENTER A, B
A. Nombre o nmero de almacenaje por utilizar.
B. Nmero de unidades en que se decrementa la capacidad disponible de almacenaje (por
defecto 1).
La transaccin que entra al bloque capturar cualquier servidor disponible en ese momento, si
no existen servidores disponibles la transaccin es puesta en la cadena de espera.
Ejemplos:
1. ENTER 6
1. ENTER 16, 2
LEAVE
Es la contraparte de ENTER. Su objetivo es simular la liberacin de uno o ms servidores o la
salida y desocupacin de un lugar en una fila finita.
Sintaxis: LEAVE A, B
C. Nombre o nmero de almacenaje por utilizar.
D. Nmero de unidades de almacenaje (por defecto 1).
Ejemplos.
1. LEAVE 6
2. LEAVE 16,2
Informacin que genera tanto ENTER como LEAVE para los reportes estadsticos es:
Capacidad disponible para la corrida de simulacin.
Contenido promedio de uso de almacenaje.
Nmero total de transacciones que llegaron al bloque ENTER.
Tiempo promedio de servicio por cada transaccin.
Utilizacin promedio de los servidores.
Nmero de servidores que estn ocupados.
Nmero mximo de servidores utilizados en cualquier momento de la simulacin.
Los SNA de los bloques ENTER y LEAVE son:
R. capacidad disponible de almacenamiento.
S. Cantidad de almacenamiento que est en uso.
SA. Nmero promedio de transacciones que estn siendo atendidas.
SC. Nmero de transacciones que han entrado al almacenaje.
SE. Regresa a 1 si el almacenamiento est vaci y 0 de otra manera.
SF. Regresa a 1 si el almacenamiento est lleno y 0 de otra manera.
SR. Utilizacin de la capacidad de almacenaje.
SM. Nmero mximo de servidores ocupados.
ST. Tiempo promedio de utilizacin del almacenaje.
SV. Regresa a 1 si el almacenamiento est disponible y 0 de otra manera.
61

Ejemplos de transacciones que se pueden simular con los bloques SEIZE-RELEASE y

ENTER-LEAVE.
1. En un sistema de comunicaciones la transaccin es el mensaje, la facilidad es el
conmutador y el almacenaje es el troncal.
2. En un sistema de transporte la transaccin es el automvil, la facilidad es la
caseta de peaje y el almacenaje la carretera.
3. En un sistema de procesamiento de datos la transaccin es el registro, la
facilidad la lectora de cintas y el almacenaje la memoria.

STORAGE
Este es un comando mas que un bloque, el cual se utiliza junto con ENTER-LEAVE para
definir la capacidad mxima del almacenaje.
Sintaxis: STORAGE [ Nombre, ] A
Donde:
Nombre. Nombre de referencia, el cual es el mismo nombre usado en ENTER-LEAVE.
A. Capacidad total de almacenaje.
Ejemplos.
STORAGE 6
STORAGE Lnea, 6
QUEUE
Este bloque sirve para recabar estadsticas del sistema. Al usarlo obtenemos estadsticas de las
colas que se forman al momento que las transacciones esperan para usar un servidor. Este
bloque se puede visualizar como el punto de inicio para la toma de datos estadsticos de las
colas que se pueden formar.
Sintaxis:
QUEUE A, B
Donde:
A. Nombre o nmero de la cola.
B. Nmero de unidades en que se incrementa el contenido de la cola, por defecto es 1.
Ejemplo:
QUEUE Cola
QUEUE Cola, 3
SNA`s del bloque QUEUE:
Q. Tamao de la cola.
QA. Contenido promedio de la cola.
QC. Nmero total de entradas de la cola.
QT. Tiempo promedio de transaccin en la cola.
QM. Contenido mximo de la cola.
QX. Tiempo promedio por transaccin.
QZ. Total de entradas con tiempos cero de espera en la cola.
DEPART
Este bloque es la contraparte QUEUE y sirve para registrar las estadisticas que indican la
reduccin en el contenido de la cola.
Sintaxis:
DEPART A, B
62

Donde:
C. Nombre o nmero de la cola.
D. Nmero de unidades en que decrementa el contenido de entidad en la cola.
Ejemplos:
DEPART 3
DEPART cola, 5
SNA`s del bloque DEPART:
Q. Tamao de la cola.
QA. Contenido promedio de la cola.
QC. Nmero total de entradas de la cola.
QT. Tiempo promedio de transaccin en la cola.
QM. Contenido mximo de la cola.
QX. Tiempo promedio por transaccin.
QZ. Total de entradas con tiempos cero de espera en la cola.
Al utilizar los bloques QUEUE y DEPART, en los reportes aparece la siguiente informacin:
1. Nmero de entradas en la lnea de espera.
2. Contenido actual de la cola.
3. Nmero mximo de transacciones que tuvieron que esperar a ser atendidas por
el servidor en cualquier tiempo.
4. Nmero de transacciones que no tuvieron que esperar en la cola.
5. Contenido promedio de transacciones en la cola.
6. Tiempo promedio de espera por transaccin.
7. Existen otro bloques intermedios y avanzados que por cuestiones de espacio y
tiempo no se incluyen, pero en caso de requerirse en alguna aplicacin se
realizara su descripcin.
Ejemplos de simulacin de problemas con GPSS
Ejemplo 1. Una mquina produce piezas a razn de una cada 5 minutos. Conforme se
terminan, las piezas pasan con un inspector que requiere de 4 3(desviacin estandar)
minutos para examinar cada una y se rechaza aproximadamente el 10% de las piezas.
Programa
Ejemplo de produccin
SIMULATE

ACEP
RECHA

GENERATE
ADVANCE
TRANSFER
TERMINATE
TERMINATE

5
4,3
.1, ACEP, RECHA
1
1

START 1000
END

63

El bloque TRANSFER hace que una transaccin activa se dirija a una nueva ubicacin dentro
del modelo de simulacin. Esta es la modalidad aleatoria de la forma:
TRANSFER A,B,C . El operador A es una fraccin, la transaccin se dirigira a la ubicacin del
operador C con la probabilidad dada por A. La transaccin se dirigir a la ubicacin del
operador b con el complemento de la probabiliodad del operando A.

Reporte
LINE#
1
2
3
4
5
6
7
8
9
10

STMT#

IF DO

BLOCK#

LOC OPERATION

A,B,C,..

COMMENTS

5
4,3
.1,ACEP,RECHA
1
1

;crear pieza
;inspeccionar
;selecionar
;piezas acept
;piezas rechaz

SIMULATE

ACEP
RECHA

GENERATE
ADVANCE
TRANSFER
TERMINATE
TERMINATE
START 1000
END

RELATIVE CLOCK: 5001.8145 ABSOLUTE CLOCK:5001.8145

BLOCK CURRENT
1
2
3
ACEP
RECHA

TOTAL
1000
1000
1000
901
99

Conclusiones de la simulacin. Se mandaron a produccin 1000 piezas de las cuales se

aceptaron 901 y se rechazaron 99.

Ejemplo 2. Una mquina produce piezas a razn de una cada 5 minutos. Conforme se
terminan, las piezas pasan con un inspector que requiere de 4 3(desviacin estandar)
minutos para examinar cada una y se rechaza aproximadamente el 10% de las piezas. Las
piezas rechazadas son regresadas a produccin donde se corrigen sus defectos, para lo cual
se requieren 153 minutos, y luego se envan nuevamente a inspeccin. Utilizar una
facilidad para simular el hecho de que solo se puede inspeccionar una pieza a la vez.
64

Programa
*Proceso de produccin
SIMULATE
OTRA

ACEP
RECHA

GENERATE
SEIZE 1
ADVANCE
RELEASE 1
TRANSFER
TERMINATE
ADVANCE
TRANSFER,OTRA

;crear nueva pieza

4,3

;inspeccion

.1, ACEP, RECHA

1
15,3

;seleccin
;piezas aceptadas
;piezas rechazadas
;reprocesar

START 1000
END
Nota. TRANSFER,OTRA, enva la transaccin a la ubicacin OTRA.
Reporte
LINE#

STMT#

IF DO

BLOCK#

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

LOC
OPERATION

A,B,C,..

COMMENTS

;crear pieza

4,3

;inspeccionar

.1,ACEP,RECHA
1
15,3
,OTRA

;selecionar
;piezas acept
;piezas rechaz

*Proceso de
produccin
SIMULATE
1
2
3
4
5
6
7

OTRA

ACEP
RECHA

GENERATE
SEIZE 1
ADVANCE
RELEASE 1
TRANSFER
TERMINATE
ADVANCE
TRANSFER

reprocesar

START 1000
END

RELATIVE CLOCK: 5755.6055 ABSOLUTE CLOCK: 5755.6055

BLOCK CURRENT
1
OTRA
3
4
5
ACEP
RECHA
8

TOTAL
1000
1121
1121
1121
1121
1000
121
121
65

Conclusiones de la simulacin. Se mandaron a produccin 1000 piezas de las cuales se

rechazaron 121, las cuales fueron enviadas a reproceso.

4.3 Casos prcticos de simulacin.

Las aplicaciones en que comnmente se aplica la simulacin son en: los modelos de inventario
y en los modelos de lneas de espera (colas).
En los siguientes apartados se realizar una descripcin de dichos modelos y se ejemplificar
como se realiza la simulacin de cada uno de ellos.

4.3.1 Modelos de inventario.

Los modelos de inventario nos ayudan a contestar dos preguntas importantes que nos surgen
con cada producto que se mantiene en el inventario:
Cuando colocar una orden o pedido para un articulo? Y
Cunto ordenar de este artculo?
Para el desarrollo de esta seccin consideraremos el Modelo del Tamao del lote econmico
(LE)
Modelo del Tamao del lote econmico bsico.
Un sistema de inventarios (o el control de los inventarios) se puede identificar como los
componentes de un almacn donde se resguardan artculos diversos, tales como: materias
primas para elaborar productos, componentes para ensambles, artculos para venta, productos
terminados, etc. Los artculos en el inventario pueden ser solicitados o demandados por clientes
para su consumo o bien pueden ser requeridos para el proceso de produccin o ensamble de
productos.
Al almacn llegan los clientes (pueden ser internos o externos), los cuales demandan una
determinada cantidad de de artculos de su inters y esperan que su solicitud sea satisfecha por
el administrador del almacn. Si se satisface su solicitud, los clientes pueden marcharse sin
regresar nuevamente, o bien, se pueden ver afectados en el desempeo de operacin propia y en
su productividad. Esto produce un costo para el almacn y se denomina costo de faltante o de
escasez.
El almacn se surte de un proveedor el cual puede ser interno (de la empresa), como una lnea
de produccin de cierto articulo o pieza, o externos los cuales no surten de partes para la
produccin o de artculos para la venta. Cuando a los proveedores se les hace una requisicin,
estos se comprometen a entregar la cantidad ordenada en un tiempo especificado, llamado
tiempo de entrega. La orden que el almacenista realiza a su proveedor tiene un costo y se
denomina costo de ordenar.
Para la seguridad y preservacin del buen estado de los productos en el almacn se incurren en
ciertos costo(energa elctrica, recepcin y almacenaje, preservacin de reas de almacn, etc.)
llamados costo de mantener inventario o costo de almacenamiento.
El tener un inventario tiene como objetivo satisfacer la entrega de la cantidad demandada por
los clientes, decidir la cantidad a comprar a cada proveedor y cuando realizar la orden de
compra, y mantener un nivel de existencia adecuado para mantener un desempeo adecuado de
la empresa, pero manteniendo un costo mnimo.
En un sistema de inventario se pueden identificar como variables exgenas (externas) a la
demanda (en cierto perodo) y el tiempo de entrega del proveedor. El nivel de inventario
(existencias), la demanda promedio diaria, el tiempo promedio de las entregas, la cantidad a
ordenar al proveedor, el punto de reorden son variables de estado.
66

Los parmetros son el nivel inicial de inventarios, el costo de mantener una unidad en
inventario, el costo de elaborar una orden de compra (pedido), y el tiempo considerado para
realizar el experimento (tiempo total de la corrida). Las variables endgenas son costo total de
mantener el inventario, costo total de colocar las ordenes de compra, y el costo de faltantes.
En un sistema estocstico se debe de tener la funcin de probabilidad de la demanda, y la
funcin de probabilidad del tiempo de entrega del pedido.
El tamao del lote econmico, es una de las tcnicas de control de inventarios ms antigua y
conocida. Esta tcnica es relativamente fcil de utilizar, pero utiliza suposiciones entre las
cuales estn:
a. La demanda es conocida y constante.
b. El tiempo de entrega (entre la colocacin del pedido y su entrega) es constante y
conocida.
c. La recepcin del inventario es instantnea, es decir la orden se surte en un lote en un
momento dado.
d. Hay la posibilidad de descuentos por cantidad.
e. Los costos variables son: costo de preparacin de la orden y el costo de manejo o
almacenamiento.
f. Los faltantes se pueden evitar si las rdenes se colocan el momento adecuado.

Cantidad
Q

Tasa de la
demanda

Inventario
promedio (Q/2)

Tiempo

Fig. Modelo de lote optimo.

En la grfica anterior, Q representa la cantidad que se est ordenando. Si la cantidad es x, todos

los artculos llegan al mismo tiempo (cuando se recibe), por lo tanto el nivel de inventario va de
0 a x. En general, el nivel de inventario crece de 0 a Q cuando llega la orden de compra.
Si la demanda de los artculos es constante en un periodo de tiempo, el inventario disminuye a
una tasa uniforme. Cuando el nivel de inventario llega a 0, se recibe la orden colocada para
surtir el inventario, y el nivel del inventario vuelve a ser de Q unidades. Este proceso se repite a
travs del tiempo.
Costos del inventario.
El objetivo de los modelos de inventario es minimizar los costos totales.
Los costos significativos en el modelo son el costo de preparacin de la orden(costo de pedir) y
el costo de almacenaje(de mantener el inventario en el almacn). Todos los dems costos son
constantes, por lo tanto, si se reduce el costo de preparacin (pedir) y el del manejo de
inventario, se estarn minimizando los costos totales.
67

Costo total

Costo de manejo de
inventario

Costo de pedir
Fig.2 Costos del inventario

En la figura anterior se observa que la cantidad optima de pedir (ordenar) ocurre en la

intercepcin de la curvas del costo de pedir y del costo de mantener el inventario.
En el modelo de lote optimo, la cantidad optima a pedir ocurre en el punto donde el costo de
pedir es igual al costo de mantener el inventario en el almacn. Entonces debe de construir una
expresin que determine el costo de pedir, as como el costo de mantener el inventario para
luego posteriormente encontrar la cantidad que iguala a las dos expresiones.
Costo de Pedir. El costo anual de realizar los pedidos para surtir el almacn se determina con la
relacin:
Costo de pedir = (Nmero de rdenes colocadas en el ao)/ (costo de preparar un pedido),
expresado como:
C= (D/Q)/S
Donde:
D = Demanda anual en unidades.
Q = Nmero de piezas por pedido (lote optimo).
S = Costo de elaboracin del pedido.
Costo anual de mantener el inventario = (Nivel promedio de inventario)(Costo de mantener en
inventario una unidad durante un ao).
Cm = ( Q / 2 ) c
Donde:
Q = Nmero de piezas por pedido (lote optimo).
c = Costo de mantener una unidad al ao.
Igualando ambos costo: ( D / Q ) / S = ( Q / 2 ) c , y despejando para encontrar Q,
obtenemos :
Q = (2DS) / c
Una vez encontrado como decidir cuanto ordenar en una compra, la otra pregunta bsica es
Cundo debo de ordenar la compra?.
68

Los modelos ms sencillos de inventario suponen que la entrega de los articulos de la orden se
hacen de manera instantnea, por lo que la empresa puede esperar que su inventario sea cero
para colocar la nueva orden, sin embargo , sabemos que en la mayora de los casos esto no
ocurre y puede llevar de unas horas a das, semanas, etc., esto hace necesario la determinacin
del punto de reorden.
Punto de reorden.
La decisin de cuando ordenar una orden de compra se expresa como punto de reorden (R), y
se refiere al nivel de inventario en el cual debe de colocarse la orden y se expresa como:
R = ( Demanda diaria) ( Tiempo de entrega de una orden en das)
R=dL

Cantidad

Q
d

Fig. 3 Punto de reorden.

Tiempo

La demanda diaria de determina al dividir la demanda anual entre el nmero de das laborados
al ao.
Ejemplo 1. Una farmacia entre los productos que comercializa se encuentran las agujas
hipodrmicas. Est analizando sus inventarios para reducir sus costos, por lo que requiere
determinar la cantidad de agujas hipodrmicas que debe de comprar en cada orden.
La demanda anual es de 1000 unidades; el costo elaborar la orden de compra es de 10 pesos; y
el costo de mantener una unidad en el inventario es de 50 centavos al ao. Calcular el lote
ptimo de cada orden de compra y el puntote reorden.
Usando la relacin de lote optimo:
Q = (2DS) / c = [(2) (1000) (10)] /(0.5) = 40000
Q = 200 unidades.
Entonces, cada orden de compra debe de ser de 200 unidades.
Si se trabajan 250 das al ao y el proveedor tarda 5 das en surtir la compra, entonces:
R = (Demanda diaria) (Tiempo de entrega de una orden en das)
R = ( 1000 / 250 ) ( 5 ) = 20 unidades
Entonces, cada orden de compra debe de ser de 200 unidades y se debe de realizar cuando el
nivel de inventario sea de 20 unidades.
69

Con la tcnica de simulacin, es posible determinar las ventas perdidas por periodo, el
inventario promedio en existencia, as como el costo de anual de mantener el inventario ante
escenarios diferentes dados por las distribuciones del tiempo de entrega y de la demanda, con la
suposicin de las condiciones iniciales, las cuales pueden variar a juicio del analista, la cantidad
a ordenar y el punto de reorden.
Despus de analizar el comportamiento del sistema en esos escenarios cambiantes, la decisin
eficaz ser la que corresponda al costo menor del conjunto de valores obtenidos.
Ejemplo 2. Para un cierto, producto se ha determinado las distribuciones de probabilidad del
tiempo de entrega y la demanda diaria, las cuales son:
Tiempo de entrega
(das)
1
2
3
4

Probabilidad

Demanda diaria
(unidades
1
2
3
4
5

Probabilidad

0.25
0.50
0.20
0.05

0.10
0.20
0.40
0.20
0.10

Se recopilo informacin sobre los costos relevantes, obteniendo:

Costo de realizar la orden = $ 50/ orden.
Costo de mantener inventario = $ 100 / unidad/ ao.
Costo de faltantes = $ 25/ unidad.
Se supone el siguiente escenario:
El inventario inicial es de 20 unidades, la cantidad a ordenar Q = 10 unidades y el punto de
reorden R = 15 unidades y se trabajan 360 das al ao. Efectuar la simulacin para un periodo
de 15 das y calcule el costo total de operacin del sistema de inventarios.
Solucin:
La funcin acumulada de probabilidad F(x) para la demanda diaria, as como para el tiempo de
entrega son:
Tiempo de entrega (das)
1
2
3
4

f(x)
0.25
0.50
0.20
0.05

F(x)
0.25
0.75
0.95
1.00

Para determinar el tiempo de entrega de una orden (pedido) en particular, se utiliza la

transformada inversa, obteniendo:
70

Intervalo del nmero

aleatorio (R)
0.000 0.250
0.251 0.750
0.751 0.950
0.951 1.000
Demanda diaria
(unidades)
1
2
3
4
5

Tiempo de entrega (das)

1
2
3
4
f(x)

F(x)

0.10
0.20
0.40
0.20
0.10

0.10
0.30
0.70
0.90
1.00

Para generacin de la demanda diaria se utiliza de nuevo la transformada inversa y tenemos:

Intervalo del nmero
Demanda diaria (unidades)
aleatorio (R)
0.000 0.100
1
0.101 0.300
2
0.301 0.700
3
0.701 0.900
4
0.901 1.000
5
Para determinar el inventario promedio se utiliza la siguiente relacin:
Inv. Promedio = Inv. Inicial + Inv. Final / 2
Los resultados de una corrida de simulacin de 15 das son:
Dia
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Inv.
Inicial
20
18
15
12
9 + 10
18
15
10
8
3 +10
8
5
1 +10
6
3 +10

R
.238
.439
.372
.513
.071
.662
.911
.227
.977
.910
.561
.842
.987
.552
.426

Demanda
diaria
2
3
3
3
1
3
5
2
5
5
3
4
5
3
3
50

Inv.
Final
18
15
12
9
18
15
10
8
3
8
5
1
6
3
10

Inv.
Prom.
19
17
14
11
19
17
13
9
6
11
7
3
9
5
12
172

Cantidad #
faltante
orden

Tiempo
entrega

.584

.808

.700

.222

.367

La demanda total fue de 50 unidades; el inventario promedio en el periodo es de 172; no

existieron faltantes; y en total se solicitaron 5 ordenes de compra.
Costo de faltantes = 0
Costo de ordenar = $50 x 5 ordenes = $ 250
71

Costo de inventario = ( $100/ 360das) x 172 = $0.277 unidad/da x 172 das = $ 47.64
Costo total = $ 297.64
Realizar otras corridas con escenarios (cambiar valores de Q, punto de reorden y el inventario
inicial) diferentes para tomar una mejor decisin.

4.3.2 Modelo de lneas de espera.

Es comn que en los sistemas de produccin y/o de servicios se presenten situaciones de lneas
de espera o de colas en las que las unidades o clientes que llegan a recibir servicio deben de
esperar antes de que puedan obtenerlo, por ejemplo: cuando las unidades que llegan pueden
formar una lnea y recibir servicio a travs de un servidor, como en el proceso para maquinar
una pieza; tambin se puede recibir el servicio de varios servidores como en los bancos o en
las cajas del supermercado.
El tiempo que esperan los clientes, el congestionamiento de transito, el tiempo ocioso de los
servidores, etc., se traduce en costos que afectan a la productividad de las organizaciones. Por
esto, es importante conocer el funcionamiento de los sistemas de lneas de espera, como se
comportan las llegadas, los tiempos de servicio y cual es el orden de atencin de las llegadas,
para as poder tomar decisiones que lleven a minimizar el tiempo desperdiciado y con ello lo
costos, incrementando la productividad.
La problemtica principal de las lneas de espera es que cuando las colas son grandes los
clientes tienen que esperar demasiado tiempo y como va aumentando estos abandonan el
sistema, lo que ocasiona que la empresa pierda ingresos por las transacciones no realizadas.
Para tratar de disminuir el abandono, se aumentan las instalaciones de servicio a los clientes,
pero esto trae consigo un aumento en los costos de inversin, operacin y mantenimiento, el
cual es proporcional l nmero de estaciones de servicio disponibles.
En Investigacin de Operaciones, los modelos matemticos no optimizan una funcin de
efectividad, como lo hacen los modelos de programacin matemtica, sin embargo,
proporcionan resultados que se pueden utilizar para costear comparativamente entre diversas
alternativas simuladas de la operacin de un sistema.
Los principales elementos de una lnea de espera o cola son: los clientes, la cola, el servidor.
Los clientes que llegan a una cola pueden esperar a que se les proporcione el servicio, si la cola
est vaca puede ser atendido inmediatamente. Despus que recibe el servicio el cliente
abandona el sistema.
Los eventos que pueden ocurrir son las llegadas de los clientes, que el cliente entre a recibir
servicio o que salga de el, y que un cliente salga del sistema.
El estado de un sistema se conforma de un conjunto de estados de los elementos del sistema: el
cliente puede estar llegando, formando en la cola, recibiendo atencin o saliendo del servidor o
del sistema; el servidor puede estar ocupado u ocioso; la fila puede estar vaca o contener un
nmero de clientes; el sistema puede estar funcionando o no.
La variable exgena no controlable es el nmero de clientes por unidad de tiempo que llegan a
la cola.
Otras variables del sistema son: nmero de clientes atendidos por unidad de tiempo, nmero de
clientes en la cola, nmero de clientes en el sistema, tiempo que los clientes esperan en la cola,
el tiempo que los clientes esperan en el sistema.
Sistema de colas con un servidor.
Se tendra como objetivo: estimar el tiempo promedio entre llegadas, el tiempo promedio de
espera en la cola.
Las variables de estado seran: servidor ocupado, servidor ocioso, nmero de clientes que
esperan en la cola y tiempo de llegada de cada cliente en la cola. El estado del servidor es til
para determinar si el cliente puede ser atendido cuando llega.
72

Una relacin funcional de la cola es la prioridad en el servicio, se supone que los clientes son
atendidos de acuerdo al lugar que ocupan en la cola: el que llega primero se atiende primero.
Los parmetros de inters en las lneas de espera son:
Lq Nmero esperado de clientes en la cola.
L Nmero de clientes en el sistema (en la cola y recibiendo servicio).
Wq Tiempo promedio de espera en la cola
W Tiempo promedio de espera en el sistema.
Ln Nmero promedio en una cola no vaca. El promedio excluye los periodos en que la cola
est vaca.
Wn Tiempo estimado de espera en una cola no vaca. Tiempo estimado que espera un cliente
en la cola en caso que decida esperar. Es el promedio de los tiempos de espera cuando el canal
est ocupado.
Anlisis de colas con poblacin infinita, con un servidor.
Las siguientes ecuaciones analticas modelan el comportamiento del modelo de una cola, con
un servidor que da servicio a una poblacin infinita. El modelo considera que las llegadas
siguen una distribucin Poisson y que los servicios se distribuyen exponencialmente.
Sean:
= tasa de llegadas (unidades / periodo de tiempo), y
= tasa de servicio (unidades / periodo de tiempo)
Las siguientes ecuaciones son validas si >
Factor de utilizacin del sistema: = /
La probabilidad de hallar el sistema vaci u ocioso:

Po = 1 ( / )

La probabilidad de que haya n unidades en el sistema:

P1 = ( / ) Po
Pn = ( / )n Po
Lq = 2 / [ ( )]

Nmero esperado de clientes en la cola:

Nmero esperado de clientes en el sistema (cola y servicio): L = / ( )

Numero esperado en la cola no vaca:

Ln = / ( )

Tiempo promedio de espera en la cola:

Wq = / [ ( )]

Tiempo promedio que pasa en el sistema:

W = 1 / ( )

Tiempo esperado en la cola para colas no vacas: Wn = 1 / ( )

Ejemplo 3. En un taller de mantenimiento de computadoras, tienen un tcnico que es capaz de
instalar discos duros a una tasa promedio de 3 por hora(aproximadamente uno cada 20
minutos), de acuerdo a una distribucin exponencial negativa. Los clientes llegan solicitando
servicio a un promedio de 2 por hora, siguiendo una distribucin Poisson. Los clientes son
atendidos de acuerdo como van llegando.
Determinar:
a. El factor de utilizacin del sistema.
b. Nmero promedio de clientes en la cola.
c. Nmero promedio de clientes en el sistema.
d. Tiempo promedio de espera en la cola.
73

e. Tiempo promedio que pasa un cliente en el sistema.

f. Si el costo de oportunidad (ventas futuras) y de espera de los clientes es de $100/hora;
y el salario del tcnico es de $150 / da (la jornada es de 8horas/da).
Determinar el costo total estimado por da.
Solucin:

= 2 clientes/hora;

= 3 clientes /hora.

a. El factor de utilizacin del sistema.

= / = 2 / 3 = 0.67
b. Nmero promedio de clientes en la cola.
Lq = 2 / [ ( )] = 22 / [3 (3 2) = 1.33 clientes
c. Nmero promedio de clientes en el sistema.
L = / ( ) = 2 / (3 2) = 2 clientes
d. Tiempo promedio de espera en la cola.
Wq = / [ ( )] = 2 / [3 (3 2)] = 0.67 horas
e. Tiempo promedio que pasa un cliente en el sistema
W = 1 / ( ) = 1 / (3 2) = 1 hora
f. Costo total estimado por da.
Costo total = costo de oportunidad o espera del cliente + costo del servicio.
Costo de espera del cliente:
Un cliente espera en promedio (Wq) 0.67 horas y se atienden al da 16 clientes, entonces los
clientes esperan: (.67 x 16) = 10.67 horas en un da
Costo de espera = 10.67 x 100 = $ 1067/ da
Costo total = 1067 + 150 = $ 1217/da

Ejemplo 4. Una compaa de transporte de pasajeros, ha programado que sus autobuses pasen
por la poblacin conocida como El ciricote cada 15 minutos, pero debido a las condiciones
climticas y las condiciones del camino, el tiempo de arribo de los autobuses a la terminal de
autobuses de la poblacin sigue una distribucin de probabilidad normal con media de 15
minutos y desviacin estndar de 3 minutos. En nmero de asientos vacos en los autobuses se
distribuyen segn una distribucin Poisson con media de 1.5 por autobs. Los pasajeros que
llegan para abordar el autobs lo hacen siguiendo una distribucin Poisson con media de 4 por
hora.
Se supone que la disciplina de servicio es primero que llega, primero que se sirve; no se
permite viajar de pie; los pasajeros que llegan estn dispuestos a esperar el tiempo necesario
para abordar; la poblacin es infinita y la capacidad de la sala tambin.
Efecte la simulacin para los primeros 10 pasajeros y registrar el tiempo promedio de espera
de los pasajeros y la longitud promedio de la cola.
Nota. Este problema an cuando es cotidiana es difcil de resolver por mtodos analticos,
siendo ms fcil utilizar la simulacin para su solucin.
Solucin.
De inicio es necesario determinar los generadores de las variables aleatorias correspondientes a:
el tiempo de llegadas de los pasajeros; la llegadas de los autobuses a la Terminal; y la
disponibilidad de asientos en cada autobs.
74

Las llegadas de los pasajeros siguen una distribucin exponencial negativa, con un tiempo
medio entre llegadas de 15 minutos (4 pasajeros por hora). El generador de las muestras para la
simulacin es:
x = - ln ( R ) ; entonces
x = -1.5 ln ( R )
Realizando los clculos correspondientes para las llegadas de los pasajeros, obtenemos:
Pasajero Nmero aleatorio
Uniforme (R)
1
.428
2
.848
3
.881
4
.494
5
.178
6
.475
7
.231
8
.912
9
.654
10
.417

Tiempo entre
llegadas (minutos)
12.7
2.5
1.9
10.6
25.9
11.2
22.0
1.4
6.4
13.1

Tiempo reloj de llegadas

Pasajeros (minutos).
12.7
15.2
17.1
27.7
53.6
64.8
86.8
88.2
94.6
107.7

En relacin a los asientos vacos en los autobuses que llegan a la Terminal, su funcin de
distribucin es la Poisson, con media de 1.5 asientos vacos por autobs y el generador de la
variable aleatoria se obtiene con la tabla de la transformada inversa consturida con la relacin:
f(x) = x e

/ x! =

1.5 x e

-1.5

/ x! , con x=1,2,3

Las tablas de frecuencia acumulada y de la transformada inversa son:

x

f(x)

F(x)

Intervalo de R

0
1
2
3
4
5
6

.223
.335
.251
.125
.047
.014
.005

.223
.558
.804
.934
.981
.995
1.000

.000 R < .223

.223 R < .558
.558 R < .804
.804 R < .934
.934 R < .981
.981 R < .995
.995 R < 1

Valor generado
x asientos vacos
0
1
2
3
4
5
6

Para generar el tiempo de las llegadas de los autobuses, se considera que sigue una distribucin
normal con media de 15 minutos y desviacin estndar de 3 minutos, por lo tanto el generador
de las muestras es :
x = + ( Ri 6 ) , con i =1 hasta 12
Para calcular un valor de x, se requiere generar 12 valores de R en la relacin Ri 6
Usando el generador de tiempos de llegadas de los autobuses y la tabla de generacin de
asientos vacos en los autobuses, obtenemos la siguiente tabla:
Autobs
1
2
3
4

Tiempo entre
llegadas
16.3
20.5
15.0
15.0

Tiempo en reloj de llegadas

autobs
16.3
36.8
51.8
66.8

Nmero aleatorio
Uniforme (R)
.762
.121
.177
.434

Nmero asientos
vacos
2
0
0
1

75

5
6
7
8
9
10
11
12

12.7
13.2
11.0
17.2
12.1
13.0
13.9
15

79.5
92.7
103.7
120.9
133.0
146.0
159.9
174.9

.625
.931
.354
.644
.182
.309
.319
.601

2
3
1
2
0
1
1
2

A continuacin se muestra los resultados de la corrida del tiempo de espera de los pasajeros.
Pasajero
1
2
3
4
5
6
7
8
9
10

Reloj llegada
pasajero
12.7
15.2
17.1
27.7
53.6
64.8
86.8
88.2
94.6
107.7

Autobs (asientos
disponibles)
1
(2)
4
5

(1)
(2)

(3)

7
8

(1)
(2)

Reloj abordo pasajero

(llegada autobs)
16.3
16.3
66.8
79.5
79.5
92.7
92.7
92.7
103.7
120.9

Tiempo espera
pasajero.
3.6
1.1
49.7
51.8
25.9
27.9
5.9
4.5
9.1
13.2

El total de tiempo de espera de los pasajeros fue de 192.7, lo que arroja un tiempo promedio de
espera de 19.27 minutos. El tiempo de la corrida es de poco ms de 2 horas.
La siguiente tabla muestra en la corrida de simulacin la longitud de la cola de los pasajeros.
Autobs Reloj de llegada
1
2
3
4
5
6
7
8

16.3
36.8
51.8
66.8
79.5
92.7
103.7
120.9

Asientos
vacos.
2
0
0
1
2
3
1
2

Longitud de
cola
2
2
2
4
3
3
1
1

Pasajeros en
la cola
1,2
3,4
3,4
3,4,5,6
4,5,6
6,7,8
9
10

Pasajeros
abordo
1,2
3
4,5
6,7,8
9
10

Se observa que la longitud promedio de la cola es de 2.25 pasajeros.

Para obtener resultados ms cercano a la realidad y por lo tanto el tomar mejores decisiones, es
necesario que el tamao de la corrida sea mayor (determinando el tamao adecuado al nivel de
confiabilidad requerido en el estudio y el error aceptado en la estimacin.

76

6 Planeacin estratgica. N

6 Planeacin Tctica. n

77

Unidad 5
Unidad integradora.
Unidad 5.- Unidad integradora.
5.1 Caso de estudio: anlisis, modelado y simulacin de un sistema o subsistema
de servicios o productivo de una empresa para detectar las mejoras posibles a
realizar.
El caso de estudio tiene como objetivo la aplicacin del proceso de un estudio de simulacin a
una situacin en un sistema o subsistema real, se usar el modelo propuesto por Robert E.
Shannon el cual considera las siguientes etapas:
1. Definicin del sistema. Su objetivo es determinar los lmites o fronteras, las restricciones y
las medidas de efectividad que se usarn para definir el sistema que se estudiar.
2. Formulacin del modelo. Consiste en la abstraccin o reduccin del sistema real a un
diagrama de flujo lgico.
3. Preparacin de datos. Identifica los datos que el modelo requiere y realizar la reduccin de
estos a una forma adecuada.
4. Traslacin del modelo. Se realiza la descripcin del modelo en un lenguaje aceptable para la
computadora que se usar.
5. Validacin. Consiste en incrementar a un nivel de confianza aceptable la inferencia obtenida
del modelo respecto al sistema real.
6. Planeacin estratgica. Disea el experimento que producir la informacin deseada.
7. Planeacin tctica. Consiste en la determinacin de cmo se realizar cada una de las
corridas de prueba especificadas en el diseo experimental.
8. Experimentacin. Realizar las corridas de simulacin para generar los datos deseados y
efectuar el anlisis de sensibilidad.
9. Interpretacin. Obtener las inferencias respecto al sistema real con base en los datos
generados en la simulacin.
10. Implantacin. Usar el modelo y/o los resultados.
11. Documentacin. Es el registro de las actividades del proyecto y los resultados as como de
la documentacin del modelo y su uso.

El desarrollo del estudio se realizar de acuerdo al avance del programa, para que sea posible la
aplicacin prctica de los conceptos tratados en el saln de clase.

Para el seguimiento de la simulacin de un sistema o subsistema real, se verificar su avance y

se realizar la realimentacin necesaria durante el curso, pero para fines de evaluar el avance
del estudio se establecen 3 eventos, en los cuales se entregaran los resultados parciales y final
del estudio de simulacin.
El proyecto de simulacin se sugiere realizarlo por equipos de 4 a 5 alumnos, con el fin de
tener varias perspectivas y opiniones diversas en el desarrollo de cada una de las etapas del
estudio.
78

Primer reporte parcial.

Este evento es posible iniciarlo al finalizar la primera semana del curso, pretende la realizacin
de las etapas:
Definicin del sistema y
Formulacin del modelo.
Se requiere que consideren inicialmente dos empresas donde puedan realizar el simulador (no
importa el tamao), que las visiten y recaben la siguiente informacin:

Nombre de la empresa.

Ubicacin.

Giro o actividad de la empresa.

Organigrama.

Proceso de trabajo, de manera general.

Esta informacin recabada la deben de exponer en clase durante 10 minutos, se realiza una
retroalimentacin y se solicita que seleccionen en cual empresa realizarn el estudio, tomando
en consideracin la ubicacin y disponibilidad de esta para otorgar las facilidades para la
realizacin del proyecto.
Una vez definida la empresa, se debe de definir el problema a resolver con el simulador, por lo
que es necesario realizar el diagnostico de sntomas para determinar los posibles problemas y
seleccionar el que sea ms factible de resolver.
Se debe elaborar un diagrama general (de bloques) del proceso del sistema o subsistema que
afecta directamente al problema que se defini para el estudio, anexando una breve descripcin
del mismo.
Continuar con la elaboracin de un modelo (formulacin del modelo) que describa el sistema o
subsistema que se relaciona directamente con el problema definido. Se recomienda elaborar un
diagrama de flujo del proceso, incluyendo una descripcin de l.
Elaborar y entregar el reporte con la informacin recabada y generada durante este periodo.
Segundo reporte.

79

Esta etapa, tiene como objetivo dar el seguimiento del modelo realizado anteriormente, hasta
obtener el modelo de simulacin ya programado en un lenguaje de computadora, listo para
realizar las corridas de simulacin que se requieran en la experimentacin.
.
Se pretende que se abarquen las etapas:
Preparacin de datos
Traslacin del modelo
Validacin
Planeacin estratgica
Se solicita que en el trabajo por equipo:
1. Se identifique en el modelo previamente elaborado, el cual se utilizara para la simulacin,
los elementos relevantes que lo conforman (ver apartado 1.2), como son:
a. Parmetros. Cantidades a los cuales el analista asignarle valores arbitrarios, de acuerdo a sus
necesidades. Una vez establecidos, son constantes y no varan durante la corrida, por ejemplo
Cantidad de inventario inicial, repartidores necesarios por da, periodo de compra, etc.
b. Variables. Su valor puede cambiar durante la ejecucin del experimento. Los valores que
puede tomar es de acuerdo a la funcin permitida. Las variables pueden ser de entrada o
endgenas.
c. Restricciones. Son las limitaciones impuestas a los valores de las variables o la manera en
que los recursos pueden consumirse o asignarse.
d. Funcin objetivo. Es la definicin explicita de los objetivos y metas del sistema y como se
evaluar. Los objetivos pueden ser retentivos o adquisitivos.
La definicin de la funcin objetivo debe de ser una especificacin inequvoca de las metas y
objetivos contra los cuales se van a medir las decisiones.
Una vez determinada(s) la(s) variable(s) de entrada requeridas por el modelo, se realiza la
recoleccin de datos o estadsticas que posea la empresa o bien se generan, y deben de
prepararse para que puedan ser ingresados (ver apartado 1.5).
Es importante definir con claridad y exactitud los datos que el modelo va a requerir para lograr
los resultados deseados.
La informacin requerida se puede obtener de registros contables, de diversos reportes de la
empresa, de opiniones de expertos, de anlisis estadstico y si no hay otro remedio de la
experimentacin (o de la observacin directa).
La compilacin de los valores de la variable(s) de entrada(s), sirve para:
a. La elaboracin del la distribucin de frecuencias de la variable (as como para
b. La determinacin de la distribucin de probabilidad que sigue(n) y
c. La generacin de los valores de la muestra de valores de la variable(s) aleatoria(s) que se
usarn en el simulador (consultar el apartado 3.4).

80

2. Realizar la descripcin del modelo en un lenguaje aceptable para la computadora que se

usar para la realizacin del experimento, tericamente, se debera de seleccionar el lenguaje
que se adapte mejor a las necesidades del experimento, Se han desarrollado tantos lenguajes
que el proceso de seleccin se hace muy complejo, dado que se requiere un conocimiento de
cada uno de ellos para determinar sus ventajas y desventajas. En la prctica, se recomienda
utilizar un lenguaje de propsito general que domine el analista para expresar el diagrama de
flujo del modelo que representa el sistema o subsistema en estudio (ver apartado 1.6)

3. Validar el modelo a utilizar en la experimentacin. Recordemos que el objetivo de la

validacin es alcanzar un nivel de confianza aceptable por parte del usuario, de las inferencias
que se logren con la aplicacin del modelo.
El modelo se basa en las experiencias de su diseador, y no es determinar si este es correcto,
debido a la gran cantidad de factores que intervienen durante su elaboracin. Lo que nos
importa en la validacin es la utilidad de los resultados que se obtienen.
No existe una prueba nica de validacin. Se deben de realizar diversas pruebas a lo largo del
proceso de desarrollo del modelo para de crear confianza (ver apartado1.6).
Tres posibles pruebas para validar el modelo:
Primera, cerciorarse que el modelo tenga validez en forma general.
La segunda prueba es la de suposiciones y
La tercera es la prueba de transformaciones de entrada-salida.
Otras formas de validar son:

La exactitud con que se predicen datos histricos (pasados).

La comprobacin de falla del modelo de simulacin al utilizar datos que hacen fallar el
modelo.

La opinin de expertos sobre los resultados del modelo.

La aceptacin y confianza en el modelo de la persona que har uso de los resultados.

4. Elaborar el diseo del experimento. Se selecciona un planteamiento particular del sistema,

para obtener la informacin requerida que nos brinde el conocimiento claro y suficiente para
realizar las inferencias requeridas en el estudio.
a. Una de las primeras decisiones de la planeacin estratgica es decidir como correr el
modelo:

Periodo fijo durante la corrida en trminos de tiempo (semanas, das, horas, etc.)

81

Experimentacin completa del sistema ( la corrida se realiza por un largo periodo de

tiempo).

Cada transaccin es una muestra individual.

b. Otra decisin es la seleccin de los elementos que conforman el modelo, establecer:

Las variables de entrada y las de salida.

Establecer los criterios de diseo: Nmero de variables, valores que puede tomar cada
variable, las medidas de las variables de salida (respuestas).

c. Por ltimo, establecer el diseo funcional del modelo. El diseo funcional se desarrolla en
relacin a lo que puede hacerse, por lo tanto, se debe de realizar una sntesis de los elementos
del sistema, teniendo en consideracin el principio de pareto,
el cual establece el 20% de los factores se encargan del 80% del comportamiento de un
sistema.
Elaborar y entregar el reporte con la informacin recabada y generada durante este periodo.

Reporte final.

Durante este periodo de seguimiento se pretende la realizacin de las etapas:

Planeacin tctica.
Experimentacin.
Interpretacin.
Implantacin.
Documentacin.
1. En el primer apartado se determinan las condiciones de inicio de ciertos parmetros que son
de utilidad para la solucin del problema en estudio, como son: la cantidad a comprar en cada
pedido; el inventario de inicio, el inventario de seguridad; el nmero de personas para la
atencin, la cantidad de repartidores; etc. Recordemos que estos valores pueden variarse en
cada corrida del experimento y sirven para tener un mejor conocimiento del sistema y la
sensibilidad de las variables de inters ante ciertos cambios.
82

Otro aspecto primordial es la determinacin del tamao de la muestra, para lograr este fin,
primero se establece la confiabilidad deseada del estudio ( generalmente 95%), as como el
error permitido en la estimacin (ver apartado 1.6).
Para la aplicacin de la relacin matemtica para la determinacin del tamao de la muestra, se
aplica el modelo de simulacin para la obtencin de una muestra inicial con al menos 30
valores de la variable de salida de mayor inters.

2. Realizar las corridas con el tamao determinado anteriormente, registrando los resultados de
cada corrida, compilando los valores de las variables de respuesta obtenidos.
Se realizaran la cantidad de experimentos que se requieran de acuerdo a los supuestos
establecidos en la planeacin estratgica.

3. Con los resultados de la experimentacin, se debe de determinar como influyen los valores
de los parmetros en los valores de las respuestas finales, es decir el efecto que estos
provocaron.

4. El objetivo de la realizacin de un estudio de simulacin es entender y mejorar el desempeo

del sistema, y esto se logra cuando se ponen en prcticas las acciones derivadas del
funcionamiento del simulador.
Por las condiciones propias del programa de estudio, no es posible realizar la implantacin del
modelo, dado que requiere de tiempo para lograr la aceptacin de los usuarios, pero si es
posible establecer las conclusiones obtenidas de las inferencias deducidas con el simulador
para ser aplicadas en el sistema real.

5. La ltima etapa es la documentacin del sistema, en la cual describe lo que es el sistema, lo

que puede hacer y como funciona. Se proporciona informacin necesaria a quien o quienes lo
utilizarn o evaluarn.

La documentacin a presentar es:

Documentacin General.

Manual de procedimientos.

Documentacin de los programas.

Entregar toda la documentacin del sistema y realizar una demostracin del funcionamiento.

5.2 Validacin del sistema de simulacin

83

Cuando est trabajando el modelo del sistema e incluso cuando se encuentra en construccin,
se debe de realizar el proceso de verificacin y posteriormente la validacin. La verificacin es
el proceso para asegurar que el modelo se comporta como se planeo. La validacin tiene como
tarea asegurar que el modelo se comporta de la misma forma que el sistema real que representa.
Par realizar la verificacin debemos de comenzar con lo obvio.
Si el sistema tiene varias partes, debemos modificarlo para que funciones solo una parte de l y
observar el flujo en el sistema. Repetir esto para las otras partes del modelo. Los resultados
deben ser predecibles.
Cambie la mezcla de las partes; los tiempos de proceso, de entrega de mercancas; repartidores
disponibles; demanda diaria; etc., para crear una variedad de situaciones donde la lgica de su
modelo podra fallar.
Si encuentra problemas corrjalos.
El modelo de un sistema debe de crearse para un propsito especfico, y su validez debe
evaluarse en trminos de l. La meta es crear un modelo que genere los mismos problemas y
comportamientos del sistema real que se est estudiando.
La validacin del modelo tiene como objetivo alcanzar un nivel de confianza aceptable de que
las inferencias que se obtienen del modelo sean correctas y aplicables al sistema real.
No es posible establecer un modelo completamente como vlido, dado a la gran cantidad de
variables y parmetros que se presentan en le sistema real, se puede considerar la validez del
modelo en una escala de 0 a 1, donde 0 es absolutamente invalido y 1 es absolutamente vlido.
Conforme se desee aumentar el grado de validez del modelo, el costo aumenta, por lo tanto se
debe de considerar la relacin costo-validez.
En la simulacin del sistema se utilizan nmeros aleatorios, variables aleatorias y repeticiones
del proceso para obtener resultados. Estos resultados son variables dado que en el modelo
interactan cadenas de eventos probabilsticos.
Si repetimos el experimento una cantidad suficiente de veces, es posible obtener resultados con
el grado de exactitud (confianza) que se desee.
Para realizar la validacin, se debe de retroceder e intentar visualizar los diversos escenarios a
considerar en el anlisis. Duplicar esos escenarios proyectados de la mejor manera posible y
observar si el modelo se desempea en forma adecuada. Revisar los resultados obtenidos en las
ejecuciones del modelo y preguntar son congruentes los resultados?
Para validar el modelo, se debe de comparar los resultados que genera el simulador con los
resultados del sistema real. Esta comparacin presenta dos dificultades, la primera cuando el
sistema real an no existe; o cuando an cuando este se encuentra funcionando, no existen
registro de las mtricas del desempeo del sistema o que los datos sean incorrectos o
engaosos.
Mtodos estadsticos para la validacin.
En este apartado se expondrn dos de las principales pruebas de hiptesis para validar nuestro
modelo de simulacin: la prueba de medias y la prueba de Mann-Whiney.
Prueba de medias.
Cuando deseamos conocer si el simulador se comporta de igual manera que el sistema el
sistema real, podemos utilizar la prueba de medias para saber si dos conjuntos de datos muestra
pudieron haber venido de la misma poblacin. Por ejemplo, deseamos probar que el tiempo de
atencin de la caja A es el mismo que el de la caja B.
84

Si asumimos que las poblaciones de las muestras se distribuyen normalmente, podemos utilizar
la prueba de medias, pero considerando las siguientes situaciones particulares:

Las poblaciones tienen o no varianza comn.

Los valores de la varianza son conocidos o estimados.
Si probamos una muestra contra una poblacin para la que se conoce la media real.
Si las dos muestras son de igual tamao.
El tamao de las dos muestras.

Primero se considera el problema de determinar si las dos poblaciones tienen una varianza
comn 2. Deseamos probar la hiptesis nula 2i = 2j , en contra de la hiptesis alternativa 2i

> 2j.
Para la realizacin, se determinan las varianzas de las muestras s2i y s2j y calculamos el
parmetro estadstico F con la relacin:
F = s2 (mayor) / s2 (menor)
Luego, comparamos con los valores tabulados del estadstico F, donde los grados de libertad
(tamao de la muestra menos 1) para la s2 mayor se d en la parte superior de la tabla y para la
s2 menor verticalmente en el lado izquierdo.
Si el valor de F calculado es menor que F tabulado, se acepta la hiptesis nula.
A continuacin se determina el tipo de prueba aplicable y se realiza de acuerdo a los
procedimientos de cada una. Se pueden presentar8 tipos de prueba:
a. Varianza 2 conocida y Media conocida.
Estadstico utilizado: Z, donde:
Z = X / ( / N ); donde X es la media muestral y N es el tamao de la muestra.
b. Varianza 2 conocida y Media desconocida.
Z = ( X1 - X1 ) / [ ( 21 / N1 ) +( 22 / N2 ) ]

c. Varianza 2 desconocida y Media conocida.

Se utiliza el estadstico t, donde:
t = X / (s / N ); donde s es la desviacin estndar de la muestra.
d. Varianza 2 desconocida y Media desconocida.
Si: 21 = 22 y N1 + N2 > 30, usar:
Z = ( X1 X2 ) / [ ( s21 / N1 ) +( s22 / N2 ) ]
e. Varianza 2 desconocida y Media desconocida
Si: 21 = 22 y N1 + N2 < 30, usar:

t = ( X1 X2 ) / [ ( N1 s21+ N2 s22 )/ ( N1 + N2-2) * (1/ N1 +1/ N2)]

85

f. Varianza 2 desconocida y Media desconocida.

Si:

21 22 y N1 >30, N1 = N2 ; N2 >30 , N1 N2
Z = ( X1 X2 ) / [ ( s21 /( N1-1) ) +( s22 / (N2-1) ) ]

g. Varianza 2 desconocida y Media desconocida.

Si: 21 22; N1 <30, N2 <30 y N1 = N2
t = ( X1 X2 ) / [ N( s1+ s2 )/ (2(N-1)) * (1/ 2N)]
h. Varianza 2 desconocida y Media desconocida.
Si: 21 22; N1 <30, N2 <30 y N1 N2

t = ( X1 X2 ) / [ s21/ (N1-1) + s22/ ( N2-1));

el valor de t critica se calcula con:

t = (w1 t1 + w2 t2 ) / (w1 + w2), donde:

w1 = s21/ N1;
w2 = s22/ N2;
t1 y t2 son los valores correspondientes de la distribucin t de student para N1-1 y
N2-1 grados de libertad, respectivamente.

Ejemplo 5.1 Una planta procesadora de alimentos balanceados, elabor un estudio para
simular el rendimiento de 7 semanas.
Los resultados en toneladas para el simulador y para el sistema real fueron:
Sistema
real
22.0
Simulador
24.5

22.5

22.5

24.0

23.5

19.5

25.5

20.0

18.0

21.5

21.5

Usar un error aceptado de 5% ( = 0.05) para probar que no existe diferencia significativa entre
las medias del sistema real y del simulador.

Se determina la media y varianza de las muestras y se obtiene:

Muestra 1: N1= 5; X1 = 22.9 ton.; s21= 0.68
Muestra 2 : N2= 7; X2 = 21.5 ton.; s22= 7.25
86

Para probar que no existen diferencias entre las muestras, la hiptesis nula es:
Ho = 21 = 22
Primero, calcular F;
F = s2 (mayor) / s2 (menor) = 7.25 / 0.68 = 10.66
Consultando el valor tabulado de F para = 0.05, con 6 y 4 grados de libetad, se tiene que F
tabulado es 6.16.
Como la el valor de F calculado es mayor que F tabulado, rechazamos la hiptesis de que 21
= 22 ; por lo tanto se requiere aplicar la prueba tipo h. Varianza 2 desconocida y Media
desconocida.

tobservada = ( X1 X2 ) / [ s21/ (N1-1) + s22/ ( N2-1)]

= (22.9- 21.5) / [( 0.68/ 4) + (7.5/6)] = 1.4/ 1.17 = 1.2

tcritica = (w1 t1 + w2 t2 ) / (w1 + w2);

w1 = s21/ N1 = 0.68/5 = 0.14 ;

w2 = s22/ N2 = 7.25/7 = 1.04

En tablas se encuentran los valores:

t1 (.05,4) = 2.78 ;

t2 (.05,7) = 2.78

tcritica = (0.14(2.78) + 1.04(2.45) ) / (0.14+1.04) = (0.39+2.55) / 1.18 = 2.49

Como la tobservada es menor que la tcritica, no rechazamos la hiptesis de que la medias
de las dos poblaciones son iguales.
Prueba de Mann-Whitney
Cuando las suposiciones de normalidad no son confiables, podemos utilizar esta prueba.
Brevemente se puede decir que esta prueba es posible utilizarla para verificar si dos grupos o
muestras independientes han sido obtenidos de una misma poblacin. Esta prueba se utiliza en
lugar de la prueba paramtrica t, cuando el analista no est dispuesto a aceptar las suposiciones
de para el uso de ella.
Dadas dos muestras de tamao M y N, donde M N, se coloca por rangos todas las
observaciones (de ambos grupos) de 1 a P, donde P = M +N.
Se asigna el rango de 1 a la observacin con valor ms bajo y al resto le asignamos valores en
orden ascendente. Se asigna el promedio de los rangos que a los valores que sean
coincidentes.
Si R es la suma de los rangos asignados a las observaciones en la muestra de tamao M,
podemos calcular el parmetro estadstico U de Mann-Witney, con la relacin:
U = MN + ( M (M+1) / 2 ) - R
Para determinar la significancia de U, para los experimentos que se realicen usar muestra de
tamao N mayor de 20.

87

Es posible determinar la probabilidad asociada con el valor observado de U, calculando el valor

de Z para nuestros datos y buscar el valor correspondiente en la tabla de la distribucin normal.
El valor del estadistici Z se determina con:
Z = [ U ( MN /2 ) ]

/ [ ( MN )( M + N + 1 ) / 12 ]

Ejemplo 5.2 Se realiz un simulador para un sistema de produccin de una empresa de la rama
alimentos. La corrida de simulacin del proceso es semanal.
Se simularon 22 semanas de trabajo y se poseen los datos histricos de la produccin semanal
de 18 semanas (los resultados exponen en la tabla). Pruebe si existe diferencia significativa
entre las dos muestras con = 0.05.
semana

Produccin Produccin
Real
Simulada
1
80
90
2
70
91
3
79
95
4
74
90
5
85
93
6
89
83
7
76
97
8
82
72
9
76
95
10
77
84
11
76
76
Produccin semanal real y simulada.

Semana

Produccin
Real
71
73
94
75
77
78
81

12
13
14
15
16
17
18
19
20
21
22

Produccin
Simulada
77
79
92
96
87
98
86
99
76
88
77

Usando la prueba U de Mann-Whitney:

M = 18 ; N= 22 ;

R=?

Para asignar valores de los rangos cada observacin, ordenamos de manera ascendente y
obtenemos:
Produc
70
71
72
73
74
75
76
76

Rango
1
2
3
4
5
6
7
8

Produc
76
76
76
77
77
77
77
78

Rango
9
10
11
12
13
14
15
16

Produc
79
79
80
81
82
83
84
85

Rango
17
18
19
20
21
22
23
24

Produc
86
87
88
89
90
90
91
92

Rango
25
26
27
28
29
30
31
32

Produc
93
94
95
95
96
97
98
99

Rango
33
34
35
36
37
38
39
40

Ahora es posible calcular R (suma de rangos de la muestra M), en este caso para la produccin
real.

88

Produccin Real
80
70
79
74
85
89
76
82
76

Rango
19
1
17.5
5
24
28
9
21
9

Produccin Real
77
76
71
73
94
75
77
78
81

Rango
13.5
9
2
4
34
6
13.5
16
20

La suma de los valores de los rangos de M es: R = 251.5

Calcular:
U = MN + ( M (M+1) / 2 ) - R
U = (18)(22) + ((18)(18 -1)/ 2) 251.5 = 315.5
Ahora determinamos:
Z = [ U ( MN /2 ) ]

/ [ ( MN )( M + N + 1 ) / 12 ]

Z = [ 315.5 ((18)(22) /2 ) ]

/ [ ((18)(22) )( 18 + 22 + 1 ) / 12 ] = 3.19

Buscando en la tabla el valor del estadstico Z para el valor de = 0.05; como la prueba es en
una direccin:
Z para .95 es 1.645;
Entonces como Z calculada es mayor que la Z tabulada, se rechaza la hiptesis de que no hay
diferencia significativa entre las muestras.

Cuando no se tienen registros confiables del sistema real, es casi imposible validar el
simulador. En este caso se sugiere concentrarse en la verificacin del modelo y usar el mejor
juicio de los individuos que estn ms familiarizados con el sistema.
Podemos concluir que a pesar de la existencia de infinidad de procedimientos para la validacin
de los modelos de simulacin, el problema permanece tan complicado y evasivo como
siempre. La confianza en el modelo se va incorporando a medida que se desarrolla; y no
solamente al final.
Se puede lograr una mayor validez al:

Usar la lgica y sentido comn.

Aprovechar al mximo el conocimiento y reflexiones de aquellos que estn

familiarizados con el sistema.

89

Verificar de nuevamente cada paso del proceso de construccin del modelo.

Asegurar que el modelo se ejecuta de acuerdo a lo planeado, usando datos de prueba en

la fase de depuracin.

Comparar la transformacin de entrada-salida del modelo y del sistema real. Pruebas de

turing.

Verificar las predicciones del modelo y los resultados reales obtenidos.

Probar empricamente, usando tcnicas estadsticas, , pruebas de hiptesis, etc.

Ejecutar pruebas de campo cuando sea posible.

Realizar un anlisis de sensibilidad sobre las variables de entrada, parmetros, etc.

tcnicas estadsticas, , pruebas de hiptesis

Bibliografa.

Shannon.R.E., Simulacin de sistemas., Trillas., Mxico D.F., 1988.

Coos Bu Ral., Simulacin un enfoque prctico. Limusa., Mxico D:F:,1992.

Garcia F., Sierra J. y Guzman V., Simulacin de sistemas., CECSA., Mxico 2005.

Pooch U.W. y Wall J.A., Discrete event simulation. CRC Press., Boca ratn, Florida,
1993

Kelton, Sadowski y Sturrock., Simulacin con software arena,Mc Graw Hill., cuarta
edicin, Mxico D.F., 2008.

www.itsin.mx/dii/atorres/CdeSim_.htm ( 13 abril de 2010)

90