Está en la página 1de 32

Sistemas Determinstico vs sistemas Estocsticos

Reporte de resultados

Elaborado por:

Julin Gonzlez Olmos

Diego Manzur Guevara

Gabriel Orrego Restrepo

Universidad EIA
Octubre 1 de 2017
Envigado
Introduccin

El presente texto pretende dar cuenta de los resultados obtenidos en el desarrollo de la actividad
relacionada con la dinmica de sistemas y cmo estos se comportan al cambiar su caracterstica
de determinsticos a estocsticos. Dicho anlisis se efectu con la ayuda del software de
programacin MatLab y de Microsoft Excel para as poder observar las conductas fcilmente
adems de reforzar los conocimientos en programacin adquiridos en semestres anteriores.
Sistema analizado

El sistema con el que se trabaj corresponde a un sistema de produccin y ventas de una


empresa de cualquier tipo .Para el respectivo anlisis se simularon 100 meses. Las relaciones
entre sus componentes son las siguientes:

t= tiempo actual
t-1= tiempo anterior

Variables de estado

Inventario= Inventario (t-1)+ Produccin(t) - ventas (t)


Mano de obra= Mano de obra(t-1)+ Contratacin de personal(t)- Retiro de personal(t)

Flujos

Entrada
Produccin= Mano de obra(t)*Productividad(t)
Contratacin de personal= (Mano de obra requerida-Mano de obra)/Tiempo ajuste mano de
obra.
Salida
Ventas= Dependiendo del ejercicio se toma como una constante o como una Normal (100,20).
Retiro de personal= (Mano de obra- Mano de obra requerida)/Tiempo de ajuste mano de obra.

Variables Auxiliares

Cobertura de inventario=3
Inventario mnimo= Ventas*Cobertura de inventario
Tiempo ajuste de inventario=2
Tiempo ajuste Mano de obra=3
Ajuste de inventario= (Inventario mnimo- Inventario)/Tiempo ajuste de inventario
Objetivo de produccin= Ventas + Ajuste de inventario
Productividad= dependiendo del modelo puede ser 1 o una normal (1,0.1)
Mano de obra requerida= Objetivo de produccin/ Productividad

Importancia de la dinmica de sistemas

La forma tradicional de resolver un problema consiste en la separacin de sus componentes


para ser analizados independientemente, como se comporta cada parte respecto a lo dems no
es considerado. En cambio en la solucin sistmica se buscan las conexiones entre las partes
del problema y se resuelven en conjunto.
La Dinmica de Sistemas busca la solucin de problemas, minimizando los riesgos y
consecuencias no previstas, su finalidad es entender las causas estructurales que ocasionan el
comportamiento del sistema.

Su importancia es visible en sus aplicaciones y uso en el anlisis de sistemas ecolgicos,


sociales y econmicos que la han vuelto indispensable en la toma de decisiones dentro del
sector industrial.

En general para sirve para comprender el comportamiento de un sistema, es de vital importancia


en cualquier problema que posea componentes con unas relaciones definidas entre s y se desee
tener un mejor desempeo.

Desarrollo

1. Adaptacin en excel del sistema desarrollado en I-think.

Por medio de la herramienta Microsoft Excel se plante un sistema con un comportamiento


equivalente al presentado en el software I-think.

2. Verificacin

Se comprueba que los resultados obtenidos en el modelo de Excel sean iguales a los exhibidos
en el I-think.

3. Programacin

En el Software MatLab se adapt el mismo programa del excel y de I-Think

4. Montecarlo y verificacin de la simulacin

El numeral anterior fue modificado en su comportamiento, pasando las ventas y la


productividad de determinsticas a estocsticas.
1. Desarrollo del modelo en Excel

Se desarroll en una hoja de Excel el sistema dinmico determinstico propuesto en la


plataforma I-Think, el cual se adjunta al actual documento como un Anexo Externo 1.

2. Comportamiento Determinstico (Verificacin)

Por medio de las relaciones (Ecuaciones) previamente definidas entre las variables y el valor
inicial correspondiente a cada una en el programa i-Think, se pudo modelar el sistema con la
herramienta Excel, para garantizar el funcionamiento de dicho modelo se hizo lo siguiente:

1. Se inicializan las variables con sus respectivos valores iniciales en el primer mes.
2. Desde el segundo mes se relacionaron las variables con las ecuaciones
correspondientes.
3. En el mes 20 se aument la energa del sistema, aumentando la variable de ventas que
vena constante desde el mes 1 con un valor de 100 a 150.
4. Durante la ejecucin del modelo se evidencia su comportamiento oscilatorio hasta
llegar a un nuevo equilibro que empieza, ms o menos desde el mes 65 Ver Figura 1
Anexos.
5. Se corri el programa en i-Think, teniendo en cuenta las mismas consideraciones que
se tuvieron en los pasos 1, 2 y 3.
6. Se evidenci el mismo comportamiento mencionado en el punto 4 y adems se compar
mes a mes los resultados y eran exactamente los mismos.

Durante la programacin del modelo y la verificacin de datos, se identific que i-Think no


aproxima variables como mano de obra a nmeros enteros. Por lo cual, al comparar en una
primera instancia los datos Estos presentaban una pequea diferencia, despus de hablar con el
profesor Jorge Aristizbal se decidi no aproximar estas variables a enteros, para operar igual
que I-Think, adems dicha diferencia no era muy significativa y afectaba poco el
comportamiento del modelo.

Comportamiento Estocstico

Teniendo la certeza de la funcionalidad de nuestro modelo en Excel, nos disponemos a realizar


cambios en variables que se comportan de una forma aleatoria pero siguen el comportamiento
de una funcin de probabilidad, la cual se puede determinar por pruebas de bondad de ajuste
con un alfa (confiabilidad) determinado. Se realizaron los siguientes cambios:

Desde el mes 20 se consider el comportamiento de las ventas como una distribucin


Normal con Media 150 y Desviacin estndar de 30, debido a que las ventas nunca son
constantes y pueden variar dependiendo la poca del ao. Por lo cual, el sistema est en
constante cambio de energa y nunca llega a un equilibrio ver figura 2 anexos.
Desde el Mes 20 se consider el comportamiento de la productividad como una funcin
Normal con Media 1 y Desviacin 0,1 debido a que los trabajadores por circunstancias
tanto externas como internas de la empresa se pueden ver afectados y mejorar o
empeorar su productividad mes a mes.

Cuando decidimos la Media y Desviacin Estndar de cada funcin de probabilidad, corrimos


el programa con distintos valores y veamos cmo se comportaba. Nos dimos cuenta que
cuando las ventas eran muy bajas la mano de obra reduca tanto que daban valores negativos
en distintas variables, por lo cual, creamos condiciones que restringan valores negativos en
variables que no es posible tener un valor negativo, como en la mano de obra.

3. Programacin

Dadas las condiciones de simulacin desarrolladas en IThink y en Excel se defini el un cdigo


(anexo 1) que pretenda reproducir los comportamientos presentados en las plataformas
anteriores.

A continuacin se presentan los comportamientos de las diferentes variables analizadas.

Ilustracin 1. Mano de Obra y Mano de Obra Requerida.


Ilustracin 2. Retiro de Personal y Mano de Obra Contratada

Ilustracin 3. Inventario y Ajuste de inventario.

Ilustracin 4. Objetivo de Produccin.


Como se haba indicado anteriormente respecto al comportamiento de las variables, se
evidencia que existe una alta correlacin entre Mano de Obra, Mano de Obra Requerida y
Objetivo de Produccin, lo que expone que cualquier modificacin en cualquiera de estas
variables afectar de forma directamente proporcional las otras 2.

Por otro lado entre Mano de Obra Contratada y Retiro de Personal, existe un Lag a pesar que
la relacin es directamente proporcional, esto debido al retardo de Tiempo de Ajusto de Mano
de Obra (TAMO) de 3 meses, lo cual muestra que la simulacin tiene un comportamiento
concordante al esperado. De la misma forma se esperara que cualquier cambio en el Inventario
est dado por el Ajuste de inventario, pero dado el retardo de Tiempo de Ajuste de Inventario
(TAI), este se da 2 instantes de tiempo despus (2 meses), por lo que no corresponde a una
condicin de indirecta relacin como se puede inferir en la imagen.

4. Montecarlo y verificacin de la simulacin

Teniendo en cuenta el desarrollo anteriormente mostrado, se propuso generar una simulacin


Monte Carlo sobre las variables Ventas y la Productividad un cdigo (anexo 2), a la que le
corresponde una generacin de aleatorios para cada step de tiempo siguiendo unas funciones
de distribucin normales (muventa = 100 y sigma venta = 20 para las Ventas y mupro = 1 y
sigmapro = 0.1 para la Productividad respectivamente). Teniendo en cuenta el mismo
desarrollo lgico de la simulacin determinstica anteriormente comentada, el comportamiento
para las diferentes variables para un posible escenario de anlisis.

Ilustracin 5. Mano de obra y Mano de Obra Requerida.


Ilustracin 6. Retiro de Personal y Contratacin de Personal.

Ilustracin 7. Productividad y Ventas.


Ilustracin 8. Inventario y Ajuste de Inventario.

Ilustracin 9. Inventario Mnimo y Objetivo de Produccin.


Ilustracin 10. Produccin.

Como se esperara, los comportamientos siguen las tendencias de la simulacin determinstica,


pero con el agravante de una oscilacin continua de cada variable provocada por la aleatoriedad
de las dos variables estocsticas. A continuacin en la tabla 1 se presenta el ANOVA entre las
diferentes variables, donde el primer valor es el coeficiente de correlacin de los valores
ordenados (teniendo en cuenta los tiempos de ajustes TAMO y TAI), por lo que los resultados
pueden estar trastocados (como en el caso de las variables de Ajuste de Inventario e Inventario,
donde se arroja un valor negativo de correlacin, y ya se conoce el comportamiento real de
relacin directamente proporcional), y el segundo valor es el Valor P para dicha correlacin,
donde si es menor que 0.05 est resaltado de rojo y se indican correlaciones significativamente
diferentes de cero, con un nivel de confianza del 95.0%.
Tabla 1 ANOVA de variables del Sistema Dinmico

Objetivo
Ajuste Contratacion Inventario MO Retiro de
Inventario MO de Produccin Ventas
Inventario de Personal Minimo Requerida Personal
Produccin
Ajuste 0.6568 -0.7101 0.7109 0.2587 0.9503 0.9704 -0.2266 -0.6312 0.7120
Inventario 0.0000 0.0000 0.0000 0.0094 0.0000 0.0000 0.0234 0.0000 0.0000

Contratacion 0.6568 -0.2906 0.6424 -0.2441 0.7419 0.6971 -0.1124 -0.3540 0.6451
de Personal 0.0000 0.0034 0.0000 0.0144 0.0000 0.0000 0.2653 0.0003 0.0000
-0.7101 -0.2906 -0.0097 -0.3361 -0.4999 -0.5194 0.2432 0.2294 -0.0114
Inventario
0.0000 0.0034 0.9235 0.0006 0.0000 0.0000 0.0148 0.0217 0.9101

Inventario 0.7109 0.6424 -0.0097 0.0324 0.8502 0.8595 -0.0804 -0.6667 0.9999
Minimo 0.0000 0.0000 0.9235 0.7490 0.0000 0.0000 0.4266 0.0000 0.0000
0.2587 -0.2441 -0.3361 0.0324 0.1579 0.2015 -0.2135 0.3023 0.0353
MO
0.0094 0.0144 0.0006 0.7490 0.1166 0.0444 0.0329 0.0022 0.7276
0.9503 0.7419 -0.4999 0.8502 0.1579 0.9820 -0.2055 -0.7041 0.8511
MORequerida
0.0000 0.0000 0.0000 0.0000 0.1166 0.0000 0.0403 0.0000 0.0000

Objetivo de 0.9704 0.6971 -0.5194 0.8595 0.2015 0.9820 -0.1927 -0.6858 0.8603
Produccin 0.0000 0.0000 0.0000 0.0000 0.0444 0.0000 0.0547 0.0000 0.0000
-0.2266 -0.1124 0.2432 -0.0804 -0.2135 -0.2055 -0.1927 0.0385 -0.0807
Produccin
0.0234 0.2653 0.0148 0.4266 0.0329 0.0403 0.0547 0.7040 0.4250

Retiro de -0.6312 -0.3540 0.2294 -0.6667 0.3023 -0.7041 -0.6858 0.0385 -0.6631
Personal 0.0000 0.0003 0.0217 0.0000 0.0022 0.0000 0.0000 0.7040 0.0000
0.7120 0.6451 -0.0114 0.9999 0.0353 0.8511 0.8603 -0.0807 -0.6631
Ventas
0.0000 0.0000 0.9101 0.0000 0.7276 0.0000 0.0000 0.4250 0.0000

Adems se verifico que la variable productividad pueda ser modelada por un sistema
autorregresivo de n valores anteriores o de medias mviles con m valores de errores anteriores,
para armar un modelo ARMA con n y m valores respectivos. Estos valores n y m se determinan
segn el diagrama de autocorrelacin y diagrama de autocorrelacin parcial, los cuales se
presentan en las Ilustracin 11. Diagrama de Autocorrelacin para la variable Produccin.
Ilustracin 12. Diagrama de Autocorrelacin Parcial para la variable Produccin. los cuales
indican que para predecir los valores futuros en un modelo autorregresivo los valores 2 y 3
pasos atrs tienen una correlacin positiva y los valores 5, 6 y 7 presentan correlacin negativa,
lo cual indica que la serie de datos de Produccin no tiene correlacin fija con valores futuros
(en relacin directa o indirectamente proporcional y en peso representativo).

Por otro lado el diagrama de autocorrelacin parcial indica que la representatividad de los datos
pasados cercanos para un modelo de medias mviles no tiene relacin directa con un valor
futuro, por lo que adems se concluye que un modelo ARMA no tendra validez (esto se podra
deducir del hecho que la simulacin est siendo afectada por una aleatoriedad en 2 variables,
pero se pretenda verificar que los posibles ciclos de oscilacin tengan alguna relacin propia
por la dinmica del sistema).
Ilustracin 11. Diagrama de Autocorrelacin para la variable Produccin.

Ilustracin 12. Diagrama de Autocorrelacin Parcial para la variable Produccin.

Posteriormente para cada variable determinada dentro del sistema dinmico se realiz un
resumen estadstico y un diagrama de cajas (bigotes) los cuales dan cuenta de la variacin de
los valores a lo largo de la simulacin de cada variable.
Por ltimo se realiz unas pruebas de bondad y ajuste a la variable Produccin tratando de
identificar que funcin de distribucin de probabilidad se ajusta mejor a la serie de datos
arrojados por la simulacin para la variable anteriormente mostrada. El resultado arrojado fue
que no solo la distribucin normal no es capaz con un nivel de 95% de confianza ajustarse a
los datos, sino que ni la funcin exponencial ni la chi-cuadrada son capaces con el mismo nivel
de confianza ajustarse a los datos. Esto resultado 3 pruebas, Chi-Cuadrada, Smirnov-
Kolmogorov y Anderson Darling.
De forma grfica se puede ver en la Ilustracin 13. Funciones de distribucin Vs Histograma
de Produccin. que ninguna distribucin es capaz de ajustarse, principalmente por el gran pico
de datos cerca a la media (100 unidades) y datos dispersos alejados con frecuencia
representativa.
Ilustracin 13. Funciones de distribucin Vs Histograma de Produccin.

Conclusiones

- Aunque el I-think es de gran utilidad no se debe olvidar que la plataforma donde se


ejecuta la simulacin no es lo primordial sino el comportamiento del sistema en s y su
reproduccin en diferentes herramientas en ocasiones de mayor acceso como lo puede
ser Excel.

- Se pueden encontrar diferencias entre los resultados obtenidos en Excel y los obtenidos
en I-think pero dichas diferencias no son relevantes, se obtienen por factores de forma
y no de fondo, es decir, dependen mayormente de los detalles que usa cada programa
para operar como lo puede ser el uso de decimales.

- La verificacin de un modelo se puede hacer de manera determinstica para facilitar su


interpretacin ya que se cuenta con un resultado definido para poder efectuar una
comparacin.

- El comportamiento del sistema estocstico refleja el comportamiento de mltiples


sistemas en el mundo real, pues si bien es cierto que se pueden parametrizar el
comportamiento de las variables que intervienen en un sistema dinmico estas siempre
tendrn un grado de aleatoriedad y se comportarn de maneras en ocasiones inesperadas
un ejemplo de esto en la vida real es que las ventas rara vez sern las mismas que en el
mes anterior y la productividad tamb
Anexo 1. Cdigo Simulacin Determinstica.

cobertura_inv = 3;
ventas_ini(1) = 100;
inven_min(1)= cobertura_inv* ventas_ini(1);
inventario(1) = 300;
TAI = 2;
Ajust_inv(1) = (inventario(1) - inven_min(1))/ TAI;
Objetivo_produc(1) = ventas_ini(1) + Ajust_inv(1);
Productividad = 1;
MOrequerida(1) = Objetivo_produc(1) / Productividad;
MO(1) = MOrequerida(1);
TAMO = 3;
Reti_Perso(1) = (MO(1)-MOrequerida(1)) / TAMO;
Contra_Perso(1) = (MOrequerida(1)-MO(1)) / TAMO;
Produccion(1)=Productividad*MO(1);

for i=2:100
if i<20
ventas_ini(i) = 100;
inven_min(i)= cobertura_inv* ventas_ini(i);
inventario(i) = inventario(i-1)-ventas_ini(i-1)+Produccion(i-1);
Ajust_inv(i) = (inven_min(i)-inventario(i))/ TAI;
Objetivo_produc(i) = ventas_ini(i) + Ajust_inv(i);
MOrequerida(i) = Objetivo_produc(i) / Productividad;
MO(i) = MO(i-1)+Contra_Perso(i-1)-Reti_Perso(i-1);

if ((MO(i)-MOrequerida(i))/TAMO)<0
Reti_Perso(i)=0;
else
Reti_Perso(i)=((MO(i)-MOrequerida(i))/TAMO);
end

if ((MOrequerida(i)-MO(i))/TAMO)>0
Contra_Perso(i)=((MOrequerida(i)-MO(i))/TAMO);
else
Contra_Perso(i)=0;
end

Produccion(i)=MO(i)*Productividad;

else
ventas_ini(i) = 150;
inven_min(i)= cobertura_inv* ventas_ini(i);
inventario(i) = inventario(i-1)-ventas_ini(i-1)+Produccion(i-1);
Ajust_inv(i) = (inven_min(i)-inventario(i))/ TAI;
Objetivo_produc(i) = ventas_ini(i) + Ajust_inv(i);
MOrequerida(i) = Objetivo_produc(i) / Productividad;
MO(i) = MO(i-1)+Contra_Perso(i-1)-Reti_Perso(i-1);

if ((MO(i)-MOrequerida(i))/TAMO)<0
Reti_Perso(i)=0;
else
Reti_Perso(i)=((MO(i)-MOrequerida(i))/TAMO);
end

if ((MOrequerida(i)-MO(i))/TAMO)>0
Contra_Perso(i)=((MOrequerida(i)-MO(i))/TAMO);
else
Contra_Perso(i)=0;
end

Produccion(i)=MO(i)*Productividad;

end

end

figure(1); close 1; figure(1);


%Mano de obra y Mano de obra Requerida
subplot(2,1,1), plot(MO(:));
title ('Mano de obra');
ylabel('# de trabajadores');
xlabel('Mes');

subplot(2,1,2), plot(MOrequerida(:));
title ('Mano de obra Requerida');
ylabel('# de trabajadores requeridos');
xlabel('Mes');

figure(2); close 2; figure(2);


%Retiro de personal y # de trabajadores a retirar
subplot(2,1,1), plot(Reti_Perso(:));
title ('Retiro de personal');
ylabel('# de trabajadores a retirar');
xlabel('Mes');

subplot(2,1,2), plot(Contra_Perso(:));
title ('Mano de obra contratada');
ylabel('# de trabajadores contratados');
xlabel('Mes');

figure(3); close 3; figure(3);


%Ventas

subplot(1,1,1), plot(ventas_ini(:));
title ('Ventas');
ylabel('# unidades vendidas');
xlabel('Mes');

figure(4); close 4; figure(4);


%Inventario y Ajuste de Inventario
subplot(2,1,1), plot(inventario(:));
title ('Inventario');
ylabel('# de unidades en stock');
xlabel('Mes');

subplot(2,1,2), plot(Ajust_inv(:));
title ('Ajuste de inventario');
ylabel('# unidades para ajuste');
xlabel('Mes');
figure(5); close 5; figure(5);
%Inventario Mnimo y Objetivo de Produccin
subplot(2,1,1), plot(inven_min(:));
title ('Inventario Mnimo');
ylabel('# de unidades mnimas en stock');
xlabel('Mes');

subplot(2,1,2), plot(Objetivo_produc(:));
title ('Objetivo de Produccin');
ylabel('# unidades para cumplir objetivo de produccin');
xlabel('Mes');
Anexo 2. Cdigo Simulacin Estocstica.
cobertura_inv = 3;
ventas_ini(1) = 100;
inven_min(1)= cobertura_inv* ventas_ini(1);
inventario(1) = 300;
TAI = 2;
Ajust_inv(1) = (inventario(1) - inven_min(1))/ TAI;
Objetivo_produc(1) = ventas_ini(1) + Ajust_inv(1);
Productividad(1) = 1;
MOrequerida(1) = Objetivo_produc(1) / Productividad(1);
MO(1) = MOrequerida(1);
TAMO = 3;
Reti_Perso(1) = (MO(1)-MOrequerida(1)) / TAMO;
Contra_Perso(1) = (MOrequerida(1)-MO(1)) / TAMO;
Produccion(1)=Productividad(1)*MO(1);

for i=2:100
if i<20
Productividad(i)=1;
ventas_ini(i) = 100;
inven_min(i)= cobertura_inv* ventas_ini(i);
inventario(i) = inventario(i-1)-ventas_ini(i-1)+Produccion(i-1);
Ajust_inv(i) = (inven_min(i)-inventario(i))/ TAI;
Objetivo_produc(i) = ventas_ini(i) + Ajust_inv(i);
MOrequerida(i) = Objetivo_produc(i) / Productividad(i);
MO(i) = MO(i-1)+Contra_Perso(i-1)-Reti_Perso(i-1);

if ((MO(i)-MOrequerida(i))/TAMO)<0
Reti_Perso(i)=0;
else
Reti_Perso(i)=((MO(i)-MOrequerida(i))/TAMO);
end

if ((MOrequerida(i)-MO(i))/TAMO)>0
Contra_Perso(i)=((MOrequerida(i)-MO(i))/TAMO);
else
Contra_Perso(i)=0;
end

Produccion(i)=MO(i)*Productividad(i);

else
mupro=1;
sigmapro=0.1;
pd1=makedist('Normal',mupro,sigmapro);
muventa=100;
sigmaventa=20;
pd2=makedist('Normal',muventa,sigmaventa);
Productividad(i) = random(pd1);
ventas_ini(i) = random(pd2);
inven_min(i)= cobertura_inv* ventas_ini(i);
inventario(i) = inventario(i-1)-ventas_ini(i-1)+Produccion(i-1);
Ajust_inv(i) = (inven_min(i)-inventario(i))/ TAI;
Objetivo_produc(i) = ventas_ini(i) + Ajust_inv(i);
MOrequerida(i) = Objetivo_produc(i) / Productividad(i);
MO(i) = MO(i-1)+Contra_Perso(i-1)-Reti_Perso(i-1);

if ((MO(i)-MOrequerida(i))/TAMO)<0
Reti_Perso(i)=0;
else
Reti_Perso(i)=((MO(i)-MOrequerida(i))/TAMO);
end

if ((MOrequerida(i)-MO(i))/TAMO)>0
Contra_Perso(i)=((MOrequerida(i)-MO(i))/TAMO);
else
Contra_Perso(i)=0;
end

Produccion(i)=MO(i)*Productividad(i);

end

end

figure(1); close 1; figure(1);


%Mano de obra y Mano de obra Requerida
subplot(2,1,1), plot(MO(:));
title ('Mano de obra');
ylabel('# de trabajadores');
xlabel('Mes');

subplot(2,1,2), plot(MOrequerida(:));
title ('Mano de obra Requerida');
ylabel('# de trabajadores requeridos');
xlabel('Mes');

figure(2); close 2; figure(2);


%Retiro de personal y # de trabajadores a retirar
subplot(2,1,1), plot(Reti_Perso(:));
title ('Retiro de personal');
ylabel('# de trabajadores a retirar');
xlabel('Mes');

subplot(2,1,2), plot(Contra_Perso(:));
title ('Mano de obra contratada');
ylabel('# de trabajadores contratados');
xlabel('Mes');

figure(3); close 3; figure(3);


%Productividad y Ventas
subplot(2,1,1), plot(Productividad(:));
title ('Productividad');
ylabel('# de unidades producidas');
xlabel('Mes');

subplot(2,1,2), plot(ventas_ini(:));
title ('Ventas');
ylabel('# unidades vendidas');
xlabel('Mes');

figure(4); close 4; figure(4);


%Inventario y Ajuste de Inventario
subplot(2,1,1), plot(inventario(:));
title ('Inventario');
ylabel('# de unidades en stock');
xlabel('Mes');

subplot(2,1,2), plot(Ajust_inv(:));
title ('Ajuste de inventario');
ylabel('# unidades para ajuste');
xlabel('Mes');

figure(5); close 5; figure(5);


%Inventario Mnimo y Objetivo de Produccin
subplot(2,1,1), plot(inven_min(:));
title ('Inventario Mnimo');
ylabel('# de unidades mnimas en stock');
xlabel('Mes');

subplot(2,1,2), plot(Objetivo_produc(:));
title ('Objetivo de Produccin');
ylabel('# unidades para cumplir objetivo de produccin');
xlabel('Mes');

figure(6); close 6; figure(6);


%Inventario Mnimo y Objetivo de Produccin
plot(Produccion(:));
title ('Produccin');
ylabel('# de unidades producidas');
xlabel('Mes');
Anexo 3.

Figura 1. Comportamiento Determinstico de las variables de estado

Figura 2.Comportamiento Estocstico de las variables de estado

También podría gustarte