Está en la página 1de 103

Simulación de Sistemas de

Manufactura

Mohammad R. Azarang
2009

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 1


INTRODUCCIÓN
Simulación es el desarrollo de un modelo lógico-
matemático de un sistema, de tal forma que se obtiene
una imitación de la operación de un proceso de la vida
real o de un sistema a través del tiempo.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 2


Definición de la Simulación

• Desarrollar modelos y ejecutar experimentos basados en


el sistema real:
– Típicamente se utilizan computadoras
– Ayuda en el diseño del sistema de producción
– Determina las reacciones a las diferentes reglas de
operación o cambio en la estructura.
– Puede ser utilizada en conjunto con las técnicas de
estadística y administración tradicional.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 3


Proponiendo un nuevo
experimento

• Tal vez quiere cambiar algunos de los factores:


– Variables
– Parámetros
– Reglas de decisión
– Condiciones iniciales
– Tamaño (longitud) de la corrida

• Si las reglas iniciales le conducen a resultados pobres


o si esas corridas le dan un nueva visión, entonces
tal vez valga la pena intentar una nueva regla de
decisión.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 4


Ventajas de Simulación
• Mejor entendimiento del sistema real .
• Años de experiencia en el sistema real puede
ser comprimido en segundos o minutos.
• Simulación no interrumpe las actividades
existentes del sistema real.
• Simulación puede ser utilizada para
entrenamiento del personal.
• Simulación le contesta la pregunta:”¿Qué
pasa si…?”

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 5


Áreas de aplicación

• Almacenes
• Sistema de mantenimiento
• Sistema de control de inventarios
• Cálculo de Kanbans
• Determinación de cuellos de botella
• Determinación de espacio requerido
• Cambio de modo de operación en la planta
• Expansión de la planta

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 6


PROCESO DE SIMULACIÓN
La metodología para la creación y desarrollo se puede resumir
en el siguiente diagrama de flujo:
Definición del sistema
Análisis
Formulación del modelo
Selección del lenguaje apropiado
Codificación del modelo
Mala
Validación del modelo
Experimentación
Animación
Implantación
Monitoreo y control
 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 7
PROCESO DE SIMULACIÓN
• 1) Definición del sistema
• Asegurarse de que exista una correcta identificación
del objetivo, de las variables de decisión, las
restricciones, la medida de efectividad y las variables
no controlables y su comportamiento estadístico.

• 2) Análisis del sistema


• Describirse las interacciones lógicas de las variables
de decisión para optimizar la medida de efectividad
en función de variables no controlables, sin olvidar
las restricciones del sistema.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 8


PROCESO DE SIMULACIÓN

El estado de un sistema es el conjunto de variables


que definen al sistema en cualquier instante.
Un evento representa un acontecimiento instantáneo
que modifica el estado del sistema.
Una actividad representa el tiempo requerido para
llevar a cabo una operación.
Una entidad es cualquier sistema, puede ser estática
o dinámica, este último caso se denomina como
transacción y su característica principal es su
movimiento a través de las entidades estáticas del
sistema.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 9


PROCESO DE SIMULACIÓN

EJEMPLO:
Si definimos al sistema como una celda flexible de
manufactura, las transacciones son los pallets que se
mueven a través del sistema transportando el material
dentro de la celda; los atributos pueden ser el tipo de
pieza en el pallet, el peso de los pallets, etc....; las
actividades son las operaciones de procesamiento y
transporte; las entidades estáticas son las máquinas
de control numérico o los robots; los eventos son la
llegada o salida de un pallet de cada estación en la
celda y, finalmente, las variables de estado son el
número de pallets esperando en cada estación o el
número de estaciones ocupadas

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 10


PROCESO DE SIMULACIÓN
3) Formulación del modelo
Consiste en generar un código lógico-matemático que
defina en forma exacta las interacciones entre las
variables; debe ser una definición sencilla pero completa
del sistema.

4) Selección del lenguaje


De la selección del lenguaje dependerá el tiempo de
desarrollo del modelo; puede ser un lenguaje básico
(BASIC, FORTRAN, PASCAL, etc..) o uno mayormente
especializado para manufactura (PROMODEL, SIMFACTORY,
GPSS, SLAM, SIMSCRIPT, etc.....).

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 11


PROCESO DE SIMULACIÓN
5) Codificación del modelo
Consiste en generar las instrucciones o código
computacional necesario para lograr ejecutarlo en algún
tipo de computadora. La programación puede ser lenta
como 5 días en FORTRAN o PASCAL mientras que en GPSS
puede ser codificado en 20 min..

6) Validación del modelo


Tiene como objetivo determinar la habilidad que tiene un
modelo para representar la realidad. Se lleva a cabo
mediante comparación estadística entre los resultados del
modelo y los reales.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 12


PROCESO DE SIMULACIÓN
7) Experimentación
Se determinan las diversas alternativas que pueden ser
evaluadas y sus diferentes niveles con la finalidad de
optimizar las variables de respuesta real.

8) Implantación
En muchas ocasiones este proceso es el más difícil, pero
es importante llevarlo a la práctica. Para eso es
recomendable que se visualice mediante un paquete
computacional, teniendo cuidado al implantarlo ya que las
suposiciones tomadas podrían variar

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 13


SIMULACIÓN

GPSS
“ SISTEMA DE SIMULACIÓN
DE PROPÓSITO GENRAL ”

BLOQUES
BÁSICOS
 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 14
GENERATE

Se puede pensar en este bloque A,B C,D,E


como una puerta a través de la
cual entran las transacciones. GENERATE A,B,C,D,E

Parámetros

A: Tiempo medio entre llegadas


B: Desviación con respecto a la media
C: Tiempo en que se generará la primera
transacción
D: Límite de generación de transacciones
E: Nivel de prioridad

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 15


SEIZE

Simula la captura de un servidor,


actúa como controlador del flujo A
de las transacciones y trabaja en
conjunto con el bloque RELEASE. SEIZE A

Parámetro

A: Identificación del servidor

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 16


RELEASE

Es la contraparte del bloque


SEIZE; permite la liberación del A
servidor, proceso o instalación que
había sido capturada. RELEASE A

Parámetro

A: Identificación del servidor

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 17


QUEUE

Permite obtener estadísticas de


colas; debe complementarse con A
B
el bloque DEPART.
QUEUE A,B

Parámetros

A: Nombre o número de la cola


B: Número de unidades en el que se
incrementa el contenido de la entidad

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 18


DEPART

Permite registrar estadísticas que


indican una reducción en el B A
contenido de la entidad de la cola.
DEPART A,B

Parámetros

A: Nombre o número de la cola


B: Número de unidades en el que se
decrementa el contenido de la entidad

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 19


ADVANCE

El objetivo es simular retrasos en el


flujo de las transacciones, de manera A,B
que pueda visualizarse como el tiempo
de proceso, transporte o servicio. ADVANCE A,B

Parámetros

A: Tiempo medio de retardo de la actividad


B: Desviación con respecto a la media para
la distribución uniforme

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 20


TERMINATE

Se utiliza para remover las


transacciones activas de la A
simulación.
TERMINATE A
Parámetro

A: Cantidad decremental del contador de terminación

Propósitos
1. Remover las transacciones activas de la simulación.
2. Contar la cantidad de transacciones que hayan pasado por el
sistema (al utilizar el operando A).
3. Terminar (detener) una corrida de simulación en combinación
con la instrucción START.
 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 21
ENTER

Simula la selección y captura de uno o


más servidores en paralelo; para simular la B
A
entrada, el inicio de estadísticas y la
ocupación de un espacio dentro de una fila ENTER A,B
de capacidad finita.

Parámetros

A: Nombre o número de almacenaje


B: Número de unidades por los que se
decrementa la capacidad disponible
de almacenaje

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 22


LEAVE

Es la contraparte del bloque ENTER. A


Simula la liberación de uno o más B
servidores o la salida y desocupación de
un lugar en una fila finita. LEAVE A,B

Parámetros

A: Nombre o número de almacenaje


B: Número de unidades de almacenaje

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 23


STORAGE

Define la capacidad máxima de almacenaje del número de


servidores paralelos utilizados en los bloques ENTER Y LEAVE.

GPSS/PC
Nombre STORAGE A

Parámetros
Nombre: Nombre de referencia (el mismo
utilizado por ENTER y LEAVE)
A: Capacidad de almacenaje

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 24


TRANSFER

Causa que una transacción activa A


se dirija a una nueva ubicación
dentro del modelo de simulación. D

B C
Parámetros
TRANSFER A,B,C,D
A: Modalidad de transferencia
B: Número o ubicación del bloque; nombre o número cuando
está en la modalidad P
C: Número o ubicación del bloque; debe ser el valor del
incremento cuando está en la modalidad de P o FN
D: Número del incremento del bloque cuando está en la
modalidad de ALL.
 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 25
 Modalidad Incondicional

El bloque TRANSFER entra en la modalidad incondicional


cuando se omite el operando A. La transacción activa será
dirigida siempre hacia la ubicación indicada por el operando B.
TRANSFER ,REG

La transacción que entra a este bloque se dirigirá hacia el


bloque con la etiqueta REG.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 26


 Modalidad Aleatoria (factorial)

El bloque TRANSFER entra en la modalidad aleatoria cuando se


omite el operando A es un número fraccional (con decimal). La
transacción activa será dirigida hacia la ubicación indicada por
el operando C con la probabilidad dada en el operando A. La
transacción activa se dirigirá hacia la ubicación indicada por el
operando B con el complemento (1-A) de la probabilidad dada
en el operando A.
TRANSFER .40,OPC1,OPC2

El 40% de las transacciones se dirigirán hacia el bloque con la


etiqueta OPC2; el resto de las transacciones (60%) se dirigirá
hacia el bloque con la etiqueta OPC1.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 27


 Modalidad BOTH

El bloque TRANSFER entra en la modalidad BOTH cuando el


operando A es BOTH. Cuando entra una transacción activa,
primero se prueba el operando B para entrar al bloque cuya
etiqueta está indicada en el operando B. En caso de rechazo, la
transacción intentaría entrar al bloque cuya etiqueta está
indicada en el operando C. Si la transacción no puede entrar en
ninguno de los bloques indicados por las etiquetas B y C, se
quedaría en el bloque TRANSFER hasta que pueda entrar a
alguno de los dos bloques.

TRANSFER BOTH,SEC1,SEC2
La transacción que entra a este bloque intentará entrar primero
al bloque con la etiqueta SEC1, en caso de no poder, entrará al
bloque con la etiqueta SEC2.
 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 28
FUNCTION

Sirve para definir una función de probabilidad en base de una


serie (en pares) de datos que provienen de las observaciones.

Nombre FUNCTION A,B


x1,y1/ x2,y2/………………/xn,yn
Parámetros
A: Argumento de la función
B: Tipo de función (C,D,E,L,M) seguido por el número de
pares que aparecerá en forma xi, yi
xi, yi: Pares de datos para crear la función de la distribución: xi
es el valor de referencia y yi es el valor que se regresa al
evaluar la función
 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 29
Existen cinco tipos de funciones:

C Continua
D Discreta
E Atributo discreto
L List
M Atributo list

La referencia a una función ya definida se hace por medio


de FN$nombre (es un SNA, atributo numérico estándar)
que evalúa la función con el nombre de referencia y
regresa el resultado.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 30


 Función tipo C
La letra C en la función significa “continua ”. En este tipo de
funciones, dado un valor de X, después de una interpolación
lineal, la función trunca el resultado y regresa un valor entero
para Y.

 Función tipo D
La letra D en la función significa “discreta ”. Cada valor del
argumento tendrá un valor entero. En caso de un argumento
no aleatorio (operando A de la función), los valores de X en la
función complementaria deben ser crecientes (internamente se
almacenan como enteros).

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 31


EJEMPLO

En un sistema de producción el tiempo entre llegadas de las piezas


siguen una distribución de probabilidad exponencial con media de 4
min. Al llegar las piezas, se envían a un torno manual, donde el
tiempo de proceso se representa a continuación. Modele el sistema
durante 8 hrs con el fin de determinar el número de piezas que
fueron procesadas en ese intervalo.

Tiempo de proceso (min) 1 2 3 4 5


Frecuencia relativa .40 .30 .15 .10 .05

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 32


EJEMPLO

TRAB FUNCTION RN1,D5


.4,1/.7,2/.85,3/.95,4/1,5
GENERATE (exponential(1,0,4))
QUEUE UNO
SEIZE MAQ
DEPART UNO
ADVANCE FN$TRAB
RELEASE MAQ
TERMINATE
GENERATE 480
TERMINATE 1
START 1

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 33


VARIABLE

Permite definir operaciones y fórmulas matemáticas que serán


utilizadas en los cálculos dentro de la simulación. Los resultados
intermedios se truncarán. El resultado puede llamarse (ser
regresado) usando el SNA de clase V.

Nombre VARIABLE X

Nombre: Nombre de referencia de VARIABLE. Debe ser


nombre (requerido)
X: Expresión matemática. Puede ser SNA, número,
etc… (requerido)

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 34


FVARIABLE

La función FVARIABLE permite definir operaciones y fórmulas


matemáticas que se utilizarán en los cálculos dentro de la
simulación. Los resultados intermedios no serán truncados, sino
sólo el resultado final. El resultado puede llamarse (ser
regresado) usando la SNA de clase V.

Nombre FVARIABLE X

Nombre: Nombre de referencia de FVARIABLE. Debe ser


nombre (requerido)
X: Expresión matemática. Puede ser SNA, número,
etc… (requerido)

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 35


EJEMPLO

El tiempo entre llegadas de los clientes a una pequeña tienda sigue


una distribución exponencial con media de 10 min/cliente. En la
tienda existen 15 carritos; los clientes que llegan y no encuentran
carrito disponible se retiran a otra tienda. El tiempo total que ocupa
cada cliente para seleccionar sus artículos sigue una distribución
normal con media de 8 min y una varianza de 4, después de lo cual
el cliente se dirige al cajero que lo atiende de acuerdo con una
distribución normal con media 3 min y una varianza de 1. Simule 10
hrs el sistema para determinar el número de clientes perdidos por
falta de carritos.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 36


CARR STORAGE 15

GENERATE (exponential(1,0,10))
TRANSFER BOTH,,FIN
ENTER CARR
ADVANCE (normal(1,8,2))
QUEUE FILA
SEIZE PEDRO
DEPART FILA
ADVANCE (normal(1,3,1))
RELEASE PEDRO
LEAVE CARR
TERMINATE
FIN TERMINATE
GENERATE 600
SAVEVALUE PERD,N$FIN
TERMINATE 1
START 1

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 37


SAVEVALUE

Se utiliza para dar valor o modificar el


contenido de una entidad de savevalue.

A,B,C

SAVEVALUE A,B,C

Parámetros

A: Nombre del savevalue que recibe la información


B: El valor que será asignado al savevalue
C: Tipo de savevalue (en GPSS/PC no existe)

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 38


INITIAL

Inicializa logicswitch (LS), savevalue (X) o


elemento de una entidad de matriz (MX).

INITIAL A,B

Parámetros

A: Logicswitch, savevalue o elemento de una matriz


especificado como SNA.
B: Valor para ser asignado. El valor de default es 1.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 39


ASSIGN

Se utiliza para dar valor o A,B,C


modificar el valor de un parámetro
de las transacciones.

ASSIGN A,B,C

Parámetros

A: Número del parámetro de una transacción


activa que recibe la información.
B: El valor que será asignado al parámetro
indicado por el operando A.
C: El número de la función (modificador de la
función)
 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 40
TEST

Se utiliza para comparar valores A B


SNA y controlar el destino de la C
X
transacción con base en el
resultado de la comparación.
TEST X A,B,C

Parámetros

X: Operador de relación (condicional)


A: Valor de la verificación
B: Valor de la referencia
C: Número del bloque de destino

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 41


EJEMPLO

El banco fortuna abre sus puertas a las 9:00 hrs. y cierra a las 13:00
hrs, los clientes llegan al banco con un tiempo promedio entre
llegadas uniforme de (5 a 10) min. y se van uniendo a una fila para
ser atendidos por un conjunto de 3 cajeros, en donde los clientes
tienen un tiempo promedio de atención uniforme (2 a 5)
min./cliente. Simule este sistema durante 1 día de trabajo,
considerando que al finalizar la simulación no deben quedar clientes
en el sistema.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 42


EJEMPLO
STORAGE S$CAJAS,3
GENERATE 7.5,2.5
TEST LE C1,240,FIN
ENT QUEUE FILA
ENTER CAJAS
DEPART FILA
ADVANCE 3.5,1.5
SAL LEAVE CAJAS
FIN TERMINATE
GENERATE 240
TEST E N$ENT, N$SAL
TERMINATE 1
START 1
END

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 43


EJEMPLO STORAGE S$CAJAS,2
INITIAL LS$BANCO/LS$ENTRA
SIMULATE
GENERATE 7,2
QUEUE CALLE
GATE LR BANCO
DEPART CALLE
GATE LS ENTRA,FIN
ENTR QUEUE FILA
ENTER CAJAS
DEPART FILA
ADVANCE 4,2
SAL1 LEAVE CAJAS
FIN TERMINATE
GENERATE ,,15,1
LOGIC R BANCO
ADVANCE 240
LOGIC R ENTRA
TEST E N$ENTR,N$SAL1
TERMINATE 1
START 1
END
 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 44
Anexo 1

Atributos Numéricos Estándares


(S.N.A.)

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 45


ATRIBUTOS NUMÉRICOS ESTÁNDAR (SNA)
BVARIABLE
B: Resultado de evaluar una variable de tipo booleano

CLEAR
No tiene SNA relacionados con él

END
No tiene SNA relacionados con él

EQU
No tiene SNA relacionados con él

FUNCTION
FN: Resultado de evaluar la función

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 46


FVARIABLE
V: Resultado de evaluar una variable aritmética

INITIAL
L: Regresa el valor de logicswitch
M: Regresa el valor del renglón m y una columna n de la matriz
X: Regresa el valor del SAVEVALUE

MATRIX
M: Regresa el valor del renglón m y columna n de la matriz

QTABLE
Q: Tamaño de la cola (contenido actual)
QA: Contenido promedio de la cola
QC: Número total de entradas a la cola
QT: Tiempo promedio por transacción en la cola (a base de QC)
QM: Contenido máximo de la cola
QX: Tiempo promedio por transacción en la cola (a base e QZ)
QZ: Total de entradas con cero tiempo de espera en la cola
 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 47
STORAGE
S: Capacidad ocupada de almacenaje
SA: Número promedio de transacciones que son atendidas
(número de servidores ocupados)
SC: Número de transacciones que han entrado al almacenaje
SE: Regresa el valor de 1 si el storage está vacío y 0 de otra
manera
SF: Regresa el valor de 1 si el storage está lleno y 0 de otra
manera
SR: Utilización de la capacidad de almacenaje
SM: Número máximo de servidores ocupados
ST: Tiempo promedio de utilización almacenaje
SV: Regresa 1 si el storage está disponible y 0 de otra manera

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 48


TABLE
TB: Promedio de entradas no ponderadas en la tabla
TC: Conteo de entradas no ponderadas de la tabla
TD: Desviación estándar de las entradas no ponderadas de la
tabla

VARIABLE
V: Regresa el resultado de evaluar una variable aritmética

ADVANCE
No tiene SNA relacionados con él

ALTER
GT: Regresa el conteo de la transacción de grupo

ASSEMBLE
No tiene SNA relacionados con él

ASSIGN
P: Regresa el valor del parámetro
 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 49
BUFFER
No tiene SNA relacionados con él

COUNT
No tiene SNA relacionados con él

DEPART
Q: Tamaño de la cola (contenido actual)
QA: Contenido promedio de la cola
QC: Número total de entradas a la cola
QT: Tiempo promedio por transacción en la cola (a base de QC)
QM: Contenido máximo de la cola
QX: Tiempo promedio por transacción en la cola (a base e QZ)
QZ: Total de entradas con cero tiempo de espera en la cola

ENTER
R: Capacidad disponible del storage
S: Cantidad del storage que está en uso
 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 50
EXAMINE
No tiene SNA relacionados con él

FAVAIL
F: Estatus de la instalación (1=ocupado, 0=ocioso)
FC: Número de veces que fue capturada la instalación
FL: Regresa el valor de 1 si la instalación ha sido prevaciada, de
otra manera regresa 0
FR: Utilización fraccional de la instalación
FT: Tiempo promedio de utilización de la instalación
FV: Regresa 1 si la instalación está disponible y 0 de otra manera

FUNAVAIL
F: Estatus de la instalación (1=ocupado, 0=ocioso)
FC: Número de veces que fue capturada la instalación
FL: Regresa el valor de 1 si la instalación ha sido prevaciada, de
otra manera regresa 0
FR: Utilización fraccional de la instalación
FT: Tiempo promedio de utilización de la instalación
FV: Regresa 1 si la instalación está disponible y 0 de otra manera
 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 51
GATE
No tiene SNA relacionados con él

GATHER
No tiene SNA relacionados con él

GENERATE
No tiene SNA relacionados con él

INDEX
P: Valor del parámetro P

JOIN
GN: Regresa el conteo de membresía de un grupo numérico
GT: Regresa el conteo de membresía de una transacción de
grupo

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 52


LEAVE
R: Capacidad disponible del storage
S: Cantidad del storage que está en uso
SA: Número promedio de transacciones que son atendidas
(número de servidores ocupados)
SC: Número de transacciones que han entrado al almacenaje
SE: Regresa el valor de 1 si el storage está vacío y 0 de otra
manera
SF: Regresa el valor de 1 si el storage está lleno y 0 de otra
manera
SR: Utilización de la capacidad de almacenaje
SM: Número máximo de servidores ocupados
ST: Tiempo promedio de utilización almacenaje
SV: Regresa 1 si el storage está disponible y 0 de otra manera

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 53


LOGIC
LS: Regresa el valor de 1 si el logicswitch está listo y 0 de otra
manera

LOOP
P: Valor del parámetro P

MARK
MP: Regresa el valor del reloj del sistema menos el valor del
parámetro
M1: Regresa el valor del reloj del sistema menos el valor del
MARK
MATCH
MB: Regresa 1 si existe una transacción que esté en el mismo
ensamble estipulado como transacción activa

MOVE
No tiene SNA relacionados con él
 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 54
MSAVALUE
MX: Regresa el valor de la matriz del renglón m y la columna n

PREEMPT
F: Estatus de la instalación (1=ocupado, 0=ocioso)
FC: Número de veces que fue capturada la instalación
FL: Regresa el valor de 1 si la instalación ha sido prevaciada, de
otra manera regresa 0
FR: Utilización fraccional de la instalación
FT: Tiempo promedio de utilización de la instalación
FV: Regresa 1 si la instalación está disponible y 0 de otra manera

PRIORITY
PR: Valor de prioridad de la transacción activa

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 55


QUEUE
Q: Tamaño de la cola (contenido actual)
QA: Contenido promedio de la cola
QC: Número total de entradas a la cola
QT: Tiempo promedio por transacción en la cola (a base de QC)
QM: Contenido máximo de la cola
QX: Tiempo promedio por transacción en la cola (a base e QZ)
QZ: Total de entradas con cero tiempo de espera en la cola

RELEASE
F: Estatus de la instalación (1=ocupado, 0=ocioso)
FC: Número de veces que fue capturada la instalación
FL: Regresa el valor de 1 si la instalación ha sido prevaciada, de
otra manera regresa 0
FR: Utilización fraccional de la instalación
FT: Tiempo promedio de utilización de la instalación
FV: Regresa 1 si la instalación está disponible y 0 de otra manera
 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 56
REMOVE
GN: Regresa el conteo de membresía de un grupo numérico
GT: Regresa el conteo de membresía de una transacción de grupo

RETURN
F: Estatus de la instalación (1=ocupado, 0=ocioso)
FC: Número de veces que fue capturada la instalación
FL: Regresa el valor de 1 si la instalación ha sido prevaciada, de
otra manera regresa 0
FR: Utilización fraccional de la instalación
FT: Tiempo promedio de utilización de la instalación
FV: Regresa 1 si la instalación está disponible y 0 de otra manera

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 57


SAVAIL
R: Capacidad disponible del storage
S: Cantidad del storage que está en uso
SA: Número promedio de transacciones que son atendidas
(número de servidores ocupados)
SC: Número de transacciones que han entrado al almacenaje
SE: Regresa el valor de 1 si el storage está vacío y 0 de otra
manera
SF: Regresa el valor de 1 si el storage está lleno y 0 de otra
manera
SR: Utilización de la capacidad de almacenaje
SM: Número máximo de servidores ocupados
ST: Tiempo promedio de utilización almacenaje
SV: Regresa 1 si el storage está disponible y 0 de otra manera

SAVALUE
X: Regresa el valor del savevalue

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 58


SEIZE
F: Estatus de la instalación (1=ocupado, 0=ocioso)
FC: Número de veces que fue capturada la instalación
FL: Regresa el valor de 1 si la instalación ha sido prevaciada, de
otra manera regresa 0
FR: Utilización fraccional de la instalación
FT: Tiempo promedio de utilización de la instalación
FV: Regresa 1 si la instalación está disponible y 0 de otra manera

SELECT
No tiene SNA relacionados con él

SPLIT
No tiene SNA relacionados con él

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 59


SUNAVAIL
R: Capacidad disponible del storage
S: Cantidad del storage que está en uso
SA: Número promedio de transacciones que son atendidas
(número de servidores ocupados)
SC: Número de transacciones que han entrado al almacenaje
SE: Regresa el valor de 1 si el storage está vacío y 0 de otra
manera
SF: Regresa el valor de 1 si el storage está lleno y 0 de otra
manera
SR: Utilización de la capacidad de almacenaje
SM: Número máximo de servidores ocupados
ST: Tiempo promedio de utilización almacenaje
SV: Regresa 1 si el storage está disponible y 0 de otra manera

TABULATE
TB: Promedio de entradas no ponderadas en la tabla
TC: Conteo de entradas no ponderadas de la tabla
TD: Desviación estándar de las entradas no ponderadas de la
tabla
 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 60
TERMINATE
TG1: Contador de terminación

TEST
No tiene SNA relacionados con él

TRACE
No tiene SNA relacionados con él

TRANSFER
No tiene SNA relacionados con él

UNLINK
CA: Contenido promedio de usuarios de la cadena
CC: Entradas total de usuarios a la cadena
CH: Contenido actual de usuarios en la cadena
CM: Contenido máximo de usuarios en la cadena
CT: Tiempo promedio de estancia de los usuarios en la cadena
 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 61
Anexo 2

Ejercicios

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 62


1.- Un conmutador está conectado a 2 líneas
telefónicas. Las llamadas llegan cada 100 ± 60
segundos. Cuando una línea está ocupada, el que
llama vuelve a llamar después de 5 ± 1minutos. La
duración de una conversación es normalmente
distribuida con media de 5 minutos y desviación
estándar de 50 segundos. ¿Cuánto tiempo se
requiere para que 200 llamadas se contesten
completamente?

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 63


2.- Los espectadores llegan a un estadio de fútbol
cada 7 ± 7 segundos y hacen cola para entrar. El
tiempo que se requiere para pasar por la puerta
giratoria del estadio es de 5 ± 3 segundos. Haga
un modelo que simule el paso de 300 personas
por la puerta giratoria.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 64


3.- La manufactura de cierto tipo de componentes requiere un
proceso relativamente largo, seguido por un tiempo corto dentro
de un horno. Existe un solo horno así que varios ensambladores
lo comparten aunque sólo puede contener un componente a la
vez. Cada ensamblador tiene que esperar que el componente
salga del horno para poder ensamblar la siguiente pieza. El
tiempo requerido para ensamblar es uniforme (30 ±5) y el
tiempo de horno también es uniforme (8 ±2).
Construya un modelo de simulación para este proceso de
manufactura. Use el modelo para determinar el número óptimo
de ensambladores que deben asignarse por horno.
Se entiende por número óptimo al que maximice la producción
de piezas terminadas. Simule el sistema durante 40 horas.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 65


4.- La sala de espera del consultorio de un doctor
cuenta con 4 sillas. Los pacientes al llegar al
consultorio , se sientan mientras el doctor está
ocupado. Si llega un paciente y no encuentra
ninguna silla disponible, se va a otro doctor. El
tiempo de consulta está uniformemente distribuido
entre 20 y 30 minutos por paciente. La llegada de
los pacientes al consultorio es uniforme entre 15 ±
3 minutos.
Simule el sistema para 500 pacientes atendidos y
encuentre la utilización de las sillas y el número de
pacientes potenciales que se fueron a otro doctor
por falta de asiento.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 66


5.- En una autopista hay una sola caseta de cobro
que los vehículos tienen que compartir. La llegada
de los vehículos a esta autopista es uniforme
entre 20 y 30 segundos. El 30% de los vehículos
que llegan a esta autopista son camiones y el
resto son automóviles. La caseta de cobro,
manejada por un solo operario tiene distintos
tiempos de cobro según el tipo de vehículo. El
tiempo de cobro para los camiones es 35 ± 5
segundos y para los automóviles es 20 ± 5
segundos.
Simule el proceso durante 8 horas y encuentre la
estadística de colas por tipos de vehículos y la
utilización del operador de la caseta.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 67


6.- En un lavado de carros se debe decidir cuántos
espacios debe haber para los carros que esperan
que se les dé servicio; ya que sólo se puede trabajar
con uno a la vez. Los carros llegan con una
distribución exponencial con media de 10 minutos.
El tiempo de lavado está exponencialmente
distribuido con media de 8 minutos. Los clientes
potenciales que llegan al lavado y no encuentran
espacio disponible se irán a otra parte a lavar el
carro.
Construya un modelo de simulación para este
sistema y utilice el modelo para analizar su
comportamiento al utilizar 1, 2 y 3 espacios de
espera para carros. Para cada opción simule por un
período de 8 horas. Compare la fracción de clientes
que se pierden al utilizar 1, 2, y 3 espacios.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 68


7.- En un restaurante, las llegadas de los clientes ocurren de
acuerdo con una distribución Poisson con media de 15 por hora. El
servicio es exponencialmente distribuido pero la media depende de
la cola que exista con el servidor. Tal relación se muestra en la
siguiente tabla. Desarrolle un modelo de simulación para este
sistema y use el modelo para estimar el tiempo medio de servicio.
Si la frecuencia de llegadas aumente una llegada cada hora, ¿será
el servidor capaz de manejar el tráfico?

Número de clientes en cola Media (minutos)

0 5.5
1, 2 ó 3 5.0
4, 5, ó 6 4.5
7 ó más 4.0

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 69


8.- Los clientes llegan a un supermercado de acuerdo con una
distribución Poisson con media de 100 por hora. En el
supermercado existen 10 cajeros. De acuerdo con estudios
realizados, los clientes necesitan (25 ± 5) minutos para hacer
compras (distribución uniforme) y seleccionan uniformemente (15
± 10) artículos para comprar. El tiempo de pago depende del
número de artículos comprados. El registro de cada artículo en la
máquina registradora tarda 5 segundos. Existen colas separadas
enfrente de cada cajero. Al llegar a las cajas, si encuentran un
cajero libre, los clientes van con este cajero, de lo contrario van a
hacer cola donde haya menos gente. Simule el sistema durante 8
horas dando información sobre colas separadas enfrente de cada
cajero.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 70


9.- La llegada de los pacientes al consultorio de un médico es
uniformemente distribuida entre 10 y 20 min. por paciente. El
tiempo de consulta es de 10 a 16 minutos por paciente. Existen 4
sillas en la sala de espera . El 20 % de los pacientes que llegan al
consultorio se quedaría sólo si el doctor estuviera disponible de
inmediato (sin hacer cola ni sentarse en las sillas). El resto se
quedaría si existieran sillas disponibles. Al terminar la consulta ,
25% de los pacientes consideran la posibilidad de un examen
rápido que dura de 2 a 4 minutos (uniformemente distribuido).
De este 25% de pacientes sólo el 20% esperaría si la enfermera
estuviera ocupada; el resto no esperaría y se iría. Simule el
consultorio del doctor durante 8 horas.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 71


10.- Cierto componente se manufactura en dos máquinas. El
componente se lleva a las máquinas por medio de un robot.
Existe un área de llegada donde el robot toma las piezas y las
lleva a la máquina 1, las deja, después las lleva a la máquina
2 y las deja en un área de partes terminadas. Las partes
llegan (al área de llegada) cada 150 segundos con
distribución exponencial. El robot tarda 8 ± 1 segundos en
tomar o soltar un componente y 6 segundos para mover los
componentes del área llegada a la primera máquina. El
tiempo de proceso en la máquina # 1 está distribuido
normalmente con media de 60 segundos y desviación
estándar de 10 segundos. Al robot le toma 7 segundos
moverse de la máquina # 1 a la máquina #2. El tiempo de
proceso en la #2 es de 100 segundos distribuido
exponencialmente. Por último, al robot le toma 5 segundos
mover los componentes de la máquina #2 al área de partes
terminadas. Simule este proceso hasta manufacturar 75
componentes. Encuentre el valor máximo de espacios
ocupados en cada estación de trabajo.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 72


N(60,10) Recepción
6 seg.
MAQ1 2 1 Llegada
3

(8±1)
7 seg. Robot

4
MAQ2 5 Producto
5 seg.
terminado
Exp(100)

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 73


11. En cierta fábrica existen 50 máquinas que operan 8
horas al día 5 días a la semana. Cada una de las máquinas
está sujeta a descompostura en forma al azar. Cuando una
máquina se descompone esta será reemplazada por una
máquina de repuesto inmediatamente (o cuando esté una
disponible). La máquina descompuesta será enviada a la
reparación inmediata y una vez reparada se convierte a una
máquina de repuesto y disponible.
La gerencia de planta tiene como objetivo tener una
utilización de alrededor de 97% en su área de producción y
quisiera saber con que combinación de las 2 variables de
decisión podría lograr su objetivo:
• Número de máquinas de repuesto
• Número de mecánicos para la reparación.

El tiempo entre descompostura de las máquinas es de 160


± 30 hrs. El tiempo requerido para la reparación de cada
máquina descompuesta es de 8 ± 3 hrs.
Simular el sistema por un año.
 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 74
Refacción

Producción

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 75


12.- En una fábrica, el 15% de las piezas ensambladas son
seleccionadas aleatoriamente para ser inspeccionadas. De
las piezas inspeccionadas el 20% requerirán un ajuste
menor que tarda entre 5 y 10 minutos (después del cual se
regresarían a ser inspeccionadas otra vez).
La llegada de las piezas al área de inspección sigue una
distribución Exponencial con media de 35 segundos. El
tiempo de inspección sigue una distribución Normal con
media de 30 y desviación estándar de 5 segundos.
Simule la operación de esta fábrica por 40 horas y
determine los posibles cuellos de botella.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 76


Producto terminado

85% 80%

N(30,5) seg. U(5 a 10) min.

Insp. Ajuste
15% 20%
Exp.(35) seg.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 77


13.- La demanda para un artículo es normalmente
distribuida con media de 10 y desviación estándar de 2
unidades/día. Cuando no existe mercancía se pierde la
venta. Existen 30 piezas de este artículo inicialmente en la
planta.
La planta coloca órdenes a su proveedor cada vez que su
nivel de inventario esté en o debajo de su punto de re-
orden (r) que se supone que es de 100 unidades. En este
momento se coloca una orden (Q) de 150 unidades. El
proveedor tiene un tiempo de entrega que es
exponencialmente distribuido con media de 5 días.
Determine la variables de decisión para asegurar que no
existan faltantes durante una simulación de 100 días:

• Cantidad ordenada (Q)


• Punto de re-orden (r)

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 78


Anexo 3

Conceptos básicos y
distribuciones

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 79


GENERACIÓN DE VARIABLES ALEATORIAS

Una vez obtenidos los datos del sistema real, es necesario


convertirlos en información o datos de entrada del modelo de
simulación.

Hay dos tipos de información:

• Información determinística. Esta información entra


directamente al modelo con su valor correspondiente en el
sistema real

• Información probabilística. Es necesario crear modelos de


simulación que imiten el comportamiento de esas variables

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 80


NÚMEROS ALEATORIOS

Existen gran número de métodos para generar los números


aleatorios entre 0 y 1. El método a utilizar, en sí mismo, no
tiene importancia; la importancia radica en los números que
genera, ya que estos números deben cumplir ciertas
características para que sean válidos. Dichas características son:

1. Uniformemente distribuidos
2. Estadísticamente independientes
3. Su media debe ser estadísticamente igual a 0.5
4. Su varianza debe ser estadísticamente igual a 1/12
5. Su período o ciclo de vida debe ser largo

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 81


NÚMEROS ALEATORIOS

MÉTODOS CONGRUENCIALES

ri+1= (a+cri) mod m

donde:
r0 = semilla del generador
a,c,m = constantes

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 82


NÚMEROS ALEATORIOS

Ejemplo. Generar 5 números con el generador congruencial


siguiente con la semilla r0=47

ri+1 = (441+13ri) mod 767


r1 = (441+13(47)) mod 767 = 285
r2 = (441+13(285)) mod 767 = 311
r3 = (441+13(311)) mod 767 = 649
r4 = (441+13(649)) mod 767 = 441
r5 = (441+13(441)) mod 767 = 38

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 83


NÚMEROS ALEATORIOS

Dividiendo por m - 1 = 766, los números aleatorios son:

r1 = 0.3720
r2 = 0.7780
r3 = 0.8472
r4 = 0.5757
r5 = 0.0496

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 84


NÚMEROS ALEATORIOS

Existen reglas para la selección de las constantes, algunas de


ellas son:

• c debe ser un entero impar, no divisible ni por 3 ni por 5

• a usualmente puede ser cualquier constante. Sin embargo,


para asegurar buenos resultados, seleccione a de tal forma que
(a) mod 200 = 21 para una computadora decimal

• m debe ser el número entero más grande que la computadora


acepte

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 85


NÚMEROS ALEATORIOS

De acuerdo con Hull y Dobell, los mejores resultados para un


generador congruencial mixto en una computadora binaria son:

•a=8*c±3

• c = cualquier entero

• r0 = cualquier entero impar

• m = 2b donde b>2 y que m sea aceptado por la computadora

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 86


VARIABLES ALEATORIAS

Una vez que se generan los números aleatorios entre 0 y 1, se


puede hacer uso de esos números para generar variables con
otro tipo de distribución.

Existen varios métodos para generar variables aleatorias:

a. Método de la transformada inversa


b. Método de aceptación y rechazo

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 87


VARIABLES ALEATORIAS

a. Método de la Transformada Inversa

El método se utiliza cuando se desea simular variables de tipo


continuo como exponencial, Weibull, uniforme general, etc... El
método utiliza la distribución acumulada F(x) de la distribución
de probabilidad que se va a simular mediante integración. Ya
que el rango se encuentra de 0 a 1, puede generarse un
número aleatorio ri para determinar el valor de la variable
aleatoria cuya distribución acumulada es igual, precisamente a
ri .

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 88


VARIABLES ALEATORIAS
Método gráfico de la transformada inversa. Distribución
continua:

f(x) F(x)
1
Ri

0 x 0 Xi=F-1(Ri) x
* La dificultad de este método radica en encontrar la tranformada inversa.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 89


VARIABLES ALEATORIAS

b. Método de Aceptación y Rechazo

Este método consiste en generar una variable aleatoria inicial y


posteriormente probar que dicho valor proviene de la
distribución que se está analizando.
Este método es utilizado únicamente para distribuciones con
rangos finitos (a ≤ x ≤ b).

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 90


VARIABLES ALEATORIAS

b. Método de Aceptación y Rechazo

METODOLOGÍA

Paso 1
Generar 2 números aleatorios (R1, R2).
Paso 2
Generar, determinar el valor de la variable aleatoria inicial
utilizando x=a+(b-a)R1.
Paso 3
Evaluar la función de probabilidad en x=a+(b-a)R1.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 91


VARIABLES ALEATORIAS

b. Método de Aceptación y Rechazo

Paso 4
Determinar si la siguiente desigualdad se cumple:
R2 ≤ f(x) (donde M-moda y f(x)=f[a+(b-a)R1])
M
∴ se acepta x=a+(b-a)R1 como variable aleatoria de la
distribución analizada. Si no, regresar al paso 1.

Paso 5
si se acepta el valor de x, regresar al paso 1 para generar
variables aleatorias adicionales

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 92


VARIABLES ALEATORIAS

b.1 Distribución Triangular

f(x)
M=2/(c-a)
2
(x-a) a≤x≤b
(c-a)(b-a)
f(x) =
-2
(x-c) b≤x≤c
(c-a)(c-b)

0 a b c x

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 93


VARIABLES ALEATORIAS

b.1 Distribución Triangular

Procedimiento
1. Generar dos números aleatorios: R1 y R2
2. Definir x = a + (c-a) R1
3. Evaluar la función.
si a ≤x≤b:
2
f(x) = (x-a)
(c-a)(b-a)
2 2R1
= [a+(c-a)R1-a] =
(c-a)(b-a) b-a

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 94


VARIABLES ALEATORIAS

b.1 Distribución Triangular

si b ≤ x ≤ c:

-2 -2
f(x) = (x-c) = (x-c)
(c-a)(c-b) (c-a)(c-b)

-2 -2[-(c-a)+R1(c-a)]
= [a+(c-a)R1-c] =
(c-a)(c-b) (c-a)(c-b)

2(1-R1)
=
c-b

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 95


VARIABLES ALEATORIAS

4. Si R2≤f(x)/M o si R2≤ f(x)


2/(c-a)

∴ se acepta x = a+(c-a)R1 como una variable aleatoria; si


no, regresar al paso 1.

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 96


VARIABLES ALEATORIAS

EJEMPLO:

a=3 b=5 c=6


R’s: 0.3 / 0.4 / 0.63 / 0.25

Generar una variable aleatoria


1. R1=0.3 M = 2/3
2. x = 3+(6-3)0.3
3 ≤ 3.9 ≤ 5 a f(x) = 2(0.3)/2 = 0.3
5 ≤ 3.9 ≤ 6 r
R2 ≤ 0.3/0.66 = 0.45 aa porque 0.4 ≤ 0.45
entonces x1 = 3.9

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 97


DISTRIBUCIONES

Se presentan ahora las expresiones finales para generar


variables aleatorias con las distribuciones de probabilidad más
usuales:

• Distribución uniforme general

• Distribución exponencial
• Distribución normal

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 98


DISTRIBUCIONES

 Distribución Uniforme General

Obtenida a partir del método de la transformada inversa.

Ui = a + (b-a) ri

donde:

a = límite inferior de la distribución uniforme


b = límite superior de la distribución uniforme
Ui = número aleatorio con distribución uniforme
ri = número aleatorio con distribución uniforme entre 0 y 1

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 99


DISTRIBUCIONES

 Distribución Exponencial

Obtenida a partir del método de la transformada inversa.

Ei = - 1 ln(1-ri)
λ
donde:

1/λ = media de la distribución exponencial


Ei = número aleatorio con distribución exponencial

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 100


DISTRIBUCIONES

 Distribución Normal

Obtenida a partir del método directo.

Ni = [ ( -2ln(1-ri)) cos(2πri+1)]σ+µ
Ni = [ ( -2ln(1-ri)) sen(2πri+1)]σ+µ

donde:

µ = media de la distribución normal


σ = desviación estándar de la distribución normal
Ni = número aleatorio con distribución normal

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 101


DISTRIBUCIONES
EJEMPLO
A partir de un generador de números aleatorios uniformes entre
0 y 1 se obtuvieron los valores 0.7814 y 0.5643. A partir de
ellos simular:

a) Una variable aleatoria con distribución uniforme entre 15 y


19
Ui=(19-15) * ri + 15 = (4 * 0.7814) + 15 = 18.1256

b) Una variable aleatoria con distribución exponencial con media


1/λ = 5

Ei = -5ln(1-ri) = -5ln (1 - 0.7814) = 7.601

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 102


DISTRIBUCIONES
EJEMPLO

c) Una variable aleatoria con distribución normal con media 10 y


varianza 4

Ni = [[-2lnri]1/2 cos(2πri+1)]*2+10
Ni = [[-2ln0.7814]1/2 cos(2π0.5643)]*2+10 = 9.4477

 Dr. Mohammad R. Azarang Simulación y análisis de modelos estocásticos . 103