Professional Documents
Culture Documents
1.- Introduccin
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
53
54
59
71
71
78
84
85
92
Bibliografa.
99
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.
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
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
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
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
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
E(x) = (a + b) / 2
Var(x) = 2 = (b a)2 / 12
19
si repetimos el procedimiento;
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
# 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
Xn
0
1
2
3
4
7
6
9
0
7
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
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.
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
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
; 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
.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
Total=30
Total=30
0.666
0.166
0.666
0.166
2=1.664
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
.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
26
4
4/6
5
5/6
6
6/6
Entonces x = 1 (punto)
Entonces x = 2 (puntos)
Entonces x = 3 (puntos)
Entonces x = 4 (puntos)
Entonces x = 5 (puntos)
Entonces x = 6 (puntos)
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
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
30
Unidad 3
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)
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.
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
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:
34
Distribucin Binomial.
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
donde
, siendo
las combinaciones de
en (
elementos tomados
de en )
;
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:
Distribucin Normal.
37
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
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
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
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
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
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
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:
41
fi (0bservada)
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
fi (0bservada)
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
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
44
e-
F(x) = -
e-
e-
(-) dx = -1
o bien
F(x) = 1 -
e-
1-
e-
e-
=R
=1R
Como R sigue una distribucin uniforme, 1-R sigue la misma distribucin, entonces:
e-
x = - (1/ ) Ln(R)
Ejemplo. Elabore el generador de nmeros aleatorios que sigan una distribucin uniforme.
45
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
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:
48
Unidad 4
49
Lenguajes de Simulacin
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:
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
Coleccin de estadsticas.
Reporte estndar.
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
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
SEIZE
ENTER
PREEMPT
RELEASE
LEAVE
RETURN
56
QUEUE
ENTER
LINK
DEPART
ENTER
UNLINK
GENERATE
SPLIT
TERMINATE
ADVANCE
ASEEMBLE
MATCH
GATHER
TRANSFER
TEST
GATE
LOGIC
SELECT
LOOP
BUFFER
SAVEVALUE
MSAVEVALUE
ASSIGN
INDEX
PRIORITY
TABULATE
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
59
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
TOTAL
1000
1000
1000
901
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
4,3
;inspeccion
;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
TOTAL
1000
1121
1121
1121
1121
1000
121
121
65
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
Costo total
Costo de manejo de
inventario
Costo de pedir
Fig.2 Costos del inventario
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
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
f(x)
0.25
0.50
0.20
0.05
F(x)
0.25
0.75
0.95
1.00
F(x)
0.10
0.20
0.40
0.20
0.10
0.10
0.30
0.70
0.90
1.00
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
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.
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 ( / )
Ln = / ( )
Wq = / [ ( )]
W = 1 / ( )
= 2 clientes/hora;
= 3 clientes /hora.
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
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
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
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
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)
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
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.
Nombre de la empresa.
Ubicacin.
Organigrama.
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
La comprobacin de falla del modelo de simulacin al utilizar datos que hacen fallar el
modelo.
Periodo fijo durante la corrida en trminos de tiempo (semanas, das, horas, etc.)
81
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.
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.
Documentacin General.
Manual de procedimientos.
Entregar toda la documentacin del sistema y realizar una demostracin del funcionamiento.
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:
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 ) ]
21 22 y N1 >30, N1 = N2 ; N2 >30 , N1 N2
Z = ( X1 X2 ) / [ ( s21 /( N1-1) ) +( s22 / (N2-1) ) ]
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.
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.
t1 (.05,4) = 2.78 ;
t2 (.05,7) = 2.78
87
/ [ ( 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
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
/ [ ( 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:
89
Bibliografa.
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.
90