Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Uso Distribuciones
Uso Distribuciones
Resumen
Este artculo trata sobre las aplicaciones de las distribuciones de probabilidad en la simulacin de sistemas productivos. Primeramente, se expone el concepto de nmeros aleatorios entre cero y uno, y los mtodos para generar nmeros aleatorios entre cero y uno. Despus, se describe el mtodo de la transformada inversa para construir generadores de variables aleatorias, y se presenta la aplicacin de las distribuciones de probabilidad en la simulacin de sistemas productivos haciendo uso de los generadores de variables aleatorias y nmeros aleatorios entre cero y uno. Finalmente, se deja al lector una actividad que consta de 7 ejercicios para que practique los conceptos adquiridos durante la lectura del presente artculo. Palabras clave: Simulacin, distribuciones de probabilidad, nmeros aleatorios, generadores de variable aleatoria,
I.
Introduccin.
Para realizar una simulacin se requiere de nmeros aleatorios en el intervalo (0,1), a los cuales les llamaremos ri. Donde los ris son una secuencia de nmeros que contiene n nmeros; donde todos los nmeros ris en la secuencia son diferentes y n recibe el nombre de periodo o ciclo de vida del generador que cre la secuencia. Los ris son el ingrediente bsico de la simulacin de procesos estocsticos y generalmente se usan para generar el comportamiento de variables aleatorias tanto continuas como discretas. Estrictamente los ris son nmeros pseudo aleatorios, debido a que no es posible generar nmeros realmente aleatorios. La razn por la que los ris no son realmente aleatorios es porque son generados por medio de algoritmos determinsticos que requieren de ciertos parmetros. Existen una gran variedad de algoritmos para generar nmeros aleatorios entre cero y uno, tales como congruencial lineal, congruencial multiplicativo, congruencial mixto, multiplicador constante, productos medios, cuadrados medios, entre otros. Cabe mencionar que los lenguajes de programacin, lenguajes de simulacin, paquetes de simualcin y hojas de clculo contienen una funcin para
Donde Xo es la semilla, a es la constante multiplicativa, c es una constante aditiva y m es el mdulo. Xo>0, a>0, c>0 y m>0 deben ser nmeros enteros. La operacin mod m significa multiplicar Xi por a, sumar c, dividir el resultado entre m y Xi+1 ser el residuo. Es importante sealar que la ecuacin recursiva del algoritmo congruencial lineal genera una secuencia de nmeros enteros {0,...,m-1} y para obtener nmeros aleatorios en el intervalo [0,1] se requiere de la siguiente ecuacin:
X ri = i m -1
i = 1,2,3,...n
Ejemplo: Generar 4 nmeros entre 0 y 1 con los siguientes parmetros: Xo=37, a=19, c=33 y m=100. Solucin:
X1 =(19 * 37 + 33)mod 100 = 36 r = 36/99 = 0.3636 1
r4 = 97/99 = 0.9797
Es importante mencionar que los generadores de nmeros simplemente generan un conjunto nmeros, despus hay que verificar que dichos nmeros cumplan con una serie de propiedades tales como: media de , varianza de 1/12, uniformidad e independencia. Para demostrar las propiedades anteriores existen la prueba de medias, la prueba de varianza, la prueba de uniformidad, y la prueba de independencia, respectivamente. Con respecto a las pruebas de uniformidad e independencia existen
F(t) =
Lim. inf .
f (t )dt = 30
10
ti
ti
dt
t = 30
=
10
t i 10 30
4) despejar la variable aleatoria t. t i 10 = 30 * ri t i = 10 + 30 * ri donde ri es un nmero aleatorio entre cero y uno. Una vez obtenido el generador de variable aleatoria, ahora hay que simular. Considerando los 4 nmeros ris generados anteriormente por medio del algoritmo congruencial lineal (0.3636, 0.1717, 0.5656, y 0.9797) simularemos el tiempo de proceso de 4 piezas: pieza 1 ==> t1 = 10 + 30 * 0.3636 = 20.908 minutos pieza 2 ==> t 2 = 10 + 30 * 0.1717 = 15.151 minutos pieza 3 ==> t 3 = 10 + 30 * 0.5656 = 26.968 minutos pieza 4 ==> t 4 = 10 + 30 * 0.9797 = 39.391 minutos Anteriormente, simulamos el tiempo de proceso para cuatro piezas, los valores simulados estn de una manera aislada y no han interactuado con otros valores y reglas lgicas. En muchas ocasiones, los generadores de variables aleatorias no estn aislados, generalmente estn interactuando con otros generadores de variables aleatorias y reglas lgicas. Es decir, en el caso de una mquina que procesa piezas, dichas piezas tal vez vengan de un proceso anterior, el cual estar marcando un tiempo entre llegadas de las piezas a la mquina, por lo tanto, existir un generador de variable aleatoria para generar el tiempo entre llegadas de las piezas. Adems, cuando la mquina est procesando una pieza, y llegar a ocurrir la llegada de otra pieza, dicha pieza debe quedar en espera (fila) a que la mquina termine el proceso de la pieza que est procesando.
II.
Existe una gran variedad de configuraciones de sistemas de produccin, por ejemplo el sistema de produccin de una sola etapa con una sola mquina como el representado en la figura 1. Las piezas llegan al sistema productivo de una en una con un tiempo entre llegadas que siguen algn tipo de distribucin de probabilidad. Las piezas se acumulan (hacen fila) en la tarima si la mquina est ocupada. La mquina procesa las piezas con un tiempo de proceso distribuido de acuerdo a un tipo de distribucin de probabilidad.
Figura 1. Sistema de produccin de una sola etapa con una sola mquina
Otros ejemplos sobre configuraciones de sistemas de produccin son mostrados en las figuras 2 y 3. Donde el sistema de produccin representado en la figura 2 es un sistema de produccin de dos etapas en donde en cada etapa existe una sola mquina. En
Figura 2. Sistema de produccin con dos etapas, una mquina en cada etapa.
Es importante mencionar que las mquinas que estn en paralelo pueden considerarse como mquinas idnticas por lo tanto deben tener tiempo de proceso iguales, o mquinas distintas por lo que su tiempo de proceso ser distinto; esto caso ocurre con mucha frecuencia cuando se tienen mquinas en paralelo que procesan el mismo tipo de pieza pero una de las mquinas es manual, otra semiautomtica, de modelo reciente o automtica.
Figura 3. Sistema de produccin con tres etapas, algunas etapas con dos o ms mquinas en paralelo.
Considerando el sistema productivo esquematizado en la figura 3, podemos mencionar lo siguiente, va a existir un tiempo entre llegadas de piezas al sistema productivo el cual se comportar de acuerdo a un tipo de distribucin de probabilidad. El tiempo de proceso de la mquina que est en la primera etapa tendr un comportamiento acorde a una distribucin de probabilidad. En la segunda etapa existen tres mquinas en paralelo, las cuales pueden ser idnticas y todas tener el mismo tiempo de proceso que siga el mismo tipo de distribucin de probabilidad, o que cada mquina sea distinta en tiempo de proceso (tal vez lo ms comn) y por lo tanto cada mquina tendr tiempo de proceso con su distribucin de probabilidad correspondiente, lo mismo puede ocurrir con la tercera etapa. Ahora se preguntarn y cmo puedo determinar la distribucin de probabilidad que siguen los tiempos de entre llegadas y de proceso en cada mquina. Pues, primeramente deberemos recolectar un poco de historia, es decir, debemos llevar a cabo la recoleccin de los tiempos entre llegadas y de proceso de cada mquina. Segundo, al conjunto de tiempos proponerle una distribucin de probabilidad y realizar algn tipo de prueba estadstica para determinar el tipo de distribucin de probabilidad que siguen los tiempos. Existen varias pruebas para determinar el tipo de distribucin de probabilidad que siguen los datos de los tiempos, por ejemplo existen las pruebas de la Chi-cuadrada, Kolmogorov-Smirnov, y Anderson-Darlin. Afortunadamente, tambin existen paquetes de estadstica que son de gran utilidad en la determinacin del tipo de distribucin de probabilidad que sigue un conjunto de datos. Por ejemplo, tenemos el minitab, stat::fit, entre otros. Ejemplo: Considere el siguiente conjunto de tiempos de proceso (en minutos) por pieza en una mquina:
16.84288 26.81033 18.45535 17.34166 7.06555 6.385111 9.20546 8.648104 36.76116 1.083557 19.45793 2.358834 9.487617 13.57499 16.47965 14.4736 37.23383 22.0958 8.851953 9.293769 21.02074 6.790286 9.832381 8.989405 81.09373 39.21019 67.34301 32.52941 3.043021 28.48385 36.89759 9.62015 4.64463 38.98915 18.0558 4.269692 3.632848 2.41035 6.849029 11.19502 55.69647 53.22929 24.64045 6.921324 25.35731 41.49955 31.25733 39.14699 7.517628 36.50804
Por medio del stat::fit podemos determinar cul distribucin de probabilidad puede representar al conjunto de datos. El stat::fit nos muestra resultados que estn mostrados en la figura 4. Estos resultados indican que la distribucin que mejor representa al tiempo de proceso de piezas en la mquina es la distribucin de probabilidad exponencial. En la figura 5 se muestra la grfica de la distribucin de probabilidad exponencial que representa al tiempo de proceso.
Una vez determinado el tipo de distribucin de probabilidad que siguen los tiempos entre llegadas y de proceso de cada mquina, el siguiente paso es construir el modelo de simulacin, el cual puede ser construido en una hoja de clculo (Excel), en un lenguaje de programacin (C, C++,C#, Pascal, Delphi, Fortran, Basic, QBasic, entre otros), en un lenguaje de simulacin (GPSS/H, GPSS/PC, GPSS/World; SLAM, entre otros) o en algn paquete se simulacin (Promodel, Automod, Arena, QUEST, WITNESS, entre otros). El ambiente en donde construir el modelo de simulacin depende de varios factores, por ejemplo si lo que deseamos simular es algo simple y sencillo como el sistema de produccin mostrado en la figura 1, lo podemos realizar en una hoja de clculo. Para sistemas ms complejos, por ejemplo el mostrado en la figura 3, se recomienda el uso de un paquete de simulacin.
III.
Conclusin
En este artculo se han presentado el uso de las distribuciones de probabilidad en la simulacin de sistemas productivos. Primeramente, se expuso el concepto de nmeros aleatorios entre cero y uno, y los mtodos para generar nmeros aleatorios entre cero y uno. Despus se describi el mtodo de la transformada inversa para construir generadores de variables aleatorias, as como tambin se present el uso de las distribuciones de probabilidad en la simulacin de sistemas productivos haciendo uso de los generadores de variables aleatorias y nmeros aleatorios entre cero y uno. Finalmente, se deja al lector una actividad con 7 ejercicios para que practique lo aprendido durante la lectura de este artculo.
IV. Anexo
Actividad: Ejercicio 1:
Por medio del algoritmo congruencial lineal genere 5 nmeros entre cero y uno con los siguientes parmetros: Xo=21, a=13, c=26 y m=64.
Ejercicio 2:
El algoritmo congruencial lineal se convierte en el algoritmo congruencial multiplicativo cuando c es igual a cero (c=0). Por medio del algoritmo congruencial multiplicativo genere 5 nmeros entre cero y uno con los siguientes parmetros: Xo=11, a=21 y m=128.
Ejercicio 3:
El tiempo de torneado (en horas) de una pieza tiene la distribucin de probabilidad continua siguiente: f (t ) = 4t 3 16 0 t 2 horas
Simular el comportamiento del tiempo de torneado de 5 piezas. Para la simulacin utiliza los 5 nmeros aleatorios generados en el ejercicio 1.
Ejercicio 4:
En una estacin con una sola mquina existen 5 piezas listas para procesarse. El tiempo de proceso de las piezas sigue una distribucin de probabilidad exponencial con media de 15 minutos. Determine el tiempo total que le llevar a la mquina procesar las 5 piezas. Para la simulacin utiliza los 5 nmeros aleatorios generados en el ejercicio 2.
Ejercicio 5
El tiempo de corte (expresado en minutos) de un anillo metlico tiene la siguiente distribucin de probabilidad continua:
8 f (t ) = 0 11.975 t 12.10 en otro valor
Simular el tiempo de corte para 3 anillos metlicos. Usar 3 nmeros aleatorios generados por medio del mtodo congruencial lineal con parmetros: a=13, m=256, c=89, Xo=69.
Ejercicio 6. La mquina fresadora DITZEN est en funcionamiento durante un tiempo distribuido exponencialmente media de 265 horas y falla, por lo que requiere que sea reparada. Se han recopilado 50 tiempos de reparacin de la mquina DITZEN, los cuales estn expresado en minutos. Con respecto a los tiempos de reparacin de la mquina DITZEN se ha obtenido la siguiente informacin del stat::fit: Auto::Fit of Distributions distribution rank acceptance Uniform(15., 19.9) 100 do not reject Lognormal(15., 0.668, 0.918) 0.813 reject
10
descriptive statistics data points 50 minimum 15.1161 maximum 19.9187 mean 17.608 median 17.7516 mode 19.2875 standard deviation 1.5055 variance 2.26652
Determinar en que tiempo (en minutos) la mquina de control numrico DITZEN entrar de nuevo en funcionamiento despus del segundo paro por falla, suponiendo que la mquina empieza en funcionamiento en el tiempo cero. Para simular el tiempo de funcionamiento de la mquina y el tiempo de reparacin de la mquina es necesario calcular 4 nmeros aleatorios en el rango (0,1); utilice el mtodo congruencial multiplicativo con la siguiente informacin: a=11, m=512, Xo=13, para generar los 4 nmeros aleatorios (0,1) y utilice los dos primeros nmeros generados para simular el tiempo de funcionamiento de la mquina y los ltimos dos nmeros generados para simular el tiempo de reparacin de la mquina.
Ejercicio 7.
Considere los siguientes 50 tiempos de proceso (expresado en minutos) en una mquina fresadora,
16.21041 16.36975 17.04456 15.19044 18.66544 19.62062 18.07798 16.30308 16.39357 18.11481 16.25205 18.55014 18.71943 19.04788 17.29887 18.77906 19.1297 15.65633 15.38137 18.58606 16.17577 15.9486 18.613 19.56527 15.3293 17.81262 16.02536 16.4915 19.77431 19.45417 18.95439 19.38678 18.27059 15.28796 15.1161 17.75368 17.649 19.43963 15.49208 18.02169 19.47592 17.74947 19.53324 19.91869 19.51316 17.32287 15.58289 16.98236 17.46792 16.89999
y determine: a) el tipo de distribucin de probabilidad que siguen los tiempos de fresado b) el generador de variable aleatoria correspondiente para simular el tiempo de fresado c) simule el tiempo de fresado de 20 piezas (utilice nmeros aleatorios generados en Excel)
11