Está en la página 1de 146

MODELO DE TRASPORTE

Busca determinar un plan de trasporte de una mercancía de varias fuentes o


varios destinos, los datos del modelo son:

1.- Nivel de oferta en cada fuente y la cantidad de demanda en cada destino.

2.- El costo del trasporte unitario de la mercancía a cada destino. Como solo
hay una mercancía, un destino puede recibir su demanda de una o más
fuentes.

El objeto del modelo es el de determinar la cantidad de mercancía que se


enviara a cada fuente a cada destino, tal que se minimice el costo del trasporte
total.

La suposición básica del modelo es que el costo de trasporte en una ruta es


directamente proporcional al numero de unidades trasportadas. La definición
de la unidad de trasporte varia dependiendo de la mercancía que se trasporte.
Modelo de transporte

• En el esquema 1 se representa el modelo de


trasporte, una red de “M” fuente y “N” destinos.
Una fuente o destino esta representado por un
nodo. El arco (líneas) que une a la fuente con el
destino, representa la ruta por la cual se
trasporta la mercancía.

• La cantidad de oferta en la fuente “i” es “ai” y la


demanda del destino “j” es “bj” el costo de
trasporte unitario ente la fuente “i” y el destino “j”
es “Cij”.
Problema de Transporte
Esquema 1
Problema de Transporte
• Como Xij representan la cantidad de mercancía
trasportada desde la fuente “i” al destino “j” el modelo
general de PL es:
• Algoritmo de Transporte
• Solución inicial
• Minimizar
• W = C1j X1j
• X1j < ai
• Xij > bj
• Xij 0
• Para toda i y j
• Donde
• i = 1,2,…..m
• j = 1,2,….n
Problema de Transporte

Oferta Fuente Destino Demanda


100 1 1 150

200 2 2 150
Problema de Transporte

• W = f(Xij) C1j X1j


• C11 X11+ C12 X12 +C21 X21 +C22 X22

• Sujeto a
• Xij < aj X11 X12 150
• X21 X22 150
• Xij > bj X11 X21 100
• X12 X22 200
Problema de Transporte
Una empresa energética dispone de 3 plantas para
satisfacer la demanda de 4 ciudades. La siguiente
tabla resume los datos del costo de envió.

C1 C2 C3 C4 Oferta
Planta 1 8 6 10 9 35
Planta 2 9 12 13 7 50
Planta 3 14 9 16 5 40

Demanda 45 20 30 30 125
Problema de Transporte
Plantearlo como Modelo de Trasporte

Minimizar W = f(Xij) = 8X1,2 + 6X1,2 + 10X1,3 + 9X1,4 + 12X2,2 +13X 2,3


+ 7X2,4 + 14X2,4 + 14X3,1 + 9X3,2 + 16X3,3 + 5X3,4

Sujeto a: X1,1 + X1,2 + X1,3 + X 1,4 35


OFERTA X2,1 + X2,2 + X2,3 + X2,4 50
X3,1 + X3,2 + X3,3 + X3,4 40

X1,1 + X2,1 + X3,1 45


DEMANDA
X1,2 + X2,2 + X3,2 20
X1,3 + X2,3 + X3,3 30
X1,4 + x2,4 + X3,4 30

Xij para ij
donde i 1,2,3
j 1,2,3,4
Problema de Transporte
Método de la Esquina Noroeste
• Las asignaciones se inician en la esquina
noroeste y ubica tantas unidades como
sea posible en esa ruta.
• Las siguientes asignaciones se hacen o
bien recorriendo hacia la derecha o bien
hacia abajo.
• Las demandas se satisfacen recorriendo
sucesivamente de izquierda a derecha y
las ofertas se destinan recorriendo de
arriba hacia abajo.
Problema de Transporte

C18 C2 6 C3 C4 Oferta
10 9
Planta 1 35 9 X X x 35
12 13
Planta 2 10 20 20 x7 50
Planta 3 X 14 X9 1016 30 5 40

Demanda 45 20 30 30
Problema de Transporte
• De la Planta 1 se enviara 35 unidades de Energía al
destino 1
• De la Planta 2 se enviara 10 unidades de Energía al
destino 1
• De la Planta 2 se enviara 20 unidades de Energía al
destino 2
• De la Planta 2 se enviara 20 unidades de Energía al
destino 3
• De la Planta 3 se enviara 10 unidades de Energía al
destino 3
• De la Planta 3 se enviara 30 unidades de Energía al
destino 4
• Con un costo de:
• C = 8(35) + 10(9) + 20(12) + 20(13) + 10(16) + 5(30)
• C = 1,180 Unidades Monetarias
Problema de Transporte
Método de aproximación de Vogel
2. Para cada renglón con una oferta disponible y cada
columna con una demanda insatisfecha calcule un costo
de penalidad restando el dato menor del que le sigue en
valor.
3. Identifique el renglón o columna que tengan el mayor
costo de penalidad. (Los empates se resuelven
arbitrariamente).
4. Asigne la máxima cantidad posible a la ruta disponible
que tenga el costo más bajo en el renglón o columna
elegido en el paso 2.
5. Reduzca la oferta y la demanda adecuados en la
cantidad asignada en el paso 3.
6. Descarte cualesquier renglones con oferta disponible
cero y columnas con demanda insatisfecha cero, para
consideraciones ulteriores.
7. Regrese al paso 1.
Modelo de Transporte
• Notas
• Los empates se rompen en forma
arbitraria.
• Si el renglón o la columna se
satisfacen al mismo tiempo solo uno
de ellas se tacha y al renglón restante
se le agrega oferta, demanda =0
• Cualquier renglón con oferta =0 no
debe usarse para futuras
penalizaciones.
Problema de Transporte
M=3
N=4
3+4-1=6 castigos penalizaciones
Columna fila
• 1.-
9-8=1 8–6=2
9-6=3 9–7=2
13-10=3 9–5=4
7 – 5 =2
• 2.-
9–8=1 8–6=2
9–6=3 12- 9 = 3
13-10= 3 14- 9 = 5
• 3.-
9-8=1 8-6=2
12- 6 =6 12- 9 = 3
13-10=3
• 4.-
9-8=1 10- 8 = 2
13-10=3 13- 9 = 4
Problema de Transporte
Costo=6(10)+10(5)+9(5)+13(5)+9(10)+5(30)
=1020

Se enviaran:
• 10 unidades de la fuente 1 al destino 2
• 25 unidades de la fuente 1 al destino 3
• 45 unidades de la fuente 2 al destino 1
• 5 unidades de la fuente 2 al destino 3
• 10 unidades de la fuente 3 al destino 2
• 30 unidades de la fuente 3 al destino 4
Problema de Transporte

X 8 10 6 35 10 X 4

45 9 X 12 5 13 X 7

X 14 10 9 X 16 30 5
Modelo de Transporte
Índice de mejoramiento por cruce de
arroyo
Este método recibe su nombre debido a que
los primeros usuarios denominaban “celda
de piedra” a las celdas con asignación y a
la cual se desea hacer una asignación; en
este método debe de encontrarse un
procedimiento de reasignación, pisando
solo las celdas de piedra y ninguna de
agua, en donde no es posible apoyarse.
CAPÍTULO 21: MODELOS DE TRANSPORTE, TRANSBORDO Y
ASIGNACIÓN
SÍNTESIS PROGRAMÁTICA

Objetivo Terminal:

Formular, resolver e interpretar las soluciones de un problema de transporte, de


transbordo ó de asignación.

Objetivos específicos:

• Formular un modelo de transporte, transbordo ó de asignación.


• Resolver un problema de transporte, transbordo ó de asignación.
• Interpretar las soluciones de un problema de transporte, transbordo ó de
asignación.

Síntesis de contenidos: Definición del problema de transporte. El modelo de


transporte. Ofertas. Demandas. Nodos de oferta y de demanda. El algoritmo de
transporte. Determinación de una solución básica factible de inicio para el
algoritmo de transporte: método de la esquina noroeste, método del costo menor,
método de Vogel. Criterio de optimalidad. Interpretación de la solución obtenida.

Definición de un problema de transbordo. El modelo de transbordo. Ofertas y


demandas. Nodos de oferta, de transbordo y de demanda. Nodos puros de oferta
y puros de demanda. Transformación de un problema de transbordo a un
problema de transporte. El problema de asignación. El modelo de asignación.
Trabajadores. Tareas. El método húngaro para resolver el problema de
asignación. Interpretación de la solución obtenida.
El modelo de asignación
El modelo de asignación

Un caso especial del modelo de transporte


lo constituye el modelo de asignación.
Este modelo es apropiado en problemas
que incluyen la asignación de recursos a
tareas (por ejemplo, asignar n personas a
n tareas o trabajos distintos).
El modelo de asignación

Forma y suposiciones generales


En el problema general de asignación se
asignan n recursos (orígenes) a n tareas
(destinos). Los ejemplos más usuales de
estos problemas son la asignación de
vendedores a territorios de ventas,
tripulaciones de vuelos en líneas aéreas,
cuadrillas de limpieza, abogados que dan
asesoría.
El modelo de asignación

El objetivo al efectuar las asignaciones


puede ser lograr la minimización o la
maximización (por ejemplo, minimizar el
tiempo total necesario para realizar n
tareas o maximizar la utilidad total que se
consigue al asignar a los vendedores a los
territorios de ventas).
El modelo de asignación
Las siguientes suposiciones son importantes al
formular modelos de asignación.
Suposición 1
Cada fuente es asignada a una tarea
exclusivamente.
Suposición 2
A cada tarea se asigna exactamente un recurso.
Suposición 3
En lo tocante a la solución, el número de recursos
disponibles para la asignación ha de ser igual al
de las tareas que deben ejecutarse.
El modelo de asignación

Ejemplos
Líneas de Espera
Competencia:
Diseñar sistemas con un buen balance de
costo y servicio utilizando paquetes
computacionales LINDO, WinQSB o
Excel-Solver, de una manera eficiente y
honesta.
Contenido Temático

2.1 Terminología
2.2 Estructura Básica
2.3 Modelos de líneas de espera con un
servidor
2.4 Modelos de líneas de espera con
servidores múltiples
2.5 Paquete computacional: QSB, QSA
2.6 Ejercicios de aplicación
Líneas de Espera
La teoría de colas es el estudio de la espera en las
distintas modalidades.

Usa los modelos de colas para representar los


tipos de sistemas de líneas de espera (sistemas
que involucren colas de algún tipo) que surgen
en la práctica.

Las fórmulas para cada modelo indica cual debe


ser el desempeño del sistema correspondiente y
señalan la cantidad promedio de espera que
ocurrirá, en una gama de circunstancias.
Estos modelos de línea de espera son muy
útiles para determinar como operar un
sistema de colas de la manera más
efectiva.

Demasiada capacidad = Costos excesivos

Capacidad insuficiente = Espera excesiva

Los modelos permiten encontrar un


balance adecuado entre el costo de
servicio y la cantidad de espera.
Estructura básica de los modelos de colas

Las llegadas pueden ser uniformes durante


cierto periodo, o pueden ser aleatorias.

La tasa de llegadas puede tomar la forma de


empleados que llegan a la caseta de
herramientas de la empresa, o en otras
condiciones podrían representar el
número de clientes que esperan para
comer.
Tasa de Llegada
Generalmente, la tasa de llegada se
expresa como tasa de llegada por unidad
de tiempo.

Si es aleatoria los clientes no llegan en un


orden o patrón lógico en el transcurso del
tiempo, lo que representa la mayor parte
de los casos en el mundo de los negocios.
Tasa de Servicio
La tasa de servicio se ocupa de la forma en
que las instalaciones de servicio pueden
manejar las demandas de llegada, y se
expresa como una tasa por unidad de
tiempo.
Por ejemplo, la tasa de servicio podría
indicar el número de pedidos que el
departamento de piezas de repuesto
procesa por hora.
Aplicaciones de la Teoría de Líneas de
Espera
Las "colas" son un aspecto de la vida
moderna que nos encontramos
continuamente en nuestras actividades
diarias. En el contador de un
supermercado, accediendo al Metro, en
los Bancos, etc., el fenómeno de las colas
surge cuando unos recursos compartidos
necesitan ser accedidos para dar servicio
a un elevado número de trabajos o
clientes.
• El estudio de las colas es importante porque
proporciona tanto una base teórica del tipo
de servicio que podemos esperar de un
determinado recurso, como la forma en la
cual dicho recurso puede ser diseñado para
proporcionar un determinado grado de
servicio a sus clientes.
• Debido a lo comentado anteriormente, se
plantea como algo muy útil el desarrollo de
una herramienta que sea capaz de dar una
respuesta sobre las características que tiene
un determinado modelo de colas.
• Definiciones iniciales
• 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.
• Una cola es una línea de espera y la teoría de
colas es una colección de modelos matemáticos
que describen sistemas de línea de espera
particulares o sistemas de colas. Los modelos
sirven para encontrar un buen compromiso entre
costes del sistema y los tiempos promedio de la
línea de espera para un sistema dado.
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 modelar los sistemas de este
tipo tanto como colas sencillas o como un sistema
de colas interconectadas formando una red de colas.
En la siguiente figura podemos ver un ejemplo de
modelo de colas sencillo. Este modelo puede usarse
para representar una situación típica en la cual los
clientes llegan, esperan si los servidores están
ocupados, son servidos por un servidor disponible y
se marchan cuando se obtiene el servicio requerido.
Modelo de formación de colas
En los problemas de formación de cola, a
menudo se habla de clientes, tales como
personas que esperan la desocupación de
líneas telefónicas, la espera de máquinas para
ser reparadas y los aviones que esperan
aterrizar y estaciones de servicios, tales como
mesas en un restaurante, operarios en un taller
de reparación, pistas en un aeropuerto, etc. Los
problemas de formación de colas a menudo
contienen una velocidad variable de llegada de
clientes que requieren cierto tipo de servicio, y
una velocidad variable de prestación del servicio
en la estación de servicio.
Cuando se habla de líneas de espera, se
refieren a las creadas por clientes o por
las estaciones de servicio. Los clientes
pueden esperar en cola simplemente por
que los medios existentes son
inadecuados para satisfacer la demanda
de servicio; en este caso, la cola tiende a
ser explosiva, es decir, a ser cada vez
mas larga a medida que transcurre el
tiempo. Las estaciones de servicio pueden
estar esperando por que los medios
existentes son excesivos en relación con
la demanda de los clientes; en este caso,
las estaciones de servicio podrían
permanecer ociosas la mayor parte del
tiempo.
• El problema es determinar qué capacidad o
tasa de servicio proporciona el balance
correcto. Esto no es sencillo, ya que un
cliente no llega a un horario fijo, es decir, no
se sabe con exactitud en que momento
llegarán los clientes. También el tiempo de
servicio no tiene un horario fijo.
• Los problemas de "colas" se presentan
permanentemente en la vida diaria: un
estudio en EEUU concluyó que, por término
medio, un ciudadano medio pasa cinco años
de su vida esperando en distintas colas, y de
ellos casi seis meses parado en los
semáforos.
Introducción a la Teoría de Colas
• En muchas ocasiones en la vida real, un
fenómeno muy común es la formación de
colas o líneas de espera. Esto suele ocurrir
cuando la demanda real de un servicio es
superior a la capacidad que existe para dar
dicho servicio. Ejemplos reales de esa
situación son: los cruces de dos vías de
circulación, los semáforos, el peaje de una
autopista, los cajeros automáticos, la
atención a clientes en un establecimiento
comercial, la avería de electrodomésticos u
otro tipo de aparatos que deben ser
reparados por un servicio técnico, etc.
Todavía más frecuentes, si cabe, son las
situaciones de espera en el contexto de la
informática, las telecomunicaciones y, en
general, las nuevas tecnologías. Así, por
ejemplo, los procesos enviados a un servidor
para ejecución forman colas de espera
mientras no son atendidos, la información
solicitada, a través de Internet, a un servidor
Web puede recibirse con demora debido a
congestión en la red o en el servidor
propiamente dicho, podemos recibir la señal
de líneas ocupadas si la central de la que
depende nuestro teléfono móvil está
colapsada en ese momento, etc.
Origen
El origen de la Teoría de Colas está en el
esfuerzo de Agner Kraup Erlang (Dinamarca,
1878 - 1929) en 1909 para analizar la
congestión de tráfico telefónico con el
objetivo de cumplir la demanda incierta de
servicios en el sistema telefónico de
Copenhague. Sus investigaciones acabaron
en una nueva teoría denominada teoría de
colas o de líneas de espera. Esta teoría es
ahora una herramienta de valor en negocios
debido a que un gran número de problemas
pueden caracterizarse, como problemas de
congestión llegada-salida.
Los clientes puede que esperen
temporalmente, aunque las instalaciones de
servicio sean adecuadas, porque los clientes
llegados anteriormente están siendo
atendidos. Las estaciones de servicio
pueden encontrar temporal cuando, aunque
las instalaciones sean adecuadas a largo
plazo, haya una escasez ocasional de
demanda debido a un hecho temporal. Estos
dos últimos casos tipifican una situación
equilibrada que tiende constantemente hacia
el equilibrio, o una situación estable.
En la teoría de la formación de colas,
generalmente se llama sistema a un grupo
de unidades físicas, integradas de tal modo
que pueden operar al unísono con una serie
de operaciones organizadas. La teoría de la
formación de colas busca una solución al
problema de la espera prediciendo primero
el comportamiento del sistema. Pero una
solución al problema de la espera consiste
en no solo en minimizar el tiempo que los
clientes pasan en el sistema, sino también
en minimizar los costos totales de aquellos
que solicitan el servicio y de quienes lo
prestan.
• La teoría de colas incluye el estudio
matemático de las colas o líneas de
espera y provee un gran número de
modelos matemáticos para
describirlas.
• Se debe lograr un balance económico
entre el costo del servicio y el costo
asociado a la espera por ese servicio
• La teoría de colas en sí no resuelve
este problema, sólo proporciona
información para la toma de decisiones
Objetivos de la Teoría de Colas
• Los objetivos de la teoría de colas consisten en:
• Identificar el nivel óptimo de capacidad del sistema
que minimiza el coste global del mismo.
• Evaluar el impacto que las posibles alternativas de
modificación de la capacidad del sistema tendrían en
el coste total del mismo.
• Establecer un balance equilibrado ("óptimo") entre
las consideraciones cuantitativas de costes y las
cualitativas de servicio.
• Hay que prestar atención al tiempo de permanencia
en el sistema o en la cola: la "paciencia" de los
clientes depende del tipo de servicio específico
considerado y eso puede hacer que un cliente
"abandone" el sistema.
Elementos existentes en un modelo de
colas
Fuente de entrada o población potencial: Es un
conjunto de individuos (no necesariamente seres
vivos) que pueden llegar a solicitar el servicio en
cuestión. Podemos considerarla finita o infinita.
Aunque el caso de infinitud no es realista, sí permite
(por extraño que parezca) resolver de forma más
sencilla muchas situaciones en las que, en realidad,
la población es finita pero muy grande. Dicha
suposición de infinitud no resulta restrictiva cuando,
aún siendo finita la población potencial, su número
de elementos es tan grande que el número de
individuos que ya están solicitando el citado servicio
prácticamente no afecta a la frecuencia con la que la
población potencial genera nuevas peticiones de
servicio.
Cliente: Es todo individuo de la población potencial
que solicita servicio. Suponiendo que los tiempos
de llegada de clientes consecutivos son
0<t1<t2<..., será importante conocer el patrón de
probabilidad según el cual la fuente de entrada
genera clientes. Lo más habitual es tomar como
referencia los tiempos entre las llegadas de dos
clientes consecutivos: T{k} = tk - tk-1, fijando su
distribución de probabilidad. Normalmente, cuando
la población potencial es infinita se supone que la
distribución de probabilidad de los Tk (que será la
llamada distribución de los tiempos entre llegadas)
no depende del número de clientes que estén en
espera de completar su servicio, mientras que en
el caso de que la fuente de entrada sea finita, la
distribución de los Tk variará según el número de
clientes en proceso de ser atendidos.
Capacidad de la cola: Es el máximo número de
clientes que pueden estar haciendo cola (antes
de comenzar a ser servidos). De nuevo, puede
suponerse finita o infinita. Lo más sencillo, a
efectos de simplicidad en los cálculos, es
suponerla infinita. Aunque es obvio que en la
mayor parte de los casos reales la capacidad de
la cola es finita, no es una gran restricción el
suponerla infinita si es extremadamente
improbable que no puedan entrar clientes a la
cola por haberse llegado a ese número límite en
la misma.
Mecanismo de servicio: Es el procedimiento por
el cual se da servicio a los clientes que lo
solicitan. Para determinar totalmente el
mecanismo de servicio debemos conocer el
número de servidores de dicho mecanismo (si
dicho número fuese aleatorio, la distribución de
probabilidad del mismo) y la distribución de
probabilidad del tiempo que le lleva a cada
servidor dar un servicio. En caso de que los
servidores tengan distinta destreza para dar el
servicio, se debe especificar la distribución del
tiempo de servicio para cada uno.
• La cola, propiamente dicha, es el conjunto
de clientes que hacen espera, es decir los
clientes que ya han solicitado el servicio pero
que aún no han pasado al mecanismo de
servicio.
• El sistema de la cola: es el conjunto
formado por la cola y el mecanismo de
servicio, junto con la disciplina de la cola,
que es lo que nos indica el criterio de qué
cliente de la cola elegir para pasar al
mecanismo de servicio.
• Un modelo de sistema de colas debe
especificar la distribución de
probabilidad de los tiempos de servicio
para cada servidor.
• La distribución más usada para los
tiempos de servicio es la exponencial,
aunque es común encontrar la
distribución degenerada o
determinística (tiempos de servicio
constantes) o la distribución Erlang
(Gamma).
• Disciplina de la cola: Es el modo en el que
los clientes son seleccionados para ser
servidos. Las disciplinas más habituales son:
• La disciplina FIFO (first in first out), también
llamada FCFS (first come first served): según
la cual se atiende primero al cliente que
antes haya llegado.
• La disciplina LIFO (last in first out), también
conocida como LCFS (last come first served)
o pila: que consiste en atender primero al
cliente que ha llegado el último.
• La RSS (random selection of service), o
SIRO (service in random order), que
selecciona a los clientes de forma aleatoria.
• GRACIAS POR SU ATENCION
Teoría de líneas de espera
de un solo canal
• Tasas aleatorias de llegada y de servicio líneas
de espera de un solo canal (una sola estación).

• No trataremos aquellos casos en los que la


capacidad de las instalaciones de servicio es
mayor que el promedio de las demandas de las
entradas, porque esta condición da por
resultado que no hay líneas de espera.

• Los modelos de líneas de espera pueden


usarse para eliminar un exceso de
trabajadores, cuando la instalación de servicio
es mayor que las demandas de servicio.
• La forma en que llegan las unidades es
aleatoria, si no puede predecirse exactamente
cuando llegará cierta unidad.

• El tiempo de llegada es una variable aleatoria


que puede describirse matemáticamente con
una distribución de probabilidad.

• Una de las distribuciones que se encuentran


más comúnmente en los problemas de líneas
de espera, es la distribución Poisson, que se
emplea en problemas de líneas de espera de
un solo canal para llegadas aleatorias, en las
que el servicio que se proporciona se distribuye
en forma exponencial.
• Se aplicarán dichas ecuaciones a un problema
como muestra, supondremos que los datos son
representativos de los clientes que llegan a la
instalación de servicio de una sola estación. La
tasa media de llegadas (λ) es de un cliente
cada 4 minutos, y el tiempo medio de servicio
(µ) de 2 ½ minutos. Los cálculos de la llegada y
de los tiempos de servicio en minutos y a base
de una hora, son los siguientes:

• λ = ¼ = 0.25 llegadas por minuto, o 15 llegadas


por hora
• µ = 1/2.5 = 0.4 tiempo de servicio por minuto, o
24 tiempos de servicio por hora.
1. Número promedio de clientes en el
sistema:

λ 0.25 0.25 clientes


E(n) = = = = 1.66
µ − λ 0.4 − 0.25 0.15

15 15
= =1.66 clientes
24 −15 9
2. Promedio de tiempo que un cliente pasa
en el sistema:

1 1 1
E(v) = = = = 6.66 minutos
µ − λ 0.4 − 0.25 0.15

1 1
= = 0.1111 de hora
24 −15 9
3. Número promedio de clientes que esperan
servicio, o promedio de longitud de la línea de
espera:

E(w) =
λ2
=
( 0.25 )
2
=
0.0625
= 1.04 clientes
µ( µ − λ ) 0.4( 0.4 − 0.25 ) 0.06

( 15 )
2
=
225
=1.04 clientes
24( 24 −15 ) 216

Cálculo del número promedio que recibe servicio:


1.66 (número promedio en el sistema) – 1.04 (promedio de
longitud de la línea de espera) = 0.62 (número promedio de los
que reciben servicio).

Prueba: 15 llegadas por hora divididas entre 24 tiempos de servicio


por hora = 0.62
4. Tiempo promedio que espera un cliente
antes de recibir servicio:

E(y) = λ ( 0.25 ) 0.25


= = = 4.16
µ( µ − λ ) 0.4( 0.4 − 0.25 ) 0.06 minutos

( 15 ) =
15
= 0.07
24( 24 −15 ) 216 de hora

Prueba: 6.66 minutos (promedio de tiempo en el


sistema) – 2.5 minutos (promedio de tiempo de
servicio) = 4.16 minutos
Problema
La Newcomb Corporation debe tomar una decisión con respecto a su
política de contratar un mecánico para reparar las máquinas que
se descomponen con una tasa promedio de 4 por hora, de
acuerdo con una distribución Poisson. El tiempo improductivo de
cualquiera de las máquinas está costando $10.00 por hora a la
compañía. La empresa puede contratar dos tipos distintos de
mecánicos, uno lento pero poco costoso ($2.50 por hora), y el otro
rápido pero más costoso ($4.50 por hora). El mecánico lento
puede reparar exponencialmente las máquinas con una tasa
promedio de 6 por hora, mientras que el mecánico rápido puede
repararlas exponencialmente a razón de 8 por hora. Basándose
en los datos anteriores, ¿cuál mecánico debe contratarse?
GRACIAS POR SU
ATENCION…
Análisis de Markov
Competencia:
Evaluar el efecto a largo plazo de las
campañas publicitarias y de las cuentas
por cobrar, a fin de proporcionar
información objetiva y oportuna que
permita tomar decisiones de manera
propositiva y honesta.
Contenido Temático
Duración: 16 hrs.

3.1 Conceptos básicos


3.2 Procesos de Markov
3.2.1 Estados, ensayos y probabilidades de transición
3.2.2 Representaciones de árbol
3.2.3 Probabilidades de transición del estado i al
estado j
3.2.4 Matriz de transición
3.2.5 Estado estacionario
3.3 Paquete computacional QSA, QSB
3.4 Ejercicios de aplicación
Análisis de Markov
El análisis de Markov es una forma de analizar el
movimiento actual de alguna variable, a fin de
pronosticar el movimiento futuro de la misma.

Este método se ha utilizado en los últimos años


como instrumento de investigaciones de
mercadotecnia, para examinar y pronosticar el
comportamiento de los clientes desde el punto
de vista de su lealtad a una marca y de sus
formas de cambio a otras marcas.
Análisis de Markov
A fin de ilustrar el proceso de Markov, se presenta un
problema en el que los estados de actividades son
marcas, y las probabilidades de transición expresan
la probabilidad de que los consumidores vayan de
una marca a otra.

Supongamos que la muestra inicial de consumidores


se compone de 1000 participantes distribuidos entre
cuatro marcas (A, B, C y D).

Una suposición adicional es de que la muestra es


representativa de todo el grupo, desde el punto de
vista de su lealtad a las marcas y de sus formas de
cambio de una marca a otra.
Análisis de Markov
Los consumidores cambian de una a otra
marca debido a la publicidad, promociones
especiales, precio, descontento, entre otras.
En la tabla la mayor parte de los clientes que
compraron inicialmente la marca A, siguieron
con ella en el segundo período.
No obstante la marca A ganó 50 clientes y
perdió 45 con otras marcas.
La tabla no muestra la historia completa, sino
que se necesita un análisis detallado con
respecto a la proporción de ganancias y
pérdidas netas entre las cuatro marcas.
Cambios de clientes durante un
mes
Periodo Cambios durante Periodo
1 el periodo 2
Marc Número Ganancia Pérdidas Número
de s de
a clientes clientes
A 220 50 45 225

B 300 60 70 290

C 230 25 25 230

D 250 40 35 255

1000 175 175 1000


Análisis de Markov
Sin esa clase de análisis, no sabemos cuantos
clientes perdió cada marca para explicar la
ganancia de 50 clientes de la marca A, y
cuántos de los 45 clientes que perdió la
marca A se ganaron por cada una de las
demás.
Antes de tratar la “componente de
intercambio”, estudiaremos la “componente
permanente”, o el grupo que no ha cambiado
de marca.
Es necesario calcular las probabilidades de
transición para las cuatro marcas.
Las probabilidades de transición se definen
como la probabilidad de que determinada
marca (o vendedor), conserve sus clientes.
Análisis de Markov
Refiriéndonos a nuestro ejemplo, la marca A
perdió 45 clientes y retuvo 175 (220 – 45).
Para determinar el factor de probabilidad, los
clientes retenidos en el período que se
examina, se dividen entre el número de
clientes que había al principio del período, lo
que da una probabilidad de retención de .796
(175/220), para la marca A.
Las probabilidades de transición para las
marcas B, C y D son de .767, .891 y .860,
respectivamente.
Análisis de Markov
Para aquellos clientes que cambian de marcas,
es necesario mostrar las pérdidas y
ganancias entre las marcas, a fin de
completar la matriz de probabilidades de
transición (tabla 2).
Los datos de esa índole requieren una
información estadística exacta, y no sólo es
posible observar la ganancia o pérdida neta
de cualquier marca, sino las interrelaciones
entre las pérdidas y ganancias de clientes
para cada marca.
La marca A adquiere la mayor parte de sus
clientes de la marca B, pero pierde muchos
de ellos a la misma marca.
Análisis de Markov
Un análisis más inteligente de los hechos se obtiene
con la tabla 2 y no con la 1.

En la tabla 2 los ceros de las diagonales significan que


una marca puede no tener pérdidas ni ganancias por
sí misma. Además, las columnas de pérdidas son
transposiciones de las ganancias de los renglones.

De acuerdo con los datos desarrollados, el paso


siguiente consiste en convertir el cambio de marcas
de los clientes, de modo que todas las pérdidas y
ganancias tomen la forma de probabilidades de
transición, lo que se muestra en la figura 1, donde
las flechas que entran indican los incrementos,
mientras que las que salen representan pérdidas.
Análisis de Markov
Sin embargo, una forma más conveniente para facilitar los
cálculos matemáticos es el empleo de una matriz de
probabilidades de transición, que se encuentra en la

tabla 3, con las probabilidades calculadas a tres cifras


decimales.
Los renglones de la matriz muestran la retención de los
clientes, y la ganancia de los mismos, mientras que las
columnas muestran la retención de clientes y su pérdida.
En la tabla 3, la primera matriz está en términos del número
actual de clientes, mientras que la segunda se expresa en
términos de probabilidades de transición.
Hay que recordar que esas probabilidades son aplicables a
todos los clientes, porque se trata de una muestra
representativa de un millar de ellos.
Cambios de marcas. Pérdidas y
ganancias
Período 1, Ganancias de Pérdidas de Período 2,

marca Número de A B C D A B C D Número


clientes de clientes

A 220 0 40 0 10 0 20 10 15 225

B 300 20 0 25 15 40 0 5 25 290

C 230 10 5 0 10 0 25 0 0 230

D 250 15 25 0 0 10 15 10 0 255

1000 1000
UNIVERSIDAD AUTONOMA DE BAJA CALIFORNIA
FACULTAD DE CONTABILIDAD Y ADMINISTRACION

METODOS CUANTITATIVOS
II

Simulación
*Método de juegos Operacionales
*Método de simulación de sistemas
*Ventajas y Limitaciones de las Técnicas de Simulación
•La simulación es muy útil para resolver un
problema de negocios en el que no se
conocen anticipadamente todos los
valores de las variables, o sólo se conocen
parcialmente, y no hay manera de
averiguarlos fácilmente.

•La simulación se ha definido como el uso


de un modelo de sistema que tiene la
característica deseada de la realidad, a fin
de reproducir la esencia de las
operaciones reales.
• Simulación en computadoras de operaciones de
negocios
 Resultados comprimidos
 Los estudios pueden repetirse por completo

• Ideal para obtención y procesamiento de datos


 Exento de limitaciones físicas

• Lenguajes de simulación
= Costos
Facilidad de aprendizaje
Aplicación de modelos
Modelo de Simulación

Es una descripción del comportamiento de un


sistema o proceso.
Método de Montecarlo
*Primer método de simulación :

Se refiere al estudio de las leyes del azar.


El método se usa para resolver problemas que
dependen de la probabilidad, en los que la
experimentación física es impracticable, y
donde es imposible la creación de una fórmula
exacta.
Es una simulación con técnicas de muestreo.
Aplicación en líneas de espera.
Método de Juegos Operacionales
*2do Método de simulación :

"Se refiere a aquellas situaciones donde hay


algún tipo de conflicto de intereses entre los
jugadores o entre quienes toman decisiones,
dentro de la estructura de un ambiente
simulado."
Formas de Juegos Operacionales
1.-Juegos de Administración de Negocios ( orientados a las
computadoras ).
-Toma de decisiones basadas en la información histórica.
Características:
Decisiones en secuencias
Rápida retroalimentación
Nuevas acciones

2.- Juegos Militares:

Mecanismos de adiestramiento para los dirigentes


militares, que les permite poner a prueba estrategias
alternativas en condiciones bélicas simuladas.
Método de Simulación de
Sistemas
• Es el 3er. Método de Simulación, es un
proceso en el que la información utilizada
en el análisis de un problema complicado,
se procesa mediante el funcionamiento de
un modelo.
Diferencias entre el Método de
Simulación y el Enfoque Montecarlo
• El método de simulación de sistemas obtiene muestras
entre una población real, en vez de obtenerlas de una
tabla de números aleatorios.

• En la simulación de sistemas no se emplea ningún


duplicado teórico de la población real.

• El método de simulación emplea un modelo matemático


que puede resolverse analíticamente para ayudar a
tomar una decisión.
Ventajas y Limitaciones de las técnicas de simulación

Son muy útiles , por que nos permiten experimentar con un modelo
del sistema en vez del sistema real que esta funcionando.
La simulación puede evitar posibles dificultades, por que permite
que el gerente de producción
Simulación

La simulación que utiliza algún modelo


matemático del sistema nos permite
determinar mediante tanteos, los valores de las
variables controlables que produzcan los
mejores resultados para la empresa.

Los conocimientos obtenidos al diseñar


repetidas veces un estudio de simulación,
sugieren que se simulen los cambios del
sistema y entonces el efecto de esos cambios
puede ponerse a prueba mediante la
simulación, antes de aplicarlos al sistema
verdadero.
UNIVERSIDAD AUTONOMA DE BAJA CALIFORNIA
FACULTAD DE CONTABILIDAD Y
ADMINISTRACION

METODOS CUANTITATIVOS II

SIMULACION
SIMULACION
•La técnica de simulación ha sido durante mucho tiempo un
instrumento importante del diseñador, y se ha empleado
durante muchos años para simular conjuntos de fábricas
con modelos de máquinas a a escala.

•La simulación se originó en los trabajos de John Von


Neumann y Stanislaw Ulam a fines de la década de 1940.
con el advenimiento de las computadoras digitales a
principios de la década de 1950, la simulación ha hecho
grandes progresos, y la simulación en computadoras dio
origen a innumerables aplicaciones en los negocios, porque
era la única forma rápida y económica de efectuar la gran
cantidad de cálculos que s e requerían
DEFINICIÓN DE SIMULACIÓN
Es el proceso de desarrollar un modelo de
un problema y estimar medidas de su
comportamiento llevando a cabo
experimentos muestrales sobre el modelo
para obtener resultados significativos.
En un negocio la simulación es útil
para encontrar valores de las variables
desconocidas.
Se utiliza principalmente cuando no
existe una regla a seguir.
LA SIMULACIÓN CONSISTE EN:
•La construcción de un modelo matemático que describe el
funcionamiento del sistema en términos de eventos y componentes
individuales.
•Es un medio de dividir el proceso de construcción de los modelos
en partes mas pequeñas, para combinarlas en su orden natural, de
modo que una computadora pueda programarse para presentar el
efecto de sus interrelaciones en ellas.
•Es imposible garantizar que se encuentre la respuesta
óptima,¿Debido a qué?
•El modelo de simulación lleva a cabo experimentos con los datos
de entrada de muestra y no con todo el universo
La simulación se ha definido como 1 representación de la realidad
mediante el empleo de un modelo u otros mecanismos que
reaccionará del mismo modo que la realidad bajo una serie de
condiciones dadas.
DEFINICIÓN GENERAL Y COMPLETA
DE SIMULACIÓN

“Una técnica cuantitativa que se


emplea para evaluar cursos
alternativos de acción, basada en
hechos y suposiciones, con un modelo
matemático de computadora, a fin de
representar la toma real de decisiones
en condiciones de incertidumbre”
METODO MONTECARLO
• Durante la 2da. Guerra Mundial, quedaron con el
comportamiento de los .

• Los dos matemáticos sugirieron una que equivalía a


someter el problema a una .

• las aproximada.

• “Es el estudio de las del azar”.

• Sugiere el empleo de o , en realidad se emplean


.
METODO MONTECARLO
Continuación……...

• Se usa para = problemas que


dependen de la probabilidad, en los que la
física es impracticable, y donde es
imposible la creación de una exacta.

• .
MÉTODO MONTECARLO
• Es una simulación con técnicas de
muestreo.
• Comprende la determinación de la
distribución de probabilidad de la variable
de que se trata, para obtener luego una
muestra de esa distribución mediante
números aleatorios para obtener datos.
• Líneas de espera = Método Montecarlo
MÉTODO MONTECARLO
• Otras áreas lógicas de los negocios para
la simulación de Montecarlo son las
siguientes:
• Niveles de inventario
• Políticas de mantenimiento
• Flujo de tránsito en ciudades
• Pistas de aeropuertos
• Fuerza aérea
UNIVERSIDAD AUTONOMA DE BAJA
CALIFORNIA

INVENTARIOS.
INVENTARIOS.
• Durante algunos anos la simulación de
Montecarlo se ha aplicado en repetidas veces a
sistemas de inventario en condiciones de
incertidumbre, se calcularon los costos anuales
de la carencia de existencias para cada nivel de
existencias de seguridad.
• Esta simulación puede usarse para simular el
uso durante los casos de tiempo de adelanto ,lo
que puede hacerse con un programa de
computadora que lea tantos números aleatorios
como los días que haya en el periodo de tiempo
para simular la demanda durante ese mismo
tiempo de espera.
INVENTARIOS.
• En los casos en que haya un gran numero de artículos de
inventario, se usara la computadora para terminar los
cálculos de nivel optimo de existencia de seguridad para
todas las unidades del inventario.
• La simulación no solo puede aplicarse a ciertas fases de
los inventarios, tales como el establecimiento de puntos
de renovación de pedidos y la determinación del
consumo durante el periodo de renovación de pedidos, si
no que también se aplica correctamente a la integración
de modelos de programas de producción y modelos de
control de inventarios para un sistema combinado de
producción e inventarios.
Utilidad del alisamiento
exponencial.
• La combinación del alisamiento exponencial
y el de la simulación, es muy útil para el
control de inventarios.
• El método de alisamiento exponencial
produce un pronostico de ventas para el
periodo siguiente (por ejemplo un mes)
porque toma un promedio compensado entre
las ventas en el periodo actual y el
pronostico de ventas del mismo.
• Los valores compensados deben dar un total
de uno.
• La formula básica de alisamiento exponencial es la
siguiente:

• St= Ast + (1-A)St-1

• La ecuación supone que el promedio anual de ventas será


aprox. Constante, o que no habrá tendencia a subir o
bajar, ni tampoco ninguna influencia estacional.
• El modelo de simulación sigue generando
demandas para cada día del periodo
actual de manufactura. La generación de
la demanda esta bajo el control del
gerente, porque ha especificado los
factores estaciónales y de tendencia, así
como los pronósticos reales.

• Este modelo utiliza los valores de los


costos para llevar los costos de
inventarios, el costo de la falta de
existencias y otros semejantes para
determinar una solución que se aproxime
a la optima..
FINANZAS Y CONTABILIDAD
• Las decisiones relacionadas con la
inversión de grandes sumas de capital, la
reducción de los costos de producción o
el incremento de la capacidad de las
fabricas, constituyen algunos de los
problemas mas difíciles a que tiene que
enfrentarse en la administración
financiera.
• Otra área en la que se ha empleado la
simulación, es la de los presupuestos.
• Los resultados deben dar los datos
presupuestales de la empresa
• Se deben de ordenar los resultados para
hacer un presupuesto satisfactorio.
• Se pueden usar modelos de optimización
departamental
Modelo de simulación
financiera
• Es una expresión formal de las relaciones
que hay entre los elementos de la
estructura financiera de una empresa
• los resultados de los modelos de la
mercadotecnia así como los de manufactura
determinan las entradas y salidas de efectivo,
impuestos etc.
• Los gastos de mercadotecnia, comisiones, fletes
y otros semejantes se incluirán en el análisis
• Es necesario evaluar el cambio de
mercadotecnia propuesto en términos de flujo
de efectivo
• GRACIAS POR SU ATENCION
Enfoque sistemático para la
simulación por computadora
EL CONCEPTO BÁSICO DE SIMULACIÓN POR
COMPUTADORA

La simulación por computadora. Como el término indica, con esta técnica,


usted diseña y construye un modelo de computadora que imita el argumento
real del problema. Entonces usa el modelo para aprender cómo se comporta el
sistema, formulándose preguntas del tipo : "¿qué sucedería si... ? ". Por
ejemplo, podría construir un modelo de computadora para simular lo siguiente:

•La operación diaria de un banco u hospital, para comprender el impacto de añadir


más pagadores o enfermeras.

• La operación de un puerto marítimo o aéreo, para comprender el flujo de tráfico, y
su congestión asociada.

• El proceso de producción en una fábrica, para identificar los cuellos de botella en
la línea de producción.

• El flujo de tráfico en una autopista en un sistema de comunicación complicado,
para determinar si es necesaria una expansión.
La Metodología de la Simulación por
Computadora
El diseño y la implantación de una simulación por computadora depende del sistema
que se esté modelando y también del lenguaje o paquete de computadora específico de
que se disponga. En cada simulación se realizan ciertos pasos generales.

Clasificación del sistema


El diseño de una simulación depende de clasificar al sistema como uno de los dos tipos
:

• Sistema de eventos discretos

• Sistemas de Terminación

• Sistemas de no Terminación

• Sistemas continuos
Identificación de los componentes de una simulación por
computadora

Salida: es el objetivo de un estudio de simulación que tiene la forma de un valor


numérico específico.
Entrada: es un valor numérico que es necesario para determinar las salidas de una
simulación

Con las salidas identificadas, el siguiente paso es identificar las entradas. Estas
entradas caen en tres categorías generales:

•Condición inicial: un valor que expresa el estado del sistema al principio de una
simulación.

• Datos determinísticos: son valores conocidos necesarios para calcular las salidas de
una simulación.

• Datos probabilísticos: son magnitudes numéricas cuyos valores son inciertos pero
necesarios para obtener las salidas de la simulación.
Diseño de la simulación por computadora.

Una vez que se hayan identificado las salidas y las entradas necesarias, la
simulación real consiste en generar números aleatorios y en la contabilidad.

Paso 1: Generación de números aleatorios: consiste en obtener las entradas


probabilísticas para el modelo generando números aleatorios de acuerdo con las
distribuciones conocidas asociadas.

Paso 2: Contabilidad: consiste en el diseño de un método sistemático para


almacenar y procesar todos los valores de entrada y para realizar los cálculos
necesarios para obtener los valores de salida.
Aspectos estadísticos de la simulación

Un conjunto de valores de entrada para un modelo de simulación es el conjunto


de condiciones iniciales que describe el estado del sistema en el momento en
que comienza la simulación. En contraste, en algunos problemas las condiciones
iniciales no están tan fácilmente disponibles o, de hecho, no se conocen. En
estos casos, los valores iniciales generalmente se escogen de una de las
siguientes formas:

1. Asignando valores sobre la base de su conocimiento de cómo trabaja


el sistema que y de lo que sería más probable esperar en el momento
correspondiente al inicio de la simulación.
2. Asignando cualesquier valores iniciales razonables ejecutando la
simulación el tiempo suficiente como para minimizar la influencia de las
condiciones iniciales.
VENTAJAS Y DESVENTAJAS DE LA SIMULACIÓN POR
COMPUTADORA

Desventajas :
1. Los resultados numéricos obtenidos se basan en el conjunto específico de
números aleatorios, cuyos valonas corresponden a sólo uno de los resultados
posibles.

2. Para obtener estimaciones más exactas y para minimizar la probabilidad de


tomar una mala decisión, usted debería
a) hacer un gran número de ensayos en cada simulación y/o ;
b) repetir toda la simulación un gran número de veces. Para problemas
mas complejos, un gran número de repeticiones puede requerir cantidades
significativas de tiempo de cómputo.

3. Cada simulación requiere su propio diseño especial para imitar el argumento


real bajo investigación y su propio programa de computadora asociado.
Ventajas:

1. La simulación le permite analizar grandes problemas complejos para los


que no están disponibles resultados analíticos. De hecho, la mayoría de los
problemas de mundo real encajan en esta categoría. La simulación proporciona
una alternativa práctica.

2. Como con cualquier forma de simulación, la simulación por computadora


permite que el tomador de decisiones experimente con muchas políticas y
argumentos diferentes sin cambiar o experimentar realmente con el sistema
existente real.

3. La simulación por computadora le permite comprimir tiempo. Por ejemplo,


usted puede estudiar el impacto a largo plazo de una política para un banco
durante todo un año en una simulación por computadora que dura unos cuantos
minutos.

4. Algunas técnicas analíticas requieren de experiencia matemática


sofisticada, tanto para utilizarlas como para comprenderlas. Una simulación por
computadora pueda requerir pocas o ningunas matemáticas complejas y por tanto,
puede ser intuitivamente más comprensibles.
Lenguajes de simulación
• El desarrollo de los lenguajes de simulación
comenzó a finales de los años cincuenta;
inicialmente los lenguajes que se usaron.
• Cualquier lenguaje de programación puede
ser empleado para trabajar en simulación ,
pero los lenguajes especialmente diseñados
presentan las siguientes propiedades
Propiedades:

Acaban la tarea de la programación


Generan un guía conceptual
Colaboran en la definición de
entidades en el sistema
Maneja la flexibilidad en los cambios
Ayuda a analizar y a determinar la
relación y el numero de entidades en
el sistema.
Los lenguajes precursores en simulación fueron
los de propósito general entre ellos por
mencionar solo algunos se encuentran:

•FORTRAN
•ALGOL
•COBOL
•RPG
•BASIC
•PASCAL
•MODULA
•PL/1
• Los principales lenguajes
utilizados en simulación
son:
• Un simulador es un
• Simulación de cambio paquete de
continuo y de cambio computadoras que
discreto en computadoras permite realizar la
híbridas
simulación para un
• Simulación de incremento
continuo con orientación a ambiente especifico ,
ecuaciones directas no requerido
• Simulación de incremento esfuerzo en
continuo con simuladores programación.
orientados a bloques con
énfasis en ecuaciones de
diferencias
Lenguajes generales de simulación

El reciente desarrollo de los lenguajes de


simulación se ha encaminado a simplificar la
tarea de escribir programas de simulación para
distintos tipos de modelos y sistemas.

• Los objetivos de estos lenguajes de simulación


consiste en el diseño de modelos de simulación,
y proporcionar un método rápido para convertir
un modelo en un programa de computadora.
Los lenguajes de simulación
desarrollados son:
SIMLATE DYNAMO
• Se diseñaron para la • Es un lenguaje que
simulación de sistemas emplea modelos
económicos en gran continuos, para la
escala, como modelos simulación de modelos
econométricos matemáticos, y permite
compuestos por grandes que los resultados de las
ecuaciones. computadoras se
expresen gráficamente.
GPSS (GPSS II)
• Entre las mejoras se SIMSCRIPT
incluye una mayor (SIMSCRIPT 11.5)
capacidad para apreciar • Se base en una
el estado actual del descripción de sistemas
sistema y para aplicar que incluye conceptos
decisiones. que se denotan por
entidad, atributo, serie,
estado y evento.
• Una mejora es la
capacidad de asociar
mucha información con • Fue utilizado en
cada transacción grandes y complejas
realizada. simulaciones como:
modelos de combates
militares.
GASP (GASP IV)
• Describe el
comportamiento del
sistema con una serie de
símbolos como son el
diagrama de flujo:
operaciones, decisiones,
transferencias y control. SLAM II
• Ofrece recursos de
• Facilitar la simulación de
secuencia de eventos, simulación de redes.
sus funciones: • Esta compuesta por
actualización, eventos,
generadores de reportes símbolos de nodos y
personalizados, colección ramas como: colas,
de estadísticas, servidores y puntos
generadores de variables
aleatorias.
de decisión.
SIMAN/CINEMA
• Lenguaje de modelamiento para
propósitos generales, incluyendo
facilidades de manufactura muy útiles en
modelamiento de sistemas complejos de
manufactura.
Generador de números aleatorios
¿Qué son los números aleatorios?

Las sucesiones de números o bits aleatorias son


sucesiones de números seleccionados al azar de
forma uniforme, es decir, todo número tiene la
misma probabilidad de ser escogido.

El ejemplo clásico más utilizado para generarlos


es el del lanzamiento repetitivo de una moneda
Identificando 0 con cara y 1 con cruz, obtenemos
una sucesión de bits aleatoria.
¿Para qué sirven? .
En la vida cotidiana se utilizan números aleatorios en situaciones
tan dispares como pueden ser los juegos de azar o en el diseño de
la caída de los copos de nieve en una animación por ordenador.

En la transmisión de datos desde un satélite también se utilizan


números aleatorios.

Así en la telefonía móvil se utilizan para la asignación de una clave


aleatoria que sirve para autenticar al usuario

También se utilizan para dar cierta seguridad a la asignación inicial


de números secretos a las tarjetas de crédito, la utilización de
números aleatorios es vital para su seguridad.

** En general cuando se requiere una impredecibilidad en


unos determinados datos, se utilizan números aleatorios.