Modelar es el diseño de una representación simplificada de un sistema real con el fin de

predecir el comportamiento, se requieren dos competencias: Abstracción y simplificación. Para

modelar un sistema se tiene en cuenta cuando:

 Se busca evaluar el desempeño de un sistema bajo condiciones usuales e inusuales

 Predecir el desempeño de sistemas experimentales
 Evaluar múltiples alternativas de diseño

Tipificaciones del modelaje:

 Modelos físicos: objetos físicos o a escala
 Analíticos: ecuaciones o relaciones entre variables de tipo matemático

Tipos de modelos de simulación:

 Según la naturaleza: Determinísticos (Los datos de entrada se conocen con certeza) y
Estocásticos (Los datos tienen grado de incertidumbre)
 Según carácter evolutivo del modelo: Estáticos (El modelo evoluciona sin tener en
cuenta los cambios generados en el tiempo) y Dinámicos (Las variables de estado
cambian en la medida que el tiempo transcurre=
 Según el tipo de variable de estado: Discreto (la variable de estado cambia en un
conjunto discreto de puntos) y Continuo (la variable de estado cambia continuamente
en el tiempo)

PASOS DE UN ESTUDIO DE SIMULACIÓN:

 Formulación del problema: Análisis del sistema y definición del problema a resolver
 Fijación de objetivos: Alcance del estudio, qué instancias se van a estudiar para hallar
soluciones
 Conceptualización del modelo: Identificar parámetros de entrada, medidas de
desempeño de interés y establecimiento de las relaciones entre los parámetros y
variables a través de diagramas de flujo o árboles jerárquicos
 Recolección de información: De acuerdo al análisis se hace presunción sobre las
distribuciones de probabilidad de los datos recolectados, luego a través de pruebas de
hipótesis se corrobora o rechaza los supuestos planteados.
 Construcción del modelo: Implementarlo a través de un programa computacional o
software especializado de simulación
 Verificación del modelo: Inspección donde se compara el código del modelo con la
especificación del mismo
 Validación del modelo: Examina el grado de ajuste del modelo con los datos empíricos
del sistema, donde compara el desempeño del modelo con la información real
arrojada por el sistema de estudio
 Diseño de experimentos: Planeación y diseño de experimentaciones que se llevarían a
cabo sobre el modelo de simulación a través de distintos escenarios para garantizar
confiabilidad del estudio
 Corridas y análisis del resultado: Se corre el modelo y sus resultados serán analizados.

Parámetros: Llegada, Servicios y servidores

MM1= M por tener distribución de poisson en llegadas, M por distribución exponencial por
tratar con tiempos en los servidores, 1 porque se tiene un servidor
MMS= M por tener distribución de poisson en llegadas, M por distribución exponencial por
tratar con tiempos en los servidores, S porque se tiene más de un servidor

G =Genérido
D=Deterministico

Sistema de colas: Sirve para determinar cuánto tiempo en general se puede demorar una
persona en una cola para ser atendida, qué tanto está siendo utilizado el sistema, es
eficiente?, probabilidades para que hayan clientes, que los servidores estén en modo espera,
tengan clientes o estén solos.

SIMULACIÓN EN SISTEMA DE INVENTARIOS

Su objetivo es encontrar la política que genere los menores costos posibles, teniendo en
cuentas las principales fuentes de costo en el sistema de inventarios:
 Costo de almacenamiento: Mantener una unidad de inventario en el almacén por una
unidad de tiempo
 Costo de pedido: Asociado a la revisión y lanzamiento del pedido
 Costo de compra: De adquisición o en la factura
 Costo faltante: El que se origina por el hecho de no tener existencias disponibles en el
momento en que son demandadas
Por lo que se debe decidir el nivel máximo de inventario mantener y cuándo hacer la revisión
con el fin de minimizar costos.

SEMANA 2

Valor esperado de una variable aleatoria

Medidas de dispersión para variable aleatoria
Distribuciones probabilidades discretas
Distribuciones probabilidades continuas

Los datos de entrada en el modelo de simulación siempre estarán descritos por una función de
probabilidad para modelar aleatoriedad y comportamiento propio, para el análisis de
resultados arrojados están con base a los valores esperados y las medidas de dispersión.

SEMANA 3

Análisis de datos de entrada para alimentar el modelo de simulación, para su análisis se

recomienda:
 Planeación: Observación sistema actual y atípicas
 Análisis de datos recolectados: Pertinencia
 Homogeneidad: Verificar en los diferentes grupos de datos
 Revisar relación entre variables
 Revisar autocorrelación
 Diferenciar datos de entrada y datos de salida

De acuerdo a la gráfica de distribución se analiza para la construcción del modelo de

simulación, las gráficas adecuadas pueden ser:
 Histogramas
 Diagramas Cuantil – Cuantil
 Diagrama Probabilidad – Probabilidad
Se realiza las pruebas de bondad de ajuste para evaluar la idoneidad de un conjunto de datos y
además, la prueba Chi cuadrado

SEMANA 4 - SISTEMA DE COLAS

Sistema de Colas: Se Analiza

Medidas de desempeño: Resultados que se quieren obtener

Modelo de Colas: Estudia todo lo relacionado a las ESPERAS

N(t) numero de personas que llegan en el instante t

An Tiempo que ocurre entre el cliente anterior al cliente que llega al momento

Se calcula

Lamda: Tasa de arribos

Miu: Tasa de atención al usuario

Componentes del modelo de colas:

 Origen de usuaruis
 Cola
 Servidores
 Punto de salida del sistema

Analizar:
Cómo se procesan las llegadas
Capacidad y disciplina de la cola
Proceso de servicio
Numero de servidores

1. Patrón de llegada de clientes

2. Patrón de servicio de clientes
3. Disciplina cola da la capacidad de la cola
4. Número de canales de servicio
5. Número de canales de servicio

Se analizan las filas de la colas, y luego el servicio.

1. Patrón de llegada de los clientes: Dependiente casi siempre de una VA (estocástica),

tener en cuenta la impaciencia, si el patrón no varía con el tiempo se llama
estacionario
2. Patrón de servicio: Asigna funciones de probabilidad, hay variabilidad de acuerdo al
npumero de clientes en cola
3. Disciplina de la cola: Cómo se comporta la cola? FIFO, LIFO, o reglas de prioridad
(Triage, modelo de urgencia en hospitales)
 4. Capacidad del sistema: Limitación respecto al número de clientes que pueden esperar
en la cola y simplificación en el montaje de la impaciencia de los clientes
5. Número de canales de servicio (cuantos cajeros?)
6. Etapas de servicio

NOMENCLATURA DE KENDALL: Sus servidores se encuentran de forma paralela, sus

componentes son los SEIS anteriormente descritos, minimo se necesitan los tres primeros. El
primero, hace referencia al tipo de distribución de probabilidad que siguen los
tiempos entre arribos, el segundo, a la distribución de probabilidad que siguen los
tiempo de servicio, el tercero, al número de servidores del sistema, el cuarto, a la
disciplina del servicio, el quinto, a la capacidad de la cola y el sexto, al tamaño de la
población.

Primera y segunda posición conletras:

D= tiempo de arribo o servicio es determinístico

M= tiempo de arribo o servicio es exponencial
G= tiempo de arribo o servicio es general (Es decir, diferente a exponencial y Erlang)

NOMENCLATURA BÁSICA:

LEY DE LITTLE: Ecuación para establecer relación entre tasa de arribos, numero promedio de
clientes y tiempo promediopara estimar medidas de desempeño del sistema y evaluar que tan
bien funciona el sistema

SISTEMA DE COLAS MARCOVIANAS: Sus tiempos de arribos y servicios siguen distribución

EXPONENCIAL, sus medidas de desempeño:
M/M/1 (Unico servidor)
La estabilidad del sistema está dado, por:

La utilización del sistema está dado, por:

M/M/c (c servidores)
La estabilidad del sistema está dado, por:
M/M/c/k (c servidores y capacidad para k entidades)
La tasa de utilización del sitema, está dada por:

SISTEM DE COLAS NO MARCOVIANAS: Sus tiempos de arribo y servicio no son exponenciales,

se tiene en cuenta: Se emplean aproximaciones, formulas exactas (aplicables a colas M/G/1 ,
G/M/1 , M/G/∞) o se emplea simulación
G/G/1

La aproximación analítica, dada por:

Teniendo en cuenta que el coeficiente de variabilidad de una variable aleatoria cualquiera se

define como:
G/G/k
Se emplea aproximación Cunnen Allen, donde establecen:

EJEMPLO:

Características del sistema:

*Solo hay un servidor (El puente)
*Solo puede pasar un carrro por el puente y los demás deben esperar
*Los arribos de los carros al puente siguen una distribución de Poisson con tasa 3carros/min
*Al cruzar el puente, un carro demora en promedio 15 min

Entonces:

Tasa de arribos: λ=3 carros /min

Tasa de servicio: µ= 1 carro/15 seg= 4carros/min

Calcular el tiempo promedio que debe gastar desde que llega a la fila hasta que llega al otro
lado del río un carro (Es decir, tiempo en el sistema.. el sistema es la fila de carrosy el puente
provisional)

Se ajusta a M/M/1, disiplina es FIFO, se identifica el modelo y que cumple condición de

estabilidad (La tasa de arribos es menor a la tasa de servicio)

ρ<1
 λ 3
ρ= = =0,75
μ 4
El tiempo promedio que gasta el carro que llega a la fila del puente para llegar al otro lado del
río es:

L
W=
λ
Donde L:
ρ 0,75
L= = =3 carros
1−ρ 0,25

3 carros
W= =1 min
3 carros /min

Calcular la cantidad de carros promedio que hay que esperar para cruzar el puente
Dado, por:
λ2 32 9
Lq = = = =2,25 carros
μ( μ−λ) 4 (4−3) 4

SEMANA 5: GENERAR NUMEROS ALEATORIOS

Se debe cumplir con uniformidad e independencia.

Método lineal de congruencia: Generación de números aleatorios de 0 a 1,para generarlos

primero se generan numeros enteros a través de la siguiente relación recursiva:

Prueba uniformidad: Probar que cualquier número sea uniforme entre cero y uno (Chi
cuadrado pero entre 0 y uno)
Prueba de independencia: Los números son independientes
Si los datos no están correlacionados, son independientes

GENERAR VARIABLES ALEATORIAS: Qué se quiere modelar y cómo se maneja en el tiempo?

Generación número aleatorio, transformación y variable.

A través de algoritmo: Independiente del tipo de variable, se debe aplicar:
 Calcular la función acumulada de probabilidad de la variable aleatoria X
 Igualar dicha función de probabilidad acumulada con el numero aleatorio F(X)=R
 Resolver la ecuación para X en término de R (Despejar X)
 Reemplazar por los valores numéricos y obtener la distribución deseada

SEMANA 6 – ANÁLISIS DE SALIDA

Análisis estadísico busca estimar el error estadístico o intervalo de confianza, a demás, el
número de observaciones necesarias para lograr precisión deseada.

Se debe tener clardad en la autocorrrelación (Que los datos no dependan de otros datos
puntuales) y se debe analizar la influencia de condiciones iniciales (variables de entrada)

Simulacions transcientes / Que tienen terminación:

*Corre por un periodo específico de tiempo TE (E:Evento que termina simulación)
*La longitud de la simulación debe estar bien definida y debe ser finita
Ejemplo: Banco con un horario establecido

Simulación sin terminación

*Corre continuamente o, por lo menos, por un periodo muy largo de tiempo.
*Las condiciones iniciales deben ser especificadas por el analista.
*Corre por un periodo de tiempo TE especificado por el analista.
*El objetivo es estudiar las propiedades del sistema en el largo plazo.
*Propiedades que no deben ser influenciadas por las condiciones iniciales del modelo (en
teoría no influyen, en la práctica sí).
Ejemplo Banks: líneas de ensamble, centros de llamadas, salas de urgencias.

ESTIMACIONES PUNTUALES:
Se estima la media, teniendo en cuenta si es discreta o continua
Se estima el intervalo de confianza

Entre mayor r+eplicar se disminuye el error entre el estimados y el parámetro real y por tanto
el intervalo de confianza será mas pequeño

Estimación de intervalos con precisión específica. Depende de las características de su

distribución muestral.

Mientras menor sea el intervalo de confianza se garantiza resultado más acertado.

SEMANA 7 – ANÁLISIS DE SALIDA

Etapa en el proceso de un estudio de un sistema se estima su desempeño, en la medida que
hay entradas aleatorias al modelo, hay salidas aleatorias, he aquí la necesidad del análisis
estadístico.
Toma el error o intervalo de confianza, y encuentra el número de observaciones necesarias
para lograr precisión deseada.
El análisis de salida depende del sistema, si es con terminación (Transiente) o sin terminación.