Introducción A La Simulación Industrial

UNIDAD I
INTRODUCCIN A LA
SIMULACIN INDUSTRIAL
Ing. Miguel Meja Dvila M.Sc. 1

QU ES Y PARA QU SIRVE LA
SIMULACIN INDUSTRIAL?

DESARROLLO TECNOLGICO EN EL
ECUADOR

Es el proceso de disear y crear un modelo

lgico matemtico de un sistema real o propuesto
con el objetivo de conducir experimentos
numricos para comprender mejor el
comportamiento del sistema bajo condiciones
dadas (Kelton.pppppppppppppppppppppp
La simulacin permite realizar inferencias de

sistemas an no construidos o de sistemas reales
sin afectarlos.ppppppppppppppppppppppppppppp
ppppppppppppppppppp
APLICACIONES DE LA SIMULACIN
INDUSTRIAL
Diseo de plantas industriales

Modificaciones de Layouts
Anlisis operacionales
Estrategia de planeacin de la produccin
La simulacin proporciona un control sobre el
tiempo, debido a que es un fenmeno que se
puede acelerar o retardar segn se desee
Mejoramiento de procesos
Induccin de nuevo personal
APLICACIONES DE LA SIMULACIN
INDUSTRIAL
- Plantas de manufactura
- Banco
- Hospitales
- Cadena de distribucin
- Supermercados
- Estaciones de combustibles
- Aplicaciones militares

PASOS BSICOS EN LA SIMULACIN
INDUSTRIAL
1. El desarrollo del modelo

2. La experimentacin

DESARROLLO DEL MODELO DE
SIMULACIN
El desarrollo del modelo incluye la

construccin de ecuaciones lgicas
representativas del sistema y la preparacin
del programa computacional.
Una vez cumplida esta etapa entra la

validacin o experimentacin en el modelo
para determinar cmo responder el sistema a
cambios en los niveles de algunas variables
de entrada.
SISTEMA DE SIMULACIN
Un sistema es una correccin de variables

que acta entre s dentro de ciertos lmites
para lograr un objetivo.

MODELO DE SIMULACIN
El modelo es una representacin de los

objetos del sistema y refleja de manera
sencilla las actividades en las cuales los
objetos se encuentran involucrados

VENTAJAS DE UTILIZAR MODELOS DE
SIMULACIN
Una vez constituido el modelo puede ser modificado de

manera rpida con la finalidad de utilizar diferentes
escenarios.
Generalmente es ms econmico mejorar el sistema va
simulacin que hacerlo directamente en el sistema real.
Es mucho ms sencillo comprender y visualizar los
mtodos de simulacin que los mtodos puramente
analticos.
En algunos casos, la simulacin es el nico medio para
lograr una solucin.

DESVENTAJAS DE UTILIZAR MODELOS
DE SIMULACIN
Los modelos de simulacin en un computador son

costosos y requieren mucho tiempo para desarrollarse y
validarse.
Se requiere gran cantidad de corridas computacionales
para encontrar soluciones ptimas, lo cual representa
altos costos.
Es difcil por parte de las personas receptar los modelos
de simulacin.
Los modelos de simulacin no dan soluciones ptimas en
la mayora de requerimientos que se necesiten.

GENERACIN DE NMEROS ALEATORIO
Todos los lenguajes de computadora usados para desarrollar

simulaciones tienen una capacidad incluida de generar una serie
de nmeros aleatorios entre 0 y 1 en la que se cumple lo
siguiente: PPPPPPPPPPPPP
1. El enfoque se basa en mtodos numricos.

2. La serie especfica depende de un valor inicial proporcionado
por el usuario llamado semilla.PPPPPPPPPPPPPPPPPPPPPP
3. Los nmeros generados satisfacen las siguientes propiedades:
a) Estn uniformemente distribuidos entre 0 y 1; y
b) Los nmeros sucesivos son estadsticamente
independient entre si.PPPPPPPPPPPPPPPPPPPPPPPPPPPPP

CLASIFICACIN DE LOS
SOFTWARES DE SIMULACIN

1. LEGUAJES DE PROPSITO GENERAL
Banks (1996) define 25 programas de simulacin

categorizados de acuerdo a: ppppppppppppppp
Lenguajes de propsito general (General Purpose

Software): GPSS/H, GPSS World, SIMAN/ Cinema,
SIMSCRIPT II.5, AWESIM, SIMPLE++,
EXTEND.PPPPPPPPPPPPPPPPPPPPPPPPPPPPP
2. SIMULADORES DE MANUFACTURA
Simuladores de manufactura (Manufacturing
Oriented Software): Arena, Promodel, Automod,
Taylor II, WITNESS, AIM, extend &
Manufacturing.
3. INGENIERA DE PROCESOS
Ingeniera de Procesos (Business Process

Engineering): BPSimulator, Process Model,
SIMPROCESS, Time Machine, Extend +, BRP.
4. SIMULACIN BASADA EN HORARIOS
(Simulation-Based Scheduling): Preactor, Autosched,

Factor.

5. ANIMADORES
Animadores (Animators): Proof animation.
6. PROGRAMAS DE SOPORTE
Experfit, SIMSTAT 2.0.

7. SIMULACIN EN HOJA ELECTRNICA DE
CLCULO Y PAQUETES INTEGRADOS
La simulacin analtica cae en dos categoras:

- Muestreo o Simulacin de Monte Carlo, y
- La simulacin de procesos (o simulacin de eventos
discretos).
@Risk y Crystal Ball, io_jensen_excel, y MS Courseware de

Hillier y Lieberman incrementan significativamente la habilidad
del usuario para conducir, y ensear mtodo de Monte Carlo en
simulacin, tambin como realizar anlisis de riesgo en estudios
de simulacin o proyectos estudiantiles y tesis.

CMO ESCOGER AL SIMULADOR?
1. Caractersticas de entrada
2. Caractersticas de procesamiento
3. Caractersticas de salida
4. Caractersticas de ambiente
5. Caractersticas de costo

METODOLOGA DE LA

Iniciar
Definir el problema
Construir el modelo de
simulacin
Especificar los valores

de las variables y los
parmetros
Hacer funcionar la
simulacin
Validar
Proponer un nuevo
experimento
Detenerse
FACTORES CLAVE

DEFINIR EL PROBLEMA
- Objetivos del sistema estudiado

- Variables que afectan el logro de los objetivos

CONSTRUIR EL MODELO DE
SIMULACIN
- Especificaciones de variables y parmetros
- Especificacin de las normas de decisin
- Especificacin de las probables distribuciones
- Especificacin del procedimiento de incremento del
tiempo

ESPECIFICAR LOS VALORES DE LAS
VARIABLES Y LOS PARMETROS
- Determinacin de las condiciones de inicio

- Determinacin de la duracin del funcionamiento

EVALUAR LOS RESULTADOS
- Determinar las pruebas estadsticas

- Comparar con la dems informacin.

PROCESO ESTOCSTICO
Un proceso estocstico, es un concepto

matemtico que sirve para caracterizar una sucesin
de variables aleatorias (estocsticas) que
evolucionan en funcin de otra variable,
generalmente el tiempo.
Cada una de las variables aleatorias del proceso

tiene su propia funcin de distribucin de
probabilidad y, entre ellas, pueden estar
correlacionadas o no. p

PROCESO ESTOCSTICO
0 1 2 3
i i+1 i+2 i+3

VARIABLES ALEATORIAS

VARIABLE ALETORIAS
Una variable aleatoria es una funcin que

asocia un nmero real a cada elemento del
espacio muestral.
f :RE

VARIABLE ALEATORIA DISCRETA Vad
Una variable aleatoria discreta es un espacio

muestral que contiene un nmero finito de
posibilidades o una secuencia sin final con
igual nmero de elementos que nmeros
enteros.

VARIABLE ALEATORIA CONTINUA Vac
Una variable aleatoria continua es aquella que

tiene un nmero infinito de posibilidades iguales
al nmero de puntos que se encuentran en un
segmento de lnea o intervalo, es decir aquella
variable que puede tomar valores en una escala
continua. ppp
Vac representan datos tales como: alturas,

pesos, temperaturas, distancias, etc.

DISTRIBUCIN DE PROBABILIDAD

DISTRIBUCIN DE PROBABILIDAD
Al conjunto de pares ordenados se denomina

una funcin de densidad de probabilidad fdp
o una distribucin de probabilidad discreta si
cumple las siguientes caractersticas:
1) P ( x) 0
n
2) p( x) = 1
i =1

DISTRIBUCIN ACUMULADA fda
Se denomina una funcin de distribucin

acumulada fda de una Vad x con distribucin
de probabilidad f(x) la misma que se viene
definida como:pppppppppppppppppppppppp
P ( x) = P ( x x ) = p ( x) para x +
tx

FUNCIN DE DENSIDAD DE
PROBABILIDADES PARA Vac
Se denomina una funcin de densidad de

probabilidades para una Vac x aquella que
cumple dos condiciones:pppppppppppppppp
1. P ( x) 0 , para todo x R
+
2. p ( x) dx = 1


OBSERVACIONES
1. Al manejar Vac como Distribucin Normal, Exponencial,

Uniforme, Gamma, Weibull, etc, stas se conocen como
funciones de densidad.pppppppppppppppppppppppppppp
2. Una funcin fdp siempre bajo el rea de la curva

normal es igual a 1. pppppppppppppppppppppppppppp
3. Cuando se desee calcular el rea entre dos curvas se

debe utilizar la integral:
y = p(x) b
P(a x b) = p ( x) dx
a
a b Ing. Miguel Meja Dvila M.Sc. 39

FUNCIN DE DENSIDAD ACUMULADA fda
DE UNA Vac
Se denomina una funcin de densidad

acumulada Vac x aquella que viene dada por:
+
P ( x) = P ( x x ) = p (t ) dt

Observaciones:
1. P (a x b) = P (b) P (a )
2. P( x) = (P( x) ) = ( p ( x) )
d
dx
EJEMPLO

EJEMPLO DE DISTRIBUCIN
TRIANGULAR
El nmero total de horas medidas en unidades de 100

horas que una familia utiliza una aspiradora en un perodo
de un ao es una Vac que tiene la siguiente funcin de
densidad: pppppppppppppp
p (x) =
{ x si 0 x 1
2 x si 1 x 2
0 en otro caso
Encuentre la probabilidad que el perodo de un ao, una
familia utilice su aspiradora a:
a) Menos de 120 horas
b) Entre 50 y 100 horas pppppppppppppppppppppp
x=y y = 2 -x
X Y X Y
0 0 1 1
0,5 0,5 1.5 0.5
1 1 2 0
1, 2 1 1, 2
P(0 x 1,2) = p ( x) dx = xdx + (2 x)dx
0 0 1

2 1
x 1, 2 1, 2
=
2
+
1
2. dx x. dx
1
0
2 2 2 1, 2
1 0 1, 2 x
= + 2 2 dx
2 2 1 2 1
1 (1,2) 2 (1) 2
= + 2x 1 = 0.68 68%
1, 2
2 2 2

DEBER 1
La vida til en das de botellas de cierta

medicina es una Vac que tiene la siguiente
fdp:ppppppppppppppppppppppppppppppppp
{
20.000
p (x) = si x 0
( x + 100) 3
0 en otro caso
Encuentre la probabilidad que una botella de sta
medicina tenga una vida de:
a) Cuando menos 200 das
b) Entre 80 y 100 das pppppppppppppppppppppp
TIPOS DE DISTRIBUCIONES
ESTADSTICAS MS COMUNES
UTILIZADAS EN SIMULACIN
INDUSTRIAL

DISTRIBUCIN BETA (beta, alfa)

DISTRIBUCIN BETA (beta, alfa)
Rango:
Media:
Varianza:
Aplicacin: Por su habilidad de tomar una variedad

de formas, sta distribucin se utiliza en modelos
con ausencia de datos.

DISTRIBUCIN EXPONENCIAL (Media)

DISTRIBUCIN EXPONENCIAL (Media)
Parmetro: La media beta especificada como un

nmero positivo real
Rango:
Aplicacin: Esta distribucin se utiliza

generalmente en modelos de eventos de tiempo con
tiempos de llegada aleatorios. Suele ser inapropiada
para modelar procesos con tiempos de retraso.

DISTRIBUCIN GAMMA (beta, alfa)

DISTRIBUCIN GAMMA (beta, alfa)
Rango:
Media:
Varianza:
Aplicacin:La Distribucin Gamma usualmente se

utiliza para representar el tiempo que se requiere
para completar alguna tarea.

DISTRIBUCIN NORMAL (media, desv.
estndar)

DISTRIBUCIN NORMAL (media, desv.
estndar)
Rango:
Media:
Varianza:
Aplicacin: La Distribucin Normal se aplica en

situaciones en las que se utiliza en teorema del lmite
central. Se utiliza tambin empricamente en muchos
procesos que aparentan tener distribucin simtrica,
como procesos de tiempo cuando la media es al menos
tres o cuatro desviaciones estndar.

DISTRIBUCIN DE POISSON (media)

DISTRIBUCIN DE POISSON (media)
Rango:
Media:
Varianza:
Aplicacin: La Distribucin de Poisson es una

distribucin discreta que generalmente se usa para
modelar el nmero de eventos aleatorios que ocurren en
un intervalo fijo de tiempo.

DISTRIBUCIN TRIANGULAR
(Min,Mode,Max)

DISTRIBUCIN TRIANGULAR
(Min,Mode,Max)
Rango:
Media:
Varianza:
Aplicacin: La Distribucin Triangular se utiliza

comnmente en situaciones en las que la forma exacta
de la distribucin es desconocida, y estima de acuerdo al
mnimo, mximo y valores conocidos.

DISTRIBUCIN UNIFORME (Min, Max)

DISTRIBUCIN UNIFORME (Min, Max)
Rango:
Media:
Varianza:
Aplicacin: La Distribucin Uniforme se utiliza cuando

todos los valores sobre un rango infinito son
considerados iguales. Aveces se usa cuando no existe
ms informacin que el rango.

DISTRIBUCIN WEIBULL(beta, alfa)

DISTRIBUCIN WEIBULL(beta, alfa)
Rango:
Media:
Varianza:
Aplicacin: La Distribucin Weibull se utiliza en modelos

de confiabilidad para representar modelos de tiempo de
vida de un equipo. Si un sistema dispone de un gran
nmero de partes que fallan independientemente, y si el
sistema falla cuando alguna parte falla, entonces el
tiempo promedio entre fallas puede ser aproximado por
una Distribucin Weibull.
EJEMPLO DE AJUSTE DE DATOS A
DISTRIBUCIN ESTADSTICA
UTILIZANDO INPUT ANALYZER DE
ARENA.

PRUEBA DE BONDAD DE AJUSTE
JI CUADRADO

PRUEBA DE BONDAD DE AJUSTE JI
CUADRADO 2
A continuacin se recordar cules son los pasos

conocidos para determinar si un conjunto de
datos se aproxima a una distribucin terica
especfica. p
p
Se recordarn que se utilizar la distribucin 2
,
la misma que utiliza 6 pasos de una prueba de
hiptesis.

EJERCICIO No.1
El siguiente conjunto de datos representa los

tiempos de servicio (en minutos) para una
muestra de 60 clientes. Determine si la hiptesis
nula de que proviene de una distribucin
exponencial se cumple, agrupando los datos 0,1
1 y 2 , etc. Con un nivel de confianza de 0.05

DATOS
0,7 0,4 3,4 4,8 2 1 5 6,2 1,2 4,4
1,5 2,4 3,4 6,4 3,7 4,8 2,5 5,5 0,3 8,7
2,7 0,4 2,2 2,4 0,5 1,7 9,3 8 4,7 5,9
0,7 1,6 5,2 0,6 0,9 3,9 3,3 0,2 0,2 4,9
9,6 1,9 9,1 1,3 10,6 3 0,3 2,9 2,9 4,8
8,7 2,4 7,2 1,5 7,9 11,7 6,3 3,8 6,9 5,3

SOLUCIN DEL EJERCICIO
Frecuencia Fecuencia
Intervalos Xj
Oi relativa
[ 0,1 ) 11 0,183 0,5

[ 1,2 )
[ 2,3 )
8
9
0,133
0,150
1,5
2,5 x = f r . X j
[ 3,4 ) 7 0,117 3,5
[ 4,5 ) 6 0,100 4,5
[ 5,6 ) 5 0,083 5,5
[ 6,7 ) 4 0,067 6,5
[ 7,8 ) 2 0,033 7,5
[ 8,9 ) 3 0,050 8,5
[ 9,10 ) 3 0,050 9,5
[ 10,11 ) 1 0,017 10,5
[ 11,12 ) 1 0,017 11,5
TOTAL 60

x = 0,183 0,5 + 0,13 1,5 + ..... + 0,016 11,5

x = 3,10
1. Ho: Los datos provienen de una distribucin exponencial.

2. Ha: Los datos No provienen de una distribucin exponenc.
3. p =0.05
4. Regin crtica 2 > 2
5. Clculos 1
x
f ( x) = e si x 0

0 en otro caso

x
1
f ( x) = e 3.93 =
3.93
1 1
dx = 0.2544 e 0.2544 x
0.2544 x
P1 = 0.2544 e
0 0
1
= 0.2544 e 0.2544 x
1
0.2544 1
0
= (e 0.2544 (1) e 0.2544 ( 0 ) )
= e 0.2544 + 1 = 1 e 0.2544
= 0.2246

Fecuencia
Intervalos Frecuencia Xj Probabilidad p n ei =n*p
relativa
[ 0,1 ) 11 0,183 0,5 0,276 60 16,56
[ 1,2 ) 8 0,133 1,5 0,199 60 11,94
[ 2,3 ) 9 0,150 2,5 0,135 60 8,1
[ 3,4 ) 7 0,117 3,5 0,105 60 6,28
[ 4,5 ) 6 0,100 4,5 0,081 60 4,87
[ 5,6 ) 5 0,083 5,5 0,065 60 3,88
[ 6,7 ) 4 0,067 6,5 0,049 60 2,93
[ 7,8 ) 2 0,033 7,5 0,038 60 2,27
[ 8,9 ) 3 0,050 8,5 0,029 60 1,76
[ 9,10 ) 3 0,050 9,5 0,023 60 1,37
[ 10,11 ) 1 0,017 10,5 0,018 60 1,08
[ 11,12 ) 1 0,017 11,5 0,014 60 0,82
TOTAL 60

OBSERVACIN: Se recomienda que la frecuencia terica ei

en cualquier intervalo no sea menor que 5.
V = k-1
V = 5 -1 = 4 2 0.05 (4) = 9.49
n
(O e ) 2
2 = i 1
i =1 ei
(11 16. 56 ) 2
(8 11 . 99 ) 2
(1 0 . 82 ) 2
2 = + ....... + = 5.16
16.56 11.99 0.82

6. Decisin
5.16 > 9,49 (FALSO)
---> SE ACEPTA Ho: HIPTESIS NULA
LOS DATOS PROVIENEN DE UNA DISTRIBUCIN

EXPONENCIAL

EJERCICIO No.2
Al llegar al destino 500 contenedores con

artculos de vidrio y verificar los mismos, se
estableci que el nmero de artculos daadas x
tiene la siguiente distribucin (en la primera fila se
indica la cantidad Xi de artculos daados en un
contenedor; en la segunda fila, la frecuencia, el
nmero de contenedores que tiene Xi artculos
daados. Probar si el nmero de artculos
daados estn distribuidos con una Distribucin
de Poisson.

EJERCICIO No.2
Xi 0 1 2 3 4 5 6 7
f(x) 199 169 87 31 9 3 1 1
Xi f fr
0 199 0,398
1 169 0,338
2 87 0,174
3 31 0,062
4 9 0,018
5 3 0,006
6 1 0,002
7 1 0,002
n= 500

EJERCICIO No.2
1. Ho: Los datos provienen de una distribucin exponencial.

2. Ha: Los datos No provienen de una distribucin exponenc.
3. p =0.05
4. Regin crtica 2 > 2

5. Clculos x
1
f ( x) = e si x 0

0 en otro caso

EJERCICIO No.2
E ( x) = x =
x = fr . X i
x = (0.398 0) + (0.338 1) + ....... + (0.002 7)
x =1.3 =
n
(O e ) 2
2 = i 1
i =1 ei

ESTADSTICA DE KOLMOGOROV
SMIRNOV

SMIRNOV
Para aplicar la prueba de ajuste Ji cuadrado
cuando el modelo propuesto bajo Ho es continua
es necesario aproximar mediante el agrupamiento
mediante de los datos observados en un nmero
finito de intervalos de clase, este requisito de
agrupar los datos implica tener una muestra de
tamao ms o menos grande de ah que la
Distribucin Ji Cuadrada se encuentra limitada
cuando la funcin es continua y la muestra
aleatoria disponible tiene tamao de muestra
pequea.

SMIRNOV
Una prueba de estadstica ms apropiada es la

llamada estadstica de Kolmogorov Smirnov, esta
prueba no necesita que los datos se encuentran
agrupados y es aplicable a tamaos de muestra
pequeos se basa en una comparacin entre las
funciones de distribucin acumulativa que se
observan en la muestra ordenada y la distribucin
propuesta bajo la hiptesis nula. Se siguen los 6
pasos de la prueba de hiptesis:

SMIRNOV
1. Ho: Los datos provienen de una distribucin propuesta

2. Ha: Los datos No provienen de una distribucin propuesta
3. p
4. Regin crtica
Si Dn > D 1- Se rechaza la hiptesis Ho
Dn viene dado por:

Dn = max fra F ( X )
SMIRNOV
Para calcular Dn > D 1- , se utiliza la

siguiente tabla:

Valores de cuantiles superiores de la distribucin de la estadstica Dn de
Kolmogorov-Smirnov
1-
n
0,80 0,85 0,90 0,95 0,99
1 0,900 0,925 0,950 0,975 0,995
2 0,684 0,726 0,776 0,842 0,929
3 0,565 0,597 0,642 0,708 0,828
4 0,49 0,525 0,564 0,624 0,733
5 0,446 0,474 0,510 0,565 0,669
6 0,410 0,436 0,470 0,521 0,618
7 0,381 0,405 0,438 0,486 0,577
8 0,358 0,381 0,411 0,457 0,543
9 0,339 0,360 0,388 0,432 0,514
10 0,322 0,342 0,368 0,410 0,490
11 0,307 0,326 0,352 0,391 0,468
12 0,295 0,313 0,338 0,375 0,450
13 0,284 0,302 0,325 0,361 0,433
14 0,274 0,292 0,314 0,349 0,418
15 0,266 0,283 0,304 0,338 0,404
16 0,258 0,274 0,295 0,328 0,392
17 0,250 0,266 0,286 0,318 0,381
18 0,244 0,259 0,278 0,309 0,371
19 0,237 0,252 0,272 0,301 0,363
20 0,231 0,246 0,264 0,294 0,356
25 0,210 0,220 0,240 0,270 0,320

30 0,190 0,200 0,220 0,240 0,290
35 0,180 0,190 0,210 0,230 0,270
Frmula 83
para una n 1.07 1.14 1.22 1.36 1.63
mayor n n n n n
SMIRNOV
5. Clculos
Para los clculos se debe ordenar los valores, buscar las

frecuencias de dichos valores, hallar la frecuencia
acumulada, hallar la frecuencia relativa acumulada, calcular
el valor de F(x), el mismo que representa la distribucin
acumulativa en cada valor observado.
6. Decisin

EJEMPLO
A continuacin se proporcionan los valores ordenados de una

muestra aleatoria del nmero de respuestas correctas en una
prueba de psicologa industrial
852 957 1007 1023
875 963 1010 1035
910 981 1015 1048
933 998 1018 1063

EJEMPLO
En aos anteriores el nmero de respuestas correctas

estaba representado en forma adecuada por una
distribucin normal con media x = 985 y una desviacin
estndar =50.
Con base en esta muestra existe alguna razn para creer

que ha ocurrido un cambio en la distribucin de respuestas
correctas. Utilice =0.05.

SOLUCIN
1. Ho: El nmero de respuestas correctas sigue una distribucin

normal con x = 985
2. Ha: Los datos No provienen de una distribucin normal con x = 985
3. P =0.05
4. Regin crtica
Si D0.05 > D0.95 (16) = 0.328 (Resultado de tabla)

SOLUCIN
5. Clculos
Variables f fa fra F(x) ABS (fra-F(x))
852 1 1 0,0625 0,0039 0,0586
875 1 2 0,1250 0,0139 0,1111
910 1 3 0,1875 0,0668 0,1207
933 1 4 0,2500 0,1492 0,1008
957 1 5 0,3125 0,2877 0,0175
963 1 6 0,3750 0,33 0,0931 x = 852 x = 985
981 1 7 0,4375 0,4681 0,1651
998 1 8 0,5000 0,6028 0,1700
1007 1 9 0,5625 0,57 0,1290 852 985
1010 1 10 0,6250 0,6915 0,1007 Z1 = = 2,66
1015 1 11 0,6875 0,7257 0,0579 50
1018 1 12 0,7500 0,7454 0,0264
1023 1 13 0,8125 0,7764 0,0288
1035 1 14 0,8750 0,8413 0,0212 En la tabla:
1048 1 15 0,9375 0,8962 0,0413
1063 1 16 1,0000 0,9406 0,0594 F(x) = 0.0039
n= 16

SOLUCIN
6. Decisin
0.328 < 0.1290 (FALSO), SE ACEPTA Ho
EL NMERO DE RESPUESTAS CORRECTAS TOMADAS EN

PSICOLOGA SIGUEN UNA DISTRIBUCIN NORMAL

DEBER 2
Utilice la estadstica de Kolmogorov Smirnov para probar la

hiptesis nula de que los datos de la demanda diaria de
unidades de un producto durante 30 das de trabajo es:
38 35 76 58 48 59
67 63 33 69 53 51
28 25 36 32 61 57
49 78 48 42 72 52
47 66 58 44 44 56
Trabaje con 6 decimales. Se encuentran distribuidos

normalmente con una media de 50 y una =10, use un
=0.05.
DEBER 3
Los datos que se detallan representan el No. Equipos

automticos que estaban en uso en un instante dado, se
hicieron observaciones en 3754 ocasiones diferentes. Pruebe
la hiptesis de que constituyen una muestra al azar de una
poblacin de Poisson con una media =10 con un =0.01
Nmero de Nmero de
Frecuencia Frecuencia
ocupados ocupados
0 0 11 433
1 5 12 413
2 14 13 358
3 24 14 219
4 57 15 145
5 111 16 109
6 197 17 57
7 278 18 43
8 378 19 16
9 418 20 7
10 461 21 8
Ing. Miguel Meja 22
Dvila M.Sc. 3 91
DEBER 3
Para calcular F(x) se debe utilizar la tabla de la distribucin

de Poisson con =10.
1.63
(*) En el paso cuatro: Dn-1 D0.99 (3754) = 3754

GENERACIN DE NMEROS
ALEATORIOS

GENERACIN DE NMEROS ALEATORIOS CON
HOJA DE CLCULO MICROSOFT EXCEL

GENERACIN DE NMEROS ALEATORIOS ENTRE DOS
VALORES CON HOJA DE CLCULO MICROSOFT EXCEL
95
GENERACIN DE NMEROS
ALEATORIOS
Una vez obtenidos los datos de entrada del sistema real, es
necesario convertirlos en informacin o datos de entrada del
Modelo de Simulacin, es posible disminuir dos tipos:
1) Informacin Determinstica.- Esta informacin entra

directamente al modelo con su valor correspondiente en el
sistema real.
2) Informacin Probabilstica.- Donde es necesario crear

modelos de Simulacin que emiten el comportamiento de sas
variables entre ellas hemos estudiando las distribuciones Normal,
Exponencial, la Uniforme, etc.
GENERACIN DE NMEROS
ALEATORIOS
De esta forma al crear un modelo de simulacin debemos

ser capaces de tomar se comportamiento y modelarlo.
Los nmeros aleatorios son la base en los modelos de

simulacin donde hay variables probabilsticas ya que
dichos nmeros son la herramienta para generar eventos
de tipo probabilstico. La metodologa en la creacin
matemtica de expresiones sencillas partiendo de lo que
se conoce como generacin de nmeros aleatorios
uniformes entre 0 y 1.

MTODO DE GENERACIN DE NMERO
PSEUDO ALEATORIOS CON DISTRIBUCIN
UNIFORME ENTRE 0 Y 1
De esta forma al crear un modelo de simulacin debemos

ser capaces de tomar se comportamiento y modelarlo.
Los nmeros aleatorios son la base en los modelos de

simulacin donde hay variables probabilsticas ya que
dichos nmeros son la herramienta para generar eventos
de tipo probabilstico. La metodologa en la creacin
matemtica de expresiones sencillas partiendo de lo que
se conoce como generacin de nmeros aleatorios
uniformes entre 0 y 1.
MTODO DE GENERACIN DE NMERO
PSEUDO ALEATORIOS CON DISTRIBUCIN
UNIFORME ENTRE 0 Y 1
Existe un gran nmero de mtodos para generar
nmeros aleatorios entre 0 y 1. El mtodo en s mismo no
tiene importancia, la importancia radica en el hecho de
que los nmeros que se genera cumplen ciertas
caractersticas para que sean vlidos.
1. Es que estn uniformemente distribuidos.

2. Estadsticamente independientes.
3. Su media es estadsticamente igual a 0.50.
4. Su varianza debe ser estadsticamente igual a 1/12.
5. Su ciclo de vida debe ser largo.

1. MTODO CONGRUENTE
Al estudiar los nmeros enteros en relacin con el

residuo o resto de una divisin por un entero le
corresponde el resto de su divisin por m, es decir a todo
entero a se le expresa por un mdulo mediante un entero
positivo b de tal forma que se cumpla la siguiente
expresin:
a = bq + r tal que 0 < r < b

1. MTODO CONGRUENTE
Observacin:
Si a dos enteros a y b le corresponde un mismo resto

(residuo), esto se llama congruente segn, esto se llama
congruente segn el mdulo m o tambin llamados
congruentes mdulos m. La congruencia de los modos a
y b respecto del mdulo m se escribe:
r = a (mod b)
Se lee: r= congruente mdulo b

1. MTODO CONGRUENTE
9 =177 (mod 14)

0 =154 (mod 14)
6 =154 (mod 14)
Actualmente se utiliza los mtodos de congruencia

basados en la relacin:
ri +1 = ( a + Cri ) mod m ; 0 ri m
Dado que ro es la semilla del generador a,c,m

constantes
1. MTODO CONGRUENTE
Generar 5 nmeros aleatorios con la semilla o valor

inicial ro =47 de la siguiente expresin:
ri+1 = (441 + 13ro) mod 767

i=0
ri+1 = (441 + 13ri) mod 767

r1=(441 + 13 (47)) mod 767
r1= 1052 mod 767
r1 = 285
1. MTODO CONGRUENTE
i=2
ri+1 = (441 + 13ri) mod 767

r1=(441 + 13 (311)) mod 767
r1= 4484 mod 767
r1 = 649
i=3
ri+1 = (441 + 13ri) mod 767

r1=(441 + 13 (649)) mod 767
r1= 8878 mod 767
r1 = 441
1. MTODO CONGRUENTE
No. aleatorios son: 285; 311; 649; 441
En este mtodo si se desea obtener nmeros

aleatorios entre 0 y 1 se debe dividir los nmeros
obtenidos para m-1:
285/766 = 0.3720
311/ 766 = 0.4060
649/ 766 = 0.8472
441/ 766 = 0.5365

2. MTODO DE CUADRADOS MEDIOS
El procedimiento de obtencin de nmeros con este

tipo de generadores es el siguiente:
1. Genera semilla
2. Se eleva al cuadrado y se aade un cero a la parte
derecha para tomar un nmero con dos n dgitos.
3. Tomar de la parte central un conjunto de k dgitos
que formar el N. aleatorio.
4. Los k dgitos pasarn a ser la nueva semilla con el
fin de repetir el proceso n ocasionales.

Generar 3 nmeros aleatorios de 4 dgitos a partir de

un generador de cuadrados mnimos utilizando la
semilla 445:
(445)2 = 198025 --------> 0.9802

(9802)2 = 96079204 --------> 0.0792
(0792)2 = 627264 --------> 0.2726

Generar 3 nmeros aleatorios de 4 dgitos a partir de

un generador de cuadrados mnimos utilizando la
semilla 445:
(2173)2 = 47219290 --------> 0.2192
(2192)2 = 48048640 --------> 0.0486
(0486)2 = 236196 --------> 0.3619

GRACIAS POR SU ATENCIN

Introducción A La Simulación Industrial

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

Introducción A La Simulación Industrial

Uploaded by

Copyright:

Available Formats

UNIDAD I

Ing. Miguel Meja Dvila M.Sc. 1

Ing. Miguel Meja Dvila M.Sc. 2

Ing. Miguel Meja Dvila M.Sc. 5

Es el proceso de disear y crear un modelo

La simulacin permite realizar inferencias de

Diseo de plantas industriales

Ing. Miguel Meja Dvila M.Sc. 8

1. El desarrollo del modelo

Ing. Miguel Meja Dvila M.Sc. 9

El desarrollo del modelo incluye la

Una vez cumplida esta etapa entra la

Un sistema es una correccin de variables

Ing. Miguel Meja Dvila M.Sc. 11

El modelo es una representacin de los

Ing. Miguel Meja Dvila M.Sc. 12

Una vez constituido el modelo puede ser modificado de

Ing. Miguel Meja Dvila M.Sc. 13

Los modelos de simulacin en un computador son

Ing. Miguel Meja Dvila M.Sc. 14

Todos los lenguajes de computadora usados para desarrollar

1. El enfoque se basa en mtodos numricos.

Ing. Miguel Meja Dvila M.Sc. 15

Ing. Miguel Meja Dvila M.Sc. 16

Banks (1996) define 25 programas de simulacin

Lenguajes de propsito general (General Purpose

Ingeniera de Procesos (Business Process

4. SIMULACIN BASADA EN HORARIOS

(Simulation-Based Scheduling): Preactor, Autosched,

Ing. Miguel Meja Dvila M.Sc. 18

Animadores (Animators): Proof animation.

Experfit, SIMSTAT 2.0.

Ing. Miguel Meja Dvila M.Sc. 19

La simulacin analtica cae en dos categoras:

@Risk y Crystal Ball, io_jensen_excel, y MS Courseware de

Ing. Miguel Meja Dvila M.Sc. 20

Ing. Miguel Meja Dvila M.Sc. 21

Ing. Miguel Meja Dvila M.Sc. 22

Especificar los valores

Ing. Miguel Meja Dvila M.Sc. 24

- Objetivos del sistema estudiado

Ing. Miguel Meja Dvila M.Sc. 25

Ing. Miguel Meja Dvila M.Sc. 26

- Determinacin de las condiciones de inicio

Ing. Miguel Meja Dvila M.Sc. 27

- Determinar las pruebas estadsticas

Ing. Miguel Meja Dvila M.Sc. 28

Un proceso estocstico, es un concepto

Cada una de las variables aleatorias del proceso

Ing. Miguel Meja Dvila M.Sc. 29

i i+1 i+2 i+3

Ing. Miguel Meja Dvila M.Sc. 30

Ing. Miguel Meja Dvila M.Sc. 31

Una variable aleatoria es una funcin que

Ing. Miguel Meja Dvila M.Sc. 32

Una variable aleatoria discreta es un espacio

Ing. Miguel Meja Dvila M.Sc. 33

Una variable aleatoria continua es aquella que

Vac representan datos tales como: alturas,

Ing. Miguel Meja Dvila M.Sc. 34

Ing. Miguel Meja Dvila M.Sc. 35

Al conjunto de pares ordenados se denomina

Ing. Miguel Meja Dvila M.Sc. 36