Simulacin

Docente: Ing. Edgar Javier Silva.

Postgrado en Ingeniera Industrial
http://mateburricas.blogspot.com

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.

Para poder llevar esta materia es necesario,

conocer los siguientes temas:
Probabilidad y Estadstica
Estadstica Inferencial
Conocer de distribuciones de probabilidad (binomial,
poison, normal, exponencial, chi-cuadrada)
Lgica de programacin
Manejo de hoja de calculo
Calculo Integral

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

Fabrica de tortillas Mi tierra

Leer hojas anexas. caso de la fabrica
de tortillas mi tierra

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.

Refirindonos al caso de Mi tierra, cada etapa es un

mes.
La variable de estado de cada etapa representa el total
de la demanda no satisfecha en una etapa previa, es
decir en un mes posterior.

15

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

16

Aplicaciones de la programacin dinmica

Encontrar la ruta ms corta para llegar de Nueva
Orleans a Atlanta
Meridian

Birmingham

180

210

210

Nueva

180

210

315

192

Orleans

Atlanta

192
Mobile

Montgomery

17

Divisin por etapas

Meridian
210

Birmingham

180

180

1
210

Nueva
Orleans

210

315

192

Atlanta

192
Mobile
Etapa 3

Etapa 2

Montgomery
Etapa 1
18

Tabla de decisin de la etapa 1

Variable de
estado (X1)
4
5

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

Tabla de decisin de la etapa 2

Decisiones
Variable de
estado (X2)
2
3

4
192 + 192
210 + 192

Meridian
210

Decisin ptima Rendimiento ptimo

pasar a 4
384
pasar a 5
360

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

Tabla de decisin de la etapa 3

Decisiones
Variable de
estado (X3)
1

2
210+384
Meridian

210

Decisin ptima Rendimiento ptimo

pasar a 3
570

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

1. La compaa tiene capacidad limitada de almacenamiento. Un

lmite sobre el inventario de fin de periodo refleja lo anterior. Se
genera un costo de almacenamiento por unidad sobre el
inventario final de cada periodo.
2. El objetivo de la compaa es minimizar el costo total por cumplir
a tiempo con la demanda de los periodos 1, 2,,T

23

Programacin dinmica aplicada a Inventario

Una compaa sabe que la demanda de su producto durante cada uno
de los prximos cuatro meses es como se indica: mes 1, 1 unidad; mes
2, 3 unidades; mes 3, 2 unidades; mes 4, 4 unidades. La compaa
debe determinar cuntas unidades tiene que fabricar en el mes
corriente. Durante un mes en el cual se producen algunas unidades, se
incurre en un costo preliminar de 3 dlares. Adems, hay un costo
variable de 1 dlar por cada unidad que se fabrica. Al final de cada
mes, se genera un costo de almacenamiento de 50 centavos por cada
unidad disponible. Las limitaciones en la capacidad permiten producir
durante cada mes un mximo de 5 unidades. Las dimensiones de la
bodega de la compaa restringen el inventario final de cada mes a 4
unidades, cuando mucho.
La empresa desea determinar un plan de produccin que cumpla con
toda la demanda a tiempo y minimice la suma del costo de produccin
y del costo de almacenamiento durante cuatro meses.

24

Solucin

Definimos a ft (i) como el costo mnimo de cumplir las demandas de los

meses, t+1,,4 si i unidades estn disponibles al inicio del mes t.
Definamos c(x) como el costo de produccin de x unidades durante un
periodo. Entonces c(x)=3+x

Definimos tambin xt (i)= como el nivel de produccin durante el mes t

que minimiza el costo total durante los meses t, t+1,,4 si i unidades
est a la mano al principio del mes t.

25

Clculos del mes 4

Durante el mes 4, la compaa produce justo las unidades suficientes para asegurar
que la demanda del mes 4, que es de cuatro unidades, se cumpla. Entonces.
f4 (0)= costo de produccin de 4 0 unidades
c(4) = 3+4= $7
f4 (0)= c(4)= $7
costo mnimo de produccin en el mes 4, cuando hay cero
unidades disponibles.

x4 (0)= 4 0=4 (nivel de produccin en el mes 4, si 0 unidades estn

disponibles al principio)

f4 (1)= costo de produccin de 4 1 unidades

c(3) = 3+3= $6
f4 (1)= c(3)= $6 costo mnimo de produccin en el mes 4, cuando hay 1 unidad
disponible.

x4 (1)= 4 1=3

26

Clculos del mes 4 (continuacin)

f4 (2)= costo de produccin de 4 2 unidades
c(2) = 3+2= $5
f4 (2)= c(2)= $5 costo mnimo de produccin en el mes 4 cuando tengo 2
unidades disponibles.
x4 (2)= 4 2=2
f4 (3)= costo de produccin de 4 3 unidades
c(1) = 3+1= $4
f4 (3)= c(1)= $ 4
x4 (3)= 4 3=1
f4 (4)= costo de produccin de 4 4 unidades
c(0) = 3+0= $3
f4 (4)=c(0)= $3
x4 (4)= 4 4=0

27

Clculos del mes 3

Cmo podemos determinar f3 (i) para i =0,1,2,3,4?

El costo f3 (i) es el costo mnimo que se genera en los meses 3 y 4 si el
inventario al principio del mes 3 es i.
Por cada nivel de produccin posible X durante el mes 3, el costo total
durante los meses 3 y 4 es:
0.5(i + x-2) + c(x) + f4 (i +x -2)

Costo de
almacenamiento
0.5 por i
unidades que hay
mas x unidades a
producir menos 2
unidades de
demanda

Costo de
produccin

Entramos al mes 4 con

i+x-2 unidades

28

Continuacin mes 3

Queremos elegir el nivel de produccin de mes 3 para minimizar lo anterior:

f3(i) = min [ 0.5(i + x-2) + c(x) + f4 (i +x -2) ]

x debe ser un elemento de [ 0,1,2,3,4,5] y x debe satisfacer

0 i +x -2 4 (Demanda mayor o igual a cero, capacidad no puede
exceder de 4 , de acuerdo al problema)

29

Si has ledo la informacin del problema de inventarios y le has entendido,

podrs contestar las siguientes preguntas:
Que significa lo siguiente:
f3(0) = costo mnimo de los meses 3 y 4, cuando el nivel de inventario es cero
c(4) = costo de producir 4 unidades
x4(1)= nivel de produccin en el mes cuatro, cuando tienes una unidad en
inventario.
f4(1) = ___________________________________________
c(3) = ____________________________________________
x4(1)=____________________________________________
Qu tal , ya le entendiste?
Cabez@n
30

Cmo completar la tabla del mes 3?

i

Los valores posibles para la columna de i, son: 0, 1, 2, 3, 4, entonces partes

de i=0 y resuelves la desigualdad

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

Y cuando la i=1? Qu pasa con la x?

4 i+x-2 0
4 1+x-2 0
5 x 1 Esto quiere decir que la x, debo de empezar a completar mi
tabla a partir de 1.

32

 Queremos elegir el nivel de produccin de mes 3 para minimizar lo

anterior:
f3(i) = min [ 0.5(i + x-2) + c(x) + f4 (i +x -2) ]
i

0.5(i + x-2) + c(x)

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

x debe ser un elemento de [ 0,1,2,3,4,5] y x debe satisfacer

4 i +x -2 0 (Demanda mayor o igual a cero, capacidad no puede
33
exceder de 4 , de acuerdo al problema)

 Queremos elegir el nivel de produccin de mes 3 para minimizar lo

anterior:
f3(i) = min [ 0.5(i + x-2) + c(x) + f4 (i +x -2) ]
i

0.5(i + x-2) + c(x)

f4 (i +x -2)

Costo total de
los meses 3,4

f3 (i)
x3 (i)

x debe ser un elemento de [ 0,1,2,3,4,5] y x debe satisfacer

4 i +x -2 0 (Demanda mayor o igual a cero, capacidad no puede
34
exceder de 4 , de acuerdo al problema)

 Queremos elegir el nivel de produccin de mes 3 para minimizar lo

anterior:
f3(i) = min [ 0.5(i + x-2) + c(x) + f4 (i +x -2) ]
i

0.5(i + x-2) + c(x)

f4 (i +x -2)

Costo total de
los meses 3,4

f3 (i)
x3 (i)

x debe ser un elemento de [ 0,1,2,3,4,5] y x debe satisfacer

4 i +x -2 0 (Demanda mayor o igual a cero, capacidad no puede

exceder de 4 , de acuerdo al problema)

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

0.5(i + x-3) + c(x)

f3 (i +x -3)

Costo total de
los meses
2,3,4

f2 (i)
x2 (i)

x debe ser un elemento de [ 0,1,2,3,4,5] y x debe satisfacer

4 i +x -3 0 (Demanda mayor o igual a cero, capacidad no puede
36
exceder de 4 , de acuerdo al problema)

 Queremos elegir el nivel de produccin de mes 2 para minimizar lo

anterior:
f2(i) = min [ 0.5(i + x-3) + c(x) + f3 (i +x -3) ]
i

0.5(i + x-3) + c(x)

f3 (i +x -3)

Costo total de
los meses 2,
3,4

f2 (i)
x2 (i)

x debe ser un elemento de [ 0,1,2,3,4,5] y x debe satisfacer

4 i +x -2 0 (Demanda mayor o igual a cero, capacidad no puede exceder de 37
4 , de
acuerdo al problema)

 Queremos elegir el nivel de produccin de mes 2 para minimizar lo

anterior:
f2(i) = min [ 0.5(i + x-3) + c(x) + f3 (i +x -3) ]
i

0.5(i + x-3) + c(x)

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

x debe ser un elemento de [ 0,1,2,3,4,5] y x debe satisfacer

4 i +x -3 0 (Demanda mayor o igual a cero, capacidad no puede
exceder de 4 , de acuerdo al problema)

38

Cmo completar la tabla del mes 1?

i

Los valores posibles para la columna de i, son: 0, 1, 2, 3, 4, entonces partes

de i=0 y resuelves la desigualdad

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

Y cuando la i=1? Qu pasa con la x?

4 i+x-1 0
4 1+x-1 0
4 x 0 Esto quiere decir que la x, debo de empezar a completar mi
tabla a partir de 0.

40

La tabla siguiente no esta completa , debes de

completarla

Queremos elegir el nivel de produccin de mes 1 para minimizar lo anterior:

f1(i) = min [ 0.5(i + x-1) + c(x) + f2 (i +x -1) ]

0.5(i + x-1) + c(x)

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

x debe ser un elemento de [ 0,1,2,3,4,5] y x debe satisfacer

4 i +x -1 0 (Demanda mayor o igual a cero, capacidad no puede exceder de414 , de
acuerdo al problema)

Nota:

La evaluacin se llevar a cabo de acuerdo a lo

establecido en los objetivos del curso, puestos al
principio del curso y adems de acuerdo a los
porcentajes establecidos tambin a principio del
curso.
Examen= 50%
Tareas y trabajos= 50%

Introduccin a la simulacin

Proceso de desarrollar un modelo de un problema y estimar

medidas de su comportamiento llevando a cabo
experimentos mustrales sobre el modelo.
La simulacin es una tcnica de las ciencias administrativas muy poderosa, y
se utiliza mucho para el anlisis y estudio de sistemas complejos.
Anteriormente se estudio la formulacin de modelos cuya solucin se obtena
de manera analtica. En casi todos los modelos, el objetivo era determinar
soluciones ptimas. Sin embargo, debido a la complejidad, relaciones
estocsticas, no todos los problemas del mundo real se pueden representar
de manera adecuada en las formas de modelos, trabajados anteriormente

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.

Los objetos o componentes que forman parte

del sistema se denominan entidades, por
ejemplo:
Un auto est compuesto por un motor,
ruedas, carrocera, etc.

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

Si el sistema no contiene ningn

elemento aleatorio es un sistema
determinstico.

estocstico

En este caso algn elemento del

sistema tiene una conducta
aleatoria. Entonces, para
entradas conocidas no es posible
asegurar los valores de salida.

Clasificacin de sistemas
continuo

Las relaciones funcionales entre

las variables del sistema slo
permiten que el estado evolucione
en el tiempo en forma continua.

discreto

Las relaciones funcionales del

sistema slo permiten que el
estado vare en un conjunto finito
de puntos temporales. (Las causas
instantneas de los cambios de
estados se denominan eventos).

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.

El gerente de produccin ha recopilado datos con respecto al tiempo que

transcurre entre descomposturas. Estos datos se muestran a
continuacin:
Tiempo entre descomposturas
(minutos)

Frecuencia de ocurrencia

15

16

14

17

15

18

28

19

36

20

27

21

15

22

Total

150

No se recopilaron datos con respecto al tiempo que el personal de

mantenimiento invierte en reparar una mquina; sin embargo, el gerente
proporcion una estimacin aproximada de los tiempos de servicio y de
las probabilidades asociadas.
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

Procederemos a la solucin del problema, despus de analizar

algunos conceptos y metodologa de simulacin.

Examinaremos la relacin que existe entre la simulacin y los modelos

que se utilizaron en optimizacin. La simulacin difiere en forma
considerable de la estructura de solucin de modelos en la que se hizo
hincapi en optimizacin.
En optimizacin se puso nfasis en el planteamiento y la construccin
de modelos matemticos y su solucin analtica o matemtica. En la
mayora de los casos las soluciones analticas tenan forma de algoritmo
que producan soluciones ptimas.

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

Identificar el problema: recopilar los datos descriptivos,

definir los componentes e interrelaciones del
problema; identificar los submodelos.

Planteamiento del modelo: construir un modelo del

sistema; hacer el diseo experimental
Plantear

Validacin del modelo

Validacin

Experimentacin: generar entradas para el sistema.

Experimentacin

Llevara cabo la simulacin

Resultados: recopilar estadsticas

de operacin referentes al
comportamiento del sistema.

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

La simulacin por computadora.

Como el termino indica, con esta tcnica usted disea y construye un modelo
de computadora que imita el argumento real del problema. Entonces usa el
modelo para aprender cmo se comporta el sistema, formulndose preguntas
del tipo Qu sucedera si?. Por ejemplo, si podramos construir un modelo
de computadora para simular los siguiente:

1.-La operacin diaria de un banco u hospital, para comprender el impacto de

aadir ms pagadores o enfermeras.
2.-La operacin de un puerto martimo o areo, para comprender el flujo de
trfico y su congestin asociada.
3.-El proceso de produccin de una fbrica, para identificar los cuellos de
botella en la lnea de produccin.
4.-El flujo de trfico en una autopista o en un sistema de comunicacin
complicado, para determinar si es necesaria una expansin.

En el proceso de simulacin deben considerarse dos

aspectos :
Primero: para un conjunto dado de condiciones del modelo, es necesario
asegurarse que se lleve a cabo un nmero adecuado de experimentos
mustrales (repeticiones de la simulacin. Cada iteracin de la
simulacin es similar a una observacin simple o nica; por tanto, llevar a
cabo n iteraciones es anlogo a extraer una muestra de tamao n.
Segundo: si se van hacer inferencias con respecto al funcionamiento del
problema en el mundo real, es necesario analizar diferentes condiciones
y parmetros del modelo.

Manejo de la simulacin a travs del tiempo

Es necesario estar conscientes de los diferentes problemas de muestreo
que se enfrentan al llevar a cabo simulaciones, pero tambin debe tenerse
presente la necesidad de llevar un registro de los tiempo s de todos los
eventos (llegadas, salidas, fallas, pedidos de los clientes, envos., etc.) que
ocurren con el paso del tiempo

Existen dos mtodos bsicos para llevar los registros de los

eventos en una simulacin:
1.- Incremento fijo de tiempo (que con frecuencia se denomina secciones de
tiempo
2.- Incremento variable de tiempo (que por lo general se denomina
secuenciacin de eventos)

En una simulacin con incremento fijo de tiempo, el reloj del sistema

avanza con un incremento fijo de tiempo (t) . En cada punto sucesivo del
tiempo simulado se examina el modelo para determinar si han ocurrido
cualesquier eventos en el incremento del tiempo.

Cuando se encuentra que ha ocurrido un evento se actualiza el modelo;

si no ocurren eventos se vuelve a incrementar el reloj del sistema. La
principal ventaja del mtodo de incremento fijo es que no resulta necesario
registrar la secuencia real de los eventos, puesto que la ocurrencia de cada
de los posibles eventos se verifica en cada uno de los incrementos en el
tiempo.
La desventaja del mtodo es que los incrementos de tiempo deben ser
breves en comparacin con el tiempo promedio de los eventos; por ello, se
lleva a cabo una revisin innecesaria puesto que durante algunos de los
incrementos de tiempo no sucede nada.

En las simulacin con incrementos variables de tiempo, el reloj del

sistema se adelanta el momento del siguiente evento, sin importar si se
trata de un da o meses del tiempo simulado. Al utilizar el mtodo del
incremento variable debe llevarse un calendario de tiempos para cada
evento, pero es ms eficiente desde el punto de vista de los clculos.

Simulacin de Montecarlo

Muestreo Monte Carlo

El origen de los mtodos modernos de simulacin proviene de lo que se
conoce como muestreo Monte Carlo, tcnica que fue utilizada en primer
lugar por J. Von Neumann y otros diversos investigadores, junto con
equipos militares de investigacin durante la Segunda Guerra Mundial. A
partir de mediados de la dcada de 1940, el procedimiento se ha aplicado
con xito a diversas reas tales:
Planeacin financiera probabilstica
Valuacin de seguros.
Modelos de inventarios y muchas otras reas.
El termino Monte Carlo se refiere a un proceso que se utiliza en forma
aleatoria para elegir valores mustrales a partir de una distribucin
probabilstica. Despus esos valores mustrales se utilizan como
entradas o valores operativos para un modelo de simulacin.

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

La tabla anterior representa las toneladas de basura que cada da

recoge el ayuntamiento de una ciudad. El objetivo es simular las
toneladas de basura que cada da recogen en un da especifico.
Para empezar el proceso, es necesario elaborar una distribucin
probabilstica acumulada.

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

Dado que para cualquier distribucin probabilstica acumulada las

probabilidades caen en el intervalo de 0 a 1, es posible generar una
ocurrencia aleatoria correspondiente a una distribucin probabilstica
especifica.

Si generamos al azar un nmero entre o y 1, entonces al determinar la

ubicacin del nmero generado aleatoria mente en el eje vertical, se
obtiene un valor muestral asociado para ese nivel de recoleccin.

Por ejemplo, suponga que generamos el nmero aleatorio 0.4764; el

nivel de recoleccin asociado sera 30

Si repitiramos este proceso de muestreo un gran numero de veces

(iteraciones), esperaramos obtener un valor de 30 toneladas para el nivel
de recoleccin de 25% de las veces, un valor de recoleccin de 50
toneladas el 12% de las veces.

Lo interesante aqu es que, los valores simulados para un nmero

grande de iteraciones corresponderan a la distribucin original
de basura.

Cmo generar numero aleatorios con Excel?

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

Aplicacin: 2 (concepto bsico de simulacin por computadora)

El personal de la comisin de la lotera, acaba de disear una nueva lotera
instantnea.

Tarjeta de
Lotera

Raspe una casilla en cada fila

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.

Cul es la mnima cantidad que el Estado puede cobrar por cada

tarjeta y todava obtener una ganancia?
Aplicamos la teora de probabilidades para obtener la respuesta deseada:
la cantidad a cobrar debe ser al menos igual a las ganancias esperadas por
tarjeta. La ganancia esperada, basndose en las dos ganancias posibles
de $1 y $5, se calcula de la siguiente manera:
Ganancia esperada= $1*(probabilidad de ganar $1)+$5*(probabilidad de
ganar $5)
Probabilidad de ganar $1=

1/2*1/2*1/2 = 1/8

Probabilidad de ganar $5=

1/2*1/2*1/2 = 1/8

Ganancia esperada= $1*1/8 + $5*1/8 = $0.75

Al cobrar mnimo $0.75, la lotera puede esperar salir a
mano.

La idea de la simulacin es imitar la situacin real en la que se espera que

un gran nmero de personas juegue en el nuevo juego de la lotera.

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.

Simulacin por analoga:

En vez de simular este juego fsicamente, podra simularlo por analoga. Por
ejemplo, considere la analoga entre raspar una casilla en rengln de la
tarjeta y lanzar al aire una moneda. El valor de la casilla raspada en cada
rengln es $1 o $5, con igual probabilidad. De manera similar, el valor de
una moneda lanzada es cara o cruz, con igual probabilidad. Aqu, cara
por analoga es $1 y cruz es $5. Puede simular los resultados de la lotera
siguiendo estos pasos en gran numero de veces. (digamos 100)
1.-Lance la moneda tres veces, una para determinar el resultado de cada
fila.
2.-Registre la ganancia asociada al resultado del paso 1: $1 si los tres
lanzamientos son caras, $5 si los tres lanzamientos son cruces y $0 de
otra forma.

Sumando las ganancias de estos 100 intentos y dividiendo entre 100 se

obtiene una estimacin de la ganancia esperada del juego.

Simulacin por computadora:

Cmo puede usar una computadora para lanzar la moneda, tabular los
resultados y efectuar los clculos necesarios? La respuesta es escribir un
programa de computadora en el que el lanzamiento de la moneda se
simula usando nmeros aleatorios para representar el resultado del
lanzamiento.
1.- Generar tres nmeros aleatorios uniformemente distribuidos entre cero
y uno correspondientes a los resultados de los tres lanzamientos de
moneda.
2.- Se puede asociar un valor de entre 0.0 y 0.5 como el correspondiente
al resultado de una cara y un valor mayor que 0.5 y menor o igual que 1.0
que corresponda a cruz.

Programa lo anterior en Excel, usa la funcin

aleatorio, si

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)

Programa lo anterior en Excel, usa la funcin

buscarv

Observe que el procedimiento de la simulacin por computadora ha

superado los inconvenientes de los dos mtodos anteriores al eliminar
el costo asociado con la impresin de tarjetas en la simulacin fsica y
el tiempo y esfuerzo manual necesarios para lanzar monedas y tabular
los resultados en la simulacin por analoga. Ms an, una vez que el
programa de computadora ha sido escrito y probado, efectuar el
lanzamiento 100,000 veces en vez de 100 veces para obtener una
mejor estimacin de la ganancia esperada, es pan comido para ti.

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

Como gerente, usted desea decidir cuntas copias de cada nueva

pelcula pedir: 0,1,2,3,4

La decisin ptima es la que da por resultado la mayor ganancia esperada

durante la vida del video, que es de 1mes (30 das). Para ilustrar suponga
que se piden 3 copias:
Ganancia esperada= (ingresos esperados durante 1 mes)+ (precio de
venta de las 3 copias)- (costo de compra de las 3 copias)
= (ingresos esperados por da*30 das)+($5*3) ($25*3)
Ganancia esperada
por da

$0* (probabilidad de o pedidos) +

$3* (probabilidad de 1 pedido)+
$6* (probabilidad de 2 pedidos)+
$9* (probabilidad de 3 pedidos)+
$9* (probabilidad de 4 pedidos)+
=(0*0.15)+ (3*0.25)+(6*0.45)+(9*0.10) +(9*0.05)= $4.80

(ingresos esperados por da*30 das)+($5*3) ($25*3)

$4.80*30+15-75= $84

Completar la siguiente tabla, segn el procedimiento anterior de acuerdo al

nmero de copias.

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

En este problema tambin ha sido posible obtener los resultados deseados

mediante un anlisis matemtico. La metodologa de la simulacin por
computadora se utiliza ahora para lograr un resultado similar.
Supongamos que decide pedir dos copias de
Para estimar los ingresos esperados usando
imitar el proceso de los clientes que solicitan
durante un periodo de 30 das y luego efectuar
los ingresos asociados.

la cinta a un costo de $50.

la simulacin, es necesario
copias de la cinta de video
los clculos para determinar

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

Nota: cada intervalo debe incluir el numero menor,

pero no el mayor.

Simulacin de 30 das para cuando tengo 2 videos disponibles, modelar en

Excel y obtener el ingreso promedio, hacer otras tablas para cero videos, 1
video, 3 videos, 4 videos y obtener el ingreso promedio
Da

1
2
3
4
5
6
7

..
30

Nmero
aleatorio
uniforme

Demanda

Ingresos

Para obtener la ganancia esperada: (suponiendo que tienes dos videos

disponibles)
Ganancia esperada total= (ingresos por renta totales)+(2*5) (2*25)

Los ingresos los vas ha

obtener de la simulacin

Nmero de
copias

Costo de
compra

Ingresos ($
mes)

$78

Valor de
reventa ($)

Ganancia ($)

$5

3
4

$99
$100

Costo por tiempo muerto de maquinaria vs

contratacin de personal:
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.

El gerente de produccin ha recopilado datos con respecto al tiempo que

transcurre entre descomposturas. Estos datos se muestran a
continuacin:
Tiempo entre descomposturas
(minutos)

Frecuencia de ocurrencia

15

16

14

17

15

18

28

19

36

20

27

21

15

22

Total

150

No se recopilaron datos con respecto al tiempo que el personal de

mantenimiento invierte en reparar una mquina; sin embargo, el gerente
proporcion una estimacin aproximada de los tiempos de servicio y de
las probabilidades asociadas.
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

El problema de esta empresa es determinar el nmero de personal de

mantenimiento , de manera que los costos de mantenimiento se equilibren
con las perdidas de utilidad y los costos de los operadores desocupados
que se esperan.
Recordemos que el costo del personal de mantenimiento es de $8 por
hora y el costo del tiempo muerto (utilidades que se pierden y costos de
operadores) es $30 por hora.

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

Se inicia la simulacin suponiendo que el da de trabajo comienza a las 8:00

am. La simulacin terminar al final de un da de trabajo de 8 horas. (Se
corre la simulacin hasta las 4:00 p.m., suponiendo que no existe tiempo
libre para el almuerzo.) Cuando ocurre una descompostura se comienza el
servicio de inmediato si est disponible una persona de mantenimiento; si no
lo est, la maquina pasa a una lnea de espera. Se dar servicio a las
mquinas que esperan en la lnea, sobre la base de que la primera que
llegue es la primera que se atiende.

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

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.

Consultar en Excel , ayuda, sobre

la funcin Si anidada.

Simulacin de distribuciones a travs de generadores de

proceso:
A partir de la simulacin manual del problema de mantenimiento de
mquinas, ahora debe resultar evidente que el manejo manual de una
simulacin no es prctico, aun para problemas de tamao reducido. Sin
embargo, programar el proceso requiere algo ms que una traduccin
literal de los procedimientos manuales, en particular si se desea desarrollar
un modelo eficiente de simulacin.
Dos factores pueden ayudar en forma considerable a controlar una
elaboracin eficiente de un modelo de simulacin:
1. Un procedimiento automtico para generar nmeros aleatorios
uniformes.
2. Un procedimiento para generar variables aleatorias que
correspondan a las distribuciones probabilsticas tericas.

Generacin de nmeros aleatorios:

Simulacin de distribuciones continuas de probabilidad:
Al simular la empresa que tenia problemas de mantenimiento, utilizamos
valores discretos para el tiempo entre descomposturas. En realidad,
estbamos aproximando estos valores de los tiempos puesto que, en la
practica, los tiempos pueden tomar cualquier valor, no slo valores
discretos.
En el mundo real existen diversas variables continuas de esta clase; por
ejemplo, el tiempo que transcurre entre las llamadas que llegan a un
conmutador, el tiempo que transcurre entre el inicio y el final de un
servicio en una ventanilla bancaria.

Es posible usar un mtodo de aproximacin para simular esas

ocurrencias; sin embargo, y dado que esas ocurrencias representan en
esencia variables aleatorias continuas, debe utilizarse una distribucin
continua en el anlisis.
Una de las ventajas de emplear distribuciones continuas es que es posible
determinar una ecuacin matemtica de forma cerrada que puede servir
como generador de proceso.
Generador de proceso uniforme
Recuerda que en el anlisis anterior que se hizo del mtodo de Monte
Carlo se proporcionaron datos para una distribucin probabilstica, y a
partir de esto se elabor una distribucin probabilstica acumulada.
Para elaborar un generador de proceso trabajamos con los mismos
factores, pero en forma matemtica. En trminos matemticos estos
factores se denominan, respectivamente, funcin de densidad
probabilstica y funcin de densidad acumulada.

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

Recordatorio de Calculo Integral

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

Dibujar la siguiente funcin

f ( x) 2 x
de la funcin anterior encontrar el rea bajo la curva
entre 0 y 2

Distribucin uniforme:
La funcin de densidad probabilstica para la distribucin uniforme se
define como sigue:

1
p ( x)
para a x b
ba

Observe que todos los valores que se

encuentran entre a y b tienen
densidades iguales de 1/(b-a), tienen la
misma probabilidad. (recordar que el
rea bajo la curva debe ser uno,
entonces (a-b)p(x) =1

Si recordamos que cuando se desarroll la distribucin acumulada para el

ejemplo de Monte Carlo se sumaron las probabilidades de la distribucin
original, se utiliza este proceso para calcular la funcin acumulada de
densidad, excepto que ahora necesitamos emplear clculo integral puesto
que estamos trabajando con datos continuos. El procedimiento implica
integrar la funcin probabilstica de densidad para el intervalo de valores.
x

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)

Si recordamos que en el procedimiento de muestreo para el mtodo de

Monte Carlo, obtuvimos una muestra de la distribucin probabilstica
acumulada generando un nmero aleatorio, identificando la probabilidad
acumulada asociada a aqul y eligiendo el valor correspondiente de la
variable.
En trminos matemticos, se utiliza el mismo procedimiento para elaborar
un generador de proceso. La tcnica se denomina procedimiento de
transformacin inversa. El procedimiento implica igualar la variable
aleatoria uniforme R (en donde R se encuentra entre o y 1) a P(x) y
despejar 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

Distribucin exponencial negativa

Al analizar la teora de las lneas de espera, hicimos notar que la
distribucin de los tiempos de servicio que se usa en muchas situaciones
de lneas de espera es la distribucin exponencial negativa. Tambin
puede determinarse un generador de proceso para esta distribucin
utilizando la tcnica de la transformacin inversa.

http://www.oracle.com/technology/products/bi/crystalball/index.html

La funcin de densidad probabilstica, para la distribucin exponencial

negativa se define matemticamente como sigue:

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.

Nota: R es un numero aleatorio entre o y 1

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)

Dada una tasa promedio de servicio, , y una variable aleatoria

uniforme, R, ahora es posible generar valores mustrales para la
longitud del tiempo de servicio, x.
Por ejemplo, si la tasa promedio de servicio, , para una operacin
determinada es de 6 unidades por hora y se genera una valor
aleatorio uniforme de 0.5, entonces el valor muestral sera

x (1 / 6 por hora) ln(0.5)

x (1 / 6)(0.693)horas
si lo dejo as la respuesta queda en horas
si lo deseo en min utos lo multiplico por 60
x (60 / 6)(0.693) min utos
x 6.93 min utos

Ejercicio:
Generar
10
tiempos de
llegadas con la distribucin
exponencial negativa, realiza
esto en Excel.

Simulacin de distribuciones discretas de probabilidad

Existen diversas distribuciones tericas y discretas de probabilidad. Las
distribuciones discretas que se utilizan con mayor frecuencia para los
modelos de simulacin son la binomial y la de Poisson.
Es posible determinar generadores de proceso para distribuciones
discretas de probabilidad utilizando el mtodo de transformacin inversa,
pero un mtodo ms sencillo consiste en utilizar un proceso de conteo
conocido como mtodo de composicin.

Generador de proceso binomial

La funcin probabilstica de masa, es decir, el modelo matemtico para la
distribucin binomial, se expresa como sigue:

p ( x)

n!
p x (1 p) n x
x!(n x)!

n= nmero de ensayos independientes (tamao de la muestra)

p= probabilidad de xito en cualquier ensayo
x= variable aleatoria que representa el nmero de xitos en n
ensayos.
Dados los parmetros n y p, el generador de proceso binomial simplemente
implica muestrear n veces y contar el nmero de xitos, x. En cada ensayo,
se genera un valor aleatorio, R, y se compara con la probabilidad de xito, p.
Si el valor aleatorio R es menor que p, el ensayo se denomina xito y se
cuenta; si Rp, el ensayo es un fracaso. Despus de n ensayos, el nmero
total de xitos es el valor de la variable binomial aleatoria.

Generador de proceso de Poisson

Anteriormente en estadstica o en investigacin de operaciones hemos
visto el uso de la distribucin de Poisson en el anlisis de lneas de
espera. Se observ que si se recopilan datos en forma de nmero de
llegadas por periodo, entonces es probable que los datos puedan
describirse mediante la distribucin de Poisson. Recuerde que la funcin
de masa de la probabilidad para la distribucin de Poisson es:

(T ) x e T
p ( x)
,
x!

0 x

en donde T= nmero promedio de llegadas por periodo T

x = nmero de llegadas en el intervalo de tiempo

Existe una relacin dual entre la distribucin exponencial negativa y la de

Poisson. En forma especifica se sealo que si el nmero de llegadas por
periodo puede describirse a travs de la distribucin de Poisson,
entonces es posible describir el tiempo entre llegadas mediante la
distribucin exponencial negativa.
Puede aprovecharse esta relacin para desarrollar un generador de
proceso para la distribucin de Poisson. Simplemente se simulan los
tiempos de las llegadas utilizando un generador de proceso exponencial
negativo y se cuenta el nmero de llegadas que ocurren en el periodo T.

Mtodo de composicin
Poisson:

para generar valores aleatorios tipo

1. Identificar la longitud del periodo, T, Inicializar a cero un

contador de nmero de llegadas, n, y un contador de tiempo
entre llegadas, t.
2. Generar el tiempo entre llegadas para una de ellas utilizando el
generador de proceso exponencial negativo.

3. Sumar a t el tiempo entre llegadas obtenido en el paso 2; sumar

1 al contador de nmero de llegadas, n.
4. Si t > T en el paso 3, entonces descartar la ltima llegada, restar
1 a n, y proceder con el paso 5, si no es as, ir al paso 2.
5. El valor de n es un resultado aleatorio para la distribucin de
Poisson.

Pruebas de bondad del ajuste.

Antes de poder utilizar un generador de proceso en un estudio de
simulacin, debe mostrarse primero que es posible representar los datos
empricos a travs de una distribucin probabilstica terica conocida.
Por ejemplo en los modelos de lneas de espera debe demostrarse que
la tasa de llegadas tiene una distribucin Poisson y el tiempo de servicio
una distribucin exponencial.
Es posible emplear diversas pruebas estadsticas para probar la bondad
del ajuste de una distribucin terica a conjunto determinado de datos.
Una de las que mas se usan con mayor frecuencia es la prueba Ji
cuadrada X2

La prueba de X2 pretende determinar si existe diferencia significativa entre

las frecuencias esperadas (las que se basan en la distribucin terica) y
las frecuencias reales (las de los datos). Los pasos que se utilizan en el
proceso de prueba son los siguientes:
1. Plantear la hiptesis de prueba, Ho, que seala que los datos
observados se extrajeron de una poblacin que puede describirse
a travs de una distribucin terica conocida.
2. Plantear la hiptesis alternativa, H1, que seala que los datos
observados no se extrajeron de la poblacin planteada en el paso
1.
3. Identificar el nivel de significacin, , con el que se llevar a cabo
la prueba. (Recordar que 1- es el nivel de confianza de una
prueba estadstica.)
4. Utilizando la siguiente relacin matemtica.

cal

( fo fe) 2
fe

en donde X2cal = valor calculado de X2

fo = frecuencias observadas
fe = frecuencias tericas o esperadas.
Si X2cal > X2 tablas , entonces se rechaza Ho (se acepta H1)

Nota: La distribucin continua chi cuadrada puede aproximarse

razonablemente a la distribucin discreta 2
( fo fe) 2

cal

fe

siempre y cuando todos los valores de fe sean de al menos 5. (Hay

formas para evitar el problema de una frecuencia que se espera menor
que 5, como combinar categoras de manera que todas las frecuencias
que se esperan sean al menos 5)

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)

Frecuencia observada (fo)

70

84

34

12

Calculamos primero el numero promedio de llegadas por hora,

=Total de llegadas/nmero de periodos = 204/204 = 1

(T ) x e T
p ( x)
,
x!

0 x

en donde T= nmero promedio de llegadas por periodo T

x = nmero de llegadas en el intervalo de tiempo
Nmero
de
llegadas
por hora
(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

0.36788 x 204= 75.05

(70-75.05)2/75.05
=0.3398

84

p(x=1)=(1)(e-1)/1!=0.36788

0.36788 x 204= 75.05

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

Grados de libertad= Numero de categoras 1= 4-1=3

= 0.05 95% de confianza
Si X2cal > X2 tablas , entonces se rechaza Ho (se acepta H1)

Regin aceptacin

Regin de rechazo

Chi-critica, que se busca con las tablas = 7.815

Llega Don Poisson

Existe un relacin dual entre la distribucin exponencial

negativa y la de Poisson. En forma especifica se sealo
que si el nmero de llegadas por periodo puede
describirse a travs de la distribucin de Poisson,
entonces es posible describir el tiempo entre llegadas
mediante la distribucin exponencial negativa.

Lo atiende Doa
Exponencial

Notas, tcnicas (respecto a la dualidad en las distribuciones de

probabilidad
Many of the distributions discussed in this chapter are related to one another
in various ways. For example, the geometric distribution is related to the
binomial distribution.
The geometric distribution represents the number of trials until the next
success while the binomial represents the number of successes in a fixed
number of trials.
Similarly, the Poisson distribution is related to the exponential distribution.
The exponential distribution represents the amount of time until the next
occurrence of an event while the Poisson distribution represents the number
of times an event occurs within a given period of time.
http://www.elmundo.es/traductor/

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.

Preguntas de repaso: (Tarea)

1.-Defina el trmino simulacin
2.-Explique en que difiere el proceso de solucin de problemas con base en
la simulacin del proceso algortmico asociado con los modelos analticos.
3.-D una breve explicacin del mtodo de muestreo Monte Carlo. Cmo
se utiliza este concepto en cualquier situacin?
4.-Cmo se usan los generadores de nmeros aleatorios en la simulacin?
5.-Qu es un generador de proceso? D un ejemplo de la forma en que se
utilizan los generadores de proceso.
6.-Cmo se utilizan las pruebas ji cuadrada en la simulacin?
7.-Explique qu factor debe considerarse al determinar el nmero de
iteraciones (muestras) que han de usarse en un estudio determinado de
simulacin. Cmo se relaciona este problema con la condicin de estado
estacionario de los resultados de la simulacin?

Simulacin de lneas de espera

Comparacin de 4 lneas independientes y una sola lnea y cuatro cajeros
atendiendo:
Se investigaron dos arreglos:
(1) la disposicin existente constaba de cuatro lneas paralelas e
independientes de automovilistas, en donde un cajero daba servicio a
cada una de ellas.
(2) el plan propuesto era hacer que todos los clientes esperaran en una sola
lnea; de aqu cada uno de ellos pasara al primer cajero que estuviera
disponible cuando hubiera llegado al primer lugar de la fila.
Los clientes llegan en forma aleatoria a razn de 16 por hora y que cada
cajero de atencin a automovilistas manejaba transacciones a razn de 8
por hora. (En este anlisis se supone que se han recolectado y probado
los datos para determinar que la distribucin del nmero de clientes que
llegaban por hora era tipo Poisson, y que el tiempo de servicio se
distribua en forma exponencial)

Comenzaremos el anlisis del ejemplo, examinando primero el caso en

el que existen cuatro lneas paralelas (en trminos de lneas de espera
M/M/1).
Comenzaremos la simulacin suponiendo que el banco abre a las 8:00
a.m. y comienza atender a los clientes conforme van llegando. Puesto
que el objetivo es simular a cuatro cajeros de atencin a automovilistas
que operan en paralelo, los clientes deben de distribuirse en forma
proporcional entre los cajeros. Es posible lograr esto asignando a los
clientes a cada cajero en forma secuencial hasta que se haya ocupado
cada uno de los cajeros, y despus se repite el proceso.
Para comparar los resultados simulados con los analticos, es necesario
recopilar datos sobre el tiempo de servicio, as como tambin sobre el
tiempo de espera.
Realizar esta simulacin en Excel. (4filas(4cajeros).xls)

Ventajas y desventajas de los lenguajes de propsito especial

Por lo general, el uso de un lenguaje de simulacin puede reducir el
tiempo y el costo de preparar los programas. Esto ocurre porque la
mayora de los lenguajes tienen caractersticas como las siguientes:
Una rutina maestra de programacin cronolgica que lleva un registro
de los eventos y que los programa conforme ocurren en el tiempo
simulado.
Generadores de nmeros aleatorios.
Generadores de proceso que pueden utilizarse para generar valores
aleatorios para diferentes distribuciones probabilsticas.
Rutinas automticas de recopilacin de datos estadsticos.
Informes estadsticos automticos y de formato fijo , as como grficas
de datos para el informe de resultados.
Generadores de informes de salida flexible.
Capacidades de diagnostico dentro del lenguaje que permiten verificar
errores de sintaxis en el lenguaje y errores de lgica en el modelo.

Desventajas
Es posible que se requiera una capacitacin prolongada para su uso.
Es posible que el lenguaje no est disponible en alguna computadora
determinada.

Nmero de iteraciones (tamao de la corrida)

Puesto que la simulacin implica muestreo, los resultados de un
experimento de simulacin estn sujetos a errores mustrales, al igual
que en el caso de cualquier experimento muestral. Por ello, la exactitud
de los resultados de simulacin para un conjunto definido de condiciones
est en funcin del tamao muestral o del nmero de iteraciones del
modelo.
Dado que el tiempo de simulacin se relaciona con el numero de
iteraciones (eventos) para una simulacin con incremento variable de
tiempo, podra pensarse que es posible minimizar el error muestral
corriendo la simulacin un periodo prolongado. Pero para muchos
modelos de simulacin, esto podra dar como resultado costos
innecesarios de computadora.

Una forma ms realista de controlar el error muestral es utilizar una tcnica

estadstica bsica

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=

Encuentra el valor de n , en cada caso, segn

corresponda.

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

Completa la tabla para 20 corridas y obtn el promedio por hora

de llegadas.

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 entre llegadas

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

Peluquera abre a las 8:00 am , con dos peluqueros.

Llegadas

Nmero
aleatorio

Hora
llegada

Nmero
aleatorio

Empieza
el
servicio

Trabaja
el
peluquer
o N __

Termina
el
servicio

1
2
3
4
5
6

20

Realizar el mismo anlisis con 3 peluqueros.

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?

P(x)= (x-a)/(b-a) = (x-8)/(12-8) =

Despeja x=
Automvil
1

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.

100 descomposturas1 hora

1 descompostura ..x hrs.
=1/100

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

a.- Trace la funcin.

b.- Identifique (Encuentre) la funcin de distribucin acumulada.
c.- Utilizando el mtodo de transformacin inversa, desarrolle el
correspondiente generador de proceso.

(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

El nmero de clientes que llegan a un banco con cajeros para

automovilistas puede describirse mediante una distribucin de Poisson con
una media de 4 llegadas cada media hora. Simule la llegada de clientes en
un periodo de una hora. (Recuerda la relacin recproca que existe entre el
tiempo de llegadas(distribucin exponencial negativa) y el nmero de
llegadas por periodo de tiempo (distribucin de Poisson).

= 4 cada media hora

= 8 cada hora
Tiempo entre arribos =7.5 min
x=
R (Nmero aleatorio)

x= tiempo entre llegadas

tiempo que va
transcurriendo
(acumulada)

Flexsim es un poderoso programa de simulacin que permite visualizar y

probar cambios en las operaciones y los procesos de logstica, manejo
de materiales y manufactura de la manera ms rpida y sencilla evitando
los altos costos, riesgos y extensos tiempos que conllevan el
experimentar con cambios en el mundo real y su anlisis por prueba y
error.

Vistas del Modelo

Flexsim tiene un ambiente de modelado en realidad virtual que usa la
tecnologa openGL. La vista ms comn para construir modelos es la de
arriba hacia abajo en ortogonal (orthographic view).
Flexsim permite esta vista (ortho) y la de perspectivas (persp). Generalmente
es ms fcil empezar a desarrollar el layout con la vista desde arriba (ortho)

Los objetos de Flexsim se encuentran la Biblioteca

de Objetos (Object Library) que es un panel
cuadriculado. Incluyen:

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.

La vista ortogonal y la vista de perspectiva:

Le permite para ver y corregir su modelo en un ambiente 3D. La vista
ortogonal usa la proyeccin ortogonal paralela, y es usada en el diseo y
construccin de la primera fase. La ventana de la perspectiva usa la
proyeccin de la perspectiva, dando al modelo un sentido mas amplio de
3D. Esto es usado una vez que usted ha construido el modelo y quiere
visualizarlo.

Moviendo Alrededor de la Vista:

Para moverse alrededor en la vista, pulsar-y-tomar el piso del modelo, y
arrastra el ratn alrededor en la vista. Esto traducir la cmara. Para hacer
girar la vista, derecho pulsar-y-tomar el piso del modelo y arrastrar el ratn en
direcciones diferentes. Para usar el zoom en y hacia fuera, presione ambos
botones de ratn y mueva el ratn arriba y abajo. Usted tambin puede usar el
zoom en y hacia fuera por la rueda media del ratn.

Si usted trabaja en una vista(opinin) de la perspectiva, usted tambin puede

hacer un ratn la mosca dirigida por la utilizacin de la llave F7. Asegrese
que el ratn est en el centro de la ventana. Entonces presione la llave F7.
Mueva el ratn arriba y abajo para volar adelante y hacia atrs. Mueva el
ratn dejado(abandonado) y el derecho de girar izquierdo y derecho. Una vez
que usted es terminado, el chasquido sobre el botn F7 otra vez para salir la
mosca - por el modo. Es a menudo ms fcil navegar si la vista(opinin) es
configurada como la primera persona (de la ventana de ajustes).

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.

Hacer girar el objeto:

Seleccione el Tamao/Rotacin de Objeto de Revisin del men popup, luego
pulse sobre una de las tres flechas de eje con el botn de ratn derecho y
arrastre el ratn arriba y abajo. Para cambiar el tamao del objeto, pulse sobre
una de las tres flechas de eje con el botn de ratn izquierdo y arrastre el ratn
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.

La creacin y Juegos de Seleccin Editing Usted puede crear juegos de

seleccin para tener operaciones se aplican a un juego entero de objetos.
Aadir el objeto al juego, domin el Cambio(Movimiento) o la llave Ctrl y la
rastra una caja alrededor de los objetos que usted quiere seleccionado. El
Cambio(Movimiento) de Dominacin reinicializa el juego de seleccin,
mientras la propiedad Ctrl abajo aade los objetos al juego de seleccin.
Usted puede tambin domin el Cambio(Movimiento) o Ctrl y chasquido
sobre objetos, en vez de arrastrar una caja alrededor de ellos.

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.

Salve(Ahorre) ... - Esta opcin salva(ahorra) el Archivo corriente Modelo

(.fsm la extensin). Cualquier cambio que ha sido hecho al modelo corriente
ser salvado(ahorrado).
Salve(Ahorre) el Modelo Como ... - Esta opcin permite al usuario para
salvar(ahorrar) el modelo a un archivo. El archivo que es creado tiene la
extensin .fsm. El contenido entero del rbol modelo ser
salvado(ahorrado).

Archivos Estatales - Esta opcin permite al usuario para salvar(ahorrar) el

estado (el modelo corriente controlado) del modelo, o cargar un modelo
salvado(ahorrado) estatal para seguir la carrera. El ahorro del estado es
provechoso cuando su modelo est en medio de una simulacin controlada y
usted quiere ahorrar en su estado corriente (todo el flowitems permanece
donde ellos son y los recursos dejan en su estado corriente de operacin), y
la carga luego posterior el estado del modelo y ser capaces de seguir
controlando la simulacin de aquel punto.

Salve(Ahorre) el Estado - Esta opcin

salva(ahorra) el estado corriente del
modelo.
El Estado de Carga - Esta opcin carga y
compila un modelo salvado(ahorrado)
estatal.

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.

Ya que ests en global preferences, le pones que sea en modo de

compatibilidad, y los bits de acuerdo a tu computadora.

Para poder ver las graficas de las estadsticas, debes de activar la

recoleccin de estadsticas. Palomeando, Record Data

Lo anterior lo haces, dndole botn derecho, escoges, propiedades, luego te

vas a estadsticas, y en la parte inferior tienes la opcin (Flexim 4.0)

Aplicacin: Realiza esta simulacin en Flexim

La clnica Matasanos est evaluando los requerimientos de la sala de espera
para los pacientes que llegan. Se ha observado que los pacientes llegan a la
clnica en forma aleatoria (con distribucin de Poisson) y con una tasa
promedio de 4 por hora. A los pacientes se les trata uno a la vez, y se atiende
primero al primero que llega. El tiempo que un paciente invierte en el
tratamiento tiene una distribucin exponencial negativa con tiempo promedio
de 12 minutos.
a) En promedio cuantas personas estn esperando en cola
b) En promedio el doctor que porcentaje de tiempo esta ocupado.
c) En promedio cuantos asientos debe tener la sala de espera

Para conectar los nodos, pones los nodos

necesario, despus los unes con A
Botn derecho, para darle curva.