D3 Simulacion (IO) Investigacion de Operaciones

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL
SUB-REA: INGENIERIA INDUSTRIAL
5. SIMULACIN (IO) INVESTIGACIN DE OPERACIONES
Introduccin a la Simulacin
Las primeras referencias sobre simulacin se encuentran hacia el ao 1940, cuando Von Neumann y Ullman trabajaron sobre la simulacin del flujo de neutrones para la construccin de la bomba atmica en el proyecto Montecarlo. Desde entonces se conocan las tcnicas de simulacin como procesos Montecarlo, aunque en la actualidad se diferencian ambas cosas, siendo los segundos un tipo particular de simulacin. Tambin se realiz un proceso de simulacin para el proyecto APOLLO dentro del plan espacial de la N.A.S.A, acerca del movimiento dentro de la atmsfera de la luna.
Introduccin
Actualmente, la simulacin es una poderosa tcnica para la resolucin de problemas. Sus orgenes estn en la teora de muestreo estadstico y anlisis de sistemas fsicos probabilsticos complejos. El aspecto comn de ambos es el uso de nmeros y muestras aleatorias para aproximar soluciones. Una de las ms famosas aplicaciones de muestras aleatoria s, ocurre durante la segunda guerra mundial, cuando la simulacin se utiliz para estudiar el flujo de neutrones dentro del desarrollo de la bomba atmica. Esta investigacin era secreta y le dieron un nombre en cdigo: Monte Carlo. Este nombre se mantiene, y durante mucho tiempo se usaba para hacer referencia a algunos esfuerzos en simulacin. Pero el trmino mtodos Monte Carlo, se refiere actualmente a una rama de las matemticas experimentales que trata con experimentos de nmeros aleatorios, mientras que el trmino simulacin, o simulacin de sistemas, cubre una tcnica de anlisis ms prctico, y es lo que vamos a estudiar. Vamos a ver tcnicas que utilizan los computadores para imitar, o simular, el comportamiento de sistemas del mundo real. Para estudiar cientficamente estos sistemas, a menudo se han de hacer una serie de suposiciones acerca de cmo trabaja ste. Estas suposiciones que usualmente toman la forma de relaciones matemticas o lgicas, constituyen un modelo que va a ser usado para intentar comprender el comportamiento del sistema correspondiente. Si las relaciones que componen el modelo son suficientemente simples, es posible usar mtodos matemticos (tales como lgebra, clculo o teora de la probabilidad) para obtener una informacin exacta de las cuestiones de inters; a esto se le llama solucin analtica. Sin embargo, la mayora de los sistemas del mundo real son demasiado complejos y normalmente los modelos realistas de los mismos, no pueden evaluarse analticamente. Lo que se puede hacer es estudiar dichos modelos mediante simulacin. En una simulacin se utiliza el ordenador para experimentar con un modelo numricamente, de forma que con los resultados obtenidos se haga una estimacin de las caractersticas del sistema.
Sistemas, Modelos y Simulacin

Un Sistema se define como una coleccin de entidades (por ejemplo, personas, mquinas, ...) que actan e interactan juntas para lograr un fin comn. En la prctica qu se entiende por sistema depende de los objetivos del estudio particular que se pretenda hacer. El conjunto de entidades que componen el sistema para un estudio puede ser slo un conjunto de todas las entidades utilizadas para otro estudio. Se puede definir el estado de un sistema con un conjunto de variables necesarias para describir el sistema en un punto particular de tiempo, relativo a los objetivos del estudio. 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. Un sistema continuo es aquel en el que las variables de estado cambian continuamente con respecto al tiempo. En la prctica muchos sistemas no son completamente discretos o continuos, usualmente es posible clasificarlos en base al tipo de cambios que predominen en el mismo.
Pag 1 de 98

En algunos momentos en la vida de un sistema es necesario estudiar el mismo para entender las relaciones entre sus componentes o predecir su comportamiento bajo nuevas condiciones que se consideran. Existen diferentes formas de estudiar un sistema (Figura 1.1): Experimentar sobre el sistema actual frente a experimentar con un modelo del sistema. Lo primero es preferible siempre y cuando se pueda alterar el sistema con las nuevas condiciones y no sea muy costoso. Sin embargo es muy raro que esto se pueda llevar a cabo, ya que normalmente estos experimentos suelen ser muy costosos o muy destructivos para el sistema. Incluso puede ocurrir que el sistema no exista pero se quiera estudiar posibles alternativas de construccin del mismo (sistemas de fabricacin, armas nucleares, etc.). Por estas razones es necesario construir un modelo que represente al sistema y estudiar ste para poder responder a las cuestiones planteadas sobre el sistema. Modelo fsico frente a modelo matemtico: Para muchos la palabra modelo, evoca imgenes de miniaturas, cabinas separadas de los aviones para el entrenamiento de los pilotos, etc. Estos son ejemplos de modelos fsicos (tambin conocidos como modelos icnicos). Sin embargo la mayora de los modelos construidos para estudiar los sistemas son matemticos, los cuales representan un sistema en trminos de relaciones cuantitativas y lgicas que pueden ser cambiadas para ver cmo el modelo reacciona y ver as como debera comportarse el sistema, si el modelo es vlido. Solucin Analtica frente a Simulacin: Una vez que se ha construido un modelo matemtico, ste debe examinarse para poder concluir el comportamiento del sistema y as responder a las cuestiones planteadas sobre el mismo. Si el modelo es simple, es posible trabajar con estas cantidades y relaciones y obtener una solucin analtica exacta. Sin embargo hay veces en las que obtener una solucin analtica resulta complejo y necesita muchos recursos de computacin. En estos casos el modelo puede ser estudiado por medio de simulacin, es decir, se ejercita el modelo numricamente por medio de entradas para ver cmo stas afectan a las medidas de salida o ejecucin.
Figura 1.1. Formas de estudiar un Sistema
Por tanto podemos definir la simulacin como la tcnica de resolucin de problemas siguiendo en el tiempo los cambios de un modelo de un sistema (Gordon, 1969), o como el proceso de disear un modelo de un sistema real y realizar experimentos con dicho modelo con el propsito de comprender el funcionamiento del sistema o de evaluar diferentes estrategias (dentro de los lmites impuestos por un criterio o conjunto de criterios) para la operacin del sistema (Shannon, 1975), para este ltimo autor , simulacin incluye tanto la modelizacin como el uso del modelo para estudiar el sistema. Otra posible definicin es entender la simulacin como el proceso de disear un modelo matemtico o lgico de un sistema real y realizar una serie de experimentos con el ordenador sobre l para describir, explicar y predecir el comportamiento del sistema real (Naylor y otros). Por modelo entendemos la representacin de un sistema, desarrollado con el propsito de estudiar dicho sistema. Los modelos deben contener slo los aspectos esenciales del sistema real que representan. Aquellos aspectos del sistema que no contribuyen significativamente en su comportamiento no se deben incluir, ya que lo que haran sera obscurecer las relaciones entre las entradas y las salidas. En qu punto se debe parar de incluir realismo en el modelo? Esto depende del propsito para el cual el modelo se haya desarrollado. Caractersticas que deben presentar los modelos:
Pag 2 de 98

Deben ser fciles de entender y manejar. Deben ser simples y de costo no excesivo. Deben ser una buena aproximacin del sistema real, que controle el mayor nmero posible de aspectos del mismo y que stos contribuyan de forma significativa al sistema (hay relaciones en el sistema que no son significativas y pueden obviarse en el modelo). El diseo y control de modelos de modelos obliga a tener conocimientos de cuatro reas de conocimiento distintas: Modelizacin: necesarios para disear el modelo que permita dar respuestas vlidas del sistema real que represente. El diseo es una fase muy importante, ya que los errores proporcionarn modelos falsos. Programacin: ya que el modelo se ha de implentar con un lenguaje de programacin. Probabilidad y Estadstica: la probabilidad es necesaria para definir y estudiar las variables ale atorias de las entradas, y la estadstica para permitir el diseo y anlisis de los experimentos. Mtodos Heursticos: para permitir llegar a una solucin buena del problema planteado.
Clasificacin de los modelos

Nos vamos a centrar en los modelos matemticos y su estudio por medio de simulacin. Los modelos se pueden clasificar en: 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 Monte Carlo. De otro lado, los modelos dinmicos representan sistemas que evolucionan con el tiempo. Determinsticos frente a Probabilsticos: Si un modelo no continene ningn componente probabilstico se conoce como determinstico (ej, un complicado sistema de ecuaciones diferenciales que describen una sustancia qumica). En un modelo determinstico la salida es determinada una vez que se especifican las relaciones, cantidades y entradas. Sin embargo muchos sistemas tienen ciertos componentes aleatorios de entrada y stos se representan mediante modelos probabilsticos (por ejemplo la mayora de los sistemas de colas e inventarios). Los modelos de simulacin probabilsticos producen salidas que son aleatorias y deben ser tratadas como tales, es decir como una estimacin de las verdaderas caractersticas del modelo; esta es una de las desventajas de la simulacin. Continuos frente a Discretos: Los modelos de simulacin continuos y los discretos se definen de forma anloga a la de los sistemas. Slo decir que no siempre es usado para modelar un sistema discreto y viceversa. La decisin de utilizar un modelo discreto o continuo para un sistema particular depende de los objetivos del estudio. Por ejemplo un modelo del flujo de trfico en una autova podra ser discreto si son importantes las caractersticas y movimientos de los coches individuales. Alternativamente, si los coches se tratan en conjunto el flujo de trfico se puede describir mediante ecuaciones diferenciales en un modelo continuo. 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. 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).
Aplicaciones de la simulacin
La simulacin tiene numerosas aplicaciones por ejemplo (dadas por Hussey, 1972; Shannon, 1975):
Pag 3 de 98

Experimentacin: Hay dos situaciones que requieren un modelo, cuando la experimentacin directa sobre el sistema real es muy costosa o imposible; la otra es la del diseo de un nuevo sistema, as el modelo puede ir modificndose fcilmente hasta obtener el comportamiento deseado. Prediccin: El modelo se puede usar para predecir el comportamiento del objeto real bajo ciertos estmulos. Se puede hacer as una evaluacin de diferentes estrategias de accin. juegos de negocios, etc. Las reas de aplicacin de la simulacin son diversas y muy numerosas. Debajo hay un listado de algunas clases de problemas para los que la simulacin constituye una poderosa herramienta: Diseo y anlisis en los sistemas de manufactura. Evaluacin de los requerimientos hardware y software en un computador. Evaluacin de nuevas armas o tcticas militares. Determinacin de distintas polticas para sistemas de inventario. Diseos de sistemas de comunicacin y protocolos de mensajes para ellos. Diseo y operacin de sistemas de transporte tales como autopistas, aeropuertos, puertos, ferrocarriles, etc. Evaluacin de diferentes diseos para organizaciones de servicios tales como hospitales, oficinas de correos, restaurantes de comida rpida, etc. Anlisis financieros o sistemas econmicos. Anlisis medioambientales. Aunque la simulacin est ampliamente utilizada tambin presenta una serie de problemas. Por un lado, los modelos usados para estudiar sistemas de la rga escala de tiempo suelen ser muy complicados y adems necesitan utilizar muchos recursos de computacin, aunque en la actualidad y gracias al desarrollo de paquetes software que ofrecen automticamente muchas de las caractersticas necesarias para codif icar los modelos y al abaratamiento del costo de computacin, estos inconvenientes estn disminuyendo.
Ventajas y desventajas de la simulacin frente solucin analtica

Modelo analtico
Ventajas: Conciso en la descripcin del problema. Conjunto de soluciones cerrado. Permiten evaluar fcilmente el impacto producido por cambios en las entradas sobre las medidas de salida. Posibilidad de llegar a una solucin ptima. Inconvenientes: Las suposiciones hechas para describir el sistema puede ser poco realistas. Las frmulas matemticas pueden ser muy complicadas impidiendo llegar a una solucin.
Modelos de Simulacin
Ventajas: Pueden describir sistemas que sean muy complejos. Pueden ser usados para experimentar con sistemas que todava no existan, o para experimentar con sistemas existentes sin que stos se alteren. (Esto tambin los pueden hacer los mtodos analticos siempre y cuando el sistema no sea muy complejo). Inconvenientes: No existe un conjunto de soluciones cerrado. Cada cambio en las variables de entrada requiere una solucin separada o conjunto de ejecuciones. Los modelos de simulacin complejos pueden requerir mucho tiempo para construirlos y ejecutarlos.
Pag 4 de 98

Puede resultar dificultoso establecer la validez del modelo (es decir, la correspondencia con el sistema real).
Cundo utilizar simulacin

Despus de ver estas ventajas e inconvenientes del uso de la simulacin puede no haber quedado muy claro cundo se debe utilizar. El estudio de un sistema se va a realizar mediante simulacin cuando se de una o varias de las condiciones siguientes (Shannon, 1975): No existe una formulacin matemtica del problema. Existe un modelo matemtico, pero no mtodos analticos de resolucin del mismo. Existen el modelo y los mtodos, pero los procedimientos son tediosos, por lo que resulta ms sencilla y menos costosa la simulacin. Se desea observar en el tiempo una historia simulada del sistema. Se desea experimentar con un modelo antes de construir el sistema (Ej: un avin en un tnel aerodinmico). Es imposible experimentar sobre el sistema real (Ej: sistema solar). Puede experimentarse sobre el sistema, pero motivos ticos lo impiden (Ej: sistemas biolgicos humanos). Se quiere observar un sistema de evolucin muy lenta, reduciendo la escala del tiempo (Ej: anlisis de sistemas ecolgicos). Hasta ahora se ha presentado la simulacin y los mtodos analticos como mtodos alternativos, sin embargo, hay veces en que resulta fructfero el uso conjunto de ambos mtodos. Un estudio de planificacin de un ambulatorio usa una simulacin recursiva, primero un modelo de programacin genera planificaciones y asignacin de personal ptimas y entonces un modelo de simulacin evala su efectividad basndose en medidas tales como tiempo de espera de los pacientes y utilizacin de los servicios del personal. Si las medidas no son satisfactorias, se alteran las condiciones o se desarrolla un modelo de programacin matemtico usando el anlisis de regresin, y ste se incorpora para una segunda ronda de optimizacin. El proceso contina hasta que la solucin alcanzada sea aceptable. Esta aproximacin mixta tiene la ventaja de los modelos analticos de producir soluciones ptimas, mientras que con los modelos de simulacin refleja el grado apropiado de realismo y precisin en la descripcin del sistema. Sin embargo, esta combinacin presenta la desventaja de requerir un mayor nivel de familiaridad con los modelos analticos y ms ingenio que si se usan slo modelos de simulacin.
Pasos en la simulacin
Aunque se van a presentar una serie de pasos de forma secuencial, realmente es un proceso iterativo, tal y como se muestra en Figura 1.2
Formulacin del problema

Se definen las cuestiones para las que se buscan las respuestas, las variables implicadas y las medidas de ejecucin que se van a usar. Esta fase es muy importante para poder alcanzar un modelo vlido, se puede dividir a su vez en 5 fases
Identificacin del Problema Se hace una abstraccin del tipo de problema que se va a tratar. Se identifican los recursos a utilizar, los requisitos que se van a exigir (relaciones a establecer).
Figura 1.2. Pasos en la Simulacin
Pag 5 de 98

Reconocer las variables del sistema Se han de identificar las variables que interviene en el sistema y que son de inters para nuestro modelo, stas se pueden clasificar en: Variables exgenas: son variables externas al modelo y existen con independencia de l.
Se consideran variables de entrada. stas a su vez se pueden dividir en dos grupos: Variables controlables o de decisin (factores) : son aquellas sobre las que el analista puede decidir su valor dentro de ciertos lmites. Variables incontrolables o parmetros: sus valores no se pueden decidir sino que vienen fijados. Las variables sern controlables o incontrolables dependiendo de quin las defina. Variables endgenas: son variables internas y las variables de salida del modelo. Son funcin de las variables exgenas y de la estructura del modelo.
Especificacin de las restricciones de las variables de decisin Incluso en el caso de que las variables sean controlables, estn limitadas o restringidas a ciertos lmites dentro de los cuales se pueden modificar. Es importante considerar cuidadosamente las restricciones sobre las variables de decisin, ya que definen el posible espacio de soluciones dentro del cual se buscar una buena solucin o la ptima usando el modelo de simulacin. Desarrollar una estructura preliminar del modelo que interrelacione las variables del sistema y las medidas de ejecucin. Para evaluar la efectividad de un sistema, se debe identificar una medida o medidas de comportamiento (o ejecucin) para juzgarlo. Estas medidas se seleccionan del conjunto de variables endgenas. La medida o medidas que se pretenden optimizar se conocen como funcin objetivo. Hay veces en las que existe una nica funcin objetivo dominante y entonces se intenta optimizar sta sin tener en cuenta las otras variables, aunque siempre considerando las restricciones. En otras ocasiones existe ms de una funcin dominante, en este caso, hay que estudiar las distintas funciones objetivo e intentar encontrar valores para los cuales las funciones son ptimas. Cuando se quiere tener en cuenta varias medidas de comportamiento, a menudo no se podrn optimizar simultneamente. Lo ideal sera hacer mnimas ambas medidas, el tiempo de espera y el costo de tener los empleados, pero si se minimiza una de ellas la otra aumenta. Se tienen tres formas de abordar este problema: Establecer compromisos implcitos entre las medidas. Esta aproximacin es muy subjetiva y no se va a considerar. Se dan los resultados a quin tenga que tomar la decisin y l ser quien establezca la relacin entre las variables conflictivas. Establecer compromisos explcitos, realizando una combinacin de todas las medidas usando una dimensin comn tal como el costo. A estas tcnicas se les suele conocer como anlisis de toma de decisiones multiatributo o multiobjetivo. Para realizar esta tcnica se tiene que decidir una dimensin comn para todas las medidas, factores pesos, y formar una funcin que las combine. Restriccin y corte: seleccionar una medida como la que ms interesa optimizar y hacer que las otras estn dentro de un rango de valores aceptable. Esto reduce la posibilidad de encontrar un ptimo, o al menos las mejores soluciones. Desarrollo de un modelo apropiado Los modelos son abstracciones de las partes esenciales del sistema. Se ha de intentar ver si con las variables que se han especificado se tiene suficiente para describir estos aspectos importantes del sistema (si no se tienen suficientes entonces el modelo no ser una buena representacin del sistema), o por el contrario se han definido ms de las necesarias (esto puede oscurecer las relaciones entre las variables realmente importantes). En resumen, lo que se tiene que fijar en este paso es el nivel de detalle al que se debe llegar en el modelo. El nivel de detalle depende de:
Pag 6 de 98

Propsito del modelo. Contribucin de las variables al modelo. No es igual si lo que se desea hacer es un modelo para una previsin a largo plazo, en cuyo caso la precisin puede ser menor, debido a que al transcurrir el tiempo las variables van a cambiar e incluso podrn aparecer otras nuevas, que si se desea una previsin a corto plazo, entonces se deber profundizar ms en el nivel de detalle.
Coleccin de datos y Anlisis

Aunque la recogida de datos se va a ver como el segundo paso, es bastante posible que se hayan tenido que recoger datos para la formulacin del problema. Sin embargo, durante este paso se recoge el mayor volumen de datos, se reduce y se analiza. Los mtodos de recogida de datos son tan variados como los problemas a los que stos se pueden aplicar. Si se clasifican por su sencillez, se puede ir desde las aproximaciones manuales hasta las tcnicas ms sofisticadas de alta tecnologa. En la seleccin de un mtodo se pueden tener en cuenta los siguientes factores: Capacidad de quien recoja los datos. El impacto que pueda producir el proceso de recoleccin sobre el comportamiento del sistema real. Puede producir perturbaciones reales o fsicas en el sistema o psicolgicas. La facilidad de conversin de los datos a una representacin procesable por el ordenador. El coste del mtodo. En muchas situaciones es suficie nte con la observacin directa y la recogida manual de los atributos de inters. Pero si la medida que se quiere observar depende de una persona, su comportamiento se puede ver afectado por estar siendo observada. Otras veces puede ocurrir que la accin que se quiere observar sea muy rpida y que no sea posible realizar una observacin humana. Para decidir el nmero de muestras necesarias, se ha de establecer una relacin costo-exactitud y hacer una optimizacin de dicha relacin. Una vez realizado el muestreo, los datos se han de analizar e introducir en el modelo. Los datos usados para definir el modelo pueden ser de dos tipos: Deteminsticos: son datos conocidos con certeza. stos se pueden introducir fcilmente en el modelo. Probabilsticos: hay dos formas de incluirlos en el modelo: Usar la muestra de datos recogida para representar la distribucin de probabilidades. Determinar una distribucin probabilstica terica que se comporte como la muestra y usar sta en el modelo. Esto permite tener una mejor comprensin (generalizacin) del modelo.
Desarrollo del modelo

Incluye la construccin y depuracin del modelo del sistema real, incluyendo la seleccin de un lenguaje de programacin, codificacin del modelo. Esta etapa se va a dividir en dos partes: Comprensin del sistema y Construccin del modelo.
Comprensin del sistema Una de las tareas ms difciles en el anlisis de simulacin es adquirir el suficiente conocimiento del sistema para poder desarrollar un modelo apropiado, es decir, conocer el comportamiento del sistema. Dos tcnicas comnmente usadas son la aproximacin de flujo fsico y la aproximacin de cambio de estado.
Aproximacin de Flujo Fsico. Se ha de identificar las entidades cuyo procesamiento o transformacin constituye el propsito principal del sistema. Estas entidades pueden tomar diferentes caminos en el sistema, las rutas que siguen se determinan mediante reglas de decisin. La representacin del sistema vendr dada mediante un diagrama de flujo de entidad y los elementos de procesamiento del sistema.
Pag 7 de 98

Aproximacin de Cambio de Estado. Para describir esta aproximacin, se debe definir unas variables endgenas adicionales que son las variables de estado e introducir un nuevo concepto, el de suceso o evento. Las variables de estado describen el estado del sistema en cada momento. Dados los valores actuales de las variables de estado, las variables exgenas y la estructura del modelo, se puede determinar el estado futuro del sistema. Un evento es un instante particular en el tiempo en el que el sistema cambia de estado. La evolucin del sistema se puede representar mediante un grafo de sucesos. En el ejemplo del supermercado, si se sigue la primera aproximacin, hay dos posibilidades para la traza de entidades: clientes y cajas. Sin embargo los clientes son el inters principal, mientras que las cajas tienen una importancia secundaria. Comienza la traza de un cliente cuando ste se aproxima a la caja. En este instante el cliente decide en qu cola se situar, basndose en algo como en elegir la ms corta. Esta decisin determina la ruta que va a seguir por el sistema. El cliente queda esperando en la cola hasta que sea atendido (hasta que se le asigne el elemento cajero). Aqu ocurren tres procesos: se hace la cuenta de los productos comprados, se paga por ellos, se embolsan. Entonces, el cliente abandona el sistema. En la Figura 1.3 se muestra el diagrama de flujo.
Figura 1.3. Diagrama de flujo de las entidades.
En la segunda aproximacin, se pueden considerar como variables de estado el nmero de clientes en cola o el nmero de clientes que estn siendo servidos actualmente. Tales variables se pueden utilizar para calcular medidas de comportamiento, tales como el tiempo de espera de los clientes. Cuando un cliente llega a una de las colas en el supermercado, el estado vara ya que se ve alterado el nmero de clientes en dicha cola, con lo que la llegada se considera un evento. Se puede describir completamente el comportamiento del sistema incorporando al modelo la capacidad de modificar las variables de estado conforme van ocurriendo los eventos. Para el ejemplo del supermercado la atencin se puede fijar en una caja particular, pues la operacin es idntica en todas. La principal variable de estado es el nmero de clientes en el supermercado y el nmero de clientes en cada una de las colas. Otras variables de estado son las que indican los estados de los cajeros y empaquetadores, si el estn ocupados o no. Algunos eventos que cambian el estado del sistema, y por tanto las variables de estado, son una llegada al sistema, la seleccin de una cola y el aadirse a ella, salida del sistema una vez que ha pagado los productos. Ej: Suponemos una sola caja en el supermercado Variables de estado: Nmero de consumidores en el sistema (N). Nmero de consumidores en cola (M). Sucesos: Llegada de un consumidor a la cola. Consumidor empieza a ser servido. Consumidor sale de caja. Cambios provocados en las variables por estos sucesos: Suceso 1: N N+1, M M+1 Suceso 2: N N, M M-1 Suceso 3: N N-1, M M Resulta til representar esto de forma grfica mediante el grafo de sucesos. Los eventos se representan mediante nodos y la progresin de los eventos mediante flechas (Figura 1.4).
Figura 1.4. Grafo de sucesos.
Pag 8 de 98

Construccin del Modelo Las tareas principales en la construccin de un modelo son:

Eleccin Mecanismo de avance del tiempo. Este depender de la aproximacin elegida para describir el comportamiento del sistema. Si se eligi la aproximacin de flujo fsico, este diagrama de flujo podra refinarse para convertirse en el diagrama de flujo del programa. Si se sigui la aproximacin de cambio de estado, el diagrama de flujo desarrollado debera describir el procedimiento que efecta los cambios de estado en el tiempo. Otros dos factores inciden en la construccin del diagrama de flujo del programa: elegir un mecanismo de avance del tiempo y el lenguaje de programacin que se seleccione. Hay fundamentalmente dos formas de considerar el avance del tiempo en un modelo de simulacin: Incrementos fijos de tiempo: se considera un intervalo fijo de tiempo y el estado del modelo se comprueba despus de transcurrido cada uno de estos incrementos constantes. Incrementos por los eventos (N.E.T.A., Next Event Time Advance): las comprobaciones y modificaciones de las variables afectadas se realizan slo despus de la ocurrencia de un evento. Aqu el incremento de tiempo es variable, va desde la ocurrencia de un evento a otro. El avance del tiempo de simulacin depende de cul de las aproximaciones se elija. Si se elige el incremento por eventos, el reloj se inicializa a 0, y se incrementa al siguiente tiempo en que vaya a ocurrir un suceso, en ese momento, en este momento de actualizacin del reloj se modifican las variables que se vean afectadas por la ocurrencia del suceso. Si por el contrario se elige un incremento de tiempo fijo, el reloj se inicia a 0 y se va actualizando cada vez que pase el incremento de tiempo fijado. En esos instantes se observar el sistema para realizar los cambios. En ese momento puede ocurrir que no haya sucedido ningn cambio o que por el contrario que hayan ocurrido ms de un suceso con lo cual se tendr que decidir cul atender antes (por ejemplo dando prioridad a los sucesos). En esta aproximacin pueden ocurrir errores de redondeo, que hacen referencia a la diferencia de tiempo que pasa desde que sucede un suceso hasta que ste se computa (cuando el reloj se incrementa). Hay que tener cuidado en la eleccin del incremento de tiempo. Si ste es demasiado pequeo se realizar trabajo intil, ya que se comprobarn cambios cuando en realidad no ha ocurrido ningn suceso. Por el contrario si es demasiado grande se producirn muchos errores de redondeo y la dinmica del modelo ser ineficiente. Eleccin de un Lenguaje de programacin. Hay un creciente nmero de lenguajes de programacin disponibles para la implementacin de modelos de simulacin. Entre los lenguajes de simulacin destacan: GPSS (General Purpose Simulation System), SLAM (Simulation Language for Alternative Modeling), SIMAN (Simulation Analysis), y SIMSCRIPT. Muchos lenguajes de propsito general son completamente adecuados para la simulacin, por ejemplo, FORTRAM, PASCAL,, pero los lenguajes de simulacin proporcionan una serie de caractersticas que hacen la programacin, depuracin y experimentacin ms eficientes en tiempo y esfuerzo, aunque consuman ms tiempo en la ejecucin. Quizs la ms importante ventaja de los lenguajes de simulacin es la correspondencia entre los elementos del sistema y los elementos del lenguaje. Por ejemplo, en GPSS hay bloques de diagramas de flujo y conjuntos de sentencias de programa llamados QUEUE que procesan entidades a travs de una cola de espera y acumulan datos de variables de salida tales como tiempo de espera en la cola. El lenguaje seleccionado puede influir en la forma exacta del diagrama de flujo del programa de computador.
Pag 9 de 98

Generacin de nmeros y variables aleatorias. Se van a necesitar muestras aleatorias para representar valores de variables de entrada probabilsticas. Utilizando estos nmeros aleatorios podemos obtener valores de variables aleatorias que sigan ciertas distribuciones de probabilidad. Aunque se ha hecho referencia a que los nmeros usados en simulacin son aleatorios, no lo son totalmente, ya que se producen a partir de algoritmos determinsticos. Sin embargo las propiedades de los nmeros producidos se pueden hacer lo suficientemente cerradas de forma que stos sean completamente utilizables para la simulacin. Si el modelo se implementa con un lenguaje de propsito general, se puede seleccionar e incluir algoritmos necesarios para generar las variables aleatorias requeridas. Pero si se utiliza un lenguaje de simulacin estos algoritmos estn incluidos y pueden ser fcilmente accesibles por el usuario. Implementacin y depuracin del modelo. La facilidad o dificultad en esta etapa dependen en gran medida del lenguaje de programacin que se haya elegido.
Verificacin y Validacin del modelo
La Verificacin del modelo consiste en ver cul es la consistencia interna del modelo. La Validacin consiste en asegurar que existe la una correspondencia entre el sistema real y el modelo. Un buen mtodo para la validacin es hacer un test para ver cmo el modelo predice el comportamiento del sistema ante determinadas entradas. La verificacin y validacin del modelo se realiza en todas los niveles de modelizacin: modelo conceptual, modelo lgico y un modelo de ordenador. La verificacin se centra en la consistencia interna del modelo, mientras que la validacin se interesa por la correspondencia entre el modelo y la realidad. Se dice que un modelo es vlido si sus medidas de salida tie nen una correspondencia apropiada con las mismas medidas en el sistema real. La comprobacin ltima para la validez de un modelo es ver cmo el modelo puede predecir un comportamiento futuro del sistema ante unas determinadas entradas.
Experimentacin y Anlisis de las salidas
Se han de disear los experimentos que se van a llevar a cabo sobre el modelo y luego analizar las salidas obtenidas, de forma que podamos responder a las cuestiones que se plantearon.
Experimentacin con el modelo El propsito ltimo de la experimentacin con el modelo es obtener informacin acerca del comportamiento del sistema para que esto nos ayude en la toma de decisiones. Cuando consideramos la ejecucin de un sistema se puede desear conocer cmo se comporta dicho sistema en sentido absoluto, o comparativamente, para poder contrastar varias configuraciones alternativas del sistema. O se podran considerar dos medidas simultneamente. Es evidente que el nmero de exploraciones que se tendran que realizar es extremadamente largo. Hasta para los diseos de experimentos ms modestos, la exploracin de todas las posibles soluciones en la bsqueda de la mejor solucin, no es algo factible. Se necesita una aproximacin estructurada ms directa para encontrar una solucin que merezca la pena. Podemos considerar dos aproximaciones diferentes para abordar este problema: conjunto predeterminado de experimentos y tcnicas de bsqueda de ptimos.
Conjunto de experimentos predeterminado: esta aproximacin impone identificar factores que podran afectar a la medida de salida y ejecutar los experimentos con los factores puestos a determinados valores. Una vez realizados los experimentos se aplicaran unas tcnicas estadsticas denominadas anlisis de la varianza (ANOVA), para decidir cul o cules de los factores seleccionados tiene realmente algn impacto en la medida de salida. Las medidas de salida se
Pag 10 de 98

pueden adaptar de forma que las suposiciones estadsticas de esta tcnica se satisfagan de forma razonable y puedan ser aplicadas en la experimentacin del modelo. Un diseo experimental particularmente general es el diseo factorial. Se consideran dos o ms factores pudiendo estar cada uno a dos o ms niveles. El uso de un conjunto predeterminado de experimentos es efectivo para encontrar buenas soluciones si se puede aproximar una regin de optimalidad con experimentos previos o con la experiencia que se tenga sobre el problema. Sin embargo esta tcnica no puede conducir a la mejor solucin global, ni siquiera puede garantizar un ptimo local. Tcnicas de bsqueda de ptimos: un conjunto de estas tcnicas se conoce como Metodologa de Superficie de Respuesta (RSM). La superficie de respuesta es la funcin que describe las relaciones de las medidas de ejecucin con los factores o variables de decisin. Dos factores definen una superficie de 3 dimensiones, la cual puede ser vista como un terreno en donde se puede escalar. De hecho, la representacin en 2 dimensiones de la respuesta de superficie es como las lneas de contorno de un mapa topogrfic o (Figura 1.7). Usando varias estrategias se pueden alcanzar puntos altos en el terreno, y quizs llegar a la cumbre. Una estrategia es el mtodo de escalado ascendente. Esta requiere que el modelo se ejecute suficientemente para hacer que se pueda determinar qu direccin (qu cambios en los valores de los factores) parece conducir a un incremento en la altitud (incremento en la medida de salida). Las variables de decisin se van cambiando de esta forma y el proceso contina hasta que ya no se puede llegar ms alto, en ese momento se ha alcanzado un ptimo local o global.
Figura 1.7. Respuesta en Superficie para dos variables de decisin.
Anlisis de las salidas En la interpretacin de las salidas del modelo, hay algunos aspectos que son nicos de la simulacin. Mientras que los modelos analticos proporcionan soluciones con medidas de ejecucin completamente definidas, los modelos de simulacin producen estimaciones de las medidas que estn sujetas a error. Las salidas del modelo de simulacin se consideran muestras. Los principales cuestiones en la obtencin de estimaciones tiles a partir de muestras son: que la muestra sea representativa del comportamiento del sistema, y que el tamao de la muestra sea lo suficientemente grande para que las estimaciones de las medidas de ejecucin alcancen un buen nivel de precisin. El tamao de la muestra es algo que est bien definido, pero la representatividad del comportamiento del sistema depende de la naturaleza de las cuestiones que tienen que ser contestadas por el modelo.
Se pueden realizar dos tipos de anlisis con un modelo de simulacin: Anlisis para sistemas con final definido: la ejecucin del modelo finaliza cuando ocurre un evento especfico. Se tomara una muestra por ejecucin. Anlisis para sistemas con final no definido (sistemas en estado de equilibrio o estacionario): el inters est en medias de las medidas de comportamiento de ejecuciones largas, despus de que el sistema ha pasado por algn periodo de comportamiento transitorio. Las medidas en estado estacionario se pueden definir como el valor de la s medidas en el lmite, cuando la longitud de la ejecucin tiende a infinito. En ambos casos, las condiciones inicia les (estado del sistema el empezar la ejecucin) pueden influir en la estimacin de las medidas de comportamiento. El tamao de la muestra es importante ya que la precisin de las estimaciones depende de la varianza de la media de la muestra, y la varianza cambia de forma inversamente proporcional al tamao de la muestra (si se cuadriplica el tamao de la muestra la desviacin estndar se reduce a
Pag 11 de 98

la mitad). La definicin de tamao de muestra para simulacin depende del tipo de anlisis que se haya hecho. Para el anlisis de un sistema con final definido se podra reproducir el periodo de inters, con las condiciones iniciales apropiadas, un determinado nmero de veces hasta conseguir la precisin deseada de la estimacin. En cada ejecucin de obtendr un elemento de la muestra. Con un anlisis en estado estacionario el tamao de la muestra est estrechamente enlazado con el tamao de la ejecucin del modelo o cantidad de tiempo de simulacin.
Implantacin de los resultados de la Simulacin

Se ha de asegurar que los resultados son aceptados por el usuario. Este paso final es uno de los ms importantes y el que ms se descuida de todo el proceso. Parece obvio que los beneficios de un largo y costoso anlisis no se realizarn sin una implementacin apropiada y una aceptacin por parte de los usuarios. Entre las razones por las que los esfuerzos de implantacin son a menudo intiles, se incluyen las siguientes: Existe un vaco de comunicacin entre el analista de la simulacin y los encargados y usuarios del sistema. Falta de entendimientos por parte de los encargados del sistema debido a los tecnicismos utilizados. El compromiso de implementacin es tardo. Resistencia al cambio. Falta de coincidencia entre el personal disponible y los objetivos marcados por el modelo. Hay aproximaciones que tratan estos obstculos potenciales. Estas aproximaciones requieren que los usuarios y los analistas estn implicados desde el comienzo en el proyecto simulacin.
1. 2. 3. 4. 5. 6. 7. 8. 9. 10.
Simulacin de sistemas
T. Naylor R. Shannon - Shubik Que intenta la simulacin Simulacin de caja registrador Propiedades de los modelos Clasificacin de los modelos Ventajas y desventajas de la simulacin Cuando es necesario simular y cuando no es necesario simular? Criterios que se debe tener en cuenta para que un modelo de simulacin sea bueno Pasos a seguir para la construccin de los experimentos de modelos de simulacin en un computador Generacin de nmeros pseudoaleatorios
THOMAS NAYLOR Estos experimentos requieren de operaciones lgicas y matemticas necesarias para descubrir el comportamiento y la estructura de sistemas complejos del mundo real a travez de largo perodo de tiempo. ROBERT SHANNON La simulacin es el disear y desarrollar un modelo computarizado de un sistema o proceso y conducir experimentalmente con este modelo con el propsito de entender el comportamiento del sistema del mundo real o evaluar varias estrategias con los cuales puedan operar el sistema. SHUBIK Es un modelo, dice que la simulacin de un sistema o de un organismo es la operacin de un modelo lo cual se va a llamar simulador el cual es una representacin del sistema. Este modelo o simulador estar sujeto a diversas manipulaciones, las cuales seran imposibles de realizar, demasiado costosas o imprcticas. La operacin de un modelo puede estudiarse y con ello conocer las propiedades concernientes al comportamiento del sistema o subsistema real costoso. QUE INTENTA LA SIMULACION 1. Descubrir el comportamiento de un sistema 2. Postular teoras o hiptesis que expliquen el comportamiento observado
Pag 12 de 98

SUB-REA: INGENIERIA INDUSTRIAL 3. usar esas teoras para predecir el comportamiento futuro del sistema, es decir mirar los efectos que se produciran en el sistema mediante los cambios dentro de l o en su mtodo de operacin (tiempo en minutos)
Simulacin de Caja Registrador PROPIEDADES DE LOS MODELOS DE SIMULACION DEFINICION DE MODELO 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. FUNCIONES DEL MODELO - Comparar - Predecir Ej: La pintura es una rplica de algo que existe - Un carro de madera es la rplica de un original. ESTRUCTURA DEL MODELO El modelo se puede escribir de tal forma E = F(Xi, Yi) Donde E: Es el efecto del comportamiento del sistema Xi: Son las variables y parmetros que nosotros podemos controlar Yi: Las variables y los parmetros que nosotros no podemos controlar F: Es la funcin con la cual relacionamos Xi con Yi con el fin de modificar o dar origen
aE
PROPIEDADES DE LOS MODELOS 1. COMPONENTES: Son las partes de un conjunto que forman el sistema 2. VARIABLES: Pueden ser de dos tipos (Exgenos, Endgenos) - Exgenas: Entradas son originadas por causas externas al sistema - Endgenas: Son producidas dentro del sistema que resultan de causas internas, las cuales pueden ser de Estado o de Salida i. Estado: Muestran las condiciones iniciales del sistema ii. Salida: Son aquellas variables que resultan del sistema Estadsticamente a las variables exgenas se las denomina como variables independientes 3. PARAMETROS: Son cantidades a las cuales el operador del modelo puede asignarle valores arbitrarios lo cual se diferencia de las variables. Los parmetros una vez establecidos se convierten en constantes. 4. RELACIONES FUNCIONALES: Describen a los parmetros de tal manera que muestran su comportamiento dentro de un componente o entre componentes de un sistema. Las relaciones funcionales pueden ser de tipo determinsticos o estocsticos. - Determinsticas: Sus definiciones que relacionan ciertas variables o parmetros donde una salida del proceso es singularmente determinada por una estrada dada. - Estocsticas: Cuando el proceso tiene una salida indefinida, para una entrada determinada las relaciones funcionales se representan por ecuaciones matemticas y salen del anlisis estadstico matemtico. 5. RESTRICCIONES: Estas son limitaciones impuestas a valores de las variables las cuales pueden ser de dos formas: - Autoimpuestas: O sea asignadas por el mismo operador o - Impuestas: O sea cuando son asignadas manualmente por el mismo sistema 6. FUNCIONES DE OBJETIVO: Son las metas del sistema o el como evaluar al sistema, existen retentivas por ejemplo: la conservacin de tiempo, energa y adquisitivas ejemplo: Ganancia en algo. Ejemplo de aplicacin: Determinar las propiedades de un colegio, una fbrica de zapatos, un restaurante, un grupo de investigacin. - PROPIEDADES DE UN COLEGIO: Componentes: profesores, estudiantes Variables: Exgenas: libros, enfermedades, transporte
Pag 13 de 98

SUB-REA: INGENIERIA INDUSTRIAL Endgenas: Nmero de alumnos, costos Parmetros: notas Relaciones Funcionales: libros estudiantes(buenos libros, buenos resultados) Restricciones: cantidad de profesores Funciones Objetivo: pruebas del estado (Icfes) CLASIFICACION DE LOS MODELOS Los modelos se pueden clasificar en forma general, pero los modelos de simulacin se pueden clasificar en forma ms especfica. De que forma podemos modelar un objeto o sistema desde lo ms real a lo mas irreal. Modelos Fsicos Modelos Exactos Modelos a Escala Modelos Analgicos Modelos Administrativos Modelos Simulacin Modelos Matemticos Modelos Abstractos
- MODELOS FISICOS: Son los que mas se asemejan a la realidad, se encargan de modelar procesos los cuales pueden ser: - MODELOS ANALOGICOS: Se encargan de representar una propiedad determinada de un objeto o sistema - MODELOS DENOMINADOS JUEGOS ADMINISTRATIVOS: Ya empieza a involucrarse al ser humano el comportamiento del ser humano Ej: modelos de planeacin, estrategias militares - MODELOS ABSTRACTOS (simulacin): Viene hacer una herramienta ya que se convierte en algo abstracto - MODELOS MATEMATICOS: Se tiene en cuenta las expresiones materia y lgicas ejemplo: representar un objeto. Aqu se debe hacer muchas suposiciones dentro de un modelo matemtico CLASIFICACION DE LOS MODELOS DE SIMULACION Dentro de los modelos de simulacin estn: 1. MODELOS DETERMINISTICOS Ni las variables endgenas y exgenas se pueden tomar como datos al azar. Aqu se permite que las relaciones entre estas variables sean exactas o sea que no entren en ellas funciones de probabilidad. Este tipo determinstico quita menos de cmputo que otros modelos Ejemplo: Modelos Estocsticos 2. MODELOS ESTOCASTICOS Cuando por lo menos una variable es tomada como un dato al azar las relaciones entre variables se toman por medio de funciones probabilsticas, sirven por lo general para realizar grandes series de muestreos, quitan mucho tiempo en el computador son muy utilizados en investigaciones cientficas 3. MODELOS ESTATICOS Es que en ellos no se toma en cuenta el tiempo dentro del proceso, por ejemplo: los modelos de juegos, modelos donde se observa las ganancias de una empresa Ejemplo: Arquitectnicos: lneas de telfono, tubos de agua 4. MODELOS DINAMICOS Si se toma en cuenta la variacin del tiempo, ejemplo: la variacin de la temperatura, del aire durante un da, movimiento anual de las finanzas de una empresa. Ejemplo: Laboratorio de qumica: reaccin entre elementos En estos modelos fsicos podemos realizar modelos a escala o en forma natural, a escala menor, e escala mayor, sirven para hacer demostraciones de procesos como para hacer experimentos nuevos. 5. MODELOS A ESCALA Son los modelos sencillos de maquetas -> casa -> bao, cuartos, etc. Tambin se pueden tener a tamao natural a menor o mayor escala, bidimensional, tridimensional. VENTAJAS Y DESVENTAJAS DE LA SIMULACION DESVENTAJAS 1. Una de ellas es que al empezar a simular podemos interferir en las operaciones del sistema 2. sistemas entran a jugar las personas, cambiar el comportamiento natural de las personas que se relacionan con el sistema 3. No todas las condiciones son continuas para el sistema
Pag 14 de 98

SUB-REA: INGENIERIA INDUSTRIAL 4. 5. 6. Difcil obtener siempre el mismo tamao de muestra, estos sistemas toman muestras tan grandes que pueden ser mucho mas costosos Explorar todas las alternativas o todas las variantes que pueden existir dentro del sistema Los modelos de simulacin no generan soluciones ni respuestas a ciertas preguntas
CUANDO ES NECESARIO SIMULAR Y CUANDO NO ES NECESARIO SIMULAR? Cundo se debe utilizar la simulacin? 1. Cuando no se tiene el modelo matemtico definido 2. Formulacin exacta del sistema 3. Cuando se tienen las frmulas analticas y se necesita un modelo para ponerlas a funcionar 4. El costo o la corrida de un modelo no es costosa 5. Cuando al ver un proceso fsico, el cual nosotros queremos conocer, la simulacin es la nica forma (posibilidad) que tenemos para conocer el comportamiento de un proceso real, ejemplo: fenmeno del nio (climtico) 6. Cuando se requiere acelerar o retrazar el tiempo de los procesos dentro de un sistema 7. cuando se quiere por medio de la simulacin encontrar o hacer estudios y/o experimentos Los modelos de simulacin se utilizan en las cuestiones administrativas. DESVENTAJAS DEL MODELO ADMINISTRATIVO Ejemplo: el desarrollo de un modelo, gasta y quita tiempo y es costoso 1. El modelo no representa con exactitud la situacin real 2. No desenvolvemos adecuadamente las funciones que relacionan a las variables, podemos caer en el error de obtener resultado imprecisos 3. En cuanto a los resultados nos permiten deducir que a los nmeros no les podemos dar toda la credibilidad, durante que tiempo los observamos, hay muchas cosas que hay que tener en cuenta. La simulacin ms que u a ciencia es un arte. CRITERIOS QUE SE DEBE TENER EN CUENTA PARA QUE UN MODELO DE SIMULACION SEA BUENO 1. Fcil de entender por el usuario 2. Tenga el modelo metas y objetivos 3. Modelo no me de respuestas absurdas 4. Que sea fcil de manipular, la comunicacin entre el usuario y la computadora debe ser sencilla 5. Que sea completa, tenga por lo menos las partes o funciones mas importantes del sistema 6. Sea adaptable que podamos modificar, adaptarlo, actualizarlo 7. Que sea evolutiva que al principio sea simple y poco a poco empezamos a volverla compleja dependiendo de las necesidades de los usuarios PASOS A SEGUIR PARA LA CONSTRUCCION DE LOS EXPERIMENTOS DE MODELOS DE SIMULACION EN UN COMPUTADOR
Pag 15 de 98

FORMULA CIONDEL PROBLEMA
Estsucedido,observamosquetipode sistemaestamosviendo
1
DEFINICION DELSISTEMA
USODELA SIMULACION
NO
SI FORMULACION DELMODELO Setomaalsistemareal,loanalizamosy hacemosabstracc,quitandoloms importante
PREPARACION DEDATOS
Encontraralgunasdelas desventajas
TRASLACION DELMODELO
Pag 16 de 98

Malo
VALIDACION DEL MODELO
BUENA PLANEACION ESTRATEGICA Disearunexperimentoparabuscaruna nuevainformacindeseada
PLANEACION TACTICA
2
Determinarcomosevaharealizarcasauna delascorridasdepruebadeldiseo experimental
EXPERIMENTACION
Tomar esos resultados y buscar la sensibilidad del modelo como afecto al cambio de una determinada variable o condicin al modelo
INTERPRETACION
2
Empezarainferirconbaseenlosdatos generadosaqueclasedesistemadiferido Podemosatribuirloquepasaconeste
UTIL
DOCUMENTACION
Combinaraunasconotrassituaciones,sevaa explicarparaquesirve,datosdeentrada,etc
NO GUSTO
Volveralsitiodondemslegust alusuario
SI
IMPLEMENTACION
Setomaelmodeloyseloimplementadonde sevaafuncionar,aqusetrabajaconlosdatos
Pag 17 de 98

SUB-REA: INGENIERIA INDUSTRIAL GENERACION DE NUMEROS PSEUDOALEATORIOS En la prctica existen 4 mtodos para generarlos 1. Mtodos manuales 2. Tablas de biblioteca 3. Mtodos de computacin 4. Mtodos de computacin digital Mtodos manuales: Es la manera ms fcil de generar nmeros aleatorios 2. Tablas de biblioteca Como los A million random digits: son unas tablas, la ventaja de este mtodo es que estos nmeros siempre se pueden reproducir adems hay muchos modelos de simulacin en los cuales se necesitan mayores nmeros aleatorios. 3. Mtodos de computacin Vienen de procesos fsicos, este mtodo en ms rpido que los anteriores, el problema es que estos nmeros no se los puede reproducir 4. Mtodos de computacin digital Hay 3 maneras de trabajar con este mtodo: a. Provisin Externa: Se refiere a grabar en un disco o en una cinta algunas de las tablas de nmeros aleatorios y trabajar con ellas, este mtodo es muy lento debido que se puede hasta formar 10 veces ms el tiempo que haciendo la operacin aritmtica de un solo caracter b. Generacin Interna: Es a travs de un proceso fsico aleatorio con este se presenta el problema de la reproducibilidad de la secuencia c. Generacin Interna de Secuencias: Los dgitos que se generan surgen por medio de una funcin recursiva, se realiza teniendo un nmero inicial, se transforma ese nmero por medio de una ecuacin y despus nos va dando una secuencia de nmeros aunque se agranden en forma arbitraria. Definicin: El trmino Pseudoaleatorio se lo ha definido como nmeros que vienen de una secuencia en la cual cada trmino es imprescindible, cuyos dgitos pasan una serie de pruebas estadsticas. CRITERIOS PARA QUE LAS SECUENCIAS DE NUMEROS PSEUDOALEATORIAS SEAN ACEPTABLES: 1. Que sean uniformemente distribuidas 2. Que sean estadsticamente independientes 3. Que sean reproducibles 4. Que sean no cclicas o no peridicas 5. Que el mtodo con el cual se genera sea capaz de generar nmeros aleatorios a altas velocidades 6. Que sea capaz de ocupar el mnimo espacio en la memoria del computador METODO DE MEDIOS CUADRADOS DE GENERAR NUMEROS ALEATORIOS Ejemplo: 1. Se coge un nmero al azar de 4 dgitos ejemplo (2152) 2. Lo elevamos al cuadrado (4631104) 3. Al nmero que de cmo resultado se le van a aumentar hacia la izquierda todos los ceros posibles hasta que ste nmero se convierta en un nmero de 8 dgitos 8 7 6 5 4 3 2 1 0 4 6 3 1 1 0 4 4. Se escoge los 4 nmeros del medio 0 4 6 3 1 1 0 4 Xo = 2152 X1 = 6311 1.
Simulacin de procesos
Pag 18 de 98

Indice 1. Introduccin 2. Base del Mtodo de los Elemento Finitos 3. Para que sirven los Elementos Finitos (M.E.F.)? 4. Estructura y funciones de un programa de elementos fnitos 5. Aplicaciones del autor 1. Introduccin La simulacin de procesos es una de las mas grandes herramientas de la ingeniera industrial, la cual se utilaza para representar un proceso mediante otro que lo hace mucho mas simple e intendible. Esta simulacin es en algunos casos casi indispensable, como nos daremos cuenta a continuacin. En otros casos no lo es tanto, pero sin este procedimiento se hace mas complicado . Simulacin La simulacin es la representacin de un proceso o fenmeno mediante otro mas simple, que permite analizar sus caractersticas; Pero la simulacin no es solo eso tambin es algo muy cotidiano, hoy en da, puede ser desde la simulacin de un examen, que le hace la maestra a su alumno para un examen del ministerio, la produccin de textiles, alimentos, juguetes, construccin de infraestructuras por medio de maquetas, hasta el entrenamiento virtual de los pilotos de combate. Las aplicaciones recreativas, hoy muy extendidas y mejoradas principalmente por los adelantos en este campo, estn especialmente diseadas para crear un pasatiempo que logre sacar de la rutina al ser humano, y que el mejor de los casos de otro modo seria impracticable debido a su costo. Estas consisten en crear ambientes y decorados artificiales con sonido en algunos casos, que logran una perfecta simulacin de cualquier tipo de contenido, creando el pasatiempo perfecto Uno de los principales proyectos futuristas de la simulacin aunque muy costoso, es en el campo de las minosvalias fsicas, ya que su diseo tendra que incluir, sobre todo en el campo de los invidentes, unos censores especiales, que adaptados, conseguiran una visin simulada del terreno permitiendo dotar de visin (en este caso) a esas personas, incluso en algunos casos, dotar de facultades superiores a las humanas mdiate esta realidad simulada real al mismo tiempo. Otro factor que ayudara a estas personas minusvlidas el entrenamiento de mdicos, en el cual se utiliza una estacin que recibe datos de las herramientas que maneja el medico, iguales a las que utilizara el medico en una operacin real, para procesarlos y generar una imagen foto realista en un monitor de forma que nada lo distinga de una operacin real. Este sistema tiene, un gran inters ya que es mas barato formar futuros especialistas de esta manera que con operaciones reales , adems de permitir que muchas mas personas aprendan o mejoren sus habilidades ya que solamente es cuestin de adquirir mas maquinas que puedan funcionar con turnos mucho mas flexibles que las operaciones reales. Uno de los proyectos ms interesantes de la simulacin virtual de sistemas esta relacionado con la composicin musical, que adems es una aficin particular de las personas en nuestros das. Mediante un banco de datos, se ejerce el control de un o varios teclados al mismo tiempo, este control se integra con un programa de creacin musical que automatiza la generacin de acordes, pero con una gran ventaja, ya que el control se realiza de una forma mucho ms intuitiva, puesto que los sonidos van variando a medida que se va moviendo el guante en el espacio. Aqu es donde radica una de las ventajas de la realidad virtual, esto es, la posibilidad de suavizar el interfaz entre el usuario y la aplicacin, un sintetizador en este caso, para que pueda extraer el mayor potencial sin que la forma de manejarlo sea un obstculo. 1. Simulacin numrica. El mtodo de los Elementos Finitos Las grandes del mercado han obligado en los ltimos aos a implantar en las empresas todas aquellas tecnologas que puedan a hacer realidad los tres grandes objetivos del diseo moderno:
Pag 19 de 98

Disear para conseguir para una fabricacin a un costo competitivo. Disear en orden la utilizacin real en servicio. Disear bien al primer intento. En este sentido la introduccin del C.A.D. (computer aided Design) esta ya representando un grave avance en la etapa del diseo conceptual de nuevos productos. Por contra, el C.A.E. se encuentra en ana etapa de mucho mas primaria. sin embargo la verdadera reduccin del bucle diseo-desarrollo se produce cuando ambas tcnicas actan conjuntamente. La primera para definir el producto y la segunda para simular su comportamiento en las condiciones de servicio, Solo la conjuncin de ambas tcnicas hacen posible que hacen alcanzar los tres objetivos antes mencionados. La gran evolucin de los mtodos informticos tanto en su aspecto de hardware como software, ha permitido afrontar la resolucin de complejos fsicos matemticos cuya resolucin analtica resultara prcticamente imposible. De hecho muchos de dichos problemas hace ya aos que estn planteados, solo falta un medio adecuado para la obtencin de resultados prcticos. As pues la simulacin intenta reproducir la realidad a partir de resolucin numrica mediante ordenador, de las ecuaciones matemticas que describen dicha realidad. Por lo tanto hay que asumir que la simulacin es tan exactas como sea las ecuaciones de partida y la capacidad de los ordenadores para resolverlas, lo cual fija limites a su utilizacin. Mediante la simulacin numrica es posible generar slidos de aspectos casi real, comprobar su comportamiento bajo diversas condiciones de trabajo, estudiar el movimiento conjunto de grupos de slidos , etc. Esto permite un conocimiento mucho mas profundo de un producto antes de que exista fsicamente, siendo posible detectar muchos de los problemas que de otro modo se hubieran detectado en el servicio real. El mtodo de los elementos finitos es una de las mas importantes tcnicas de simulacin y seguramente la mas utilizada en las aplicaciones industriales. Aunque su utilizacin es extensible a multitud de problemas de fsica, a continuacin expongo algunas aplicaciones del campo mecnico. 2. Base del Mtodo de los Elemento Finitos Las aplicaciones practicas de la mecnica del slido deformante pueden agruparse en dos grandes familias : La de los problemas asociados con sistemas discretos y la de los problemas asociados a sistemas continuos : En los primeros sistemas se analizar esta dividido de forma natural, en elementos claramente definidos .En el caso, por ejemplo, el anlisis de estructura de un edificio en la que cada viga constituye una entidad aislada bien definida. En los segundos el sistema no puede ser dividido en forma natural en unidades simples, por lo que su anlisis resulta mucho mas complejo. Por lo que se hace referencia al calculo estructural, el mtodo de elementos finitos (M.E.F.) puede ser entendido como una generalizacin de estructuras al anlisis de sistemas continuos. El principio del mtodo consiste la reduccin del problema con infinitos grados de libertad, en un problema finito en el que intervenga un numero finito de variables asociadas a ciertos puntos caractersticos (modos). Las incgnitas del problema dejan de ser funciones matemticas del problema cuando, para pasar a ser los valores de dichas funciones en un numero infinito de puntos. En realidad no se trata de nada nuevo. El calculo de estructuras se efecta tambin restringiendo el anlisis corrimientos de los nudos de unin. La diferencia estriba en que el anlisis del continuo, la segmentacin en elementos y la correcta posicin de los modos es, hasta cierto punto, arbitraria. As pues en el M.E.F. se supone que el comportamiento mecnico de cada parte o elemento, en los que se subdivide queda definido por un numero finito de parmetros (grados de libertad) asociados al los puntos que en dicho momento se une al resto de los elementos de su entorno (modos). Para definir el comportamiento en el interior de cada elemento se supone que dentro del mismo, todo queda perfectamente definido a partir de lo que sucede en los modos a travs de una adecuada funcin de interpolacin. Como puede apreciarse lo dicho, en el mtodo de los elementos finitos son casi esenciales los conceptos
Pag 20 de 98

de "discretizacion" o accin de transformar la realidad de la naturaleza continua en un modelo discreto aproximado y de "interpolacin", o accin de aproximar los valores de una funcin a partir de su conocimiento en un numero discreto de puntos. Por lo tanto el M.E.F. es un mtodo aproximado desde mltiples perspectivas. a) Discretizacion. b) Interpolacin. c) Utilizacin de mtodos numricos. Esta presentacin aproximada de la realidad en forma de un modelo numrico permite la resolucin del problema. Los diversos coeficientes del modelo son automticamente calculados por el ordenador a partir de la geometra y propiedades fsicas de cada elemento. Sin embargo queda en manos del usuario decir hasta que punto la discretizacion utilizada en el modelo representa adecuadamente el modelo de la estructura. La discretizacion correcta depende de diversos factores como son el tipo de informacin que se desea extraer del modelo o tipo de solicitacin aplicada. Actualmente el mtodo de los elementos finitos ha sido generalizado hasta constituir un potente mtodo de calculo numrico, capas de resolver cualquier problema de la fsica formulable como un sistema de ecuaciones, abarcando los problemas de la mecnica de fluidos, de la transferencia de calor, del magnetismo, etc. 3. Para que sirven los Elementos Finitos (M.E.F.)? A pesar de su carcter aproximado, el M.E.F. (mtodo aproximado desde mltiple perspectivas: Discrecin, Interpolacin, Utilizacin de mtodos numricos.) es una herramienta muy til que permite realizar una gran cantidad de anlisis en componentes y estructuras complejos, difcilmente por los mtodo analticos clsicos . 4. Estructura y funciones de un programa de elementos fnitos Como pueden imaginarse despus de lo expuesto, un programa de elementos fnitos es una pieza compleja de software en la que confluyen numerosas operaciones, Por este motivo suelen estar divididos en subsecciones, cada una de las cuales efectan una operacin determinada. Sin embargo, el tema no se limita al puro calculo. La preparacin de los datos y el anlisis e los resultados numricos que aparecen como producto del calculo, son tareas arduas que actualmente se tienden a integra a su propio software. As pues, un paquete de calculo de elementos finitos consta de un procesador, en el cual se incluyen todas la ayudas a la preparacin de los datos y que generan los archivos de resultados, y un postprocesados que facilita el anlisis e interpretacin de los resultados, generalmente en forma de grafica mediante trazado de curvas, grficos tridimensionales, tablas, etc. Pueden realizarse, entre otros, los siguientes tipos de anlisis: El anlisis esttico permite la determinacin de los componentes de los modos por efecto de una solicitacin esttica y, en una segunda fase, la determinacin del estado en ciertos puntos caractersticos de cada elemento. Este tipo de anlisis permite acotar la deformacin del componente de estudio y localizar zonas altamente solicitadas o zonas de solicitacin baja, segn que el inters resida en evaluar la resistencia esttica o en eliminar material. El anlisis dinmico puede ser de cualquiera de los tres tipos siguientes a) Clculo de las frecuencias y modos propios de vibracin. La vibracin libre de un cuerpo elstico se realiza en frecuencia y tomando formas que le son caracteristicas, denominadas frecuencias y modos propios de vibracin. El anlisis de modos y frecuencias propias de vibracin se realiza con el objetivo de conocer mejor el comportamiento dinmico del componente o estructura y determinar posibles ares de conflicto, como por ejemplo la generacin de resonancia.
Pag 21 de 98

b) Clculo de la respuesta en funcin del sistema. Este tipo de anlisis tipo de anlisis permite determinar la respuesta vibratoria y tencional de una estructura cuando es excitada mediante una carga senoidal peridica amplitud y frecuencia variable. De este modo es posible explorar la presencia de los diversos modos de vibracin en el rango de frecuencias de inters a fin de determinar su importancia relativa. c) Clculo e respuesta a una solicitacin transitoria En este tipo de anlisis se pretende simular el efecto de una secuencia de carga real sobre la estructura, incorporando los efectos dinmicos. Transferencia de calor: puede abordarse problemas de conduccin, conveccin o radiacin, en rgimen estacionario o estacionario. Los resultados son bsicamente las distribuciones de temperatura y lo fluidos de calor. Mecnica de fluidos: Pueden ser problemas en el rgimen laminar o turbulento, estacionario, transitorios. Los resultados son bsicamente las distribuciones de presin y velocidad. Si es preciso, puede incorporarse el efecto de anlisis de fluidos. Electromagnetismo: Pueden tratarse problemas relacionados con los campos y las ondas electromagnticas. Los resultados son bsicamente los campos elctrico y magntico, las distribuciones de potencial, las corrientes, los fluidos magnticos, etc. La mayora de estos casos se analizan antes de la primera elaboracin del producto, con el fin de prevenir problemas futuros, que pudiera hasta manifestarse cuando el producto se encuentre en funcionamiento o en las manos del mismo usuario. Como mencionaba en el inicio la simulacin no solo se da en el campo de la industria, medicina, entretenimiento. Tambin se da en campos como la arquitectura y el entrenamiento militar. La simulacin de estructuras otra de las aplicaciones tanto en el diseo , como comercialmente, son los diseos virtuales con simulacin perfecta de estructuras externas e internas que ayudan al arquitecto a crear el edificio, valorando los espacios muertos y las memorias de calidad de su proyecto, as como es igualmente aplicable para fines comerciales, aunque eso si quizs demasiado costoso por el momento para este ultimo, ya que la simulacin virtual requiere potentes maquinas y perifricos para ser tan perfecta para recibir este nombre. En el entrenamiento militar tctico y militar terrestre, sobre todo en norteamrica, grupos especializados de asalto, y grupos militares especializados en ese campo, virtualmente usan entrenamientos simulados virtualmente preparados, usan entrenamientos simulados virtualmente ambientados de modo impresionante donde se le obliga al soldado a responder y actuar en situaciones criticas del modo correcto, preparndole a actuar en segundos e incluso en dcimas de segundo en estas situaciones. Estas situaciones son creadas y ambientada de modo diferente a las anteriormente sitadas, ya que esta realidad virtual se provee de panormicas y escenarios montados previamente, y con sonido realista dependiendo de la situacin en la que se quiera entrenar al soldado, pero es, como un entrenamiento simulado, un entrenamiento virtual. Los entrenamientos de los pilotos de guerra. Una d3e las aplicaciones mas populares, es el entrenamiento de pilotos mediante tcnicas de realidad virtual o simuladas para responder ante situaciones ya sean peligrosas o de pura practica de vuelo que podran costar vidas y materiales muy costosos; se mutilan plataformas enteras de simulacin en la que piloto es envolvido por factores muy importantes de vuelo en los que se el que comanda el aeroplano debe reaccionar segn el entorno que se le presente en la practica virtual, de esta forma se preparan para una misin, o una guerra. El entrenamiento de pilotos especiales al igual que el caso anterior, pero en este caso con costos ms astronmicos como su nombre lo indica y con presiones virtuales mas elevadas a los cadetes, el
Pag 22 de 98

entrenamiento especial simulado incluyendo en este caso presiones atmosfricas y gravedades simuladas, esta en los principales usos demostradamente excelentes para programas espaciales y de formacin en los que una ves mas de otro modo no podran ni plantearse. Las aplicaciones del entrenamiento submarino como su nombre lo indica, es un tipo de entrenamiento esencialmente simulado para un mudo en el que la presin es algo mas esencial quizs que en los otros simuladores tratados anteriormente, ya que nos estamos refiriendo a los submarinos de combate, donde el control preciso de presiones, motores, periscopios, y dems componentes es algo realmente vital para la tremenda perdida que supondra efectuar practicas de este tipo en el mar abierto. La simulacin en todos estos campos, tiene algo en comn, que es la creacin de un mundo irreal, pero muy real para la personas que diariamente dependen de su existencia, en campos como la calidad industrial, la medicina, le entrenamiento, los juegos, etc. Gracias a la simulacin de procesos nuestro mundo real es mejor. 5. Aplicaciones del autor La simulacin de un hecho real o de un proceso por medio de otro proceso mas simple que analiza sus caractersticas, es una muy practica herramienta de la ingeniera de las mas conocidas es el mtodo de elementos finitos, el cual se ayuda con la matemtica y la fsica para explicar procesos, como por ejemplo una fabrica que produzca campanas, el mtodo de simulacin de elementos finitos, se empleara de analizar la resonancia de la campana y de los materiales que la componen y determinar si son los mas aptos para esto, o la forma que deben tener para este proceso, para una mayor calidad en las campanas. La simulacin de procesos , segn mi opinin personal ha sido desarrollada con una mejor visin en pro del ser humano, en el mbito de salud, ya que, permite el estudio, preparacin, y la evaluacin de los futuros mdicos. Esto permite y permitir a corto plazo una mejor practica de la medicina las operaciones, ya que un estudiante del tema o un doctor, puede practicar una operacin o medicar algn remedio por medio de un sistema de procesos que le simularan condiciones reales, en un plano irreal, en el cual si se equivoca no le ocasionara ningn mal a nadie. Siguiendo en el mbito de la salud, muchas personas discapacitadas son beneficiadas, con maquinas que simulan, y hasta toman el lugar de algn miembro del cuerpo, pero por desgracia mucha de esta tecnologa no esta al alcance de toda la gente, este es el gran contra del desarrollo de estos sistemas de simulacin en el campo de la medicina actual La simulacin de sistemas mas popular es la simuladores vuelo, combate, etc. Esto en un campo de juegos, mediante software, que estn programados para brindarle al usuario del juego, una sensacin de la realidad , como si fueran ellos mismos los que estuvieran en una misin real . Estos juegos son muy populares en los llamado play station , los cuales producen muchos de estos, ya que le llama mucho la atencin a las personas. Otra de las aplicaciones de la simulacin, en el entretenimiento es la de software de reproduccin musical pero en una forma mas cmoda, conocida como msica en mp3, la cual compacta las canciones de manera que se puedan ser reproducidas por hardware simple, en un computador comn y corriente, con una tarjeta de sonido o sound blaster. Las maquetas son la representacin a escala de una casa, la simulacin del proceso ser la maqueta ya que en ella se establecern los detalles del producto final que ser la casa. Entonces el arquitecto podra estudiar la maqueta, a manera de ser casi la casa, de esta forma se puede dar cuenta de los futuros problemas que podra experimentar la casa, y de prevenirlos, antes empezar ha construirla.
Pag 23 de 98

Investigacin de operaciones
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.
Introduccin Orgenes de la Investigacin de Operaciones Definicin y Significado de Investigacin de Operaciones Caractersticas de la Investigacin de Operaciones Definicin de Modelos Definicin del problema y recoleccin de datos Formulacin de un modelo matemtico Obtencin de una solucin a partir del modelo Prueba del modelo Preparacin para la aplicacin del modelo Implantacin Definicin de Sistemas de Produccin Tipos de Modelos de los Sistemas de Produccin
Introduccin
Los cambios revolucionarios originaron gran aumento en la divisin de trabajo y la separacin de las responsabilidades administrativas en las organizaciones. Sin embargo esta revolucin creo nuevos problemas que ocurren hasta la fecha en muchas empresas. Uno de estos problemas es la tendencia de muchos de los componentes a convertirse en imperios relativamente autnomos, con sus propias metas y sistemas de valores. Este tipo de problemas, y la necesidad de encontrar la mejor forma de resolverlos, proporcionaron el surgimiento de la Investigacin de Operaciones. La Investigacin de Operaciones aspira determinar la mejor solucin (optima) para un problema de decisin con la restriccin de recursos limitados. En la Investigacin de Operaciones utilizaremos herramientas que nos permiten tomar una decisin a la hora de resolver un problema tal es el caso de los modelos e Investigacin de Operaciones que se emplean segn sea la necesidad. Para llevar a cabo el estudio de Investigacin de Operaciones es necesario cumplir con una serie de etapas o fases. Las principales etapas o fases de las que hablamos son las siguientes: Definicin del problema. Construccin del modelo. Solucin del modelo. Validacin del modelo. Implantacin de los resultados finales.
Orgenes de la Investigacin de Operaciones

El inicio de la Investigacin de Operaciones se remonta a la poca de la Segunda Guerra Mundial en donde surgi la necesidad urgente de asignar recursos escasos a las diferentes operaciones militares y a las actividades dentro de cada operacin, en la forma mas efectiva, es por esto, que las administraciones militares americana e inglesa hicieron un llamado a un gran nmero de cientficos para que aplicaran el mtodo cientfico a los problemas estratgicos y tcticos, a dichos cientficos se les pidi que hicieran investigaciones sobre las operaciones militares. Todo el esfuerzo de este equipo de cientficos (que fueron el primer equipo de Investigacin de Operaciones) logr el triunfo de muchas batallas. Luego de terminar la guerra, el xito de la Investigacin de Operaciones en las actividades blicas gener un gran inters en sus aplicaciones fuera del campo militar. Desde la dcada de 1950, se haba introducido el uso de la Investigacin de Operaciones en la industria, los negocios y el gobierno, desde entonces, esta disciplina se ha desarrollado con rapidez. Un factor importante de la implantacin de la Investigacin de Operaciones en este periodo es el mejoramiento de las tcnicas disponibles en esta rea. Muchos de los cientficos que participaron en la guerra, se encontraron a buscar resultados sustanciales en este campo; un ejemplo sobresaliente es el mtodo Simplex para resolucin de problemas de Programacin Lineal, desarrollado en 1947 por George Dantzing. Muchas de las herramientas utilizadas en la Investigacin de Operaciones como la Programacin Lineal, la Programacin Dinmica, Lneas de Espera y Teora de Inventarios fueron desarrollados al final de los aos 50. Un segundo factor importante para el desarrollo de este campo fue el advenimiento de la revolucin de las computadoras. Para manejar los complejos problemas relacionados con esta disciplina, generalmente se requiere un gran nmero de clculos que llevarlos a cabo a mano es casi imposible. Por lo tanto el desarrollo de la computadora digital, fue una gran ayuda para la Investigacin de Operaciones. En la dcada de los 80 con la invencin de computadoras personales cada vez ms rpidas y acompaadas de buenos paquetes de Software para resolver problemas de Investigacin de Operaciones esto puso la tcnica al
Pag 24 de 98

SUB-REA: INGENIERIA INDUSTRIAL alcance de muchas personas. Hoy en da se usa toda una gama de computadoras, desde las computadoras de grandes escalas como las computadoras personales para la Investigacin de Operaciones.
Definicin y Significado de Investigacin de Operaciones

La Investigacin de Operaciones aspira a determinar el mejor curso de accin, o curso ptimo, de un problema de decisin con la restriccin de recursos limitados. Como tcnica para la resolucin de problemas, investigacin de operaciones debe visualizarse como una ciencia y como un arte.
Como Ciencia radica en ofrecer tcnicas y algoritmos matemticos para resolver problemas de decisin adecuada. Como Arte debido al xito que se alcanza en todas las fases anteriores y posteriores a la solucin de un modelo matemtico, depende de la forma apreciable de la creatividad y la habilidad personal de los analistas encargados de tomar las decisiones. En un equipo de Investigacin de Operaciones es importante la habilidad adecuada en los aspectos cientficos y artsticos de Investigacin de Operaciones. Si se destaca un aspecto y no el otro probablemente se impedir la utilizacin efectiva de la Investigacin de Operaciones en la prctica. La Investigacin de Operaciones en la Ingeniera de Sistemas se emplea principalmente en los aspectos de coordinacin de operaciones y actividades de la organizacin o sistema que se analice, mediante el empleo de modelos que describan las interacciones entre los componentes del sistema y de ste con este con su medio ambiente En la Investigacin de Operaciones la parte de Investigacin se refiere a que aqu se usa un enfoque similar a la manera en la que se lleva a cabo la investigacin en los campos cientficos establecidos. La parte de Operaciones es por que en ella se resuelven problemas que se refieren a la conduccin de operaciones dentro de una organizacin.
Caractersticas de la Investigacin de Operaciones

La Investigacin de Operaciones usa el mtodo cientfico para investigar el problema en cuestin. En particular, el proceso comienza por la observacin cuidadosa y la formulacin del problema incluyendo la recoleccin de datos pertinentes. La Investigacin de Operaciones adopta un punto de vista organizacional. De esta manera intenta resolver los conflictos de inters entre los componentes de la organizacin de forma que el resultado sea el mejor para la organizacin completa. La Investigacin de Operaciones intenta encontrar una mejor solucin (llamada solucin optima), para el problema bajo consideracin. En lugar de contentarse con mejorar el estado de las cosas, la meta es identificar el mejor curso de accin posible. En la Investigacin de Operaciones es necesario emplear el enfoque de equipo. Este equipo debe incluir personal con antecedentes firmes en matemticas, estadsticas y teora de probabilidades, economa, administracin de empresas ciencias de la computacin, ingeniera, etc. El equipo tambin necesita tener la experiencia y las habilidades para permitir la consideracin adecuada de todas las ramificaciones del problema. La Investigacin de Operaciones ha desarrollado una serie de tcnicas y modelos muy tiles a la Ingeniera de Sistemas. Entre ellos tenemos: la Programacin No Lineal, Teora de Colas, Programacin Entera, Programacin Dinmica, entre otras. La Investigacin de Operaciones tiende a representar el problema cuantitativamente para poder analizarlo y evaluar un criterio comn.
Definicin de Modelos
Un modelo de decisin debe considerarse como un vehculo para resumir un problema de decisin en forma tal que haga posible la identificacin y evaluacin sistemtica de todas las alternativas de decisin del problema. Despus se llega a una decisin seleccionando la alternativa que se juzgue sea la mejor entre todas las opciones disponibles. Un modelo es una abstraccin selectiva de la realidad. El modelo se define como una funcin objetivo y restricciones que se expresan en trminos de las variables (alternativas) de decisin del problema. Una solucin a un modelo, no obstante, de ser exacta, no ser til a menos que el modelo mismo ofrezca una representacin adecuada de la situacin de decisin verdadera. El modelo de decisin debe contener tres elementos: Alternativas de decisin, de las cuales se hace una seleccin.
Pag 25 de 98

SUB-REA: INGENIERIA INDUSTRIAL Restricciones, para excluir alternativas infactibles. Criterios para evaluar y clasificar alternativas factibles. Tipos de Modelos de Investigacin de Operaciones. (a) Modelo Matemtico: Se emplea cuando la funcin objetivo y las restricciones del modelo se pueden expresar en forma cuantitativa o matemtica como funciones de las variables de decisin. (b) Modelo de Simulacin: Los modelos de simulacin difieren de los matemticos en que las relaciones entre la entrada y la salida no se indican en forma explcita. En cambio, un modelo de simulacin divide el sistema representado en mdulos bsicos o elementales que despus se enlazan entre si va relaciones lgicas bien definidas. Por lo tanto, las operaciones de clculos pasaran de un mdulo a otro hasta que se obtenga un resultado de salida. Los modelos de simulacin cuando se comparan con modelos matemticos; ofrecen mayor flexibilidad al representar sistemas complejos, pero esta flexibilidad no esta libre de inconvenientes. La elaboracin de este modelo suele ser costoso en tiempo y recursos. Por otra parte, los modelos matemticos ptimos suelen poder manejarse en trminos de clculos. Modelos de Investigacin de Operaciones de la ciencia de la administracin: Los cientficos de la administracin trabajan con modelos cuantitativos de decisiones. Modelos Formales: Se usan para resolver problemas cuantitativos de decisin en el mundo real. Algunos modelos en la ciencia de la administracin son llamados modelos deterministicos. Esto significa que todos los datos relevantes (es decir, los datos que los modelos utilizarn o evaluarn) se dan por conocidos. En los modelos probabilsticos (o estocsticos), alguno de los datos importantes se consideran inciertos, aunque debe especificarse la probabilidad de tales datos. En la siguiente tabla se muestran los modelos de decisin segn su clase de incertidumbre y su uso en las corporaciones. (D, determinista; P, probabilista; A, alto; B, bajo)
Tipo de Modelo Programacin Lineal Redes (Incluye PERT/CPM) Inventarios, produccin y programacin Econometra, pronstico y simulacin Programacin Entera Programacin Dinmica Programacin Estocstica Programacin No Lineal Teora de Juegos Control Optimo Lneas de Espera Ecuaciones Diferenciales Clase de Incertidumbre D D,P D,P D,P D D,P P D P D,P P D Frecuencia de uso en corporaciones A A A A B B B B B B B B
Modelo de Hoja de Clculo Electrnica: La hoja de clculo electrnica facilita hacer y contestar preguntas de que si en un problema real. Hasta ese grado la hoja de clculo electrnica tiene una representacin selectiva del problema y desde este punto de vista la hoja de clculo electrnica es un modelo. En realidad es una herramienta ms que un procedimiento de solucin. Etapas de la Investigacin de Operaciones. Las etapas de un estudio de Investigacin de Operaciones son las siguientes: Definicin del problema de inters y recoleccin de los datos relevantes. Formulacin de un modelo matemtico que represente el problema. Desarrollo de un procedimiento basado en computadora para derivar una solucin al problema a partir del modelo. Prueba del modelo y mejoramiento segn sea necesario. Preparacin para la aplicacin del modelo prescrito por la administracin. Puesta en marcha.
Pag 26 de 98

Definicin del problema y recoleccin de datos
La primera actividad que se debe realizar es el estudio del sistema relevante y el desarrollo de un resumen bien definido del problema que se va a analizar. Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se puede hacer, las interrelaciones del rea bajo estudio con otras reas de la organizacin, los diferentes cursos de accin posibles, los lmites de tiempo para tomar una decisin, etc. Este proceso de definir el problema es crucial ya que afectar en forma significativa la relevancia de las conclusiones del estudio. Determinar los objetivos apropiados viene a ser un aspecto muy importante en la formulacin del problema. Para hacerlo, es necesario primero identificar a la persona o personas de la administracin que de hecho tomarn las decisiones concernientes al sistema bajo estudio, y despus escudriar los pensamientos de estos individuos respecto a los objetivos pertinentes. (Incluir al tomador de decisiones desde el principio es esencial para obtener su apoyo al realizar el estudio.) Es comn que los equipos de Investigacin de Operaciones pasen mucho tiempo recolectando los datos relevantes sobre el problema. Se necesitan muchos datos como para lograr un entendimiento exacto del problema como para proporcionar el insumo adecuado para el modelo matemtico que se formular en la siguiente etapa del estudio. Tomar un tiempo considerable al equipo de Investigacin de Operaciones recabar la ayuda de otros de otros individuos clave de la organizacin para recolectar todos los datos importantes. Muchas veces, el equipo de Investigacin de Operaciones pasar mucho tiempo intentando mejorar la precisin de los datos y al final tendr que trabajar con lo que pudo obtener. Aplicacin: El Departamento de Salud de New Haven, Connecticut utiliz un equipo de Investigacin de Operaciones para disear un programa efectivo de intercambio de agujas para combatir el contagio del virus que causa el SIDA (HIV), y tuvo xito en la reduccin del 33% de la tasa de infeccin entre los clientes del programa. La parte central de este estudio fue un innovador programa de recoleccin de datos para obtener los insumos necesarios para los modelos matemticos de transmisin del SIDA. Este programa barco un rastreo completo de cada aguja (y cada jeringa), con la identificacin, localizacin y fecha de cada persona que reciba una aguja y cada persona que la regresaba durante un intercambio, junto con la prueba de si la condicin de la aguja era HIV positivo o HIV - negativo.
Formulacin de un modelo matemtico
Una vez definido el problema del tomador de decisiones, la siguiente etapa consiste en reformularlo de manera conveniente para su anlisis. La forma convencional en que la investigacin de operaciones realiza esto es construyendo un modelo matemtico que represente la esencia del problema. El modelo matemtico puede expresarse entonces como el problema de elegir los valores de las variables de decisin de manera que se maximice la funcin objetivo, sujeta a las restricciones dadas. Un modelo de este tipo, y algunas variaciones menores sobre l, tipifican los modelos analizados en investigacin de operaciones. Un paso crucial en la formulacin de un modelo de Investigacin de Operaciones es la construccin de la funcin objetivo. Esto requiere desarrollar una medida cuantitativa de la efectividad relativa a cada objetivo del tomador de decisiones identificado cuando se estaba definiendo el problema. Si en el estudio se contemplan mas de un objetivo, es necesario transformar y combinar las medidas respectivas en una medida compuesta de efectividad llamada medida global de efectividad. A veces esta medida compuesta puede ser algo tangible (por ejemplo, ganancias) y corresponder a una meta mas alta de la organizacin, o puede ser abstracta (como utilidad). En este ltimo caso la tarea para desarrollar esta medida puede ser compleja y requerir una comparacin cuidadosa de los objetivos y su importancia relativa. Aplicacin: La Oficina responsable del control del agua y los servicios pblicos del Gobierno de Holanda, el Rijkswaterstatt, concesion un importante estudio de Investigacin de Operaciones para guiarlo en el desarrollo de una importante poltica de administracin del agua. La nueva poltica ahorro cientos de millones de dlares en gastos de inversin y redujo el dao agrcola en alrededor de 15 millones de dlares anuales, al mismo tiempo que disminuyo la contaminacin trmica y debida a las algas. En lugar de formular un modelo matemtico, este estudio de Investigacin de Operaciones desarroll un sistema integrado y comprensible de 50 modelos! Mas an, para alguno de los modelos, se desarrollan versiones sencillas y complejas. La versin sencilla se us para adquirir una visin bsica incluyendo el anlisis de trueques. La versin compleja se us despus en las corridas finales del anlisis o cuando se deseaba mayor exactitud o ms detalles en los resultados. El estudio completo de Investigacin de Operaciones involucr directamente a mas de 125 personas - ao de esfuerzo (mas de un tercio de ellas en la recoleccin de datos), cre varias docenas de programas de computacin y estructur una enorme cantidad de datos.
Pag 27 de 98

Obtencin de una solucin a partir del modelo
Una vez formulado el modelo matemtico para el problema bajo estudio, la siguiente etapa para un estudio de Investigacin de Operaciones consiste en desarrollar un procedimiento (por lo general basado en computadora) para derivar una solucin al problema a partir de este modelo. Esta es una etapa relativamente sencilla, en la que se aplican uno de los algoritmos de investigacin de operaciones en una computadora. Un tema comn en Investigacin de Operaciones es la bsqueda de una solucin ptima, es decir, la mejor. Se han desarrollado muchos procedimientos para encontrarla en cierto tipo de problemas, pero es necesario reconocer que estas soluciones son ptimas slo respecto al modelo que se est utilizando. La meta de un estudio de Investigacin de Operaciones debe ser llevada a cabo el estudio de manera ptima, independientemente de si implica o no encontrar una solucin ptima para el modelo. Al reconocer este concepto, los equipos de Investigacin de Operaciones en ocasiones utilizan slo procedimientos heursticos (es decir, procedimientos de diseo intuitivo que no garantizan una solucin ptima) para encontrar una buena solucin subptima. Esto ocurre con mas frecuencia en los casos en que el tiempo o el costo que se requiere para encontrar una solucin ptima para un modelo adecuado del problema son muy grandes. Si la solucin se implanta sobre la marcha, cualquier cambio en el valor de un parmetro sensible advierte de inmediato la necesidad de cambiar la solucin. El anlisis posptimo tambin incluye la obtencin de un conjunto de soluciones que comprende una serie de aproximaciones, cada vez mejores, al curso de accin ideal. As, las debilidades aparentes de la solucin inicial se usan para sugerir mejoras al modelo, a sus datos de entrada y quiz al procedimiento de solucin. Se obtiene entonces una nueva solucin, y el ciclo se repite. Este proceso sigue hasta que las mejoras a soluciones sucesivas sean demasiado pequeas para justificar su solucin. Aplicacin: Considere el nuevo estudio de Investigacin de Operaciones para el Rijkswaterstatt sobre la poltica de administracin de agua en Holanda, que se introdujo en el concepto anterior. Este estudio no concluy con la recomendacin de una sola solucin. Mas bien, se identificaron, analizaron y compararon varias alternativas atractivas. La eleccin final se dejo al proceso poltico de gobierno de Holanda que culmino con la aprobacin del Parlamento. El anlisis de sensibilidad jug un papel importante en este estudio. Por ejemplo, ciertos parmetros de los modelos representaron estndares ecolgicos. El anlisis de sensibilidad incluy la evaluacin del impacto en los problemas de agua si los valores de estos parmetros se cambiaran de los estndares ecolgicos a otros valores razonables. Se us tambin para evaluar el impacto de cambios en las suposiciones de los modelos, por ejemplo, la suposicin sobre el efecto de tratados internacionales futuros sobre la contaminacin que pudiera llegar. Tambin se analizaron varios escenarios (como aos secos o hmedos extremosos), asignando las probabilidades adecuadas.
Prueba del modelo

El desarrollo de un modelo matemtico grande es anlogo en algunos aspectos al desarrollo de un programa de computadora grande. Cuando se completa la primera versin, es inevitable que contenga muchas fallas. El programa debe probarse de manera exhaustiva para tratar de encontrar y corregir tantos problemas como sea posible. Este proceso de prueba y mejoramiento de un modelo para incrementar su validez se conoce como validacin del modelo. Un enfoque mas sistemtico para la prueba del modelo es emplear una prueba retrospectiva. Cuando es apacible, esta prueba utiliza datos histricos y reconstruye el pasado para determinar si el modelo y la solucin resultante hubieran tenido un buen desempeo, de haberse usado. Al emplear alternativas de solucin y estimar sus desempeos histricos hipotticos, se pueden reunir evidencias en cuanto a lo bien que el modelo predice los efectos relativos de los diferentes cursos de accin. Aplicacin: En un estudio de Investigacin de Operaciones para IBM se realizo con el fin de integrar su red nacional de inventarios de refacciones para mejorar el servicio a los clientes, al mismo tiempo que reducir el valor de los inventarios de IBM en mas de 250 millones de dlares y ahorrar otros 20 millones de dlares anuales a travs del mejoramiento de la eficiencia operacional. Un aspecto en particular interesante de la etapa de validacin del modelo en este estudio fue la manera en que se incorporaron el proceso de prueba los usuarios futuros del sistema de inventarios. Debido a que estos usuarios futuros (los administradores de IBM en las reas funcionales responsables de la implantacin del sistema de inventarios) dudaban del sistema que se estaba desarrollando, se asignaron representantes a un equipo de usuarios que tendra la funcin de asesorar al equipo de Investigacin de Operaciones. Una vez desarrollada la versin preliminar del nuevo sistema (basada en el sistema de inventarios de multiniveles) se lleva acabo una prueba preliminar de implantacin. La extensa retroalimentacin por parte del equipo de usuarios llevo a mejoras importantes en el sistema propuesto.
Pag 28 de 98

Preparacin para la aplicacin del modelo
El siguiente paso es instalar un sistema bien documentado para aplicar el modelo segn lo establecido por la administracin. Este sistema casi siempre esta diseado para computadora. De hecho, con frecuencia se necesita un nmero considerable de programas integrados. La base de datos y los sistemas de informacin administrativos pueden proporcionar entrada actualizada para el modelo cada vez que se use, en cuyo caso se necesitan programas de interfaz (de interaccin con el usuario). Despus de aplicar un procedimiento de solucin (otro programa) al modelo, puede ser que los programas adicionales maneje la implantacin de los resultados de manera automtica. En otros casos se instala un sistema interactivo de computadora llamado sistema de soporte de decisiones, para ayudar a la gerencia a usar datos y modelos para apoyar (no para sustituir) su toma de decisiones cuando lo necesiten. Otro programa puede generar informes gerenciales (en el lenguaje administrativo) que interpretan la salida del modelo y sus implicaciones en la prctica. Aplicacin: Un sistema de computo grande para aplicar un modelo a las operaciones de control de una red nacional. Este sistema, llamado SYSNET, fue desarrollado como resultado de un estudio de Investigacin de Operaciones realizado para la Yellow Freight System, Inc. Esta compaa maneja anualmente mas 15 millones de envos de mensajera a travs de una red de 630 terminales en todo estados Unidos. SYSNET se usa tanto para optimizar tanto para optimizar las rutas de los envos como el diseo de la red . Debido al que sistema requiere mucha informacin sobre los flujos y pronsticos de carga, los costos de transporte y manejo, etc.; una parte importante del estudio de Investigacin de Operaciones esta dedicada a la integracin de SYSNET al sistema de informacin administrativo de la corporacin. Esta integracin permiti la integracin peridica de la entrada al modelo. La implantacin de SYSNET dio como resultado el ahorro anual de alrededor de 17.3 millones de dlares adems de un mejor servicio a los clientes.
Implantacin
Una vez desarrollado un sistema para aplicar un modelo, la ltima etapa de un estudio de Investigacin de Operaciones es implementarlo siguiendo lo establecido por la administracin. La etapa de implantacin incluye varios pasos. Primero, el equipo de Investigacin de Operaciones da una cuidadosa explicacin a la gerencia operativa sobre el nuevo sistema que se va a adoptar y su relacin con la realidad operativa. Enseguida, estos dos grupos comparten la responsabilidad de desarrollar los procedimientos requeridos para poner este sistema en operacin. La gerencia operativa se encarga despus de dar una capacitacin detallada al personal que participa, y se inicia entonces el nuevo curso de accin. Si tiene xito, el nuevo sistema se podr emplear durante algunos aos. Con esto en mente, el equipo de Investigacin de Operaciones supervisa la experiencia inicial con la accin tomada para identificar cualquier modificacin que tenga que hacerse en el futuro. Aplicacin: Este ultimo punto sobre la documentacin de un estudio Investigacin de Operaciones se ilustra con el caso de la poltica nacional de administracin del agua de Rijkswaterstatt en Holanda. La administracin deseaba documentacin ms extensa que lo normal, tanto para apoyar la nueva poltica como para utilizarla en la capacitacin de nuevos analistas o al realizar nuevos estudios. Completar esta documentacin requiri varios aos y quedo contenida en 4000 pginas a espacio sencillo encuadernadas en 21 volmenes!
Definicin de Sistemas de Produccin

La produccin es el acto intencional de producir algo til. La definicin de produccin se modifica para incluir el concepto de sistema, diciendo que u sistema de produccin es el proceso especifico por medio del cual los elementos se transforman en productos tiles. Un proceso es un procedimiento organizado para lograr la conversin de insumos en resultados. Cualquier sistema es una coleccin de componentes interactuantes. Cada componente podra ser un sistema en si mismo en un orden descendente de sencillez. Los sistemas se distinguen por sus objetivos; el objetivo de un sistema podra ser producir un componente que se va a ensamblar con otros componentes para alcanzar el objetivo que es un sistema mayor. Se requieren tcnicas mas elaboradas para tratar con sistemas ms complejos. Es una carrera de relevos entre el desarrollo de sistemas cada vez ms complejos y el desarrollo de mtodos ms eficientes de direccin para controlarlos.
Pag 29 de 98

Tipos de Modelos de los Sistemas de Produccin
El modelo fsico: Los modelos, por semejanza, derivan su utilidad de un cambio en la escala. Los patrones microscpicos pueden amplificarse para su investigacin, y las enormes estructuras pueden hacerse a una escala ms pequea, hasta una magnitud que sea manipulable. Necesariamente, algunos detalles se pierden en los modelos. En las replicas fsicas, esta prdida puede ser una ventaja, cuando la consideracin clave, es un factor, tal como la distancia, pero puede ser intil un estudio si la influencia predominante se desvirta en la construccin del modelo. El modelo esquemtico: Los modelos de dos dimensiones son la delicia de quienes disfrutan de las grficas. Los aspectos grficos son tiles para propsitos de demostracin. Algunos ejemplos que se encuentran comnmente incluyen los diagramas de la organizacin, diagramas de flujo del proceso y grficas de barras. Los smbolos sobre tales diagramas pueden arreglarse fcilmente para investigar el efecto de la reorganizacin. El modelo matemtico: Las expresiones cuantitativas, es decir, los modelos ms abstractos, generalmente son los mas tiles. Cuando un modelo matemtico puede construirse para representar en forma exacta la situacin de un problema, suministra una poderosa arma para el estudio; es fcil de manipular, el efecto de las variables interactuantes se aprecia claramente y, sobre todo, es un modelo preciso. Por lo general, cualquier definicin debida al empleo de los modelos matemticos se origina por algn error cometido en las suposiciones bsicas y en las premisas sobre las cuales estn basados.
INTRODUCCION
La tcnica de simulacin es desde hace mucho tiempo una herramienta importante para el diseador. Durante muchos aos, se han usado modelos a escala de mquinas, para simular la distribucin de planta. La simulacin comn se uso inicialmente en la investigacin de operaciones, surgi por primera vez en el trabajo de John Von Neumann y Stanislaw Ulam, en los ltimos aos de la dcada de los 40. Quienes a travs del anlisis de Montecarlo en conjunto con una tcnica matemtica, resolvieron problema relacionados con las barreras nucleares de proteccin, demasiado costosas para someterlas a pruebas de experimentacin o demasiado complejas para realizar sus anlisis. Un el advenimiento de las computadoras, en los primeros aos de la dcada de los 50, la simulacin experiment un avance substancial. En la actualidad se resuelven incontables problemas de negocios, puesto que la simulacin en la computadora es un mtodo econmico y rpido para efectuar la vasta cantidad de clculos que se requieren. USOS Y RAZONES DE LA SIMULACION Las reas de aplicacin de la simulacin son muy amplias, numerosas y diversas, basta mencionar slo algunas de ellas: Anlisis del impacto ambiental causado por diversas fuentes Anlisis y diseo de sistemas de manufactura Anlisis y diseo de sistemas de comunicaciones.
Evaluacindeldiseodeorganismosprestadoresdeserviciospblicos(porejemplo: hospitales,oficinasdecorreos,telgrafos,casasdecambio,etc.). Anlisisdesistemasdetransporteterrestre,martimooporaire. Anlisisdegrandesequiposdecmputo. Anlisisdeundepartamentodentrodeunafbrica. Adiestramiento de operadores (centrales carboelctricas, termoelctricas, nucleoelctricas, aviones,etc.). Anlisisdesistemasdeacondicionamientodeaire. Planeacinparalaproduccindebienes. Anlisisfinancierodesistemaseconmicos. Evaluacindesistemastcticosodedefensamilitar. Lasimulacinseutilizaenlaetapadediseoparaauxiliarenellogroomejoramientodeun
Pag 30 de 98

procesoodiseoobienaunsistemayaexistenteparaexploraralgunasmodificaciones. Se recomienda la aplicacin de la simulacin a sistemas ya existentes cuando existe algn problema de operacin o bien cuando se requiere llevar a cabo una mejora en el comportamiento. El efecto que sobre el sistema ocurre cuando se cambia alguno de sus componentes se puede examinar antes de que ocurra el cambio fsico en la planta para asegurar que el problema de operacin se soluciona o bien para determinar el medio ms econmicoparalograrlamejoradeseada. Todoslosmodelosdesimulacinsellamanmodelosdeentradasalida.Esdecir,producenla salida del sistema si se les da la entrada a sus subsistemas interactuantes. Por tanto los modelosdesimulacinsecorrenenvezderesolverse,afindeobtenerlainformacino losresultadosdeseados.Sonincapacesdegenerarunasolucinporsimismosenelsentidode los modelos analticos; solo pueden servir como herramienta para el anlisis del comportamientodeunsistemaencondicionesespecificadasporelexperimentador.Portanto la simulacin es una teora, si no una metodologa de resolucin de problemas. Adems la simulacinessolounodevarios planteamientosvaliosospararesolverproblemasqueestn disponibles para el anlisis de sistemas. Pero Cundo es til utilizar la simulacin? Cuando existanunaomsdelassiguientescondiciones: 1. No existe una completa formulacin matemtica del problema o los mtodos analticos pararesolverelmodelomatemticonosehandesarrolladoan.Muchosmodelosdelneas deesperacorrespondenaestacategora. 2. Los mtodos analticos estn disponibles, pero los procedimientos matemticos son tan complejosydifciles,quelasimulacinproporcionaunmtodomssimpledesolucin. 3. Las soluciones analticas existen y son posibles, pero estn mas all de la habilidad matemtica del personal disponible El costo del diseo, la prueba y la corrida de una simulacindebeentoncesevaluarsecontraelcostodeobtenerayudaexterna. 4.Sedeseaobservareltrayectohistricosimuladodelprocesosobreunperodo,ademsde estimarciertosparmetros. 5. La simulacin puede ser la nica posibilidad, debido a la dificultad para realizar experimentos y observar fenmenos en su entorno real, por ejemplo, estudios de vehculos espacialesensusvuelosinterplanetarios. 6. Se requiere la aceleracin del tiempo para sistemas o procesos que requieren de largo tiempopararealizarse.Lasimulacinproporcionauncontrolsobreeltiempo,debidoaqueun fenmenosepuedeaceleraroretardarsegnsedesee. PROCESODESIMULACION
Antes de especificar los aspectos ms importantes que se presentan al formular problemas de simulacin, ser til definir esta. La simulacin es la utilizacin de un modelo de sistemas, que tiene las caractersticas deseadas de la realidad , a fin de reproducir la esencia de las operaciones reales. Tambin se le ha definido como una representacin de la realidad mediante el empleo de un modelo u otro sistema que reaccione de la misma manera que la realidad, en un conjunto de condiciones dadas. Ninguna de estas definiciones incluye todos requisitos fundamentales de esta, como son, el uso de los modelos matemticos, las computadoras, los procesos estadsticos o estocasticos, los casos las suposiciones y los cursos de accin alternativos. La definicin ms general y amplia de esta: una tcnica cuantitativa que utiliza un modelo matemtico computarizado para representar la toma real de decisiones bajo condiciones
Pag 31 de 98

de incertidumbre, con objeto de evaluar cursos alternativos de accin con base en hechos y suposiciones. La simulacin es til en la resolucin de problema de negocios cuando no se conocen parcialmente las variables con anticipacin y no existe una manera fcil de encontrar estos valores. El problema se parece que al de la secuencia, para la cual no se conoce una frmula ya elaborada por encontrar el ensimo (o ltimo) termin. El nico hecho conocido es una regla (relacin recursiva) que permite encontrar el siguiente trmino a partir de los ltimos. Bsicamente, la nica manera de descubrir el ensimo trmino es aplicando la misma regla una y otra vez hasta llegar a dicho trmino. La simulacin utiliza un mtodo para encontrar estos estados sucesivos en un problema, aplicando repetidamente las reglas bajo las que operan el sistema. Este eslabonamiento sucesivo de un estado particular con otros anteriores es una caracterstica importante de la simulacin. Generalmente, la simulacin implica la construccin de un modelo matemtico que describa el funcionamiento de sistema en cuanto a eventos y componentes individuales. Adems, el sistema se divide en los elementos y las interrelaciones de aquellos elementos de comportamiento previsible, al menos en funcin de una distribucin de probabilidades, para cada uno de los diversos estados del sistema y sus insumos. La simulacin es un medio de dividir el proceso de elaboracin de modelos en parte componentes ms pequeas y combinarlas en el orden natural o lgico. Lo que permite el anlisis en computadoras de los efectos de las interacciones mutuas entre esta. Debido al error estadstico, es imposible garantizar que se encontrar la respuesta ptima, no obstante la respuesta estar por lo menos prxima a la ptima si el problema se simula correctamente. En esencia, el modelo de simulacin realiza experimentos sobre los datos de una muestra ms que sobre el universo entero, ya que esto sera demasiado tardado, inconveniente y costoso. Planificar un proceso de simulacin requiere de los siguientes pasos: a) Formulacin del problema. b) Recolleccin y procesamiento de la informacin requerida. c) Formulacin del modelo matematico. d) Evaluacin de las caracteristicas de la informacin procesada. e) Formulacin de un programa de computadora. f) Validacin del programa de computadora. g) Diseo de experimentos de simulacin. h) Analisis de resultados y validacin de la simulacin. A continuacin se resumen las principales caractersticas asociadas a cada paso.
FORMULACIN DEL PROBLEMA

Generalmente un problema se presenta por sntomas, no por el diagnostico. Por lo que antes de generar soluciones en un sistema, se deben buscar el mayor numero de sntomas. Segn Acoff y Sasieni, las condiciones para que exista el mas simple de los problemas son: 1. Debe existir por lo menos un individuo que se encuentra dentro de un marco de referencia, el cual se puede atribuir el problema del sistema. 2. El individuo debe tener por lo menos un par de alternativas para resolver su problema, en caso contrario no existe tal problema.
Pag 32 de 98

3. Deben de existir por lo menos, un par de soluciones, una de las cuales debe tener mayor aceptacin que la otra en el individuo. En caso contrario, no existe el problema. Esta preferencia esta asociada a un cierto objetivo dentro del marco de referencia en donde se encuentra el individuo del sistema. 4. La seleccin de cualquiera de las soluciones debe repercutir de manera diferente en los objetivos del sistema, es decir existe una eficiencia y/o efectividad asociada con cada solucin. Estas eficiencias y/o efectividades deben ser diferentes, puesto que de lo contrario no existe problema. 5. Por ultimo le individuo que toma las decisiones ignora las soluciones y/o eficiencia y/o efectividades asociadas con las soluciones del problema. Si las cinco condiciones anteriores existen, entonces se tiene un problema. Esta situacin puede complicarse en los siguientes casos: El problema recae en un grupo, no en un individuo. El marco de referencia donde se encuentra el grupo, cambia en forma dinmica. El numero de alternativas que el grupo puede escoger es bastante grande, pero finito. El grupo dentro del sistema puede tener objetivos mltiples. Peor aun, no necesariamente estos objetivos son consistentes entre si. Las alternativas que selecciona el grupo son ejecutadas por otro grupo ajeno, al cual no se le puede considerar como elemento independiente del sistema. Los efectos de la decisin del grupo pueden sentirse por elementos que aun siendo ajenos al sistema considerando, influyen directa o indirectamente, favorable o desfavorablemente hacia el (poltico, consumidor, etc.).
a) b) c) d) e) f)
Para formular un problema se necesita la siguiente informacin: a) Existe un problema?. b) De quien es el problema?. c) Cual es el marco de referencia del sistema donde se encuentra el problema? d) Quien o quienes toman las decisiones? e) Cuales son sus objetivos?. f) Cuales son los componentes controlables del sistema y cuales no lo son?. g) Cuales son las interrelaciones ms importantes del sistema?. h) Como se emplearan los resultados del proyecto? Por quien? que efectos tendr? i) Las soluciones tendrn efecto a corto o largo plazo? j) Podrn los efectos de las soluciones modificarse o cambiarse fcilmente? k) Cuantos elementos del sistema se afectaran por las soluciones del proyecto? En qu grado?
FORMULAR UN PROBLEMA REQUIERE:
a) b) c) d)
Identificar las componentes controlables de un sistema. Identificar posibles rutas de accin dadas por las componentes, controlables. Definir el marco de referencia, dado por las componentes no controlables Definir los objetivos que se persiguen y clasificarlos por su orden de importancia.
Identificar las relaciones importantes entre las diferentes componentes del sistema, este paso equivale a encontrar las restricciones que existen, a la vez que permite ms adelante representar estas interrelaciones en forma matemtica.
Pag 33 de 98

La identificacin de la estructura del sistema (componentes, canales, interrelaciones, etc.), se hace a travs de un proceso sistemtico, que se conoce como diseo de sistemas. El diseo de sistemas se lleva a cabo de la siguiente manera: a) Se ubica al sistema considerando dentro de sistemas ms grandes. b) Se determinan las componentes del sistema. c) Se determinan los canales de comunicacin entre las componentes del sistema y de este hacia los elementos de otros sistemas que van a tener influencia directa o indirecta. d) Se determinan de que manera se tiene acceso a la informacin requerida como se procesa esta y como se transmite entre las diferentes componentes del sistema.
GENERACIN DE VALORES DE UNA VARIABLE ALEATORIA

INTRODUCCIN. Mtodos ms utilizados para generar nmeros aleatorios y pseudoaleatorios con computadora. Antes de continuar, es necesario establecer la siguiente terminologa. El trmino variable aleatoria se emplea para nombrar una funcin de valor real, definida sobre un espacio muestral asociado con los resultados de un experimento conceptual, de naturaleza azoroza. El valor numrico resultante de un experimento, de cada una de las variables aleatorias, se llama nmero aleatorio. Se utilizan letras maysculas para denotar las variables aleatorias y minsculas, para denotar valores de stas variables aleatorias y minsculas, para denotar valores de stas variables, es decir, para los nmeros aleatorios. Por ejemplo, F(x); la funcin de distribucin acumulada para una variable aleatoria X, indica la probabilidad de que X sea menor o igual al particular valor x de la funcin de probabilidad de la variable aleatoria X, cuando X= x.
TECNICAS PARA GENERAR NMEROS ALEATORIOS.
Se han venido usando cuatro mtodos alternativos para generar las sucesiones de nmeros aleatorios, estos son: Mtodos manuales Lanzamiento de monedas Lanzamiento de dados Barajas Dispositivos mecnicos Dispositivos electrnicos Ventajas: Son aleatorios Desventajas: No reproducibles
TABLAS DE BIBLIOTECA.
Son nmeros aleatorios que se han publicado; por ejemplo a Millon Random Digits, de la Corporacin Rand, de los cuales podemos encontrar listas de los en los libros de probabilidad y tablas de matemticas. Estos nmeros fueron generados por alguno de los mtodos de computacin analgica, los cuales mencionados a continuacin. Ventaja: Provienen de un fenmeno aleatorio y son reproducibles. Desventaja: No se obtiene en tiempo real.
MTODOS DE COMPUTACIN ANALOGICA
Los mtodos de computacin analgica dependen de ciertos procesos fsicos aleatorios (por ejemplo, el comportamiento de una corriente elctrica), por lo que se considera que conducen verdaderos nmeros aleatorios.
Pag 34 de 98

Ventaja: Aleatorios. Desventaja: No reproducible.
MTODOS DE COMPUTACIN DIGITAL

Se distinguen tres mtodos para producir nmeros aleatorio cuando se usa la computacin digital (computadoras), los cuales son: PROVISIN EXTERNA. Consiste en grabar en la memoria de la computadora, las tablas Randa, a fin de tratar estos nmeros como datos de entrada para un determinado problema.
GENERACIN POR MEDIO DE PROCESOS FSICOS ALEATORIOS.
Consiste en usar algn aditamento especial de la computadora, para registra los resultados de algn proceso aleatorio y adems, reduzca estas resultados a sucesiones de dgitos.
GENERACIN INTERNA POR MEDIO DE UNA RELACIN DE RECURRENCIA.
Consiste en generar nmeros pseudoaleatorios por medio de ecuaciones de rrecurrencia, en las que necesariamente se tiene que dar un valor inicial o semilla, para generar los siguientes valores. Vamos ha centrar nuestra atencin en este ltimo mtodo de computacin digital, y los describiremos ampliamente.
Ventaja: Son reproducibles.

Desventaja: Son pseudoaleatorios.
CARACTERISTICAS DE LOS NMEROS PSEUDOALEATORIOS
a) b) c) d)
Uniformemente distribuidos Estadsticamente independientes Reproducibles Sin repeticin dentro de una longitud determinada
METODOS QUE UTILIZAN ECUACUACIONES DE RECURRENCIA PARA GENERAR NUMEROS PSEUDOALEATORIOS.
Aqu describiremos los mtodos de generacin de nmeros pseudoaleatorios, usando ecuaciones de recurrencia.
METODOS DE GENERACIN DE NUM. PSEUDOALEATORIOS U(0,1).
-Mtodos congruenciales 69 reglas: C debe ser un entero impar, no divisible ni por 3 ni por 5 a usualmente puede ser cualquier constante sin embargo para asegurar buenos resultados, seleccione a de tal forma que (a) mod 8= 5 para una computadora binario a o (a) mod 200 = 21 para una computadora decimal. M debe ser el nmero entero ms grande que la computadora acepte De acuerdo con Hull y Debell, los mejores resultados par un generador congruencial mixto en una computadora binaria son: a = 8 * c3 c = cualquier entero r0 = cualquier entero impar (ni) m =2b donde b>2 y que m sea aceptado por la computadora
Pag 35 de 98

Si el modelo de simulacin es estocstico, la simulacin debe ser capaz de generar variables aleatorias no uniformes de distribuciones de probabilidad tericas o empricas. Lo anterior puede obtenerse si se cuenta con un generador de nmeros uniformes y una funcin que transforme estos nmeros en valores de la distribucin de probabilidad deseada. A este respecto, se han desarrollado una gran cantidad de generadores para las distribuciones ms comunes como; la distribucin normal, exponencial, Poisson, Erlang, Binomial, Gamma, Beta, F, t, 2.
LENGUAJE DE PROGRAMACION.
Las primeras etapas de un estudio de simulacin se refieren a la definicin del sistema a ser modelado y al descripcin del sistema en trminos de relaciones lgicas de sus variables y diagramas de flujo. Sin embargo, llega el momento de describir el modelo en un lenguaje que sea aceptado por la computadora que va utilizar (PC compatible). En esta etapa se tienen dos curso de accin a seguir si no se tiene nada de software de simulacin, que son: desarrollar el software requerido, o Comprar software (lenguaje de programacin d propsito especial). Para esta alternativa es necesario analizar y evaluar varios paquetes de simulacin (GPSS, GPSSH, PROMODEL SIMFACTORY, SLAM , MICROMANAGER, etc.) antes de tomar la decisin final.
CONDICIONES INICIALES.
La mayora de los modelos de simulacin estocstica se corren con la idea de estudiar al sistema en una situacin de estado estable. Sin embargo, la mayor parte de estos modelos presentan en su etapa inicial estados transigentes los cuales no son tpicos del estado estable. Por consiguiente es necesario establecer claramente las alternativas o cursos de accin que existen para resolver este problema. Algunos autores piensan que la forma de atacar este problema sera a travs de :
Usar un tiempo de corrida suficientemente grande de modo que los perodos transientes sean
relativamente insignificantes con respecto a la condicin de estado estable. Excluir una parte apropiada de la parte inicial de la corrida. Utilizar simulacin regenerativa.
Basado en la experiencia, de las tres alternativas presentadas, la que presenta menos desventajas es el uso de simulacin regenerativa. Las otras alternativas presentan las desventajas de ser prohibitivamente excesivas en costo.
METODO DE MONTECARLO
Las tcnicas de reduccin de variancia con frecuencia reciben el nombre de tcnicas de Monte Carlo (trmino que a veces se aplica a la simulacin en general). Como tienden a ser bastante elaboradas, no es posible explorarlas aqu con detalle, peso se intentar comunicar su esencia y el gran aumento en precisin que pueden proporcionar; se presentan dos de ellas en el siguiente ejemplo. Considrese la distribucin exponencial cuyo parmetro vale 1. Entonces, su funcin de densidad de probabilidad es f (x) = e-x , como se muestra en la figura 23.2, y su funcin de distribucin acumulada es F(x) = 1 - e-x. Se sabe que la media de esta distribucin es 1. Sin embargo, supngase que no se conoce esta media y que se quiere estimar por medio de simulacin. Para proporcionar una comparacin estndar entre las dos tcnicas de reduccin de variancia, considrese primero la simulacin directa a la que a veces se la tcnica de Monte Carlo cruda.
Pag 36 de 98

Este enfoque incluye la generacin de algunas observaciones aleatorias a partir de la distribucin bajo consideracin y despus el uso del promedio de estas observaciones para estimar la media. Como se describi en la seccin 23.2, estas observaciones aleatorias son: x = - in (1 - r), para i = 1, 2, . . . , n,
en donde r1, r2 ... , rn son numeros decimales aleatorios entre 0 y 1. Si se utiliza una parte de la tabla 23.4 para obtener 10 de estos nmeros aleatorios decimales, las observaciones aleatorias que se obtiene se muestran en la tabla 23.6 (estos mismos nmeros aleatorios se usan tambin para ilustrar las tcnicas de reduccin de variancia para agudizar la comparacin). Obsrvese que el promedio de los de la muestra es 0.779, encontraste con la media verdadera de 1.000. Sin embargo, como la desviacin estndar del promedio de la muestra resulta ser 1/n o 1/10 en este caso (como se puede estimar a partir de la muestra), ocurrir un error de esta magnitud o mayor al rededor de la mitad de las veces. Ms an, como la desviacin estndar de un promedio muestral siempre es inversamente proporcional a n, este tamao de mitad. Estos hechos desalentadores sugieren la necesidad de otras tcnicas que obtengan las estimaciones de una manera ms precisa y ms eficiente. La muestra tendra que cuadruplicarse para reducir esta desviacin estndar la tcnica de Monte Carlo bastante sencilla para obtener mejores estimaciones es el muestro estratificado. Existen dos desventajas en el enfoque de Monte Carlo crudo que se rectifican en el muestreo estratificado. Primero, por su naturaleza aleatoria, una muestra puede no proporcionar una seccin cruzada uniforme de la distribucin. Por ejemplo, la muestra aleatoria que se da en la tabla 23.6 no tiene observaciones entre 0.014 y 0.328, aun cuando la probabilidad de que una observacin aleatoria est dentro de este intervalo es mayor que 1/4. Segundo, ciertas partes de una distribucin puede ser ms crticas que otras para obtener una estimacin precisa, pero el muestreo aleatorio no da prioridades especiales para obtener las Tabla 23.6 Ejemplo para la tcnica de Monte Carlo cruda
Nmero aleatorio* r 0.495 0.335 0.791 0.469 0.279 0.698 0.013 0.761 0.290 0.693 Observacin aleatoria x = -In (1 - r) 0.684 0.408 1.568 0.633 0.328 1.199 0.014 1.433 0.343 1.183
i 1 2 3 4 5 6 7 8 9 10
Total = 7.793 Estimacin de la medida = 0.7 * En realidad, se agreg 0.0005 al valor indicado de la cada r., por lo que el intervalo de valores posibles sera de 0.0005 a 0.9995 y no de 0.000 a 0.999. observaciones de estas partes. Por ejemplo, la cola de una distribucin exponencial es particularmente crtica al determinar su media, pero el muestreo aleatorio que se da en la tabla 23.6 no incluye observaciones mayores que 1.568, aunque existe al menos una pequea probabilidad de valores mucho ms grandes. Esta explicacin es la razn bsica para que este
Pag 37 de 98

estratificado vence estas dificultades al dividir la distribucin en partes llamadas estratos, en donde cada estrato se muestra por separado, con lo que se obtiene un muestreo desproporcionado, ms denso en los estratos ms crticos. A manera de ilustracin, supngase que la distribucin se divide en tres estratos en la forma en que se muestra en la tabla 23.7, Estos estratos se eligieron de manera que correspondieran en forma aproximada a los intervalos de 0 a 1, de 1 a 3 y de 3 a infinito. Con el fin de asegurar que las observaciones aleatorias generadas para cada estrato de hecho queden en esa parte de la distribucin, los nmeros aleatorios decimales se deben transformar al intervalo indicado para f(x), como se muestra en la tercera columna de la tabla 23.7. El nmero de observaciones que deben generarse para cada estrato est dado en la cuarta columna.1 La ltima columna representa entonces la ponderacin de la muestra (la fraccin de la muestra total que sale de cada estrato) a la proporcin de la distribucin (la probabilidad de que una observacin aleatoria caiga dentro del estrato.) Estas ponderaciones de la muestra son un reflejo de la importancia relativa de los respectivos estratos al determinar la media. Dada la formulacin de muestreo estratificado que se muestra en la tabla 23.7, los mismos nmeros aleatorios que se usaron en la tabla 23.6 dan las observaciones que se muestran en la quinta columna de la tabla 23.8 no obstante, no sera correcto usar el promedio no ponderado de ests observaciones para estimar la media, ya que ciertas partes de la distribucin se han maestreado ms que otras. En consecuencia, antes de obtener el promedio se dividen las observaciones de cada estrato entre el peso de la muestra para ese estrato para dar ponderaciones proporcionales a las distintas partes de la distribucin. Estos se muestra en la ltima columna de la tabla 23.8. El promedio ponderado de 0.948 que se obtiene proporciona la estimacin de la media que se busca.
f (x) 1 f (x) = e-z
El mtodo de Montecarlo sugiere el empleo de la rueda o de los datos, se utilizan nmeros aleatorios. Este mtodo puede resolver problemas dependientes de la probabilidad en la que la experimentacin fsica es impracticable y la creacin de una frmula exacta. Bsicamente, se estudian problemas con una larga frecuencia de pasos o eventos determinados por la probabilidad aunque pueden escribirse frmula matemtica para probabilidad de un paso un evento dado, a menudo resulta imposible escribir una ecuacin til para la probabilidad de todos los pasos o eventos. El mtodo de Montecarlo es una simulacin con tcnicas de muestreo, es decir, en vez de sacar muestra de una poblacin real, se obtienen de duplicado terico de la misma. El mtodo implica la determinacin de distribucin de la probabilidad de las variables en estudio y despus de muestreo tomado de esta distribucin promedio de nmeros aleatorios para obtener datos.
Pag 38 de 98

Hecho, un grupo de nmeros aleatorios generar un grupo de valores que tienen las mismas caractersticas de distribucin que la poblacin real.
APLICACIONES DE LA SIMULACIN
Existe una gran cantidad de reas donde la tcnica de simulacin puede ser aplicada. Algunos ejemplos podran ser los siguientes: Simulacin de un sistemas de colas. Con la tcnica de simulacin es posible estudiar y analizar sistemas de colas cuya representacin matemtica sera demasiado complicada de analizar. Ejemplos de estos sistemas seran aquellos donde es posible la llegada al sistema en grupo, la salida de la cola del sistema, el rehusar entrar al sistema cuando la cola es excesivamente grande, etc. Simulacin de sistemas de inventarios. A travs de simulacin se puede analizar ms fcilmente sistemas de inventarios donde todos sus parmetros(tiempo de entrega, demanda, costo de llevar inventario, etc.), son estocsticos. Simulacin de un proyecto de inversin. Existen en la prctica una gran cantidad de proyectos de inversin donde la incertidumbre con respecto a los flujos de efectivo que el proyecto genera a las tasas de inters, a las tasas e inflacin, etc., hacen difcil y a veces imposible manejar analticamente este tipo de problemas. Para este tipo de situaciones el uso de simulacin es ampliamente recomendado. Simulacin de sistemas econmicos. La tcnica de simulacin puede ser utilizada para evaluar el efecto de cierto tipo de decisiones (devaluacin de la moneda, el impuesto al valor agregado, etc.), en las dems variables macroeconmicas como: producto nacional bruto, balanza comercial, inflacin, oferta monetaria, circulante, etc. Simulacin de estados financieros. La expansin y diversificacin de una organizacin a travs de la adquisicin y establecimiento de nuevas empresas, repercuten significativamente en su posicin y estructura financiera. Por consiguiente, el uso de simulacin permite analizar cul de las estrategias de crecimiento son las que llevaran a la organizacin al logro de sus objetivos y metas de corto, mediano y largo plazo. Simulacin de juegos de azar. Se pueden hacer predicciones sobre los resultados de un juego en particular, por ejemplo mlate, tris, etc. donde las variables involucradas son estocsticas.
SISTEMA DE COLAS LNEAS DE ESPERA

DEFINICIN Y NOTACIN La lnea de espera en su concepto ms simple se forma por la llegada aleatoria de clientes que entran a un establecimiento a recibir un servicio proporcionado por un servidor. La naturaleza de los clientes, el establecimiento y los servicios varios con la organizacin de que se trate. La teora de lneas de espera tiene los siguientes objetivos: a) Caracterizar cuantitativamente y cualitativamente los siguientes objetivos b) Determinar los niveles adecuados de ciertos parmetros del sistema que balancean el costo social de la espera con el costo asociado el consumo de recursos.
La cuantificacin de una lnea de espera se puede hacer a travs de un anlisis matemtico o de un proceso de simulacin.
Pag 39 de 98

ESTRUCTURA BSICA DE UNA LNEA DE ESPERA Una lnea de espera esta construida por un cliente que requiere de un servicio (proporcionado por un servidor) en un determinado perodo. Los clientes entran aleatoriamente al sistema y forman una o varias colas (o lneas de espera) para ser atendidos. Si el servidor esta desocupado, de acuerdo a ciertas reglas preestablecidas, conocidas con el nombre de disciplina del servicio, se proporciona el servicio a los elementos de cola. Mi cliente ser atendido en un perodo determinado de tiempo, llamado tiempo de servicio. Al finalizar este, el cliente abandona el sistema. Los clientes que se forman en una cola lo hacen en un rea de espera. Las lneas de espera se pueden clasificar de acuerdo a: a) El nmero de clientes que pueden esperar en la cola. Estos pueden ser finitos o infinitos. b) La fuente que genera la poblacin de cliente. Esta puede tener una produccin finita o infinita (no confundir la poblacin que espera, que tambin puede ser finita o infinita). c) A la manera como esperan los clientes (en una cola o en varias, con o sin opcin a cambiar de cola). d) El tiempo transcurrido entre la llegada de un cliente y al inmediatamente anterior. e) El tiempo de servicio. Este intervalo de tiempo puede ser una constante o una variable aleatoria, dependiente o independiente, cuya distribuxin de probabilidad se puede o no conocer. Se dice que el tiempo de servicio es dependiente, cuando vara (se alargue o se acorta) por factores de presin del sistema (por ejemplo, las quejas de la gente que espera); es independiente cuando la duracin del servicio no se afecta por este tipo de presiones. f) La disciplina de la cola. Se refiere al orden lgico de clientes en la cola u determina que cliente se atendrn cuando un servidor este libre. Polticas de ordenamiento FIFO. Primero en llegar, primero en ser atendido. LIFO. Ultimo en llegar primero en ser atendido SIRO. Servicio en orden aleatorio SPT. Primero el proceso con el perodo de tiempo ms corto. PR. Servicios de acuerdo a prioridad. g) El nmero de servidores, uno o ms h) La estructura de las estaciones de servicio. Estas pueden estar en serie, en paralelo o mixtas. i) La estabilidad del sistema. Que puede ser estable o transitoria. 1. 2. 3. 4. 5. 6. Una cola - un servidor Una cola - servidores mltiples en paralelo. Filas mltiples - servidores mltiples en paralelo con cambio de colas Filas mltiples - servidores mltiples en paralelo con cambio de colas Una fila - servidores mltiple en serie Filas mltiples - servidores mltiples un sistema abierto.
NOMENCLATURA DE LAS DIFERENTES LNEAS DE ESPERA El investigador britnico P.kendal introdujo en 1953 una notacin pragmtica para las diferentes lneas de espera la notacin tiene la siguiente forma general: (a / b / c ) : ( d / e / f )
Pag 40 de 98

donde: a: Distribucin de llegada b: Distribucin del servicio c: Numero de servidores en paralelo en el sistema. d: Disciplina del servicio. e: Mximo nmero de clientes que pueden estar en el sistema (esperando y recibiendo servicio) f: Fuente de generacin de clientes.
SE UTILIZAN LOS SIGUIENTES CDIGOS PARA LOS SMBOLOS a y b:

M: Llegada con distribucin de Poinsson y servicio distribuido exponencialmente. D: Llegada o servicio determinado. E: Llegada y servicios distribuidos respectivamente con distribucin de Frlang y Gama. GI: Llegada con una distribucin general independiente. G: servicios con una distribucin general independiente. Para el smbolo d se utiliza el siguiente cdigo: FCFS o FIFO: Primero en llegar primero en ser atendido LCFC o LIFO: Ultimo en llegar, primero en ser atendido. SIRO: Servicio en orden aleatorio SPT: Primero el proceso con el periodo de tiempo ms corto RPP: Servicio prioritario abortivo. GD: Disciplina general de servicio. NOTACIN DE LA TEORA DE LNEAS DE ESPERA En forma resumida se tiene la siguiente notacin: : Nmero promedio de llegadas al sistema por unidad de tiempo. : Nmero promedio de llegadas al sistema por unidad de tiempo = /: Factor de utilizacin del sistema con un servidor. S: Nmero de servidores en el sistema. s= /(S): Factor de utilizacin de un sistema con servidores mltiples. Ts:: Esperanza (valor esperado) del tiempo de espera para que se proporcione servicio a la ultima llegada de la cola. Ts:: Esperanza (valor esperado) del tiempo de espera para que la ultima llegada de la cola abandone el sistema una vez que se haya proporcionado el servicio. 1/: Tiempo promedio que transcurre entre dos llegadas consecutivas. /: Nmero esperado de llegadas de nuevos clientes por unidad de tiempo, cuantas en el existen "n" en el sistema. 0:: Nmero esperado de servicios por unidad de tiempo cuando existen "n" clientes en el sistema. Representan la tasa combinada de servicios a la cual trabajan todos los servidores ocupados. L: Valor esperado del nmero de gentes formadas en la cola. W: Valor esperado del numero de gentes en el sistema, es decir, esperando en la cola y recibiendo un servicio. P0(t): Probabilidad de que en el momento "t" de arriba a la cola se encuentren "m" personas en el sistema "S", recibiendo servicio, en el caso de S(S a 1) servidores, y "m - s" formados en la cola. P0(t): Probabilidad de que en el momento "t" de arriba a la cola al sistema se encuentre vaco.
Pag 41 de 98

C0: Nmero esperado de clientes que no requieren de un servicio en el momento de arribar al sistema (solo tiene sentido para el caso de poblacin finita) s: Utilizacin promedio de cada uno de los "S" servidores (S a 1), dada en porcentaje de y tiempo. FORMULACIN PARA UNA COLA, UN SERVIDOR Y POBLACIN INFINITA M / M /1 = P0 (t ) =
Pm (t ) = p m (1 p)
Pm (t ) = P0 (t )
m
2 ( ) W = Ts = ( )
L=
T w= Ts +
todas las expresiones anteriores permiten calcular: a) la probabilidad que el nmero de gentes en el sistema W sea mayor a Z.
P (W > Z ) = p ( z +1)
b) la probabilidad que la espera total en la cola Ts sea mayor a g unidades de tiempo.
P(Ts > g ) = pe (1 p ) g
c) La probabilidad que la espera total en el sistema Ts sea mayor a g unidades de tiempo. P (Tw > h) = e (1 p ) h
MODELOS DE LNEAS DE ESPERA
UNA COLA DES SERVIDORES MLTIPLES EN PARALELO M/M/C/ POLTICAS Se sirve a los clientes en orden de llegada El servicio lo proporciona el primer servidor que este desocupado Todos los servidores estn desocupados al principio y se irn ocupando en forma progresiva. Se observa que cuando el nmero de elementos (m) en la cola y en las estaciones de servicio es mayor que el nmero de servidores (S) se tiene (m>s). S>1; S servidores en paralelo.
Pag 42 de 98

1 LLEGADAS CUENTES ATENDIDOS
Al igual que en M/M/1( / ) <1, en M/M/C se requiere que se cumpla quiere decir que la lnea de espera no tiende a crecer sin freno. Factor de utilizacin=
SERVIDORES
[ / (S )]<1.
lo cual
[ / (S )]<1.
1
s 1 1 m 1 s S Po(t ) = + S ! ( S ) m =0 m!
Po(t ) Pm(t ) = m!
M
.....................................................1
para
m S .......................................................2a
Po(t ) Pm(t ) = ( m g ) S!S
para
m>S ...................................................2b
s L= Po(t ) ( S 1)!( S ) 2
.........................................................................3
W =L+
...........................................................................................................4
Ts =
...............................................................................................................5
Pag 43 de 98

Tw = Ts +
....................................................................................................6
UNA COLA SERVIDORES MLTIPLES EN PARALELOS POBLACIN INFINITA M/M/C, Ejemplo No. 1 se suponga que en el cruce fronterizo de Mxico y estados Unidos , localizado entre las poblaciones de Piedras Negras Coahuila, y Eagle pass, Texas, existe un puente sobre el ri bravo con dos lneas de trafico, una en direccin de Mxico Estados unidos y la otra en sentido contrario. La lnea de trafico de los Estados Unidos a Mxico se difurca a 5 garitas de inspeccin migratoria y aduanera. Suponga que las llegadas de automviles tienen una distribucin de poison con igual a 15 llegadas por hora, mientras que el numero de servicios tiene una distribucin exponencial negativa con igual a 8 servicios por hora. Por decreto gubernamental, no existe prioridad de trato, as que las garitas migratorias y aduaneras proporcionan servicio en la medida que se desocupan, y se atiende el primer trmino el primer automvil de la cola y as sucesivamente.
MODELOS DE LNEA DE ESPERA

EJEMPLO NO. 1 (M/M/1 POBLACIN INFINITA) Petrleos Mexicanos estudia la utilizacin de la gasolinera que se encuentra en el km. 70 de la carretera Estatal Toluca-Valle, en el Estado de Mxico. La gasolinera tiene 6 bombas, 4 para gasolina nova, 1 para gasolina extra y otra para diesel. Las llegadas de autobuses que cargan diesel muestran una distribucin que se aproxima a la de poison, mientras que el servicio muestra una distribucin exponencial. El promedio de llegadas a la bomba diesel es de 5 autobuses por hora, mientras que los servicios promedios de una hora son de 7 por hora. Solo se puede dar servicio en esa bomba a un autobs a la vez, y si sirve a los autobuses en el orden en que llegan a la bomba. Encuentre todos los parmetros que describan cuantitativamente a esta bomba diesel, para que posteriormente, se pueda tomar una decisin de la instalacin de otras bombas diesel en ese lugar.
Despus de haber obtenido todos los parmetros, considere que cada autobs de la lnea El Saltiti de Mota S.A.
LENGUAJES Y PAQUETES DE SIMULACION

SIMAN V, SIMSCRIPT 11.5, y SLAM II.
Pag 44 de 98

Son lenguajes de simulacin de alto nivel. Estos se disearon especialmente para facilitar el modelo figura-mg. Estos lenguajes le proporcionaran una opcin de orientaciones al analista de simulacin. MODSIM III. Son el descendiente de un idioma que la CACI Productos Compaa disea originalmente para el Ejercito Americano. Hereda mucha de su sintaxis Modula-2 y Ada, ciertos rasgos de Ada y sus conceptos de la simulacin de SIMSCRIPT y Simula. SIMAN V. Es dedicado a la simulacin del modelado y el anlisis. Simulacin en SIMSCRIPT 11.5. De la CACI Productos Compaa, es un idioma que les permite a modelos ser construidos a que el proceso-orienta o el evento-orienta. El microprocesador y las versiones de workstation incluyen la animacin de SIMGRAPHICS y paquete de los grficos. SIMSCRIPT puede ser acostumbrado a producir grficos de calidad de presentacin dinmicos o estticos como histogramas, el pastel traza, construya mapas y parcelas de tiempo de variables. La animacin del rendimiento de la simulacin que tambin usa SIMGRAPHICS se construye. El generador del informe SIMSCRIPT ilustra medios para los informes generadores. SLAM II. Comercializado por Corporacin de Pritsker de Indiana, el lenguaje de simulacin es de alto nivel con FORTRAN y versiones de C. SLAM II que permiten un evento de planificacin u orientacin de los procesos, o una combinacin de ambos acercamientos. El analista de la simulacin desarrolla una red que consiste en nodos y ramas, representando los procesos pictricamente BIRF el sistema. Se llaman objetos a las entidades que fluyen a travs del sistema. La red es entonces transitada por declaraciones reconocidas por la computadora y usa SLAMSYSTEM en formato de texto por el analista de la simulacin. Simulacin en MODSIM III. El propsito general del lenguaje de programacin de simulacin es el de orientacin de objetos. Es un lenguaje compilado que es muy porttil. La sintaxis y estructura estn basados en OB MODULA-2. Construir las estructuras a orientacin de objetos incluyen sola y mltiple herencia, encuadernacin dinmica de objetos, polymorphism, encapsulacion, abstraccin de los datos y ocultacin de informacin. El idioma le permite una interface a C para que extendiendo bibliotecas de fuente de C y cdigo del objeto puedan ser incluidos programas MODSIM III, interfaces con el animador de CACI SIMGRAPHIS II. AUTOMOD. AutoMod, de AutoSimulations, Inc, combina los rasgos en general donde el idioma de simulacin propone y tiene un propsito especial el simulador del manejo de material. Tiene rasgos de la programacin generados incluso la especificacin de procesos y procedimientos del proceso, recursos, cargas, colas y variables. GPSS. Es altamente estructurado, GPSS puede ser acostumbrado a modelar una situacin donde las sanciones sigan a travs de un sistema. El bloque se prepara en una computadora reconocida junto con las declaraciones de mando y a la simulacin realizada por procesador.
Pag 45 de 98

El GPSS fue iniciado por IBM en el ao de 1961. El GPSS/H es flexible y es una poderosa herramienta de simulacin.
SIMULADORES DE APLICACIN EFECTIVA.
SIMFACTORY 11.5.
Es un simulador de la fabrica escrito por SIMSCRIPT 11.5 y MODSIM III a BIRF III para ingenieros que no son que no tienen mucho tiempo en el anlisis de simulacion. Un sistema fcil en SIMFACTORY 11.5 puede planearse rpidamente. Un modelo se construye mejor por fases definiendo el esquema que consiste en estaciones de proceso, pulidores, reas de receiv-mg y caminos de transporte. Primero se definen los productos, despus los recursos, prximamente los transportadores y finalmente las interrupciones.
El flujo planeado flexible se apoya.
PROMODEL. En ProModel, de la Corporacin de ProModel, un modelo es construido defin-ing una ruta para una parte o partes, definiendo las capacidades de cada una de las situaciones a lo largo y definen recursos adicionales como operadores o adornos, definiendo el sistema del manejo del material, fijndose en las llegadas de la parte, y especificando los parmetros de la simulacin. El software entonces sugiere al usuario como definir el esquema y los elementos dinmicos en la simulacin. Algunos rasgos de ProModel son: 7. Proporciona interfaces intuitivas, dialogo interactivo y ayudas de online. 8. Sincronizacin e intercambio de los datos. 9. Se ofrece un tamao casi ilimitado. 10. El simulador ofrece a un 2-D editor de los grficos para descascarar y rodar. Pueden definirse iconos o usar un vector basado en grficos de pixel. Estos iconos se ahorran tiempo para la animacin rpida durante la simulacin. 11. Pueden importarse dibujos como Clipart asi como la informacion del proceso y horarios. 12. Se integra el modelo de la simulacion y animacion. 13. Se proporcionan grficos del rendimiento comercial automticamente y pueden imprimirse de color. 14. Se proporcionan estructuras de Preprogramacion. Esto permite planear rpidamente la multiunidad y situaciones de multi-capacidad, recursos compartidos y mviles, el abajo-tiempo, cambios y para que OB. 15. Las estadsticas automticas estn disponibles. 16. Los submodelos permiten la creacin de una biblioteca de plantillas de pasos de trabajo, actividades o subalternos procesos que pueden reusarse. TAYLOR II. Es un producto holands desarrollado por simulaciones de F&H B.V. UN BIRF Taylur. Consiste en cuatro entidades fundamentales: elementos, trabajos, asignaciones de ruta e investigar productos. Los tipos del elemento son: maquina, el pulidor, portador, transporta, camino, ayuda y deposito. Uno o ms funcionamientos pueden tener lugar a un elemento. ARENA. De los sistemas de Corporacin Modelada, es una simulacion extensible y paquete de la animacion. Se piensa que proporciona el poder de SIMAN, aquellos que aprendieron ese lenguaje es pesado asi como el uso de las herramientas usadas por desarrolladores de SIMAN. Asuma que una persona, es un analista de simulacion, quiere usar SIMAN. Actualmente el o ella debe entender que los bloques se usaron en el modelo y los elementos que usaron en el marco
Pag 46 de 98

del experimento para proceder. Usando las plantillas de solucin de aplicacin de ARENA, el usuario podra extraer un modulo, ponindolo en una situacin apropiada y parametrice el idioma de SIMAN. Se piensa que la ARENA aumenta su funcionalidad para l. VENTAJAS Y DESVENTAJAS DE LOS LENGUAJES DE SIMULACION VENTAJAS Thomas H. Naylor ha sugerido que un estudio de simulacin es muy recomendable porque presenta las siguientes ventajas: - A travs de un estudio de simulacin, se puede estudiar el efecto de cambios internos y externos del sistema, al hacer alteraciones en el modelo del sistema y observando los efectos de esas alteraciones en el comportamiento del sistema. - Una observacin detallada del sistema que se est simulando puede conducir a un mejor entendimiento del sistema y por consiguiente a sugerir estrategias que mejoren la operacin y eficiencia del sistema. - Simulacin puede ser utilizada como un instrumento pedaggico para ensear a estudiantes habilidades bsicas en anlisis estadstico, terico, etc. - La simulacin de sistemas complejos puede ayudar a entender mejor la operacin del sistema, a detectar las variables ms importantes que interactan en el sistema y a entender mejor las interrelaciones entre estas variables. - La tcnica de simulacin puede ser utilizada para experimentar con nuevas situaciones sobre las cuales se tiene poca o ninguna informacin. A travs de esta experimentacin se puede anticipar mejor a posibles resultados no previstos. - La tcnica de simulacin se puede utilizar tambin para entrenamiento de personal. En algunas ocasiones se puede tener una buena representacin de un sistema ( como por ejemplo los juegos de negocios ), y entonces a travs de l es posible entrenar y dar experiencia a cierto tipo de personal. - Cuando nuevos elementos son introducidos en un sistema, la simulacin puede ser usada para anticipar cuellos de botella o algn otro problema que puede surgir en el comportamiento del sistema. - Los sistemas los cuales son sujetos de investigacin de su comportamiento no necesitan existir actualmente para ser sujetos de experimentacin basados en la simulacin. Slo necesitan existir en la mente del diseador. - El tiempo puede ser compresado en los modelos de simulacin. El equivalente de das, semanas y meses de un sistema real en operacin frecuentemente pueden ser simulados en solo segundos, minutos u horas en una computadora. Esto significa que un largo nmero de alternativas de solucin pueden ser simuladas y los resultados pueden estar disponibles de forma breve y pueden ser suficientes para influir en la eleccin de un diseo para un sistema. - En simulacin cada variable puede sostenerse constante excepto algunas cuya influencia esta siendo estudiada. Como resultado el posible efecto de descontrol de las variables en el
Pag 47 de 98

comportamiento del sistema necesitan no ser tomadas en cuenta. Como frecuentemente debe ser hecho cuando el experimento est desarrollado sobre un sistema real. - Es posible reproducir eventos aleatorios idnticos mediante una secuencia de nmeros aleatorios. Esto hace posible usar las tcnicas de reduccin de varianza para mejorar la precisin con la cual las caractersticas del sistema pueden ser estimadas para dar un valor que refleje el esfuerzo de la simulacin.
DESVENTAJAS
Algunas desventajas importantes de la tcnica de simulacin son: - Falla al producir resultados exactos. Se supone que un sistema esta compuesto de uno o ms elementos que estn sujetos a un comportamiento al azar. Cuando una simulacin es desarrollada con un modelo sistema, los valores de cada variable son registrados y los promedios de estos valores son dados en una postsimulacin. Pero el promedio en una muestra de observacin solo a veces provee un estimado de lo esperado, es decir, una simulacin solo provee estimados, no resultados exactos. - Fallas al optimizar. La simulacin es usada para contestar preguntas del tipo Qu pasa si? pero no de Qu es lo mejor? . En este sentido, la simulacin no es una tcnica de optimizacin. La simulacin no genera soluciones, solo evala esas que han sido propuestas. - Largo tiempo de conduccin. Un estudio de simulacin no puede ser conducido o llevado a cabo en solo un fin de semana. Meses de esfuerzo pueden ser requeridos para reunir informacin, construir, verificar y validar modelos, disear experimentos y evaluar e interpretar los resultados. - Costos para proveer capacidad de simulacin. El establecimiento y mantenimiento de capacidad de simulacin, implica el tener el mejor personal, software, hardware, entrenamiento y otro tipo de costos.
S IMULACIN MTODO MONTE CARLO

Simulacin : es el proceso de disear y desarrollar un modelo computarizado de un sistema o
proceso y conducir experimentos con este modelo con el propsito de entender el comportamiento del sistema o evaluar varias estrategias con las cuales se puede operar el sistema (Shannon Robert)
Modelo de simulacin: conjunto de hiptesis acerca del funcionamiento del sistema expresado como relaciones matemticas y/o lgicas entre los elementos del sistema. Proceso de simulacin: ejecucin del modelo a travs del tiempo en un ordenador para generar
muestras representativas del comportamiento.
Mtodos de simulacin
Simulacin estadstica o Monte Carlo: Est basada en el muestreo sistemtico de variables aleatorias. Simulacin continua: Los estados del sistema cambian continuamente su valor. Estas simulaciones se modelan generalmente con ecuaciones diferenciales. Simulacin por eventos discretos: Se define el modelo cuyo comportamiento vara en instantes del tiempo dados. Los momentos en los que se producen los cambios son los que se identifican como los eventos del sistema o simulacin.
Pag 48 de 98

Simulacin por autmatas celulares: Se aplica a casos complejos, en los que se divide al comportamiento del sistema en subsistemas ms pequeos denominadas clulas. El resultado de la simulacin est dado por la interaccin de las diversas clulas.
Etapas del proceso de simulacin
Definicin, descripcin del problema. Plan. Formulacin del modelo. Programacin . Verificacion y Validacin del modelo. Diseo de experimentos y plan de corridas. Anlisis de resultados Diagrama de flujo del modelo de simulacin Lenguajes de simulacin Simulacin Continua: 1130/CSMP, 360 CSMP y DYNAMO, MISTRAL Simulacin a Eventos Discretos: GPSS, SIMSCRIPT, SDL/SIM. Para casos simples podemos recurrir a la utilizacin de planillas de clculo. Tambin podemos implementar aplicaciones en los lenguajes Fortran, C++, Java, Dephi,.
Por qu Simulacin Investigacin Operativa?
en
que puedan ocurrir. La simulacin constituye una tcnica econmica que nos permite ofrecer varios escenarios posibles de un modelo del negocio, nos permite equivocarnos sin provocar efectos sobre el mundo real. Podemos afirmar entonces, que la simulacin es una rama experimental dentro de la Investigacin Operativa. Nmeros aleatorios Deben tener igual probabilidad de salir elegidos. No debe existir correlacin serial Se generan por tablas (Rand 1955), o por dispositivos especiales: ruleta. En la prctica se utilizan algoritmos y se generan nmeros pseudo aleatorios. Nmeros Pseudo aleatorios Sustituyen a los nmeros aleatorios. Se generan por algoritmos o frmulas. Se debe asegurar la existencia de secuencias largas y densas. Generacin de Nmeros Pseudo aleatorios Centros Cuadrados: _ 442 = 1936 _ 93 Mtodos Congruenciales: _ xn =(axn-1 + c) (mod m Transformacin Inversa
Pag 49 de 98
Los responsables de la toma de decisiones necesitan informacin cuantificable, sobre diferentes hechos

_ x=F-1(x) siendo F(x)=Prob(X<=x)
S IMULACIN MONTE CARLO

Los mtodos de Monte Carlo abarcan una coleccin de tcnicas que permiten obtener soluciones de problemas matemticos o fsicos por medio de pruebas aleatorias repetidas. En la prctica, las pruebas aleatorias se sustituyen por resultados de ciertos clculos realizados con nmeros aleatorios.
INTRODUCCIN
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 problemas matemticos haciendo experimentos con muestreos estadsticos en una computadora. El mtodo es aplicable a cualquier tipo de problema, ya sea estocstico o determinstico. Generalmente en estadstica los modelos aleatorios se usan para simular fenmenos que poseen algn componente aleatorio. Pero en el mtodo Monte Carlo, por otro lado, el objeto de la investigacin es el objeto en s mismo, un suceso aleatorio o pseudo-aleatorio se usa para estudiar el modelo. A veces la aplicacin del mtodo Monte Carlo se usa para analizar problemas que no tienen un componente aleatorio explcito; en estos casos un parmetro determinista del problema se expresa como una distribucin aleatoria y se simula dicha distribucin. Un ejemplo sera el famoso problema de las Agujas de Bufn. La simulacin de Monte Carlo tambin fue creada para resolver integrales que no se pueden resolver por mtodos analticos, para solucionar estas integrales se usaron nmeros aleatorios. Posteriormente se utiliz para cualquier esquema que emplee nmeros aleatorios, usando variables aleatorias con distribuciones de probabilidad conocidas, el cual es usado para resolver ciertos problemas estocsticos y determinsticos, donde el tiempo no juega un papel importante.
HI STORIA
El mtodo fue llamado as por el principado de Mnaco por ser ``la capital del juego de azar'', al tomar una ruleta como un generador simple de nmeros aleatorios. El nombre y el desarrollo sistemtico de los mtodos de Monte Carlo datan aproximadamente de 1944 con el desarrollo de la computadora. Sin embargo hay varias instancias (aisladas y no desarrolladas) en muchas ocasiones anteriores a 1944. El uso real de los mtodos de Monte Carlo como una herramienta de investigacin, proviene del trabajo de la bomba atmica durante la Segunda Guerra Mundial. Este trabajo involucraba la simulacin directa de problemas probabilsticos de hidrodinmica concernientes a la difusin de neutrones aleatorios en material de fusin. An en la primera etapa de estas investigaciones, John von Neumann y Stanislao Ulam refinaron esta curiosa ``Ruleta rusa'' y los mtodos``de divisin''. Sin embargo, el desarrollo sistemtico de estas ideas tuvo que esperar el trabajo de Harris y Herman Kahn en 1948. Aproximadamente en el mismo ao, Fermi, Metropolos y Ulam obtuvieron estimadores para los valores caractersticos de la ecuacin de Schrdinger para la captura de neutrones a nivel nuclear. Alrededor de 1970, los desarrollos tericos en complejidad computacional comienzan a proveer mayor precisin y relacin para el empleo del mtodo Monte Carlo. La teora identifica una clase de problemas para los cuales el tiempo necesario para evaluar la solucin exacta al problema crece con la clase, al menos exponencialmente con M. La cuestin a ser resuelta era si MC pudiese o no estimar la solucin al problema de tipo intratable con una adecuacin estadstica acotada a una complejidad temporal polinomial en M. Karp(1985) muestra esta propiedad para estimar en una red plana multiterminal con arcos fallidos aleatorios. Dyer(1989) utiliza MC para estimar el volumen de un convex body en el espacio Euclidiano M-dimensional. Broder(1986), Jerrum y Sinclair (1988)
Pag 50 de 98

establecen la propiedad para estimar la persistencia de una matriz o en forma equivalente, el nmero de matching perfectos en un grafo bipartito.
ALGORITMOS
El algoritmo de Simulacin Monte Carlo Crudo o Puro est fundamentado en la generacin de nmeros aleatorios por el mtodo de Transformacin Inversa, el cual se basa en las distribuciones acumuladas de frecuencias: Determinar la/s V.A. y sus distribuciones acumuladas(F) Generar un nmero aleatorio uniforme (0,1). Determinar el valor de la V.A. para el nmero aleatorio generado de acuerdo a las clases que tengamos. Calcular media, desviacin estndar error y realizar el histograma. Analizar resultados para distintos tamaos de muestra. 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 Las principales caractersticas a tener en cuenta para la implementacin o utilizacin del algoritmo son: El sistema debe ser descripto por 1 o ms funciones de distribucin de probabilidad (fdp) Generador de nmeros aleatorios: como se generan los nmeros aleatorios es importante para evitar que se produzca correlacin entre los valores muestrales. Establecer lmites y reglas de muestreo para las fdp: conocemos que valores pueden adoptar las variables. Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo a simular. Estimacin Error: Con que error trabajamos, cuanto error podemos aceptar para que una corrida sea vlida? Tcnicas de reduccin de varianza. Paralelizacin y vectorizacin: En aplicaciones con muchas variables se estudia trabajar con varios procesadores paralelos para realizar la simulacin.
EJEMPLO PRACTICO I
Tenemos la siguiente distribucin de probabilidades para una demanda aleatoria y queremos ver que sucede con el promedio de la demanda en varias iteraciones: Utilizando la distribucin acumulada (F(x) es la probabilidad que la variable aleatoria tome valores menores o iguales a x) podemos determinar cual es el valor obtenido de unidades cuando se genera un nmero aleatorio a partir de una distribucin continua uniforme. Este mtodo de generacin de variable aleatoria se llama Transformacin Inversa.
Pag 51 de 98

Generando los valores aleatorios vamos a ver como se obtiene el valor de la demanda para cada da, interesndonos en este caso como es el orden de aparicin de los valores. Se busca el nmero aleatorio generado en la tabla de probabilidades acumuladas, una vez encontrado ( si no es el valor exacto, ste debe se menor que el de la fila seleccionada pero mayor que el de la fila anterior), de esa fila tomada como solucin se toma el valor de las unidades (Cuando trabajamos en Excel debemos tomar el lmite inferior del intervalo para busca en las acumuladas, para poder emplear la funcin BUSCARV(), para 42 sera 0, para 43 0,100001 y as sucesivamente). Ejemplo: Supongamos que el nmero aleatorio generado sea 0,52, a qu valor de unidades corresponde? Nos fijamos en la columna de frecuencias acumuladas, ese valor exacto no aparece, el siguiente mayor es 0,70 y corresponde a 48 unidades. Se puede apreciar mejor en el grfico, trazando una recta desde el eje de la frecuencia hasta que intersecta con la lnea de la funcin acumulada, luego se baja a la coordenada de unidades y se obtiene el valor correspondiente; en este caso 48. Cuando trabajamos con variables discretas la funcin acumulada tiene un intervalo o salto para cada variable (para casos prcticos hay que definir los intervalos y luego con una funcin de bsqueda hallar el valor). Para funciones continuas se puede hallar la inversa de la funcin acumulada. De esta forma logramos a partir de la distribucin de densidad calcular los valores de la variable aleatoria dada. En la siguiente tabla, vemos como a medida que aumenta el numero de simulaciones, el valor simulado se acerca al valor original de la media y desviacin estndar, adems de la disminucin del error tpico.
EJEMPLO PRACTICO I I
Analizaremos ahora una propuesta para la fabricacin de un nuevo artculo durante 4 aos. Con los datos de la siguiente tabla: La demanda es la variable aleatoria de nuestro modelo, ya que puede tomar los siguientes valores: 8,9,10,11,12, es una distribucin discreta uniforme. Para poder simular los valores de esta variable utilizaremos la frmula ENTERO(8+5*ALEATORIO()). Debido a que los intervalos son todos de igual tamao (1/5), es igualmente posible que ALEATORIO() llegue a cada uno de ellos, y por lo tanto es igualmente posible que la frmula de cualquiera de los cinco valores posibles. La funcin ALEATORIO() de Excel genera un nmero en el intervalo (0:1) de una distribucin uniforme continua. A travs de la simulacin veremos que valores va a tomar el valor neto actual (VNA, El VNA es calculado mediante la formula correspondiente del Excel con un inters del 10% ( ). En la columna correspondiente al ao 1 se han indicado las formulas que definen cada valor) en los 4 aos, utilizando el siguiente modelo matemtico de la situacin:
Pag 52 de 98

Ahora realizaremos varias corridas con diferentes tamaos de muestra para ver que sucede con el VNA. Armamos en otra hoja un cuadro con dos columnas y tantas filas como iteraciones(tamao de la muestra) deseemos realizar. En la columna VNA copiamos con pegado especial(frmula) la celda del modelo en la cual se calcula el VNA. Seleccionamos toda la tabla y con la herramienta Tabla en Datos se forma una tabla dinmica que contendr las simulaciones para la cantidad de iteraciones que hagamos. Luego para cada tamao de muestra aplicaremos Estadstica descriptiva (En herramientas, Anlisis de datos) e Histograma (las clases que utilizamos son: -30000, -20000,
-10000, 0, 10000, 20000, 30000)
Ahora realizamos una sntesis de las Simulaciones desarrolladas para poder ver que sucedi con el modelo:
El valor de la media y desviacin estndar se estacionan a medida que aumenta la cantidad de iteraciones. Tambin, como podemos observar en el grfico, disminuye notablemente el error. Tambin el modelo nos presenta mayor variabilidad para los valores mximo y mnimo.
APLICACIONES
Criptografa. Cromo dinmica cuntica. Densidad y flujo de trfico. Diseo de reactores nucleares. Diseo de VLSI. Ecologa. Econometra. Evolucin estelar. Fsica de materiales. Mtodos cuantitativos de organizacin industrial. Programas de computadora. Pronstico del ndice de la bolsa.
Prospecciones en explotaciones petrolferas. Radioterapia contra el cncer. Sistemas de colas. Sistemas de inventario P y Q. Valoracin de cartera de valores.
Pag 53 de 98

S INTES I S
El mtodo de Monte Carlo es una herramienta de investigacin y planeamiento; bsicamente es una tcnica de muestreo artificial, empleada para operar numricamente sistemas complejos que tengan componentes aleatorios o determinsticos, manteniendo tanto la entrada como la salida un cierto grado de incertidumbre. En Investigacin Operativa, Monte Carlo es utilizado con fines experimentales, es decir se pueden elaborar distintos modelos e ir intercambiando parmetros para estudiar cuales son los posibles resultados. Cuando el tamao de las muestras es relativamente reducido, los resultados obtenidos en la simulacin pueden ser muy sensibles a las condiciones iniciales. Un rea de investigacin est constituida por los mtodos Quasi-Monte Carlo, estos mtodos bsicamente acotan la generacin de los nmeros aleatorios.
Muestreo Del Trabajo.

Indice: 1. Introduccin 2. Marco terico 3. Aplicaciones del autor
Introduccin Esta investigacin, trata de la importancia que tiene el muestreo del trabajo. En el caso de nosotros esta enfocada a la visin que debe tener un ingeniero industrial en cualquiera que sea su medio de trabajo. En lo referente a este informe podemos identificar algunos puntos importantes acerca del tema, como lo son: la importancia y nesecidad de realizar El Muestro del Trabajo, para recolectar informacion de una determinada poblacion, ademas le presentaremos el concepto, sus ventajas, la manera de llevarlo a cabo, los usos de esta y la funcin que esta tiene en la empresa, el empleo de diagramas de control en esta tecnica, se explicara como se deben llevar a cabo las observaciones y los registros de datos de la manera mas adecuada y efectiva para lograr un resultado de mayor certeza, y as obtener un menor grado de sesgo . Mencionaremos como determinar la frecuencia de las observaciones, tanto mediante una manera manual, como con el uso de algn software, y explicaremos un poco acerca del "diseo de la forma tabular para el muestreo del trabajo". Explicaremos la aplicacin de la computacin en esta tcnica, con la que se facilita el proceso del muestreo del trabajo, agilizando la obtencin de datos y sus resultados, disminuyendo notablemente el tiempo de realizacin del proceso, adems de la disminucin de los costos por personal. Mencionaremos algunos de los tipos de muestreo posibles a realizar, y sus formas especificas de uso adecundose a los diferentes tipos de empresas y sus necesidades de uso. Finalmente daremos algunas de las aplicaciones reales que se han dado ya, en el uso de esta tcnica. Mostrando los resultados de estos muestreos y as ejemplificar todo lo antes mencionado. 2. Marco terico Importancia del Muestreo El muestro, como ya se mencion, implica algo de incertidumbre que debe ser aceptada para poder realizar el trabajo, pues aparte de que estudiar una poblacin resulta ser un trabajo en ocasiones demasiado grande, Wonnacott y Wonnacott ofrecen las siguientes razones extras: Recursos limitados: Es decir, no existen los recursos humanos, materiales o econmicos para realizar el estudio sobre el total de la poblacin. Escasez: Es el caso en que se dispone de una sola muestra. Pruebas destructivas. Es el caso en el que realizar el estudio sobre toda la poblacin llevara a la destruccin misma de la poblacin. El muestreo puede ser ms exacto: Esto es en el caso en el que el estudio sobre la poblacin total puede causar errores por su tamao o, en el caso de los censos, que sea necesario utilizar personal no lo
Pag 54 de 98

suficientemente capacitado; mientras que, por otro lado, el estudio sobre una muestra podra ser realizada con menos personal pero ms capacitado. Muestreo de trabajo. El muestreo de trabajo es una tcnica que se utiliza para investigar las proporciones del tiempo total dedicada a las diversas actividades que componen una tarea, actividades o trabajo. Los resultados del muestreo sirven para determinar tolerancias o mrgenes aplicables al trabajo, para evaluar la utilizacin de las mquinas y para establecer estndares de produccin. Ventajas del mtodo de muestreo de: No requiere observacin continua por parte de un analista durante un perodo de tiempo largo. El tiempo de trabajo de oficina disminuye El total de horas-trabajo a desarrollar por el analista es generalmente mucho menor El operario no esta expuesto a largos perodos de observaciones cronomtricas Las operaciones de grupos de operarios pueden ser estudiadas fcilmente por un solo analista. Teora de muestreo de trabajo. La probabilidad de x ocurrencias de un evento en n observaciones: (p + q)^n = 1 p = probabilidad de una ocurrencia q = 1-p = probabilidad de que no haya ocurrencia n = nmero de observaciones Planeacin del estudio de trabajo. Una vez que el analista haya explicado el mtodo y obtenido la aprobacin del supervisor respectivo, estar en condiciones de realizar el planteamiento detallado, que es esencial antes de iniciar las observaciones reales. El primer paso es efectuar una estimacin preliminar de las actividades acerca de las que buscan informacin. Esta estimacin puede abarcar una o ms actividades. Con frecuencia la estimacin se puede realizar razonable, deber muestrear el rea o las reas de inters durante un perodo corto y utilizar la informacin obtenida como base de sus estimaciones. Una vez hechas las estimaciones se debe determinar la exactitud que sea de los resultados. Esto se puede expresar mejor como una tolerancia dentro de un nivel de confianza establecido. El analista llevar a cabo ahora una estimacin del nmero de observaciones a realizar. Es posible determinar la frecuencia de las observaciones. El siguiente paso ser disear la forma para muestreo de trabajo en la que se tabularn los datos y los diagramas de control que se utilizarn junto con el estudio. Determinacin de la frecuencia de las observaciones Esta frecuencia depende en su mayor grado de los nmeros de observaciones requeridas y de los lmites de tiempo aplicados al desarrollo de los datos. El nmero de analistas disponible y la naturaleza del trabajo a estudiar influirn tambin en la frecuencia de las observaciones. Un mtodo que se puede emplear consiste en tomar nueve nmeros diariamente de una tabla estadstica de nmeros aleatorios, que varen, asgnese a cada numero una cantidad de minutos equivalente a 10 veces al valor del nmero. Los nmeros seleccionados pueden fijar entonces el tiempo desde el inicio del da de trabajo hasta el momento de efectuar las observaciones. El software tambin permite el ingreso como entrada de condiciones especiales; Otro medio para ayudar a los analistas decidir cuando hacer observaciones diarias es un recordatorio aleatorio. Este instrumento de bolsillo avisa por medio de un sonido que es el momento de realizar la siguiente observacin. Diseo de la forma tabular para muestreo de trabajo. El analista necesitar idear una forma de registro de observaciones para anotar de la mejor manera posible los datos que sern recopilados en la realizacin del estudio de muestreo de trabajo. Empleo de los diagramas de control.
Pag 55 de 98

Tales estudios tratan exclusivamente con porcentajes o proporciones, el diagrama se emplea con mucha frecuencia. El primer problema encontrado en la elaboracin de un diagrama de control es la eleccin de los lmites, se buscan un equilibrio entre el costo de localizar una causa asignable cuando no exista ninguna. El mejoramiento debe ser un proceso continuo y el porcentaje de tiempo muerto tiene que disminuir. Uno de los objetos del muestreo de trabajo es determinar reas de actividad que podran ser mejoradas. Los diagramas de control se pueden emplear para mostrar el mejoramiento progresivo de reas de trabajo. Esta idea especialmente importante si los estudios de muestreo de trabajo se utilizan para establecer tiempos estndares, pues tales estndares deben cambiarse siempre que las condiciones varen a fin de que sean realistas. Observacin y registro de datos. Se debe caminar a un punto o una cierta distancia del equipo, efectuar su observacin y registrar los hechos. El analista debe aprender a efectuar observaciones o verificaciones visuales y realizar las anotaciones despus de haber abandonado la zona de trabajo. Esto reducir al mnimo la sensacin de ser observado que experimentara un operario, el que continuara trabajando as en la forma acostumbrada. Muestreo de trabajo para el establecimiento de mrgenes o tolerancias, utilizacin de una mquina y establecimiento de estndares de mano de obra directa e indirecta. La tcnica se usa tambin para establecer estndares de produccin, determinar la utilizacin de mquinas, efectuar asignaciones de trabajo, mejorar mtodos y establecimiento de estndares de mano de obra; las tolerancias por motivos personales y demoras inevitables se determinaban frecuentemente efectuando una serie de estudios de todo el da sobre varias operaciones y promediando luego sus resultados; el nmero de idas al gabinete sanitario y al bebedero o fuente de agua, el nmero de interrupciones etc., se podran registrar, cronometrar, analizar, y determinar luego una tolerancia justa o de confianza; los elementos que entran dentro de las demoras personales e inevitables se pueden mantener separados y determinar una tolerancia equitativa para cada clase o categora. Muestreo de trabajo computarizado. Mediante una computadora puede ahorrarse un 35% del costo total de un estndar de muestreo de trabajo. La mayor parte del trabajo relacionado con el resumen de los datos de muestreo es de gabinete u oficina, al mecanizar o automatizar el proceso de clculos repetitivos, las computadoras pueden evaluar no solamente los resultados diarios sino tambin los acumulados. Funcin del Muestreo del trabajo. El mtodo de muestreo de trabajo es otra herramienta que permite al analista de estudio de tiempos obtener los datos de manera ms rpida y fcil. El muestreo de trabajo calificado por ejecucin es especialmente til para determinar la cantidad de tiempo que puede ser asignada por retrasos inevitables, suspensiones de trabajo, etc. En resumen, deben tenerse presentes las siguientes consideraciones: Explicar y lograr la aceptacin del mtodo de muestreo de trabajo antes de utilizarlo. Limitar los estudios individuales a grupos similares a mquinas u operaciones Utilizar un tamao de muestra lo ms grande posible Efectuar observaciones individuales en momentos al azar Realizar las observaciones en un perodo razonablemente largo. Tipos de Muestras: Hay dos principios alternativos que pueden seguirse cuando se elige una muestra: Muestra aleatoria, en que el azar determina que elementos se seleccionan (Figura 1), Muestra no aleatoria, en que el investigador deliberadamente elige los objetos que han de ser estudiados (Figura 2). Muestra aleatoria. El principio de la seleccin de los elementos en una muestra aleatoria es el mismo que cuando se reparten la baraja. Todos los objetos de la poblacin tienen iguales probabilidades de ser seleccionados
Pag 56 de 98

en la muestra. Esta probabilidad es llamada razn de muestreo (sampling ratio en ingls), y es igual al nmero de elementos de la muestra dividido por el nmero de la poblacin. Hay mtodos alternativos para crear una muestra aleatoria (en otras palabras, una "muestra de probabilidad"): 1) Muestra aleatoria simple: La muestra se extrae a suertes, por ejemplo sacando papeletas numeradas de un sombrero. Trabajar con papeletas es laborioso si la poblacin es amplia. Pero si tenemos la poblacin en un fichero de ordenador, el trabajo ser fcil. 2) Muestra sistemtica: Si la razn que se pretende es 1/n, empezamos escogiendo el primer elemento al azar entre los primeros n objetos de la poblacin, y tras ello extraemos cada n-avo objeto. Esto es conveniente si tenemos una lista de objetos de la poblacin. 3) Muestra aleatoria ponderada: Cuando la poblacin incluye un grupo muy pequeo pero esencial, hay el riesgo de que ningn miembro de ese grupo quede dentro de una muestra aleatoria. Para evitar esto, podemos incrementar deliberadamente la razn de la muestra sobre este grupo de especial importancia. Por supuesto que esto generar un desequilibrio en las mediciones que se obtengan a partir de la muestra ponderada, pero ser fcil restaurar el equilibro original. Esto se hace as cuando se combinan los resultados; por ejemplo, al calcular la media de todas las mediciones daremos a las mediciones de cada grupo su peso apropiado correspondiente a los porcentajes genuinos en la poblacin. Muestras no aleatorias: Si consideramos que no precisamos cifras exactas sobre la representatividad estadstica de nuestros resultados, podramos plantearnos el usar una muestra no aleatoria (o "no probabilstica"), lo que significa que elegiremos a voluntad nuestra. Podemos considerar que esto puede ayudarnos a obtener los elementos que necesitamos estudiar directamente y, adems, actuar sin los tediosos procesos de seleccin aleatoria y verificacin estadstica. Sin embargo, hay una desventaja: corremos un gran riesgo de obtener demasiado sesgo en la muestra. No seremos capaces siquiera de advertir la presencia, y menos an la cantidad, de sesgo si hacemos personalmente la seleccin de la muestra. Y la presencia de sesgo puede hacer imposible generalizar nuestros resultados. Un modo de reducir el sesgo hasta cierto punto es dejar a otra persona o grupo la seleccin de los elementos. Entre los tipos comunes de muestras no aleatorias se incluyen, 1) Una muestra de "casos tpicos" o los "mejores" casos son algo bastante tradicional en historia del arte: estudiamos solamente los "grandes maestros". La idea es que stos representan lo ms autntico de su poca. Tal seleccin deliberada por parte del investigador tiene no obstante riesgos serios, que se tratan en el punto Delimitar el objeto de estudio. 2) Muestra de conveniencia. Un grupo existente, por ejemplo la gente en una reunin, podra ser designado como muestra. Este es un mtodo fcil y barato, pero el sesgo suele ser imposible de estimar. El mtodo es popular en las demostraciones de cursos sobre mtodos, pero raramente usado en la investigacin profesional. 3) Muestra de voluntarios es creada cuando todos los miembros de la poblacin tienen la oportunidad de participar en la muestra. Un ejemplo es la respuesta voluntaria de los clientes que llega a una empresa; igualmente, las respuestas que un investigador recibe a un anuncio en un peridico pidiendo a la gente sus opiniones. 4) Una muestra de voluntarios suele ser una alternativa bastante sensata; no obstante, el investigador debe considerar cuidadosamente los riesgos de sesgo. Hay dos cuestiones que plantearse: Es cierto que todos los miembros de la poblacin concernida tenan las mismas oportunidades de ser incluidos en la muestra? Por definicin, los voluntarios difieren de la media de la poblacin en su mayor actividad. La cuestin crucial entonces es difieren del resto de la poblacin tambin en otros aspectos?.
Pag 57 de 98

5) Muestra-bola de nieve. Cuando se entrevista a miembros de un grupo, podemos pedir a las personas que nos indiquen otros individuos en ese grupo que estn en la mejor posicin para dar informacin sobre ese tema; podramos tambin pedirles que nos indicasen personas que compartan sus puntos de vista y tambin otras que sean de opinin opuesta. Entonces entrevistaremos a nuevos individuos y continuaremos del mismo modo hasta que no obtengamos nuevos puntos de vista de nuevos entrevistados. Este es un buen mtodo por ejemplo para recoger los distintos puntos de vista existentes en un grupo, pero su inconveniente es que no obtenemos una idea exacta de la distribucin de las opiniones. Tamao de la muestra: Muestras aleatorias: Tericamente, podemos calcular el tamao requerido de la muestra sobre la base de: El nmero y tipo de variables y El nivel deseado de representatividad estadstica. Hay que hacer notar que las poblaciones amplias slo requieren en casos excepcionales unas muestras mayores que las poblaciones pequeas. Algunos centenares de casos casi siempre son suficientes. Las formulas para el clculo son exactas pero algo engorrosas de usar por las muchas alternativas que intervienen; por ese motivo no se presentan aqu. En proyectos importantes con amplios recursos se suele consultar a un estadstico para los clculos. En un proyecto de investigacin con recursos limitados, la regla general es: usar una muestra tan amplia como nos podamos permitir. Recurdese tambin que es intil incrementar el tamao de la muestra si el principio de muestreo est sesgado. La muestra aadida simplemente estar igual de sesgada. Muestras no aleatorias: No hay frmula para determinar el tamao de una muestra no aleatoria. Con frecuencia, especialmente en investigacin cualitativa, podemos simplemente ampliar gradualmente nuestra muestra y analizar los resultados segn llegan. Cuando en casos nuevos ya no se presenta informacin nueva, podemos concluir que nuestra muestra est saturada, y terminaremos el trabajo. Este mtodo es, sin embargo, muy vulnerable al muestreo sesgado, con lo que tenemos que ser muy cuidadosos y asegurarnos que no omitimos a ningn grupo de nuestra poblacin. Antes de decidir el tamao de una muestra no aleatoria, tal vez queramos leer cmo debe ser evaluada la representatividad de los resultados a partir de una muestra no aleatoria. De otro modo podramos sufrir una sorpresa bastante desagradable cuando estemos intentando, demasiado tarde, definir la poblacin en que nuestros resultados puedan ser declarados vlidos. Para calcular el tamao de una muestra hay que tomar en cuenta tres factores: 1. El porcentaje de confianza con el cual se quiere generalizar los datos desde la muestra hacia la poblacin total. 2. El porcentaje de error que se pretende aceptar al momento de hacer la generalizacin. 3. El nivel de variabilidad que se calcula para comprobar la hiptesis. La confianza o el porcentaje de confianza es el porcentaje de seguridad que existe para generalizar los resultados obtenidos. Esto quiere decir que un porcentaje del 100% equivale a decir que no existe ninguna duda para generalizar tales resultados, pero tambin implica estudiar a la totalidad de los casos de la poblacin. Para evitar un costo muy alto para el estudio o debido a que en ocasiones llega a ser prcticamente imposible el estudio de todos los casos, entonces se busca un porcentaje de confianza menor. Comnmente en las investigaciones sociales se busca un 95%. El error o porcentaje de error equivale a elegir una probabilidad de aceptar una hiptesis que sea falsa como si fuera verdadera, o la inversa: rechazar a hiptesis verdadera por considerarla falsa. Al igual que en el caso de la confianza, si se quiere eliminar el riesgo del error y considerarlo como 0%, entonces la
Pag 58 de 98

muestra es del mismo tamao que la poblacin, por lo que conviene correr un cierto riesgo de equivocarse. Comnmente se aceptan entre el 4% y el 6% como error, tomando en cuenta de que no son complementarios la confianza y el error. La variabilidad es la probabilidad (o porcentaje) con el que se acept y se rechaz la hiptesis que se quiere investigar en alguna investigacin anterior o en un ensayo previo a la investigacin actual. El porcentaje con que se acept tal hiptesis se denomina variabilidad positiva y el porcentaje con el que se rechaz se la hiptesis es la variabilidad negativa. 3. Aplicaciones del autor Ejemplos propuestos y resueltos La encuesta de opinin poltica Auditora contable, inventario muestral y registro en libros. Consumo de gasolina en vehculos de servicio pblico La distribucin del tiempo libre El rating de T.V La medida de desempleo La productividad de caf tipo base Plan de control de calidad Consumo medio de un producto Ejemplo: Consumo medio de un producto. Estudio sobre precios de Medicamentos en Costa Rica Si usted tiene que comprar medicamentos en farmacias privadas o conoce a alguien que tenga que hacerlo con frecuencia, este informe le ser de mucho inters. Por favor tmese su tiempo y lea este importante documento. Delimitacin del Estudio: La recoleccin de la informacin se realiz en el mes de agosto del 2000. Se incluyeron 150 farmacias distribuidas en todo el pas. Provincia Cantidad de Farmacias San Jos 59 Alajuela 36 Heredia 8 Cartago 13 Puntarenas 10 Guanacaste 10 Limn 9 Total 145 Tabla #1 / Fuente: Base de datos. V Informe de Medicamentos. Agosto, 2000. Variacin de los precios de los medicamentos Ago. 1998- Ago. 2000 La tabla No. 2 muestra la variacin de los precios al consumidor con respecto a cada uno de los Informes. Se destaca el sostenimiento de los precios en el perodo entre agosto de 1999 y agosto del 2000 en las provincias de Heredia y Alajuela con un aumento de los precios de venta al consumidor de un 2.85% y un 3.74%, indicadores muy inferiores a la inflacin del perodo (11.39%). En trminos totales, el crecimiento de los precios de los medicamentos fue de un 6.61%, inferior a la inflacin acumulada en un 4.78 puntos. Esto indica que, en trminos relativos, al comprador de medicamentos contina percibiendo una rebaja en los precios. Tabla 2. Suma del costo de la canasta de medicamentos en las farmacias seleccionadas de la Gran rea Metropolitana.
Pag 59 de 98

Precios de la Canasta de Medicamentos en la G.A.M. Costo de la canasta Costo de la canasta Variacin Agosto 1999 Agosto 2000 Porcentual Alajuela 891.497 924.823 3,74% San Jos 2.106.034 2.269.924 7,78% Heredia 33.941 34.910 2,85% Cartago 386.344 413.968 7,15% Total 3.417.816 3.643.625 6,61%
Tabla # 2 / Anlisis de Ganancias en las Farmacias del
Diferencia Respecto a la Inflacin del perodo (11.39%) -7.65% -3.61% 8.54% -4.24% - 4.78%
Gran rea Metropolitana
Al realizar el anlisis del margen de ganancia por provincia en la etapa de venta al consumidor comparando los resultados de con los cuatro Informes anteriores, los datos comparativos son favorables para el consumidor final.
Grfico No. 1 Margen de Ganancia en el precio de venta por provincia. Fuente: Base de datos. V Informe de Medicamentos. Agosto, 2000. Grfico No. 2. Mrgenes de ganancia promedio en Provincias en Costa Rica. Fuente: Base de datos. V Informe de Medicamentos. Agosto, 2000. Alajuela es la provincia donde las farmacias tienen menor margen de ganancia promedio y Puntarenas es la provincia donde las farmacias trabajan con un mayor margen promedio. El margen de ganancia promedio nacional en farmacias es de un 26.92%.
Teora bsica del muestreo

Indice 1. Introduccin al muestreo. 2. Mtodos de seleccin de muestras. 1. Introduccin al muestreo. a. Concepto e importancia Es la actividad por la cual se toman ciertas muestras de una poblacin de elementos de los cuales vamos a tomar ciertos criterios de decisin, el muestreo es importante porque a travs de l podemos hacer anlisis de situaciones de una empresa o de algn campo de la sociedad. b. Terminologa bsica para el muestreo Los nuevos trminos, los cuales son frecuentemente usados en inferencia estadstica son: Estadstico: Un estadstico es una medida usada para describir alguna caracterstica de una muestra , tal como una media aritmtica, una mediana o una desviacin estndar de una muestra. Parmetro: Una parmetro es una medida usada para describir alguna caracterstica de una poblacin, tal como una media aritmtica, una mediana o una desviacin estndar de una poblacin. Cuando los dos nuevos trminos de arriba son usados, por ejemplo, el proceso de estimacin en inferencia estadstica puede ser descrito como le proceso de estimar un parmetro a partir del estadstico correspondiente, tal como usar una media muestral ( un estadstico para estimar la media de la poblacin (un parmetro). Los smbolos usados para representar los estadsticos y los parmetros, en ste y los siguientes captulos, son resumidos en la tabla siguiente: Tabla 1 Smbolos para estadsticos y parmetros correspondientes
Pag 60 de 98

Medida Media Desviacin estndar Nmero de elementos Proporcin
Smbolo para el estadstico (muestra) X s n p
Smbolo para el parmetro (Poblacin) N P
Distribucin en el muestreo: Cuando el tamao de la muestra (n) es ms pequeo que el tamao de la poblacin (N), dos o ms muestras pueden ser extradas de la misma poblacin. Un cierto estadstico puede ser calculado para cada una de las muestras posibles extradas de la poblacin. Una distribucin del estadstico obtenida de las muestras es llamada la distribucin en el muestreo del estadstico. Por ejemplo, si la muestra es de tamao 2 y la poblacin de tamao 3 (elementos A, B, C), es posible extraer 3 muestras ( AB, BC Y AC) de la poblacin. Podemos calcular la media para cada muestra. Por lo tanto, tenemos 3 medias mustrales para las 3 muestras. Las 3 medias mustrales forman una distribucin. La distribucin de las medias es llamada la distribucin de las medias mustrales, o la distribucin en el muestreo de la media. De la misma manera, la distribucin de las proporciones (o porcentajes) obtenida de todas las muestras posibles del mismo tamao, extradas de una poblacin, es llamada la distribucin en el muestreo de la proporcin. Error Estndar: La desviacin estndar de una distribucin, en el muestreo de un estadstico, es frecuentemente llamada el error estndar del estadstico. Por ejemplo, la desviacin estndar de las medias de todas la muestras posibles del mismo tamao, extradas de una poblacin, es llamada el error estndar de la media. De la misma manera, la desviacin estndar de las proporciones de todas las muestras posibles del mismo tamao, extradas de una poblacin, es llamada el error estndar de la proporcin. La diferencia entre los trminos desviacin estndar y error de estndar es que la primera se refiere a los valores originales, mientras que la ltima est relacionada con valores calculados. Un estadstico es un valor calculado, obtenido con los elementos incluidos en una muestra. Error muestral o error de muestreo La diferencia entre el resultado obtenido de una muestra (un estadstico) y el resultado el cual deberamos haber obtenido de la poblacin (el parmetro correspondiente) se llama el error muestral o error de muestreo. Un error de muestreo usualmente ocurre cuando no se lleva a cabo la encuesta completa de la poblacin, sino que se toma una muestra para estimar las caractersticas de la poblacin. El error muestral es medido por el error estadstico, en trminos de probabilidad, bajo la curva normal. El resultado de la media indica la precisin de la estimacin de la poblacin basada en el estudio de la muestra. Mientras ms pequeo el error muestras, mayor es la precisin de la estimacin. Deber hacerse notar que los errores cometidos en una encuesta por muestreo, tales como respuestas inconsistentes, incompletas o no determinadas, no son considerados como errores mustrales. Los errores no mustrales pueden tambin ocurrir en una encuesta completa de la poblacin. 2. Mtodos de seleccin de muestras. Una muestra debe ser representativa si va a ser usada para estimar las caractersticas de la poblacin. Los mtodos para seleccionar una muestra representativa son numerosos, dependiendo del tiempo, dinero y habilidad disponibles para tomar una muestra y la naturaleza de los elementos individuales de la poblacin. Por lo tanto, se requiere una gran volumen para incluir todos los tipos de mtodos de muestreo. Los mtodos de seleccin de muestras pueden ser clasificados de acuerdo a: 1. El nmero de muestras tomadas de una poblacin dada para un estudio y
Pag 61 de 98

2. La manera usada en seleccionar los elementos incluidos en la muestra. Los mtodos de muestreo basados en los dos tipos de clasificaciones son expuestos en seguida. Mtodos de muestreo clasificados de acuerdo con el nmero de muestras tomadas de una poblacin. Bajo esta clasificacin, hay tres tipos comunes de mtodos de muestreo. Estos son, muestreo simple, doble y mltiple. Muestreo simple Este tipo de muestreo toma solamente una muestra de una poblacin dada para el propsito de inferencia estadstica. Puesto que solamente una muestra es tomada, el tamao de muestra debe ser los suficientemente grande para extraer una conclusin. Una muestra grande muchas veces cuesta demasiado dinero y tiempo. Muestreo doble Bajo este tipo de muestreo, cuando el resultado dele estudio de la primera muestra no es decisivo, una segunda muestra es extrada de la misma poblacin. Las dos muestras son combinadas para analizar los resultados. Este mtodo permite a una persona principiar con una muestra relativamente pequea para ahorrar costos y tiempo. Si la primera muestra arroja una resultado definitivo, la segunda muestra puede no necesitarse. Por ejemplo, al probar la calidad de un lote de productos manufacturados, si la primera muestra arroja una calidad muy alta, el lote es aceptado; si arroja una calidad muy pobre, el lote es rechazado. Solamente si la primera muestra arroja una calidad intermedia, ser requerir la segunda muestra. Un plan tpico de muestreo doble puede ser obtenido de la Military Standard Sampling Procedures and Tables for Inspection by Attributes, publicada por el Departamento de Defensa y tambin usado por muchas industrias privadas. Al probar la calidad de un lote consistente de 3,000 unidades manufacturadas, cuando el nmero de defectos encontrados en la primera muestra de 80 unidades es de 5 o menos, el lote es considerado bueno y es aceptado; si el nmero de defectos es 9 o ms, el lote es considerado pobre y es rechazado; si el nmero est entre 5 y 9, no puede llegarse a una decisin y una segunda muestra de 80 unidades es extrada del lote. Si el nmero de defectos en las dos muestras combinadas (incluyendo 80 + 80 = 160 unidades) es 12 o menos, el lote es aceptado si el nmero combinado es 13 o ms, el lote es rechazado. Muestreo mltiple El procedimiento bajo este mtodo es similar al expuesto en el muestreo doble, excepto que el nmero de muestras sucesivas requerido para llegar a una decisin es ms de dos muestras. Mtodos de muestreo clasificados de acuerdo con las maneras usadas en seleccionar los elementos de una muestra. Los elementos de una muestra pueden ser seleccionados de dos maneras diferentes: a. Basados en el juicio de una persona. b. Seleccin aleatoria (al azar) Muestreo de juicio Una muestra es llamada muestra de juicio cuando sus elementos son seleccionados mediante juicio personal. La persona que selecciona los elementos de la muestra, usualmente es un experto en la medida dada. Una muestra de juicio es llamada una muestra probabilstica, puesto que este mtodo est basado en los puntos de vista subjetivos de una persona y la teora de la probabilidad no puede ser empleada para medir el error de muestreo, Las principales ventajas de una muestra de juicio son la facilidad de obtenerla y que el costo usualmente es bajo. Muestreo Aleatorio Una muestra se dice que es extrada al azar cuando la manera de seleccin es tal, que cada elemento de la poblacin tiene igual oportunidad de ser seleccionado. Una muestra aleatoria es tambin llamada una muestra probabilstica son generalmente preferidas por los estadsticos porque la seleccin de las muestras es objetiva y el error muestral puede ser medido en trminos de probabilidad bajo la curva
Pag 62 de 98

normal. Los tipos comunes de muestreo aleatorio son el muestreo aleatorio simple, muestreo sistemtico, muestreo estratificado y muestreo de conglomerados. A. Muestreo aleatorio simple Una muestra aleatoria simple es seleccionada de tal manera que cada muestra posible del mismo tamao tiene igual probabilidad de ser seleccionada de la poblacin. Para obtener una muestra aleatoria simple, cada elemento en la poblacin tenga la misma probabilidad de ser seleccionado, el plan de muestreo puede no conducir a una muestra aleatoria simple. Por conveniencia, este mtodo pude ser reemplazado por una tabla de nmeros aleatorios. Cuando una poblacin es infinita, es obvio que la tarea de numerar cada elemento de la poblacin es infinita, es obvio que la tarea de numerar cada elemento de la poblacin es imposible. Por lo tanto, ciertas modificaciones del muestreo aleatorio simple son necesarias. Los tipos ms comunes de muestreo aleatorio modificado son sistemtico, estratificado y de conglomerados. B. Muestreo sistemtico. Una muestra sistemtica es obtenida cuando los elementos son seleccionados en una manera ordenada. La manera de la seleccin depende del nmero de elementos incluidos en la poblacin y el tamao de la muestra. El nmero de elementos en la poblacin es, primero, dividido por el nmero deseado en la muestra. El cociente indicar si cada dcimo, cada onceavo, o cada centsimo elemento en la poblacin va a ser seleccionado. El primer elemento de la muestra es seleccionado al azar. Por lo tanto, una muestra sistemtica puede dar la misma precisin de estimacin acerca de la poblacin, que una muestra aleatoria simple cuando los elementos en la poblacin estn ordenados al azar. C. Muestreo Estratificado Para obtener una muestra aleatoria estratificada, primero se divide la poblacin en grupos, llamados estratos, que son ms homogneos que la poblacin como un todo. Los elementos de la muestra son entonces seleccionados al azar o por un mtodo sistemtico de cada estrato. Las estimaciones de la poblacin, basadas en la muestra estratificada, usualmente tienen mayor precisin (o menor error muestral) que si la poblacin entera muestreada mediante muestreo aleatorio simple. El nmero de elementos seleccionado de cada estrato puede ser proporcional o desproporcional al tamao del estrato en relacin con la poblacin. D. Muestreo de conglomerados. Para obtener una muestra de conglomerados, primero dividir la poblacin en grupos que son convenientes para el muestreo. En seguida, seleccionar una porcin de los grupos al azar o por un mtodo sistemtico. Finalmente, tomar todos los elementos o parte de ellos al azar o por un mtodo sistemtico de los grupos seleccionados para obtener una muestra. Bajo este mtodo, aunque no todos los grupos son muestreados, cada grupo tiene una igual probabilidad de ser seleccionado. Por lo tanto la muestra es aleatoria. Una muestra de conglomerados, usualmente produce un mayor error muestral (por lo tanto, da menor precisin de las estimaciones acerca de la poblacin) que una muestra aleatoria simple del mismo tamao. Los elementos individuales dentro de cada conglomerado tienden usualmente a ser iguales. Por ejemplo la gente rica puede vivir en el mismo barrio, mientras que la gente pobre puede vivir en otra rea. No todas las reas son muestreadas en un muestreo de reas. La variacin entre los elementos obtenidos de las reas seleccionadas es, por lo tanto, frecuentemente mayor que la obtenida si la poblacin entera es muestreada mediante muestreo aleatorio simple. Esta debilidad puede reducida cuando se incrementa el tamao de la muestra de rea. El incremento del tamao de la muestra puede fcilmente ser hecho en muestra muestra de rea. Los entrevistadores no tienen que caminar demasiado lejos en una pequea rea para entrevistar ms familias. Por lo tanto, una muestra grande de rea puede ser obtenida dentro de un corto perodo de tiempo y a bajo costo. Por otra parte, una muestra de conglomerados puede producir la misma precisin en la estimacin que una muestra aleatoria simple, si la variacin de los elementos individuales dentro de cada conglomerado es tan grande como la de la poblacin.
Pag 63 de 98

Anlisis de colas
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. Introduccin Anlisis de sensibilidad. Anlisis de capacidad. Frmula de aproximacin. Simulacin, simulacin Monte Carlo, simulacin de eventos discretos. Distribucin de probabilidades. Costos relacionados con la cola Comandos del anlisis de colas. Ventana de especificacin del problema Barra de tareas Procedimientos del anlisis de colas Ejemplos
INTRODUCCIN Este programa, Anlisis de Colas (QA), resuelve y evala la actuacin de un sistema de colas y costos. Este programa resuelve la actuacin de una sola fase de un sistema de colas. La fase nica que hace cola en un sistema tiene elementos mayores incluso una poblacin del cliente, una cola, y un nico o mltiples servidores (canales). la poblacin del Cliente puede limitarse o ser ilimitada (infinita) con un modelo de llegada especificado (distribucin); la cola puede limitarse o ser de longitud ilimitada; y se pueden asumir servidores mltiples para ser idnticos con una distribucin de tiempo especifica. El sistema de colas se evala segn las medidas populares como nmero promedio de clientes en el sistema, el nmero promedio de clientes en la cola, el nmero de clientes en la cola para un sistema ocupado, el tiempo promedio que un cliente pasa en el sistema, tiempo promedio que un cliente pasa en la cola en un sistema ocupado, la probabilidad que todos los servidores estn ociosos, la probabilidad que un cliente se encuentre en espera al llegar al sistema, el nmero promedio de clientes sin atender por unidad de tiempo, el costo total de un servidor ocupado por unidad de tiempo, el costo total de un servidor ocioso por unidad de tiempo, costo total del cliente que se encuentra en espera por unidad de tiempo, costo total del cliente que se ha atendido por unidad de tiempo, costo total del cliente que no se atendi por unidad de tiempo, longitud total de la cola por unidad de tiempo, y el costo total del sistema por unidad de tiempo. Tres mtodos son incluidos para evaluar cada situacin de la formacin de colas: frmula de cercana, aproximacin, y la simulacin de Monte Carlo. Si ninguna forma est disponible para un problema de colas particular, usted puede especificar una aproximacin o simularla para poder resolverla. Las capacidades especficas de QA incluyen: Anlisis de la actuacin de la cola Anlisis de sensibilidad para los parmetros del sistema Anlisis de capacidad para colas y capacidad de servicio Aproximacin si no existiese una forma similar Simulacin - la alternativa para la evaluacin de la actuacin 15 distribuciones de probabilidad para el tiempo de servicio, los tiempos entre llegadas, y tamao de lote de llegada Muestra la actuacin de la cola y anlisis del costo Muestra un grfico que muestra el anlisis de sensibilidad Entrada de los datos simple para los sistemas M/M NOTACIN. : Coeficiente de presin sobre el servicio. : Coeficiente de retardacin de llegadas : Tasa Promedio de llegadas. : Tasa Promedio de Servicio. : Tasa de ocupacin del sistema. : Intensidad de Trafico (/). B: Nmero Promedio de clientes en la cola b: Tamao del Lote. Cb: Costo por cliente no atendido Ci: Costo de Servidor Ocioso por unidad de tiempo. Cq: Costo por la capacidad de una cola. Cs: Costo de servidor ocupado por unidad de tiempo. Cu: Costo de cliente servido por unidad de tiempo. Cw: Costo por cliente esperando en la cola.
Pag 64 de 98

SUB-REA: INGENIERIA INDUSTRIAL K: Numero mximo de clientes permitidos en un sistema. L: Numero promedio de clientes en el sistema. Lb: Numero promedio de clientes en la cola para un sistema ocupado. Lq: Numero promedio de clientes en la cola. N: Poblacin de clientes. El programa considera a poblacin como infinita, cuando su nmero supera a 10000 clientes potenciales. n: Numero de clientes en el sistema, incluidos los que estn siendo atendidos, y los que estn en la cola. P0: Probabilidad de que todos los servidores estn ociosos. P(n): Probabilidad de que hayan n clientes en el sistema. Pw o Pb : Probabilidad de clientes que al llegar esperaran. Q: Capacidad mxima de la cola (Mximo espacio de espera). s: Numero de servidores o canales W: Tiempo promedio que el cliente pasa en el sistema. Wb: Tiempo promedio que un cliente pasa en un sistema ocupado. Wq: Tiempo promedio que un cliente pasa en la cola. Ac se muestra un sistema de notacin estndar para clasificar sistemas de colas como A/B/C/D/E/F, donde: A representa la distribucin de probabilidad para el proceso de llegadas B representa la distribucin de probabilidad para el proceso de servicio C representa el nmero de canales (servidores) D representa el nmero del mximo de clientes permitido en el sistema de colas (sirvindose o esperando por el servicio) E representa el nmero mximo de clientes en total N de clientes potenciales Opciones comunes para A y B son: M para una distribucin de llegada tipo Poisson (distribucin entre llegadas de tipo exponencial) o una distribucin del tiempo de servicio de tipo exponencial D para un valor deterministico o constante G para una distribucin general (pero con media y varianza conocida) Si no se especifican D y E entonces se da por supuesto que ellos son infinitos. Por ejemplo un sistema de colas M/M/1, el sistema de colas ms simple, tiene una distribucin de llegada tipo Poisson, una distribucin de tiempo de servicio del tipo exponencial y un solo canal (un servidor). Note que aqu usando esta anotacin, siempre se asume que hay solamente una cola (lnea de espera) y los clientes se mueven de esta sola cola hacia los servidores. ANLISIS DE SENSIBILIDAD. QA realiza el anlisis de sensibilidad segn un rango especificado de nmero de servidores, proporcin de servicio (), coeficiente de presin de servicio, proporcin de la llegada (), el tamao del lote (volumen) , coeficiente de retardacin de llegada, la capacidad de la cola, poblacin del cliente, costo de servidor ocupado por unidad de tiempo, costo de servidor ocioso por unidad de tiempo, costo de cliente en espera por unidad de tiempo, costo de cliente servido por unidad de tiempo, costo por cliente sin atender por unidad de tiempo, costo unitario de la capacidad de la cola. la capacidad de la cola, poblacin del cliente, costo de servidor ocupado por unidad de tiempo, costo de servidor ocioso por unidad de tiempo, costo por cliente en espera por unidad de tiempo, costo por cliente servido por unidad de tiempo, el costo por cliente no atendido, o costo por capacidad de cola unitaria. QA resuelve y compara las actuaciones segn la entrada, salida, y valores del paso del parmetro seleccionado. Usted puede especificar la aproximacin o simulacin para el problema con el valor del parmetro que no tiene ninguna frmula aproximada disponible. ANLISIS DE CAPACIDAD. Dos capacidades bsicas del sistema de colas son consideradas en QA: nmero de servidores y la capacidad de la cola. Despus de especificar los rangos del nmero de servidores y la capacidad de la cola, QA realiza la comparacin del costo para una combinacin de capacidades diferentes. Note que los elementos del costo necesitan ser especificados en la entrada de los datos. FORMULA DE APROXIMACIN. Cuando el problema de la formacin de colas no tiene ninguna solucin aproximada, QA resuelve el Lq como un modelo de G/G/s para la aproximacin siguiente
Pag 65 de 98

SUB-REA: INGENIERIA INDUSTRIAL Lq= (Lq de M/M/s) [Var(tiempo de servicio) + Var(tiempo entre llegadas)]/2 donde Var representa la varianza. El resto de las medidas de la actuacin de la cola siguen la frmula de M/M/s. SIMULACION, SIMULACION MONTE CARLO, SIMULACION DE EVENTOS DISCRETOS. La simulacin es la imitacin de un proceso del mundo-real o sistema a lo largo del tiempo . La simulacin involucra la generacin de eventos artificiales o procesos para el sistema y recolecta las observaciones para dibujar cualquier inferencia sobre el sistema real. Una simulacin del eventos discretos simula slo eventos que cambian el estado de un sistema. QA realiza la simulacin de eventos discretos simulando los dos eventos mayores en el sistema de colas: llegada del cliente y realizacin de servicio. El mtodo de Monte Carlo emplea los modelos matemticos o la transformacin inversa para generar variables del azar para los eventos artificiales y colecciona observaciones. QA tambin acostumbra usar la transformacin inversa para generar el tiempo de servicio, el tiempo entre llegadas, y tamao del lote que gua el evento del sistema de formacin de colas. Transformacin Inversa: Asuma que la variable aleatoria X tiene la distribucin de probabilidad de f(X) y su funcin acumulada es F(X). Sea r un nmero al azar del intervalo uniformemente distribuido [0,1]. La transformacin inversa para obtener una muestra de la variable aleatoria de la distribucin f(X) es como sigue: a). Obtenga un nmero del azar r b). Resuelva X de la ecuacin r = F(X), es decir, encuentre el X tal que ese r = Prob. (xX) Para cualquier nmero del azar, QA acostumbra usar un mtodo congruencial para generar un nmero del pseudoaleatorio, es decir, r(i+1) = (a r(i) + b) mod c
donde un, b, c son constantes, y i = 0, 1, 2,... Nota que dada la misma semilla aleatoria r(0), el mtodo genera la misma secuencia de nmeros al azar.
DISTRIBUCIN DE PROBABILIDADES. QA permite manejar distribuciones de probabilidad para el tiempo de servicio, los tiempos entre llegadas, y tamao del lote. Las distribuciones disponibles en QA y sus funciones asociadas y los parmetros se describe mas adelante. Nosotros usaremos la anotacin siguiente para describir las funciones de la distribucin: P(a,b) : ab B(a,b) : Funcin Beta (a) : Funcin Gamma C(n,m): Combinatoria C mn Exp(a) : Funcin Exponencial, e a Log(a) : Logaritmo Natural de a sqr(a) : Raiz Cuadrada de a a! : Factorial de a f(x) : Funcin de Probabilidad (pdf) : Media : Varianza Las distribuciones disponibles en WINQSB son: Distribucin Beta. Distribucin Binomial Constante. Distribucin Discreta Distribucin Erlang Distribucin Exponencial Distribucin Gama Distribucin Geomtrica Distribucin Hipergeometrica Distribucin de Laplace Distribucin logartmica Normal Distribucin Normal Distribucin de Pareto Distribucin Poisson Distribucin de Funcin Potencial
Pag 66 de 98

SUB-REA: INGENIERIA INDUSTRIAL Distribucin Triangular Distribucin Uniforme Distribucin Weibull
COSTOS RELACIONADOS CON LA COLA Los costos relacionados con la cola incluyen: El costo total de servidor ocupado por unidad de tiempo = Cs(L-Lq) = Cs El costo total de servidor ocioso por unidad de tiempo = Ci (s-) = Ci (s-L+Lq) Costo total de cliente que espera por unidad de tiempo = Cw Wq ( (n) P(n)) Costo total de cliente que esta siendo atendido por unidad de tiempo = Cu (W-Wq) ( (n) P(n)) El costo total de ser del cliente sin atender por unidad de tiempo = Cb B Costo total de la cola por unidad de tiempo = Cq Q Costo Total del sistema por unidad de tiempo = la Suma de todos los anteriores Notese que estos son los costos utilizados por el paquete, diferencindose de aquellos llevados en la materia de investigacin operativa 2, pudindose encontrar algunas diferencias en los resultados. COMANDOS DEL ANLISIS DE COLAS. MENUS PRINCIPAL Y VENTANA INICIAL. Los mens para el QA despus que el programa est cargado se muestra debajo: Este comando inicia un nuevo problema de colas. La entrada para el nuevo problema incluye nombre del problema, unidad de tiempo, nmero de servidores, la proporcin de servicio () con una distribucin de tiempo de servicio, coeficiente de presin de servicio, proporcin de la llegada () con una distribucin de tiempo entre llegadas, el tamao del lote (volumen) con una distribucin de tamao de lote, coeficiente de retardacin de llegadas, capacidad de la cola (el espacio mximo de espera), poblacin del cliente, costo del servidor ocupado por unidad de tiempo, costo del servidor ocioso por unidad de tiempo, costo de espera del cliente por unidad de tiempo, costo de cliente servido por unidad de tiempo, el costo por cliente no atendido, y/o costo unitario de capacidad de cola. Si usted especifica el sistema de M/M simple, la entrada ser ms simple. Todos los datos se entran en la columna de "Entrada" exceptuando los parmetros de la distribucin que se entran en las columnas de "Parmetro". Si usted especifica la distribucin discreta durante el tiempo de servicio, tiempo entre llegadas, o tamao del lote, introduzca el nmero de datos discretos en Parameter 1 (Parmetro 1) y entre los datos discretos en Parameter 2 (Parmetro 2) usando el formato "value 1/probability 1, value 2/probability 2,..." (Valor 1/probabilidad 1, Valor 2/probabilidad 2). Si hay un problema sin guardar en edicin, cuando usted seleccione el comando New Problem (Nuevo Problema), QA preguntar si usted quiere guardar el problema. QA entonces aclara el rea de edicin para el nuevo problema. Este comando inicia una ventana de dialogo para abrir un archivo guardado previamente. El dilogo le permite tanto seleccionar un archivo de datos en directorio en particular, o entrar una especificacin de un archivo completo de datos incluyendo la ruta. QA mostrar automticamente el problema cargado. Este comando permite salir del programa VENTANA DE ESPECIFICACIN DEL PROBLEMA Para especificar un problema de colas, aqu se muestra el procedimiento: Paso 1. Entre en el ttulo del problema que ser parte del ttulo para las ventanas posteriores. Paso 2. Entre la unidad de tiempo para la descripcin del sistema de colas. El valor por defecto es hora. Paso 3. Elija o de clic en el formato de entrada siguiente Simple M/M System (Sistema M/M simple): Asume que tanto el servicio y la llegada del cliente tienen distribucin Poisson. General Queuing System (Sistema General de colas): Usted puede especificar una distribucin particular para el servicio, llegada del cliente, y tamao del lote. Paso 4. Si la especificacin est completa, apriete el botn de OK para la entrada de los datos. Por otra parte, apriete el botn de Cancel. El botn de Help est para poder proporcionar ayuda. BARRA DE TAREAS La barra de tareas es similar a la que existe en los otros mdulos del WINQSB, diferencindose solamente en algunos botones, por lo cual solo se explicar a aquellos que diferencian a este de los otros mdulos:
Pag 67 de 98

Este comando resuelve la actuacin de la cola. Si no existe ninguna frmula aproximada para el problema, el programa preguntar si para resolverlo desea hacerlo por aproximacin o por la simulacin de Monte Carlo. Despus de que la actuacin se evala, QA automticamente desplegar un resumen de la actuacin. Este orden realiza la simulacin de evento-discreto de Monte Carlo para evaluar la actuacin de la cola. Despus de escoger el comando, el programa desplegar una forma para especificar cmo se asigna la semilla del azar, disciplina de la cola , tiempo de la simulacin, inicio de recoleccin de datos en el tiempo, capacidad de la cola, y el mximo numero de recolecciones de los datos (observaciones). La semilla del azar puede ser un valor predefinido, el reloj del sistema, o un valor entrado. Note que la misma semilla del azar crear la misma secuencia de nmeros al azar (nmero aleatorios). Usted puede especificar FIFO (primero en entrar-primero en salir PEPS), LIFO (ltimo en entrar-primero en salir UEPS), o aleatorizar la disciplina de la cola. El FIFO es el que se asume para la frmula de aproximacin. Es importante especificar una capacidad de la cola limitada desde que los clientes en espera se guardan en la memoria de la computadora. Una capacidad de la cola grande o muy grande puede usar toda la memoria de la computadora. El valor por defecto es 1000 que es normalmente suficiente para la mayora de los casos. Especificando un tiempo de simulacin razonable le permitir recolectar bastantes observaciones para la evaluacin de la actuacin. Usted puede especificar un tiempo distinto de cero para la recoleccin para arreglar los estados del sistema iniciales. Usted tambin puede especificar el nmero del mximo de recoleccin de datos (el valor por defecto es infinito (M)) como la regla de detencin de la simulacin. La simulacin se detendr en el tiempo de simulacin o cuando se alcanza el mximo numero de colecciones de los datos. Esta orden realiza el anlisis de sensibilidad del problema de colas para un rango especificado de nmero de servidores, proporcin de servicio (), coeficiente de presin de servicio, proporcin de la llegada (), coeficiente de retardacin de llegada, el tamao de lote (volumen) , la capacidad de la cola, poblacin del cliente, costo de servidor ocupado por unidad de tiempo, costo de servidor ocioso por unidad de tiempo, costo de cliente en espera por unidad de tiempo, costo de cliente servido por unidad de tiempo, costo por cliente sin atender por unidad de tiempo, costo unitario de la capacidad de la cola. QA resuelve la actuacin de acuerdo al inicio, final, y valores de cada paso del parmetro seleccionado. Usted puede especificar la aproximacin o simulacin para el problema con el valor del parmetro que no tiene ninguna frmula aproximada disponible. Este comando realiza el anlisis de sensibilidad del problema de colas para un rango especificado de nmero de servidores, proporcin de servicio (), coeficiente de presin de servicio, proporcin de la llegada (), etc. QA resuelve los costos segn los valores iniciales, finales, de cada paso del nmero de servidores y capacidad de la cola.
Pag 68 de 98

SUB-REA: INGENIERIA INDUSTRIAL Esta orden realiza el anlisis de capacidad del problema de colas con un nmero diferente de servidores y capacidad de la cola. QA resuelve los costos segn los valores iniciales, finales, de cada paso del nmero de servidores y capacidad de la cola. Usted puede especificar la aproximacin o simulacin para el problema con el valor del parmetro que no tiene ninguna frmula aproximada disponible. Este comando dispone de las siguientes opciones: Performance Summary. Esta orden muestra la actuacin del problema de colas. Incluye todas las medidas populares de la formacin de colas. Si la actuacin es medida por simulacin, el nmero de observaciones recolectadas, el nmero del mximo de clientes en la cola, y el tiempo total de simulacin del CPU en segundos ser mostrado. Probability Summary Este comando muestra la probabilidad del sistema de colas. Muestra P(n), la probabilidad de que existan n clientes en el sistema, donde n puede ser desde 0 a 200, y la probabilidad acumulativa. Show Sensitivity Analysis Table Este comando clasifica los resultados del anlisis de sensibilidad del problema de colas para un rango especificado de nmero de servidores, proporcin de servicio (), coeficiente de presin de servicio, proporcin de la llegada (), coeficiente de retardacin de llegada, el tamao de lote (volumen) , la capacidad de la cola, poblacin del cliente, costo de servidor ocupado por unidad de tiempo, costo de servidor ocioso por unidad de tiempo, costo de cliente en espera por unidad de tiempo, costo de cliente servido por unidad de tiempo, costo por cliente sin atender por unidad de tiempo, costo unitario de la capacidad de la cola. Show Sensitivity Analysis - Graph Este comando muestra los resultados grficos del anlisis de sensibilidad del problema de colas para un rango especificado de nmero de servidores, proporcin de servicio (), coeficiente de presin de servicio, proporcin de la llegada (), coeficiente de retardacin de llegada, el tamao de lote (volumen) , la capacidad de la cola, poblacin del cliente, costo de servidor ocupado por unidad de tiempo, costo de servidor ocioso por unidad de tiempo, costo de cliente en espera por unidad de tiempo, costo de cliente servido por unidad de tiempo, costo por cliente sin atender por unidad de tiempo, costo unitario de la capacidad de la cola. Despus de que la orden es escogida, seleccione una medida particular de la actuacin para el despliegue grfico. Show Capacity Analisis Este comando muestra los resultados del anlisis de capacidad del problema colas con un nmero diferente de servidores y capacidad de la cola. Todos los elementos del costo relacionados estn incluidos. PROCEDIMIENTOS DEL ANLISIS DE COLAS COMO ENTRAR UN PROBLEMA Para entrar en un problema de colas, este es el procedimiento general: 1. Prepare los parmetros de la cola para el problema. (Nota: usted no tiene que tener un modelo formal para la entrada de los datos. Usted puede modificarlo junto con el proceso.) 2. Seleccione el comando New Problem (Nuevo Problema) para entrar el problema. El programa plantear la ventana de especificacin. Seleccione tanto el sistema de M/M simple o el sistema de colas general para la entrada de los datos. El sistema de M/M simple tendr un formato de entrada mucho ms simple. 3. Entre los parmetros de la cola en la columna de "Entry" (Entrada). Note que para el sistema de colas general, los parmetros de la distribucin se entran en las columnas de "Parameters 1-3" (Parmetros 1-3). 4. (Opcional) Use las rdenes de Format (Formato) para cambiar el formato numrico, conjunto de caracteres, color, alineacin, alturas de la fila, y anchuras de la columna. 5. (Opcional, pero importante) Despus que el problema se entra, escoja el comando Save Problem As (Guardar el Problema Como) para guardar el problema. COMO ENTRAR UNA DISTRIBUCIN DE PROBABILIDAD Para entrar una distribucin de probabilidad, este es el procedimiento general: 1. Pulse Doble clic en la celda para entrar la distribucin en la hoja de clculo de entrada de datos. Esto plantear una lista de funciones de probabilidad para escoger. 2. Escoja o de clic en la funcin de probabilidad de la lista. Deben mostrarse los parmetros apropiados para la funcin al lado de la lista. Usted puede apretar Help para ver las Funciones de Distribucin de Probabilidad. 3. Presione el botn de OK para volver a la forma de entrada de datos. Los parmetros que siguen el nombre de la distribucin debern cambiar su descripcin de acuerdo con la funcin escogida.
Pag 69 de 98

COMO ENTRAR UNA DISTRIBUCIN DISCRETA Si usted ha especificado una distribucin discreta (el nmero de valores discretos se entra en la fila "Number of discrete values") durante el tiempo de servicio, los tiempos entre llegadas, o el tamao del lote, este es el procedimiento para entrar los valores discretos y las probabilidades asociadas: 1. Entre el nmero de datos discretos en la fila "Number of discrete values" (Parmetro 1). 2. Entre los datos discretos en la fila "Discrete values" (Parmetro 2) usando el formato "valor 1/probabilidad 1, valor 2/probabilidad 2,...", separe cada par de valores y la probabilidad asociada por una coma "," 3. Cuando se termine, apriete las teclas de flecha para mover el cursor al otro formulario de entrada de datos. COMO RESOLVER UN PROBLEMA Para resolver un problema de colas, aqu se muestra el procedimiento general: 1. Prepara los parmetros de la cola para el problema. (Nota: usted no tiene que tener un modelo formal para la entrada de los datos. Usted puede modificarlo junto con el proceso.) 2. Seleccione la orden New Problem (Nuevo Problema) para entrar el problema. 3. Para una prctica general buena, usted puede querer guardar el problema escogiendo el comando Save Problem As (Guardar el Problema Como) antes de resolverlo. 4. Seleccione el orden Solve the Performance (Resuelva la Actuacin) o Simulate the System (Simule el Sistema) para resolver el problema. 5. Despus que el problema se resuelve, escoja los rdenes del Results Menu (Men de los Resultados) para mostrar los resultados apropiados. COMO LLEVAR ADELANTE UNA SIMULACIN Para cualquier problema de colas que usted defina en QA, usted puede usar la simulacin Monte Carlo para evaluar la actuacin del sistema. Para simular el sistema de colas, aqu se muestra el procedimiento general: 1. Asuma que el problema se ha entrado y las distribuciones estn definidas. 2. Seleccione la orden Simulate the System (Simule el Sistema). El programa plantear una forma para permitirle especificar el proceso de la simulacin, incluyendo: (a). Random seed (semilla del Azar): Usted puede escoger el valor por defecto o reloj del sistema, o entrar un valor particular para la semilla del azar. Cada vez usted ejecute la simulacin, si la misma semilla del azar se usa, generar la misma sucesin nmeros aleatorios. Por consiguiente, escogiendo el reloj del sistema como la semilla del azar garantiza una sucesin del azar diferente. (b). Queuing discipline (Disciplina de la cola): Usted puede escoger FIFO (PEPS), LIFO (UEPS), o al azar para la disciplina de la cola. Disciplina de la cola es la regla para poder escoger al cliente en espera a ser servido cuando un servidor se pone disponible. Si el sistema tiene una solucin de la forma aproximada, el resultado debe estar muy cerca del de la simulacin usando la disciplina FIFO. (c). Simulation time (Tiempo de la Simulacin): Que indica cuanto tiempo funcionar el sistema de colas. (d). Start collection time (Iniciar tiempo de coleccin): Indica cuando el programa empieza a recolectar datos sobre la actuacin de la cola. Un tiempo de inicio distinto de cero para la recoleccin puede filtrar la inicializacin del estado del sistema. (e). Queue capacity (Capacidad de la Cola): esto permite al sistema el mantener a los clientes de espera. El valor por defecto es 1000 que es normalmente suficiente para la mayora de las situaciones. No se recomienda el entrar una capacidad de cola grande ya que puede usar toda la memoria de la computadora. (f). Maximum number of data collections (Nmero Mximo de recolecciones de datos): Esto es otra regla de detencin para que el programa detenga el proceso de la simulacin. Acompaado con el tiempo de la simulacin, el programa detiene la simulacin cuando cualquiera de los dos se alcanza. 3. Presione el comando OK para iniciar la simulacin si las especificaciones anterior se han hecho. Cuando se haya terminado la simulacin, el resultado se mostrar. COMO LLEVAR ADELANTE UN ANLISIS DE SENSIBILIDAD. Para un problema de colas que usted define en QA, usted puede realizar el anlisis de sensibilidad para ver cmo la actuacin del sistema cambia para valores de parmetro diferentes. Para realizar el anlisis de sensibilidad, aqu el procedimiento general: 1. Asuma que el problema se ha entrado y los parmetros estn definidos. 2. Seleccione el comando Perform Sensitivity Analysis (Realice Anlisis de Sensibilidad). El programa plantear una forma para permitirle especificar el anlisis de sensibilidad, incluyendo: (a). Seleccione un parmetro: escoja a cualquiera de la lista.
Pag 70 de 98

SUB-REA: INGENIERIA INDUSTRIAL (b). Rango del parmetro: Entre los valores del inicio, final, y los valores para cada paso del parmetro seleccionado para la evaluacin. El nmero de las situaciones de la cola resuelta ser determinado por los valores de inicio, final, y valores de cada paso. (c). Mtodo de Solucin: El mtodo predefinido para el problema de colas es la frmula aproximada. Sin embargo, cuando usted cambia un parmetro a un valor diferente puede hacer el problema irresoluble por la frmula. Cuando se es el caso, el programa usar el mtodo especificado, aproximacin o simulacin para evaluar el problema automticamente. (d). (Opcional) Especificacin de la Simulacin: si la simulacin es escogida en el paso (c), despus de presionar la orden OK, usted necesita entrar la especificacin de la simulacin. Presione OK para empezar el anlisis si las especificaciones anteriores se realizaron. Cuando se haya acabado del anlisis, se mostrar el resultado. Usted puede usar el Results Menu (Men de los Resultados) para mostrar el resultado grfico del anlisis de sensibilidad.
3. 4.
COMO LLEVAR ADELANTE UN ANLISIS DE CAPACIDAD. Para un problema de colas que usted define en QA, usted puede realizar el anlisis de capacidad para comparar los costos de configuraciones diferentes del nmero de servidores y capacidades de la cola. Para realizar anlisis de capacidad, aqu el procedimiento general: 1. Asuma que el problema se ha entrado y los parmetros se han definido. 2. Seleccione la orden Perform Capacity Analysis (Realice Anlisis de Capacidad). El programa plantear una forma para permitirle especificar el anlisis de capacidad, incluyendo: (a). Rango del nmero de servidores: entre los valores de inicio, final, y los valores de cada paso del nmero de servidores para la evaluacin. (b). Rango de la capacidad de la cola: entre los valores de inicio, final, y los valores de cada paso de la capacidad de la cola (espacio de espera) para la evaluacin. El nmero de las situaciones de la cola resueltas ser determinado por los valores de inicio, final, y los valores de cada paso del nmero de servidores y la capacidad de la cola. La capacidad predefinida de la cola es infinita (M). (c). Mtodo de Solucin: el mtodo predefinido para el problema de colas es la frmula de aproximacin. Sin embargo, cuando usted cambia el nmero de servidores y la capacidad de la cola puede hacer el problema irresoluble por la frmula. Cuando se es el caso, el programa usar el mtodo especificado, como tambin aproximacin o simulacin, para evaluar el problema, automticamente. (d). (Opcional) Especificacin de la Simulacin: si la simulacin es escogida en paso (c), despus de presionar OK, usted necesita entrar la especificacin de la simulacin. 3. Presione OK para empezar el anlisis si las especificaciones anteriores se han hecho. Cuando se haya acabado del anlisis, se mostrar el resultado. COMO IMPORTAR DATOS DE OTRAS APLICACIONES DE HOJAS DE CALCULO. Si usted decide entrar un problema de colas de una aplicacin de hoja de clculo como Microsoft Excel, use los pasos siguientes: 1. Entre el problema con la siguiente secuencia. Aqu se muestran las entradas para cada celda en la hoja de clculo: (Note que las celdas estn separadas por "," y los textos requeridos estn en "") Para el Sistema M/M de Entrada Simple: Fila 1: "QA", Nombre del Problema, Unidad de tiempo, 0. Fila 2: "Problem Specification", "Entry". Fila 3: "Number of servers", nmero de servidores. Fila 4: "Service rate per server", proporcin de servicio. Fila 5: "Customer arrival rate", proporcin de llegadas. Fila 6: "Queue capacity (maximum waiting space)", capacidad de la cola. Fila 7: "Customer population", poblacin del cliente. Fila 8: "Busy server cost per unit time", Costo de servidor ocupado por unidad de tiempo. Fila 9: "Idle server cost per unit time", Costo de servidor ocioso por unidad de tiempo. Fila 10: "Customer waiting cost per unit time", Costo de cliente en espera por unidad de tiempo. Fila 11: "Customer being served cost per unit time", Costo de cliente que se sirve por unidad de tiempo. Fila 12: "Cost of customer being balked", el costo de cliente no atendido. Fila 13: "Unit queue capacity cost", Costo Unitario de la capacidad de la cola. Para la Entrada de Sistema de Formacin de colas de espera General: Fila 1: "QA", Nombre del Problema, Unidad de tiempo, 1. Fila 2: "Problem Specification", "Entry". Fila 3: "Number of servers", nmero de servidores.
Pag 71 de 98

SUB-REA: INGENIERIA INDUSTRIAL Fila 4: "Service time distribution", nombre de la distribucin. Fila 5: "Parameter 1", parmetro 1. Fila 6: "Parameter 2", parmetro 2. (Si no existe ningn parmetro 2, entre 0.) Fila 7: "Parameter 3", parmetro 3. (Si no existe ningn parmetro 3, entre en 0.) Fila 8: "Service pressure coefficient", coeficiente de presin. Fila 9: "Interarrival time distribution", nombre de la distribucin entre llegadas. Fila 10: "Parameter 1", parmetro 1. Fila 11: "Parameter 2", parmetro 2. (Si no existe ningn parmetro 2, entre 0.) Fila 12: "Parameter 3", parmetro 3. (Si no existe ningn parmetro 3, entre en 0.) Fila 13: "Arrival discourage coefficient", coeficiente de retardacin de llegada. Fila 14: "Batch size distribution", nombre de la distribucin. Fila 15: "Parameter 1", parmetro 1. Fila 16: "Parameter 2", parmetro 2. (Si no existe ningn parmetro 2, entre 0.) Fila 17: "Parameter 3", parmetro 3. (Si no existe ningn parmetro 3, entre en 0.) Fila 18: "Queue capacity (maximum waiting space)", capacidad de la cola. Fila 19: "Customer population", poblacin del cliente. Fila 20: "Busy server cost per unit time", Costo de servidor ocupado por unidad de tiempo. Fila 21: "Idle server cost per unit time", Costo de servidor ocioso por unidad de tiempo. Fila 22: "Customer waiting cost per unit time", Costo de cliente en espera por unidad de tiempo. Fila 23: "Customer being served cost per unit time", Costo de cliente atendido por unidad de tiempo. Fila 24: "Cost of customer being balked", Costo de cliente sin atender por unidad de tiempo. Fila 25: "Unit queue capacity cost", Costo Unitario de la capacidad de la cola. Note que si la distribucin discreta es especificada para el tiempo de servicio, los tiempos entre llegadas, o el tamao de lote uso el formato descrito Cmo Entrar una Distribucin Discreta. 2. Guarde la hoja de clculo en un archivo con el formato del texto. 3. Los datos guardados se archivan entonces y pueden ser recuperados por QA. EJEMPLOS EJEMPLOS DE COLAS 1. Un almacn tiene 2 cajeras que atienden a razn de 1.5 minutos por cliente siguiendo una distribucin exponencial. Los clientes llegan a este almacn siguiendo una distribucin Poisson a razn de 30 por hora. Con esta informacin calcular: A)La probabilidad de que el sistema est lleno, B) La intensidad de trafico. Datos: Numero de servidores = 2 =30 [cl/hr] =1/1.5 [cl/min]= 40 [cl/hr] El problema ser del tipo M/M/2/FIFO// Procedimiento 1) Se iniciar un nuevo problema en el modulo Anlisis de Colas (QA). 2) Se elegir Sistema Simple M/M, por que es un modelo del que se conocen todos los datos. Este se llamar Cajeras, eligiendo como unidad de tiempo a horas:
3)
En la hoja de clculo se introducir los datos conocidos como se muestra:
Los valores de M, representan que es un valor infinito, como ya se menciono antes.
Pag 72 de 98

4)
Al presionar el icono
se ver la ventana de los resultados:
De la ventana de resultados podemos concluir: Customer arrival rate per hour = = 30 [cl/hr] Service rate per server per hour = = 40 [cl/hr] Overall system effective arrival rate per hour = Tasa de llegadas eficaces al sistema global por hora = 30 Overall system effective service rate per hour = Tasa de servicio eficaz del sistema global por hora = 30 Overall system utilization = Tasa de ocupacin del sistema = = 37.5 % Average number of customers in the system = Nmero promedio de clientes en el sistema = L = 0.8727 Average number of customers in the queue = Nmero promedio de clientes en la cola = Lq = 0.1227 Average number of customers in the queue for a busy system = Nmero promedio de clientes en la cola para un sistema ocupado = Lb = 0.6 Average time customer spends in the system = Tiempo promedio que un cliente pasa en el sistema = W = 0.0291 [horas] Average time customer spends in the queue = Tiempo promedio que un cliente pasa en la cola = Wq = 0.0041 [horas] Average time customer spends in the queue for a busy system = Tiempo promedio que un cliente pasa en la cola para un sistema ocupado = Wb = 0.02 [horas] The probablity that all servers are idle = Probabilidad de que todos los servidores esten ociosos = P0 = 45.45 % The probablity an arriving costumer waits = Probabilidad de que un cliente espere al llegar al sistema = Pw = Pb = 20.45 % Average number of customers being balked per hour = Numero promedio de clientes que no sern atendidos por el sistema por hora = 0 Por lo que las respuestas buscadas son A) Tasa de ocupacin del sistema = = 37.5 % B) Probabilidad de que un cliente espere al llegar al sistema = Pw = Pb = 20.45 % Adicionalmente podemos realizar los siguientes anlisis: Observar las probabilidades estimadas de que existan de 0 hasta 200 clientes en la cola:
Pag 73 de 98

SUB-REA: INGENIERIA INDUSTRIAL En este caso no es necesario llegar a 200 clientes, ya que se puede observar claramente, que las probabilidades de que existan 9 clientes, ya son casi cero (0.0001), siendo as de que la probabilidad de que existan 10 clientes sea cero. Tambin podemos realizar una simulacin del sistema: a) Si presionamos veremos la siguiente ventana:
En el que usaremos: - La semilla de aleatoriedad por defecto - Una disciplina de cola de tipo FIFO (PEPS) - Un tiempo de simulacin de cola de 24 horas (1 da). - El momento que iniciar la recoleccin de datos ser a las cero horas. - La capacidad de la cola es infinita (M). - El mximo de nmero de recolecciones de datos ser infinito (M). Si presionamos OK, se llevar adelante la simulacin y veremos los siguientes resultados de la actuacin de la cola durante 24 horas:
System M/M/2 =Sistema M/M/2 Customer arrival rate per hour = = 30 [cl/hr] Service rate per server per hour = = 40 [cl/hr] Overall system effective arrival rate per hour = Tasa de llegadas eficaces al sistema global por hora = 27.3295 Overall system effective service rate per hour = Tasa de servicio eficaz del sistema global por hora = 27.3295 Overall system utilization = Tasa de ocupacin del sistema = = 34.2151 % Average number of customers in the system = Nmero promedio de clientes en el sistema = L = 0.7565 Average number of customers in the queue = Nmero promedio de clientes en la cola = Lq = 0.0722 Average number of customers in the queue for a busy system = Nmero promedio de clientes en la cola para un sistema ocupado = Lb = 0.4174 Average time customer spends in the system = Tiempo promedio que un cliente pasa en el sistema = W = 0.0277 [horas] Average time customer spends in the queue = Tiempo promedio que un cliente pasa en la cola = Wq = 0.0026 [horas] Average time customer spends in the queue for a busy system = Tiempo promedio que un cliente pasa en la cola para un sistema ocupado = Wb = 0.0153 [horas] The probablity that all servers are idle = Probabilidad de que todos los servidores esten ociosos = P0 = 48.8648% The probablity an arriving costumer waits = Probabilidad de que un cliente espere al llegar al sistema = Pw = Pb = 17.2951 %
Pag 74 de 98

SUB-REA: INGENIERIA INDUSTRIAL Average number of customers being balked per hour = Numero promedio de clientes que no sern atendidos por el sistema por hora = 0 Simulation time in hours = Tiempo de simulacin en horas = 24 Starting data collection in hour = Iniciar recoleccin de datos en el tiempo = 0 Number of observations collected = Nmero de observaciones recolectadas = 656 Maxium number of costumers in queue = Nmero mximo de clientes en la cola = 4 Total simulation CPU time in second = Tiempo total de simulacin en el CPU = 0.1050 Las probabilidades estimadas para n clientes:
Se puede observar que se puede esperar para un tiempo de simulacin de 24 horas, un mximo de 6 clientes con una probabilidad de casi cero (0.0002). Otro de los anlisis del que podemos disponer es el de Anlisis de sensibilidad. Si presionamos podremos observar la siguiente ventana:
Si realizamos un anlisis de sensibilidad, seleccionando como parmetro de anlisis a la tasa de llegadas , haciendo que esta cambie de 30 a 100 [cl/hr], con un paso de 10 [cl/hr], utilizando el modelo de aproximacin G/G/s, podremos ver de que manera reacciona el sistema:
Podemos observar claramente de que la utilizacin del sistema va en incremento en una proporcin de 10 [cl/hr], y cuando sta llega a los 70 [cl/hr], se da una utilizacin del 87.5% (Mxima utilizacin posible), pero si seguimos incrementando hasta llegar a los 80 [cl/hr], el sistema se vuelve inestable, es decir el nmero de servidores es insuficiente. Tambin podemos ver el grfico del anlisis de sensibilidad de un parmetro determinado en funcin del parmetro analizado:
Pag 75 de 98

SUB-REA: INGENIERIA INDUSTRIAL Si presionamos en: Show Sensitivity Analysis - Graph
Se abrir la siguiente ventana:
En la que seleccionaremos como variable independiente para el grfico a L (Nmero promedio de clientes en el sistema), en funcin de nuestro parmetro analizado ():
En el que se puede ver un crecimiento exponencial. As sucesivamente se pueden ir analizando cada uno de los parmetros, dependiendo que necesidades se tiene.
Pag 76 de 98

SUB-REA: INGENIERIA INDUSTRIAL Otro anlisis disponible es el de Anlisis de Capacidad: a) Como ste anlisis se realiza a partir de costos, se asumirn los siguientes costos Costo de servidor ocupado por hora = 5 $ Costo de servidor ocioso por hora = 1 $ Costo por cliente en espera = 0.5 $ Costo por cliente servido por hora = 3 $ Costo por cliente no atendido = 1 $ Costo unitario por capacidad de cola = 3 $
b)
Si presionamos
podremos observar la siguiente ventana:
En el que variaremos el nmero de servidores de 2 a 8, con un paso de 1, y en el que la capacidad de la cola es Infinita, seleccionando la formula G/G/s de aproximacin.
Pag 77 de 98

SUB-REA: INGENIERIA INDUSTRIAL c) Si presionamos en OK, la ventana de resultados ser la siguiente:
2.
Una cadena de supermercados es abastecida por un almacn central. La mercadera que llega a este almacn es descargada en turnos nocturnos. Los camiones que descargan llegan en forma aleatoria siguiendo una Poisson a razn de dos camiones por hora. En promedio 3 trabajadores descargan 3 camiones por hora siguiendo una distribucin exponencial. Si el nmero de trabajadores del equipo es incrementado, la razn de servicio se incrementa en la misma proporcin. Cada trabajador recibe 5$ por hora durante el turno nocturno de 8 horas. El costo de tener el chofer esperando ser servido, se estima en 20 $ por hora. Se desea determinar el tamao del equipo que minimiza el costo total. Datos: Numero de servidores = 2 =2 [cl/hr] 1= 3 [cl/hr], 2= 4 [cl/hr], 3= 5 [cl/hr] El problema ser del tipo M/M/1/FIFO// CS = 5 [$/hr] CE = 20 [$/hr] Procedimiento 1) Se iniciar un nuevo problema en el modulo Anlisis de Colas (QA). 2) Se elegir Sistema Simple M/M, por que es un modelo del que se conocen todos los datos. Este se llamar Supermercados, eligiendo como unidad de tiempo a horas:
3)
Si presionamos
podremos observar la siguiente ventana:
Si realizamos un anlisis de sensibilidad, seleccionando como parmetro de anlisis al nmero de servidores, haciendo que esta cambie de 1 a 10 con un paso de 1, utilizando el modelo de aproximacin G/G/s en caso de no existir una formula para este modelo, podremos ver de que manera reacciona el sistema:
Pag 78 de 98

Podemos observar claramente de que a medida que se incrementa el nmero de servidores (1-15), los costos totales van disminuyendo, pudindose notar que el que al llegar a 4 servidores, se tiene el costo mnimo (23.4783), siendo que desde 5 servidores, nuevamente el costo total va en aumento. Podemos ver el grfico del anlisis de sensibilidad de el costo total, en funcin del nmero de servidores: Si presionamos en: Show Sensitivity Analysis - Graph
Se abrir la siguiente ventana:
Pag 79 de 98

Pudindose ver el siguiente grfico Por lo que la respuesta del nmero de servidores a seleccionar es 4 3. Cierta computadora tarda exactamente 1.5 horas en atender un servicio requerido. Si los trabajos llegan segn una Poisson a razn de un trabajo cada 120 minutos, se desea saber: a) Qu tanto debe esperar en promedio un trabajo para recibir atencin? b) Ser necesario la compra de otra computadora? c) Si la distribucin del tiempo de servicio fuera Erlang con una media de 1.5 y con un parmetro k = 5, Cunto debera esperar un trabajo para ser atendido? Cul sera la probabilidad de ser atendido? Datos: Numero de servidores = 1 =1/120 [tr/min] = 0.5 [tr/hr] = 1/1.5 [tr/hr] = 0.667 [tr/hr] El problema ser del tipo M/M/1/FIFO// Procedimiento 1) Se iniciar un nuevo problema en el modulo Anlisis de Colas (QA). 2) Se elegir Sistema Simple M/M, por que es un modelo del que se conocen todos los datos. Este se llamar Computadora, eligiendo como unidad de tiempo a horas:
3)
5)
Pag 80 de 98

SUB-REA: INGENIERIA INDUSTRIAL De la ventana de resultados podemos concluir: Customer arrival rate per hour = = 0.5 [tr/hr] Service rate per server per hour = = 0.667 [tr/hr] Overall system effective arrival rate per hour = Tasa de llegadas eficaces al sistema global por hora = 0.5 Overall system effective service rate per hour = Tasa de servicio eficaz del sistema global por hora = 0.5 Overall system utilization = Tasa de ocupacin del sistema = = 74.9625 % Average number of customers in the system = Nmero promedio de clientes en el sistema = L = 2.9940 Average number of customers in the queue = Nmero promedio de clientes en la cola = Lq = 2.2444 Average number of customers in the queue for a busy system = Nmero promedio de clientes en la cola para un sistema ocupado = Lb = 2.9940 Average time customer spends in the system = Tiempo promedio que un cliente pasa en el sistema = W = 5.9880 [horas] Average time customer spends in the queue = Tiempo promedio que un cliente pasa en la cola = Wq = 4.4888 [horas] Average time customer spends in the queue for a busy system = Tiempo promedio que un cliente pasa en la cola para un sistema ocupado = Wb = 5.9880 [horas] The probablity that all servers are idle = Probabilidad de que todos los servidores esten ociosos = P0 = 25.0375 % The probablity an arriving costumer waits = Probabilidad de que un cliente espere al llegar al sistema = Pw = Pb = 74.9625 % Average number of customers being balked per hour = Numero promedio de clientes que no sern atendidos por el sistema por hora = 0 Por lo que las respuestas buscadas son a) Tiempo promedio que un cliente pasa en la cola = Wq = 4.4888 [horas] b) No, porque la Tasa de ocupacin del sistema = = 74.9625 % La resolucin del inciso c es la que sigue: 1) Se iniciar un nuevo problema en el modulo Anlisis de Colas (QA). 2) Se elegir Sistema General de colas, por que es un modelo del que se conocen todos los datos de la distribucin Erlang. Este se llamar Computadoras 1, eligiendo como unidad de tiempo a horas:
3)
Como el problema es del tipo: M/EK/1/FIFO//. En la hoja de clculo se introducir los datos conocidos como se muestra:
Al presionar el icono INSERTAR EJEMPLO DEL ING. MANCHEGO
Pag 81 de 98

SUB-REA: INGENIERIA INDUSTRIAL 4. Las secretarias de cinco oficinas sacan copias en una copiadora en forma peridica. La razn de llegadas a la copiadora es Poisson con una media de 4 por hora; el tiempo de servicio es exponencial con una tasa promedio de 6 por hora. d) Cul es la probabilidad de que la copiadora est ociosa? e) Cul es el nmero promedio de secretarias usando la copiadora? f) Cul es el nmero promedio de secretarias en la copiadora? Datos: Numero de servidores = 1 = 4 [secr/hr] = 6 [secr/hr] El problema ser del tipo M/M/1/FIFO/5/5 Procedimiento 1) Se iniciar un nuevo problema en el modulo Anlisis de Colas (QA). 2) Se elegir Sistema Simple M/M, por que es un modelo del que se conocen todos los datos. Este se llamar secretaria, eligiendo como unidad de tiempo a horas:
3) En la hoja de clculo se introducir los datos conocidos como se muestra:
Por lo que lo que los resultados buscados son: a) Probabilidad de que la copiadora este ociosa = P0 = 1.4183 % b) Nmero promedio de secretarias usando la copiadora = L = 3.5213 c) Nmero promedio de secretarias en la copiadora = Lq = 2.5355 4. Los autos que llegan a una caseta de pago en una carretera siguen una Poisson con una media de 90 autos por hora. El tiempo promedio para pasar es de 38 segundos. Los chferes se quejan de un largo tiempo de paso y por ello el trnsito est dispuesto a disminuir a 30 segundos el tiempo de paso, introduciendo nuevos mecanismos. Este cambio se justifica si antes el nmero de autos que esperan sea mayor a cinco. Por otro lado, el % de tiempo ocioso en la caseta con el nuevo sistema no deber ser mayor al 10 % Se justifica el cambio? Datos:
Pag 82 de 98

SUB-REA: INGENIERIA INDUSTRIAL Numero de servidores = 1 = 90 [autos/hr] = 3600/30 [autos/hr] = 120 [autos/hr] N=6 P0 10 % El problema ser del tipo M/M/1/FIFO/N/ Procedimiento Los pasos 1 y 2 son los mismos, que en los anteriores problemas. 3) En la hoja de clculo se introducir los datos conocidos como se muestra:
Como las condiciones eran: Lq = 5 y P0 10 % Pero del modelo nos muestra de que Lq = 1.3878 y P0 = 27.7813 % Entonces se rechaza la implementacin de un nuevo sistema
Pag 83 de 98

SUB-REA: INGENIERIA INDUSTRIAL 5. Se tiene un puesto de gasolina con dos bombas, localizado en un punto privilegiado de la ciudad con un servicio excelente. Cada 5 minutos (siguiendo una exponencial) llega un cliente. Suponiendo que el puesto est abierto desde las 6 horas hasta las 21 horas y que la tasa de servicio es de 15 clientes por hora (siguiendo una Poisson) a)Cul es la tasa de ocupacin del sistema?, b) Cul es la probabilidad de que el sistema este lleno?, c) Cul es el tiempo promedio que un cliente pasa en el sistema? Datos: Numero de servidores = 2 = 1/5 [autos/min] = 12 [autos/hr] = 15 [autos/hr] El problema ser del tipo M/M/1/FIFO// Procedimiento Los pasos 1 y 2 son los mismos, que en los anteriores problemas. 3) En la hoja de clculo se introducir los datos conocidos como se muestra:
Las respuestas buscadas son: Tasa de ocupacin del sistema = = 40% Probabilidad de que el sistema este lleno = Pw = Pb = 22.8571% Tiempo promedio que un cliente pasa en el sistema = W = 0.0794[horas] 6. Una estacin de servicio maneja cuatro bombas de gasolina. El tiempo necesario para servir a un cliente tiene una distribucin exponencial con un ndice medio de 5 minutos. Los automviles llegan a la gasolinera con una distribucin de Poisson a un ndice medio de 30 por hora. Si llega un automvil y no hay bombas disponibles, la venta se pierde. La venta promedio de gasolina es de 4 $ por automvil. a) Cunto puede esperar perder diariamente el dueo de la gasolinera, debido a la impaciencia de los automovilistas? b) Cul es la probabilidad de que un cliente se vaya? c) S esta probabilidad fuera del 15 % o menos, Cul sera el nmero ptimo de bombas de gasolina? Datos: Numero de servidores = 4 = 30 [autos/hr] = 1/5 [autos/min] = 12 [autos/hr] El problema ser del tipo M/M/1/FIFO/4/4 Procedimiento Los pasos 1 y 2 son los mismos, que en los anteriores problemas. 3) En la hoja de clculo se introducir los datos conocidos como se muestra:
Pag 84 de 98

Las respuestas buscadas son: a) Perdida = 30 [autos/hr]*24/1 [hr/dia]*4[$/autos]*0.149916 = 431,75808 [$us/dia] b) Probabilidad de que un cliente se vaya = 14.9916 % La resolucin del inciso c es la siguiente: Si realizamos un anlisis de sensibilidad, seleccionando como parmetro de anlisis al nmero de servidores tenemos:
En el que claramente podemos ver de que Pw < 15 % desde el momento en que se incrementa el nmero de servidores a 5.
Por tanto la respuesta es 5
Ingeniera Industrial Programacin Lineal en Investigacin de Operaciones

1. (Mezcla de Gisqui) Una compaa destiladora tiene dos grados de gisqui en bruto (sin mezclar), I y II, de los cuales produce dos marcas diferentes. La marca regular contiene un 50% de cada uno de los grados I y II, mientras que la marca sper consta de dos terceras parte del grado I y una tercera parte del grado II. La compaa dispone de 3000 galones de grado I y 2000 galones del grado II para mezcla. Cada galn de la marca regular produce una utilidad de $5, mientras que cada galn del sper produce una utilidad de $6 Cuntos galones de cada marca debera producir la compaa a fin de maximizar sus utilidades?
Pag 85 de 98

SUB-REA: INGENIERIA INDUSTRIAL GRADO II 50% 25%
MARCAS REGULAR SPER
GRADO I 50% 75%
UTILIDAD $5 $6
Solucin: Qu es lo que vamos a Maximizar? x1 = la Cantidad de gisqui de la marca regular en galones x2 = la Cantidad de gisqui de la marca sper en galones Max Z = 5x1 + 6x2 .(1) Sujetos a: 1500x1 + 1000x2 < 3000 .. (2) 2250x1 + 500x2 < 2000 .(3) lo que queda Planteado x1, x2 > 0 2. (Mezcla) Una compaa vende dos mezclas diferentes de nueces. La mezcla ms barata contiene un 80% de cacahuates y un 20% de nueces, mientras que las ms cara contiene 50% de cada tipo. Cada semana la compaa obtiene 1800 kilos de cacahuates y 1200 kilos de nueces de sus fuentes de suministros. Cuntos kilos de cada mezcla debera producir a fin de maximizar las utilidades si las ganancias son de $ 10 por cada kilo de la mezcla ms barata y de $ 15 por cada kilo de la mezcla ms cara? MEZCLA BARATA CARA CACAHUATE 80% 50% NUEZ 20% 50% GANANCIA POR SEMANA $10 POR KILO $ 15 POR KILO
Solucin: Qu es lo que vamos a Maximizar? x1 = la Cantidad de mezcla de la marca BARATA en kilogramos x2 = la Cantidad de mezcla de la marca CARA en kilogramos Max Z = 10x1 + 15x2 .(1) Sujetos a: 1440x1 + 240x2 < 1800 .. (2) 900x1 + 600x2 < 1200 .(3) lo que queda Planteado x1, x2 > 0 3. (Dediciones sobre produccin) Una compaa produce dos productos, A y B. Cada unida de A requiere 2 horas en cada mquina y 5 horas en una segunda mquina. Cada unidad de B demanda 4 horas en la primera mquina y 3 horas en la segunda mquina. Se dispone de 100 horas a la semana en la primera mquina y de 110 horas en la segunda mquina. Si la compaa obtiene una utilidad de $70 por cada unidad de A y $50 por cada unidad de B Cunto deber de producirse de cada unidad con objeto de maximizar la utilidad total? PRODUCTO A B HRS MQUINA 1 2 4 HRS MQUINA 2 5 3 UTILIDAD $ 70 POR KILO $50 POR KILO
Solucin: Qu es lo que vamos a Maximizar? x1 = la Cantidad de produccin de A en unidades x2 = la Cantidad de produccin de B en unidades Max Z = 70x1 + 50x2 .(1) Sujetos a: 2x1 + 4x2 < 100 ... (2) 5x1 + 3x2 < 110 .(3) lo que queda Planteado x1, x2 > 0 4. (Decisiones sobre produccin) En el ejercicio anterior, suponga que se recibe una orden por 14 unidades de A a la semana. Si la orden debe cumplirse, determine el nuevo valor de la utilidad mxima. Solucin: Qu es lo que vamos a Maximizar?
Pag 86 de 98

SUB-REA: INGENIERIA INDUSTRIAL x1 = la Cantidad de produccin de A en unidades x2 = la Cantidad de produccin de B en unidades Max Z = 70x1 + 50x2 .(1) Sujetos a: 2x1 + 4x2 < 100 .. (2) 5x1 + 3x2 < 110 .(3) lo que queda Planteado x1, x2 > 0 5. (Decisiones sobre Produccin). Un fabricante produce dos productos, A y B, cada uno de los cuales requiere tiempo en tres mquina, como se indica a continuacin: PRODUCTO A B HRS MQUINA 1 2 5 HRS MQUINA 2 4 1 HRS MQUINA 3 3 2 UTILIDAD $250 POR KILO $300 POR KILO
Si los nmero de horas disponibles en las mquinas al mes son 200, 240 y 190 en el caso de la primera, segunda y tercera, respectivamente, determine cuntas unidades de cada producto deben producirse a fin de maximizar la utilidad total. Solucin: Qu es lo que vamos a Maximizar? x1 = la Cantidad de produccin de A en unidades x2 = la Cantidad de produccin de B en unidades Max Z = 250x1 + 300x2 .(1) Sujetos a: 2x1 + 5x2 < 200 ... (2) 4x1 + 1x2 < 240 ...(3) 3x1 + 2x2 < 190 ........... (4) lo que queda Planteado x1, x2 > 0 6. (Decisiones sobre produccin) En el ejercicio anterior, suponga que una repentina baja en la demanda del mercado del producto A obliga a la compaa a incrementar su precio. Si la utilidad por cada unidad de A se incrementa a $600, determine el nuevo programa de produccin que maximiza la utilidad total. Solucin: PRODUCTO HRS HRS HRS UTILIDAD MQUINA 1 MQUINA 2 MQUINA 3 A 2 4 3 $600 POR KILO B 5 1 2 $300 POR KILO Qu es lo que vamos a Maximizar? x1 = la Cantidad de produccin de A en unidades x2 = la Cantidad de produccin de B en unidades Max Z = 250x1 + 300x2 .(1) Sujetos a: 2x1 + 5x2 < 200 ... (2) 4x1 + 1x2 < 240 ...(3) 3x1 + 2x2 < 190 ........... (4) lo que queda Planteado x1, x2 > 0 7. (Decisiones sobre produccin) En el ejercicio 5, suponga que el fabricante es forzado por la competencia a reducir el margen de utilidad del producto B. Cunto puede bajar la utilidad de B antes de que el fabricante deba cambiar el programa de produccin? (El programa de produccin siempre debe elegirse de modo que maximice la utilidad total). Solucin: PRODUCTO A B HRS MQUINA 1 2 5 HRS MQUINA 2 4 1 HRS MQUINA 3 3 2 UTILIDAD $600 POR KILO $ X POR KILO
Pag 87 de 98

SUB-REA: INGENIERIA INDUSTRIAL Qu es lo que vamos a Maximizar? x1 = la Cantidad de produccin de A en unidades x2 = la Cantidad de produccin de B en unidades pero en ste caso, debemos tomar en cuenta que se debe minimizar, ahora la UTILIDAD del PRODUCTO B, pues bien, se reduce la mitad de la utilidad por lo tanto queda: Max Z = 250x1 + 150x2 .(1) (El programa de produccin siempre debe elegirse de modo que maximice la utilidad total). Sujeto a: 2x1 + 5x2 < 200 ... (2) 4x1 + 1x2 < 240 ...(3) 3x1 + 2x2 < 190 ........... (4) lo que queda Planteado x1, x2 > 0 8. (Decisiones sobre inversin) Un gerente de Finanzas tiene $ 1106 de un fondo de pensiones, parte de cual debe invertirse. El gerente tiene dos inversiones en mente, unos bonos conversadores que producen un 6% anual y unos bonos hipotecarios ms efectivo que producen un 10% anual. De acuerdo con las regulaciones del gobierno, no ms del 25% de la cantidad invertida puede estar en bonos hipotecarios. Ms an, lo mnimo que puede ponerse en bonos hipotecarios es de %100,000. Determine las cantidades de la dos inversiones que maximizarn la inversin total. Solucin: Qu es lo que vamos a Maximizar? x1 = la Cantidad de la inversin en bonos conservadores x2 = la Cantidad de la inversin en bonos hipotecarios Max Z = x1 + x2 .(1) Sujetos a: (0.06)(1,000,000)x1 + (0.1)(1,000,000)x2 < (1,000,000)(0.25) ... (2) x2 > 100,000 ... (3) x1, x2 > 0 9. (Decisiones sobre plantacin de cultivos) Un granjero tiene 100 acre pies en los cuales puede sembrar dos cultivos. Dispone de $ 3000 a fin de cubrir el costo del sembrado. El granjero puede confiar en un total de 1350 horas-hombre destinadas a la recoleccin de los dos cultivos y en el cuadro se muestra los siguientes datos por acre: CULTIVOS COSTO DE PLANTAR DEMANDA HORAS- UTILIDAD HOMBRE PRIMERO $20 5 $ 100 SEGUNDO $40 20 $ 300 Solucin: Qu es lo que vamos a Maximizar? x1 = la Cantidad de produccin del PRIMER CULTIVO en acre pies x2 = la Cantidad de produccin del SEGUNDO CULTIVO en acre pies Max Z = 100x1 + 300x2 .(1) (El programa de produccin siempre debe elegirse de modo que maximice la utilidad total). Sujeto a: x1 + x2 < 100 ......... (2) esta ecuacin se debe a que slo tiene 100 acre pies para los cultivos 5x1 + 20x2 < 1350... (3) 20x1 + 40x2 < 3000 ......(4) lo que queda Planteado x1, x2 > 0 10. (Decisiones sobre plantacin de cultivos) En el ejercicio anterior, determine la porcin del terreno que deber plantearse con cada cultivo si la utilidad por concepto del segundo cultivo sube a $ 450 por acre. Solucin: CULTIVOS PRIMERO SEGUNDO COSTO DE PLANTAR $20 $40 DEMANDA HOMBRE 5 20 HORAS- UTILIDAD $ 100 $ 450
Qu es lo que vamos a Maximizar?

Pag 88 de 98

SUB-REA: INGENIERIA INDUSTRIAL x1 = la Cantidad de produccin del PRIMER CULTIVO en acre pies x2 = la Cantidad de produccin del SEGUNDO CULTIVO en acre pies Max Z = 100x1 + 450x2 .(1) (El programa de produccin siempre debe elegirse de modo que maximice la utilidad total). Sujeto a: 5x1 + 20x2 < 1350... (2) 20x1 + 40x2 < 3000 ......(3) lo que queda Planteado x1, x2 > 0 11. (Planeacin diettica) La dietista de un hospital debe encontrar la combinacin ms barata de dos productos, A y B, que contienen: al menos 0.5 miligramos de tiamina al menos 600 caloras PRODUCTO A B TIAMINA 0.2 mg 0.08 mg CALORIAS 100 150
Solucin: Variables: x1 = la Cantidad mas Barata del producto A x2 = la Cantidad mas Barata del Producto B Max Z = x1 + x2 .(1) Sujeto a: 0.2x1 + 0.08x2 > 0.5... (2) (al menos) 100x1 + 150x2 > 150 ......(3) lo que queda Planteado x1, x2 > 0 12. (Putificacin del mineral) Una compaa posee dos minas, P y Q. En el cuadro siguiente se muestra la produccin de los elementos por cada tonelada producida por ambas minas respectivamente: MINAS P Q COBRE 50 lb 15 lb ZINC 4 lb 8 lb MOLIBDENO 1 lb 3 lb COSTO POR TON. DE OBTENCIN DE MINERAL $ 50 $ 60
La compaa debe producir cada semana, al menos las siguientes cantidades de los metales que se muestran a continuacin: 87,500 libras de cobre 16,000 libras de zinc 5,000 libras de molibdeno Cunto mineral deber obtenerse de cada mina con objeto de cumplir los requerimientos de produccin a un costo mnimo? Solucin: Variables: x1 = la Cantidad de Mineral de la MINA P en libras x2 = la Cantidad de Mineral de la MINA Q en libras Max Z = 50x1 + 60x2 .(1) 50x1 + 15x2 < 87,500 ......... (2) (COBRE) 4x1 + 8x2 < 16,000... (3) (ZINC) x1 + 3x2 < 5000 ......(4) (MOLIBDENO) x1, x2 > 0 lo que queda planteado 13. (Espacio de Almacenamiento) La bodega de un depa, de qumica industrial, almacena, al menos 300 vasos de un tamao y 400 de un segundo tamao. Se ha decidido que el nmero total de vasos almacenados no debe exceder de 1200. Determine la cantidades posibles de estos dos tipos de vasos que pueden almacenarse y mustrelo con un grfica. Solucin: Variables: x1 = la Cantidad de vasos de primer tamao
Pag 89 de 98

SUB-REA: INGENIERIA INDUSTRIAL x2 = la Cantidad de vasos de segundo tamao Max Z = x1 + x2 .(1) Sujeto a: x1 > 300... (2) (al menos) x2 > 400 ......(3) x1 + x2 < 1200 .......(4) x1, x2 > 0 14. (Espacio de Almacenamiento) En el ejercicio anterior, supongamos que los vasos del primer tamao ocupan 9 in2 del anaquel y los del segundo 6 in2. El rea total de anaqueles disponibles para almacenar es a lo sumo de 62.8 ft2. Determine las cantidades posibles de los vasos y mustrelo con una grfica. Solucin: Variables: x1 = la Cantidad de vasos de primer tamao x2 = la Cantidad de vasos de segundo tamao Max Z = x1 + x2 .(1) Sujeto a: x1 > 300... (2) (al menos) x2 > 400 ......(3) x1 + x2 < 1200 .......(4) 9x1 + 6x2 < 62.8 .......(5) x1, x2 > 0 15. (Planeacin Diettica) Una persona est pensando reemplazar en su dieta de la carne por frijoles de soya. Una onza de carne contiene un promedio de casi de 7 gramos de protena mientras que una onza de frijoles de soya (verde) contiene casi 3 gramos de protena. Si requiere que si consumo de protena diaria que obtiene de la carne y de los frijoles de soya combinados debe ser al menos de 50 gramos. Qu combinacin de stos nutrientes formarn un dieta aceptable? Solucin: Variables: x1 = la Cantidad de Carne x2 = la Cantidad de Frijoles de Soya Min Z = x1 + x2 .(1) Sujeto a: 7x1 + 3x2 > 50 .......(5) x1, x2 > 0 16. (Ecologa) Un estanque de peces los abastecen cada primavera con dos especias de peces S y T. Hay dos tipos de comida F1 y F2 disponibles en el estanque. El peso promedio de los peces y el requerimiento diario promedio de alimento para cada pez de cada especia est dado en el cuadro siguiente: especies S T F1 2 Unidades 3 Unidades F2 3 Unidades 1 Unidades Peso Promedio 3 libras 2 libras
If there are six hundred of F1 and three hundred of F2 everyday. How do you debit supply the pool for what the total weight of fishes are at least 400 pounds? Solucin: Qu es lo que vamos a Maximizar? x1 = la Cantidad de abastecimiento de Peces (ESPECIE S) en Primavera en Unidades x2 = la Cantidad de abastecimiento de Peces (ESPECIE T) en Primavera en Unidades Max Z = x1 + x2 .(1) Sujetos a: 2x1 + 3x2 < 600 .. (2) 3x1 + 1x2 < 300 .(3) 3x1 + 2x2 > 400 lo que queda Planteado x1, x2 > 0 17. Un granjero tiene 200 cerdos que consumen 90 libras de comida especial todos los das. El alimento se prepara como una mezcla de maz y harina de soya con las siguientes composiciones:
Pag 90 de 98

SUB-REA: INGENIERIA INDUSTRIAL Protena 0.09 0.6 Libras por Libra de Alimento Alimento Calcio Maz 0.001 Harina de Soya 0.002 Los requisitos de alimento de los cerdos son: 1. Cuando menos 1% de calcio 2. Por lo menos 30% de protena 3. Mximo 5% de fibra Determine la mezcla de alimentos con el mnimo de costo por da Solucin: Qu es lo que vamos a Minimizar? x1 = la Cantidad de Maz Libra por libra de Alimento x2 = la Cantidad de Harina de Soya Libra por libra de Alimento Min Z = 0.2x1 + 0.6x2 .(1) Sujetos a: 0.001x1 + 0.002x2 < (90)(0.01) .. (2) 0.09x1 + 0.6x2 < (90)(0.3) .(3) 0.02x1 + 0.06x2 > (90)(0.05) .......... (4) lo que queda Planteado x1, x2 > 0 18. Un pequeo banco asigna un mximo de $20,000 para prstamos personales y para automviles durante el mes siguiente. El banco cobra una tasa de inters anual del 14% a prstamos personales y del 12% a prstamos para automvil. Ambos tipos de prstamos se saldan en periodos de tres aos. El monto de los prstamos para automvil desde ser cuando menos de dos veces mayor que el de los prstamos personales. La experiencia pasada ha demostrado que los adeudos no cubiertos constituyen el 1% de todos los prstamos personales Cmo deben asignarse los fondos? Solucin: Qu es lo que vamos a Maximizar? x1 = la Cantidad Fondos de prstamos personales x2 = la Cantidad fondos de prstamos para automvil Min Z = 0.2x1 + 0.6x2 .(1) Sujetos a: (0.14)(20,000)x1 + (0.12)(20,000)x2 < 20000 .. (2) x2 > (2)(0.14)(20,000) .(3) x1 > (0.01)(0.12)(20,000) .......... (4) lo que queda Planteado x1, x2 > 0 19. Una planta armadora de radios produce dos modelos HiFi-1 y HiFi-2 en la misma lnea de ensamble. La lnea de ensamble consta de tres estaciones. Los tiempos de ensamble en la estaciones de trabajo son: Minutos por Unidad de Minutos por Unidad de Estacin de Trabajo HiFi-1 HiFi-2 1 6 4 2 5 5 3 4 6 Cada estacin de trabajo tiene una disponibilidad mxima de 480 minutos por da. Sin embargo, las estaciones de trabajo requieren mantenimiento diario, que contribuye al 10%, 14% y 12% de los 480 minutos totales de que se dispone diariamente para las estaciones 1, 2 y 3 respectivamente. La compaa desea determinar las unidades diarias que se ensamblarn de HiFi-1 y HiFi-2 a fin de minimizar la suma de tiempos no usados (inactivos) en la tres estaciones. Solucin: Qu es lo que vamos a Minimizar? x1 = la Cantidad de Unidades Diarias de HiFi - 1 x2 = la Cantidad de Unidades Diarias de HiFi - 2 Min Z = x1 + x2 .(1) Sujetos a: 6x1 + 4x2 < (0.1)(480) .. (2) 5x1 + 5x2 < (0.14)(480) .(3) 4x1 + 6x2 > (0.12)(480) .......... (4) lo que queda Planteado
Pag 91 de 98
Fibra 0.02 0.06
Costo ($/lb) 0.2 0.6

SUB-REA: INGENIERIA INDUSTRIAL x1, x2 > 0 20. Una compaa de productos electrnicos, produce dos modelos de radio, cada uno en una lnea de produccin de volumen diferente. La capacidad diaria de la primera lnea es de 60 unidades y la segunda es de 75 radios. Cada unidad del primer modelos utiliza 10 piezas de ciertos componente electrnicos, en tanto que cada unidad del segundo modelos requiere ocho piezas del mismo componente. La disponibilidad diaria mxima del componente especial es de 800 piezas. La ganancia por unidad de modelos 1 y 2 es $30 y $ 20, respectivamente. Determine la produccin diaria ptima de cada modelo de radio. Solucin: Qu es lo que vamos a Maximizar? x1 = la Cantidad de produccin del modelo 1 de Radio x2 = la Cantidad de produccin del modelo 2 de Radio Max Z = 30x1 + 20x2 .(1) Sujetos a: x1 < 60 .. (2) 10x1 + 8x2 < 800 .(3) x2 < 75 .......... (4) lo que queda Planteado x1, x2 > 0 21. Dos productos se elaboran al pasar en forma sucesiva por tres mquina. El tiempo por mquina asignado a los productos est limitado a 10 horas por da. El tiempo de produccin y la ganancia por unidad de cada producto son: Minutos Por Unidad Producto Mquina 1 Mquina 2 Mquina 3 Ganancia 1 10 6 8 $2 2 5 20 15 $3 Nota: Determine la combinacin ptima de los productos. Solucin: Qu es lo que vamos a Minimizar? x1 = la Cantidad de Unidades del Producto 1 x2 = la Cantidad de Unidades del Producto 2 Min Z = 2x1 + 3x2 .(1) Sujetos a: 10x1 + 5x2 < 10 .. (2) 6x1 + 20x2 < 10 .(3) 8x1 + 15x2 < 10 .......... (4) lo que queda Planteado x1, x2 > 0 22. Una compaa puede anunciar su producto mediante el uso de estaciones de radio y televisin locales. Su presupuesto limita los gastos de publicidad de $1000 por mes cada minutos de anuncio en la radio cuesta $5 y cada minuto de publicidad en televisin cuesta $100. La compaa deseara utilizar la radio cuando menos dos veces ms que la televisin. La experiencia pasada muestra que cada minuto de publicidad por televisin generar en trminos generales 25 ms venta que cada minutos de publicidad por la radio. Determine la asignacin ptima del presupuesto mensual por anuncios por radio y televisin. Solucin: Qu es lo que vamos a Maximizar? x1 = la Cantidad de presupuesto mensual para el Radio x2 = la Cantidad de presupuesto mensual para el Televisor Max Z = x1 + x2 .(1) Sujetos a: 5x1 + 100x2 < 1000 .. (2) x2 > (2)(x1) x1 > (25)(x2) .(3) x1, x2 > 0 23. Una compaa elabora dos productos: A y B. El volumen de ventas del producto A es cuando menos el 60% de las ventas totales de los dos productos. Ambos productos utilizan la misma materia prima, cuya disponibilidad diaria est limitada a 100 lb. Los productos A y B utilizan esta materia prima en los ndices o tasas de 2 lb/unidad y 4 lb/unidad, respectivamente. El precio de venta de los productos es $20 y $40 por unidad. Determine la asignacin ptima de la materia prima a los dos productos. Solucin: Qu es lo que vamos a Maximizar? x1 = la Cantidad de Unidades del Producto A x2 = la Cantidad de Unidades del Producto B
Pag 92 de 98

SUB-REA: INGENIERIA INDUSTRIAL Max Z = 20x1 + 40x2 .(1) Sujetos a: 2x1 + 4x2 < 100 .. (2) x1 > (0.6)(60) .(3) x1, x2 > 0 24. Una compaa elabora dos tipos de sombreros. Cada sombrero del primer tipo requiere dos veces ms tiempo de manos de obra que un producto del segundo tipo. Si todos los sobreros son exclusivamente del segundo tipo. La compaa puede producir un total de 500 unidades al da. El mercado limita las ventas diarias del primero y segundo tipos a 150 y 200 unidades. Supngase que la ganancia que se obtiene por producto es $8 por el tipo 1 y $5 para el tipo 2. Determine el nmero de sobreros de cada tipo que debe elaborarse para maximizar la ganancia. Solucin: Qu es lo que vamos a Maximizar? x1 = la Cantidad de Unidades del Sombrero TIPO 1 x2 = la Cantidad de Unidades del Sombrero TIPO 2 Max Z = 8x1 + 5x2 .(1) Sujetos a: 150x1 + 200x2 < 500 .. (2) x1 > (2)(200) .(3) x1, x2 > 0 25. Una empresa pequea, cuenta con dos mquina para elaborar dos productos. Cada producto tiene que pasar por la mquina A y despus por la mquina B. El producto 1 requiere 3 horas de la mquina A y 2 de la mquina B, mientras que el producto 2 requiere 1 hora de la mquina A y 2 horas de la mquina B. La capacidad de las mquina A y B son 500 y 650 horas semanales respectivamente. El producto a deja 350 pesos y el segundo producto B deja 600 pesos por utilidades. Analice usted la situacin de la operacin de esta, dado que por escasez de materia prima no puede producir ms de 21 unidades del producto. Solucin: Qu es lo que vamos a Maximizar? x1 = la Cantidad de Unidades del Producto A x2 = la Cantidad de Unidades del Producto B Max Z = 350x1 + 600x2 .(1) Sujetos a: 3x1 + 1x2 < 500 .. (2) 2x1 + 2x2 < 650 .. (3) x1 + x2 < 21 ....(4) x1, x2 > 0 26. el grupo IMPEXA, desea hacer publicidad para su productos en tres diferentes medios: radio, televisin y revista. El objetivo principal es alcanzar tantos clientes como sea posible. Han realizado un estudio y el resultado es: Durante el da Nmero de clientes 450,000 potenciales que puede alcanzar por unidades de publicidad 500,000 Durante la noche 800,000 Radio 675,000 Revistas 200,000
1,000,000
650,000
250,000
IMPEXA no quiere gastar ms de $1,200,00. Adems en publicidad por televisin no desean gastar ms de 750 mil pesos. Se desean comprar tres unidades de televisin durante el da y 2 unidades durante la noche. Plantee el problema como un modelo de programacin lineal. Solucin: Qu es lo que vamos a MAXIMIZAR? x1 = la Cantidad de clientes Potenciales por da x2 = la Cantidad de clientes Potenciales por noche x3 = la Cantidad de clientes por Radio x4 = la Cantidad de clientes por revistas Max Z = x1 + x2 + x3 + x4.(1) Sujetos a: (RESTRICCIONES DE BALANCE) x1 + x2 + x3 + x4 < 1,200,000 x1 + x2 < 750,000 x1 > 450,000
Pag 93 de 98

SUB-REA: INGENIERIA INDUSTRIAL x1 < 500,000 x2 > 800,000 x2 < 1,000,000 x3 > 375,000 x3 < 650,000 x4 > 200,000 x4 < 250,000 3x1 < 2x2 27. La seora Morales tiene una dieta a seguir, la cual rene los siguientes requisitos alimenticios. Al menos 4 mg. de vitamina A Al menos 6 mg. de vitamina B A lo ms 3 mg. de vitamina D As mismo, la dieta est formada por pan, queso, buebo, y carne. La tabla siguiente nos da los requerimientos por vitamina en mg. as como el costo: Contenido en mg por gramo de producto PRODUCTO PAN QUESO BUEBOS CARNE COSTO 40 31 19 53 VITAMINA A 0.20 0.15 0.15 0.30 VITAMINA B 0.18 0.10 0.40 0.35 VITAMINA D 0.10 0.14 0.15 0.16
Solucin: Qu es lo que vamos a Minimizar? x1 = la Cantidad a comprar de PAN x2 = la Cantidad a comprar de QUESO x3 = la Cantidad a comprar de HUEVO x4 = la Cantidad a comprar de CARNE Min W = 40x1 + 31x2 + 19x3 + 53x4.(1) Sujetos a: 0.20x1 + 0.15x2 + 0.15x3 + 0.30x4 > 4 0.18x1 + 0.10x2 + 0.40x3 + 0.35x4 > 6 0.10x1 + 0.14x2 + 0.15x3 + 0.16x4 > 3 x1, x2, x3, x4 > 0 28. (Inversiones) A Julio que es asesor de inversiones, se le presentan 4 proyectos con sus respectivos costos en un perodo de tres aos, as como la utilidad total. El requiere maximizar la utilidad total disponiendo de $50,000; $24,000; y $30,000 en cada uno de los aos siguientes: PROYECTO UTILIDAD TOTAL COSTO COSTO COSTO AO 1 AO 2 AO 3 X1 100 6 14 5 90 2 8 14 X2 75 9 19 18 X3 80 5 2 9 X4 Solucin: Qu es lo que vamos a Minimizar? x1 = la Cantidad de Maz Libra por libra de Alimento x2 = la Cantidad de Harina de Soya Libra por libra de Alimento Min Z = 0.2x1 + 0.6x2 .(1) Sujetos a: 0.001x1 + 0.002x2 < (90)(0.01) .. (2) 0.09x1 + 0.6x2 < (90)(0.3) .(3) 0.02x1 + 0.06x2 > (90)(0.05) .......... (4) lo que queda Planteado x1, x2 > 0 Disponibilidad:
Pag 94 de 98

SUB-REA: INGENIERIA INDUSTRIAL Las cantidades disponibles por ao se asignan a las diferentes variables o proyectos bajo estas restricciones para optimizar o maximizar la utilidad total. 29. Supngase que el Banco de Crdito al Campesino tiene dos planes de inversin a saber: El primero en el programa de tierras de riego, el segundo en el programa de tierras de temporal. El primer programa regresa un 30% de la inversin al fin del ao, mientras que el segundo plan regresa un 65% de la inversin, para el trmino de dos aos. Los intereses recibidos en ambos planes son reinvertidos de nuevo en cualquiera de ambos planes. Formule el programa lineal que le permita al banco maximizar la inversin total en un sexenio, si la inversin es de $ 100 millones. Solucin: Qu es lo que vamos a MAXIMIZAR? xiR = la Cantidad de inversin de riesgo a una ao i xiT = la Cantidad de inversin Temporal en 2 aos i donde i = 1, 2, 3, 4, 5, 6. Max Z = x1 + x2 + x3 + x4.(1) Sujetos a: (RESTRICCIONES DE BALANCE) x1R + x1T < 100,000 x2R + x2T < 1.30x1R x3R + x3T < 1.30x2R + 1.65x1T x4R + x4T < 1.30x3R + 1.65x2T x5R + x5T < 1.30x4R + 1.65x3T x6R < 1.30x5R + 1.65x4T x1T, xR > 0 30. Una compaa de perfumes puede anunciar su producto mediante el uso de estaciones de radio y televisin. Su presupuesto limita los gastos de publicidad a $1,500 por mes. Cada minuto de anuncio en la radio cuesta $15 y cada minuto de publicidad en televisin cuesta $90. La compaa deseara utilizar la radio cuando menos dos veces ms que la televisin. Los datos histricos muestran que cada minuto de publicidad por televisin generar en trminos generales 30 veces ms ventas que cada minuto de publicidad por radio. Determine la asignacin ptima del presupuesto mensual para anuncios por radio y televisin. Solucin: Qu es lo que vamos a Maximizar? x1 = la Cantidad de presupuesto mensual para el Radio x2 = la Cantidad de presupuesto mensual para el Televisor Max Z = x1 + x2 .(1) Sujetos a: 15x1 + 90x2 < 1500 .. (2) x2 > (2)(x1) x1 > (30)(x2) .(3) x1, x2 > 0 31. Una Tienda de animales ha determinado que cada Hmster debera recibirla menos 70 unidades de protena. 100 unidades de carbohidratos y 20 unidades de grasa. Si la tienda vende los seis tipos de alimentos mostrados en la tabla. Qu mezcla de alimento satisface las necesidades a un costo mnimo para la tienda? Alimento A B C D E F Protenas (Unidades / Onza) 20 30 40 40 45 30 Carbohidratos (Unidades / Grasa Onza) (Unidades / Onza) 4 50 9 30 11 20 10 25 9 50 10 20 Costo (Onza) 2 3 5 6 8 8
Solucin: Qu es lo que vamos a Minimizar? x1 = la Cantidad a mezclar de A x2 = la Cantidad a mezclar de B x3 = la Cantidad a mezclar de C x4 = la Cantidad a mezclar de D x5 = la Cantidad a mezclar de E x6 = la Cantidad a mezclar de F
Pag 95 de 98

SUB-REA: INGENIERIA INDUSTRIAL Min W = 2x1 + 3x2 + 5x3 + 6x4 + 8x5 + 8x6.(1) Sujetos a: 20x1 + 30x2 + 40x3 + 40x4 + 45x5 + 30x6 < 70 ......... PROTENA 50x1 + 30x2 + 20x3 + 25x4 + 50x5 + 20x6 < 100 ------ CARBOHIDRATOS 4x1 + 9x2 + 11x3 + 10x4 + 9x5 + 10x6 < 20 ---------- GRASA x1, x2, x3, x4 > 0 32. Una compaa manufacturera local produce cuatro deferentes productos metlicos que deben maquinarse, pulirse y ensamblarse. La necesidades especficas de tiempo (en horas) para cada producto son las siguientes: Producto I Producto II Producto III Producto IV Maquinado 3 2 2 4 Pulido 1 1 2 3 Ensamble 2 1 2 1
La compaa dispone semalmente de 480 horas para maquinado, 400 horas para el pulido y 400 horas para el ensamble. Las ganancias unitarias por producto son $6, $4, $6 y $8 respectivamente. La compaa tiene un contrato con un distribuidor en el que se compromete a entregar semanalmente 50 unidades del producto 1 y 100 unidades de cualquier combinacin de los productos II y III, segn sea la produccin, pero slo un mximo de 25 unidades del producto IV. cuntas unidades de cada producto debera fabricar semanalmente la compaa a fin de cumplir con todas las condiciones del contrato y maximizar la ganancia total? Considere que las piezas incompletas como un modelo de Programacin Lineal. Solucin: Qu es lo que vamos a Minimizar? x1 = la Cantidad a fabricar del producto I x2 = la Cantidad a fabricar del producto II x3 = la Cantidad a fabricar del producto III x4 = la Cantidad a fabricar del producto IV Min W = 6x1 + 4x2 + 6x3 + 8x4.(1) Sujetos a: 3x1 + 2x2 + 2x3 + 4x4 < 480 1x1 + 1x2 + 2x3 + 3x4 < 400 2x1 + 1x2 + 2x3 + 1x4 < 400 x1 > 50 x2 + x3 > 100 x4 < 25 x1, x2, x3, x4 > 0 33. Se procesan cuatro productos sucesivamente en dos mquina. Los tiempos de manufactura en horas por unidad de cada producto se tabulan a continuacin para las dos mquinas: Mquina 1 2 Producto 1 2 3 Producto 2 3 2 Producto 3 4 1 Producto 4 2 2
El costo total de producir una unidad de cada producto est basado directamente en el tiempo de mquina. Suponga que el costo por hora para las mquina 1 y 2 es $10 y $15. Las horas totales presupuestadas para todos os productos en las mquina 1 y 2 son 500 y 380. si el precio de venta por unidad para los productos 1, 2, 3 y 4 en $65, $70, $55 y $45, formule el problema como modelo de programacin lineal para maximizar el beneficio neto total. Solucin: Qu es lo que vamos a Maximizar? x1 = la Cantidad a fabricar del producto 1 x2 = la Cantidad a fabricar del producto 2 x3 = la Cantidad a fabricar del producto 3 x4 = la Cantidad a fabricar del producto 4 Max W = 65x1 + 70x2 + 55x3 + 45x4.(1) Sujetos a: 2x1 + 3x2 + 4x3 + 2x4 < 500
Pag 96 de 98

SUB-REA: INGENIERIA INDUSTRIAL 3x1 + 2x2 + 1x3 + 2x4 < 380 x1, x2, x3, x4 > 0 34. La compaa Delta tiene maquinaria especializada en la industria de plstico. La compaa se dispone a iniciar operaciones el prximo mes de enero y cuenta con $300,000 y diez mquinas. La operacin de cada mquina requiere de $4,000.00 al inicio de una mes para producir y al fin del mes la cantidad de $9,000.00 sin embargo, para cada dos mquinas se necesita un operador cuyo sueldo mensual es de $3000.00 pagando al principio del mes. La compaa se propone planear su produccin, empleo de operador y compra de maquinaria que debe tener, al principio del mes siete, al mximo nmero de mquina en operacin. Al principio de cada mes la compaa tiene disponibles tres alternativas para adquirir maquinaria. En la primera alternativa puede comprar mquina de $20,000.00 cada una con un periodo de entrega de una mes. Esto es, si al principio de cada mes t se pide y paga la maquinaria, est se entregar al principio del mes t + 1. En la segunda alternativa, se puede comprar en $15,000.00 cada maquinaria, pero el periodo de entrega es en dos meses. La ltima alternativa s comprar en $10,000.00 cada mquina con un periodo de entrega en tres meses. Formule un modelo de programacin lineal que permita determinar la poltica de compra de maquinaria, produccin y pago de operadores en cada mes, de manera tal que al principio del mes siete tenga el mximo nmero de mquina en operacin. Solucin: Qu es lo que vamos a Minimizar? x1 = la Cantidad a fabricar del producto I x2 = la Cantidad a fabricar del producto II x3 = la Cantidad a fabricar del producto III x4 = la Cantidad a fabricar del producto IV Min W = 6x1 + 4x2 + 6x3 + 8x4.(1) Sujetos a: 3x1 + 2x2 + 2x3 + 4x4 < 480 1x1 + 1x2 + 2x3 + 3x4 < 400 2x1 + 1x2 + 2x3 + 1x4 < 400 x1 > 50 x2 + x3 > 100 x4 < 25 x1, x2, x3, x4 > 0 35. Una compaa de productos qumicos que labora las 24 horas del da tiene las siguientes necesidades de personal tcnico y especializado Periodo 1 2 3 4 5 6 Hora del da 6 10 10 14 14 18 18 22 22 02 02 - 06 Personal tcnico 20 40 80 45 25 10 Personal Especializado 8 12 15 9 3 2
Observe que el periodo 1 sigue al periodo 6. Considere que cada persona en la compaa labora 8 horas consecutivas. Suponga que Xt y Zt, denotan el nmero de personas tcnicas y especializadas, respectivamente, que empiezan a trabajar al inicio del periodo t en cada da. En esta compaa, el acuerdo sindical establece que en todo momento debe haber por lo menos tres veces el nmero de personal tcnico que de personal especializado. Establezca un modelo de programacin lineal pata determinar el mnimo nmero de personal tcnico y especializado para satisfacer las necesidades diarias de trabajo en el compaa. Solucin: xiR = la Cantidad de personal tcnico xiT = la Cantidad de personalidad especializado donde i = 1, 2, 3, 4, 5, 6. Min Z = x1 + x2 Sujetos a: 20x1 + 8x2 > 60 40x1 + 12x2 > 120
Pag 97 de 98

SUB-REA: INGENIERIA INDUSTRIAL 80x1 + 15x2 > 240 45x1 + 9x2 > 3(45) 25x1 + 3x2 > 75 10x1 + 2x2 > 30 36. Ferrocarriles Nacionales de Mxico tiene al inicio del prximo ao la siguiente demanda de locomotoras diesel para ocupar su sistema en todo el pas: Trimestre Locomotoras Diesel 1 750 2 800 3 780
La gerencia de ferrocarriles puede satisfacer su demanda mediante la combinacin de las siguientes alternativas: a) Uso de la existencia de locomotoras diesel en estado de trabajo b) Compra de locomotoras al extranjero las cuales pueden entregarse al principio de cualquier trimestre c) Reparar locomotoras en los talleres nacionales con carcter normal. El tiempo re reparacin es de 6 meses. d) Reportar locomotoras en los talleres nacionales con carcter urgente. El tiempo de reparacin es de 3 meses. La alternativa b tiene un costo de $5,000,000 por locomotora La alternativa c tiene un costo de $100,000 por locomotora La alternativa d tiene un costo de $250,000 por locomotora Se estima que al principio del ao se tendrn 650 locomotora en estado de trabajo y el presupuesto de operacin para ese ao es de $100,000,000 entregado en partidas trimestrales de 40, 30, 20 y 10 millones respectivamente. Se supone que al final de cada trimestre el 5% de las locomotoras debe mantenerse a reparacin y el 5% quedan fuera de servicio. Formule un problema de programacin lineal que permita determinar la combinacin de polticas que debe tomar en cuenta la gerencias de F.F.C.C. para minimizar costos y satisfacer la demanda de locomotoras. Solucin: Qu es lo que vamos a Minimizar? x1 = la Cantidad de Demanda en el trimestre 1 x2 = la Cantidad de Demanda en el trimestre 2 x3 = la Cantidad de Demanda en el trimestre 3 Min W = 5,000,000x1 + 100,000x2 + 250,000x3 .(1) Sujetos a: x1 + x2 + x3 < 100,000,000 750x1 + 800x2 + 780x3 > 650 x1 > (0.05)(750) x2 > (0.05)(800) x3 > (0.05)(780) x1, x2, x3, x4 > 0
Pag 98 de 98

D3 Simulacion (IO) Investigacion de Operaciones

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

D3 Simulacion (IO) Investigacion de Operaciones

Diunggah oleh

Hak Cipta:

Format Tersedia

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

SUB-REA: INGENIERIA INDUSTRIAL

5. SIMULACIN (IO) INVESTIGACIN DE OPERACIONES

Sistemas, Modelos y Simulacin

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

Clasificacin de los modelos

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

Ventajas y desventajas de la simulacin frente solucin analtica

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

Cundo utilizar simulacin

Formulacin del problema

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

Coleccin de datos y Anlisis

Desarrollo del modelo

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

Construccin del Modelo Las tareas principales en la construccin de un modelo son:

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

Verificacin y Validacin del modelo

Experimentacin y Anlisis de las salidas

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

Implantacin de los resultados de la Simulacin

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

FORMULA CIONDEL PROBLEMA

SI FORMULACION DELMODELO Setomaalsistemareal,loanalizamosy hacemosabstracc,quitandoloms importante

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

VALIDACION DEL MODELO

BUENA PLANEACION ESTRATEGICA Disearunexperimentoparabuscaruna nuevainformacindeseada

Determinarcomosevaharealizarcasauna delascorridasdepruebadeldiseo experimental

Empezarainferirconbaseenlosdatos generadosaqueclasedesistemadiferido Podemosatribuirloquepasaconeste

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

Orgenes de la Investigacin de Operaciones

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

Definicin y Significado de Investigacin de Operaciones

Caractersticas de la Investigacin de Operaciones

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

Definicin del problema y recoleccin de datos

Formulacin de un modelo matemtico

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

Obtencin de una solucin a partir del modelo

Prueba del modelo

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

Preparacin para la aplicacin del modelo

Definicin de Sistemas de Produccin

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

Tipos de Modelos de los Sistemas de Produccin

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

FORMULACIN DEL PROBLEMA

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

REA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL