INVESTIGACION DE

OPERACIONES II
INGENERIA INDUSTRIAL
7mo. Semestre
UNIDAD I
INTRODUCCIN
1.1 DEFINICIONES BSICAS
1.2 NECESIDAD DE LOS INVENTARIOS
1.3 ELEMENTOS DE UN SISTEMA DE
INVENTARIOS
1.4 ANLISIS DE SISTEMAS
1.5 CLASIFICACIN ABC
1.6 POLTICAS DE INVENTARIOS
1.1 DEFINICIONES BSICAS
INVENTARIOS
Inventarios son bienes tangibles que se tienen para
la venta en el curso ordinario del negocio o para ser
consumidos en la produccin de bienes o servicios
para su posterior comercializacin. Los inventarios
comprenden, adems de las materias primas,
productos en proceso y productos terminados o
mercancas para la venta, los materiales, repuestos
y accesorios para ser consumidos en la produccin
de bienes fabricados para la venta o en la prestacin
de servicios; empaques y envases y los
inventarios en trnsito.
Tipos de Inventario
Materia Prima
Productos en Proceso
Productos Terminados
Stock
Capital Inmovilizado
Funcin de los Inventarios
Ayudar a la independencia de operaciones
- Continuidad de las variaciones de
demanda
Determinar condiciones econmicas de
aprovisionamiento
Determinar la ptima secuencia de
operaciones
Uso ptimo de la capacidad productiva
Importancia de la clasificacin
El manejo de Inventario involucra uso de
recursos como el personal y dinero.
Recursos limitados y al gran nmero de
inventarios
Centrarse en los ms
importantes
1.2 NECESIDAD DE LOS
INVENTARIOS
Para muchas firmas, la cifra del inventario es el
mayor de los activos circulantes. Los problemas de
inventario pueden contribuir, y de hecho lo hacen, a
las quiebras de los negocios. Cuando una firma solo
falla en que involuntariamente se queda sin
inventario, los resultados no son agradables. Si la
firma es una tienda de menudeo, el comerciante
pierde la utilidad bruta de este articulo. Si la firma es
un fabricante, la falta de inventario ( incapacidad de
abastecer un articulo del inventario) podra en casos
extremos, hacer que se detenga la produccin.
Por el contrario si una firma mantiene
inventarios excesivos, el costo de
mantenimiento adicional puede
representar la diferencia entre
utilidades y perdidas. Nuestra
conclusin debe ser que la
administracin habilidosa de los
inventarios, puede hacer una
contribucin importante a las utilidades
mostradas por la firma.
1.3 ELEMENTOS DE UN
SISTEMA DE INVENTARIOS
CANTIDAD DE PRODUCTO
LOS COSTOS EN LOS QUE SE VA
INCURRIR EL INVENTARIO
TIEMPO QUE SE VA ALMACENAR
ESOS PRODUCTOS
MANTENER NIVELES OPTIMOS DE
INVENTARIO
1.4 ANLISIS DE SISTEMAS
PUNTO DE REORDEN
Es el nivel de inventario que determina el momento en que se debe
colocar una orden
Punto de reorden = plazo de tiempo en semanas X consumo
semanal
TIEMPO DE ENTREGA
Espacio de tiempo requerido para realizar un proceso o serie de operaciones. En un
contexto logstico se refiere al tiempo entre el reconocimiento de la necesidad de una
orden y el recibo de las mercancas
INVENTARIO DE SEGURIDAD
Es el inventario adicional que se mantiene para protegerse contra los
cambios en las ventas esperadas o demoras en la produccin o en el
abasto de los productos.
COSTOS DE PENALIZACION
Es aquel que se va a dar cuando no alcancemos a surtir lo que pactamos a nuestros
clientes y ellos nos penalizan-
1.5 CLASIFICACIN ABC
En cada empresa se utilizan diferentes
productos, cada uno de ellos con sus propias
caractersticas, por lo tanto, cada uno de ellos
necesita de un manejo particular, dependiendo
de su importancia en los procesos de la
compaa y de las posibilidades de adquisicin.
El pensar que todos los productos se deben
controlar de la misma manera, es una visin
limitada de la realidad, que implica desgaste y
sobrecostos innecesarios.
El anlisis ABC es una manera de clasificar los
productos de acuerdo a criterios preestablecidos, la
mayor parte de los textos que manejan este tema,
toman como criterio el valor de los inventarios y dan
porcentajes relativamente arbitrarios para hacer esta
clasificacin. Por ejemplo, el 10% de los productos
representan el 60% de las compras de la empresa por lo
tanto esta es la zona A, un 40% de los productos el
30%, que serian los que estn ubicados en la zona B, el
resto (50% de los productos y 10% de las compras) son
productos C.
Clasificacin ABC
A Alto Volumen Monetario
B Volumen Monetario Medio
C Bajo Volumen Monetario
Presentacin Grfica de una
clasificacin ABC
Porcentaje del valor monetario total
Porcentaje del nmero
total de artculos
Art. A
Art, B
Art. C
1.6 POLTICAS DE INVENTARIOS
Las polticas de inventarios deben tener como objetivo elevar al
mximo el rendimiento sobre la inversin, satisfaciendo las
necesidades del mercado.
La adquisicin de inventarios conlleva un costo de mantenimiento
del inventario, un costo por compra y otros costos que sern
tratados en las secciones siguientes.
Las polticas de inventarios deben ser fijadas para cada uno de los
diferentes conceptos, como: materias primas y materiales auxiliares
de fabricacin, produccin en proceso, artculos terminados,
artculos de compra-venta, etc., por que cada una de estas
inversiones de activo presentan condiciones peculiares para su
administracin, especficas para su compra, consumo,
procesamiento, para su custodia, para su venta, etctera.
La administracin de los inventarios tiene
que fijas las polticas, siendo las principales:
Reducir al mximo la inversin de inventarios en
das de inversin sin afectar la demanda del
mercado (ventas) y al proceso productivo.
Obtener el mximo financiamiento (sin costo) a
travs de proveedores, para la adquisicin de
inventarios.
Fijar el nivel aceptable de surtido de productos
en los pedidos de los clientes.
Mantener las existencias de inventarios en
artculos "A" mediante una administracin
personalizada.
Vigilar la exposicin de los inventarios
ante la inflacin y la devaluacin de la
moneda. Los inventarios son activos no
monetarios que no estn expuestos a la
inflacin y devaluacin de la moneda.
UNIDAD II
MODELOS DETERMINISTICOS
2.1 MODELOS DE CANTIDAD ECONMICA
DE PEDIDO
A)MODELOS SIN DESCUENTOS EN LOS COSTOS
B)MODELOS CON DESCUENTO
C)MODELOS CON RESTRICCIONES
2.2 MODELOS DE PROGRAMACIN LINEAL Y
DINMICA
EOQ
(ECONOMIC ORDEN QUANTITY)
Modelo EOQ= Economic Order Quantity
Lote Econmico de Pedido
Objetivo: encontrar el tamao ptimo del
pedido (Q*),que minimiza los costos
totales anuales.
SUPUESTOS DEL MODELO
La demanda es conocida y constante
El material se entrega en su totalidad en
un instante
El plazo de entrega es conocido y se
mantiene
La demanda de los diferentes materiales
es totalmente independiente entre si
Cada pedido es por un solo material y as
es entregado (no hay consolidacin de
pedidos)
Los nicos costos que cambian son los
de almacenamiento y los de preparacin
del pedido (Holding y Set-up costs)
MODELO POQ
(Production Order Quantity)
MODELO DE DESCUENTO
Costo Total = PxD + HxQ/2 + SxD/Q
P disminuye escalonadamente en funcin de Q.
H tambin puede ser funcin del precio
H = IxP.
Calcular para cada tramo:
1- EOQ
2- Costo total con el Q mnimo de ese tramo
3- Elegir el Q factible, que implica el menor
costo total
Dos polticas bsicas (ms realistas):
Revisin Continua: Cada vez que se
consume algo de material, se verifica el
stock.
En el momento que est por debajo de un
cierto nivel (Punto de Emisin del
Pedido), se debe disparar un nuevo
pedido.
- Menos stock de seguridad
Ms posibilidad de obtener descuento por cantidad
Tpico para bienes muy caros y/o crticos (A del ABC)
Tambin se usa en sistemas automticos, por ejemplo para el
mantenimiento de stocks de repuestos e insumos standard
MRP
Los sistemas de planificacin de
requerimientos de materiales (MRP)
integran las actividades de produccin y
compras. Programan las adquisiciones a
proveedores en funcin de la produccin
programada.
El MRP, es un sistema de planificacin de
la produccin y de gestin de stocks (o
inventarios) que responde a las preguntas:
qu? cunto? y cundo?, se debe
fabricar y/o aprovisionar. El objetivo del
MRP es brindar un enfoque ms efectivo,
sensible y disciplinado para determinar los
requerimientos de materiales de la
empresa.
EJEMPLO DE MRP
SEMANA 1: Las necesidades brutas son nulas, la
disponibilidad es de 550 unidades, dentro de las cuales
el stock de seguridad es de 50, al no existir necesidades
brutas no existen necesidades netas.
NB=0
D= 550 ; SS=50
NN =0
SEMANA 2: Ocurre lo mismo que la semana 1, con lo
cual nos encontramos con una Disponibilidad de 550
unidades y con un Stock de Seguridad de 50 unidades.
SEMANA 3: Las necesidades brutas son de 400
unidades, pero disponemos de una disponibilidad de
550 unidades "heredadas" de la anterior semana, con lo
cual satisfacemos las 400 unidades con las 550
disponibles, nos cercioramos que nos sobran mas de 50
unidades para el Stock de Seguridad.
NN=NB-D+SS; NN= 400-550+50 ; NN=-100
Al ser negativo las NN, no necesitaremos fabricar tijeras,
adems nos sobran 150 tijeras de disponibilidad pues
550-400 =150.
SEMANA 4: Necesitamos fabricar 600 tijeras,
pero disponemos nicamente de 150 unidades
que sobraron de la semana anterior, con lo cual
las necesidades netas son:
NN = NB-D+SS; NN=600-150+50; NN=500
Debemos de fabricar en la 4 semana 500
tijeras, nos aseguramos que mantenemos el
Stock de Seguridad en 50 unidades.
SEMANA 5: Como las NB son nulas, no
necesitamos fabricar con lo cual las NN son
nulas.
SEMANA 6: Las Necesidades Brutas son de
800 unidades , como la disponibilidad es nula
aplicaremos para el calculo de las Necesidades
Netas
NN=NB; NN=800
Debemos de fabricar 800 Unidades en la 6
semana, seguimos manteniendo el SS de 50
unidades.
SEMANA 7: Ocurre lo mismo que la semana 6, con lo
cual las necesidades netas son de 300 unidades.
NN=NB; NN=300.
PROGRAMACION LINEAL
La programacin lineal se aplica a modelos de
optimizacin en los que la funcin objetivo y las
restricciones son estrictamente lineales.
Una empresa ha dejado de fabricar ciertos
productos, liberando de esta forma las cargas
de produccin que tenan sus equipos en los
departamentos de maquinado. Ahora se tienen
horas mquina que se pueden utilizar en los
productos denominados 1,2,3 de la siguiente
manera:
Mquina Horas por pieza de producto Horas Maq.
Disponibles
1 2 3 por semana
Fresadora 9 3 5 500
Torno 5 4 - 350
Rectificadora 3 - 2 150
Utilidad
$/ pieza 50 20 25
Recomendacin del Mnimo Mnimo Mnimo
Depto. Vtas a Prod. 30 15 20
FORMULACION DE LA P.L.
Definicin de variables a utilizar en el mtodo de
programacin lineal
Sea: Xj = numero de piezas de producto j(j=1,2,3) a
fabricar para maximizar la utilidad.
Funcin econmica y objetivo:
MAX Z= 50X1 + 20X2 + 25X3 [ (Dls/Unidad)
(Unidad/Sem)] = [Dls/Sem.]
sujeta a restricciones de horas mquina disponibles por
semana
Fresadora : 9X1 + 3X2 + 5X3 * 500 horas mquina
fresadora
Torno: 5X1 + 4X2 * 350 horas mquina torno
Rectificadora: 3X1 + 2X3 * 150 horas maquina
rectificadora
Condiciones de signos pare las variables:
X1 * 30 piezas
X2 * 15 piezas
X3 * 20 piezas
UNIDAD III
MODELOS
PROBABILISTICOS Y CON
INCERTIDUMBRE
42
3.1.2 MODELO ESTOCSTICOS
La simulacin estocstica es una tcnica
de simulacin, diseada para
reproducir el histograma de los datos
con la mayor aproximacin posible,
ser consistentes con el modelo
espacial y con datos secundarios, y
evaluar la incertidumbre de un modelo
de yacimientos.
43
MODELO ESTOCSTICOS
El modelaje estocstico de las
propiedades de yacimiento se realiza
en dos etapas:
Primero se simula la geometra de las
facies
Segunda se simula la distribucin
espacial de las variables petrofsicas
(porosidad y permeabilidad) para cada
una de las facies.
44
Este procedimiento permite caracterizar la
continuidad y variabilidad espacial de las
propiedades de la roca en el yacimiento,
integrar informacin multidisciplinaria con
diferentes resoluciones y cuantificar la
incertidumbre en la descripcin de los
yacimientos.
45
MODELO ESTOCSTICOS
Este procedimiento permite caracterizar la
continuidad y variabilidad espacial de las
propiedades de la roca en el yacimiento,
integrar informacin multidisciplinaria con
diferentes resoluciones y cuantificar la
incertidumbre en la descripcin de los
yacimientos.
46
MODELO ESTOCSTICOS
UNIDAD IV
CONCEPTOS BSICOS
47
SEGUNDA PARTE:
SIMULACIN DE SISTEMAS
4. DEFINICIONES
SISTEMAS
MODELOS
SIMULACIN
48
Definicin del sistema
Un Sistema se define como una
coleccin de entidades (por ejemplo,
personas, mquinas, ...)que actan e
interactan juntas para lograr un fin
comn.
49
Clasificacin de los sistemas
Los sistemas se pueden clasificar en dos
tipos, discretos y continuos
Un sistema discreto es aquel en el que las
variables de estado cambian
instantneamente en puntos separados en
el tiempo
50
Un sistema continuo :es aquel en el que
las variables de estado cambian
continuamente con respecto al tiempo.
51
Definicin del modelos
Modelo es una representacin de un objeto, sistema o
idea de forma diferente a la de identidad misma
Por lo general el modelo nos ayuda a entender y
mejorar un sistema
El modelo de un objeto puede ser una rplica
exacta de este. Con la diferencia del material que
lo compone o de su escala, inclusive puede ser una
abstraccin de las propiedades dominantes del
objeto.
52
Clasificacin de los modelos
Estticos frente a Dinmicos: Un modelo
esttico es una representacin de un
sistema en un punto particular del tiempo, o
uno que representa un sistema en el cual el
tiempo no juega ningn papel; ejemplos de
simulaciones estticas son los modelos
MonteCarlo. De otro lado, los modelos
dinmicos representan sistemas que
evolucionan con el tiempo.
53
Determinstico frente a Probabilsticos:
En un modelo determinstico la salida
es determinada una vez que se
especifican las relaciones, cantidades
y entradas.
Continuos frente a Discretos: Los
modelos de simulacin continuos y los
discretos se definen de forma anloga
a la de los sistemas.
54
Prescriptivos frente a Descriptivos: Los
primeros pretenden tomar decisiones
sobre el sistema; se utilizan cuando se
desea responder y optimizar una
cuestin acerca del sistema, tratan de
dar la mejor solucin. Los segundos
se limitan a describir el
comportamiento del sistema y dejan la
totalidad del proceso de optimizacin
en manos del analista.
55
De Ciclo Abierto frente a de Ciclo
Cerrado: En los primeros no hay
realimentacin, es decir, las salidas no
afectan a las entradas. En los
segundos las salidas s afectan a las
entradas (ej: un sistema de
calefaccin
56
Definicin de simulacin
Simulacin = tcnica que imita el
comportamiento de un sistema del
mundo real cuando evoluciona en el
tiempo.
Modelo de simulacin = conjunto de
hiptesis acerca del funcionamiento
del sistema expresado como
relaciones matemticas y/o lgicas
entre los elementos del sistema.
.
57
4.1 PROCESOS DE SIMULACIN
Proceso de simulacin: ejecucin del
modelo a travs del Tiempo en un
ordenador para generar muestras
representativas del comportamiento del
sistema
58
ETAPAS DEL PROCESO DE
SIMULACIN
Definicin, descripcin del problema. Plan.
Formulacin del modelo.
Programacin .
Verificacin y Validacin del modelo.
Diseo de experimentos y plan de
corridas.
Anlisis de resultados
59
60
Formulacin del
problema
Recoleccin de
datos y anlisis
Desarrollo del
modelo
Verificacin y
validacin del
modelo
Experimentacin
y Anlisis de
salida
Implantacin de
los Resultados
Figura 1.2. Pasos en la Simulacin
VENTAJAS Y DESVENTAJAS
DE SIMULACION
No es necesario interrumpir las operaciones
de la compaa.
Proporciona muchos tipos de alternativas
posibles de explorar.
La simulacin proporciona un mtodo ms
simple de solucin cuando los
procedimientos matemticos son complejos
y difciles.
61
VENTAJAS Y DESVENTAJAS
DE SIMULACION
La simulacin proporciona un control
total sobre el tiempo, debido a que un
fenmeno se puede acelerar.
Auxilia el proceso de innovacin ya
que permite al experimentador
observar y jugar con el sistema.
62
4.2 CONCEPTOS BSICOS DE PROBABILIDAD Y
ESTADSTICA, CONFIANZA Y SIGNIFICACIN.
Definicin de Probabilidad estudia ciertos
experimentos llamados aleatorios, o sea
regidos por el azar, en que se conocen
todos los resultados posibles, pero no es
posible tener certeza de cul ser en
particular el resultado del experimento o
estadstica.
63
EXPERIMENTO
EXPERIMENTO: ES CUALQUIER
PROCESO O ACTIVIDAD QUE GENERE
RESULTADOS.
64
EJEMPLOS DE EXPERIMENTO
1. Lanzar una moneda.
2. Lanzar un dado.
3. Lanzar tres monedas simultneamente.
4. Registrar el sexo de la siguiente persona
que nazca en la clnica de esta ciudad.
5. Lanzar una moneda. Si cae guila, se
lanza un dado; en caso contrario, se lanza
nuevamente la moneda
65
ESPACIO MUESTRAL,
ESPACIO MUESTRAL ES UN CONJUNTO
FORMADO POR TODOS LOS POSIBLES
RESULTADOS DE UN EXPERIMENTO
ALEATORIO.
66
EJEMPLOS DE ESPACIO MUESTRAL
1. Cuando se lanza una moneda puede caer
guila(a) o sol(s). As, S = {a, s}.
2. Al lanzar un dado, puede caer cualquiera de sus
seis caras con 1, 2, 3, 4, 5 o 6 puntos. En este
caso, S={1,2,3,4,5,6}.
3. Si se lanzan tres monedas al mismo tiempo puede
ocurrir cualquiera de 8 resultados posibles. As
que, S={aaa, sss, ass, ssa, sas, saa, aas, asa}.
67
VARIABLE ALEATORIA
68
Funcin que asigna a cada punto del espacio
muestral un nmero real
X : R
Ejemplo N1: =Mfalla , no falla M
X(M no falla M) = 0
X(Mfalla M) = 1
VARIABLE ALEATORIA CONTINUA
69
Cuando el experimento se realiza sobre un espacio muestral
que est relacionado con escalas intevalares (tales como
mediciones de distancias, volmenes, pesos, tiempos, velocidad, voltajes,
intensidad, caudal, temperatura etc.)
Ya que los posibles valores de X en un intervalo, a < x < b, son
infinitos - no enumerables - no podemos hablar del i-
simo valor de X = x
i
; En tales casos se habla se Variables
Aleatorias Continuas, donde R
x
es un intervalo o un conjunto
de intervalos; entonces existe una funcin continua especial
f:
f(x) = lim
h 0
> 0
[
R
[
R
P(x < X < x + h)
h
f(x)
x
f(x) > 0;
Sea X una variable
aleatoria continua. La
funcin densidad de
probabilidad (pdf) es
una funcin que
satisface:
_x QR
x
Q(_ O_
\
f(x) dx = 1
R
x
a b
\
+
b
a
dx x
P(A) = P(a < x < b)
) (
f
A: un evento
A: { x| a < x b)
VARIABLE ALEATORIA
CONTINUA
VARIABLE ALEATORIA
DISCRETA
Sea X una variable aleatoria.
Si el nmero de posibles valores de X (esto es su R
X
).
- Es finito (contable) o.
- Es contablemente infinito (denumerable).
Entonces llamamos a X una variable aleatoria discreta.
Esto es, los posibles valores de X pueden ser listados.
X
1
, x
2
, x
3
, ...., x
n
, .....
- En el caso contable la lista es finita.
- En el caso denumerable la lista es infinita contable
Sea C Q
X: C
tal que
i) p(c
i
) = Pr(c
i
)0
X(c
i
) = x
i
P(A) =
Conjunto de eventos elementales de una
familia de eventos del espacio muestra; C O
X es una funcin definida sobre el Espacio Muestral,
que mapea en el conjunto de los Nmeros Reales los
eventos elementales definidos en C = Mc
i
: i Q@O
N M
IR
En algunos textos se utiliza la letra f
para acentuar que la variable aleatoria
discreta es una fucin
Sea A el evento tal los eventos elementales c
i
QC pertnezcan tambin a A,
esto es c
i
QC mA. Usando la transformacin X

p(c
)
+
P
(
X
+
x
)
M M
Q Q
I C
C
A
:
c
i
VARIABLE ALEATORIA
DISCRETA
FUNCIN DE DENSIDAD Y DE
PROBABILIDAD
En estadstica, la funcin de densidad de
probabilidad (fdp) o simplemente funcin de
densidad, de una variable aleatoria continua
representada comnmente como f(x), se utiliza
con el propsito de conocer cmo se distribuyen
las probabilidades de un suceso o evento, en
relacin al resultado del suceso.
73
ESTADSTICA DESCRIPTIVA
Estadstica descriptiva es una parte de la
estadstica que se dedica a analizar y
representar los datos
74
4.3 GENERADORES DE NMEROS
ALEATORIOS UNIFORMES
75
Una variable aleatoria discreta X se dice que es
uniforme en el intervalo [1,n] si la probabilidad de
ocurrencia es la misma para cada valor de la
variable.
Es decir P[X=j]=1/n para j=1,n. A nivel muestral
habra uniformidad si cada valor se repite con la
misma frecuencia. Si X es una variable aleatoria
continua entonces se distribuye uniformente en
(0,1) si la probabilidad de ocurrencia de que X
caiga en un intervalo (a,b), 0<a<b<1, es igual a la
longitud de dicho intervalo. Una variable aleatoria
uniforme continua puede ser discretizada
asumiendo que n es grande.
GENERADORES CONGRUENCIALES
Una secuencia de nmeros enteros Z
1
, Z
2
, Z
3
.. es definido por la
frmula recursiva.
Z
i
= (a Z
i-1
+ b) (mod m)
m = modulo;
a= multiplicador
b = sesgo :
Z
c
= semilla o valor inicial
Todos enteros no negativos.
Adems 0 < m, a < m, b < m, Z
0
< m.
Para obtener Z
i
, dividir a Z
i-1
+ b por m, y dejar que Z
i
sea el resto de
esta divisin
Obs:
1.- Cuando b=0 el generador se denomina Generador
congruencial multiplicativo.
2.- Cuando bw0 el generador se denomina
Generador congruencial mixto.
3.- A pesar de la simplicidad una adecuada eleccin de los
parmetros de a, b y m, permite obtener de manera eficiente
una larga e impredecible sucesin de nmeros como para
considerarse aleatoria.
GENERADORES
CONGRUENCIALES
Ejemplo GENERADORES
CONGRUENCIALES
La rutina RANDU, que IBM proporcionaba para sus equipos
consideraba un modelo congruencial multiplicativo con m = 2
31
; a =
65539 ; b = 0
X
n
= 65539 X
n-1
mod (2
31
)
u
n
=
Este generador proporciona tripletas consecutivas de nmeros que
caen en 15 planos ! Lo que sugiere cierta previsiblidad en su salida
(Mal Generador)
Continuacin..
En teora puede conseguirse que un buen generador con m = 2
32
produzca 357.913.941 puntos independientes en un cubo de
dimensin 3, siendo el mnimo nmero de hiperplanos que contiene
estos puntos 10
8
, en contraste con los 2953.
Para la famosa rutina RANDU de IBM,
X
n
= 65539 X
n
mod (2
31
)
las tripletas consecutivas de nmeros caen en 15 planos.
4.5 MTODO DE MONTECARLO
Bajo el nombre de Mtodo Monte Carlo o Simulacin
Monte Carlo se agrupan una serie de
procedimientos que analizan distribuciones de
variables aleatorias usando simulacin de nmeros
aleatorios
El Mtodo de Monte Carlo da solucin a una gran
variedad de problema matemticos haciendo
experimentos con muestreos estadsticos en una
computadora. El mtodo es aplicable a cualquier
tipo de problema, ya sea estocstico o
deterministico
80
ALGORITMOS
El algoritmo de Simulacin Monte Carlo
Crudo o Puro est fundamentado en la
generacin de nmeros aleatorios por
el mtodo de Transformacin Inversa.
Otra opcin para trabajar con Monte
Carlo, cuando la variable aleatoria no
es directamente el resultado de la
simulacin o tenemos relaciones entre
variables es la siguiente:
Disear el modelo lgico de decisin
Especificar distribuciones de probabilidad para las
variables aleatorias
relevantes.
Incluir posibles dependencias entre variables.
Muestrear valores de las variables aleatorias.
Calcular el resultado del modelo segn los valores del
muestreo (iteracin) y
registrar el resultado
Repetir el proceso hasta tener una muestra
estadsticamente representativa
Obtener la distribucin de frecuencias del resultado de las
iteraciones
Calcular media, desvo.
Analizar los resultados
4.6 DISEO DE EXPERIMENTO DE
SIMULACIN
83
4.7 ANLISIS ESTADSTICO DE LA
SIMULACIN
84
4.8 PROCESO DE POISSON Y
LNEAS DE ESPERA
85
PROCESO DE POISSON
Un uso muy frecuente de la distribucin
de Poisson surge en situaciones en
las cuales los eventos ocurren a lo
largo del tiempo, por ejemplo:
ocurrencia de terremotos, persona que
ingresan a un banco, emisiones de
partculas por una fuente radiactiva
86
Supngase que los eventos ocurren en
ciertos instantes (aleatorios) de tiempo
y que, para una constante positiva se
satisface.
87
Las lneas de espera ( o colas) ocurren cuando se
deben acceder a recursos limitados.Por
ejemplo: en muchas importantes operaciones de
negocios.
Muchos sistemas de servicio, tales como:
restaurants de comida rpida, bancos,
estaciones de gasolina, lneas telefnicas de
soporte tcnico, etc. Muchos procesos en
sistemas computacionales como atencion de
procesos por un sistema operativo, uso de CPU,
sistema de mails, conmutadores de redes de
computadores..
Modelos de Simulacin de
Lneas de Espera
Sistemas de lneas de espera o
sistemas de colas
Las llegadas al sistema y los tiempos de servicio
varan probabilsticamente. Una importante
decisin al disear tales sistemas involucra el
compromiso entre la espera de los clientes y el
costo del sistema, determinado usualmente por el
nmero de servidores.
Un diseo que balancea la demanda promedio con
la tasa de servicio promedio causar demoras
inaceptables. La decisin es difcil debido a que el
retorno marginal declina al aumentar la capacidad
de servicio.
Modelo de una cola
Cola de espera
servidor
Disciplina de
servicio
Proceso
de llegada
Conceptos Bsicos de Modelamiento
de Lneas de espera
Componentes bsicos:
Llegadas.
Pueden ocurrir de diversas maneras. Pueden ser constantes,
como si fueran alimentadas por una mquina operando en una
lnea de ensamble, a una tasa constante. Usualmente ocurren en
forma aleatoria y se describen por alguna distribucin de
probabilidad.
Por ejemplo, Poisson se usa a menudo para describir el nmero
de llegadas en un perodo fijo de tiempo. Si el nmero de
llegadas en un intervalo de tiempo tiene una distribucin Poisson,
el tiempo entre llegadas tiene una distribucin exponencial.
2. Colas de espera
Si el dispositivo de servicio est ocupado cuando llega una
entidad, sta espera en la lnea o cola.
Las entidades esperan en la cola de acuerdo a una regla de
decisin que describe cmo sern atendidas. Esta regla es la
disciplina de atencin de la cola.
La ms comn es la FIFO, otras que se encuentran en
aplicaciones del mundo real son LIFO, aleatorio, o por
prioridades.
Conceptos Bsicos de Modelamiento
de Lneas de espera
Fila de espera
tamao mximo
20 clientes
Clientes:poblacin infinita
Servidor 2 tiempo de servicio segn
distribucin uniforme entre (1,5)
Tiempo entre llegadas
uniformemente
distribuido (1,9)
Servidor 1,
tiempo de servicio segn
distribucin de probabilidad
especificada
Disciplina FIFO
Modelo de Fila con 2 servidores
3. Dispositivos de Servicio
Son los servidores que proveen atencin
Existen diferentes configuraciones: un solo servidor,
mltiples servidores o servidores secuenciales.
Las tasas de servicio varan de acuerdo a alguna distribucin
de probabilidad.
Un supuesto comn en los modelos analticos es que los
tiempos de servicio son exponenciales
Conceptos Bsicos de Modelamiento
de Lneas de espera
Modelo analtico de un Servidor
(M/M/1)
El modelo ms bsico supone: llegadas Poisson,
tiempos de servicio exponenciales, un solo servidor,
disciplina de cola FIFO.
Si se define , como la tasa de llegada promedio,
expresada en llegada de clientes por perodo de tiempo
(1/=tiempo promedio entre llegadas) y | como la tasa
de servicio promedio, expresada como clientes
atendidos por perodo de tiempo (1/| = tiempo servicio
promedio), las caractersticas operativas son:
Ejemplos de procesos de
Nacimiento y Muerte
0 1 2 3

|

| |
Caso M/M/1 :
Diagrama de transicin de estados para M/M/1
Medidas de modelo analtico:
M/M/1
Tiempo espera promedio:
Nmero promedio en cola:
Tiempo promedio sistema:
Nmero promedio en sistema:
Probabilidad servidor ocioso:
= = = =

(
+
2
q
L
= = (
+
1
W
= = ( |

+ L
0
1 P +(
( )
q
W


+
(
Porcentaje ocupacin:
Note que la tasa de llegada debe ser menor que la tasa de servicio, o la fila
crecer infinitamente
Medidas de modelo analtico: M/M/1

+
4.10 SIMULACIN UTILIZANDO
PROGRAMAS DE COMPUTO
99
4.9 OTROS EJEMPLOS DE
SIMULACIN