Está en la página 1de 62

MODELOS Y SIMULACIÓN

UNIDAD 3: PASO 3 - MODELAR Y SIMULAR SISTEMAS INDUSTRIALES CON


BASE EN TEORÍA DE COLAS

PRESENTADO POR:
CARLOS ANDRES ROJAS
JOHENNYS MARTINEZ PIMIENTA
HAROLD GOMEZ
JORGE TAYLOR FIGUEROA
JAIME GOMEZ TERNERA

GRUPO: 212026_52

TUTOR:
JOSE ENRIQUE COTES

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD


ESCUELA DE CIENCIAS BÁSICAS TECNOLOGÍA E INGENIERÍA
NOVIEMBRE DE 2019
INTRODUCCIÓN

Este trabajo representa ejercicios de la unidad 3, el uso de números aleatorios para


construir distribuciones y también para construir modelos de cola de espera y simular
procesos logísticos a un tiempo determinado, conocer la probabilidad del
comportamiento y realizar ajustes y tomas de decisiones.

De igual manera como estudiantes es importante para nuestro proceso académico y


como futuros profesionales para adquirir habilidades y destrezas en el ejercicio de
nuestra profesión y así ser competitivo en el mercado.
JUSTIFICACIÓN

Es importante para los estudiantes conocer como por medio de la simulación de


modelos se puede visualizar un proceso del mundo real, esto permite tener pautas de
cómo se pude comportar el proceso, como es la atención de los usuarios del sistema,
se pude con anticipación realizar ajustes y se pueden tomar decisiones que afecten
positivamente el comportamiento del sistema.
OBJETIVOS

General

Determinar las técnicas de modelamiento para la generación de escenarios de solución


óptima, de acuerdo a las condiciones y medidas de desempeño del sistema real
productivos y logísticos.

Específicos

 Reconocer los conceptos de la modelación y simulación de procesos en


sistemas industriales y el uso de tecnologías para el análisis de
escenarios.
 Construir con números aleatorios diferentes tipos de distribución.
 Construir el modelo logístico de barcos que llegan vs barcos que se
descargan.
 Realizar la simulación en distintos periodos de tiempo.
 Formular conclusiones y recomendaciones teniendo como base la
información generada por el modelo.
1. Caracterización del problema:

TALLER-LABORATORIO 3: MODELOS DE COLAS Y SIMULACIÓN

1. Investigar en diferentes fuentes establecidas en el syllabus orientado a la unidad


3. Las etapas de la simulación y hacer una descripción de cada una de estas.

Formulación del problema

La especificación de objetivos es una de las tareas más importantes de cualquier


proyecto y lógicamente también de un proyecto de simulación. Si los objetivos no están
claros o son poco concretos, existe el peligro de no abordar el problema para el cual se
ha solicitado el proyecto de simulación y, por tanto, ser incapaz de responder a las
expectativas generadas. En consecuencia, es necesario, ya en la fase previa a la
aceptación del proyecto, saber identificar los objetivos para los cuales se ha optado por
utilizar la simulación, de forma que sean precisos, razonables, comprensibles y
medibles. Estos objetivos nos servirán de guía a lo largo del estudio.

Diseño del modelo conceptual

Una vez conocidos los objetivos del proyecto, podemos tener la tentación de iniciar de
forma inmediata la construcción del modelo de simulación. Esto suele conducir a la
obtención de modelos de simulación con múltiples lagunas y de difícil mantenimiento.
Es por ello conveniente formular o especificar el modelo de simulación empleando un
nivel de abstracción (modelo conceptual) superior al del propio código. El modelo
conceptual especifica las relaciones estructurales más importantes del sistema a
simular y, en consecuencia, constituye un medio de diálogo y de coordinación entre los
distintos departamentos o grupos involucrados.

También corresponde a esta etapa especificar qué resultados o estadísticas se espera


obtener del modelo de simulación para responder a las preguntas planteadas en los
objetivos. A menudo, al especificar los resultados, se detecta que hay partes del
modelo que pueden ser simplificadas, dado que son redundantes o no contribuyen a
responder a las preguntas planteadas.

Recogida de datos

En general, se recomienda cuestionar siempre toda la información y datos disponibles:


¿cuál es la fuente?, ¿cuándo se recogió?, ¿cómo fue recogida?, ¿tiene ésta sentido?,
¿tenemos insuficientes datos o son excesivos? Para tener buenos resultados es
condición indispensable disponer de unos buenos datos. Desgraciadamente, en
muchos casos no se dispone de toda la información y datos necesarios, pero, aun así,
se requiere que se dé respuesta a las preguntas planteadas. En estos casos es
necesario efectuar hipótesis razonables en colaboración con el usuario final. Si los
datos son limitados o su calidad es dudosa es conveniente ser prudente a la hora de
extraer conclusiones en base a los resultados generados por el simulador. No obstante,
aun en los casos en los que hay problemas con los datos, dichos resultados y el
conocimiento adquirido durante el estudio de simulación siempre podrán aportar
información valiosa para la toma de decisiones.

Construcción del modelo

En numerosos proyectos de simulación se dedica más esfuerzo a la construcción del


modelo que a la resolución del problema. A menudo la obtención de un modelo
ejecutable se convierte erróneamente en el objetivo prioritario. La estrategia dominante
debería ser la comprensión del problema, el análisis de los resultados y la obtención de
soluciones. Para avanzar más rápidamente en la consecución de estos objetivos, es
recomendable trabajar de forma progresiva y construir en primer lugar uno o varios
modelos simplificados que capturen las partes más esenciales del sistema de interés.

Verificación y validación

Bien al contrario que en los procesos judiciales en los que se presupone inocentes a
los encausados hasta que no se demuestre su culpabilidad, en el campo de la
simulación la experiencia recomienda suponer que todo modelo es incorrecto excepto
que se demuestre lo contrario. Los esfuerzos en dotar a los actuales simuladores de
potentes herramientas para facilitar su uso curiosamente han contribuido a uno de los
principales peligros de la simulación: «olvidarse del mundo real y aceptar sin reparos
los resultados del modelo».

Para tener una garantía razonable de que el modelo de simulación representa la


realidad, y como consecuencia, tomar decisiones estratégicas u operacionales
basándose en los resultados, es absolutamente necesario verificar y validar antes el
modelo de simulación. La verificación consiste en comprobar que el modelo se ejecuta
correctamente y según las especificaciones (según el modelo conceptual).

La validación consiste en comprobar que las teorías, hipótesis de trabajo, así como
suposiciones son correctas. Algunos autores consideran que un modelo es válido si
responde correctamente a las preguntas que nos queremos formular sobre el sistema
real, o lo que es lo mismo, es válido si nos es útil. Si el proceso todavía no existe,
trataremos de validar una parte del mismo mediante el estudio de componentes
conocidos, y será necesario contrastar los resultados con expertos del proceso de
interés para comprobar si el modelo se comporta tal como ellos esperan. Los costes
asociados a haber realizado una verificación y validación inadecuada pueden ser
incalculables. Pueden conducir a tomar decisiones perjudiciales, retrasar proyectos y a
asumir riesgos o gastos innecesarios.

Diseño de experimentos y experimentación

Aspecto estratégico en la resolución de problemas de decisión en sistemas complejos,


deberemos introducir aquí la planificación específica de nuestro entorno de
experimentación a fin de poder administrar de forma razonable nuestros recursos a la
hora de determinar cuáles serán las combinaciones de factores que caracterizarán
cada uno de los escenarios a simular. Entenderemos como escenario cada una de las
configuraciones de niveles en los factores (parámetros) con los que desearemos
evaluar o simular nuestro sistema. Así desarrollaremos una estrategia del tipo «¿qué
pasa sí?», y trataremos de averiguar las configuraciones de valores del sistema
«óptimas». Esto conlleva la manipulación de gran cantidad de información y la
aplicación de técnicas de diseño experimental como los planes factoriales fraccionales,
que nos ayudarán a desarrollar correctamente nuestro proyecto sobre la base de
establecer cómo vamos a recoger dicha información. En esta fase será útil la
participación de expertos estadísticos y la utilización de las herramientas adecuadas,
así como tener en cuenta las técnicas específicas tácticas que se emplean en la fase
de análisis de resultados.

Análisis de los resultados

Fuertemente entroncado con el punto anterior, y a partir de los distintos escenarios


desarrollados mediante un adecuado diseño experimental, debemos tratar de resolver
en esta fase dos problemas principales: el marco temporal de nuestro estudio y la
calidad estadística de nuestros resultados. En primer lugar, debemos determinar, en
función del tipo de sistema en estudio (por ejemplo, si se trata del estado estacionario o
transitorio de un proceso), cuáles son los datos que vamos a recolectar de nuestra
simulación. Así, puede interesarnos descartar todos aquellos datos que corresponden a
la fase de carga inicial del sistema, ya que consideramos que no aportan nada a
nuestro estudio o que, simplemente, distorsionan nuestras estadísticas. También puede
interesarnos monitorizar un proceso precisamente durante su fase de carga, y solo
hasta que alcance un determinado estado en el que consideramos se dan las
condiciones de estabilidad deseadas y nuestro estudio deja de tener interés.

Documentación

Es importante mantener una documentación permanentemente actualizada que refleje


el estado del proyecto y que evolucionará y se enriquecerá en paralelo con el desarrollo
de este. Los objetivos perseguidos con la documentación son:

1. Reflejar el estado del proyecto en un momento dado. Utilizando herramientas de


trabajo en grupo, el personal técnico o directivo relacionado sigue al día el
progreso del proyecto.
2. Informar sobre todo el proyecto (documento final).
3. Facilitar la futura reutilización del modelo si ésta fuera de interés.
4. Se recomienda recoger en los informes la siguiente información: introducción;
objetivos; hipótesis; descripción física del sistema; justificación de la metodología
empleada; descripción del modelo, análisis de los experimentos efectuados y
conclusiones.
Implementación

En este contexto, se entiende por implementación la toma de decisiones y aplicación


de conclusiones como consecuencia del estudio de simulación. Un proyecto de
simulación no tiene éxito si las mejoras o cambios que ha justificado técnica y
económicamente no son posteriormente implementados. Para que las
recomendaciones sean tenidas en cuenta es necesario que el modelo sea creíble. Para
ello, no es suficiente con que el modelo sea válido. También es necesario que quienes
vayan a tomar las decisiones estén convencidos de su validez. Esta credibilidad la
conferirán, tanto la calidad y solidez del estudio realizado, como la seriedad y
experiencia del equipo que realiza la simulación.

2. Establecer un listado de 200 números aleatorios en una columna, ordenarlas de


menor a mayor graficarla.
Establecer otras tres columnas con números aleatorios aplicando un tratamiento
según fórmula para comportamiento NORMAL, EXPONENCIAL Y UNIFORME
graficar cada columna.
Con los siguientes datos: Media=50; Desviación Estándar =5; Para la uniforme
de un rango de 1 a 50.
Estudiante Carlos Rojas Palmezano

Para la columna con numero aleatorios se uso la formula =ALEATORIO() se ordeno de


menor a mayor y se grafico

Numeros Aleatorios
70

60

50

40

30

20

10

0
1 9 17 25 33 41 49 57 65 73 81 89 97 105 113 121 129 137 145 153 161 169 177 185 193

Para la columna con números aleatorios aplicando un tratamiento según fórmula para
comportamiento NORMAL se usó la formula
=DISTR.NORM.INV(Aleatorio();media;desv_estandar) se generaron los numero y se
hizo una distribución de frecuencias para graficar el comportamiento

COMPORTAMIENTO NORMAL
N° de Intervalos de
datos 200 clase  
Frecuenci
N° de a
Límite 34,0 clase Lim Límite Acumulad Frecuenci
inferior 5 s inferior superior Clase a a Absoluta
Límite 62,5
superior 9 0          
28,5
Rango 4 1 34,05 38,05 36,05 2 2

Clases 9 2 38,05 42,05 40,05 12 10
Amplitu
d 4 3 42,05 46,05 44,05 42 30
4 46,05 50,05 48,05 99 57
5 50,05 54,05 52,05 157 58
6 54,05 58,05 56,05 186 29
7 58,05 62,05 60,05 198 12
8 62,05 66,05 64,05 200 2
9 66,05 70,05 68,05 200 0

Comportamiento normal
70

60

50

40

30

20

10

0
35.87 39.87 43.87 47.87 51.87 55.87 59.87 63.87 67.87

Para la columna con números aleatorios aplicando un tratamiento según fórmula para
comportamiento EXPONENCIAL se usó la formula =-LN(ALEATORIO())*media, se
generaron los números y se hizo una distribución de frecuencias para graficar el
comportamiento

COMPORTAMIENTO EXPONENCIAL
N° de Intervalos de
datos 200 clase  
Frecuenci
N° de Lim Límite a
Límite clase inferio superio Acumulad Frecuencia
inferior 0,06 s r r Clase a Absoluta
Límite
superio 268,0
r 5 0          
267,9
Rango 9 1 0,06 30,06 15,06 85 85

Clases 9 2 30,06 60,06 45,06 139 54
Amplitu
d 30 3 60,06 90,06 75,06 162 23
4 90,06 120,06 105,06 178 16
120,0
5 6 150,06 135,06 185 7
150,0
6 6 180,06 165,06 193 8
180,0
7 6 210,06 195,06 197 4
210,0
8 6 240,06 225,06 199 2
240,0
9 6 270,06 255,06 200 1
COMPORTAMIENTO EXPONENCIAL
140

120

100

80

60

40

20

0
19.09 57.09 95.09 133.09 171.09 209.09 247.09 285.09 323.09

Para la columna con números aleatorios aplicando un tratamiento según fórmula para
comportamiento UNIFORME se usó la formula =Liminf+
(Limsup-Liminf)*ALEATORIO(), se generaron los números y se hizo una distribución
de frecuencias para graficar el comportamiento

COMPORTAMIENTO UNIFORME
N° de Intervalos de
datos 200 clase  
N° de Lim Límite
Límite clase inferio superio Frecuencia Frecuencia
inferior 1,42 s r r Clase Acumulada Absoluta
Límite 49,7
superior 3 0          
48,3
Rango 0 1 1,42 7,42 4,42 25 25

Clases 9 2 7,42 13,42 10,42 46 21
Amplitu
d 6 3 13,42 19,42 16,42 63 42
4 19,42 25,42 22,42 89 47
5 25,42 31,42 28,42 120 73
6 31,42 37,42 34,42 139 66
7 37,42 43,42 40,42 165 99
8 43,42 49,42 46,42 192 93
9 49,42 55,42 52,42 192 99

Distribucion Uniforme
120

100

80

60

40

20

0
4.43 10.43 16.43 22.43 28.43 34.43 40.43 46.43 52.43

3. Desarrollar el siguiente caso estableciendo una simulación en Excel:

Se desea simular la llegada y descarga de barcos en un muelle para determinar


el número promedio de barcos que se retrasan para ser descargados al
siguiente día, los datos para realizar la simulación son los siguientes:

Barcos que
llegan por Probabilidad Barcos
Probabilida
día descargado
d
0 14% s por día
1 17% 1 8%
2 15% 2 10%
3 20% 3 40%
4 19% 4 25%
5 15% 5 17%

Considerando un valor (Alfa = 0.10); y un error de 0,5 barcos.

Determine:

a. Modelo de simulación de 30 días de operación incluyendo grafico de


estabilidad.
Rangos barcos que llegan y barcos que se descargan

Con la fórmula de números aleatorios construimos la siguiente tabla.

Se calculan los estadísticos de la columna de barcos pendientes día siguiente para


construir las variables aleatorias de barcos pendientes día siguiente.
La gráfica siguiente nos presenta un modelo no estable en los 30 días.

Variable aleatoria "Barcos Pendientes


del día siguiente"
1

0
1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930

b. Cálculo del número de corridas necesarias para estabilizar la variable de


interés.

Llevamos los datos de la variable aleatoria de barcos pendientes día siguiente modelo
a 30 días al software estadístico Minitab 15 y graficamos:

Podemos deducir por la gráfica que no es un comportamiento normal ya que P debe


ser mayor a 0,005.
Para hallar el número de corridas necesarias para estabilizar la variable de interés,
Tenemos en cuenta que no es un comportamiento normal usamos la fórmula de
longitud de réplica bajo el supuesto de no normalidad.

α 0,1 Longitud de la réplica bajo el supuesto de NO normalidad


2
1 s
ERROR 0,5    
   
n= ( )
α ∈
     
     
LONGITUD DE
CORRIDA 154,444

c. Adecuar el número de corridas según el caso del modelo del punto a.

Hallando la variable de corrida para estabilizar la variables de interés en el punto


anterior procedemos a hacer la simulación con 145 días podemos observar en la
gráfica que la variable se estabiliza después del día 57 entre 1 y 2 barco pendientes
para el día siguiente.

Variable aleatoria "Barcos


Pendientes del día siguiente"
3

0
1 9 17 25 33 41 49 57 65 73 81 89 97 105113121 129137145

d. Generar 15 corridas del modelo y calcular el intervalo de confianza.

Se genera tabla con 15 corridas del modelo a 145 días.


Al realizar la gráfica se puede observar que el modelo arroja como resultado que hay
un 86% de probabilidad que queden menos de 2 barcos pendientes para el otro día
para descargar en 145 días.

Chart Title
6

0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136 141

Tomamos los 15 promedios de las corridas, como los datos a evaluar en el software
estadístico Minitab 15 para conocer si es comportamiento normal.
El grafico nos presenta un comportamiento normal ya que P es mayor a 0,005.

Para hallar el intervalo de confianza de las 15 corridas. Tenemos en cuenta que es un


comportamiento normal usamos la fórmula de intervalo de confianza bajo el supuesto
de normalidad.

Intervalos de confianza bajo el supuesto de normalidad


s
    IC=x́ ± (t 1 α , r −1)      
   
√r 2      
         

Estudiante Johennys Martinez Pimienta

2. Establecer un listado de 200 números aleatorios en una columna, ordenarlas de


menor a mayor graficarla.

0,37
0,68
0,38
0,84
0,25
0,03
0,64
0,88
0,89
0,59
0,16
0,09
0,61
0,82
0,23
0,12
0,53
0,21
0,93
0,01
0,91
0,79
0,25
0,78
0,24
0,64
0,89
0,33
0,96
0,12
0,52
0,55
0,08
0,03
0,25
0,63
0,20
1,00
0,59
0,18
0,60
0,28
0,69
0,56
0,10
0,78
0,36
0,15
0,12
0,93
0,45
0,93
0,12
1,00
0,45
0,11
0,84
0,35
0,95
0,61
0,35
0,60
0,37
0,04
0,65
0,53
0,49
0,11
0,02
0,99
0,37
0,97
0,29
0,74
0,74
0,85
0,88
0,99
0,82
0,83
0,77
0,85
0,25
0,84
0,90
0,12
0,47
0,95
0,11
0,25
0,13
0,92
0,05
0,96
0,09
0,43
0,02
0,99
0,82
0,77
0,44
0,55
0,03
0,82
0,47
0,27
0,99
0,90
0,73
0,15
0,93
0,20
0,52
0,46
0,87
0,45
0,37
0,87
0,20
0,55
0,03
0,37
0,70
0,76
0,40
0,40
0,59
0,50
0,39
0,01
0,49
0,80
0,67
0,88
0,19
0,66
0,86
0,64
0,26
0,74
0,02
0,07
0,81
0,22
0,20
0,49
0,23
0,33
0,40
0,45
0,71
0,26
0,70
0,01
0,71
0,17
0,00
0,83
0,20
0,16
0,05
0,48
0,67
0,62
0,61
0,88
0,25
0,63
0,27
0,39
0,86
0,13
0,07
0,04
0,76
0,63
0,26
0,85
0,11
0,02
0,25
0,99
0,13
0,76
0,99
0,26
0,44
0,94
0,24
0,75
0,98
0,65
0,92
0,10
0,96
0,86
0,02
0,22
0,05
0,67

Establecer otras tres columnas con números aleatorios aplicando un tratamiento según
fórmula para comportamiento NORMAL, EXPONENCIAL Y UNIFORME graficar cada
columna. Con los siguientes datos: Media=50; Desviación Estándar =5; Para la
uniforme de un rango de 1 a 50.
3. Desarrollar el siguiente caso estableciendo una simulación en Excel:

Se desea simular la llegada y descarga de barcos en un muelle para determinar


el número promedio de barcos que se retrasan para ser descargados al
siguiente día, los datos para realizar la simulación son los siguientes:

Barcos que
llegan por Probabilidad Barcos que
día llegan por Probabilidad
0 14% día
1 17% 1 8%
2 15% 2 10%
3 20% 3 40%
4 19% 4 25%
5 15% 5 17%

Considerando un valor (Alfa = 0.10); y un error de 0,5 barcos.

Determine:
Modelo de simulación de 30 días de operación incluyendo grafico de
estabilidad.
CANTIDAD Total
NUMERO Barcos que NUMERO Barco Cantidad Barcos
DE BARCOS Barcos a
DIA ALEATORI llegan por ALEATORI descargado de Barco a pendiente del
DIA descargado
O día O s por dia descargado siguiente dia
ANTERIOR s
1 0 0,94 5 0,58 3 5 3 2
2 2 0,05 0 0,36 3 2 2 0
3 0 0,11 0 0,50 3 0 0 0
4 0 0,11 0 0,78 4 0 0 0
5 0 0,77 4 0,65 4 4 4 0
6 0 0,56 3 0,75 4 3 3 0
7 0 0,84 4 0,79 4 4 4 0
8 0 0,01 0 0,45 3 0 0 0
9 0 0,75 4 0,57 3 4 3 1
10 1 0,33 2 0,05 1 3 1 2
11 2 0,81 4 0,19 3 6 3 3
12 3 0,99 5 0,89 5 8 5 3
13 3 0,13 0 0,46 3 3 3 0
14 0 0,51 3 0,29 3 3 3 0
15 0 0,00 0 0,45 3 0 0 0
16 0 0,89 5 0,76 4 5 4 1
17 1 0,89 5 0,30 3 6 3 3
18 3 0,94 5 0,25 3 8 3 5
19 5 0,72 4 0,71 4 9 4 5
20 5 0,12 0 0,20 3 5 3 2
21 2 0,43 2 0,97 5 4 4 0
22 0 0,01 0 0,07 1 0 0 0
23 0 0,53 3 0,97 5 3 3 0
24 0 0,43 2 0,61 4 2 2 0
25 0 0,38 2 0,31 3 2 2 0
26 0 0,87 5 0,72 4 5 4 1
27 1 0,42 2 0,87 5 3 3 0
28 0 0,20 1 0,68 4 1 1 0
29 0 0,48 3 0,81 4 3 3 0
30 0 0,13 0 0,36 3 0 0 0

VARIABLE ALEATORIOA DE
BARCOS PENDIENTE DEL
SIGUIENTE DIA
4
3
3
2
2
1
1
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
ESTADISTICO

PROMEDIO 0,93

DESVIACION
ESTANDAR
1,51

VARIABLE
ALEATORIOA DE
BARCOS
PENDIENTE DEL
SIGUIENTE DIA
2
1
1
1
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Calculo del número de corridas necesarias para estabilizar la variable de interés.
ESTADISTICO

PROMEDIO
0,89

DESVIACION
ESTANDAR
0,38

VARIABLE
ALEATORIOA DE
BARCOS PENDIENTE
DEL SIGUIENTE DIA

2
1
1
1
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Adecuar el número de corridas según el caso del modelo del punto a. No
requiere
Generar 15 corridas del modelo y calcular el intervalo de confianza.
ESTADISTIC ESTADISTIC ESTADISTIC ESTADISTIC ESTADISTIC ESTADISTIC ESTADISTIC ESTADISTIC ESTADISTIC ESTADISTIC ESTADISTIC ESTADISTIC ESTADISTIC ESTADISTIC
ESTADISTICO
O O O O O O O O O O O O O O
PROMEDIO
4,09 2,75 0,85 1,15 1,24 0,72 1,62 0,41 2,28 0,89 1,05 0,76 0,64 0,53 0,90
DESVIACIO
N
ESTANDAR 2,25 0,70 0,42 0,28 0,44 0,19 0,89 0,31 0,75 0,41 0,36 0,59 0,39 0,23 0,27
CORRIDA CORRIDA CORRIDA CORRIDA CORRIDA CORRIDA
CORRIDA 1 CORRIDA 2 CORRIDA 3 CORRIDA 4 CORRIDA 5 CORRIDA 6 CORRIDA 7 CORRIDA 8 CORRIDA 9
10 11 12 13 14 15
0 4 1 2 0 1 0 0 0 0 0 0 0 1 1
0 4 1 2 1 1 0 0 0 0 1 0 1 1 2
0 2 0 1 2 1 0 0 1 1 1 0 1 1 1
1 2 1 1 2 1 0 0 2 2 2 0 2 1 1
1 1 1 1 2 1 0 0 3 2 1 0 1 1 1
1 2 1 1 2 1 0 0 3 2 1 0 1 1 1
2 2 0 1 2 1 1 0 3 1 2 0 1 0 1
2 2 0 1 2 1 1 0 3 1 2 0 1 0 1
3 2 0 1 2 1 2 0 3 1 1 0 1 0 1
3 3 0 1 2 1 2 0 2 1 1 0 1 0 1
4 3 0 1 2 0 2 0 2 1 1 0 1 0 1
4 4 1 1 1 0 2 1 2 1 1 1 1 0 1
4 4 1 1 1 0 2 1 2 1 1 1 0 0 1
4 4 1 1 1 0 2 1 2 1 1 1 0 0 1
5 4 1 1 1 1 2 1 2 1 1 1 0 0 1
5 3 1 2 1 1 3 1 2 1 1 1 0 0 1
5 3 1 1 1 1 3 1 2 1 1 1 0 0 1
6 3 1 1 1 1 3 1 2 1 1 1 0 1 1
6 3 1 1 1 1 3 1 2 1 1 1 0 1 1
6 3 1 1 1 1 2 1 3 1 1 1 0 1 1
6 3 1 1 1 1 2 1 3 1 1 1 0 0 1
6 3 1 1 1 1 2 1 3 1 1 1 0 0 1
6 3 1 1 1 1 2 1 3 1 1 1 0 0 1
6 3 2 1 1 1 2 1 3 1 1 1 0 0 1
6 2 2 1 1 1 2 1 3 1 1 1 0 0 1
6 2 2 1 1 1 2 1 3 1 1 1 1 1 1
6 2 1 1 1 1 2 1 2 1 1 1 1 1 1
6 2 1 1 1 1 2 1 2 1 1 1 1 1 1
6 2 1 1 1 1 2 1 2 1 1 2 1 1 1
6 3 1 1 1 1 2 1 2 1 1 2 1 1 1

RECORRIDA MODELO
7
6
5
4
3
2
1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

CORRIDA 1 CORRIDA 2 CORRIDA 3 CORRIDA 4 CORRIDA 5


CORRIDA 6 CORRIDA 7 CORRIDA 8 CORRIDA 9 CORRIDA 10
CORRIDA 11 CORRIDA 12 CORRIDA 13 CORRIDA 14 CORRIDA 15
JORGE TAYLOR FIGUERO

4. Establecer un listado de 200 números aleatorios en una columna, ordenarlas de


menor a mayor graficarla.
ALEATORIO 71 0,386 141 0,438
1 0,222 72 0,727 142 0,090
2 0,769 73 0,626 143 0,968
3 0,549 74 0,140
144 0,336
4 0,350 75 0,746
5 0,768 76 0,626 145 0,976
6 0,228 77 0,533 146 0,718
7 0,028 78 0,117 147 0,367
8 0,430 79 0,760 148 0,449
9 0,439 80 0,072 149 0,162
10 0,839 81 0,758
11 0,917 150 0,242
82 0,443
12 0,586 83 0,928 151 0,288
13 0,441 84 0,880 152 0,359
14 0,043 85 0,926 153 0,346
15 0,305 86 0,431 154 0,409
16 0,392 87 0,269 155 0,916
17 0,836 88 0,066
18 0,912 156 0,745
89 0,509
19 0,257 90 0,907 157 0,498
20 0,165 91 0,810 158 0,031
21 0,723 92 0,661 159 0,810
22 0,373 93 0,389 160 0,879
23 0,404 94 0,286
24 0,333 161 0,828
95 0,631
25 0,260 162 0,520
96 0,552
26 0,609 163 0,833
97 0,622
27 0,178 164 0,575
98 0,804
28 0,269
99 0,776 165 0,640
29 0,534 100 0,486 166 0,813
30 0,618
101 0,432
31 0,891 167 0,847
102 0,448
32 0,849 168 0,534
103 0,874
33 0,927 169 0,284
104 0,737
34 0,791 170 0,913
105 0,697
35 0,687
106 0,590 171 0,743
36 0,780
107 0,313 172 0,715
37 0,975
108 0,532
38 0,919 173 0,017
109 0,577
39 0,313 174 0,724
110 0,613
40 0,568 175 0,867
111 0,629
41 0,239
112 0,125 176 0,577
42 0,026
43 0,068
113 0,217 177 0,376
114 0,103 178 0,006
44 0,097
115 0,044
45 0,831 179 0,645
116 0,299
46 0,178 180 0,199
117 0,845
47 0,656
118 0,521 181 0,451
48 0,711
119 0,988 182 0,529
49 0,039
120 0,926 183 0,321
50 0,684
121 0,704 184 0,322
51 0,578
52 0,104 122 0,498
185 0,207
53 0,751 123 0,458
186 0,370
54 0,091 124 0,034
125 0,582 187 0,792
55 0,393
56 0,214 126 0,658 188 0,077
57 0,745 127 0,344 189 0,419
58 0,320 128 0,544 190 0,947
59 0,548 129 0,478
191 0,939
60 0,699 130 0,179
192 0,039
61 0,178 131 0,807
132 0,338 193 0,939
62 0,638
63 0,274 133 0,689 194 0,117
64 0,592 134 0,215 195 0,690
65 0,399 135 0,823 196 0,355
66 0,452 136 0,076
197 0,491
67 0,008 137 0,373
198 0,614
68 0,727 138 0,186
69 0,804 139 0,982 199 0,530
70 0,477 140 0,782 200 0,092
Establecer otras tres columnas con números aleatorios aplicando un tratamiento
según fórmula para comportamiento NORMAL, EXPONENCIAL Y UNIFORME
graficar cada columna.
Con los siguientes datos: Media=50; Desviación Estándar =5; Para la uniforme
de un rango de 1 a 50.
NORMAL EXPONENCIAL UNIFORME
Media = 50 Media = 50 Limite Superior
163=
DesviacionE = 5 Limite Inferior 1
=

NORMAL EXPONENCI AL
80,0000 300,000
60,0000
200,000
40,0000
20,0000 100,000
0,0000 0,000
1 6 11 16 21 26 31 36 41 46 1 6 11 16 21 26 31 36 41 46

NORMAL EXPONENCIAL UNIFORME


1 50,0555 1 8,513 1 2,61
2 52,7972 2 87,588 2 41,79
3 49,0045 3 6,436 3 160,33
4 58,7949 4 58,364 4 9,61
5 45,2726 5 0,683 5 160,15
6 53,7728 6 62,409 6 94,47
7 52,9497 7 16,051 7 50,05
8 45,7520 8 90,544 8 143,53
9 51,5660 9 2,087 9 88,81
10 41,2604 10 91,378 10 108,04
11 51,5936 11 14,609 11 161,70
12 56,2198 12 15,340 12 58,56
13 40,7376 13 26,353 13 118,17
14 39,4388 14 75,525 14 98,47
15 47,2286 15 94,980 15 28,94
16 44,0554 16 129,022 16 41,23
17 51,3998 17 100,534 17 142,38
18 58,4994 18 9,163 18 13,11
19 51,6275 19 98,658 19 22,31
20 46,5588 20 57,060 20 45,74
21 53,9450 21 55,781 21 115,85
22 47,4448 22 92,071 22 57,84
23 42,3995 23 71,776 23 143,53
24 46,1237 24 36,958 24 110,23
25 45,7464 25 91,935 25 5,13
26 53,2314 26 49,292 26 113,29
27 50,8358 27 36,630 27 39,99
28 52,8432 28 41,862 28 3,04
29 54,7898 29 201,142 29 53,70
30 56,2766 30 1,520 30 105,32
31 49,8594 31 43,301 31 73,61
32 43,4853 32 7,354 32 94,03
33 53,4923 33 8,597 33 25,52
34 50,7369 34 10,656 34 23,22
35 46,2622 35 3,365 35 14,74
36 64,6591 36 120,939 36 63,60
37 58,9017 37 8,899 37 135,10
38 54,7708 38 185,397 38 56,22
39 49,9028 39 30,690 39 91,79
40 48,7021 40 23,280 40 158,39
41 49,0631 41 91,307 41 30,21
42 54,7518 42 42,962 42 126,46
43 54,3395 43 33,516 43 44,20
44 42,4741 44 13,437 44 56,45
45 48,4860 45 0,977 45 94,07
46 45,0661 46 67,823 46 120,90
47 48,2349 47 24,177 47 161,97
48 55,5149 48 14,422 48 101,84
49 46,2490 49 87,123 49 136,43
50 45,6520 50 55,259 50 133,97

5. Desarrollar el siguiente caso estableciendo una simulación en Excel:


Se desea simular la llegada y descarga de barcos en un muelle para determinar
el número promedio de barcos que se retrasan para ser descargados al
siguiente día, los datos para realizar la simulación son los siguientes:

Barcos que
llegan por Probabilidad Barcos que
día llegan por Probabilidad
0 14% día
1 17% 1 8%
2 15% 2 10%
3 20% 3 40%
4 19% 4 25%
5 15% 5 17%

Considerando un valor (Alfa = 0.10); y un error de 0,5 barcos.

Determine:

e. Modelo de simulación de 30 días de operación incluyendo grafico de


estabilidad.

Barcos que Barcos que


llegan por Probabilidad DE A llegan por
día día

0 14% 0 0,14 0
1 17% 0,14 0,31 1
2 15% 0,31 0,46 2
3 20% 0,46 0,66 3
4 19% 0,66 0,85 4
5 15% 0,85 1 5

Barcos que Barcos que


descargados Probabilidad DE A descargados
por día por día
1 8% 0 0,08 1
2 10% 0,08 0,18 2
3 40% 0,18 0,58 3
4 25% 0,58 0,83 4
5 17% 0,83 1 5
NUMER Total de
CANTIDA DE Barcos que Barcos
O Barcos que NUMERO Barcos a
DIA BARCOS DIA descargado Cantidad de pendiente del
ALEATO llegan por día ALEATORIO descarga
ANTERIOR por día barcos siguiente dia
RIO r
descargados
1 0 0,0118 0 0,2579 3 0 0 0
2 0 0,1038 0 0,5102 3 0 0 0
3 0 0,3612 2 0,0032 1 2 1 1
4 2 0,9077 5 0,5932 4 7 4 3
5 3 0,2848 1 0,6533 4 4 4 0
6 4 0,8316 4 0,1307 2 8 2 6
7 3 0,2292 1 0,2131 3 4 3 1
8 2 0,9715 5 0,3422 3 7 3 4
9 0 0,7978 4 0,8903 5 4 4 0
10 0 0,6641 4 0,2360 3 4 3 1
11 0 0,9224 5 0,2574 3 5 3 2
12 0 0,8259 4 0,5622 3 4 3 1
13 0 0,4858 3 0,0672 1 3 1 2
14 0 0,5664 3 0,3139 3 3 3 0
15 1 0,5501 3 0,3716 3 4 3 1
16 0 0,7970 4 0,2809 3 4 3 1
17 0 0,5797 3 0,5508 3 3 3 0
18 0 0,1997 1 0,8242 4 1 1 0
19 1 0,0007 0 0,7907 4 1 1 0
20 3 0,3250 2 0,0644 1 5 1 4
21 2 0,7667 4 0,8145 4 6 4 2
22 0 0,0393 0 0,4599 3 0 0 0
23 2 0,8588 5 0,2901 3 7 3 4
24 0 0,0092 0 0,0649 1 0 0 0
25 0 0,7403 4 0,0406 1 4 1 3
26 0 0,7711 4 0,6253 4 4 4 0
27 0 0,6367 3 0,1151 2 3 2 1
28 0 0,2307 1 0,0913 2 1 1 0
29 2 0,7691 4 0,8608 5 6 5 1
30 0 0,6797 4 0,8790 5 4 4 0
ESTADISTICO
PROMEDIO 0,57
DESVIACION ESTANDAR 0,8976
VARIABLE
ALEATORIA DE
BARCOS
PENDIENTE DEL
SIGUIENTE DIA
0
0
0
1,5
2
1,5
1
0,5
0,5
0,5
0,5
0
0,5
0,5
0
0
0
0,5
1,5
2,5
1,5
0,5
0,5
0
0
0
0,5
0,5
0
0
f. Calculo del número de corridas necesarias para estabilizar la variable de
interés.

ESTADISTICO Logitud de 90,851


PROMEDIO 0,57 corrida
DESVIACION ESTANDAR 0,8976
VARIABLE
ALEATORIA DE
BARCOS
PENDIENTE DEL
SIGUIENTE DIA
0
0
0
1,5
2
1,5
1
0,5
0,5
0,5
0,5
0
0,5
0,5
0
0
0
0,5
1,5
2,5
1,5
0,5
0,5
0
0
0
0,5
0,5
0
0
g. Adecuar el número de corridas según el caso del modelo del punto a.

ESTADISTICO
PROMEDIO 0,90
DESVIACION ESTANDAR 1,3481
CANTIDA Barcos Barcos
NUMER Barcos Total de
DE NUMERO que Cantidad pendiente
O que Barcos a
DIA BARCOS ALEATORI descarg de barcos del
ALEATO llegan descarga
DIA O ado por descarga siguiente
RIO por día r
ANTERIOR d ía dos dia
1 0 0,9587 5 0,6045 4 5 4 1
2 0 0,1053 0 0,0789 1 0 0 0
3 0 0,3609 2 0,9640 5 2 2 0
4 2 0,6201 3 0,3572 3 5 3 2
5 3 0,8794 5 0,2001 3 8 3 5
6 4 0,1477 1 0,1327 2 5 2 3
7 3 0,0737 0 0,6594 4 3 3 0
8 2 0,1613 1 0,4773 3 3 3 0
9 0 0,4771 3 0,3002 3 3 3 0
10 0 0,2801 1 0,7669 4 1 1 0
11 0 0,5415 3 0,0286 1 3 1 2
12 0 0,7528 4 0,7877 4 4 4 0
13 0 0,8856 5 0,2351 3 5 3 2
14 0 0,9378 5 0,1720 2 5 2 3
15 1 0,9620 5 0,4602 3 6 3 3
16 0 0,7846 4 0,3192 3 4 3 1
17 0 0,3814 2 0,4184 3 2 2 0
18 0 0,8770 5 0,2226 3 5 3 2
19 1 0,7204 4 0,8909 5 5 5 0
20 3 0,3337 2 0,4544 3 5 3 2
21 2 0,1699 1 0,0299 1 3 1 2
22 0 0,0932 0 0,4658 3 0 0 0
23 2 0,0750 0 0,9600 5 2 2 0
24 0 0,8012 4 0,5911 4 4 4 0
25 0 0,8495 4 0,7752 4 4 4 0
26 0 0,4108 2 0,5524 3 2 2 0
27 0 0,5999 3 0,1431 2 3 2 1
28 0 0,2290 1 0,1835 3 1 1 0
29 2 0,5285 3 0,9672 5 5 5 0
30 0 0,4750 3 0,5316 3 3 3 0
VARIABLE
ALEATORIA DE
BARCOS
PENDIENTE DEL
SIGUIENTE DIA
0
0
1,5
2,5
1,5
2
3,5
2
0
2
2
0
0,5
0,5
0
1,5
1,5
2
3,5
3,5
2
1
2
1
0
1
1,5
1,5
1
0
h. Generar 15 corridas del modelo y calcular el intervalo de confianza.

ESTADISTICO
PROMEDIO 1,37 0,93 1,13 0,77 0,93 0,80 1,10 1,07 0,93 1,07 0,97 1,37 0,70 1,43 0,37
1,3667 0,9333 1,1333 0,7667 0,9333 0,8000 1,1000 1,0667 0,9333 1,0667 0,9667 1,3667 0,7000 1,4333 0,3667
DE SVIA C ION CORIDA CORIDA CORIDA CORIDA CORIDA CORIDA CORIDA CORIDA CORIDA CORIDA CORIDA CORIDA CORIDA CORIDA CORIDA
EST A NDA R 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
0,5 0 0,5 1 0,5 1 0 0 0 1 0 0,5 0,5 1,5 0
0,5 0 0,5 0,5 0,5 0,5 0 1 0 0 0,5 0,5 0,5 1,5 0
0,5 1 0,5 0,5 2 1,5 1 1,5 1,5 0,5 1 0 0 0 0
1 4,5 1 0,5 2 2,5 3,5 2,5 1,5 3,5 2,5 1,5 2,5 3 2
3 5 2 0,5 0,5 1 3,5 2,5 1 3,5 4 4 4 5,5 3
4 2 2,5 2,5 0,5 0 4 2 1 2,5 3 3,5 3,5 4,5 2,5
3,5 0,5 2,5 2,5 1,5 0,5 3,5 1,5 0,5 2 3 2,5 2 4 2
2,5 0 2,5 1 2 1,5 1,5 0 0,5 0 2 1,5 0 3 0,5
0,5 0 1,5 1 2 1,5 1,5 0 0 2 0 0 0 1 0
0 0 0,5 0,5 1,5 0,5 0,5 0 0 2 0,5 0 0 0 0
0 0 1 0,5 0 0,5 0 1 0,5 0 0,5 0,5 0 0 0
0 0 1 0,5 0 0,5 0,5 1 0,5 0,5 0 1,5 0 0 0
0 1 0 0 0,5 0,5 0,5 0 0 0,5 0,5 1 0 0,5 0
0 1 1 0 2,5 0,5 1 0 0 0,5 1 1 0 0,5 0
0 0,5 1 0 2 0 1 0 0,5 1 0,5 2,5 1 0 0
0 1,5 0 0 0 0 1 0,5 0,5 0,5 0 1,5 1 0 0
0,5 1 1 0 0,5 0 1,5 1,5 0,5 1 0,5 1,5 0 0 0
1,5 0 2 1,5 1,5 0 1 1 0,5 2 1,5 1,5 0 1 0
2,5 3 4 2,5 1 1,5 1 2 1 1 2,5 2,5 1 3,5 0
3,5 3 3 3 2 2 1 3 3 0 2 4,5 2 3 0
2 0 1 2 2 1 0,5 1 2 0 0,5 2 1 0,5 0
1 1,5 1 0 0 2 1,5 1 2 2,5 1,5 1,5 0 0,5 0
1 1,5 1 0 0 1,5 2 1,5 2 2,5 1,5 1,5 0 1,5 0
1,5 0 1 0 0 0 0,5 0,5 0 0,5 0 0,5 0,5 1 0
2,5 0 0 0 0 0 0,5 0,5 0 0,5 0 0,5 0,5 0 0
2 0,5 0 0 0 0 0,5 2 0 0,5 0 0 0 1 0
1,5 0,5 0 0 0 0 0 1,5 1,5 0,5 0 0 0 1,5 0
3 0 1 1 1 1,5 0 1,5 2,5 0 0 1,5 0 2 0,5
2,5 0 1 1 1,5 1,5 0 1,5 3 0 0 1,5 0,5 2 0,5
PROMEDIO
0,6333333
0,9333333
1,1333333
0,7666667
0,9333333
0,8
1,1
1,0666667
0,9333333
1,0666667
0,9666667
1,3666667
0,7
1,4333333
0,3666667
Alfa 0.10 Intervalo de
(0.306 - 2,43)
Confianza 95% confianza
Promedio 1,37 Limite
0,306
Desvioacio Est. 1,771 inferior
VARIABLE
limite
ALEATORIA DE 2,43
BARCOS superior
PENDIENTE DEL
SIGUIENTE DIA
0
0
1,5
2,5
1,5
2
3,5
2
0
2
2
0
0,5
0,5
0
1,5
1,5
2
3,5
3,5
2
1
2
1
0
1
1,5
1,5
1
0
JAIME GOMEZ TERNERA

6. Establecer un listado de 200 números aleatorios en una columna, ordenarlas de


menor a mayor graficarla.
Numeros
Aleatorio
64 0,8 127 0,6
1 0,7
65 0,5
128 0,2
176 0,2
2 0,6
66 0,4
3 0,4
67 1,0 129 0,7 177 0,7
4 0,7 130 0,5
5 0,6
68
69
0,7
0,9
178 0,7
6 0,9 131 0,9
7 0,0
70 0,4
132 0,1 179 0,9
71 0,9
8 0,4
72 0,4 133 0,5 180 0,2
9 0,6
10 0,2
73 0,5 134 0,7 181 0,7
74 0,7
11 0,2 135 1,0
12 0,9
75 0,2
136 0,7 182 0,5
76 1,0
13 0,4
14 0,1
77 0,9 137 0,7 183 0,7
78 0,2 138 0,4
15 0,8
79 0,5 184 0,7
16 0,7
80 0,5
139 0,3
17 0,9
81 0,6 140 0,1 185 0,6
18 0,7
19 1,0
82 0,6 141 0,5 186 0,7
83 0,5
20 0,3 142 0,1
21 0,1
84 0,2 187 0,4
85 0,1 143 0,1
22 0,5
86 0,7 144 0,0 188 0,8
23 0,4
87 0,8
24 0,1
88 0,2
145 0,1 189 0,4
25 0,9 146 0,2
26 0,8 89 0,5
147 0,5
190 0,5
27 0,6 90 0,0
28 0,2 91 0,2 148 0,5 191 0,9
92 0,3
29 0,4 149 0,5 192 0,2
30 0,7 93 0,3
94 0,1 150 0,2
31 0,5
95 0,8 151 0,5
193 0,9
32 1,0
33 0,5 96 0,9 152 0,6 194 0,7
34 0,2 97 0,2
98 0,6
153 0,6 195 0,8
35 0,0
99 0,6 154 0,8
36
37
0,1
0,0 100 0,5 155 0,8
196 0,0
38 0,3 101
102
1,0
0,4
156 1,0 197 0,3
39 0,2
103 0,3 157 0,3 198 0,2
40 0,2
41 0,4 104 0,1 158 0,0
42 1,0 105 0,5 159 1,0 199 0,9
106 0,3
43
44
0,5
0,2 107 0,3
160 0,8 200 0,9
45 0,8 108 0,5 161 0,3
46 0,6 109 0,2 162 0,2
47 0,2 110 0,5
163 0,2
48 0,8 111 0,6
49 0,0 112 0,3 164 0,6
50 0,4 113 0,4 165 0,2
51 0,6 114 0,4 166 0,1
52 0,1 115 0,7
116 0,9
167 0,4
53 0,7
54 0,5 117 0,7 168 0,7
55 0,8 118 1,0 169 0,9
56 0,0 119 0,8
170 0,6
57 0,7 120 0,2
58 0,4 121 0,6 171 0,2
59 0,3 122 0,5 172 0,4
60 0,5 123 0,6 173 0,4
61 0,2 124 0,2
62 0,6 125 0,6
174 0,2
63 0,5 126 0,0 175 0,7
Establecer otras tres columnas con números aleatorios aplicando un tratamiento
según fórmula para comportamiento NORMAL, EXPONENCIAL Y UNIFORME
graficar cada columna. Con los siguientes datos: Media=50; Desviación Estándar
=5; Para la uniforme de un rango de 1 a 50.
Distribucion NORMAL Distribucion EXPONENCIAL Distribucion UNIFORME

Me dia = 50 Me dia = 50 Limite Superior = 50


De sviacionE = 5 Limite Inferior = 1

1 52,75 1 95,51 1 25
2 47,56 2 60,45 2 1
3 49,75 3 26,12 3 0
4 58,70 4 76,83 4 43
5 39,63 5 6,38 5 27
6 49,35 6 43,22 6 0
7 58,20 7 47,76 7 78
8 48,77 8 22,92 8 92
9 43,81 9 25,10 9 13
10 60,96 10 17,97 10 134
11 47,00 11 64,08 11 109
12 54,15 12 36,71 12 100
13 54,57 13 28,33 13 178
14 50,66 14 89,94 14 283
15 57,65 15 17,83 15 127
16 45,06 16 72,76 16 236
17 47,89 17 95,77 17 349
18 49,43 18 66,71 18 259
19 56,13 19 1,37 19 594
20 53,32 20 27,69 20 492
21 53,08 21 8,93 21 553
22 52,07 22 12,09 22 821
23 47,13 23 36,87 23 1030
24 59,07 24 20,79 24 836
25 49,47 25 52,32 25 2079
26 48,96 26 12,55 26 1290
27 57,12 27 54,29 27 1516
28 51,27 28 17,22 28 3484
29 48,45 29 71,48 29 2684
30 49,19 30 2,38 30 2309
31 55,02 31 6,32 31 6763
32 55,08 32 7,51 32 4175
33 52,06 33 3,44 33 6706
34 45,16 34 109,49 34 8769
35 57,08 35 67,64 35 8071
36 42,91 36 111,88 36 12966
37 52,16 37 48,74 37 15320
38 47,53 38 105,43 38 20545
39 57,86 39 53,05 39 22307
40 62,04 40 18,16 40 31416
41 48,98 41 48,88 41 26566
42 46,60 42 12,06 42 55649
43 58,16 43 66,29 43 82981
44 50,91 44 62,56 44 84069
45 42,87 45 30,61 45 96827
46 50,03 46 9,72 46 216057
47 39,76 47 139,72 47 169852
48 51,06 48 67,93 48 270922
49 48,98 49 84,46 49 483771
50 57,73 50 44,53 50 386293
51 49,99 51 29,16 51 520933
52 46,64 52 8,13 52 842485
53 42,46 53 30,55 53 494979
54 55,32 54 42,44 54 831082
55 54,30 55 23,70 55 1027958
56 57,90 56 104,35 56 1017752
57 50,72 57 99,83 57 1078240
58 44,96 58 23,46 58 1900930
59 47,66 59 55,86 59 1117080
60 52,29 60 11,57 60 2667478
61 55,21 61 58,33 61 3896837
62 52,97 62 13,17 62 3603292
63 47,59 63 102,09 63 4544426
64 54,48 64 10,38 64 7267073
65 55,49 65 36,71 65 9143638
66 53,13 66 78,69 66 12327513
67 42,42 67 44,58 67 11457488
68 40,76 68 73,64 68 23707267
69 44,04 69 35,75 69 19555652
70 49,27 70 42,18 70 17221352
71 58,52 71 94,58 71 36587595
72 52,58 72 74,33 72 46603584
73 56,35 73 75,31 73 45860262
74 48,32 74 77,73 74 73509042
75 43,60 75 34,99 75 53936708
76 55,28 76 51,16 76 63185872
77 41,73 77 43,72 77 76217295
78 48,89 78 22,03 78 105491277
79 54,43 79 4,05 79 121024141
80 53,10 80 37,95 80 159686855
81 44,61 81 75,66 81 152663911
82 49,69 82 80,37 82 175990637
83 49,63 83 10,71 83 239266260
84 47,01 84 10,29 84 312278108
85 49,74 85 6,66 85 448679597
86 55,73 86 10,09 86 501236314
87 57,30 87 132,54 87 616930098
186 54,55 186 46,46 186 2484746211708560000
187 52,10 187 75,79 187 1341550851303570000
188 46,13 188 6,11 188 2224123426595500000
189 48,15 189 10,48 189 4602130929546180000
190 41,18 190 7,45 190 4096478477591300000
191 45,01 191 57,40 191 3446015459117730000
192 54,57 192 17,64 192 5461266401852150000
193 45,83 193 17,86 193 7395333991796240000
194 42,46 194 8,03 194 7703678519000960000
195 44,81 195 12,22 195 11055060734770400000
196 54,79 196 44,15 196 9042802118924070000
197 47,01 197 74,59 197 8911999426505660000
198 53,09 198 157,60 198 25217403625020400000
199 47,84 199 226,08 199 15002236800372000000
200 49,97 200 79,44 200 26796079336749000000
7. Desarrollar el siguiente caso estableciendo una simulación en Excel:

Se desea simular la llegada y descarga de barcos en un muelle para determinar


el número promedio de barcos que se retrasan para ser descargados al
siguiente día, los datos para realizar la simulación son los siguientes:

Barcos que
llegan por Probabilidad Barcos que
día llegan por Probabilidad
0 14% día
1 17% 1 8%
2 15% 2 10%
3 20% 3 40%
4 19% 4 25%
5 15% 5 17%

Considerando un valor (Alfa = 0.10); y un error de 0,5 barcos.

Determine:

i. Modelo de simulación de 30 días de operación incluyendo grafico de


estabilidad.

Barcos que
Barcos que
llegan por Probabilidad DE A
llegan por día
día
0 14% 0 0,14 0
1 17% 0,14 0,31 1
2 15% 0,31 0,46 2
3 20% 0,46 0,66 3
4 19% 0,66 0,85 4
5 15% 0,85 1 5

Barcos que Barcos que


descargados Probabilidad DE A descargados por
por día día
1 8% 0 0,08 1
2 10% 0,08 0,18 2
3 40% 0,18 0,58 3
4 25% 0,58 0,83 4
5 17% 0,83 1 5
Barcos
NUMER
CANTIDA DE Barcos que Barcos que Total de Cantidad de pendiente
NUMERO O
DIA BARCOS DIA llegan por descargado Barcos a barcos del
ALEATORIO ALEATO
ANTERIOR día por día descargar descargado siguiente
RIO
s dia
1 0 0,8874 5 0,3913 3 5 3 2
2 2 0,1937 1 0,4662 3 3 3 0
3 0 0,9171 5 0,5255 3 5 3 2
4 2 0,2718 1 0,2707 3 3 3 0
5 0 0,1983 1 0,7620 4 1 1 0
6 0 0,7000 4 0,6478 4 4 4 0
7 0 0,9197 5 0,5096 3 5 3 2
8 2 0,5426 3 0,9403 5 5 5 0
9 0 0,9565 5 0,5920 4 5 4 1
10 1 0,7850 4 0,0073 1 5 1 4
11 4 0,7049 4 0,0281 1 8 1 7
12 7 0,9525 5 0,2141 3 12 3 9
13 9 0,7170 4 0,4064 3 13 3 10
14 10 0,1896 1 0,5545 3 11 3 8
15 8 0,5883 3 0,7412 4 11 4 7
16 7 0,6686 4 0,4279 3 11 3 8
17 8 0,5392 3 0,9697 5 11 5 6
18 6 0,7970 4 0,3367 3 10 3 7
19 7 0,9121 5 0,2950 3 12 3 9
20 9 0,9849 5 0,6073 4 14 4 10
21 10 0,4070 2 0,4182 3 12 3 9
22 9 0,2343 1 0,7196 4 10 4 6
23 6 0,6063 3 0,2611 3 9 3 6
24 6 0,6117 3 0,2733 3 9 3 6
25 6 0,2571 1 0,4619 3 7 3 4
26 4 0,2121 1 0,1004 2 5 2 3
27 3 0,8867 5 0,2727 3 8 3 5
28 5 0,9313 5 0,3941 3 10 3 7
29 7 0,9331 5 0,8323 5 12 5 7
30 7 0,3363 2 0,3667 3 9 3 6
ESTADISTICO
PROMEDIO 0,33
DESVIACION ESTANDAR 0,7112
VARIABLE
ALEATORIA
DE BARCOS
PENDIENTE
DEL
SIGUIENTE
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0,5
0,5
0
0,5
2
1,5
0,5
0,5
0,5
1
0,5
0
0
1
j. Calculo del número de corridas necesarias para estabilizar la variable de
interés.

ESTADISTICO
PROMEDIO 7,87
DESVIACION ESTANDAR 3,7410
VARIABLE
ALEATORIA
DE BARCOS
PENDIENTE
DEL
SIGUIENTE
DIA
0
0
0
4 LOGITUD DE
10 68,091954
CORRIDA
12
13
15
18
22
24
23
18
12
7
2
0
0
4
8
6
4
6
6
4
3
3
5
5
2
k. Adecuar el número de corridas según el caso del modelo del punto a.
ESTADISTICO
PROMEDIO 0,83
DESVIACION ESTANDAR 1,1167

VARIABLE
ALEATORIA
DE BARCOS
PENDIENTE
DEL
SIGUIENTE
VARIABLE
ALEATORIA
DE BARCOS
PENDIENTE
DEL
SIGUIENTE
DIA
2,5
3
4
4,5
4
5
5
2
0
0
2
3 CONCLUSION : La grafaica nos indica que s
1,5 suficiente para nomarlizar el descarque de los
0,5 Barcos pendiente. Y adicional por capacidad de
1 descarge por dia.
1
0
1
1
0
1
1
0
0
0
1
1
0
l. Generar 15 corridas del modelo y calcular el intervalo de confianza.
ESTADISTICO
PROMEDIO 0,83 5,38 1,66 1,07 4,41 1,03 1,83 1,21 0,66 1,24 1,72 2,24 1,55 2,90 0,86
DESVIACION ESTANDAR0,9353 2,7635 1,0807 1,0372 2,6042 0,9353 1,7317 1,0034 0,6065 0,9279 1,5025 1,4716 1,0743 1,9476 0,8193

CORRIDA CORRIDA CORRIDA CORRIDA CORRIDA CORRIDA CORRIDA


CORRIDA 2 CORRIDA 3 CORRIDA 4 CORRIDA 5 CORRIDA 6 CORRIDA 7 CORRIDA 8 CORRIDA 9
1 10 11 12 13 14 15

0 1 1 0 2 2 0 0 0 0 0 0 2 3 0
1 0 3 0 0 0 0 0 0 0 0 0 1 5 0
0 0 3 0 0 0 1 0 0 0 0 2 2 6 2
0 4 0 0 0 0 0 1 0 0 0 3 1 5 1
0 5 1 0 0 0 1 0 0 0 0 1 0 4 0
1 7 0 0 0 0 0 0 0 0 0 0 0 4 1
0 8 0 2 0 0 2 0 1 0 2 0 0 2 0
0 5 0 3 1 0 3 0 0 0 0 0 0 3 0
1 5 0 0 2 1 5 2 0 1 1 0 1 0 0
1 9 1 0 8 1 10 2 0 1 1 0 1 4 0
0 9 4 0 11 0 11 0 0 0 1 0 0 4 1
0 12 4 0 7 1 9 2 0 2 4 0 1 0 1
0 15 4 0 6 1 4 5 0 5 8 0 1 0 0
1 13 4 1 9 0 1 3 1 4 11 2 2 2 2
1 10 3 4 7 0 0 0 2 2 7 2 2 2 2
3 11 2 5 4 0 0 3 2 2 1 0 2 0 0
7 10 1 2 4 1 0 5 1 3 0 0 6 2 0
5 9 1 0 3 1 0 2 0 5 0 0 5 6 0
1 9 2 0 1 3 0 0 2 4 0 2 4 8 2
0 7 3 0 0 5 0 0 4 3 0 5 3 6 2
1 3 3 1 0 5 0 0 2 2 0 5 0 6 0
1 0 2 3 0 4 0 0 1 0 2 3 0 7 1
0 0 2 5 1 1 0 0 1 0 2 4 0 3 2
0 0 3 4 4 0 0 1 1 0 1 8 0 0 1
0 1 1 1 8 0 0 3 1 0 3 9 0 0 0
0 1 0 0 9 1 0 2 0 0 2 7 2 0 1
0 0 0 0 10 1 2 0 0 1 1 6 3 0 2
0 0 0 0 14 0 2 2 0 1 2 4 3 0 1
0 2 0 0 17 2 2 2 0 0 1 2 3 2 3
2 4 2 0 19 2 5 0 3 0 0 1 2 4 8
2 4 5 0 15 0 5 0 6 1 0 0 6 4 6
0 3 8 0 10 1 2 0 8 1 0 0 10 3 1
0 1 11 0 8 4 2 0 7 0 2 0 12 1 0
0 1 9 0 3 3 2 0 3 0 4 0 14 0 0
0 5 5 0 0 0 1 2 4 0 3 0 14 0 0
0 4 2 0 0 1 1 6 4 0 1 0 9 0 0
3 2 1 0 1 1 0 10 1 0 3 0 5 4 0
6 2 2 0 2 0 0 11 2 0 3 0 4 7 0
7 0 4 0 2 0 0 6 4 0 1 0 2 8 0
8 0 7 2 1 0 0 2 4 2 3 0 2 12 0
6 1 7 3 0 0 0 2 3 3 6 1 2 11 0
5 1 3 1 1 0 0 2 5 1 6 1 4 10 0
5 1 3 1 1 0 0 2 5 1 6 1 4 10 0
3 0 4 0 1 0 0 1 9 0 2 0 3 12 0
0 0 10 2 0 0 0 0 10 0 0 0 0 10 0
0 0 12 2 0 0 1 0 8 0 0 0 0 6 0
0 0 10 0 0 0 1 0 3 2 0 1 0 3 0
0 1 7 3 4 0 0 1 0 6 0 2 0 1 2
0 1 4 6 7 0 0 3 0 9 0 2 0 0 2
0 2 1 8 4 0 0 2 0 10 0 1 1 1 0
0 5 0 10 3 0 0 0 2 8 0 0 1 4 0
0 3 0 8 7 3 0 2 2 3 1 0 3 6 0
1 2 0 6 11 8 0 2 0 0 3 0 6 6 0
1 4 0 3 9 10 0 0 0 0 5 0 8 5 0
0 4 2 0 5 9 0 1 2 0 6 0 7 2 0
0 5 5 0 4 5 1 1 2 0 4 0 5 0 0
0 3 3 0 4 5 4 2 0 0 3 1 5 0 0
0 0 0 0 2 7 5 2 4 0 4 1 3 0 0
0 0 0 0 0 3 2 0 4 0 2 0 1 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
PROMEDIO
0,828
5,379
1,655
1,069
4,414
1,034
1,828
1,207
0,655
1,241
1,724
2,241
1,552
2,897
0,862
Conclusion: en la grafica se observa unas
estabilidad donde se concluye que esta
Intervalo de bajo un supuesto de normalidad y el
(0,188 - 1,611)
confianza intervalo de confianza se encuentra en
Limite el rango de 0,188 a 1,611.
0,188
inferior
limite
1,611
superior
Al fa 0,10
confi a nza 95%
PROMEDIO 0,90
DESVIACI ON ESTANDAR 1,185
VARIABLE
ALEATORIA DE
BARCOS
PENDIENTE DEL
SIGUIENTE DIA
0
0,5
0,5
0
0
0
0
0,5
1
0,5
0
1
2,5
2
0,5
1
3
3,5
1,5
0
1
2,5
1,5
0,5
0,5
0
0
0
0,5
1,5
m. Establecer conclusiones y recomendaciones del caso, por cada integrante
del grupo.

Estudiante Carlos Rojas

Podemos ver como el modelo simulado de barcos que llegan versus barcos que se
descargan se estabiliza como una distribución normal, sola cuando se proyecta el
modelo a 145 días, y se tiene como resultado que hay una probabilidad del 86% que
queden menos de 2 barcos para descargar pendientes para el día siguiente.

Se recomienda revisar el sistema de espera y la rapidez como se descarga los barcos


ya que solo si se aumenta la probabilidad de descargue el modelo puede arrojar
resultados óptimos bajando la probabilidad de barcos pendientes para el otro día.

Estudiante Johennys Martinez

Presentamos una modelación y simulación de llegada y descargue de Barcos, teniendo


en cuenta la operación de 30 días en la cual se observa que no tiene un
comportamiento normal, supera más de 30 recorridas, se simulo las 15 recorrida del
Modelo, el comportamiento tiene una variación entre 1 a 2 y tenemos un reporte de 4
datos de fueran de rango es necesario para tener un mejor resultado calcular más días
de las operaciones para ver si de esta forma se puede apreciar un mejor
comportamiento.

Estudiante Harold Gómez

Los sistemas de colas son modelos de sistemas que proporcionan servicio. Como
modelo, pueden representar cualquier sistema en donde los trabajos o clientes llegan
buscando un servicio de algún tipo y salen después de que dicho servicio haya sido
atendido.
podemos decir que 100 días son viables para normalizar a los barcos para su
respectiva descarga. Se recomienda tener en cuenta que tan rápido los barcos hacen
su descarga ya que solo habrá resultado óptimos si para el día siguiente son menos los
barcos a descargar.

Estudiante JORGE TAYLOR FIGUEROA

El desarrollo teórico de modelos y simulación ha hecho posible utilizar métodos que


pueden calcular algunas variables con resultados muy aproximados a datos empíricos.
Casi todas las empresas tienen problemas de planificación y la simulación puede
ayudar a resolverlos. Se utiliza más frecuentemente para ayudar a la gerencia en los
casos en que el problema no se presta a soluciones rutinarias.

Estudiante JAIME GOMEZ TERNERA

La simulación se utiliza en una amplia variedad de empresas, para ayudar a la gerencia


a tomar decisiones. Casi todas las empresas tienen problemas de planificación y la
simulación puede ayudar a resolverlos. Se utiliza más frecuentemente para ayudar a la
gerencia en los casos en que el problema no se presta a soluciones rutinarias

En ciertos casos se prepara el modelo sin que exista una situación real en la que
basarlo, como en el caso del proyecto de una nueva empresa. Entonces, los datos de
salida deben compararse con el comportamiento previsto para la nueva empresa.
CONCLUSIONES

La teoría de colas es un tema perteneciente a la Investigación de Operaciones,


encargada de proponer modelos para el manejo eficiente de las líneas de espera, sean
estas personas, productos, automóviles, llamadas telefónicas entre otras (Hillier &
Lieberman,1997).

Este trabajo se realizó aplicando los conocimientos adquiridos en una empresa


simulada de descarga de barcos, donde se utilizó un planteamiento general para líneas
de espera, el cual sirve como modelo para realizar trabajos posteriores que relacionen
las mismas variables de entrada y de salida.

También se puede recurrir a esta metodología si se desea llevar a cabo una


investigación con el objetivo de obtener razones cuantitativas para la toma de
decisiones y mejorar las características en el sistema. Los modelos cuantitativos
aplicados en este trabajo son muy adecuados como soporte para la toma de
decisiones, ayudando al mejoramiento de los procesos de atención al cliente. De este
modo se convierten en una vía para generar valor agregado y obtener ventajas
competitivas como empresa prestadora de servicios en la entrega o recepción
productos.

Referencias
Antoni, G., Miquel Àngel, P., & Josep, C. (2020). Modelado y simulación: aplicación a
procesos logísticos de fabricación y servicios. En G. Antoni, P. Miquel Àngel, &
C. Josep, Modelado y simulación: aplicación a procesos logísticos de fabricación
y servicios (págs. 6-21). Madrid: Universitat Politècnica de Catalunya.

Josep, C., & Juan José, R. (2016). Cómo mejorar la logística de su empresa mediante
la simulación. En C. Josep, & R. Juan José, Cómo mejorar la logística de su
empresa mediante la simulación (págs. 35-73). Madrid: Ediciones Díaz de
Santos.

Singer, M. (2013). Una práctica teoría de la optimización lineal : datos, modelos y


decisiones. En M. Singer, Una práctica teoría de la optimización lineal : datos,
modelos y decisiones (págs. 3-69). Santiago De Chile: Universidad Catolica De
Chile.

También podría gustarte