Académique Documents
Professionnel Documents
Culture Documents
El modelo EOQ que no permite faltantes parte de los supuestos siguientes: Demanda
constante (d), no permite faltantes, costo de mantener el inventario (Cm), costo de
pedir (Cp), costo de adquisición (Cu) tiempo de entrega igual a cero (no existe
demoras). La ecuación del costo en un periodo (t1) es:
+ ®
8 ®
= 8- ∗ ® + 8) + 8 ∗
2
El número total del períodos y el tiempo t están en función de la demanda (D) y la
cantidad de inventario (Q).
<
"ú$%
+
+( $ )$%
# " =
®
®
¢ $)
+ =
<
Calculando el costo total por unidad de tiempo se tiene que:
®
< y z∗®
8¢®
= °8- ∗ ® + 8) + 8 ∗ < ±
® 2
< ®
8¢®
= 8- ∗ < + 8) ∗ r t + 8 ∗ r t
® 2
Para encontrar el Q óptimo será necesario minimizar el costo total, haciendo uso del
cálculo diferencial
8¢®
=0
®
< 1
−8) r t + r t 8 = 0
® 2
2 ∗ < ∗ 8)
® = I
8
En el modelo EOQ que si permite faltantes, la ecuación del costo de un periodo está en
función de Q (cantidad a pedir) y S (Faltante permitido), incorporando el costo por
faltantes (Cf).
+ ²k +
8®,
= 8- ∗ ® + 8) + 8 ∗ r t + 8. ∗ r t
2 2
Por medio de semejanza de triángulos se encuentran los valores de Imax, t1, t2.
²k = ® −
®−
+ =
<
+ =
<
Sustituyendo en C(Q,S), los valores encontrados la ecuación del costo de un periodo
queda de la siguiente forma:
® −
8®,
= 8- ∗ ® + 8) + 8 ∗ P Q + 8. ∗ P Q
2< 2<
<
8
#+
+
+( )
% -, $ + $)
8¢®,
= r t ∗ 8®,
< ® −
8¢ ®, = r t ³8- ∗ ® + 8) + 8 ∗ P Q + 8. ∗ P Q´
® 2< 2<
< ® −
8¢®,
= ³8- ∗ < + 8) r t + 8 ∗ P Q + 8. ∗ P Q´
® 2® 2®
Una vez obtenida la ecuación se calcula el mínimo costo, es posible derivar con
respecto a Q, y con respecto a S, obteniendo dos ecuaciones:
8¢®,
=0
®
−2 ∗ < ∗ 8) + 8 ∗ ® − 8 ∗ + 8. ∗ = 0
8¢®,
=0
−8 ∗ ® + 8 ∗ + 8. ∗ = 0
2 ∗ < ∗ 8)8. + 8
®∗ = I
8. ∗ 8
2 ∗ < ∗ 8) ∗ 8
∗ = I
8. ∗ 8. + 8
Modelo II.- LEP (Lot Economic Production).- También conocido como el modelo EPQ
(Economic Production Quantity) fue desarrollado por E. W. Taft en 1918, para conocer
la cantidad óptima de producción, la cual minimiza los costos asociados
asociados.. Este modelo
es utilizado cuando la producción de los productos está a cargo de la misma empresa,
produciendo hasta llegar a un nivel máximo de inventarios, suspende la producción
hasta que la demanda agote las existencias, inicia de nuevo la producción.
Donde:
+ + +
∗ ²k
8 ®
= 8- ∗ ® + 8
+ 8 ∗ r t
2
<
²k = ® ∗ r1 − t
L
®
+ + + = r t
<
Sustituyendo en C(Q) se tiene:
® <
y z ∗ P® ∗ y1 − zQ
· < L º
8 ®
= 8- ∗ ® + 8
+ 8 ∗ ¶ ¹
2
µ ¸
<
8
#+
+
+( )
% -, $ + $)
8¢®
= r t ∗ 8®
<
P® ∗ y1 − L zQ
< · º
8¢®
= 8- ∗ < + 8
∗ r t + 8 ∗ ¶ ¹
® 2
µ ¸
8¢®
=0
®
−8
∗ < 8 <
+ r t ∗ r1 − t = 0
® 2 L
2 ∗ < ∗ 8
®∗ = I
<
8 ∗ 1 −
L
IIb- LEP Si permite faltantes.
Donde:
+7 = + $) $, R-$ #$ )% - $ ( # )% - + # .(+,+$#
+ + +
∗ ²k +@ + +7
∗
8 ®,
= 8- ∗ ® + 8
+ 8 ∗ r t + 8. ∗ P Q
2 2
<
²k = r® ∗ r1 − t − t
L
+ = G¾
» ²k
+ = +@ = +7 =
¼½
1 1
+ + + = ²k ∗ r + t
< L − <
< 1 1
+ + + = r® ∗ r1 − t − t ∗ r + t
L < L − <
1 1
+@ + +7 = ∗ r + t
< L − <
+ + +
∗ ²k 8 1 1
8 ∗ r t = r t ∗ ³²k ∗ r + t´ ∗ ²k
2 2 < L − <
8 1 1
= r t ∗ ²k
∗r + t
2 < L − <
8 < 1 1
=r t ∗ r® ∗ r1 − t − t ∗ r + t
2 L < L − <
1 1
+@ + +7
∗ ∗ r< + t
L − <
8. ∗ P Q = 8. ∗ ¿ À
2 2
8. ∗ 1 1
= P Q∗r + t
2 < L − <
8 < 1 1
8®,
= 8- ∗ ® + 8
+ r t ∗ r® ∗ r1 − t − t ∗ r + t +
2 L < L − <
8. ∗ 1 1
P Q∗r + t
2 < L − <
<
8¢®,
= r t ∗ 8®,
< 8 <
1
8¢®,
= 8- ∗ < + 8
∗ r t + r t ∗ r® ∗ r1 − t − t ∗ ° ±
® 2∗® L <
1−L
8. ∗ 1
+P Q∗° ±
2∗® <
1−L
8¢®,
=0
®
−8
∗ < 8 < 8 ∗ 1 8. ∗ 1
+ r t ∗ r1 − t − P Q ∗ ° ± − P Q ∗ ° ±=0
® 2 L 2 ∗ ® < 2 ∗ ® <
1− 1 −
L L
2 ∗ 8
∗ < 8 + 8.
®∗ = I I
< 8.
8 ∗ 1 −
8¢®,
=0
8 ∗ 8. ∗
−8 + + =0
< <
® ∗ 1 −
® ∗ 1 −
L L
2 ∗ 8
∗ < < 8
∗ = I I1 −
I
8. L 8 + 8.
Modelo III.- Probabilístico (EOQ con demanda variable).- Este modelo está basado en
una demanda variable que tiene un comportamiento normal. El modelo es una
adaptación del modelo EOQ, en la cual la Demanda (D) está dada por los parámetros
estadísticos media (µ) y desviación estándar (σ) que siguen una distribución normal :
1
Á=
<
y® z
Se desea simular un sistema de inventario por un periodo de 100 dias. Este sistema
tiene una política con un punto de reorden igual a 600 unidades y una cantidad a
ordenar de 500 unidades. El inventario inicial es de 700 unidades. Se tiene una
demanda diaria con un comportamiento uniformemente distribuido entre 40 y 63
unidades. El tiempo de entrega de la orden es de una semana (5 dias).
Solución:
Las variables que son utilizadas deben definirse previamente, las cuales deben
almacenar los siguientes datos:
• Inventario. (Stock)
• Demanda diaria. (Demanda)
• Punto de reorden. (Point)
• Cantidad a ordenar. (EOQ)
La instrucción INITIAL se utiliza para inicializar variables que serán utilizadas dentro de
la lógica del programa. Es utilizado para definir variables globales, las cuales se utilizan
en combinación con las instrucciones SAVEVALUE (actualiza la variable), y la
instrucción TEST (Compara el valor de variables).
INITIAL X$DEMANDA,0 ; Se inicializa la demanda diaria = 0 unidades. (se calculará cada dia en el proceso)
Tabla 4.25.-Código GPSS que muestra la instrucción SAVEVALUE para el cálculo de la demanda .
Una vez que se tiene el valor de la demanda diaria se debe disminuir el inventario
existente, utilizando la siguiente instrucción:
Tabla 4.26.-Código GPSS que muestra la instrucción SAVEVALUE para disminuir el stock .
Del mismo modo al momento que el pedido realizado llegue, es necesario actualizar el
inventario existente, haciendo de la instrucción siguiente:
Tabla 4.27.-Código GPSS que muestra la instrucción SAVEVALUE para incrementar el stock .
SI la política es de espera, se puede simular haciendo uso de una instrucción TEST para
asegurarse de esa espera.
TEST GE X$STOCK,X$DEMANDA
Tabla 4.28.-Código GPSS que muestra la instrucción TEST para comparar el stock vs demanda.
DEMANDA = DUNIFORM(1,40,63)
STOCK < POINT F
F
v STOCK >=
DEMANDA
ADVANCE 5
TERMINATE 1
TERMINATE
Código GPSS.
OTRA TEST L X$STOCK,X$POINT ; Si el STOCK < POINT Entonces avanza, de lo contrario espera a que se cumpla la condición
SAVEVALUE STOCK+,X$EOQ ;Recibe el pedido y actualiza el inventario existente STOCK = STOCK + EOQ
TRANSFER ,OTRA ;Repite el ciclo (se transfiere la transacción al bloque etiquetado con OTRA
TERMINATE
TEST GE X$STOCK,X$DEMANDA ;Si el STOCK > DEMANDA Entonces avanza, de lo contrario espera a que se cumpla
Al finalizar los 100 dias simulados se tiene un inventario final de 614 unidades, y la
última demanda diaria (la del día 100) fue de 50 unidades.
Esta instrucción permite definir e inicializar una tabla para almacenar una distribución
de frecuencias (histograma). Esta instrucción tiene la siguiente sintaxis:
Tabla 4.30.-Código GPSS para definir la tabla INVENTARIO usando la instrucción TABLE.
El nombre de la tabla es INVENTARIO, en el operando A se especifica el dato a tabular,
el operando B es el límite superior del primer intervalo, el operando C es el tamaño del
intervalo, y el operando D es la cantidad de intervalos.
Tabla 4.31.-Código GPSS para definir la tabla VENTAS usando la instrucción TABLE.
Una vez definida la tabla haciendo uso de la instrucción TABLE, es posible con la
instrucción TABULATE registrar los datos. La instrucción TABULATE tiene la siguiente
sintaxis:
TABULATE A,B
Tabla 4.32.-Código GPSS para tabular datos en la tabla INVENTARIO definida previamente.
Tabla 4.33.-Código GPSS para tabular datos en la tabla VENTAS definida previamente.
OTRA TEST L X$STOCK,X$POINT ; Si el STOCK < POINT Entonces avanza, de lo contrario espera a que se cumpla la condición
SAVEVALUE STOCK+,X$EOQ ;Recibe el pedido y actualiza el inventario existente STOCK = STOCK + EOQ
TRANSFER ,OTRA ;Repite el ciclo (se transfiere la transacción al bloque etiquetado con OTRA
TERMINATE
TEST GE X$STOCK,X$DEMANDA ;Si el STOCK > DEMANDA Entonces avanza, de lo contrario espera a que se cumpla
Personal involucrado
Criterios Descripción
Validación interna Establece una estabilidad y consistencia entre las corridas del
modelo.
Validación superficial Impresiones subjetivas de aspectos relevantes de la realidad.
Validación variable-parámetro Análisis de sensibilidad realizando comparaciones con valores
de las variables-parámetros.
Validación de eventos Establece similitudes de eventos.
Validación de hipótesis Realiza pruebas de hipótesis .
Los modelos de simulación son imitaciones aproximadas de sistemas del mundo real y
deben ser validados para asegurar la confiabilidad.
Las variables de entrada son datos que se alimentan al modelo, son predeterminadas y
proporcionadas independientemente del sistema que se modela. Las variables de
proceso. son variables utilizadas para realizar el proceso, describen el estado del
sistema en cualquier instante. Pueden estar relacionadas con otras variables. Las
variables de salida son las variables que intenta predecir el modelo, representan los
resultados de la simulación.
Si hay datos del sistema actual, estos se pueden utilizar para compararlos con los
resultados del modelo. Es lo que se conoce como validación de resultados. Los
resultados se deben revisar para verificar su coherencia y consistencia de acuerdo con
el funcionamiento esperado del sistema.
El análisis de sensibilidad debe realizarse para detectar que factor tiene un efecto
mayor sobre los resultados del modelo para mejorar su representación si fuera
necesario.
La verificación.
Existen varias técnicas para verificar el modelo, verificar por un experto, examinar la
lógica de los diagramas de flujo, examinar las salidas que estén dentro de rangos
razonables, prueba con varios conjuntos de datos de entrada, y todas las técnicas que
propone la ingeniería de software son aplicables en el modelo de simulación.
La validación.
La validación debe ser diseñada y conducida por personal experto en las ciencias
computacionales y experimentadores del área de estudio, estableciendo un fuerte lazo
desde la concepción del modelo, hasta la etapa de la documentación, seguido de un
análisis de fortalezas y debilidades.
La validación debe estar diseñada para captar los aspectos físicos relevantes, las
condiciones iniciales, y las condiciones de acotamiento y los datos auxiliares tales
como supuestos y la medición de los datos de entrada, y en lo posible la incorporación
de las características de las imperfecciones.
Realizar una jerarquía de las medidas experimentales que presentan un alto nivel de
dificultad computacional.
Procedimientos de análisis de incertidumbre para estimar la aleatoriedad y errores de
sesgo correlacionados. El uso de métodos modernos estadísticos para estimar la
aleatoriedad y errores de sesgo en las variables de entrada y de salida. Y en lo posible
conducir experimentos utilizando técnicas de diagnóstico.
Métricas de validación.
Inferencias típicas.
Sistema
Sistema
En la inferencia débil no se superponen los
Caso III.- Inferencia débil – Gran extrapolación dominios de aplicación y validación. Se realiza
una gran extrapolación en términos de
direcciones de las meta-coordenadas debido
C a: Cambios recientes en la complejidad física,
o Dominio de introducción de nuevos acoplamientos físicos,
m o la introducción de acoplamientos entre
aplicación
p subsistemas o componentes del sistema.
l Extrapolación
e
j
i
d
Dominio de validación
a
d
Sistema
PRUEBAS DE HIPÓTESIS.
La hipótesis nula, representada por H0, es la afirmación sobre una o más características
de poblaciones que al inicio se supone cierta (es decir, la creencia a priori).
Población
Muestreo
Muestra aleatoria
La hipótesis nula conocida como H0 es el supuesto que indica que el valor del
parámetro es constante y que no sufre cambios. Es planteada generalmente con la
intención de rechazarla.
Los errores que se pueden cometer al realizar una prueba de hipótesis son los
siguientes:
Una buena prueba estadística es aquella prueba en que permite tomar una decisión
con un error mínimo de error. Es decir que los valores α y β tiene valores mínimos.
Mostrando la decisiones en términos de esos errores tenemos que:
Al rechazar una hipótesis nula verdadera se incurre en el error de tipo I, mientras que
no rechazar la hipótesis nula cuando es falsa se incurre en el error de tipo II. El error de
tipo I (α) está bajo control del investigador y es establecido antes de realizar la prueba,
también se le conoce como el nivel de significancia, y el (1-α) es conocido como el nivel
de confianza o la probabilidad de que el parámetro esté dentro de este intervalo de
confianza.
El error de tipo II (β) varía con respecto a α, debido a varias causas entre las cuales se
destaca el tamaño de la muestra, la prueba estadística, el diseño elegido y la magnitud
del efecto. A (1-β) se le conoce también como la potencia, es decir la probabilidad de
no cometer el error de tipo II.
Región de rechazo.
La región de rechazo o región crítica es aquella en que contiene valores del estadístico
de prueba en que la hipótesis nula es rechazada. Esta región depende de la
distribución de probabilidad del estadístico de prueba utilizado. El punto crítico es el
que divide la región crítica de la no crítica, y depende su valor de la distribución de
probabilidad utilizada.
Paso 6.- Comparar el valor del estadístico de prueba y el valor crítico, para decidir si se
rechaza o no la hipótesis nula.
i̅ − μ
Ho:µ≤µ0 Z > Zα
K= n
,
H1:µ>µ0
√
Ho:µ≥µ0 Z > -Zα
H1:µ<µ0
Ho:µ=µ0 Z < -Zα/2 ó Z > Zα/2
H1:µ≠µ0
i̅ − μ
Ho:µ≤µ0 T > tα,n-1
¢= #
,
H1:µ>µ0
√
Ho:µ≥µ0 T < -tα,n-1
H1:µ<µ0
Ho:µ=µ0 T < -tα/2,n-1 ó T > tα/2,n-1
H1:µ≠µ0
Prueba de hipótesis para σ2 de una población normal.
> ,
Prueba de hipótesis Estadístico utilizado Rechazar Ho si
, − 1
#
2 2
Ho:σ ≤ σ 0
=
σ < ,
2 2
H 1: σ > σ 0
2 2
H o: σ ≥ σ 0
> ,
2 2
H o: σ = σ 0
2 2
H 1: σ ≠ σ 0
K > K
Prueba de hipótesis Estadístico utilizado Rechazar Ho si
) − Å
K=
Ho: π ≤ π0
ÆÅ 1 − Å
K < -K
H1: π > π0
n
Ho: π ≥ π0
K > K
Prueba de hipótesis Estadístico utilizado Rechazar Ho si
i̅ − i̅
− μ
Ho: µ1−µ2 ≤ µ0
K=
K < -K
H1: µ1−µ2 > µ0
n n
I
, + ,
Ho: µ1−µ2 ≥ µ0
Prueba de hipótesis para µ1−µ2 cuando ÇfÈ É Çff son desconocidas e iguales.
¢ > ¢,
Prueba de hipótesis Estadístico utilizado Rechazar Ho si
i̅ − i̅
− μ
Ho: µ1−µ2 ≤ µ0
¢=
1 1 ¢ < -¢,
H1: µ1−µ2 > µ0
~ Æ, + ,
Ho: µ1−µ2 ≥ µ0
¢ < -¢/, ó ¢ > ¢/,
H1: µ1−µ2 < µ0
Ho: µ1−µ2 = µ0 Donde:
~ =
Ê
Ê
H1: µ1−µ2 ≠ µ0
Ê
, = , + , − 2
Prueba de hipótesis para µ1−µ2 cuando ÇfÈ É Çff son desconocidas y diferentes.
¢ > ¢,
Prueba de hipótesis Estadístico utilizado Rechazar Ho si
i̅ − i̅
− μ
Ho: µ1−µ2 ≤ µ0
¢=
¢ < -¢,
H1: µ1−µ2 > µ0
# #
I +
Ho: µ1−µ2 ≥ µ0
, ,
¢ < -¢/. ó ¢ > ¢/,
H1: µ1−µ2 < µ0
Ho: µ1−µ2 = µ0
H1: µ1−µ2 ≠ µ0
# #
Donde:
, + ,
,=
# #
r t r t
, ,
· + º
, − 1 , − 1
µ ¸
¢ > ¢,
Prueba de hipótesis Estadístico utilizado Rechazar Ho si
̅
H o : µd ≤ 0
¢=
Ë √,
¢ < -¢,
H 1: µ d > 0
H o : µd ≥ 0
1
H 1 : µd ≠ 0
̅ =
i − 9
,
∑
i − 9 − ̅
Ë = I
,−1
Donde:
? = , − 1
Prueba de hipótesis para π −π de poblaciones binomiales.
Si tenemos dos series de valores de una variable continua obtenidas en dos muestras
independientes: X1, X2,..Xn, Y1, Y2, …., Ym, procedemos a ordenar conjuntamente todos
los valores en sentido creciente, asignándoles su rango, corrigiendo con el rango
medio los empates. Calculamos luego la suma de rangos para las observaciones de la
primera muestra SX, y la suma de rangos de la segunda muestra SY. Si los valores de la
población de la que se extrajo la muestra aleatoria de X se localizan por debajo de loa
valores de Y, entonces la muestra de X tendrá probablemente rangos más bajos, lo que
se reflejará en un valor menor de Sx del teóricamente probable.
Esta prueba nos permite comparar nuestros datos con una mediana teórica (por
ejemplo un valor publicado en un artículo). Para efectuar esta prueba se calculan las
diferencias en valor absoluto |Xi-M0| y se ordenan de menor a mayor, asignándoles su
rango (número de orden). Si hubiera dos o más diferencias con igual valor (empates),
se les asigna el rango medio (es decir que si tenemos un empate en las posiciones 2 y 3
se les asigna el valor 2.5 a ambas).