Introducción A La Simulación Industrial - Oct - 2019 PDF

UNIDAD I
INTRODUCCIÓN A LA
SIMULACIÓN INDUSTRIAL
Ing. Miguel Mejía Dávila M.Sc. 1

¿QUÉ ES Y PARA QUÉ SIRVE LA
SIMULACIÓN INDUSTRIAL?

DESARROLLO TECNOLÓGICO EN EL
ECUADOR

“Es el proceso de diseñar y crear un modelo

lógico matemático de un sistema real o propuesto
con el objetivo de conducir experimentos
numéricos para comprender mejor el
comportamiento del sistema bajo condiciones
dadas” (Kelton.pppppppppppppppppppppp
La simulación permite realizar inferencias de

sistemas aún no construidos o de sistemas reales
sin afectarlos.ppppppppppppppppppppppppppppp
ppppppppppppppppppp
APLICACIONES DE LA SIMULACIÓN
INDUSTRIAL
• Diseño de plantas industriales

• Modificaciones de Layouts
• Análisis operacionales
• Estrategia de planeación de la producción
• La simulación proporciona un control sobre el
tiempo, debido a que es un fenómeno que se
puede acelerar o retardar según se desee
• Mejoramiento de procesos
• Inducción de nuevo personal
APLICACIONES DE LA SIMULACIÓN
INDUSTRIAL
- Plantas de manufactura
- Banco
- Hospitales
- Cadena de distribución
- Supermercados
- Estaciones de combustibles
- Aplicaciones militares

PASOS BÁSICOS EN LA SIMULACIÓN
INDUSTRIAL
1. El desarrollo del modelo

2. La experimentación

DESARROLLO DEL MODELO DE
SIMULACIÓN
El desarrollo del modelo incluye la

construcción de ecuaciones lógicas
representativas del sistema y la preparación
del programa computacional.
Una vez cumplida esta etapa entra la

validación o experimentación en el modelo
para determinar cómo responder el sistema a
cambios en los niveles de algunas variables
de entrada.
SISTEMA DE SIMULACIÓN
Un sistema es una corrección de variables

que actúa entre sí dentro de ciertos límites
para lograr un objetivo.

MODELO DE SIMULACIÓN
El modelo es una representación de los

objetos del sistema y refleja de manera
sencilla las actividades en las cuales los
objetos se encuentran involucrados

VENTAJAS DE UTILIZAR MODELOS DE
SIMULACIÓN
• Una vez constituido el modelo puede ser modificado de

manera rápida con la finalidad de utilizar diferentes
escenarios.
• Generalmente es más económico mejorar el sistema vía
simulación que hacerlo directamente en el sistema real.
• Es mucho más sencillo comprender y visualizar los
métodos de simulación que los métodos puramente
analíticos.
• En algunos casos, la simulación es el único medio para
lograr una solución.

DESVENTAJAS DE UTILIZAR MODELOS
DE SIMULACIÓN
• Los modelos de simulación en un computador son

costosos y requieren mucho tiempo para desarrollarse y
validarse.
• Se requiere gran cantidad de corridas computacionales
para encontrar soluciones óptimas, lo cual representa
altos costos.
• Es difícil por parte de las personas receptar los modelos
de simulación.
• Los modelos de simulación no dan soluciones óptimas en
la mayoría de requerimientos que se necesiten.

GENERACIÓN DE NÚMEROS ALEATORIO
Todos los lenguajes de computadora usados para desarrollar

simulaciones tienen una capacidad incluida de generar una serie
de números aleatorios entre 0 y 1 en la que se cumple lo
siguiente: PPPPPPPPPPPPP
1. El enfoque se basa en métodos numéricos.

2. La serie específica depende de un valor inicial proporcionado
por el usuario llamado semilla.PPPPPPPPPPPPPPPPPPPPPP
3. Los números generados satisfacen las siguientes propiedades:
a) Están uniformemente distribuidos entre 0 y 1; y
b) Los números sucesivos son estadísticamente
independient entre si.PPPPPPPPPPPPPPPPPPPPPPPPPPPPP

CLASIFICACIÓN DE LOS
SOFTWARES DE SIMULACIÓN

1. LEGUAJES DE PROPÓSITO GENERAL
Banks (1996) define 25 programas de simulación

categorizados de acuerdo a: ppppppppppppppp
Lenguajes de propósito general (General Purpose

Software): GPSS/H, GPSS World, SIMAN/ Cinema,
SIMSCRIPT II.5, AWESIM, SIMPLE++,
EXTEND.PPPPPPPPPPPPPPPPPPPPPPPPPPPPP
2. SIMULADORES DE MANUFACTURA
Simuladores de manufactura (Manufacturing
Oriented Software): Arena, Promodel, Automod,
Taylor II, WITNESS, AIM, extend &
Manufacturing.
3. INGENIERÍA DE PROCESOS
Ingeniería de Procesos (Business Process

Engineering): BPSimulator, Process Model,
SIMPROCESS, Time Machine, Extend +, BRP.
4. SIMULACIÓN BASADA EN HORARIOS
(Simulation-Based Scheduling): Preactor, Autosched,

Factor.

5. ANIMADORES
Animadores (Animators): Proof animation.
6. PROGRAMAS DE SOPORTE
Experfit, SIMSTAT 2.0.

7. SIMULACIÓN EN HOJA ELECTRÓNICA DE
CÁLCULO Y PAQUETES INTEGRADOS
La simulación analítica cae en dos categorías:

- Muestreo o Simulación de Monte Carlo, y
- La simulación de procesos (o simulación de eventos
discretos).
@Risk y Crystal Ball, io_jensen_excel, y MS Courseware de

Hillier y Lieberman incrementan significativamente la habilidad
del usuario para conducir, y enseñar método de Monte Carlo en
simulación, también como realizar análisis de riesgo en estudios
de simulación o proyectos estudiantiles y tesis.

¿CÓMO ESCOGER AL SIMULADOR?
1. Características de entrada
2. Características de procesamiento
3. Características de salida
4. Características de ambiente
5. Características de costo

METODOLOGÍA DE LA

Iniciar
Definir el problema
Construir el modelo de
simulación
Especificar los valores

de las variables y los
parámetros
Hacer funcionar la
simulación
Validar
Proponer un nuevo
experimento
Detenerse
FACTORES CLAVE

DEFINIR EL PROBLEMA
- Objetivos del sistema estudiado

- Variables que afectan el logro de los objetivos

CONSTRUIR EL MODELO DE
SIMULACIÓN
- Especificaciones de variables y parámetros
- Especificación de las normas de decisión
- Especificación de las probables distribuciones
- Especificación del procedimiento de incremento del
tiempo

ESPECIFICAR LOS VALORES DE LAS
VARIABLES Y LOS PARÁMETROS
- Determinación de las condiciones de inicio

- Determinación de la duración del funcionamiento

EVALUAR LOS RESULTADOS
- Determinar las pruebas estadísticas

- Comparar con la demás información.

PROCESO ESTOCÁSTICO
Un proceso estocástico, es un concepto

matemático que sirve para caracterizar una sucesión
de variables aleatorias (estocásticas) que
evolucionan en función de otra variable,
generalmente el tiempo.
Cada una de las variables aleatorias del proceso

tiene su propia función de distribución de
probabilidad y, entre ellas, pueden estar
correlacionadas o no. p

PROCESO ESTOCÁSTICO
0 1 2 3
i i+1 i+2 i+3

VARIABLES ALEATORIAS

VARIABLE ALETORIAS
Una variable aleatoria es una función que

asocia un número real a cada elemento del
espacio muestral.
f :R→E

VARIABLE ALEATORIA DISCRETA Vad
Una variable aleatoria discreta es un espacio

muestral que contiene un número finito de
posibilidades o una secuencia sin final con
igual número de elementos que números
enteros.

VARIABLE ALEATORIA CONTINUA Vac
Una variable aleatoria continua es aquella que

tiene un número infinito de posibilidades iguales
al número de puntos que se encuentran en un
segmento de línea o intervalo, es decir aquella
variable que puede tomar valores en una escala
continua. ppp
Vac representan datos tales como: alturas,

pesos, temperaturas, distancias, etc.

DISTRIBUCIÓN DE PROBABILIDAD

DISTRIBUCIÓN DE PROBABILIDAD
Al conjunto de pares ordenados se denomina

una función de densidad de probabilidad fdp
o una distribución de probabilidad discreta si
cumple las siguientes características:
1) P ( x) ≥ 0
n
2) ∑ p( x) = 1
i =1

DISTRIBUCIÓN ACUMULADA fda
Se denomina una función de distribución

acumulada fda de una Vad x con distribución
de probabilidad f(x) la misma que se viene
definida como:pppppppppppppppppppppppp
P ( x) = P ( x ≤ xˆ ) = ∑ p ( x) para ⋅ ∞ ≤ x ≤ +∞
t≤x

FUNCIÓN DE DENSIDAD DE
PROBABILIDADES PARA Vac
Se denomina una función de densidad de

probabilidades para una Vac x aquella que
cumple dos condiciones:pppppppppppppppp
1. P ( x) ≥ 0 , para todo x ∈ R
+∞
2. ∫ p ( x) dx = 1
⋅∞

OBSERVACIONES
1. Al manejar Vac como Distribución Normal, Exponencial,

Uniforme, Gamma, Weibull, etc, éstas se conocen como
funciones de densidad.pppppppppppppppppppppppppppp
2. Una función fdp siempre bajo el área de la curva

normal es igual a 1. pppppppppppppppppppppppppppp
3. Cuando se desee calcular el área entre dos curvas se

debe utilizar la integral:
y = p(x) b
P(a ≤ x ≤ b) = ∫ p ( x) dx
a
a b Ing. Miguel Mejía Dávila M.Sc. 39

FUNCIÓN DE DENSIDAD ACUMULADA fda
DE UNA Vac
Se denomina una función de densidad

acumulada Vac x aquella que viene dada por:
+∞
P ( x) = P ( x ≤ xˆ ) = ∫ p (t ) dt
⋅∞
Observaciones:
1. P (a ≤ x ≤ b) = P (b) − P (a )
2. P( x) = (P( x) )´ = ( p ( x) )
d
dx
EJEMPLO

EJEMPLO DE DISTRIBUCIÓN
TRIANGULAR
El número total de horas medidas en unidades de 100

horas que una familia utiliza una aspiradora en un período
de un año es una Vac que tiene la siguiente función de
densidad: pppppppppppppp
p (x) =
{ x si 0 ≤ x ≤ 1
2 − x si 1 ≤ x ≤ 2
0 en otro caso
Encuentre la probabilidad que el período de un año, una
familia utilice su aspiradora a:
a) Menos de 120 horas
b) Entre 50 y 100 horas pppppppppppppppppppppp
x=y y = 2 -x
X Y X Y
0 0 1 1
0,5 0,5 1.5 0.5
1 1 2 0
1, 2 1 1, 2
P(0 ≤ x ≤ 1,2) = ∫ p ( x) dx = ∫ xdx + ∫ (2 − x)dx
0 0 1

2 1
x 1, 2 1, 2
=
2
+ ∫
1
2. dx − ∫ x. dx
1
0
2 2 2 1, 2
1 0 1, 2 x
= − + 2 ∫ 2 dx −
2 2 1 2 1
1 (1,2) 2 (1) 2
= + 2x 1 − − = 0.68 ó 68%
1, 2
2 2 2

DEBER 1
La vida útil en días de botellas de cierta

medicina es una Vac que tiene la siguiente
fdp:ppppppppppppppppppppppppppppppppp
{
20.000
p (x) = si x ≥ 0
( x + 100) 3
0 en otro caso
Encuentre la probabilidad que una botella de ésta
medicina tenga una vida de:
a) Cuando menos 200 días
b) Entre 80 y 100 días pppppppppppppppppppppp
TIPOS DE DISTRIBUCIONES
ESTADÍSTICAS MÁS COMUNES
UTILIZADAS EN SIMULACIÓN
INDUSTRIAL

DISTRIBUCIÓN BETA (beta, alfa)

DISTRIBUCIÓN BETA (beta, alfa)
Rango:
Media:
Varianza:
Aplicación: Por su habilidad de tomar una variedad

de formas, ésta distribución se utiliza en modelos
con ausencia de datos.

DISTRIBUCIÓN EXPONENCIAL (Media)

DISTRIBUCIÓN EXPONENCIAL (Media)
Parámetro: La media beta especificada como un

número positivo real
Rango:
Aplicación: Esta distribución se utiliza

generalmente en modelos de eventos de tiempo con
tiempos de llegada aleatorios. Suele ser inapropiada
para modelar procesos con tiempos de retraso.

DISTRIBUCIÓN GAMMA (beta, alfa)

DISTRIBUCIÓN GAMMA (beta, alfa)
Rango:
Media:
Varianza:
Aplicación:La Distribución Gamma usualmente se

utiliza para representar el tiempo que se requiere
para completar alguna tarea.

DISTRIBUCIÓN NORMAL (media, desv.
estándar)

DISTRIBUCIÓN NORMAL (media, desv.
estándar)
Rango:
Media:
Varianza:
Aplicación: La Distribución Normal se aplica en

situaciones en las que se utiliza en teorema del límite
central. Se utiliza también empíricamente en muchos
procesos que aparentan tener distribución simétrica,
como procesos de tiempo cuando la media es al menos
tres o cuatro desviaciones estándar.

DISTRIBUCIÓN DE POISSON (media)

DISTRIBUCIÓN DE POISSON (media)
Rango:
Media:
Varianza:
Aplicación: La Distribución de Poisson es una

distribución discreta que generalmente se usa para
modelar el número de eventos aleatorios que ocurren en
un intervalo fijo de tiempo.

DISTRIBUCIÓN TRIANGULAR
(Min,Mode,Max)

DISTRIBUCIÓN TRIANGULAR
(Min,Mode,Max)
Rango:
Media:
Varianza:
Aplicación: La Distribución Triangular se utiliza

comúnmente en situaciones en las que la forma exacta
de la distribución es desconocida, y estima de acuerdo al
mínimo, máximo y valores conocidos.

DISTRIBUCIÓN UNIFORME (Min, Max)

DISTRIBUCIÓN UNIFORME (Min, Max)
Rango:
Media:
Varianza:
Aplicación: La Distribución Uniforme se utiliza cuando

todos los valores sobre un rango infinito son
considerados iguales. Aveces se usa cuando no existe
más información que el rango.

DISTRIBUCIÓN WEIBULL(beta, alfa)

DISTRIBUCIÓN WEIBULL(beta, alfa)
Rango:
Media:
Varianza:
Aplicación: La Distribución Weibull se utiliza en modelos

de confiabilidad para representar modelos de tiempo de
vida de un equipo. Si un sistema dispone de un gran
número de partes que fallan independientemente, y si el
sistema falla cuando alguna parte falla, entonces el
tiempo promedio entre fallas puede ser aproximado por
una Distribución Weibull.
EJEMPLO DE AJUSTE DE DATOS A
DISTRIBUCIÓN ESTADÍSTICA
UTILIZANDO INPUT ANALYZER DE
ARENA.

PRUEBA DE BONDAD DE AJUSTE
JI CUADRADO

PRUEBA DE BONDAD DE AJUSTE JI
CUADRADO χ 2
A continuación se recordará cuáles son los pasos

conocidos para determinar si un conjunto de
datos se aproxima a una distribución teórica
específica. p
p
Se recordarán que se utilizará la distribución χ 2
,
la misma que utiliza 6 pasos de una prueba de
hipótesis.

EJERCICIO No.1
El siguiente conjunto de datos representa los

tiempos de servicio (en minutos) para una
muestra de 60 clientes. Determine si la hipótesis
nula de que proviene de una distribución
exponencial se cumple, agrupando los datos 0,1
1 y 2 , etc. Con un nivel de confianza de 0.05

DATOS
0,7 0,4 3,4 4,8 2 1 5 6,2 1,2 4,4
1,5 2,4 3,4 6,4 3,7 4,8 2,5 5,5 0,3 8,7
2,7 0,4 2,2 2,4 0,5 1,7 9,3 8 4,7 5,9
0,7 1,6 5,2 0,6 0,9 3,9 3,3 0,2 0,2 4,9
9,6 1,9 9,1 1,3 10,6 3 0,3 2,9 2,9 4,8
8,7 2,4 7,2 1,5 7,9 11,7 6,3 3,8 6,9 5,3

SOLUCIÓN DEL EJERCICIO
Frecuencia Fecuencia
Intervalos Xj
Oi relativa
[ 0,1 ) 11 0,183 0,5

[ 1,2 )
[ 2,3 )
8
9
0,133
0,150
1,5
2,5 x =∑ f r . X j
[ 3,4 ) 7 0,117 3,5
[ 4,5 ) 6 0,100 4,5
[ 5,6 ) 5 0,083 5,5
[ 6,7 ) 4 0,067 6,5
[ 7,8 ) 2 0,033 7,5
[ 8,9 ) 3 0,050 8,5
[ 9,10 ) 3 0,050 9,5
[ 10,11 ) 1 0,017 10,5
[ 11,12 ) 1 0,017 11,5
TOTAL 60

x = 0,183 ⊗ 0,5 + 0,13 ⊗ 1,5 + ..... + 0,016 ⊗ 11,5

x = 3,10
1. Ho: Los datos provienen de una distribución exponencial.

2. Ha: Los datos No provienen de una distribución exponenc.
3. p α=0.05
4. Región crítica χ 2 > χ 2α
5. Cálculos 1
−x
f ( x) =  e β si x ≥ 0
β
0 en otro caso

−x
1
f ( x) = e 3.93 =
3.93
1 1
∫ dx = 0.2544 ∫ e − 0.2544 x
− 0.2544 x
P1 = 0.2544 e
0 0
1
= 0.2544 e − 0.2544 x
1
− 0.2544 1
0
= −(e −0.2544 (1) − e −0.2544 ( 0 ) )
= −e −0.2544 + 1 = 1 − e −0.2544
= 0.2246

Fecuencia
Intervalos Frecuencia Xj Probabilidad p n ei =n*p
relativa
[ 0,1 ) 11 0,183 0,5 0,276 60 16,56
[ 1,2 ) 8 0,133 1,5 0,199 60 11,94
[ 2,3 ) 9 0,150 2,5 0,135 60 8,1
[ 3,4 ) 7 0,117 3,5 0,105 60 6,28
[ 4,5 ) 6 0,100 4,5 0,081 60 4,87
[ 5,6 ) 5 0,083 5,5 0,065 60 3,88
[ 6,7 ) 4 0,067 6,5 0,049 60 2,93
[ 7,8 ) 2 0,033 7,5 0,038 60 2,27
[ 8,9 ) 3 0,050 8,5 0,029 60 1,76
[ 9,10 ) 3 0,050 9,5 0,023 60 1,37
[ 10,11 ) 1 0,017 10,5 0,018 60 1,08
[ 11,12 ) 1 0,017 11,5 0,014 60 0,82
TOTAL 60

OBSERVACIÓN: Se recomienda que la frecuencia teórica ei

en cualquier intervalo no sea menor que 5.
V = k-1
V = 5 -1 = 4 χ 2 0.05 (4) = 9.49
n
(O − e ) 2
χ2 = ∑ i 1
i =1 ei
(11 − 16. 56 ) 2
(8 − 11 . 99 ) 2
(1 − 0 . 82 ) 2
χ2 = − + ....... + = 5.16
16.56 11.99 0.82

6. Decisión
5.16 > 9,49 (FALSO)
---> SE ACEPTA Ho: HIPÓTESIS NULA
LOS DATOS PROVIENEN DE UNA DISTRIBUCIÓN

EXPONENCIAL

EJERCICIO No.2
Al llegar al destino 500 contenedores con

artículos de vidrio y verificar los mismos, se
estableció que el número de artículos dañadas x
tiene la siguiente distribución (en la primera fila se
indica la cantidad Xi de artículos dañados en un
contenedor; en la segunda fila, la frecuencia, el
número de contenedores que tiene Xi artículos
dañados. Probar si el número de artículos
dañados están distribuidos con una Distribución
de Poisson.

EJERCICIO No.2
Xi 0 1 2 3 4 5 6 7
f(x) 199 169 87 31 9 3 1 1
Xi f fr
0 199 0,398
1 169 0,338
2 87 0,174
3 31 0,062
4 9 0,018
5 3 0,006
6 1 0,002
7 1 0,002
n= 500

EJERCICIO No.2
1. Ho: Los datos provienen de una distribución exponencial.

2. Ha: Los datos No provienen de una distribución exponenc.
3. p α=0.05
4. Región crítica χ2 > χ 2α

5. Cálculos −x
1
f ( x) =  e β si x ≥ 0
β
0 en otro caso

EJERCICIO No.2
E ( x) = x = β
x = ∑ fr . X i
x = (0.398 ⊗ 0) + (0.338 ⊗ 1) + ....... + (0.002 ⊗ 7)
x =1.3 = β
n
(O − e ) 2
χ2 = ∑ i 1
i =1 ei

ESTADÍSTICA DE KOLMOGOROV
SMIRNOV

SMIRNOV
Para aplicar la prueba de ajuste Ji cuadrado
cuando el modelo propuesto bajo Ho es continua
es necesario aproximar mediante el agrupamiento
mediante de los datos observados en un número
finito de intervalos de clase, este requisito de
agrupar los datos implica tener una muestra de
tamaño más o menos grande de ahí que la
Distribución Ji Cuadrada se encuentra limitada
cuando la función es continua y la muestra
aleatoria disponible tiene tamaño de muestra
pequeña.

SMIRNOV
Una prueba de estadística más apropiada es la

llamada estadística de Kolmogorov Smirnov, esta
prueba no necesita que los datos se encuentran
agrupados y es aplicable a tamaños de muestra
pequeños se basa en una comparación entre las
funciones de distribución acumulativa que se
observan en la muestra ordenada y la distribución
propuesta bajo la hipótesis nula. Se siguen los 6
pasos de la prueba de hipótesis:

SMIRNOV
1. Ho: Los datos provienen de una distribución propuesta

2. Ha: Los datos No provienen de una distribución propuesta
3. pα
4. Región crítica
Si Dn > D 1- α Se rechaza la hipótesis Ho
Dn viene dado por:

Dn = max fra − F ( X )
SMIRNOV
Para calcular Dn > D 1-α , se utiliza la

siguiente tabla:

Valores de cuantiles superiores de la distribución de la estadística Dn de
Kolmogorov-Smirnov
1-α
n
0,80 0,85 0,90 0,95 0,99
1 0,900 0,925 0,950 0,975 0,995
2 0,684 0,726 0,776 0,842 0,929
3 0,565 0,597 0,642 0,708 0,828
4 0,49 0,525 0,564 0,624 0,733
5 0,446 0,474 0,510 0,565 0,669
6 0,410 0,436 0,470 0,521 0,618
7 0,381 0,405 0,438 0,486 0,577
8 0,358 0,381 0,411 0,457 0,543
9 0,339 0,360 0,388 0,432 0,514
10 0,322 0,342 0,368 0,410 0,490
11 0,307 0,326 0,352 0,391 0,468
12 0,295 0,313 0,338 0,375 0,450
13 0,284 0,302 0,325 0,361 0,433
14 0,274 0,292 0,314 0,349 0,418
15 0,266 0,283 0,304 0,338 0,404
16 0,258 0,274 0,295 0,328 0,392
17 0,250 0,266 0,286 0,318 0,381
18 0,244 0,259 0,278 0,309 0,371
19 0,237 0,252 0,272 0,301 0,363
20 0,231 0,246 0,264 0,294 0,356
25 0,210 0,220 0,240 0,270 0,320

30 0,190 0,200 0,220 0,240 0,290
35 0,180 0,190 0,210 0,230 0,270
Fórmula 83
para una n 1.07 1.14 1.22 1.36 1.63
mayor n n n n n
SMIRNOV
5. Cálculos
Para los cálculos se debe ordenar los valores, buscar las

frecuencias de dichos valores, hallar la frecuencia
acumulada, hallar la frecuencia relativa acumulada, calcular
el valor de F(x), el mismo que representa la distribución
acumulativa en cada valor observado.
6. Decisión

EJEMPLO
A continuación se proporcionan los valores ordenados de una

muestra aleatoria del número de respuestas correctas en una
prueba de psicología industrial
852 957 1007 1023
875 963 1010 1035
910 981 1015 1048
933 998 1018 1063

EJEMPLO
En años anteriores el número de respuestas correctas

estaba representado en forma adecuada por una
distribución normal con media x = 985 y una desviación
estándar δ=50.
Con base en esta muestra existe alguna razón para creer

que ha ocurrido un cambio en la distribución de respuestas
correctas. Utilice α=0.05.

SOLUCIÓN
1. Ho: El número de respuestas correctas sigue una distribución

normal con x = 985
2. Ha: Los datos No provienen de una distribución normal con x = 985
3. Pα =0.05
4. Región crítica
Si D0.05 > D0.95 (16) = 0.328 (Resultado de tabla)

SOLUCIÓN
5. Cálculos
Variables f fa fra F(x) ABS (fra-F(x))
852 1 1 0,0625 0,0039 0,0586
875 1 2 0,1250 0,0139 0,1111
910 1 3 0,1875 0,0668 0,1207
933 1 4 0,2500 0,1492 0,1008
957 1 5 0,3125 0,2877 0,0175
963 1 6 0,3750 0,33 0,0931 x = 852 x = 985
981 1 7 0,4375 0,4681 0,1651
998 1 8 0,5000 0,6028 0,1700
1007 1 9 0,5625 0,57 0,1290 852 − 985
1010 1 10 0,6250 0,6915 0,1007 Z1 = = −2,66
1015 1 11 0,6875 0,7257 0,0579 50
1018 1 12 0,7500 0,7454 0,0264
1023 1 13 0,8125 0,7764 0,0288
1035 1 14 0,8750 0,8413 0,0212 En la tabla:
1048 1 15 0,9375 0,8962 0,0413
1063 1 16 1,0000 0,9406 0,0594 F(x) = 0.0039
n= 16

SOLUCIÓN
6. Decisión
0.328 < 0.1290 (FALSO), SE ACEPTA Ho
EL NÚMERO DE RESPUESTAS CORRECTAS TOMADAS EN

PSICOLOGÍA SIGUEN UNA DISTRIBUCIÓN NORMAL

DEBER 2
Utilice la estadística de Kolmogorov Smirnov para probar la

hipótesis nula de que los datos de la demanda diaria de
unidades de un producto durante 30 días de trabajo es:
38 35 76 58 48 59
67 63 33 69 53 51
28 25 36 32 61 57
49 78 48 42 72 52
47 66 58 44 44 56
Trabaje con 6 decimales. Se encuentran distribuidos

normalmente con una media de 50 y una δ=10, use un α
=0.05.
DEBER 3
Los datos que se detallan representan el No. Equipos

automáticos que estaban en uso en un instante dado, se
hicieron observaciones en 3754 ocasiones diferentes. Pruebe
la hipótesis de que constituyen una muestra al azar de una
población de Poisson con una media λ=10 con un α=0.01
Número de Número de
Frecuencia Frecuencia
ocupados ocupados
0 0 11 433
1 5 12 413
2 14 13 358
3 24 14 219
4 57 15 145
5 111 16 109
6 197 17 57
7 278 18 43
8 378 19 16
9 418 20 7
10 461 21 8
Ing. Miguel Mejía 22
Dávila M.Sc. 3 91
DEBER 3
Para calcular F(x) se debe utilizar la tabla de la distribución

de Poisson con λ=10.
1.63
(*) En el paso cuatro: Dn-1 D0.99 (3754) = 3754

GENERACIÓN DE NÚMEROS
ALEATORIOS

GENERACIÓN DE NÚMEROS ALEATORIOS CON
HOJA DE CÁLCULO MICROSOFT EXCEL

GENERACIÓN DE NÚMEROS ALEATORIOS ENTRE DOS
VALORES CON HOJA DE CÁLCULO MICROSOFT EXCEL
95
ALEATORIOS
Una vez obtenidos los datos de entrada del sistema real, es
necesario convertirlos en información o datos de entrada del
Modelo de Simulación, es posible disminuir dos tipos:
1) Información Determinística.- Esta información entra

directamente al modelo con su valor correspondiente en el
sistema real.
2) Información Probabilística.- Donde es necesario crear

modelos de Simulación que emiten el comportamiento de ésas
variables entre ellas hemos estudiando las distribuciones Normal,
Exponencial, la Uniforme, etc.
ALEATORIOS
De esta forma al crear un modelo de simulación debemos

ser capaces de tomar ése comportamiento y modelarlo.
Los números aleatorios son la base en los modelos de

simulación donde hay variables probabilísticas ya que
dichos números son la herramienta para generar eventos
de tipo probabilístico. La metodología en la creación
matemática de expresiones sencillas partiendo de lo que
se conoce como generación de números aleatorios
uniformes entre 0 y 1.

MÉTODO DE GENERACIÓN DE NÚMERO
PSEUDO ALEATORIOS CON DISTRIBUCIÓN
UNIFORME ENTRE 0 Y 1
De esta forma al crear un modelo de simulación debemos

ser capaces de tomar ése comportamiento y modelarlo.
Los números aleatorios son la base en los modelos de

simulación donde hay variables probabilísticas ya que
dichos números son la herramienta para generar eventos
de tipo probabilístico. La metodología en la creación
matemática de expresiones sencillas partiendo de lo que
se conoce como generación de números aleatorios
uniformes entre 0 y 1.
MÉTODO DE GENERACIÓN DE NÚMERO
PSEUDO ALEATORIOS CON DISTRIBUCIÓN
UNIFORME ENTRE 0 Y 1
Existe un gran número de métodos para generar
números aleatorios entre 0 y 1. El método en sí mismo no
tiene importancia, la importancia radica en el hecho de
que los números que se genera cumplen ciertas
características para que sean válidos.
1. Es que estén uniformemente distribuidos.

2. Estadísticamente independientes.
3. Su media es estadísticamente igual a ½ ó 0.50.
4. Su varianza debe ser estadísticamente igual a 1/12.
5. Su ciclo de vida debe ser largo.

1. MÉTODO CONGRUENTE
Al estudiar los números enteros en relación con el

residuo o resto de una división por un entero le
corresponde el resto de su división por m, es decir a todo
entero a se le expresa por un módulo mediante un entero
positivo b de tal forma que se cumpla la siguiente
expresión:
a = bq + r tal que 0 < r < b

Observación:
Si a dos enteros a y b le corresponde un mismo resto

(residuo), esto se llama congruente según, esto se llama
congruente según el módulo m o también llamados
congruentes módulos m. La congruencia de los modos a
y b respecto del módulo m se escribe:
r = a (mod b)
Se lee: ¨r= congruente módulo b¨

9 =177 (mod 14)

0 =154 (mod 14)
6 =154 (mod 14)
Actualmente se utiliza los métodos de congruencia

basados en la relación:
ri +1 = ( a + Cri ) mod m ; 0 ≤ ri ≤ m
Dado que ro es la semilla del generador a,c,m

constantes
Generar 5 números aleatorios con la semilla o valor

inicial ro =47 de la siguiente expresión:
ri+1 = (441 + 13ro) mod 767

i=0
ri+1 = (441 + 13ri) mod 767

r1=(441 + 13 (47)) mod 767
r1= 1052 mod 767
r1 = 285
i=2
ri+1 = (441 + 13ri) mod 767

r1=(441 + 13 (311)) mod 767
r1= 4484 mod 767
r1 = 649
i=3
ri+1 = (441 + 13ri) mod 767

r1=(441 + 13 (649)) mod 767
r1= 8878 mod 767
r1 = 441
No. aleatorios son: 285; 311; 649; 441
En este método si se desea obtener números

aleatorios entre 0 y 1 se debe dividir los números
obtenidos para m-1:
285/766 = 0.3720
311/ 766 = 0.4060
649/ 766 = 0.8472
441/ 766 = 0.5365

2. MÉTODO DE CUADRADOS MEDIOS
El procedimiento de obtención de números con este

tipo de generadores es el siguiente:
1. Genera semilla
2. Se eleva al cuadrado y se añade un cero a la parte
derecha para tomar un número con dos n dígitos.
3. Tomar de la parte central un conjunto de k dígitos
que formará el N. aleatorio.
4. Los k dígitos pasarán a ser la nueva semilla con el
fin de repetir el proceso n ocasionales.

Generar 3 números aleatorios de 4 dígitos a partir de

un generador de cuadrados mínimos utilizando la
semilla 445:
(445)2 = 198025 --------> 0.9802

(9802)2 = 96079204 --------> 0.0792
(0792)2 = 627264 --------> 0.2726

Generar 3 números aleatorios de 4 dígitos a partir de

un generador de cuadrados mínimos utilizando la
semilla 445:
(2173)2 = 47219290 --------> 0.2192
(2192)2 = 48048640 --------> 0.0486
(0486)2 = 236196 --------> 0.3619

GRACIAS POR SU ATENCIÓN

Introducción A La Simulación Industrial - Oct - 2019 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Introducción A La Simulación Industrial - Oct - 2019 PDF

Cargado por

Copyright:

Formatos disponibles

UNIDAD I

Ing. Miguel Mejía Dávila M.Sc. 1

Ing. Miguel Mejía Dávila M.Sc. 2

Ing. Miguel Mejía Dávila M.Sc. 5

“Es el proceso de diseñar y crear un modelo

La simulación permite realizar inferencias de

• Diseño de plantas industriales

Ing. Miguel Mejía Dávila M.Sc. 8

1. El desarrollo del modelo

Ing. Miguel Mejía Dávila M.Sc. 9

El desarrollo del modelo incluye la

Una vez cumplida esta etapa entra la

Un sistema es una corrección de variables

Ing. Miguel Mejía Dávila M.Sc. 11

El modelo es una representación de los

Ing. Miguel Mejía Dávila M.Sc. 12

• Una vez constituido el modelo puede ser modificado de

Ing. Miguel Mejía Dávila M.Sc. 13

• Los modelos de simulación en un computador son

Ing. Miguel Mejía Dávila M.Sc. 14

Todos los lenguajes de computadora usados para desarrollar

1. El enfoque se basa en métodos numéricos.

Ing. Miguel Mejía Dávila M.Sc. 15

Ing. Miguel Mejía Dávila M.Sc. 16

Banks (1996) define 25 programas de simulación

Lenguajes de propósito general (General Purpose

Ingeniería de Procesos (Business Process

4. SIMULACIÓN BASADA EN HORARIOS

(Simulation-Based Scheduling): Preactor, Autosched,

Ing. Miguel Mejía Dávila M.Sc. 18

Animadores (Animators): Proof animation.

Experfit, SIMSTAT 2.0.

Ing. Miguel Mejía Dávila M.Sc. 19

La simulación analítica cae en dos categorías:

@Risk y Crystal Ball, io_jensen_excel, y MS Courseware de

Ing. Miguel Mejía Dávila M.Sc. 20

Ing. Miguel Mejía Dávila M.Sc. 21

Ing. Miguel Mejía Dávila M.Sc. 22

Especificar los valores

Ing. Miguel Mejía Dávila M.Sc. 24

- Objetivos del sistema estudiado

Ing. Miguel Mejía Dávila M.Sc. 25

Ing. Miguel Mejía Dávila M.Sc. 26

- Determinación de las condiciones de inicio

Ing. Miguel Mejía Dávila M.Sc. 27

- Determinar las pruebas estadísticas

Ing. Miguel Mejía Dávila M.Sc. 28

Un proceso estocástico, es un concepto

Cada una de las variables aleatorias del proceso

Ing. Miguel Mejía Dávila M.Sc. 29

i i+1 i+2 i+3

Ing. Miguel Mejía Dávila M.Sc. 30

Ing. Miguel Mejía Dávila M.Sc. 31

Una variable aleatoria es una función que

Ing. Miguel Mejía Dávila M.Sc. 32

Una variable aleatoria discreta es un espacio

Ing. Miguel Mejía Dávila M.Sc. 33

Una variable aleatoria continua es aquella que

Vac representan datos tales como: alturas,

Ing. Miguel Mejía Dávila M.Sc. 34

Ing. Miguel Mejía Dávila M.Sc. 35

Al conjunto de pares ordenados se denomina

Ing. Miguel Mejía Dávila M.Sc. 36