Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Unidad2 PDF
Unidad2 PDF
MODELOS DE SIMULACIÓN
INVESTIGACIÓN DE
OPERACIONES II
Tema: Modelos de simulación
Introducción:
La simulación es un medio mediante el cual tanto nuevos procesos como procesos ya existentes
pueden proyectarse, evaluarse y contemplarse sin correr el riesgo asociado a experiencias llevadas
a cabo en un sistema real. Es decir, permite a las organizaciones estudiar sus procesos desde una
perspectiva sistemática procurando una mejor comprensión de la causa y efecto entre ellos además
de permitir una mejor predicción de ciertas situaciones. La teoría de la simulación permite valorar,
replantear y medir, por ejemplo, la satisfacción del cliente ante un nuevo proceso, la utilización de
recursos en el nuevo proceso o incluso el tiempo para minimizarle. Todas estas posibilidades hacen
de la simulación un instrumento ideal para un esfuerzo de replanteamiento de la empresa.
Una estructura lógica que permite correlacionar las variables de entrada y los factores
operativos. Ejemplo: Distribución de probabilidad de espaciamiento de arribos y servicios.
Ing. Jorge
Profesor: Cassi (2017)[3972864] Lectura 7. “Modelos de Simulación”. UES21 en alianza con Ilumno
H.Jo
Ing.
PROBLEMA
Ing. Jorge
Profesor: Cassi (2017)[3972864] Lectura 7. “Modelos de Simulación”. UES21 en alianza con Ilumno
H.Jo
Ing.
2. Método de Monte Carlo.
El método consiste en un proceso que permite “generar” valores aleatorios de una variable a
partir de un conjunto de datos de entrada.
Monte Carlo se utiliza para variables discretas en el caso de ser una variable continúa, como el
tiempo, se debe “discretisar” la variable. Por otra parte, este método no tiene en cuenta la
estadística a la cual obedece la variable continua, simplemente porque es un método para
variable discreta.
Ing. Jorge H. Cassi (2017)[3972864] Lectura 7. “Modelos de Simulación”. UES21 en alianza con Ilumno
3) Dado que para cualquier distribución de probabilidades acumuladas, los valores de
ésta se hallan entre 0 y 1, es posible generar una ocurrencia aleatoria de la variable y
definir intervalos.
Para este ejemplo supondremos que los números de casos de estudios son 10.000, por este
motivo los intervalos varían entre 0,0000 y 0,9999
El método de simulación de Monte Carlo se utiliza para simular cuando estamos en presencia de
variables discretas, aunque se puede aplicar a variables continúas, esto se logra "discretisando"
la variable, por ejemplo, el tiempo es una variable continúa pero se puede "discretisar" para su
estudio. De esta manera podemos decir que los tiempos de servicios se producen en promedio
cada 5, 10 y 15 minutos.
Ing. Jorge H. Cassi (2017)[3972864] Lectura 7. “Modelos de Simulación”. UES21 en alianza con Ilumno
Aunque esto se pueda realizar, no es lo más correcto ya que la variable tiempo, al ser
continúa, los tiempos de servicios pueden producirse en un intervalo que va entre los 5 y 15
minutos, es decir para este último caso nos podemos hacer la pregunta, si en el servicio una
unidad puede estar más de 7,5 minutos, en cambio si utilizamos variables discretas como las
antes mencionadas (5, 10 y 15 minutos) para el estudio a través de la simulación de Monte Carlo,
esta pregunta no tendría respuesta por no estar contemplada la variable tiempo de 7,5 minutos.
La respuesta es la siguiente:
Monte Carlo emplea para variables discretas, en el caso de ser una variable continúa, como el
tiempo, se debe “discretisar”.
A los efectos de simular un proceso gobernado por variables continuas, se debe analizar la
construcción de los generadores de procesos de variables aleatorias continuas a partir del
método de la Transformación Inversa.
Ing. Jorge H. Cassi (2017)[3972864] Lectura 7. “Modelos de Simulación”. UES21 en alianza con Ilumno
- 11 -
Teoría de colas
1ª Ley de Harper
2ª Ley de Harper
Personas esperando para realizar sus operaciones en una ventanilla del banco,
Estudiantes esperando por realizar copias en la fotocopiadora o pagar la cuota de la
universidad, vehículos esperando la inspección vehicular o pagar en el peaje o continuar
su camino ante un semáforo en rojo, máquinas dañadas esperando ser reparadas.
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
La teoría de colas es el estudio matemático del comportamiento de líneas de
espera. Esta se presenta, cuando los “clientes” llegan a un “lugar” demandando un
servicio a un “servidor”, el cual tiene una cierta capacidad de atención. Si el servidor no
está disponible inmediatamente y el cliente decide esperar, entonces se forma la línea
de espera.
Fuente:
Recibe el nombre de fuente el dispositivo del que emanan las unidades que
piden un servicio. Si el número de unidades potenciales es finito, se dice que la fuente
es finita; en caso contrario se dice que es infinita.
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
Probabilístico, en el cual el tiempo entre llegadas sucesivas es incierto y variable.
Los tiempos entre llegadas probabilísticos se describen mediante una distribución de
probabilidad.
Mecanismos de servicio
Se llama capacidad del servicio al número de clientes que pueden ser servidos
simultáneamente. Si la capacidad es uno, se dice que hay un solo servidor (o que el
sistema es monocanal) y si hay más de un servidor, multicanal. El tiempo que el servidor
necesita para atender la demanda de un cliente (tiempo de servicio) puede ser constante
o aleatorio.
Disciplina de la cola
Supuestos
d) Disciplina de colas de servicio primero a quien llega primero; todas las llegadas
esperan en línea hasta que se les da servicio y existe la posibilidad de una longitud
infinita en la cola.
3. Terminología y notación
Características operativas.- Medidas de desempeño para una línea de espera
que incluyen la probabilidad de que no haya unidades en el sistema, la cantidad promedio
en la línea, el tiempo de espera promedio, etc.
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
Tasa media de llegada.- Cantidad promedio de clientes o unidades que llegan
en un periodo dado.
Pw= Probabilidad de que un cliente que llega tenga que esperar por el servicio.
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
Todas estas características operativas de estado estable se obtienen mediante
fórmulas que dependen del tipo de modelo de línea de espera que se esté manejando.
Para calcular estas, se necesitan los siguientes datos:
Por otro lado, es bastante directo derivar esta distribución después de que el
sistema ha alcanzado la condición de estado estable (en caso de que pueda alcanzarla).
Distribución de llegadas
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
otras llegadas y no podemos predecir cuándo ocurrirá. En tales casos, los analistas
cuantitativos has encontrado que la distribución de probabilidad de Poisson proporciona
una buena descripción del patrón de llegadas.
Nomenclatura Kendall
Para describir un sistema de colas se emplea la notación de Kendall, que consiste
en un grupo de letras y números de la forma:
A/B/C/m/d
donde cada uno de los dígitos tiene el siguiente significado:
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
5. Un servidor, cola infinita, fuente infinita
Características operativas
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
L o Ls= Número de clientes promedio en el sistema (Clientes en cola y clientes
que están siendo atendidos).
Pw= Probabilidad de que un cliente que llega tenga que esperar por el servicio.
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
Caso resuelto:
Frente a una ventanilla del Banco Estatal se presentan 560 personas diarias
(jornada de 8 horas); el cajero puede dar servicio a 100 personas como promedio por
hora. Con la hipótesis de llegadas Poissonianas y servicios exponenciales.
Se le pide:
Datos:
C = S = 1 servidor
λ = 560/8 = 70 clientes/hora (llegan a solicitar servicio)
µ = 100 clientes/hora (capacidad de servicio)
ρ = λ/µ = 0,7 o 70%
m = ∞ (número de potenciales clientes)
Condición a cumplir: ρ ˂ 1 (cumple). Se puede optimizar
Pn = P3 = (70/100)3 * P0,
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
h) la probabilidad que existan 4 personas en la fila y en el sitio
Donde:
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
Results + Probability Summary
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
las características operativas de los modelos de línea de espera anteriores deben
modificarse para explicar el efecto de la población finita.
Con un solo canal, el modelo de línea de espera se conoce como modelo M/M/1
con una población finita.
La tasa de llegada media para el modelo M/M/1 con una población finita se
define en función de cuan a menudo llega o busca servicio cada unidad.
m = N = el tamaño de la población.
6. Probabilidad de que una unidad que llega tenga que esperar por el servicio:
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
Caso resuelto:
Datos:
SOLUCIÓN:
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
a) Probabilidad que el técnico esté ocioso
P0 = 0,0002 o 0,02%
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
En el sistema de canales múltiples, las unidades que llegan esperan en una sola
línea y luego pasan al primer canal disponible para ser servidas.
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
En esta sección presentamos fórmulas que pueden usarse para determinar las
características operativas de estado estable para una línea de espera de varios canales.
Estas fórmulas son aplicables si existen las siguientes condiciones.
2.- Tiempo de servicio para cada canal sigue una distribución de probabilidad
exponencial.
4.- Las llegadas esperan en una sola línea de espera y luego pasan al primer canal
disponible para el servicio.
Características Operativas
Pueden usarse las siguientes fórmulas para calcular las características operativas
de estado estable para líneas de espera con canales múltiples, donde:
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
W o Ws= Tiempo total promedio que un cliente pasa en el sistema.
Pw= Probabilidad de que un cliente que llega tenga que esperar por el servicio
Caso resuelto:
Una clínica canina tiene 3 veterinarios para vacunar perros. El número de perros
que llegan a la clínica sigue una distribución de Poisson con una tasa media de 12
por hora. El tiempo medio empleado en vacunar a cada perro es de 6 minutos (por
veterinario). Determinar:
a) Tasa de utilización
b) Tiempo medio de espera.
c) Tiempo medio de permanencia de los perros en la clínica.
d) Número medio de perros en la clínica.
e) Porcentaje de tiempo con la sala de vacunación vacía.
f) Probabilidad de que al menos un veterinario esté ocioso
g) Probabilidad de encontrar más de 4 perros en la clínica
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
Datos:
C = 3 (tres servidores)
λ = 12 perros/hora
µ = 3 x 10 = 30 perros/hora
ρ = 12/30 (cumple ρ ˂ 1)
m =∞
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
8. Servidores múltiples, servidores múltiples, fuente finita
Este tipo de modelo es el M/M/c : DG/∞/∞, donde el límite del sistema es finito
igual a N; eso quiere decir que el tamaño máximo de la cola es N–c. Las tasas de
llegada y de servicio son λ y μ.
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
L o Ls = Número de clientes promedio en el sistema (Clientes en cola y clientes que
están siendo atendidos).
Cálculo de λef
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
λnominal = λefectiva + λpérdida
λefectiva = λnominal - λpérdida,
siendo: λpérdida = λnominal x Pn (donde n representa al sistema totalmente ocupado)
Por lo que: λefectiva = (1- Pn) λnominal
Caso resuelto
DATOS:
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
g) Cálculo de landa efectiva:
El costo a analizar sería, en cualquiera de los casos que se citó en el párrafo anterior:
Ct = Cantidad de Operarios contratados x costo de la mano de obra/hora + Número de
máquinas fuera de servicio/hora x ingresos no obtenidos por fuera de servicio/hora
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
Ct = N° Mano de obra x Costo$/hora + ¿?? X Costo$ fuera servicio/hora
Ahora: cuáles son las máquinas (¿??) que están fuera que no generan ingresos?. Las
que esperan ser reparadas? O el total de máquinas que están esperando ser reparadas
más las que están siendo reparadas?
El costo total Ct analizado es un costo marginal, formado por dos curvas que se
combinan. A medida que contratamos más mano de obra, el costo total de ésta (Cm)
se incrementa; pero a medida que se tienen más técnicos/servidores para reparación/
atención, menos tiempo en promedio están las máquinas/clientes fuera de servicio/en
el sitio, por lo que los costos de éstas (Cmp) disminuyen. El punto óptimo (Costo total
menor) es el punto (*) del gráfico.
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
Problemas propuestos
Ejercicio 01: Frente a una ventanilla del Banco de Fomento se presentan 640
personas diarias (jornada de 8 horas); el cajero puede dar servicio a 90 personas como
promedio por hora. Con la hipótesis de llegadas Poissonianas y servicios exponenciales,
encontrar:
Ejercicio 05: Una sucursal bancaria tiene dos cajas igualmente eficientes,
capaces de atender un promedio de 60 operaciones por hora con tiempos reales de
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
servicio que se observan exponenciales. Los clientes llegan con una tasa de 100 por
hora. Determinar:
Ejercicio 07: Al Taller El Recambio para cambio de aceite, los autos llegan a
un promedio de 18 carros por hora en forma Poisson. La población es infinita pero el
espacio físico en el sistema alcanza solamente para 3 vehículos; puede servir a un
promedio de 6 carros por hora de acuerdo a una distribución exponencial.
Ejercicio 09: Una clínica canina tiene 5 veterinarios para vacunar perros. El
número de perros que llegan a la clínica sigue una distribución de Poisson con una
tasa media de 20 por hora. El tiempo medio empleado en vacunar a cada perro es de 2
minutos. Determinar:
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
Ejercicio 10: En un taller caben seis máquinas que son reparadas por dos
mecánicos. Las máquinas llegan al taller como promedio una vez cada tres horas y el
tiempo medio de reparación es de 45 minutos.
Calcule:
• ¿Cuál es la probabilidad que vehículo que llegue pueda ocupar uno de los
lugares citados?
• ¿Cuál es la probabilidad de que un auto que llega espere fuera del espacio
designado de tres autos?
• Un cliente que llega, ¿cuánto tiempo supone que esperará antes de iniciar el
servicio?
Responda:
Ejercicio 14: A una impresora le llegan trabajos para imprimir con una tasa de
8 al minuto, siguiendo las llegadas un proceso de Poisson. El tiempo de impresión es
exponencial de media 5 segundos. Esta impresora almacena los trabajos que le llegan
en un buffer con capacidad para 3 mensajes. Suponer que la memoria de la impresora
es suficiente como para almacenar en ella todo el trabajo que está siendo impreso.
Calcular:
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
b) Probabilidad de que en este sistema de impresión haya menos de tres
trabajos esperando a ser impresos.
c) Número medio de trabajos en el sistema de impresión.
d) Tiempo medio de espera en el buffer de un trabajo hasta que pasa a la
impresora.
e) Probabilidad de que se pierda un mensaje que llega al sistema para ser
impreso.
Ejercicio 15: Una máquina está formada por tres componentes que funcionan
independientemente. Cada componente necesita un reajuste para su correcto
funcionamiento una vez cada cuatro días, en media. Este reajuste se lleva a cabo por
un técnico que tarda, en media, medio día en poner a punto cada componente. Se
supone que tanto los tiempos entre llegadas al sistema de reparación como los tiempos
de servicio son exponenciales.
Obtener:
a) λ y µ.
b) ¿Qué porcentaje de tiempo está el técnico sin trabajar?.
c) Calcular el número medio de componentes que hay en este sistema de
reparación.
d) Obtener el número medio de llegadas al sistema de reparación por día
(tasa global de llegadas).
e) Calcular el tiempo medio de estancia de cada componente en la cola de
reparación.
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno
Tomar el mes de trabajo de 2000 horas.
Tratar el problema como cola infinita.
Ejercicio 18: Un sistema con un único canal posee un servicio cuya velocidad
se desea calcular, sabiendo que el número de clientes que pueden encontrarse
simultáneamente en el sistema es de 3, respondiendo los arribos a una ley de Poisson,
de media 15 clientes por hora. El costo de prestar el servicio es de $ 300 por cliente y se
le cobra $1000 por cliente. Calcular ganancias.
Bernardo Latorre (2015)[6018051] Módulo 1. “Teoría de Filas de Espera”. UA en alianza con Ilumno