Académique Documents
Professionnel Documents
Culture Documents
Temas:
Programacin Dinmica
Introduccin a la simulacin
Aleatoriedad en simulacin
Simulacin de Monte Carlo
Simulacin de eventos discretos / continuos
Aplicacin de lenguaje de simulacin
Anlisis estadstico y validacin de resultados
Uso y aplicacin de software Flexim
Objetivo general:
El estudiante analizar sistemas complejos de personas, materiales,
mquinas e informacin a travs del diseo de modelos que permitan
simular su comportamiento; siendo capaz de comparar diferentes
alternativas de solucin con el fin de optimizar el funcionamiento del
sistema.
Forma de evaluar:
Examen 50%
Tareas 50%
PROGRAMACIN DINAMICA
En esta parte del curso estudiaremos un modelo
dinmico que puede dar cabida a cambios de los
parmetros en el tiempo. La programacin
dinmica es un mtodo de optimizacin que
puede aplicarse a numerosos problemas. En
general, la programacin dinmica intenta
encontrar una solucin de un problema de
optimizacin en forma secuencial.
Acertijo
Suponga que hay 20 fichas sobre una
mesa. Yo empiezo eligiendo 1, 2 o 3
fichas. Luego mi contrincante debe
tomar 1, 2 o 3 fichas. As continuamos
hasta que alguno de los jugadores tome
la ltima ficha (ficha roja). Este jugador
es el que pierde. Cmo puedo yo
(primer jugador) estar seguro de ganar
el juego?
7
Mes
7
Mes
6
Demanda
200
Demanda
400
Alternativas
de
produccin
200
Alternativas
de
produccin
200
400
Utilidad
inmediata
$1,000
Utilidad
inmediata
$1,000
$2,500
Demanda
restante
0
Mayor utilidad
para la
demanda
Utilidad
restante
Total
0
$1000*
Mayor utilidad
para la
Demanda
demanda
Utilidad
restante
restante
Total
200
$1,000
$2,000
0
0
$2,500*
Mes
5
Mes
4
Demanda
600
Demanda
800
Alternativas
de
produccin
200
400
600
Alternativas
de
produccin
200
400
600
800
Utilidad
inmediata
$1,000
$2,500
$3,750
Utilidad
inmediata
$1,000
$2,500
$3,750
$4,750
Demanda
restante
400
200
0
Mayor utilidad
para la
demanda
Utilidad
restante
Total
$2,500
$3,500
$1,000
$3,500
0
$3,750*
Demanda
restante
600
400
200
0
Mayor utilidad
para la
demanda
Utilidad
restante
Total
$3,750
$4,750
$2,500
5000*
$1,000
$4,750
$0
$4,750
10
Mes
3
Demanda
1000
Alternativas
de
produccin
200
400
600
800
Utilidad
inmediata
$1,000
$2,500
$3,750
$4,750
Mayor utilidad
para la
Demanda
demanda
Utilidad
restante
restante
Total
800
$5,000
$6,000
600
$3,750
6250*
400
$2,500
6250*
200
$1,000
$5,750
11
Mes
2
Mes
1
Demanda
1200
Demanda
1400
Alternativas
de
produccin
200
400
600
800
Alternativas
de
produccin
200
400
600
800
Utilidad
inmediata
$1,000
$2,500
$3,750
$4,750
Utilidad
inmediata
$1,000
$2,500
$3,750
$4,750
Demanda
restante
1000
800
600
400
Mayor utilidad
para la
demanda
Utilidad
restante
Total
$6,250
$7,250
$5,000
7500*
$3,750
7500*
$2,500
$7,250
Demanda
restante
1200
1000
800
600
Mayor utilidad
para la
demanda
Utilidad
restante
Total
$7,500
$8,500
$6,250
8750*
$5,000
8750*
$3,750
$8,500
12
Descomposicin
La principal consideracin de la PD es que
un problema grande y nico puede
descomponerse o segmentarse en una
secuencia de sub-problemas ms pequeos
y fciles de resolver.
Tambin se encuentra implcito en el uso de
la descomposicin en la programacin
dinmica el concepto conocido como
Principio de Optimalidad de Bellman
Un conjunto ptimo de decisiones (una poltica) tiene la
propiedad de que, si una decisin determinada es ptima,
entonces todas las decisiones subsecuentes que dependen
de esa decisin especfica tambin deben ser ptimas.
13
d3=produccin
del mes 5
d2
d1
x3=x4-d4
Etapa 3
r3=utilidades
de d3 y x3
Mes 5
Etapa 2
Etapa 1
r2
Mes 6
Mes 7
14
Definicin de trminos:
Etapas, variables de estado, rendimientos, decisiones y
relaciones recurrentes.
15
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
16
Birmingham
180
210
210
Nueva
180
210
315
192
Orleans
Atlanta
192
Mobile
Montgomery
17
Birmingham
180
180
1
210
Nueva
Orleans
210
315
192
Atlanta
192
Mobile
Etapa 3
Etapa 2
Montgomery
Etapa 1
18
Decisin
pasar a 6
pasar a 6
Meridian
210
Decisin ptima
pasar a 6
pasar a 6
Rendimiento
ptimo
192
180
Birmingham
180
180
1
210
Nueva
Orleans
210
315
192
Atlanta
192
Mobile
Etapa 3
Etapa 2
Montgomery
Etapa 1
19
4
192 + 192
210 + 192
Meridian
210
5
315 + 180
180 + 180
Birmingham
180
180
1
210
Nueva
Orleans
210
315
192
Atlanta
192
Mobile
Etapa 3
Etapa 2
Montgomery
Etapa 1
20
2
210+384
Meridian
210
3
210+360
Birmingham
180
180
1
210
Nueva
Orleans
210
315
192
Atlanta
192
Mobile
Etapa 3
Etapa 2
Montgomery
Etapa 1
21
Problema de inventario
Se ilustra la manera en que se puede usar la programacin
dinmica para resolver un problema de inventario con las
caractersticas siguientes:
1. El tiempo se divide en periodos, el periodo actual es el
periodo 1, el periodo siguiente es el 2 y el periodo final es el
periodo T. Se conoce la demanda durante cada periodo al
principio del periodo 1.
2. La compaa debe determinar al principio de cada periodo
cuntas unidades debe fabricar. La capacidad de produccin
durante cada periodo es limitada.
3. La demanda de cada periodo se debe cumplir a tiempo con el
inventario o con la produccin actual. Durante cualquier
periodo en el cual la produccin tiene lugar, se generan un
costo fijo de produccin, as como un costo variable por
unidad.
22
23
24
Solucin
25
x4 (1)= 4 1=3
26
27
Costo de
almacenamiento
0.5 por i
unidades que hay
mas x unidades a
producir menos 2
unidades de
demanda
Costo de
produccin
28
Continuacin mes 3
29
4 i+x-2 0
4 0+x-2 0
6 x 2 Esto quiere decir que la x, debo de empezar a completar mi tabla
a partir de 2, hasta 5, no hasta 6 porque el nivel de produccin esta limitado
_____________a 5
31
1
1
32
f4 (i +x -2)
Costo total de
los meses 3,4
f3 (i)
x3 (i)
0+5=5
5+7=12*
f3 (0) =12
x3 (0)=2
f4 (i +x -2)
Costo total de
los meses 3,4
f3 (i)
x3 (i)
f4 (i +x -2)
Costo total de
los meses 3,4
f3 (i)
x3 (i)
35
Clculos del mes 2 , ahora ya podemos calcular f2 (i), el costo mnimo que se
genera durante los meses 2,3 y4, dado que al principio de mes 2 el inventario
disponible es i unidades. Suponga que la produccin del mes 2 =x. Puesto que la
demanda del mes 2 es 3 unidades, se genera un costo de almacenamiento de:
i
f3 (i +x -3)
Costo total de
los meses
2,3,4
f2 (i)
x2 (i)
f3 (i +x -3)
Costo total de
los meses 2,
3,4
f2 (i)
x2 (i)
f3 (i +x -3)
Costo total de
los meses 2,
3,4
f2 (i)
x2 (i)
0+5=5
5+7=12*
f3 (0) =12
x3 (0)=2
38
4 i+x-1 0
4 0+x-1 0
5 x 1 Esto quiere decir que la x, debo de empezar a completar mi tabla
a partir de 2, hasta 5.
39
1
1
40
f2 (i +x -1)
0+4=4
18
+ 5=11/2
15
Costo total de
los meses
1,2,3,4
f1 (i)
x1 (i)
14
Nota:
Introduccin a la simulacin
Introduccin
Cuando alguien tiene la responsabilidad de
conducir un sistema dado, como por ejemplo:
un banco, una ciudad, un sistema de
transporte, etc., debe tomar continuamente
decisiones acerca de las acciones que
ejecutar sobre el sistema.
Estas decisiones deben ser tales que la
conducta resultante del sistema satisfaga de la
mejor manera posible los objetivos planteados.
Formas de estudiar un
sistema
sistema
Experimentar
con sistema
actual
Experimentar
con un
modelo
Modelo
fsico
Modelo
matemtico
Solucin
analtica
simulacin
Simulacin
Al proceso de experimentar con un modelo se
denomina simulacin.
Al proceso de disear el plan de
experimentacin para adoptar la mejor decisin
se denomina optimizacin.
Si el plan de experimentacin se lleva a cabo
con el solo objeto de aprender a conducir el
sistema, entonces se denomina entrenamiento
o capacitacin.
Qu es simulacin?
Simulacin es el proceso de disear y
desarrollar un modelo de un sistema o
proceso real y conducir experimentos
con el propsito de entender el
comportamiento del sistema o evaluar
varias estrategias (dentro de lmites
impuestos por un criterio o conjunto de
criterios) para la operacin del sistema.
ROBERT. SHANNON
Definiciones
Un sistema es un conjunto de elementos
que se interrelacionan para funcionar como
un todo, estos elementos deben tener una
frontera clara.
Definiciones
Estas
entidades
poseen
propiedades
denominadas atributos, por ejemplo: la potencia
del motor, y se relacionan entre s a travs de
relaciones o funciones. Los atributos tambin se
denominan variables o parmetros. Estas
pueden ser:
Estticas o estructurales: un auto posee cuatro
ruedas.
Dinmicas o funcionales: un auto consume
gasolina si se enciende el motor.
Tipos de variables
Variables de entrada o exgenas:
Son fijadas por el medioambiente del sistema.
Pueden ser manipulables -se fijan a voluntad- o no.
Variables de salida:
Son las variables de estado, o combinacin de ellas, que son
medidas o traspasan la frontera del sistema.
Tipos de variables
Variables internas:
Son las variables del sistema que no son ni de
entrada, ni de
salida, ni parmetros.
Variables de estado:
Conforman el conjunto mnimo de variables internas
del
sistema necesarias para describir completamente su
estado interno.
Clasificacin de sistemas
determinstico
estocstico
Clasificacin de sistemas
continuo
discreto
Cada vez son mas las quejas de las personas que utilizan el
servicio de autobuses. Los usuarios de las horas de ms afluencia
estn cansados de esperar el autobs en las maanas. Ms an,
mientras ms tardan estos, ms se llena la parada. A medida que
avanza el verano, los usuarios se incomodan ms al no haber un
sitio donde resguardarse del sol. Es claro que es hora de
considerar el incremento del servicio. Suponga que se incrementa
el servicio de un autobs cada 20 minutos a uno cada 15 minutos.
se sentiran satisfechos sus clientes?
Ejemplo:
Los administradores de una empresa de manufactura, han observado que el
tiempo muerto de la maquinara en el rea de produccin ocasiona
considerables perdidas de produccin, aumenta los pedidos atrasados que no
se han surtido y hace que se pierdan oportunidades de ventas. Los
administradores opinan que es posible reducir en forma significativa el
problema utilizando un nmero adecuado de personal de mantenimiento. El
salario por hora (incluyendo prestaciones) para el personal de mantenimiento
es $8. Los administradores consideran que se pierden $30 por hora cuando
una mquina no est en operacin; este costo incluye las utilidades que se
pierden , as como tambin el costo del tiempo muerto de los operadores.
La empresa necesita determinar
el nmero ptimo del personal de
mantenimiento. Es decir, la compaa necesita saber en qu punto el costo de
personal de mantenimiento equivale a los costos esperados por el tiempo
muerto de los operadores y las utilidades que se pierden.
Frecuencia de ocurrencia
15
16
14
17
15
18
28
19
36
20
27
21
15
22
Total
150
Probabilidad
5-15
0.05
15-25
0.25
25-35
0.40
35-45
0.25
45-55
0.05
Construir el modelo
matemtico
Enfoque analtico
Elaborar el algoritmo de
solucin
Generar la solucin
usando el algoritmo
Optimizacin de
resultados
Recopilar datos
descriptivos. Definir los
componentes y las
interrelaciones del
problema. Identificar
submodelos
Enfoque de
simulacin
Elaborar el modelo de
simulacin
Llevar a cabo la
simulacin
Resultados descriptivos
Identifica
Experimentacin
NO
Se ha
ensayado el
modelo lo
suficiente para
el conjunto
definido de
condiciones?
SI
Resultado de la
simulacin: se
han estudiado
todas las
condiciones
que se desean
del modelo?
NO
SI
Inferencia: extraer conclusiones
con base en los datos de la
simulacin
Hacer cambios:
reglas de
decisin,
parmetros del
modelo,
estructura del
sistema
Simulacin de Montecarlo
Aplicacin
Toneladas de basura
recolectadas por da (d)
Probabilidad p(d)
10
0.10
20
0.22
30
0.25
40
0.20
50
0.12
60
0.07
70
0.04
Toneladas de
basura
recolectadas por
da (d)
Probabilidad p(d)
Probabilidad
acumulada P(d) =
prob (recoleccin
d)
10
0.10
0.10
20
0.22
0.32
30
0.25
0.57
40
0.20
0.77
50
0.12
0.89
60
0.07
0.96
70
0.04
1.00
Aplicacin:
Generar 30 nmeros aleatorios en Excel, y realizar la distribucin de
frecuencias para 10, 20, 70, encuentra tambin la frecuencia relativa para
cada una de ellas.
Nmero
aleatorio
0.4567
Corresponde a:
(de acuerdo a la
tabla de
distribucin
acumulada)
10
20
30
40
50
60
70
0.1
0.22
0.25
0.2
0.12
0.07
0.04
0.1
0.32
0.57
0.77
0.89
0.96
1
1
8
6
4
0
1
0
20
0.05
0.4
0.3
0.2
0
0.05
0
Tarjeta de
Lotera
Cada tarjeta de lotera contiene tres filas. En cada rengln, hay dos
casillas una de las cuales tiene un valor oculto de $1 y la otra de $5. El
jugador raspa cualquier casilla de cada rengln para descubrir el valor
asociado en dlares. Si los tres nmeros ocultos son iguales, el jugador
gana esa cantidad.
1/2*1/2*1/2 = 1/8
1/2*1/2*1/2 = 1/8
Simulacin Fsica:
Usted podra simular el juego fsicamente de la siguiente manera. Imprima
una gran nmero de tarjetas (digamos, 100), haga que alguien raspe las
casillas de cada tarjeta, tabule la ganancia de cada tarjeta ($0, $1, $5), use
las ganancias de todas las tarjetas para calcular la ganancia esperada, y
puede usarse como base para tomar una decisin.
BUSCARV
Busca un valor especfico en la primer columna de una matriz de tabla y
devuelve, en la misma fila, un valor de otra columna de dicha matriz de
tabla.
La V de BUSCARV significa vertical. Utilice BUSCARV en lugar de
BUSCARH si los valores de comparacin se encuentran en una columna
situada a la izquierda de los datos que desea buscar.
Sintaxis
BUSCARV(valor_buscado;matriz_buscar_en;indicador_columnas;orden
ado)
Aplicacin 3
Simulacin por computadora (Tienda de Videos)
Videos, es una tienda que compra videos de estreno a $25 la copia, los
renta a $3 al da y despus de un mes los vende a otra tienda en $5 la
copia. Basndose en datos anteriores, la tienda ha estimado las
siguientes probabilidades de demanda diaria para cada pelcula:
Numero de copias
Probabilidad
0.15
0.25
0.45
0.10
0.05
INGRESOS ESPERADOS
Nmero de
copias
Costo de
compra ($)
25
Da ($)
Mes ($)
Valor de
reventa
Ganancia
Neta
4.80
144.00
15
84.00
2
3
4
75
Los siguientes pasos se efectan para cada uno de los 30 das del mes:
1.-Generar la demanda diaria, es decir, el nmero de solicitudes de esta
cinta en el da dado de acuerdo con la distribucin de probabilidad dada.
2.-Calcular los ingresos por renta asociados basndose en el hecho de que
usted tiene (x copias) de la cinta disponible, como ejemplo 2 copias.
Nmero de copias
Probabilidad
Intervalo de
nmero
uniformes
Demanda diaria
asociada
0.15
0.00-0.15
0.25
0.15-0.40
0.45
0.40-0.85
0.10
0.85-0.95
0.05
0.95-1.00
1
2
3
4
5
6
7
..
30
Nmero
aleatorio
uniforme
Demanda
Ingresos
Nmero de
copias
Costo de
compra
Ingresos ($
mes)
$78
Valor de
reventa ($)
Ganancia ($)
$5
3
4
$99
$100
Frecuencia de ocurrencia
15
16
14
17
15
18
28
19
36
20
27
21
15
22
Total
150
Probabilidad
5-15
0.05
15-25
0.25
25-35
0.40
35-45
0.25
45-55
0.05
Tiempo entre
descomposturas
(minutos)
Frecuencia
Probabilidad de
ocurrencia p(b)
Probabilidad
acumulada
P(b)=prob
(tiempo entre
descomposturas
b)
Intervalo de
numero aleatorio
15
7/150= 0.0467
0.0467
0.0000-0.0466
16
14
0.0933
0.1400
0.0467-0.1399
17
15
0.1000
0.2400
0.1400-0.2399
18
28
0.1867
0.4267
0.2400-0.4266
19
36
0.2400
0.6667
0.4267-0.6666
20
27
0.1800
0.8467
0.6667-0.8466
21
15
0.1000
0.9467
0.8467-0.9466
22
0.0533
1.0000
0.9467-0.9999
Total= 150
Probabilidad de
ocurrencia p(t)
Probabilidad
acumulada P(t)=
prob. (tiempo de
servicio t)
Intervalo de nmero
aleatorio.
10
0.05
0.05
0-0000-0.0499
20
0.25
0.30
0.0500-0.2999
30
0.40
0.70
0.3000-0.6999
40
0.25
0.95
0.7000-0.9499
50
0.05
1.00
0.9500-0.9999
Nota tecnica:
Para traducir una frmula de Excel en Ingls a Excel en Espaol
mediante el mismo Excel (por ejemplo, =FLOOR(A1,5)), se puede hacer
lo siguiente.
Seleccionar la celda en la que se quiere tener la frmula. Pulsar Alt +
F11, para ir al editor de Visual Basic. Pulsar Ctrl+G para abrir una
ventana inferior titulada inmediato. En ella escribimos:
ActiveCell.Formula = "=FLOOR(A1,7))"
(es decir, la frmula en ingls entre comillas)
y pulsar [Enter]
Al volver a Excel (pulsando Alt+Q) la celda seleccionada contendr la
frmula traducida :
=MULTIPLO.INFERIOR(A1,5)
Este truco sirve para todos los idiomas, no solo de ingls a espaol.
Funcin de densidad
acumulada
Distribucin probabilstica acumulada para el tiempo de servicio para reparacin de
maquinas
Tiempo de servicio
(minutos) (t)
Probabilidad de
ocurrencia p(t)
Probabilidad
acumulada P(t)=
prob. (tiempo de
servicio t)
Intervalo de nmero
aleatorio.
10
0.05
0.05
0-0000-0.0499
20
0.25
0.30
0.0500-0.2999
30
0.40
0.70
0.3000-0.6999
40
0.25
0.95
0.7000-0.9499
50
0.05
1.00
0.9500-0.9999
Funcin de densidad
probabilstica
x n 1
x dx
c
n 1
ejem plos
dx
graficar
f ( x) x 2
int egrar
5
xdx
2
graficar
f ( x) x
int egrar
3
x
1
dx
e 2 x dx
0
0.5
e 3 x dx
0.2
Distribucin uniforme:
La funcin de densidad probabilstica para la distribucin uniforme se
define como sigue:
1
p ( x)
para a x b
ba
P ( x)
p ( x)dx
a
x
P ( x)
P ( x)
1
dx
ba
1
ba
dx
a
1
( x a)
ba
xa
P ( x)
ba
P ( x)
xa
ba
R (b a ) x a
R P( x)
x a R (b a )
x a R(b a)
La ecuacin anterior es el generador de proceso para la distribucin
uniforme, es posible generar variables con distribucin uniforme entre a y b,
simplemente identificando a y b, generando un nmero aleatorio (R) y
sustituyendo en la ecuacin.
Por ejemplo para generar (muestrear) una variable aleatoria entre 10 y 20,
la relacin funcional sera x= 10+ R(10)
Para un numero aleatorio 0.6134, el valor de la variable aleatoria sera
16.134
http://www.oracle.com/technology/products/bi/crystalball/index.html
p( x) e x para 0 x
en donde es la tasa promedio de servicio, o nmero promedio de
unidades a las que se le da servicio por intervalo de tiempo. Para obtener
el generador de proceso, debe calcularse primero la funcin acumulada
de densidad:
Por ejemplo: para un proceso que tiene una media de llegadas de 10 unidades
por hora =10, entonces la probabilidad de que llegue 1, 2, 3, 4, 5 unidades
es:
p( x) e x para 0 x
x
1
2
3
4
5
p(x)
0.000453999
2.06115E-08
9.35762E-13
4.24835E-17
1.92875E-21
P( x)
p( x)dx
0
x
P ( x) e x dx
0
P ( x) e e
P( x)
x x
e
0
x
P ( x) e x 1
P ( x) 1 e x
En seguida igualamos la variable aleatoria uniforme, R, a P(x) y
despejamos x.
R P ( x) 1 e x
e x 1 R
aplicandolog aritmos a amboslados
ln(e x ) ln(1 R )
x (1 / ) ln(1 R )
Dado que la variable aleatoria R es simtrica y tiene una distribucin
uniforme entre 0 y 1, la distribucin probabilstica para (1-R) equivale a
la de R; por tanto, puede reemplazarse (1-R) por R. Entonces, un
generador de proceso igualmente vlido para la distribucin
exponencial negativa es:
x (1 / ) ln(R)
Ejercicio:
Generar
10
tiempos de
llegadas con la distribucin
exponencial negativa, realiza
esto en Excel.
p ( x)
n!
p x (1 p) n x
x!(n x)!
(T ) x e T
p ( x)
,
x!
0 x
Mtodo de composicin
Poisson:
cal
( fo fe) 2
fe
cal
fe
Ejemplo:
Suponga que los datos que aparecen en las dos primeras columnas,
corresponden al nmero de clientes que entran a un banco cada hora.
Estos datos se recolectaron al azar para 204 periodos de una hora. Con
base en estos datos, plantearamos la hiptesis (Ho) de que los datos
pueden representarse por medio de una distribucin de Poisson.
Nmero de llegadas por hora
(x)
70
84
34
12
(T ) x e T
p ( x)
,
x!
0 x
Frecuenc
ia
observad
a (fo)
Probabilidad esperada de
acuerdo a Poisson
Frecuencia esperada
(fe)
(fo-fe)2 / fe
70
p(x=0)=(1)(e-1)/0!=0.36788
(70-75.05)2/75.05
=0.3398
84
p(x=1)=(1)(e-1)/1!=0.36788
34
p(x=2)=(1)(e-1)/2!=_______
12
p(x=3)=________________
p(x4)=________________
ojo, probabilidad de que sea
mayor o igual a 4
Total=
204
=0.0088 (agrupando 3 y
4, porque la frecuencia
esperada de 4 debe ser
al menos 5)
X2cal = 1.7461
Regin aceptacin
Regin de rechazo
Lo atiende Doa
Exponencial
In some situations, as when the number of trials for the binomial distribution
becomes very large, the normal and binomial distributions become very
similar. For these two distributions, as the number of binomial trials
approaches infinity, the probabilities become identical for any given interval.
For this reason, you can use the normal distribution to approximate the
binomial distribution when the number of trials becomes too large for Crystal
Ball to handle (more than 1000 trials).
You also can use the Poisson distribution to approximate the binomial
distribution when the number of trials is large, but there is little advantage to
this since Crystal Ball takes a comparable amount of time to compute both
distributions.
Likewise, the normal and Students t distributions are related. With Degrees
of Freedom > 30, Students t closely approximates the normal distribution.
Desventajas
Es posible que se requiera una capacitacin prolongada para su uso.
Es posible que el lenguaje no est disponible en alguna computadora
determinada.
n /2
error
en donde:
=desviacin estndar de los resultados que se simulan
Z/2 = nmero de desviaciones estndar asociadas con un nivel
determinado de confianza (para un nivel de confianza del 95%, es
decir =0.05, z=1.96)
error= mximo error que se permite en los resultados simulados.
n=
5,000
5,000
5,000
2,200
Confianza=
95%
95%
98%
90%
400
2,000
1,000
200
Z/2=
Mximo error
permitido=
Aplicacin 1:
1. Se recopilaron los siguientes datos acerca del nmero de llegadas a la
unidad de urgencias, por hora, en el Hospital Santa Mara Chavalita,
durante el periodo de las 8:00 p.m. hasta la media noche. Utilizando el
mtodo de Monte Carlo, simule 20 horas de actividad de la unidad de
urgencias.
Nmero de llegadas
Frecuencia
15
21
28
17
10
Nmero de
llegadas por
hora
Frecuencia
Frecuencia
relativa
Frecuencia
acumulada
Intervalo de
nmeros
aleatorios.
0.0179
0.0179
0-0.0178
0.0268
0.0447
0.0179-0.0446
2
3
4
5
6
7
8
9
total= 112
Hora
Numero
aleatorio
Nmero de
llegadas
1
2
3
4
20
Aplicacin 2.
En el siguiente conjunto de datos se expresa la demanda diaria de un articulo
especfico. (Para elaborar los datos se emple la historia de 300 das.) Simule
la demanda para 10 das.
Demanda por da
Frecuencia
20
15
21
30
22
45
23
90
24
75
25
45
Aplicacin 3
Utilizando los datos de la aplicacin 2, suponga que el articulo para el cual
se tienen datos de demanda es el diario (peridico) que se vende en una
tienda local. El administrador de la tienda paga 10 centavos por diario y lo
vende a 20 centavos. Los diarios que no se venden pueden devolverse
obteniendo un reembolso de 3 centavos. Si se solicita un diario y no est
disponible, el costo de utilidad es 3 centavos.
El administrador de la tienda opera con la siguiente poltica de pedidos: la
cantidad que se ordena cada da es igual a la cantidad que se vendi el da
anterior ms el nmero de ventas perdidas el da anterior. Simule 20 das
de operacin con el objeto de determinar la utilidad promedio diaria
proveniente de la venta de diarios. (suponga que la demanda para el da
anterior fue de 20 diarios y que se perdieron 3 ventas)
Da
Peridicos
pedidos
23
Numero
aleatorio
Demanda
simulada
Ganancia
por la venta
de
peridicos.
(0.10)
Perdida por
peridico
pedido y no
vendido (0.10.03 = 0.07)
Se solicita un
diario y no
esta
disponible,
costo de 0.03
Ganancia
Neta
2
3
4
5
6
7
8
20
Total aprox=
43.70
Aplicacin 4
Don Francisco, propietario de la peluquera 7 machos, tiene 3 sillas en su local
pero en la actualidad tiene dos peluqueros. Est considerando la contratacin
de un peluquero adicional. Don Francisco ha observado que, segn su
experiencia, los clientes llegan al azar; se recopilaron los datos que aparecen
en la siguiente tabla acerca de los tiempos entre llegadas. Don Francisco hizo
tambin algunas estimaciones del tiempo que se necesita para hacer un corte
de pelo.
Tambin ha observado que si se encuentran dos clientes en el local esperando
por el servicio, ningn cliente nuevo se une a la lnea de espera. Contratar un
peluquero adicional costara $3.75 por hora ms $1.00 por comisin por corte.
En la actualidad, el precio de un corte es de $4.50
a.- Simule 3 horas de operacin para determinar si Don Francisco debe
contratar al peluquero adicional (use nmeros aleatorios dados por Excel para
generar tiempos de llegada y de servicio), explique su conclusin.
Tiempo de servicio
Minutos
Frecuencia
Minutos
Probabilidad
2-4
10
5-15
0.10
4-6
15
15-25
0.35
6-8
20
25-35
0.30
8-10
35
35-45
0.15
10-12
50
45-55
0.10
12-14
40
14-16
20
16-18
18-20
Tiempo
entre
llegadas
Frecuencia
Frecuencia
relativa
Frecuencia
relativa
acumulada
Intervalo de
nmero
aleatorio
2-4
10
0.050
0.050
0-0.0499
Tiempo de
servicio
probabilidad
Probabilidad
acumulada
Intervalo de
nmero
aleatorio
5-15
0.10
0.10
0-0.0999
0.1000-0.4499
Nmero
aleatorio
Hora
llegada
Nmero
aleatorio
Empieza
el
servicio
Trabaja
el
peluquer
o N __
Termina
el
servicio
1
2
3
4
5
6
20
Tiempo
de
espera
Nmero
de
clientes
en la
cola
Aplicacin 5
El tiempo que se requiere para lavar un automvil en el lavado Automtico
de Automviles tiene una distribucin uniforme con un tiempo mnimo de 8
minutos y uno mximo de 12. Simule el tiempo de servicio para el
procesamiento de 10 automviles. Utilice el generador de proceso uniforme
en su anlisis. Cul es el tiempo esperado que se requiere para lavar un
solo automvil? Cul es el tiempo promedio para los diez automviles que
se procesaron?
2
3
4
5
6
7
8
9
10
Numero Aleatorio
X=
Aplicacin 6
A travs de una distribucin exponencial negativa con media de 8 minutos, es
posible describir el tiempo entre llegadas de los clientes que entran a una
tienda. Simule la llegada de 10 clientes a la tienda. Utilice el generador de
proceso exponencial negativo en su anlisis.
P(x)=e-x
=7.5
Despeja x
x=
Cliente
Nmero
aleatorio
Hora
Minutos
Aplicacin 7
A travs de una distribucin exponencial negativa con media de 100
descomposturas por hora, puede describirse el tiempo que pasa entre
descomposturas en una operacin especfica de manufactura. Simule los
tiempos de 5 descomposturas. Utilice en su anlisis el generador de proceso
exponencial negativo.
Descompostura
1
2
3
4
5
Nmero aleatorio
x=
Aplicacin 8
Dadas las siguientes funciones de densidad de probabilidad:
1 / 6 0 x 2
p ( x ) 1 / 3 2 x 3
1 / 12 3 x 7
(1 / 6) x
0 x 2
p( x) 1 / 3 (1 / 3)( x 2) 2 x 3
?
3
R (1 / 6) x x 6 R
Generador
?
0 x2
0 R 0.3333
Aplicacin 9
Desarrolle un generador de proceso para la siguiente funcin probabilstica
de densidad:
(1 / 2)e x
p( x)
(1 / 2)e x
x 0
0 x
p( x)
(1 / 2)e x dx
x Ln (2 R)
Aplicacin 10
tiempo que va
transcurriendo
(acumulada)
Source (fuente)
Queu (fila o buffer de acumulacin),
Processor (mquina),
Sink (salida),
SplineConveyor, Conveyor(transportador o banda
transportadora)
NetworkNode (nodo de red de caminos),
Crane (gra viajera),
ASRSvehicle (Automated Storage and Retrieval
System, (ASRS) es un vehculo robotizado que
traslada y posiciona tarimas)
VisualObject(objeto visual),
VisualText (texto visual).
Los objetos Flexsim permiten arrastrar y soltar.
Flowitems
Son los objetos que se mueven a travs de tu modelo. Los flowitem pueden ser
partes, tarimas, ensambles, papel, contenedores o cualquier cosa que fluya a
travs del modelo. La mayora de los Flowitems pasan por operaciones del proceso
o son trasladados por el modelo mediante recursos de manejo de materiales. Se
definen globalmente en Flexsim y son generados en objeto source.
Itemtype
Es una especie de etiqueta que tiene el flowitem que contiene cierta
informacin como puede ser el nmero del cdigo de barras, tipo de
producto, peso, destino, costo, precio o un nmero de parte por nombrar
algunos ejemplos.
Flexsim est preparado para tomar decisiones en base al Itemtype como
puede ser definir la ruta segn el valor del Itemtype. El flowitem define en
general el producto o parte, mientras que el itemtype define la
caracterstica individual.
Moviendo Objetos:
Para mover un objeto en el plano X/Y, pulsar-y-agarrar el objeto y lo arrastra a
la posicin(ubicacin) deseada. Para mover el objeto en la direccin de z,
pulse sobre l y desliza la rueda de ratn. Usted tambin puede sostener tanto
botones de ratn izquierdos como derechos abajo sobre el objeto y arrastrarlo
arriba y abajo.
Uniendo(Conectando) Objetos:
De unir(conectar) dos objetos en el modelo, sostenga una llave abajo, pulsary-agarrar un objeto, arrastre el ratn a otro objeto, y libere el botn de ratn
sobre aquel objeto. Un mtodo unir(conectar) por lo general puertos de salida
de conexiones para introducir puertos, pero usted tambin puede usar otras
conexiones claves. Estos son descritos detalladamente en la seccin de
interaccin de teclado.
Main Menu
El Nuevo Modelo - Esta opcin limpia el modelo corriente de modo que nuevo
uno pueda ser creado. Esto no afecta la disposicin de vista(opinin) o la
biblioteca. Una advertencia ser mostrada que si usted contina usted perder
todos los objetos en su modelo.
El Modelo Abierto ... - Esta opcin permite al usuario para escoger un Archivo
de Modelo de Flexsim (.fsm la extensin) para corregir. Cualquier cambio que
ha sido hecho al modelo corriente que no ha sido salvado(ahorrado) ser
perdido.
Trminos importantes:
Releasing= liberando, entregando
Idle= tiempo ocioso
FLEXIM 5.0
Usar esta opcin de Global Preferences, para que puedas unir los
objetos con el mouse y la letra A de tu teclado.