Guia Simulacion de Sistemas

Simulacin de Sistemas
1
1. Simulacin de Sistemas

INTRODUCCIN
La simulacin es una tcnica numrica que se aplica a cierta clase de problemas que surgen en la
industria, planificacin de proyectos o en administracin. Como tal es una herramienta ms que se
utiliza en el campo de la investigacin de operaciones.
Es una tcnica que permite representar un sistema real mediante un modelo de simulacin basado en
computadora.
El modelo de simulacin debe imitar el funcionamiento del sistema real de tal forma que se pueda
experimentar alternativas de optimizacin.
Se recurre a la simulacin cuando no existen mtodos analticos que no pueden resolver el problema.
Al simular el funcionamiento de un sistema o mejor dicho el modelo del sistema nuestro inters, es
lograr obtener datos al respecto de su comportamiento frente a distintas situaciones relevantes.
Puede resultar muy costoso o riesgoso poner el sistema real en tales condiciones, pero trabajar el
modelo nos permite preveer el resultado. Considere por ejemplo el problema de determinar la
capacidad de una nueva central telefnica que se desea establecer en una ciudad. Despus de
definir el modelo, las variables y los parmetros relevantes, se simula su operacin suponiendo una
capacidad dada. El rendimiento bajo este arreglo se compara con el rendimiento del sistema cuando
la capacidad es otra; mediante este proceso iterativo se obtiene una buena aproximacin a la
capacidad ptima que debe poseer esa central.
La solucin que proviene de aplicar la simulacin es prxima a la ptima, en comparacin con
mtodos analticos que son ptimos. Pero se debe tomar en cuenta que generalmente se someten
aquellos modelos a la simulacin que demuestran rasgos probabilsticos, como la frecuencia de
llamadas telefnicas en el ejemplo anterior.

DEFINICIN
THOMAS NAYLOR
Estos experimentos requieren de operaciones lgicas y matemticas necesarias para descubrir el
comportamiento y la estructura de sistemas complejos del mundo real a travs de largo perodo de
tiempo.
ROBERT SHANNON
La simulacin es el disear y desarrollar un modelo computarizado de un sistema o proceso y
conducir experimentalmente con este modelo con el propsito de entender el comportamiento del
sistema del mundo real o evaluar varias estrategias con los cuales puedan operar el sistema.
SHUBIK
Es un modelo, dice que la simulacin de un sistema o de un organismo es la operacin de un modelo
lo cual se va a llamar simulador el cual es una representacin del sistema. Este modelo o simulador

2
estar sujeto a diversas manipulaciones, las cuales seran imposibles de realizar, demasiado
costosas o imprcticas. La operacin de un modelo puede estudiarse y con ello conocer las
propiedades concernientes al comportamiento del sistema o subsistema real costoso.
QUE INTENTA LA SIMULACION
1. Descubrir el comportamiento de un sistema
2. Postular teoras o hiptesis que expliquen el comportamiento observado
3. Usar esas teoras para predecir el comportamiento futuro del sistema, es decir mirar los
efectos que se produciran en el sistema mediante los cambios dentro de l o en su mtodo
de operacin.

PROPIEDADES DE LOS MODELOS DE SIMULACION
DEFINICION DE MODELO
Modelo es una representacin de un objeto, sistema o idea de forma diferente a la de identidad
misma.
Por lo general el modelo nos ayuda a entender y mejorar un sistema.
El modelo de un objeto puede ser una rplica exacta de este, con la diferencia del material que lo
compone o de su escala, inclusive puede ser una abstraccin de las propiedades dominantes del
objeto.
FUNCIONES DEL MODELO
- Comparar
- Predecir
Ejemplo: La pintura de un paisaje es una rplica de algo que existe. Un carro de madera es la rplica
de un original.
ESTRUCTURA DEL MODELO
El modelo se puede escribir de tal forma:
E = F(Xi, Yi)

Donde:

E: Es el efecto del comportamiento del sistema
Xi: Son las variables y parmetros que nosotros podemos controlar
Yi: Las variables y los parmetros que nosotros no podemos controlar
F: Es la funcin con la cual relacionamos Xi con Yi con el fin de modificar o dar origen a E.

PROPIEDADES DE LOS MODELOS
1. COMPONENTES:
Generalmente son las partes o componentes de un conjunto que forman el sistema o definen la
estructura fsica del sistema.

3
2. VARIABLES: Relacionan los componentes entre s y pueden ser de tres tipos:
- Exgenas: Son las variables independientes o de entrada del modelo. Estas se
clasifican en controlables y no controlables. Las controlables estn sujetos a la
manipulacin de quienes toman decisiones por ejemplo la duracin de las fases del
semforo. Las no controlables surgen del medio ambiente, como el intervalo entre
llegada de los vehculos a la interseccin.
- Endgenas: Son variables dependientes o de salida del modelo como por ejemplo el
tiempo promedio de espera de los vehculos en la interseccin. La duracin de este
tiempo depende evidentemente del intervalo entre llegadas de los vehculos y los
tiempos del semforo.
- De Estado: Estas definen el estado del sistema en un tiempo especfico. Su utilidad
es proporcionar la informacin adecuada que permite determinar los valores de las
variables exgenas del problema. Por ejemplo, la variable de estado tiempo de la
llegada de n-simo vehiculo a la interseccin conjuntamente con los estados del
semforo (rojo o verde) nos ayudan a afirmar si el vehculo se detiene a su llegada a
la interseccin o no, y en caso de detenerse se puede calcular su tiempo de espera.
La naturaleza de cada sistema y el inters particular del investigador en simular su
modelo proveen las pautas para identificar las variables relevantes y definir su tipo.
3. PARAMETROS:
Son cantidades a las cuales el operador del modelo puede asignarle valores arbitrarios lo cual se
diferencia de las variables. Si el intervalo entre llegada de los vehculos a la interseccin es una
constante h este seria un parmetro.
Los parmetros una vez establecidos se convierten en constantes.
4. RELACIONES FUNCIONALES:
Describen a los parmetros de tal manera que muestran su comportamiento dentro de un
componente o entre componentes de un sistema.
Las relaciones funcionales pueden ser de tipo determinsticos o estocsticos.
- Determinsticas: Sus definiciones que relacionan ciertas variables o parmetros
donde una salida del proceso es singularmente determinada por una entrada dada.
- Estocsticas: Cuando el proceso tiene una salida indefinida, para una entrada
determinada las relaciones funcionales se representan por ecuaciones matemticas y
salen del anlisis estadstico matemtico.
5. RESTRICCIONES:
Estas son limitaciones impuestas a valores de las variables las cuales pueden ser de dos formas:
- Autoimpuestas: O sea asignadas por el mismo operador o
- Impuestas: O sea cuando son asignadas manualmente por el mismo sistema
6. FUNCIONES DE OBJETIVO:

4
Son las metas del sistema o el como evaluar al sistema, existen retentivas por ejemplo: la
conservacin de tiempo, energa y adquisitivas ejemplo: Ganancia en algo.
CLASIFICACION DE LOS MODELOS
Los modelos se pueden clasificar en forma general, pero los modelos de simulacin se pueden
clasificar en forma ms especfica.
De que forma podemos modelar un objeto o sistema desde lo ms real a lo ms irreal.

CLASIFICACION DE LOS MODELOS DE SIMULACION
Dentro de los modelos de simulacin estn:
1. MODELOS DETERMINISTICOS
Ni las variables endgenas y exgenas se pueden tomar como datos al azar. Aqu se permite que
las relaciones entre estas variables sean exactas o sea que no entren en ellas funciones de
probabilidad. Este tipo determinstico quita menos tiempo de cmputo que otros modelos
2. MODELOS ESTOCASTICOS
Cuando por lo menos una variable es tomada como un dato al azar las relaciones entre variables
se toman por medio de funciones probabilsticas, sirven por lo general para realizar grandes
series de muestreos, quitan mucho tiempo en el computador, son muy utilizados en
investigaciones cientficas
3. MODELOS ESTATICOS
En los que no se toma en cuenta el tiempo dentro del proceso, por ejemplo: los modelos de
juegos, modelos donde se observa las ganancias de una empresa
Ejemplo: Arquitectnicos: lneas de telfono, tubos de agua
4. MODELOS DINAMICOS
Si se toma en cuenta la variacin del tiempo, ejemplo: la variacin de la temperatura, del aire
durante un da, movimiento anual de las finanzas de una empresa.
VENTAJAS Y DESVENTAJAS DE LA SIMULACION:
VENTAJAS
1. El desarrollo del modelo de un sistema generalmente proporciona mejor conocimiento del
sistema real.
2. La simulacin permite comprimir el tiempo; se pueden evaluar aos de experiencia en el
sistema real en unos segundos de simulacin.
3. La simulacin no interrumpe las actividades del sistema real.
4. La simulacin ofrece una rplica ms realista del sistema que el anlisis matemtico.
5. La solucin responde a preguntas del tipo que pasa si.

5
DESVENTAJAS
1. Aunque se invierta mucho tiempo y esfuerzo en el desarrollo de un modelo para simulacin,
no hay garantas de que el modelo produzca buenas respuestas.
2. No es posible demostrar los resultados del modelo de simulacin. La simulacin implica
numerosas repeticiones de secuencias que se basan en sucesos generados de manera
aleatoria.
3. La construccin del modelo del sistema puede llevar de unas horas hasta aos-hombre,
dependiendo del sistema que se simular. Los sistemas complejos pueden ser muy costosos
y tardar mucho tiempo.
4. Las simulaciones pueden ser menos precisas que los modelos matemticos, ya que se basan
en cuestiones aleatorias. Si el sistema se puede representar con un modelo matemtico, es
mejor que usar una simulacin.
5. Aunque avanza la tcnica de las simulaciones, an no existe un mtodo normalizado. Por
consiguiente, los modelos del mismo sistema pueden variar si los desarrollan distintas
personas.
La simulacin ms que una ciencia es un arte.
CRITERIOS QUE SE DEBE TENER EN CUENTA PARA QUE UN MODELO DE SIMULACION SEA
BUENO
1. Fcil de entender por el usuario.
2. Que tenga el modelo metas y objetivos.
3. Que el modelo no me de respuestas absurdas.
4. Que sea fcil de manipular, la comunicacin entre el usuario y la computadora debe ser
sencilla.
5. Que sea completa, tenga por lo menos las partes o funciones ms importantes del sistema.
6. Que sea adaptable, osea que podamos modificarlo, adaptarlo y actualizarlo.
7. Que sea evolutiva, osea que al principio sea simple y poco a poco empezamos a volverla
compleja dependiendo de las necesidades de los usuarios

6
FASES DEL PROCESO DE SIMULACIN
Todo proceso de simulacin tiene tres fases: Desarrollo del modelo, Ejecucin del Modelo y Anlisis
de salidas del modelo:


7
Ejemplo.- Para aclarar el concepto de la simulacin examinamos el siguiente sistema.
Un semforo en una interseccin tiene una fase verde que demora 1 minuto y una fase roja de 0.8
minutos. El intervalo entre llegada de los vehculos al la interseccin es una variable aleatoria X
distribuida exponencialmente con un valor esperado R(X) = 0.2 minutos. Se debe determinar: a) El
tiempo promedio de espera de los vehculos. b) El nmero promedio de los vehculos en espera
durante la fase roja.
Se puede plantear la cuestin en una forma ms til: Determinar el intervalo de la fase roja que
resulte en un tiempo promedio de espera menor o igual a 10 segundos. El investigador puede variar
la duracin de las fases del semforo y simulando lo ocurrido en la interseccin observar el efecto de
los cambios en a) y b).
Para poder simular el funcionamiento de este sistema primero debemos saber cmo generar los
valores de X, y posteriormente la solucin al problema. Por ahora evitando los procedimientos de
generacin suponiendo que X=2 segundos es una constante.
Desarrollamos la siguiente tabla:

Tenemos que examinar lo que sucede con cada vehculo al llegar a la interseccin tomando en
cuenta su tiempo de llegada y la fase en la cual se encuentra el semforo.
En este ejemplo simple se observa que en un perodo de luz roja, 48 segundos, el tiempo total de
espera es siempre igual a:
TE = 46+44+42+...+2=2(23+22+21+...+1)
La sumatoria de la serie es: n(n+1)/2
entonces:
TE = 2(23(24)/2) = 552
El nmero de los vehculos en espera es 23, Por lo tanto el tiempo promedio de espera TP es:
TP =TE/23 =24
Para determinar la duracin de la fase roja del semforo que permitira un tiempo promedio de espera
menor o igual a 10 segundos se repiten los pasos anteriores para valores de R menor que 0.8
minutos, por ejemplo:
Para R = 0.6 TP = 18
R = 0.4 TP = 12
Cuando X, el intervalo entre llegadas es aleatoria esencialmente se procede como antes para calcular
el valor de las incgnitas en el problema. El aspecto computacin se vuelve tedioso y exige el uso de
medios electrnicos.


8
PROPIEDADES DEL MODELO
1. Los componentes.- Los vehculos llegando a la interseccin y el semforo.
2. Las variables:
a) Variables Exgenas.- El intervalo entre llegada de los vehculos a la interseccin.
b) Variables Endgenas.- El tiempo promedio de espera de los vehculos.
c) Variables de Estado.- El tiempo de la llegada de n-simo vehiculo a la interseccin y el estado del
semforo (rojo o verde).
3. Los parmetros.- La duracin de las fases del semforo y el tiempo de simulacin.
4. Relaciones funcionales:
Tiempo de espera=R-T
Donde R es el tiempo que termina la fase roja y T es el tiempo de la llegada de un vehiculo a
la interseccin en la fase roja.
Siendo X el intervalo entre llegadas de los vehculos, la funcin de densidad de probabilidad
de X, f(x)=.e
.x

es una caracterstica de la operacin.
El propsito de simular un modelo es examinar el efecto de los cambios en las variables exgenas y
en los parmetros sobre las variables endgenas. En el problema anterior se propona estudiar el
efecto del cambio en la duracin de la fase roja sobre el tiempo promedio de espera de los vehculos.
En los problemas de simulacin cuando entran en juego un gran nmero de variables, es
indispensable identificar y analizar los elementos del modelo y de este modo aclarar debidamente la
naturaleza de interaccin entre varios componentes del modelo, las caractersticas de las variables y
el propsito de la simulacin.
3. DIAGRAMA DE FLUJO EN SIMULACION
Mediante el diagrama de flujo se establece los pasos a seguir en el proceso de simular la operacin
del modelo, las alternativas que pueden surgir en una situacin determinada y los clculos que se
debe realizar. El diagrama de flujo facilita la tarea de la programacin.
Para el problema del semforo (caso estocstico) primero procedemos a definir los smbolos y
posteriormente viene el diagrama de flujo simulando la operacin del modelo durante un siclo del
semforo (Fig.1).
El semforo comienza a funcionar en la fase verde.
X el intervalo entre llegada de los vehculos
T tiempo de llegada de un vehculo a la interseccin
V duracin de la fase verde, 60 segundos
R duracin de la fase roja, 48 segundos
TE tiempo de espera acumulada
K contador de vehculos en espera
TP tiempo promedio de espera


9

Fig 1. Diagrama de flujo del Problema del Semforo.
En el diagrama de flujo no se detalla la generacin de los valores de la variable aleatoria X. Por
(GENERAR X) se entiende que cada vez que se ejecute este paso, X toma un valor conforme a la
distribucin de probabilidad que lo representa. Como se mostrar posteriormente se debe utilizar las
frmulas correspondientes para reproducir valores de las variables aleatorias dada su distribucin y
sus parmetros.
Para entender mejor el diagrama supngase que primero:
X=14 entonces T=14
Significa que el primer vehculo llega 14 segundos despus del comienzo del funcionamiento del
semforo.
T=14<60
Se supone que el siguiente valor de X es 20
T=14+20=34
representa el tiempo de la llegada del segundo vehculo.
T=34<108, T<60
Se supone X=10, T=44<108, T<60
Se supone X=18, T=62<108, T>60
K=1 TE=108-62=46 el primer vehculo que llega en la fase roja y su tiempo de
espera.
De este modo se repite los pasos hasta que T toma un valor mayor que 108 sealando el fin de la
simulacin y la impresin de TE.

10
4. ESTUDIO DE LAS VARIABLES EXGENAS
Caso 1.
Sea x una variable aleatoria que representa los intervalos de llegada (en minutos) de vehculos a una
estacin de gasolina. Se ha recopilado las siguientes 20 observaciones:
2 5 1 4 2 1 3 7 9 1 3 1 3 8 2 4 5 2 6 1
La distribucin de frecuencias es la siguiente:

Se observa que la grfica se aproxima a una distribucin exponencial.
Caso 2.
Sea y una variable aleatoria que representa la demanda en miles de unidades de un producto. Se ha
obtenido los siguientes 20 datos:
3 0 5 1 9 5 2 6 3 4 7 4 10 5 6 4 6 7 5 8


11
Se observa que la grfica se aproxima a una distribucin normal.
Caso 3.
Sea x una variable aleatoria con distribucin uniforme que representa el nmero de asientos vacos
que trae un autobs al llegar a un paradero. Se ha obtenido los siguientes datos para la llegada de 20
autobuses:
2 7 1 9 6 2 3 7 4 10 4 5 1 9 6 3 8 5 8 10

Se observa que la grfica se aproxima a una distribucin uniforme.

Caso 4.
Sea y una variable aleatoria que representa la demanda diaria de un artculo. Se ha obtenido los
siguientes 20 datos:
7 1 5 4 7 2 3 5 6 7 8 5 7 3 5 7 9 5 3 4


12
Se observa que la grfica no se aproxima a ninguna distribucin matemtica, por lo tanto es una
distribucin emprica.

5. NMEROS ALEATORIOS
Definicin:
El trmino Pseudoaleatorio se ha definido como nmeros que vienen de una secuencia en la cual
cada trmino es imprescindible, cuyos dgitos pasan una serie de pruebas estadsticas.
Criterios para que las secuencias de nmeros pseudoaleatorios sean aceptables:
1. Que sean uniformemente distribuidas
2. Que sean estadsticamente independientes
3. Que sean reproducibles
4. Que sean no cclicas o no peridicas
5. Que el mtodo con el cual se genera sea capaz de generar nmeros aleatorios a altas
velocidades
6. Que sea capaz de ocupar el mnimo espacio en la memoria del computador
Las tcnicas para generar nmeros aleatorios son:
1) Utilizando TABLAS DE NUMEROS ALEATORIOS: APNDICE B
2) Mediante FUNCIONES ESPECIFICAS
2.1 En EXCEL: Aleatorio( )
2.2 En PASCAL: RANDOM
2.3 En Visual Basic: RND( )
2.4 etc.
3) METODO DE CONGRUENCIA LINEAL: Genera nmeros uniformemente distribuidos y
estadsticamente independientes.
Xi+1 = (aXi + c) Mod m
Donde:
Para i=0, entonces Xo es la semilla, a es el multiplicador, c el incremento constante y m
el mdulo.
Ejemplo: para Xo=35, a=13, c=65 y m=100
X1= (13*35+65) mod 100 = 20
X2 = (13*20+65) mod 100 = 25
X3 = (13*25+65) mod 100 = 90
Etc.
4) OTROS
Con estos nmeros estaremos en condiciones de generar valores para nuestras variables aleatorias.
6. GENERACIN DE VALORES DE VARIABLES ALEATORIAS
1. VARIABLES DISCRETAS
1.1 Distribucin Emprica
1.2 Distribucin Geomtrica
2. VARIABLES CONTINUAS
2.1 Distribucin Exponencial
2.2 Distribucin Uniforme
2.3 Distribucin Normal
2.4 ETC.

13

GENERACIN DE VALORES DE VARIABLES ALEATORIAS CON
DISTRIBUCIN EMPRICA
Pasos:
1 Tomar muestra lo suficientemente grande de los valores de la variable aleatoria (mnimo 30
observaciones)
2 Clasificar en rangos.
3 Determinar frecuencia asociada a cada rango.
4 Calcular el porcentaje o probabilidad correspondiente.
Ejemplo: Sea x una variable aleatoria que representa los intervalos de llegada de los vehculos a
un semforo. Los 30 datos observados del sistema real son los siguientes:

Observacin x Observacin x Observacin x
1 2 11 4 21 2
2 4 12 2 22 1
3 5 13 3 23 1
4 2 14 4 24 3
5 3 15 5 25 2
6 4 16 3 26 4
7 2 17 4 27 1
8 4 18 5 28 3
9 5 19 4 29 2
10 5 20 3 30 4

Las probabilidades de ocurrencia de cada rango son las siguientes:

Rango Frecuencia Probabilidad
1 III =3 0.10
2 IIIIIIII =7 0.23
3 IIIIII =6 0.20
4 IIIIIIIII =9 0.30
5 IIIII =5 0.17
1.00

5 Calcular la funcin acumulada y graficar


14

i Xi p(Xi) F(Xi)
1 1 0.10 0.10
2 2 0.23 0.33
3 3 0.20 0.53
4 4 0.30 0.83
5 5 0.17 1.00

6 Generar un nmero aleatorio entre 0 y 1
Por ejemplo r =0.58
7 Identificar el rango donde se encuentra r
F(Xi)< r < F(Xi+1)
F(Xi)< r < F(Xi+1)
8 Escoger el Xi+1 y volver al paso 6
Por lo tanto X = 4

DISTRIBUCIN EXPONENCIAL
Sea t una variable aleatoria que representa los intervalos de llegada (en minutos) de vehculos a una
estacin de gasolina a la cual llegan a una tasa , por lo tanto para simular el sistema necesitamos
generar valores para la variable aleatoria t, la cual sigue una distribucin exponencial.
El procedimiento es el siguiente:
1 Generar un nmero aleatorio r entre 0 y 1
2 Usar el valor r para resolver la siguiente ecuacin para t:
F(t) = r
1 - e
-t
= r
e
-t
= 1 r
t = -
1
*ln(1 r)


15

Por lo tanto para el ejemplo especfico que implica los intervalos entre llegadas de vehculos a la
estacin de gasolina, en el que = 12 vehculos por hora (0.2 vehculos por minuto) y se genera un
nmero aleatorio uniforme de, digamos, r = 0.3329, entonces el prximo vehculo llegar dentro de:
t = -
2 . 0
1
*ln(1-0.3329)= -5*ln(0.6671)= -5*(-0.4048) = 2.024 minutos

DISTRIBUCIN NORMAL
Suponga que necesita generar la demanda D de leche que sigue una distribucin normal con una
media de 750 galones al da y una desviacin estndar de 100 galones. Para hacer eso con una
variable aleatoria normalmente distribuda, con una media de y una desviacin estndar de o, haga
lo siguiente:
1 Genere un nmero aleatorio uniforme r entre 0 y 1.
2 Use este valor r para encontrar un valor de t para el que:
F(t) = P(D s t) = r
Es decir, encontrar el valor de t para que el rea bajo la distribucin normal a la izquierda de t, en la
figura siguiente, es t. Para hacer esto use la tabla estndar-normal del apndice A para encontrar el
valor asociado; despus calcule t, de la siguiente manera:
z =
o
t

As : t = + (o*z)


16

Para el ejemplo especfico de la leche en el que r= 0.1515, = 750 y o = 100, el valor z del apndice A
es aproximadamente -1.03, y as:
z (0.1515) = -1.03
t = 750 + 100*(-1.03) = 647 galones
El uso de nmeros aleatorios para generar entradas probabilsticas a menudo se denomina
simulacin de MonteCarlo. El mtodo obtuvo su nombre durante la Segunda Guerra Mundial cuando
los cientficos usaron nmeros aleatorios para estimar, en un sentido estadstico, las soluciones a
problemas matemticos complejos.
Los mtodos descritos aqu no son los ms eficientes disponibles, pero se usan por que son
conceptualmente fciles de comprender. Ahora ver cmo se usan estas ideas en el diseo de una
simulacin por computadora.
DISTRIBUCIN UNIFORME
Uno de los mtodos ms comnmente utilizados para generar nmeros aleatorios que siguen una
distribucin conocida se basa en usar nmeros aleatorios uniformemente distribuidos entre 0 y 1.
Como se ilustra en la figura siguiente, tales nmeros tienen la siguiente funcin de densidad, f(x), y la
funcin de distribucin acumulativa, F(x):
f(x)=1
F(x)=x


17
Por ejemplo si se quiere generar el nmero de asientos vacos que trae un autobs que llega a un
paradero, los cuales estn uniformemente distribudos entre 5 y 15 asientos, y se tiene un nmero
aleatorio r = 0.7, se tiene:
min = 5
max = 15
r = 0.7
x = 15 - (15 - 5)*(1 r)
x = 15 - (10)*(1 r) = 15 - 10(1 0.7) = 15 - 10(0.3) = 15 - 3 = 12
entnces se tiene que el autobs trae 12 asientos vacos.
Nota: Tambin podemos utilizar la frmula siguiente: min + (max min)*(1- r), los valores generados
no coinciden en cuanto al orden, pero al final todos los nmeros saldrn con la misma frecuencia.

CASO ESTUDIO 1: COSTO DE UN ITEM PERFECTO
En un proceso productivo en el cual se procesan aproximadamente 1000 piezas diarias, las piezas
una vez procesadas son inspeccionadas para determinar si son rechazadas, reprocesadas o
aceptadas para su posterior venta. Estadsticamente las piezas son rechazadas, reprocesadas o
aceptadas con probabilidades de 5%, 10% y 85% respectivamente.
Si el costo de un proceso es de $10 por pieza y el de reproceso $5. Cul seria el costo promedio de
una pieza que termine en ventas?

Para determinar dicho costo, debemos imitar el funcionamiento del sistema y determinar el nmero de
reprocesos, as como el porcentaje de piezas aceptadas.
Se asume que la distribucin de la variable exgena (hacia dnde se deriva la pieza una vez
inspeccionada), es emprica, entonces se debe generar los eventos usando el procedimiento para
generar valores para variables con distribucin emprica.
Para efectos de explicacin del funcionamiento del sistema y obtener los resultados buscados, se fija
como tiempo de simulacin el proceso de 20 piezas.


18
Usaremos los nmeros aleatorios de la celda A3 de la tabla de nmeros aleatorios del apndice B.
A continuacin se muestra la tabla de simulacin:
TABLA DE SIMULACIN

RESUMEN DE RESULTADOS:

Como se observa:
El costo acumulado para un total de 20 piezas es = 20*10 + 4*5 = 220
El costo unitario ser 220/18 = 12.2222 dlares
El porcentaje de piezas aceptadas ser 18/20 = 0.9
Adems, dado que el sistema real procesa en promedio 1000 piezas diarias, entonces para tener
resultados consistentes que permitan tomar decisiones, se tendr que realizar simulaciones para un
mayor nmero de piezas. Por ejemplo para 200 piezas, 2000 piezas; los resultados se aproximarn
ms al valor terico. Tal como se observa en la siguiente grfica:

19

Grfica del Costo de un tem perfecto

CASO ESTUDIO 2. MODELO DEL LOTE PTIMO DE PEDIDO
Un vendedor compra revistas, al precio de 8 nuevos soles cada una y las vende a 10 nuevos soles la
unidad. Al final de cada da el agente de publicaciones le pagar 4 nuevos soles por cada revista que
no haya vendido. La demanda insatisfecha tiene un costo de oportunidad de 2 nuevos soles. La
demanda diaria de las revistas tiene la siguiente distribucin de probabilidad:
Demanda: 80 85 90 95 100
Probabilidad: 0.10 0.15 0.30 0.25 0.20
a) Si se elige hacer un pedido de 85 revistas diarias, utilice la simulacin de Montecarlo para
determinar el ingreso diario esperado en un periodo de 20 das.
Emplee los nmeros aleatorios de la celda C1 de la tabla de nmeros aleatorios (Anexo 2)
b) Utilice un lenguaje de programacin para simular el problema del vendedor en un periodo de 365
das y determinar el nmero ptimo de revistas que debe ordenar cada da. Construya el
diagrama de flujo respectivo.
SOLUCIN
Para la parte a), utilizando los valores aleatorios de la celda C1, generamos la demanda para cada
uno de los 20 das utilizando la distribucin acumulada de las distribucin de probabilidad alcanzada.
Luego realizamos los clculos respectivos para determinar la utilidad promedio, tal como se observa
en la tabla siguiente:

20

Para la parte b), construmos el diagrama de flujo, definiendo previamente las propiedades del
modelo:
Propiedades del Modelo:
1.1 COMPONENTES:
Artculos
1.2 VARIABLES EXOGENAS:
X: Demanda diaria
1.3 VARIABLES ENDOGENAS:
NOOPTIMO: Nmero Optimo de artculos pedir
IPMAX: Ingreso promedio mximo
1.4 VARIABLES DE ESTADO:
T: Tiempo de simulacin
1.5 PARMETROS:
Tiempo de Simulacin = 365 das
1.6 RELACIONES FUNCIONALES:
X Distribucin Emprica

A continuacin de muestra el diagrama de flujo del problema del lote ptimo de pedido.

21

Diagrama de flujo del modelo del Lote ptimo de pedido.

Programa en Visual Basic
Private Sub Command1_Clic( )
Dim d(5), pa(5) As Double
Dim n As Integer
P(a) = 0

For K= 1 To 5
d(K) = InputBox (ingrese Demanda)
p(K) = InputBox (ingrese Probabilidad)
pa(K) = pa(K) + p(K)

22
Next K

n = 80
IPMAX = 0

While n <= 100
IT = 0

For j = 1 To 365
Randomize
R = Rnd ( )

For K = 1 To 5
If R < pa(K) Then
X = d(K)
K = 5
End If
Next K

If n > X Then
IT = IT + (10 * X) (8 * n) + ((n X) * 4)
Else
IT = IT + (10 * n) (8 * n) ((X n ) * 3)
End If

Next j

IP = IT / 365

If IP > IPMAX Then
IPMAX = IP
NOPTIMO = n
End If

n = n + 5
Wend

Text1.Text = IPMAX
Text2.Text = NOPTIMO
End Sub
Los resultados de la simulacin, utilizando el Visual Basic, es pedir 90 unidades, obtenindose una
utilidad de S/. 516.50.

CASO ESTUDIO 3. MODELO DEL PARADERO DE AUTOBUSES
Los pasajeros llegan a un paradero de autobuses con tiempos medio entre llegadas de 2 minutos
distribuidos exponencialmente. Un autobs llega con tiempos entre llegadas de 7+-2 minutos. El
autobs tiene capacidad para 15 pasajeros y el nmero de asientos no ocupados cuando llega el
autobs tiene igual probabilidad de estar entre 0 y 15. El autobs recibe tantos pasajeros como
pueden sentarse y los que no puedan abordar se alejan.
a) Emplee la simulacin de Montecarlo para determinar el nmero de pasajeros que se alejan
durante la llegada de 20 pasajeros.

23
Emplear los siguientes nmeros aleatorios:
- Para las llegadas de los pasajeros: B9
- Para las llegadas de los autobuses: C1
- Para el nmero de asientos vacos: A10
b) Utilice un lenguaje de programacin para simular el funcionamiento del paradero de autobuses y
determine el nmero de pasajeros que se alejan durante:
b.1) Un tiempo de 8 horas.
b.2) La llegada de 100 autobuses.
Nota: En ambos casos construya los diagramas de flujo respectivos.
SOLUCIN:
Para dar respuesta a la parte a), construimos la siguiente tabla de simulacin:

Se concluye que no habr pasajeros que se alejen por falta de asientos vacos.
Solucin Para un tiempo de simulacin de 8 horas:
Propiedades del Modelo
3.1 COMPONENTES:
Autobuses y Pasajeros.
L: Tiempo entre llegadas de los pasajeros
A: Tiempo entre arribos de autobuses
NANO: Nmero de asientos no ocupados
AL: Nmero de pasajeros que se alejan por falta de asientos
T: Tiempo de llegada de un pasajero
TL: Tiempo de llegada de un autobs
3.5 PARMETROS:
Tiempo de Simulacin = 8 horas o la llegada de 100 pasajeros
Capacidad del autobs = 15 asientos

24
L Distribucin Exponencial con media entre llegadas de 2 minutos
A Distribucin Normal con media de 7 minutos y desviacin estndar de 2 minutos
NANO Distribucin Uniforme entre 0 y 15
Diagrama de Flujo para un tiempo de simulacin de 8 horas.

Programa en Visual Basic (parte b.1)
Private Sub Command1_ Click ()
tl = 0
al = 0
t = 0
p = 0
n = 35

B:
j = 0

25
For i = 1 to n
Randomize
j = j + Rnd()
Next i
a = 7 + ( 2 ^ (1 / 2 ) ) * ( j ( n / 2 ) ) * ( ( 12 / n ) ^ (1 / 2 ) )

tl = tl + a

While t < = 480
Randomize
r = Rnd ()
L = -2 * Log (1 r )
t = t + L
If < = tl them
p = p + 1
Else
Randomize
r = Rnd ()
nano = 15 * ( 1 r )
If nano > p Then
al = al + p nano
End if
p = 1
Go to B
End if
Wend
Text1.Text = al
End Sub

A continuacin se presenta el diagrama de flujo para un tiempo de simulacin de la llegada de 100
autobuses:

26

Programa en Visual Basic (parte b.2)
Private Sub Command1_Click()
t1 = 0
a1 = 0
t = 0
p = 0
n = 35
g = 0

B:
j = 0
For i = 1 To n
Randomize

27
j = j + Rnd()
Next i

A = 7 + (( 2 ^ ( 1/2 ) * ( j - (n/2 )) * (( 12/n ) ^ ( 1/2 ))

g = g + 1
t1 = t1 + a

While g <= 100

Randomize
r = Rnd()
L = -2 * Log( 1- r )
t = t + L
If t <= t1 Then
p = p + 1
Else
Randomize
r = Rnd()
nano = 15 * ( 1 - r )
If nano > p Then
a1 = a1 + p - nano
End if
p = 1
Go To B
End if
Wend
Text1.Text = a1
End Sub

CASO ESTUDIO 4. MODELO DE INVENTARIO
La demanda diaria de un artculo tiene la siguiente distribucin de probabilidades:
Demanda diaria (unidades) 0 1 2 3 4
Probabilidad: 0.10 0.25 0.10 0.40 0.15
La cantidad inicial en el almacn es 6 unidades. Se reduce el inventario diariamente. Si la cantidad al
inicio del da es menor o igual a R, se solicita inmediatamente Q unidades, las cuales se reciben
dentro de dos das. La escasez se recupera al llegar la cantidad solicitada.
Adems se conoce que:
- Cuando la demanda excede el inventario, se permite tener pedidos pendientes pero se carga el
costo de $1.00 por unidad, por no haber tenido el artculo en almacn (costo de escasez).
- El costo de colocar un pedido para volver a tener artculos en inventario es de $10.00
(independiente de la cantidad ordenada).
- El costo de tener inventario es de $0.50 por da por cada unidad en almacn al inicio del da.
a) Suponiendo que se elige el stock de seguridad R=4 unidades y la cantidad de reposicin Q=7
unidades, emplee la simulacin de Monte Carlo para determinar el costo total de inventario para
la empresa en un tiempo de 15 das.

28
Emplee los siguientes nmeros aleatorios para generar la demanda diaria: C1
b) Utilice un lenguaje de programacin para simular el funcionamiento del almacn durante 365 das
y determine una poltica ptima de inventario, esto es, determinar el stock mnimo de seguridad o
reposicin (R) y la cantidad de reposicin (Q).
R puede ser una de las siguientes cantidades: 2, 3. 4 5 unidades y Q puede ser: 6, 7, 8, 9 10
unidades.
Construya el diagrama de flujo respectivo.

SOLUCIN Parte b
PROPIEDADES DEL MODELO
4.1 COMPONENTES:
Productos
D: Demanda diaria
R: Punto de reorden (stock mnimo)
Q: Cantidad a pedir
CT: Costo total
I: Inventario
S =1 pedido pendiente, =0 en caso contrario
TL: Tiempo de llegada del pedido
4.5 PARMETROS:
Io: Inventario inicial
C1: Costo unitario de inventario
C2: Costo unitario de escasez
C3: Costo de pedido
Tiempo de simulacin: 365 das
D: Distribucin Emprica

Diagrama de flujo

29

Programa en Visual Basic
Private Sub Command1_ Clic()
Dim pa(5), x(5)
s = 0
i = 6
c1 = 0
c2 = 0
c3 = 0
ct = 0
tl = 0
di = 0
x(1) = 0
x(2) = 1
x(3) = 2
x(4) = 3
x(5) = 4
pa(1) = 0.1

30
pa(2) = 0.35
pa(3) = 0.45
pa(4) = 0.85
pa(5) = 1

For R = 2 To 5
For Q = 6 To 10
For t = 1 To 365
If t = t1 Then
i = i + q di
s = 0
di = 0
End If
Randomize
Td = Rnd ()
For k = 1 To 5
If ra<pa(k) Then
d = x(k)
k = 5
End If
Next k
i = i d
If i<0 Then
c2 = c2 + (1 * i)
di = di i
i = 0
Else
c1= c1 + (0.5*i)
End If

If i < r Then
If s = 0 Then
tl = t + 2
s = 1
c3 = c3 + 10
End If
End If
Next t
ct = c1 + c2 + c3

If ct < NIN Then
MIN = ct
ROPT = R
QOPT = Q
End If
Next Q
Next R

Text1. Text = ROPT
Text2. Text = QOPT
Text3. Text = ct
End Sub


31
CASOS ESTUDIO Nro 5:

Los usuarios llegan ALEATORIAMENTE a un telfono pblico. Si el telfono est desocupado,
realizan la llamada, en caso contrario esperan en cola hasta que el sistema se desocupe. La duracin
de cada una de las llamadas tambin es ALEATORIA.
a) Para un da cualquiera registre la informacin relevante para la llegada de los 20 primeros
clientes y determine: la tasa de llegadas de los clientes al sistema, la tasa de servicio, el
tiempo promedio de espera de los clientes y el nivel de utilizacin del telfono.
b) Empleando las frmulas de colas determine el tiempo promedio de espera de los clientes, el
tiempo ocioso y el nivel de utilizacin del telfono.
c) Analice las diferencias en los resultados.
d) ASUMIENDO QUE SU INFORMACIN ES LA ADECUADA, identifique la DISTRIBUCIN
DE PROBABILIDAD que se AJUSTA a cada una de las variables aleatorias del problema.
e) Utilizando las funciones de las distribuciones de probabilidad identificadas anteriormente,
GENERE 20 valores para sus variables aleatorias y determine nuevamente los parmetros y
medidas de rendimiento del punto (a).
f) Analice nuevamente las diferencias en los resultados.
g) Defina las propiedades del modelo.
h) Construya un diagrama de flujo que permita imitar el funcionamiento del telfono y a la vez
determinar el tiempo promedio de espera de los clientes y el nivel de utilizacin del telfono.
i) Utilice un lenguaje de programacin para simular el funcionamiento del telfono y determine
el tiempo promedio de espera de los clientes y el nivel de utilizacin del telfono para un
tiempo de simulacin de 8 horas.
j) Emita sus conclusiones finales

32
SOLUCION:
a) la siguiente tabla muestra las iteraciones realizadas para determinar el tiempo
total de espera y el tiempo ocios del telfono.

b)
Sea x el promedio de intervalos entre llegadas de los clientes al sistema
Entonces
5 . 3
20
70
= = x minutos/cliente
Por lo tanto la tasa de llegadas ser:
2857 . 0
5 . 3
1 1
= = =
x
clientes/minuto 17.14 clientes/hora

33
Sea y el promedio de tiempos de servicio (duracin de las llamadas)
Entonces
55 . 2
20
51
= = y minutos/cliente
Por lo tanto la tasa de servicio ser:
3922 . 0
55 . 2
1 1
= = =
y
En consecuencia:
Wq(real) 75 . 0
20
15
= = minutos/cliente, donde Wq es el tiempo promedio de espera en cola.
Tiempo Ocioso (real) = 23 minutos
Utilizacin del telfono (real) 689 . 0
74
51
= = (el sistema esta ocupado el 68.9% del tiempo de
operacin)
Utilizando las frmulas de colas:
Wq (terico) 84 . 6
) 2857 . 0 3922 . 0 ( 3922 . 0
2857 . 0
) (
=
=

minutos/cliente
Utilizacin del telfono (terica) 7285 . 0
3922 . 0
2857 . 0
= = =

c) La diferencia de los resultados se debe a:
1. El tamao de la muestra para los clculos reales es muy pequea.
2. Los parmetros y consecuentemente no son los adecuados para llegar a valores
aproximados mediante las frmulas de colas.
Si quisiramos analizar el comportamiento del sistema durante los siguientes das,
tendramos que levantar la informacin correspondiente a cada uno de ellos, lo cual sera
costoso y tedioso. De otro lado si no se cumpliera la condicin de estado estable donde <
, sera imposible analizar el sistema con teora de colas.
Por lo tanto existe la necesidad de REPRESENTAR EL PROBLEMA REAL MEDIANTE UN MODELO
DE SIMULACIN Y GENERAR VALORES PARA LAS VARIABLES ALEATORIAS.
Para poder generar valores para las variables aleatorias, primeramente, se debe analizar el
COMPORTAMIENTO DE LAS VARIABLES ALEATORIAS y determinar la DISTRIBUCIN DE
PROBABILIDAD que se ajusta a los datos de la muestra.


34

d) Anlisis del COMPORTAMIENTO DE LAS VARIABLES ALEATORIAS
Utilizando el software ARENA para determinar la distribucin de probabilidad que se ajusta a cada
variable aleatoria, se lleg a los resultados siguientes:
x = intervalo entre llegadas tiene distribucin EXPONENCIAL

y = tiempos de servicio tambin tiene distribucin EXPONENCIAL

Por lo tanto es factible la generacin de valores aleatorios exponenciales para el estudio del
problema.

e) GENERACIN DE VALORES PARA VARIABLES ALEATORIAS
Para generar valores para variables aleatorias, se requiere previamente de valores aleatorios entre 0
y 1. Para nuestro ejemplo utilizaremos TABLAS DE NUMEROS ALEATORIOS.
Como nuestro ejemplo tiene variables aleatorias exponenciales entonces utilizamos la
DISTRIBUCIN EXPONENCIAL para generar valores para nuestras variables aleatorias.
La expresin de la distribucin exponencial para ambas variables es:
x =
1
ln (1- r)
y =
1
ln(1- r)
donde r es un nmero aleatorio entre 0 y 1.
Tomando valores aleatorios de las TABLAS DE NUMEROS ALEATORIOS, tenemos:

35

Los valores de las variables generadas son contnuas, pero para efectos prcticos los hemos
redondeado.
Entonces con estos valores SIMULAMOS EL COMPORTAMIENTO DEL SISTEMA, tal como se
muestra en la tabla siguiente:

TABLA DE SIMULACIN

Sea x el promedio de intervalos entre llegadas de los clientes al sistema
Entonces

36
95 . 3
20
79
= = x minutos/cliente
2532 . 0
95 . 3
1 1
= = =
x
Sea y el promedio de tiempos de servicio (duracin de las llamadas)
Entonces
7 . 2
20
54
= = y minutos/cliente
3704 . 0
7 . 2
1 1
= = =
y
Por lo tanto:
Wq (simulado) 35 . 1
20
27
= = minutos/cliente
Tiempo Ocioso (simulado) = 23 minutos
Utilizacin del telfono (simulado) 667 . 0
81
54
= = (el sistema esta ocupado el 66.7% del tiempo de operacin)

f) Nuevamente, La diferencia en relacin a los resultados de los valores reales y tericos se
debe a lo siguiente:
3. El tamao de la muestra para los clculos reales es muy pequea.
4. Los parmetros y consecuentemente no son los adecuados para llegar a valores
aproximados mediante las frmulas de colas.
5. La longitud de la simulacin (20 clientes) es muy pequea. Toda simulacin para que arroje
valores aproximados a los tericos o reales deber tener una longitud lo suficientemente
grande.

g) Propiedades del modelo

COMPONENTES:
Clientes y el Telfono
VARIABLES EXOGENAS:
x: Intervalo entre llegadas de los clientes
y: Duracin de una llamada

VARIABLES ENDOGENAS:
Wq: Tiempo de espera en cola
TI: Tiempo Improductivo u Ocioso del servidor
VARIABLES DE ESTADO:
T: Tiempo de llegada de un usuario

37
D: Tiempo de desocupacin del telfono
PARMETROS:
Tiempo de Simulacin (TS)= 8 horas
RELACIONES FUNCIONALES:
x Distribucin Exponencial con media 3.5 minutos por cliente.
y Distribucin Exponencial con media 2.55 minutos por cliente.

h) Diagrama de Flujo del sistema.
Diagrama de Flujo: Problema del Telfono

i) Codificacin del Programa en Visual Basic.
Private Sub Command1_Click()

38
T=0
TI=0
D=0
C=0
TE=0

A:

Randomize
r = rnd()
x = -3.5*Log(1-r)

T=T+x

C=C+1

Randomize
r = rnd()
y = -2.55*Log(1-r)

if T>D then
TI=TI+(T-D)
D=T+y
else
TE=TE+(D-T)
D=D+y
endif

if t >= 480 then
Wq=TE/C
U=1- TI/D
Text1.text=Wq
Text2.text=U
else
Goto A
endif
End Sub
Resultados promedio de 50 simulaciones:
Wq=5.5 minutos
U=0.7 osea 70%

k) Emita sus conclusiones finales:
1. La simulacin es una herramienta que permite imitar el funcionamiento de una situacin real,
para luego experimentar con el sin necesidad de afectarlo fsicamente.
2. Permite a las empresas que lo apliquen, pronosticar comportamientos futuros acerca del
sistema, lo cual permitir a los tomadores de decisin sugerir alternativas de optimizacin.
3. La simulacin exige un tratamiento estadstico de la informacin a efectos de validar el
modelo y poder as sugerir la implementacin de alternativas de mejora.
Etc.

39

CASO ESTUDIO NRO 6:
MODELO DEL TERMINAL PESQUERO
OBJETIVOS:
- Probar las habilidades de los jugadores para establecer niveles de pedido de inventario para un
horizonte de planificacin de diez semanas. El ganador ser aquel que al final tenga mayores
ganancias.
CASO
El Terminal pesquero vende camarn fresco a diversos clientes de Arequipa. Al inicio de cada
semana elabora los pedidos de cajas de camarn a los representantes de la flota en Matarani, para
satisfacer la demanda de sus clientes a media semana. El camarn se entrega al Terminal y luego, a
media semana, a los clientes.
El suministro y la demanda del camarn son inciertos. El suministro puede variar hasta +-10% con
respecto a la cantidad de pedido. La probabilidad relacionada con esta variacin es:
-10% 30% de las veces
0% 50% de las veces
+10% 20% de las veces
La demanda semanal del camarn se distribuye normalmente con media de 800 cajas y desviacin
estndar de 100 cajas.
El terminal pesquero paga 30 dlares por la caja de camarn y la vende a 50. El camarn que no se
venda al final de la semana se vende a 4 dlares la caja a una compaa de alimento para gatos. El
terminal pesquero, si lo desea, puede pedir que el proveedor congele el camarn en el muelle, pero
esto eleva 4 dlares el costo por caja y, por lo tanto, le cuesta 34 dlares al Terminal pesquero. La
congelacin permite que el terminal pesquero mantenga un inventario de camarn, pero el
almacenamiento del camarn en el congelador de la empresa cuesta 2 dlares por caja a la semana.
A los clientes no les importa si el camarn que reciben es el fresco o el congelado. El terminal
pesquero calcula que su costo de inexistencias es igual al alza en precio; es decir, cada caja que pida
y no pueda surtir le cuesta a la empresa $50 - $30 = $20.
Procedimiento para el juego. El juego consiste en decidir cada semana cuntas cajas de camarn
fresco y congelado hay que pedir. La cantidad que se pida puede ser cualquiera. El profesor acta
como rbitro y proporciona los nmeros aleatorios. Los pasos para llevar a cabo el juego son:
a) Decidir cul ser la cantidad de camarn fresco y congelado que se pedir y registrar las
cantidades en la columna 3 de la hoja de trabajo (ver cuadro A). Suponga que no hay inventario
inicial del camarn congelado.
b) Determinar la cantidad que se entrega y registrarla como pedidos recibidos. Para esto, el profesor
toma un nmero de la tabla de nmeros aleatorios uniformes y encuentra el nivel de variacin
asociado en los siguientes intervalos de nmeros aleatorios:
0.00 0.30 = -10%
0.31 0.80 = 0%

40
0.81 1.00 = +10%
Si el nmero aleatorio es, por ejemplo, 0.13, la cantidad de variacin sera 10%. Entonces, si
decide pedir 1000 cajas de camarn fresco y 100 de camarn congelado, la cantidad que recibira
sera 1000 0.10(1000), o 900 cajas de camarn fresco, y 100- 0.10(100), o 90 cajas de camarn
congelado. (Observe que la cantidad de variacin es la misma para el camarn fresco y el
congelado). Estas cantidades se registran en la columna 4.
c) Sumar la cantidad de camarn congelado en inventario (si hay) a la cantidad de camarn fresco y
congelado que acaba de recibir, y registrar esta cantidad en la columna 5. Con base en las cifras
anteriores, sera 990.
d) Determinar la demanda de camarn. Para esto, el profesor obtiene un nmero aleatorio de la
tabla de desviacin estndar y lo registra en la ecuacin que se encuentra en la parte superior de
la columna 6. As, si el valor de desviacin es 1.76, la demanda para la semana es 800+100(
1.76), o 624.
e) Determinar la cantidad vendida. Esta cantidad ser la menor de la demanda (columna 6) y la
cantidad disponible (columna 5). Entonces, si un jugador recibi 990 y la demanda es 624, la
cantidad que se registre ser 624 (con un sobrante de 990-624, o 366).
f) Determinar el excedente. La cantidad de excedente es sencillamente la cantidad que quede
despus de satisfacer la demanda de una semana. Suponga siempre que se vende primero el
camarn fresco y luego el congelado. Entonces, si utilizamos la cifra de 366 que se obtuvo en (e),
el excedente incluira las 90 cajas originales de camarn congelado.
g) Determinar la escasez. Es la cantidad de demanda no satisfecha en cada periodo y slo ocurre
cuando la demanda es mayor a las ventas. (Como todos los clientes consumen el camarn en la
semana en que se les entrega, no importan los pedidos atrasados). La cantidad de escasez (en
cajas de camarn) se registra en la columna 9.
Determinacin de ganancias. El cuadro B se usa para determinar las ganancias al final del juego.
Los valores que se registran en esta tabla se obtienen al sumar las columnas relevantes del cuadro A
y hacer los clculos correspondientes.
Tarea. Simular las operaciones de 10 semanas. Se sugiere que hagan una pausa al concluir la
semana 5 para que los jugadores traten de evaluar la manera en que podran mejorar su rendimiento.
Tambin podran planificar una estrategia de pedidos para la semana de veda, cuando no se
proveer camarn.
TABLA A: Hoja de trabajo para la simulacin.

41

TABLA B: Ganancias de las Operaciones
Ingresos por ventas
($50 x col.7) $______
Ingresos por desecho
($4 x col.8 fresco) $______
Total de ingresos $_______
Costo de compras de camarn fresco
($30 x col.4 fresco) $______
Costo de compras de camarn
congelado ($34 x col.4 congelado) $______
Costo de almacenamiento de camarn
congelado ($2 x col.8 congelado) $______
Costo de escasez ($20 x col.9) $______
Costo total $_______
Ganancias $_______


42
CASO ESTUDIO NRO 7:
SIMULACIN DE INVENTARIOS
A.- Introduccin
En los mtodos para calcular cantidades de reposicin. (Anlisis de sensibilidad y lote econmico), se
ha trabajado sobre costos de mantenimiento de inventarios y costos de realizar pedidos, pero no se
ha considerado el costo asociado de no tener los artculos cuando la demanda excede el inventario
disponible, quiz uno de los costos ms importantes en manejo de las existencias. Una de las
maneras de atacar este problema de los costos de escasez es el uso de programas de simulacin
(investigacin operativa en lugar de la tcnica del lote econmico.
Adems como el mtodo del lote econmico exige, para ser confiable, demanda constante y tiempo
de abastecimiento fijo, con la simulacin se puede trabajar con variabilidad en esos dos aspectos,
ampliando la utilidad del sistema de simulacin.
La simulacin que es una tcnica de evaluacin para sistemas complejos, es una herramienta
importante tanto para el diseo, como para el anlisis de un sistema.
En cuanto la complejidad del sistema de inventarios que se tiene aumenta, la simulacin llega a ser
ms y ms atractiva como una ayuda para la toma de decisiones. Esto es particularmente cierto para
sistemas dinmicos y/o probabilistas. Uno de los rasgos ms atractivos de un enfoque de simulacin
es la oportunidad que da al analista de comprende, la naturaleza dinmica de un sistema.
Con la simulacin se puede "mover" un modelo a travs del tiempo y observar como se, comporta el
sistema en sentido dinmico; adems, una de las caractersticas de la simulacin es que puede tratar
con elementos probabilsticos que sean a menudo difciles si no imposibles de manejar
analticamente.
Un rasgo no atractivo de la simulacin, es que no garantiza nada ms que una solucin que puede
utilizarse para ciertos sistemas, puede ser difcil determinar cuan cercana est la solucin que se
tiene a la solucin ptima real.
Otra desventaja de la simulacin, se relaciona con las computadoras, pues la mayora de los estudios
de simulacin se lleva en ellas. La cantidad de programacin de cmputo Y tiempo de ejecucin de
computadoras requeridos para ejecutar un anlisis particular, podran ser muy grandes. An as, la
simulacin es la nica forma conocida de analizar ciertos sistemas, su poder y versatibilidad a
menudo sobrepasan su defecto.
B.- Procedimiento general de simulacin
Los pasos necesarios para disear un anlisis completo de Simulacin, son:
1.- Deber desarrollarse un modelo que intente capturar los rasgos esenciales del sistema bajo
estudio. Al desarrollar tal modelo es importante pensar en trminos de variables controlables
(tambin llamadas variables de decisin), variables incontrolables y la relacin existente entre ellas.
2.- El segundo paso es validar el modelo que ha sido desarrollado. Los modelos a menudo se operan
y se comparan con el comportamiento pasado del sistema y con las esperanzas de los analistas.
Cualquier modificacin necesaria debe realizarse antes que se obtenga resultado, tiles del modelo

43
3.- Habiendo terminado el paso de validacin. El analista entonces disea y ejecuta experimentos con
el modelo, valores dados u otras representaciones para las variables no controlables, se
experimentan con las variables de decisin y se observa como responde el sistema.
Un Diagrama de Flujo para un Procedimiento de Simulacin

C.- El mtodo de Montecarlo
Una herramienta til en muchos de los modelos de simulacin, es el mtodo de Montecarlo, para
generar variables aleatorias de las distribuciones de probabilidad. La tcnica es tan simple como
poderosa.
Ejemplo :Suponiendo una salida (X) de un proceso probabilstico dado, es un entero entre 0 y
39, inclusive. Adems se est interesado en que X est en ciertos intervalos (0-9, 10-19,20-29,30-39)
y se conoce la probabilidad correspondiente de que X est en cualquier intervalo en un tiempo dado:

Distribucin hipottica de probabilidad
a,b p(a<X<b)

0,9 0.15
10,19 0.20
20,29 0.50
30,39 0.15
1.00

El primer paso es asociar con cada evento el nmero de los dgitos enteros uniformemente
distribuidos (esto es, igual probabilidad) que corresponde a la probabilidad del evento.

Distribucin hipottica junto con asignaciones de enteros

44
de dos dgitos
a,b p(a<X<b) enteros de dos dgitos
0,9 0.15 00-14
10,19 0.20 15-64
20,29 0.50 35-84
30,39 0.15 85-99
1.00
Por ejemplo el evento 0 < X < 9 tiene una probabilidad de 0.15 de acontecer. Por consiguiente se
asocian 15 enteros aleatorios de dos dgitos con este evento (00-14). La numeracin consecutiva de
los enteros aleatorios asignados es simplemente por conveniencia, de igual manera para el evento 20
< X < 29 se asignan 50 nmeros aleatorios.
El nmero total de nmeros aleatorios utilizados para los cuatro eventos es 100. La idea es que la
relacin de la cantidad de nmeros aleatorios asignados a un evento a la cantidad total de nmeros
aleatorios asignados a la distribucin total sea igual a la probabilidad de ocurrencia del evento. As,
se hubiere decidido asignar nmeros aleatorios a 3 cifras en lugar de los de dos, se habran
necesitado 1,000 nmeros en total (debe haber al menos tantos dgitos como posiciones despus de
punto decimal en la distribucin de probabilidad).
Para las asignaciones de los nmeros aleatorios, la salida de este proceso se simula recogiendo
nmeros de una tabla de nmeros aleatorios y simplemente determinando el evento correspondiente.
Por ejemplo, suponiendo que se recurriera a un tabla de nmeros aleatorios y se obtuviera el nmero
27, ste indicara que el evento 10 < X < 19 ocurri.
Se puede pensar de esto como una simulacin de un proceso cuya salida es una variable aleatoria
que est presentada por la distribucin de probabilidad mostrada en la tabla anterior.
Si se contina simulando este proceso y se registra la frecuencia con la cual ocurre cada evento, se
acercara en el lmite cuando el nmero de ensayos en la simulacin creciera sin tope, a la
probabilidad de ocurrencia de cada evento.
a,b p(a<X<b) Asignaciones Nmero de Frecuencia
de entero ocurrencias relativa
0,9 0.15 00-14 13 0.13
10,19 0.20 15-64 32 0.21
20,29 0.50 35-84 54 0.54
30,39 0.15 85-99 12 0.12
1.00
Con una gran cantidad de ensayos se producirn frecuencias relativas que sern ms cercanas a los
nmeros de probabilidad originadas.
D.- Sistema de inventarios
Una forma de determinar los niveles (le reposicin (R) y las cantidades de reposicin (Q)
considerando todos los elementos de costos que intervienen en un sistema de inventarios y adems
de forma que se automatice la administracin del inventario de un almacn, es un sistema de
simulacin.
La eleccin de los valores numricos de las variables la decisin se infiere de buscar el intercambio
entre:
- El costo de tener el inventaro
- El costo de colocar los pedidos para llenar el inventario
- El costo asociado, al no tener productos cuando la demanda excede al inventario disponible
(costo de escasez).

45
Estos componentes de costo usualmente se suman juntos para proporcionar un costo variable total
para un perodo, una semana un mes, un ao. El objetivo del administrador es determinar una poltica
que minimice el valor promedio del costo total.
Aunque estos modelos son relativamente fciles de desarrollar, a menudo son muy difciles de
resolver matemticamente, pues con frecuencia contienen funciones no lineales de las variables de
decisin y contienen uno o ms elementos estocsticos que resulten de la demanda y/o
consideraciones de tiempo en que llegan los artculos despus de haber hecho el pedido.
Como un resultado, el anlisis matemtico requerido para calcular una poltica ptima a menudo es
extremadamente difcil, para muchos sistemas el anlisis matemtico es imposible.
La simulacin sin embargo, trata fcilmente con las complejidades de los sistemas de inventario. Se
puede simular el comportamiento para una variedad de polticas, entonces la administracin puede
elegir la poltica que proporciona el comportamiento del sistema ms deseable en promedio. Las
matemticas complejas no son necesarias.
Ejemplo:
Se presenta un sistema de inventario, en el que la demanda diaria es incierta, pero que puede
representarse probabilsticamente en la distribucin siguiente:

a.- Cuando la demanda excede el inventario, se permite tener pedidos pendientes pero se carga el
costo $1.00 por unidad, por no haber tenido el artculo en almacn (costo de escasez).
b.- El tiempo que transcurre desde que se hace el pedido hasta que se reciben las cantidades es
constante e igual a dos das.
c.- El costo de colocar un pedido para volver a tener artculos en inventario es de $ 10.00
(independientemente de la cantidad ordenada).
d.- El costo de tener el inventario es de 50 centavos por da por cada unidad en almacn al inicio del
da.
Se necesita instalar una poltica de reposicin, para lo cual se requiere establecer los valores de los
niveles de reposicin (R) y cantidad de reposicin (Q) que definen esta poltica.
El problema se resuelve simulando el comportamiento del costo del sistema para una variedad de
polticas posibles y eligiendo aquellas polticas que proporcionen un costo mnimo.
Por ejemplo, se podra probar la poltica " Toda vez que el inventario que se tiene al inicio de un da
sea menor o igual a R=2, colocar un pedido para Q=6 unidades.
Asignacin del
Demanda Probabilidad Nmero
Aleatorio
0 0.1 0
1 0.3 1,2,3
2 0.5 4,5,6,7,8
3 0.1 9
1.0

46
Utilizando el enfoque de Montecarlo, se pueden generar demandas diarias, calcular los niveles de
inventarios y de pedidos pendientes y calcular los costos diarios y correspondientes. Estos costos
diarios se acumulan Y promedian para estimar el comportamiento en costo del sistema para la poltica
R = 2, Q = 6.
La tabla siguiente presenta la simulacin para 3 semanas
*Inventario inicial asignado arbitrariamente
La tabla anterior es un registro utilizado para llevar la simulacin durante 3 semanas. Los nmeros
aleatorios utilizados en la simulacin fueron tomados arbitrariamente de una tabla de nmeros
aleatorios.
El primer da del perodo de simulacin comienza con un nivel de inventario de 6 unidades. Se pide
cero unidades puesto que el inventario actual es mayor que R y se reciben cero unidades puesto que
no hay ningn pedido pendiente de recibir. Ninguna unidad se necesita pedir, y el da dos se inicia
con cuatro unidades. El costo asociado en el da 1 es simplemente $3.00 ya que no se tuvo escasez
en el stock ni se curs ningn pedido.
Sumando los resultados de costo en la hoja de trabajo y promediando sobre las tres semanas, se
obtiene un costo promedio de $ 28.5 por semana para la poltica R = 2, Q = 6.
La estimacin de costo para otras posibilidades se obtienen en forma similar y se utilizan para
comparar polticas (para mejorar la confiabilidad de las comparaciones, se debera examinar el
sistema para ms de 3 semanas) segn costos.

Da Inven-
tario
inicial
Unida-
des
pedi-
das
Unidade
s
recibida
s
Nmero
s
aleatorio
s
Unidade
s
deman-
dadas
Unidades
pedidas
que estn
en espera
para
entregarse
Costo por
mantener
la unidad
almacenad
a
Costo por
no tener la
unidad en
almacn
Costo
del
pedido
Costo
total
1 6* 0 0 5 2 0 $3.00 0 0 $3.00
2 4 0 0 0 0 0 2 0 0 2
3 4 0 0 9 3 0 2 0 0 2
4 1 6 0 1 1 0 0.5 0 10 10.5
5 0 0 0 9 3 3 0 3 0 3
6 0 0 6 8 2 0 0 0 0 0
7 1 6 0 7 2 1 0.5 1 10 11.5
8 0 0 0 5 2 2 0 2 0 2
9 0 0 6 1 1 0 0 0 0 0
10 2 6 0 8 2 0 1 0 10 11
11 0 0 0 6 2 2 0 2 0 2
12 0 0 6 9 3 0 0 0 0 0
13 1 6 0 0 0 0 0.5 0 10 10.5
14 1 0 0 3 1 0 0.5 0 0 0.5
15 0 0 6 8 2 0 0 0 0 0
16 4 0 0 1 1 0 2 0 0 2
17 3 0 0 9 3 0 1.5 0 0 1.5
18 0 6 0 7 2 2 0 2 10 12
19 0 0 0 1 1 1 0 1 0 1
20 0 0 6 3 1 0 0 0 0 0
21 2 6 0 4 2 0 1 0 10 11

47


48
CASO ESTUDIO NRO 8:
EVALUACIN DE PROYECTOS DE INVERSIN
ACERCA DEL INVERSIONISTA:
Ismael siempre fue un hombre de ideas claras y objetivas bien definidas. Tan luego se formo en una
de las mejores escuelas de administracin, el demostr gran espritu emprendedor y energa.
Ahora, a los 42 aos de edad, el viene invirtiendo su patrimonio de $ 4 000 000 de modo muy
cauteloso y obteniendo 15% al ao. Actualmente, el se enfrenta con una inflacin adicional creciente
y se esta preocupando con su efecto corrosivo sobre su patrimonio. De hecho Ismael esta pensando
en alterar su comportamiento, procurando alternativas con mayores riesgos y esperando rendimientos
ms atrayentes.
LA DECISION
Ismael pretende colocar $ 1 000 000 de su inversin seguro y cauteloso en una de las dos
alternativas X o Y, siempre que el rendimiento sea mayor que los actuales 15% y los riesgos sean
compatibles.
Un modelo de simulacin seria el anlisis apropiado para tratar los valores aleatorios del proyecto X,
en cuanto a las incertezas del proyecto Y podran ser mas bien visualizadas en un diseo de rbol de
decisiones.
El problema de la preferencia en el tiempo puede ser tratado utilizando los clculos del Valor
Presente Neto (VAN), como recomiendan la mayora de los autores. La tasa de descuento es de
15%. De cualquier modo, dada la incerteza en relacin al tiempo de duracin del proyecto, otros
anlisis no se justifican.
EL PROYECTO X.
El proyecto X consiste en el lanzamiento de un nuevo producto. La inversin inicial total es de $ 1 000
000 y el retorno depende de factores inciertos y valores aleatorios.
i) Incerteza en relacin al costo variable unitario de produccin. Este costo depende de procesos mal
controlados y de insumos con pocos proveedores, osea, factores inciertos. En tanto, un panel de
especialistas atribuyo estimativos subjetivos (probabilidades como medida de incerteza) que
resultaron para el primer ao de produccin, en:
Probabilidad (%) Costo Unitario ($)
40 3.00
30 3.50
30 4.00
No hay costos fijos importantes adems de la inversin inicial.
ii) Aleatoriedad en el total de las ventas anuales. Existen muchos datos estadsticos de
comportamiento del mercado para productos semejantes, en el pasado. La aleatoriedad de los
valores para las ventas anuales (durante el ciclo de vida del producto) puede ser modelada por una
distribucin que, por nica vez, ser aproximada por tramos lineales. Las distribuciones son
diferentes para cada uno de los 4 aos (de modo que refleje un ciclo de vida), en cada una de estas
distribuciones, es aproximada por 5 rangos lineales. Cada rango lineal corresponde a una distribucin
uniforme. Las distribuciones lineales utilizadas en el proceso de aproximacin son:

49
Distribuciones de las 5 Distribuciones Uniformes
Distribucin Lmites
Uniforme (1000 unidades vendidas)
1 70 a 360
2 360 a 410
3 410 a 490
4 490 a 630
5 630 a 900
Para cada ao, el comportamiento del mercado (tamao-participacin) ser tal que caiga en una de
las distribuciones lineales arriba, con las siguientes probabilidades:
Modelando las ventas anuales
Distribucin Probabilidad de ocurrencia (%)
uniforme ao 1 ao 2 ao 3 ao 4
1 25 10 5 30
2 30 20 25 25
3 30 25 25 20
4 10 25 25 20
5 5 20 20 5
Por este proceso, se genera un valor de venta segn la siguiente secuencia:
Seleccione un ao para el cual se desea generar un valor de ventas.
Seleccione la distribucin uniforme siguiendo las probabilidades correspondientes a aquel
ao.
Se recomienda el proceso acumulativo; por ejemplo, para el ao 1: genere un nmero aleatorio con
distribucin uniforme 0 a 1 y si resulta entre 0 y 0.25 use la distribucin 1, hasta 0.55 use la 2, hasta
0.85 use la 3, hasta 0.95 use la 4 y encima de 0.95, use la 5. Observe cmo para los aos 1 y 4,
inicio y fin del ciclo de vida del producto, la probabilidad de seleccionar distribuciones (1 y 2) con
bajas ventas es mayor.
Despus de seleccionar la distribucin segn el procedimiento anterior, genere el valor de las
ventas dentro de la distribucin seleccionada.
iii) El tiempo de vida (ciclo del producto) depende del desempeo de las ventas:
Si Ventas (ao 1) + Ventas (ao 2) < 600 000, entonces 2 aos.
Si Ventas (ao 1) + Ventas (ao 2) + Ventas (ao 3) < 1 000 000, entonces 3 aos.
El mximo es de 4 aos, despus de los cuales ser desactivado.
iv) El precio unitario de venta ya fue fijado en $ 5.00 .
El producto tendr disponibilidad inmediata despus de la inversin inicial (esta es una simplificacin).
La especificidad del producto es tal que despus de su tiempo de vida, no hay valor residual sobre la
inversin inicial.
v) Para efectuar los anlisis, Ismael pretende construir un modelo de simulacin con 100 casos y
efectuar 10 simulaciones con el modelo de modo a obtener medias globales.
Para los clculos financieros, despus de la inversin inicial, los otros valores sern todos
concentrados al final de cada ao.

50
PROYECTO Y
El proyecto Y es mucho mas conservador. Se trata de una inversin inmobiliaria de 1 milln de
dlares en edificaciones comerciales. El beneficio a ser recibido anualmente es bastante bueno y fue
estimado en 35% de la inversin inicial. Hay incertezas en relacin al tiempo de reventa y al valor de
reventa.
i) Tiempo de reventa:
Despus de tres aos, con probabilidad de 60%.
Despus de cuatro aos, con probabilidad de 40%.
ii) Valor de reventa (depende de las evoluciones del mercado inmobiliario y de la regin en particular):
Factor de multiplicacin
En relacin a la
Inversin inicial Probabilidad (%)
0,90 10
1,00 20
1,10 50
1,15 20
En qu proyecto deber invertir su dinero Ismael?


51
APLICACIONES PROPUESTAS

APLICACIN 1.- Los buques tanque llegan a un puerto petrolero con la distribucin de
tiempos entre llegadas que se ve en la tabla siguiente:
Tiempo entre llegadas (das) 1 2 3 4 5
Probabilidad .20 .25 .35 .15 .05
El puerto tiene dos terminales, A y B. La terminal B es ms moderna y, por lo tanto, ms eficaz que la
terminal A. El tiempo para descargar un buque tanque depende de la capacidad de ste. Un
superbuque tanque necesita 4 das para descargar en la terminal A y 3 en la terminal B. Un buque
tanque de tamao mediano necesita 3 das en la terminal A y 2 das en la terminal B. Los buques
tanque pequeos se descargan en 2 das en la terminal A y en 1 en la terminal B. Los buques
tanques que llegan se forman en una sola cola en el puerto hasta que se desocupa una terminal para
descarga. El servicio se da sobre la base primero que llega primero en ser atendido. El tipo de buque
tanque y la frecuencia con la que llegan a este puerto se presenta en la siguiente tabla:
TIPO DE BUQUE TANQUE PROBABILIDAD
Superbuque tanque 0.40
Superbuque tanque mediano 0.35
Superbuque tanque pequeo 0.25
Suponiendo que si los dos terminales estn desocupados, los buques eligen el Terminal A para ser
atendido, utilice la simulacin de Montecarlo para la llegada de 15 buques y determine el nmero
promedio de das que pasa un tanque en el puerto y el tiempo ocioso de cada una de las terminales.
Utilice los nmeros aleatorios de las celdas E 7 y C 5 para generar los tiempos entre llegadas y el tipo
de buque tanque que llega respectivamente.
APLICACIN 2.- El gerente de una pequea oficina de correos teme que el crecimiento de la
localidad sature el servicio que se ofrece con una sola ventanilla. Decide obtener datos de muestra
con respecto a 100 individuos que solicitan servicio. A continuacin se presenta un resumen de los
datos:
Tiempo entre Tiempo de
llegadas servicio
(minutos) Frecuencia (minutos) Frecuencia
1 8 1.0 12
2 35 1.5 21
3 34 2.0 36
4 17 2.5 19
5 6 3.0 7
3.5 5
100
100
Emplee la simulacin de Montecarlo para estimar el tiempo promedio de espera y el promedio de
inactividad de los empleados durante la llegada de 15 clientes.
- Utilice la secuencia de nmeros aleatorios de las celdas B1 y E3 para generar los intervalos
entre llegadas de los clientes y los tiempos de servicio respectivamente.
APLICACIN 3.- La biblioteca de la universidad tiene una copiadora para uso de los
estudiantes. Estos llegan a la mquina con una distribucin de tiempos entre llegadas mostradas en
la siguiente tabla:
Tiempo entre llegadas (minutos) 1 2 3 4 5

52
Probabilidad .20 .25 .40 .10 .05
El tiempo promedio que se tarda en hacer una copia es 15 segundos. Un anlisis de los datos
acumulados muestra que el nmero de copias que hace un estudiante al pasar a la mquina tiene la
distribucin siguiente:
Nmero de copias 6 7 8 9 10
Probabilidad .20 .25 .35 .15 .05

El bibliotecario cree que con el sistema actual, la cola en la mquina copiadora es demasiado larga y
que el tiempo que un estudiante pasa en el sistema (tiempo de espera + tiempo de servicio) es
demasiado.
Efecte una simulacin de Montecarlo para la llegada de 10 clientes y determine el tiempo promedio
de espera y el tiempo ocioso de la mquina copiadora.
Utilice los nmeros aleatorios de las celdas A7 y B9 (tabla de nmeros aleatorios) para generar los
valores de los tiempos entre llegadas de los estudiantes y el nmero de copias solicitadas
respectivamente.

APLICACIN 4.- La demanda diaria de pollos en un minimarket es una variable aleatoria con
distribucin exponencial con una media de 5 unidades diarias. El administrador comienza el da con
15 pollos.
Cada pollo tiene un costo de 13 soles y se vende a 20 soles. Se reduce el inventario diariamente. Si
al final de un da en particular el dueo tiene menos de 8 pollos en stock, ordena un pedido suficiente
para tener 15 pollos al inicio del siguiente da.
- Cuando la demanda excede el inventario, no se permite tener pedidos pendientes pero se carga
el costo de 3 soles por unidad, por no haber tenido el artculo en almacn (costo de escasez).
- El costo de colocar un pedido para volver a tener artculos en inventario es de 10 soles
(independiente de la cantidad ordenada).
- El costo de mantener inventario de un da para otro es de 1.5 soles.
Asumiendo que el costo de adquisicin e inventario de los 15 pollos con los que empieza el negocio
fueron absorbidos en la gestin anterior, determine Ud. utilizando la tcnica de la simulacin de
Montecarlo:
a) La utilidad total para un periodo de 15 das.
b) El nmero de pollos que sobran al final del ltimo da.
Para generar la demanda diaria utilice los nmeros aleatorios de la celda E8 (tabla de nmeros
aleatorios).


53
APLICACIN 5.- Un lote de estacionamiento dispone de 30 espacios para el estacionamiento
de los vehculos. Es abierto de 8 a.m. a 4 p.m.. El intervalo entre la llegada de vehculos al lote L tiene
distribucin exponencial con un valor esperado de 3 minutos. La duracin de estada de un vehculo S
es normalmente distribuida con un valor esperado de 90 minutos y una varianza de 30 minutos. Si al
llegar un vehculo no hay espacio libre, se aleja.

Se pide:
a) Construya un modelo de simulacin (diagrama de flujo) que simule el funcionamiento del Lote
de estacionamiento y determine el nmero de vehculos que se alejan durante un da de 8
horas (480 minutos).
b) Suponiendo que el lote de estacionamiento tenga solamente 3 espacios y tomando en cuenta
los intervalos de llegada (L) y las duracin de las estadas (S) generados, determinar el
nmero de vehculos que se alejan durante la llegada de 10 vehculos. Utilice para generar L,
los nmeros aleatorios de la celda C1 y para S los de la celda E8 (tabla de nmeros
aleatorios).

APLICACIN 6.- Un semforo en una interseccin vehicular tiene una fase verde que
actualmente demora 50 segundos y una fase roja de 40 segundos. El intervalo entre las llegadas de
los vehculos a la interseccin (en segundos) es una variable aleatoria con distribucin emprica:
Intervalos entre llegadas 5 6 7 8 9
probabilidad 0.1 0.3 0.2 0.3 0.1
a) Construya un modelo de simulacin (diagrama de flujo) para este sistema que permita
determinar la duracin de la fase verde, de tal manera que el tiempo promedio de espera de
los vehculos que llegan a dicha interseccin no sea mayor a 30 segundos. Utilice un tiempo
de simulacin de 5 horas.
b) Mediante la simulacin de Montecarlo determine la longitud promedio de vehculos en cola
para esta interseccin en un tiempo de simulacin equivalente a la llegada de 15 vehculos.
Utilice los nmeros de la celda B9 (tabla de nmeros aleatorios) para generar los valores de
la variable aleatoria.

APLICACIN 7.- En un proceso productivo las piezas una vez procesadas son
inspeccionadas para determinar si son rechazadas, reprocesadas o aceptadas para su posterior
venta. Estadsticamente el 70% de las piezas son aceptadas, el 10% son rechazadas y el 20%
reprocesadas. Una pieza reprocesada puede volver nuevamente a ser reprocesada. Utilice la tcnica
de simulacin de Montecarlo para imitar el funcionamiento de este sistema durante la llegada de 15
piezas y responda las siguientes inquietudes:
a) Si el costo de proceso es de $13 por pieza y el de reproceso $7. Cul seria el costo de un item
que termine en ventas?.
b) En un lote de 5000 piezas cuntas sern rechazadas?.
Nota: Utilice los nmeros aleatorios de la celda C2 (tabla de nmeros aleatorios) para generar valores
para la variable aleatoria de si la pieza es aceptada, descartada o reprocesada.

54

APLICACIN 8.- La vida de 100 vlvulas electrnicas al vaco, contenidas en una
computadora digital, esta distribuida normalmente con un valor esperado igual a 6 meses y una
desviacin estndar de 2 semanas. En el caso de que todas las vlvulas se reemplacen al mismo
tiempo el costo de tal operacin ser al precio de $2.00 por cada vlvula. El costo de reemplazo de
una vlvula que falle estando la computadora en servicio ser de $5.00 por unidad, mas el costo del
tiempo en que la computadora queda fuera de servicio. En promedio, el costo que ocasiona una
vlvula en tiempo de maquina fuera de servicio, se calcula como $50.00 durante el da y $100.00
durante la noche. La probabilidad de falla durante el da es 0.7 y durante la noche de 0.3.
Utilice la tcnica de simulacin en computadora para comparar los costos de las siguientes polticas
de reemplazo:
a) Reemplazar cada vlvula a medida que van fallando.
b) Reemplazar las 100 vlvulas cada 5 meses, hacindolo con las vlvulas que fallan
individualmente en el periodo interino.
Construya un modelo de simulacin (diagrama de flujo) para determinar una poltica ptima de
reemplazo, en un tiempo de simulacin de 100 meses.

APLICACIN 9.- En el puesto de gasolina El campen, ocurre lo siguiente:
a) Los carros llegan al puesto a cada 12 a 16 minutos con una media de 14 minutos entre
llegadas y distribucin uniforme.
b) Juan Prez atiende exponencialmente, llevando en promedio15 minutos para atender un
carro (4 minutos para llenar el tanque, 3 minutos para verificar el aceite y 8 minutos para
contar el cambio).
Se le sugiere las siguientes alternativas para mejorar el servicio:
a) No hacer nada y dejar las cosas como estn.
b) Someter a Juan Prez a un programa de capacitacin, de modo que mejore su aritmtica y
de esta manera disminuir el tiempo de servicio de 15 a 6 minutos.
c) Instalar una segunda bomba y contratar a un operario para operarla. El joven trabaja
exactamente del mismo modo que Juan Prez.
d) Sugerir a Juan Prez que descanse y contrate al mejor estudiante del grupo escolar de la
nocturna, el empleara 5 minutos para atender un carro.
NOTA: Observe que este proceso no es de optimizacin, ya que no es posible definir una funcin
objetivo a ser maximizada o minimizada.
a) Mediante la simulacin de Montecarlo determine la mejor alternativa de optimizacin en
funcin al tiempo promedio de espera en cola. Utilice el tiempo de simulacin equivalente a la
llegada de 15 vehculos al sistema.
Utilice los siguientes nmeros aleatorios para generar los valores de las variables aleatorias:
- Para la tasa de llegadas: Nmeros aleatorios de la celda C7 (tabla de nmeros aleatorios).

55
- Para los tiempos de servicio: Nmeros aleatorios de la celda D4 (tabla de nmeros
aleatorios).

APLICACIN 10.- Un vendedor compra peridicos al precio de 50 cntimos de sol por cada
uno y los vende a 1 sol la unidad. Al final de cada da el agente de publicaciones le pagar 15
cntimos de sol por cada peridico que no haya vendido. La demanda diaria D de los peridicos tiene
la siguiente distribucin de probabilidad (distribucin emprica):
D 75 80 85 90 95 100 105 110 115 120
p(D) 0.08 0.07 0.02 0.20 0.09 0.19 0.12 0.03 0.14 0.06
a) Suponiendo que el vendedor puede pedir cualquier cantidad de peridicos que se encuentre en
el rango de valores de la demanda, construya un modelo de simulacin (diagrama de flujo)
para este sistema logstico que permita determinar el nivel ptimo de aprovisionamiento
(nmero de peridicos a pedir diariamente), en un tiempo de simulacin de 200 das.
b) Mediante la simulacin de Montecarlo determine la utilidad total esperada para un nivel de
aprovisionamiento de 95 peridicos diarios en un tiempo de simulacin de 20 das. Utilice los
nmeros de la celda A5 (tabla de nmeros aleatorios) para generar los valores de la variable
aleatoria.
APLICACIN 11.- Suponga que estamos determinando el punto de reorden R de una poltica
de inventarios (Q,R). Con esta poltica pedimos Q unidades cuando el nivel de inventario desminuye a
R o menos. La distribucin de probabilidades de la demanda diaria se da en la siguiente tabla:
DEMANDA DIARIA
(unidades) PROBABILIDAD
12 .05
13 .15
14 .25
15 .35
16 .15
17 .05
El tiempo de entrega tambin es una variable aleatoria y tiene la siguiente distribucin:
TIEMPO DE ENTREGA
(Das) PROBABILIDAD
1 .20
2 .30
3 .35
4 .15
Suponemos que la cantidad pedir hasta tener permanece igual, en 100 unidades. Nuestro inters en
este caso es determinar el valor del punto de reorden R que minimice el costo total de inventario. Este
costo es la suma del costo esperado de almacenamiento, el costo esperado de pedido y el costo
esperado de escasez. La escasez es acumulativa. Esto es, un cliente espera hasta que se tiene el
artculo. El costo de inventario se estima en 0.20 dlares por unidad por da, y se carga a las
unidades en inventario al final del da. La escasez cuesta 1 dlar por cada unidad que falte. El costo
de pedido es 15 dlares por pedido. Los pedidos llegan al inicio del da.
a) Suponiendo que el punto de reorden R puede oscilar entre 0 y 50 unidades, construya un
modelo de simulacin (diagrama de flujo) para este sistema de inventario que permita
determinar el valor de R que minimice el costo total de inventario, en un tiempo de simulacin
de 500 das.

56
b) Mediante la simulacin de Montecarlo determine el costo total de inventario para un punto de
reorden igual 30 unidades en un tiempo de simulacin de 20 das.
Utilice los siguientes nmeros aleatorios para generar los valores de las variables aleatorias:
- Para la demanda: Nmeros aleatorios de la celda C1 (tabla de nmeros aleatorios).
- Para los tiempos de llegada de los pedidos: Nmeros aleatorios de la celda E8 (tabla de
nmeros aleatorios).


57
Apndice A

rea bajo la curva normal estndar
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09

0.00 0.50000 0.50399 0.50798 0.51197 0.51595 0.51994 0.52392 0.52790 0.53188 0.53586
0.10 0.53983 0.54380 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57535
0.20 0.57926 0.58317 0.58706 0.59095 0.59483 0.59871 0.60257 0.60247 0.61026 0.61409
0.30 0.61791 0.62172 0.62552 0.62930 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173
0.40 0.65542 0.65910 0.66276 0.66640 0.67003 0.67364 0.67724 0.68082 0.68439 0.68793

0.50 0.69146 0.69497 0.69847 0.70194 0.70540 0.70884 0.71226 0.71566 0.71904 0.72240
0.60 0.72575 0.72907 0.73237 0.73536 0.73891 0.74215 0.74537 0.74857 0.75175 0.75490
0.70 0.75804 0.76115 0.76424 0.76730 0.77035 0.77377 0.77637 0.77935 0.78230 0.78525
0.80 0.78814 0.79103 0.79389 0.79673 0.79955 0.80234 0.80511 0.80785 0.81057 0.81327
0.90 0.81594 0.81859 0.82121 0.82381 0.82639 0.82894 0.83147 0.83398 0.83646 0.83891

1.00 0.84134 0.84375 0.84614 0.84849 0.85083 0.85314 0.85543 0.85769 0.85993 0.86214
1.10 0.86433 0.86650 0.86864 0.87076 0.87286 0.87493 0.87698 0.87900 0.88100 0.88298
1.20 0.88493 0.88686 0.88877 0.88965 0.89251 0.89435 0.89617 0.89796 0.89973 0.90147
1.30 0.90320 0.90490 0.90658 0.90824 0.90988 0.91149 0.91309 0.91466 0.91621 0.91774
1.40 0.91924 0.92073 0.92220 0.92364 0.92507 0.92647 0.92785 0.92922 0.93056 0.93189

1.50 0.93319 0.93448 0.93574 0.93699 0.93822 0.93943 0.94062 0.94179 0.94295 0.94408
1.60 0.94520 0.94630 0.94738 0.94845 0.94950 0.95053 0.95154 0.95254 0.95352 0.95449
1.70 0.95543 0.95637 0.95728 0.95818 0.95907 0.95994 0.96080 0.96164 0.96246 0.96327
1.80 0.96407 0.96485 0.96562 0.96638 0.96712 0.96784 0.96856 0.96926 0.96995 0.97062
1.90 0.97128 0.97193 0.97257 0.97320 0.97381 0.97441 0.97500 0.97558 0.97615 0.97670

2.00 0.97725 0.97784 0.97831 0.97882 0.97932 0.97982 0.98030 0.98077 0.98124 0.98169
2.10 0.98214 0.98257 0.98300 0.98314 0.98382 0.98422 0.98461 0.98500 0.98537 0.98574
2.20 0.98610 0.98645 0.98679 0.98713 0.98745 0.98778 0.98809 0.98840 0.98870 0.98899
2.30 0.98928 0.98956 0.98983 0.99010 0.99036 0.99061 0.99086 0.99111 0.99134 0.99158
2.40 0.99180 0.99202 0.99224 0.99245 0.99266 0.99286 0.99310 0.99324 0.99343 0.99361

2.50 0.99379 0.99396 0.99413 0.99430 0.99446 0.99461 0.99477 0.99492 0.99506 0.99520
2.60 0.99534 0.99547 0.99560 0.99573 0.99585 0.99598 0.99609 0.99621 0.99632 0.99643
2.70 0.99653 0.99664 0.99674 0.99683 0.99693 0.99702 0.99711 0.99720 0.99728 0.99736
2.80 0.99744 0.99752 0.99760 0.99767 0.99774 0.99781 0.99788 0.99795 0.99801 0.99807
2.90 0.99813 0.99819 0.99825 0.99831 0.99836 0.99841 0.99846 0.99851 0.99856 0.99861

3.00 0.99865 0.99869 0.99874 0.99878 0.99882 0.99886 0.99899 0.99893 0.99896 0.99900
3.10 0.99903 0.99906 0.99910 0.99913 0.99916 0.99918 0.99921 0.99924 0.99926 0.99929
3.20 0.99931 0.99934 0.99936 0.99938 0.99940 0.99942 0.99944 0.99946 0.99948 0.99950
3.30 0.99952 0.99953 0.99955 0.99957 0.99958 0.99960 0.99961 0.99962 0.99964 0.99965
3.40 0.99966 0.99968 0.99969 0.99970 0.99971 0.99972 0.99973 0.99974 0.99975 0.99976

3.50 0.99977 0.99978 0.99978 0.99979 0.99980 0.99981 0.99981 0.99982 0.99983 0.99983
3.60 0.99984 0.99985 0.99985 0.99986 0.99986 0.99987 0.99987 0.99988 0.99988 0.99989
3.70 0.99989 0.99990 0.99990 0.99990 0.99991 0.99991 0.99992 0.99992 0.99992 0.99992
3.80 0.99993 0.99993 0.99993 0.99994 0.99994 0.99994 0.99994 0.99995 0.99995 0.99995
3.90 0.99995 0.99995 0.99996 0.99996 0.99996 0.99996 0.99996 0.99996 0.99997 0.99997

1 Fuente: Richard I. Levin and Charles A. Kirkpatrick, Quantitive Approaches to Management
(New York: McGraw-Hill, 1978), p. 588.

58
Apndice B: Tabla de Nmeros Aleatorios

A B C D E
1
1581922396 2068577984 8262130892 8374856049 4637567488
0928105582 7295088579 9586111652 7055508767 6472382934
4112077556 3440672486 1882412963 0684012006 0933147914
7457477468 5435810788 9670852913 1291265730 4890031305
0099520858 3090908872 2039593181 5973470495 9776135501
2
7245174840 2275698645 8416549348 4676463101 2229367983
6749420382 4832630032 5670984959 5432114610 2966095680
5503161011 7413686599 1198757695 0414294470 0140121598
7164238934 7666127259 5263097712 5133648980 4011966963
3593969525 0272759769 0385998136 9999089966 7544056852
3
4192054466 0700014629 5169439659 8408705169 1074373131
9697426117 6488888550 4031652526 8123543276 0927534537
2007950579 9564268448 3457416988 1531027886 7016633739
4584768758 2389278610 3859431781 3643768456 4141314518
3840145867 9120831830 7228567652 1267173884 4020651657
4
0190453442 4800088084 1165628559 5407921254 3768932478
6766554338 5585265145 5089052204 9780623691 2195448096
6315116284 9172824179 5544814339 0016943666 3828538786
3908771938 4035554324 0840126299 4942059208 1475623997
5570024586 9324732596 1186563397 4425143189 3216653251
5
2999997185 0135968938 7678931194 1351031403 6002561840
7864375912 8383232768 1892857070 2323673751 3188881718
7065492027 6349104233 3382569662 4579426926 1513082455
0654683246 4765104877 8149224168 5468631609 6474393896
7830555058 5255147182 3519287786 2481675649 8907598697
6
7626984369 4725370390 9641916289 5049082870 7463807244
4785048453 3646121751 8436077768 2928794956 9956043516
4627791048 5765558107 8762592043 6185670830 6363845920
9376470693 0441608934 8749472723 2202271078 5897002653
1227991661 7936797054 9527542791 4711871173 8300978148
7
5582095589 5535798279 4764439855 6279247618 4446895088
4959397698 1056981450 8416606706 8234013222 6426813469
1824779358 1333750468 9434074212 5273692238 5902177065
7041092295 5726289716 3420847871 1820481234 0318831723
3555104281 0903099163 6827824899 6383872737 5901682626
8
9717595534 1634107293 8521057472 1471300754 3044151557
5571564123 7344613447 1129117244 3204461091 1699403490
4674262892 2809456764 5806554509 8224980942 5738031833
8461228715 0746980892 9285305274 6331989646 8764467686
1838538678 3049068967 6955157269 5482964330 2161984904
9
1834182305 6203476893 5937802079 3445280195 3694915658
1884227732 2923727501 8044389132 4611203081 6072112445
6791857341 6696243386 2219599137 3193884236 8224729718
3007929946 4031562749 5570757297 6273785046 1455349704
6085440624 2875556938 5496629750 4841817356 1443167141
10
7005051056 3496332071 5054070890 7303867953 6255181190
9846413446 8306646692 0661684251 8875127201 6251533454
0625457703 4229164694 7321363715 7051128285 1108468072
5457593922 9751489574 1799906380 1989141062 5595364247
4076486653 8950826528 4934582003 4071187742 1456207629

Guia Simulacion de Sistemas

Încărcat de

Informații document

Descriere originală:

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Guia Simulacion de Sistemas

Încărcat de

Drepturi de autor:

Formate disponibile

Simulacin de Sistemas

S-ar putea să vă placă și