Está en la página 1de 8

TALLER # 1 – SIMULACIÓN

Nombres: Carlos Andrés Penagos Rodriguez - 201311595


Diego Fernando Rivera Castro - 201311955
Yorman Arley Piraneque Cojo - 201311600

INTRODUCCION:
La simulación es una técnica que permite modelar muchos sistemas complejos,
los cuales no se podrían modelar mediante las técnicas de optimización
tradicionales, la simulación de igual manera presenta un punto de partida para
poder obtener datos sobre el comportamiento de sistemas sobre los cuales se
quiere tomar decisiones, dado que obtener esos datos puede llevar mucho
tiempo o ser muy costoso, se opta por la simulación , y como ingenieros
industriales queremos simular procesos, por tanto usamos la simulación
discreta que se supone que estamos simulando eventos, para esto usamos el
método de monte carlo, el cual se basa en el concepto de números aleatorios
sobre una ruleta, para lo cual se deben conocer o estimar las probabilidades de
los diferentes eventos a simular, esto conlleva a que a la hora de simular se
tengan conocimientos claros de estadística (Como se comportan las
distribuciones de probabilidad) y de la teoría de muestreo, cabe mencionar que
la simulación al basarse en eventos estocásticos no dará una solución exacta,
pero para reducir la incertidumbre en la mayor proporción posible se usa la
teoría del muestreo, para el caso de este ejercicio se uso la herramienta de
programación de visual Basic, en Ms Excel.
PLANTEAMIENTO DEL PROBLEMA:

Ciertos lotes de 25 unidades cada uno pasan por una inspección donde se
determinará si dicho lote es aceptado o rechazado, un lote será rechazado si
se encuentran 4 o más unidades defectuosas, de lo contrario es aceptado.
Todo lote que llegue será inspeccionado sin tener que esperar. Se sabe
además que la llegada entre lotes tiene el comportamiento de una distribución
geométrica con parámetro (p=0.4), el número de unidades defectuosas por lote
tiene una distribución binomial con parámetros (n=10, p=0.4).

Se desea conocer el valor esperado del porcentaje de lotes rechazados y el


valor esperado de lotes que se inspeccionan por hora.

a. E(y)= Promedio de lotes rechazados

b. E(w)=Numero de lotes inspeccionados en una hora

VARIABLES USADAS EN EL PROBLEMA:


X= Número de piezas defectuosas en el lote, X ~ Binomial (10,0.4)
~
Z= Tiempo entre llegadas del lote, medido en minutos. Z Geométrica (0.4)
Y= % de lotes rechazados obtenidos así:
N ú me r o   d e   l o t e s   r e c h a z a d os
y=
T ot al   de   lot e s  r e vis ad os   en  una  ho r a

W= Número de lotes revisados en una hora.

CÓDIGO EN VISUAL BASIC:

Sub Sim()

'Borrado de Celdas
Range("D2:F600000").Select
Selection.ClearContents

'Obtención de Parámetros de entrada


muestra = Sheets("Hoja1").Cells(6, 2).Value
g = Sheets("Hoja1").Cells(12, 2).Value
nb = Sheets("Hoja1").Cells(16, 2).Value
pb = Sheets("Hoja1").Cells(17, 2).Value
ac = Sheets("Hoja1").Cells(20, 2).Value

'Ciclo para las corridas del tamaño muestral


For yorm = 1 To muestra
'Imprimir # de corrida (Columna Hora)
Sheets("Hoja1").Cells(1 + yorm, 4).Value = yorm
'Imprimir Corridas Avanzadas (Casilla muestras corridas)
Sheets("Hoja1").Cells(7, 2).Value = yorm
TAC = 0
w=0
m=0
recha = 0
tr = 0
'Ciclo de control de lotes examinados por hora
Do While m = 0
x=0
y=0
w=w+1
'Distribución Geometrica
Do While x = 0
k = Rnd()
If k < g Then
x=1
Else
x=0
End If
y=y+1
Loop
TAC = y + TAC
‘Instrucción de parada de los tiempos acumulados de la distribución
geometrica
If TAC <= 60 Then
'Distribución Binomial
b=0
For j = 1 To nb
al = Rnd()
If al <= pb Then b = b + 1
Next j
'Conteo de lotes rechazados
If b >= ac Then recha = recha + 1
Else
m=1
End If
Loop
'Porcentaje de lotes rechazados
tr = recha / w
' Imprimir los valores de:
' -> Lotes examinados
Sheets("Hoja1").Cells(1 + yorm, 5).Value = w
'-> Porcentaje de lotes rechazados en la corrida
Sheets("Hoja1").Cells(1 + yorm, 6).Value = tr

Next yorm
End Sub

EXPLICACION:

Empezamos con la instrucción para que el usuario ingrese los datos, lo


hacemos de esta manera para que el programa sea dinámico y se permita
trabajar con los valores que se requieran, entonces los datos de entrada son:

 Muestra: El número de corridas que desee el usuario y denominamos


corridas al número de escenarios que quiera simular el usuario, para
nuestro caso una corrida será igual a simular una hora de eventos, ya
que de acuerdo al ejercicio planteado nos interesa saber cuantas
revisiones de lote se efectúan en una hora.

 g = Parámetro “p” de la distribución geométrica.

 nb= Parámetro “n” de la distribución binomial.

 Pb= Parámetro “p” de la distribución binomial.

 ac= Número por debajo de cual se acepta el lote., para el caso del
ejercicio es 4.
Ahora mediante un ciclo for, controlamos las corridas o horas a simular del
sistema, el índice “yorm” es el correpondiente a este ciclo que ira de 1 hasta
muestra.

Luego le damos la instrucción para que imprima yorm, que sería el número
de corrida simulada y luego una instrucción para que nos muestre en tiempo
real en que número de corrida va el programa.

Luego ingresamos las siguientes variables, todas con un valor inicial de 0,


para que empiecen a acumular dentro de su respectivo ciclo:

 TAC= Tiempo acumulado correspondiente a la suma sucesiva de


cada llegada de lote para revisión.
 W= Número de lotes revisados.
 M= Variable de control del ciclo Do while que controla cuando
detener una corrida, pues el ciclo se detiene si el tiempo acumulado
es menor o igual a 60. Entonce el ciclo toma lugar mientras m=0,
pero si TAC llega a ser mayor a 60 , entonces m=1 y el do while se
detiene.
 Recha= Contador para el número de lotes rechazados.
 tr= porcentaje de lotes rechazados por corrida.
 X= Variable de control para el do while de la distribución geométrica.
 Y= Variable que acumula el resultado de la variable geométrica.
Luego se simula la distribución geométrica que mide el tiempo entre llegadas
de cada lote, se da la respectiva instrucción como se mencionó anteriormente
para que cada corrida sea equivalente a la simulación de una hora de llegadas
de lotes a revisión, posteriormente se simula la distribución binomial en cuyo
caso x es el número de piezas defectuosas en cada lote, de igual manera se va
acumulando por corrida cuantas piezas defectuosas hubo y de igual manera el
número total de lotes revisadas en una hora, para luego calcular tr que es el
porcentaje de lotes rechazados por hora (corrida) y ese resultado, tanto el de tr
como el “w” total de lotes revisados por hora se va imprimiendo hasta que se
acabe el ciclo for que controla el número de corridas.
MUESTREO:
Para poder hacer el muestreo, se escoge una muestra piloto de 100 horas,
pues consideramos que 100 es un número considerable de corridas para poder
determinar la variabilidad de las variables de interés (w) y (y) para de esta
manera determinar el número de muestra definitivo, así:
Ya que consideramos que la población es infinita, el tamaño muestral se
calcula así:
Siendo e el error muestral, como es criterio del investigador, determinarlo,
nosotros lo determinamos así:
e y =0,001

e w =0,05

Determinamos el e de la variable y como 0,001 ya que esta variable mide


porcentaje y consideramos que este es un error pequeño, respecto a la
proporción de lo que mide la variable y el error de la variable w lo dejamos de
0,05 ya que esta variable mide piezas revisadas, entonces mide valores
enteros , por lo tanto este error nos dará una buena aproximación.
Se corrió varias veces el programa para observar el tamaño muestral calculado
y se obtuvieron los siguientes valores:
Así se simuló varias veces y como el mayor tamaño muestral correspondió a la
variable (y) con un valor de 41855 se procede a escoger un tamaño muestral
definitivo de 45000 para poder concluir sobre el ejercicio.
Ahora se procede a hacer las 45000 corridas, lo que indica que estamos
simulando lo que sucede durante 45000 en el sistema, si suponemos que en el
sistema de trabajan 8 horas diarias sin interrupciones podemos decir que
estamos simulando 5625 días.
Entonces después de las 45000 corridas se obtienen los siguientes resultados

Viendo el valor esperado de la variable w y de la variable y , tenemos:

Entonces dando respuesta a las dos preguntas del taller tenemos :


a. ^
E ( y )=59,2383
Por tanto se espera que el 59, 23 % de los lotes revisados sean rechazados,
también calculamos el error e de la siguiente manera, para saber el intervalo en
el cual estaría este valor estimado:

Para este caso el error calculado es de 0,00089, por lo tanto el intervalo en el


cual estará este valor esperado estimado del porcentaje de lotes rechazados
en una hora con un nivel de confianza del 95%, será :

59,1487 < ^
E ( Y )<59,327

b. . ^
E( w )=24,9899

Calculando el error de la misma manera que en el punto anterior tenemos un


error de 0,03499, por lo tanto, el intervalo en el cual estará el valor esperado
estimado de lotes revisados en una hora con un nivel de confianza del 95%
será:

24,9549< ^
E ( w )<25,0249