Modelo de Simulacion - Imvope Aplicada

"Año del Diálogo y la Reconciliación Nacional"
INVESTIGACION DE OPERACIONES APLICADAS
DOCENTE: ING. ROSAS GUZMAN JUAN ANDRES

TEMA: MODELOS DE SIMULACIÓN
2018
INTEGRANTES
*AYAY DONATO WILSON * CORTEZ LUCANO MISAEL
* REGALADO BUSTAMANTE CARLOS * PEREZ SANGAY MOISES

UNIVERSIDAD NACIONAL DE CAJAMARCA
Facultad de Ingeniería
Escuela Académico Profesional de Ingeniería de Minas
ÍNDICE
I. INTRODUCCIÓN .................................................................................................................. 3
II. OBJETIVOS ........................................................................................................................... 4
OBJETIVO GENERAL............................................................................................................. 4
OBJETIVOS ESPECÍFICOS .................................................................................................... 4
III. TEORÍA DE LA SIMULACIÓN ........................................................................................... 4
IV. TIPOS DE SIMULACIÓN ..................................................................................................... 5
4.1 SIMULACIÓN DETERMINÍSTICA .................................................................................. 5
4.2 SIMULACIÓN PROBABILÍSTICA ................................................................................... 7
4.3 SIMULACIÓN DE MONTE CARLO ................................................................................ 8
V. PROCEDIMIENTO GENERAL DE SIMULACION ............................................................ 22
5.1. DEFINICIÓN DEL SISTEMA......................................................................................... 22
5. 2 PLAN GENERAL DEL PROYECTO ............................................................................. 24
5.3 RECOLECCIÓN DE DATOS ........................................................................................... 25
5.4 ANÁLISIS DE ENTRADA ............................................................................................... 27
5.5 CONSTRUCCIÓN DEL MODELO ................................................................................. 28
5.6 VALIDACIÓN .................................................................................................................. 29
5.7 EXPERIMENTACIÓN ..................................................................................................... 30
5.8 INTERPRETACION DE LOS RESULTADOS .............................................................. 31
5. 9. TOMA DE DECISIONES ............................................................................................... 31
MODELOS DE SIMULACIÓN 1
5.10. MONITOREO Y CONTROL......................................................................................... 32
VI. PROBLEMA DE AMPLICACIÓN .................................................................................. 32
VII. CONCLUSIONES ........................................................................................................... 38
VIII. BIBLIOGRAFÍA ............................................................................................................ 39
ÍNDICE DE FIGURAS
Figura 1 Perfil de acarreo de simulación determinística. ............................................................... 6
Figura 2 Perfil de acarreo de simulación probabilística. ................................................................ 7
Figura 3 Variables aleatorias mediante una distribución normal (Olivares, 2007). ..................... 12
Figura 4 Metodología para la obtención del modificador mediante MC. .................................... 14
Figura 5 Representación del modelo con las restricciones .......................................................... 15
Figura 6 Obtención del modificador por Monte Carlo ................................................................. 19
Figura 7 Etapas de cálculo de dimensionamiento y flota de equipo de acarreo ........................... 20
Figura 8 Curvas de producción teórica y real .............................................................................. 22
Figura 9 proceso de análisis de entrada de variables ................................................................... 28
Figura 10 Esquema de transporte de mineral y desmonte ............................................................ 34
ÍNDICE DE TABLAS
Tabla 1 Clasificación de funciones de distribuciones de probabilidad ........................................ 12
Tabla 2 Correlación entre la condición de la variable y el rango de incertidumbre ..................... 17
Tabla 3 Primeras iteraciones para obtener valores del factor organizacional .............................. 18
I. INTRODUCCIÓN
Cuando alguien tiene la responsabilidad de conducir un sistema dado, como por ejemplo: un banco,
una ciudad, un sistema de transporte, etc., debe tomar continuamente decisiones acerca de las
acciones que ejecutará sobre el sistema. Estas decisiones deben ser tales que la conducta resultante
del sistema satisfaga de la mejor manera posible los objetivos planteados.
Para poder decidir correctamente es necesario saber cómo responderá el sistema ante una
determinada acción. Esto podría hacerse por experimentación con el sistema mismo; pero factores
de costos, seguridad y otros hacen que esta opción generalmente no sea viable. A fin de superar
estos inconvenientes, se reemplaza el sistema real por otro sistema que en la mayoría de los casos es
una versión simplificada. Este último sistema es el modelo a utilizar para llevar a cabo las
experiencias necesarias sin los inconvenientes planteados anteriormente.
Al proceso de experimentar con un modelo se denomina simulación. Al proceso de diseñar el plan

de experimentación para adoptar la mejor decisión se denomina optimización. Si el plan de
experimentación se lleva a cabo con el solo objeto de aprender a conducir el sistema, entonces se
denomina entrenamiento o capacitación.
II. OBJETIVOS
OBJETIVO GENERAL
 Comprender la metodología general para la simulación de un

sistema.
OBJETIVOS ESPECÍFICOS
 Estudiar diferentes tipos de modelos de simulación.

 Determinar las características deseables en los modelos de
simulación y adquirir nociones básicas sobre probabilidades.
 Aprender a simular el comportamiento de variables exógenas al
sistema.
 Aplicar la metodología de simulación para obtener decisiones
óptimas.
III. TEORÍA DE LA SIMULACIÓN
En esta área de conocimiento se desarrolló la teoría de la simulación que podría definirse como un
medio que experimenta con un modelo detallado de un sistema real para determinar como 2
responderá el sistema a los cambios en su estructura o entorno [Harrell, C., Tumay, K; 2001].
A nivel de planificación y control estratégicos de una empresa, los modelos de simulación insertan
varios inputs a un sistema y proporcionan un modelo para evaluar o volver a diseñar y medir o
cuantificar factores tan importantes como la satisfacción del cliente, la utilización de recursos, el
proceso de reingeniería y el tiempo invertido en todo ello.
La simulación es un medio mediante el cual tanto nuevos procesos como procesos ya existentes
pueden proyectarse, evaluarse y contemplarse sin correr el riesgo asociado a experiencias llevadas a
cabo en un sistema real. Es decir, permite a las organizaciones estudiar sus procesos desde una
perspectiva sistemática procurando una mejor comprensión de la causa y efecto entre ellos además
de permitir una mejor predicción de ciertas situaciones.
La teoría de la simulación permite valorar, replantear y medir, por ejemplo, la satisfacción del
cliente ante un nuevo proceso, la utilización de recursos en el nuevo proceso o incluso el tiempo
para minimizarle. Todas estas posibilidades hacen de la simulación un instrumento ideal para un
esfuerzo de replanteamiento de la empresa.
IV. TIPOS DE SIMULACIÓN
Se estableció diferencias entre los modelos determinístico y probabilístico, considerando la

dificultad en la interpretación de las variables como por ejemplo el tiempo de transporte en el
primer caso y de acuerdo a Sturgal (2000), la gran cantidad de información requerida para la
confiabilidad de los resultados en el segundo caso.
4.1 SIMULACIÓN DETERMINÍSTICA
En el modelo determinístico las mismas entradas producen las mismas salidas, sin que haya el
espacio para el azar. Esta estrechamente relacionado con la creación de entornos simulados a través
de simuladores para el estudio de situaciones hipotéticas, o para crear sistemas de gestión que
permitan disminuir la incertidumbre.
La aplicación consiste en hacer simulaciones en diferentes escenarios para observar las diferentes
reacciones o salida de datos. Por ejemplo, este tipo de modelo se utiliza en los simulacros de
incendio y en los simulacros de choques con muñecos especiales diseñadas para dichas pruebas.
Usa valores constantes para los parámetros como tiempos de carga, viaje, descarga y demoras. La
suma de estos datos constituye el ciclo determinístico del modelo. La figura 1 presenta los
requerimientos para el proceso determinístico en el acarreo minero superficial entre los puntos de
carguío y de descarga.
Figura 1 Perfil de acarreo de simulación determinística.
a) VENTAJAS DE LA SIMULACION DETERMINISTICA

 Se realiza con datos conocidos y genera datos exactos
 La simulación no interfiere con el mundo real, permite experimentar
b) DESVENTAJAS DE LA SIMULACION DETERMINISTICA
 No permite espacio para probabilidades.
 En el mundo real las situaciones determinísticas son casi nulas.
EJEMPLOS.
1. La planificación de una línea de producción, en cualquier proceso industrial, es posible
realizarla con la implementación de un sistema de gestión de procesos que incluya un
modelo determinístico en el cual estén cuantificados las materias primas, la mano de obra,
los tiempos de producción y los productos finales asociados a cada proceso.
2. Casos prácticos serian los camiones en minería ya que son deterministas en el sentido que
podemos hacer que entren comandos por el camión por medio del volante, frenos, pedal del
acelerador, cambios, claxon, freno de mano, etc.
3. Otro caso seria como los aparatos eléctricos como el caso de la licuadora en el que al
apretar un botón ejecuta una acción.
4.2 SIMULACIÓN PROBABILÍSTICA
Requiere curvas de densidad de probabilidad para generar tiempos de carguío, descarga,

posicionamiento para cargar y descargar, viajes ida y regreso, demoras y destreza del operador. Las
funciones de distribución de probabilidad f(x) representan el sistema real. La Fig. muestra la
información requerida para el proceso de simulación probabilística.
Se emplean números pseudo aleatorios R o funciones rectangulares para determinar la variable

aleatoria “x” para la cual la distribución acumulada F(x) de la función de probabilidad f(x) es R, o
F(x) = R ó x = 1/F(R). Los R se obtienen de tablas de números aleatorios o se generan en el
computador mediante programas simples. Los cálculos se simplifican si estos números siguen
distribuciones conocidas como la normal tipificada (Ramani, 1990). De esta manera sin tener la
información de campo, pero con conocimiento de la función de distribución teórica del sistema, se
puede generar gran cantidad de datos o variables aleatorias para la simulación. (OSWALDO ORTIZ
S., 2007).
Figura 2 Perfil de acarreo de simulación probabilística.
4.3 SIMULACIÓN DE MONTE CARLO
4.3.1 INTRODUCCIÓN
La herramienta de Monte Carlo se aplica en el campo de las simulaciones, es por esto que es
llamada “simulación de Monte Carlo”. La simulación es una técnica cuantitativa utilizada para
obtener la respuesta más probable de un evento por medio de la simulación de un modelo
matemático. Una simulación se puede definir como “el proceso de diseñar y desarrollar un modelo
computarizado de un sistema o proceso y conducir experimentos con este modelo con el propósito
de entender el comportamiento del sistema o evaluar varias estrategias con las cuales se puede
operar el sistema (Coss, 1999)”. La simulación de Monte Carlo utiliza funciones de distribución con
el propósito de realizar una experimentación cuyos resultados lleguen, después de un número
conveniente de ensayos (iteraciones), a simular lo que pasaría en un sistema real.
El método fue llamado de esta manera por el principado de Mónaco “la capital del juego de
azar”, al tomar una ruleta de juego como un generador simple de número aleatorios. Este nombre es
relativamente reciente y fue atribuido a Jon von Neumann y Stanislaw Ulam cuando trabajaban en
el proyecto Manhattan durante la segunda guerra mundial. Sin embargo, la idea del cálculo de
Monte Carlo es mucho más antigua que la aparición de los ordenadores y era conocida
anteriormente por el nombre de "muestreo estadístico". Inicialmente, Monte Carlo no fue un método
para resolver problemas en física, sino para evaluar integrales que no podían ser evaluadas de otra
manera: el cálculo de integrales de funciones complicadas y las integrales en espacios
multidimensionales fueron las dos áreas iniciales en las que la simulación de Monte Carlo probó ser
de gran utilidad. Hoy en día son muchas las aplicaciones que tiene esta herramienta en diferentes
campos como en la física, química, problemas ingenieriles, economía etc. Esto es debido al avance
continúo de la capacidad de las computadoras.
4.3.2 LA SIMULACIÓN DE MONTE CARLO EN EL ANÁLISIS DE RIESGO.
Como se ha mencionado, la simulación de Monte Carlo es una herramienta utilizada en muchos
ámbitos. Dentro del ámbito del análisis de riesgo, Rezaie et al. (2007) propusieron un algoritmo
basado en la simulación de Monte Carlo para investigar los efectos de la incertidumbre en este
ámbito. También se publicó un análisis de las ventajas de usar esta herramienta en los análisis de
riesgo microbacteriales (Smid et al., 2009).
Ésta herramienta ha sido ampliamente utilizada como un método de identificación de
incertidumbre, y también se ha combinado con la lógica difusa. Li et al. (2008) hicieron un análisis
de riesgo de un sistema energético usando un método hibrido de conjuntos difusos y simulación de
Monte Carlo. Esta herramienta también ha sido usada por Changpeng et al. (2014) para tratar los
factores humanos y ver los efectos de dichos factores en las ejecuciones de vuelos en el campo de la
aeronáutica asignándoles una función de densidad de la probabilidad (FDP).
Es por esto, que usando esta herramienta se puede introducir el efecto del factor humano. Para
poder entender el funcionamiento de esta herramienta y la manera en que han sido introducidos los
diferentes factores, a continuación se explican los fundamentos de ésta.
4.3.3 FUNDAMENTOS DE LA SIMULACIÓN DE MONTE CARLO
Yauri (2012) estableció que para implementar la simulación de Monte Carlo en su estado puro,
la cual está fundamentada en la generación de números aleatorios, se deben seguir los siguientes
pasos:
 Determinar las variables aleatorias y sus distribuciones.

 Iterar tantas veces como sean necesarias:
 Generar un número aleatorio.
 Uniforme [0,1].
 Determinar el valor para el número aleatorio generado de acuerdo al rango
 clases que se especifiquen.

 Calcular media, desviación estándar o métodos estadísticos comparables.
 Analizar los resultados.
Otra opción para trabajar con Monte Carlo seria cuando la variable aleatoria no es directamente
el resultado de la simulación o bien cuando se tienen relaciones entre las variables. Entonces los
pasos generales que se deben seguir son los siguientes:
 Diseñar el modelo lógico de decisión.

 Especificar distribuciones de probabilidad para las variables aleatorias relevantes.
 Incluir posibles dependencias entre variables.
 Calcular el resultado del modelo según valores de muestreo (iteración) y registrar el
resultado.
 Repetir el proceso hasta tener una muestra estadísticamente representativa.
 Calcular media o desviación estándar.
 Analizar los resultados.
Teniendo en cuenta estas dos aproximaciones, se puede decir que existen tres conceptos básicos
que se deben de considerar en el momento de aplicar la simulación de Monte Carlo: las variables
aleatorias, las funciones de densidad de probabilidad (FDP) y la manera de interpretar estos
resultados mediante el uso de iteraciones. A continuación se explican estos conceptos.
VARIABLES ALEATORIAS
Se denomina una variable aleatoria, a una variable X que puede tomar un conjunto de valores
{x0, x1, x2, ... xn-1} con probabilidades {p0, p1, p2, ... pn-1}. El problema crucial de la aplicación
del método de Monte Carlo es hallar los valores de una variable aleatoria con una distribución de
probabilidad dada por la función P(s) a partir de los valores de una variable aleatoria
uniformemente distribuida en el intervalo [0, 1), proporcionada generalmente por algún generador
de números aleatorios. Existen diferentes tipos de variables aleatorias, a continuación se explican
las más comunes:
 Discretas: una variable aleatoria representada mediante una distribución discreta de
probabilidad puede tomar un valor de entre un conjunto de valores, cada uno de los cuales
tiene asignada una determinada probabilidad de ocurrencia.
 Continuas: una variable aleatoria representada mediante una distribución continua de
probabilidad puede tomar cualquier valor dentro de un rango determinado.
 Paramétricas: la distribución de probabilidad se ajusta a la descripción matemática de un
proceso aleatorio que cumple con determinados supuestos teóricos. Los parámetros que
definen la distribución en general no guardan relación intuitiva con la forma de la
distribución.
Por lo tanto, para simular un proceso o hallar la solución de un problema matemático usando
esta metodología es necesario usar gran cantidad de estos números o variables aleatorias, ya que
este método consiste en tomar un solución válida, provocar una pequeña variación aleatoria, y si la
nueva configuración cumple con las restricciones, se registra esa nueva solución; si no, se queda
con la antigua.
4.3.4 FUNCIONES DE DISTRIBUCIONES DE PROBABILIDAD (FDP)
Toda variable aleatoria posee una distribución de probabilidad que describe su comportamiento.
Si la variable es discreta, es decir, si toma valores aislados dentro de un intervalo, su distribución de
probabilidad especifica todos los valores posibles de la variable junto con su probabilidad de
ocurrencia. Si la variable es continua, es decir, cuando la variable puede tomar cualquier valor de un
intervalo, la distribución de probabilidad permite determinar las probabilidades correspondientes a
subintervalos de valores. En la siguiente tabla se muestran algunas de las FDP más comunes.
Tabla 1 Clasificación de funciones de distribuciones de probabilidad
Un ejemplo de la distribución normal se presenta en la Figura 3.
Figura 3 Variables aleatorias mediante una distribución normal (Olivares, 2007).
En el análisis de riesgo, muchas veces las distribuciones de ciertas variables o parámetros no son
conocidas, por lo que, generalmente, se representan con las más generales como son las normales,
triangulares o uniformes.
Vanorio y Mera (2009) afirmaron que para la evaluación de riesgos, específicamente en el sector
de transportes, las siguientes funciones de probabilidad son las que mejor se adaptan: distribución
uniforme, triangular, normal y gamma. Amsterdam (2004) utilizó la simulación de Monte Carlo
para el cálculo de consecuencias en el análisis de riesgo y asignó diferentes tipos de FDP a variables
como: “normal” a la temperatura de la sustancia, “triangular” a la rugosidad del terreno y a las
variables donde encontró más dificultad para calcularlas y con más incertidumbre usó distribuciones
uniformes. Después de establecer las variables aleatorias y sus PDF, se tienen que realizar las
iteraciones para obtener diferentes posibles valores finales.
4.3.5 INTERPRETACIÓN DE RESULTADOS
La simulación de Monte Carlo se basa también en las iteraciones del modelo propuesto. Cuantas
más iteraciones se hagan, más preciso será. Sin embargo, el esfuerzo computacional también será
mayor. El número de iteraciones dependerá de la complejidad del modelo propuesto.
Smid et al. (2009) mencionaron que, al final las iteraciones, se utilizan, para extraer información
de los resultados, medias, desviaciones estándares o percentiles que pueden ser de gran ayuda para
los asesores del riesgo. Amsterdam (2004) utilizó el valor medio después de 50 iteraciones para
establecer la concentración de cloro en una dispersión tóxica, dándole rangos a variables como la
temperatura del cloro y la cantidad liberada. También utilizó como variable la cantidad de masa
liberada, haciendo diferentes iteraciones entre un rango de cantidad de masa para obtener la
distancia de exposición causante de quemaduras de segundo grado en el caso de una explosión de
un tanque de propano. El resultado obtenido después de todas las iteraciones e interpretadas por
métodos estadísticos puede tener diferentes significados dependiendo del objetivo y de lo que se
esté buscando. A continuación, se presenta la metodología basada en la herramienta de la
simulación de Monte Carlo para obtener el modificador de la frecuencia.
4.3.6 METODOLOGÍA
El modificador basado en la simulación de Monte Carlo tiene las mismas características que se
han explicado en el capítulo anterior para el modificador difuso.
 El modificador tendrá un valor entre 1 y 1,5.
 El modificador (mfh) multiplica a un valor de frecuencia genérica a partir de las
bases de datos.
Zapata (2003) comentó que no existe una metodología única para implementar la simulación de
Montecarlo, ya que es una herramienta que puede servir en muchos campos y es adaptable al tipo de
situación que se esté aplicando. Para poder integrar el factor humano y poder crear el modificador
se propone la siguiente metodología
Figura 4 Metodología para la obtención del modificador mediante MC.
A continuación, se explican los pasos necesarios para la obtención del modificador basado en la
simulación de Monte Carlo de acuerdo con la metodología propuesta.
i. Establecimiento y caracterización de las variables
se tienen en cuenta los mismos grupos de variables que contienen los factores establecidos:
factor organizacional, factores de las características del trabajo, factor de las características
personales. De esta manera se podrán comparar los resultados de las dos metodologías propuestas:
lógica difusa y simulación de Monte Carlo.
Cada una de las variables, las cuales tienen en cuenta el factor humano, es tratada como variable
aleatoria continua, ya que éstas pueden tomar cualquier valor dentro de un rango determinado que
será un rango de incertidumbre acorde con las condiciones de los factores considerados. Como ya se
ha mencionado, estas variables están representadas por una FDP que puede ser de diferentes formas.
El tipo de FDP seleccionado para representar a las variables es del tipo “Uniforme”, debido a las
características cualitativas del factor humano y la complejidad para su representación.
El siguiente paso según la metodología propuesta es la obtención de una función característica
del modelo la cual es explicada a continuación.
ii. obtención de la función característica del modelo
Para obtener la función característica del modelo se tienen que tener en cuenta varias
consideraciones, algunas de las cuales ya han sido mencionadas, como: las conexiones entre las
variables, la restricción del valor final del modificador (1,50) o los diferentes pesos de las variables.
Figura 5 Representación del modelo con las restricciones
Teniendo en cuenta estas consideraciones, se obtuvieron las siguientes ecuaciones para
representar a los factores:
Factor Organizacional: 𝛼𝛼 = (0.2)(𝑎) + (0.6)(𝑏) + (0.2)(𝑐) …………………[6.1]
d+e+f
Factor de las características del trabajo: β = 3
…………………... [6.2]
g+h
Factor de las características personales: γ = ……………………… [6.3]
2
Dónde:
a = subcontratación
b = formación
c = comunicación e informe
d = gestión de la carga de trabajo
e = condiciones medioambientales
f = equipamiento de seguridad
g = habilidades y conocimiento
h = comportamiento persona
Una vez obtenidas las tres ecuaciones individuales de los factores, se suman
(γ + β + α) y se obtiene la ecuación [6.4].
d+e+f g+h
𝑥 = 𝛼 + 𝛽 + 𝛾 = (0.2 𝑎 + 0.6 𝑏 + 0.2 𝑐) + 3
+ 2
………….. [6.4]
Como el valor máximo de cada factor individual es 10, entonces:
𝑥 𝜀 [0,30]……………………………………….. [6.5]
Si el modificador de la frecuencia está representado por f (x), entonces [F(x)]máx se obtiene
cuando (x)mín. Por otro lado, cuando (x)máx entonces [F(x)]mín. Con ésta información se
determinan dos puntos de una línea recta.
Después de considerar esto, y usando una regresión lineal, se llega a la siguiente ecuación:
F(x) = -0,0167·x + 1,5………………………. [6.6]
Para poder trabajar con esta ecuación se tiene que caracterizar la incertidumbre en términos de la
simulación de Monte Carlo, esto quiere decir que a cada variable de entrada “a” o “h” (Figura 6.3)
se le tiene que asignar un rango de incertidumbre para poder hacer las iteraciones necesarias que
necesita el modelo.
iii. Caracterización de la incertidumbre en términos de la simulación de monte carlo
Como ya se ha mencionado, la simulación de Monte Carlo es un proceso iterativo que se basa en
la generación de números aleatorios; por lo tanto, se tienen que realizar N número de iteraciones
para poder obtener un resultado final. Estas iteraciones se han realizado en un rango de
incertidumbre asignado. Dicho rango proviene de las características de cada empresa. Para poder
obtenerlo, se ha creado un método de evaluación del comportamiento de las empresas, a partir del
cual se han determinado los rangos de incertidumbre necesarios para poder continuar con la
metodología propuesta.
 Obtención del rango de incertidumbre
De acuerdo con el resultado obtenido del método de evaluación del comportamiento de las
empresas, se conocerán los valores de las variables y se podrán comparar con los rangos
establecidos en la Tabla 2. De esta manera, a cada variable se le asignará un rango: pobre, medio o
excelente.
Tabla 2 Correlación entre la condición de la variable y el rango de incertidumbre
Una vez obtenidos los rangos para cada variable, se necesitan hacer las iteraciones
correspondientes para obtener diferentes valores de los factores y, consecuentemente, del
modificador de la frecuencia. El número de iteraciones para la metodología propuesta se ha fijado
en 1000, ya que se considera que es un número suficiente de iteraciones para obtener valores
representativos. Por lo tanto, se realizan las 1000 iteraciones necesarias para obtener diferentes
valores de incertidumbre de todas las variables y de los factores, según sus ecuaciones
correspondientes. Por ejemplo, en la Tabla 3 se muestran diferentes iteraciones para las tres
variables correspondientes al factor organizacional (α): en caso de que la variable contratación (a)
tenga condiciones pobres, la variable formación (b) tenga condiciones medias y la de comunicación
e informe (c) condiciones excelentes.
Tabla 3 Primeras iteraciones para obtener valores del factor organizacional
De la misma manera, se hacen todas las iteraciones para todas las variables (a –h), obteniendo
así, diferentes resultados para cada uno de los factores (γ, β y α) y por consecuente, del modificador
de la frecuencia.
 OBTENCIÓN DEL MODIFICADOR BASADO EN MONTE CARLO
Una vez realizadas todas las iteraciones fijadas para cada variable, se obtendrán mil posibles
resultados del modificador. El resultado final, que representará el valor del modificador, se obtiene
mediante el valor de la media de los posibles valores de dicho modificador (Figura 6.4). Para ello se
han tenido en cuenta las condiciones establecidas, como el tipo de FDP de las variables, el número
de iteraciones y el rango de incertidumbre. Para la obtención del modificador se ha utilizado el
software “Minitab” (Minitab, 2010), simplemente aplicando el esquema de las variables, los pesos y
los resultados del método de evaluación de las empresas. En el anexo I se detalla el uso de este
software para la obtención de las iteraciones necesarias para el cálculo del modificador.
Figura 6 Obtención del modificador por Monte Carlo
Una vez establecidas las dos metodologías, que se usaron en esta tesis, para obtener el
modificador de la frecuencia que permite considerar el efecto del factor humano en el análisis
cuantitativo del riesgo (lógica difusa y simulación de Monte Carlo), se necesitan establecer los
escenarios para probar dicha consideración.
CICLO DEL EQUIPO Y DEL SISTEMA
Ciclo es la suma de tiempos fijos y variables recurrentes y secuenciales de la operación unitaria del
equipo de carguío, acarreo o del sistema (Fig). El ciclo puede ser determinístico o probabilístico.
5.1 Ciclo Determinístico
Procesa tiempos reales numéricos constantes. Consta de los tiempos de carguío, descarga, viajes
cargado y vacío del equipo. El cálculo requiere ábacos de gradabilidad y retardo dinámico de cada
modelo y tamaño de equipo de acarreo. Las figuras 4 y 5 presentan ábacos típicos para el cálculo de
los tiempos de viaje. El tiempo de viaje total (cargado y vacío), puede calcularse por dos métodos:
1) Usando las características de la vía de acarreo (longitud de cada segmento de vía, pendiente y
resistencia a la rodadura), y el peso total del equipo cargado y vacío. En el ábaco se estima
velocidad máxima y luego velocidad media por aplicación de la tabla de factores de velocidad los
cuales varían para traducir dos variables: a) el estado de movimiento del equipo en el segmento de
vía que puede ser estacionado o a velocidad y
b) la longitud de los segmentos.
Figura 7 Etapas de cálculo de dimensionamiento y flota de equipo de acarreo
5.2 Ciclo Probabilístico
Se basa en el estudio de la información de tiempo. La vía de acarreo puede dividirse en varios

segmentos registrando el tiempo de viaje de cada segmento. Se analiza y agrupa la información y se
describe mediante una función de distribución probabilística conocida o empírica. Si se cambian los
tipos de trasportadores y los segmentos de vía, se cambiará también los parámetros de la
distribución. El tiempo de viaje de cualquier segmento de vía se obtiene mediante muestreo
montecarlo de la distribución acumulativa de probabilidad.
Factor de Acoplamiento
Determina el número de unidades de transporte para cada unidad de carguío.
Si: N = Número total de transportadores
n = Número total de cargadores
T = Ciclo de cada unidad de transporte. Número aproximadamente constante
t = Ciclo de cada unidad de carguío. Número aproximadamente constante
z = Número de transportadores por unidad de carguío. Cifra entera y constante
y = Número de pases (paladas), requeridos para llenar la tolva del transportador. (mínimo 4 y
máximo 6).
Se establece que: z = T / (y. t).
Multiplicando esta expresión por n se tiene:
n . z = T. n / (y . t).
Pero (n . z) = N.
Entonces: N. y. t = T. n ó N. y. t / (T. n) = 1 = FA = Factor de Acoplamiento, o
Elegida la marca del cargador, se procede a seleccionar el tamaño de la cuchara tal que la tolva del
camión en prueba sea llenada con 4 a 6 paladas (D.W. Gentry et al., 1992). La producción requerida
decide el número de cargadores para lo cual debe conocerse el modelo y tamaño de cada cargador y
las producciones aproximadas. El número óptimo de transportadores se obtiene cuando:
FA = 1 = (N. y. t) / (T. n) ó N = T. n / (y. t)
La figura muestra el número óptimo teórico de transportadores que cumple la producción estimada
por el equipo de carguío. La producción real está por debajo de la teórica requiriendo más
transportadores para alcanzar la máxima producción del cargador debido a factores como distinto
estado de conservación de transportadores, interferencias en las zonas de carguío, de descarga y en
las vías de acarreo, espaciamiento diferente entre transportadores, destreza variable de los
conductores.
Figura 8 Curvas de producción teórica y real
V. PROCEDIMIENTO GENERAL DE SIMULACION
5.1. DEFINICIÓN DEL SISTEMA
Pretende ilustrar de la manera más completa posible el sistema en el cual se va trabajar,
se necesita entender muy bien el funcionamiento de las condiciones reales, sus elementos,
relaciones y metas e imaginarlas como un sistema. (Blanco Rivero & Fajardo Piedrahita,
2003) de manera que se pueda tener una idea muy cercana de los componentes del sistema
sobre el cual se va a realizar la simulación, determinando si la herramienta adecuada para
dar solución al problema es la ya mencionada o se debe trabajar con otras técnicas de
métodos numéricos para obtener los mismos resultados a menor costo. Para esta etapa se
consideran los siguientes aspectos:
5.1.1 OBJETIVOS DE LA SIMULACIÓN
 Para que se hace, donde el analista se debe cuestionar los siguientes aspectos:
 ¿Qué resultados se alcanzarán con la simulación?
 ¿En cuánto tiempo se alcanzarán esos resultados?
Recursos requeridos:
 Mano de Obra: Profesional calificado en procesos de simulación
discreta y en estadística
 Financiero: Realizar un presupuesto de inversión en la consecución del
modelo y aplicación de las mejoras propuestas.
 Tecnológico: software de desarrollo productivo para procesos de
simulación. d. Disponibilidad del personal involucrado en el sistema a
simular.
 Definir el alcance que se va a tener con la simulación, que consiste en establecer
si el modelo de simulación se va a realizar sobre todo el sistema o sobre
alguna(s) etapa(s) en especial del proceso, determinando su inicio y fin con
especificidad.
5.1.2 LAS VARIABLES DE INTERÉS
Son los elementos que definen el comportamiento del sistema y que son relevantes para
su funcionamiento, con las cuales éste es representado de manera genérica. Se puede
establecer tres tipos de variables como son las mencionadas por (Calderon, 2003)
 De decisión: Son las que describen el estado del sistema en cualquier instante y
definen su comportamiento.
 De respuesta: Son las variables cuyo valor se trata de predecir a través del modelo.
 c. Exógenas: Afectan el comportamiento del sistema, no son afectados por el
sistema
5.1.3 MEDIDAS DE DESEMPEÑO
Hacen referencia a las variables que miden el comportamiento del sistema evaluado en
el modelo y sirven para determinar qué escenario de desempeño es mejor que otro.
Es importante definir la información que se espera obtener del modelo o la importancia
de la decisión a tomar a partir del modelo.
5. 2 PLAN GENERAL DEL PROYECTO
Aquí se debe diseñar un plan general que contemple los siguientes aspectos:
5.2.1 PROGRAMAS A UTILIZAR EN EL DESARROLLO DE LA SIMULACIÓN
Es necesario establecer que programas (software) se adaptan al sistema que será
simulado.
5.2.2 NÚMERO DE PERSONAS :
¿Cuantas personas estarán involucradas en el proceso de simulación?
 Profesional en Simulación y Estadística
 Personas que recopilaran los datos base del estudio
 Personal involucrado en el proceso productivo que pueden apoyar con su
conocimiento la simulación, esto puede ayudar a que el ambiente que se simulará
se ajuste más a la realidad.
5.2.3 EL COSTO DEL PROCESO
¿De cuánto dinero se debe disponer para llevar a cabo el proceso de simulación?
 Salario de los analistas
 Inversión en herramientas informáticas, de ser necesario.
5.2.4 EL TIEMPO DE CADA UNA DE LAS FASES DEL PROCESO DE
SIMULACIÓN
Busca establecer cuanto tiempo tomará llevar a cabo cada una de las fases o etapas de la
simulación con el fin de realizar trazabilidad a las mismas
5.2.5 RESULTADOS ESPERADOS AL FINAL DE CADA ETAPA
Con el tiempo ya establecido de cada etapa, se debe establecer que resultado arrojará
cada una de las mismas, lo que puede ayudar a controlar el progreso del proceso completo
de simulación.
5.3 RECOLECCIÓN DE DATOS
Consiste en la obtención de los datos referentes a las variables definidas en la etapa 1,
preferiblemente tomados directamente del sistema a simular, con la precaución de que no
haya ninguna alteración del comportamiento más habitual de las respectivas variables. La
recolección de los datos está íntimamente ligada a la longitud de corrida del modelo, pues
de ésta depende el tiempo que tome la obtención de la información, teniendo en cuenta que
la longitud de corrida hace referencia a la duración de un ciclo productivo de planeación,
(subdivisión del horizonte de planeación) que por lo general es de un mes. Dado que esta
etapa ocupa gran parte del tiempo del proceso general de simulación es necesario dar inicio
a la misma rápidamente.
5.3.1 LONGITUD DE CORRIDA
Es necesario establecer que parámetros definirán la longitud de corrida, la cual puede
depender de:
 El tiempo del ciclo productivo
 Determinar si se tomarán uno (1) o varios ciclos productivos para la definición
de la longitud de corrida
 Definir si la corrida se hará por un pedido o cantidad específica de productos
requerida.
5.3.2 DEFINIR FUENTES DE INFORMACIÓN
Debido a que la recolección de información se convierte en muchos casos en restricción,
ya que el acceso a ésta en su mayoría es limitada, o no se realiza de la manera adecuada.
(Trujillo Díaz, Vallejo Cubillos, & Becerra Fernández, 2010), se debe saber en qué fuente
(datos tomados directamente del sistema, datos históricos, registros contables, órdenes de
compra, opiniones de expertos o experimentos), puede tomarse la información necesaria
para soportar el modelo y por tanto el proceso.
5.3.3 TIEMPO DE INICIO DE LA ETAPA
Dado que esta etapa es la más extensa del proceso, se debe determinar el momento
oportuno en el que se iniciara la toma de la información o la recolección de la misma.
5.3.4 CUANDO NO SE TIENEN DATOS, QUE SE HACE?
Existen algunas formas de conseguir información que pueden orientar en la distribución
a escoger y en la formulación del modelo aunque no existan datos, entre estas esta (Banks,
Carson, Barry L., & Nicol, 2005):
 Datos de ingeniería, como información proporcionada por los proveedores de un
producto (duración del producto, factor de uso, etc.). Esto permitirá definir un
punto de entrada.
 Opiniones de expertos, pueden permitir identificar situaciones, como tiempos de
fallo, tiempos optimistas y pesimistas en un proceso, entre otros. Ese
conocimiento puede representar gran ayuda en la formulación del modelo.
 La naturaleza del proceso, dado a que existen distribuciones que se ajustan
normalmente a determinados tipos de proceso.
 Se hace necesario realizar análisis de sensibilidad de los resultados de la
simulación de acuerdo con la distribución elegida.
5.4 ANÁLISIS DE ENTRADA
En esta etapa se estudian los datos recolectados referentes a las variables definidas
previamente con el fin de establecer su comportamiento estadístico y que serán
introducidos en el software de simulación de manera que se pueda asegurar que los
parámetros de la simulación funcionan de manera correcta de acuerdo al comportamiento
original del sistema.
Figura 9 proceso de análisis de entrada de variables
5.5 CONSTRUCCIÓN DEL MODELO
En este paso se debe elaborar el modelo del sistema lo más cercano a la realidad,
empleando la sintaxis específica del software que se esté utilizando, teniendo en cuenta la
lógica secuencial del proceso real. Se sugiere realizar un bosquejo general del proceso para
construir el modelo, sin olvidar las relaciones existentes entre sus componentes y teniendo
en cuenta lo siguiente:
5.5.1 CLASIFICACIÓN DEL MODELO DE ACUERDO CON SU MOMENTO DE
FINALIZACIÓN
Modelos de categoría terminal: Según (Kelton, Sadowski, & Sadowski, 2006) el modelo
dicta un punto de partida específico y de finalizacion, como un reflejo natural de la forma
en que el sistema de destino funciona realmente. Aquí, la simulación terminará de acuerdo
con alguna regla o condición del modelo especificado.
5.5.2 CONOCIMIENTO DEL SISTEMA A MODELAR
La elaboración del modelo requiere una comprensión total de todo el sistema de manera
que dicho modelo sea lo más cercano posible al sistema en estudio.
5.5.3 LENGUAJE DE SIMULACIÓN
Es preciso conocer cuál es el lenguaje que maneja el software de simulación elegido, con
el fin de que la sintaxis del proceso quede bien definida.
5.6 VALIDACIÓN
En este paso se busca realizar pruebas experimentales para cotejar si el modelo es una
representación fidedigna o semejante del sistema real, esto se hace mediante la
comparación de la información de salida del modelo o resultados obtenidos de la
simulación previa contra los datos observados reales. Con esto se busca que los parámetros
de las variables y la estructura lógica del modelo sean representados de manera correcta en
el ordenador. Cuando se encuentran diferencias, estas son usadas junto con el conocimiento
adquirido, para mejorar el modelo. Este proceso se repite hasta que la exactitud del modelo
sea aceptable (lo más cercano a la realidad).
5.6.1 OPINIÓN DEL EXPERTO EN EL SISTEMA
Es necesario evaluar la opinión de quien mejor conoce el sistema, porque es quien lo
opera e interactúa constantemente con él.
5.6.2 OPINIÓN DE EXPERTOS EN SIMULACIÓN
Un especialista en simulación puede determinar si el modelo elaborado contiene
falencias en la sintaxis del mismo o en manejo estadístico de la información.
5.6.3 ANÁLISIS DE SENSIBILIDAD
Buscar la comparación de distintos escenarios reales del sistema, lo que puede despejar
dudas en la comprensión del mismo.
5.7 EXPERIMENTACIÓN
Busca experimentar o evaluar diversos comportamientos o escenarios del sistema,
realizando un análisis de sensibilidad con el fin de comparar los que presentan los mejores
resultados de acuerdo al objetivo planteado inicialmente. Es importante en este paso,
establecer indicadores de desempeño con los cuales realizar las comparaciones de los
diversos escenarios y así tener un criterio objetivo de selección de la mejor opción.
5.7.1 EL PLAN DE EXPERIMENTACIÓN
El cual establece las posibles alternativas de comportamiento o escenarios del sistema
que se quieren evaluar con el modelo de simulación de acuerdo a los objetivos establecidos
en su inicio. Aquí se debe tener en cuenta:
 Si se debe realizar cambios a los parámetros o comportamiento de las variables
 Adición o reducción de variables o elementos constitutivos del sistema
 Modificaciones a las lógicas de funcionamiento del sistema
 cualquier otro cambio que se considere pertinente evaluar.
5.7.2 AJUSTE DEL MODELO
Es importante determinar el momento en el que el sistema llega a su estado estable
teniendo en cuenta el número de réplicas neceser.
5.8 INTERPRETACION DE LOS RESULTADOS
Aquí se deben aclarar los resultados obtenidos teniendo en cuenta los siguientes
aspectos:
5.8.1 RESULTADOS DE EXPERIMENTOS
¿Cómo se comportó el sistema en los experimentos realizados?, ¿qué alternativas se
consideraron en la simulación y cuáles fueron sus comportamientos?
5.8.2 TOMA DE DECISIONES
Cuáles fueron las acciones tomadas a partir del proceso de simulación que ha culminado,
como se debe afrontar el problema detectado en su inicio.
5.8.3 CONCLUSIONES Y RECOMENDACIONES DEL PROCESO
Debe evidenciar la interpretación del analista en el proceso que se llevó a cabo, es
necesario dejar claro a los interesados, de ser posible de forma escrita, que es relevante para
tener en cuenta en el proce
5. 9. TOMA DE DECISIONES
Una vez realizados los análisis pertinentes y la presentación de los informes
correspondientes, es necesario que la alta gerencia tome la decisión teniendo en cuenta:
 Los costos en los que incurrirá ejecutando los cambios que fueron sugeridos por
parte del experto en simulación, traducidos en:
 Mano de obra involucrada.
 Posibles retrasos de la operación por motivo de los cambios.
 Inversión en nuevas tecnologías e infraestructura.
 Capacitación o entrenamiento al personal acerca del nuevo proceso.
 El tiempo que tardará en realizar los cambios propuestos.
5.10. MONITOREO Y CONTROL.
Según (Garcia Dunna & Azarang Esfandiari, 1996) “es necesario realizar un monitoreo
al sistema y controlarlo puesto que los sistemas son dinámicos y es posible que con el
transcurso del tiempo sea necesario modificar el modelo de simulación, ante los nuevos
cambios del sistema real, con el fin de llevar a cabo actualizaciones periódicas que
permitan que el modelo siga siendo una representación del sistema”.
VI. PROBLEMA DE AMPLICACIÓN
Información Requerida para la Simulación Aleatoria con GPSS.
Esquema de carguío y acarreo de 2 cargadores y 3 puntos de descarga con camiones para el
transporte de mineral y desmonte.
Figura 10 Esquema de transporte de mineral y desmonte
Simulación programada
Programa GPSS para 2 unidades de carguío y 3 puntos de descarga.
RESULTADOS DE LA SIMULACIÓN
Los resultados entregados por el simulador se presentan en la figura 18. Para Nc = 4 cargadores
de Cc = 2 m3 de capacidad c/u se probaron 5 a 10 camiones de 15, 18, 25 y 30 tm de capacidad c/u.
El costo unitario y la producción horaria de cada flota puede leerse en la quinta columna contando
de la última y en la última columna respectivamente $660.28/tm y $210 tm/h. para
Nt = 5 camiones de Cv = 15 tm de capacidad c/u.
Similares pruebas se efectuaron para Nc = 3 cargadores de Cc = 3 m3 de capacidad c/u. y para
Nc = 2 cargadores de Cc = 4 m3 de capacidad c/u. Para Nc = 2 cargadores de Cc = 5 m3 de
capacidad c/u se probó 5, 8 y 10 camiones de 15, 18, 25 y 30 tm de capacidad c/u. El resultado
indica que se sobrepasa la producción requerida de 500 tm/h con las flotas de 2 cargadores de 5 m3
c/u y 8 camiones de 25 tm c/u al mínimo costo de $ 364.88/ tm y producción máxima de 550 tm/h.
Por lo tanto la flota elegida es 2 cargadores de 5 m3 de capacidad c/u con 8 camiones de 25 tm de
capacidad c/u.
VII. CONCLUSIONES
 Según los criterios del programador la simulación está basada en el tiempo que se le
establezca ya sea en tiempo actual o a proyección futura, tiene en cuenta todos los
recursos y restricciones existentes, así como la forma en que se interactúa a medida que
pasa el tiempo. Hay muchos escenarios que se pueden simular.
 Como regla general, los sistemas que implican un flujo de procesos con eventos discretos
se pueden simular. Por lo que cualquier proceso se puede dibujar un diagrama de flujo,
debe ser capaz disimular.
 Vistas las innegables ventajas de la aplicación de los modelos de simulación en la

planificación y gestión estratégica de la empresa, nuestro propósito es continuar en esta
línea de investigación.
 Este es un sector cuyas características (gran dinamismo, tiempos de colas que se han de
resolver óptimamente, procesos de reingeniería en constante uso) hacen que
consideremos que la implementación de la técnica de simulación mediante modelización
de sus procesos más estratégicos constituya un campo de gran interés.
 La simulación tiene su aplicación en un largo espacio pues todo donde podamos ver cola
ahí estaremos aplicando simulación ya que esta es una gran herramienta para ahorrar
tiempo, dinero y esfuerzo en algunos aspectos que de llevarlos luego a la práctica nos
causarían muchos errores costosos y peligrosos.
VIII. BIBLIOGRAFÍA
 Oswaldo Ortiz s., g. c. (2007). simulación determinística y estocástica para dimensionar, y

seleccionar equipo y elegir alternativas de minado en la explotación minera superficial.
Lima.
 Coss Bu Raúl (1999). Simulación. Un enfoque Práctico. Editorial Limusa S.A., México.
 Caterpillar Inc. (1990). Fleet production and cost analisis. Caterpillar Tractor Co.,
Peoria, Illinois,
 Sturgal John R. (2000). Optimización y simulación de operaciones mineras. UNI, 2000-II.
Ciclo de Charlas de Planeamiento Minero.

Modelo de Simulacion - Imvope Aplicada

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

Modelo de Simulacion - Imvope Aplicada

Uploaded by

Copyright:

Available Formats

"Año del Diálogo y la Reconciliación Nacional"

INVESTIGACION DE OPERACIONES APLICADAS

DOCENTE: ING. ROSAS GUZMAN JUAN ANDRES

*AYAY DONATO WILSON * CORTEZ LUCANO MISAEL

* REGALADO BUSTAMANTE CARLOS * PEREZ SANGAY MOISES

Escuela Académico Profesional de Ingeniería de Minas

II. OBJETIVOS ........................................................................................................................... 4

OBJETIVOS ESPECÍFICOS .................................................................................................... 4

III. TEORÍA DE LA SIMULACIÓN ........................................................................................... 4

IV. TIPOS DE SIMULACIÓN ..................................................................................................... 5

4.1 SIMULACIÓN DETERMINÍSTICA .................................................................................. 5

4.2 SIMULACIÓN PROBABILÍSTICA ................................................................................... 7

4.3 SIMULACIÓN DE MONTE CARLO ................................................................................ 8

V. PROCEDIMIENTO GENERAL DE SIMULACION ............................................................ 22

5.1. DEFINICIÓN DEL SISTEMA......................................................................................... 22

5. 2 PLAN GENERAL DEL PROYECTO ............................................................................. 24

5.3 RECOLECCIÓN DE DATOS ........................................................................................... 25

5.4 ANÁLISIS DE ENTRADA ............................................................................................... 27

5.5 CONSTRUCCIÓN DEL MODELO ................................................................................. 28

5.6 VALIDACIÓN .................................................................................................................. 29

5.7 EXPERIMENTACIÓN ..................................................................................................... 30

5.8 INTERPRETACION DE LOS RESULTADOS .............................................................. 31

5. 9. TOMA DE DECISIONES ............................................................................................... 31

Escuela Académico Profesional de Ingeniería de Minas

5.10. MONITOREO Y CONTROL......................................................................................... 32

VI. PROBLEMA DE AMPLICACIÓN .................................................................................. 32

VII. CONCLUSIONES ........................................................................................................... 38

VIII. BIBLIOGRAFÍA ............................................................................................................ 39

Figura 1 Perfil de acarreo de simulación determinística. ............................................................... 6

Figura 2 Perfil de acarreo de simulación probabilística. ................................................................ 7

Figura 4 Metodología para la obtención del modificador mediante MC. .................................... 14

Figura 5 Representación del modelo con las restricciones .......................................................... 15

Figura 6 Obtención del modificador por Monte Carlo ................................................................. 19

Figura 7 Etapas de cálculo de dimensionamiento y flota de equipo de acarreo ........................... 20

Figura 8 Curvas de producción teórica y real .............................................................................. 22

Figura 9 proceso de análisis de entrada de variables ................................................................... 28

Figura 10 Esquema de transporte de mineral y desmonte ............................................................ 34

Tabla 1 Clasificación de funciones de distribuciones de probabilidad ........................................ 12

Tabla 2 Correlación entre la condición de la variable y el rango de incertidumbre ..................... 17

Escuela Académico Profesional de Ingeniería de Minas

Al proceso de experimentar con un modelo se denomina simulación. Al proceso de diseñar el plan

Escuela Académico Profesional de Ingeniería de Minas

 Comprender la metodología general para la simulación de un

 Estudiar diferentes tipos de modelos de simulación.

III. TEORÍA DE LA SIMULACIÓN

Escuela Académico Profesional de Ingeniería de Minas

IV. TIPOS DE SIMULACIÓN

Se estableció diferencias entre los modelos determinístico y probabilístico, considerando la

4.1 SIMULACIÓN DETERMINÍSTICA

Escuela Académico Profesional de Ingeniería de Minas

Figura 1 Perfil de acarreo de simulación determinística.

a) VENTAJAS DE LA SIMULACION DETERMINISTICA

Escuela Académico Profesional de Ingeniería de Minas

4.2 SIMULACIÓN PROBABILÍSTICA

Requiere curvas de densidad de probabilidad para generar tiempos de carguío, descarga,

Se emplean números pseudo aleatorios R o funciones rectangulares para determinar la variable

Figura 2 Perfil de acarreo de simulación probabilística.

Escuela Académico Profesional de Ingeniería de Minas

4.3 SIMULACIÓN DE MONTE CARLO

obtener la respuesta más probable de un evento por medio de la simulación de un modelo

el propósito de realizar una experimentación cuyos resultados lleguen, después de un número

conveniente de ensayos (iteraciones), a simular lo que pasaría en un sistema real.

manera: el cálculo de integrales de funciones complicadas y las integrales en espacios

AYAY DONATO WILSON CORTEZ LUCANO MISAEL