DEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN

CARRERA: INGENIERÍA EN SISTEMAS E INFORMATICA

SEXTO SEMESTRE

SIMULACIÓN DIGITAL

NRC: 2872

Foro 3

AUTORES:
ANDRADE JUAN
CABEZAS AYRTON
CARRERA HENRRY
CUICHAN CRISTHIAN
PROFESOR:
ING. FAUSTO MENESES

SANGOLQUI – ECUADOR

Abril – Agosto
2017
Contenido
a. Estado del Arte ................................................................................................................................ 3
1. Modelos discretos y continuos .................................................. Error! Bookmark not defined.
Modelos de Simulación de Eventos Discretos .............................. Error! Bookmark not defined.
Modelo de Simulación de Procesos Continuos ............................. Error! Bookmark not defined.
1.1. Variable aleatoria (V.A.) ....................................................... Error! Bookmark not defined.
1.1.1. Definición ..................................................................... Error! Bookmark not defined.
Estructura ...................................................................................... Error! Bookmark not defined.
1.1.2. Función de probabilidad................................................ Error! Bookmark not defined.
1.1.3. Distribución acumulativa .............................................. Error! Bookmark not defined.
1.2. V.A. Discreta: métodos de generación.................................. Error! Bookmark not defined.
1.2.1. Esperanza, varianza y desviación estándar ................... Error! Bookmark not defined.
Esperanza..................................................................................... Error! Bookmark not defined.
Varianza y desviación estándar ................................................. Error! Bookmark not defined.
1.2.2. Métodos de generación de VA discreta ........................ Error! Bookmark not defined.
Método de inversión de la función de distribución ....................... Error! Bookmark not defined.
Método de composición ................................................................ Error! Bookmark not defined.
Método de aceptación y rechazo ................................................... Error! Bookmark not defined.
1.2.3. Casos particulares de VA discreta................................. Error! Bookmark not defined.
b. Implementación de las aplicaciones ................................................................................................ 8
Ejercicio 1 ......................................................................................... Error! Bookmark not defined.
Código ........................................................................................... Error! Bookmark not defined.
Capturas ........................................................................................ Error! Bookmark not defined.
Ejercicio 2 ......................................................................................... Error! Bookmark not defined.
Código ........................................................................................... Error! Bookmark not defined.
Capturas ........................................................................................ Error! Bookmark not defined.
c. Obtención de Resultados............................................................................................................... 25
Ejercicio 1 ......................................................................................... Error! Bookmark not defined.
Ejercicio 2 ......................................................................................... Error! Bookmark not defined.
d. Conclusiones y recomendaciones. ................................................................................................ 25
e. Referencias.................................................................................................................................... 26
a. Estado del Arte
1. Modelos de fiabilidad y mantenimiento
Desde un punto de vista puramente económico, es deseable una alta fiabilidad para reducir los
costos totales del producto. El hecho de que en algunos sistemas militares el costo anual de
mantenimiento sea diez veces el costo original del mismo, pone de manifiesto esta necesidad. (ciclo
vida)
También hay que considerar el aspecto de seguridad (el fallo de un sistema ABS en un automóvil
puede ser catastrófico). Existen otro aspecto como retrasos de horarios, incomodidades,
insatisfacción del cliente y pérdida de prestigio del fabricante.
Desde el diseño existe la necesidad de entregar equipos o sistemas que tengan las prestaciones
deseadas por el cliente y que además sean Confiables, de fácil mantenimiento y con funcionamiento
seguro y económico durante su vida útil.

1.1. Optimización del uso de componentes en maquinaria industrial

La aplicación de las técnicas de simulación a los procesos de fabricación está irrumpiendo con
fuerza permitiendo a las empresas disfrutar de los beneficios de la "Fabricación Virtual". Con
estas aplicaciones se pueden conseguir:

 Reducción de los plazos de entrega al poder solapar actividades.

 Disminución de los costes de desarrollo. Las correcciones del producto y los cambios de
ingeniería cuestan diez veces menos si se ejecutan durante la fase de diseño. Por esto,
simular permite actuar en la etapa de menores costes incurridos, disminuyendo el coste
de desarrollo.
 Aumento de la calidad y fiabilidad del diseño. La simulación permite, a bajo costo,
ensayar un sin fin de posibles escenarios y escoger las mejores soluciones en cada
momento.
Dentro del área productiva de la empresa la combinación de la simulación con la captura de
datos en planta permite la creación de distribuciones en planta “virtuales” a partir de las cuales
se puede:

 Seleccionar la maquinaria más adecuada a cada proceso.

 Optimizar el diseño de todos los componentes.
 Definir distancias de seguridad.
 Calcular los tiempos de ciclo total de las operaciones.
 Evaluar las mejores alternativas de montaje y mantenimiento.
 Evaluar el flujo de materiales para optimizar los recursos productivos.
 Identificar los correspondientes cuellos de botella.
 Todo ello, además, y gracias a la captura de datos en planta, sin necesidad de interrumpir
el flujo normal de trabajo y, por tanto, sin incurrir en los costes que la parada del proceso
conlleva.
1.2. Optimización de recurso humano en la empresa moderna
Si la alta dirección diseña un Modelo de simulación integral a partir de análisis de tendencias
de variables estratégicas de la empresa, donde la toma de decisiones cumpla su objetivo de
resolver problemas o restricciones a partir de la visión y conciencia de los eventos de los
mismos directivos, se genera competitividad, esta dualidad: tomador de decisión y diseñador
de pronósticos, fomenta la evolución de la organización, se refleja en las diferentes Áreas y
niveles de la empresa, ofrece desarrollo sustentable en la organización por atender los factores
críticos, permite evaluar y modificar los procesos en beneficio del fin Último de la
administración en las organizaciones: optimizar los recursos.
Los beneficios de un Modelo son:
Ventaja Competitiva
La generación de ventajas competitivas, Estas no se pueden adquirir, se detectan, se fomentan
en cada uno de los procesos, se reflejan en la toma de decisiones oportuna, eficaz y eficiente
de cada uno de los miembros de la organización. El contar con un modelo financiero que
simule el comportamiento de las variables dependientes, mantendrá a la organización que lo
desarrolle en ventaja sobre de otras que no lo tenga.
El modelo se convierte en la plataforma mínima de desarrollo sustentable al disminuir el
riesgo, adelantarse a la competencia, pero sobre todo se justifica al maximizar los recursos con
un cliente satisfecho en los niveles de calidad y servicio.
Pronostica la Situación Financiera
Un Modelo puede simular el comportamiento financiero, mide el impacto de las decisiones
operativas que se reflejan en la tasa de retorno de la inversión (ROI), Predice el efecto de una
decisión en el largo plazo, el azar tiene cabida en función de efectos externos de un evento
fuera de control de la empresa.
El control de los inventarios es un factor estratégico, alivia la liquidez, baja los costos
operativos, mejora los tiempos de respuesta para los clientes, es una opción de bajo costo para
mejorar las finanzas de las organizaciones.
Los costos de un modelo de inventarios son mínimos, los beneficios muchos, la planeación y
el control se someten a la dirección y no al revés donde la dirección se pone atrás de los
procesos de planeación, con altos costos financieros, sobre todo el costo de oportunidad difícil
de medir, pero que se refleja en la competitividad de las organizaciones. Modelar o no modelar
el comportamiento de los inventarios, no es optativo, es una alternativa que, si una
organización la realiza, abrir a brecha de desarrollo directivo en relación con otras que no
accedan a esta alternativa logrando una ventaja competitiva sustentable.
Seguridad
La Alta Dirección requiere de un proceso de planeación y control que sea seguro, la
incertidumbre es un factor negativo en la toma de decisiones, sin embargo, en menos o mayos
grado está presente. Un modelo de simulación ofrece la seguridad de saber dónde están, donde
estarán y dónde estarán los efectos de una decisión, Las finanzas son el reflejo de la buena o
mala toma de decisiones de los directivos de una organización, modelar será una actividad
importante para los directivos, por la disminución del riesgo y la seguridad de los accionistas.
La seguridad del modelo dependerá ¡del buen uso de la información para cada variable, la
simulación puede ser contraproducente si los datos no son correctos o están viciados de buenas
intenciones o de falsa información. En suma: la seguridad del funcionamiento de un modelo
depende de información correcta, veraz y oportuna.
Estrategia
La estrategia por definición es un curso general de acción, por lo tanto, no es el buen
funcionamiento del modelo lo que permite el buen funcionamiento de la empresa, solo apoya
la toma de decisiones, la estrategia es contar con un modelo, las estrategias operativas
dependen de cada Área, de cada proceso, el modelo recoge y procesa la información derivada
de cada actividad, por lo que el modelo es ajeno a las decisiones, pero refleja el efecto de las
mismas.
2. Modelos para control de inventarios
La importancia en el control de inventarios reside en el objetivo primordial de toda empresa:
“obtener utilidades”. La obtención de utilidades obviamente reside en las ventas, ya que éstas son
el motor de la empresa, sin embargo, si la función del inventario no opera con efectividad, ventas
no tendrá material suficiente para poder trabajar, el cliente se inconforma y la oportunidad de tener
utilidades se disuelve. Es por estas razones que existe la necesidad de un sistema para el control del
inventario. Los modelos de inventarios se clasifican en determinísticos y probabilísticos. En el
determinístico se conoce la demanda para el periodo y en el probabilístico la si la demanda es no
determinística (aleatoria).
Objetivos de los sistemas de control de inventario:
 Minimizar la inversión en el inventario.
 Minimizar los costos de almacenamiento.
 Minimizar las perdidas por daños, obsolescencia o por artículos perecederos.
 Mantener un inventario suficiente para que la producción no carezca de materias primas,
partes y suministros.
 Mantener un transporte eficiente de los inventarios, incluyendo las funciones de despacho
y recibo.
 Mantener un sistema eficiente de información del inventario.
 Proporcionar informes sobre el valor del inventario a contabilidad.
 Realizar compras de manera que se pueden lograr adquisiciones económicas y eficientes.
 Hacer pronósticos sobre futuras necesidades de inventario

CONTROL DE CANTIDAD DE PEDIDO DETERMINISTICO


Una asombrosa variedad de importantes problemas de administración puede formularse
como modelos determinísticos.
 Muchas hojas de cálculo electrónicas cuentan con la tecnología necesaria para optimizar
modelos determinísticos, es decir, para encontrar decisiones óptimas. Cuando se trata en
particular de modelos PL grandes, el procedimiento puede realizarse con mucha rapidez y
fiabilidad.
 El subproducto de las técnicas de análisis es una gran cantidad de información muy útil
para la interpretación de los resultados por la gerencia.
 La optimización restringida, en particular, es un recurso extremadamente útil para
reflexionar acerca de situaciones concretas, aunque no piense usted construir un modelo y
optimizarlo.
La práctica con modelos determinísticos le ayudara a desarrollar su habilidad para la
formulación de modelos en general.

CONTROL DE CANTIDAD DE PEDIDO PROBABILISTICO

El término probabilístico es la expresión cuantitativa que comprende la asignación de valores
numéricos a sucesos que tienen la posibilidad de ocurrir y dependen de fenómenos de la naturaleza
o de variables inherentes a un proceso que no son controlables. Por tanto, el sistema probabilístico
es el conjunto de métodos cuantitativos para predecir el comportamiento de un proceso continuo de
sucesos.
Estos modelos de inventarios no facilita la organización y logística de nuestras mercancías y bienes
de nuestra empresa algunos de estos métodos nos ayuda a crear utilidades para nuestra empresa una
sugerencia es escoger correctamente el método apropiado para sus unidades productivas.
Similar al modelo determinista, con la diferencia de que, basándose en datos tales como la
distribución de los productos en su entorno determinado, hace PROBABLE ciertos hechos como
variación en la demanda y el mercado, stock de seguridad, entre otros.
 Con demanda incierta
 Con plazo de entrega incierto

PUNTO DE REORDEN

También conocido como nivel de reposición es la cantidad de un producto que tiene que haber en
existencia para realizar un nuevo pedido del mismo o hacer la compra correspondiente. Esta
cantidad no es arbitraria aun cuando muchas de las veces se utilicen el sentido común y la
experiencia para hacer esta estimación.
El no establecer un punto de reorden para determinados productos puede ocasionar los siguientes
problemas:
 Interrupción de la producción porque no hay materias primas o son insuficientes.
 Clientes insatisfechos porque no encuentran lo que buscan o en la cantidad que requieren.
 Perdidas económicas.
 Niveles excesivos de inventario con el consiguiente costo financiero.

2.1. Elementos básicos de un modelo para control de inventarios

El costo de los inventarios está compuesto por tres elementos básicos:

 Costo unitario del artículo

 Costo de almacenamiento o de mantenimiento
 Costo de compra o de pedido
De los cuales se pueden especificar:

La demanda: Son todos los materiales requeridos para un proceso ya sea conociendo la
necesidad con precisión o en base a la probabilidad de su uso o con forme a los niveles de stock.

La cantidad por ordenar: La cantidad económica de la orden es la cantidad de inventario óptimo,

o de costo mínimo, que debería ordenarse, para lograr esto se usa una de las técnicas más
antiguas y conocidas para el control de almacenes, llamada “Modelo de la cantidad económica
a ordenar”.

El punto de orden: El punto de reorden es la suma de la demanda de tiempo de entrega y las

existencias de seguridad. El cálculo de un punto de reorden optimizado generalmente incluye
al tiempo de entrega, el pronóstico de la demanda y el nivel de servicio. Valerse de un
pronóstico cuantifico nativo aumenta considerablemente la calidad de los puntos de reorden
para la mayoría de las actividades comerciales minoristas y de fabricación.
 El periodo de revisión: El sistema de revisión periódica es conocido a veces como sistema de
reorden a intervalos fijos o sistema de reorden periódica, en el cual la posición de inventario de
un artículo se revisa periódicamente y no en forma continua. Un sistema de ese tipo puede
simplificar la programación de las entregas porque estable una rutina. Un ejemplo de un sistema
de revisión periódica es el de un proveedor de refrescos que visita semanalmente las tiendas de
abarrotes. Cada semana, el proveedor revisa el inventario de refrescos de la tienda y vuelve a
aprovisionarla con un volumen de artículos suficiente para satisfacer tanto la demanda como
los requisitos de inventario de seguridad, hasta la semana siguiente.

2.2. Optimización del costo en modelo de inventarios

(Montenegro, 2011) Los modelos de inventarios persiguen un objetivo que es minimizar los
costos totales de inventario, para lo cual, se debe poner énfasis en la reducción de los costos
que influyen en el inventario. Entre los costos más importantes está los de preparación
(ordenar un pedido) y costos de almacenamiento (almacenaje), Si se reduce al máximo la suma
de los costos de preparación y de almacenamiento, se logrará disminuir el costo total.

(Montenegro, 2011) La reducción del costo total está en función de la cantidad de pedido Q.
Para encontrar la cantidad de pedido económico Q*, se debe buscar el equilibrio entre el
mínimo costo de preparación y el costo de almacenaje.

El tamaño óptimo de pedido se localiza en el punto en que se cruzan las curvas del costo de
pedido y la de los costos de almacenaje. Fijándonos en el modelo EOQ (económica order
quintita), el tamaño óptimo de pedido es un punto en el que el costo total de preparación es
igual al costo total de almacenaje.

(Montenegro, 2011) Para el cálculo de la fórmula Q*, se consideran los siguientes aspectos:

a) Desarrollo de la fórmula, que represente el valor de los costos de

preparación.
b) Desarrollo de la fórmula, que represente el valor de los costos de
almacenamiento.
c) Igualar los costos de almacenamiento y de preparación.
d) Resolver la ecuación para el cálculo del tamaño óptimo de pedido (HEIZER y
RENDER, 2006).
b. Analisis y diseño de las aplicaciones (Modelo Discreto)
Ejercicio 1
Implementación de un modelo discreto para cuantificar la Optimización de recurso humano en la
empresa moderna de desarrollo de Software, es por ello que el personal necesita decidir sobre el número
de licencias de un determinado sistema operativo que conviene adquirir, las licencias se suministrarán
con los ordenadores que se vendan durante el próximo trimestre, y es lógico pensar que en pocos meses
habrá un nuevo sistema operativo en el mercado de características superiores. Cada licencia de sistema
operativo le cuesta al almacén un total de 75 Euros, mientras que el precio al que la vende es de 100
Euros. Cuando salga al mercado la nueva versión del sistema operativo, el almacén podrá devolver al
distribuidor las licencias sobrantes, obteniendo a cambio un total de 25 Euros por cada una.

Ejercicio 2
Se sabe que un cierto tipo de transistor falla de forma constante una vez cada 105 horas (más de 11 a ´
nos). Si un equipo consta de 100 transistores (en serie) y el equipo se quiere que funcione durante una
semana (168 horas), entonces no se puede asegurar que vaya a funcionar en ese periodo. Pero si
podemos hablar de la probabilidad de fallo (en este caso 85 %). Encontrar como se puede optimizar el
uso de las bombillas en una fábrica X.

Ejercicio 3
Implementación de un modelo de simulación que permita determinar la probabilidad de que un producto
nuevo sea redituable. Se desarrolla un modelo que relaciona el beneficio o utilidad (la medida del
resultado) con varios datos de entrada probabilísticos como demanda, costo de piezas y costo de mano
de obra. El único dato de entrada controlable es si se introduce el producto en el mercado. Este modelo
de la simulación es desarrollado para calcular la sobreventa de boletos de ferrocarril en la ciudad
italiana, por lo cual se tomará en cuenta la linea de espera de cada ferrocarril.

c. Implementación de las aplicaciones

Ejercicio 1
Código
using System;
using System.Collections. Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using System.Windows.Forms;

namespace SD_MonteCarlo_VAC
{
public partial class Form1 : Form
{
//Variables
int NumSimulaciones; //Numero de Simulaciones a realizar
//Datos del Modelo
int[] NumLicencias;
double[] ProbabilidadAsc;
double[] ProbabilidadAcu;
double[,] ExtremosIS;
int LicC;
//Modelo
Random rnd;
//Estadistica
int MediaMuestral;
double DesvEstandar;
int ValorMin, ValorMax;
double Significancia;
double IntConfianza;

public Form1()
{
InitializeComponent();
NumLicencias = new int[] { 100, 150, 200, 250, 300 };
ProbabilidadAsc = new double[] { 0.3, 0.2, 0.3, 0.15, 0.05 };
CalcularExtremos();
cargarTablaInicial();
LicC = 200;
}
private void CalcularExtremos()
{
int num = NumLicencias.Length;
ExtremosIS = new double[num,2];
//Calculo de la Propiedad Acumulada para los extremos
ProbabilidadAcu = new double[num];
for (int i = 0; i < ProbabilidadAsc.Length; i++)
{
if (i==0)
{
ProbabilidadAcu[i] = ProbabilidadAsc[i];
}
else
{
ProbabilidadAcu[i] = ProbabilidadAsc[i] + ProbabilidadAcu[i - 1];
}

}
//Colocacion de extremos
for (int i = 0; i < num; i++)
{
if (i==0)
{
ExtremosIS[i, 0] = 0;
ExtremosIS[i, 1] = ProbabilidadAcu[i];
}
else
{
//ExtremosIS[i, 0] = ProbabilidadAcu[i-1];
ExtremosIS[i, 1] = ProbabilidadAcu[i];
}

}
}
private void cargarTablaInicial()
{
DataTable DT = new DataTable();
DT.Columns.Add("Num. Licencias Vendidas", typeof(string));
DT.Columns.Add("Probabilidad", typeof(string));
DT.Columns.Add("Pro. Acumulada", typeof(string));
DT.Columns.Add("Extremo Inferior", typeof(string));
DT.Columns.Add("Extremo Superior", typeof(string));
string[] datos = new string[5];
for (int i = 0; i < ProbabilidadAcu.Length; i++)
{
 datos[0] = NumLicencias[i].ToString();
datos[1] = ProbabilidadAsc[i].ToString();
datos[2] = ProbabilidadAcu[i].ToString();
datos[3] = ExtremosIS[i,0].ToString();
datos[4] = ExtremosIS[i, 0].ToString();
DT.Rows.Add(datos);
}
//Asignar DataTable a Datagrid
dataGridView1.DataSource = DT;

}
private void button1_Click(object sender, EventArgs e)
{
leerDatos();
Simular();
}
private void CalculoEstadistico(int Sumatoria, int[]ArregloB)
{
MediaMuestral = Sumatoria / NumSimulaciones;
//raiz(Sumatoria(x-media)^2/Num simulaciones -1
DesvEstandar = 0;
for (int i = 0; i < ArregloB.Length; i++)
{
DesvEstandar += Math.Pow(ArregloB[i] - DesvEstandar, 2);
}
DesvEstandar = Math.Sqrt(DesvEstandar/(NumSimulaciones-1));

txtMedia.Text = MediaMuestral.ToString();
txtDesviacion.Text = DesvEstandar.ToString();
}
private void leerDatos()
{
NumSimulaciones = int.Parse(txtNS.Text);
}
private void Simular()
{

DataTable DT = new DataTable();

DT.Columns.Add("Simulación", typeof(string));
DT.Columns.Add("Aleatorios", typeof(string));
DT.Columns.Add("Lic. Vendidas", typeof(string));
DT.Columns.Add("Lic. Devueltas", typeof(string));
DT.Columns.Add("Beneficio", typeof(string));
string[] datos = new string[5];

double aleatorio;
rnd = new Random();
int Vedidas;
int Devueltas;
int Beneficio;
//Variables estadisticas
int Sumatoria_Bene=0;
int[] D_Beneficio = new int[NumSimulaciones];
for (int i = 0; i < NumSimulaciones; i++)
{
datos[0] = (i+1).ToString();
aleatorio = rnd.NextDouble();
datos[1] = aleatorio.ToString();
Vedidas = BuscarRango(aleatorio);
datos[2] = Vedidas.ToString();
Devueltas = LicC - Vedidas;
datos[3] = Devueltas.ToString();
 Beneficio = Vedidas * 100 + Devueltas * 25 - LicC * 75;
datos[4] = Beneficio.ToString();
DT.Rows.Add(datos);
Sumatoria_Bene += Beneficio;
D_Beneficio[i] = Beneficio;
}
dataGridView2.DataSource = DT;
CalculoEstadistico(Sumatoria_Bene,D_Beneficio);
}
private int BuscarRango(double numBuscar)
{
for (int i = 0; i < 5; i++)
{
if (numBuscar>=ExtremosIS[i,0]&& numBuscar < ExtremosIS[i, 1])
{
if (NumLicencias[i]>LicC)
{
return LicC;
}
else
{
return NumLicencias[i];
}

}
}
return LicC;
}
}
}

Capturas
En la ejecución del programa

Colocamos el numero de simulaciones que deseamos realizar

Y Procedemos a procesar las simulaciones
Matlab

Excel
i Aleatorio Lic. Venida Lic. DevueltaCoste Ingresos venta Ingresos Dev. Beneficios

1 0,65587262 200 0 15000 20000 0 5000

2 0,37578911 150 50 15000 15000 1250 1250
3 0,4928423 150 50 15000 15000 1250 1250
4 0,29055331 100 100 15000 10000 2500 -2500
5 0,72579473 200 0 15000 20000 0 5000
6 0,60856497 200 0 15000 20000 0 5000
7 0,52032368 200 0 15000 20000 0 5000
8 0,63321238 200 0 15000 20000 0 5000
9 0,00852334 100 100 15000 10000 2500 -2500
10 0,9706183 200 0 15000 20000 0 5000
11 0,49452068 150 50 15000 15000 1250 1250
12 0,30359932 150 50 15000 15000 1250 1250
13 0,64658397 200 0 15000 20000 0 5000
14 0,10318791 100 100 15000 10000 2500 -2500
15 0,66201366 200 0 15000 20000 0 5000
16 0,73364299 200 0 15000 20000 0 5000
17 0,17818518 100 100 15000 10000 2500 -2500
18 0,38593093 150 50 15000 15000 1250 1250
19 0,57112586 200 0 15000 20000 0 5000
20 0,46799602 150 50 15000 15000 1250 1250
N° Licencias Extremo Inferior Ext. Superior N° Licencias
Probabilidad P. Acumulada
Vendidas Int. Int. Vendidas
100 0,3 0,3 0 0,3 100
150 0,2 0,5 0,3 0,5 150
200 0,3 0,8 0,5 0,8 200
250 0,15 0,95 0,8 0,95 250
300 0,05 1 0,95 1 300
1

Coste por Licencia 75 $

Ingresos x Lic. Vendida 100 $
Ingresos x Lic. Devuelta 25 $
Cantidad Lic a Comprar 200 Licencias

Variable beneficio
Media Muestral 1662,5
Desviacion estandar 3148,547645
Valor MIN -2500
Valor MAX 5000
nivel de significanica 0,05
Amplitud de intervalo de confianza617,1039988
2531,443646

Ejercicio 2 Optimización de maquinarias

Código
using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using System.Windows.Forms;

namespace Optimizacion_Industrial_GrupoN._7
{
public partial class Form1 : Form
{

Random rnd = new Random();

double[] utnet;
public Form1()
{
InitializeComponent();
}
private void label1_Click(object sender, EventArgs e)
{

}
private void numRadonmicos()
{
Random rnd = new Random();
double x = rnd.NextDouble();
}

private void button4_Click(object sender, EventArgs e)

{
int num = System.Convert.ToInt32(textBox2.Text.ToString());
double suma = 0;
utnet = new double[num];
for (int i = 0; i < num; i++)
{
double x = rnd.NextDouble();
suma = suma + x;
utnet[i] = x;
listBox1.Items.Add(x + "\t");
}
Console.Write(suma + " " + num + "\n");
double v = suma / (double)num;
label13.Text = Math.Round(v, 2) + "";
double b = 0;
for (int i = 0; i < num; i++)
{
b = b + Math.Pow(utnet[i] - v, 2);
}
// double b = 0.24331977;
label14.Text = Math.Round(b,2)+"";
double c = v*b*12;
label27.Text = c.ToString();
double l = v*b*2;
label28.Text = l.ToString();
double r = 0.693268;
label19.Text = r.ToString();
double s = 0.961160;
label30.Text = s.ToString();
double m = 0.406817;
label31.Text = m.ToString();
double h =Math.Pow((l*2),b-1);
double f = l*c*h;
label26.Text = f.ToString();

public double disNormInv(double o, double m)

{
double x = rnd.NextDouble();
 double ans = Math.Sqrt(0.5 * Math.PI * x * x * x) * Math.Pow(Math.E, (-1 * (x - m) * (x - m)) /
(2 * m * m * x));
Console.Write("->" + Math.Sqrt(0.5 * Math.PI * x * x * x) + "\t" + (-1 * (x - m) * (x - m)) / (2 * m
* m * x) + "\n");
return ans * 100;
}
public double duracionMedia(double a, double b)
{
double x = rnd.NextDouble();
double ans = 0.0;
ans = ans + a;
b = b - 1;
return ans;
}

}
}

Capturas
Matlab
Excel
Aplicación: Como se puede optimizar el uso de las bombillas en una fabrica X ?

Datos: 512
T = duracion de una marca de bombilla de bajo consumo en años.
T= 20 datos.

Duracion de bombillas Resultados:

1,53 Duración media: 1,868 Se pueden inferir que, con una
0,3 probalidad superior al 40%, una
1,87 Desviación típica: 1,15221343 bombilla de esta marca durara mas de
0,08
1,67 Si n > 20 se pueden hacer constrastes R (t) = 0
1,48 de bondad de ajuste. Tambien son R (2) = #¡REF! 0,41
3,41 muy utiles conocimiento ingenieriles
2,95 previos sobre la problemática. Se puede inferir que el 80% de las
1,71 bombillas duraran aproximadamente
0,22 entre 0,5 y 3,5, ya que:
2,31 Ahora procedemos a estimar los parametros:
0,45 R (0,5) ~ 0,9
3,79 β= R (3,5) ~ 3,5
2,76 β= 1,52628
0,73
0,92 λ=
2,81 λ= 2,07014 La tasa de fallos es creciente y este
3,03 crecimiento no es excesivo.
3,2 ϔ=
2,14 ϔ= 0

Nota: las duraciones A partis del cuarto año, la tasa de

varian de 0,08 a 3,79 fallos es superior a la unidad.

Ejercicio 3 Inventarios de boletos de Ferrocarril

Código

using System;
using System.Data;
using System.Data.OleDb;
using System.Windows.Forms;
using System.Web.UI.DataVisualization.Charting;

namespace Simulación_Inventario
{
public partial class Form1 : Form
{
//Variables
private Random rnd;
private int NumSimulaciones;
private double numReposicion,media, desviacionE;
private double utilidadBU, costoUR, costoUE;

//
private double sumUtilidadN;
double SumaDemanda = 0;
double SumaVentas = 0;
double MaxUtilidad = 0;
double MinUtilidad = 1000000000;

public Form1()
{
InitializeComponent();

}
private void LeerDatos()
{
try
{
NumSimulaciones = int.Parse(txtNumS.Text);
numReposicion = double.Parse(txtNivelReposicion.Text);
media = double.Parse(txtMedia.Text);
desviacionE = double.Parse(txtDesviacionEstd.Text);
utilidadBU = double.Parse(txtUnidadBrutaU.Text);
costoUR = double.Parse(txtCostoUnitarioR.Text);
costoUE = double.Parse(txtCostoUnitarioE.Text);
}
catch (Exception)
{
MessageBox.Show("Error en casting de datos");
}

}
private int calcularDemanda(double aleatorio)
{
int demanda;
Chart Chart1 = new Chart();
double resultA =
Chart1.DataManipulator.Statistics.InverseNormalDistribution(aleatorio);
demanda =(int)(media+resultA * desviacionE);
return demanda;
}

private void groupBox1_Enter(object sender, EventArgs e)

{
}

private void btnCalcular_Click(object sender, EventArgs e)

{
LeerDatos();
calcular();

}
private void calcular()
{
System.Data.DataTable DT = new System.Data.DataTable();
DT.Columns.Add("Mes", typeof(string));
DT.Columns.Add("Demanda", typeof(string));
DT.Columns.Add("Ventas", typeof(string));
DT.Columns.Add("Utilidad Bruta", typeof(string));
DT.Columns.Add("Costo de retención", typeof(string));
DT.Columns.Add("Costo por escacez", typeof(string));
DT.Columns.Add("Utilidad Neta", typeof(string));

string[] datos = new string[DT.Columns.Count];

double[] UtilidadNetaT = new double[NumSimulaciones];
double aleatorio;

rnd = new Random();

for (int i = 0; i < NumSimulaciones; i++)
{
datos[0] = (i + 1).ToString();

aleatorio = rnd.NextDouble();
int demanda = calcularDemanda(aleatorio);
SumaDemanda += demanda;
datos[1] = demanda.ToString();

double venta;
if (demanda<=numReposicion)
{
venta = demanda;
}
else
{
venta = media;
}
SumaVentas += venta;
datos[2] = venta.ToString();

double utilidadBruta;
utilidadBruta = venta * utilidadBU;
datos[3] = utilidadBruta.ToString();

// Costo de Retención
double costoRetencion;
if (demanda <= numReposicion)
{
costoRetencion = costoUR * (numReposicion - demanda);
}
else
{
costoRetencion = 0;
}
datos[4] = costoRetencion.ToString();
 //Costo por escacez
double costoEscacez;

if (demanda <= numReposicion)

{
costoEscacez = 0;
}
else
{
costoEscacez = costoUE * (demanda-numReposicion);
}
datos[5] = costoEscacez.ToString();

//Utilidad Neta
double utilidadNeta;
utilidadNeta = utilidadBruta - costoRetencion - costoEscacez;
datos[6] = utilidadNeta.ToString();
UtilidadNetaT[i] = utilidadNeta;
if (MaxUtilidad<utilidadNeta)
{
MaxUtilidad = utilidadNeta;
}
if (MinUtilidad>utilidadNeta)
{
MinUtilidad = utilidadNeta;
}

DT.Rows.Add(datos);
sumUtilidadN += utilidadNeta;
}
dataGridView1.DataSource = DT;
obtenerEstadisticas(UtilidadNetaT);
}
private void obtenerEstadisticas(double[] Utilidades)
{
double utilidadMedia;
double desviacionEstandar;
Chart Chart1 = new Chart();
Chart1.Series.Add("Utilidades");
Chart1.Series["Utilidades"].ChartType = SeriesChartType.Column;
for (int i = 0; i < NumSimulaciones; i++)
{
Chart1.Series["Utilidades"].Points.AddY(Utilidades[i]);
}

utilidadMedia = Chart1.DataManipulator.Statistics.Mean("Utilidades");
txtUtilidadM.Text = utilidadMedia.ToString();

desviacionEstandar =
Math.Sqrt(Chart1.DataManipulator.Statistics.Variance("Utilidades", false));
txtDesviacionEstandarU.Text = desviacionEstandar.ToString();

txtUtilidadMax.Text = MaxUtilidad.ToString();
txtUtilidadMin.Text = MinUtilidad.ToString();

txtNivelServicio.Text = (SumaVentas/SumaDemanda)*100+"%";

}
 private void btnModificar_Click(object sender, EventArgs e)
{
}
}
}

Capturas
Ejecución del programa

Verificamos datos y damos clic en procesar.

Y de igual forma de manera automática se calculan los datos estadisticos.

Matlab
Excel
SIMULACION DE INVENTARIO

Unidad bruta unitaria 50

Costo unitario de retencion 15
Costo unitario por escacez 30

Nivel de reposicion 100

Demanda (Distribución Normal)
Media 100
Desviacion estandar 20

Demanda Utilidad Costo de Utilidad

Mes de Boletos Ventas bruta retencion Costo por escacez Neta
1 103 100 5000 0 100 4900
2 103 100 5000 0 84 4916
3 66 66 3286 514 0 2772
4 91 100 5000 132 0 4868
5 93 100 5000 108 0 4892
6 125 100 5000 0 736 4264
7 128 128 6419 0 851 5567
8 80 80 4000 300 0 3700
9 85 85 4262 222 0 4040
10 99 100 5000 18 0 4982
11 116 100 5000 0 467 4533
12 71 71 3547 436 0 3112
13 85 85 4261 222 0 4039
14 77 77 3873 338 0 3535
15 84 100 5000 246 0 4754
16 99 100 5000 19 0 4981
17 105 100 5000 0 161 4839
18 89 89 4446 166 0 4280
19 85 100 5000 223 0 4777
20 130 100 5000 0 903 4097
 283 96 96 4778 67 0 4712
284 86 86 4314 206 0 4108
285 65 65 3230 531 0 2700
286 92 100 5000 122 0 4878
287 77 77 3845 346 0 3499
288 79 79 3932 320 0 3612
289 136 100 5000 0 1090 3910
290 122 100 5000 0 665 4335
291 81 81 4061 282 0 3779
292 86 100 5000 211 0 4789
293 101 100 5000 0 42 4958
294 96 100 5000 53 0 4947
295 72 72 3579 426 0 3153
296 117 117 5847 0 508 5339
297 57 57 2838 649 0 2189
298 135 100 5000 0 1059 3941
299 77 77 3832 350 0 3481
300 114 100 5000 0 414 4586

TOTAL 30060 28356 ESTADISTICAS

Utilidad media $ 4.351,2
Desviacion Estandar $ 722,4
Utilidad minima $ 1.657,2
Utilidad Maxima $ 5.587,6
Nivel de servicio 94,3%

d. Obtención de Resultados
Ejercicio 1
Mediante la aplicación del método de Monte Carlo se pudo simular un evento de la vida real como es
determinar la mejor decisión en la compra de productos para aumentar el beneficio económico, además
que ese método es posible simularlos en diferentes ámbitos como los juegos de azar y aplicaciones
estadísticas así como en el cálculo para la evaluación de integrales.

Ejercicio 2
En este análisis se puede observar que mediante el uso de un análisis de Monte Carlo podemos
evidenciar que los procesos de optimización de maquinarias, es efectivo ya que se determina el nivel
de complejidad que tendrán los mismos, en el caso de las maquinarias es necesarias para conocer el
funcionamiento de las bombillas eléctricas.

Ejercicio 3
En el ejercicio 3 se pudo observar que el método de inventarios se basa en un análisis de Monte Carlo,
se pudo evidenciar que el análisis de inventarios, es factible para determinar el funcionamiento de las
reservas en boletos de ferrocarril.

e. Conclusiones y recomendaciones.
La distribución binomial es una poderosa herramienta probabilística que bien aplicada podrá ayudar a
facilitar los cálculos para la solución de problemas y la validación.
Generalmente conocemos el valor de λ (la cantidad esperada de eventos por unidad de tiempo), y
entonces nos preguntamos cuántos eventos obtendremos en una determinada cantidad de tiempo, o
cuánto tiempo tendremos que esperar hasta observar una determinada cantidad de eventos.
Poisson consiste en preguntar por la cantidad de eventos en el período T (la longitud de un intervalo del
continuo que va a estudiarse). Es decir, dado T, calcular la distribución de k (la cantidad de eventos que
hay en ese intervalo).
La distribución de Poisson debemos tener en cuenta que el número de éxitos no sea mayor al número
de eventos. Esto con la finalidad de que la probabilidad sea la correcta.
Cuando la distribución de Poisson sea menor o igual a el número de eventos, debe tener en cuenta que
se debe restar del número uno, es por ello que se sumaran las probabilidades antecedentes del número.
Se debe tener en cuenta que la distribución de Poisson debe tener el valor del numero épsilon € el cual
es el valor es 2,718281 y este valor no va a ser cambiante en toda la distribución.

f. Referencias.
 Stuart, Crainer. Ideas Fundamentales de la Administracin. PANOARAMA PERSON.
1996.México.

 Peter, Paul. Direccin Estratégica. IRWIN. 1995. Madrid

 Porter, Michel, La ventaja competitiva de las organizaciones. Mc. Graw Hill. 1998. México

 Fruin, Mark. Las fábricas del conocimiento. OXFORD, 1997. NY.USA

 Hill, Charles. Administracin estratégica. Mc Graw Hill. 1997. México

 Www2.famaf.unc.edu.ar. (2017). Citar un sitio web - Cite This For Me. [online] Available at:
http://www2.famaf.unc.edu.ar/~jgimenez/Modelos_y_Simulacion/2013/clase7.pdf [Accessed
11 Dec. 2017].

 Peter, Paul. Direccin Estratégica. IRWIN. 1995. Madrid

 Porter, Michel, La ventaja competitiva de las organizaciones. Mc. Graw Hill. 1998. México

 FIAEP-Control y Manejo de Inventario y Almacén (2014).pdf. (2018). Scribd. Retrieved 6

February 2018, Accedido desde: https://es.scribd.com/document/314827230/FIAEP-Control-
y-Manejo-de-Inventario-y-Almacen-2014-pdf