Simulacin

Introduccin

R. De La T. 1
I ntroduccin:
Los modelos de simulacin estn imitando una situacin real. Estos modelos se
representan por ecuaciones matemticas, pero esta explcitamente incorporado
probabilidad en una o ms variables de entrada. Cuando se corre una simulacin se
propone que las variables aleatorias de entrada que toman varios valores, y se guarda una
huella que resultan de las variables de salida las cual se tiene un inters especial,
siguiendo este procedimiento se podr realizar los cambios de las variables de salida en
base a los cambios que se realicen en las variables de entrada.

Un avance fundamental en los modelos de simulacin es mostrar los resultados
completos en base a una funcin, no un simple rengln de resultados. Como ejemplo
supongamos la planeacin de fabricacin de un automvil de un nuevo modelo. La
compaa esencialmente est interesada en los resultados de los valores presentes de las
utilidades del automvil por los prximos 10 aos. Sin embargo existen mucha
incertidumbre incluyendo las demandas que los clientes harn anualmente, el costo del
desarrollo y otros variables, se puede desarrollar modelos de simulacin para los
siguientes 10 aos usando los mejores pronsticos para las cantidades con incertidumbre.
Ahora bien este anlisis puede ser incompleto y probabilsticamente engaoso, como
tambin se puede tener la certeza de que los valores si ocurran de manera real. Esto
involucra a distribuciones de probabilidad con variables de probabilidad, y se busca en
que rango varan estas.

Un conjunto de valores diferentes para variables con incertidumbre se puede considerar
como un escenario. La simulacin permite generar muchos escenarios. Los modelos de
simulacin se usan tambin para poder determinar la sensibilidad del sistema que
representan, haciendo cambios en las condiciones de operacin. Por ejemplo se simula la
operacin de un supermercado. Atrs de la simulacin se tiene todo un desarrollo, que se
puede correr con las modificaciones planteadas y hacer una serie de preguntas como que
pasara si. Como ejemplo si el supermercado experimenta un incremento del 20% en el
negocio, que pasara al promedio de clientes que esperan en el servicio.

Un beneficio en la simulacin es tener disponible las respuestas de que pasara si, sin
cambiar el sistema fsico. Por ejemplo el ejecutivo de supermercado podr experimentar
con un nmero de cajas abiertas y ver el efecto en el tiempo de espera de los clientes.


Como se debe plantear un modelo de Simulacin





Simulacin
Introduccin

R. De La T. 2

Formulacin del problema
Configuracin de objetivos
globales y plan de proyecto
Modelo conceptual Recoleccin de datos
Modelo traducido
Verificado?
Validado?
Diseo del experimento
Realizacin de corridas y
anlisis de la misma
Ms corrida?
Documentacin y reportes
Implementacin
Simulacin
Introduccin

R. De La T. 3
QUE ES SIMULACIN

Se afirma que esta disciplina que renaci como una tcnica numrica durante la segunda
guerra mundial, cuando los cientficos alemanes Von Newmann (Austro Hngaro) y
Ulam (Polaco) aplicaron los mtodos de Montecarlo a problemas de difusin y fusin
nuclear en el desarrollo de la bomba atmica por parte de U.S.A. en el proyecto
Manhattan.

La simulacin de Monte Carlo es una tcnica que combina conceptos estadsticos
(muestreo aleatorio) con la capacidad que tienen las computadoras para generar nmeros
pseudo-aleatorios y automatizar clculos.
Los orgenes de esta tcnica estn ligados (Proyecto Manhattan) al trabajo desarrollado
por Stan Ulam y John Von Neumann a finales de los 40 en el laboratorio de Los lamos
Nuevo Mxico, cuando investigaban el movimiento aleatorio de los neutrones. En aos
posteriores, la simulacin de Monte Carlo se ha venido aplicando a una infinidad de
mbitos como alternativa a los modelos matemticos exactos o incluso como nico medio
de estimar soluciones para problemas complejos. As, en la actualidad es posible
encontrar modelos que hacen uso de simulacin Monte Carlo en las reas informtica,
empresarial, econmica, industrial e incluso social. En otras palabras, la simulacin de
Monte Carlo est presente en todos aquellos mbitos en los que el comportamiento
aleatorio o probabilstico desempea un papel fundamental precisamente, el nombre de
Monte Carlo proviene de la famosa ciudad de Mnaco, donde abundan los casinos de
juego y donde el azar, la probabilidad y el comportamiento aleatorio conforman todo un
estilo de vida.
Son muchos los autores que han apostado por utilizar hojas de clculo para realizar
simulacin Monte Carlo. La potencia de las hojas de clculo reside en su universalidad,
en su facilidad de uso, en su capacidad para recalcular valores y, sobre todo, en las
posibilidades que ofrece con respecto al anlisis de escenarios (what-if anlisis). Las
ltimas versiones de Excel incorporan, adems, un lenguaje de programacin propio, el
Visual Basic para Aplicaciones, con el cual es posible crear autnticas aplicaciones de
simulacin destinadas al usuario final. En el mercado existen de hecho varios
complementos de Excel (agregados) especficamente diseados para realizar simulacin
Monte Carlo, siendo los ms conocidos: @Risk, Crystall Ball, Insight.xla, SimTools.xla,
etc.

Conceptos Fundamentales

La funcin =ALEATORIO () de Excel
Las hojas de clculo como Excel (y cualquier lenguaje de programacin estndar) son
capaces de generar nmeros pseudo-aleatorios provenientes de una distribucin uniforme
entre el 0 y el 1. Este tipo de nmeros pseudo-aleatorios son los elementos bsicos a
partir de los cuales se desarrolla cualquier simulacin por computadora. En Excel, es
Simulacin
Introduccin

R. De La T. 4
posible obtener un nmero pseudo-aleatorio proveniente de una distribucin uniforme
entre el 0 y el 1 usando la funcin =ALEATORIO ():

Los nmeros generados mediante la funcin =ALEATORIO () tienen dos propiedades
que los hacen equiparables a nmeros completamente aleatorios:
1. Cada vez que se usa la funcin =ALEATORIO (), cualquier nmero real
entre 0 (cero) y 1 (uno) tiene la misma probabilidad de ser generado (de ah el
nombre de distribucin uniforme).
2. Los diferentes nmeros generados son estadsticamente independientes unos de
otros (es decir, el valor del nmero generado en un momento dado no depende de
los generados con anterioridad).

La funcin =ALEATORIO () es una funcin voltil de Excel. Esto significa que cada
vez que se oprime la tecla F9 o cambiemos alguno de las entradas del modelo, todas las
celdas donde aparezca la funcin =ALEATORIO () sern recalculadas de forma
automtica.
Se pueden encontrar ejemplos del uso de =ALEATORIO () en el propio men de ayuda
de Excel.
Qu es la simulacin de Monte Carlo?
La simulacin de Monte Carlo es una tcnica cuantitativa que hace uso de la estadstica y
las computadoras para imitar, mediante modelos matemticos, el comportamiento
aleatorio de sistemas reales no dinmicos (por lo general, cuando se trata de sistemas
cuyo estado va cambiando con el paso del tiempo, se recurre bien a la simulacin de
eventos discretos o bien a la simulacin de sistemas continuos).
La clave de la simulacin Monte Carlo consiste en crear un modelo matemtico del
sistema, proceso o actividad que se quiere analizar, identificando aquellas variables
(entradas del modelo) cuyo comportamiento aleatorio determina el comportamiento
global del sistema. Una vez identificados dichos entrada o variables aleatorias, se lleva a
cabo un experimento consistente en (1) generar con ayuda de la computadora muestras
aleatorias (valores concretos) para dichas entradas, y (2) analizar el comportamiento del
sistema ante los valores generados. Tras repetir n veces este experimento, dispondremos
de n observaciones sobre el comportamiento del sistema, lo cual nos ser de utilidad para
entender el funcionamiento del mismo obviamente, nuestro anlisis ser tanto ms
preciso cuanto mayor sea el nmero n de experimentos que llevemos a cabo.


Simulacin
Introduccin

R. De La T. 5
Simulacin

a Computador
Modelos
Sistemas



Modelar.- relacionar los sistemas reales con los modelos tericos (matemticos) para el
estudio de la valides de estos ltimos.

Modelar: representacin grfica



Soluciones Posibles:





Solucin
Factible
Solucin
Satisfactoria
Solucin
ptima
Solucin no
adecuada
Sistema
Real
Modelo
(Matemtico)
Computador
Simulador
(Software)
Simulacin
Introduccin

R. De La T. 6


Introduccin a la simulacin

La simulacin es una herramienta muy importante para el diseador. Por ejemplo se
poda citar el vuelo de un avin en el tnel de viento, lo cual es una prctica normal en el
diseo de este tipo de aparatos. En la teora se usan las leyes de la fsica para obtener la
informacin sobre los fenmenos que ocurren en la estructura de la nave, pero en lo
prctico, el anlisis es mucho ms complicado. Una prctica poco comn sera construir
aviones para cada uno de los diseos y probarlos en vuelos, esto sera demasiado costoso
y peligroso. Por todo esto se debe desarrollar un diseo bsico, la herramienta ms til
para experimentar con diseos determinados es la simulacin.

La simulacin significa imitar el desempeo de cualquier sistema fsico y/o econmico
con el fin de estimar cual sera el desempeo real. Despus de analizar un sistema
detallado por medio de esta tcnica, se puede construir un prototipo de sistema y probarse
de tal forma que este de debe de comportar de forma muy parecida al diseo obtenido
siguiendo este tipo de razonamiento.

En la investigacin de operaciones la simulacin sirve para el desarrollo de algn
sistema estocstico (sistema probabilsticos).

Entrada
Salida
Limite
Del
Sistema
Componentes del Sistema
Conceptualizacin de un sistema
Simulacin
Introduccin

R. De La T. 7
Algunos de estos sistemas se pueden asociar a problemas de cadenas de Markov, lneas
de espera y otros ms. Para poder simular estos sistemas se utilizan distribuciones de
probabilidad que imitan el comportamiento de estos. Por todo esto, un modelo de
simulacin sintetiza el comportamiento de sistemas de investigacin de operaciones. Para
esto se corre el modelo matemtico que imita al sistema real y a partir de esto se obtienen
observaciones estadsticas de desempeo del modelo matemtico. Como la corrida de la
simulacin por lo general requiere de la generacin de una gran cantidad de datos, lo
normal es que estos experimentos estadsticos se lleven a cabo por medio de una
computadora.

Cuando es necesario utilizar la simulacin como parte de un estudio de la investigacin
de operaciones es comn que vaya precedida de los siguientes pasos:

1) Hacer un anlisis terico preliminar para el desarrollo de un diseo bsico del
sistema.

2) Usar la simulacin para experimentar con los diseos especficos con el fin de
estimar cual sera el desarrollo real del sistema.

3) Una vez desarrollado el diseo del sistema detallado, se prueba para los ltimos
detalles del diseo final.

La simulacin proporciona un medio para dividir el trabajo de construir un modelo en
componentes ms sencillas de formular y despus se combinan estas componentes en su
orden natural.

La simulacin es la tcnica de realizar experimentos de muestreo sobre el modelo del
sistema. Los experimentos se lleva a cabo en el modelo en lugar de hacerlo en el propio
sistema real ya que esto resultara inconveniente, muy caro, peligroso y quizs muy
tardado, los experimentos de simulacin se deben considerar iguales a los experimentos
estadsticos comunes, por lo que es importante considerar como fundamento la teora
estadstica formal.

P.- Una persona ha ganado un premio que consiste en unas vacaciones con todos los
gastos pagados a un hotel de playa, el cual tiene un casino dentro de sus instalaciones.

El jugador se ha dado cuenta que en el casino existe un juego muy interesante que tiene
las siguientes reglas.

Reglas del juego:

1. cada jugada implica lanzar una moneda al aire, hasta que la diferencia entre el
numero de guilas y soles sea de tres (3).

Simulacin
Introduccin

R. De La T. 8
2. si se decide jugar, se debe pagar $1 cada vez que se lanza una jugada. No se
permite abandonar el juego durante una jugada.

3. recibe $8 cada que termina un juego.

Entonces, se gana dinero si el nmero de veces que se lanza la moneda es menor a ocho
(8), pero pierde su dinero si se lanza ms de ocho veces.

A.- guila
S.- sol


Lanzamientos
guilas y soles
Nmero de veces ganancia
AAA 3 $5
SASSS 5 $3
SAASASASSSS 11 -$3

Cmo decidir si entra al juego?

Muchas personas que conocen esta tcnica decidiran utilizarla. En esta situacin, la
simulacin equivale a jugar varias veces la partida, hasta que se aclare si vale la pena
jugar por dinero. Esto podra basarse en lanzar la moneda durante un determinado tiempo
y registrar las ganancias y prdidas que resultan. Esto resulta ser una simulacin real del
juego sin realmente ganar o perder dinero.

Como tema de la introduccin a la simulacin por medio de la computadora se ver como
se puede realizar un experimento simulado. Esto se logra por medio de una generacin de
nmeros aleatorios secuenciales.

Un nmero es aleatorio entre 0 y 1 si se genero de modo que cada nmero posible en
este intervalo tiene la misma oportunidad de ocurrir.

Las probabilidades de lanzar una moneda son:

P (guila) =

P (sol)=

De aqu que para simular el volado de una moneda, la computadora puede asignar
cualquier mitad de los nmeros aleatorios posibles a guila o a sol. Para ser ms preciso,
se usara las siguientes expresiones:

De 0.0000 a 0.4999 corresponde guila
Simulacin
Introduccin

R. De La T. 9
De 0.5000 a 0.9999 corresponde a Sol

Se usara la formula =SI (Aleatorio () <0.5, 1, 0)

Aqu Excel insertara un 1 (para indicar guila) si el aleatorio es menor que 0.5 y un 0 si
el aleatorio es mayor o igual a 0.5. La simulacin se presenta a continuacin.

lanzamientos.xls
Proceso de modelacin

- Permite a los investigadores la organizacin del conocimiento y las observaciones
sobre el sistema.

- Proporciona un marco para constatar el sistema y sus posibles modificaciones.

- Proporciona una perspectiva sobre detalles y aspectos relevantes.

- Es posible una mayor y mejor manipulacin que con el propio sistema.

- Facilita el anlisis.

- Con un modelo matemtico o algoritmo se describe un problema en forma ms
concisa.

- Permite controlar mejor las fuentes de variacin, lo que permite el estudio directo
del sistema.

- Es menos costoso que experimentar con el sistema.

Diagrama de flujo para la modelacin de un sistema que se simulacin

Simulacin
Introduccin

R. De La T. 10

Modelar
Motivacin
Conceptos
Mtodos
Recursos
Anlisis del sistema
Marco experimental
Relaciones
Restricciones
Estrategias de
solucin
Formulacin de hiptesis
Formulacin del modelo bsico
Formulacin del modelo
Simplificado
Sistema
Real


Validacin
Implementacin
No satisfactorio
Satisfactorio
Satisfactorio
No
satisfactorio
Verificacin
Simulacin
Introduccin

R. De La T. 11
Posibles planteamientos para un problema que se pueda resolver utilizando la tcnica de
simulacin



Primera etapa.- identificar el problema
Segunda etapa.- planteamiento del modelo

Problema
Construir modelo
Matemtico
Recopilar datos descriptivos
Definir las componentes
Y las interrelaciones del problema
Elaborar el algoritmo
De la solucin
Elaborar el modelo de simulacin
Generar la solucin
Usando el algoritmo
Llevar a cabo la simulacin
Optimizacin de
Resultados
Resultados descriptivos
Solucin
Simulacin
Introduccin

R. De La T. 12

Identificacin del problema
Recopilar datos
Definir los componentes
Interrelaciones del problema
Identificacin de sub modelos
Planteamiento del problema
Construir el modelo del sistema
Hacer un modelo experimental
Validacin del modelo
Experimentar: generar entradas y
salidas para el sistema
Llevar a cabo la simulacin
Resultados: recopilar estadsticas de
operacin referentes al
comportamiento del sistema
Hacer cambios
de reglas de
decisin de
parmetros del
modelo de la
estructura del
modelo
Interpretar interferencias conclusiones con base en los datos de la simulacin
Si No
No
Si
Se ha ensayado el modelo
lo suficiente para el
conjunto definido de
condiciones
Resultado de la simulacin
Se han estudiado todas las
condiciones del modelo?
Simulacin
Introduccin

R. De La T. 13
Para poder manejar la simulacin es posible hacerla por dos mtodos:

1. incrementos fijos de tiempo
2. incrementos variables de tiempo (el ms usado)

Simulacin de Montecarlo

Esta tcnica normalmente fue utilizada por el matemtico alemn Von Newmann
Preparacin de los datos del problema expuesto anteriormente:

P.-La administracin de una empresa ha observado que el tiempo muerto de las maquinas
en el rea de produccin, aumenta los pedidos atrasados que no se han surtido y hace que
se pierdan oportunidades de venta. Los administradores opinan que es posible reducir en
forma significativa el problema utilizando un nmero adecuado de obreros de
mantenimiento.

El salario por hora para los obreros de mantenimiento es $150/hora. Los administradores
consideran que se pierde $750/hora cuando una maquina no est en operacin; este costo
incluye las utilidades que se pierden, as como tambin el costo del tiempo muerto de los
operadores.

La compaa necesita determinar el nmero ptimo de personal de mantenimiento. Esto
es, la compaa necesita saber en qu punto el costo del personal de mantenimiento
equivale a los costos esperados por el tiempo muerto de operadores y las utilidades que se
pierden.

El gerente de produccin de la compaa ha recopilado datos con respecto a tiempos que
transcurren entre las descomposturas:

Tiempo entre descomposturas

Tiempo entre
Descomposturas
(minutos)
Frecuencia
De
ocurrencia
15 7
16 14
17 15
18 28
19 36
20 27
21 15
22 8
Total 150

Simulacin
Introduccin

R. De La T. 14
Estimaciones de los tiempos de servicio para la reparacin de la maquinaria:

Tiempo de servicio
(minutos)
probabilidad
5-15 0.05
15-25 0.25
25-35 0.40
35-45 0.25
45-55 0.05


Tiempo entre
descomposturas
Probabilidad de
ocurrencia
Probabilidad
acumulada
Intervalo del
nmero aleatorio
15 7/150=0.0467 0.0467 0.0000-0.0466
16 14/150=0.0933 0.14 0.0467-0.1399
17 15/150=0.10 0.24 0.1400-0.2399
18 28/150=0.1867 0.4267 0.2400-0.4266
19 36/150=0.24 0.6667 0.4267-0.6666
20 27/150=0.18 0.8467 0.6667-0.8466
21 15/150=0.10 0.9467 0.8467-0.9466
22 8/150=0.0533 1.000 0.9467-0.9999


Distribucin de probabilidades para tiempos de servicio de reparacin

Tiempos de
servicio
Probabilidad de
ocurrencia
Probabilidad
acumulada
Intervalo de
nmero aleatorio
10 0.05 0.05 0.00-0.04999
20 0.25 0.30 0.05-0.29999
30 0.40 0.70 0.30-0.69999
40 0.25 0.95 0.70-0.94999
50 0.05 1.00 0.95-0.99999

C:\Users\Ral Ramrez De La T\Desktop\Simulacion\simulacin - 1.xls simulacion1.xls

Una vez analizado el problema es adecuado normalizar la forma de solucionar problemas
que se necesite como herramienta un proceso de simulacin.







Simulacin
Introduccin

R. De La T. 15

Formular problema
Reunir datos y elaborar
Modelo
Traducir el modelo a
Lenguaje de cmputo
Esta
verificado?
Esta
validado?
Disear el experimento
Desarrollar la corrida de
Simulacin
Analizar los datos
obtenidos
Est
completa la
Simulacin?
Documentar y poner en
Practica la simulacin
Simulacin
Introduccin

R. De La T. 16
Ventaja y desventaja de la simulacin por computadora

Desventajas:

1. los resultados numricos obtenidos se basan en un conjunto especfico de nmeros
aleatorios, cuyos valores corresponden a solo uno de los resultados posibles. Por
lo tanto, los valores finales reportados en una simulacin son solo estimaciones
de los valores reales que se estn buscando.

2. para obtener estimaciones ms exactas y para minimizar la probabilidad de tomar
una mala decisin, se deber realizar un gran nmero de ensayos en cada
simulacin y repetir la simulacin muchas veces.

3. cada simulacin requiere su propio diseo especial para imitar el argumento real
bajo investigacin y su propio programa de computadora asociado, aunque es
posible aprender y usar paquetes de software especializado, el esfuerzo en el
desarrollo del diseo y programacin de simulacin del mundo real es
extremadamente tardado.

Como resultado de estas desventajas, se debera intentar resolver los problemas usando
tcnicas analticas siempre que sea posible. Hacer esto requiere menos esfuerzos y da
como resultado respuestas exactas en vez de estimaciones.

Ventajas:

1. la simulacin le permite analizar grandes problemas complejos para los que no
estn disponibles resultados analticos. La mayora de los problemas del mundo
real encajan en esta categora.

2. la simulacin utilizando a la computadora como una herramienta, que le permite
al tomador de decisiones experimentar con muchas polticas y argumentos
diferentes sin cambiar o experimentar con el sistema existente.

3. la simulacin por medio de la computadora permite comprimir el tiempo.

4. algunas tcnicas analticas requieren de experiencia matemtica sofisticada
tanto para su uso como para su comprensin. Una simulacin utilizando la
computadora puede requerir pocas o muchas matemticas complejas, pueden ser
intuitivas, y como resultado puede ser fcil convencer a otras personas de la
posible organizacin de su propuesta o polticas que dan certeza cuando estn
respaldadas por un modelo de simulacin en vez de un modelo analtico. Por lo
tanto la simulacin (por computadora) puede usarse aun cuando el problema se
analice usando tcnicas matemticas.


Simulacin
Introduccin

R. De La T. 17
Generacin de nmeros aleatorios

Para realizar la simulacin por medio de la computadora es necesaria la generacin de
nmeros aleatorios. En general resulta imprctico e indeseable almacenar tablas de
nmeros aleatorios, ya que requieren una cantidad considerable de espacio de
almacenamiento.

Existen procedimientos matemticos para la generacin de nmeros aleatorios sin la
necesidad de utilizar tablas. Existen tcnicas como el mtodo del cuadrado medio que fue
propuesto por J. Von Neumann en el ao de 1946 y el mtodo congruente que propuso
Lehmer en el ao 1959.

En la prctica los nmeros generados por procedimientos matemticos se les llaman
nmeros Pseudoaleatorios. Los nmeros son aleatorios (como se probara a travs de
diversas tcnicas estadsticas). Sin embargo ya que los nmeros son generados por una
relacin matemtica recurrente, esto hace posible reproducir cualquier nmero
determinado, dado el mtodo matemtico y el nmero aleatorio precedente.

En la prctica resulta conveniente utilizar nmeros pseudoaleatorios que nmeros
aleatorios propiamente dichos, ya que resulta ser ms fcil validar un procedimiento de
simulacin utilizando los ya tan mencionados nmeros pseudoaleatorios ya que se puede
repetir una secuencia determinada de nmeros pseudoaleatorios.

Para que se tenga una idea de cmo se generan los nmeros pseudoaleatorios,
examinaremos el mtodo del cuadrado medio. Este mtodo opera como sigue:

1. Elegir un nmero aleatorio de n dgitos (a este nmero se le denomina
generalmente semilla del generador).

2. Elevar al cuadrado el nmero elegido en el paso anterior y aadir un cero (0), en
parte derecha del nmero, en los nmeros que se necesite, para producir un
nmero con 2n dgitos.

3. El nuevo nmero se determina eligiendo los n dgitos de la parte media del
nmero generado en el paso anterior.

4. Repetir los pasos 2 y 3 para generar los nmeros que sean necesarios.

Para ilustrar el mtodo, suponga que queremos generar nmeros aleatorios de cuatro
dgitos y el nmero semilla 2324.

(2324)
2
= 54849640 = 8496
|----|
(8496)
2
= 72182016 =

1820

Simulacin
Introduccin

R. De La T. 18
En la prctica se ha determinado que los nmeros generados mediante este mtodo

tienden a tener un perodo muy breve de repeticiones, tambin se ha observado que en
muchos casos no pasan las pruebas estadsticas de aleatoriedad.


Mtodo congruencial mixto

Genera una sucesin de nmeros aleatorios, calculando el siguiente a partir del ltimo
que se obtiene, a partir de
0
x llamado semilla.

)) )(mod( (
1
m c ax x
n n
+ =
+
o
|
.
|

\
| +
=
+
m
c ax
residuo x
n
n 1

Donde a y c son enteros positivos; a < m, c < m esta notacin significa que
1 + n
x
es el residuo, cuando
( )
m
c ax
n
+
donde los valores posibles
1 + n
x son 0, 1, 2, 3,, m+1.

Para saber la utilizacin de algoritmo este se ejemplificara.

Suponga:

m = 8, a = 5, c = 7 y
0
x = 4 semilla

n
n
x 7 5 +
n
x ( )
8
7 5 +
n
x

1 + n
x
0 4 27 3 + 3/8 3
1 3 22 2 + 6/8 6
2 6 37 4 + 5/8 5
3 5 32 4 + 0/8 0
4 0 7 0 + 7/8 7
5 7 42 5 + 2/8 2
6 2 17 2 + 1/8 1
7 1 12 1 + 4/8 4

Nota.- esta sucesin no se puede continuar puesto que solo se repetiran los nmeros en
el mismo orden.






Mtodo congruencial
Simulacin
Introduccin

R. De La T. 19

Este mtodo es muy semejante al anterior, y se marcan reglas para la generacin de los
nmeros aleatorios.

1. c debe ser un entero impar, que no sea divisible ni entre tres 3 y cinco 5.

2. a debe ser cualquier constante. Sin embargo para asegurar buenos
resultados, se debe seleccionar a de tal forma a mod. (8) = 5 residuo
para una computadora binaria o a mod. (200) = 21 para una computadora
decimal.

3. m debe ser el numero entero ms grande que la computadora acepte.

c = cualquier entero
0
r = cualquier entero impar
m =
b
2 donde b > 2 y que m sea aceptado por la computadora.

P.- generar cinco nmeros con el generador congruencial multiplicativo siguiente con la
semilla
0
r = 47; a= 441; c = 13; m = 767
) ( ) * (
1
m Mod r c a r
i i
+ =
+
o
|
.
|

\
| +
=
+
m
r c a
residuo r
i
1
1
*


47
0
= r


38 ) 767 mod( ) 441 ( 13 441 (
441 ) 767 mod( ) 649 ( 13 441 (
649 ) 767 mod( ) 311 ( 13 441 (
311 ) 767 mod( ) 285 ( 13 441 (
285 ) 767 mod( ) 47 ( 13 441 (
) 767 mod( ) 13 441 (
5
4
3
2
1
1
= + =
= + =
= + =
= + =
= + =
+ =
+
r
r
r
r
r
r r
i i


Se debe de hacer la aclaracin que el numero aleatorio probabilstica resulta del numero
calculado entre el 767, por ejemplo 285/767=0.3720 etc.






Simulacin
Introduccin

R. De La T. 20

Pruebas estadsticas para los nmeros Pseudoaleatorios

El principal nfasis en pruebas estadsticas deber ser con respecto al generador de
nmeros aleatorios, ya que cualquier deficiencia estadstica en la distribucin de variables
aleatorias, se deber exclusivamente a la utilizacin de un deficiente generador de
nmeros aleatorios.

Prueba de promedios.

La funcin de densidad probabilidad ms simple es aquella que se caracteriza por ser
constante en el intervalo de 0 aleatorio 1 y cero fuera del.



Esta funcin de densidad de probabilidad define la distribucin conocida como uniforme
o rectangular. Matemticamente la funcin de densidad uniforme se define como:

> >
s s
=
1 0 . . 0
1 0 . . 1
) (
x si
x si
x f

En esta expresin, la variable x es una variable aleatoria definida en el intervalo de [0,1].
Por otro lado, la distribucin acumulada F(x), de la variable aleatoria 1 ) ( = x f
uniformemente distribuida, se puede obtener:

| 1 1 ) ( ) (
1
0
1
0
1
0
= = = =
} }
x dx dx x f x F Funcin acumulativa

El valor esperado y la variancia de una variable aleatoria uniformemente distribuida estn
dados por las siguientes expresiones:


}
= dx x xF x E ) ( ) ( Valor esperado, recordando que F(x) = 1
x x
F(x)
f(x)
Distribucin de
probabilidad
Distribucin acumulada
de probabilidad
Simulacin
Introduccin

R. De La T. 21
|
}
= = =
1
0
1
0
2
2
1
2
) 1 ( ) (
x
dx x x E Debido a que F(x) = 1,
2
1
) ( = = x E x

|
12
1
3
) 1 ( )
2
1
( ) var(
)
2
1
( variable de cambio por
) ( ) ( ) var(
1
0
3
1
0
2 2
1
0
1
0
2
= = = =
= =
=
} }
}
u
du u dx x x
du dx u x
dx x F x x x


Conociendo los parmetros de la distribucin uniforme, es posible plantear la prueba de
hiptesis de promedios, con lo que se trata de probar que los nmeros aleatorios
generados provienen de un uniforme con una media de 0.5. De forma bsica, una prueba
de hiptesis de promedios puede ser planteada de la siguiente forma:

Hiptesis nula 2 / 1 :
0
= u H Valor que se debe esperar (promedio)
Hiptesis alternativa 2 / 1 :
1
= u H

Para realizar esta prueba se requiere obtener una muestra de tamao N, en otras palabras
es necesario generar N ) ,..., , , (
3 2 1 n
u u u u nmeros pseudoaleatorios. Ahora presentamos
su promedio aritmtico que se evala de acuerdo a la siguiente ecuacin.


N
u u u u
x
n
+ + + +
=
...
3 2 1

Ahora se determina el valor estadstico de
0
Z utilizando la siguiente expresin:


12 / 1
) 2 / 1 (
0
N x
Z

=
Si
2 / 0 o
Z Z < , (de la distribucin Normal) entonces no se puede rechazar la hiptesis de
los nmeros aleatorios generados que provienen de un universo uniforme con una media
de 0.5.

Para llevar a cabo la hiptesis consideremos los nmeros aleatorio en la siguiente
hipervnculo:

C:\Users\Ral Ramrez De La T\Desktop\Simulacion\Prueba de Aleatorios.xls Nmeros
aleatorios.xls

Pruebas de frecuencia

Simulacin
Introduccin

R. De La T. 22
Una de las pruebas ms importante sobre los nmeros aleatorios es la prueba de
frecuencia. Esta prueba consiste en dividir el intervalo de (0,1) en n subntralos


Para luego compararla frecuencia esperada y observada para cada subntralo. Si estas
frecuencias se parecen, esto quiere decir que provienen de una distribucin uniforme. El
estadstico que se usa en esta prueba es
2
0
_ (Chi o ji cuadrada) el cual se calcula de
acuerdo a la siguiente ecuacin:

=
n
i i
i i
FE
FE FO
1
2
2
0
) (
_
Donde:
.
i
FO Frecuencia observada del i-esimo subntralo
.
i
FE Frecuencia esperada del i-esimo subntralo
N.- Tamao de la muestra
n.- Nmero de subintervalos

Este estadstico
2
0
_ se compara
2
) 1 ( , n o
_ , la cual representa a la variable probabilstica Chi
cuadrada con (n-1) grados de libertad y un nivel significativo o . Si
2
) 1 ( ,
2
0
<
n o
_ _ ,
entonces no se debe rechazar la hiptesis de que el conjunto de nmeros aleatorios fueron
generados por una distribucin uniforme.

Nota.- n-1 grado de libertad (nmero de subintervalos -1)

Por ejemplo consideremos los nmeros aleatorios generados.

C:\Users\Ral Ramrez De La T\Desktop\Simulacion\Prueba de Aleatorios.xls Nmeros
aleatorios.xls




n N/ n N/ n N/ n N/

n N/
1
0 F
2
0 F
3
FO
1 n
FO
n
FO
1/n 2/n 3/n (n-1)/n n/n
Frecuencia
Esperada
Frecuencia
Observada
Simulacin
Introduccin

R. De La T. 23
Pruebas de distancia

Esta prueba se realiza de dos maneras:

1. considerando a los nmeros aleatorios generados como dgitos.
2. considerndolos como nmeros reales.
Solo se analizara la segunda opcin:

Nmeros aleatorios considerndolos como nmeros reales.

Para realizar esta prueba es necesario seleccionar un intervalo ) , ( | o el cual debe de estar
contenido en el intervalo (0,1) esto es 1 0 s s s | o , despus, para cada numero aleatorio
generado se pregunta si es no elemento del intervalo ) , ( | o . Si
j
U (numero uniforme
aleatorio generado) es elemento de ) , ( | o ,
1 + +i j
U vuelve a ser elemento del intervalo
) , ( | o , entonces se tiene un hueco de tamao i. Ejemplificando, si 3 . 0 = o y 5 . 0 = | y
los nmeros aleatorios generados son los siguientes: 0.32, 0.22, 0.19, 0.75, 0.49 entonces
el hueco es de tamao 3.

0.32, 0.22, 0.19, 0.75, 0.49
Inicia 1 2 3 final

Para el caso de considerar los nmeros aleatorios generados como reales, la distribucin
de probabilidad del tamao de hueco es:
i
i
P ) 1 ( u u = Para toda i=0, 1, 2,

Donde ) ( o | u = que representa la probabilidad de estar en el intervalo ) , ( | o .

Se debe agrupar las probabilidades para valores de n i > y se realiza por medio de la
expresin:


n
m
n m
n i
P ) 1 ( ) 1 (
0
u u u = =

=
+
>


Con estas dos ltimas ecuaciones se obtiene la frecuencia esperada las cuales aparecen en
la siguiente tabla.

i
i
P
i
FO
i
FE
0 u
0
FO
) (u
i
FO
1 ) 1 ( u u
1
FO ) 1 )( ( u u
i
FO
2
2
) 1 ( u u
2
FO
2
) 1 )( ( u u
i
FO
.
Simulacin
Introduccin

R. De La T. 24
.
.
i
i
) 1 ( u u
i
FO
i
i
FO ) 1 )( ( u u

.
.
.


n >
n
) 1 ( u u
n
FO
n
i
FO ) 1 )( ( u u

Total 1.0
i
FO
i
FO

Utilizando la ecuacin

=
n
i i
i i
FE
FE FO
0
2
2
) (
_ y comparando el resultado con el valor de
la distribucin Chi cuadrada
2
,n o
_ se toma la decisin de aceptar o rechazo la prueba de
distancia.

Nota.- es importante sealar que los valores de | o, no tienen ninguna influencia en la
prueba.

Nmeros aleatorios.xls

Prueba de series

Esta prueba se usa para comprobar el grado de aleatoriedad entre nmeros sucesivos.
Esta prueba consiste en formar pareja de nmeros que se consideran como coordenadas
en un eje cartesiano dividido en
2
n celdas.

La prueba de series consiste en generar N nmeros aleatorios de los cuales se forman
parejas entre
i
U y
1 + i
U , en otras palabras si se generan 5 nmeros, las parejas de
nmeros aleatorios que se pueden formar:
) ( ), ( ), ( ), (
5 , 4 4 , 3 3 , 2 2 , 1
U U U U U U U U

Luego se ubica la celda a la cual pertenece cada pareja ordenada, con lo cual se determina
la frecuencia observada de cada celda. La frecuencia esperada se obtiene de dividir el
total de las parejas coordenadas (N-1) por el total de celdas ) (
2
n . Una vez conocida la
frecuencia observada y esperada de cada celda se obtiene el estadstico
2
0
_ como se
indica a continuacin:

2
2
1 1
2
2
0
)
1
(
1 n
N
FO
N
n
n
i
n
j
ij

=

= =
_
Simulacin
Introduccin

R. De La T. 25

Donde
ij
FO es la frecuencia observada de la celda i, j. Si
1 ,
2
2

<
n o
_ _ entonces no puede
rechazarse la hiptesis de que los nmeros provienen de una distribucin uniforme.


Nmeros aleatorios.xls

Prueba de Kolmogorov-Smirnov

Este anlisis prueba la hiptesis de que la distribucin acumulada de una variable
aleatoria x es ) (
0
x F . Para demostrar esta hiptesis, se usa una muestra de tamao n que
es obtenida de una distribucin continua f(x). En seguida, se calcula la distribucin
acumulada de la muestra. La cual se denota por ). (x F
n
Posteriormente, ). (x F
n
es
comparada con la distribucin acumulada hipottica ) (
0
x F , entonces esto es una amplia
evidencia de que ). (x F
n
no es igual ) (
0
x F .

La aplicacin de esta prueba en el caso de nmeros aleatorios uniformes, puede ser
descrita en los siguientes pasos:

1) generar n nmeros aleatorios uniformes.

2) Ordenar los nmeros aleatorios de forma ascendente.
i
U
1 + i
U
1/n 2/n 3/n (n-1)/n 1
1

(n-1)/n





3/n

2/n

1/n
Cuadro con
2
n celdas
Simulacin
Introduccin

R. De La T. 26

3) Calcular la distribucin acumulada de los nmeros generados con la siguiente
expresin:
n
i
x F
n
= ) (
Donde i es la posicin que ocupa el nmero
i
X en el vector obtenido en el paso
2.

4) Calcular el estadstico Kolmogorov Smirnov del modo siguiente
| ) ( | max
i i n n
X X F D = Para todas las
i
X

5) Si
n i
d D
, o
< entonces no se puede rechazar la hiptesis de que los nmeros
generados provienen de una distribucin uniforme la distribucin
n
D ha sido
tabulada como una funcin de n y para cuando ). ( ) (
0
x F x F
n
=

Nmeros aleatorios.xls

Prueba del Pker

Esta prueba examina en forma individual los dgitos de los aleatorios generados. La
prueba consiste en tomar 5 dgitos a la vez del nmero y clasificndolo como: par, dos
pares, tercia, pker, quintilla, full y todos diferentes. Esto significa que los nmeros
aleatorios generados son de 5 dgitos cada uno, o bien, en caso de que el nmero tenga
ms de cinco dgitos, solamente se consideraran los primeros 5. Las probabilidades para
cada una de las manos de pker posibles se muestran enseguida:

todos diferentes = 10*9*8*7*6/10
5
=0.30240
un par = 10*9*8*7/10
5
5C2=0.50400
dos pares = 1/2(10*9*8/10
5
5C2*3C2=0.1080
Tercia = 10*9*8/10
5
5*5C3=0.072
Full =10*9/10
5
5C3*2C2=0.009
Pker =10*9/10
5
*54=0.0045
Quintilla = 10/10
5
5C5=0.00010

Con las probabilidades anteriores y con el nmero de nmeros aleatorios generados,
podremos calcular la frecuencia esperada de cada resultado. Lo cual al compararse con la
frecuencia observada se produce el estadstico.

=
7
1
2
2
0
) (
i i
i i
FE
FE FO
_


Simulacin
Introduccin

R. De La T. 27
Si
2
6 ,
2
0 o
_ _ < entonces no se puede rechazar la hiptesis de que los nmeros aleatorios
provienen de una distribucin uniforme.

Nmeros aleatorios.xls

Pruebas de corrida arriba y abajo

Esta prueba es una secuencia de nmeros aleatorios generados
n
U U ,...,
1
y que se arreglan
de forma binaria en la cual el i-esimo numero es cero 0 si
1 +
<
i i
U U y 1 si
1 +
>
i i
U U .
Una vez obtenida la secuencia binaria se realiza un procedimiento muy similar al de la
prueba de distancia en el cual =0 y = 0.5. En la prueba de corridas, una secuencia de
nmeros aleatorios
n
U U ,...,
1
se debe generar. Una vez obtenida la secuencia binaria, lo
que sigue es determinar la cantidad de veces que una misma longitud de corrida se repite
(numero de veces que se observan la corridas de determinada longitud i). Una sucesin de
i ceros (unos), est marcada por unos (ceros) en los extremos, representa una corrida de
longitud i. el nmero total esperado de corridas y el numero esperado para cada tamao
de corrida, se obtiene con las siguientes expresiones.


3
1 2
) corridas de total (

=
N
E

)! 3 (
) 4 3 ( ) 1 3 (
( 2
2 3 2
+
+ + +
=
i
i i i N i i
FE
i
Para i < N-1

!
2
1
N
FE
n
=

Para i = N-1
Esta frecuencia esperada es comparada con la observada a travs de una distribucin
2
_
Chi cuadrada y la decisin sobre la aleatoriedad de los nmeros generados es tomada.

=
n
i i
i i
FE
FE FO
1
2
2
) (
_

Es importante resaltar que el clculo del estadstico
2
_ , la frecuencia esperada para
cada tamao de corrida debe ser mayor o igual a 5 (cinco). Si las frecuencias esperadas
para cada corrida de tamao grande son menores que 5, tales frecuencias se deben
agrupar con las adyacentes de tal manera que las frecuencia esperadas sean mayores o
iguale a cinco.

Vea el ejemplo a continuacin.

Nmeros aleatorios.xls


Simulacin
Introduccin

R. De La T. 28
Distribuciones continas de probabilidad
En el mundo real existen diversas variables continuas por ejemplo: el tiempo que
transcurre entre las llamadas que llegan a un conmutador, el tiempo entre las llegadas de
un cliente a la ventanilla de un banco, el tiempo entre las operaciones de despegue y
aterrizaje de aviones en un aeropuerto. Este tipo de variables aleatorias se representan por
medio de una distribucin continua de probabilidad.

=
empiricas
discretas
continuas
teoricas
ad probabilid ones Distribuci
....
.. ..


Una gran ventaja de emplear distribuciones continuas es que es posible simular (imitar)
la llegada o salida de un equipo, persona o cosa. Para mostrar un generador de variables
continuas, examinaremos la distribucin uniforme.

Generador de una funcin uniforme. La funcin de densidad de probabilidad se define
como sigue:

a b
x P

=
1
) ( Para a x b



}
= dx x p x P ) ( ) ( Sustituyendo
a b
x p

=
1
) (

a b
1/(b-a)
X
y
y
Simulacin
Introduccin

R. De La T. 29
dx
a b
x P
x
a
}

=
1
) (



}

= dx
a b
x P
1
) (
|
x
a
x
a b
x P

=
1
) (

a b
a x
x P

= ) (


La variable aleatoria uniforme R =P(x) en donde el valor est entre 0 cero y 1 uno,
y si se despeja a la variable x queda:

a x a b R = ) (
) ( a b R a x + =

Distribucin Exponencial Negativa

La distribucin exponencial negativa de define matemticamente por
x
e x f

= ) ( para
0 x , donde tasa promedio de servicio.


Distribucin probabilstica exponencial negativa:
X
1

a
b
Funcin acumulada de probabilidad
Simulacin
Introduccin

R. De La T. 30
dx e dx x f x F
x x
x
} }

= =
0 0
.
) ( ) (


Por cambio de variable

da
dx dx da x a = = = ;
| 1 ) ( = = = =
} }
x x
a
a a a
e e da e
da
e x F

Pero recordando que R(x) es un nmero aleatorio:

R e e R
x x
= = 1 ; 1



Sacando logaritmo natural de cada uno de los trminos:

- ) 1 ( ) ( R Ln e Ln
ux
=

) 1 ( ) ( R Ln e xLn =

) 1 ( R Ln x =
) 1 (
1
R Ln x =

Por simetra R = 1-R porque es una funcin exponencial

) (
1
R Ln x

= Ecuacin de la funcin exponencial (Poisson)

Pasos para la transformacin de la inversa (conversin de funciones de probabilidad

Simulacin
Introduccin

R. De La T. 31
1. dada una funcin de densidad de probabilidad f(x) para una variable aleatoria x,
obtener la funcin de distribucin acumulada F(x) como:
}

=
x
dt t f x F ) ( ) (
2. generar un numero aleatorio R.

3. hacer que f(x) = R y despejar a x. la variable x es un numero aleatorio procedente
de la distribucin cuya funcin de densidad de probabilidad es f(x).

Ejemplos: genere una distribucin uniforme de probabilidad entre 10 y 20

a = 10, b = 20

Solucin: ) 10 20 ( 10 + = R x
) 10 ( 10 R x + =

Suponiendo que el nmero aleatorio generado es 0.6134

134 . 16 ) 10 ( 6134 . 0 10 = + = x

Genere la funcin de probabilidad:
2 0
2
) ( s s

= x
x
x f
0 en cualquier otro caso
Una funcin de este tipo se le conoce de manera vulgar como funcin de rampa y su
representacin grafica es como sigue:



El rea bajo la curva
2
) (
x
x f = , representa la probabilidad de ocurrencia de la variable
aleatoria x.
X
Y
2
1
Simulacin
Introduccin

R. De La T. 32
4 2
) (
2
0
x
dx
x
x F
x
= =
}
Esta funcin de distribucin de probabilidad acumulada se representa
mediante las funciones:

2 1 ) (
2 0
4
) (
0 0 ) (
2
> =
s s =
< =
x x F
x
x
x F
x x F


Ahora se generara un numero aleatorio R y sustituimos F(x) = R y se calcula el valor de
x.
R x R
x
2
4
2
= = Como en simulacin y muchas tcnicas que se usan para
evaluar problemas de ingeniara no puede haber valores negativos, solo consideraremos
los valores positivos, a esta ltima expresin se le llama generador de valor aleatorio o
generador de proceso.

La distribucin exponencial.


x
e x f

= ) ( Para x 0, > 0

0 ) ( = x f Para cualquier otro caso

Primero determinar la funcin de distribucin de probabilidad acumulada:

dx e
x
x
}

0

Utilizando la tcnica de cambio de variable x u =

du
dx dx du = =
|
x
x
x u
x
u
e e e
du
e

= = =
}
1
0
0



0 1 ) (
0 0 ) (
> =
< =

x e x F
x x F
x


Ahora se generaran los nmeros aleatorios R y se igualaran F(x) = R para poder despejar
a x.

Simulacin
Introduccin

R. De La T. 33

1
1
+ =
=

R e
R e
x
x

Sacando logaritmos naturales de la funcin:


) 1 (
1
) 1 (
) 1 ( ) (
+ =
+ =
+ =
R Ln x
R Ln x
R Ln e xLn

Por simetra ) (
1
R Ln x

=

Ejemplo de distribucin triangular:

Se tiene una variable aleatoria X cuya funcin de densidad de probabilidad es:


caso otro cualquier En 0 ) (
6 3 )
3
2 (
2
1
) (
3 2 ) 2 (
2
1
) (
=
s s =
s s =
x f
x
x
x f
x x x f



La funcin de distribucin acumulada para la primera recta es:


2
2
2
2
) 2 (
4
1
2
2 2
1
) 2 (
2
1
) ( =
)
`

= =
}
x x
x
dx x x F
x
x


1 2 3 4 5 6
1/2
X
x
Y
Simulacin
Introduccin

R. De La T. 34
La funcin de distribucin acumulada para la segunda recta es:

| |
) 25 12 (
12
1
) (
12
12
1
2
6
6
1
) 6 (
6
1
) (
3
2
2
1
3
2
2
1
) (
2
3
2
3
2
3
3 3
+ =
=
(

= =
|
.
|

\
|
= |
.
|

\
|
=
}
} }
x x x F
x x
x
x dx x x F
dx
x
dx
x
x F
x
x
x
x x


La funcin acumulada de probabilidad queda como:

( )
( ) 6 3 25 12
12
1
) (
3 2 2
4
1
) (
2 0 ) (
2
2
s s + =
s s =
< =
x x x x F
x x x F
x x F


Una distribucin de probabilidad acumulada se puede representar en forma grafica. Si
x=3 =>F (3) = 0.25, esto quiere decir que la primera funcin de densidad acumulada de
probabilidad abarca un intervalo entre los nmeros aleatorios de 0 hasta el 25% del
intervalo de la funcin de distribucin de probabilidad.

En otras palabras si R (numero aleatorio) R 0.25 se empleara la funcin
( )
2
2
4
1
) ( = x x F En cualquier otro caso se utilizara ( ) 25 12
12
1
) (
2
= = x x x F

Resumen de Distribuciones Continuas

Distribucin uniforme general
) ( a b R a x
i i
+ =

a.- lmite inferior de la distribucin uniforme
b.- lmite superior de la distribucin uniforme
i
R .-numero aleatorio con distribucin uniforme entre 0 y 1

Distribucin exponencial

) (
1
i i
R Ln x

=

1/u.- media de la distribucin exponencial
Simulacin
Introduccin

R. De La T. 35
Ri.- numero aleatorio entre 0 y 1

Distribucin normal

o + =

=
) 6 (
1
m
i
i i
R N

O bien mediante el nmero directo

( ) { } o t + =
+
) 2 cos( ) 1 ( 2
1 i i i
R R Ln N
( ) { } o t + =
+
) 2 ( ) 1 ( 2
1 i i i
R sen R Ln N

.- media de la distribucin normal
.- desviacin estndar de la distribucin normal
Ni.-numero aleatorio de la distribucin normal

Distribucin Erlang

) (
1
1
[
=
=
k
i
i i
R Ln
k
ER

1/.- valor esperado
k.- parmetro de la forma
i
ER .- numero aleatorio con la distribucin de Erlang

Distribucin Weibull

) 1 (
i i
R Ln WE + + =
o
|

.- parmetro de escala
.- parmetro de forma
.- parmetro de localizacin

Distribucin de Gamma

)
`

=
[
=
k
i
i i
R
k
G
1
1

1/.- valor esperado
k .- parmetro de forma
Simulacin
Introduccin

R. De La T. 36
i
G - numero aleatorio de la funcin Gamma

Distribucin
2
_

=
=
N
i
J
N
1
2 2
_

j
N .- numero aleatorio con distribucin normal estndar

2
_ .- numero aleatorio con la distribucin
2
_


Resumen de Distribuciones Discretas

Distribucin de Bernoulli

Si 0
i
R < 1 p
i
BE = 0
1 P
i
R < 1
i
BE = 1

Donde: p probabilidad de ocurrencia del evento x = 1
1 p = probabilidad de ocurrencia del evento x = 0
i
BE = numero aleatorio con distribucin de Bernoulli

Distribucin Binomial

=
=
n
j
j i
BE BI
1


Donde:

i
BE Numero aleatorio con distribucin de Bernoulli
N numero de eventos mximos de la distribucin Binomial
P probabilidad de xito de la distribucin binomial que se involucra al generador de
Los Bernoulli
i
BI Nmeros aleatorios con distribucin binomial

Distribucin de Poisson

1.- hacer N = 0 y T = 1 y poner el primer Ri
2.- calcular T = T* Ri
3.- si T calculada es mayor e

calcular otro Ri y regresar al paso 2, incrementando N en
1.
Simulacin
Introduccin

R. De La T. 37

Si la T calculada es menor que e

, entonces Pi es igual a N
Donde:

.- media de la distribucin de Poisson
Pi.- numero aleatorio con distribucin de Poisson
N.- contador
T.- contador

Pruebas de Bondad y Ajuste

Se quiere demostrar que es posible representar los datos obtenidos (datos estadsticos) a
travs de una distribucin probabilstica terica conocida. Generalmente la que se usa
para este tipo de pruebas es la
2
_ (Ji cuadrada o Chi cuadrada).

Esta prueba pretende determinar si existen diferencias significativas entre las frecuencias
esperadas (las que se basan en las distribuciones tericas) y las frecuencias reales (la de
los datos obtenidos), los pasos son los siguientes:

1) Plantear la hiptesis de la prueba, H
0
datos observados que se extrajeron de una
poblacin que puede describirse a travs de una distribucin terica conocida.

2) Plantear la hiptesis alternativa H
1
, que seala que los datos observados no se
extrajeron de la poblacin planteada en el paso 1.

3) Identificar el nivel de significacin o, con el que se lleva a cabo una prueba.
(Recuerde que (1-o) es el nivel de confianza de una prueba estadstica).

4) Utilizar la siguiente relacin matemtica.
= calculada
2
_

e
e
F
F F
2
0
) (
(Distribucin Ji o Chi cuadrada)
2
_ .- Valor calculado

de
2
_

0
F .- Frecuencia observada

Fe .- Frecuencia esperada o terica

Probar
2
_ calculada con la
2
_ de tablas. Si
2
_ calculada >
2
_ de tablas entonces no se
acepta la hiptesis. Si
2
_ calculada
2
_ de tablas se acepta la hiptesis Ho. El valor de
2
_ de tablas se encuentra en la tabla de distribucin
2
_ , y est definido por el nmero
de grados de libertad G. L

Simulacin
Introduccin

R. De La T. 38
Los grados de libertad se definen:
G.L. (grado de libertad).= nmero de categoras o clases 1

En donde el nmero de parmetros se define como el nmero estadstico (, o, , etc.
) que se requieren para una distribucin determinada.

Clculo de la prueba
2
_ para las llegadas de un cliente a un autoservicio.

Antes de demostrar cualquiera de las dos hiptesis, debemos calcular
2
_ , iniciando
primero con l clculo del nmero de llegadas por hora.





1
204
204
4 12 34 84 70
4 * 4 12 * 3 34 * 2 84 * 1 70 * 0
0
0 0
= =
+ + + +
+ + + +
= =

F
F x

(Tasa de llegada de la distribucin de Poisson o Exponencial)

Utilizando = 1 la funcin de Poisson es:
!
) (
x
e
x P

=

36788 . 0
! 0
1
) 0 (
1
= = =

e
x P
36788 . 0
! 1
1
) 1 (
1
= = =

e
x P
18394 . 0
! 2
1
) 2 (
1
= = =

e
x P
06131 . 0
! 3
1
) 3 (
1
= = =

e
x P
01899 . 0
!
1
...
! 6
1
! 5
1
! 4
1
) 4 (
1 1 1 1
=

+ + + + = =

e e e e
x P

Numero de
llegadas por hora

Frecuencia
observada
Fo
0 70
1 84
2 34
3 12
4 ms 4
Total
o
F = 204
Simulacin
Introduccin

R. De La T. 39

Numero de
llegadas por hora
Frecuencia
observada
Fo
Frecuencia
esperada
.
!

=
o e
F
x
e
F

2
2
) (
Calculada
e
e o
F
F F
_ =

0 70 204*0.36788=75.05 0.3398
1 84 204*0.36788=75.05 1.0673
2 34 204*0.18394=37.52 0.3302
3 12 204*0.06131=12.51 0.0088
4 ms 4 204*0.01899= 3.87 0.0043
Total
o
F = 204
204
1.7504 =
2
calculada
_


H0.- Que los datos pueden ser representados por una distribucin de Poisson

H1.- Que la distribucin no puede representarse mediante una distribucin de Poisson.

Si el nivel de confianza es 0.95, implica que el valor de o = 0.05, consultamos las tablas
2
_ para un o = 0.05 y un grado de libertad de nmero de intervalos 1 = 4 este
valor es de 7.813 que es ms grande que el
2
_ , calculado por lo que se acepta la
distribucin de Poisson

2
_ Calculado = 1.7504 <
2
_ de tablas o de la hoja de Excel = 7.813

Esto se puede hacer utilizando el programa ARENA y de manera automtica se define la
funcin de probabilidades que ms se aproxima a los datos.

P.- un banco tiene un problema de lneas de espera :
1.- la disposicin existente consta de cuatro lneas paralelas e independientes de autos
donde un cajero da servicio a cada uno de ellos.
2.- el plan propuesto es hacer que todos los autos esperen en una lnea y que pasen cada
uno de ellos al primer cajero disponible cuando llegue al primer lugar de la fila, recuerde
= 16 u/h y cada cajero puede atender = 8 u/h y que el numero de clientes que llegan
tienen una distribucin de Poisson y el tiempo de servicio es exponencial.


Bancario con 4 cajeros.xls


Simulacin
Introduccin

R. De La T. 40


P.- Un fabricante de computadoras personales y equipos relacionados ha desarrollado un
Prototipo de una impresora porttil de alta calidad. La impresora tiene un diseo
innovador Para capturar un porcentaje importante del mercado. Los anlisis preliminares
del mercado y financieros han llevado a establecer un precio de venta y un presupuesto
para costos
Administrativos y de publicidad del primer ao.

Precio de venta = $2500

Costos administrativos = $4, 000,000

Costos de publicidad = $6, 000,000

El costo de mano de obra directa, y el costo de los componentes y la demanda del primer
ao no se conocen y se consideran probabilsticas. Las mejores estimaciones de estas
entradas son de $460/unidad como costo de mano de obra directa, $910/unidad por los
costos de los componentes y 15,000 unidades en el primer ao.

El fabricante requiere un anlisis potencial de las impresoras durante el primer ao.
Debido a una situacin de flujo de efectivo estrecho, la administracin de la empresa est
particularmente interesada ya que existe una posibilidad de perdidas y quiere que se le
haga un anlisis de riesgo.

Distribucin de probabilidades uniforme para el componente por unidad






Simulacin
Introduccin

R. De La T. 41
D = 15000 impresoras; = 4500 u (demanda) (D)
costos de mano de obra
costo de M.O.Probabilidad Intervalo
directa
430 0.1 0 0.099999
440 0.2 0.1 0.299999
450 0.4 0.3 0.699999
460 0.2 0.7 0.899999
470 0.1 0.9 0.999999
C1 C2 D
Utilidades
(2500-C1-C2)D- 10,000,000
D=15000 unidades
=4500 unidades
Simulacin
Introduccin

R. De La T. 42
costos de mano de obra
costo de M.O.Probabilidad Intervalo
directa
430 0.1 0 0.099999
440 0.2 0.1 0.299999
450 0.4 0.3 0.699999
460 0.2 0.7 0.899999
470 0.1 0.9 0.999999
C1 C2 D
Utilidades (2500-C1-C2)D- 10,000,000

impresora.xls
Simulacin
Introduccin

R. De La T. 43













Precio de venta = $2500
costos administrativos = $4,000,000
costos de publicidad = $6,000,000
Utilidades = (2500 - costo de mano de obra directa - costo de los componentes) demanda - 4,000,000 - 6,000,000
escenario optimista
Utilidades = (2500-460-800)*28500-10000000
Utilidades = $25,340,000.00
escenario pesimista
Utilidades = (2500-470-1000)*1500-10000000
Utilidades = -$8,455,000.00
Diagrama de flujo
Fijar parmetros del modelo
precio de venta de la unidad $2,500
Costo administrativo $4,000,000
Costo de publicidad $6,000,000
Generar costo de mano de obra directa C1
Generar costo de componentes C2
Generar demanda del primer periodo anual D
Calcular la utilidad
Utilidad=(2500-C1-C2)D-10,000,000
Siguiente
ensayo
Simulacin
Introduccin

R. De La T. 44
P.- Una compaa vende ventiladores, cada ventilador le cuesta a la compaa $750 y se vende
en $1250 por lo que la compaa tiene una utilidad bruta de $500. La demanda mensual de
ventiladores queda descrita por una distribucin de probabilidades normal con una media de 100
unidades y una desviacin estndar de = 20 unidades.

La compaa recibe entregas mensuales de un proveedor y reabastece su inventario a un nivel Q
al principio de cada mes. Este nivel de inventarios se conoce como nivel de reabastecimiento. Se
carga un costo de posesin de $150 por cada unidad no vendida, pero si la demanda mensual es
superior al nivel de reabastecimiento, ocurre un faltante de inventario y se incurre en un costo
faltante. Debido a que la compaa asigna un costo por crdito mercantil de $300 por cada
Cliente que tiene que rechazar.

La administracin deseara utilizar el modelo de simulacin para determinar las utilidades netas
mensuales promedio resultantes de utilizar un nivel particular de reabastecimiento, as como
informacin sobre el porcentaje de la demanda total que se satisfaga. Este porcentaje se conoce
como nivel de servicio.

caso 1.- D Q
utilida bruta = 500Q
costo de posesion = 150(Q - D)
utilidad neta = utilidad bruta - costo de posesion
utilidad neta = 500Q - 150(Q - D)
caso 2.- D > Q
utilida bruta = 500D
costo de no posesion = 300(D - Q)
utilidad neta = utilidad bruta - costo de posesion
utilidad neta = 500D - 300(D - Q)


Simulacin
Introduccin

R. De La T. 45
definir los parametros del modelo
utilidad bruta = 500
costo de posesion = 150
credito mercantil = 300
seleccion del nivel de reabastecimiento Q
generar la demanda mensual D
D Q
ventas = D
utilidades brutas =
500D
costo de posesion
150(Q - D)
utilidad neta=
500D -150(Q - D)
ventas = Q
utilidad bruta = 500Q
costo faltante=
300(D-Q)
utilidad neta =
500Q - 300(D - Q)
es el mes
igual a 300
calcule las utilidades netas promedio
y el nivel de servivio promedio
si
no
mes siguiente
no
si
registro de resultados


Venta ventilador.xls

Simulacin
Introduccin

R. De La T. 46
P.- Una compaa suministra leche a varios expendios de una ciudad. La compaa
obtiene la leche de una cooperativa granjera del lugar a $5.5/litros y la almacena en sus
instalaciones centrales. De ah la leche es distribuida a expendios segn se vaya
necesitando, a un precio de $7.5 por litro.
Un anlisis estadstico de las ventas anteriores ha revelado que la demanda diaria en las
instalaciones se aproxima a una distribucin normal con una media de 9000 litros y una
desviacin de 450 litros.

El departamento de contabilidad de la compaa ha negociado con la cooperativa un costo
fijo de $1000 por pedido para cubrir los cargos de entrega y procesamiento. La
experiencia de la compaa con la cooperativa revela que el 80% de las veces la orden de
leche que la compaa hace al principio del da es entregada por la cooperativa a la
maana siguiente. Sin embargo el 20% de las veces el pedido es entregado la segunda
maana despus de haberlo hecho.

Como el gerente de operaciones desea determinar una poltica de inventarios que
maximice la ganancia diaria esperada, basndose en un costo de mantenimiento del
inventario $0.20 por litro por da al determinar esta poltica se necesita tomar en cuenta
que la leche es un producto perecedero. Con esta idea poltica de la corporacin indica
que cualquier cantidad de leche que se encuentre en las instalaciones centrales ms de
siete das no puede ser distribuida a los expendios. En su lugar es, vendida a los bancos
de comida local a $0.30 por litro.

Se debe determinar la poltica ptima que debe darse

Simulacin
Introduccin

R. De La T. 47
1 I1 5000
2 I2 3000
3 I3 0
4 I4 0
5 I5 1000
6 I6 1000
Los siguiente datos deterministicos sobre costos e ingreso, como se describen en la siguiente seccin
costo de adquisicin: C1 = $5.50/lt
costo de pedido: C2 = $1000
costo de mantenimiento diario: H = $0.20/lt
valor de la reventa: R = $0.30/lt
el inventario mnimo es de 12,000 lts
el inventario mximo es de 40,000 lts
los datos probabilsticas son:
demanda de leche es igual a una distribucin normal = 9000 lts y una = 450 lts
tiempo de entrega das probabilidad
1 0.8
2 0.2
Demanda tiempo de entrega
C1
C2
H
R
Inventario


lecheria.xls


Simulacin
Introduccin

R. De La T. 48



P.- Caminos y puentes federales de ingreso (CAPUFE) es un organismo encargado del mantenimiento
de las autopistas de cuota y se desea mejorar el flujo de transito a travs de sus casetas de cobro.
Uno de los administradores ha sugerido que se favorezca el paso de vehculos teniendo en servicio casetas
especiales para automviles con dos o mas pasajeros, y el resto de las casetas para todo el dems trafico.
A estas casetas especiales se les llaman carriles rpidos. La comisin ha seleccionado una de las plazas de
cobro como piloto en el desarrollo y evaluacin en el impacto de la propuesta antes de extender la idea a
otras plazas de cobro. El administrador de operaciones, desea determinar el impacto en el flujo de trafico
actual que tendra el hecho de convertir una se las tres casetas de la plaza de cobro en carril rpido, como se
muestra en la figura:
carril
rpido
carril
normal
carril
normal
A travs del estudio de datos, la comisin ha determinado que las plazas de cobro seleccionada actualmente
atiende 20 U/minuto durante las horas pico. De estos vehculos, solamente un tercio tiene dos o mas pasajeros.
Los datos tambin muestran que el tiempo entre dos vehculos que llegan puede ser aproximado a una distribucin
exponencial.
los datos registrados anteriormente indican que las casetas que atienden el trafico en general requieren de un
tiempo de procesamiento por vehculo que obedece a la siguiente distribucin:
tiempo probabilidad
en segundos
3 a 8 0.6
8 a 13 0.3
13 a 18 0.1
No existen datos similares para las casetas rpidas propuestas. No se espera que el tiempo de servicio en esta
siga la distribucin anterior, porque dicha distribucin pertenece a autos, camiones y todos los dems vehculos,
mientras que la caseta rpida solamente es para automviles. De la experiencia con casetas rpidas en otras
carreteras, se cree que el tiempo de servicio puede aproximarse a una distribucin exponencial con una tasa de
10 autos/minuto

Simulacin
Introduccin

R. De La T. 49
El objetivo del estudio:
1.- el tiempo de espera estimado para un vehculo en cada caseta
2.- el numero promedio de vehculos en cada fila
3.- el uso promedio de cada caseta (tiempo promedio que tarda un empleado en atender el vehculo)
Datos de entrada de la simulacin
1.- numero de vehculos que son atendidos o que esperan en la fila en cada caseta
2.- los datos deterministicos son la duracin del periodo en que se va efectuar la simulacin
3.- datos probabilsticas:
a.-llegada de vehculos con distribucin exponencial = 20 u/minuto.
b.-tipo de vehiculo que llega:
auto con por lo menos dos personas (caseta rpida) probabilidad de 1/3.
vehiculo para las colas generales (casetas generales) probabilidad de 2/3.
c.-el tiempo servicio de un vehiculo que se encuentra en la fila general, que sigue la distribucin histrica.
d.-el tiempo de servicio de un automvil que se encuentra en la fila rpida y que se supone sigue una distribucin
exponencial con una tasa de 10u/minutos.

autopista.xls

Simulacin
Introduccin

R. De La T. 50
P.- Banamex abrir varias sucursales durante el ao que viene. Cada nueva sucursal esta diseada para tener
un nuevo cajero automtico. Una de las preocupaciones es que en los momentos de mayor ocupacin, varios
de los clientes quizs tengan que esperar para utilizar el cajero. Esta preocupacin motivo al banco efectuar
un estudio del sistema de lneas de espera. El vicepresidente del banco desea determinar si ser suficiente
un solo cajero. El banco tiene lineamientos de servicio publicado para su sistema de cajeros automticos,
indicando que tiempo de espera promedio de un cliente para un cajero automtico debe ser de un minuto
o menos.
A = 0 minutos B = 5minutos
tiempo de llegada = A + R(B-A)
tiempo de llegada = 5R
0 5
tiempo de servicio = 2 minutos
= 0.5 minutos
= 0.5 minutos
= 2
tiempo entre
llegadas
tiempo de
servicio
nmero de caractersticas
cajeros de operacin

Simulacin
Introduccin

R. De La T. 51
inicializacin del modelo
i=0 t. llegada(0)=0 t. Terminacin(0)=0
cliente nuevo i = i + 1
generar tiempo de llegada
t. llegada(i) = t. Llegada(i-1)+ llegada
es tiempo de
llegada(i) mayor que
el tiempo de
terminacin
cajero ocioso
cliente i puede iniciar
servicio inmediato
tiempo de inicio = tiempo de llegada
cajero ocupado
cliente i debe esperar a que cliente
anterior termine servicio.
T de inicio(i) = t de terminacion(i-1)
t. Espera(i) = tiempo de inicio(i) - tiempo de llegada(i)
generar tiempo de servicio
tiempo de terminacin(i) = tiempo de inicio(i) + .servicio
t.de sistema(i) = t. Terminacin (i) - t llegada (i)
siguiente
cliente
NO SI

Banamex.xls




Simulacin
Introduccin

R. De La T. 52
Calculo del Nmero ptimo de Simulaciones

Debido a la naturaleza probabilstica de los sistemas donde se utiliza simulacin, se hace
imprescindible crear modelos cuyos resultados sean estadsticamente iguales a los
sistemas reales. Uno de los factores que afectan en forma directa a estos resultados, es
el tamao de la corrida de la simulacin bien, el nmero de corridas de simulacin
realizadas para encontrar resultados confiables. Al realizar una corrida de simulacin,
el resultado promedio de las variables del sistema tiene un perodo de inestabilidad y,
conforme transcurre el tiempo, esas variables tienden a un estado estable y es entonces,
cuando los valores de las variables de respuesta son confiables.

Existe, en general varias formas para lograr la estabilizacin de un modelo de simulacin,
la primera consiste en utilizar corridas suficientemente largas para que los datos del
perodo de transicin resulten insignificantes, este planteamiento puede ser adecuado si la
ejecucin del modelo es rpido. Esta situacin no es tan atractiva si la duracin del
perodo transitorio es prolongada, en esta caso, la segunda opcin se pueden seleccionar
condiciones iniciales de arranque que sean ms representativas de las condiciones de
estado estable y que por lo tanto reduzcan el perodo transitorio. El principal problema
en este caso, es no tener una idea adecuada de las condiciones iniciales, lo que podra
llevar a una polarizacin de los resultados y en consecuencia, aumentar la varianza,
ocasionado tamaos de corrida ms grandes. Una tercera opcin es determinar en qu
momento se ha llegado al estado estable en funcin de los estados obtenidos, una de las
formas ms comunes de determinar este momento se consigue graficando valores
promedios de las variables de inters contra el tiempo de simulacin y cuando se observe
que este promedio ya no cambia a travs del tiempo, detener la corrida de simulacin.

El tamao de una corrida de simulacin depende principalmente, del tipo de distribucin
que se intenta simular y por decirlo de alguna forma, de la bondad del generador de
nmeros aleatorios que se est utilizando y de las condiciones iniciales con que se inici
la simulacin del sistema en forma general, para calcular el nmero de simulaciones
ptimos, se tiene una expresin:


2
2
2
k
Z
n
|
|
.
|

\
|
=
o
o


Z.- estadstico normal estndar para cierta
K.- desviacin absoluta mxima permitida sobre la media de la distribucin a simular
2
o .- Variancia de la distribucin a simular

Cuando la media y la variancia de la distribucin a simular se obtuvieron de una
poblacin n de 30 menos elementos, entonces, el clculo ptimo de las simulaciones
se modifica de acuerdo a la siguiente ecuacin:
Simulacin
Introduccin

R. De La T. 53

( )
2
2
2 / , 1 1
2
k
t s
n
nn o
=

t.- estadstico de la distribucin t student

k.- desviacin absoluta mxima permitida sobre la medida de la distribucin a simular

s
2
.- estimador de la varianza de la distribucin a simular

Esta segunda frmula se emplea para calcular n ptimas basndose en una corrida
simulada del sistema de tamao n. A esta corrida pequea, se le conoce como prueba
piloto y su funcin es calcular n en funcin de la distribucin general y del generador
utilizado en la prueba piloto.

Pueden usarse ambas frmulas, siempre y cuando la informacin de donde se obtienen las
estimaciones, sigan estadsticamente, una distribucin normal. En caso de que los datos
analizados sigan otra distribucin, se deber usar el teorema Tchebycheff de tal suerte,
que el clculo se ve reducido a:
o
2
m
n =
m probabilidad de error permitido
o
1
Nmero de desviaciones estndar mximo permitido sobre la media de la distribucin
a simular.

El clculo de nmero de corridas ptimas, en los modelos donde se tenga varias variables
probabilsticas, se realiza ejecutando el clculo para cada una de ellas y se selecciona la
mayor de todas las n; este ser el nmero de simulaciones del modelo computacional.

Ejemplo.- Se desea encontrar el nmero de simulaciones que deben realizar un simulador
de desperdicios de una planta de polister, de tal forma que, el promedio diario simulado
de desperdicios no difiera ms de: 0.166 de su valor real con una confiabilidad de un
95%,

Si se supone se sabe que el desperdicio diario en toneladas sigue una distribucin
normal, entonces el nmero de simulaciones ptimo es:


( )
2
2
2 /
k
Z
n
o
o
=

Donde:
z = 1.96 para una confiabilidad del 95%
k = 0.166s

Simulacin
Introduccin

R. De La T. 54
Sustituyendo la informacin se tiene: n = 138.29

Ahora bien, si no se tiene idea de la distribucin de probabilidad del desperdicio de la
planta de que siga otro tipo de distribucin, se utiliza la expresin:

720
05 . 0
36
2
= = =
o
m
n


Este clculo del nmero de simulaciones ptimo, es un clculo a priori, sin embargo, no
asegura del todo que se cumplan con las condiciones de estabilidad. Una forma ms
segura de determinar el momento en que el sistema se estabiliza, se consigue al graficar,
a travs del tiempo, cada uno de los valores promedio de aquellas variables resultados
que se deseen analizar y al observar el comportamiento de las variables obtenidas de la
simulacin.

Clculo del nmero de replicas (nmero de simulaciones)

Cuando se han corrido los sistemas de simulacin, hasta llegar a la estabilizacin, existe
el problema de que las observaciones obtenidas en el experimento de la simulacin,
generalmente, no son independientes (auto correlacionadas) para obtener resultados
independientes hay que repetir R veces la simulacin de tamao n con diferentes
nmeros aleatorios.

Es aconsejable que el nmero de replicas sea de 3 a 10. Teniendo los resultados de cada
una de las replicas, es necesario tomar cada uno de estos resultados para el clculo de la
media y la varianza e intervalos de confianza de acuerdo con los siguientes
procedimientos.

Calcule la media y la varianza de las observaciones para cada una de las replicas
individuales.
n
x
Media
n
i
ij
j

=
=
1

) (
1
2
j ij
Media x
n
S =



Con la media y la varianza de cada una de las rplicas, encuentre la media y varianza
entre replicas con la frmula siguiente.

=
j
Media
r
Media
1

) (
1
1
2
media media
r
S
j

=



Debido a la naturaleza probabilstica de los resultados, es indispensable que para cada
variable de respuesta se calcule el intervalo de confianza de acuerdo con:

Simulacin
Introduccin

R. De La T. 55
2
, 1
o

|
.
|

\
|
=
r
cx
t
r
S
media I Intervalo de confianza

Reduccin de la varianza

En muchos estudios de simulacin una gran parte del tiempo se emplea en el desarrollo
de modelos y en la programacin del mismo; pero solo un pequeo esfuerzo se utiliza
para un desarrollo de un diseo apropiado para las corridas y para el anlisis correcto de
los resultados que genera la simulacin.

Existen algunos mtodos conocidos, como tcnica de reduccin de la varianza. Fijando
condiciones de los datos histricos. Para que el resultado de una simulacin sea
estadsticamente precisa y libre de tendencias, se debe especificar perfectamente la
longitud de cada corrida, el nmero de replicas y el periodo de estabilizacin.

P.- Una fbrica consta de un centro de maquinado y de inspeccin en serie. Las partes por
procesar arriban a la planta a un ritmo de un minuto. Los tiempos de procesamiento en
las mquinas e inspecciones subsecuentes son aleatorios con medias respectivas de
0.675 y 0.775 minutos, 90% de las partes inspeccionadas son buenas y se envan al rea
de embarque; el resto son malas y se llevan a mquinas de reproceso. El centro de
maquinado est sujeto a descomposturas de ocurrencia aleatoria y la fbrica est vaca y
desocupada.

La tabla siguiente muestra los estimados de las medias de desempeo analizadas para
cinco replicas independientes, de longitud igual a 16 horas (se usan diferentes nmeros
aleatorios en cada rplica) para una simulacin de la planta.


corridas salidas Tiempo de
trnsito
Promedio de pieza
En inspeccin
1 797 7.41 11
2 734 3.12 11
3 741 4.24 17
4 772 5.85 14
5 769 6.75 24


Observe que los resultados para varias corridas pueden ser completamente diferentes.
As. Una sola corrida no produce las respuestas. Se presenta aqu algunas tcnicas que
ayudarn al analista a encontrar de forma rpida un estimado del resultado.

Las diferentes tcnicas de reduccin de la varianza, ocasionan una reduccin en el tiempo
de la simulacin mediante la disminucin del tamao de la corrida.

Simulacin
Introduccin

R. De La T. 56
Estas tcnicas pretenden bsicamente distorsionar o cambiar el modelo original para
obtener estimaciones a un bajo costo.

Muestreo Antittico

Esta tcnica induce a una correlacin negativa entre los elementos correspondientes en
las series de nmeros aleatorios utilizados para generar variaciones de entrada en rplicas
diferentes. Una forma de generar correlaciones negativas consiste en correr el modelo,
primero con nmeros aleatorios
i
U para obtener un estimado Y1 del parmetro
estudiado y despus, con nmeros
i
U 1 obteniendo un estimado Y2 del parmetro
estudiado.

Corridas Comunes

Una prctica til para un proceso de simulacin es emplear datos histricos, los cuales
pueden ser archivados y utilizados posteriormente para definir, por ejemplo, los
programas de produccin de aos anteriores, el objetivo de est tcnica es iniciar nuevas
corridas de simulacin utilizando siempre los datos almacenados; de esta forma el uso de
corridas comunes afecta a todas las alternativas de igual forma. Se debe aplicar cuando
podamos usar la comparacin de dos o ms alternativas.

Muestreo Clasificado

Esta tcnica se apoya en un resultado parcial de una corrida, clasificndola como
interesante o no interesante, en caso de ser interesante est continua la corrida en caso
contrario se detiene,

Variaciones de Control

Este mtodo utiliza aproximaciones de modelos analticos para reducir la varianza. Por
ejemplo una simulacin puede ser un modelo complejo de lneas de espera donde
interese conocer la longitud promedio de la fila (cola), cuyo valor puede estimarse
analticamente.

Muestreo Estratificado

En esta tcnica la funcin de distribucin se divide en varias partes, lo ms homogneo
posible que se resuelven por separado; los resultados obtenidos se combinan para lograr
una sola estimacin del parmetro a analizar.





Simulacin
Introduccin

R. De La T. 57
Muestreo Sesgado

Consiste en distorsionar las probabilidades fsicas del sistema real. De tal forma que los
eventos de inters ocurran ms frecuentemente. Los resultados obtenidos presentan
tambin una distorsin que debe corregirse mediante factores probabilsticas de ajuste.

Validacin de Resultados

Al usar la simulacin se estudian problemas complejos encontrndose varios tipos de
errores.

Errores de diseo
Errores de programacin
Errores en los datos utilizados
Errores en el uso del modelo
Errores en la interpretacin de resultados

Evaluar un modelo significa desarrollar un nivel aceptable de confianza de modo que
las inferencias obtenidas del comportamiento del modelo sean correctas y aplicables a la
realidad. La Validacin y verificacin es una de las tareas ms importantes y difciles de
enfrentar por el individuo que desarrolla un modelo de simulacin.

Verificacin es la comparacin del modelo conceptual con el cdigo generado por la
computadora. Para esto es necesario contestar las siguientes preguntas:
Es correcta la codificacin?
Son correctas las entradas de datos y la lgica del programa?

2.- Validacin es demostrar que el modelo es realmente una representacin de la
realidad. La Validacin se le va haciendo un proceso comparativo para lograr el
objetivo propuesto.

En el proceso de validar usualmente se emplean las pruebas estadsticas siguiente.

Prueba de estimacin de los parmetros de la poblacin asumiendo una distribucin
probabilstica.

Pruebas de estimacin de los parmetros de la poblacin que son independientes de la
suposicin de una distribucin de poblacin implcita.

Pruebas para determinar la distribucin de probabilidades de la cual proviene la muestra.

Problema la situacin de PIPSA en cuanto a la produccin de rollos de papel por da, de
acuerdo con los datos de los ltimos ocho das es la siguiente: 115,105, 97, 96, 108, 104,
99 y 107. El modelo creado para la simulacin de la planta arroja los siguientes 10
Simulacin
Introduccin

R. De La T. 58
resultados de produccin de rollos de papel por da: 110, 97, 100, 105, 108, 99, 118, 104,
105 y 103. Son los resultados del modelo estadstico a los reales?

Hiptesis de la varianza: H0:(modelo) = V (real)
H1: V (modelo) = V (real)
V (real) = 40.57
V (modelo) = 36.96

Fc de tablas con 8 y 10 grados de libertad y con un nivel de rechazo de 5% es 3.07. Ya
que F0 es menor que Fc, se acepta que el modelo de simulacin est arrojando resultados
con la misma variancia que la hiptesis real.
Hiptesis sobre la media:
H 0: (modelo) = (real)
H 1: (modelo) = (real)
E (modelo) = 104.90
E (real) = 103.87

El estadstico a utilizar es el correspondiente a variancias iguales y poblaciones
desconocidas y con media poblacional desconocida, puesto que solo se tienen los datos
de dos muestras.


|
|
.
|

\
|
+
+
+

=
2 1 2 1
22 2 12 1
1 1
2 1
n n n n
n n
x x
t
o o


El estadstico tc con 8 + 10 2 grados de libertad y con un nivel de rechazo del 5% es
1.746.

Ya que t es menor que tc se acepta que los resultados en cuanto al a produccin de rollos
de papel por da del simulador son estadsticamente iguales. En cuanto a la media, a los
de la produccin real.

En cuanto a la prueba de forma en ambas muestras no se puede afirmar nada, ya que la
cantidad pequea de datos que se est manejando imposibilita la formacin de
histogramas para realizarla.

Optimizacin

El objetivo final de cualquier anlisis de un sistema es optimizarlo, describiendo normas
para las variables de decisin, as pues debemos decir con franqueza que pueden existir
variables que no se puedan controlar.

El tomador de decisiones desea encontrar este conjunto de variables de decisin.
Simulacin
Introduccin

R. De La T. 59
Ya obtenido el modelo de simulacin que se meter a la computadora (o ser sujeto a un
proceso de optimizacin) valido y que se ha verificado estadsticamente, entonces,
debemos empezar a cambiar los valores de las variables de decisin; se busca el mejor
valor de la medida de efectividad. El proceso de optimizacin se hace en base de prueba y
error, sin embargo, el nmero de combinaciones de las variables de decisin puede llegar
a ser infinitas. Por lo tanto se hace necesario utilizar tcnicas que permitan analizar
sistemticamente las posibilidades seleccionadas, de tal suerte se podrn escoger una
combinacin cercana a la ptima. Estas tcnicas se basan principalmente en el diseo de
experimentos y las que ms se utilizan son:

Simplex
Simplex EVOP
Superficies de respuesta

Sensibilidad y Experimentacin

El ltimo paso dentro del proceso de simulacin se efecta antes o durante el proceso de
implantacin de las soluciones del proceso real. Esto consiste en jugar (experimentar) con
el modelo con situaciones nuevas o que no fueron previstas y que tengan una cierta
probabilidad de ocurrencia. Para poder llegar a una solucin lo ms ptima posible. Esto
es muy til porque los sistemas reales son muy dinmicos. El anlisis de sensibilidad se
enfoca principalmente a estudiar las variables no controladas por el que toma decisiones
dentro del proceso real.

Monitoreo

Como afirmamos en el prrafo anterior los sistemas reales son muy dinmicos, esto
significa que se debe llevar un estricto control de los cambios ocurridos para que
inmediatamente alteremos el modelo y este sea un reflejo de la realidad.

Que es Simulacin?

La simulacin se refiere a una amplia coleccin de mtodos y aplicaciones que tratan de
imitar el comportamiento real de un sistema, usualmente se realiza en una computadora
con un software adecuado. La simulacin puede ser muy general, la idea principal es usar
estos mtodos (modelos matemticos) en la industria y en aplicaciones de ingeniera,
sistemas administrativos y sistemas financieros. La simulacin es una herramienta muy
poderosa que liga tres aspectos fundamentales, el razonamiento humano, la computadora
y el software elegido para la solucin del problema.

Modelado de sistemas

La simulacin es ms que un mtodo de anlisis que involucra a sistemas y modelos
(generalmente matemticos). Esto se debe realizar por medio de ejemplos de modelos, se
Simulacin
Introduccin

R. De La T. 60
describe el punto de estudio y de esa manera se conocer acerca del comportamiento que
probablemente tenga el sistema.

Qu es hacer un Modelo?

La simulacin estima como se comporta el modelo del sistema basndose en la
informacin disponible. Un sistema es un proceso complejo de cmo esta funcionado
algn equipo o sistema, por ejemplo:

- Una planta manufacturera con maquinas, personas, dispositivos de transporte,
bandas transportadoras y espacios de almacenamiento.

- Un banco con diferente clase de clientes, servicios, cajeros de ventanillas,
cajeros automticos, ejecutivos de crdito y caja de seguridad.

- Un aeropuerto con un departamento de verificacin de pasajeros, de seguridad, un
sistema de abordaje a los aparatos, uno de llegadas, de tripulaciones, de
movimiento de equipaje de los pasajeros, de seguridad de equipaje, y de la falla
de equipos para el mantenerlo operando.

- Una red de distribucin de una plantas, como es el almacenamiento y tipo de
transporte y distribucin.

- Un complejo hospitalario de emergencia, incluyendo personal, cuartos, equipos de
sustentacin y transportacin de pacientes.

- Un sistema de operacin para equipos de oficina, con clientes potenciales en un
rea geogrfica dispersa, servicios tcnicos con diferente especialidad, vehculos
con diferentes artculos y herramientas y un control central de despacho.

- Una red de computadoras con servidores, clientes, rea de almacenamiento de
informacin, cintas, impresoras, capacidad de red de comunicacin y operadores.

- Un sistema de autopistas o segmento de carreteras, intersecciones de caminos,
control vehicular y trfico.

- Una oficina central de seguros, donde se reciban el reporte de siniestros, copia del
acta legal del siniestro y correos para las personas del siniestro.

- Un sistema de justicia, jueces, personal de apoyo, oficiales de asistencia, agentes
para la libertad condicional, defensores de oficio, demandantes, delincuentes, etc.

- Una fbrica de productos qumicos con tanques de almacenamiento, pipas,
tanques de ferrocarril, as como el sistema de embarque de productos finales.
Simulacin
Introduccin

R. De La T. 61

- Un restaurante de comidas rpidas con diferente tipo de empleados, clientes y
equipamiento.
- Un supermercado con control de inventario, verificacin y servicios al cliente.

- Un parque temtico con transporte, almacenes, restaurantes, trabajadores,
invitados y estacionamientos.

- El responsable del personal de emergencia al ocurrir un evento catastrfico.

A menudo las personas estudian un sistema, mejorando la operacin o redisendolo si es
que existe una mejor opcin.

Como se puede aproximar a la operacin del sistema

Es posible experimentar con un sistema actual. Por ejemplo:

- Algunas ciudades tienes instalada barreras con luz en la interseccin de una calle
o carretera con el ferrocarril. Esto se puede experimentar con diferentes
escenarios de secuencias que hacen que se experimente en horas de un trnsito
extremo y asegurar el paso del ferrocarril sin tener contratiempos.

- El gerente de un supermercado quizs experimente con diferentes polticas para el
control de los inventarios, y la verificacin y asignacin del personal y comprobar
que asignacin y que poltica es la combinacin perfecta para proveer un mejor
servicio.

- Una lnea rea puede probar el crecimiento y uso de kioscos de verificacin (y
empleados que verifiquen a los pasajeros) para comparar la velocidad de
verificacin.

- Utilizar una simulacin para experimentar las diferentes ubicaciones de la red
para los trabajos que tiene prioridad y determinar qu efectos tiene utilizando
quizs un sistema diferente de ubicacin.

Estas aproximaciones tienen la certeza de tener ventajas. Si se experimenta directamente
con el sistema y se sabe que todos los cambios significativos influyen, entonces se
buscara incuestionablemente la necesidad de modificar el modelo y poder imitar al
sistema con los propsitos claros que se buscan.

Algunas pruebas que no se pueden hacer con los sistemas de simulacin

En mucho de los casos es sumamente difcil, costoso e imposible hacer estudios fsicos
sobre el sistema:
Simulacin
Introduccin

R. De La T. 62

- Obviamente no se puede experimentar con ubicaciones diferentes de una fbrica
que todava no se ha construido.

- Incluso en fbricas existentes, es quizs muy costoso cambiar o experimentar
distribuciones que quizs no resulten de todas formas.

- Es quizs difcil para cuando existen muchos clientes el cerrar una sucursal
cercana al banco en estudio.

- Tratar de realizar un procedimiento de verificacin en un aeropuerto donde las
personas pierden sus vuelos si hay un problema imprevisto con el nuevo
procedimiento.

En estas situaciones especiales se pueda construir un modelo de servicio como un
sustituto para el estudio del sistema y hacerse las preguntas pertinentes acerca de que
puede hacerse en el sistema, o si alguna situacin ms all del control se desarrollo.
Nadie debe tener perjuicios, y tiene la libertad de tratar de ampliar la forma de idear el
modelo para poder encontrar la alternativa que se puedan aplicar al modelo actual.

Se deben construir modelos con los detalles y el suficiente cuidado que se debe tener
para aprender acerca del modelo que no puede ser diferente al sistema que actualmente
est funcionando, es importante validar la informacin que se obtiene de los modelos
para despus modificarlo si es esto posible.

Modelos Fsicos

Existen muchas clases de modelos, tal vez la primera palabra que se involucra es la
rplica a escala del modelo del sistema, algunas veces nombramos al modelo por medio
de un icono, por ejemplo:

- Las personas que construyeron un tablero para modelar el sistema de manejo de
materiales que es una versin miniaturizada del manejador, no es un modelo de
tren elctrico, al considerar los efectos sobre la ejecucin de los diseos de las
alternativas, de las rutas de los vehculos y de los equipos de transporte, etc.

- Una versin a escala natural de un restaurante de comida rpida. Este tiene una
bodega y ha experimentado con diferentes procedimientos de servicio que se han
descrito. Es un hecho que las cadenas de comidas rpidas tienen a escala real
restaurantes controlados por las oficinas corporativas para experimentar de forma
directa con nuevos productos.

- Salas de control de la simulacin que se desarrollaron para el servicio de
operadores nucleares para sus plantas.
Simulacin
Introduccin

R. De La T. 63
- Un simulador de vuelo que lo usa el equipo de pilotos, existen tambin
programas de computadora donde se familiariza con el avin y representan una
serie de situaciones reales. Fsicamente los simuladores tienen la aproximacin a
algunos de los aeropuertos, etc.

Lgica (modelo matemtico)

Se consideran modelos lgicos o matemticos de sistemas. A un modelo que se ajusta a
una serie de aproximaciones y suposiciones que se desarrollan de una estructura que
cuantifica el trabajo que el sistema debe desarrollar.

Un modelo lgico es representado por un programa de computadora (algoritmo) que
maniobra en la direccin del comportamiento del modelo. Si la representacin del
modelo es validada y se tiene la posibilidad de entender el sistema actual desde que se
relacione con un simple programa de computadora y si se parece lo suficientemente al
sistema que representa, entonces es fcil y econmico para obtener respuestas a muchas
de las interrogante acerca del modelo que puede simplificar la manipulacin de las
entradas y formas del propio modelo. Se pueden hacer mezclas en la computadora donde
no se cuente con la suficiente informacin, as como adicionarle datos con el nico
objetivo de obtener una mejor respuesta del sistema.

Qu hacer con un modelo lgico?

Despus de hacer todas las aproximaciones necesarias y asumir los estados para validar el
modelo lgico del objetivo del sistema, tambin es necesario determinar un camino de
acuerdo al modelo y anlisis el comportamiento del sistema.

Si el modelo es suficientemente simple, es posible utilizar modelos matemticos lo
suficientemente simples. Esta situacin se resolvern con formulas y respuestas que sern
fcil de que se evaluarse, pero en ocasiones los modelos matemticos sern demasiado
complicados y las respuestas del sistema sern con cierto grado de incertidumbre. Por lo
general los modelos donde intervienen personas, el modelo de estudio es bastante
complicado as como la validacin del sistema, algunos modelos puede que no se logre
una aproximacin muy exacta con el algoritmo (modelo matemtico) estas situaciones
pueden llegar hacerse muy comunes.

Simulacin por computadora

La simulacin utilizando equipos de cmputo se refiere a la variedad de modelos del
mundo real utilizando la evaluacin numrica usando software diseado para imitar el
comportamiento de un sistema. Desde un punto de vista prctico la simulacin es el
proceso de diseo y creacin de modelos computarizados de los sistemas reales, para el
propsito de experimentar numricamente estn dadas por un mejor entendimiento del
comportamiento del sistema para una serie de condiciones.
Simulacin
Introduccin

R. De La T. 64
Mientras la simulacin no es la nica herramienta que se puede usar para el estudio del
modelo, esto es frecuentemente una seleccin de mtodos. La razn para esto es que los
modelos de simulacin pueden permitir apropiadamente salidas complejas. Si se necesita
representar fielmente a los sistemas y esto se puede hacer por medio del anlisis de
simulacin. Otros mtodos pueden requerir fuertes simplificaciones asumiendo anlisis
complejos y complicaciones en el desarrollo.

Diferentes clases de simulacin

Hay muchos caminos para clasificar los modelos de simulacin, pero un camino til es a
travs de los siguientes mtodos.

- Esttico contra dinmico: el tiempo no juega un papel natural en modelos
estticos pero si en modelos dinmicos. La mayora de los modelos operacionales
son dinmico.

- Contino contra discreto en un modelo continuo, el estado del sistema puede
cambiar continuamente sobre el tiempo; un ejemplo seria el nivel de un receptor
de agua, ocurren dos fenmenos al mismo tiempo como lo es la cada del agua y
la evaporacin de la misma. En un modelo discreto los cambios pueden ocurrir a
diferentes intervalos de tiempo, como en un sistema de manufactura en el cual
llegan y salen materiales, productos en diferentes intervalos de tiempo. Se puede
tener en un sistema ambos modelos los cuales son llamados modelos mixtos
continuos, discretos un ejemplo puede ser una refinera donde ocurren cambios
continuos de presin dentro de los platos de refinacin y puede ocurrir
discretamente interrupciones de energa elctrica.

- Deterministico contra estocstico: los modelos que no tiene entradas aleatorias
se llaman deterministicos. los modelos estocsticos operan con al menos algunas
entradas aleatorias un ejemplo es un banco en donde los clientes llegan
aleatoriamente con requerimientos de diferentes tiempos de servicio cualquier
modelo puede tener los dos tipos de entradas en diferentes componentes.

Como crear una tabla para simular.
Simulacin
Introduccin

R. De La T. 65


El pasado reciente de la Simulacin:

Durante los finales de los 80S la simulacin comenz a establecer sus races en
negocios. Una gran parte de esto se debi a la utilizacin de las computadoras y la
animacin. Aunque la simulacin era utilizada para sistemas que fallaron, muchas
personas requirieron simulaciones antes de implantar sistemas de produccin, a finales de
la dcada de los ochentas la simulacin fue reconocida por empresa importantes, para
algunas de ellas la simulacin era un requisito de aprobacin para cualquier inversin de
capital.

El presente

La simulacin inicio la maduracin en la dcada de los noventas. Empresas ms pequeas
comenzaron adoptar esta herramienta y se dieron cuenta de lo til del uso de la
simulacin en las diferentes etapas de los proyectos.


Plantillas creadas por el usuario.
- Estructuras comunes
- Procesos especficos
- Plantillas especificas
Plantillas de solucin de aplicaciones
- Centro de relaciones
- Presentacin de paquetes
Panel de procesos bsicos
- Construccin de modelos comunes
- Muy accesible y fcil de usar
- Flexibilidad razonable

Procesos avanzados y Paneles avanzados de
transferencia.
- Acceso a la modelacin con ms
detalle para una mayor flexibilidad
Bloques y paneles de elementos
- Toda la flexibilidad requerida para el
lenguaje de simulacin en el que se
basa Arena SIMAN.
Uso de los compiladores Visual Basic C/C++
Nivel de modelado
Alto
Bajo
Simulacin
Introduccin

R. De La T. 66
El Futuro

La tasa de avance de la simulacin se ha acelerado en los ltimos aos y se tienen las
bases para continuar con su rpido crecimiento y recibir la aceptacin del personal de la
empresa.

Hoy los proyectos de simulacin se concentran en el diseo y rediseo de sistemas
complejos estos usualmente deben de tratar con sistemas de control complejos los cuales
llevaran al desarrollo del nuevos sistemas de control lgicos que es probado utilizando la
simulacin desarrollada.

Conceptos Fundamentales de la Simulacin con ARENA

Se tratar de introducir algunas ideas fundamentales, mtodos y temas antes de entrar al
desarrollo de software Arena. Estos conceptos son los mismos que se ha tratado en el
desarrollo del curso.

Esto se desarrollara a travs de un pequeo ejemplo que se describir ms adelante, se
exploraran algunas opciones para relacionar este software con el modelo. Se describirn
varias opciones del Basic Process. Al final de este ejemplo se debe de entender la lgica
la estructura y los componentes y el manejo de un proyecto de simulacin.






















Simulacin
Introduccin

R. De La T. 67
Mdulos de Arena



Mdulos grficos.- los grficos bsicos de construccin de un modelo en el programa
Arena se llaman mdulos, existen grficos como diagramas y objetos de datos solamente,
estos definen el proceso a ser simulado y se muestran en el panel de la barra de proyectos.

Los diagramas describen los procesos dinmicos del modelo; los diagramas se clasifican
en mdulos llamados:

- Create crear o producir
- Dispose disponer o colocar
- Process proceso o accin
- Decide decidir o determinar
- Batch grupo o tanda
Diagramas
Modulo de
Datos
Simulacin
Introduccin

R. De La T. 68
- Assign asignar
- Record registro documento

Existen otros paneles que tienen otras clases adicionales de diagramas. Cada tipo de
modulo de diagrama en el proceso bsico tiene distinta configuracin. Tambin existen
muchos ms paneles tienen una forma que se configuran de acuerdo a la accin a realizar
y existen otros que son simples cuadros usando colores que los hacen distintos a los
dems.

Estos mdulos pueden ser arrastrados desde su posicin hasta la pantalla (pizarrn) donde
se pretende realizar la simulacin.

Mdulos de datos.- definen las caractersticas de los procesos elementales como son:

- Entity entidad
- Queue lnea de espera (cola)
- Resource recurso
- Variable variable
- Schedule planeacin y programacin
- Set conjunto coleccin

Estos pueden iniciar a variables y a otros tipos de valores y expresiones que conciernen
al modelo. Los grficos de los mdulos de datos no pueden ser arrastrados por el puntero
del ratn.

Creacin de un diagrama de flujo para la simulacin por Arena

Se describe el siguiente proceso:



Metas de Estudio:

1. el total producido (nmero de documentos que terminan el servicio de impresin
2. el porcentaje de tiempo en la lnea de cada una de los documentos.
3. el mximo tiempo de espera en la lnea.
4. el nmero promedio de documentos que esperan en la lnea.
5. el mximo nmero de documentos que esperan en la lnea.
6. el tiempo promedio y el total que se tarda en el sistema.
Documentos Procesados Lnea de espera de los
documentos
Documento Impreso
Centro de impresin
Simulacin
Introduccin

R. De La T. 69
7. el porcentaje de utilizacin del sistema de impresin.



Se arrastra con el puntero del ratn de modulo Create del proceso bsico hasta el rea
libre y se oprime dos veces el botn izquierdo del ratn y aparece el cuadro de dialogo y
a partir de ah se introducen los datos requeridos por el sistema, este modulo representa el
nacimiento del sistema ya que por el entran los objetos que sern procesados

Create
Name: Documentos que llegan al sistema
Entity Type: Partes
Time Between Arrivals:
Type: Random(Expo)
Value: 5
Unit:Minutes
Entity Per Arrival:1
Max. Arrivals:Infinite
Firt Creation:0

Este modulo que es para crear y que se nombrara para este sistema Documentos que
llegan al sistema con todas las caractersticas que se mencionan en el prrafo anterior,
las que estn en gris en este caso particular no tienen ninguna aplicacin.


Simulacin
Introduccin

R. De La T. 70


Simulacin
Introduccin

R. De La T. 71
Este mdulo puede ser arrastrado desde su posicin hasta la pantalla donde se pretende
realizar la simulacin.


Una de las cosas que se crearon en el modulo de Create fue la definicin del Entity type
que le nombramos documentos. Para seleccionar el Entity en el modulo de la barra de
proyectos se muestran una serie de nombres de imgenes y se seleccionara una de ellas
para representar las Partes (Picture.Blue Ball).

El Modulo de Procesos

El modulo de procesos que nombraremos Centro de perforacin representa a la maquina
que realiza la accin, la lnea de espera (cola) y el tiempo que tarda procesando la parte,
mueva este cuadro con el puntero del ratn al rea de trabajo y oprima dos veces el botn
izquierdo del ratn para acceder a la informacin del cuadro de dialogo:

Procees:
Name: Centro de Impresin
Type: Standard
Logic
Action: Seize Delay Release
Priority: Medium(2)
Resources:
Type:Resource
Resource Name: Velocidad de impresin
Simulacin
Introduccin

R. De La T. 72
Quantity: 1
Delay Type: Triangular
Units: Minutes
Allocation: Value Added
Minimum: 1
Value (Most Likely): 3
Maximum: 6



Modulo de los datos de la lnea de espera

Si el recurso de la Velocidad de impresin est ocupado cuando otro artculo llega al
modulo del proceso, el artculo tiene que esperar a que este se desocupe la hoja de lnea
de espera se muestra a continuacin:



Animacin de recursos y lneas de espera
Simulacin
Introduccin

R. De La T. 73

Haciendo referencias a las lneas de espera, se debi notar que en el cuadro de Process
apareci una lnea

Esta es la lnea de espera que al ser animado el sistema se hace una grafico que
especifica el tamao de los artculos que esperan ser procesados.


Animacin del recurso




Lnea de espera
Simulacin
Introduccin

R. De La T. 74

Se cierra la ventana y se coloca el cursor arriba del centro de impresin, el cual no da un
tamao unitario, si se desea agrandar, primero lo seleccionamos y en los puntos que
aparecen los lados de la imagen, colocamos el cursor este se convierte en una flecha
de dos picos y jalamos la imagen hasta el tamao que requerimos.




El ultimo dibujo del diagrama es el cuadro que se llama disponer (Dispose) de los
productos elaborados o modificados.

Otro es poner el nombre del sistema

Simulacin
Introduccin

R. De La T. 75


Simulacin
Introduccin

R. De La T. 76



Para dibujar la caja de dilogos y poder determinar de forma grafica el nmero de
productos que estn en la lnea de espera del centro de perforado se hace lo siguiente, se
le da:
Simulacin
Introduccin

R. De La T. 77








Una vez seleccionadas todas las opciones se pone OK y se regresa a la pantalla principal
y aparece el grafico seleccionado de un tamao pequeo, se podr agrandar todo lo que se
quiera con solo seleccionarlo y jalar una de las esquinas de la imagen

Una vez terminado colocaremos los parmetros del sistema y una breve descripcin del
sistema, esto lo documentaremos con la siguiente imagen:
Doble clic con el botn
Izquierdo del ratn
Se
selecciona
Add...
Aparece este cuadro
De dilogos
Seleccionar esta opcin
Se despliega la opcin Queue
Simulacin
Introduccin

R. De La T. 78


Aqu procedemos a poner los parmetros del sistema:
Seleccionamos Setup
Y aparece el siguiente
Cuadro de dilogos
Simulacin
Introduccin

R. De La T. 79

Y para correr el sistema, utilizaremos los siguientes controles:
Detener el sistema totalmente
Correr el sistema

P.- Este es un sistema que representa la operacin final de la produccin de dos
diferentes unidades electrnicas, en la figura se observa que llegan partes que ya fueron
aceptadas. La primera unidad llamada Parte A es producida en un departamento
adyacente. Con una llegadas exponenciales y una media de 5 minutos. Esta se transfiere
a una rea de preparacin llamada Prepara A con un tiempo de transito de 2 minutos.
Como la Parte A en el rea de preparacin se introduce en una caja que se sella, se limpia
y es asegurada; el proceso de tiempo para esta operacin combinada es una distribucin
tipo Triangular (1, 4, 8), en esta rea y despus se traslada al Ensamblador, con un
tiempo de trnsito de 2 minutos.

La segunda unidad llamada Parte B es producida en un edificio diferente, donde se
procesa y llegan en conjunto de cuatro unidades; el conjunto de piezas se enva al final
del rea de produccin en el modelo. El tiempo entre llegadas de los sucesivos conjuntos
(4 artculos) de la Parte B es exponencial con una media de 30 minutos. La llegada de la
Parte B al rea de preparacin (Preparacin B) se representa por un conjunto, separado
por cuatro unidades, y estas se procesan en forma individual, el proceso de la Parte B en
Simulacin
Introduccin

R. De La T. 80
el rea de preparacin tiene los mismos tres pasos como en la Parte A, en el rea de
preparacin excepto que el proceso de tiempo para la operacin combinada es una
distribucin Triangular (3, 5, 10), la partes son enviadas al Ensamblador con un tiempo
de trnsito de dos minutos.

En lo que respecta a la operacin, el componente electrnico es insertado en una caja.
Las unidades se examinadas. El total del proceso para esta operacin depende del tipo
de parte; Triangular (1, 3 ,4) para la Parte A y distribucin WEIBULL para la Parte B
WEIB (2.5, 5.3), el 91% de la partes aprueba la inspeccin y son transferidas a el
departamento de Embarque, las partes sobrantes son transferidas a Reproceso donde las
partes son desensambladas, reparadas, limpiadas y re ensambladas. El 8% de las partes
son Salvadas y transferidas al departamento de embarque una vez que han sido
reprocesadas. Los sobrantes son transferidos al rea de Desechos. El tiempo de reproceso
de las partes es una distribucin exponencial con una media de 45 minutos y es
independiente del tipo de parte. Se asume que el tiempo de transferencia es de 2 minutos.

Se requiere un reporte estadstico en cada rea sobre los recursos utilizados, nmero de
partes y tiempo en la lnea de espera, y el tiempo que transcurre de una parte desde que
entra hasta que se empaca, tambin de las partes salvadas y de las partes desechadas. Se
debe hacer una corrida para simular de 2000 minutos. Desde que se tiene una parte
transferidas entre reas y se quiere ver como fluyen las partes en la animacin



Preparacin de
la Parte A
Preparacin de
la Parte B

Ensamblado
Reproceso
Empacado
Basura
Salvados y
empacados
EXPO (45)
Parte A TRIA (1, 3, 4)
Parte B WEIB (2.5, 5.3)

9 %
20%
80%
91%
Parte A
Parte B
EXPO (5)
Lote de 4
EXPO (30)
Llegadas Asignacin Preparacin
Proceso Decisin Reproceso Decisin Grabar Finalizar
Modelo Lgico
TRIA (1, 4, 8)
TRIA (3, 5, 10)

Simulacin
Introduccin

R. De La T. 81
Mejorando la Corrida del Sistema

El sistema opera en base a dos turnos por da y en el segundo turno existen dos
operadores asignados al rea de Re manufactura. El gerente de produccin ha notado que
tiene fallas en la operacin de ensamblado (sellado). Peridicamente la mquina de
ensamble se detiene. Los ingenieros buscan el problema y se han coleccionado datos
para determinar el efecto sobre la operacin de re ensamblado. El sienten que esas fallas
no merece un esfuerzo muy grande para corregir el problema, tambin est seguro que la
operacin de re ensamble es un cuello de botella. Dejemos y asumamos que el tiempo
entre fallas ha sido de 120 minutos y que la distribucin es exponencial, el tiempo de
reparacin es tambin es exponencial y una media de 4 minutos.

El gerente de produccin indica que se est considerando la compra especial de racks o
tarimas para almacenarlas partes defectuosas que se re ensamblan. Esos Racks pueden
guardar 10 partes por tarima y por lo tanto podemos saber cuntas comprar. El siguiente
paso es modificar el modelo para incluir estos tres nuevos aspectos. Los cuales permiten
emplear algunas cualidades de ARENA.

Introduciremos nuevos conceptos. Cambiando del primero al segundo turno, con un solo
operador y con dos operadores respectivamente. Colocaremos la longitud de la corrida en
turnos de ocho horas y no intentaremos rastrear los turnos durante la corrida. Solo
asumiremos las condiciones del sistema al final del turno, lo mismo que al principio del
siguiente turno e ignoramos el tiempo a la mitad del turno. Ahora necesitamos
explcitamente indicar el cambio de turno, porque tenemos un operador en el primer turno
para el proceso de Re manufactura.

Adicionalmente el modelo incluye la planeacin de los recursos del rea de Re
manufactura, que automticamente cambia la cantidad de recursos desde el principio de
la corrida para ajustar la capacidad de los mismos. Al hacer estos cambios, tambin
incrementaremos la longitud de la corrida para simular ms de dos das con dos turnos de
operacin.

El modelo que usaremos para las fallas de ensamble que permite cambiar la capacidad
disponible de los recursos, pero se tiene adicionalmente que imaginarse la representacin
de las fallas. Finalmente usaremos la frecuencia estadstica para obtener el tipo de
informacin que necesitamos para determinar el nmero de racks que se deben comprar.

Expansin de Recursos y Planeacin de Estados

Modelaremos los recursos (Prepara A, Prepara B, Ensamblado, Re ensamblado) con
capacidad de uno (1). Al modelar un operador adicional de Re manufactura, simplemente
cambiamos la capacidad de los recursos a dos (2), esto significa que se tendrn siempre
dos operadores disponibles. Que se necesita hacer para planear un operador para el
primer turno (asumiendo que los turnos son de 8 horas) y dos (2) operadores de Re
Simulacin
Introduccin

R. De La T. 82
ensamblado para el segundo turno, ARENA construir un modelo para esto, que
llamaremos planeacin (SCHEDULED) que le permite variar la capacidad de los
recursos sobre el tiempo. Una planeacin de los recursos se define por secuencias de
tiempo y recursos, tambin en el modelo necesitamos capturar en el modelo los periodos
de falla de la mquina de ensamblado. Esto puede ser modelado utilizando la planeacin
o programacin (SCHEDULED). Se puede definir una disponibilidad de recursos con
capacidad de uno (1) para cuando se use y de cero (0) para cuando se repare.

ARENA tiene definidos cuatro (4) recursos I DLE, BUSY, I NACTIVE, FAI LED
(desocupado, ocupado, inactivo, y fallado). Para reporte estadsticos guarda el rastro del
tiempo usado en cada uno de los cuatro estados. El recurso desocupado IDLE se utiliza
cuando una entidad no est siendo ocupada. Tan pronto como una entidad entre al
proceso, el estado entra al proceso y por lo tanto el estado cambia a ocupado (BUSY).
El estado ser cambiado a inactivo I NACTI VE, si tiene que realizar tarea pero no
dispone de recursos esto ser realizado con el cambio que se haga a la planeacin o
programacin (SCHEDULED) cambiando la capacidad a cero, el estado ser cambiado
a fallado (FAI LED), si ARENA tiene lugar para los recursos, pero implica no
disponibilidad de asignacin cuando una falla ocurre, ARENA provoca que la entrada
de recursos no est disponible. Si la capacidad es dos por ejemplo, ambas unidades de
recursos estarn en el estado de falla durante el tiempo de reparacin.

ocurre falla una cuando asignacin de idad disponibil no

implica pero recursos, los para lugar e ARENA tien si - FAILED.
recursos de dispone no pero area realizar t que tiene si - INACTIVE.
(BUSY) ocupado a cambia
estado el tanto lo por y proceso al entra estado el - BUSY.
ocupada siendo esta no entidad una cuando utiliza se - IDLE.
ARENA de Recursos


Planeacin de los Recursos

Antes de agregar los recursos planeados para la operacin de Re manufactura, debemos
primero definir 16 hrs. por da. Se hace esto en la opcin RUN SETUP y en el
cuadro de dilogos de la REPLI CATI ON, se cambian las horas del da de 24 a16 y
tambin cambiaremos la longitud de la corrida a 10 das.


Simulacin
Introduccin

R. De La T. 83






Se puede iniciar la definicin de los recursos planeados en otros recursos o en el
modulo de datos de planeacin (SCHEDULED) cuando se oprime el botn derecho
sobre este mdulo del panel del proceso bsico (BASIC PROCESS), la informacin sobre
los recursos actuales en el modelo sern desplegados en la vista de la hoja de clculo en
la parte baja de la ventana.

Valor actual
Valor propuesto
Simulacin
Introduccin

R. De La T. 84


Y aparece el siguiente cuadro de dilogos para planear una persona en las primeras ocho
horas y dos en las segundas ocho horas:








Botn derecho
del ratn dos
veces
Simulacin
Introduccin

R. De La T. 85



Ahora oprima el botn derecho del ratn y escriba en la columna Re ensamble y
seleccione BASED ON SCHEDULED en una lista despegable. Cuando seleccione esta
opcin, ARENA agrega dos nuevas columnas a la vista de la hoja de clculo
SCHEDULED NAME y SCHEDULED RULE, note que la capacidad de la celda para el
recurso de Re ensamble se hizo gris porque la capacidad cambio y se basa en la
planeacin o la programacin (SCHEDULED), adicionalmente las dos nuevas formas
tambin son grises porque los otros tres recursos tienen valores estacionarios.
Simulacin
Introduccin

R. De La T. 86


Finalmente, es necesario seleccionar reglas de la programacin y/o planeacin con
determinado tiempo especifico cuando la capacidad definida por la planeacin actual
cambie. Hay tres opciones de reglas de planeacin WAI T, I GNORE, PREEMPT
(esperar, ignorar, adelantarse) las tres opciones causan que las unidades de los recursos
se hagan inactivas. Pero si los recursos estn asignados a una entidad cada uno responde
de diferente forma.

- La opcin ignorar (IGNORE) inmediatamente decrece la capacidad de los
recursos, ignorando el hecho que los recursos estn asignados a una entidad.
Cuando los recursos son liberados por la entidad estos son colocados en el estado de
inactivos (INACTIVE), si la capacidad de los recursos se incrementan de nuevo antes
de que la entidad libere recursos, esto es si la planeacin nunca hubiere cambiado.
Los efectos que tiene sobre el sistema es el tiempo, para que la capacidad planeada se
reduzca y este tiempo puede ser ms corto con respecto a esta opcin.
- La opcin esperar (WAI T) como su nombre lo indica. Esperara hasta que la
entidad libere los recursos antes de iniciar el decrecimiento de su capacidad actual,
as la reduccin de la capacidad de tiempo siempre ser la duracin especificada, pero
el tiempo entre esas reducciones puede crecer.
- La opcin adelantar (PREEMPT) intenta adelantar las ultimas unidades de los
recursos tomados, para llevar el control. Si el adelantamiento tiene xito y la
capacidad es suficiente, entonces la reduccin de la capacidad iniciara
inmediatamente. El adelantamiento de las unidades es soportado internamente por
ARENA hasta que los recursos favorece la disponibilidad. El tiempo de las entidades
Simulacin
Introduccin

R. De La T. 87
ser reasignado as como los recursos, y continuara con el tiempo que sobra del
proceso.

\
|

ente inmediatam
iniciara capacidad la de reduccin la entonces , suficiente
es capacidad la y xito tiene ento adelantami el control.Si el llevar
para tomados recursos los de unidades ultimas las adelantar intenta .
actual capacidad su de nto decrecimie
el iniciar de antes recursos los libere entidad la que hasta Esperara .
entidad una a asignados estn recursos los que hecho el ignorando
recursos, los de capacidad la decrece ente inmediatam .
Planeacin la de Reglas
PREEMPT
WAIT
IGNORE






Una de las preguntas claves que se pueden hacer es cuando se aplica cada una de las
reglas. Si no existe una gua estricta. Las pocas reglas que existan no servirn para
auxiliar.

Preempt
Wait
Planeacin
Inicio rompimiento
Planeacin fin del
Rompimiento
Planeacin inicia rompimiento Planeacin final del rompimiento
Ignore
Lneas de tiempo
Simulacin
Introduccin

R. De La T. 88
1. Si la duracin de la planeacin decrece en capacidad y es muy larga comparada
con el proceso de tiempo la opcin I GNORE puede ser una representacin
adecuada.

2. Si el tiempo entre capacidades que decrece es largo comparado con la duracin del
decrecimiento WAI T debe ser considerado.

Generalmente se recomienda que se examine de cerca el proceso actual y seleccione la
opcin que mejor describa el proceso, hacia el cambio de planeacin y/o programacin o
falla de recursos. Si los recursos considerados son un cuello de botella para el sistema. Se
debe seleccionarlos el efecto significativo de los resultados obtenidos para el modelo.

Seleccione la opcin ignorar (IGNORE) porque en muchos casos un operador termina su
tarea antes de salir y el tiempo extra es rara vez considerado.

Existe un formato de dialogo para introducir los datos, el cual se abre oprimiendo el
botn derecho del ratn sobre la celda de Re ensamble y donde la columna se llama
NAME se selecciona EDI T VI A DI ALOG: Ahora puede nombrar lo planeado e indicar
las reglas de la planeacin. Se deber planear los recursos como siguen. Un camino es
oprimiendo dos veces el botn derecho del ratn sobre el mdulo de datos y meter la
informacin planeada en la hoja de clculo. Un nuevo rengln ser agregado que contiene
la nueva definicin de Re ensamble. Ahora oprima dos veces. El botn derecho sobre la
columna de duracin y se abrir un cuadro de dialogo GRAPHICAL SCHEDULED
EDI TOR, con una interface grfica para agregar los datos planeados. El eje horizontal
es el calendario o simulacin de tiempo, el eje verticales la capacidad de los recursos. Al
meter los datos en la grfica las primeras ocho horas tiene una capacidad de uno y las
ltimas ocho horas tendrn una capacidad de dos.

No es necesario hacerlo en el da dos ya que los datos notificados en el primer da se
repiten automticamente para el resto de la corrida.
Pueden meterse los datos manualmente, oprimiendo el botn derecho del ratn sobre la
columna de la duracin en la hoja de clculo y seleccionar el cuadro de dialogo EDIT
VIA DIALOG. Si se selecciona esta opcin, primero meta el nombre de lo planeado
luego oprima dos veces el botn derecho del ratn sobre el botn ADD y defina para este
modelo dos pares de valores 1,8 y 2,8, esto indica que la capacidad debe ser de uno en los
primeros 480 minutos y de dos en el resto de los otros 480 minutos. Esto se repetir por el
resto de la corrida. Este cuadro de dilogos del ADD debe tener por lo menos un par de
valores.

Falta de Recursos.

En la planeacin fue prevista la modelacin de la programacin en la disponibilidad de
recursos, justo en el cambio, rompimiento, etc. Las falta de recursos previstos en un
modelo de eventos probabilsticos que causan que los recursos no estn disponibles. Se
puede iniciar la definicin de la falta en los turnos o en el modulo de datos de la falta de
Simulacin
Introduccin

R. De La T. 89
recursos. El modulo de datos de falta puede ser encontrado en el panel ADVANCED
PROCESS PANEL.

Iniciamos con el modulo de datos de falta de recursos en el Ensamblado. Se debe iniciar
oprimiendo dos veces el botn derecho del ratn en ADVANCES PROCESS y
posteriormente hacer la misma operacin en el modulo de datos FAI LURE, al observar
la hoja de clculo en la parte inferior de la pantalla no tiene ningn dato registrado.
Oprima de nuevo dos veces el botn derecho del ratn y en el nombre de la columna
(NAME) introduzca el nombre de la falta Falta de recursos de Ensamblado. Si
selecciona la falta puede ser de dos tipos COUNT-BASED o TI ME-BASED usando la
lista desplegable de la celda. Un COUNT-BASED causa en los recursos un deterioro
despus de especificar el nmero de entidades que tiene en uso el recurso. Este
contador debe ser un nmero entero o ser generado por una expresin. COUNT-
BASED son faltas de recursos comunes en los modelos industriales. Por ejemplo,
herramientas de reemplazo, limpieza y ajuste de maquinas o equipo, es tpicamente
basados sobre el nmero de partes procesadas preferentemente antes de transcurrir el
tiempo programado, aunque esto normalmente sea visto como una falta de recursos.
Ahora se despliega la lista de la columna TYPE y seleccione TI ME. Cuando se haga
esto la forma de la hoja cambia, una celda es borrada y son agregadas tres nuevas
celdas para reflejar la diferencia de datos requeridos entre las dos opciones. UPTI ME
y el DOWNTI ME las cuales se representan con distribuciones exponenciales en este
caso con media de 120 y 4 minutos respectivamente. Tambin cambiaremos las unidades
de tiempo a minutos. En el ltimo campo UPTI ME I N THI S STATE ONLY permite
definir el estado de los recursos que pueden ser considerados como COUNTI NG para
el tiempo actual. Si este campo est presente entonces todos los estados son
considerados, el uso de esto es muy independiente sobre como los datos coleccionados y
la presentacin de su calendario.

Completemos la definicin de la falta de recursos en ensamble, necesitamos ahora
sujetar al recurso ensamble abriendo el modulo de recursos (RESOURCE) y
oprimiendo dos veces el botn derecho del ratn en la columna de falla para el registro
de la fila de ensamble, se abre una ventana en la hoja de clculo de Ensamble Oprima de
nuevo el botn derecho del ratn para agregar una fila nueva en la opcin FAIRULE
NAME seleccione falla ensamble de la lista despegable, tambin seleccione la regla de
falla FAI RULE RULE despliegue la lista y seleccione entre I GNORE, WAI T y
PREEPT que son la mismas opciones de la planeacin y se responder de manera
idntica.

Cuando suponemos que el tiempo actual de 120 minutos es muy grande comparado con
la duracin de la falla de 4 minutos por lo tanto usaremos la opcin WAIT. Si existen
otras fallas en el proyecto debern seguir el procedimiento descrito.

Frecuencias

Simulacin
Introduccin

R. De La T. 90
Son usadas para grabar el tiempo de persistencia en ARENA para variables. Podemos
usar tipos de frecuencias estadsticos para obtener la informacin necesaria para
determinar el nmero de Racks o tarimas requeridas en el rea de Re manufacturas, se
est interesado en el estatus de la lnea de Re ensamble para determinar el nmero de
racks a comprar para asegurar que se tiene suficiente almacenamiento para todo el
tiempo. En este caso especial se desea saber el tamao de la lnea de espera que este
entre 0 y 10 o entre 10 y 20 o entre 20 y 30 etc.

La frecuencia estadstica se introduce por medio del modelo STATI STI C que se
encuentra ADVANCED PROCESS PANEL oprima dos veces el botn derecho sobre
este modulo y se abre una hoja de clculo que est vaca oprima dos veces el botn
derecho y agregue una nueva fila o rengln, primero introduciremos el nombre en NAME
Estado Lnea Re manufactura en la columna TYPE desplegamos la lista y
seleccionamos FRECUENCY y en la columna FRECUENCY TYPE de la lista
desplegable VALUE si observamos cuando seleccionamos el tipo, el REPORT LAVEL
automticamente le da el mismo nombre que al NAME.

Ahora se necesita desarrollar una expresin que represente el nmero de unidades en la
lnea para el rea de Re ensamble, al requerir esta informacin, necesitamos conocer el
nombre de la variable de ARENA NQ con esto podemos obtener el nombre de la lnea
de espera, Proceso Reensamble.Queue en el modulo de datos del panel bsico BASIC
MODEL PANEL y la expresin anteriormente escrita con extensin Queue posicionando
el cursor en el rea de RESOURCE y con el botn derecho en el rea numrica aparece
el cuadro de dilogos, seleccionamos Queue y posteriormente desplegamos la lista
Proceso Reensamble.Queue y en la parte de la hoja de clculo se despliega
automticamente la expresin. Puede oprimir el botn derecho del ratn sobre un campo
donde se requiera abrir la expresin BUI LDER, por ejemplo, se tiene que usar la
expresin EXPRESI ON BUI LDER para encontrar la expresin TNOW, puede
construir expresiones complejas para utilizar la expresin BUTTON.

Este ltimo paso monto la lnea de espera en el Proceso Re ensamble en la barra
<ADVANCED PROCESS en el rea estadstica (STATI STI C) en la columna expresin
NQ (Proceso Reensamble.Queue).Ahora se colocan en la columna CATEGORY
OPTI ON se oprime dos veces el botn derecho del ratn Y se despliega una hoja de
clculo de CATEGORI ES donde se coloca lo siguiente:

CONSTANT
OR RANGE
VALUE HIGH
VALUE
CATEGOR
Y
NAME
CATEGOR
Y
OPTION
CONSTANT 0 NO RACKS INCLUDE
CONSTANT 0 10 1 RACKS INCLUDE
CONSTANT 10 20 2 RACKS INCLUDE
CONSTANT 20 30 3 RACKS INCLUDE
CONSTANT 30 40 4 RACKS INCLUDE
Simulacin
Introduccin

R. De La T. 91



Animacin

Hasta este momento se acepto la animacin que se incluye en el programa de Arena.
Pero es posible modificarla o si se quiere decir de otra forma, adecuarla a las necesidades
del modelo para apreciar de manera acorde a las necesidades del propio modelo. La
animacin puede ser un arte ya que se detalla tanto como se quiera, en base a la lgica de
los diseadores y a quien est enfocada la demostracin del modelo de simulacin.

Modifiquemos el sistema.

Cambiando la animacin de las lneas de espera


Ahora tratemos de modificar la forma de la lnea de espera en el modelo de estudio,
seleccionando la lnea que se quiere modificar

Proceso de Reensamble (lnea de espera)
Propuesta inicial
Alargamiento de la lnea
Agregando puntos a la lnea de espera
Modificando la lnea para agregar ms unidades en el dibujo
Simulacin
Introduccin

R. De La T. 92


1. seleccionamos la lnea de espera de Re ensamble
2. aparece el cuadro de dilogos Queue y seleccionamos la opcin Point
3. se oprime esta opcin y aparece el cuadro de dilogos Points
4. se oprime la opcin Add hasta que se completen el nmero de crculos que
representen a las unidades en la lnea de espera.
5. agregamos la necesarias y le damos OK
El resultado de estos pasos es la lnea superior del Proceso de re ensamble

1
2
3
4
5
6
Simulacin
Introduccin

R. De La T. 93


Ahora se proceder a realizar el acomodo como resulte mejor para el diseador del
sistema y esto puede ser como se indico en la figura de los puntos o de cualquier forma
que se le ocurra de tal manera que represente al sistema que se est diseando o
proponiendo. Aqu se propone una forma.

Simulacin
Introduccin

R. De La T. 94



Cambiando las imgenes de las entidades

Ahora enfoquemos la atencin en la animacin (movimiento) de las entidades. En el
momento del dise de manera arbitrariamente se seleccionaron dos crculos, uno azul y
el otro rojo para darle movimiento a la entidad del sistema que se est proponiendo para
su solucin.

Edicion Entity Picture
Simulacin
Introduccin

R. De La T. 95



Seleccionemos la figura que se desea modificar se presenta a continuacin:
Simulacin
Introduccin

R. De La T. 96



En seguida seleccionamos el Picture.Ball blue

Simulacin
Introduccin

R. De La T. 97


De la misma forma se hace con el crculo rojo Picture.Ball red por lo que la animacin
con los crculos quedan como:

Agregando variables
Simulacin
Introduccin

R. De La T. 98




Seleccionamos el campo
Se abre cuadro
dialogo
De oprime botn derecho de ratn y seleccionamos
La opcin
Aparece nuevo cuadro de dialogo
Seleccionamos opcin
Simulacin
Introduccin

R. De La T. 99
Y se repite este procedimiento dependiendo de las variables que se quieran reflejar en
aloja de clculo donde se hace la simulacin.

Agregando graficas




Nuevos conceptos de estacin y transferencia

Si al modelo se le agregan dos minutos de tiempo de transferencia y se muestran las
partes en movimiento, para esto se necesita conocer dos nuevos conceptos de ARENA:
estacin STATION y estacin de transferencia STATION TRANSFER. ARENA aborda
la modificacin fsica del modelo e identifica la localidad llamada estacin STATION.
Estacin puede ser pensada, de cmo pasa de un lugar a otro y los procesos que ocurren.
En el ejemplo, la estacin, representa la localidad para las partes que llegan a las cuatro
celdas de manufactura y las partes del departamento. Cada estacin tiene asignado un
nombre nico, en el modelo, la estacin aparece como punto de entrada del modelo
lgico, trabajaremos en conjuncin con nuevos tpicos llamados estaciones de
transferencia STATION TRANSFER. Las estaciones de transferencia STATION
TRANSFER permiten enviar de una entidad a una estacin sin una conexin directa.
ARENA tiene diferentes tipos de estaciones de transferencia que permiten transportar a
Se realizara una grafica
Se abre cuadro dialogo
De abre cuadro de dilogos y selecciona Builder
Seleccionamos la
variable enmarcada en
azul
Regreso a la grafica
Simulacin
Introduccin

R. De La T. 100
travs del tiempo, con restricciones de movimiento usando niveles de manejo de
materiales y flexibilidad en las rutas que dependen del tipo de entidad. Las estaciones de
transferencia que se usan en una ruta que permite el movimiento de entidades de una
estacin a otra. Rutas que asumen el tiempo requerido entre estaciones, pero que no
adicionan retrasos estos pueden ser provocadas porque existen obstrucciones sobre la ruta
o no disponen de equipo de manejo de materiales, el tiempo de ruta puede ser expresado
como una constante, una distribucin de probabilidad o una expresin.
La representacin de una estacin fsica es una localidad en el sistema, no hay
requerimientos estrictos que se marquen y de hecho, una estacin puede ser usada
efectivamente como un servicio o para modelar un objetivo. Regresemos un poco de lo
que ya proyectamos y analicemos que pasa en ARENA cuando una entidad es transferida
a una estacin (es en rutada). Primero se ver que el movimiento lgico de entidades de
un modulo a otro durante la corrida. Descubriremos que una corrida de simulacin es
manejada por las entidades a travs de un movimiento lgico. Estos eventos son ubicados
por el calendario cuando existe un tiempo de retraso. Esto es provocado eventualmente si
el plan inicial del proyecto se echa por tierra. Desde estas perspectivas, una estacin de
transferencia (ruta) es simplemente un retraso debido al transporte de un lugar a otro.
Cuando una entidad deja un modulo que especifica una ruta como un mecanismo de
transferencia los lugares de ARENA de las entidades sobre los eventos del calendario con
un evento del tiempo marcad por la duracin de una ruta (anlogo al retraso de un
modulo), cuando las entidades vuelven a ser removidas del calendario de eventos,
ARENA busca el modulo que defina la estacin destino, tpicamente un modulo de
estacin. Por ejemplo si asumimos una ruta para enviar una entidad a una estacin
llamada de ensamble. Cuando la entidad se define con los eventos calendarios, ARENA
busca el modulo que defina la estacin ensamble y la entidad es dirigida o enviada a ese
modulo. Esto es en contraste a la direccin de la conexin del modulo, donde la
transferencia de una entidad de un modulo a otro modulo ocurre sin lugar de las entidades
de los eventos calendarios y fue representado grficamente en el modelo con una lnea de
conexin.

Estacin y estacin e transferencia, facilitan el manejo de una importante de la animacin
del modelo. Desplegando el movimiento entre estaciones como la corrida del modelo
progresa. La estacin es representada en el diagrama de flujo del modelo por los
smbolos usados. Esta estacin establece localidades sobre el modelo dibujado donde la
estacin de transferencia es de inicio o fin. Los movimientos de entidades entre
estaciones, estn definidos por rutas, las cuales conectan a las estaciones a otros mdulos
y establecen el camino del movimiento por entidades que son encaminadas entre las
estaciones. Veremos que las estaciones marcadas definen una estacin destino (la
estacin final de la ruta) o una estacin que permita transferir fuera del modulo va
estacin de transferencia (para el inicio de una ruta). Agregue a la estacin animacin va
una estacin objeto de la barra de animacin. Agregue caminos usando rutas objeto de la
barra de animacin y dibuje lneas que establezcan los pasos de los grficos para que se
guen durante el enrutamiento.
Cuando la simulacin est corriendo, vera un movimiento a lo largo de la ruta. Las
preguntas que se pueden hacer son: Como es la lgica para aprender que una entidad
Simulacin
Introduccin

R. De La T. 101
reside sobre los eventos calendario durante el desplazamiento entre ellas. La respuesta de
ARENA en el motor de animacin con las coordenadas lgicas: en este caso, los eventos
de una entidad se encuentran en ruta en el modulo lgico y estn los eventos sobre el
calendario, la animacin muestra las entidades movindose entre las estaciones sobre el
camino.

Agregando la ruta lgica

Es necesario que se agreguen dos cuadros de la red de flujo lgico para que el sistema
este funcionando de acuerdo a la propuesta inicial (tiempos de transferencia de un
proceso a otro). Y entonces decidir sobre el comportamiento en base a los resultados que
se proponen.

Estas instrucciones son Station y Route que se localizan en la plantilla Advanced
Tranfer


Ahora debemos hacer el espacio necesario que se debern abrir despus de la asignacin
de los procesos y de las preguntas, para asignar el tiempo que tarda una pieza o articulo
en trnsito de un proceso a otro, que en este caso es de dos minutos como se planteo en
el problema inicial.

Desplegando del men File la opcin Attach
Seleccionando a opcin
Los dos cuadros
lgicos requeridos
Simulacin
Introduccin

R. De La T. 102




Se abren campos y se colocan nuevas instrucciones
como las Routes y Station
Simulacin
Introduccin

R. De La T. 103


Alterando la animacin

En el proceso de modificar la animacin, se movern mucho de lo que ya existe
actualmente. Si se quiere hacer una animacin atractiva. Si se quiere hacerla una
animacin que llame poderosamente la atraccin deberemos hacer las siguientes
modificaciones.

En este momento se mostrara como agregar estaciones y rutas para la animacin. Se
inicia agregando algunas estaciones indicadoras, colquese sobre la estacin, pero antes
debemos tener disponible este men de acuerdo a la siguiente secuencia.

Simulacin
Introduccin

R. De La T. 104



El procedimiento de ligar las estaciones es el siguiente:

Simulacin
Introduccin

R. De La T. 105





Y este es el resultado final de conexin de las estaciones por medio de las rutas.

Simulacin
Introduccin

R. De La T. 106



Hasta ahora se ha mostrado la parte B de forma individual, pero sera conveniente que se
presentara de forma de un conjunto de cuatro como est planteado en el sistema que se
propuso originalmente. Se necesita convertir la imagen de un crculo rojo por cuatro
crculos como se muestra en las siguientes secuencias de imgenes colocadas en el
programa de ARENA.
Simulacin
Introduccin

R. De La T. 107
.
Simulacin
Introduccin

R. De La T. 108



Y de esta forma se hace el cambio de un crculo rojo a cuatro (conjunto).

Encontrar y Corregir Errores

Si se han desarrollado muchos modelos y estos se ejecutaron y aparecen algunos errores,
esto hace que se ejecuten en forma incorrecta. Si se est diseando un modelo y se
cometi un error que Arena puede detectar y esto impide que este modelo corra. Arena
mismo intentara ayudar a encontrar ese error.

Los errores tpicos que impiden que un modelo corra pueden incluir: variables no
definida, atributos, recursos, mdulos desconectados, uso duplicado de nombres de
modulo, ortografa de la instruccin. Aunque Arena trata de impedir que el usuario
cometa este tipo de errores, no puede darle una flexibilidad de modelacin mxima sin la
posibilidad de que ocurran errores de tipo ocasional.
Arena encontrara la mayora de estos errores cuando los usuarios intenten revisar o
ejecutar un modelo nuevo.

Simulacin
Introduccin

R. De La T. 109
Durante la ejecucin si se encuentra que se cometi un error de sintaxis (de una
instruccin escritura mal) y se quiere saber el lugar exacto de este error utilice del men
principal.



Si por alguna razn cul era el error:

Para reabrir la ventana de errores que contiene el ltimo mensaje de error.

Simulacin
Introduccin

R. De La T. 110
Existe una cantidad de formas de revisar la exactitud del modelo o de encontrar errores
lgicos. Lo ms obvio es a travs del uso de la animacin que muestra lo que es la lgica
del modelo, pero a veces es necesario profundizar a un mas con el fin de resolver un
situacin difcil de lgica o de sintaxis. Veamos en primer lugar la opcin de Highlight
active Modulo (sealizar) al seleccionar.



Ahora ejecute el modelo, si los mdulo no estn visibles al inicio de la ejecucin: Arena
Cambia la visualizacin para observar los mdulos y estos se destacan cuando se ejecutan
sin embargo algunas ecuaciones esto sucede tan rpido que por lo general se observa solo
el mdulo cuando la entidad se detiene; esto es en los mdulos Delay (demora) Dispose
(disponer).
Existen algunas opciones que observar cuando un modelo se est ejecutando. Seleccione:
Vista ->Capas
Simulacin
Introduccin

R. De La T. 111


Para traer el cuadro de dialogo en la siguiente figura


Se puede hacer esto mientras se encuentre en el modo de ejecucin Run este cuadro de
dialogo permite encender o apagar las diferentes opciones que se pueden realizar durante
la corrida del modelo.

Simulacin
Introduccin

R. De La T. 112
Suponga que se tiene un modelo y que hay un modulo de Process (proceso) en la lgica.
Sera adecuado que la simulacin se pudiera detener cuando se alcance este mdulo y
que existan algunas formas para provocar esta situacin. Ejecute la opcin Ejecutar <
control de ejecucin > pausa en el modulo:



Primero se necesita destacar el o los mdulos en los que se desea detenerse y luego



Y luego seleccionar Run y el modelo se ejecutara hasta que una entidad llegue al modulo
seleccionado (puede tardar unos segundos) y se har una pausa cuando la siguiente
entidad llegue a la instruccin seleccionada. Ahora se puede intentar encontrar un error al
hacer repetidamente la accin de oprimir la instruccin:
Simulacin
Introduccin

R. De La T. 113



Hasta que note alguna instruccin fuera de lugar, y cuando ya no se requiera el
detenimiento de la corrida o pausa seale el Modulo y



Para apagar la pausa.

Ahora se presentara la barra de depuracin Debug Bar




P.- En un arreglo de un sistema de manufactura pequeo como el que se muestra en la
figura. El sistema que se modelara consiste de partes que llegan a cuatro celdas de
manufacturas, y de los artculos elaborados a la salida. La celda 1, 2, 4 tienen una sola
maquina por celda; la celda 3 tiene 2 maquinas, las dos maquinas de la celda 3 no son
Simulacin
Introduccin

R. De La T. 114
iguales; una de esas maquinas es nueva que puede procesar las partes en 80% del tiempo
requerido por la maquina vieja. El sistema produce tres tipos de partes, cada una de esas
partes requiere una secuencia de celdas para su proceso. Los pasos y el tiempo de proceso
(en minutos) son dados en la tabla. Todos los tiempos de proceso son distribuciones
triangulares; el proceso est dado en la misma tabla de distribuciones, en la celda 3 las
distribuciones referidas son para la maquina vieja.

El intervalo de tiempo entre las partes que llegan (todos los tipos combinados) es una
distribuciones exponenciales con una media de 13 minutos; las primeras partes que llegan
en el tiempo cero, estn distribuidas por tipo y son 26%, para la parte 1; 48% para la parte
2; y el 26% para la parte 3. En el sistema se entran por el lado izquierdo y la salida es por
el lado derecho. Y se mueve en el sentido de las manecillas del reloj a travs de la planta.
Por ahora, se asume que el tiempo de movimiento entre dos celdas es de 2 minutos, sin
importar la distancia entre estas. Se requiere informacin estadstica sobre recursos
utilizados, tiempo y tamao de las lneas de espera, tambin el periodo de tiempo de
fabricacin (tiempo en el sistema desde la entrada hasta la salida) por tipo de parte.
Inicialmente se requiere que la corrida de simulacin que sea de 32 horas.









Celda1
Celda3
Celda4 Salida
Entrada
Entrada Entrada
Salida




Celda2
Salida
Simulacin
Introduccin

R. De La T. 115
Tipo de
Parte
Celda
Tiempo
Celda
Tiempo
Celda
Tiempo
Celda
Tiempo
Celda
Tiempo
1 1
6,8,10
2
5,8,10
3
15,20,25
4
8,12,16

2 1
11,13,15
2
4,6,8
4
15,18,21
2
6,9,12
3
27,33,39
3 2
7,9,11
1
7,10,13
3
18,23,28


Problema de secuencias

P.- En un arreglo de un sistema de Servidores pequeo como se muestra en la figura. El
sistema que se modelara consiste de informacin que llega a cuatro servidores y de
informacin que se modifica y se agregar a la salida. Los servidores 1, 2, 4 tienen una
sola Mquina; en la posicin 3 tiene 2 servidores, las dos maquinas de la posicin 3 no
son iguales; una de esas maquinas es nueva que puede procesar la informacin en un
80% del tiempo requerido por la maquina vieja. El sistema produce tres tipos de
informes, cada uno de esos informes requiere de una secuencia de la informacin de los
servidores para su proceso. Los pasos y el tiempo de proceso (en segundos) son dados en
la tabla. Todos los tiempos de proceso son distribuciones triangulares; el proceso est
dado en la misma tabla de distribuciones, en la ubicacin 3 siempre es referida para el
servidor viejo.

El intervalo de tiempo entre los reportes que llegan (todos los tipos combinados) es una
distribuciones exponenciales con una media de 13 segundos; las primeras informacin
que llegan en el tiempo cero, estn distribuidas por tipo y son 26% para la informe 1;
48% para la informe 2; y el 26% para la informe 3. En el sistema se inicia por el lado
izquierdo y la salida es por el lado derecho. Y se mueve en el sentido de las manecillas
del reloj a travs del sistema. Por ahora, se asume que el tiempo de movimiento entre dos
ubicaciones (servidores) es de 2 segundos, sin importar la distancia entre estos. Se
requiere informacin estadstica sobre recursos utilizados, tiempo y tamao de las lneas
de espera, tambin el periodo de tiempo de elaboracin (tiempo en el sistema desde la
entrada hasta la salida) por tipo de informe. Inicialmente se requiere que la corrida de
simulacin sea de 32 horas.

Simulacin
Introduccin

R. De La T. 116




Tipo de
Reporte
Sistema
Tiempo
Sistema
Tiempo
Sistema
Tiempo
Sistema
Tiempo
Sistema
Tiempo
1 1
6,8,10
2
5,8,10
3
15,20,25
4
8,12,16

2 1
11,13,15
2
4,6,8
4
15,18,21
2
6,9,12
3
27,33,39
3 2
7,9,11
1
7,10,13
3
18,23,28





Pasos para secuencias

La aproximacin a un modelo para el uso especifico de la simulacin, la modelacin
depende la complejidad y la naturaleza de la disponibilidad de datos. En un modelo
simple, es obvio que los mdulos de un orden en el cual se ubique. Pero en modelos ms
complejos a menudo se necesita tomar una considerable cantidad de cuidados para el
desarrollo aproximado del sistema que representa al modelo que se quiere simular. Como
se podrn dar cuenta hay un sin nmero de caminos para modelar el sistema de
simulacin.

El diseo de un modelo complejo es a menudo el poder determinar cmo manejar la
informacin que se tiene. Los modeladores experimentados a menudo gastan un gran
tiempo en la modelacin en los sistemas de simulacin. Una vez teniendo ms
Servidor 1
Servidores 3
Servidor 4 Salida
Entrada
Entrada Entrada
Salida




Entrada al
sistema
Salida del
sistema
Servidor 2
Salida
Simulacin
Introduccin

R. De La T. 117
experiencia en el desarrollo de sistemas de simulacin, se encontrara que existe un sin
nmero de caminos para modelar el sistema o parte de l.

El diseo de modelos complejos es manejar los datos requeridos y que estos estn
disponibles. Modeladores experimentados requieren de una gran cantidad de tiempo
para determinar la informacin as de cmo saber si cumple con las necesidades del
problema.

Para este sistema de manufactura pequeo la estructura de datos limitara el modelo.
Usaremos una secuencia para controlar el uso de partes a travs del sistema y la opcin
de asignacin, en el modulo de secuencias se introducen los atributos de las partes como
el proceso de tiempo para cada una de las celdas. Para el Servidor 1 se usara una
expresin para definir el tiempo de tiempo de proceso un factor 80% para el tiempo
requerido por las nuevas maquinas en la celda 3, y as explotar el concepto de variable,
etc.

Modulo de datos.

Se iniciara editando el modulo de datos Advances Transfer Sequence

Tipo de
Reporte
Tiempo
Servidor
Tiempo
Servidor
Tiempo
Servidor
Tiempo
Servidor
Tiempo
Servidor
1 1
6, 8, 10
2
5, 8, 10
3
15, 20, 25
4
8, 12, 16

2 1
11, 13, 15
2
4, 6, 8
4
15, 18, 21
2
6, 9, 12
3
27, 33, 39
3 2
7, 9, 11
1
7, 10, 13
3
18, 23, 28



Simulacin
Introduccin

R. De La T. 118


A continuacin se presenta el concepto de Expresin en el modulo Advanced Process




Simulacin
Introduccin

R. De La T. 119


Hablar de la expresin (Expresin) proponemos que se llame Celda 1 veces y que
contenga el tiempo y la distribucin del proceso de las tres partes en la celda 1. Se puede
fcilmente introducir esto previamente en el modulo de secuencia, pero podemos escoger
el uso de una expresin para que se pueda observar varios caminos para la asignacin del
proceso de tiempo. Existen tres diferentes partes que usan la celda 1, es necesario
formularlo como un arreglo con tres renglones (una para cada tipo de pieza) como se
muestra en la figura anterior. Ahora usemos el modulo de Variable (datos) que se ubica
en Basic Process Variable.

Simulacin
Introduccin

R. De La T. 120



Esto es para definir el Factor de velocidad de la celda 3 y el Tiempo de transferencia,
como se observa se define en primer lugar la variable Factor, se debe hacer la siguiente
observacin, el proceso de tiempo para a celda 3 se asume que la nueva mquina es
referenciada por el numero 1 y la vieja por el 2, el primer factor 0.8 para la nueva y el 1.0
para la vieja.

Ahora usemos el Set Data Module del Basic Process Panel y se utiliza de acuerdo a las
imgenes siguientes.


Simulacin
Introduccin

R. De La T. 121




Si se intenta usar el modulo Set se encontrara rpidamente que los recursos disponibles
son Counter, Tally, Entity Type y Entity Picture, se resolver este problema usando el
Advanced Process Advanced Set como se muestra en la siguiente pantalla:

Simulacin
Introduccin

R. De La T. 122


Antes de iniciar el modulo lgico se abre el men Run Set Up y en la caja de dilogos
y en Replication:
Simulacin
Introduccin

R. De La T. 123




Ahora se creara la parte grafica utilizando el men Edit Entity Picture
Simulacin
Introduccin

R. De La T. 124


Entrando a la caja de dilogos:

Simulacin
Introduccin

R. De La T. 125


Una vez desarrollado la toma de informacin y la secuencia ahora se puede
desarrollar el modulo lgico:

Simulacin
Introduccin

R. De La T. 126
Ahora procederemos al desarrollo lgico de la solucin del problema:







El modulo lgico representa
la llegada de partes, las
celdas y salidas. Las partes
que llegan se usan los
cuatro modulo mostrados en
la figura anterior, que son el
modulo Create, modulo de
Assign, el modulo Station y
el de Route
Simulacin
Introduccin

R. De La T. 127


Ahora la estacin:


Ahora la Ruta:



Envan partes a travs del modulo Advanced Transfer Station.

Ahora finalmente se est listo para enviar las partes a la primera estacin en base a las
Advanced Transfer Sequence el modulo ruta transfiere una entidad (parte) a una
estacin (Station) especificada definida por la (Sequence) secuencia o entidad. Un
Tiempo de Transferencia es definido por el tiempo en la ruta (Route).
En este modulo principal tenemos las
asignaciones que se muestran el modulo
de Assign. Esas asignaciones sirven con
dos propsitos, determinar qu tipo de
parte llega y adems se define el ndice
Parte Indexada para el conjunto de
piezas y se permite asociar las
propiedades con cada llegada. Primero
definimos el tipo de parte con una
distribucin discreta, y estn asociados
a nmeros enteros 1, 2, 3 a las
probabilidades de ocurrencia 26%, 48%
y 26% respectivamente, estos valores se
introducirn en pares de manera
acumulada como se presenta en el
cuadro de dilogos Assignment a la
variable que se llama Parte Indexada.
Tambin se necesita asociar el tipo de
entidad y grafica para las nuevas partes
que llegan.
Ahora esta parte lgica se termina con
el modulo Advaned Transfer Route.
Antes de hacer esto se necesita se
necesita informarle a ARENA que partes
residen (esto se indica en la Station).
Par disear un modelo adecuado se
deben tener seis estaciones:
Estacin Liberar Orden
Estacin Celda 1
Estacin Celda 2
Estacin Celda 3
Estacin Celda 4
Estacin Fin el Sistema
Las ltimas cinco Station se define la
informacin para que se ejecute la
Secuencia. La primera Station Estacin
Liberar Orden define cuando se





Simulacin
Introduccin

R. De La T. 128
Celda 1



Simulacin
Introduccin

R. De La T. 129




Celda 2

Simulacin
Introduccin

R. De La T. 130




Simulacin
Introduccin

R. De La T. 131


Celda 3




Simulacin
Introduccin

R. De La T. 132



Celda 4

Simulacin
Introduccin

R. De La T. 133




Simulacin
Introduccin

R. De La T. 134


Salida del sistema






Ahora ya se puede desarrollar la parte grafica del sistema.
Se dibuja el tablero donde se ubicaran cada una de las maquina como se presenta a
continuacin:
Simulacin
Introduccin

R. De La T. 135


Presentamos una de las graficas que representan a las maquinas de las celdas

Simulacin
Introduccin

R. De La T. 136
Presentamos la celda 3



Simulacin
Introduccin

R. De La T. 137
Y as se repiten la celda 2 y 4, el movimiento de la lnea de espera de los procesos




Simulacin
Introduccin

R. De La T. 138
Ahora las rutas



En esta pantalla se puede observar de manera ms clara la conexin de las rutas con las
estaciones
Simulacin
Introduccin

R. De La T. 139


Calentamiento y Longitud de la Corrida

Como probablemente se tenga noticias, puede tener caractersticas para un modelo que
inicialmente este en un estado vaco y desocupado. Esto significa que el modelo inicial
est vaco de documentos a procesar y que todos los recursos (sistemas) estn
desocupados, en un sistema terminado, quizs estarn iniciando vacos, pero en un estado
de simulacin seguro, la condiciones iniciales no suponen materiales y la corrida es una
suposicin a ir sobre constantemente.

Actualmente el modelo de simulacin incluye un estado seguro, se tiene que inicializar y
detener la corrida de algn modo. Y entonces desde que se hace la simulacin en primer
lugar est muy seguro de apostar de no saber mucho acerca de del estado de un sistema
tpico de un estado fijo que tan grande debe ser la longitud de la corrida, probablemente
ira a poner un inicio muy extrao desde el punto de vista de un estado inicial (fijo) y solo
intenta algunas longitudes de corridas. Si se inicia el sistema vaco y desocupado en
simulacin donde eventualmente algunas cosas vienen a congestionar la salida de datos y
en algunos periodos de tiempo despus de iniciar tienden a subestimar la congestin
inicial esto es que los datos sern tendenciosamente bajos.

Simulacin
Introduccin

R. De La T. 140
Para remediar esto, es necesario tratar de iniciar en estado que sea el mejor estando vaco
y desocupado. Esto seguramente significa que el tiempo de inicio es cero (0). Algunos de
los nmeros de los servidores alrededor del modelo e iniciando sobre el camino, mientras
es posible hacerlo en el modelo. La problemtica que se puede generalizar es no tener
idea de cuantos documentos hay alrededor del sistema en tiempo cero.

Otro camino con las vas de inicializacin es el tamao de la corrida de simulacin que
pueden iniciar aplastando al sistema por la cantidad de datos. Esto puede hacer trabajar a
unos modelos si el efecto se sesga de las condiciones iniciales y salirse del rpidamente.

Las personas inicialmente hacen que los sistemas inicien vacos y desocupados,
comprendiendo que esto no es representativo de un estado seguro. Pero dejemos que el
modelo se caliente para que aparezcan los efectos de condiciones de inicio artificial. En
ese tiempo se puede limpiar las variables de acumulacin estadstica (pero no el estado
del sistema) e iniciar, concurriendo hacia el anlisis esttico. En efecto inicializar en un
estado que est vaco y desocupado, pero se debe dejar que el modelo decida cuantas
llamadas debe tener desde que inicia y observar la cantidad de ejecuciones. La longitud
de la corrida puede ser larga, pero puede que no sea tan larga como es necesario.

Esto es fcil si se determina un calentamiento inicial del sistema en ARENA solo abra del
men Run > Setup > caja de dilogos Replication Parameter y llenar con un valor (es
necesario verificar con sumo cuidado la unidad de tiempo) todas las repeticiones del
modelo corren desde el inicio hasta antes, del final del periodo de calentamiento, todas la
variables estadsticas que acumulan deben blanqueadas (limpiadas) y los reportes ( y
algunos tipos de salida guardar los datos de los mdulos estadsticos. Solo refleja que
sucede al final del periodo de calentamiento. Por este mtodo se puede descontaminar los
datos de las condiciones parciales iniciales.

La parte difcil de conocimiento que tan largo debe ser el periodo de calentamiento.
Probablemente la idea ms prctica es hacer un dibujo de las salidas dentro de la corrida
y ver cuando aparezca la estabilidad, para ilustrar esto se tomara el modelo de servidores
y se realizaran las siguientes modificaciones.

- Para estabilizar el total de las mediciones de salida, se hace una entrada en el
mdulo statistic y se calcula el Total del Trabajo Procesado (WIP) de los tres
reportes combinados. El nombre y el reporte son ambos Total WI Py el tipo es
Time-Persistent, al introducir esta expresin se quiere tener una pista sobre el
tiempo, ahora se oprime el botn derecho del ratn en el campo y se selecciona
Build Expression y se busca es la parte baja del panel Basic Process >Variable
>Entity >Number in Process, se selecciona el reporte1 como el Entity Type y se
obtendr EntityWI P(Reporte1) para la expresin actual. Ahora se teclea el signo
se selecciona el EntityWI P(Reporte2) se repite el tecleado de el signo + y se
selecciona EntityWI P(Reporte3) para que finalmente quede una expresin:
- EntityWI P(Reporte1)+ EntityWI P(Reporte2)+ EntityWI P(Reporte3) esta
expresin representa el total WIP esta fue creada entrando a la etiqueta de
Simulacin
Introduccin

R. De La T. 141
TotalWI P en la categora de perspectiva general (debajo de User Specified) dado
en el Time-Overage tiempo promedio y el mximo del nmero total de reportes
en la parte de procesos.



- Ahora tambin se quiere tener la historia de la curva durante el periodo de la
simulacin que se obtuvo despus de la corrida resumiendo la estadstica. Ahora
se observara y comparara cuando la curva aparezca y se estabilic en forma
razonable de acuerdo al periodo de calentamiento. Se podr animar el modelo
como se ha hecho antes, ahora esto desaparece tan rpido como oprimir la tecla y
tambin estar sujeto a larga variacin. Nublando el juicio acerca de un punto de
estabilizacin. Es necesario salvar la historia de la grafica y hacer ms dibujos
permanentes y tambin se necesita dibujar a la curva para diversas repeticiones y
atenuar el ruido del problema. Se harn muchos nombres de archivos de entrada,
TotalWI , Historia.dat en un archivo de salida con un campo de TotalWI P en el
Mdulo estadstico Statitics se salvara la informacin requerida en este ltimo
archivo. El cual se podr leer en ARENA en OUTPUT ANALYSER y dibujar
despus la corrida completa. Dependiendo de qu tan largo se requiera la corrida
y cuantas repeticiones quiere el analista. Este archivo puede ser muy grande
dependiendo que tantos detalles se requieran para el sistema analizado.
- Por lo que se puede entender no es necesario una animacin en este punto, por lo
que se puede acceder Run > opciones de Run Control y marcar la opcin
checked Batch Run (no animacin) se tiene que desmarcar todas las cajas debajo
de la statistic Collection que est ubicada en el men Run >Set >Project
Parameters y adems aumentar la velocidad, y se obtendr una sensible variacin
Se especificaran 10 para el nmero de repeticiones en Run >Setup >Replication
Parameter; ahora adems nos interesa la longitud de la corrida, fijar la ejecucin
de los estados, se incrementa la longitud de las repeticiones de 32 horas (1.33
das) a 5 das. Se admitir que existen muchos escenarios arbitrarios y se decide
sobre el mismo despus de algunos procesos y errores. Para la grabacin, toma
menos de 2 segundos el correr esto en la computadora.

El realizar un dibujo del WI P contra el tiempo en Output Analyzer , creando un grupo de
datos y agregando el archivo TotalWI P historia.dat cuando se selecciona el dibujo
Simulacin
Introduccin

R. De La T. 142


Se agrega el archivo .dat y se cambia el eje de las X; y el resultado de la caja de dilogos
se muestra en la siguiente figura:



Se oprime dos veces la palabra OK




Se muestra el resultado del dibujo del WIP de la simulacin, con las curvas para las tres
repeticiones supuestas. Desde esta grafica se puede ver claramente que a lo largo del
tiempo el WIP es preocupante por la longitud de la corrida de 3 das ya que no es
Simulacin
Introduccin

R. De La T. 143
suficiente para el modelo para tener un escenario y tambin se puede ver claramente que
el modelo no es explosivo con los tres reportes. Como puede ser el caso si se procesa con
el mantener las llegadas de datos. Como para un periodo de calentamiento el efecto de
vaco y desocupado condicin inicial para los primeros 100minutos sobre WI P es
evidente que se dejara al final cada curva esto es razonablemente consistente en las
repeticiones pero la observacin del la estabilidad despus de 2000minutos, despus de
un pequeo rodeo de conservacin se seleccionaran 2880 minutos como el periodo de
calentamiento, si se hace la corrida y se dibuja por un largo tiempo, o si en el modelo no
ocurre ms rpidamente, esto puede dificultar poder observar este periodo.

Repeticiones Truncadas


































Simulacin
Introduccin

R. De La T. 144
I ntegracin y Requisitos del Cliente
(Leyendo informacin de un archivo de datos)
Introduciremos los temas de integracin de modelos de ARENA y construccin de
mdulos de acuerdo a las necesidades del cliente. Se ilustrara este concepto con un
modelo simple de un Centro de Atencin.

El primer tema que se presentara en este modelo es la lectura de las solicitudes de llegada
de un archivo externo y luego escribirlos a un archivo. Esto ilustra alguno de los
diferentes caminos de incorporar datos de una fuente externa en un modelo de ARENA, en
esta seccin se introducir dos operaciones con MS WINDOWS, que ARENA aprovecha
para integrar directamente con otros programas ActiveX y Visual Basic VBA se presenta
este material asumiendo de antemano el conocimiento previo de VBA, se usara esta
tecnologa para que el programador pueda utilizar esta interface con ARENA.

Se iniciara con un modelo simple de un Centro de Atencin, entonces se procesan en este
modelo algunos interesantes caminos. El centro de atencin tiene una simple lnea de
llegada aleatoria y un simple proceso de llamadas, despus cada llamada es despachada.
El gerente tiene estimado que las llamadas llegan a un promedio de 1.1 minutos de
acuerdo una distribucin exponencial y que las llamadas tienen una duracin de 0.75
minutos con un rango de 0.3 a 1.1 minutos. Al modelar el sistema se usa un modulo
CREATE, un modulo de PROCESS y un modulo DISPOSE como se muestra en la
siguiente figura.

Y los parmetros de REPLICATION se muestran en RUN > SETUP >REPLICATION
PARAMETERS. Aunque el modelo del Centro de atenciones es bastante simple, se tienen
pocas oportunidades con las instrucciones disponibles para hacerlo ms realista.

El gerente del centro de atencin ha informado que tiene un historial de llamadas en un
da tpico. Ahora se grabaran las llamadas recibidas actualmente sobre un periodo de
tiempo para generar las entidades en el modelo en vez de crear entidades basadas en
distribuciones de probabilidad, Ahora se tomara esta aproximacin como parte de la
validacin del modelo. Si los resultados de la corrida de simulacin son manejados por
las llegadas grabadas los que indica ms aproximado a la realidad. Entonces se tienen una
gran confianza en que el modelo lgico es correcto. O quizs se use esta lgica porque se
quiere ejecutar las corridas basadas sobre diseo especfico de llegadas.

Se inicia en este analizas con un caso de lectura de datos de llegadas de un archivo de
texto. En la siguiente seccin buscaremos leer los datos de forma similar de otra fuente.
Creador
De
llamadas
Centro de
Atencin
Llamada
Terminada
Simulacin
Introduccin

R. De La T. 145

Modulo de Creacin
- Name Crear Llamadas.
- Entity Type Llegada de llamadas
- Type Random(Expo)
- Value 1.1
- Unit Minutes

Modulo de Proceso
- Name Manejo de llamadas
- Action Seize DelayRelease
- Type Resource
- Resource Name Agente
- Delay Type Triangular
- Unit Minutes
- Minimun 0.3
- Value 0.75
- Maximum 1.1
Modulo Final
- Name llamada Terminada

Parmetros de Repeticin

Replication lengh 8
Time Units Hours

Simulacin
Introduccin

R. De La T. 146



Simulacin
Introduccin

R. De La T. 147


Simulacin
Introduccin

R. De La T. 148

Simulacin
Introduccin

R. De La T. 149

Simulacin
Introduccin

R. De La T. 150

Leyendo Llegada de Llamadas Desde un Archivo de Texto

Al realizar estas modificaciones del centro de atencin, se necesita un archivo que
contenga el tiempo de llegada de las llamadas en el perodo de estudio, y se necesita
reemplazar Modulo de Creacin en el modelo lgico para usar un archivo de datos. Para
simplificar la lgica, se necesita estructurar el archivo de datos que debe ser ASCII que
debe contener valores que correspondan a los tiempos de llamada, y asmase que la
corrida inicia en el tiempo 0 los primeros valores del archivo de datos se muestran a
continuacin:
1.038
2.374
4.749
9.899
10.52
17.09
Ahora no se explicaran de cmo se cre el archivo de datos ASCII.

Simulacin
Introduccin

R. De La T. 151
Se necesita decidir cmo usar los datos grabados en el archivo de texto, pero con la
aplicacin creativa de una hoja de clculo o un software de base de datos, se puede
exportar los datos en un archivo de texto.

Se necesita decidir cmo usar los datos histricos grabados en el archivo de texto.

El mecanismo de transferencia de datos del archivo al modelo, y como usar los valores de
las entidades en tiempos apropiados. Primero se buscara la lgica requerida para crear las
entidades apropiadas al tiempo, cubriendo los detalles de lectura de los datos cuando lo
requiera el modelo lgico.


Simulacin
Introduccin

R. De La T. 152

Simulacin
Introduccin

R. De La T. 153

Simulacin
Introduccin

R. De La T. 154


Simulacin
Introduccin

R. De La T. 155


Simulacin
Introduccin

R. De La T. 156



Datos de Entrada
Simulacin
Introduccin

R. De La T. 157
Acceso de Lectura y Escritura con archivos de EXCEL

Qu pasa si el archivo de texto la tasa de llegada est en Access o Excel se tratara de
explotar que ambos productos sean fcilmente manejables.

Primero asumamos que se tiene la base de datos Access y que la informacin est en el
archivo llamado Tiempo llegada. Los primeros valores del archivo se muestran en la
siguiente figura:



Tomando como modelo el diseo que se realizo anteriormente, entonces solo se harn
unos cambios para poder leer los datos.

Primero iniciemos por describir el nuevo archivo, para eso se editara el modulo de datos
y que se encuentra en Advanced Process y que se puede observar con el nombre
TiempoLlegada recordemos que este nombre, debe ser el mismo que es usado en el
modelo lgico (en este caso, el modulo ReadRrite) debe especificar el nombre

Simulacin
Introduccin

R. De La T. 158


Como se est leyendo de una base de datos, se est leyendo un conjunto de registros. Una
tabla puede tener un conjunto de diferentes conjuntos, ARENA identifica cada conjunto
por el nombre de registro, cada nombre del registro debe ser ligado a una tabla de la base
de datos. Se puede seleccionar un nombre simblico valido, pero por facilidad usaremos
el mismo de la tabla.
Simulacin
Introduccin

R. De La T. 159





Simulacin
Introduccin

R. De La T. 160



Simulacin
Introduccin

R. De La T. 161



Leyendo de un archivo de Excel
Simulacin
Introduccin

R. De La T. 162







Simulacin
Introduccin

R. De La T. 163




Simulacin
Introduccin

R. De La T. 164

Simulacin
Introduccin

R. De La T. 165




Simulacin
Introduccin

R. De La T. 166


Simulacin
Introduccin

R. De La T. 167





















Simulacin
Introduccin

R. De La T. 168
P.- un sistema de atencin telefnica proporciona un nmero central en una organizacin
a donde los clientes llaman para encontrar soporte tcnico, informacin de ventas y
estado de los pedidos. Las llamadas llegan con una distribucin exponencial y una media
de 0.857 minutos. Este nmero central alimenta 26 lneas telefnicas. Si las 26 estn en
uso, la persona que llama obtiene una seal de ocupado, con un poco de suerte, quien
llame lo intentara ms tarde, pero para el modelo solo se sale. Alguien que llame y
contestan escucha una grabacin que describe tres opciones: transferencia al soporte
tcnico, informacin de ventas y peticin de informacin del estado de un pedido
(76%, 16%, y 8% respectivamente) el tiempo estimado para esta actividad es UNIF (0.1,
0.6); todos los tiempos estn en minutos.

Si quien llama elige soporte tcnico, una segunda grabacin pregunta cul de los tres
tipos de productos usa el cliente, lo que requiere UNIF (0.1, 0.5) minutos. El porcentaje
de peticiones para los tipos de productos 1, 2, 3 son (25%, 34% y 41% respectivamente).
Si una persona calificada de soporte tcnico est disponible para el tipo de producto
seleccionado, la llamada se enruta en forma automtica a esa persona. Si no hay nadie
disponible en ese momento, se coloca al cliente en una cola electrnica en donde se le
informa de los servicios y mercadotecnia de la empresa hasta que una persona de soporte
est disponible. Se estima que el tiempo para todas las llamadas de soporte tcnico es
TRIA (3, 6, 18) minutos sin importar el tipo de producto. Una vez terminada la llamada,
el cliente sale del sistema.

Las llamadas de venta se enrutan de forma automtica al personal de ventas. Si no hay
vendedor disponible, la persona que llama recibe informacin de los servicios y
mercadotecnia de la empresa hasta que una persona de ventas est disponible. Se estima
que las llamadas de venta sean TRIA (4, 15, 45). El personal de ventas tiende hablar
mucho ms que el de soporte tcnico. Una vez terminada la llamada, el cliente sale del
sistema.

Quien llama y solicita informacin sobre el estado de un pedido son manejados de forma
automtica por el sistema telefnico y no hay un lmite en el nmero que maneja el
sistema (excepto que solo existen 26 lneas telefnicas, lo que en s mismo es un lmite,
puesto que una llamada del estado de un pedido en curso ocupa una de estas lneas). El
tiempo estimado para estas transacciones es TRIA (2, 3, 4) minutos, el 15% de estos
clientes que optan por hablar con un operador telefnico despus de haber recibido el
estado de su orden.

Estas llamadas se enrutan al personal de ventas en donde esperan con una prioridad
menor que las llamadas de ventas. Esto significa que una llamada del estado de una orden
est en la cola en espera de un vendedor, y entra una nueva llamada a ventas, se le dar
prioridad a esta ltima sobre la anterior y se atender primero. Se estima que estas
llamadas de seguimiento del estado de una orden duren TRIA (3, 5, 10) minutos. Estas
personas al terminar la llamada dejan el sistema.

Simulacin
Introduccin

R. De La T. 169
El horario del centro de atencin es de 08:00 a las 18:00, con una pequea proporcin del
personal en servicio que est hasta ms de las 18:00 horas. Aunque el sistema se cierra a
las 18:00 horas, todas las llamadas que entraron antes de esa hora al sistema sern
contestadas y atendidas.

En el curso del da hay ocho empleados de soporte tcnico para responder llamadas de
ese tipo dos se dedican a contestar llamadas del producto uno, tres a responder
llamadas del producto dos y otros tres para el producto tres. Hay cuatro empleados
de ventas para responder este tipo de llamadas y aquellas sobre el estado de una orden
realizada por quienes opten por hablar con un operador telefnico.

Como punto de inters, se contaran el nmero de llamadas de clientes que no pueden
accesar una lnea y que por lo tanto son rechazados para entrar al sistema. Aunque esto
por lo general significa una decisin por parte del consumidor de no entrar, ms que para

1. Clasificacin de llamadas
2. Llamadas para soporte tcnico.
3. Llamada para ventas.
4. Llamadas del estado del pedido.
5. Salida del sistema.
6. Animacin.

En la siguiente imagen se observa todo el programa lgico y la animacin del sistema de
una mesa de ayuda. Es importante que en el periodo de aprendizaje sepamos a donde
queremos llegar y as poder calificar la idea que se ha formado en nuestra mente (mapa
mental).


Simulacin
Introduccin

R. De La T. 170
A medida que se avance en las 7 secciones sobre la construccin del modelo, se puede
tener la impresin de cmo se desarrolla el modelo. En forma ideal quisiera uno mismo
planear la construccin del modelo de manera fcil. A medida que avanza con el modelo
a veces resulta necesario regresar a secciones previas, para que la seccin actual pueda
reconstruirse. Esto se puede repetir miles de veces en el momento de plantear el modelo.

Crear Llegada y Redirigir el Servicio

Cuando se comprenda ms los conceptos de ARENA ser ms fcil desarrollar modelos
ms complejos. Observe que es necesario planear una lgica antes de construir el modelo.
Cuando se planten estos tipos de problemas es necesario escribirlos usando papel y lpiz
con el nico objeto de poder borrar instrucciones que probablemente no sirvan, como
originalmente se haba previsto. El pseudocdigo de este modulo es el siguiente.

Crear llamadas de llegada
ser rechazado como en nuestro modelo. Sin embargo, no se considerara el abandono, es
decir, los clientes que llegan a una lnea principal (telefnica) al inicio, pero que despus
abandonan (cuelgan el telfono) antes del que el sistema los atienda.

Construccin del Modelo:

El modelo se dividir en secciones en donde se podr formar capacidad disponible.las
siete secciones son las siguientes:

7. Crear llegadas (llamadas) y dirigir el servicio.
8.
9. Lgica de corte (tiempo ms all de las 18:00) de llegada.
Grabar intento de llamadas

Si una lnea est disponible tomarla
Incrementar el contador
Grabar la duracin de la llamada
Direccionar tipo de llamada

Otro, toda las lneas estn ocupadas
Contar llamadas rechazadas
Disponer de las llamadas

Simulacin
Introduccin

R. De La T. 171





Simulacin
Introduccin

R. De La T. 172






Simulacin
Introduccin

R. De La T. 173







Simulacin
Introduccin

R. De La T. 174











Simulacin
Introduccin

R. De La T. 175











Simulacin
Introduccin

R. De La T. 176







Lgica de Interrupcin (se cortan entradas de llamadas despus de las 18:00) de
Entrada de Llamadas

Simulacin
Introduccin

R. De La T. 177
En la propuesta de este problema se indico que el conmutador se cierra a las 18:00 horas
para llamadas que intentan entrar despus de esta hora, pero se atendern las llamadas
que estn ya registradas en el sistema, esto significa que el sistema est abierto desde las
08:00 hasta las 18:00 y esto es un total de 600 minutos, pero es necesario cortar las
llamadas despus de rebasado este tiempo.
Una manera muy obvia es poner un modulo DECIDE despus de pasar 600 minutos, con
esta forma cortara todas las llamadas dentro y entrantes despus de los 600 minutos. Por
lo que este modulo se creara de la manera siguiente.

Crear entidad de corte (interrupcin de entrada de llamadas) de llegada
No permitir entradas despus de las 18:00
Poner a disponibilidad llamadas


Simulacin
Introduccin

R. De La T. 178





Simulacin
Introduccin

R. De La T. 179


Llamadas de soporte Tcnico

En este modulo se utilizo la instruccin DECIDE para determinar el tipo de llamada.

Asignar el tipo de llamada e imagen.
Grabar la duracin de la llamada.
Direccionar el tipo de llamada al tcnico.
Tomar el recurso (tcnico) de soporte.
Tiempo de servicio.
Liberar recurso de soporte tcnico.
Enviar llamada a salida del sistema.

Simulacin
Introduccin

R. De La T. 180








Simulacin
Introduccin

R. De La T. 181






Simulacin
Introduccin

R. De La T. 182











Simulacin
Introduccin

R. De La T. 183











Simulacin
Introduccin

R. De La T. 184







Llamada de Ventas

La lgica para esta parte del programa es muy similar a la descrita en la seccin de
llamadas de soporte tcnico ya que requiere de menos instrucciones. Ya que no es tan
complejo debido ya que no es necesario dar tantas explicaciones.
Los pasos lgico que son necesarios para la llamadas de ventas son los siguientes (pseudo
cdigo).

1. Asignar tipo e imagen.
2. Tomar el recurso (vendedor y lnea) de la llamada de ventas.
3. Tiempo que dura el servicio.
4. Liberar recurso (vendedor y lnea) de ventas

Simulacin
Introduccin

R. De La T. 185







Simulacin
Introduccin

R. De La T. 186



Llamada del Estado del Pedido

Estas llamadas se manejan de manera automtica, por lo menos en un inicio, no necesitan
de un solo recurso que es la lnea telefnica. Los pasos lgicos (pseudocdigo) para
informacin de un pedido son los siguientes.

1. Asignar tipo e imagen.
2. Duracin de la llamada automtica.
3. Si el cliente desea hablar con un operador.

a. Configurar prioridad del cliente.
b. Tomar a un vendedor.
c. Tiempo de la llamada.
d. Liberar a vendedor.

Simulacin
Introduccin

R. De La T. 187






Simulacin
Introduccin

R. De La T. 188






Simulacin
Introduccin

R. De La T. 189






Simulacin
Introduccin

R. De La T. 190






Salida del Sistema

Todas las llamadas de servicio (soporte tcnico, ventas y estado del pedido) se envan a
esta parte del modelo, aqu mostraremos el pseudocdigo y el diagrama de flujo.

Simulacin
Introduccin

R. De La T. 191
1. Liberar lnea telefnica.
2. Disminuir el contador de llamadas activas.
3. Grabar una llamada completa.
4. Disponer del recurso.






Simulacin
Introduccin

R. De La T. 192







Simulacin
Introduccin

R. De La T. 193




Animacin.

Se animara el sistema para observar el tiempo de duracin y la grabacin del mismo
(storage y almacenamiento), lneas de espera, nmero de lneas activas de cada una de las
secciones del modelo y nmero total de lneas telefnicas en uso, la animacin se har
siguiendo cada una de los siguientes pasos.

Simulacin
Introduccin

R. De La T. 194




Simulacin
Introduccin

R. De La T. 195






Simulacin
Introduccin

R. De La T. 196






Simulacin
Introduccin

R. De La T. 197







Simulacin
Introduccin

R. De La T. 198






Simulacin
Introduccin

R. De La T. 199






Simulacin
Introduccin

R. De La T. 200





Simulacin
Introduccin

R. De La T. 201


Para escribir o reflejar el nmero de artculos inspeccionados por cada uno de los tcnico
se usa la siguiente instruccin:




Para indicar la toma de los artculos por cada uno de los tcnicos se utiliza la siguiente
instruccin:
Simulacin
Introduccin

R. De La T. 202


Y todo el proceso que se realizo con cada uno de los tcnicos se repite en ventas:








Simulacin
Introduccin

R. De La T. 203
Nuevos Conceptos de Animacin

El modelo mejorara utilizando nuevas instrucciones. El primero es el
concepto de llegada que se basa en variabilidad del tiempo, el segundo
concepto muestra que cuando una llamada se intenta contestarla por el
personal tcnico, est realmente tratando de usar un recurso de un fondo
comn de recursos calificados. Analicemos cada uno de estos conceptos
nuevo.






























Simulacin
Introduccin

R. De La T. 204
Simulacin con @Risk

En muchas situaciones en modelos analticos existentes, lugares donde se debe de tomar
una decisin y se debe utilizar el proceso de simulacin para poder alcanzar decisiones lo
ms aproximado a lo ptimo. Para un modelo se representa por ecuaciones matemticas
que aproximan valores a las entradas del modelo. Por ejemplo, considere un banco en
donde los clientes esperan en una lnea al primer cajero disponible. Considerando a las
siguientes entradas:

- Nmero promedio de llegadas por hora
- Nmero de clientes que se esperan poder servir en una hora
- Numero de servidores

Segn algunas condiciones razonables, y algunas ecuaciones matemticas pueden ser
derivadas. Si adems se conoce de 1 a 3 entradas, entonces esas ecuaciones pueden ser
usadas para calcular las siguientes salidas.

- Tiempo que un cliente espera en la lnea (cola)
- Tiempo que un cliente espera en el sistema (desde que llega hasta que sale)
- Nmero de clientes que esperan en la lnea
- Para t, la probabilidad de que un cliente este mas de t horas en la lnea.

Este modelo se usa para ver cmo se comporta el sistema y como responde a los cambios
en el nmero de canales o del porcentaje de tiempo que un canal requiere para atender a
un cliente. Este anlisis puede eventualmente llevar a la toma de decisin del nmero de
canales de servicio que se deben tener.

Aplicaciones actuales de la simulacin.

Existen un sin nmero de aplicaciones utilizando la tcnica de simulacin. Ahora
describiremos diversas aplicaciones.

Burger King desarroll un modelo de simulacin para sus restaurantes, este modelo fue
usado para justificar la administracin

- Puede el sistema abrir una segunda ventana (canal de servicio) para el
autoservicio.
- Que tantos tiempo espera un clientes, si se agrega un nuevo producto al men

Muchas compaas como Motores Cummins, Merck, Procter&Gamble, Kodak, United
Airlines y muchas ms, usan la simulacin para determinar diversos proyectos de
investigacin tales como.

- Cuales proyectos estn en riego?
Simulacin
Introduccin

R. De La T. 205
- Cual es la probabilidad de que la inversin retorne con un 20%?
- Cul es la probabilidad de que la inversin tenga un valor de retorno inferior a
$1billon de dlares?


Utilizacin de hojas de clculo para ejecutar una simulacin

P. en el mes de agosto la librera Santuario debe decidir cuntos calendarios de la
naturaleza deben ser ordenados. Cada calendario tiene un costo de adquisicin en la
librera de $20.00 y este se puede vender en $45 despus del 1 de enero. Si no se venden
se regresan al impresor por reembolso de $7.5 por calendario. La librera Santuario
cree que el nmero de calendarios que se vendern hasta el primero de enero tiene una
distribucin de probabilidades como se muestra en la siguiente tabla.
Distribucin de la demanda de:

Venta de calendarios
Nmero de
Calendarios
Vendidos
Probabilidad
100 0.30
150 0.20
200 0.30
250 0.15
300 0.05

La librera desea y espera maximizar una ganancia por la venta de los calendarios. Use
la simulacin para determinar cuntos calendarios la librera debe de ordenar.

Paso 1.- en la A3 tecleamos el valor de 200 (la cantidad ordenada) y copiamos el 200
hasta la celda A52

Libreria.xls

Paso 2.- en la celda B3 se generaran nmero aleatorios = Aleatorio ()

Paso 3.- copiaremos esta frmula de la celda B3:B52 para generar 50 nmeros aleatorios.
Note que cuando se copia = Aleatorio () desde B3, este valor cambia debido que la hoja
de clculo recalcula un nuevo nmero aleatorio.

Paso 4.- en la columna C se genera la demanda anual de calendarios para cada uno de los
50 clculos. Dada la probabilidad de la demanda de los calendarios. Los nmeros
aleatorio que estn entre 0 y 1. La cantidad de las demandas se dan en la tabla siguiente


Simulacin
Introduccin

R. De La T. 206
Numero de
Calendarios
Vendidos
Probabilidad Rango
100 0.30 0.0 0.29
150 0.20 0.30 0.49
200 0.30 0.50 0.79
250 0.15 0.80 0.94
300 0.05 0.95 0.99

Ahora debemos incorporar la relacin entre el nmero aleatorio y la demanda. Se elige la
funcin =Si (B3<.3, 100, Si (B3<.5, 150, Si (B3<.8, 200, Si (B3<.95, 250,300))))

Paso 5.- en la columna D se genera la utilidad y para esto se meta la instruccin
= 4.5*Min (A3, C3) +.75*Max (0, A3-C3)

Paso 6.- en E3 se genera el costo de ordenar los calendarios multiplicando por 2
=2*A3

Paso 7.- en F3 se genera la utilidad = ingresos-costo
=D3-E3

Paso 8.- ahora se generan 50 registros para la simulacin copiando las formulas desde
C3:F3 hasta C53:F53

Paso 9.- en F54 calculamos el promedio de los 50 registros = Promedio (F3:F52)

Paso 10.- se calcula la desviacin estndar de los 50 registros para introducirla en F54
=DesVest (F3:F52) =146.7114

Intervalo de confiabilidad para predicciones de expectativas

De la estadstica bsica se sabe que para un ejemplo para 30 iteraciones, 100(1-) % para
un intervalo confiable para la espera de ganancias asociadas con una cantidad ordenada
de 200 calendarios est dada por

2 / 1
) 1 , 2 / (
/ n s t p
n

o

Donde
) , ( n
t
o
es el numero x satisfaccin o = > ) ( x t P donde t tiene una distribucin t con
n grados de libertad. Se puede usar la funcin de Excel DI ST.T.I NV funcin a calcular
) , ( n
t
o
. Metiendo DI ST.T.I NV (2, n) regresemos al valor
) , ( n
t
o
entonces ahora
calculemos
) 49 , 025 . 0 (
t ahora se introduce DI ST.T.I NV (0.05, 49).
Ahora sabemos qu 25 . 346 = p y 77 . 163 = s introduciendo DI ST.T.I NV (.05,
49) sabiendo que 01 . 2
) 49 , 025 , 0 (
= t esto es un 95% de confiabilidad

Simulacin
Introduccin

R. De La T. 207
Determinacin de la cantidad ptima a ordenar.

Para determinar la cantidad ptima que maximiza los beneficios esperados.
Compararemos las distintas cantidades pedidas y las utilidades promedio

Libreria.xls

Comentarios:

1. este tipo de simulacin es de la llamada Simulacin de Monte Carlo
porque se utilizan nmeros aleatorios para cada proceso. Anlogamente es
como girar la rueda de la ruleta en un casino. El girar la rueda de la ruleta,
es semejante a la generacin de nmeros aleatorios por cada proceso
independiente. El trmino de Simulacin de Monte Carlo fue usado por el
matemtico Stanislaw Ulam y James Von Newman cuando desarrollaron
la simulacin por computadora de la fisin nuclear.

2. se sabe que todos los nmeros aleatorios deben ser generados de forma
independiente. Este factor es necesario para la discusin de los intervalos
de confianza.

3. si se utiliza la computadora asociada a la hoja de clculo Excel, en el
momento que oprime la tecla F9 se regeneran los nmeros aleatorios, y
por lo tanto nuevos resultados en la simulacin

4. la frmula para el intervalo de confianza est basada en las utilidades.
Ntese que el nmero de procesos es muy grande, y el ancho del
intervalo de confianza no es el adecuado, significa que, las utilidades del
proceso tienden a ser cero. Esto indica que si la corrida tiene muchas
iteraciones, y el ancho del intervalo de confianza es el adecuado podemos
obtener verdaderamente una buena estimacin de las utilidades.

5. suponga que se quiere un 100(1-) % en el intervalo de confianza para las
utilidades durante un periodo de tiempo en particular. Se asume que las
utilidades durante ese periodo en particular esta normalmente distribuido,
esto se puede mostrar como 100(1-) % del intervalo de confianza para la
utilidad en el periodo particular.
) / 1 ( 1
) 1 , 2 / (
n s t p
n
+
o


Usando una tabla de datos para repetir una simulacin

En vez de copiar el primer proceso en la hoja de clculo de 50 renglones. Podemos usar
una base de datos para simular 50 procesos del problema del nuevo vendedor que se
ilustra para el uso para la tabla de datos en simulacin.
Simulacin
Introduccin

R. De La T. 208
Archivo Risk\vendedor risk.xls
Al usar la taba de datos se necesita primero seleccionar el rango de la tabla. El rango de la
tabla podr contener dos o ms columnas en donde los resultados de la simulacin
podrn ser ubicados. En el ejemplo el rango consiste de dos columnas y un nmero de
renglones igual al nmero de procesos deseados menos uno. En lo alto de la celda de la
segunda columna de la taba de rangos. Se debe meter la frmula que se quiere calcular
durante cada proceso de la simulacin, se procede de la siguiente forma:

1. se inicia por mostrar G2:H52 que ser la tabla de rangos

2. en la celda H2 meter la frmula para la Ganancia =D3-E3 = F3

3. ahora seleccionamos el rango de la celda G2:H52.

4. elegir la instruccin de Datos y Tabla. La caja de dilogos entonces aparecer.





5. se usa la caja de dilogos y se selecciona una celda en blanco en la hoja de clculo
I1 como la columna de la celda de entrada. En las celdas H3:H52, ahora se
obtiene los beneficios para 50 procesos de la simulacin. Para cada proceso, al
elegir el clculo de un valor = Aleatorio () (el valor del = Aleatorio () para cada
Simulacin
Introduccin

R. De La T. 209
proceso son independientes). Bsicamente, los valores de la tabla en este caso son
recalculados y todas las celdas en la hoja de clculo estn influidos por la formula
en H2 50 veces. Durante las i veces la formula en H2 es calculada, los i valores en
la columna G es usado (esto es porque se selecciono I1 como una columna en la
celda de entrada, no como un rengln de entrada) como el valor en la celda de
entrada I1. desde que la celda I1 no es referenciada en la celda H2, esto implica
que =D3-E3 y ser calculado 50 veces. Cada vez con un diferente valor de
nmero = Aleatorio (). Para usar la funcin Promedio (H3:H52) que es el
promedio de los beneficios o ganancias. Por supuesto que este mtodo funciona si
se trabajo con nmeros aleatorios en B3 no se han fijado.

Para usar una tabla de datos de dos variable. Se Puede simultneamente simular la
utilidad para cada posible cantidad ordenada. Una tabla de datos de dos variable est
disponible para evaluar una frmula para varios valores que se introducen en dos celdas
diferentes. A usar dos maneras de una tabla de datos para simular n procesos y s
cantidades ordenadas, se necesita un rango que contiene n + 1 renglones y s + 1
columnas. Ahora se procede de la siguiente manera:

Nuevo vendedor.xls

1. mostrar la tabla en el rango K2:P52

2. en la parte superior izquierda del rango K2 se introduce la formula que se quiere
evaluar (=D3 - E3) o = F3

3. se introducen los numero de procesos en la K3:K52 y la cantidad ordenada de
L2:P2 (100, 150, 200, 250, 300)

4. seleccionamos las celdas en el rango K2:P52

Simulacin
Introduccin

R. De La T. 210


5. se define la columna de entrada y debe ser blanca en la hoja de clculo (se sugiere
Z1) y el rengln de entrada de la celda deber ser el rengln 3 de la hoja de
clculo, donde la cantidad ordenada es localizada en (A3).









Simulacin
Introduccin

R. De La T. 211





Simulacin
Introduccin

R. De La T. 212


Para cada celda del rango de la tabla de datos que no est en el primer rengln de la
columna del rango, la hoja de clculo recalcula la formula en K2, introduciendo nmeros
en la primera columna de en la tabla de rangos dentro de la celda de la columna de
entrada e introduciendo un numero en el primer rengln de la tabla de rangos en la celda
del rengln de entrada. Para este caso en la celda M4 Excel calcula los beneficios,
introducidos en 2 dentro de Z1 y en 150 en A3. As cada celda en la tercera columna de la
tabla contendr un valor de beneficio generado por la orden de la cantidad de 150. Desde
el valor de la columna de entrada afecta las utilidades. Por lo tanto obtenemos las
utilidades para cada cantidad ordenada de 50 procesos.

Como antes, la simulacin indica que se esperar las utilidades mximas al ordenar 200
calendarios.



Comentarios

Si se usa una tabla de datos de Excel para correr simulacin, se podr cambiar la opcin
de clculo automticamente excepto para tablas. Sino la tabla de datos continuara
recalculando siempre los cambios en la parte de la hoja de clculo. Esto es muy lento

Simulacin
Introduccin

R. De La T. 213
Ejecutando la simulacin del nuevo vendedor con Excel y su generador de nmeros
aleatorios

Excel tiene la capacidad de construir una muestra de distintos distribuciones, incluyendo
variables aleatorias discretas y variables aleatorias de la funcin normal.
De la relacin nuevo vendedor.xls (Hoja nuevo2.xls) se muestra como se usa el generador
de nmeros aleatorios para simular el ejemplo de la librera para un pedido de 200. Al
crear esta hoja se debe de borrar la columna B del archivo (que contiene los nmeros
aleatorios). Entonces en la celda B3 se usa la opcin del generador de nmeros aleatorios
opcin que directamente genera la demanda para cada uno de los 50 procesos. Antes se
har esto, se necesita introducir las posibles demandas y sus respectivas probabilidades en
la hoja de clculo. Haremos esto en el rango F6:G10. Ahora procedamos como sigue:

1. se inicia moviendo la celda donde se quiere el primer nmero aleatorio que se
ingresara (celda B3) entonces de las Herramientas y el Anlisis de Datos
seleccionamos el Generacin de nmeros aleatorios.
2.


Simulacin
Introduccin

R. De La T. 214

3. Se introduce 1 en la caja de Nmero de variables. Esto indica que la demanda
ser en lugar de una simple columna.

4. se introduce el nmero 50 en la caja Cantidad de nmeros aleatorios. Esto
indica que Excel generara 50 demandas independientes.

5. se selecciona en Discreta la caja de Distribucin de la lista abatible. Esto indica
que Excel estar generando los nmeros aleatorios de la distribucin discreta (se
asume un nmero finito de valores) variables aleatorias.

6. se introduce en el Rango de entrada de valores y probabilidades F6:G10 que
son los valores las probabilidades. Esta tabla le indica a Excel que la demanda de
100 unidades puede ocurrir en el 30% del tiempo, una demanda de 150 con el
20% et.

7. se selecciona la opcin del Rango de salida e introduzca el rango de salida
B3:B52. Donde sern generadas las demandas en base a los nmeros aleatorios.

8. Oprima Aceptar y sern generadas la 50 demandas.



Simulacin
Introduccin

R. De La T. 215
Comentarios:

Si se usa la opcin de generar nmeros aleatorios para las demandas y se desea usar la
Tabla de datos para comparar los beneficios de las diferentes cantidades, se debe copiar el
generador de demandas, tomando la columna izquierda del rango de la tabla de datos. Las
cantidades ordenadas pueden ser introducidas a travs de la tabla. Entonces se muestra
que la celda 3 del rengln de entradas y la celda B3 de la columna de entradas.

Una introduccin al @Risk

Distribuciones de Probabilidad para Variables de Entrada

En esta parte, se discutirla la construccin de bloques en modelos de simulacin en hojas
de clculo. Se tendr un nmero de celdas las cuales contienen los valores de las
variables de entrada y otras celdas tendrn las formulas que se insertan en la lgica del
modelo y eventualmente se lleva a las variables de salida de inters. La diferencia bsica
entre los modelos de las hojas de clculo es que se tiene que desarrollar progresivamente
los modelos de simulacin, esto es que al menos una de las variables de entrada en las
celdas en los modelos de simulacin contiene nmeros aleatorios. Se pueden hacer estos
nmeros aleatorios cambien en el recalculo de las hoja de clculo, cada vez que se
recalcule habr nuevos nmeros aleatorios que influyen en las variables de entrada y esto
en consecuencia produce nuevos valores en las variables de salida.

Cuando se introduce distribuciones de probabilidad en una celda de entrada, estos deben
describir los posibles comportamientos y sus probabilidades que reflejen la realidad.

Existen muchas distribuciones de probabilidad las cuales pueden ser elegibles y se puede
intentar una aproximacin a la informacin que se tiene de la situacin que se est
tratando de simular. Esta tarea no es fcil por lo que en esta seccin se tratara de contestar
algunas de estas preguntas.

- Qu tipo de distribucin de probabilidad est disponible y porque se muestra una
distribucin de probabilidad es alterna al actual modelo de simulacin.
- Que distribucin de probabilidad puede ser usada en un modelo de simulacin, y
como hacer que se involucre con las formulas de Excel.

Tipos de distribuciones de probabilidad.

Si se piensa en la caja de herramientas que se tienen y las distribuciones de probabilidad
se conocen y se entienden. Se obtendr mayor experiencia en los modelos de simulacin
es probable que en el futuro se agreguen distribuciones de probabilidad en los modelos de
simulacin. Se iniciara por agregar un poco de informacin sobre distribuciones de
probabilidad. Antes de agregar una distribucin especficas se harn algunas
Simulacin
Introduccin

R. De La T. 216
observaciones especficas de las caractersticas de las distribuciones de probabilidad, esto
incluye los siguientes parmetros:

- Discretas contra continuas
- Simtricas contra sesgadas
- Limitadas contra no limitadas
- Positivas contra no necesariamente positivas

Discretas contra continas

Una distribucin de probabilidad es discreta si tiene un nmero finitos de posibles
valores, por ejemplo si se lanza dos dados y si observa la suma de las caras solo tiene
once posibilidades y son de: 2 hasta 12, en contraste una distribucin es continua si esto
es posible por ejemplo determinar la cantidad de lluvia durante un mes en la ciudad de
Tapachula.

La grafica de una distribucin discreta es una serie de saltos, como se muestra en la
siguiente figura. La altura de cada una saltos es la probabilidad correspondiente



En contraste una distribucin continua se caracteriza por una funcin de densidad de
probabilidades en un alisamiento de la curva. Existen dos importantes propiedades de la
funcin de densidad de probabilidad. Primero la altura de la curva de densidad encima de
los puntos no actuales de probabilidad; esto no es necesariamente entre 0 y 1, la altura
indica la probabilidad relativa

0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5

.35


.30


.25


.20


.15


0.1


.05

0-0
Simulacin
Introduccin

R. De La T. 217



Simtrica contra Sesgada

Una distribucin de probabilidades es simtrica alrededor de un punto si la distribucin
del otro lado del punto o del eje es un reflejo idntico de la distribucin, por otro lado la
distribucin es sesgada. Si una distribucin es sesgada a la derecha o (es sesgada
positivamente) si la altura tiende hacia la derecha. De la misma forma se dice que es
sesgada hacia la izquierda y se llama (sesgada negativa)

Normal(10, 2.4)
X <= 13.95
95.0%
X <= 6.05
5.0%
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
4 6 8 10 12 14 16


@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
Simulacin
Introduccin

R. De La T. 218



Casi siempre se elige entre distribuciones discretas y distribuciones sesgadas por ejemplo
si se quiere un modelo del puntaje de los alumnos, probablemente se elegir una
distribucin sesgada hacia la derecha, esto es por la gran preparacin de los estudiantes.
X <= 11.07
95.0%
X <= 1.15
5.0%
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
-2 0 2 4 6 8 10 12 14 16


@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
X <= 2.8200
91.9%
X <= 2.2400
0.3%
0
0.5
1
1.5
2
2.5
3
3.5
4
2.13 2.28 2.43 2.58 2.73 2.88


@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
Simulacin
Introduccin

R. De La T. 219
Por otro lado si se quiere un modelo de tiempo y toma como referencia a un cajero de un
banco. Probablemente se elegir una distribucin sesgada hacia la derecha, esto es porque
a los clientes les toma uno o dos minutos se servidos. Si se requiere de un modelo de
inventarios que se surte mensualmente, probablemente se elija una distribucin simtrica,
la razn es el nivel de inventario es probablemente que sea positivo o negativo y es
razonablemente obvio que el sesgado tenga tendencia hacia el lado izquierdo o derecho.

Acotada contra No Acotada.

Una distribucin es limitada si existe un valor A y un valor B y que no es posible A
pueda ser tan grande como B. el valor de A es entonces el valor mnimo y el valor de B el
mximo. La funcin es sin lmites si no est acotada, algunas veces la funciones pueden
ser acotadas en una direccin pero no en la otra. Por ejemplo las calificaciones sobre 100
puntos de un examen est limitada entre cero y 100, en comparacin la distribucin de la
cantidad de daos de una compaa por la aseguradora est limitada en cero daos pero
en el otro extremo no existe un lmite. Por lo que esta distribucin que representa al
seguro estar limitada acotada del lado derecho pero sin lmites del lado izquierdo.

Positiva (no negativa) contra ilimitada

Un caso especial de una distribucin acotada es involucrar variables inherentes a
distribuciones positivas (o posiblemente no negativas). Por ejemplo si se quiere modelar
el costo aleatorio de fabricacin de un nuevo producto. Se tiene la seguridad de que esos
costos tienen que ser positivos. Existen muchos ms ejemplos.

Distribuciones de Probabilidades Comunes

Ahora que se conoce el tipo de distribuciones de probabilidad disponibles, se agregaran
algunas distribuciones de probabilidad comunes a la caja de herramientas. Para ayudarnos
a entender y explorar estas distribuciones, se desarrollara el archivo distribuciones de
probabilidad.xls en cada hoja de este libro de trabajo se ilustrara la distribucin de
probabilidades y sus caractersticas de esta. Indicando como se generan los nmeros
aleatorios de estas distribuciones, con Excel o con @Risk, incluyendo los histogramas de
estas distribuciones y sus representaciones graficas.

Cada una de las siguientes distribuciones es en realidad una familia. Cada miembro de
esa familia es determinado por uno o ms parmetro. Por ejemplo no existe una
distribucin normal simple, existe una distribucin normal por cada posible media y
desviacin estndar, por lo tanto cuando se trate de determinar la distribucin de entrada
en un modelo de simulacin, primero se tiene que escoger la familia ms apropiada y
despus se tiene que seleccionar el miembro ms adecuado de esa familia de
distribuciones de probabilidad.



Simulacin
Introduccin

R. De La T. 220
Distribucin Uniforme

La distribucin uniforme es la caracterstica de la distribucin ilustrada en seguida, es
acotada por un mnimo y un mximo todos los valores contenidos por esta distribucin
estn contenidos entre estos extremos y tienen una probabilidad igual



Por ejemplo un ejecutivo analiza un costo el cual es incierto, se puede concluir que no se
exactamente cul es el costo pero s que debe estar entre los $20,000 y los $30,000, pero
otra situacin es no tengo idea de cul es el costo, entonces la distribucin uniforme con
unos lmites entre los 20,000 y los 30,000 la cual es una seleccin natural.

En Excel se puede generar nmeros aleatorios entre 0 y 1 para introducirlos en la formula
=aleatorio () en una celda.

Adicionalmente al principio entre 0 y 1, el nmero creado por esta funcin tiene dos
propiedades que anticipan la aleatoriedad de los nmeros.

- Propiedad uniforme. Cada vez que se introduzca la funcin =Aleatorio () en la
celda todos los nmeros entre cero y uno tienen la misma oportunidad de ocurrir.
Esta media se aproxima al 10% de los nmeros generados por =Aleatorio ()
funcin que debe estar entre 0 y 1; 10% de los nmeros estn entre 0.65 y 0.75;
60% de los nmeros estn entre 0.20 y 0.80. esta propiedad explica porque se
Uniform(20000, 30000)
X <= 29500
95.0%
X <= 20500
5.0%
0
0.2
0.4
0.6
0.8
1
1.2
18 20 22 24 26 28 30 32
Values in Thousands
V
a
l
u
e
s

x

1
0
^
-
4
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
@RISK Student Version
For Academic Use Only
Simulacin
Introduccin

R. De La T. 221
dice que los nmeros aleatorios estn uniformemente distribuidos entre los
valores de 0 y 1-

- Propiedad de Independencia. los diferentes nmeros aleatorios generados por el
computador son probabilsticamente independientes. Esto implica que cuando se
genera un nmero aleatorio en alguna celda de la hoja de clculo, se dice que no
tiene efecto sobre los valores calculados en cualquier otra celda.



Este histograma se formo de 500 nmeros aleatorios con intervalos de clase de 0.1
y sobre la generacin de los nmeros aleatorios.

Nota.- los nmeros aleatorios generados por la funcin aleatorios () o por otro paquete
estadstico no son realmente nmeros aleatorios, se llaman nmeros pseudo aleatorio.

Generacin de una distribucin aleatoria uniforme con mnimo y un mximo, por
ejemplo la formula.

= 200 + 100*Aleatorio () genera una distribucin uniforme entre 200 y 300, tambin se
puede utilizar la funcin Risk.

=RiskUniform (200, 300)

Se puede observar las propiedades de la distribucin uniforme en la siguiente hoja de
Excel
Clase Frecuencia
0.1 49
0.2 55
0.3 41
0.4 47
0.5 55
0.6 61
0.7 38
0.8 57
0.9 43
1 55
y mayor... 0
Histograma
0
10
20
30
40
50
60
70
0
.
1
0
.
2
0
.
3
0
.
4
0
.
5
0
.
6
0
.
7
0
.
8
0
.
9 1
y

m
a
y
o
r
.
.
.
Clase
F
r
e
c
u
e
n
c
i
a
Frecuencia
Simulacin
Introduccin

R. De La T. 222
Distribucin Uniforme
Caracteristicas
Continua
Simetrica
Acotadas en ambas direcciones
No necesariamante positivas (dependiendo del acotamiento)
esta es una distribucin entre dos valores que se etiquetan como ValMin ValMax
Recuerde que el ValMin = 0 y el ValMax = 1 por lo que solo se puede usar la funcin Aleatorio()
Paramentros
ValMin 50
ValMax 100
Excel Ejemplo
= VaLMin + (ValMax - VaLMin)* ALEATORIO() 84
@Risk
=RiskUniform(ValMax ,VaLMin) 75

Congelando los nmeros aleatorios

El recalculo automtico de los nmeros aleatorios puede ser usado algunas veces y otras
no. En algunas ocasiones se requiere de nmeros aleatorios fijos, esto es se quiere que se
congelen, con los siguientes tres pasos se logra esto.

1. seleccione el rango que se quiere fijar (congelar).
2. presione las teclas Ctrl. + C y copie este rango.
3. con este mismo rango seleccionado. Seleccione Pegado especial del men
Edicin y escoja la opcin Valores. Este procedimiento de pegar y copiar de un
rango es exactamente lo mismo, solo que ahora las entradas son nmeros no
formulas.

@Risk es una hoja de clculo popular que puede aadir con el siguiente rbol, las
caractersticas que hacen mucho ms fcil ejecutar hojas de clculo de simulacin:

1. @Risk contiene funciones que facilitan la generacin de observaciones de las
funciones probabilsticas ms importantes. Por ejemplo, metiendo = RiskNormal
(10,2) en la celda se generaran observaciones de una funcin normal de
probabilidades con una media de 10 ( ) 10 = x y una desviacin estndar de 2 (
2
2
= o ).

2. se puede mostrar unas celdas en la simulacin como una celda de salida. Entonces
se puede decir @Risk cuantas veces (el nmero de iteraciones) se quiere simular
en la hoja de clculo. @Risk sigue las funciones estadsticas para elegir la celda y
salvar un histograma (de los valores obtenidos en las celdas por todas las
iteraciones).

Simulacin
Introduccin

R. De La T. 223
3. con Excel el @Risk = RiskSimtablefuncin, se puede tener simulacin en la hoja
de clculo de @RISK varias veces. Cada vez se mete diferente valor en una celda
de decisin. As se introduce la funcin.

= RiskSimtable({100, 150, 200, 250, 300})

Dentro de la celda puede decir @RISK ejecuta una simulacin con el numero de
iteraciones 5 veces. En las primeras 100 simulaciones se introduce en A2; en la siguiente
simulacin 150 y as hasta introducir todo en A2, etc., por una simple iteracin de una
simulacin, significa la evaluacin de la entrada en la hoja de clculo despus de @RISK,
se tienen ejemplos relevantes de variables aleatorias para valores con incertidumbre

Simulacin del nuevo vendedor utilizando RISK

Ahora se muestra como se simula el ejemplo anterior con @RISK. La hoja de clculo y
los resultados estadsticos se muestran en risk.xls. Para iniciar oprimimos dos veces sobre
el icono de @RISK, o iniciar tecleando dos veces sobre PROGRAMS, PALISADE
DECITIONTOOLS, @RISK. En esta simulacin seguiremos las prcticas de sombreado
sobre las entradas. Esto har fcil verlo como un anlisis de sensibilidad que puede
conducirnos a cambios de una o ms entradas en la simulacin. En la hoja de clculo el
modelo de simulacin, en las entradas incluye modelos probabilsticas como parmetros,
ahora iniciamos el proyecto:

1. se inicia poniendo los precios de venta, el valor de salvamento, y las unidades y el
costo de adquisicin en la celda C3:C5 risk.xls entonces en la celda C1 iniciara la
hoja de clculo que @RISK puede correr la simulacin por cada posible cantidad
ordenada (100, 150, 200, 250, 300) esto se hace en la celda C1 con la siguiente
instruccin
2.
=@ RiskSimtable({100; 150; 200; 250; 300})

Simulacin
Introduccin

R. De La T. 224


Si se dice que @RISK no corre 5 simulaciones (se ver como Hace esto dentro de poco),
entonces durante la quinta simulacin el valor de 100 estar en el lugar de la celda C1;
etc. El primer argumento Simtablese muestra en la celda se podrn usar tantas funciones
Simtable como se quieran en una simple hoja de clculo. Si se usa ms de una funcin
RiskSimtable, entonces sobre la primera simulacin cada funcin RiskSimtableasume el
primer valor de las instrucciones, en la segunda simulacin cada funcin RiskSimtable
asume el segundo valor de la instruccin. Cuando se usa la funcin = RiskSimtable,
@RISK usa los mismos nmeros aleatorios en cada alternativa de evaluacin. As de este
modo, cuando se comparan las utilidades ganadas con una cantidad ordenada de 200 a
300 variando de 50 en 50 unidades, se puede estar seguro que durante cada iteracin las
mismas demandas sern generadas. Si se tiene elegidos diferentes corridas para simular
para cada cantidad ordenada la funcin = RiskSimtable, para diferentes demandas de
cada una de las ordenes (pedidos). Esto hace que sea ms difcil comparar con efectividad
las diferentes polticas de pedido.

3. Generamos la demanda anual por calendario en la celda C2 con la formula
=RiskDiscrete({100; 150; 200; 250; 300}) esta frmula dice que en la celda C2
est metida una probabilidad como:
Simulacin
Introduccin

R. De La T. 225

4. Ahora calculamos los costos, impuestos y las utilidades para cada iteracin de la
simulacin, en la celda B7 se calculan los impuestos con la formula

=C3*Min (C2, C1) + C4*Max (0, C1-C2)
Simulacin
Introduccin

R. De La T. 226


El primer trmino en esta frmula calcula los impuestos por calendario
vendido sobre el total del precio; el segundo trmino calcula los impuestos por
calendario vendido de saldo.
5. ahora se calcula el costo de la orden en la celda B8 con la formula =C5*C1
Y en B9; B8-B9

Simulacin
Introduccin

R. De La T. 227


Corriendo la simulacin

Ahora ya se est listo para correr el primer @RISK, al correr la simulacin se procede
como sigue:

1) se introduce en la hoja de @RISK las celdas para las cuales los datos pueden ser
reunidos. A eso le llamamos Output cells (celdas de salida). Ahora solo se quiere
solo mantener el desarrollo de las utilidades. Ahora movemos el cursor a la celda
B9 y con el botn izquierdo del ratn se oprime sobre el icono OUTPUT (icono
cuarto de la izquierda, icono de @RISK que tiene una sola flecha). Este
agrega a la celda B9 como una celda de salida, si se quiere mantener el rango de
las celdas, preseleccione el rango y entonces haga clic sobre el icono OUTPUT.
@RISK elegir un nombre para la celda de salida (o rango de celdas) basado
sobre el encabezado de la hoja de clculo. Si se quiere cambiar el nombre de un
rango de salida o borrar un rango de salida, (oprima botn izquierdo del ratn
sobre el icono quinto a la izquierda, es el icono con dos flechas ). Este
desplegando @RISK donde todas las salidas y entradas probabilsticas y
distribuciones son listadas.
Simulacin
Introduccin

R. De La T. 228


Al cambiar el nombre del rango de salida, primero se cambiaran la tabla de entradas y
salidas como se muestra en la salida. Entonces simplemente sobre el nombre de la salida.
Se borra la salida oprimiendo con el botn derecho del ratn sobre la salida en la lista del
explorador sobre el lado izquierdo de la ventana y seleccionamos borrar salida.
2) Oprima el botn izquierdo del ratn sobre el icono Simulacin Setting (es el
sptimo a la izquierda, tiene una distribucin de probabilidades y un cuadrado).
Aparecer una caja de dialogo del escenario de la simulacin. Muchos escenarios
de la simulacin pueden ser ajustados, pero solo se discutir en escenarios
cruciales. Iniciaremos con un escenario con un nmero de iteraciones es 100. la
media que @RISK recalcula en la hoja de clculo 100 veces y sigue el valor en la
celda B9 para cada iteracin. Despus, cambiamos el nmero de simulaciones a 5.
en conjuncin con la tabla Simtableentramos en la celda C1, esto garantiza que
@RISK correr 5 simulaciones de 100 iteraciones. Las primeras 100 iteraciones
usara una cantidad ordenada de 100, las siguientes 100 iteraciones usaran una
cantidad ordenada de 150, etc.
Simulacin
Introduccin

R. De La T. 229


Finalmente cambiaremos la opcin de recalculo estndar sobre la muestra a
Monte Carlo.

Simulacin
Introduccin

R. De La T. 230


Esto garantiza que si se oprimi la tecla F9 la hoja de clculo recalculara. Si se
deja la opcin de recalculo en espera de un valor, entonces en cada celda en donde
se introduzca una distribucin de probabilidad, @RISK meter un valor de la
distribucin (si las variables aleatorias son continuas). Si las variables aleatorias
son discretas, entonces la opcin del valor esperado, resulta en un posible valor
aleatorio de la variable que cierra al valor esperado que inicio en la celda. La
opcin del valor esperado siempre causara una variable aleatoria que espera ser
desplegada en una celda. Para ilustrar esto, supongamos que se mete:

=RiskDiscrete ({100; 150; 200}, {.3; .3; .4})

En la celda. Si se elige la opcin de Monte Carlo y se oprime muchas veces la
tecla F9. Se un nmero 100 un 30%, un nmero 150 un 30% y un nmero 200 un
40% de las veces. El valor esperado de esta variable aleatoria es:

.3*100 + .3*150 + .4*200 = 155

De este modo, si se elige la opcin del valor esperado, el valor de 150 ser
desplegado (debido a que 155 est ms cerca de 150 que 100 200). Si se elige la
opcin verdadera de valor esperado, el 155 ser desplegado.

Simulacin
Introduccin

R. De La T. 231
A menos que induzca otra cosa, @RISK mantiene estticamente todas las celdas
contendr una distribucin de probabilidad, esto es crear un enorme archivo. Por lo tanto,
esto puede ser ventajoso al desconectar la opcin distribucin de la muestra. Si se quiere
tomar ventaja de las graficas y del anlisis del escenario, ahora, se debe coleccionar las
distribuciones muestra.

Se puede acelerar la simulacin apagando la opcin monitor de convergencia. La opcin
de monitor de convergencia deja conocer el valor de la media de la celda de salida,
cambia en base al progreso de la simulacin, por ejemplo, la media de las utilidades en la
simulacin cambia desde el 1% de la iteracin 400 a la 500, se debe estar
confidencialmente limpio ya que debe correr suficientes iteraciones de su simulacin.



Dejando encendido la opcin visualizar actualizar (Update) posibilidad de ver cada
iteracin de la simulacin. Este es un instructivo para iniciar, pero la simulacin es
considerablemente lenta.

3) Ahora se est listo para correr la simulacin haga clic sobre el icono de
simulacin (noveno de la izquierda; es el icono con una distribucin de
probabilidad) y la simulacin inicia. El avance de la simulacin es
monitoreado en la parte baja izquierda de la pantalla.

Simulacin
Introduccin

R. De La T. 232


4) Cuando la simulacin es terminada, se ver en la pantalla un resumen de los
resultados de toda la simulacin. Seleccione del men Insert y escoja la
instruccin Detailed Statistics y se muestra una ventana con los detalles
estadsticos sobre los resultados de la simulacin en la hoja de clculo, donde
pueden ser editados. Si se quiere regresar a la hoja original dirija el apuntador
sobre el icono de reduccin de la ventana.


5) Si se quiere graficar los resultados para una celda de salida o la distribucin de
probabilidad asociada con alguna celda, con el ratn se apunta al Graph se
despliega el men: (esto se har sobre algunas de las cinco simulaciones
simulacin 3



Aqu se obtiene el men del histograma: y se selecciona el tres

Simulacin
Introduccin

R. De La T. 233



Por lo tanto se obtiene el histograma siguiente:



6. se asume que se sabe pegar el histograma en la hoja de clculo.

7. el resultado estadstico se resume en la siguiente pgina:

Simulacin
Introduccin

R. De La T. 234


Debe ser preferible que lo pueda observar el la hoja de clculo.

Explicacin estadstica de los resultados

Al explicar la informacin estadstica proporcionada por @RISK. Solo se enfoca a la
simulacin tres (cantidad ordenada = 200 de la columna K:

1) Esperado/Media resultado: El porcentaje de utilidad para la corrida de 100
iteraciones para una cantidad ordenada de 200 unidades fue $350.

2) Resultado mximo: por ejemplo la ganancia ms grande observada para una
cantidad ordenada de 200 fue $500.Resultado menor: para una cantidad ordenada
de 200 la utilidad ms pequea fue de $125.

3) El resultado mnimo para una cantidad de 200,la utilidad observada ms pequea
fue de $125

4) La desviacin estndar para una cantidad pedida de 200 unidades y 100
iteraciones fue de 164.28

5) La simetra, en una distribucin normal existe un sesgo del 0. para una cantidad
ordenada de 200 el sesgo es de -0.392

Generacin de variables aleatorias para una distribucin normal (@RISK)

Muchas de las variables aleatorias que son simtricas se aproximan a la media siguiente
(estn aproximadamente muy prximos) variable aleatoria Normal.
Simulacin
Introduccin

R. De La T. 235

Simulacin con una demanda Normal @RISK

Si se supone que se cree que la demanda para el siguiente ao, sigue una distribucin
Normal con una media de 200 y una desviacin estndar de 30. Simule usando una
demanda bajo las condiciones de una distribucin Normal con @Risk
G:\Simulacion\Rnormal.xls de acuerdo a la instruccin =RiskNormal (200,30) si existe
una preocupacin acerca del factor de que pueda existir una probabilidad o demanda
negativa, se puede introducir la siguiente instruccin:

= RiskNormal (200, 30, RiskTruncate(0,1000))

En esta celda C2 estas demandas que siguen una distribucin Normal truncada. Esto es,
@RISK genera demandas de una distribucin Normal con una media de 200 y una
desviacin estndar 30 e ignora si la demanda es menor que 0 o ms de 1000 (se puso
1000 porque es virtual y no cambia para demandas que excedan de 1000). La funcin
RiskTruncatepuede se agregada como un argumento en cualquier distribucin @RISK,
se permite restringir el rango.

Determinar la poltica optima de mantenimiento

Al inicio de cada semana una maquina est en una de las cuatro condiciones: 1.-
excelente, 2.- buena, 3,- promedio y 4.-mala. La utilidad semanal por una maquina es
como sigue: $100 si la maquina esta excelente, $80 si esta buena, $50 si esta en
promedio, y $10 si esta mala. Despus de estar observando las condiciones de las
maquinas al inicio de la semana, se tiene la opcin (por un costo de $200) reemplazar el
estado de la maquina a un estado excelente. Los estados de las maquinas que se
deterioran con el tiempo se muestran en la siguiente tabla:

Descripcin del deterioro de las maquinas



Estado actual
De la maquina
Probabilidad de que una maquina
La siguiente semana como
Excelente buena Promedio mala
Excelente 0.7 0.3
Buena 0.7 0.3
Promedio 0.6 0.4
mala 1.0 (hasta el reemplazo)

Cuatro polticas de mantenimiento se consideran:

Poltica 1: nunca reemplazar una maquina
Simulacin
Introduccin

R. De La T. 236
Poltica 2: inmediatamente reemplazar una maquina en el estado malo
Poltica 3: inmediatamente reemplazar una maquina en los estados: mala y en
promedio
Poltica 4: inmediatamente reemplazar una maquina en los estados: mala,
promedio, o buena

Simular cada una de esas polticas para 50 semanas en un intento para determinar la
poltica que maximice las utilidades esperadas por semana. Asmase que se inicia con
una maquina en estado excelente

Solucin:

La poltica 1 tiene un pequeo costo de reemplazo esperado, pero tambin tiene una
pequea utilidad esperada semana. Tambin la poltica 4 un gran costo esperado de
reemplazo y utilidad. Esto no es tan obvio para determinar qu poltica es mejor.

Poltica 1

Ahora simulamos la poltica 1 politica.xls y procedemos como sigue:

1) En el rango de celdas se mete la utilidad por semana correspondiente al
tipo de maquina actual al iniciar el periodo semanal. Por ejemplo si se
inicia la semana con una maquina tipo 2 (buena), la semana tiene una
utilidad de $80. en el ejemplo se simulara 50 semanas de reemplazo.

2) En la celda B9 se introduce el numero 1, porque se inicia en la semana 1
con una maquina con un estado 1 (excelente).

3) En la celda C9 se introduce la formula =BuscarV (B9, $A$3:$B$6,2) para
calcular la utilidad de la semana 1. esta frmula busca la utilidad por
semana la cual se ubica en la segunda columna de la tabla (rango A3:B6)
debajo del rengln en la bsqueda del rango correspondiente a la entrada
de B9. copiando esta frmula al rango C9:C58 generando las ganancias
para cada semana.

4) Al generar el tipo de maquina presente para cada semana, se introduce la
siguiente formula en la celda B10:
=SI ((B9=1),RiskDiscrete({1;2},{0.7;0.3}),SI ((B9=2),RiskDiscrete({2;3},
{0.7;0.3}),SI((B9=3),RiskDiscrete({3;4},{0.6;0.4}),4))) esta frmula
dimensiona, por ejemplo que si se inicia la semana con un equipo 2,
entonces la probabilidad de cambio es 0.7 que inicie la siguiente semana
con un tipo de maquina tipo 2 y una probabilidad de 0.3 inicie con una
maquina tipo 3. copiando esta frmula en el rango de B10:B58 se generara
el tipo de maquina se controla por el inicio de cada inicio de las 50
primeras semanas.
Simulacin
Introduccin

R. De La T. 237

5) En la celda D3 se calcula el porcentaje de utilidad de ganancia por un
periodo de 50 semanas con la formula =Promedio (C9:C58).

6) Ahora en la celda D3 hacemos la simulacin para 100 iteraciones en la
hoja de clculo.







Simulacin
Introduccin

R. De La T. 238


Simulacin de la poltica 2

Ahora levantaremos la hoja de clculo que es usada para estimar el porcentaje de la
poltica de utilidad llamada poltica 2. Ahora procedamos a lo siguiente.

1) En la hoja de clculo llamada poltica 2, se introduce el valor de -100 en la
celda B6. esto es porque si se inicia la semana con un equipo tipo 4 (malo) a
utilidad en la semana ser de $100-$200 = -$100. las formulas en la columna
C permanecen.

2) L generar el tipo de maquinas actuales y al inicio de cada semana se
introducir en la celda B9 la formula:

SI ((B9=1),RiskDiscrete({1;2},{0.7;0.3}),SI((B9=2),RiskDiscrete({2;3},{0.7;
0.3}),SI((B9=3),RiskDiscrete({3;4},{0.6;0.4}),RiskDiscrete({1;2},{0.7;0.3})
)))
Nota.- esta frmula dimensiona si se inicia una maquina en el estado 4
(mala) existe una probabilidad de 0.7 de que la prxima semana inicie como
una maquina en estado excelente o con probabilidad de 0.3 que inicie con una
maquina he estado 2 (buena). Esto es porque en a poltica 2 se reemplaza una
maquina mala por una excelente. Copie esta frmula en el rango B9:B58

3) Corra la simulacin en la celda D3con os campos de salida y estime la utilidad
general por semana.

Simulacin
Introduccin

R. De La T. 239


Simulacin
Introduccin

R. De La T. 240
Ahora se correr la simulacin




Comentarios:

1) anote que Excel no puede manejar ms de 7 anidamientos de SI (IF) en la misma
celda. Obsrvese que si una instruccin SI (IF) tiene ms de 200 caracteres
@RISK tiene posible problemas de ejecucin.

2) En Excel con el agregado de @RISK, no se puede usar BUSCARV si no va
acompaada de la instruccin =RiskDiscrete ().

Cual es la mejor poltica?

Es aquella que nos de la mayor utilidad posible.

Simulacin para la aproximacin de una planificacin de la capacidad

Ahora se mostrara como se usa la simulacin para analizar las necesidades de tener
capacidad de un producto. Se usaran datos del pasado para pronosticar ventas del futuro.
Con un nivel de capacidad que maximice las utilidades esperadas, finalmente se
introducir el concepto de riesgo inconveniente que determina el nivel de capacidad que
minimice los inconvenientes del riego.

La gerencia tiene que tomar la produccin de CD un rival de dicha compaa. CD tiene
ventas anuales desde 1995 hasta 2004 que se dan en la siguiente tabla.


Ao Ventas(miles de unidades)
1995 500
1996 544
1997 593
1998 672
1999 723
2000 757
2001 848
2002 948
2003 964
2004 1011


Simulacin
Introduccin

R. De La T. 241
El gerente debe construir una planta para producir lo que hace CD e iniciar en 2005. Una
vez que la planta est construida, la capacidad de la planta no puede ser cambiada. Cada
unidad vendida tiene una utilidad de $10.

El costo fijo (en dlares) de produccin de una planta, se puede vender x unidades por
ao del producto.

El costo fijo de la construccin de la planta = 5, 000,000 + 10x
Este costo ser asumido y afectara al final de 2005. Se asumir que todos los costos y
ventas en efectivo que fluyen provocaran efectos al final de cada ao.

capacidad.xls

Si la capacidad de la planta es de x, la variable de la unidad de costo de produccin
de CD ser:

Variable de costo por unidad
000 , 100
) 000 , 000 , 1 ( 1 6
=
x


Por lo tanto la capacidad de planta 1, 100,000 unidades que resultara para una variable
de costo de $5.90.

Cada ao el costo de plan de operacin es de $1 por unidad de capacidad.
Si la demanda por ao excede la capacidad de produccin. Todas las ventas en exceso de
la capacidad de produccin se consideran perdidas. Se debe determinar un nivel mximo
esperado descontando (el promedio de inters del 10%) ganancias por el periodo de
tiempo de 2005 al 2014.

Solucin

Se inicia desarrollando un modelo de pronstico futuro para la demanda anual de CD se
propondrn algunas constantes
1 0
yB B

La demanda para CD durante el ao t

[ * ) ( ) (
1 0
B B + = Demanda para CND durante el ao (t-1)] + Error de termino

Al calcular esta ultima ecuacin se correr una regresin con los ltimos aos de venta
como variables independientes y estos aos tambin como variables dependientes al
hacer esto , se utilizara la capacidad de Excel para el clculo de la Regresin (debajo de
Herramientas y Anlisis de datos). Ahora el x-rango fue C3:C11 y el y-rango fue
B3:B11el resultado de la regresin esta en capacidad.xls en la hoja Regresin. Ahora
seguimos estimando
0
B para realizar la intercepcin de esta regresin (en la celda O18),
Simulacin
Introduccin

R. De La T. 242
1
B hacer la pendiente de esta regresin (en la celda O19), y el termino del error ser una
variable aleatoria normal, con una media de cero (0) y una desviacin estndar que es
igual al error estndar de la regresin (en la celda O8) el modelo de la demanda futura
anual (en miles de unidades) es:

Demanda del ao t = 67.43 + 0.985*[ao (t-1)*demanda] + variable aleatoria normal con
media (0) y desviacin estndar (29.32)

Ntese que este modelo no asume que la demanda durante aos sucesivos es
independiente. Esto es porque el ao (t-1) porque la demanda influye fuertemente sobre
la demanda del ao t.

Entrada de datos para la simulacin

Ahora se meter la informacin relevante en los rangos de la celdas G2:G11 (vase en
capacidad.xls en la hoja capacidad.

1) En la celda G2 se introduce el promedio de inters del 10%.

2) En la celda G11 se introducirn los posibles niveles de capacidad con la formula
=RiskSimtable ({1100000, 1200000, 1300000, 1400000, 1500000, 1600000,
1700000}) esto le permite @RISK recabar los niveles estadsticos de capacidad
en los rangos 1.1 a 1.7 millones.

3) Despus se introducirn las variables unitarias de costo interceptando desde 6 en
la celda G10 y las variables de pendiente de costo de 0.1 en la celda G9, ahora
calculamos en la celda G3 la variable unitaria de costo de produccin con la
formula =G10-G9*(G11-1000000)/100000

4) en la celda G4 se introducen los precios de venta por unidad de CND ($10), no se
tiene permitido un aumntate precio.


5) En la celda G5 se introduce el costo anual fijo unitario de capacidad de $1.

6) En la celda G6 se introduce la pendiente de 10 que es el costo de construir un plan
de capacitacin.

7) En la celda G7 se introduce el corte de un plan de capacitacin.

8) En los renglones del 13 al 22 se generara un flujo de efectivo para cada uno de los
aos 1995 al 2004. ahora se generaran demandas aleatorias para cada ao en las
celdas F13:F22. al generar las demandas se pera un modelo de regresin lineal,
el cual se introdujo en la celda F13 con la formula
Simulacin
Introduccin

R. De La T. 243
=1000* RiskNormal ($0$18+$O$19 * B1, $O$8)
Lo cual generara la demanda de 1996 y en la celda F14 se introduce la formula
=1000* RiskNormal ($0$18+ ($O$19 * F13/1000), $O$8)
Copiando esta frmula en las celdas de F15:F22 se generan las demandas para los
aos 1997-2004.

9) en el rango de celdas de G13:G22 se generan las ventas anuales va la relacin
ventas anuales = Min (Demanda anual, nivel de capacidad), as las ventas del ao
de 1995 son calculadas en la celda G13 con la formula = Min (F13, $G$11).
Copiando esta frmula a las celdas G14:G22 se calculan las ventas anuales para
los aos 1996 al 2004.

10) En las celdas H13:H22 se calculan los ingresos anuales. Para simplificar
multiplicamos las ventas anuales unitarias por el precio de $10. ahora calculamos
las ingresos anuales de venta de 1995 en la celda I13 con la formula =$G$4*G13.
ahora copiamos la formula a las celdas H14:H22 y se calcula las utilidades para
los aos 1996 al 2004.

11) En las celdas I13:I22 calculamos el costo de la produccin variable por cada ao
para multiplicarlo por las ventas unitarias anuales de la variable del costo de
produccin. Ahora se calculara el ao 1995 3n la celda I13 con la formula
=$G$3*G13. una vez calculado copiamos la formula a las celdas I14:I22 para los
aos 1996 al 2004.


12) En la celda J13 se introduce el costo fijo para la construccin de la planta con la
formula =$G$7+$G$6*$G$11.

13) En las celdas K13:K22 se calcula el costo de operacin anual de la planta.
Primero se calculara el costo de operacin anual en el ao de 1995 en la celda
K13 con la formula =$G$5*$G$11 ahora se copiara esta frmula al rango de
celdas K14:K22 y se calcula el costo de los aos de 1996 al 2004.

14) En el rango de celdas L13:L22 se calcula la utilidad de cada ao. En la celda L13
calcularemos las utilidades de 1995 con la formula =H13-I13-J13-K13 se copia
estas formulas al rango de celdas L14:L22 que son los ingresos por utilidades de
los aos 1996 al 2004.

15) Ahora calculemos Valor Neto presente de Inversin VNA en la celda L11 con la
formula VNA (G2, L13:L22).

Ntese que esta frmula calcula el flujo de efectivo para l ocurrencia de cada ao al
final del mismo.

Simulacin
Introduccin

R. De La T. 244
Ahora se corrern siete (7) simulaciones (una para la capacidad de cada nivel) con la
celda L11como salida de la celda. Se encontrara el nivel mximo de capacidad que
maximiza el valor esperado de inversin que es de 1.3 Millones.

Supongamos que se tiene un objetivo de 9 millones de ganancias por la compaa
durante los aos 1995 al 2004. Un camino para modelar el objetivo es asumir que si
se aproxima los ms cercano posible al objetivo por x, entonces se incurre en falta $x
que se le llamara un riego con desventaja asociado al objetivo del nivel de utilidad.
En la celda L10 se calcula la desventaja de riesgo con la formula = Max (9, 000,000-
L11, 0).

Note que los campos de esta frmula no recargan (y no crdito) cuando el objetivo no
llega. Corriendo siete simulaciones se inicia como se muestra una capacidad anual de
1.3 millones que minimizan la posibilidad de riesgo.

Simulacin de un modelo de inventarios

Considerando una compaa que tiene una demanda incierta de un producto. La
compaa debe preparar dos tipos de decisiones.

Cantidad a pedir (cuando reordenar): qu cantidad debe ser ordenada cada vez

Punto de pedido (en qu tiempo reordenar): que tan bajo puede la compaa mantener
su nivel de inventarios antes de decidir en qu momento ordenar.

Se puede considerar un periodo de revisin del sistema de inventarios, lo que una
revisin peridica de los intervalos (se puede decir al inicio de cada semana) y
determinar el pronstico en el instante y qu cantidad.

La compaa considera los siguientes tipos de costo:

Costo de ordenar: una compra: siempre que una orden este compuesta por un costo
fijo K (C2) este costo siempre es independiente del tamao de la orden.

Costo de una pieza: es el costo p (C1) por unidad ordenada.

Costo por adquisicin (propiedad): es un costo h por cada unidad de inventario hasta
el final de un periodo de tiempo.

Costo por almacenamiento: es un costo s por cada unidad de tiempo que demande que
este no satisfecha la demanda (Dficit).

La compaa puede atrasar la demanda que es una demanda no satisfecha (dficit)
que puede ser durante un periodo de tiempo.

Simulacin
Introduccin

R. De La T. 245
Los siguientes ejemplos muestran como @RISK puede ser utilizado para simular
revisin de periodos de tiempo de sistema de inventarios.

Una compaa tiene un periodo de revisin de su sistema de inventarios para un
producto que tiene K=$200 (C2), p=$4.00 (C1), h=$3.00 (C3) y s=$10.00.
Semanalmente la demanda para el producto sigue una distribucin normal con una
media de 30 y una desviacin estndar de 6. La compaa est actualmente
ordenando siempre un inventario que inicia al principio de la semana y es menor a 40
unidades. Si el nivel de inventario es menor o igual a x cuando se ordena, una
cantidad de 150 x. una orden que es probablemente igual, en las semanas 1, 2 o 3
despus de ordenar. Si se asume que una orden esta en trnsito, no se pueden hacer
otras rdenes. Use la simulacin para estimar el promedio semanal de costo, asociado
con la poltica de costo. Asmase que existen 100 unidades en el inventario.

Solucin:

El anlisis se har en el archivo de Excel inventario.xls ahora en las siguientes lneas
se mostrara la simulacin del sistema.

Para cada mes se asientan las siguientes cantidades:

Inventario inicial: este es el tamao del inventario despus de una orden (si existe),
pero antes de que la demanda se conozca.

Cantidad ordenada: esta es igual a cero (0) si no existe una orden. Si no es el tamao
que se espera.

Siguiente orden recibida: si la orden esta en trnsito, y es igual a un nmero muy
grande. Adems de esto es un nmero de semanas durante las cuales la orden est por
llegar. Por su puesto que la fecha de llegada es aleatoria.

Demanda: es la demanda semanal para el producto, y por supuesto es aleatoria.

Inventario final: es el inventario despus de todas las posibles demandad ocurridas.
Un inventario negativo significa que la capacidad de almacenaje es muy pequea.

Costo: es la suma de la orden de compra, la adquisicin de los productos y el costo de
almacenamiento por semana. Por supuesto esto ocurrir ya que el pedido este en el
lugar y no antes.

Ahora simularemos que sucede en la primera semana:

1) En el rango de las celdas A1:B6 se introducirn los parmetros que describen al
problema, la estructura de costos y la poltica de ordenar.

Simulacin
Introduccin

R. De La T. 246
2) En la celda B9 se introducen el nmero de semanas del inventario (100)

3) En la celda B10 se calcula la cantidad de ordenes con la formula =SI (B9, $B$6,
$B$5-B9, 0) esto asegura que una orden y si solo es el inicio del inventario y es
menor que el punto de reorden y una orden es para cantidad adecuada. Desde que
la semana uno inicia el inventario esta excedido en 40, no se debe ordenar en este
instante.

4) Ahora se analizara en la semana la siguiente orden de recepcin. Si no se ordena
en esta semana, se har el conjunto de pedidos que es igual a un nmero
relativamente grande. Si en lugar de generar leal tamao de la orden se genera la
duracin entre los intervalos de tiempo con la Funcin RiskDiscrete, y grabar la
fecha de llegada de la orden. Introduciendo las siguientes instrucciones en la celda
B11.

=SI (B10=0,9999, B8 = RiskDiscrete ({1; 2; 3} ;{1; 1; 1}).

5) Ahora se generara la demanda por semana uno (1) en la celda B12 con la formula
= RiskNormal (30,6).

6) El final del inventario de la semana 1 es igual al inicio del inventario de la
siguiente semana menos la demanda, este clculo esta en la celda B13 y se
expresa con la siguiente formula =B9-B12
7) En la celda B14 se calcula el costo total de las semana del inventario con la
siguiente formula. =SI (B10>0, $B$3,0)+$B$4*B10 + $B$2*MAX (B13, 0) +
$B$1*MAX (-B13, 0) el primer termino de la suma esta en ala semana numero
uno (1) que es el costo fijo, tambin en esta misma semana el costo de
adquisicin de las piezas tambin el costo de almacenaje y el de dficit.

8) Al inicio de la segunda semana el inventario es igual al inventario final de la
primera semana mas una orden recibida durante la semana numero 2.
introduciendo la siguiente formula en la celda, se asegura que se ajusta el
inventario al final de la primera semana para que el tamao de la orden que llegue
sea el adecuado. =B13+SI (B11=C8, B10, 0).

9) Si la cantidad ordenada durante la semana 1 se planeo la llegada de un pedido al
final de la semana 2, y la cantidad ordenada en la semana 2 es igual a la cantidad
ordenada para la semana 1. si este no es el caso y se inicia la semana 2 con un
inventario por debajo del punto de reorden, una orden debe ser hecha. Por lo
dems una orden que tiene que llegar esta semana o nada sobre esta orden, y la
cantidad ordenada sobre la semana dos es igual a cero. Se debe introducir el
siguiente anidamiento de SI en la celda C10.
=SI (Y ((B11<45), (B11>C8), B10, SI (C9< $B$6, $B$5-C9, 0)).

Simulacin
Introduccin

R. De La T. 247
10) Si no se hizo la orden, se har en la siguiente semana una orden lo
suficientemente grande. Si una orden tiene lugar en esta semana (este caso solo
puede suceder si |C10-B10|>0), entonces debemos actualizar la llegada de la
siguiente orden generando los nmeros aleatorios para la entrega. De otra manera
se esperara por la orden, y el valor de la orden recibida. Esta relacin entre lo
capturado en la celda C11 con la formula.

=SI (C10=0,9999,SI (ABS(C10-B10)>10,C8 + RiskDiscrete ({1;2;3} ;
{1;1;1}),B11)

11) En la celda C12 Se genera la demanda de la segunda semana con la formula
=RiskNormal (30,6).

12) En la celda C13 se calcula el inventario final de la segunda semana con la formula
=C9-C12.

13) En la celda C14 se calcula el costo de la semana 2 con la formula
=SI (Y(C10>0,B10=0),$B$3 = $B$4*C10,0)+$B$2*MAX(C13,0) + $B$1*MAX(-
C13,0), = SI (Y(C10>0,B10=0), $B$3 + $B$4*C10,0) Capturamos la segunda
semana con los costos fijos y de compra; $B$2*MAX(C13,0) + $B$1*MAX(-
C13,0) capturando la semana 2 los costos de propiedad y de almacenamiento.

14) Copiando los rangos de las celdas C9:C14a los rangos D9:AO14 y simulando 40
semanas del sistema de inventarios.

15) En la celda B16 calculamos el porcentaje semanal de costo por medio de la
formula =Promedio (B14:AO14).


16) Ahora seleccionamos la celda B16como rango de salida y corremos cien veces
esta simulacin.

Ahora se calculo el porcentaje de costo para esta poltica vea inventario.xls Observe que
la desviacin estndar y el porcentaje de utilidades para las 100 iteraciones fue solo de
$27.05 a un 95% del intervalo de confianza para el costo semanal que es completamente
demasiado pequeo

Comentario: usando la instruccin RiskSimtablepodemos tener que @Risk que se traten
mas polticas del inventario.


Simulacin de un sistema de lneas de espera con un solo canal de servicio

Simulacin
Introduccin

R. De La T. 248
Una de las aplicaciones ms comunes en la simulacin es el estudio de lneas de espera,
desafortunadamente @Risk no es la mejor herramienta para el estudio de lneas de
espera.

En el ejemplo se asume que las tasas de llegadas y de servicios se basan en una
distribucin exponencial.

RISKEXPON (media)

En el siguiente ejemplo se ilustra la metodologa de esta herramienta en la simulacin de
lneas de espera.

Un sistema de impresin tiene una sola impresora. Un porcentaje de 10 clientes llegan
por hora para solicitar el servicio de impresin. El servicio de impresin puede atender
hasta 15 clientes por hora. El tiempo entre llegadas y servicios tiene una distribucin
exponencial. Se debe estimar el tiempo en que estar ocupado el servicio de impresin as
como el promedio de clientes en el sistema. Desarrolle una hoja de clculo que pueda
usarse para 100 eventos.

Solucin:

Las columnas tienen la siguiente informacin:

- Evento # es el nmero de llegadas (se simularan 100).
- Evento tipo tipo de evento que debe de ocurrir
- Tiempo de llegadas tiempo entre clientes
- Tiempo de servicio tiempo que se tarda en la atencin
- TM tiempo actual
- SS estado del servicio 0.- desocupado, 1.- ocupado
- WL nmero de unidades en la lnea (cola)
- AT es el tiempo de la siguiente llegada si el servidor est desocupado, el valor
es de 9999 o un nmero que exceda el mximo valor de TM que pueda ocurrir
durante la simulacin.
- #insis es el nmero de clientes en el sistema.

El inicio de la simulacin se procede de la siguiente manera:

1. en las celdas A2:A102 se llenan con los nmeros consecutivo.

2. en C3 se introduce la formula =RISKEXPON (6) y se copiar al rango C3:C102
esto crea clientes con tiempos de llegada que son independientes y tienen una
media de 6 minutos.


Simulacin
Introduccin

R. De La T. 249
3. en D3 se introduce la formula = RISKEXPON (4) y se copiar al rango D3:D102
esto crea clientes con tiempos de servicio que son independientes y tienen una
media de 4 minutos.

4. en el rengln 2 de la hoja se inicia la simulacin. Asumiendo que un cliente llega
a partir del tiempo cero y las variables inician TM=0; SS=0; AT=0 y
DT = 9999 (indicando que es servicio est actualmente desocupado.

5. en el rengln 3 se informa que el primer cliente llega. En el reloj el tiempo es cero
(TM=0). En F3 se mete la formula = SI (j >3, 1, 0) y se determina si el servidor
est ocupado.

6. en G3 se pone la formula = MAX ( j3-1, 0 ) para el calculo del numero de
unidades en la lnea

7. en H3 se genera el tiempo de llegada del siguiente cliente, para recopilar el tiempo
de llegada generado en C3 con la formula = C3

8. en I3 el tiempo de llegada de los clientes para el uso del tiempo de servicio =D3

9. en J3 se actualiza el nmero de usuarios en el sistema contados desde el evento 1.
actualmente se sabe que el evento 1 es una llegada, pero este clculo soportara a
eventos que ocurran en el futuro. La razones la siguiente, el evento 1 llegara SI
H2 < I2; por lo dems el evento 1 ser una llegada. As, que introduciendo en J3
la formula. =SI (H2 < I2, J2+1, J2-1) con esto se actualiza el nmero de clientes
actuales.


10. en el rengln 4 se puede determinar el segundo evento de llegada. El tiempo del
siguiente evento ser el mnimo de AT en (H3) y DT en I13. de este modo en E4
se calcula TM por la formula = MIN (H3, I3) desde H3 >H3 este evento es una
llegada

11. en F4 se calcula el estado de los servicios con la formula. =SI (J4> 0, 1, 0) desde
que el servidor no est ocupado, se obtiene un 0.


12. en G4 calculamos el nmero de usuarios en la lnea =MAX (J4-1,0) este campo
es cero, porque no existen unidades en la lnea.

13. en H4 se calclale tiempo en que ocurre la siguiente llegada. Si el evento actual es
una llegada, entonces se calcula el tiempo de la siguiente llegada para el uso del
tiempo entre llegadas en C4 y agregarle el tiempo actual. Si el evento actual es
una llegada, entonces el tiempo de la siguiente llegada permanece sin cargarse.
Simulacin
Introduccin

R. De La T. 250
Esta lgica se lleva a cabo para introducir en la celda H4 la formula = SI
(H3<I3,H3+C4,H3)

14. en I4 se determina la conclusin del siguiente servicio. Esto requiere que se
consideren cuatro casos.

- Si el evento actual es una llegada H3 I3 y hay ms de una persona antes
de la actual, el siguiente ocurrir el tiempo actual mas el tiempo de
servicio en D4 (este tiempo de llegada es E4 + D4
- Si el evento actual es una llegada H3 I3 y una persona estaba presente
antes de que el evento ocurra (J3 = 1el siguiente tiempo de llegada es 9999
(esto indica que el servidor esta vaci y que un servicio no puede ocurrir
hasta que ocurra otra llegada.
- Si un evento actual es una llegada (H3 < I3) y el servidor estaba vaci
antes de que ocurriera el evento (indicado por I3 = 9999, ahora se
determinara el nuevo tiempo de servicio agregndole al tiempo de servicio
generado en D4, este clculo de tiempo es E4 + D4.
- En todas las otras situaciones el tiempo de la siguiente salida se descarga
(I3)
Metiendo las siguientes instrucciones en I4 se incorpora la lgica de los
cuatro casos:
= SI (Y ((H3>=I3), (J3>1)), E3+E4,
SI (Y ((H3>=I3), (J3=1)), 9999,
SI Y ((H3<I3), (I3=9999)), E4+D4, I3
15. En J4 se mete la frmula = SI (H3<I3,J3+1,J3-1) para actualizar el nmero de
unidades presente
16. cpiese la formula B4:J4 a B4:B102 y complete la simulacin de 100 eventos
17. al indicar el tipo de cada evento (llegadas y servicios), en la celda ce se introduce
la formula.
= SI (H2<I2,llegada,servicios)
Copiar esta frmula al rango B4:B102 que es el tipo de cada evento y este ser
Grabado en las hojas de clculo.

Lnea de espera Risk.xls

Simulacin de Modelos de I nventario

Consideremos una compaa que tiene demandas probabilsticas (variables) para un
producto. La compaa debe adecuarse a dos consideraciones.

Cantidad Reordenada (cantidad Pedida).- qu cantidad debe ordenarse cada que se hace
un pedido.

Simulacin
Introduccin

R. De La T. 251
Punto de reorden (tiempo de anticipacin) que tan bajo debe ser el nivel de inventario
antes de ordenar una compra.

Se debe considerar una revisin peridica del sistema de inventarios, que es. Un sistema
que se revisa por intervalo de tiempo constante (se hace al inicio de cada semana) y se
determina la cantidad a ordenar.

La compaa tiene el siguiente tipo de costos:

Costo de ordenar una compra.- cuando una orden es hecha, se tiene un costo C2. Este
costo es independiente del tamao de la orden.

Costo de una unidad.-es el precio de un artculo C1

Costo de controlar el inventario.- es un costo C4 por cada unidad al final de un periodo
de tiempo

Costo unitario de almacenamiento.- es un costo C3 por cada periodo de tiempo y unidad
que permanezca en el almacn.

La compaa es capaz de retrasar la demanda, que cantidad puede ser retrasada por un
periodo de tiempo

En el siguiente ejemplo se muestra como @Risk puede ser usado para simular revisin de
un sistema de inventarios.

P.- una compaa tiene un periodo de revisin (semanal) de un sistema de inventarios
para un producto que tiene costos C2=$200, C1=$4.00, C4=$3.00, C3=$3.00la demanda
semanal para el articulo es una distribucin normal con una media de 30 y una desviacin
estndar de 6. La compaa est actualmente est planeando una orden para la semana
que entra t tiene un inventario de menos 40 unidades. Si el nivel de inventarios es igual a
X cuando se est ordenando. Una cantidad de 150 X es ordenada. Una orden es
probablemente igual 1, 2, o e semanas despus de la orden. Se asume que si una orden
esta en trnsito, no puede existir otro tipo de rdenes. Utilice la simulacin para estimar
el porcentaje de costo semanal asociado con la poltica de inventario. Asuma que
inicialmente existen 100 unidades (almacenadas) en el sistema de inventarios.

Solucin:

El trabajo consistir en que se muestre la simulacin del sistema de inventarios para 40
semanas.

Para cada mes seguiremos la pista para las siguientes cantidades.

Simulacin
Introduccin

R. De La T. 252
Inventario Inicial.- esto es el inventario despus de una orden si esta es recibida. Pero
antes de la satisfaccin de la demanda.

Cantidad a Ordenar.- es igual a cero si no existe una orden. En otra situacin es el
tamao de la orden que se espera.

Siguiente orden recibida.-si la orden no est en lnea, es igual al nmero 9999. de otra
forma este es el nmero de la semana la orden en lnea llego. Por supuesto, la fecha de
llegada de la orden es un aleatorio.

Demanda.- es la demanda semanal para el artculo y es aleatorio

Finalizacin del inventario.- este es el inventario despus de todas las posibles demandas.
Un final de inventario negativo significa un dficit en el mismo.

Costos.- esta es la suma de los costos unitarios, de compra, de almacenamiento y de
control que se tienen en la semana, se asume que el costo se toma cuando se compra, y no
cuando llegan las unidades.

Se inicia el mantenimiento del inventario durante la primera semana,

Paso 1) en la matriz A1:B6 se introducen los parmetros describiendo la estructura de
costos y la poltica de ordenar.

Paso 2) En B9 se mete la semana 1 iniciando con un inventario de 100.


Paso 3) En B10 se calcula la cantidad a ordenar con la formula.
=SI (B9 <$B$6, $B$5-B9 ,0) esto garantiza que una orden pedida en sitio
es si y solo si el inventario inicial es menor que el punto de reorden y que
una ordenes por la cantidad adecuada, desde que la semana 1 inicia el
inventario excede las 40 unidades.

Paso 4) Ahora se mantiene y se tiene listo para recibir la siguiente orden. Si no se
ordena en este instante, el periodo de tiempo de la siguiente orden es igual al nmero
ms grande (9999), si una orden en esta posicin, se generara un plazo de entrega de
la orden con la instruccin RISKDISCRETE y se registrara la fecha de llegada de la
orden. Se introduce la siguiente instruccin en la celda B11:
=SI (B10=0, 9999, B8+RISKDISCRETE ({1; 2; 3}, {1; 1; 1})

Paso 5) Se generara la demanda para la semana 1 en la celda B12 con la formula =
RISKNORMAL (30,6).

Simulacin
Introduccin

R. De La T. 253
Paso 6) La compaa finaliza el inventario para la semana 1 que es igual a inventario
inicial menos la demanda de la semana 1, esto se calcula en la celda B13 con la
formula = B9 B12.


Paso 7) En la celda b14 se calcula el costo total de la semana 1 (Costo de compra + costo
unitario + costo del inventario + costo de almacenamiento) con la formula
=SI(B10>0, $B$3, 0) + $B$4*B10 + $B$2*MAX(B13,0) + $B$1*MAX(-B13,0) el
primer termino de la suma es el costo de adquisicin, el segundo termino es el costo
de un artculo (costo unitario), el tercer trmino es el costo del inventario, y el cuarto
es el costo de almacenamiento.

Paso 8) En la semana 2 iniciamos con un inventario igual a la cantidad que quedo de la
semana 1 + la orden recibida en la semana 2. se introduce en la celda C9 de acuerdo a
la siguiente formula = B13+ SI (B11=C8, B10, 0).


Paso 9) Si la cantidad ordenada durante la semana 1 est planeada para que llegue en la
semana 2, la cantidad ordenada en la semana 2 es igual a la cantidad ordenada para la
semana 1. si este no es el caso y se inicia la semana 2 con un inventario por debajo
del punto de reorden, una orden se debe realizar, sino una orden debe llegar en la
semana o no ordenar nada, y la cantidad ordenada en la semana 2 es igual a cero. Se
mete el siguiente anidamientos de SI, las instrucciones en la celda C10
= SI (Y ((B11<45), (B11>C8)), B10, SI (C9<$B$6, $B$%-C9,0)).

Paso 10) Si no existe una orden, se hace en la semana la siguiente orden de llegada
igual 9999. si una orden tiene solo para hacerla (esto ser el caso si C10-B10>0),
entonces se debe actualizar la llegada de la siguiente orden para generar plazo de
entrega aleatorio. Si no, se esperara por una orden y el valor de esta ser igual, esa
relacin se captura en la celda C11 con la siguiente formula.
= SI (C10=0,9999, SI (ABS (C10-B10)>0, C8+RISKDISCRETE8 ({1; 2; 3}, {1; 1;
1}), B11)).

Paso 11) En la celda C12 se genera la demanda de la semana 2 con la formula
=RISKNORMAL(30,6)

Paso 12) En la celda C13 se calcula el inventario final de la semana 2 con las
formula = C9-C12.

Paso 13) En la celda C14 se calcula los costos de la semana 2 con la formula.
= SI (Y (C10>0, B10>0), $B$3+$B$4*C10.0+$B$2*MAX (C13, 0) +
$B$1*MAX (-C13, 0)

Paso 14) Se copia el rango de las celdas C9:C14 al rango de las celdas D9:AO14
que simula 40 semanas del sistema de inventarios.
Simulacin
Introduccin

R. De La T. 254

Paso 15) En la celda B16 se calcula el promedio de costo semanal de acuerdo a la
formula = PROMEDIO (B14:AO14).

Paso 16) Se selecciona la celda B16 como rango de salida y una corrida de 100
iteracin de la simulacin

Simulacin Risk de un modelo de inventario.xls

Simulacin de lanzamientos

A Juan le gusta el juego de dados en el casino. El sospecha que tiene la oportunidad de
ganar sobre menos del 50 50, pero l quiere encontrar la probabilidad de ganar en un
simple juego de dados.

Observe que no existen datos en este problema, solo las reglas del juego.

Solucin:

Se simulara un simple juego, corriendo esta simulacin para muchas iteraciones, se puede
estimarla probabilidad de que Juan gane en un simple juego de dados. Si su intuicin es
correcta (seguramente debe ser, o el casino no podra estar haciendo negocio), esta
probabilidad debe ser menos que el 0.5.

Desarrollo del Modelo de Simulacin:

El modelo de simulacin para un simple juego se puede observar en la siguiente figura:

Simulacin
Introduccin

R. De La T. 255


Hay un problema sutil aqu. No se sabe cuntos lanzamientos son necesarios para
determinar el resultado de un simple juego. Tericamente, el juego puede continuar por
siempre con el jugador esperando para que la suma de puntos sea 7. Sin embargo esto es
improbable, se dice, que 40 lanzamientos son necesarios para un simple juego (esto se
puede demostrar desde el punto de vista de matemticas probabilsticas, no se presentara
en este problema). Por lo tanto se simularan 40 lanzamientos y se usaran solo los
necesarios para determinar los resultados de un simple juego, los pasos que se requieren
para simular un simple juego se presentan a continuacin.

1. Simular Lanzamientos. Simulamos los resultados de 40 lanzamientos en el
rango de B5:D44 Introduciendo la instruccin:

=RiskDuniform ({1, 2, 3, 4, 5, 6})
En las celdas C5 y B5
Y la instruccin
=Suma (B5:C5)
En la celda D5 de aqu se copia esto al rango B6:D44. La funcin @Risk
RiskDuniform toma la lista de nmeros y selecciona al azar uno de estos seis
nmeros del dado, donde cada nmero tiene una probabilidad igual (en este caso
Simulacin
Introduccin

R. De La T. 256
de 1/6). Observe que la D indica a la funcin @Risk que es una distribucin
uniforme discreta.

2. Lanzamiento y Resultados determinacin de los resultados del primer
lanzamiento de los dados con la instruccin.

=SI (O (D5=7, D5=11), 1, 0)
=SI (O (D5=2, D5=3 D5=12), 1, 0)
Y
=SI (Y (E5=0, F5=0), Si, No)

En las celdas E5, F5, y G5 observe que se usa un O condicional y verifica si
Juan gana enseguida. De forma similar, el O condicional en la celda F5 verifica
si el pierde enseguida. En la celda G5, se usa el Y condicional y verifica que
ambas celdas E5 y F5 sean 0 (cero) en cuyo caso el juego continuo. A parte de
esto el juego contina.

3. Resultados de los otros Lanzamientos. Asumiendo que el juego contina ms
all del primer lanzamiento, Juan recalca este valor en la celda D5. Entonces se
espera para un lanzamiento en la celda D5 de 7 u otro, cualquiera que ocurra
primero. Para implementar esta lgica se meten las instrucciones:

=Si (O (G5=No, G5=),, Si (D6=$D$5, 1 ,0))
=Si (O (G5=No, G5=),, Si (D6=7, 1 ,0))
=Si (O (G5=No, G5=),, Si ( Y (E6=0, F6=0),Si, No))

En las celdas E6, F6 y G6y se copian estas instrucciones al rango E7:G44 el O
condicional en cada instruccin verifica si el juego a terminado sobre el
lanzamiento previo, en cualquier otro casos la celda ser grabada en blanco. En
otros casos las primeras dos instrucciones verifican si Juan gano o predio en el
lanzamiento, si ambas instrucciones regresan un Cero, la tercer instruccin
regresa que Si (y el juego continua). En otra situacin se regresa con No (y
el juego termina).

4. Resultados del J uego si se quiere conservar las caractersticas del juego en
@Risk y determinar si Juan gano o perdi y cuantos lanzamientos se
requirieron, para determinar esto se introducen las siguientes instrucciones:
=Suma (E5:E44)
=Contar (E5:E44)

En las celdas J 5 y J 6 y se designan como celdas de resultados de @Risk. Observe
que ambas funciones, Suma y Contar ignoran las celdas que estn en blanco.

5. Resumen de la Simulacin. Aunque se obtienen varios resultados en @Risk el
resumen final de el lanzamiento de dados se obtiene por medio de la instruccin:
Simulacin
Introduccin

R. De La T. 257

=RiskMean(J 5)

En la celda J 8 y copiamos esta a la ceda J 9 como lo indica el nivel, la instruccin
Riskmean inicia con un promedios de 0 (ceros) y 1 (unos), esto solo es la fraccin
donde Juan Gana. El promedio en la celda J 9 es el promedio de nmero de
jugadas hasta que el juego es terminado.

Corriendo la Simulacin

El nmero de iteraciones se hizo con 10,000 (y el resultado debe ser muy aproximado a la
realidad) y el nmero de simulaciones igual a 1, y se corre mla simulacin normalmente.

Discusin de los resultados de la simulacin


Simulacin
Introduccin

R. De La T. 258
@RISK Output Graphs
Simulation: 1 / Output: ganador?
Simulation: 1 / Output: Numero de lanzamientos


Despus de correr @Risk se obtiene el resumen de los resultados en la celda J 8 y J 9. El
inters principal es el promedio en la celda J 8 porque aqu se representa la mejor
estimacin de la probabilidad de ganar 0.484 (una probabilidad que se puede utilizar
como se muestra en la probabilidad exacta del ganador de dados es 0.493). Tambin se
observa el promedio de lanzamientos necesarios para determinar resultados del juego
3.374 el mximo nmero de lanzamientos que se necesita es 33)





Simulacin
Introduccin

R. De La T. 259

P.-Una compaa constructora est tratando de hacer una oferta sobre un proyecto de
construccin. La constructora prev que necesita $10,000 dlares para terminar el
proyecto (si es que gana el contrato) y le costara $350 dlares preparar la oferta. Existen
por lo menos cuatro competidores potenciales que estn interesados en realizar el
proyecto al igual que la compaa. Las oferta ms baja ganara el contrato, y al ganador se
le dar el contrato por la cantidad necesaria para terminar el proyecto, basado sobre el
pasado la compaa cree que cada competidor potencial independientemente tienen una
probabilidad de 0.5, tambin cree que los costos de sus competidores son mltiplos de su
propia presupuesto para terminar el proyecto, donde estos mltiplos tienen una
distribucin de probabilidades triangular cuyos valores son Tran (0.9, 1.3, 2.5). Si la
compaa decide preparar la oferta y esta cantidad ser mltiplos de $500 entre el rango
de $10500 hasta $15,000.

La compaa quiere utilizar la simulacin para determinar qu estrategia utilizar para
maximizar la expectativas de ganancias.

Solucin:

La lgica es directa. Primero se simularan el nmero de competidores quienes intentaran
concursar, luego la constructora har la propuesta y se observa si esta gana el concurso, y
si es as, cul ser su ganancia.

Desarrollo del Modelo de simulacin

El modelo de simulacin se muestra en al siguiente figura, el modelo se desarrollara
siguiendo los siguientes pasos (observe que este modelo no verifica la posibilidad de que
gane la constructora que se est analizando, pero esta situacin es relativamente simple, si
la constructora no ofrece una oferta, estas utilidades sern seguro $0)
Simulacin
Introduccin

R. De La T. 260


1. Entradas. Son las celdas grises y se incluyen los costos de la constructora y sus
posibles ofertas, el nmero de competidores y la probabilidad de que le den el
contrato a los competidores, los parmetros de las distribuciones triangulares.

2. Precios de la compaa. Se examinan todas las ofertas de precio de manera
simultnea de la compaa por medio de la funcin RiskSimtableen la celda C15.

=RiskSimtable (D15:M15)

Como con todos los usuarios de esta funcin, en la hoja de clculo se muestran el
valore para la primera propuesta, cuando se corre la simulacin, se ver las
propuestas para todas las ofertas.

3. Competidores y sus propuestas. Generalmente los nmeros aleatorios de los
competidores quienes ofertan. Esta tiene una distribucin binomial con 4 pruebas
y probabilidad de sucesos igual a 0.5 para cada oferta, as se mete la instruccin:

=RiskBinomial (B7,B8)

En la celda B18, entonces la oferta para los competidores para los competidores
quienes ofertan en el rengln 21.
Simulacin
Introduccin

R. De La T. 261

=SI ($B$18>=B20, RiskTriang ($B$11, $B$12, $B$13)*$B$5,)

En la celda B21, estos generalmente propones oferta quienes concursan y si no se
ponen en blanco (recordando que los valores que propongan los competidores son
mltiplos de la propuesta de la constructora) se calcula el valor ms pequeo de
esos (si es que hay uno) en la celda B22 con la siguiente instruccin.

=SI (B16 >=1, Min (B21:E21,)

Por supuesto, que la compaa constructora no sabe de esas propuestas hasta que
las presentan.

5. Gano el Contrato? Se calcula el ganador del contrato introduciendo la siguiente
instruccin:

=SI (O (B15<B22, B18=0), 1, 0)

En la celda 24. Aqu 1 significa que la compaa gano el contrato y 0 que un
competidor se llevo el contrato. Por supuesto que si no hay ofertas de los
participantes, seguramente la compaa ganara, entonces designamos esta celda
como una salida de @RI SC. Seleccionando la celda y luego se hace clic sobre el
botn AddOutput sobre la barra de herramientas de @Risk. Ahora se le podr dar
un nombre a esta salida, se le llamara Ganador del Concurso

5. Compaa Ganadora si la compaa presento una propuesta, la propuesta de
costo es perdida. Ms all, que la utilidad de la compaa el mnimo de la
cantidad ofertada para la terminacin del proyecto, si la oferta es ganadora. Si no
la compaa no har nada.

=Si (B24=1, B15-B5, 0)-B4

En la celda B25: entonces designamos a esta celda como una salida adicional de
@Risk (se nombrara como ganancia).

Corriendo la Simulacin

El conjunto de iteraciones se propone de 1000 y el nmero de simulaciones de 10 por la
compaa quiere 10 propuesta. Tambin se continuara con el escenario de los reportes en
@Risk que resume las salidas y las grafica.

Discusin de los Resultados de la Simulacin

El resumen de los resultados aparece en la siguiente figura para cada simulacin, esto es
cada propuesta. Hay dos salidas 1 0 que indican si la compaa gana el contrato y si
Simulacin
Introduccin

R. De La T. 262
tiene utilidades. Un pequeo proceso puede ser convincente para cada uno de esos
valores que pueden tener dos posibles valore (1 y 0) y una sola cantidad (propuesta).



Por ejemplo si la compaa oferta $12000 uno de los otros puede ganar, tanto la utilidad
es de $1650 o -$350 esto se refleja en el histograma de las ganancias para las cantidades
ofertadas donde solo existen dos barras. Las dos posibles barras de la salida aparecen
como mnimas y mximas

Simulacin
Introduccin

R. De La T. 263


En la columna de la media contiene el promedio de los valores sobre las mil iteraciones,
por ejemplo la media es de 0.75 para que gane la licitacin, aqu se indica que para que
la constructora gane es el 75% de las veces ganar cuando se proponga $12000
















Simulacin
Introduccin

R. De La T. 264


La media de la utilidad es de 1150 que es el promedio para las dos posibles cantidades de
$1650 y -$350 los otros resultados se pueden interpretar de la manera similar.

Podr ofrecer ms o menos la compaa? , est claro que la compaa puede ofrecer,
no esperar una alta ganancia. Mientras que todos los posibles ofrecimientos que sean
positivos para una ganancia con posibilidades de perder ms de $350. Si la compaa
maximiza el posible valor esperado, entonces los $13,000 de ofrecimiento pueden ser los
elegidos porque la media es la ms alta $1399, si los ejecutivos de la compaa tiene
temor, una pequea cantidad adicional puede ser atractiva, como la cantidad ofrecida se
incrementa, pero existe tambin la posibilidad de no ganar y tambin el porcentaje se
eleva de perder.

Desarrollo de un nuevo automvil por Ford

Ford est desarrollando un nuevo auto compacto. Este auto se estudiara para las ventas de
los prximos 5 aos. Ford tiene que reunir informacin acerca de las cantidades
enfocadas en los grupos de mercadeo e ingeniera.

Simulacin
Introduccin

R. De La T. 265
- Costos fijos para el desarrollo del auto el costo del desarrollo ser de 1.4 billones
de dlares, estos costos sern desde el primer ao hasta despus de que se registre
una venta.

- Margen por auto. Esta unidad en el precio de venta mnimo del costo variable de
produccin de un auto, Ford asume que en el ao 1 el margen ser de $5000
dlares, todos los siguientes aos se asume que el margen de utilidades decrecer
en 4%.

- Ventas. La demanda para este auto es una cantidad incierta. El departamento de
ventas de Ford asume, que el nmero de autos vendidos durante el primer ao
tiene una distribucin triangular con los siguientes parmetros 100,000, 150,000
y 170,000 todos los aos la compaa tambin asume que sus ventas decrecern
en un porcentaje, donde este porcentaje tendr una distribucin triangular con los
siguientes parmetros 5%, 8% y 10%. Ford asume que el porcentaje decrece en
los aos siguientes independientemente de cada uno de los aos.

- Depreciacin e I mpuestos. Ford deprecia el costo del desarrollo sobre una lnea
bsica sobre la vida del automvil. El corporativo tiene un impuesto promedio del
40%.

- Tasa de descuento. Ford calcula este costo en un 15% del capital.

Objetivo. Simular el flujo de caja del nuevo automvil, del desarrollo del auto hasta el
final del ciclo de vida. Tanto que la compaa pueda estimar el valor actual VNA despus
de impuestos

De dnde viene la informacin?

Este desarrollo tiene mucha informacin de entrada, que se debe obtener de los expertos
de la compaa y de grupos que puedan representar a los clientes.

Este es un modelo financiero multi-anual, este modelo se deber extender algunos aos,
pero se deber tener nfasis en el primer y segundo ao y en los aos posteriores
seguramente ser una copia del segundo ao.

Desarrollo de la Simulacin

El desarrollo del modelo de simulacin de la Ford se muestra en la siguiente imagen y
donde se podr ver lo siguiente:

1. Entradas. Introducir los datos en las celdas grises.

2. Ventas unitarias. Generar las ventas anuales en la celda B12 con la expresin:
Simulacin
Introduccin

R. De La T. 266
=RiskTriang (E5, F5, G5)



Entonces al generar la reduccin de ventas en los aos siguientes introduciendo la
siguiente expresin:

=B12*(1-RiskTriang ($E$6, $E$6, $F$6))

En la celda C12 y se copia cruzando el rengln 12. Observando que cada venta es
una fraccin aleatoria de la venta previa.

3. Contribucin. Calcular la contribucin unitaria en el rengln 13 introduciendo la
expresin:

=B5
=B13*(1-$B$6)
En las celdas B13 y C13 y copiando estos del otro lado. Entonces se calcula la
contribucin en el rengln 14 como el producto del valor correspondiente en los
renglones 12 y 13.

Simulacin
Introduccin

R. De La T. 267
4. Depreciacin. Se calcula la depreciacin cada ao en el rengln 15 con el
desarrollo del costo en la celda B4 dividido entre 5. esto significa la depreciacin
de los recursos.

5. Utilidades antes y despus de la tasa de impuestos. El clculo de la tasa de
impuestos en un ao, se debe extraer la depreciacin de la contribucin total de
cada valor en el rengln 16, esta diferencia entre los valores correspondientes en
los renglones 14 y 15. la razn es que la depreciacin no es un impuesto. El
clculo de las utilidades despus de impuestos esta en el rengln 17, se
multiplicara el valor de las utilidades antes de impuesto por 1 menos la tasa de
impuestos de la celda B7. finalmente el flujo de caja en el rengln 18 es la suma
de los valores correspondientes en los renglones 15 y 17. Aqu se agrega la
depreciacin para obtener el flujo de caja.

6. NVP. Se calcula el valor actual del flujo de caja en la celda B20 con la expresin:

=-B4+NPV (B8, B18:f18)

Aqu se asume que el desarrollo de costos por el diseo y construccin del automvil, ya
que no es discontinua y que se asume que el flujo de caja ocurre al final del ao, esto
permite calcular el valor presente de forma directa.

Corriendo la simulacin

El nmero de iteraciones (operaciones) ser de 1000 y el de simulaciones de 1 y entonces
se corre la simulacin de forma normal.

Discusin de los resultados de la simulacin

Despus de correr @Risk se obtiene un resumen de la cantidad total del NVP del flujo de
caja y el histograma de las siguientes figura. Esos resultados son un tanto reconfortantes
pero tambin una causa de inquietud para Ford. Sobre el lado positivo la media del valor
actual del flujo de caja es 135 billones y existe un riesgo de que el valor actual pueda
marchar por lo antes dicho, equilibrando a casi 400 millones, no obstante existe algo
oscuro del lado como se muestra de los dos lados del histograma. Como lo indica el
histograma existe un 84% de posibilidades NVP pero existe un 16% de que el NVP sea
negativo, la segunda grafica esta posicionada con el 5% del escenario. El anlisis
financiero llama a este percentil variable de riesgo o Varianza, porque indica casi el peor
resultado posible. Desde esta simulacin se puede ver que Ford tiene una varianza de
$86 millones de perdida

Simulacin
Introduccin

R. De La T. 268







Que es lo ms sensible para la enorme variabilidad en el NVP, el primer ao de ventas o
la variabilidad de ventas anuales decrece. Se puede contesta esto la grfica de tornado de
@Risk para obtener esta grafica.

Se lleva el puntero de ratn sobre la variable de salida NVP, se oprime el botn derecho y
se obtiene una serie de opciones de grficos, se selecciona el tornado, marcado en color
azul
Simulacin
Introduccin

R. De La T. 269





Simulacin
Introduccin

R. De La T. 270


Esta grafica contesta las preguntas de una manera muy enftica. La variabilidad en el
primer ao de ventas est muy lejos de ser influenciada por el NVP esta correlacin casi
es perfecta con el NVP. Las ventas anuales decrecen y no son muy importantes, pero
tiene mucho menor efecto en el NVP. Si Ford quiere tener algo ms favorable en la
distribucin NVP, esto lo puede hacer estimulando el primer ao de ventas y hacer que
este primer ao tenga una distribucin menos variable

Estudio de Garanta de una Cmara de fotografa

Una compaa vende una popular cmara, por $250 dlares, esta cmara tiene una
garanta de un ao ante cualquier falla. Si la cmara falla en un perodo de 1.5 aos, la
compaa sustituir la cmara por una nueva totalmente gratis. Si la cmara falla despus
de 1.5 aos, la garanta ya no tiene ningn efecto. Todas las cmaras reemplazadas tienen
la misma garanta que la original, y el costo que tiene la compaa por sustitucin por una
nueva cmara es siempre $185 Dlares. Use la simulacin para estimar cuantas salen a la
venta, el nmero de cmaras a reemplazar por garanta y el Valor presente NPV de la
utilidad de la venta y use un inters del 12% anual (perdida del valor del dinero)

Simulacin
Introduccin

R. De La T. 271

Solucin:

La aleatoriedad de este problema est en funcin de que la nueva cmara falle. La
compaa puede estimar la distribucin de tiempo hasta que falle en base a los datos
histricos, esto indica probablemente una distribucin sesgada a la derecha.
Simulacin
Introduccin

R. De La T. 272


Si se busca de las distribuciones disponibles de @Risk se podr observar algunas con esta
forma bsica, como se muestra en la figura anterior y esta se llama distribucin Gamma ,
se usara esta distribucin en el ejemplo, tambin se podrn usar otra como una triangular.

Seleccionando una distribucin Gamma

La distribucin Gamma se caracteriza por tener dos parmetros, llamados y estos
determinan la forma de la distribucin, por medio de estos dos parmetros se determina la
media y la desviacin estndar o| = o | o = , si se estima la media y la desviacin
estndar se puede calcular los valores de y .
2
2
o

o = y

o
|
2
= por ejemplo si se quiere una distribucin con media () de 2.5 y una
desviacin estndar de 1 25 . 6
1
5 . 2
2
2
= = o y 4 . 0
5 . 2
1
2
= = | estos valores se presentaron
en la figura anterior y son los valores usados en el ejemplo.




Simulacin
Introduccin

R. De La T. 273
Desarrollo del Modelo de Simulacin

El modelo de simulacin se observa en esta hoja de clculo. Donde se presentan dos
fallas sin garanta, sin embargo el tiempo de vida del segundo reemplazo celda D17 es
ms grande que 1.5, la compaa realiza solo dos costos por reemplazo como se observa
en las celdas B19 y C19 el modelo se desarrolla siguiendo los siguientes pasos:

1) Introducir los datos en las celdas.

2) Parmetros de la distribucin (Gamma) como se describi previamente se
introducirn los parmetros de la media y desviacin estndar en las celdas B5 y
B6, se muestra a continuacin
2
2
) 6 (
) 5 (
B
B
= o y
) 5 (
) 6 (
2
B
B
= | en las celdas B7 y B8
3) Vida de la cmara y falla se simulara la vida de 5 cmaras con su correspondiente
falla. (porque solo 5?, se pueden generar ms , pero es extremadamente probable
que fallen ms de cinco cmaras en el periodo de garanta) Como la vida de las
cmaras tiene una garanta de 1.5 aos.

=RI SKGAMMA (B7, B8)
=SI (B17< B10, RISKGAMMA (B7, B8),NA) y
=SI (C17=NA,NA, SI (C17< $B$10, RISKGAMMA ($B$7, $B$8),NA))

En la celda B17, C17 y D17 y copie las formulas a las celdas E17 y F17estas
formulas garantizan que una vez NA este grabada en la celda, todas las celdas
de lado derecho contendrn NA al obtener el tiempo de la falla, con respecto al
tiempo cero cuando el cliente original compra la cmara, se introduce la formula
=B17 y

=SI (C17= NA,NA, B18 +B17)

En las celdas B18 y C18 y copiamos estos en el rengln. Estos valores son
usados para el clculo, porque se necesita saber con exactitud cuando ocurre el
flujo de caja.

4) Costos y costos discontinuos. En el rengln 19 se introduce el costo de reemplazo
( $185) o 0 (cero) dependiendo si ocurre una fallas en el periodo de la garanta, y
en el rengln 20, se discutir este costo de sustitucin en el tiempo cero, usando
el tiempo de falla en el rengln 18, esto se hace de la siguiente frmula:

=SI (B17=NA, 0, SI (C17<$B$10, $B$12, 0) y
=SI (C17=NA, 0, SI (C17 <$B$10, $B$12,0))
En la celda B19 y C19 y copie la formula que cruza el rengln 19, por lo que se
introduce la siguiente frmula:

Simulacin
Introduccin

R. De La T. 274
=SI (B19>0, B19/ (1 +$B$13)^B18,0)
En la celda 20 y copiar al cruzar con el rengln 20, esta frmula usa el famoso
factor del valor presente (de variables discretas) del flujo de caja, donde t es el
tiempo t
t
r) 1 (
1
+
= donde r es la tasa promedio de inters.

5) Salidas calcula dos salidas, el nmero de fallas sin garanta y el NPV de la
ganancia con la formula :

= SUMAR.SI(B19:F19,>0) y
=B11-B12-SUMA (B20:F20)
En la celda B22 y B23. Se designan esas dos Como celdas de salidas RISK. Observe que
el NPV es un valor marginal de venta mnimo no continuo y es la suma de los costos que
son reemplazados por garanta

Discusin de los resultados de la Simulacin

El resumen estadstico y de los histogramas para las dos salidas aparecen en la siguientes
figura y se muestra un clara grafica. Cerca del 85% del tiempo no hay fallas en el periodo
de garanta y la compaa tiene una utilidad de $65 en las cmaras vendidas. Existe una
probabilidad del 12.4% de que falle exactamente una cmara, en este caso la compaa
pierde aproximadamente $100 del NPV. Adicionalmente existe una probabilidad de 2.6%
de que existan ms fallas en el periodo de la garanta y las perdidas son ms grandes. En
los 1000 clculos, el mximo nmero de fallas en el periodo de garanta fue de 3, y la
mxima perdida fue de $392.5 en promedio y el NPV de las ganancias fue de $36.40















Simulacin
Introduccin

R. De La T. 275
@RISK Output Graphs

Simulation: 1 / Output: Fallas sin garantas


















Simulation: 1 / Output: NPV ganancia del cliente


















Estos resultados indican que la compaa no tiene altos costos derivados de la garanta, la
compaa puede reducir los costos por los efectos de la garanta. Primero podra
incrementar el precio de la cmara, segundo podra decremento el periodo de tiempo de la
garanta de 1.5 a 1 ao. Tambin podra cambiar los trminos de la garanta. Por
ejemplo podra proponer que la cmara se sustituir totalmente gratis si falla en primer
ao de vida y si falla entre 1 y 1.5 aos el cliente pagara un porcentaje del valor de la
cmara. Finalmente se le podra vender al cliente una extensin de la garanta.

Simulacin
Introduccin

R. De La T. 276
Planeacin de la produccin de un laboratorio farmacutico

Un laboratorio recientemente acepto una orden del mejor cliente que tiene para producir
8000 onzas de un nuevo frmaco. El laboratorio quiere planear y calendarizar la
produccin para entregar el producto el da 1 de Diciembre. Existen tres fuentes de
incertidumbre que dificultan la planeacin. Primero, el frmaco debe ser producido en
lotes, y tambin existe incertidumbre en el tiempo requerido para fabricar el lote y este
podra ser de 5 a 11 das, esta incertidumbre se describe por medio de una distribucin de
probabilidades discreta.

Das Probabilidad
5 0.05
6 0.10
7 0.20
8 0.30
9 0.20
10 0.10
11 0.05

Segundo, la cantidad de este lote es incierta, basndose sobre los datos histricos, los
ejecutivos del laboratorio creen que puede ser modelada el tamao del lote en base a una
distribucin Triangular (600, 1000, 1100) onzas. Tercero todos los lotes deben ser
inspeccionados rigurosamente despus de ser fabricados. La probabilidad de que un lote
pase la inspeccin es de solo el 80%. La probabilidad de no pasar la inspeccin es del
20%, esta situacin hace que el producto desechado no se puede usar para otra orden. El
laboratorio necesita realizar una simulacin para decidir en cuantos das previos debe
iniciar la fabricacin.

Solucin:

La idea de simular lotes sucesivos es para completar la produccin, determinar si pasa la
inspeccin y para conservar el total de onzas obtenidas y si estas pasaron la inspeccin.
Cuando se usa la instruccin SI es para verificar si la orden si cumpli y si se requieren la
produccin de ms lotes. Se simulara los lotes necesarios para completar la orden y se
guardara la gua de los das requeridos para la produccin de todos los lotes en ese
entendido se puede respaldar cuando se inicia la produccin y cuando se debe llegar a la
meta. Por ejemplo, si la simulacin indica que la orden requiere de 96 das, la produccin
debe iniciar el da 27 de agosto y terminar el 1 de diciembre.

Desarrollo del modelo de simulacin

El modelo completo se puede observar en la siguiente figura y se puede desarrollar como
se indica a continuacin:

Simulacin
Introduccin

R. De La T. 277
Planeacin de un farmaco.xls



1. Entrada meter los datos en las celdas.

2. Lotes I ndexados no se sabe en el futuro cuantos lotes sern necesarios para
completar la orden. Se quiere tener los suficientes renglones para cubrir todas las
posibilidades de simulacin. Despus de hacer algunas pruebas. Se ha
determinado que 25 lotes sern seguramente suficientes. Por lo que se
introducirn lotes indexados de 1 a 25 en la Columna A de la seccin donde se
efectuara la simulacin (si 25 renglones no son suficientes se podrn siempre
agregar mas). La idea, entonces es llenar por completo el rango B29:F53 con las
formulas, ahora se usa la funcin SI en las ecuaciones, para que si no hay
suficiente producto para completar la orden, se insertaran blancos en las celdas
sobrantes.


Simulacin
Introduccin

R. De La T. 278
3. Das para lotes simular los das que se requieren para producir un lote se aloja en
la columna B, esto hace que se meta la siguiente ecuacin:

=Risk discrete (B13:B19, C13:C19)
=Si (O (F29=Si, F29=), Riskdiscrete ($B$13:$B$19, $C$13:$C$19))

En las celdas B29 y B30 y se copiara la formula en la celda de abajo B53 Si se
observa la funcin SI introduce un espacio en blanco en la celda si cualquiera de
las dos condiciones es verdadera: la orden fue completar el lote previo, o si fue
completado en algn momento. Una lgica similar aparecer mas tarde.

4. Producir lotes. Simular la produccin de lotes en la columna C. para hacer esto se
introduce la siguiente frmula:

=RiskTriang (B23, C23, D23)
=Si (O (F29=Si, F29=),, RiskTriang ($B$23, $C$23 ,$D$23)

En las celdas C29 y C30 y copiar esta frmula en la celda C5.

5. Aprueba la I nspeccin? Verifica que cada lote apruebe la inspeccin con la
siguiente ecuacin:

=Si ( Aleatorio () < B25,Si,No
=Si (O (F29=Si, F29 =, Si (aleatorio () < $B$25,Si,No))

En la celda D29 y D30 y copiar la formula bajo en la celda D53 se observa que se
puede usar en @Risk la funcin Riskuniform (1,0) en lugar de Aleatorio () pero
se advierte que realmente no existe ninguna ventaja el utilizar la funcin
RiskUniform (1,0) debido a que solamente son equivalentes (en la versin
educativa est limitada a utilizar solo 100 funciones de @Risk por modelo, es
buena idea sustituir funciones de Risk por funciones de Excel en la medida de lo
Posible).

6. Arreglar el llenado mantener y rastrear la produccin acumulable de la
produccin y se muestra en las columnas en E y F introduciendo la ecuacin.

=Si (D29=Si, C29, 0)
=Si (E29>=B8,Si,Todava No

En las celdas E29 y F29 para el lote 1, entonces se introduce la ecuacin general.

=Si (O ((F29=Si, F29=),Si (D30=Si, C30+E29,E29))
=Si (O (F29=Si, F29=),, Si (E30>=$B$8,Si,Todava no

Simulacin
Introduccin

R. De La T. 279
En la celda E30 y F30 y copiar esto abajo en el rengln 53 observe que la entrada
en la columna F es Todava No si la orden Todava no se completo. En el
rengln donde se completa la orden se cambia la respuesta a Si y entonces un
espacio en blanco se pone en los siguientes renglones.

7. Resumen de medidas calcular los lotes y los das requeridos en las celdas I 28 e
I 29 con la siguiente frmula:

=Contar (B29:B53)
=Sumar (B29:B53)

En esas dos celdas se usan para las salidas de @Risk. Tambin, calculamos el da
de la orden de inicio y la fecha de terminacin en la celda I 30 con la formula:

=B9-I 29
Esta frmula se usa para la resta de fechas y determinar el nmero de das (se
asume por simplicidad que todos los das de la semana son hbiles) .

Con esto se completa el desarrollo del modelo de simulacin, lo que est en la columna
H es una explicacin corta.

La Corrida de la Simulacin

El numero de iteraciones (clculos) de 100 una sola simulacin y se correr de la misma
forma que los ejemplos anteriores.

Discusin de los resultados de la simulacin

Despus de correr la simulacin, se obtienen los histogramas del nmero de lotes y das
requeridos.
Simulacin
Introduccin

R. De La T. 280
@RISK Output Graphs
Simulation: 1 / Output: Lotes requeridos
Simulation: 1 / Output: Dias para terminar



Como se puede observar en estos histogramas, las preguntas claves son:

- Cuantos lotes son necesarios?

- Cundo iniciar la produccin?

Las respuestas a esas preguntas, es una prctica de las funciones estadsticas de @Risk
estas funciones que algunas no se han puesto en prctica. Las cuales se introdujeron en la
hoja de Excel. (Esta informacin se obtiene justo despus de la corrida de la simulacin).

Simulacin
Introduccin

R. De La T. 281
Para responder la primer pregunta se introduce la siguiente funcin.

=RiskMax (I 28)

En la celda I 33 se muestra que el peor escenario de las 100 iteraciones (operaciones) en
base al nmero de lotes requerido es 12 (ver hoja de Excel).

Se puede contestar la segunda pregunta por dos caminos diferentes. Primero se puede
calcular en resumen los das necesarios para lograr la produccin. Esto se hace en las
celdas de I 35:J 39 y las formulas usada son las siguientes:

=Entero (RiskMean (I 29)
=RiskMin (I 29)
=RiskMax (I 29)
=RiskPercentil (I 29, 0.05)
=RiskPercentil (I 29, 0.95)

De otra forma se pueden obtener estos resultados usando una funcin de @Risk de
acuerdo a la siguiente funcin:

=RiskTarget ($I $29, $B$8-H42)

En la celda I 42 hacia abajo. Esta funcin regresa las fracciones de las iteraciones donde
el (aleatorio) valor en el primer argumento es menor o igual al (fijado) valor en el
segundo argumento. Por ejemplo, se observa que el 85.1% tiene un valor en das menor o
igual a 108, el nmero de das de agosto 15 hasta el vencimiento.

Que se le recomendara a la farmacutica? Que con el 95% inicie la produccin en julio
30, entonces ah solo el 5% de oportunidad de falla de recibir al vencimiento, pero en la
tabla de rangos H42:I46 tambin se debe aprovechar la informacin, para cada inicio de
fecha potencial.



Modelo Perdido de Erlang

Todos los resultados estn lejos de lo posible porque las distribuciones exponenciales y
las propiedades con menor memoria. Si se asume la funcin exponencial, para otros
intervalos de tiempo o servicio, la derivacin matemtica ser ms difcil y los resultados
son escasos, en esta seccin se discutirn los resultados mejor conocidos de un sistema
no exponencial. En este momento se asume que las llegadas se comportan de acuerdo a
una distribucin de Poisson esto es una distribucin exponencial entre llegadas.

El modelo en esta seccin es el llamado Modelo Perdido de Erlang. La razn del trmino
perdido es que no existen salas de esperas, esto es que si una unidad llega al sistema y los
Simulacin
Introduccin

R. De La T. 282
servidores estn ocupados la unidad se pierde para el sistema, se seguir considerando a
tasa de llegada y tasa de servicio esto es (1/ es la media del tiempo de servicio) y k es
el nmero de servidores. Entonces la distribucin esta especificada por
n
P , k n s s 0
donde
n
P es la probabilidad de que n usuarios estn en el sistema y n no debe ser ms
grande que k porque en este sistema no se permiten las colas.

La probabilidad
k
P es de un inters particular porque la probabilidad los k servidores
estn ocupados por lo tanto representa la fraccin de llegadas perdidas, por lo tanto
representa la tasa efectiva. La tasa de unidades que actualmente entran al sistema es
) 1 (
s
P , que generalmente es la tasa de llegada por la probabilidad de que una llegada
pueda entrar al sistema. Esto es la tasa de llegada que se usa para relacionar L y W , al
hacer esto, observe que el total de tiempo gastado (no en la lnea),

1
= W entonces la
formula se reduce a:

) 1 (
) 1 (
K
K
P
W P L

= = por supuesto
q q
W L , son irrelevantes
porque en este sistema no se permiten que se espere en la lnea.

P. suponga que el departamento de bomberos recibe un promedio de 24 peticiones por
bomba y por hora, y esas peticiones ocurren de acuerdo a una distribucin de Poisson.
Cada solicitud causa en las bombas que no estn disponibles en promedio de 20 minutos.
Se debe de tener un 99% de posibilidad de responder a la solicitud, cuantas bombas debe
tener el departamento de bomberos.

El objetivo es usar la distribucin perdida de Erlang para determinar el nmero de
bombas que debe tenerse siempre disponibles.

Solucin

La tasa media y la media de servicio pueden estar disponibles por medio de los datos
histricos. Observe que para la distribucin del tiempo de servicio, se necesita la media
de 20 minutos. El modelo de la distribucin perdida de Erlang es entonces relevante. A
pesar de que como el servicio tiempo actual vara alrededor de esta media.

El modelo es un problema de lneas de espera que se identificara a los solicitantes de
bombas como clientes (unidades) y a las bombas como canales de servicio- entonces el
aspecto clave de este problema es que no hay lneas de espera para el servicio. Si la
solicitud ocurre cuando una de las bombas est disponible (se asume que cada solicitud es
servida por una sola bomba) ahora bien si no hay bombas disponibles, entonces la
solicitud no es satisfecha, este problema es un modelo tipo M/M/k con un tamao de
lnea de espera igual a cero, donde k es el nmero de bombas (un valor determinado), la
diferencia de este modelo es que no se asume una distribucin exponencial para la tasa de
servicio, todo lo que se afirma es que la media de servicio es de 20 minutos, porque existe
Simulacin
Introduccin

R. De La T. 283
una probabilidad mnima de tiempo de que el servicio deba estar excedido si se asume la
distribucin exponencial es casi seguro que no es aplicable, es ms real que se asuma una
distribucin no exponencial para la distribucin de servicio.

Plantilla de la Hoja de Clculo

El enfoque principal es
k
P , las fracciones que solicitan un servicio y que no existe un
canal disponible (bombas), se quiere que este valor no sea ms grande de 0.01, se debe
desarrollar una plantilla que calcule esta y otras cantidades de manera contina. Vea en la
siguiente figura:



Como en todos estos macros es necesario introducir la informacin que se pide y oprimir
el botn de Calcular. Se harn los siguientes comentarios sobre esta plantilla-

1. la tasa de servicio es entera como normalmente se est usando. Para este ejemplo
tiene un valor de tres por hora, porque cada servicio se solicita en promedio cada
20 minutos. Otra vez el tiempo de servicio no es una tasa exponencial, lo nico
que se necesita es saber es la tasa del servidor.
2. el macro calcula la distribucin continua en las columnas E y F y la ltima
cantidad reportada est en la celda B12. esta es la fraccin de las llegadas
perdidas, se puede obtener una tasa efectiva de llegada, L y W con una formula
simple en la celda B13 a B15.
Simulacin
Introduccin

R. De La T. 284

Discusin del Resultado

Al analizar las metas del departamento de bomberos es satisfacer en un 99% de las
peticiones, se necesita un nmero de bombas, en la celda B7 y el porcentaje de las
llamadas perdidas se ubica en la celda B12 que no debe ser mayor que 1%, los
resultados que aparecen en la hoja de Excel anterior es de 15 bombas (propuesta que
se debe realizar por el usuario de este macro). usando este valor tenemos como
resultado que la tasa promedio de solicitudes que pueden ser servidos es de 23.782,
esto es que la tasa promedio de llegada se aproxima a 24 llamadas/hora. etc.

Salida para el ejemplo de las bombas de los bomberos:

Nmero de Bombas Porcentaje de solicitudes perdidas
12 5.1%
13 3.1%
14 1.7%
15 0.9%
16 0.5%

P.- Una compaa refrsquera produce six packs (latas de refresco). Cada lata debe
contener al menos 12 onzas. Si el total del volumen de un six pack est por debajo de
72 onzas, la compaa deber de pagar $100 pesos y no recibir importe por la venta
del paquete. Cada paquete es vendido en $3 pesos y a la compaa le cuesta 0.2 pesos
llenar por onza en las lata. La compaa puede controlar el promedio de llenado de
las latas.

La cantidad de refresco que la maquina llenadora tiene un distribucin normal con
una desviacin estndar de 0.10 onzas. (Media de 12 onzas)

Asuma que el volumen de cada lata en un six pack tiene 0.8 de correlacin con
respecto a las otras latas en el paquete. Qu promedio de llenado (dentro de 0.05
onzas) maximiza la utilidad esperada por six pack?

Si el volumen de las latas del paquete son probabilsticamente independientes Qu
promedio de llenado (dentro de 0.05 onzas) maximiza la utilidad esperada por six
pack?

Explique la diferencia entre las respuestas del inciso a) y b).

Nota:- En probabilidad y estadstica, la correlacin indica la fuerza y la direccin de
una relacin lineal entre dos variables aleatorias. Se considera que dos variables
cuantitativas estn correlacionadas cuando los valores de una de ellas varan
sistemticamente con respecto a los valores homnimos de la otra: si tenemos dos
Simulacin
Introduccin

R. De La T. 285
variables (A y B) existe correlacin si al aumentar los valores de A lo hacen tambin
los de B y viceversa. La correlacin entre dos variables no implica, por s misma,
ninguna relacin de causalidad









































Simulacin
Introduccin

R. De La T. 286

SIMULACIN
1. Produccin con inspeccin

Se trata de simular el proceso de inspeccin de los mandos de control de televisores.
Los tiempos entre llegadas de los mismos sigue una distribucin uniforme entre 3.5 y
7.5 minutos. La inspeccin lleva un tiempo que se distribuye segn una Uniforme entre
6 y 12 minutos. Tras la inspeccin, si se detecta algn fallo (ocurre el 15% de las veces),
se enva a ser ajustado tras lo cual vuelve a ser inspeccionado. El ajuste lleva un tiempo
uniforme entre 20 y 40 minutos. Cuando un televisor pasa la inspeccin ( a la primera o
tras varios ajustes), se enva a la seccin de empaquetado, que no forma parte del modelo.

Solucin:
ANLISIS
Entidades y variables de estado:
Entidades
Nombre Descripcin
Atributos
Nmero
Nombre Descripcin Rango
Pieza - - - - 0 a infinito
Inspector - - - - 0 a 1
mecnico - - - - 0 a 1

Variables de Estado:
Nombre Descripcin Rango
Qinspector Cola de piezas en espera de
inspector
0 a infinito
Inspector Estado del inspector 0 libre
1 ocupado
Qajuste Piezas que esperan al mecnico para
ajuste
0 a infinito
ajuste Estado del mecnico 0 libre
1 ocupado

Lista de eventos:
Nmero Nombre actualizacin
1 Llegada de pieza al sistema Qinspector++
2 Inicio de inspeccin Qinspector-
Inspector=1
3 Fin de inspeccin Inspector=0
4 Llegada a cola de ajuste Qajuste++
5 Inicio de ajuste Qajuste++
Ajuste=1
6 Fin de ajuste Ajuste=0
Qinspector++
Simulacin
Introduccin

R. De La T. 287


Condiciones y Tiempos:
Evento origen Evento destino Condicin Tiempo
1 T0
1 1 - UNIF(3.5,7.5)
2 3 Inspector=0 -
3 2 Qinspector>0 -
3 4 U1<0.15 -
4 5 Ajuste=0 -
5 6 - UNIF(20,40)
6 5 Qajuste>0 -
6 2 Inspector=0 -

Lneas de espera:
Nombre Rango Tipo Clase Entidad
Qinspector 0 a infinito FIFO Normal Pieza
Qajuste 0 a infinito FIFO Normal Pieza
ColaInspector 0 a infinito FIFO Normal Pieza

Diagrama de Actividades:



Simulacin:





Simulacin
Introduccin

R. De La T. 288












Simulacin
Introduccin

R. De La T. 289














Simulacin
Introduccin

R. De La T. 290






Produccin con diferentes tipos de pieza

En una planta de fabricacin existen 2 tornos y 1 taladradora. Con ellos se fabrican dos
tipos de productos (1 y 2). Los tiempos de procesado en minutos de cada pieza son:

Producto Taladro Torno
1 3 Unif(2,3)
2 - Unif(1,2)

Se desea simular la fabricacin de 12 lotes de 5 piezas del producto 1 y 10 lotes de 8
piezas del producto 2, sabiendo que el tiempo entre llegada de cada lote de productos
Simulacin
Introduccin

R. De La T. 291
tipo 1 es de 14 minutos y el de los de tipo 2 sigue una exponencial de media 3 minutos.

SOLUCIN:
ANLISIS

Entidades y variables de estado

Nombre Descripcin
Atributos
Nmero
Nombre descripcin Rango
Tipo - 1 a 2
0 a infinito
Pieza - Ttorno - Real
Taladro - - - - 0 a 1
Torno - - - - 0 a 2

Eventos y actualizacin de variables:
Lista de eventos:
Nmero Nombre Actualizacin
1 Llegada inicial de un lote de 5 piezas tipo1 Qtaladro=Qtaladro+5
Tipo=1
Ttorno=UNIF(2,3)
2 Llegada de un lote de 8 piezas tipo2 Qtorno=Qtorno+8
Tipo=2
Ttorno=UNIF(1,2)
3 Inicio Proceso torno Qtorno-
Ntornolibre-
4 Fin proceso torno Ntornolibre++
5 Inicio proceso taladro Qtaladro-
NtaladroLibre-
6 Fin Proceso Taladro NtaladroLibre++
Qtorno++

Condiciones y tiempo:
Evento
origen
Evento
destino
Condicin tiempo
1 14
2 - EXPO(3)
1 5 NTaladroLibre>0 -
5 6 - 3
6 5 Qtaladro>0 -
6 3 NTornoLibre>0 -
3 4 - Ttorno
4 3 QTorno>0 -
2 3 NTornoLibre>0 -

Simulacin
Introduccin

R. De La T. 292


Colas (lneas de espera):
Nombre Rango Tipo Clase Entidad
Qtaladro 0 a infinito FIFO Normal Pieza
Qtorno 0 a infinito FIFO Normal Pieza

Diagrama de actividades:





































Torno1
Exterior
Llegada
Lote pieza1
Taladro
Ocioso
Espera
Taladro
Taladrar
Espera
Torno
Salida
Piezas1
Cola
Salida
Tornos
Ociosos
Torno2
Espera
Torno
Llegada
Lote pieza1
Exterior
Cola
Salida
Salida
Piezas2
Simulacin
Introduccin

R. De La T. 293