Unidad 3

Paso 4 – Modelar y simular sistemas industriales con base en teoría de colas

Presentando por:

Claudia Lorena Osorio Caderón

Código:

1.016.046.909

Grupo: 212026_17

Tutor: Víctor Hugo Rodríguez

Universidad Nacional Abierta y a Distancia – UNAD

Ingeniería Industrial

Julio 2020
 TALLER-LABORATORIO 3: MODELOS DE COLAS Y SIMULACIÓN

1. ¿Por qué a veces se le llama a la simulación una técnica de último recurso?

Se considera que la simulación es una técnica de ultimo recurso ya que requiere

demasiado tiempo invertido para que un modelo de simulación sea desarrollado y lo cual
no garantiza totalmente que la simulación sea un éxito, por lo contrario, se cuestiona su
confiabilidad por contar con muchas repeticiones de secuencias.

2. ¿Qué papeles cumplen las pruebas de hipótesis estadística en la simulación?

Las pruebas de hipótesis ofrecen uno o más datos de muestra que son susceptibles al
análisis formal a través de los métodos estadísticos inferenciales. Los procedimientos
estadísticos que normalmente se usan en la evaluación de resultados de simulación
incluyen el análisis de varianza, análisis de regresión y pruebas t. [ CITATION Cha06 \l
2058 ].
De acuerdo con lo anterior, una prueba de hipótesis permite cuantificar la probabilidad
de que nuestra media muestral sea inusual.

3. ¿Qué determina la validez de un modelo de simulación?

La validez de un modelo de simulación se corrobora si el código de la computadora es

una traslación válida del modelo de diagrama de flujo y si la simulación representa
adecuadamente al sistema real. Pueden surgir errores en el programa debido a errores
de codificación o en la lógica. Los errores de codificación normalmente se encuentran
con facilidad porque es muy probable que la computadora no ejecute el programa. Sin
embargo, los errores en la lógica son más difíciles. En estos casos el programa se ejecuta,
pero no genera los resultados correctos.[ CITATION Cha06 \l 2058 ].
Se puede considerar que un modelo de simulación es valido cuando aparenta ser una
imitación razonable de sistema del mundo real, por lo cual es preciso, creíble y confiable.
4. ¿Se debe usar una computadora para obtener información adecuada de una
simulación? Explique.

Se debe utilizar una computadora para obtener información adecuada de una simulación
ya que la construcción de un modelo en todos los casos no es el mismo, se puede tornar
dispendioso, por lo cual requiere de una preparación especifica para que este sea un
éxito, es por esto, que las hipótesis pueden ser estudiadas de forma más rápida por
medio de un computador y ser mas exacto en su ejecución.

5. ¿Qué métodos se usan para incrementar el tiempo en un modelo de simulación?

¿Cómo funcionan?

En un modelo de simulación, el tiempo se puede avanzar con uno de dos métodos:

1) incrementos fijos
2) incrementos variables.

En ambos métodos de incrementos de tiempo es importante el concepto de un reloj

simulado. En el método de incremento de tiempo fijo, se especifican los incrementos
uniformes de tiempo del reloj (como minutos, horas o días) y la simulación continúa por
intervalos fijos de un periodo al siguiente. En cada punto de tiempo de reloj, se rastrea el
sistema para determinar si ocurría algún evento. De ser así, se simulan los eventos y
avanza el tiempo; de lo contrario, el tiempo de todas maneras avanza una unidad. En el
método de incremento de tiempo variable, el tiempo del reloj avanza por la cantidad
requerida para iniciar el siguiente evento.[ CITATION Cha06 \l 2058 ].

6. ¿Cuáles son las ventajas y desventajas de empezar una simulación con el sistema
vacío?
¿Y con el sistema en equilibrio?

Empezar con un sistema vacío implica que el modelo se sesga por una serie de valores
iniciales hasta que el modelo llega a un estado estable. Para manejar este problema, los
analistas han seguido varios planteamientos como 1) descartar los datos generados
durante las primeras partes de la ejecución, 2) seleccionar las condiciones iniciales que
reducen la duración del periodo de calentamiento o 3) seleccionar las condiciones
 iniciales que eliminan el sesgo. Sin embargo, para emplear cualquiera de estas
alternativas, el analista debe tener una idea del margen de datos de salida esperado. Por
lo tanto, en cierto sentido, el analista sesga los resultados. Por otro lado, una de las
únicas características de la simulación es que permite la crítica en el diseño y análisis de
la simulación; por lo que si el analista tiene cierta información que alberga un problema,
se debe incluir. [ CITATION Cha06 \l 2058 ].

7. Distinga entre las distribuciones matemáticas conocidas y las distribuciones empíricas.

 Distribución empírica: se deriva de observar las frecuencias relativas de cierto

evento, como la llegada en una línea o la demanda de un producto. Es decir que
se trata de una distribución de demanda elaborada según las necesidades que
sólo es relevante para una situación en particular.
 Distribución estándar matemática: como la normal o Poisson, simplifica en gran
medida la recopilación y captura de datos.

8. ¿Qué información se necesita para una simulación con una distribución matemática
conocida?

Se requiere conocer las variables existentes.

 Demanda el día n.
 Demanda media.
 Desviación estándar estimada.
 Número de desviaciones estándar de la media el día n.

9. ¿Por qué es importante en la simulación la duración de la ejecución?

La importancia en la simulación la duración de la ejecución es que se puede realizar

durante un determinado tiempo, durante un periodo establecido como 1 mes, 1 año o
una década y ver si las condiciones al final del periodo son razonables. La duración de la
ejecución de modo que se obtenga una muestra suficientemente grande para efectos de
pruebas de hipótesis estadística.
 10. ¿Una ejecución de 100 observaciones es dos veces más válida que una de 50? Explique.

El numero de observaciones es importante porque entre más datos a analizar haya y

menor sea el segmento de tiempo mayor será la precisión del estudio.

11. Describa que son los números aleatorios y como se utilizan en la simulación.

Es aquel obtenido al azar, es decir, que todo número tenga la misma probabilidad de ser
elegido y que la elección de uno no dependa de la elección del otro.

12. Investigue para la modelación las principales herramientas de software utilizadas.

 Phyton
 Matlab
 Risk Simulator
 MiniTab
 GAMS

Desarrollar en un archivo de Excel los siguientes ejercicios, los cuales se presentarán en el informe
de Word mediante pantallazos y los respectivos análisis en cada punto

1. Establecer un listado de 1000 números aleatorios en una columna, establecer una gráfica de
tipo dispersión en un cuadro de dialogo explique sus características.
 Al generar aleatoriamente 1000 números se puede evidenciar que ninguno tiene relación,
cada uno tiene la misma probabilidad en los datos.

2. Establecer tres columnas de 200 números aleatorios aplicando un tratamiento según fórmula
de Excel para comportamiento NORMAL, EXPONENCIAL Y UNIFORME graficar cada columna.
Teniendo en cuenta para los correspondientes casos 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:

0 15% 1 7%
1 18% 2 13%
2 14% 3 45%
3 21% 4 22%
4 18% 5 13%
5 14%

Determine:
a) Modelo de simulación de 30 días de operación incluyendo grafico de estabilidad.

Estadisticos
Promedio 0.83
1.29

1 0 0.69 4 0.40 3 4 3 1 1
2 1 0.89 5 0.84 4 6 4 2 2
3 2 0.22 1 0.92 5 3 3 0 1
4 0 0.08 0 0.57 3 0 0 0 1
5 0 0.57 3 0.86 4 3 3 0 1
6 0 0.38 2 0.66 4 2 2 0 1
7 0 0.28 1 0.94 5 1 1 0 0
8 0 0.70 4 0.89 5 4 4 0 0
9 0 0.68 4 0.79 4 4 4 0 0
10 0 0.14 0 0.93 5 0 0 0 0
11 0 0.43 2 0.56 3 2 2 0 0
12 0 0.51 3 0.07 1 3 1 2 0
13 2 0.90 5 0.29 3 7 3 4 1
14 4 0.38 2 0.51 3 6 3 3 1
15 3 0.72 4 0.63 3 7 3 4 1
16 4 0.32 1 0.81 4 5 4 1 1
17 1 0.94 5 0.90 5 6 5 1 1
18 1 0.12 0 0.22 3 1 1 0 1
19 0 0.11 0 0.77 4 0 0 0 1
20 0 0.70 4 0.18 2 4 2 2 1
21 2 0.47 3 0.88 5 5 5 0 1
22 0 0.27 1 0.08 2 1 1 0 1
23 0 0.26 1 0.54 3 1 1 0 1
24 0 0.02 0 0.98 5 0 0 0 1
25 0 0.60 3 0.94 5 3 3 0 1
26 0 0.90 5 0.10 2 5 2 3 1
27 3 0.32 1 0.13 2 4 2 2 1
28 2 0.29 1 0.26 3 3 3 0 1
29 0 0.07 0 0.95 5 0 0 0 1
30 0 0.81 4 0.92 5 4 4 0 1
b) Cálculo del número de corridas necesarias para estabilizar la variable de interés.
 c) Generar 15 corridas del modelo y calcular el intervalo de confianza.
Estadisticos
Promedio 2.45 1.58 0.75 1.61 1.23 0.28 2.01 1.29 1.78 2.33 3.40 1.25 1.61 0.33 1.75

1.03 0.65 0.52 0.75 0.37 0.18 0.35 0.65 0.58 1.13 2.33 0.38 0.57 0.27 0.79

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
0 0 2 0 2 0 1 0 0 3 0 0 0 0 0
1 1 2 1 1 0 2 0 1 4 1 1 0 0 0
2 0 2 1 1 0 2 0 2 4 1 1 1 0 0
2 0 2 1 2 1 2 0 2 4 1 2 1 0 1
1 1 1 0 2 0 2 0 1 5 1 2 1 0 0
1 1 1 1 2 0 2 1 2 5 1 2 2 0 1
1 2 1 1 2 0 2 1 2 4 1 1 2 0 1
1 2 1 1 2 0 2 1 1 4 1 2 2 0 2
1 2 1 1 1 0 2 1 1 3 1 1 2 0 2
2 2 1 2 1 0 2 1 1 3 1 1 2 0 2
2 2 1 2 1 0 2 1 1 3 1 1 2 0 2
3 2 1 3 1 0 3 1 2 2 2 2 2 0 2
3 2 1 3 1 0 3 2 2 2 3 2 2 1 2
3 2 1 3 1 0 3 2 2 2 3 2 2 1 3
3 2 1 2 1 0 2 2 2 2 4 2 2 0 3
3 2 1 2 1 0 2 2 3 2 5 2 2 0 2
4 2 0 2 1 0 2 2 3 2 5 1 2 0 2
4 2 1 2 1 0 2 2 3 2 6 1 2 1 2
4 2 0 2 1 0 2 2 2 2 6 1 2 1 2
4 2 0 2 1 0 2 2 2 2 6 1 2 1 2
4 2 0 2 1 0 2 2 2 2 6 1 1 0 2
3 2 0 2 1 0 2 2 2 1 6 1 1 0 2
3 2 0 2 1 0 2 2 2 1 6 1 1 0 2
3 2 0 2 1 0 2 2 2 1 6 1 2 0 2
3 1 0 2 1 0 2 2 2 1 6 1 2 0 2
3 1 0 2 1 0 2 2 2 1 6 1 2 1 2
3 1 0 2 1 0 2 2 2 1 6 1 2 1 2
3 1 0 2 1 1 2 1 2 1 6 1 2 1 2
3 1 0 2 1 1 2 1 2 1 6 1 2 1 2
2 1 0 2 1 1 2 1 2 1 5 1 2 1 2

7
Promedios
Corrida 1 2.45 6

Corrida 2 1.58 5
Corrida 3 0.75
Corrida 4 1.61 4
Corrida 5 1.23
3
Corrida 6 0.28
Corrida 7 2.01 2
Corrida 8 1.29
1
Corrida 9 1.78
Corrida 10 2.33 0
Corrida 11 3.40
Corrida 12 1.25
Corrida 13 1.61
Corrida 14 0.33
Corrida 15 1.75
d) Establecer conclusiones y recomendaciones del caso, por cada integrante del grupo.

 Se concluye que el calculo de la longitud de corridas para este ejercicio fue

34.06.
 En el primer caso de la variable aleatoria un 90% se encuentra estabilizada la
mayoría entre 0 a 3 barcos.
 En el segundo caso está totalmente estabilizada en su mayoría entre 1 y 2
barcos.