Modulo Simulacion de Sistemas V6.0

UNIVERSIDAD SAN PEDRO
CEAIS HUARAZ
ESCUELA PROFESIONAL DE INGENIERA
INFORMTICA Y DE SISTEMAS
Dr. VEGA HUINCHO FERNANDO

HUARAZ PER 2016
Sexta Edicin
Dr. Fernando Vega Huincho
SIMULACION DE SISTEMAS
Dr. FERNANDO VEGA HUINCHO
CAPITULO I
MODELO DE SISTEMAS
1.1.
MODELO
Un modelo es una representacin de un objeto, idea, o sistema en una forma
diferente a la entidad misma. En nuestro caso el modelo es un conjunto de
relaciones matemticas o lgicas derivadas de supuestos sobre el
comportamiento del sistema.
Es una Abstraccin de algn sistema real, que tiene la posibilidad de
emplearse para propsitos de prediccin y control.
Es una descripcin lgica de cmo un sistema, proceso o componente se
comporta. La simulacin incluye el diseo de un modelo de un sistema, proceso
o componente, y la realizacin de experimentos sobre el mismo. El propsito de
los experimentos es determinar cmo el sistema real se desempea, y
pronosticar el efecto de los cambios sobre el mismo en el tiempo.
Es una construccin intelectual y descriptiva de una entidad en la cual un
observador tiene inters.
Un modelo es un sistema desarrollado para entender la realidad y en supuestos
simples son usados para consecuencia para modificarla.
No es posible capturar modificar la realidad, en cierta direccin, si es que no
dispone de un modelo que la interprete.
Un modelo de un objeto puede ser una rplica exacta de ste (aunque en un
material diferente y a escala diferente), o puede ser una abstraccin de las
propiedades dominantes del objeto.
Grfico de un modelo matemtico
Pg. 2
1.2.
PASOS BASICOS PARA MODELAR UN SISTEMA

Los pasos bsicos para modelar un sistema de control son:
Definir el modelo matemtico y programar el sistema de control, determinar su
estructura (entidades, atributos, actividades y fronteras).
Seleccionar los parmetros y los valores iniciales.
Ejecutar el modelo (simulacin).
Procesar los resultados (incluye la visualizacin y la investigacin adicional).
Interactuar con el modelo hasta lograr optimizacin.
Con el diseo y anlisis de los sistemas de control, su modelaje y simulacin,
se busca satisfacer la necesidad de controlar la fabricacin de los productos
mediante el mantenimiento de las variables de proceso en los valores ms
estables posibles.
1.3.
ELEMENTOS O PARTES DE UN MODELO

1.3.1. LOS COMPONENTES: Dependen del Sistema Simulado (Son las
entidades del sistema).
A. VARIABLES: Aparecen en los Modelos para relacionar un
componente con otro y se clasifican en:
a. Exgenas: Son las independientes o de entrada del
modelo, que se suponen predeterminadas y proporcionadas
independientemente del sistema que se modela. Son llamadas
de entrada o datos, que a su vez pueden ser:
b. Controlables: Susceptibles de manipulacin por quin
maneja el sistema.
c. No controlables: Son generadas por el medio ambiente
que rodea al sistema modelado.
d. De estado: Describen la situacin de un sistema de sus
componentes en un punto de tiempo de inters.
e. Endgenas: Son las dependientes o llamadas tambin
variables de salida, generada por la interaccin de las
variables exgenas con las de estado de acuerdo con las
caractersticas de operacin de ellas.
B. PARMETRO: Son las variables exgenas que tienen que
estimarse con anterioridad y almacenarse como datos de
entrada.
C. RELACIONES FUNCIONALES: Describen la interaccin de las
variables y los componentes del modelo, existen dos tipos:
a. Identidades: Toman la forma de definiciones o
declaraciones tautolgicas, relativas a los componentes del
modelo.
b.
Caractersticas
de
operacin:
Son
hiptesis,
generalmente una ecuacin matemtica, que relaciona a
las variables endgenas y de estado, con sus variables
exgenas.
Pg. 3
EJEMPLO
Considere el modelo de un fenmeno de espera de un Banco que
tiene 3 cajeros y una sola lnea de espera.
Los componentes de este modelo son clientes que llegan al banco
a solicitar un servicio. El propsito del Modelo es relacionar el
tiempo total que requiere un cliente para llevar a cabo su
operacin, con la forma en que llegan los clientes al sistema.
C1
C2
C3
LINEA DE ESPERA DE UN BANCO
Variables Exgenas:
TAi: Tiempo de Arribo de los clientes i.
TSij: Tiempo de Servicio de la caja j, para atender al cliente i.
Variables de Estado:
TEij: Tiempo de Espera del cliente i, para pasar a la caja j.
TOij: Tiempo de Ocio de la caja j, en espera del cliente i.
Variables Endgenas:
Ti: Tiempo Total que el isimo cliente est en el sistema.
Parmetros:
E(TAi): Media del tiempo de Arribo.
VAR(TAi): Varianza del tiempo de arribo.
E(TSj):Media del tiempo de Servicio.
VAR(TSj):Varianza del tiempo de servicio.
Caractersticas de Operacin:
f(TAi): Funcin de densidad de probabilidad para el tiempo de
arribo.
F(TSij): Funcin de densidad de probabilidad para el tiempo de
servicio.
Identidades:
Para los 3 primeros clientes:
TEij = 0
TO11 = TA1, TO22 = TA2, TO33 = TA3
T1 = TS11, T2 = TS22, T3 = TS33.
Si la diferencia D = TSij TAi, es:
: Existe espera en el sistema.
: Existe ocio en el sistema.
: No existe, ni espera ni ocio.
1.4. CLASIFICACION DE LOS MODELOS
Pg. 4
1.4.1. Modelos de Tiempo Continuo y de Tiempo Discreto

Modelo de Tiempo Continuo: Una funcin, variable, modelo o sistema es
continuo, en contraposicin a discreto si ste entre dos puntos cualesquiera
distintos existe una infinidad de puntos.
Modelo de Tiempo Discreto: Cuando el estado del sistema est definido solo
para particulares instantes de tiempo. Una funcin, variable o sistema es discreto,
en contraposicin a continuo, si es divisible un nmero finito de veces. As, el
conjunto de los nmeros naturales es un conjunto discreto, as como la energa
de los estados cunticos.
1.4.2. Modelos de Estado Continuo y de Estado Discreto El modelo es de

estado continuo o discreto dependiendo de si las variables de estado son
continuas o discretas.
1.4.3. Modelos Determinsticos y Probabilsticos Determinstico es aquel en que

se obtiene siempre el mismo resultado bajo las mismas condiciones iniciales o si
los resultados de un modelo pueden predecirse con certeza. Por ejemplo, todos los
fenmenos que siguen las leyes de la fsica clsica, como puede ser la cada de un
cuerpo. Si con los mismos datos en varias ejecuciones se obtienen resultados
distintos entonces el modelo es probabilstico o estocstico, ejemplo: un simulador
de colas. Lo contrario de un fenmeno determinstico es un fenmeno aleatorio. Se
denomina estocstico a aquel sistema que funciona, sobre todo, por el azar. Las
leyes de causa-efecto no explican cmo acta el sistema (y de modo reducido el
fenmeno) de manera determinista, sino en funcin de probabilidades.
Pg. 5
1.4.4. Modelos Estticos y Dinmicos Un modelo en el que el tiempo no es una

variable es esttico. Si el sistema cambia con el tiempo el Modelo es dinmico.
E = m c2 Modelo Esttico (materia en energa)

Nmero de trabajos en cola en un computador.
Modelo Dinmico
1.4.5. Modelos Lineales y No-Lineales Si la salida es una funcin lineal de la

entrada, el modelo es lineal, de lo contrario es no-lineal. Ejemplo:
1.4.6. Modelos Cerrados y Abiertos Si la entrada es externa al modelo e

independiente de l, el modelo es abierto. Si el modelo es cerrado no hay entrada
externa. Puede depender de los objetivos de la simulacin, como se enfoque el
problema y los supuestos que se hagan. Por ejemplo: podemos simular el trfico
en una ciudad como un sistema cerrado si asumimos que el nmero de vehculos
permanece constante (no hay arribos ni salidas o arribos = salidas), o como un
sistema abierto generando arribos y salidas al exterior.
Pg. 6
1.4.7. Modelo Estables e Inestables Si el comportamiento del sistema converge

a un estado estable (independientemente del tiempo) el modelo es estable. Un
modelo cuyo comportamiento cambia constantemente es inestable. Por ejemplo:
en un sistema de taquilla simple tenemos:
Intervalo entre llegadas > tiempo de servicio modelo estable
Intervalo entre llegadas tiempo de servicio modelo inestable.
Ejemplo
Modelos de sistema de computacin generalmente son de tiempo continuo, estado
discreto, probabilsticos, dinmicos y no-lineales. Algunos son abiertos y otros
cerrados. Tambin pueden ser estables o inestables.
1.5. CARACTERISTICAS DE UN SISTEMA
Estructura: Est dada por la secuencia de formas en el espacio. Ejemplo: auto,
hombre, pas, etc.
Funcionamiento: Est definido por las propiedades del sistema. Para el ejemplo
del auto, sera la velocidad, tipo de combustin, simple o doble traccin, etc.
Comportamiento: Consiste en analizar cul ser la reaccin del sistema
cuando recibe un estmulo externo ya sea de carcter natural o no natural.
Ejemplo: falta de gasolina, cambio de combustible, cambio de llantas, aceitar,
cambio de bujas, etc.
Estabilidad de sistemas: Habilidad para permanecer cercano a un punto
de equilibrio o para retornar a l despus de un disturbio.
Resistencia: Habilidad para resistir desplazamientos desde su estado
inicial, siguiendo un disturbio (cambio brusco de uno o ms variables)
Resiliencia: Habilidad para retornar al estado inicial despus de una
disturbio (recuperacin)
1.6. COMPONENTES DEL SISTEMA:
Entidad: Es un objeto de inters del Sistema: Unidades de: Entrada,
Central de Procesamiento y de Salida.
Atributo: Es una propiedad de la Entidad: Velocidad y
almacenamiento.
Actividad: Es todo proceso que provoque cambios en el sistema:
Clculos Matemticos Lgicos y resultados.
Estado del Sistema: Es una descripcin de todas las Entidades,
Atributos y Actividades de acuerdo con su existencia en algn punto del
tiempo.
Pg. 7
1.7. MEDIO AMBIENTE:

Son los alrededores del Sistema que lo afectan. Existen en Simulacin
dos trminos relacionados con el medio ambiente que son de inters:
Endgeno: Describe las actividades que ocurren dentro del sistema.
Exgeno: Describe las actividades que ocurren en el medio ambiente
que afectan al sistema.
TAREA PARA EL ALUMNO
1.
2.
3.
4.
5.
6.
7.
8.
9.
Seleccione un sistema financiero y mencione:

a. Sus elementos
b. Su clasificacin
c. Sus variables
Dar dos ejemplos de sistemas abiertos
Dar dos ejemplos de sistemas de produccin que se encuentran en la
ciudad de Huaraz y que sean abiertos.
Describa a la universidad San Pedro Huaraz como un modelo de
sistema.
Mencione dos sistemas de comercializacin de su entorno que sean
inestables
Mencione un sistema de produccin de su entorno que sean estables
Como que tipo de sistema definira a Hidrandina
Investigue sobre una lnea de produccin continua e indique en que
tipo de sistemas se encuentra clasificada.
Analice si el puente Comercio de Huaraz es un sistema o no. se
puede simular su funcionamiento?
Pg. 8
CAPITULO II
2.1. DEFINICIONES
Segn Robert Shannon, la simulacin es el disear y desarrollar un modelo
computarizado de un sistema o proceso y conducir experimentalmente con este
modelo con el propsito de entender el comportamiento del sistema del mundo real o
evaluar varias estrategias con los cuales puedan operar el sistema.
Para Thomas Taylor, Estos experimentos requieren de operaciones lgicas y
matemticas necesarias para descubrir el comportamiento y la estructura de sistemas
complejos del mundo real a travs de lago perodo de tiempo.
Para Shubik, la simulacin de un sistema o de un organismo es la operacin de un
modelo lo cual se va a llamar simulador el cual es una representacin del sistema.
Este modelo o simulador estar sujeto a diversas manipulaciones, las cuales seran
imposibles de realizar, demasiado costosas o imprcticas. La operacin de un modelo
puede estudiarse y con ello conocer las propiedades concernientes al comportamiento
del sistema o subsistema real - costoso.
Para el autor, la simulacin es la aplicacin de la ciencia y la tcnica en un modelo
abstrado en parte o en su totalidad del sistema real a simular con la finalidad de
analizar sus resultados y predecir cmo se comportar el sistema real simulado.
2.2. IMPORTANCIA DE LA SIMULACION
La simulacin es importante porque permite:
Evaluar cambios en modelos de un sistema existente, frecuentemente es el
mejor camino para reducir el riesgo de las principales decisiones.
Obtener un conocimiento preciso de la naturaleza del proceso.
Identificar problemas especficos o reas problemticas de un sistema.
Desarrollar planes o polticas especficas de un proceso.
Evaluar nuevos conceptos o sistemas antes de su implementacin.
Predecir el comportamiento de un nuevo sistema, sin necesidad de
construirlo fsicamente.
Predecir cambios de un sistema existente sin necesidad de afectar su
operacin.
Evaluar cualquier sistema ante un conjunto de condiciones experimentales
2.3. CUANDO SIMULAR
Sistema actual no existe o es dificultoso observarlo
El sistema actual es muy complejo para analizarlo.
El sistema actual no puede ser interrumpido.
Es costoso construir el sistema actual.
2.4. OBJETIVOS DE LA SIMULACION
Visualizacin: Ver lo que est pasando en el sistema
Clculos (Analizar/Optimizar) : Cuantificar lo que est pasando en el sistema
Pg. 9
Comunicacin: Mostrar que est pasando en el sistema
2.5. NATURALEZA EXPERIMENTAL DE UN PROGRAMA DE SIMULACION

La simulacin como proceso experimental es una tcnica que no asla las relaciones
entre variables particulares, por el contrario acoge un punto de vista global desde el
que se intenta observar cmo cambian conjuntamente todas las variables del modelo
con el tiempo. Las relaciones entre las variables deben obtenerse a partir de tales
observaciones. Esta concepcin caracteriza la simulacin como una tcnica
experimental de resolucin de problemas, lo que comporta la necesidad de repetir
mltiples ejecuciones de la simulacin para poder entender las relaciones implicadas
por el sistema.
La simulacin con computador es por lo tanto una tcnica que realiza experimentos en
un computador con un modelo de un sistema dado. El modelo es el vehculo utilizado
para la experimentacin en sustitucin del sistema real. Los experimentos pueden
llegar a tener un alto grado de sofisticacin que requiera la utilizacin de tcnicas
estadsticas de diseo de experimentos. En la mayor parte de los casos los
experimentos de simulacin son la manera de obtener respuestas a preguntas del tipo
"qu pasara s?", preguntas cuyo objetivo suele ser evaluar el impacto de una
posible alternativa que sirva de soporte a un proceso de toma de decisiones sobre un
sistema, proceso que puede representarse esquemticamente mediante la siguiente
figura.
MODEO DE SIMULACION
Entrada (Polticas, alternativas)
Salidas (Respuestas)
EXPERIMENTACION
La simulacin, y los experimentos de simulacin, se convierten as en una herramienta

de anlisis de sistemas, para entender cmo opera un sistema existente, o cmo
puede operar uno propuesto. La situacin ideal, en la cual el investigador realizara los
experimentos sobre el sistema real es sustituida por una en la que el investigador
construye un modelo del sistema y experimenta sobre l mediante la simulacin,
utilizando un ordenador, para investigar el comportamiento del modelo e interpretar los
resultados en trminos del comportamiento del sistema objeto del estudio.
2.6. ESTRUCTURA DE UN MODELO DE SIMULACION
Funcin matemtica modelada
Entrada de datos: Variables Independientes, Variables Dependientes,
Variables Intervinientes
Componente aleatorio
Programacin y ejecucin
Resultados o salidas
Explicacin y aplicacin de resultados
Pg. 10
ALEATORIEDAD + INTERDEPENDENCIA = COMPLEJIDAD

2.8. VENTAJAS DE LOS MODELOS DE SIMULACIN
Es ms barato mejorar el sistema va simulacin (Costo Cero)
El Riesgo de simular cambios, no ocasiona costos ni problemas
La simulacin permite estudiar un sistema con un gran horizonte de tiempo,
en un tiempo comprimido
Podemos mantener mucho mejor el control sobre condiciones
experimentales
Es posible analizar sistemas de alta complejidad
Es ms sencillo comprender y visualizar los mtodos de simulacin
Capacidad un sistema sin necesidad de construirlo o modificarlo.
Ahorro de tiempo y dinero en la fase de concepcin y desarrollo de nuevos
productos.
2.9. DESVENTAJAS DE LOS MODELOS DE SIMULACIN
Los modelos de simulacin no dan soluciones ptimas
La simulacin permite estudiar un sistema con un largo horizonte de tiempo,

en un tiempo comprimido
Un buen modelo de simulacin puede resultar bastante costoso; a menudo

el proceso de desarrollar un modelo es largo y complicado.
Cada modelo de simulacin es nico. Las soluciones e inferencias no son

usualmente transferibles a otros problemas.
Siempre quedarn variables por fuera y pueden cambiar completamente los

resultados en la vida real que la simulacin no previ. En ingeniera se
"minimizan riesgos, no se evitan.
Por ensayo y error se producen diferentes resultados en repetidas corridas

en el computador.
2.10. PROCESO DE DESARROLLO DE UN MODELO DE SIMULACIN
Definicin del sistema:
Cada estudio debe comenzar con una descripcin del problema o del sistema.
Debe asegurarse que exista una correcta.
Identificacin:
Identificar el objetivo, las variables de decisin, restricciones, la medida de
efectividad y las variables no controlables y su comportamiento estadstico.
Anlisis del Sistema:
Deben describirse las interacciones lgicas entre las variables de decisin
Optimice la medida de efectividad en funcin de las variables no controlables.
No olvidar las restricciones del sistema.
Formulacin del Modelo:
Consiste en formular un cdigo lgico matemtico que defina las interacciones
entre las variables
Tener en cuenta que se va a llevar a cabo a travs del tiempo y que el uso de
listas o cadenas de eventos darn la pauta en el manejo de las variables.
Existen dos tipos de listas:
o Las llamadas de eventos futuros donde la secuencia depende del tiempo
de ocurrencia del evento, y
Pg. 11
o Las de eventos actuales cuya secuenciacin depende de la ocurrencia

de otro evento.
Seleccin del Lenguaje:
De la seleccin del lenguaje depender el tiempo de desarrollo del modelo de
simulacin.
Puede usarse un lenguaje general como Visual Basic, Java, Visual Basic.Net.
Excisten programs simuladores: Promodel, Simulator, GPSS, Simulink,
ShowFlow, Starcel, Dynamo, Symscript, Sim, Slam, Powersim, etc.
Codificacin del Modelo:
Consiste en generar las instrucciones o cdigo computaciones necesarias para
lograr que el modelo pueda ser ejecutado en algn tipo de computadora.
La duracin de este proceso est directamente relacionado con la seleccin del
lenguaje.
Validacin del Modelo:
Determinar la habilidad que del modelo para representar la realidad.
Se lleva a cabo mediante la comparacin esttica de resultados del modelo y
los resultados reales.
Experimentacin:
Se determinan las diversas alternativas que pueden ser evaluadas.
Se seleccionan las variables de entrada y sus diferentes niveles con la finalidad
de optimizar las variables de respuestas del sistema real.
El uso de tcnicas como diseo de experimentos permiten llevar a cabo este
procedimiento en forma estructurada.
Implementacin:
Una vez seleccionada la mejor alternativa, es importante llevarla a la prctica.
En muchas ocasiones este ltimo paso es l ms difcil ya que se tiene que
convencer a la alta direccin y al personal de las ventajas de esta puesta en
marcha.
Al implantar tener cuidado con las diferencias con respecto a los resultados
simulados, ya que estos ltimos se obtienen, a partir de algunas suposiciones.
Monitoreo y Control:
Los sistemas son dinmicos y con el transcurso del tiempo es necesario
modificar el modelo de simulacin.
La finalidad es llevar a cabo actualizaciones peridicas que permitan que el
modelo siga siendo una representacin del sistema
1.
Indique las variables para simular un sistema bancario.
2.
Modele un sistema discreto indicando sus elementos
3.
Modele un sistema de control de citas mdicas de una clnica.
4.
Realice una lista de sistemas informticos ms relevantes que se aplican a la
simulacin de sistemas.
5.
Describa como se simulara su sistema de prstamos de la Caja CrediChavin
de Huaraz.
6.
Critique la simulacin de Monte Carlo previa investigacin.
Pg. 12
CAPITULO III
NUMEROS ALEATORIOS
3.1. DEFINICIN
Un nmero es aleatorio cuando no se conoce su generacin y tiene
caracterstica uniformes, independientes y corresponden a una cierta
distribucin de probabilidad.
Si se desea desarrollar un Modelo eficiente de Simulacin, se deben de
tomar en cuenta 6 factores importantes
1. Uniformemente distribuidos.
2. Estadsticamente independientes.
3. Reproducibles, que se puedan copiar de un dispositivo a otro (CD, USB,
etc.).
4. Con perodos amplios (que no se repitan frecuentemente).
5. Con grandes velocidades de generacin.
6. Con un mnimo de capacidad de almacenamiento.
3.2. PROPIEDADES DE NMEROS ALEATORIOS
Una secuencia de nmeros aleatorios R1, R2, ..., Rx debe tener dos
importantes propiedades estadsticas: uniformidad e independencia. Cada
nmero aleatorio Ri es una muestra independiente tomada de una
distribucin continua uniforme entre cero y uno. Esto es, la funcin de
densidad de probabilidad es:
0 < X< 1
En otro caso
3.4. GENERACIN DE NMEROS PSEUDOS ALEATORIOS
La palabra pseudos se refiere a que los nmeros generados no son
completamente aleatorios puesto que se conoce el mtodo de generacin.
3.4.1. MTODO DE CUADRADOS CENTRALES
Fue uno de los primeros mtodos para generar nmeros aleatorios,
creado por J. Von Neumann en 1946. Consiste en el siguiente
procedimiento:
1. Elegir un nmero X0 aleatorio de 2n dgitos, llamado semilla.
2. Elevarlo al cuadrado.
3. El nuevo nmero aleatorio se elige de la parte media (central), con
2n dgitos.
4. Repetir indefinidamente la operacin
Ejemplo:
X0 = 4122
x20 = 16 | 9908 | 84
X1 = 9908
x21 = 98 | 1684 | 64
X2 = 1684
x22 = 2 | 8358 | 56
X3 = 8358
x23 = 69 | 8561 | 64
Pg. 13
Entre las desventajas de este mtodo est que tienen perodos breves
(pocos nmeros aleatorios), no satisfacen completamente las pruebas
estadsticas de aleatoriedad.
IMPLEMENTACION DEL ALGORITMO DEL METODO DE CUADRADO
MEDIO EN VISUAL BASIC.NET
BOTON EJECUTAR
Dim i, n As Integer
Dim x, k, w, y, z, v, t, nlimp As Double
Randomize()
k = Val(TextBox1.Text) REM nmero de simulaciones
x = Val(TextBox2.Text) REM primer nmero tomado al azar
de "N cifras
n = Val(TextBox3.Text) REM nmero de dgitos
nlimp = 0
i = 0
TextBox4.Text = TextBox4.Text & "X [" & i & "] = " & x &
Chr(13) & Chr(10)
For i = 1 To k
y = x * x
z = Int(y / 100)
Pg. 14
v = Int(z / 10 ^ (2 * n))
t = v * (10 ^ (2 * n))
w = z - t
TextBox5.Text = TextBox5.Text & "Y [" & i & "] = " &
y & Chr(13) & Chr(10)
If i < nlimp * 10 + 10 Then
TextBox6.Text = TextBox6.Text & "W [" & i & "] = "
& w & Chr(13) & Chr(10)
End If
If i = nlimp * 10 + 10 Then
nlimp = nlimp + 1
TextBox6.Text = TextBox6.Text & "W [" & i & "] =
" & w & Chr(13) & Chr(10)
End If
x = w
TextBox4.Text = TextBox4.Text & "X [" & i & "] = " &
x & Chr(13) & Chr(10)
Next
BOTON NUEVO
Private Sub Button2_Click(ByVal sender As System.Object, ByVal e
As System.EventArgs) Handles Button2.Click
TextBox1.Text = ""
TextBox2.Text = ""
TextBox3.Text = ""
TextBox4.Text = ""
TextBox5.Text = ""
TextBox6.Text = ""
TextBox1.Focus()
End Sub
BOTON SALIR
Private Sub Button3_Click(ByVal sender As System.Object, ByVal e
As System.EventArgs) Handles Button3.Click
End
End Sub
La ejecucin da como resultado:
Pg. 15
3.4.2. MTODOS CONGRUENCIALES

Se basan en el concepto matemtico de nmeros congruentes. El
numero entero x es congruente con y modulo m si x y es divisible por
m, es decir, x e y dan el mismo resto cuando se dividen por m. se
denota por x y. Por ejemplo el nmero 140016 es congruente con 16
modulo 103, ya que 140016 16 =14000. El resto de dividir tanto
140016 como 16 por 103 es 16.
La expresin matemtica que ms se usa en la generacin de nmeros
pseudos aleatorios, utilizando nmeros congruentes est dada por:
x n+1=a x n +b ( mod m )
Donde a, b y m son nmeros enteros convenientemente elegidos y x0
recibe el nombre de semilla. Dada la semilla x0, la formula anterior
permite construir una sucesin de nmeros enteros, variando cada uno
de ellos entre 0 y m-1, mediante.
x 1=a x 0+ b ( mod m )
x 2=a x 1+ b=a2 x 0 + ( a+1 ) b ( mod m )
Pg. 16
x 3=( a3 x 0 +a2 + a+1 ) b=a3 x0 +
b ( a 3+1 )
( mod m )
( a1 )
x n=a n x 0 +
b ( an +1 )
( mod m) (n m1)
( a1 )
En donde los x son enteros entre 0 y m-1, y las constantes a y b son nonegativas. La seleccin de a, b, y m afectan el periodo y la
autocorrelacin en la secuencia. Entre los resultados de los estudios
realizados con estos generadores tenemos:
1. El modulo m debe ser grande. Dado que los x estn entre 0 y m-1, el
periodo nunca puede ser mayor que m.
2. Para que el computo de mod m sea eficiente, m debe ser una
potencia de 2, es decir, 2k. En este caso mod m puede ser obtenido
truncando el resultado y tomando en k bits a la derecha.
Pg. 17
EJEMPLO 02
Elaborar un programa en Visual Basic.Net o Visual Basic 6.0 para generar
nmeros pseudos aleatorios por el mtodo congruencial.
BOTON EJECUTAR
Private Sub Button1_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles Button1.Click
Dim I, S, R, A, B, M As Integer
Dim X1 As Double
S = Val(TextBox1.Text) REM ingresa numero semilla
A = Val(TextBox2.Text) REM ingresa valor de a numero primo
B = Val(TextBox3.Text) REM ingresa valor de b numero primo <>b
M = Val(TextBox4.Text) REM igreso del modulo
R = Val(TextBox5.Text) REM ingrese veces a generar el n aleatorio
For I = 1 To R
X1 = (A ^ I * S + B * (A ^ I - 1) / (A - 1)) Mod M
TextBox6.Text = TextBox6.Text & "NA[" & I & "] = " & X1 & Chr(13)
& Chr(10)
Next
End Sub
BOTON NUEVO
Pg. 18
TextBox1.Text = ""
TextBox2.Text = ""
TextBox3.Text = ""
TextBox4.Text = ""
TextBox5.Text = ""
TextBox6.Text = ""
TextBox1.Focus()
End Sub
BOTON SALIR
End
End Sub
En el ejemplo el numero semilla es 4 a vale 2 y be vale 3, lo que se ha

generado es 500 nmeros pseudoaleatorios en un rango de 0 y 9.
EJERCICIOS: Estos ejercicios deben ser resueltos en el laboratorio, solo se
permitir su diagrama de flujo como herramienta de programacin, caso
contrario no ser admitido para su presentacin y calificacin.
1.
En el ejemplo dado por el docente, hacer que el programa reporte solo

nmeros aleatorios en un rango de 0 a 1.
Pg. 19
2.
3.
4.
5.
6.
En el ejemplo dado por el docente, hacer que el programa reporte la

varianza y la desviacin estndar de los nmeros generados.
Implementar un programa en Visual Net 2010 o cualquier otro
lenguaje por el Mtodo Congruencial Multiplicativo (investigar usando
cualquier medio disponible).
Implementar un programa en Visual Basic cualquier otro lenguaje por
el Mtodo Congruencial Mixto (investigarlo).
Implementar un programa en Visual Basic cualquier otro lenguaje o
cualquier lenguaje de programacin por otro mtodo de generacin de
nmeros pseudos aleatorios.
Investigue sobre una metodologa de generacin de nmeros
aleatorios diferente a los tratados en clase y presente su fundamentacin
matemtica de la generacin de los nmeros aleatorios.
MTODO DE MONTE CARLO
La simulacin de Monte Carlo es un mtodo que emplea nmeros aleatorios

uniformemente distribuidos en el intervalo [0,1] que es utilizado para resolver
problemas donde la evolucin con el tiempo no es de importancia. A continuacin, se
analizarn dos ejemplos para comparar una solucin analtica con una solucin
obtenida por simulacin.
EJEMPLO 1
Se tiene un sistema financiero de prstamos de recursos financieros en donde el
capital prestado y el nmero de periodos de prstamos tienen componentes aleatorios,
mientas que la tasa de inters es una variable a afectar mecnicamente ya que est
ligada a la poltica del sistema financiero. Elaborar un programa para simular los
intereses a ganar por cada tipo de prstamo: hipotecario, techo propio, vehculos y
libre disponibilidad. Los rangos de prstamo en soles por cada tipo se dan en la
siguiente tabla:
TIPO DE PRESTAMO
Hipotecario
Techo Propio
Vehculos
Libre disponibilidad
MONTO MINIMO
100,000.00
50,000.00
30,000.00
10,000.00
MONTO MAXIMO
10,000.00
10,000.00
5,000.00
5,000.00
De pide calcular las sumatorias por cada tipo de prstamo, promedio, varianza,
desviacin estndar, covarianza y hacer sus respectivas interpretaciones.
Pg. 20
BOTON SIMULAR
Dim np, i, j, m As Integer
Dim ph(0 To 100), ptp(0 To 100), pv(0 To 100), pld(0 To 100) As
Double
Dim sp(0 To 100) As Double
Dim t As Double
Randomize()
Dim sph, sptp, spv, splp, spld As Double
Randomize()
np = Val(TextBox1.Text)
t = Val(TextBox2.Text)
For i = 0 To np - 1
ph(i) = (Rnd() * (100000 - 10000) + 10000) * (1 + t / 100) ^
((Rnd() * (10 - 0.5) + 0.5))
sph = sph + ph(i)
ptp(i) = (Rnd() * (50000 - 10000) + 10000) * (1 + t / 100) ^
((Rnd() * (10 - 0.5) + 0.5))
sptp = sptp + ptp(i)
pv(i) = (Rnd() * (30000 - 5000) + 5000) * (1 + t / 100) ^ ((Rnd()
* (10 - 0.5) + 0.5))
spv = spv + pv(i)
pld(i) = (Rnd() * (10000 - 5000) + 5000) * (1 + t / 100) ^
((Rnd() * (10 - 0.5) + 0.5))
splp = spld + pld(i)
Next
REM pone sumas a un vector
sp(1) = sph : sp(2) = sptp : sp(3) = spv : sp(4) = splp
For i = 0 To np - 1
tabla.Rows.Add(np)
Next
For i = 0 To np - 1
tabla.Rows(i).Cells(0).Value = i + 1
tabla.Rows(i).Cells(1).Value = Format(ph(i), "#####.00")
tabla.Rows(i).Cells(2).Value = Format(ptp(i), "#####.00")
tabla.Rows(i).Cells(3).Value = Format(pv(i), "#####.00")
tabla.Rows(i).Cells(4).Value = Format(pld(i), "#####.00")
Next
BOTON NUEVO
Private Sub Command2_Click()
Dim k As Integer
k = tabla.Rows.Count
For i = 0 To k
tabla.Rows.Clear()
Next
TextBox1.Text = ""
TextBox2.Text = ""
TextBox1.Focus()
End Sub
BOTON SALIR
Me.Close()
Pg. 21
End Sub
PROGRAMAR TAMBIEN EVENTO FORM LOAD PARA CENTRAR EL FORMULARIO
Private Sub Form_Load()
Dim k As Integer
'Sita el formulario en el centro de la pantalla
Move (Screen.Width - Width) / 2, (Screen.Height - Height) / 2
End Sub
EJEMPLO 01
La demanda de un producto est en funcin del tiempo en aos, dicha demanda tiene
un rango de aleatoriedad en un lmite de Ls y Li y presenta una funcin Y=a+bX.
Elaborar un programa para determinar la ecuacin de ajuste y simular el pronstico de
la demanda para este producto para N aos.
Pg. 22
BOTON SIMULAR
Dim n, ns, ls, li, i As Integer
Dim y(0 To 100), x(0 To 100) As Double
Dim v, des, r As Double
Dim xy(0 To 100), x2(0 To 100), y2(0 To 100), sumas(0 To 100) As
Double
Randomize()
n = Val(Text1.Text)
ls = Val(Text2.Text)
li = Val(Text3.Text)
ns = Val(Text4.Text)
Pg. 23
Dim sx, sy, sxy, sx2, sy2 As Double

sx = 0 : sy = 0 : sxy = 0 : sx2 = 0 : sy2 = 0
REM Dim x, y, x2, y2, xy As Double
For i = 0 To n - 1
x(i) = i + 1 'genera el nmero de aos
y(i) = Rnd() * (ls - li) + li ' puede usted ingresar datos si
desea
xy(i) = x(i) * y(i)
x2(i) = x(i) * x(i)
y2(i) = y(i) * y(i)
sxy = sxy + xy(i)
sx = sx + x(i)
sy = sy + y(i)
sx2 = sx2 + x2(i)
sy2 = sy2 + y2(i)
Next
Dim px, b, a, py, bpx As Double
px = sx / n : py = sy / n
b = (n * sxy - sx * sy) / (n * sx2 - sx ^ 2)
a = py - bpx
Text5.Text = Format(a, "###.00")
Text6.Text = Format(b, "###.00")
Text7.Text = Format(px, "###.00")
Text8.Text = Format(py, "###.00")
If b > 0 Then
Text15.Text = " + "
Else
Text15.Text = " - "
End If
'CALCULO DE LA VARIANZA, DESVIACION ESTANDAR Y COEFICIENTE DE
CORRELACION
Dim sv As Double
For i = 1 To n
sv = sv + (x(i) - px) ^ 2
Next i
v = sv / n
des = v ^ (1 / 2)
r = (n * sxy - sx * sy) / (Math.Sqrt(n * sx2 - sx ^ 2) * Math.Sqrt(n
* sy2 - sy ^ 2))
Text9.Text = Format(v, "###,###.00")
Text10.Text = Format(des, "###,###.00")
Text11.Text = Format(r, "###,###.000")
'PRONOSTICO DE LA DEMANDA
For i = 1 To n
Text12.Text = Text12.Text & " AO [ " & n + i & " ] = " &
Format(a + b * (i + n), "###,###.00") & Chr(13) & Chr(10)
Next
For i = 0 To n - 1
DGV1.Rows.Add(n)
Next
For i = 0 To n - 1
DGV1.Rows(i).Cells(0).Value = i + 1
DGV1.Rows(i).Cells(1).Value = Format(x(i), "###.0")
DGV1.Rows(i).Cells(2).Value = Format(y(i), "###.0")
DGV1.Rows(i).Cells(3).Value = Format(xy(i), "###.0")
DGV1.Rows(i).Cells(4).Value = Format(x2(i), "###.0")
DGV1.Rows(i).Cells(5).Value = Format(y2(i), "###.0")
Next
Pg. 24
BOTON NUEVO
Dim k As Integer
k = DGV1.Rows.Count
For i = 0 To k
DGV1.Rows.Clear()
Next
Text1.Text = ""
Text2.Text = ""
Text3.Text = ""
Text4.Text = ""
Text5.Text = ""
Text6.Text = ""
Text7.Text = ""
Text8.Text = ""
Text9.Text = ""
Text10.Text = ""
Text11.Text = ""
Text12.Text = ""
Text13.Text = ""
Text14.Text = ""
Text15.Text = ""
Text1.Focus()
BOTON SALIR
Me.Close()
End Sub
Pg. 25
EJEMPLO 4
Resolver el mismo problema del ejemplo 2 utilizando el modelo de regresin exponencial
BOTON PRONOSTICAR
Dim n, I, NS As Integer
Dim y(0 To 100), x(0 To 100) As Double
Dim v, des, r As Double
Dim logy(0 To 100), xlogy(0 To 100), x2(0 To 100), logy2(0 To 100),
sumas(0 To 100), prono(0 To 100) As Double
Randomize()
Dim m, sx, sy, sxy, sx2, sy2 As Double
n = Val(Text1.Text)
m = Val(Text2.Text)
sx = 0 : sy = 0 : sxy = 0 : sx2 = 0 : sy2 = 0
Dim Log(0 To 100) As Double
Dim slogy, sxlogy, slogy2 As Double
For I = 1 To n
x(I) = I 'ingrese nmero de datos
y(I) = Val(InputBox("INGRESE DATOS HISTORICOS"))
sy = sy + y(I)
logy(I) = Log(y(I))
xlogy(I) = x(I) * logy(I)
x2(I) = x(I) * x(I)
Pg. 26
logy2(I) = logy(I) * logy(I)

sxlogy = sxlogy + xlogy(I)
sx = sx + x(I)
slogy = slogy + logy(I)
sx2 = sx2 + x2(I)
slogy2 = slogy2 + logy2(I)
Next
Dim px, plogy, bpx, Exp(0 To 100), a, b, py As Double
px = sx / n : plogy = slogy / n
b = (n * sxlogy - sx * slogy) / (n * sx2 - sx ^ 2)
a = plogy - bpx
Text3.Text = Format(Exp(a), "###.000")
Text4.Text = Format(Exp(b), "###.000")
Text5.Text = Format(Exp(px), "###.000")
Text6.Text = Format(py, "###.000")
For I = 0 To n - 1
DGV1.Rows.Add(n)
Next
For I = 0 To n - 1
DGV1.Rows(I).Cells(0).Value = I + 1
DGV1.Rows(I).Cells(1).Value = Format(x(I), "###.0")
DGV1.Rows(I).Cells(2).Value = Format(y(I), "###.0")
DGV1.Rows(I).Cells(3).Value = Format(logy(I), "###.0")
DGV1.Rows(I).Cells(4).Value = Format(xlogy(I), "###.0")
DGV1.Rows(I).Cells(5).Value = Format(x2(I), "###.0")
DGV1.Rows(I).Cells(6).Value = Format(logy2(I), "###.0")
Next
Dim sv As Double
For I = 1 To n
sv = sv + (x(I) - px) ^ 2
Next
v = sv / n
des = v ^ (1 / 2)
r = (n * sxlogy - sx * slogy) / (Math.Sqrt(n * sx2 - sx ^ 2) *
Math.Sqrt(n * slogy2 - slogy ^ 2))
Text7.Text = Format(Exp(v), "###,###.00")
Text8.Text = Format(Exp(des), "###,###.00")
Text9.Text = Format(Exp(r), "###.000")
For I = 0 To n - 1
DGV2.Rows.Add(n)
Next
For I = 0 To n - 1
DGV2.Rows(I).Cells(0).Value = I + 1
DGV2.Rows(I).Cells(1).Value = Format(sumas(I), "###.0")
Next
BOTON NUEVO
Dim k As Integer
k = DGV1.Rows.Count
For i = 0 To k
DGV1.Rows.Clear()
Next
Dim N As Integer
k = DGV2.Rows.Count
For i = 0 To N
DGV2.Rows.Clear()
Next
Pg. 27
Text1.Text = ""
Text2.Text = ""
Text3.Text = ""
Text4.Text = ""
Text5.Text = ""
Text6.Text = ""
Text7.Text = ""
Text8.Text = ""
Text9.Text = ""
Text10.Text = ""
Text11.Text = ""
Text1.Focus()
BOTON SALIR
Me.Close()
EJEMPLO 5
Una empresa tiene una demanda aleatoria que oscila entre 200 y 100 unidades por da para
un determinado producto. El costo de hacer un pedido es de k soles, el costo de inventario es
de c soles y el costo de almacenamiento es de h soles por da. Tambin se sabe que el tiempo
de entrega para este producto es de L das. Si pide hacer un programa para que simule NS
Pg. 28
simulaciones y de las seleccione el mejor dato, es decir el mejor registro simulado. El

programa debe reportar: Lote econmico, costo, ciclo, tiempo efectivo de entrega y punto de
reorden.
BOTON SIMULAR
Dim i, ns, mvy, post As Integer
Dim k, h, l As Double
'dando valor a las variables de las cajas de texto
ns = Val(TextBox1.Text)
k = Val(TextBox2.Text)
h = Val(TextBox3.Text)
l = Val(TextBox4.Text)
Dim d(0 To 100), y(0 To 100), c(0 To 100), t(0 To 100), n(0 To 100),
le(0 To 100) As Double
For i = 0 To ns
d(i) = Rnd() * (200 - 100) + 100 'genera demanda de prodcuto
inventario
y(i) = (2 * k * d(i) / h) ^ 1 / 2 'genera lote economico
c(i) = k / (y(i) / d(i)) + h * (y(i) / 2) 'costo
t(i) = y(i) / d(i) 'coloca valores
n(i) = Int(l / t(i))
le(i) = l - n(i) * t(i) 'tiempo de entrega
Next
mvy = y(i)
For i = 0 To ns - 1
tabla.Rows.Add(ns)
Next
'utilizando un for para aser la simulasiones
For i = 0 To ns - 1
tabla.Rows(i).Cells(0).Value = i
Pg. 29
tabla.Rows(i).Cells(1).Value
Next
=
=
=
=
=
Format(d(i), "###.00")
Format(y(i), "###.00")
Format(c(i), "###.00")
Format(t(i), "###.00")
Format(le(i), "###.00")
For i = 1 To ns
If mvy < y(i) Then
mvy = (i)
post = i
End If
Next
TextBox5.Text = Format(mvy, "###.0")
TextBox6.Text = Format(l, "###.0")
TextBox7.Text = Format(t(post), "###.0")
TextBox8.Text = Format(le(post), "###.0")
TextBox9.Text = Format(c(post), "###.0")
TextBox10.Text = Format(le(post) * d(post), "###.0")
BOTON NUEVO
Dim k As Integer
k = tabla.Rows.Count
For i = 0 To k
tabla.Rows.Clear()
Next
TextBox1.Focus()
TextBox1.Text = ""
TextBox2.Text = ""
TextBox3.Text = ""
TextBox4.Text = ""
TextBox5.Text = ""
TextBox6.Text = ""
TextBox7.Text = ""
TextBox8.Text = ""
TextBox9.Text = ""
TextBox10.Text = ""
BOTON SALIR
Me.Close()
Pg. 30
TAREAS PARA EL ALUMNO

1.
Elaborar un programa para simular el proceso electoral a la alcalda de una
provincia determinada. Considerar como variable aleatoria los votos a obtener los
N candidatos. Modelar el sistema teniendo en cuenta la realidad de un verdadero
proceso electoral o en todo caso una aproximacin modelada de dicho sistema.
2.
Elaborar un programa para simular el comportamiento de las velocidades de

viento de una ciudad de la siguiente manera: simular S veces el comportamiento y
de ella obtener el mayor dato y asignarle a otro vector en donde se almacenarn
los mejores datos. Este vector debe tener N datos y luego en funcin de este ltimo
vector reportar los parmetros estadsticos necesarios. Utilizar un rango de
temperaturas en la simulacin.
3.
Una hacienda de Carhuaz desea un programa de simulacin para tomar

decisiones bajo riesgo sabiendo que en la localidad existen variables aleatorias
que daan o benefician los sembros. Si la temperatura es menor a 15 grados, se
debe recomendar sembrar maz, si la temperatura oscila entre 15 y 25 grados se
debe recomendar sembrar flores, en caso contrario se debe recomendar sembrar
alverjas. Se sabe que el sembro de flores genera ms utilidad por hectrea en un
50% que el sembro de maz y un 30% ms que la alverja. Por cada hectrea de
maz sembrado se obtiene una utilidad de 5000 soles y alverja de 7000 soles.
Elabore un programa para simular la decisin de sembrar y reportar las utilidades
respectivas.
4.
Elaborar un programa para simular los inventarios de la empresa Hidrandina.

Considerar tres productos: postes, cables de media tensin y transformadores.
Elaborar grfico por cada producto.
5.
Desarrollar un programa para simular las ventas de N productos de la empresa

Comercial Trujillo. Reportar egresos, ingresos y utilidades.
6.
Elaborar un programa para simular el sistema de produccin de barras

energticas KWEAT. Reportar el plan de produccin respecto a materia prima,
insumos, mano de obra, gastos administrativos, etc.
7.
Elaborar un programa para simular el clculo de reas bajo curvas. Utilizar base
de datos y grficos.
8.
Un empresario huaracino desea un programa de simulacin para determinar el

comportamiento de sus egresos, ingresos y utilidades mensuales de sus N combis
con capacidad de M pasajeros cada una. Los datos histricos indican que el factor
de ocupancia vara entre 95% y 90%.
9.
Elaborar un programa para simular las llegadas de los clientes al Banco de la

Nacin. Utilizar base de datos y grficos.
Pg. 31
10.
Elaborar un programa para simular el modelo de Colas o Lneas de Espera de

las siguientes empresas: Banco de Crdito, ScotiaBank, Caja Municipal del Santa,
Banco de la Nacin, Interbank, Seguro Social, Universidad San Pedro. (el grupo
debe seleccionar solo una y no deben ser iguales en cada grupo). Recuerde que
debe modelar el sistema teniendo en cuenta una aproximacin real del sistema, es
decir tener en cuenta el mximo de variables que intervienen en dicho sistema.
11.
Elaborar un programa para simular el comportamiento de las exportaciones de

una empresa de venta de flores.
12.
Analice el cdigo fuente de un programa de simulacin en cualquier lenguaje

de programacin: de inventario, de produccin, de juegos, de colas, cualquier otro,
escrito en cualquier lenguaje, que no sea muy extenso y presntelo en su informe.
(solo presentar uno por grupo).
NOTA: La calidad de la presentacin, el uso de base de datos, grficos y animacin

permitir al alumno o al grupo obtener una mejor calificacin.
SUGERENCIA: Los programas pueden ser presentados en un solo archivo, para ello
debern usar men, en donde cada opcin de men pueda ejecutar a cada programa.
Pg. 32
ADVERTENCIA: Si el alumno presenta cdigo fuente bloqueado para cualquier

ejercicio del laboratorio se considerar como que no ha presentado su laboratorio.
TEORIA DE COLAS
3.6. MODELOS DE COLAS
3.6.1. DEFINICIN
Una Cola es una lnea de espera y la teora de colas es una coleccin de
modelos matemticos que describen sistemas de lneas de espera particulares o
de sistemas de colas. Los modelos sirven para encontrar un buen compromiso
entre costos del sistema y los tiempos promedio de la lnea de espera para un
sistema dado.
Problemas tpicos de Teora de Colas son:
Sistema
Llegadas
Cola
Aeropuerto
Dpto. de bomberos
Compaa telefnica
Panadera
Fbrica
Pasajeros
Alarmas de incendio
Nmeros marcados
Clientes
Piezas para ensamblar
Sala de espera
Incendios
Llamadas
Clientes con nmeros
Inventario en proceso
Mecanismo de
Servicio
Avin
Dpto. De Bomberos.
Conmutador
Vendedor
Estacin de trabajo
3.6.2. ELEMENTOS DE UN MODELO DE COLAS

Los agentes principales en un sistema de colas son el cliente y el servidor. Los
clientes se generan de una fuente. Un cliente llega a las instalaciones y es
atendido por un servidor o servidores, luego es atendido el siguiente cliente y as
sucesivamente. En sistema de colas bsico existen los siguientes elementos:
Clientes: Objetos (personas, procesos, o cosas) que esperan ser atendidos por
uno o ms servidores del sistema de colas.
Servidor: Objetos (personas, procesos, o cosas) que atienden a los clientes.
Tiempo entre Llegadas (): Es el tiempo que transcurre desde que lleg un
cliente hasta que llega el siguiente cliente. La llegada de los clientes es aleatoria,
se necesita especificar distribucin de probabilidades para este elemento. Para
un sistema de colas bsico se utiliza la distribucin exponencial. La distribucin
de Poisson tambin es utilizado para un sistema de colas.
Tiempo de Servicio (): Es el tiempo que le toma a un servidor atender a un
cliente. Tambin es tratado como una distribucin exponencial.
Tiempo de Espera en el sistema: Es el tiempo que le toma al cliente desde que
entra y sale del sistema.
Tiempo de Espera en la Cola: Tiempo transcurrido desde que el cliente entra al
sistema y se inicia el servicio.
Tamao de las colas: Esta puede ser finita o infinita
Disciplina de la cola de espera: Representa el orden en que los clientes son
atendidos. Este es un factor importante en los modelos de cola. La disciplina ms
comn es el FIFO (First In, First Out) o PEPS (Primero en Entrar, Primero en
Salir). Existe otra disciplina denominada LIFO (Last In, First Out) o UEPS (Ultimo
en Entrar, Primero en Salir)
Pg. 33
Nmero de Servidores: Es la cantidad de servidores que posee el sistema para

atender a los clientes. El nmero de servidores no tiene porqu ser siempre en
paralelo, es decir, puede que un sistema de colas tenga varias fases.
Tasa de Llegadas: Es la cantidad de clientes que llegan a las instalaciones de
servicio por unidad de tiempo.
Tasa de Servicio: Es la capacidad de servicio por unidad de tiempo.
Por ejemplo:
Un sistema telefnico entre dos ciudades puede manejar 90 llamadas
por minuto.
Una instalacin de reparacin puede reparar mquinas a razn una
cada 8 horas.
3.6.3. COSTOS ASOCIADOS A UN SISTEMA DE COLAS
a) Costos asociados a la espera de los clientes
Por ejemplo, el valor del tiempo perdido o la gasolina malgastada en los atascos
o los semforos. Estos costos de espera decrecen conforme aumenta la
capacidad de servicio del sistema.
b) Los costos asociados a la expansin de la capacidad de servicio
Contra la reduccin anterior de costos de espera, es tambin normal que el costo
asociado a incrementar la capacidad de servicio crezca con alguna
proporcionalidad en relacin a esta capacidad.
c) Los costos totales del sistema de servicio
La suma de los dos costos anteriores da una funcin de costos totales del
sistema en funcin de la capacidad, que tendr una forma similar a la siguiente:
COSTOS DEL SISTEMA
Costos de Servicio y Costos de Espera

Debe haber equilibrio entre el costo de proporcionar buen Servicio y el
costo del tiempo de espera del cliente o de la mquina que deben ser
atendidos.
Las Colas deben ser lo suficientemente cortas con la finalidad de que
los clientes no se irriten e incluso se retiren sin llegar a utilizar el servicio
o lo usen pero no retornen ms.
Debe haber una longitud de cola razonable en espera, que sea
balanceada, para obtener ahorros significativos en el costo del servicio.
Costos de Servicio vs Nivel de Servicio

Los costos de servicio se incrementan si se mejora el nivel de servicio.
En supermercados se habilitan cajas adicionales cuando es necesario.
En bancos y puntos de chequeo de aeropuertos, se contrata personal adicional
para atender en ciertas pocas del da o del ao.
Cuando el servicio mejora, disminuye el costo de tiempo perdido en las lneas
de espera.
Pg. 34
Este costo puede reflejar prdida de productividad de los operarios que estn
esperando que compongan sus equipos o puede ser simplemente un estimado
de los clientes perdidos a causa de mal servicio y colas muy largas.
En ciertos servicios (Bancos) el costo de la espera puede ser intolerablemente
alto.
3.6.4. CARACTERSTICAS DE UNA LINEA DE ESPERA
Una
cola de espera est compuesta de tres elementos:

Arribos o ingresos al sistema
Disciplina en la cola
Servicio
Estos tres componentes tienen ciertas caractersticas que deben ser examinadas
antes de desarrollar el aspecto matemtico de los modelos de cola.
a. CARACTERISTICAS DE ARRIBO:
La fuente de ingreso que genera los arribos o clientes para el servicio tiene tres
caractersticas principales:
a. Tamao de la poblacin que arriba
b. Patrn de llegada a la cola
c. Comportamiento de las llegadas.
Tamao de la Poblacin:
El tamao de la poblacin puede ser: infinito (ilimitado) o limitado (finito). La
mayora de los modelos asume arribo infinito. Poblacin de arribo limitada o finita:
cuando se tienen muy pocos servidores y el servicio es restringido. Ejemplo: los
pacientes en un consultorio mdico.
Patrn de arribo al sistema:
Los clientes arriban a ser atendidos de una manera programada (un
paciente cada 15 minutos) o de una manera aleatoria.
Se consideran que los arribos son aleatorios cuando stos son
independientes de otros y su ocurrencia no puede ser precedida
exactamente.
Frecuentemente en problemas de colas, el nmero de arribos por unidad de
tiempo pueden ser estimados por medio de la Distribucin de Poisson que
es una distribucin discreta de probabilidad.
DISTRIBUCION DE POISSON:
P(x) = Probabilidad de x arribos
x=
nmero de arribos por unidad de tiempo
l =
ratio promedio de arribo
e = 2.71828
Comportamiento de los arribos:
La mayora de los modelos de colas asume que los clientes son pacientes o sea
que esperan en la cola hasta ser servidos y no se pasan entre colas.
Desafortunadamente, la vida es complicada y la gente reniega. Aquellos que se
impacientan por la espera, se retiran de la cola sin completar su transaccin.
Pg. 35
La LINEA DE ESPERA es el segundo componente de un sistema de colas. La

longitud de la cola puede ser tambin LIMITADA o ILIMITADA. Cola LIMITADA es
aquella que por aspectos fsicos no puede incrementarse a tamaos infinitos.
Puede ser el caso de una peluquera que tiene pocos barberos y sillas para
atender.
Colas de longitud infinita. Una cola es ILIMITADA cuando su tamao no tiene
restriccin como es el caso de una caseta de peaje que sirve a los vehculos que
arriban.
Una segunda caracterstica de las lneas de espera se refiere a la DISCIPLINA
EN LA COLA mediante la cual los clientes reciben el servicio. La mayora de los
sistemas usan la regla Primero En Entrar Primero En Salir (First In First Out)
[PEPS (FIFO)]. Se denomina tambin FIFS (First In First Served).
b. Caractersticas del Servicio

El tercer elemento de un sistema de colas es el SERVICIO. En l son importantes
dos propiedades bsicas:
La configuracin del sistema de servicio.
El patrn de tiempos de servicio
i. CONFIGURACIONES BASICAS PARA EL SERVICIO:
Los sistemas para el servicio son clasificados en funcin del nmero de
canales (servidores) y el nmero de fases (nmero de paradas que deben
hacerse durante el servicio).
Sistema de cola de un solo canal: tiene un solo servidor. Ejemplos de ello
son los cajeros para automovilistas o los establecimientos de comida rpida.
Sistema de cola multi-canal: Son principalmente los cajeros de un banco en
los cuales hay una sola cola y varias personas atendiendo a los clientes en
diversas cajas.
Sistema de una sola fase: es aquel en el cual el cliente recibe el servicio de
una sola estacin y luego abandona el sistema. Un restaurante de comida
rpida en el cual la persona que toma la orden tambin le entrega el alimento
y cobra, es un sistema de una sola fase
Sistema multifase: cuando se pone la orden en una estacin, se paga en una
segunda y se retira lo adquirido en una tercera
Entrada
SERVIDOR
Salida
Servidor F2
Salida
Sistema: Una canal y una fase
Entrada
Servidor F1
Pg. 36
Sistema: Un solo canal, multifase
CANAL1
Entradas
CANAL2
Salidas
CANAL3
Sistema: Multicanal, una fase
Fase 1
Canal 1
Fase 2
Canal 1
Salidas
Entradas
Fase 1
Canal 2
Fase 2
Canal 2
SISTEMA MULTICANAL MULTIFASE

ii. Distribucin del Tiempo de Servicio
Los patrones de servicio son similares a los patrones de llegada. Pueden ser
constantes o aleatorios.
Si el tiempo de servicio es constante, toma la misma cantidad de tiempo atender
a cada cliente. Es comn con servicios dados por medio de mquinas (Lavadora
automtica de carros).
Si el tiempo de servicio es distribuido aleatoriamente que es el caso ms
comn se lo representa por la DISTRIBUCION DE PROBABILIDAD
EXPONENCIAL NEGATIVA de la forma e-x para x>0. Esta es una hiptesis
matemtica muy conveniente, cuando los arribos siguen la distribucin de
Poisson.
Notacin de los Modelos de Colas
Reconociendo la diversidad de los sistemas de colas, Kendall (1953) propuso un
sistema de notacin para sistemas de servidores paralelos que ha sido adoptado
universalmente. Una versin resumida de esta convencin est basada en el
formato A/B/c/N/K. Estas letras representan las siguientes caractersticas del
sistema:
A = Distribucin de tiempo entre arribos o llegadas.
B = Distribucin del tiempo de servicio.
Los siguientes son smbolos comunes para A y B:
Pg. 37
M = exponencial o Markov (1)

D = constante o determinstica
Ek = Erlang de orden k
P H = Tipo fase
H = Hiperexponencial
G = Arbitrario o general
GI = General independiente
c = nmero de servidores paralelos
N = Capacidad del sistema
K = Tamao de la poblacin.
Nota(1): A causa de las suposiciones de distribucin exponencial en los
procesos de arribo, estos modelos son llamados MARKOVIANOS
Por ejemplo: M/M/1// significa un solo servidor, capacidad de cola ilimitada y

poblacin infinita de arribos potenciales. Los tiempos entre arribos y los tiempos
de servicio son distribuidos exponencialmente. Cuando N y K son infinitos,
pueden ser descartados de la notacin. M/M/1// es reducido a M/M/1.
3.6.5. Variedad de Modelos de Colas
Existe una cantidad enorme de Modelos de Colas que pueden utilizarse. Nos vamos a
concentrar en 4 de los modelos ms usados. Modelos ms complejos pueden ser
desarrollados mediante el uso de la Simulacin y se los encuentra en textos
especializados sobre el tema. Los 4 modelos de colas a estudiar asumen:
Arribos segn la Distribucin de Poisson
Disciplina PEPS (primero en entrar, primero en salir)
Una sola fase de servicio.
Modelo A: Un canal, arribos segn la distribucin de Poisson, tiempo de
servicios exponenciales.
Modelo B: Multicanal
Modelo C: Tiempo de Servicio constante
Modelo D: Poblacin Limitada
Modelo A: Modelo de Colas de un solo canal, con arribos que siguen la distribucin
de Poisson y Tiempos de Servicio Exponenciales: (Modelo M/M/1)
Los casos ms comunes de problemas de colas incluyen la lnea de espera de
canal nico o servidor nico. En este caso los arribos crean una sola cola a ser
servida por una sola estacin.
Modelo A: M/M/1
Asumimos que existen las siguientes condiciones:
1. Los clientes son servidos con una poltica PEPS y cada arribo espera a ser
servido sin importar la longitud de la lnea o cola.
2. Los arribos son independientes de arribos anteriores, pero el promedio de
arribos, no cambia con el tiempo.
3. Los arribos son descritos mediante la distribucin de probabilidad de Poisson y
proceden de una poblacin muy grande o infinita.
4. Los tiempos de servicio varan de cliente a cliente y son independientes entre s,
pero su rata promedio es conocida.
Pg. 38
5. Los tiempos de servicio se representan mediante la distribucin de probabilidad

exponencial negativa.
6. La rata de servicio es ms rpida que la rata de arribo.
Modelo B: Modelo de cola multicanal (M/M/S)
Dos o ms servidores o canales estn disponibles para atender a los
clientes que arriban.
Los clientes forman una sola cola y se los atiende de acuerdo al servidor que
queda libre.
Asumimos que los arribos siguen la distribucin de probabilidad de Poisson
y los tiempos de servicio son distribuidos exponencialmente.
FRMULAS PARA COLAS MODELO A: SISTEMA SIMPLE O M/M/1
VARIABLES
SIMBOLO/FORMULA
Nmero promedio de llegadas por periodo

Nmero promedio de objetos servidos por periodo de
tiempo
Nmero de clientes en el sistema
Nmero promedio de clientes en el sistema

Factor de utilizacin del sistema
Tiempo promedio que un cliente permanece en el sistema
(tiempo de espera + tiempo de servicios)
Nmero promedio de unidades en la cola
Tiempo Promedio que un cliente espera en la cola
Probabilidad de que n clientes estn en el sistema
Probabilidad de cero clientes estn en el sistema
Probabilidad de que ms de k clientes estn en el sistema
N
Ls = / ( )
=/
Ws = 1 / ( )
Lq = 2 / ( ( ))
Lq = Ls
Wq = / ( ( ))
W q = Ws
Pn = (1 / )*( / )n
Pn = (1 ) * n
Po = 1 / = (1 )
Pn>k = ( / )k+1
MODELO B: SISTEMA MULTICANAL O M/M/S

VARIABLES
SIMBOLO/FORMULA
Nmero de canales abiertos
Po
Tasa promedio de arribo

Tasa promedio de servicio en cada canal
Probabilidad de que existan cero clientes en el sistema
Pg. 39
nmero de c anales abiertos
tas a p ro medio de arribo

tas a p ro medio d e servic io en c ad a c anal
Po P rob abilid ad d e q ue existan CERO p ers onas o unidad es en el s is tema
Po
n M 1
n 0
Ls
n !
M !
M
M
para M
nmero promedio de pers o nas o unidad es en el s is tema :
1.!. M
M
LS
Po
Ls = nmero promedio de personas o unidades en el sistema

M nmero d e c anales ab ierto s
tas a p ro med io d e arrib o
Po
Po
tas a p ro med io d e s ervic io en c ad a canal

Pro b ab ilid ad d e q ue exis tan C ER O p ers o nas o unid ad es en el s is tema
1
n M 1
n 0
n !
M !
M
M
p ara M
Ls nmero p ro med io de p ers o nas o unid ad es en el s is tema :
1. !. M
M
LS
Po
Ejemplo 01
Elaborar un programa que simule un sistema de colas M/M/1/1 dado un rango de
tiempo entre llegadas de los clientes y un rango de tiempo de servicio. Estos rangos
son aleatorios. Se pide calcular: promedio de clientes en el sistema, factor de
utilizacin del sistema, promedio de cliente en cola, servicio, tempo promedio en el
sistema, tiempo promedio en cola, tiempo en el sistema, tiempo en cola y
probabilidades de que haya N clientes en el sistema, ningn cliente en el sistema y
ms de K clientes en el sistema.
Pg. 40
BOTON SIMULAR
Dim i, tsll, till, tsa, tia, ns, n, k, pos As Integer
Dim tll(0 To 50), ta(0 To 50), pcs(0 To 50), fu(0 To 50) As Double
Dim tpcs(0 To 50), npuc(0 To 50), tpcc(0 To 50), mvy, pn, po, pk As
Double
Randomize()
tsll = Val(TextBox1.Text)
till = Val(TextBox2.Text)
tsa = Val(TextBox3.Text)
tia = Val(TextBox4.Text)
ns = Val(TextBox5.Text)
n = Val(TextBox11.Text)
k = Val(TextBox12.Text)
For i = 0 To ns - 1
tll(i) = Rnd() * (tsll - till) + till 'generacion aleatoria de
lambda
ta(i) = Rnd() * (tsa - tia) + tia ' generacion aleatoria de mu
pcs(i) = tll(i) / (ta(i) - tll(i)) ' N promedio clientes en el
sistema
fu(i) = tll(i) / ta(i) ' Factor de utilizacion del sistema
tpcs(i) = tll(i) / (ta(i) - tll(i)) 'Tiempo promedio de cliente
en sistema
npuc(i) = tll(i) ^ 2 / (ta(i) * (ta(i) - tll(i))) ' N promedio
clientes en cola
tpcc(i) = tll(i) / (ta(i) * (ta(i) - tll(i))) ' Tiempo promedio
cliente esta en cola
Next i
For i = 0 To ns - 1
DGV.Rows.Add()
'COLOCA NUMERO A LAS FILA DE LA REJILLA
DGV.Rows(i).Cells(0).Value = i + 1
'COLOCA VALORES DE TIEMPO DE LLEGADA (LAMDA) EN REJILLA
DGV.Rows(i).Cells(1).Value = Format(tll(i), "###.00")
'COLOCA VALORES DE TIEMPO DE SERVICIO (MU) EN REJILLA
DGV.Rows(i).Cells(2).Value = Format(ta(i), "###.00")
'COLOCA VALORES DE N PROMEDIO CLIENTES EN SISTEMA EN REJILLA
DGV.Rows(i).Cells(3).Value = Format(pcs(i), "###.00")
'COLOCA VALORES DE FACTOR DE UTILIZACION DEL SISTEMA EN REJILLA
DGV.Rows(i).Cells(4).Value = Format(fu(i), "###.00")
'COLOCA VALORES DE TIEMPO PROMEDIO CLIENTE EN SISTEMA REJILLA
DGV.Rows(i).Cells(5).Value = Format(tpcs(i), "###.0")
'COLOCA VALORES DE NUMERO PROMEDIO DE CLIENTES EN COLA
DGV.Rows(i).Cells(6).Value = Format(npuc(i), "###.0")
Pg. 41
'COLOCA VALORES DE TIEMPO PROMEDIO CLIENTE EN COLA

DGV.Rows(i).Cells(7).Value = Format(tpcc(i), "###.0")
Next i
'MEJORES VALORES EN COLA DE ESPERA
mvy = pcs(0) : pos = 0
For i = 0 To ns - 1
If mvy < pcs(i) Then
mvy = pcs(i)
pos = i
End If
Next i
TextBox6.Text = Format(mvy, "###.000")
TextBox7.Text = Format(fu(pos), "#.000")
TextBox8.Text = Format(npuc(pos), "###")
TextBox9.Text = Format(tpcs(pos), "###.00")
TextBox10.Text = Format(tpcc(pos), "###.00")
If CheckBox1.Checked Then
pn = (1 - (tll(pos)) / ta(pos)) * (tll(pos) / ta(pos)) ^ n
TextBox13.Text = Format(pn, "#.000")
End If
po = 1 - tll(pos) / ta(pos)
TextBox14.Text = Format(po, "#.000")
End If
pk = (tll(pos) / ta(pos)) ^ (k + 1)
TextBox15.Text = Format(pk, "#.000")
End If
End Sub
BOTON NUEVO
Dim k As Integer
k = DGV.Rows.Count
For i = 0 To k
DGV.Rows.Clear()
Next
TextBox1.Text = ""
TextBox2.Text = ""
TextBox3.Text = ""
TextBox4.Text = ""
TextBox5.Text = ""
TextBox6.Text = ""
TextBox7.Text = ""
TextBox8.Text = ""
TextBox9.Text = ""
TextBox10.Text = ""
TextBox11.Text = ""
TextBox12.Text = ""
TextBox13.Text = ""
TextBox14.Text = ""
TextBox15.Text = ""
'TextBox1.SetFocus()
'CheckBox1.cheked = False
BOTON SALIR
End
Pg. 42
CAPITULO IV
ASPECTOS ESTADSTICOS EN SIMULACION

Un conjunto de valores de entrada para un modelo de simulacin es el conjunto de
condiciones iniciales que describe el estado del sistema en el momento en que
comienza la simulacin. En muchos casos, estos valores son fijos y se determinan
fcilmente debido a la naturaleza del sistema. Por ejemplo, simular la operacin diaria
de un banco, los valores iniciales que describen el inicio de la simulacin (esto es, el
inicio del da) son que todava no hay clientes en el sistema y, en consecuencia, que
todos los pagadores disponibles estn ociosos. En contraste, en algunos problemas
las condiciones iniciales no estn tan fcilmente disponibles o, de hecho, no se
conocen. En estos casos, los valores iniciales generalmente se escogen de una de las
siguientes formas:
1. Asignando valores sobre la base de su conocimiento de cmo trabaja el sistema
que y de lo que sera ms probable esperar en el momento correspondiente al inicio
de la simulacin.
2. Asignando cualesquier valores iniciales razonables ejecutando la simulacin el
tiempo suficiente como para minimizar la influencia de las condiciones iniciales.
Asignando cualesquier valores iniciales razonables y ejecutando la simulacin durante
algn periodo inicial, digamos T. Despus descartar todas las estadsticas acumuladas
durante est periodo excepto las condiciones finales. -Use estas condiciones finales
Pg. 43
como las condiciones iniciales para efectuar otra simulacin Entonces se compila y
registra un segundo conjunto de estadsticas
El anlisis estadstico se usa para determinar la longitud adecuada de la ejecucin de
la simulacin en el paso 2 y el periodo inicial T en el paso 3. Esto anlisis estn ms
all de nuestro alcance pero pueden encontrarse en cualquier libro sobre simulacin
por computadora
La obtencin del valor de salida de una sola corrida de simulacin es estadsticamente
anloga a extraer una sola muestra de una poblacin. Esto se debe a que la
secuencia de nmeros aleatorios usados en la ejecucin de la simulacin se basa en
el nmero aleatorio uniforme inicial elegido y es slo uno de muchos resultados
posibles.
4.1. CARACTERISTICAS DE UNA DISTRIBUCIN DE FRECUENCIAS
4.1.1. MEDIDAS DE POSICION
Son aquellas medidas que nos ayudan a saber dnde estn los datos pero
sin indicar como se distribuyen.
Media aritmtica
La media aritmtica o simplemente media, que denotaremos por X , es el
nmero obtenido al dividir la suma de todos los valores de la variable entre el
nmero total de observaciones, y se define por la siguiente expresin:
Media aritmtica para datos no tabulados
n
xi
x = i=1
n
Media aritmtica para datos tabulados de variable discreta

n
f i xi
x = i=1
n
Media aritmtica para datos tabulados por intervalos
f i mi
x = i=1
n
Media aritmtica ponderada
Es una media aritmtica que se emplea en distribuciones de tipo unitario, en
las que se introducen unos coeficientes de ponderacin, denominados i ,
que son valores positivos, que representan el nmero de veces que un valor
de la variable es ms importante que otro.
Pg. 44
xi w i
w=
i=1n
wi
i=1
Media geomtrica
Sea una distribucin de frecuencias que se simboliza por G. se define como
la raz N-sima del producto de los N valores de la distribucin.
N
G= xn1 1 x2n2 x n3 3 .. xnk

k
Media armnica
Es el reciproco de la media aritmtica. No es aconsejable en distribuciones
de variables con valores pequeos. Se suele utilizar para promediar variables
tales como productividades, velocidades, tiempos, rendimientos, cambios,
etc.
H=
N
x1 ni
i=1 i
n
4.1.1. MEDIDAS DE DISPERSION
Varianza
Es una medida que cuantifica el grado de dispersin o de variacin de los
valores de una variable con respecto a su media aritmtica. Si los valores
tienden a concentrarse alrededor de su media, la varianza ser pequea, de
lo contrario es grande. La variancia de muestra se simboliza por S 2 y de la
poblacin por 2.
Varianza para datos no tabulados
n
( x ix i )2
S 2= i=1
Varianza para datos tabulados variable discreta

k
f i ( x ix i )2
S 2= k=1
Varianza para datos tabulados por intervalos

Pg. 45
f i ( mi x i )2
S 2= k=1
Desviacin estndar
Es una medida de centralizacin o dispersin para variables de razn (ratio o
cociente) y de intervalo. Se define como la raz cuadrada de la varianza.
Junto con este valor, la desviacin tpica es una medida (cuadrtica) que
informa de la media de distancias que tienen los datos respecto de su media
aritmtica, expresada en las mismas unidades que la variable. Se simboliza
con s minscula.
Indica cunto tienden a alejarse los valores concretos del promedio en una
distribucin. De hecho, especficamente, la desviacin estndar es "el
promedio de la distancia de cada punto respecto del promedio".
s= S2
4.3. CONCEPTOS BASICOS DE LA TEORA MUESTRAL
a. Poblacin. Conjunto de individuos que tienen una o ms propiedades en comn, se

encuentran en un espacio o territorio que les es propio y varan en el transcurso del
tiempo. Esto es muy notorio en las cohortes o promociones estudiantiles, tornando
imprescindible que se feche el periodo de las observaciones sobre la muestra
escogida.
b. Muestra. Es una fraccin o subconjunto de cualquier tamao de la poblacin de la
cual proviene. Las muestras se escogen por diversos procedimientos (sean
apropiados o no) para realizar las observaciones o recogida de datos. El mtodo de
muestreo aplicado y el tamao de la muestra que se decida, determinan su grado de
representatividad.
c. Muestra representativa. Es una muestra de un tamao apropiado que ha sido
escogida por procedimientos aleatorios y se considera que las caractersticas
observadas representan o corresponden a la poblacin de donde ella proviene.
Lamentablemente no es posible tener la certeza de su grado representativo sino la
probabilidad razonable de su semejanza, la que puede ser calculada por algn modelo
estadstico.
d. Muestra aleatoria o muestra al azar. Los sujetos de la muestra se eligen mediante
un sorteo con medios mecnicos (sin intervencin humana) o usando una tabla de
nmeros aleatorios. Para que sea realmente aleatoria dicha muestra, todos los
sujetos de la poblacin blanco deben tener la misma probabilidad de ser elegidos.
Siempre que hay intervencin humana existe la probabilidad que se produzcan
errores sistemticos. Por ejemplo, hacer un sorteo con papelitos que se sacan de un
sombrero; primero habra que verificar la forma en que se pleg cada papel; en
segundo lugar los nmeros que quedaron al fondo o en las orillas tienen escasa
probabilidades de ser elegidos.
Pg. 46
e. Error sistemtico. Error de medicin o de seleccin que se produce

reiteradamente en una misma direccin. Sus fuentes principales son equipos
defectuosos o la intervencin humana. Poblacin blanco. Corresponde a la poblacin
de donde se extrae una muestra y hacia la cual se generaliza los hallazgos que se
observen en dicha muestra. Sus atributos deben ser claramente definidos para que
los sujetos sean correctamente elegidos.
f. Unidad muestral. Corresponde a personas, objetos u otros elementos que se
pueden numerar para ejecutar un sorteo aleatorio. Casi siempre se trata de sujetos o
individuos, pero en algunos casos podran ser escuelas, cursos o familias; tambin
pueden ser unidades territoriales como manzanas de una ciudad, calles o casas.
g. Mortalidad experimental. Se refiere a los sujetos escogidos para someterse a
observacin en una muestra en estudio y no se les ubica, o bien no es posible lograr
que proporcionen la informacin que se necesita. Si la mortalidad experimental es alta,
la investigacin pierde su credibilidad. El plan de muestreo debe considerar este factor
4.5. TIPOS DE MUESTRAS
a. ALEATORIAS O PROBABILISTICAS
Simple
Estratificada
Por conglomerado
Por rea de Superficie
b.
NO PROBABILSITICAS
Errtica
Por Cuotas
Intencional
Bola de Nieve
EJERCICIO PARA EL ALUMNO

1.
Realice un anlisis crtico sobre el uso de la estadstica en la
simulacin.
2.
Investigue un software que utilice la estadstica en la simulacin.
Pg. 47
CAPITULO V
SIMULACIN DE SISTEMAS ECONOMICOS

5.1. MODELOS DE SIMULACION PARA LA EMPRESA Y LA INDUSTRIA
Modelos de simulacin para la empresa:

En la empresa se pueden simular todos aquellos fenmenos complejos tales como
demanda, estudio de mercado, juegos de estrategia, calidad de productos, etc. en el
mercado se pueden encontrar software orientado a simulacin de actividades
empresariales.
En la industria se pueden disear modelos de simulacin de lneas de produccin,
tamao de planta, diseo de productos, nuevos mtodos de mejoras de trabajo,
balance de lneas de produccin, etc. existen software de simulacin aplicadas a la
industria como el promodel, simulink, GPSS, etc.
5.2. TEORA DE JUEGOS
Es una herramienta que ayuda a analizar problemas de optimizacin interactiva. La

teora de juegos tiene muchas aplicaciones en las ciencias sociales. La mayora de las
situaciones estudiadas por la teora de juegos implican conflictos de intereses,
estrategias y trampas.
Fue ideada por John von Neumann, luego, John Nash, A.W. Tucker y otros hicieron
grandes contribuciones a la teora de juegos.
5.2.1. JUEGO
Se denomina juego a la situacin interactiva especificada por el conjunto de
participantes, los posibles cursos de accin que puede seguir cada participante, y el
conjunto de utilidades.
5.2.2. ESTRATEGIA
Cuando un jugador tiene en cuenta las reacciones de otros jugadores para realizar su
eleccin, se dice que el jugador tiene una estrategia. Una estrategia es un plan de
acciones completo que se lleva a cabo cuando se juega el juego. Se explicita antes de
que comience el juego, y prescribe cada decisin que los agentes deben tomar
durante el transcurso del juego, dada la informacin disponible para el agente. La
estrategia puede incluir movimientos aleatorios.
5.2.3. RESULTADO DE LOS JUEGOS
El resultado de un juego es una cierta asignacin de utilidades finales. Se denomina
resultado de equilibrio si ningn jugador puede mejorar su utilidad unilateralmente
dado que los otros jugadores se mantienen en sus estrategias. Un equilibrio
estratgico es aquel que se obtiene cuando, dado que cada jugador se mantiene en su
estrategia, ningn jugador puede mejorar su utilidad cambiando de estrategia.
Alternativamente, un perfil de estrategias conforma un equilibrio si las estrategias
conforman la mejor respuesta a las otras.
Pg. 48
5.2.4. FORMA NORMAL VERSUS FORMA EXTENSIVA DE LOS JUEGOS

En juegos de forma normal, los jugadores mueven simultneamente. Si el conjunto de
estrategias es discreto y finito, el juego puede ser representado por una matriz NxM
(ver abajo). Un juego en forma extensiva especifica el orden completo de movimientos
a travs de la direccin del juego, generalmente en un rbol de juego.
5.2.5. JUEGOS NXM
Una forma de juegos de dos jugadores, en la cual un jugador tiene N acciones
posibles y el otro tiene M acciones posibles. En un juego as, los pares de utilidades o
pagos pueden ser representados en una matriz y el juego es fcilmente analizable.
Los juegos NxM dan una idea de cmo puede verse la estructura de un juego ms
complejo.
5.2.6. MATRIZ DE RESULTADOS DE UN JUEGO
La matriz de resultados de un juego representa el resultado del juego en una matriz.
Supongamos que dos personas, A y B, estn jugando un sencillo juego. El juego
consiste en lo siguiente: la persona A tiene la posibilidad de elegir arriba o abajo,
mientras que B puede elegir izquierda o derecha. Los resultados del juego se
representan en la matriz de resultados:
IZQUIERDA
DERECHA
ARRIBA
(50 , 100)
(0, 50)
ABAJO
(100 , 50)
(50, 0)
5.3. SIMULACION DE LA ECONOMIA

En la economa existen muchos temas que pueden ser simulados debido a las
complejidades que presentan. Por ejemplo: demanda de un producto, oferta de un
producto, tamao de mercado, seleccin y compra de maquinaria, punto de equilibrio
de un producto, etc.
EJERCICIO PARA EL ALUMNO
1.
Elabore un programa para simular la demanda de dos productos.
2.
Elabore un programa para simular la seleccin y compra de N mquinas de
entre M mquinas teniendo en cuenta precio, velocidad de produccin, etc.
3.
Elabore un programa para simular la teora de juegos de dos o ms
empresarios.
4.
Elabore un programa para simular el juego de la Tinka
Pg. 49
5.
Elabore un programa para simular el sistema de prstamos de una entidad

financiera.
6.
Elabore un programa para simular el sistema de ahorros de una entidad
financiera.
7.
Analice e investigue un sistema elaborado aplicado a la produccin o economa,
y sustente su ejecucin y muestre su cdigo fuente.
CAPITULO VI
LA SIMULACIN EN LA PLANIFICACIN, PROGRAMACIN Y
CONTROL DE PROYECTOS
6.1. FUNDAMENTOS DE LA REPRESENTACIN GRFICA DE UN PROYECTO
6.1.1. PROYECTO
Es un conjunto de tareas u operaciones elementales bien diferenciables que se
ejecutan segn un orden determinado.
Los fundamentos de los sistemas PERT y CPM son las representaciones grficas del
proyecto mediante diagramas de flechas, o tambin lo podemos llamar red de flechas.
La red se crea segn el orden de realizacin de las tareas u operaciones, paso a paso,
hasta el final del proyecto. Originalmente estas tareas u operaciones se llaman
actividades. Un trabajo encargado a una persona responsable, bien lo realice
personalmente o bien lo hagan operarios a sus rdenes es lo que podemos definir
como actividades.
Una actividad puede comprender una sola tarea o bien una serie de ellas. Todo
depende de la designacin del responsable de los trabajos que se realizan bajo sus
rdenes segn la conveniencia de la realizacin del proyecto. Por tanto habr tantas
actividades como responsables.
Grficamente una actividad est compuesta de dos partes: la primera que es la
ejecucin del trabajo y est representada con una flecha con orientacin de izquierda
a derecha y la segunda se llama suceso que generalmente se dibuja con dos crculos
o dos rectngulos ponindolos en los dos extremos de la flecha:
i
El suceso que esta al final de la flecha se llama suceso inicial y el suceso que
conecta al comienzo de la flecha se le denomina suceso final. El suceso es un
instante de la actividad que sirve como el punto de control, describiendo el momento
de comienzo o terminacin de una actividad. La actividad es un smbolo de trabajo en
proceso. Por tanto, todas las actividades requieren tiempo y recursos.
La longitud de la flecha no representa la cantidad de tiempo como en los grficos de
GANTT. Por ejemplo, en la siguiente figura, la actividad A no es ms corta de duracin
que la B, aunque la longitud de las flechas lo sea:
Pg. 50
A
1
La direccin de las flechas no tienen sentido vectorial. Es simplemente una progresin

de tiempo. Como el tiempo no retrocede, la orientacin de la flecha es siempre de
izquierda a derecha. Por ejemplo, podemos dibujar una red como sigue:
Tampoco es preciso que la flecha sea una lnea recta, sino que pueden dibujarse en
curva:
Esto depende de la facilidad que haya para representar las actividades en una red de
flechas que refleje el orden y secuencias de las relaciones del proyecto. Una actividad
debe estar terminada para que la subsiguiente pueda comenzar. Como todas las
actividades tienen sus sucesos iniciales y finales, el suceso final de la actividad
precedente es el mismo suceso inicial de la subsiguiente:
B
A
1
Sin embargo, hay una excepcin en los sucesos iniciales y finales. El primer suceso
inicial del proyecto no tiene una actividad que la preceda y el ltimo suceso final
tampoco tiene una actividad que la subsiga.
6.1.2. ENUMERACIN DE LOS SUCESOS
La enumeracin de los sucesos es otro es otro sistema para la identificacin de la
actividad. Pero para facilitar el clculo en el computador es conveniente asignar
nmeros naturales a los sucesos iniciales y finales. El siguiente grafico ser numerado
como sigue:
3
B
1
D
C
Pg. 51
As podemos llamar a las actividades de la siguiente manera:

Actividad A = (1,2).
Actividad B = (2,3).
Actividad C = (2,4).
Actividad D = (3,4).
Actividad E = (4,5).
6.2. CLCULO DE LA RUTA CRTICA (CPM)
El resultado final en el CPM es la construccin en el programa del tiempo para el
proyecto. Para lograr este objetivo de una manera conveniente, hacemos clculos
especiales que producen la siguiente informacin:
1. Duracin total necesaria para completar el proyecto.
2. Categorizacin de las actividades del proyecto como crticas y como no crticas.
Se dice que cualquier actividad es crtica cuando no hay libertad para determinar los
tiempos de inicio y de terminacin. Como tal, para completar el proyecto sin demora,
cada actividad critica se debe iniciar y terminar a tiempo. Una actividad no crtica
produce cierta holgura en la programacin, de manera que el tiempo de iniciar la
actividad se puede adelantar o demorar dentro de ciertos lmites, sin afectar la fecha
de terminacin de todo el proyecto.
Para realizar los clculos necesarios, definimos un evento como un punto en el tiempo
en el cual se terminan ciertas actividades y se inician otras. En trminos de la red, el
evento corresponde a un nodo. Despus, introducimos las siguientes definiciones:
j = Parte fecha de ocurrencia del evento j
j = Ultima fecha de ocurrencia del evento j
Dij = Duracin de la actividad (i,j)
Las definiciones de las primeras y las ltimas ocurrencias del evento j se especifican
con relacin con las flechas de inicio y de terminacin de todo el proyecto. Los
clculos de la ruta crtica implican dos pasos: el paso hacia delante determinan los
primeros tiempos de ocurrencia de los eventos y el paso hacia atrs calcula sus
ltimas fechas de ocurrencia.
Paso hacia delante (primeras fechas de ocurrencia,). En estos pasos, los clculos
empiezan en el nodo 1 y avanzan recursivamente hacia el nodo final n.
Paso inicial. Determine 1 = 0 para indicar que el proyecto empieza en la fecha 0.
Paso general j. Dado que los nodos p,q,..., y v estn unidos directamente con el nodo
j por las actividades de salida (j,p),(j,q),..., y (j,v) y que las primeras fechas de los
eventos (nodos) p,q,..., y v ya se han calculado, entonces la primera fecha de
ocurrencia del evento j se calcula como:
Pg. 52
j = max {p + Dpj, q + Daj,... v + Dvj}

El paso hacia atrs (ltimas fechas de ocurrencia, ). Despus de la terminacin del
paso hacia delante, los clculos del paso hacia atrs empiezan en el nodo n y
regresan recursivamente al nodo 1.
Paso inicial. Determinar n = n para indicar que la primera y la ltima ocurrencia del
ultimo acontecimiento del proyecto son las mismas.
Paso general j. Dado que los nodos p,q,..., y v estn unidos directamente al nodo j
por las actividades de salida (j,p),(j,q),..., y ya se han calculado, entonces la ltima
fecha de ocurrencia del evento j se calcula como
j = min {p Djp, q Djq,, v Djv}

El paso hacia atrs est completo cuando se calcula 1 en el nodo 1.
Basndose en los clculos anteriores, una actividad (i,j) ser critica si satisface tres
condiciones.
1. i = i
2. j = j
3. j - i = j - i = Dij
Las tres condiciones plantean que la primera y la ltima fecha de ocurrencia de los
eventos finales i y j son iguales y que la duracin D ij ocupa exactamente su lapso. Por
tanto, una actividad que satisface las tres condiciones es no crtica. Las actividades
crticas de una red deben construir una ruta ininterrumpida que abarca toda la red de
principio a fin.
15
45
18
E - 12
B - 10
K - 15
D - 15
A-6
0
F - 20
I - 30
60
60
10
C - 10
30
G-7
30
10
J - 13
6
H - 26
21
47
10
36
Paso hacia delante

Pg. 53
Nodo 1. Determine 1 = 0.
Nodo 2. 2 = 1 + D12 = 0 +6 = 6
Nodo 3. 3 = 1 + D13 = 0 + 10 = 10
Nodo 4. 4 = 1 + D14 = 0 + 10 = 10
Nodo 5. 5 = max{ 2 + D25, 3+D35, 4 +D45} = max{6+15, 10+20, 10+7}= 30
Nodo 6. 6 = 4 + D46 = 10 + 26 = 36
Nodo 7. 7 = 2 + D27= 6+12 =18
Nodo 8. 8 = max {5 + D58, 6 + D68, 7 + D78}= max{30+30, 36+13, 18+15}= 60
Los clculos muestran que el proyecto se puede terminar en 60 das.
Paso hacia atrs
Nodo 8. Determine 8 = 8 = 60
Nodo 7. 7 = 8 - D78 = 60 -15 = 45
Nodo 6. 6 = 8 - D68 = 60 -13 = 47
Nodo 5. 5 = 8 - D58 = 60 - 30 = 30
Nodo 4. 4 = min {5 - D45, 6 - D46}= min {30 -7, 47 - 26} = 21
Nodo 3. 3 = 5 - D35 = 30 - 20 = 10
Nodo 2. 2 = min {5 - D25, 7 - D27} = min {30 -15, 45 -12} = 15
Nodo 1. 1 = min {2 - D12, 3 - D13, 4 - D14} = min {15 - 6, 10 -10, 21 - 10} = 0
La ruta crtica es: 1 3 5 8
6.3. HOLGURAS
Es la diferencia ente los valores del rectngulo con el tringulo. Estas representan e
indican que el proyecto tiene esa diferencia de unidades de tiempo para realizar el
proyecto con comodidad.
6.4. DIAGRAMA DE GANTT
Permite visualizar grficamente la ruta crtica y las actividades que tienen holguras,
cada una de ellas con sus magnitudes.
El diagrama de Gantt para el ejemplo anterior es el siguiente:
Pg. 54
EJERCICIOS PARA EL ALUMNO

1. Elaborar un programa de computadora en Visual Basic para simular una red de
proyectos. Considerar como variable aleatoria a los tiempos de las actividades.
2. Investigue sobre el mtodo PERT y elabore un programa para simular una red
de proyectos. Alcance toda la teora del dicho mtodo y desarrolle un ejemplo.
3. Analice y muestre el cdigo fuente de un software que simula el mtodo PERT y
mtodo CPM.
4. Nombre a cada actividad y determine la ruta crtica de la siguiente red de
proyecto, construya el diagrama de Gantt respectivo.
G-6
B-5
D-10
A-4
1
E-7
I-3
M-11
O-3
K-12
F-8
J-4
H-5
C-6
N-8
L-5
5. Determine la ruta crtica de la siguiente red de proyecto y construya el diagrama

de Gantt respectivo:
3
G - 15
B-8
1111
E-4
C - 11
A-6
I-5
H-4
2
F-9
D - 12
K-7
5
L-3
J-8
6
Pg. 55
REDES PERT Program Evaluations and Review Technique. (Tcnica de revisin

y evaluacin de proyectos)
PERT se desarroll en la dcada de 1950 y se utiliz en forma amplia en la
administracin de proyectos militares de investigacin y desarrollo. Su primera
aplicacin importante fue en el proyecto de los misiles Polaris para la U.S. Navy.
El PERT fue desarrollado especficamente por el Departamento de la Defensa de los
Estados Unidos de Norteamrica para dar apoyo a la planeacin, programacin y
control de una gran cantidad de trabajos (actividades) asociados con el proyecto.
PERT tambin se ha implementado y utilizado en la industria de la construccin,
empresas industriales, instalaciones de activos fijos, el diseo de plantas, la
planeacin y la administracin de programas de investigacin y desarrollo, etc.
El concepto de redes es el mismo que maneja CPM.
LIMPIAR
Y PINTAR
BASE
3
B
C
SACAR
Y
DESARMAR
EL MOTOR
REBOBINAR LA
ARMADURA
Pg. 56
Reemplazar
los anillos
FICTICIA
FICTICIA
E
ENSAMBLAR
E INSTALAR
EL MOTOR
EN LA BASE
[E]
[C]
2
[A]
DISEAR
PROD.
ORD. Y REC.
[ ]
FABR.
PROD.
[ ]
[G]
ENVASAR
PROD.
[ ]
8
[B]
[ ]
[H]
DISEAR
ENVASE
[D]
6
[ ]
[J]
9
ENTREGA
10
PRUEBA
PROD.
[F]
ORD. Y REC.
[I]
PRUEBA
MERCADO
FABR.
ENV.
[3]
[CODIGO]
DESCRIPCION
CLAVE:
DURACION
Dij
Estimacin de los tiempos de las actividades

Al aplicar PERT/CPM a proyectos de construccin y mantenimiento, es posible
contar con estimaciones bastante precisas de los tiempos de las actividades ya
que es probable que se disponga de datos histricos y dado que la tecnologa
que se utiliza es ms o menos estable.
En los proyectos del tipo investigacin y desarrollo, en los que la tecnologa
cambia con rapidez y los productos no son comunes, es posible que sea difcil
contar con estimaciones precisas de los tiempos de las actividades.
Con el fin de tener en cuenta la incertidumbre, las personas que desarrollaron PERT
permitieron a los usuarios utilizar tres estimadores para los tiempos de cada una de
las actividades:
1.-
El tiempo ms probable (tm):

El tiempo que se requiere para terminar la actividad bajo condiciones
normales.
2.-
El tiempo pesimista (tp):
Pg. 57
El tiempo mximo que se necesitara para terminar la actividad si se

encontraran demoras considerables en el proyecto.
3.-
El tiempo optimista (to):

El tiempo mnimo que se requiere para terminar la actividad si todo
ocurre en forma ideal.
Utilizando estas tres estimaciones, puede calcularse un tiempo esperado para la

duracin de una actividad de acuerdo con la siguiente frmula:
te =
to + 4tm + tp
6
Veamos que ocurre con el tiempo con el caso de una empresa X en el cual se
proporcionan tres estimaciones de los tiempos que se requieren para terminar cada
una de las actividades del proyecto.
TABLA
Cdigo de
la actividad
A
B
C
D
E
F
G
H
I
J
Tiempo
optimista(to)
3.0
1.0
1.5
1.2
2.0
1.8
3.0
2.0
0.5
0.8
Tiempo mas
probable(tm)
5.5
1.5
3.0
3.2
3.5
2.8
6.5
4.2
0.8
2.1
Tiempo
pesimista(tp)
11.0
5.0
4.5
4.0
8.0
5.0
7.0
5.2
2.3
2.8
Antes de continuar debemos respondernos algunas interrogantes

Qu se gana al hacer tres estimaciones?
Por qu no simplemente estimar los valores esperados y hacer los clculos de
PERT/CPM con base en stos?
La respuesta es:
Se necesita saber qu tan confiables son las estimaciones de los tiempos
esperados.
Lo cual se puede hacer teniendo las tres estimaciones.
Pg. 58
Si el tiempo requerido para terminar una actividad es muy grande, entonces

tendremos menos confianza en el tiempo esperado que si el intervalo fuera
menor. Por ejemplo: si las tres estimaciones para la actividad fabricar el
producto fueran 2, 3 y 4 en vez de 1.8, 2.8 y 5.0 en ambos casos el tiempo
promedio sera 3.0 das; pero en el primer caso tendramos ms confianza en
que estas cifras modificadas fueran ms precisas puesto que tiene menor
variabilidad. Un intervalo amplio de las estimaciones representa una mayor
incertidumbre y, por ello, menor confianza en el tiempo esperado que se
calcula.
A menor confianza, la probabilidad de terminar el proyecto hacia una fecha
dada se reduce.
La ventaja de tener tres estimaciones de tiempos es que puede calcularse la
dispersin de los tiempos de las actividades y puede utilizarse esta informacin
para evaluar la incertidumbre de que el proyecto se termine de acuerdo con el
programa.
Se utiliza la varianza como medida para describir la dispersin o variacin de
las estimaciones de los tiempos de las actividades.
La frmula de la varianza es:
Varianza de los
Tiempos de actividad
t2 =
(tp to) 2
36
Si la aplicamos al caso de la empresa X se tiene:

Cdigo de la
actividad
Varianza
A
B
C
D
E
F
G
H
I
J
1.78
0.44
0.56
0.22
1.00
0.28
0.44
0.28
0.09
0.11
t2
A partir de estos datos, se tiene, que la actividad A tiene un mayor grado de

incertidumbre que la J. (1.78 comprada con 0.11).
Variabilidad en la fecha de terminacin del proyecto.
Al calcular la ruta crtica se utilizaron los tiempos esperados de duracin para
los tiempos de las actividades; lo que se obtuvo fue una duracin esperada
para el proyecto.
Pg. 59
Como es probable que cada actividad vare en duracin en vez de ser fija. El
tiempo de terminacin del proyecto ser variable, y en particular si existen
variaciones considerables en las actividades de la ruta crtica.
Es probable que el tiempo de duracin del proyecto vare positivamente como
negativamente.
La influencia en el tiempo de duracin del proyecto no solo es de las
actividades de la ruta crtica, sino que se puede generar otra ruta crtica debido
a la variabilidad de las actividades.
Puesto que la varianza de una actividad da una medida de la variacin en la
incertidumbre, puede utilizarse para calcular la variacin total en el tiempo
esperado del trmino del proyecto.
Al calcular el tiempo esperado de terminacin del proyecto, se toman las
varianzas ( t2), de las actividades que forman la ruta crtica. Al igual que con
una calcular la varianza del tiempo de terminacin del proyecto ( t2)
simplemente se suman las varianzas ( t2) de las actividades que forman la ruta
crtica.
Caso Sharp: recordemos que la ruta crtica era la que inclua las actividades A,
C, E, G, I y J, con un tiempo esperado de terminacin de 22 semanas.
La varianza del proyecto es:
2 = tA2 + tC2 + tE2 + tG2 + tI2 + tJ2
2 = 1.78 + 0.56 + 1.00 + 0.44 + 0.09 + 0.11
2 = 3.98 semanas
La desviacin estndar es igual a la raz cuadrada de la varianza; por tanto, la
desviacin estndar para la terminacin del proyecto es
= ( 2)1/2 = (3.98)1/2 2 semanas
En estadstica, se sabe que los tiempos de terminacin de un proyecto no estn
descritos por una distribucin beta sino que siguen una distribucin aproximadamente
normal o en forma de campana.
(En el desarrollo del PERT se utilizaron una distribucin beta para describir las
variaciones en los tiempos de actividades)
Utilizando la distribucin normal podemos hacer planteamientos de probabilidades con
respecto a fecha de trmino del proyecto; dada una fecha especfica de terminacin,
puede calcularse la probabilidad de que el proyecto se termine en esa fecha o antes.
Ejemplo se desea saber cul es la probabilidad de que el proyecto termine antes de 6
meses (26 semanas).
Primero.Convertir 26 semanas a un valor de Z. (X = 26, = 22 y = 2)
Pg. 60
Z=
X-
Z=
26 22
=2
2
Segundo.Con el valor Z = 2 y una tabla de distribucin normal, se encuentra que la

probabilidad asociada es 0.9772. La probabilidad de que el proyecto se termine
en 26 semanas o menos es 0.9772; por tanto, se puede tener bastante
confianza en que el proyecto pueda terminarse hacia esa fecha.

1. Resolver un problema de la realidad red usando PERT y CPM y comparar los
resultados
2. Analizar un software de red CPM y PERT y explicar su aplicacin.
Pg. 61

Modulo Simulacion de Sistemas V6.0

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modulo Simulacion de Sistemas V6.0

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD SAN PEDRO

Dr. VEGA HUINCHO FERNANDO

Dr. Fernando Vega Huincho

Dr. FERNANDO VEGA HUINCHO

Grfico de un modelo matemtico

Dr. FERNANDO VEGA HUINCHO

PASOS BASICOS PARA MODELAR UN SISTEMA

ELEMENTOS O PARTES DE UN MODELO

Dr. FERNANDO VEGA HUINCHO

LINEA DE ESPERA DE UN BANCO

Dr. FERNANDO VEGA HUINCHO

1.4.1. Modelos de Tiempo Continuo y de Tiempo Discreto

1.4.2. Modelos de Estado Continuo y de Estado Discreto El modelo es de

1.4.3. Modelos Determinsticos y Probabilsticos Determinstico es aquel en que

Dr. FERNANDO VEGA HUINCHO

1.4.4. Modelos Estticos y Dinmicos Un modelo en el que el tiempo no es una

E = m c2 Modelo Esttico (materia en energa)

1.4.5. Modelos Lineales y No-Lineales Si la salida es una funcin lineal de la

1.4.6. Modelos Cerrados y Abiertos Si la entrada es externa al modelo e

Dr. FERNANDO VEGA HUINCHO

1.4.7. Modelo Estables e Inestables Si el comportamiento del sistema converge

Dr. FERNANDO VEGA HUINCHO

1.7. MEDIO AMBIENTE:

Seleccione un sistema financiero y mencione:

Dr. FERNANDO VEGA HUINCHO

Dr. FERNANDO VEGA HUINCHO

Comunicacin: Mostrar que est pasando en el sistema

2.5. NATURALEZA EXPERIMENTAL DE UN PROGRAMA DE SIMULACION

La simulacin, y los experimentos de simulacin, se convierten as en una herramienta

Dr. FERNANDO VEGA HUINCHO

ALEATORIEDAD + INTERDEPENDENCIA = COMPLEJIDAD

Los modelos de simulacin no dan soluciones ptimas

La simulacin permite estudiar un sistema con un largo horizonte de tiempo,

Un buen modelo de simulacin puede resultar bastante costoso; a menudo

Cada modelo de simulacin es nico. Las soluciones e inferencias no son

Siempre quedarn variables por fuera y pueden cambiar completamente los

Por ensayo y error se producen diferentes resultados en repetidas corridas

Dr. FERNANDO VEGA HUINCHO

o Las de eventos actuales cuya secuenciacin depende de la ocurrencia

Dr. FERNANDO VEGA HUINCHO

Dr. FERNANDO VEGA HUINCHO

Dr. FERNANDO VEGA HUINCHO

Dr. FERNANDO VEGA HUINCHO

3.4.2. MTODOS CONGRUENCIALES

Dr. FERNANDO VEGA HUINCHO

x 3=( a3 x 0 +a2 + a+1 ) b=a3 x0 +

Dr. FERNANDO VEGA HUINCHO

Dr. FERNANDO VEGA HUINCHO

En el ejemplo el numero semilla es 4 a vale 2 y be vale 3, lo que se ha

En el ejemplo dado por el docente, hacer que el programa reporte solo

Dr. FERNANDO VEGA HUINCHO

En el ejemplo dado por el docente, hacer que el programa reporte la

MTODO DE MONTE CARLO

La simulacin de Monte Carlo es un mtodo que emplea nmeros aleatorios

Dr. FERNANDO VEGA HUINCHO

Dr. FERNANDO VEGA HUINCHO

Dr. FERNANDO VEGA HUINCHO

Dr. FERNANDO VEGA HUINCHO

Dim sx, sy, sxy, sx2, sy2 As Double

Dr. FERNANDO VEGA HUINCHO

Dr. FERNANDO VEGA HUINCHO

Dr. FERNANDO VEGA HUINCHO

logy2(I) = logy(I) * logy(I)