You are on page 1of 98

ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL

SUB-ÁREA: INGENIERIA INDUSTRIAL

5. SIMULACIÓN (IO) INVESTIGACIÓN DE OPERACIONES

Introducción a la Simulación

Las primeras referencias sobre simulación se encuentran hacia el año 1940, cuando Von Neumann y Ullman trabajaron sobre la simulación del flujo de neutrones para la construcción de la bomba atómica en el proyecto “Montecarlo”. Desde entonces se conocían las técnicas de simulación como procesos Montecarlo, aunque en la actualidad se diferencian ambas cosas, siendo los segundos un tipo particular de simulación. También se realizó un proceso de simulación para el proyecto APOLLO dentro del plan espacial de la N.A.S.A, acerca del movimiento dentro de la atmósfera de la luna.

Introducción
Actualmente, la simulación es una poderosa técnica para la resolución de problemas. Sus orígenes están en la teoría de muestreo estadístico y análisis de sistemas físicos probabilísticos complejos. El aspecto común de ambos es el uso de números y muestras aleatorias para aproximar soluciones. Una de las más famosas aplicaciones de muestras aleatoria s, ocurre durante la segunda guerra mundial, cuando la simulación se utilizó para estudiar el flujo de neutrones dentro del desarrollo de la bomba atómica. Esta investigación era secreta y le dieron un nombre en código: Monte Carlo. Este nombre se mantiene, y durante mucho tiempo se usaba para hacer referencia a algunos esfuerzos en simulación. Pero el término métodos Monte Carlo, se refiere actualmente a una rama de las matemáticas experimentales que trata con experimentos de números aleatorios, mientras que el término simulación, o simulación de sistemas, cubre una técnica de análisis más práctico, y es lo que vamos a estudiar. Vamos a ver técnicas que utilizan los computadores para imitar, o simular, el comportamiento de sistemas del mundo real. Para estudiar científicamente estos sistemas, a menudo se han de hacer una serie de suposiciones acerca de cómo trabaja éste. Estas suposiciones que usualmente toman la forma de relaciones matemáticas o lógicas, constituyen un modelo que va a ser usado para intentar comprender el comportamiento del sistema correspondiente. Si las relaciones que componen el modelo son suficientemente simples, es posible usar métodos matemáticos (tales como álgebra, cálculo o teoría de la probabilidad) para obtener una información exacta de las cuestiones de interés; a esto se le llama solución analítica. Sin embargo, la mayoría de los sistemas del mundo real son demasiado complejos y normalmente los modelos realistas de los mismos, no pueden evaluarse analíticamente. Lo que se puede hacer es estudiar dichos modelos mediante simulación. En una simulación se utiliza el ordenador para experimentar con un modelo numéricamente, de forma que con los resultados obtenidos se haga una estimación de las características del sistema.

Sistemas, Modelos y Simulación
Un Sistema se define como una colección de entidades (por ejemplo, personas, máquinas, ...) que actúan e interactúan juntas para lograr un fin común. En la práctica qué se entiende por sistema depende de los objetivos del estudio particular que se pretenda hacer. El conjunto de entidades que componen el sistema para un estudio puede ser sólo un conjunto de todas las entidades utilizadas para otro estudio. Se puede definir el estado de un sistema con un conjunto de variables necesarias para describir el sistema en un punto particular de tiempo, relativo a los objetivos del estudio. Los sistemas se pueden clasificar en dos tipos, discretos y continuos. Un sistema discreto es aquel en el que las variables de estado cambian instantáneamente en puntos separados en el tiempo. Un sistema continuo es aquel en el que las variables de estado cambian continuamente con respecto al tiempo. En la práctica muchos sistemas no son completamente discretos o continuos, usualmente es posible clasificarlos en base al tipo de cambios que predominen en el mismo.

Pag 1 de 98

ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL
SUB-ÁREA: INGENIERIA INDUSTRIAL

En algunos momentos en la vida de un sistema es necesario estudiar el mismo para entender las relaciones entre sus componentes o predecir su comportamiento bajo nuevas condiciones que se consideran. Existen diferentes formas de estudiar un sistema (Figura 1.1): Experimentar sobre el sistema actual frente a experimentar con un modelo del sistema. Lo primero es preferible siempre y cuando se pueda alterar el sistema con las nuevas condiciones y no sea muy costoso. Sin embargo es muy raro que esto se pueda llevar a cabo, ya que normalmente estos experimentos suelen ser muy costosos o muy destructivos para el sistema. Incluso puede ocurrir que el sistema no exista pero se quiera estudiar posibles alternativas de construcción del mismo (sistemas de fabricación, armas nucleares, etc.). Por estas razones es necesario construir un modelo que represente al sistema y estudiar éste para poder responder a las cuestiones planteadas sobre el sistema. Modelo físico frente a modelo matemático: Para muchos la palabra modelo, evoca imágenes de miniaturas, cabinas separadas de los aviones para el entrenamiento de los pilotos, etc. Estos son ejemplos de modelos físicos (también conocidos como modelos icónicos). Sin embargo la mayoría de los modelos construidos para estudiar los sistemas son matemáticos, los cuales representan un sistema en términos de relaciones cuantitativas y lógicas que pueden ser cambiadas para ver cómo el modelo reacciona y ver así como debería comportarse el sistema, si el modelo es válido. Solución Analítica frente a Simulación: Una vez que se ha construido un modelo matemático, éste debe examinarse para poder concluir el comportamiento del sistema y así responder a las cuestiones planteadas sobre el mismo. Si el modelo es simple, es posible trabajar con estas cantidades y relaciones y obtener una solución analítica exacta. Sin embargo hay veces en las que obtener una solución analítica resulta complejo y necesita muchos recursos de computación. En estos casos el modelo puede ser estudiado por medio de simulación, es decir, se ejercita el modelo numéricamente por medio de entradas para ver cómo éstas afectan a las medidas de salida o ejecución.
Figura 1.1. Formas de estudiar un Sistema

Por tanto podemos definir la simulación como “la técnica de resolución de problemas siguiendo en el tiempo los cambios de un modelo de un sistema” (Gordon, 1969), o como “el proceso de diseñar un modelo de un sistema real y realizar experimentos con dicho modelo con el propósito de comprender el funcionamiento del sistema o de evaluar diferentes estrategias (dentro de los límites impuestos por un criterio o conjunto de criterios) para la operación del sistema (Shannon, 1975)“, para este último autor , simulación incluye tanto la modelización como el uso del modelo para estudiar el sistema. Otra posible definición es entender la simulación como “el proceso de diseñar un modelo matemático o lógico de un sistema real y realizar una serie de experimentos con el ordenador sobre él para describir, explicar y predecir el comportamiento del sistema real” (Naylor y otros). Por modelo entendemos la representación de un sistema, desarrollado con el propósito de estudiar dicho sistema. Los modelos deben contener sólo los aspectos esenciales del sistema real que representan. Aquellos aspectos del sistema que no contribuyen significativamente en su comportamiento no se deben incluir, ya que lo que harían sería obscurecer las relaciones entre las entradas y las salidas. ¿En qué punto se debe parar de incluir realismo en el modelo? Esto depende del propósito para el cual el modelo se haya desarrollado. Características que deben presentar los modelos:
Pag 2 de 98

ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL
SUB-ÁREA: INGENIERIA INDUSTRIAL

Deben ser fáciles de entender y manejar. Deben ser simples y de costo no excesivo. Deben ser una buena aproximación del sistema real, que controle el mayor número posible de aspectos del mismo y que éstos contribuyan de forma significativa al sistema (hay relaciones en el sistema que no son significativas y pueden obviarse en el modelo). El diseño y control de modelos de modelos obliga a tener conocimientos de cuatro áreas de conocimiento distintas: Modelización: necesarios para diseñar el modelo que permita dar respuestas válidas del sistema real que represente. El diseño es una fase muy importante, ya que los errores proporcionarán modelos falsos. Programación: ya que el modelo se ha de implentar con un lenguaje de programación. Probabilidad y Estadística: la probabilidad es necesaria para definir y estudiar las variables ale atorias de las entradas, y la estadística para permitir el diseño y análisis de los experimentos. Métodos Heurísticos: para permitir llegar a una solución buena del problema planteado.

Clasificación de los modelos
Nos vamos a centrar en los modelos matemáticos y su estudio por medio de simulación. Los modelos se pueden clasificar en: Estáticos frente a Dinámicos: Un modelo estático es una representación de un sistema en un punto particular del tiempo, o uno que representa un sistema en el cual el tiempo no juega ningún papel; ejemplos de simulaciones estáticas son los modelos Monte Carlo. De otro lado, los modelos dinámicos representan sistemas que evolucionan con el tiempo. Determinísticos frente a Probabilísticos: Si un modelo no continene ningún componente probabilístico se conoce como determinístico (ej, un complicado sistema de ecuaciones diferenciales que describen una sustancia química). En un modelo determinístico la salida es determinada una vez que se especifican las relaciones, cantidades y entradas. Sin embargo muchos sistemas tienen ciertos componentes aleatorios de entrada y éstos se representan mediante modelos probabilísticos (por ejemplo la mayoría de los sistemas de colas e inventarios). Los modelos de simulación probabilísticos producen salidas que son aleatorias y deben ser tratadas como tales, es decir como una estimación de las verdaderas características del modelo; esta es una de las desventajas de la simulación. Continuos frente a Discretos: Los modelos de simulación continuos y los discretos se definen de forma análoga a la de los sistemas. Sólo decir que no siempre es usado para modelar un sistema discreto y viceversa. La decisión de utilizar un modelo discreto o continuo para un sistema particular depende de los objetivos del estudio. Por ejemplo un modelo del flujo de tráfico en una autovía podría ser discreto si son importantes las características y movimientos de los coches individuales. Alternativamente, si los coches se tratan en conjunto el flujo de tráfico se puede describir mediante ecuaciones diferenciales en un modelo continuo. Prescriptivos frente a Descriptivos: Los primeros pretenden tomar decisiones sobre el sistema; se utilizan cuando se desea responder y optimizar una cuestión acerca del sistema, tratan de dar la mejor solución. Los segundos se limitan a describir el comportamiento del sistema y dejan la totalidad del proceso de optimización en manos del analista. De Ciclo Abierto frente a de Ciclo Cerrado: En los primeros no hay realimentación, es decir, las salidas no afectan a las entradas. En los segundos las salidas sí afectan a las entradas (ej: un sistema de calefacción).

Aplicaciones de la simulación
La simulación tiene numerosas aplicaciones por ejemplo (dadas por Hussey, 1972; Shannon, 1975):

Pag 3 de 98

los modelos usados para estudiar sistemas de la rga escala de tiempo suelen ser muy complicados y además necesitan utilizar muchos recursos de computación. Cada cambio en las variables de entrada requiere una solución separada o conjunto de ejecuciones. Por un lado. Aunque la simulación está ampliamente utilizada también presenta una serie de problemas. oficinas de correos. ferrocarriles. etc. Evaluación de los requerimientos hardware y software en un computador. puertos. estos inconvenientes están disminuyendo. Diseños de sistemas de comunicación y protocolos de mensajes para ellos. aeropuertos. Posibilidad de llegar a una solución óptima. Inconvenientes: Las suposiciones hechas para describir el sistema puede ser poco realistas. así el modelo puede ir modificándose fácilmente hasta obtener el comportamiento deseado. Las fórmulas matemáticas pueden ser muy complicadas impidiendo llegar a una solución. la otra es la del diseño de un nuevo sistema. Análisis financieros o sistemas económicos. (Esto también los pueden hacer los métodos analíticos siempre y cuando el sistema no sea muy complejo).ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Experimentación: Hay dos situaciones que requieren un modelo. Evaluación de nuevas armas o tácticas militares. Los modelos de simulación complejos pueden requerir mucho tiempo para construirlos y ejecutarlos. o para experimentar con sistemas existentes sin que éstos se alteren. Pag 4 de 98 . Modelos de Simulación Ventajas: Pueden describir sistemas que sean muy complejos. aunque en la actualidad y gracias al desarrollo de paquetes software que ofrecen automáticamente muchas de las características necesarias para codif icar los modelos y al abaratamiento del costo de computación. restaurantes de comida rápida. Predicción: El modelo se puede usar para predecir el comportamiento del objeto real bajo ciertos estímulos. Pueden ser usados para experimentar con sistemas que todavía no existan. Análisis medioambientales. etc. Determinación de distintas políticas para sistemas de inventario. etc. Debajo hay un listado de algunas clases de problemas para los que la simulación constituye una poderosa herramienta: Diseño y análisis en los sistemas de manufactura. Inconvenientes: No existe un conjunto de soluciones cerrado. Evaluación de diferentes diseños para organizaciones de servicios tales como hospitales. cuando la experimentación directa sobre el sistema real es muy costosa o imposible. Las áreas de aplicación de la simulación son diversas y muy numerosas. Conjunto de soluciones cerrado. Ventajas y desventajas de la simulación frente solución analítica Modelo analítico Ventajas: Conciso en la descripción del problema. Diseño y operación de sistemas de transporte tales como autopistas. Se puede hacer así una evaluación de diferentes estrategias de acción. juegos de negocios. Permiten evaluar fácilmente el impacto producido por cambios en las entradas sobre las medidas de salida.

mientras que con los modelos de simulación refleja el grado apropiado de realismo y precisión en la descripción del sistema.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Puede resultar dificultoso establecer la validez del modelo (es decir. Se quiere observar un sistema de evolución muy lenta. Pasos en la Simulación Pag 5 de 98 . El estudio de un sistema se va a realizar mediante simulación cuando se de una o varias de las condiciones siguientes (Shannon. tal y como se muestra en Figura 1. esta combinación presenta la desventaja de requerir un mayor nivel de familiaridad con los modelos analíticos y más ingenio que si se usan sólo modelos de simulación. Existe un modelo matemático. se alteran las condiciones o se desarrolla un modelo de programación matemático usando el análisis de regresión. Si las medidas no son satisfactorias. Existen el modelo y los métodos. Cuándo utilizar simulación Después de ver estas ventajas e inconvenientes del uso de la simulación puede no haber quedado muy claro cuándo se debe utilizar. Esta fase es muy importante para poder alcanzar un modelo válido. reduciendo la escala del tiempo (Ej: análisis de sistemas ecológicos). pero motivos éticos lo impiden (Ej: sistemas biológicos humanos). Se desea observar en el tiempo una historia simulada del sistema. sin embargo. hay veces en que resulta fructífero el uso conjunto de ambos métodos. los requisitos que se van a exigir (relaciones a establecer). las variables implicadas y las medidas de ejecución que se van a usar. pero los procedimientos son tediosos. El proceso continúa hasta que la solución alcanzada sea aceptable. 1975): No existe una formulación matemática del problema. Es imposible experimentar sobre el sistema real (Ej: sistema solar).2. primero un modelo de programación genera planificaciones y asignación de personal óptimas y entonces un modelo de simulación evalúa su efectividad basándose en medidas tales como tiempo de espera de los pacientes y utilización de los servicios del personal. pero no métodos analíticos de resolución del mismo. Figura 1. Esta aproximación mixta tiene la ventaja de los modelos analíticos de producir soluciones óptimas. Sin embargo. Pasos en la simulación Aunque se van a presentar una serie de pasos de forma secuencial. Se desea experimentar con un modelo antes de construir el sistema (Ej: un avión en un túnel aerodinámico). Puede experimentarse sobre el sistema. Hasta ahora se ha presentado la simulación y los métodos analíticos como métodos alternativos. la correspondencia con el sistema real). se puede dividir a su vez en 5 fases Identificación del Problema Se hace una abstracción del tipo de problema que se va a tratar. por lo que resulta más sencilla y menos costosa la simulación. Un estudio de planificación de un ambulatorio usa una simulación recursiva.2 Formulación del problema Se definen las cuestiones para las que se buscan las respuestas. y éste se incorpora para una segunda ronda de optimización. Se identifican los recursos a utilizar. realmente es un proceso iterativo.

Éstas a su vez se pueden dividir en dos grupos: Variables controlables o de decisión (factores) : son aquellas sobre las que el analista puede decidir su valor dentro de ciertos límites. La medida o medidas que se pretenden optimizar se conocen como función objetivo. factores pesos. o al menos las mejores soluciones.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Reconocer las variables del sistema Se han de identificar las variables que interviene en el sistema y que son de interés para nuestro modelo. El nivel de detalle depende de: Pag 6 de 98 . Son función de las variables exógenas y de la estructura del modelo. Hay veces en las que existe una única función objetivo dominante y entonces se intenta optimizar ésta sin tener en cuenta las otras variables. Se tienen tres formas de abordar este problema: Establecer compromisos implícitos entre las medidas. Se consideran variables de entrada. Se dan los resultados a quién tenga que tomar la decisión y él será quien establezca la relación entre las variables conflictivas. pero si se minimiza una de ellas la otra aumenta. Se ha de intentar ver si con las variables que se han especificado se tiene suficiente para describir estos aspectos importantes del sistema (si no se tienen suficientes entonces el modelo no será una buena representación del sistema). Establecer compromisos explícitos. aunque siempre considerando las restricciones. Variables incontrolables o parámetros: sus valores no se pueden decidir sino que vienen fijados. ya que definen el posible espacio de soluciones dentro del cual se buscará una buena solución o la óptima usando el modelo de simulación. Es importante considerar cuidadosamente las restricciones sobre las variables de decisión. Para evaluar la efectividad de un sistema. Desarrollo de un modelo apropiado Los modelos son abstracciones de las partes esenciales del sistema. lo que se tiene que fijar en este paso es el nivel de detalle al que se debe llegar en el modelo. Lo ideal sería hacer mínimas ambas medidas. Cuando se quiere tener en cuenta varias medidas de comportamiento. Especificación de las restricciones de las variables de decisión Incluso en el caso de que las variables sean controlables. Esto reduce la posibilidad de encontrar un óptimo. Variables endógenas: son variables internas y las variables de salida del modelo. Esta aproximación es muy subjetiva y no se va a considerar. a menudo no se podrán optimizar simultáneamente. el tiempo de espera y el costo de tener los empleados. y formar una función que las combine. Desarrollar una estructura preliminar del modelo que interrelacione las variables del sistema y las medidas de ejecución. en este caso. hay que estudiar las distintas funciones objetivo e intentar encontrar valores para los cuales las funciones son óptimas. En otras ocasiones existe más de una función dominante. En resumen. A estas técnicas se les suele conocer como análisis de toma de decisiones multiatributo o multiobjetivo. Para realizar esta técnica se tiene que decidir una dimensión común para todas las medidas. éstas se pueden clasificar en: Variables exógenas: son variables externas al modelo y existen con independencia de él. Las variables serán controlables o incontrolables dependiendo de quién las defina. Restricción y corte: seleccionar una medida como la que más interesa optimizar y hacer que las otras estén dentro de un rango de valores aceptable. se debe identificar una medida o medidas de comportamiento (o ejecución) para juzgarlo. están limitadas o restringidas a ciertos límites dentro de los cuales se pueden modificar. Estas medidas se seleccionan del conjunto de variables endógenas. realizando una combinación de todas las medidas usando una dimensión común tal como el costo. o por el contrario se han definido más de las necesarias (esto puede oscurecer las relaciones entre las variables realmente importantes).

Sin embargo. Comprensión del sistema Una de las tareas más difíciles en el análisis de simulación es adquirir el suficiente conocimiento del sistema para poder desarrollar un modelo apropiado. se puede ir desde las aproximaciones manuales hasta las técnicas más sofisticadas de alta tecnología. La representación del sistema vendrá dada mediante un diagrama de flujo de entidad y los elementos de procesamiento del sistema. Probabilísticos: hay dos formas de incluirlos en el modelo: Usar la muestra de datos recogida para representar la distribución de probabilidades. entonces se deberá profundizar más en el nivel de detalle. En muchas situaciones es suficie nte con la observación directa y la recogida manual de los atributos de interés. Los métodos de recogida de datos son tan variados como los problemas a los que éstos se pueden aplicar. debido a que al transcurrir el tiempo las variables van a cambiar e incluso podrán aparecer otras nuevas. Para decidir el número de muestras necesarias. conocer el comportamiento del sistema. es bastante posible que se hayan tenido que recoger datos para la formulación del problema. en cuyo caso la precisión puede ser menor. los datos se han de analizar e introducir en el modelo. Esto permite tener una mejor comprensión (generalización) del modelo. Estas entidades pueden tomar diferentes caminos en el sistema. Una vez realizado el muestreo. Colección de datos y Análisis Aunque la recogida de datos se va a ver como el segundo paso. incluyendo la selección de un lenguaje de programación. Determinar una distribución probabilística teórica que se comporte como la muestra y usar ésta en el modelo. se reduce y se analiza. Los datos usados para definir el modelo pueden ser de dos tipos: Deteminísticos: son datos conocidos con certeza. Éstos se pueden introducir fácilmente en el modelo. Puede producir perturbaciones reales o físicas en el sistema o psicológicas. El coste del método. No es igual si lo que se desea hacer es un modelo para una previsión a largo plazo. es decir. Pag 7 de 98 .ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Propósito del modelo. durante este paso se recoge el mayor volumen de datos. Se ha de identificar las entidades cuyo procesamiento o transformación constituye el propósito principal del sistema. su comportamiento se puede ver afectado por estar siendo observada. Dos técnicas comúnmente usadas son la aproximación de flujo físico y la aproximación de cambio de estado. Otras veces puede ocurrir que la acción que se quiere observar sea muy rápida y que no sea posible realizar una observación humana. En la selección de un método se pueden tener en cuenta los siguientes factores: Capacidad de quien recoja los datos. Desarrollo del modelo Incluye la construcción y depuración del modelo del sistema real. las rutas que siguen se determinan mediante reglas de decisión. se ha de establecer una relación costo-exactitud y hacer una optimización de dicha relación. Esta etapa se va a dividir en dos partes: Comprensión del sistema y Construcción del modelo. Aproximación de Flujo Físico. La facilidad de conversión de los datos a una representación procesable por el ordenador. Si se clasifican por su sencillez. que si se desea una previsión a corto plazo. Contribución de las variables al modelo. Pero si la medida que se quiere observar depende de una persona. El impacto que pueda producir el proceso de recolección sobre el comportamiento del sistema real. codificación del modelo.

ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Aproximación de Cambio de Estado. Figura 1. Un evento es un instante particular en el tiempo en el que el sistema cambia de estado. M M Resulta útil representar esto de forma gráfica mediante el grafo de sucesos. Número de consumidores en cola (M). M M+1 Suceso 2: N N. Grafo de sucesos. se debe definir unas variables endógenas adicionales que son las variables de estado e introducir un nuevo concepto. La principal variable de estado es el número de clientes en el supermercado y el número de clientes en cada una de las colas.3. Aquí ocurren tres procesos: se hace la cuenta de los productos comprados. con lo que la llegada se considera un evento.4). En la segunda aproximación. Esta decisión determina la ruta que va a seguir por el sistema. Las variables de estado describen el estado del sistema en cada momento. y por tanto las variables de estado. Comienza la traza de un cliente cuando éste se aproxima a la caja. M M-1 Suceso 3: N N-1. Cuando un cliente llega a una de las colas en el supermercado. hay dos posibilidades para la traza de entidades: clientes y cajas. Consumidor sale de caja. Cambios provocados en las variables por estos sucesos: Suceso 1: N N+1. tales como el tiempo de espera de los clientes. se pueden considerar como variables de estado el número de clientes en cola o el número de clientes que están siendo servidos actualmente. Figura 1. Sin embargo los clientes son el interés principal. mientras que las cajas tienen una importancia secundaria. En el ejemplo del supermercado. Sucesos: Llegada de un consumidor a la cola. el estado varía ya que se ve alterado el número de clientes en dicha cola. pues la operación es idéntica en todas. Pag 8 de 98 . Para describir esta aproximación. Otras variables de estado son las que indican los estados de los cajeros y empaquetadores. la selección de una cola y el añadirse a ella. basándose en algo como en elegir la más corta. se puede determinar el estado futuro del sistema.3 se muestra el diagrama de flujo. Para el ejemplo del supermercado la atención se puede fijar en una caja particular. Diagrama de flujo de las entidades. Tales variables se pueden utilizar para calcular medidas de comportamiento. se paga por ellos. el cliente abandona el sistema.4. el de suceso o evento. si el están ocupados o no. La evolución del sistema se puede representar mediante un grafo de sucesos. Dados los valores actuales de las variables de estado. Consumidor empieza a ser servido. Entonces. las variables exógenas y la estructura del modelo. Los eventos se representan mediante nodos y la progresión de los eventos mediante flechas (Figura 1. salida del sistema una vez que ha pagado los productos. Se puede describir completamente el comportamiento del sistema incorporando al modelo la capacidad de modificar las variables de estado conforme van ocurriendo los eventos. En este instante el cliente decide en qué cola se situará. En la Figura 1. se embolsan. El cliente queda esperando en la cola hasta que sea atendido (hasta que se le asigne el elemento cajero). si se sigue la primera aproximación. Algunos eventos que cambian el estado del sistema. Ej: Suponemos una sola caja en el supermercado Variables de estado: Número de consumidores en el sistema (N). son una llegada al sistema.

depuración y experimentación más eficientes en tiempo y esfuerzo. Hay que tener cuidado en la elección del incremento de tiempo.. FORTRAM. El avance del tiempo de simulación depende de cuál de las aproximaciones se elija. ya que se comprobarán cambios cuando en realidad no ha ocurrido ningún suceso. que hacen referencia a la diferencia de tiempo que pasa desde que sucede un suceso hasta que éste se computa (cuando el reloj se incrementa). aunque consuman más tiempo en la ejecución. en GPSS hay bloques de diagramas de flujo y conjuntos de sentencias de programa llamados QUEUE que procesan entidades a través de una cola de espera y acumulan datos de variables de salida tales como tiempo de espera en la cola. por ejemplo. este diagrama de flujo podría refinarse para convertirse en el diagrama de flujo del programa. va desde la ocurrencia de un evento a otro. Incrementos por los eventos (N. En esta aproximación pueden ocurrir “errores de redondeo”. Quizás la más importante ventaja de los lenguajes de simulación es la correspondencia entre los elementos del sistema y los elementos del lenguaje.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Construcción del Modelo Las tareas principales en la construcción de un modelo son: Elección Mecanismo de avance del tiempo.…. En esos instantes se observará el sistema para realizar los cambios.E. Por el contrario si es demasiado grande se producirán muchos errores de redondeo y la dinámica del modelo será ineficiente. Si se siguió la aproximación de cambio de estado. el diagrama de flujo desarrollado debería describir el procedimiento que efectúa los cambios de estado en el tiempo. el reloj se inicializa a 0. Si por el contrario se elige un incremento de tiempo fijo. Hay fundamentalmente dos formas de considerar el avance del tiempo en un modelo de simulación: Incrementos fijos de tiempo: se considera un intervalo fijo de tiempo y el estado del modelo se comprueba después de transcurrido cada uno de estos incrementos constantes.A. PASCAL. Pag 9 de 98 . en ese momento. el reloj se inicia a 0 y se va actualizando cada vez que pase el incremento de tiempo fijado. Next Event Time Advance): las comprobaciones y modificaciones de las variables afectadas se realizan sólo después de la ocurrencia de un evento. Si éste es demasiado pequeño se realizará trabajo inútil. y SIMSCRIPT. Hay un creciente número de lenguajes de programación disponibles para la implementación de modelos de simulación.T. Por ejemplo. pero los lenguajes de simulación proporcionan una serie de características que hacen la programación. El lenguaje seleccionado puede influir en la forma exacta del diagrama de flujo del programa de computador. SIMAN (Simulation Analysis). Entre los lenguajes de simulación destacan: GPSS (General Purpose Simulation System). y se incrementa al siguiente tiempo en que vaya a ocurrir un suceso. Aquí el incremento de tiempo es variable. Si se eligió la aproximación de flujo físico. Otros dos factores inciden en la construcción del diagrama de flujo del programa: elegir un mecanismo de avance del tiempo y el lenguaje de programación que se seleccione. en este momento de actualización del reloj se modifican las variables que se vean afectadas por la ocurrencia del suceso. Este dependerá de la aproximación elegida para describir el comportamiento del sistema. Elección de un Lenguaje de programación. SLAM (Simulation Language for Alternative Modeling). En ese momento puede ocurrir que no haya sucedido ningún cambio o que por el contrario que hayan ocurrido más de un suceso con lo cual se tendrá que decidir cuál atender antes (por ejemplo dando prioridad a los sucesos). Muchos lenguajes de propósito general son completamente adecuados para la simulación. Si se elige el incremento por eventos.

no es algo factible. Una vez realizados los experimentos se aplicarían unas técnicas estadísticas denominadas análisis de la varianza (ANOVA).ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Generación de números y variables aleatorias. Se van a necesitar muestras aleatorias para representar valores de variables de entrada probabilísticas. Aunque se ha hecho referencia a que los números usados en simulación son aleatorios. Es evidente que el número de exploraciones que se tendrían que realizar es extremadamente largo. O se podrían considerar dos medidas simultáneamente. la exploración de todas las posibles soluciones en la búsqueda de la mejor solución. o comparativamente. Experimentación y Análisis de las salidas Se han de diseñar los experimentos que se van a llevar a cabo sobre el modelo y luego analizar las salidas obtenidas. Sin embargo las propiedades de los números producidos se pueden hacer lo suficientemente cerradas de forma que éstos sean completamente utilizables para la simulación. Verificación y Validación del modelo La Verificación del modelo consiste en ver cuál es la consistencia interna del modelo. La facilidad o dificultad en esta etapa dependen en gran medida del lenguaje de programación que se haya elegido. Las medidas de salida se Pag 10 de 98 . Si el modelo se implementa con un lenguaje de propósito general. ya que se producen a partir de algoritmos determinísticos. no lo son totalmente. La verificación y validación del modelo se realiza en todas los niveles de modelización: modelo conceptual. Podemos considerar dos aproximaciones diferentes para abordar este problema: conjunto predeterminado de experimentos y técnicas de búsqueda de óptimos. Experimentación con el modelo El propósito último de la experimentación con el modelo es obtener información acerca del comportamiento del sistema para que esto nos ayude en la toma de decisiones. Conjunto de experimentos predeterminado: esta aproximación impone identificar factores que podrían afectar a la medida de salida y ejecutar los experimentos con los factores puestos a determinados valores. para poder contrastar varias configuraciones alternativas del sistema. La Validación consiste en asegurar que existe la una correspondencia entre el sistema real y el modelo. Un buen método para la validación es hacer un test para ver cómo el modelo predice el comportamiento del sistema ante determinadas entradas. Implementación y depuración del modelo. La comprobación última para la validez de un modelo es ver cómo el modelo puede predecir un comportamiento futuro del sistema ante unas determinadas entradas. para decidir cuál o cuáles de los factores seleccionados tiene realmente algún impacto en la medida de salida. Se necesita una aproximación estructurada más directa para encontrar una solución que merezca la pena. se puede seleccionar e incluir algoritmos necesarios para generar las variables aleatorias requeridas. modelo lógico y un modelo de ordenador. mientras que la validación se interesa por la correspondencia entre el modelo y la realidad. Pero si se utiliza un lenguaje de simulación estos algoritmos están incluidos y pueden ser fácilmente accesibles por el usuario. de forma que podamos responder a las cuestiones que se plantearon. Utilizando estos números aleatorios podemos obtener valores de variables aleatorias que sigan ciertas distribuciones de probabilidad. Hasta para los diseños de experimentos más modestos. Se dice que un modelo es válido si sus medidas de salida tie nen una correspondencia apropiada con las mismas medidas en el sistema real. La verificación se centra en la consistencia interna del modelo. Cuando consideramos la ejecución de un sistema se puede desear conocer cómo se comporta dicho sistema en sentido absoluto.

El uso de un conjunto predeterminado de experimentos es efectivo para encontrar buenas soluciones si se puede aproximar una región de optimalidad con experimentos previos o con la experiencia que se tenga sobre el problema. Técnicas de búsqueda de óptimos: un conjunto de estas técnicas se conoce como Metodología de Superficie de Respuesta (RSM). En ambos casos. Las variables de decisión se van cambiando de esta forma y el proceso continúa hasta que ya no se puede llegar más alto. los modelos de simulación producen estimaciones de las medidas que están sujetas a error. Las medidas en estado estacionario se pueden definir como el valor de la s medidas en el límite. pero la representatividad del comportamiento del sistema depende de la naturaleza de las cuestiones que tienen que ser contestadas por el modelo. Figura 1. en ese momento se ha alcanzado un óptimo local o global. Un diseño experimental particularmente general es el diseño factorial. Sin embargo esta técnica no puede conducir a la mejor solución global. Dos factores definen una superficie de 3 dimensiones. Usando varias estrategias se pueden alcanzar puntos altos en el terreno. Se consideran dos o más factores pudiendo estar cada uno a dos o más niveles. Respuesta en Superficie para dos variables de decisión. Esta requiere que el modelo se ejecute suficientemente para hacer que se pueda determinar qué dirección (qué cambios en los valores de los factores) parece conducir a un incremento en la altitud (incremento en la medida de salida). las condiciones inicia les (estado del sistema el empezar la ejecución) pueden influir en la estimación de las medidas de comportamiento.7). ni siquiera puede garantizar un óptimo local. cuando la longitud de la ejecución tiende a infinito. y la varianza cambia de forma inversamente proporcional al tamaño de la muestra (si se cuadriplica el tamaño de la muestra la desviación estándar se reduce a Pag 11 de 98 . El tamaño de la muestra es algo que está bien definido. La superficie de respuesta es la función que describe las relaciones de las medidas de ejecución con los factores o variables de decisión. y que el tamaño de la muestra sea lo suficientemente grande para que las estimaciones de las medidas de ejecución alcancen un buen nivel de precisión. Mientras que los modelos analíticos proporcionan soluciones con medidas de ejecución completamente definidas. Se pueden realizar dos tipos de análisis con un modelo de simulación: Análisis para sistemas con final definido: la ejecución del modelo finaliza cuando ocurre un evento específico.7. Análisis de las salidas En la interpretación de las salidas del modelo. Una estrategia es el método de escalado ascendente. Los principales cuestiones en la obtención de estimaciones útiles a partir de muestras son: que la muestra sea representativa del comportamiento del sistema. la cual puede ser vista como un terreno en donde se puede escalar. después de que el sistema ha pasado por algún periodo de comportamiento transitorio. De hecho. Las salidas del modelo de simulación se consideran muestras. la representación en 2 dimensiones de la respuesta de superficie es como las líneas de contorno de un mapa topográfic o (Figura 1. El tamaño de la muestra es importante ya que la precisión de las estimaciones depende de la varianza de la media de la muestra. Análisis para sistemas con final no definido (sistemas en estado de equilibrio o estacionario): el interés está en medias de las medidas de comportamiento de ejecuciones largas. y quizás llegar a la cumbre. hay algunos aspectos que son únicos de la simulación. Se tomaría una muestra por ejecución.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL pueden adaptar de forma que las suposiciones estadísticas de esta técnica se satisfagan de forma razonable y puedan ser aplicadas en la experimentación del modelo.

Estas aproximaciones requieren que los usuarios y los analistas estén implicados desde el comienzo en el proyecto simulación. Shannon . Naylor – R. QUE INTENTA LA SIMULACION 1. Este paso final es uno de los más importantes y el que más se descuida de todo el proceso. Falta de coincidencia entre el personal disponible y los objetivos marcados por el modelo.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL la mitad). Falta de entendimientos por parte de los encargados del sistema debido a los tecnicismos utilizados. 7. se incluyen las siguientes: Existe un vacío de comunicación entre el analista de la simulación y los encargados y usuarios del sistema.Shubik Que intenta la simulación Simulación de caja registrador Propiedades de los modelos Clasificación de los modelos Ventajas y desventajas de la simulación ¿Cuando es necesario simular y cuando no es necesario simular? Criterios que se debe tener en cuenta para que un modelo de simulación sea bueno Pasos a seguir para la construcción de los experimentos de modelos de simulación en un computador Generación de números pseudoaleatorios THOMAS NAYLOR Estos experimentos requieren de operaciones lógicas y matemáticas necesarias para descubrir el comportamiento y la estructura de sistemas complejos del mundo real a travez de largo período de tiempo. La definición de tamaño de muestra para simulación depende del tipo de análisis que se haya hecho. un determinado número de veces hasta conseguir la precisión deseada de la estimación. 5. Simulación de sistemas T. Descubrir el comportamiento de un sistema 2. 8. Este modelo o simulador estará sujeto a diversas manipulaciones. Con un análisis en estado estacionario el tamaño de la muestra está estrechamente enlazado con el tamaño de la ejecución del modelo o cantidad de tiempo de simulación. Implantación de los resultados de la Simulación Se ha de asegurar que los resultados son aceptados por el usuario. Hay aproximaciones que tratan estos obstáculos potenciales. con las condiciones iniciales apropiadas. 10. 9. Resistencia al cambio. SHUBIK Es un modelo. Postular teorías o hipótesis que expliquen el comportamiento observado Pag 12 de 98 . demasiado costosas o imprácticas. Para el análisis de un sistema con final definido se podría reproducir el periodo de interés. 4. En cada ejecución de obtendrá un elemento de la muestra. El compromiso de implementación es tardío. 1. dice que la simulación de un sistema o de un organismo es la operación de un modelo lo cual se va a llamar simulador el cual es una representación del sistema. las cuales serían imposibles de realizar. Parece obvio que los beneficios de un largo y costoso análisis no se realizarán sin una implementación apropiada y una aceptación por parte de los usuarios. 6. 2. ROBERT SHANNON La simulación es el diseñar y desarrollar un modelo computarizado de un sistema o proceso y conducir experimentalmente con este modelo con el propósito de entender el comportamiento del sistema del mundo real o evaluar varias estrategias con los cuales puedan operar el sistema. La operación de un modelo puede estudiarse y con ello conocer las propiedades concernientes al comportamiento del sistema o subsistema real – costoso. Entre las razones por las que los esfuerzos de implantación son a menudo inútiles. 3.

. para una entrada determinada las relaciones funcionales se representan por ecuaciones matemáticas y salen del análisis estadístico matemático. estudiantes Variables: Exógenas: libros. Ejemplo de aplicación: Determinar las propiedades de un colegio. 4. RELACIONES FUNCIONALES: Describen a los parámetros de tal manera que muestran su comportamiento dentro de un componente o entre componentes de un sistema. PARAMETROS: Son cantidades a las cuales el operador del modelo puede asignarle valores arbitrarios lo cual se diferencia de las variables. las cuales pueden ser de Estado o de Salida i.Endógenas: Son producidas dentro del sistema que resultan de causas internas. existen retentivas por ejemplo: la conservación de tiempo.Un carro de madera es la réplica de un original. Salida: Son aquellas variables que resultan del sistema Estadísticamente a las variables exógenas se las denomina como variables independientes 3. Endógenos) . FUNCIONES DEL MODELO . usar esas teorías para predecir el comportamiento futuro del sistema. un restaurante. Los parámetros una vez establecidos se convierten en constantes. ESTRUCTURA DEL MODELO El modelo se puede escribir de tal forma E = F(Xi.Comparar . . FUNCIONES DE OBJETIVO: Son las metas del sistema o el como evaluar al sistema. 5.Determinísticas: Sus definiciones que relacionan ciertas variables o parámetros donde una salida del proceso es singularmente determinada por una estrada dada. Estado: Muestran las condiciones iniciales del sistema ii. COMPONENTES: Son las partes de un conjunto que forman el sistema 2. VARIABLES: Pueden ser de dos tipos (Exógenos. Con la diferencia del material que lo compone o de su escala. es decir mirar los efectos que se producirían en el sistema mediante los cambios dentro de él o en su método de operación (tiempo en minutos) Simulación de Caja Registrador PROPIEDADES DE LOS MODELOS DE SIMULACION DEFINICION DE MODELO Modelo es una representación de un objeto. inclusive puede ser una abstracción de las propiedades dominantes del objeto. Yi) Donde E: Es el efecto del comportamiento del sistema Xi: Son las variables y parámetros que nosotros podemos controlar Yi: Las variables y los parámetros que nosotros no podemos controlar F: Es la función con la cual relacionamos Xi con Yi con el fin de modificar o dar origen aE PROPIEDADES DE LOS MODELOS 1. un grupo de investigación.Predecir Ej: La pintura es una réplica de algo que existe .Autoimpuestas: O sea asignadas por el mismo operador o . energía y adquisitivas ejemplo: Ganancia en algo. enfermedades.Impuestas: O sea cuando son asignadas manualmente por el mismo sistema 6. transporte Pag 13 de 98 .ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL 3.Exógenas: Entradas son originadas por causas externas al sistema . una fábrica de zapatos. Las relaciones funcionales pueden ser de tipo determinísticos o estocásticos. sistema o idea de forma diferente a la de identidad misma Por lo general el modelo nos ayuda a entender y mejorar un sistema El modelo de un objeto puede ser una réplica exacta de este. . RESTRICCIONES: Estas son limitaciones impuestas a valores de las variables las cuales pueden ser de dos formas: .PROPIEDADES DE UN COLEGIO: Componentes: profesores.Estocásticas: Cuando el proceso tiene una salida indefinida.

No todas las condiciones son continuas para el sistema Pag 14 de 98 . MODELOS DETERMINISTICOS Ni las variables endógenas y exógenas se pueden tomar como datos al azar. cuartos. sirven por lo general para realizar grandes series de muestreos.MODELOS ANALOGICOS: Se encargan de representar una propiedad determinada de un objeto o sistema . bidimensional. MODELOS DINAMICOS Si se toma en cuenta la variación del tiempo. ejemplo: la variación de la temperatura. MODELOS ESTATICOS Es que en ellos no se toma en cuenta el tiempo dentro del proceso. por ejemplo: los modelos de juegos. pero los modelos de simulación se pueden clasificar en forma más específica. Ejemplo: Laboratorio de química: reacción entre elementos En estos modelos físicos podemos realizar modelos a escala o en forma natural. se encargan de modelar procesos los cuales pueden ser: . 5.MODELOS MATEMATICOS: Se tiene en cuenta las expresiones materia y lógicas ejemplo: representar un objeto. sirven para hacer demostraciones de procesos como para hacer experimentos nuevos.MODELOS FISICOS: Son los que mas se asemejan a la realidad. buenos resultados) Restricciones: cantidad de profesores Funciones Objetivo: pruebas del estado (Icfes) CLASIFICACION DE LOS MODELOS Los modelos se pueden clasificar en forma general. Aquí se debe hacer muchas suposiciones dentro de un modelo matemático CLASIFICACION DE LOS MODELOS DE SIMULACION Dentro de los modelos de simulación están: 1. MODELOS A ESCALA Son los modelos sencillos de maquetas -> casa -> baño. De que forma podemos modelar un objeto o sistema desde lo más real a lo mas irreal.MODELOS ABSTRACTOS (simulación): Viene hacer una herramienta ya que se convierte en algo abstracto . estrategias militares . costos Parámetros: notas Relaciones Funcionales: libros estudiantes(buenos libros. Una de ellas es que al empezar a simular podemos interferir en las operaciones del sistema 2. Modelos Físicos Modelos Exactos Modelos a Escala Modelos Analógicos Modelos Administrativos Modelos Simulación Modelos Matemáticos Modelos Abstractos . a escala menor. MODELOS ESTOCASTICOS Cuando por lo menos una variable es tomada como un dato al azar las relaciones entre variables se toman por medio de funciones probabilísticas. Aquí se permite que las relaciones entre estas variables sean exactas o sea que no entren en ellas funciones de probabilidad. quitan mucho tiempo en el computador son muy utilizados en investigaciones científicas 3. VENTAJAS Y DESVENTAJAS DE LA SIMULACION DESVENTAJAS 1. del aire durante un día. sistemas entran a jugar las personas. e escala mayor. También se pueden tener a tamaño natural a menor o mayor escala. tubos de agua 4. tridimensional. etc. cambiar el comportamiento natural de las personas que se relacionan con el sistema 3. movimiento anual de las finanzas de una empresa.MODELOS DENOMINADOS JUEGOS ADMINISTRATIVOS: Ya empieza a involucrarse al ser humano el comportamiento del ser humano Ej: modelos de planeación.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Endógenas: Número de alumnos. modelos donde se observa las ganancias de una empresa Ejemplo: Arquitectónicos: líneas de teléfono. Este tipo determinístico quita menos de cómputo que otros modelos Ejemplo: Modelos Estocásticos 2.

podemos caer en el error de obtener resultado imprecisos 3. durante que tiempo los observamos. DESVENTAJAS DEL MODELO ADMINISTRATIVO Ejemplo: el desarrollo de un modelo. Cuando no se tiene el modelo matemático definido 2. Que sea completa. CRITERIOS QUE SE DEBE TENER EN CUENTA PARA QUE UN MODELO DE SIMULACION SEA BUENO 1. Cuando se requiere acelerar o retrazar el tiempo de los procesos dentro de un sistema 7. El costo o la corrida de un modelo no es costosa 5. El modelo no representa con exactitud la situación real 2. gasta y quita tiempo y es costoso 1. estos sistemas toman muestras tan grandes que pueden ser mucho mas costosos Explorar todas las alternativas o todas las variantes que pueden existir dentro del sistema Los modelos de simulación no generan soluciones ni respuestas a ciertas preguntas ¿CUANDO ES NECESARIO SIMULAR Y CUANDO NO ES NECESARIO SIMULAR? ¿Cuándo se debe utilizar la simulación? 1. adaptarlo. Formulación exacta del sistema 3. Tenga el modelo metas y objetivos 3. la comunicación entre el usuario y la computadora debe ser sencilla 5. Que sea fácil de manipular. La simulación más que u a ciencia es un arte. cuando se quiere por medio de la simulación encontrar o hacer estudios y/o experimentos Los modelos de simulación se utilizan en las cuestiones administrativas. 6. En cuanto a los resultados nos permiten deducir que a los números no les podemos dar toda la credibilidad. actualizarlo 7. hay muchas cosas que hay que tener en cuenta. Cuando se tienen las fórmulas analíticas y se necesita un modelo para ponerlas a funcionar 4. Fácil de entender por el usuario 2. Que sea evolutiva que al principio sea simple y poco a poco empezamos a volverla compleja dependiendo de las necesidades de los usuarios PASOS A SEGUIR PARA LA CONSTRUCCION DE LOS EXPERIMENTOS DE MODELOS DE SIMULACION EN UN COMPUTADOR Pag 15 de 98 . No desenvolvemos adecuadamente las funciones que relacionan a las variables.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL 4. 5. Modelo no me de respuestas absurdas 4. ejemplo: fenómeno del niño (climático) 6. tenga por lo menos las partes o funciones mas importantes del sistema 6. la simulación es la única forma (posibilidad) que tenemos para conocer el comportamiento de un proceso real. el cual nosotros queremos conocer. Sea adaptable que podamos modificar. Difícil obtener siempre el mismo tamaño de muestra. Cuando al ver un proceso físico.

 observamos que tipo de  sistema estamos viendo 1  2  DEFINICION  DEL SISTEMA  USO DE LA  SIMULACION  NO SI FORMULACION  DEL MODELO  Se toma al sistema real.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL FORMULA‐ CION DEL  PROBLEMA  Está sucedido. lo analizamos y  hacemos abstracc. quitando lo más  importante PREPARA‐CION  DE DATOS  Encontrar algunas de las  desventajas  TRASLA‐CION  DEL MODELO  Pag 16 de 98 .

ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Malo VALIDACION  DEL MODELO 1 2 BUENA  PLANEACION  ESTRATEGICA  Diseñar un experimento para buscar una  nueva información deseada PLANEACION  TACTICA  2 Determinar como se va ha realizar casa una  de las corridas de prueba del diseño  experimental EXPERIMENTACION  Tomar esos resultados y buscar la sensibilidad del modelo como afecto al cambio de una determinada variable o condición al modelo INTERPRETACION  2  Empezar a inferir con base en los datos  generados a que clase de sistema diferido  Podemos atribuir lo que pasa con este  UTIL  DOCUMENTACION  Combinar a unas con otras situaciones. se va a  explicar para que sirve. aquí se trabaja con los datos  Pag 17 de 98 . etc  NO GUSTO  Volver al sitio donde más le gustó  al usuario SI  IMPLEMENTACION  Se toma el modelo y se lo implementa donde  se va a funcionar. datos de entrada.

Que el método con el cual se genera sea capaz de generar números aleatorios a altas velocidades 6. Que sean uniformemente distribuidas 2. cuyos dígitos pasan una serie de pruebas estadísticas. Al número que de cómo resultado se le van a aumentar hacia la izquierda todos los ceros posibles hasta que éste número se convierta en un número de 8 dígitos 8 7 6 5 4 3 2 1 0 4 6 3 1 1 0 4 4. este método en más rápido que los anteriores. CRITERIOS PARA QUE LAS SECUENCIAS DE NUMEROS PSEUDOALEATORIAS SEAN ACEPTABLES: 1. Métodos de computación Vienen de procesos físicos. Simulación de procesos Pag 18 de 98 . Provisión Externa: Se refiere a grabar en un disco o en una cinta algunas de las tablas de números aleatorios y trabajar con ellas. Que sea capaz de ocupar el mínimo espacio en la memoria del computador METODO DE MEDIOS CUADRADOS DE GENERAR NUMEROS ALEATORIOS Ejemplo: 1. Métodos de computación digital Hay 3 maneras de trabajar con este método: a. Métodos manuales 2. Métodos de computación 4. Definición: El término Pseudoaleatorio se lo ha definido como números que vienen de una secuencia en la cual cada término es imprescindible. Tablas de biblioteca Como los A million random digits: son unas tablas. se transforma ese número por medio de una ecuación y después nos va dando una secuencia de números aunque se agranden en forma arbitraria. Generación Interna de Secuencias: Los dígitos que se generan surgen por medio de una función recursiva. se realiza teniendo un número inicial. Que sean estadísticamente independientes 3. la ventaja de este método es que estos números siempre se pueden reproducir además hay muchos modelos de simulación en los cuales se necesitan mayores números aleatorios. este método es muy lento debido que se puede hasta formar 10 veces más el tiempo que haciendo la operación aritmética de un solo caracter b. Métodos de computación digital Métodos manuales: Es la manera más fácil de generar números aleatorios 2. Generación Interna: Es a través de un proceso físico aleatorio con este se presenta el problema de la reproducibilidad de la secuencia c. Lo elevamos al cuadrado (4631104) 3. 3. Que sean reproducibles 4. el problema es que estos números no se los puede reproducir 4. Se coge un número al azar de 4 dígitos ejemplo (2152) 2. Tablas de biblioteca 3. Se escoge los 4 números del medio 0 4 6 3 1 1 0 4 Xo = 2152 X1 = 6311 1.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL GENERACION DE NUMEROS PSEUDOALEATORIOS En la práctica existen 4 métodos para generarlos 1. Que sean no cíclicas o no periódicas 5.

en el cual se utiliza una estación que recibe datos de las herramientas que maneja el medico. Mediante un banco de datos.F. Estas consisten en crear ambientes y decorados artificiales con sonido en algunos casos. hoy en día. que le hace la maestra a su alumno para un examen del ministerio. es en el campo de las minosvalias físicas. Uno de los proyectos más interesantes de la simulación virtual de sistemas esta relacionado con la composición musical. Pero la simulación no es solo eso también es algo muy cotidiano. como nos daremos cuenta a continuación. están especialmente diseñadas para crear un pasatiempo que logre sacar de la rutina al ser humano. En otros casos no lo es tanto. la producción de textiles. construcción de infraestructuras por medio de maquetas. un sintetizador en este caso. ya que su diseño tendría que incluir. alimentos. hasta el entrenamiento virtual de los pilotos de combate. que permite analizar sus características. Base del Método de los Elemento Finitos 3. incluso en algunos casos. que logran una perfecta simulación de cualquier tipo de contenido. Las aplicaciones recreativas. 1. dotar de facultades superiores a las humanas médiate esta realidad simulada real al mismo tiempo. pero sin este procedimiento se hace mas complicado . la posibilidad de suavizar el interfaz entre el usuario y la aplicación. Este sistema tiene. puede ser desde la simulación de un examen. puesto que los sonidos van variando a medida que se va moviendo el guante en el espacio. Simulación La simulación es la representación de un proceso o fenómeno mediante otro mas simple. que además es una afición particular de las personas en nuestros días. y que el mejor de los casos de otro modo seria impracticable debido a su costo. para que pueda extraer el mayor potencial sin que la forma de manejarlo sea un obstáculo. ya que el control se realiza de una forma mucho más intuitiva. la cual se utilaza para representar un proceso mediante otro que lo hace mucho mas simple e intendible. sobre todo en el campo de los invidentes. iguales a las que utilizara el medico en una operación real.)? 4. un gran interés ya que es mas barato formar futuros especialistas de esta manera que con operaciones reales . Esta simulación es en algunos casos casi indispensable. Aplicaciones del autor 1. este control se integra con un programa de creacin musical que automatiza la generación de acordes. ¿ Para que sirven los Elementos Finitos (M. El método de los Elementos Finitos Las grandes del mercado han obligado en los últimos años a implantar en las empresas todas aquellas tecnologías que puedan a hacer realidad los tres grandes objetivos del diseño moderno: Pag 19 de 98 . para procesarlos y generar una imagen foto realista en un monitor de forma que nada lo distinga de una operación real.E. se ejerce el control de un o varios teclados al mismo tiempo. conseguirían una visión simulada del terreno permitiendo dotar de visión (en este caso) a esas personas.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Indice 1. Aquí es donde radica una de las ventajas de la realidad virtual. pero con una gran ventaja. además de permitir que muchas mas personas aprendan o mejoren sus habilidades ya que solamente es cuestión de adquirir mas maquinas que puedan funcionar con turnos mucho mas flexibles que las operaciones reales. esto es. hoy muy extendidas y mejoradas principalmente por los adelantos en este campo. unos censores especiales. Introducción 2. creando el pasatiempo perfecto Uno de los principales proyectos futuristas de la simulación aunque muy costoso. Otro factor que ayudaría a estas personas minusválidas el entrenamiento de médicos. que adaptados. Introducción La simulación de procesos es una de las mas grandes herramientas de la ingeniería industrial. Simulación numérica. Estructura y funciones de un programa de elementos fínitos 5. juguetes.

Por lo tanto hay que asumir que la simulación es tan exactas como sea las ecuaciones de partida y la capacidad de los ordenadores para resolverlas. Mediante la simulación numérica es posible generar sólidos de aspectos casi real. Así pues en el M.E. Por contra.A. por lo que su análisis resulta mucho mas complejo. solo falta un medio adecuado para la obtención de resultados prácticos. el C.F. etc. en elementos claramente definidos . lo cual fija limites a su utilización. La gran evolución de los métodos informáticos tanto en su aspecto de hardware como software.E. La diferencia estriba en que el análisis del continuo. se supone que el comportamiento mecánico de cada parte o elemento. por ejemplo. En este sentido la introducción del C. 2. Por lo que se hace referencia al calculo estructural. Como puede apreciarse lo dicho. comprobar su comportamiento bajo diversas condiciones de trabajo. En realidad no se trata de nada nuevo. El método de los elementos finitos es una de las mas importantes técnicas de simulación y seguramente la mas utilizada en las aplicaciones industriales. Para definir el comportamiento en el interior de cada elemento se supone que dentro del mismo. Diseñar bien al primer intento. Esto permite un conocimiento mucho mas profundo de un producto antes de que exista físicamente. el método de elementos finitos (M.D. Las incógnitas del problema dejan de ser funciones matemáticas del problema cuando.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Diseñar para conseguir para una fabricación a un costo competitivo. sin embargo la verdadera reducción del bucle diseño-desarrollo se produce cuando ambas técnicas actúan conjuntamente. Base del Método de los Elemento Finitos Las aplicaciones practicas de la mecánica del sólido deformante pueden agruparse en dos grandes familias : La de los problemas asociados con sistemas discretos y la de los problemas asociados a sistemas continuos : En los primeros sistemas se analizar esta dividido de forma natural.) puede ser entendido como una generalización de estructuras al análisis de sistemas continuos. ha permitido afrontar la resolución de complejos físicos matemáticos cuya resolución analítica resultaría prácticamente imposible. en un problema finito en el que intervenga un numero finito de variables asociadas a ciertos puntos característicos (modos). La primera para definir el producto y la segunda para simular su comportamiento en las condiciones de servicio. En los segundos el sistema no puede ser dividido en forma natural en unidades simples.A. en el método de los elementos finitos son casi esenciales los conceptos Pag 20 de 98 .En el caso. se encuentra en ana etapa de mucho mas primaria. de las ecuaciones matemáticas que describen dicha realidad. a continuación expongo algunas aplicaciones del campo mecánico. siendo posible detectar muchos de los problemas que de otro modo se hubieran detectado en el servicio real. todo queda perfectamente definido a partir de lo que sucede en los modos a través de una adecuada función de interpolación.E. Aunque su utilización es extensible a multitud de problemas de física. El principio del método consiste la reducción del problema con infinitos grados de libertad. Diseñar en orden la utilización real en servicio. el análisis de estructura de un edificio en la que cada viga constituye una entidad aislada bien definida. arbitraria. Así pues la simulación intenta reproducir la realidad a partir de resolución numérica mediante ordenador. El calculo de estructuras se efectúa también restringiendo el análisis corrimientos de los nudos de unión. para pasar a ser los valores de dichas funciones en un numero infinito de puntos. (computer aided Design) esta ya representando un grave avance en la etapa del diseño conceptual de nuevos productos. en los que se subdivide queda definido por un numero finito de parámetros (grados de libertad) asociados al los puntos que en dicho momento se une al resto de los elementos de su entorno (modos). Solo la conjunción de ambas técnicas hacen posible que hacen alcanzar los tres objetivos antes mencionados. hasta cierto punto. la segmentación en elementos y la correcta posición de los modos es. De hecho muchos de dichos problemas hace ya años que están planteados.F. estudiar el movimiento conjunto de grupos de sólidos .

un paquete de calculo de elementos finitos consta de un procesador. tablas. Por este motivo suelen estar divididos en subsecciones. generalmente en forma de grafica mediante trazado de curvas. b) Interpolación. Los diversos coeficientes del modelo son automáticamente calculados por el ordenador a partir de la geometría y propiedades físicas de cada elemento.F. o acción de aproximar los valores de una función a partir de su conocimiento en un numero discreto de puntos. 4. cada una de las cuales efectúan una operación determinada. entre otros. de la transferencia de calor. Por lo tanto el M.F. etc. ¿ Para que sirven los Elementos Finitos (M.E. La discretizacion correcta depende de diversos factores como son el tipo de información que se desea extraer del modelo o tipo de solicitación aplicada. según que el interés resida en evaluar la resistencia estática o en eliminar material. denominadas frecuencias y modos propios de vibración.)? A pesar de su carácter aproximado. Utilización de métodos numéricos. en el cual se incluyen todas la ayudas a la preparación de los datos y que generan los archivos de resultados. son tareas arduas que actualmente se tienden a integra a su propio software. Pag 21 de 98 . y un postprocesados que facilita el análisis e interpretación de los resultados. El análisis dinámico puede ser de cualquiera de los tres tipos siguientes a) Cálculo de las frecuencias y modos propios de vibración. del magnetismo. capas de resolver cualquier problema de la física formulable como un sistema de ecuaciones. Estructura y funciones de un programa de elementos fínitos Como pueden imaginarse después de lo expuesto. Sin embargo queda en manos del usuario decir hasta que punto la discretizacion utilizada en el modelo representa adecuadamente el modelo de la estructura.) es una herramienta muy útil que permite realizar una gran cantidad de análisis en componentes y estructuras complejos. a) Discretizacion. es un método aproximado desde múltiples perspectivas. (método aproximado desde múltiple perspectivas: Discreción. La preparación de los datos y el análisis e los resultados numéricos que aparecen como producto del calculo. Interpolación. abarcando los problemas de la mecánica de fluidos. Pueden realizarse. los siguientes tipos de análisis: El análisis estático permite la determinación de los componentes de los modos por efecto de una solicitación estática y. gráficos tridimensionales. Sin embargo. el tema no se limita al puro calculo. Esta presentación aproximada de la realidad en forma de un modelo numérico permite la resolución del problema. difícilmente por los método analíticos clásicos .ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL de "discretizacion" o acción de transformar la realidad de la naturaleza continua en un modelo discreto aproximado y de "interpolación". un programa de elementos fínitos es una pieza compleja de software en la que confluyen numerosas operaciones. c) Utilización de métodos numéricos. el M. Este tipo de análisis permite acotar la deformación del componente de estudio y localizar zonas altamente solicitadas o zonas de solicitación baja. La vibración libre de un cuerpo elástico se realiza en frecuencia y tomando formas que le son caracteristicas. como por ejemplo la generación de resonancia.E. Actualmente el método de los elementos finitos ha sido generalizado hasta constituir un potente método de calculo numérico. etc. en una segunda fase. El análisis de modos y frecuencias propias de vibración se realiza con el objetivo de conocer mejor el comportamiento dinámico del componente o estructura y determinar posibles ares de conflicto.E. la determinación del estado en ciertos puntos característicos de cada elemento. 3.F. Así pues.

Estas situaciones son creadas y ambientada de modo diferente a las anteriormente sitadas. de esta forma se preparan para una misión. En el entrenamiento militar táctico y militar terrestre. La mayoría de estos casos se analizan antes de la primera elaboración del producto. transitorios. Mecánica de fluidos: Pueden ser problemas en el régimen laminar o turbulento. así como es igualmente aplicable para fines comerciales. Los resultados son básicamente las distribuciones de temperatura y lo fluidos de calor.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL b) Cálculo de la respuesta en función del sistema. c) Cálculo e respuesta a una solicitación transitoria En este tipo de análisis se pretende simular el efecto de una secuencia de carga real sobre la estructura. pero es. Los resultados son básicamente los campos eléctrico y magnético. El entrenamiento de pilotos especiales al igual que el caso anterior. valorando los espacios muertos y las memorias de calidad de su proyecto. incorporando los efectos dinámicos. etc. Una d3e las aplicaciones mas populares. preparándole a actuar en segundos e incluso en décimas de segundo en estas situaciones. o una guerra. sobre todo en norteamérica. las distribuciones de potencial. el Pag 22 de 98 . en régimen estacionario o estacionario. se mutilan plataformas enteras de simulación en la que piloto es envolvido por factores muy importantes de vuelo en los que se el que comanda el aeroplano debe reaccionar según el entorno que se le presente en la practica virtual. como un entrenamiento simulado. y grupos militares especializados en ese campo. virtualmente usan entrenamientos simulados virtualmente preparados. son los diseños virtuales con simulación perfecta de estructuras externas e internas que ayudan al arquitecto a crear el edificio. La simulación de estructuras otra de las aplicaciones tanto en el diseño . convección o radiación. los fluidos magnéticos. como comercialmente. entretenimiento. grupos especializados de asalto. con el fin de prevenir problemas futuros. ya que esta realidad virtual se provee de panorámicas y escenarios montados previamente. es el entrenamiento de pilotos mediante técnicas de realidad virtual o simuladas para responder ante situaciones ya sean peligrosas o de pura practica de vuelo que podrían costar vidas y materiales muy costosos. un entrenamiento virtual. Electromagnetismo: Pueden tratarse problemas relacionados con los campos y las ondas electromagnéticas. las corrientes. estacionario. Los entrenamientos de los pilotos de guerra. Los resultados son básicamente las distribuciones de presión y velocidad. pero en este caso con costos más astronómicos como su nombre lo indica y con presiones virtuales mas elevadas a los cadetes. que pudiera hasta manifestarse cuando el producto se encuentre en funcionamiento o en las manos del mismo usuario. y con sonido realista dependiendo de la situación en la que se quiera entrenar al soldado. ya que la simulación virtual requiere potentes maquinas y periféricos para ser tan perfecta para recibir este nombre. Si es preciso. De este modo es posible explorar la presencia de los diversos modos de vibración en el rango de frecuencias de interés a fin de determinar su importancia relativa. Este tipo de análisis tipo de análisis permite determinar la respuesta vibratoria y tencional de una estructura cuando es excitada mediante una carga senoidal periódica amplitud y frecuencia variable. Como mencionaba en el inicio la simulación no solo se da en el campo de la industria. medicina. También se da en campos como la arquitectura y el entrenamiento militar. usan entrenamientos simulados virtualmente ambientados de modo impresionante donde se le obliga al soldado a responder y actuar en situaciones criticas del modo correcto. puede incorporarse el efecto de análisis de fluidos. aunque eso si quizás demasiado costoso por el momento para este ultimo. Transferencia de calor: puede abordarse problemas de conducción.

Gracias a la simulación de procesos nuestro mundo real es mejor. antes empezar ha construirla. y la evaluación de los futuros médicos. este es el gran contra del desarrollo de estos sistemas de simulación en el campo de la medicina actual La simulación de sistemas mas popular es la simuladores vuelo. Otra de las aplicaciones de la simulación. esta en los principales usos demostradamente excelentes para programas espaciales y de formación en los que una ves mas de otro modo no podrían ni plantearse. mediante software. La simulación en todos estos campos. que están programados para brindarle al usuario del juego. el cual se ayuda con la matemática y la física para explicar procesos. 5. etc. una sensación de la realidad . preparación. que es la creación de un mundo irreal. según mi opinión personal ha sido desarrollada con una mejor visión en pro del ser humano. conocida como música en mp3. a manera de ser casi la casa. motores. Aplicaciones del autor La simulación de un hecho real o de un proceso por medio de otro proceso mas simple que analiza sus características. ya que nos estamos refiriendo a los submarinos de combate. con una tarjeta de sonido o sound blaster. es una muy practica herramienta de la ingeniería de las mas conocidas es el método de elementos finitos. los cuales producen muchos de estos. la simulación del proceso será la maqueta ya que en ella se establecerán los detalles del producto final que será la casa. Siguiendo en el ámbito de la salud. le entrenamiento. la cual compacta las canciones de manera que se puedan ser reproducidas por hardware simple. tiene algo en común. en un computador común y corriente. y de prevenirlos. es un tipo de entrenamiento esencialmente simulado para un mudo en el que la presión es algo mas esencial quizás que en los otros simuladores tratados anteriormente. el método de simulación de elementos finitos. pero por desgracia mucha de esta tecnología no esta al alcance de toda la gente. La simulación de procesos . ya que le llama mucho la atención a las personas. muchas personas discapacitadas son beneficiadas.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL entrenamiento especial simulado incluyendo en este caso presiones atmosféricas y gravedades simuladas. la medicina. o la forma que deben tener para este proceso. de esta forma se puede dar cuenta de los futuros problemas que podría experimentar la casa. Entonces el arquitecto podría estudiar la maqueta. Estos juegos son muy populares en los llamado play station . Esto en un campo de juegos. en un plano irreal. etc. para una mayor calidad en las campanas. ya que. en el entretenimiento es la de software de reproducción musical pero en una forma mas cómoda. Esto permite y permitirá a corto plazo una mejor practica de la medicina las operaciones. donde el control preciso de presiones. combate. se emplearía de analizar la resonancia de la campana y de los materiales que la componen y determinar si son los mas aptos para esto. y hasta toman el lugar de algún miembro del cuerpo. ya que un estudiante del tema o un doctor. como si fueran ellos mismos los que estuvieran en una misión real . en campos como la calidad industrial. puede practicar una operación o medicar algún remedio por medio de un sistema de procesos que le simularan condiciones reales. Las aplicaciones del entrenamiento submarino como su nombre lo indica. Las maquetas son la representación a escala de una casa. periscopios. en el ámbito de salud. Pag 23 de 98 . permite el estudio.… y demás componentes es algo realmente vital para la tremenda perdida que supondría efectuar practicas de este tipo en el mar abierto. los juegos. pero muy real para la personas que diariamente dependen de su existencia. con maquinas que simulan. como por ejemplo una fabrica que produzca campanas. en el cual si se equivoca no le ocasionara ningún mal a nadie.

11. fue una gran ayuda para la Investigación de Operaciones. 5. Las principales etapas o fases de las que hablamos son las siguientes: Definición del problema. en la forma mas efectiva. 10. Introducción Orígenes de la Investigación de Operaciones Definición y Significado de Investigación de Operaciones Características de la Investigación de Operaciones Definición de Modelos Definición del problema y recolección de datos Formulación de un modelo matemático Obtención de una solución a partir del modelo Prueba del modelo Preparación para la aplicación del modelo Implantación Definición de Sistemas de Producción Tipos de Modelos de los Sistemas de Producción Introducción Los cambios revolucionarios originaron gran aumento en la división de trabajo y la separación de las responsabilidades administrativas en las organizaciones. es por esto. Muchas de las herramientas utilizadas en la Investigación de Operaciones como la Programación Lineal. 13. con sus propias metas y sistemas de valores. En la Investigación de Operaciones utilizaremos herramientas que nos permiten tomar una decisión a la hora de resolver un problema tal es el caso de los modelos e Investigación de Operaciones que se emplean según sea la necesidad. esta disciplina se ha desarrollado con rapidez. Por lo tanto el desarrollo de la computadora digital. desde entonces. Para llevar a cabo el estudio de Investigación de Operaciones es necesario cumplir con una serie de etapas o fases. Uno de estos problemas es la tendencia de muchos de los componentes a convertirse en imperios relativamente autónomos. Un factor importante de la implantación de la Investigación de Operaciones en este periodo es el mejoramiento de las técnicas disponibles en esta área. Este tipo de problemas. Para manejar los complejos problemas relacionados con esta disciplina. se había introducido el uso de la Investigación de Operaciones en la industria. Todo el esfuerzo de este equipo de científicos (que fueron el primer equipo de Investigación de Operaciones) logró el triunfo de muchas batallas. que las administraciones militares americana e inglesa hicieron un llamado a un gran número de científicos para que aplicaran el método científico a los problemas estratégicos y tácticos.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Investigación de operaciones 1. 7. un ejemplo sobresaliente es el método Simplex para resolución de problemas de Programación Lineal. generalmente se requiere un gran número de cálculos que llevarlos a cabo a mano es casi imposible. Líneas de Espera y Teoría de Inventarios fueron desarrollados al final de los años 50. proporcionaron el surgimiento de la Investigación de Operaciones. 12. el éxito de la Investigación de Operaciones en las actividades bélicas generó un gran interés en sus aplicaciones fuera del campo militar. Implantación de los resultados finales. Construcción del modelo. 9. y la necesidad de encontrar la mejor forma de resolverlos. 8. En la década de los 80 con la invención de computadoras personales cada vez más rápidas y acompañadas de buenos paquetes de Software para resolver problemas de Investigación de Operaciones esto puso la técnica al Pag 24 de 98 . La Investigación de Operaciones aspira determinar la mejor solución (optima) para un problema de decisión con la restricción de recursos limitados. Orígenes de la Investigación de Operaciones El inicio de la Investigación de Operaciones se remonta a la época de la Segunda Guerra Mundial en donde surgió la necesidad urgente de asignar recursos escasos a las diferentes operaciones militares y a las actividades dentro de cada operación. Un segundo factor importante para el desarrollo de este campo fue el advenimiento de la revolución de las computadoras. Solución del modelo. 4. Luego de terminar la guerra. Sin embargo esta revolución creo nuevos problemas que ocurren hasta la fecha en muchas empresas. los negocios y el gobierno. 6. desarrollado en 1947 por George Dantzing. la Programación Dinámica. Desde la década de 1950. a dichos científicos se les pidió que hicieran investigaciones sobre las operaciones militares. Validación del modelo. 3. 2. Muchos de los científicos que participaron en la guerra. se encontraron a buscar resultados sustanciales en este campo.

de ser exacta. Este equipo debe incluir personal con antecedentes firmes en matemáticas. Después se llega a una decisión seleccionando la alternativa que se juzgue sea la mejor entre todas las opciones disponibles. el proceso comienza por la observación cuidadosa y la formulación del problema incluyendo la recolección de datos pertinentes. La Investigación de Operaciones ha desarrollado una serie de técnicas y modelos muy útiles a la Ingeniería de Sistemas. La parte de “Operaciones” es por que en ella se resuelven problemas que se refieren a la conducción de operaciones dentro de una organización. Como Arte debido al éxito que se alcanza en todas las fases anteriores y posteriores a la solución de un modelo matemático. En la Investigación de Operaciones es necesario emplear el enfoque de equipo. Programación Entera. mediante el empleo de modelos que describan las interacciones entre los componentes del sistema y de éste con este con su medio ambiente • En la Investigación de Operaciones la parte de “Investigación” se refiere a que aquí se usa un enfoque similar a la manera en la que se lleva a cabo la investigación en los campos científicos establecidos. El modelo se define como una función objetivo y restricciones que se expresan en términos de las variables (alternativas) de decisión del problema. Si se destaca un aspecto y no el otro probablemente se impedirá la utilización efectiva de la Investigación de Operaciones en la práctica. administración de empresas ciencias de la computación. Un modelo es una abstracción selectiva de la realidad. En particular. etc. no será útil a menos que el modelo mismo ofrezca una representación adecuada de la situación de decisión verdadera. • La Investigación de Operaciones en la Ingeniería de Sistemas se emplea principalmente en los aspectos de coordinación de operaciones y actividades de la organización o sistema que se analice. investigación de operaciones debe visualizarse como una ciencia y como un arte. Definición y Significado de Investigación de Operaciones • • La Investigación de Operaciones aspira a determinar el mejor curso de acción. Una solución a un modelo. Teoría de Colas. la meta es identificar el mejor curso de acción posible. de un problema de decisión con la restricción de recursos limitados. La Investigación de Operaciones adopta un punto de vista organizacional. depende de la forma apreciable de la creatividad y la habilidad personal de los analistas encargados de tomar las decisiones. entre otras. Características de la Investigación de Operaciones • • • • La Investigación de Operaciones usa el método científico para investigar el problema en cuestión. La Investigación de Operaciones intenta encontrar una mejor solución (llamada solución optima). ingeniería.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL alcance de muchas personas. de las cuales se hace una selección. La Investigación de Operaciones tiende a representar el problema cuantitativamente para poder analizarlo y evaluar un criterio común. De esta manera intenta resolver los conflictos de interés entre los componentes de la organización de forma que el resultado sea el mejor para la organización completa. Programación Dinámica. desde las computadoras de grandes escalas como las computadoras personales para la Investigación de Operaciones. Hoy en día se usa toda una gama de computadoras. En un equipo de Investigación de Operaciones es importante la habilidad adecuada en los aspectos científicos y artísticos de Investigación de Operaciones. El modelo de decisión debe contener tres elementos: Alternativas de decisión. Como técnica para la resolución de problemas. El equipo también necesita tener la experiencia y las habilidades para permitir la consideración adecuada de todas las ramificaciones del problema. Entre ellos tenemos: la Programación No Lineal. En lugar de contentarse con mejorar el estado de las cosas. o curso óptimo. no obstante. Pag 25 de 98 • • • • . economía. • • Definición de Modelos • Un modelo de decisión debe considerarse como un vehículo para resumir un problema de decisión en forma tal que haga posible la identificación y evaluación sistemática de todas las alternativas de decisión del problema. Como Ciencia radica en ofrecer técnicas y algoritmos matemáticos para resolver problemas de decisión adecuada. estadísticas y teoría de probabilidades. para el problema bajo consideración.

Puesta en marcha. alto. Modelos de Investigación de Operaciones de la ciencia de la administración: Los científicos de la administración trabajan con modelos cuantitativos de decisiones. B. probabilista. (b) Modelo de Simulación: Los modelos de simulación difieren de los matemáticos en que las relaciones entre la entrada y la salida no se indican en forma explícita. Esto significa que todos los datos relevantes (es decir. En cambio. los datos que los modelos utilizarán o evaluarán) se dan por conocidos. Modelos Formales: Se usan para resolver problemas cuantitativos de decisión en el mundo real. Las etapas de un estudio de Investigación de Operaciones son las siguientes: Definición del problema de interés y recolección de los datos relevantes. Desarrollo de un procedimiento basado en computadora para derivar una solución al problema a partir del modelo.P P D P D. para excluir alternativas infactibles. A. Pag 26 de 98 . Prueba del modelo y mejoramiento según sea necesario.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Restricciones. Preparación para la aplicación del modelo prescrito por la administración. Hasta ese grado la hoja de cálculo electrónica tiene una representación selectiva del problema y desde este punto de vista la hoja de cálculo electrónica es un modelo. Algunos modelos en la ciencia de la administración son llamados modelos deterministicos. Formulación de un modelo matemático que represente el problema. Los modelos de simulación cuando se comparan con modelos matemáticos. P. Etapas de la Investigación de Operaciones. pronóstico y simulación Programación Entera Programación Dinámica Programación Estocástica Programación No Lineal Teoría de Juegos Control Optimo Líneas de Espera Ecuaciones Diferenciales Clase de Incertidumbre D D. En realidad es una herramienta más que un procedimiento de solución. Por otra parte. Por lo tanto.P D. Criterios para evaluar y clasificar alternativas factibles.P D. aunque debe especificarse la probabilidad de tales datos. (D. En los modelos probabilísticos (o estocásticos). las operaciones de cálculos pasaran de un módulo a otro hasta que se obtenga un resultado de salida. pero esta flexibilidad no esta libre de inconvenientes. los modelos matemáticos óptimos suelen poder manejarse en términos de cálculos. En la siguiente tabla se muestran los modelos de decisión según su clase de incertidumbre y su uso en las corporaciones. un modelo de simulación divide el sistema representado en módulos básicos o elementales que después se enlazan entre si vía relaciones lógicas bien definidas. (a) Modelo Matemático: Se emplea cuando la función objetivo y las restricciones del modelo se pueden expresar en forma cuantitativa o matemática como funciones de las variables de decisión.P D D. Tipos de Modelos de Investigación de Operaciones. ofrecen mayor flexibilidad al representar sistemas complejos.P P D Frecuencia de uso en corporaciones A A A A B B B B B B B B Modelo de Hoja de Cálculo Electrónica: La hoja de cálculo electrónica facilita hacer y contestar preguntas de “que si” en un problema real. La elaboración de este modelo suele ser costoso en tiempo y recursos. producción y programación Econometría. determinista. alguno de los datos importantes se consideran inciertos. bajo) Tipo de Modelo Programación Lineal Redes (Incluye PERT/CPM) Inventarios.

con la identificación. es necesario transformar y combinar las medidas respectivas en una medida compuesta de efectividad llamada medida global de efectividad. el Rijkswaterstatt. las interrelaciones del área bajo estudio con otras áreas de la organización. Connecticut utilizó un equipo de Investigación de Operaciones para diseñar un programa efectivo de intercambio de agujas para combatir el contagio del virus que causa el SIDA (HIV). Se necesitan muchos datos como para lograr un entendimiento exacto del problema como para proporcionar el insumo adecuado para el modelo matemático que se formulará en la siguiente etapa del estudio. En lugar de formular un modelo matemático. es necesario primero identificar a la persona o personas de la administración que de hecho tomarán las decisiones concernientes al sistema bajo estudio.año de esfuerzo (mas de un tercio de ellas en la recolección de datos). Este proceso de definir el problema es crucial ya que afectará en forma significativa la relevancia de las conclusiones del estudio. Un modelo de este tipo. y algunas variaciones menores sobre él.) Es común que los equipos de Investigación de Operaciones pasen mucho tiempo recolectando los datos relevantes sobre el problema. ganancias) y corresponder a una meta mas alta de la organización. la siguiente etapa consiste en reformularlo de manera conveniente para su análisis. Aplicación: El Departamento de Salud de New Haven. Esto incluye determinar los objetivos apropiados. y tuvo éxito en la reducción del 33% de la tasa de infección entre los clientes del programa. La versión compleja se usó después en las corridas finales del análisis o cuando se deseaba mayor exactitud o más detalles en los resultados. Esto requiere desarrollar una medida cuantitativa de la efectividad relativa a cada objetivo del tomador de decisiones identificado cuando se estaba definiendo el problema. junto con la prueba de si la condición de la aguja era HIV positivo o HIV . los límites de tiempo para tomar una decisión. En este último caso la tarea para desarrollar esta medida puede ser compleja y requerir una comparación cuidadosa de los objetivos y su importancia relativa. La forma convencional en que la investigación de operaciones realiza esto es construyendo un modelo matemático que represente la esencia del problema. creó varias docenas de programas de computación y estructuró una enorme cantidad de datos. Muchas veces. Para hacerlo. y después escudriñar los pensamientos de estos individuos respecto a los objetivos pertinentes. para alguno de los modelos. el equipo de Investigación de Operaciones pasará mucho tiempo intentando mejorar la precisión de los datos y al final tendrá que trabajar con lo que pudo obtener. tipifican los modelos analizados en investigación de operaciones. La parte central de este estudio fue un innovador programa de recolección de datos para obtener los insumos necesarios para los modelos matemáticos de transmisión del SIDA. Un paso crucial en la formulación de un modelo de Investigación de Operaciones es la construcción de la función objetivo. Tomará un tiempo considerable al equipo de Investigación de Operaciones recabar la ayuda de otros de otros individuos clave de la organización para recolectar todos los datos importantes.negativo. La versión sencilla se usó para adquirir una visión básica incluyendo el análisis de trueques. Este programa barco un rastreo completo de cada aguja (y cada jeringa). los diferentes cursos de acción posibles. se desarrollan versiones sencillas y complejas. al mismo tiempo que disminuyo la contaminación térmica y debida a las algas. La nueva política ahorro cientos de millones de dólares en gastos de inversión y redujo el daño agrícola en alrededor de 15 millones de dólares anuales. localización y fecha de cada persona que recibía una aguja y cada persona que la regresaba durante un intercambio.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Definición del problema y recolección de datos La primera actividad que se debe realizar es el estudio del sistema relevante y el desarrollo de un resumen bien definido del problema que se va a analizar. las restricciones sobre lo que se puede hacer. El estudio completo de Investigación de Operaciones involucró directamente a mas de 125 personas . Pag 27 de 98 . Determinar los objetivos apropiados viene a ser un aspecto muy importante en la formulación del problema. A veces esta medida compuesta puede ser algo tangible (por ejemplo. etc. El modelo matemático puede expresarse entonces como el problema de elegir los valores de las variables de decisión de manera que se maximice la función objetivo. este estudio de Investigación de Operaciones desarrolló un sistema integrado y comprensible de ¡50 modelos! Mas aún. (Incluir al tomador de decisiones desde el principio es esencial para obtener su apoyo al realizar el estudio. sujeta a las restricciones dadas. o puede ser abstracta (como “utilidad”). concesionó un importante estudio de Investigación de Operaciones para guiarlo en el desarrollo de una importante política de administración del agua. Formulación de un modelo matemático Una vez definido el problema del tomador de decisiones. Aplicación: La Oficina responsable del control del agua y los servicios públicos del Gobierno de Holanda. Si en el estudio se contemplan mas de un objetivo.

la siguiente etapa para un estudio de Investigación de Operaciones consiste en desarrollar un procedimiento (por lo general basado en computadora) para derivar una solución al problema a partir de este modelo. Un tema común en Investigación de Operaciones es la búsqueda de una solución óptima. Mas bien. analizaron y compararon varias alternativas atractivas. Este estudio no concluyó con la recomendación de una sola solución. la suposición sobre el efecto de tratados internacionales futuros sobre la contaminación que pudiera llegar. Se obtiene entonces una nueva solución. asignando las probabilidades adecuadas. es inevitable que contenga muchas fallas.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Obtención de una solución a partir del modelo Una vez formulado el modelo matemático para el problema bajo estudio. independientemente de si implica o no encontrar una solución óptima para el modelo. la mejor. Este proceso de prueba y mejoramiento de un modelo para incrementar su validez se conoce como validación del modelo. Cuando se completa la primera versión. de haberse usado. que se introdujo en el concepto anterior. Un aspecto en particular interesante de la etapa de validación del modelo en este estudio fue la manera en que se incorporaron el proceso de prueba los usuarios futuros del sistema de inventarios. se pueden reunir evidencias en cuanto a lo bien que el modelo predice los efectos relativos de los diferentes cursos de acción. Esta es una etapa relativamente sencilla. Al emplear alternativas de solución y estimar sus desempeños históricos hipotéticos. La elección final se dejo al proceso político de gobierno de Holanda que culmino con la aprobación del Parlamento. los equipos de Investigación de Operaciones en ocasiones utilizan sólo procedimientos heurísticos (es decir. Aplicación: En un estudio de Investigación de Operaciones para IBM se realizo con el fin de integrar su red nacional de inventarios de refacciones para mejorar el servicio a los clientes. Este proceso sigue hasta que las mejoras a soluciones sucesivas sean demasiado pequeñas para justificar su solución. Debido a que estos usuarios futuros (los administradores de IBM en las áreas funcionales responsables de la implantación del sistema de inventarios) dudaban del sistema que se estaba desarrollando. Al reconocer este concepto. procedimientos de diseño intuitivo que no garantizan una solución óptima) para encontrar una buena solución subóptima. al mismo tiempo que reducir el valor de los inventarios de IBM en mas de 250 millones de dólares y ahorrar otros 20 millones de dólares anuales a través del mejoramiento de la eficiencia operacional. se identificaron. El análisis de sensibilidad jugó un papel importante en este estudio. La extensa retroalimentación por parte del equipo de usuarios llevo a mejoras importantes en el sistema propuesto. El análisis posóptimo también incluye la obtención de un conjunto de soluciones que comprende una serie de aproximaciones. Se usó también para evaluar el impacto de cambios en las suposiciones de los modelos. a sus datos de entrada y quizá al procedimiento de solución. Si la solución se implanta sobre la marcha. ciertos parámetros de los modelos representaron estándares ecológicos. Una vez desarrollada la versión preliminar del nuevo sistema (basada en el sistema de inventarios de multiniveles) se lleva acabo una prueba preliminar de implantación. pero es necesario reconocer que estas soluciones son óptimas sólo respecto al modelo que se está utilizando. por ejemplo. esta prueba utiliza datos históricos y reconstruye el pasado para determinar si el modelo y la solución resultante hubieran tenido un buen desempeño. Pag 28 de 98 . las debilidades aparentes de la solución inicial se usan para sugerir mejoras al modelo. Un enfoque mas sistemático para la prueba del modelo es emplear una prueba retrospectiva. Por ejemplo. También se analizaron varios escenarios (como años secos o húmedos extremosos). al curso de acción ideal. La meta de un estudio de Investigación de Operaciones debe ser llevada a cabo el estudio de manera óptima. Se han desarrollado muchos procedimientos para encontrarla en cierto tipo de problemas. Así. es decir. se asignaron representantes a un equipo de usuarios que tendría la función de asesorar al equipo de Investigación de Operaciones. Cuando es apacible. Esto ocurre con mas frecuencia en los casos en que el tiempo o el costo que se requiere para encontrar una solución óptima para un modelo adecuado del problema son muy grandes. cualquier cambio en el valor de un parámetro sensible advierte de inmediato la necesidad de cambiar la solución. Prueba del modelo El desarrollo de un modelo matemático grande es análogo en algunos aspectos al desarrollo de un programa de computadora grande. cada vez mejores. El programa debe probarse de manera exhaustiva para tratar de encontrar y corregir tantos problemas como sea posible. en la que se aplican uno de los algoritmos de investigación de operaciones en una computadora. y el ciclo se repite. El análisis de sensibilidad incluyó la evaluación del impacto en los problemas de agua si los valores de estos parámetros se cambiaran de los estándares ecológicos a otros valores razonables. Aplicación: Considere el nuevo estudio de Investigación de Operaciones para el Rijkswaterstatt sobre la política de administración de agua en Holanda.

en cuyo caso se necesitan programas de interfaz (de interacción con el usuario). La definición de producción se modifica para incluir el concepto de sistema. diciendo que u sistema de producción es el proceso especifico por medio del cual los elementos se transforman en productos útiles. Pag 29 de 98 . Cada componente podría ser un sistema en si mismo en un orden descendente de sencillez. Los sistemas se distinguen por sus objetivos. Implantación Una vez desarrollado un sistema para aplicar un modelo. Con esto en mente. para ayudar a la gerencia a usar datos y modelos para apoyar (no para sustituir) su toma de decisiones cuando lo necesiten. estos dos grupos comparten la responsabilidad de desarrollar los procedimientos requeridos para poner este sistema en operación. una parte importante del estudio de Investigación de Operaciones esta dedicada a la integración de SYSNET al sistema de información administrativo de la corporación. etc.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Preparación para la aplicación del modelo El siguiente paso es instalar un sistema bien documentado para aplicar el modelo según lo establecido por la administración. La base de datos y los sistemas de información administrativos pueden proporcionar entrada actualizada para el modelo cada vez que se use. la última etapa de un estudio de Investigación de Operaciones es implementarlo siguiendo lo establecido por la administración. Aplicación: Este ultimo punto sobre la documentación de un estudio Investigación de Operaciones se ilustra con el caso de la política nacional de administración del agua de Rijkswaterstatt en Holanda. Esta integración permitió la integración periódica de la entrada al modelo. los costos de transporte y manejo. La gerencia operativa se encarga después de dar una capacitación detallada al personal que participa. el objetivo de un sistema podría ser producir un componente que se va a ensamblar con otros componentes para alcanzar el objetivo que es un sistema mayor. Se requieren técnicas mas elaboradas para tratar con sistemas más complejos. En otros casos se instala un sistema interactivo de computadora llamado sistema de soporte de decisiones. Enseguida.. Completar esta documentación requirió varios años y ¡quedo contenida en 4000 páginas a espacio sencillo encuadernadas en 21 volúmenes! Definición de Sistemas de Producción La producción es el acto intencional de producir algo útil. SYSNET se usa tanto para optimizar tanto para optimizar las rutas de los envíos como el diseño de la red . Cualquier sistema es una colección de componentes interactuantes. llamado SYSNET. el equipo de Investigación de Operaciones supervisa la experiencia inicial con la acción tomada para identificar cualquier modificación que tenga que hacerse en el futuro. Si tiene éxito. Esta compañía maneja anualmente mas 15 millones de envíos de mensajería a través de una red de 630 terminales en todo estados Unidos. Primero. puede ser que los programas adicionales maneje la implantación de los resultados de manera automática. Otro programa puede generar informes gerenciales (en el lenguaje administrativo) que interpretan la salida del modelo y sus implicaciones en la práctica. Después de aplicar un procedimiento de solución (otro programa) al modelo. fue desarrollado como resultado de un estudio de Investigación de Operaciones realizado para la Yellow Freight System. Este sistema. Es una carrera de relevos entre el desarrollo de sistemas cada vez más complejos y el desarrollo de métodos más eficientes de dirección para controlarlos. Aplicación: Un sistema de computo grande para aplicar un modelo a las operaciones de control de una red nacional. Un proceso es un procedimiento organizado para lograr la conversión de insumos en resultados. con frecuencia se necesita un número considerable de programas integrados. La etapa de implantación incluye varios pasos. y se inicia entonces el nuevo curso de acción. el equipo de Investigación de Operaciones da una cuidadosa explicación a la gerencia operativa sobre el nuevo sistema que se va a adoptar y su relación con la realidad operativa. el nuevo sistema se podrá emplear durante algunos años. La implantación de SYSNET dio como resultado el ahorro anual de alrededor de 17. tanto para apoyar la nueva política como para utilizarla en la capacitación de nuevos analistas o al realizar nuevos estudios. Inc. La administración deseaba documentación más extensa que lo normal.3 millones de dólares además de un mejor servicio a los clientes. Este sistema casi siempre esta diseñado para computadora. Debido al que sistema requiere mucha información sobre los flujos y pronósticos de carga. De hecho.

puesto que la simulación en la computadora es un método económico y rápido para efectuar la vasta cantidad de cálculos que se requieren. numerosas y diversas. la simulación experimentó un avance substancial.  termoeléctricas.  aviones.   Análisis financiero de sistemas económicos. El modelo esquemático: Los modelos de dos dimensiones son la delicia de quienes disfrutan de las gráficas. Evaluación del diseño de organismos prestadores de servicios públicos (por ejemplo:               hospitales.  Análisis de sistemas de transporte terrestre. Por lo general. el efecto de las variables interactuantes se aprecia claramente y. casas de cambio. cuando la consideración clave. oficinas de correos. es un factor. USOS Y RAZONES DE LA SIMULACION Las áreas de aplicación de la simulación son muy amplias. por semejanza. los modelos más abstractos.  Análisis de un departamento dentro de una fábrica. surgió por primera vez en el trabajo de John Von Neumann y Stanislaw Ulam. etc. Los aspectos gráficos son útiles para propósitos de demostración. En la actualidad se resuelven incontables problemas de negocios. algunos detalles se pierden en los modelos. suministra una poderosa arma para el estudio. para simular la distribución de planta.).  Análisis de grandes equipos de cómputo. Los símbolos sobre tales diagramas pueden arreglarse fácilmente para investigar el efecto de la reorganización. cualquier definición debida al empleo de los modelos matemáticos se origina por algún error cometido en las suposiciones básicas y en las premisas sobre las cuales están basados. esta pérdida puede ser una ventaja. Los patrones microscópicos pueden amplificarse para su investigación.  Evaluación de sistemas tácticos o de defensa militar. INTRODUCCION La técnica de simulación es desde hace mucho tiempo una herramienta importante para el diseñador. Quienes a través del análisis de Montecarlo en conjunto con una técnica matemática. y las enormes estructuras pueden hacerse a una escala más pequeña. Cuando un modelo matemático puede construirse para representar en forma exacta la situación de un problema. Necesariamente. Algunos ejemplos que se encuentran comúnmente incluyen los diagramas de la organización. es decir.  Análisis de sistemas de acondicionamiento de aire. Un el advenimiento de las computadoras.  Adiestramiento  de  operadores  (centrales  carboeléctricas. marítimo o por aire.  Planeación para la producción de bienes. sobre todo. etc. es fácil de manipular. hasta una magnitud que sea manipulable.    La simulación  se utiliza en la etapa de diseño para auxiliar en el logro o mejoramiento de un  Pag 30 de 98 . tal como la distancia. en los últimos años de la década de los 40.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Tipos de Modelos de los Sistemas de Producción El modelo físico: Los modelos. generalmente son los mas útiles. derivan su utilidad de un cambio en la escala. resolvieron problema relacionados con las barreras nucleares de protección. En las replicas físicas. es un modelo preciso. en los primeros años de la década de los 50. Durante muchos años.  nucleoeléctricas. La simulación común se uso inicialmente en la investigación de operaciones. pero puede ser inútil un estudio si la influencia predominante se desvirtúa en la construcción del modelo. demasiado costosas para someterlas a pruebas de experimentación o demasiado complejas para realizar sus análisis.). basta mencionar sólo algunas de ellas: Análisis del impacto ambiental causado por diversas fuentes Análisis y diseño de sistemas de manufactura Análisis y diseño de sistemas de comunicaciones. diagramas de flujo del proceso y gráficas de barras. se han usado modelos a escala de máquinas. El modelo matemático: Las expresiones cuantitativas. telégrafos.

 que la simulación proporciona un método más simple de solución.  Muchos modelos de líneas  de espera corresponden a esta categoría.    Además  la  simulación es solo uno de varios  planteamientos valiosos para resolver problemas que están  disponibles  para  el  análisis  de  sistemas.  Son incapaces de generar una solución por si mismos en el sentido de  los  modelos  analíticos. el uso de los modelos matemáticos.  si  no  una  metodología  de  resolución  de  problemas.‐  No  existe  una  completa  formulación  matemática  del  problema  o  los  métodos  analíticos  para resolver el modelo matemático no se han desarrollado aún. debido a que un  fenómeno se puede acelerar o retardar según se desee. como son.  Todos los modelos de simulación se llaman modelos de entrada‐salida. además de  estimar ciertos parámetros.  Por tanto  la  simulación  es  una  teoría. a fin de obtener la información o  los resultados deseados.    3.  debido  a  la  dificultad  para  realizar  experimentos  y  observar  fenómenos  en  su  entorno  real.‐  La  simulación  puede    ser  la  única  posibilidad.‐ Se desea observar el trayecto histórico simulado del proceso sobre un período. También se le ha definido como una representación de la realidad mediante el empleo de un modelo u otro sistema que reaccione de la misma manera que la realidad.‐  Los  métodos  analíticos  están  disponibles. en un conjunto de condiciones dadas.    PROCESO DE SIMULACION Antes de especificar los aspectos más importantes que se presentan al formular problemas de simulación.  por  ejemplo.    2.  la  prueba  y  la  corrida  de  una  simulación debe entonces evaluarse contra el costo de obtener ayuda externa.‐  Las  soluciones  analíticas  existen  y  son  posibles. las computadoras.  Se  recomienda  la  aplicación  de  la  simulación  a  sistemas  ya  existentes  cuando  existe  algún  problema  de  operación  o  bien    cuando  se  requiere  llevar  a  cabo  una  mejora  en  el  comportamiento.    Pero  ¿Cuándo  es  útil  utilizar  la  simulación?  Cuando  existan una o más de las siguientes condiciones:    1.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL proceso o diseño o bien a un sistema ya existente para explorar algunas modificaciones. La simulación es la utilización de un modelo de sistemas. a fin de reproducir la esencia de las operaciones reales. La definición más general y amplia de esta: una técnica cuantitativa que utiliza un modelo matemático computarizado para representar la toma real de decisiones bajo condiciones Pag 31 de 98 .  La simulación proporciona un control sobre el tiempo. que tiene las características deseadas de la realidad .    El  efecto  que  sobre  el  sistema  ocurre  cuando  se  cambia  alguno  de  sus  componentes  se  puede  examinar  antes  de  que  ocurra    el  cambio  físico  en  la  planta  para  asegurar  que  el  problema  de  operación  se  soluciona  o  bien  para  determinar  el  medio  más  económico para lograr la mejora deseada.‐  Se  requiere  la  aceleración  del  tiempo  para  sistemas  o  procesos  que  requieren  de  largo  tiempo para realizarse.  solo  pueden  servir  como  herramienta  para  el  análisis  del  comportamiento de un sistema en condiciones especificadas por el experimentador.    Por  tanto  los  modelos de simulación se “corren” en vez de “resolverse”. los casos las suposiciones y los cursos de acción alternativos. producen la  salida  del  sistema  si  se  les  da  la  entrada  a  sus  subsistemas  interactuantes.    6.    4. será útil definir esta.    5. Ninguna de estas definiciones incluye todos requisitos fundamentales de esta. los procesos estadísticos o estocasticos.  estudios  de  vehículos  espaciales en sus vuelos interplanetarios.  pero  los  procedimientos  matemáticos  son  tan  complejos y difíciles.  pero  están  mas  allá  de  la  habilidad  matemática  del  personal  disponible  El  costo  del  diseño.  Es decir.

para la cual no se conoce una fórmula ya elaborada por encontrar el enésimo (o último) terminó. Lo que permite el análisis en computadoras de los efectos de las interacciones mutuas entre esta. no por el diagnostico. Debe existir por lo menos un individuo que se encuentra dentro de un marco de referencia. El individuo debe tener por lo menos un par de alternativas para resolver su problema. e) Formulación de un programa de computadora. ya que esto sería demasiado tardado. 2. A continuación se resumen las principales características asociadas a cada paso. g) Diseño de experimentos de simulación. Debido al error estadístico. FORMULACIÓN DEL PROBLEMA Generalmente un problema se presenta por síntomas. Este eslabonamiento sucesivo de un estado particular con otros anteriores es una característica importante de la simulación. Planificar un proceso de simulación requiere de los siguientes pasos: a) Formulación del problema. El único hecho conocido es una regla (relación recursiva) que permite encontrar el siguiente término a partir de los últimos. la única manera de descubrir el enésimo término es aplicando la misma regla una y otra vez hasta llegar a dicho término. al menos en función de una distribución de probabilidades. La simulación es un medio de dividir el proceso de elaboración de modelos en parte componentes más pequeñas y combinarlas en el orden natural o lógico. En esencia. c) Formulación del modelo matematico. es imposible garantizar que se encontrará la respuesta óptima. Pag 32 de 98 . Según Acoff y Sasieni. inconveniente y costoso. aplicando repetidamente las reglas bajo las que operan el sistema. Básicamente. f) Validación del programa de computadora. con objeto de evaluar cursos alternativos de acción con base en hechos y suposiciones. Además. La simulación es útil en la resolución de problema de negocios cuando no se conocen parcialmente las variables con anticipación y no existe una manera fácil de encontrar estos valores. h) Analisis de resultados y validación de la simulación. las condiciones para que exista el mas simple de los problemas son: 1.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL de incertidumbre. el cual se puede atribuir el problema del sistema. para cada uno de los diversos estados del sistema y sus insumos. Generalmente. no obstante la respuesta estará por lo menos próxima a la óptima si el problema se simula correctamente. el modelo de simulación realiza experimentos sobre los datos de una muestra más que sobre el universo entero. La simulación utiliza un método para encontrar estos estados sucesivos en un problema. Por lo que antes de generar soluciones en un sistema. se deben buscar el mayor numero de síntomas. b) Recollección y procesamiento de la información requerida. en caso contrario no existe tal problema. El problema se parece que al de la secuencia. el sistema se divide en los elementos y las interrelaciones de aquellos elementos de comportamiento previsible. la simulación implica la construcción de un modelo matemático que describa el funcionamiento de sistema en cuanto a eventos y componentes individuales. d) Evaluación de las caracteristicas de la información procesada.

ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL 3. 4. no en un individuo. Deben de existir por lo menos. Las alternativas que selecciona el grupo son ejecutadas por otro grupo ajeno. una de las cuales debe tener mayor aceptación que la otra en el individuo. entonces se tiene un problema.). no existe el problema. un par de soluciones. es decir existe una eficiencia y/o efectividad asociada con cada solución. b) ¿De quien es el problema?. cambia en forma dinámica. pero finito. En caso contrario. influyen directa o indirectamente. Si las cinco condiciones anteriores existen. dado por las componentes no controlables Definir los objetivos que se persiguen y clasificarlos por su orden de importancia. controlables. Identificar las relaciones importantes entre las diferentes componentes del sistema. Esta preferencia esta asociada a un cierto objetivo dentro del marco de referencia en donde se encuentra el individuo del sistema. Estas eficiencias y/o efectividades deben ser diferentes. a) b) c) d) e) f) Para formular un problema se necesita la siguiente información: a) ¿Existe un problema?. no necesariamente estos objetivos son consistentes entre si. g) ¿Cuales son las interrelaciones más importantes del sistema?. Los efectos de la decisión del grupo pueden sentirse por elementos que aun siendo ajenos al sistema considerando. El grupo dentro del sistema puede tener objetivos múltiples. El numero de alternativas que el grupo puede escoger es bastante grande. Identificar posibles rutas de acción dadas por las componentes. puesto que de lo contrario no existe problema. a la vez que permite más adelante representar estas interrelaciones en forma matemática. Definir el marco de referencia. Esta situación puede complicarse en los siguientes casos: El problema recae en un grupo. Peor aun. La selección de cualquiera de las soluciones debe repercutir de manera diferente en los objetivos del sistema. al cual no se le puede considerar como elemento independiente del sistema. consumidor. h) ¿Como se emplearan los resultados del proyecto? ¿Por quien? ¿que efectos tendrá? i) ¿Las soluciones tendrán efecto a corto o largo plazo? j) ¿Podrán los efectos de las soluciones modificarse o cambiarse fácilmente? k) ¿Cuantos elementos del sistema se afectaran por las soluciones del proyecto? ¿En qué grado? FORMULAR UN PROBLEMA REQUIERE: a) b) c) d) Identificar las componentes controlables de un sistema. favorable o desfavorablemente hacia el (político. Pag 33 de 98 . c) ¿Cual es el marco de referencia del sistema donde se encuentra el problema? d) ¿Quien o quienes toman las decisiones? e) ¿Cuales son sus objetivos?. El marco de referencia donde se encuentra el grupo. 5. este paso equivale a encontrar las restricciones que existen. etc. f) Cuales son los componentes controlables del sistema y cuales no lo son?. Por ultimo le individuo que toma las decisiones ignora las soluciones y/o eficiencia y/o efectividades asociadas con las soluciones del problema.

se hace a través de un proceso sistemático. para denotar valores de éstas variables. Antes de continuar. Se utilizan letras mayúsculas para denotar las variables aleatorias y minúsculas. cuando X= x. se llama número aleatorio.). indica la probabilidad de que X sea menor o igual al particular valor x de la función de probabilidad de la variable aleatoria X. que se conoce como diseño de sistemas. definida sobre un espacio muestral asociado con los resultados de un experimento conceptual. TECNICAS PARA GENERAR NÚMEROS ALEATORIOS. es necesario establecer la siguiente terminología. la función de distribución acumulada para una variable aleatoria X. para los números aleatorios. El diseño de sistemas se lleva a cabo de la siguiente manera: a) Se ubica al sistema considerando dentro de sistemas más grandes. de la Corporación Rand. estos son: Métodos manuales Lanzamiento de monedas Lanzamiento de dados Barajas Dispositivos mecánicos Dispositivos electrónicos Ventajas: Son aleatorios Desventajas: No reproducibles TABLAS DE BIBLIOTECA. El valor numérico resultante de un experimento. MÉTODOS DE COMPUTACIÓN ANALOGICA Los métodos de computación analógica dependen de ciertos procesos físicos aleatorios (por ejemplo. es decir. para denotar valores de éstas variables aleatorias y minúsculas. Pag 34 de 98 . Desventaja: No se obtiene en tiempo real. Son números aleatorios que se han publicado.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL La identificación de la estructura del sistema (componentes. de los cuales podemos encontrar listas de los en los libros de probabilidad y tablas de matemáticas. F(x). canales. c) Se determinan los canales de comunicación entre las componentes del sistema y de este hacia los elementos de otros sistemas que van a tener influencia directa o indirecta. el comportamiento de una corriente eléctrica). por lo que se considera que conducen verdaderos números aleatorios. Se han venido usando cuatro métodos alternativos para generar las sucesiones de números aleatorios. El término variable aleatoria se emplea para nombrar una función de valor real. Estos números fueron generados por alguno de los métodos de computación analógica. los cuales mencionados a continuación. de cada una de las variables aleatorias. Ventaja: Provienen de un fenómeno aleatorio y son reproducibles. etc. Métodos más utilizados para generar números aleatorios y pseudoaleatorios con computadora. d) Se determinan de que manera se tiene acceso a la información requerida como se procesa esta y como se transmite entre las diferentes componentes del sistema. b) Se determinan las componentes del sistema. por ejemplo a Millon Random Digits. GENERACIÓN DE VALORES DE UNA VARIABLE ALEATORIA INTRODUCCIÓN. Por ejemplo. interrelaciones. de naturaleza azoroza.

a fin de tratar estos números como datos de entrada para un determinado problema. Consiste en grabar en la memoria de la computadora. para generar los siguientes valores. los cuales son: PROVISIÓN EXTERNA. Consiste en usar algún aditamento especial de la computadora. Ventaja: Son reproducibles. METODOS DE GENERACIÓN DE NUM. PSEUDOALEATORIOS U(0. usando ecuaciones de recurrencia.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Ventaja: Aleatorios. reduzca estas resultados a sucesiones de dígitos.1). • M debe ser el número entero más grande que la computadora acepte De acuerdo con Hull y Debell. no divisible ni por 3 ni por 5 • a usualmente puede ser cualquier constante sin embargo para asegurar buenos resultados. Desventaja: Son pseudoaleatorios. en las que necesariamente se tiene que dar un valor inicial o semilla. y los describiremos ampliamente. GENERACIÓN POR MEDIO DE PROCESOS FÍSICOS ALEATORIOS. Aquí describiremos los métodos de generación de números pseudoaleatorios. para registra los resultados de algún proceso aleatorio y además. CARACTERISTICAS DE LOS NÚMEROS PSEUDOALEATORIOS a) b) c) d) Uniformemente distribuidos Estadísticamente independientes Reproducibles Sin repetición dentro de una longitud determinada METODOS QUE UTILIZAN ECUACUACIONES DE RECURRENCIA PARA GENERAR NUMEROS PSEUDOALEATORIOS. Consiste en generar números pseudoaleatorios por medio de ecuaciones de rrecurrencia. -Métodos congruenciales “69” reglas: • C debe ser un entero impar. GENERACIÓN INTERNA POR MEDIO DE UNA RELACIÓN DE RECURRENCIA. las tablas Randa. MÉTODOS DE COMPUTACIÓN DIGITAL Se distinguen tres métodos para producir números aleatorio cuando se usa la computación digital (computadoras). Desventaja: No reproducible. los mejores resultados par un generador congruencial mixto en una computadora binaria son: • a = 8 * c±3 • c = cualquier entero • r0 = cualquier entero impar (ni) • m =2b donde b>2 y que m sea aceptado por la computadora Pag 35 de 98 . Vamos ha centrar nuestra atención en este último método de computación digital. seleccione a de tal forma que (a) mod 8= 5 para una computadora binario a o (a) mod 200 = 21 para una computadora decimal.

En esta etapa se tienen dos curso de acción a seguir si no se tiene nada de software de simulación. Binomial. METODO DE MONTECARLO Las técnicas de reducción de variancia con frecuencia reciben el nombre de técnicas de Monte Carlo (término que a veces se aplica a la simulación en general). la mayor parte de estos modelos presentan en su etapa inicial estados transigentes los cuales no son típicos del estado estable. χ 2. Erlang. Sin embargo. Las primeras etapas de un estudio de simulación se refieren a la definición del sistema a ser modelado y al descripción del sistema en términos de relaciones lógicas de sus variables y diagramas de flujo. Entonces. MICROMANAGER. Las otras alternativas presentan las desventajas de ser prohibitivamente excesivas en costo. como se muestra en la figura 23. Beta. SLAM .) antes de tomar la decisión final. A este respecto. Gamma. la simulación debe ser capaz de generar variables aleatorias no uniformes de distribuciones de probabilidad teóricas o empíricas. la distribución normal. PROMODEL SIMFACTORY. Sin embargo. Pag 36 de 98 . se han desarrollado una gran cantidad de generadores para las distribuciones más comunes como. su función de densidad de probabilidad es f (x) = e-x . Por consiguiente es necesario establecer claramente las alternativas o cursos de acción que existen para resolver este problema. se presentan dos de ellas en el siguiente ejemplo. Como tienden a ser bastante elaboradas.2. de las tres alternativas presentadas. Algunos autores piensan que la forma de atacar este problema sería a través de : • Usar un tiempo de corrida suficientemente grande de modo que los períodos transientes sean relativamente insignificantes con respecto a la condición de estado estable. etc.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Si el modelo de simulación es estocástico. no es posible explorarlas aquí con detalle. F. peso se intentará comunicar su esencia y el gran aumento en precisión que pueden proporcionar. la que presenta menos desventajas es el uso de simulación regenerativa. Para proporcionar una comparación estándar entre las dos técnicas de reducción de variancia. La mayoría de los modelos de simulación estocástica se corren con la idea de estudiar al sistema en una situación de estado estable. Considérese la distribución exponencial cuyo parámetro vale 1. Se sabe que la media de esta distribución es 1. Sin embargo. GPSSH. o Comprar software (lenguaje de programación d propósito especial). t. LENGUAJE DE PROGRAMACION. • Utilizar simulación regenerativa. Para esta alternativa es necesario analizar y evaluar varios paquetes de simulación (GPSS. Lo anterior puede obtenerse si se cuenta con un generador de números uniformes y una función que transforme estos números en valores de la distribución de probabilidad deseada. considérese primero la simulación directa a la que a veces se la técnica de Monte Carlo cruda. CONDICIONES INICIALES. que son: desarrollar el software requerido. llega el momento de describir el modelo en un lenguaje que sea aceptado por la computadora que va utilizar (PC compatible). Poisson.e-x. • Excluir una parte apropiada de la parte inicial de la corrida. Basado en la experiencia. y su función de distribución acumulada es F(x) = 1 . exponencial. supóngase que no se conoce esta media y que se quiere estimar por medio de simulación.

328. encontraste con la media verdadera de 1. las observaciones aleatorias que se obtiene se muestran en la tabla 23.r¡) 0.279 0..2.6 no incluye observaciones mayores que 1. como la desviación estándar del promedio de la muestra resulta ser 1/n o 1/10 en este caso (como se puede estimar a partir de la muestra). .013 0. como la desviación estándar de un promedio muestral siempre es inversamente proporcional a n.0005 al valor indicado de la cada r. pero el muestreo aleatorio no da prioridades especiales para obtener las Tabla 23. Por ejemplo.761 0.791 0.343 1. aun cuando la probabilidad de que una observación aleatoria esté dentro de este intervalo es mayor que 1/4. Sin embargo. Por ejemplo. la cola de una distribución exponencial es particularmente crítica al determinar su media.014 1. aunque existe al menos una pequeña probabilidad de valores mucho más grandes.633 0. Como se describió en la sección 23. Existen dos desventajas en el enfoque de Monte Carlo crudo que se rectifican en el muestreo estratificado. se agregó 0.568 0.999. rn son numeros decimales aleatorios entre 0 y 1. r2 .r¡).693 Observación aleatoria x¡ = -In (1 ..779. .335 0. Segundo.7 * En realidad.4 para obtener 10 de estos números aleatorios decimales. Primero. Si se utiliza una parte de la tabla 23. La muestra tendría que cuadruplicarse para reducir esta desviación estándar la técnica de Monte Carlo bastante sencilla para obtener mejores estimaciones es el muestro estratificado. una muestra puede no proporcionar una sección cruzada uniforme de la distribución.014 y 0.9995 y no de 0.in (1 .495 0.6 no tiene observaciones entre 0. . ocurrirá un error de esta magnitud o mayor al rededor de la mitad de las veces. Obsérvese que el promedio de los de la muestra es 0.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Este enfoque incluye la generación de algunas observaciones aleatorias a partir de la distribución bajo consideración y después el uso del promedio de estas observaciones para estimar la media. observaciones de estas partes. la muestra aleatoria que se da en la tabla 23. Más aún.199 0. pero el muestreo aleatorio que se da en la tabla 23.433 0.6 Ejemplo para la técnica de Monte Carlo cruda Número aleatorio* r¡ 0. Esta explicación es la razón básica para que este Pag 37 de 98 . . en donde r1. ciertas partes de una distribución puede ser más críticas que otras para obtener una estimación precisa.000.183 i 1 2 3 4 5 6 7 8 9 10 Total = 7. por su naturaleza aleatoria.469 0. .698 0.6 (estos mismos números aleatorios se usan también para ilustrar las técnicas de reducción de variancia para agudizar la comparación). estas observaciones aleatorias son: x¡ = .408 1.. este tamaño de mitad. n.793 Estimación de la medida = 0. Estos hechos desalentadores sugieren la necesidad de otras técnicas que obtengan las estimaciones de una manera más precisa y más eficiente.000 a 0. 2.684 0.290 0.328 1. por lo que el intervalo de valores posibles sería de 0.568. para i = 1.0005 a 0.

en donde cada estrato se muestra por separado.8 no obstante. Estos se muestra en la última columna de la tabla 23. Este método puede resolver problemas dependientes de la probabilidad en la que la experimentación física es impracticable y la creación de una fórmula exacta. se utilizan números aleatorios. es decir. En consecuencia.948 que se obtiene proporciona la estimación de la media que se busca.8. Dada la formulación de muestreo estratificado que se muestra en la tabla 23. f (x) 1 f (x) = e-z 0 1 2 3 El método de Montecarlo sugiere el empleo de la rueda o de los datos. supóngase que la distribución se divide en tres estratos en la forma en que se muestra en la tabla 23.1 La última columna representa entonces la ponderación de la muestra (la fracción de la muestra total que sale de cada estrato) a la proporción de la distribución (la probabilidad de que una observación aleatoria caiga dentro del estrato.7. con lo que se obtiene un muestreo desproporcionado.7. ya que ciertas partes de la distribución se han maestreado más que otras. Pag 38 de 98 . más denso en los estratos más críticos. El método implica la determinación de distribución de la probabilidad de las variables en estudio y después de muestreo tomado de esta distribución promedio de números aleatorios para obtener datos.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL estratificado vence estas dificultades al dividir la distribución en partes llamadas estratos.6 dan las observaciones que se muestran en la quinta columna de la tabla 23. A manera de ilustración. se obtienen de duplicado teórico de la misma. como se muestra en la tercera columna de la tabla 23. se estudian problemas con una larga frecuencia de pasos o eventos determinados por la probabilidad aunque pueden escribirse fórmula matemática para probabilidad de un paso un evento dado. los mismos números aleatorios que se usaron en la tabla 23. Estos estratos se eligieron de manera que correspondieran en forma aproximada a los intervalos de 0 a 1. El promedio ponderado de 0. Básicamente.7. los números aleatorios decimales se deben transformar al intervalo indicado para f(x). a menudo resulta imposible escribir una ecuación útil para la probabilidad de todos los pasos o eventos. El número de observaciones que deben generarse para cada estrato está dado en la cuarta columna. en vez de sacar muestra de una población real. de 1 a 3 y de 3 a infinito. antes de obtener el promedio se dividen las observaciones de cada estrato entre el peso de la muestra para ese estrato para dar ponderaciones proporcionales a las distintas partes de la distribución. El método de Montecarlo es una simulación con técnicas de muestreo. Con el fin de asegurar que las observaciones aleatorias generadas para cada estrato de hecho queden en esa parte de la distribución.) Estas ponderaciones de la muestra son un reflejo de la importancia relativa de los respectivos estratos al determinar la media. no sería correcto usar el promedio no ponderado de estás observaciones para estimar la media.

SISTEMA DE COLAS Ó LÍNEAS DE ESPERA DEFINICIÓN Y NOTACIÓN La línea de espera en su concepto más simple se forma por la llegada aleatoria de clientes que entran a un establecimiento a recibir un servicio proporcionado por un servidor. balanza comercial. Ejemplos de estos sistemas serían aquellos donde es posible la llegada al sistema en grupo. por ejemplo mélate. un grupo de números aleatorios generar un grupo de valores que tienen las mismas características de distribución que la población real. Con la técnica de simulación es posible estudiar y analizar sistemas de colas cuya representación matemática sería demasiado complicada de analizar. Algunos ejemplos podrían ser los siguientes: Simulación de un sistemas de colas. La técnica de simulación puede ser utilizada para evaluar el efecto de cierto tipo de decisiones (devaluación de la moneda. oferta monetaria. el impuesto al valor agregado. mediano y largo plazo. etc. en las demás variables macroeconómicas como: producto nacional bruto. APLICACIONES DE LA SIMULACIÓN Existe una gran cantidad de áreas donde la técnica de simulación puede ser aplicada. la salida de la cola del sistema. etc. Pag 39 de 98 . tris. a las tasas e inflación.). el uso de simulación permite analizar cuál de las estrategias de crecimiento son las que llevaran a la organización al logro de sus objetivos y metas de corto. costo de llevar inventario. demanda. La expansión y diversificación de una organización a través de la adquisición y establecimiento de nuevas empresas. son estocásticos. La naturaleza de los clientes. hacen difícil y a veces imposible manejar analíticamente este tipo de problemas. etc. Existen en la práctica una gran cantidad de proyectos de inversión donde la incertidumbre con respecto a los flujos de efectivo que el proyecto genera a las tasas de interés. etc. repercuten significativamente en su posición y estructura financiera. La cuantificación de una línea de espera se puede hacer a través de un análisis matemático o de un proceso de simulación. Simulación de estados financieros. Simulación de juegos de azar. etc. Simulación de sistemas de inventarios. Se pueden hacer predicciones sobre los resultados de un juego en particular. inflación.). Por consiguiente. La teoría de líneas de espera tiene los siguientes objetivos: a) Caracterizar cuantitativamente y cualitativamente los siguientes objetivos b) Determinar los niveles adecuados de ciertos parámetros del sistema que balancean el costo social de la espera con el costo asociado el consumo de recursos. Simulación de un proyecto de inversión. Para este tipo de situaciones el uso de simulación es ampliamente recomendado. Simulación de sistemas económicos. el rehusar entrar al sistema cuando la cola es excesivamente grande. etc. donde las variables involucradas son estocásticas. A través de simulación se puede analizar más fácilmente sistemas de inventarios donde todos sus parámetros(tiempo de entrega. el establecimiento y los servicios varios con la organización de que se trate.. circulante.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Hecho.

b) La fuente que genera la población de cliente. Una cola . Estos pueden ser finitos o infinitos. NOMENCLATURA DE LAS DIFERENTES LÍNEAS DE ESPERA El investigador británico P. en paralelo o mixtas. conocidas con el nombre de disciplina del servicio.servidores múltiple en serie Filas múltiples . Si el servidor esta desocupado. 1. Los clientes que se forman en una cola lo hacen en un área de espera. g) El número de servidores. Se refiere al orden lógico de clientes en la cola u determina que cliente se atendrán cuando un servidor este libre. Se dice que el tiempo de servicio es dependiente. llamado tiempo de servicio.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL ESTRUCTURA BÁSICA DE UNA LÍNEA DE ESPERA Una línea de espera esta construida por un cliente que requiere de un servicio (proporcionado por un servidor) en un determinado período. primero en ser atendido.servidores múltiples en paralelo con cambio de colas Filas múltiples .kendal introdujo en 1953 una notación pragmática para las diferentes líneas de espera la notación tiene la siguiente forma general: (a / b / c ) : ( d / e / f ) Pag 40 de 98 . el cliente abandona el sistema. las quejas de la gente que espera). que también puede ser finita o infinita). se proporciona el servicio a los elementos de cola. LIFO. Primero el proceso con el período de tiempo más corto. 4.servidores múltiples en paralelo. f) La disciplina de la cola. Primero en llegar. Las líneas de espera se pueden clasificar de acuerdo a: a) El número de clientes que pueden esperar en la cola. cuya distribuxión de probabilidad se puede o no conocer. es independiente cuando la duración del servicio no se afecta por este tipo de presiones. c) A la manera como esperan los clientes (en una cola o en varias. d) El tiempo transcurrido entre la llegada de un cliente y al inmediatamente anterior. 2. i) La estabilidad del sistema. Mi cliente será atendido en un período determinado de tiempo. PR. con o sin opción a cambiar de cola).servidores múltiples en paralelo con cambio de colas Una fila . Al finalizar este. Estas pueden estar en serie. Servicios de acuerdo a prioridad. 6. dependiente o independiente.un servidor Una cola .servidores múltiples un sistema abierto. Ultimo en llegar primero en ser atendido SIRO. Esta puede tener una producción finita o infinita (no confundir la población que espera. cuando varía (se alargue o se acorta) por factores de presión del sistema (por ejemplo. Los clientes entran aleatoriamente al sistema y forman una o varias colas (o líneas de espera) para ser atendidos. Este intervalo de tiempo puede ser una constante o una variable aleatoria. Que puede ser estable o transitoria. de acuerdo a ciertas reglas preestablecidas. e) El tiempo de servicio. Servicio en orden aleatorio SPT. Filas múltiples . Políticas de ordenamiento FIFO. 5. uno o más h) La estructura de las estaciones de servicio. 3.

y "m . en el caso de S(S a 1) servidores. Representan la tasa combinada de servicios a la cual trabajan todos los servidores ocupados. Para el símbolo d se utiliza el siguiente código: FCFS o FIFO: Primero en llegar primero en ser atendido LCFC o LIFO: Ultimo en llegar.s" formados en la cola. esperando en la cola y recibiendo un servicio. NOTACIÓN DE LA TEORÍA DE LÍNEAS DE ESPERA En forma resumida se tiene la siguiente notación: λ: Número promedio de llegadas al sistema por unidad de tiempo. e: Máximo número de clientes que pueden estar en el sistema (esperando y recibiendo servicio) f: Fuente de generación de clientes. GD: Disciplina general de servicio.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL donde: a: Distribución de llegada b: Distribución del servicio c: Numero de servidores en paralelo en el sistema. E: Llegada y servicios distribuidos respectivamente con distribución de Frlang y Gama. Ts:: Esperanza (valor esperado) del tiempo de espera para que se proporcione servicio a la ultima llegada de la cola. d: Disciplina del servicio. μ0:: Número esperado de servicios por unidad de tiempo cuando existen "n" clientes en el sistema. ρs= λ/(Sμ): Factor de utilización de un sistema con servidores múltiples. GI: Llegada con una distribución general independiente. Ts:: Esperanza (valor esperado) del tiempo de espera para que la ultima llegada de la cola abandone el sistema una vez que se haya proporcionado el servicio. Pag 41 de 98 . SIRO: Servicio en orden aleatorio SPT: Primero el proceso con el periodo de tiempo más corto RPP: Servicio prioritario abortivo. 1/λ: Tiempo promedio que transcurre entre dos llegadas consecutivas. G: servicios con una distribución general independiente. es decir. primero en ser atendido. L: Valor esperado del número de gentes formadas en la cola. P0(t): Probabilidad de que en el momento "t" de arriba a la cola al sistema se encuentre vacío. S: Número de servidores en el sistema. D: Llegada o servicio determinado. SE UTILIZAN LOS SIGUIENTES CÓDIGOS PARA LOS SÍMBOLOS a y b: M: Llegada con distribución de Poinsson y servicio distribuido exponencialmente. W: Valor esperado del numero de gentes en el sistema. μ: Número promedio de llegadas al sistema por unidad de tiempo ρ= λ/μ: Factor de utilización del sistema con un servidor. recibiendo servicio. P0(t): Probabilidad de que en el momento "t" de arriba a la cola se encuentren "m" personas en el sistema "S". º/μ: Número esperado de llegadas de nuevos clientes por unidad de tiempo. cuantas en el existen "n" en el sistema.

P (Tw > h) = e − μ (1− p ) h MODELOS DE LÍNEAS DE ESPERA UNA COLA DES SERVIDORES MÚLTIPLES EN PARALELO M/M/C/ ∞ POLÍTICAS Se sirve a los clientes en orden de llegada El servicio lo proporciona el primer servidor que este desocupado Todos los servidores están desocupados al principio y se irán ocupando en forma progresiva. Pag 42 de 98 . P (W > Z ) = p ( z +1) b) la probabilidad que la espera total en la cola “Ts” sea mayor a “g” unidades de tiempo.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL C0: Número esperado de clientes que no requieren de un servicio en el momento de arribar al sistema (solo tiene sentido para el caso de población finita) μs: Utilización promedio de cada uno de los "S" servidores (S a 1). P(Ts > g ) = pe − μ (1− p ) g c) La probabilidad que la espera total en el sistema “Ts” sea mayor a “g” unidades de tiempo. S>1. dada en porcentaje de y tiempo. S servidores en paralelo. UN SERVIDOR Y POBLACIÓN INFINITA M / M /1 = ∞ μ −λ P0 (t ) = μ Pm (t ) = p m (1 − p) ⎛λ⎞ Pm (t ) = ⎜ ⎟ P0 (t ) ⎜μ⎟ ⎝ ⎠ m λ2 μ (μ − λ ) λ W = μ −λ λ Ts = μ (μ − λ ) L= T w= Ts + 1 μ todas las expresiones anteriores permiten calcular: a) la probabilidad que el número de gentes en el sistema “W” sea mayor a Z. FORMULACIÓN PARA UNA COLA. Se observa que cuando el número de elementos (m) en la cola y en las estaciones de servicio es mayor que el número de servidores (S) se tiene (m>s).

......................................................................................................... −1 ⎡ s −1 1 ⎛ λ ⎞ m 1 ⎛ λ ⎞ s Sμ ⎤ Po(t ) = ⎢ ∑ ⎜ ⎟ + ⎜ ⎟ ⎥ ⎜ ⎟ S ! ⎜ μ ⎟ ( Sμ − λ ) ⎥ ⎝ ⎠ ⎢ m =0 m! ⎝ μ ⎠ ⎣ ⎦ Po(t ) ⎛ λ ⎞ ⎜ ⎟ Pm(t ) = m! ⎜ μ ⎟ ⎝ ⎠ M ...................................................................................................................2b s ⎛ ⎞ ⎛λ⎞ ⎜ ⎟ λμ ⎜ ⎟ ⎜μ⎟ ⎜ ⎟ ⎝ ⎠ L=⎜ ⎟ Po(t ) ( S − 1)!( Sμ − λ ) 2 ⎟ ⎜ ⎜ ⎟ ⎝ ⎠ ... Factor de utilización= SERVIDORES  [λ / (Sμ )]<1...................... en M/M/C se requiere que se cumpla quiere decir que la línea de espera no tiende a crecer sin freno. lo cual [λ / (Sμ )]<1...................5 Pag 43 de 98 .........................ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL   1 LLEGADAS  CUENTES  ATENDIDOS  2 3 4 Al igual que en M/M/1( λ / μ ) <1.............................4 Ts = L λ .........................2a ⎛ Po(t ) ⎞⎛ λ ⎞ ⎜ ⎟ Pm(t ) = ⎜ ( m − g ) ⎟⎜ ⎟ ⎠⎝ μ ⎠ ⎝ S!S m para m>S ..............................1 para m ≤ S ..3 W =L+ λ μ ...............................................................................

1 se suponga que en el cruce fronterizo de México y estados Unidos .ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Tw = Ts + 1 μ ..... Solo se puede dar servicio en esa bomba a un autobús a la vez. Pag 44 de 98 .......... La gasolinera tiene 6 bombas... La línea de trafico de los Estados Unidos a México se difurca a 5 garitas de inspección migratoria y aduanera.. mientras que el numero de servicios tiene una distribución exponencial negativa con μ igual a 8 servicios por hora... El promedio de llegadas a la bomba diesel es de 5 autobuses por hora...... así que las garitas migratorias y aduaneras proporcionan servicio en la medida que se desocupan.5.... SIMSCRIPT 11.... ∞ Ejemplo No..... mientras que los servicios promedios de una hora son de 7 por hora. y se atiende el primer término el primer automóvil de la cola y así sucesivamente.. y SLAM II. Por decreto gubernamental. una en dirección de México Estados unidos y la otra en sentido contrario. Encuentre todos los parámetros que describan cuantitativamente a esta bomba diesel. Después de haber obtenido todos los parámetros.....A... considere que cada autobús de la línea “El Saltiti de Mota S. y Eagle pass... 1 (M/M/1 POBLACIÓN INFINITA) Petróleos Mexicanos estudia la utilización de la gasolinera que se encuentra en el km..” LENGUAJES Y PAQUETES DE SIMULACION SIMAN V.... y si sirve a los autobuses en el orden en que llegan a la bomba. Las llegadas de autobuses que cargan diesel muestran una distribución que se aproxima a la de poison.. 70 de la carretera Estatal Toluca-Valle...... se pueda tomar una decisión de la instalación de otras bombas diesel en ese lugar. MODELOS DE LÍNEA DE ESPERA EJEMPLO NO.......... mientras que el servicio muestra una distribución exponencial...........6 UNA COLA SERVIDORES MÚLTIPLES EN PARALELOS POBLACIÓN INFINITA M/M/C..... 4 para gasolina nova... en el Estado de México... Texas..... para que posteriormente... Suponga que las llegadas de automóviles tienen una distribución de poison con λ igual a 15 llegadas por hora... 1 para gasolina extra y otra para diesel......... no existe prioridad de trato.. localizado entre las poblaciones de Piedras Negras Coahuila.... existe un puente sobre el rió bravo con dos líneas de trafico.

Inc. AUTOMOD. colas y variables. construya mapas y parcelas de tiempo de variables. Se llaman objetos a las entidades que fluyen a través del sistema. La animación del rendimiento de la simulación que también usa SIMGRAPHICS se construye. Pag 45 de 98 . GPSS puede ser acostumbrado a modelar una situación donde las sanciones sigan a través de un sistema. encapsulacion. recursos. El idioma le permite una interface a C para que extendiendo bibliotecas de fuente de C y código del objeto puedan ser incluidos programas MODSIM III. El analista de la simulación desarrolla una red que consiste en nodos y ramas. Construir las estructuras a orientación de objetos incluyen sola y múltiple herencia. De la CACI Productos Compañía. La red es entonces transitada por declaraciones reconocidas por la computadora y usa SLAMSYSTEM en formato de texto por el analista de la simulación. polymorphism. de AutoSimulations.5.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Son lenguajes de simulación de alto nivel. El propósito general del lenguaje de programación de simulación es el de orientación de objetos. Simulación en MODSIM III. cargas. Estos se diseñaron especialmente para facilitar el modelo figura-mg. el lenguaje de simulación es de alto nivel con FORTRAN y versiones de C. Es dedicado a la simulación del modelado y el análisis. interfaces con el animador de CACI SIMGRAPHIS II. Es altamente estructurado. el pastel traza. representando los procesos pictóricamente BIRF el sistema. El microprocesador y las versiones de workstation incluyen la animación de SIMGRAPHICS y paquete de los gráficos. GPSS. es un idioma que les permite a modelos ser construidos a que el proceso-orienta o el evento-orienta. SIMAN V. Tiene rasgos de la programación generados incluso la especificación de procesos y procedimientos del proceso. La sintaxis y estructura están basados en OB MODULA-2. abstracción de los datos y ocultación de información. SLAM II. combina los rasgos en general donde el idioma de simulación propone y tiene un propósito especial el simulador del manejo de material. El generador del informe SIMSCRIPT ilustra medios para los informes generadores. Es un lenguaje compilado que es muy portátil. Simulación en SIMSCRIPT 11. Estos lenguajes le proporcionaran una opción de orientaciones al analista de simulación. Hereda mucha de su sintaxis Modula-2 y Ada. SLAM II que permiten un evento de planificación u orientación de los procesos. El bloque se prepara en una computadora reconocida junto con las declaraciones de mando y a la simulación realizada por procesador. encuadernación dinámica de objetos. o una combinación de ambos acercamientos. Son el descendiente de un idioma que la CACI Productos Compañía diseña originalmente para el Ejercito Americano. MODSIM III. ciertos rasgos de Ada y sus conceptos de la simulación de SIMSCRIPT y Simula. Comercializado por Corporación de Pritsker de Indiana. SIMSCRIPT puede ser acostumbrado a producir gráficos de calidad de presentación dinámicos o estáticos como histogramas. AutoMod.

ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL
SUB-ÁREA: INGENIERIA INDUSTRIAL

El GPSS fue iniciado por IBM en el año de 1961. El GPSS/H es flexible y es una poderosa herramienta de simulación.
SIMULADORES DE APLICACIÓN EFECTIVA.

SIMFACTORY 11.5.
Es un simulador de la fabrica escrito por SIMSCRIPT 11.5 y MODSIM III a BIRF III para ingenieros que no son que no tienen mucho tiempo en el análisis de simulacion. Un sistema fácil en SIMFACTORY 11.5 puede planearse rápidamente. Un modelo se construye mejor por fases definiendo el esquema que consiste en estaciones de proceso, pulidores, áreas de receiv-mg y caminos de transporte. Primero se definen los productos, después los recursos, próximamente los transportadores y finalmente las interrupciones.

El flujo planeado flexible se apoya.

PROMODEL. En ProModel, de la Corporación de ProModel, un modelo es construido defin-ing una ruta para una parte o partes, definiendo las capacidades de cada una de las situaciones a lo largo y definen recursos adicionales como operadores o adornos, definiendo el sistema del manejo del material, fijándose en las llegadas de la parte, y especificando los parámetros de la simulación. El software entonces sugiere al usuario como definir el esquema y los elementos dinámicos en la simulación. Algunos rasgos de ProModel son: 7. Proporciona interfaces intuitivas, dialogo interactivo y ayudas de online. 8. Sincronización e intercambio de los datos. 9. Se ofrece un tamaño casi ilimitado. 10. El simulador ofrece a un 2-D editor de los gráficos para descascarar y rodar. Pueden definirse iconos o usar un vector basado en gráficos de pixel. Estos iconos se ahorran tiempo para la animación rápida durante la simulación. 11. Pueden importarse dibujos como Clipart asi como la informacion del proceso y horarios. 12. Se integra el modelo de la simulacion y animacion. 13. Se proporcionan gráficos del rendimiento comercial automáticamente y pueden imprimirse de color. 14. Se proporcionan estructuras de Preprogramacion. Esto permite planear rápidamente la multiunidad y situaciones de multi-capacidad, recursos compartidos y móviles, el abajo-tiempo, cambios y para que OB. 15. Las estadísticas automáticas están disponibles. 16. Los submodelos permiten la creación de una biblioteca de plantillas de pasos de trabajo, actividades o subalternos procesos que pueden reusarse. TAYLOR II. Es un producto holandés desarrollado por simulaciones de F&H B.V. UN BIRF Taylur. Consiste en cuatro entidades fundamentales: elementos, trabajos, asignaciones de ruta e investigar productos. Los tipos del elemento son: maquina, el pulidor, portador, transporta, camino, ayuda y deposito. Uno o más funcionamientos pueden tener lugar a un elemento. ARENA. De los sistemas de Corporación Modelada, es una simulacion extensible y paquete de la animacion. Se piensa que proporciona el poder de SIMAN, aquellos que aprendieron ese lenguaje es pesado asi como el uso de las herramientas usadas por desarrolladores de SIMAN. Asuma que una persona, es un analista de simulacion, quiere usar SIMAN. Actualmente el o ella debe entender que los bloques se usaron en el modelo y los elementos que usaron en el marco
Pag 46 de 98

ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL
SUB-ÁREA: INGENIERIA INDUSTRIAL

del experimento para proceder. Usando las plantillas de solución de aplicación de ARENA, el usuario podría extraer un modulo, poniéndolo en una situación apropiada y parametrice el idioma de SIMAN. Se piensa que la ARENA aumenta su funcionalidad para él. VENTAJAS Y DESVENTAJAS DE LOS LENGUAJES DE SIMULACION VENTAJAS Thomas H. Naylor ha sugerido que un estudio de simulación es muy recomendable porque presenta las siguientes ventajas: - A través de un estudio de simulación, se puede estudiar el efecto de cambios internos y externos del sistema, al hacer alteraciones en el modelo del sistema y observando los efectos de esas alteraciones en el comportamiento del sistema. - Una observación detallada del sistema que se está simulando puede conducir a un mejor entendimiento del sistema y por consiguiente a sugerir estrategias que mejoren la operación y eficiencia del sistema. - Simulación puede ser utilizada como un instrumento pedagógico para enseñar a estudiantes habilidades básicas en análisis estadístico, teórico, etc. - La simulación de sistemas complejos puede ayudar a entender mejor la operación del sistema, a detectar las variables más importantes que interactúan en el sistema y a entender mejor las interrelaciones entre estas variables. - La técnica de simulación puede ser utilizada para experimentar con nuevas situaciones sobre las cuales se tiene poca o ninguna información. A través de esta experimentación se puede anticipar mejor a posibles resultados no previstos. - La técnica de simulación se puede utilizar también para entrenamiento de personal. En algunas ocasiones se puede tener una buena representación de un sistema ( como por ejemplo los juegos de negocios ), y entonces a través de él es posible entrenar y dar experiencia a cierto tipo de personal. - Cuando nuevos elementos son introducidos en un sistema, la simulación puede ser usada para anticipar cuellos de botella o algún otro problema que puede surgir en el comportamiento del sistema. - Los sistemas los cuales son sujetos de investigación de su comportamiento no necesitan existir actualmente para ser sujetos de experimentación basados en la simulación. Sólo necesitan existir en la mente del diseñador. - El tiempo puede ser compresado en los modelos de simulación. El equivalente de días, semanas y meses de un sistema real en operación frecuentemente pueden ser simulados en solo segundos, minutos u horas en una computadora. Esto significa que un largo número de alternativas de solución pueden ser simuladas y los resultados pueden estar disponibles de forma breve y pueden ser suficientes para influir en la elección de un diseño para un sistema. - En simulación cada variable puede sostenerse constante excepto algunas cuya influencia esta siendo estudiada. Como resultado el posible efecto de descontrol de las variables en el
Pag 47 de 98

ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL
SUB-ÁREA: INGENIERIA INDUSTRIAL

comportamiento del sistema necesitan no ser tomadas en cuenta. Como frecuentemente debe ser hecho cuando el experimento está desarrollado sobre un sistema real. - Es posible reproducir eventos aleatorios idénticos mediante una secuencia de números aleatorios. Esto hace posible usar las técnicas de reducción de varianza para mejorar la precisión con la cual las características del sistema pueden ser estimadas para dar un valor que refleje el esfuerzo de la simulación.
DESVENTAJAS

Algunas desventajas importantes de la técnica de simulación son: - Falla al producir resultados exactos. Se supone que un sistema esta compuesto de uno o más elementos que están sujetos a un comportamiento al azar. Cuando una simulación es desarrollada con un modelo sistema, los valores de cada variable son registrados y los promedios de estos valores son dados en una postsimulación. Pero el promedio en una muestra de observación solo a veces provee un estimado de lo esperado, es decir, una simulación solo provee estimados, no resultados exactos. - Fallas al optimizar. La simulación es usada para contestar preguntas del tipo “ ¿Qué pasa si? “ pero no de “ ¿Qué es lo mejor? “. En este sentido, la simulación no es una técnica de optimización. La simulación no genera soluciones, solo evalúa esas que han sido propuestas. - Largo tiempo de conducción. Un estudio de simulación no puede ser conducido o llevado a cabo en solo un fin de semana. Meses de esfuerzo pueden ser requeridos para reunir información, construir, verificar y validar modelos, diseñar experimentos y evaluar e interpretar los resultados. - Costos para proveer capacidad de simulación. El establecimiento y mantenimiento de capacidad de simulación, implica el tener el mejor personal, software, hardware, entrenamiento y otro tipo de costos.

S IMULACIÓN MÉTODO MONTE CARLO
Simulación : es el proceso de diseñar y desarrollar un modelo computarizado de un sistema o
proceso y conducir experimentos con este modelo con el propósito de entender el comportamiento del sistema o evaluar varias estrategias con las cuales se puede operar el sistema (Shannon Robert)

Modelo de simulación: conjunto de hipótesis acerca del funcionamiento del sistema expresado como relaciones matemáticas y/o lógicas entre los elementos del sistema. Proceso de simulación: ejecución del modelo a través del tiempo en un ordenador para generar
muestras representativas del comportamiento.

Métodos de simulación
Simulación estadística o Monte Carlo: Está basada en el muestreo sistemático de variables aleatorias. Simulación continua: Los estados del sistema cambian continuamente su valor. Estas simulaciones se modelan generalmente con ecuaciones diferenciales. Simulación por eventos discretos: Se define el modelo cuyo comportamiento varía en instantes del tiempo dados. Los momentos en los que se producen los cambios son los que se identifican como los eventos del sistema o simulación.
Pag 48 de 98

¿Por qué Simulación Investigación Operativa? en que puedan ocurrir. También podemos implementar aplicaciones en los lenguajes Fortran. No debe existir correlación serial Se generan por tablas (Rand 1955). En la práctica se utilizan algoritmos y se generan números pseudo aleatorios. Etapas del proceso de simulación Definición. Podemos afirmar entonces. Verificaciçon y Validación del modelo. en los que se divide al comportamiento del sistema en subsistemas más pequeños denominadas células. Generación de Números Pseudo aleatorios Centros Cuadrados: _ 442 = 1936 _ 93 Métodos Congruenciales: _ xn =(axn-1 + c) (mod m Transformación Inversa Pag 49 de 98 Los responsables de la toma de decisiones necesitan información cuantificable. SDL/SIM. Para casos simples podemos recurrir a la utilización de planillas de cálculo. MISTRAL Simulación a Eventos Discretos: GPSS. sobre diferentes hechos . descripción del problema. SIMSCRIPT.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Simulación por autómatas celulares: Se aplica a casos complejos. 360 CSMP y DYNAMO. Se debe asegurar la existencia de secuencias largas y densas. nos permite equivocarnos sin provocar efectos sobre el mundo real. Se generan por algoritmos o fórmulas. Análisis de resultados Diagrama de flujo del modelo de simulación Lenguajes de simulación Simulación Continua: 1130/CSMP. Programación . o por dispositivos especiales: ruleta. Dephi. Números Pseudo aleatorios Sustituyen a los números aleatorios. La simulación constituye una técnica económica que nos permite ofrecer varios escenarios posibles de un modelo del negocio.. que la simulación es una rama experimental dentro de la Investigación Operativa. Números aleatorios Deben tener igual probabilidad de salir elegidos. Plan. Diseño de experimentos y plan de corridas. Java. El resultado de la simulación está dado por la interacción de las diversas células. C++. Formulación del modelo.

proviene del trabajo de la bomba atómica durante la Segunda Guerra Mundial. al menos exponencialmente con M. por otro lado. Jerrum y Sinclair (1988) Pag 50 de 98 . Pero en el método Monte Carlo. En la práctica. Un ejemplo sería el famoso problema de las Agujas de Bufón. Este trabajo involucraba la simulación directa de problemas probabilísticos de hidrodinámica concernientes a la difusión de neutrones aleatorios en material de fusión. John von Neumann y Stanislao Ulam refinaron esta curiosa ``Ruleta rusa'' y los métodos``de división''. Sin embargo. para solucionar estas integrales se usaron números aleatorios. El uso real de los métodos de Monte Carlo como una herramienta de investigación. Broder(1986). Alrededor de 1970. Metropolos y Ulam obtuvieron estimadores para los valores característicos de la ecuación de Schrödinger para la captura de neutrones a nivel nuclear. INTRODUCCIÓN Bajo el nombre de Método Monte Carlo o Simulación Monte Carlo se agrupan una serie de procedimientos que analizan distribuciones de variables aleatorias usando simulación de números aleatorios. un suceso aleatorio o pseudo-aleatorio se usa para estudiar el modelo. Posteriormente se utilizó para cualquier esquema que emplee números aleatorios. Sin embargo hay varias instancias (aisladas y no desarrolladas) en muchas ocasiones anteriores a 1944. Dyer(1989) utiliza MC para estimar el volumen de un convex body en el espacio Euclidiano M-dimensional. Generalmente en estadística los modelos aleatorios se usan para simular fenómenos que poseen algún componente aleatorio. HI STORIA El método fue llamado así por el principado de Mónaco por ser ``la capital del juego de azar''. ya sea estocástico o determinístico. Aproximadamente en el mismo año. El método es aplicable a cualquier tipo de problema. donde el tiempo no juega un papel importante. La simulación de Monte Carlo también fue creada para resolver integrales que no se pueden resolver por métodos analíticos. La cuestión a ser resuelta era si MC pudiese o no estimar la solución al problema de tipo intratable con una adecuación estadística acotada a una complejidad temporal polinomial en M. los desarrollos teóricos en complejidad computacional comienzan a proveer mayor precisión y relación para el empleo del método Monte Carlo. Fermi. usando variables aleatorias con distribuciones de probabilidad conocidas. Aún en la primera etapa de estas investigaciones. el objeto de la investigación es el objeto en sí mismo. el cual es usado para resolver ciertos problemas estocásticos y determinísticos. el desarrollo sistemático de estas ideas tuvo que esperar el trabajo de Harris y Herman Kahn en 1948.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL _ x=F-1(x) siendo F(x)=Prob(X<=x) S IMULACIÓN MONTE CARLO Los métodos de Monte Carlo abarcan una colección de técnicas que permiten obtener soluciones de problemas matemáticos o físicos por medio de pruebas aleatorias repetidas. El nombre y el desarrollo sistemático de los métodos de Monte Carlo datan aproximadamente de 1944 con el desarrollo de la computadora. El Método de Monte Carlo da solución a una gran variedad de problemas matemáticos haciendo experimentos con muestreos estadísticos en una computadora. en estos casos un parámetro determinista del problema se expresa como una distribución aleatoria y se simula dicha distribución. A veces la aplicación del método Monte Carlo se usa para analizar problemas que no tienen un componente aleatorio explícito. La teoría identifica una clase de problemas para los cuales el tiempo necesario para evaluar la solución exacta al problema crece con la clase. Karp(1985) muestra esta propiedad para estimar en una red plana multiterminal con arcos fallidos aleatorios. al tomar una ruleta como un generador simple de números aleatorios. las pruebas aleatorias se sustituyen por resultados de ciertos cálculos realizados con números aleatorios.

Analizar los resultados Las principales características a tener en cuenta para la implementación o utilización del algoritmo son: El sistema debe ser descripto por 1 o más funciones de distribución de probabilidad (fdp) Generador de números aleatorios: como se generan los números aleatorios es importante para evitar que se produzca correlación entre los valores muestrales.A. Muestrear valores de las variables aleatorias.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL establecen la propiedad para estimar la persistencia de una matriz o en forma equivalente. el número de matching perfectos en un grafo bipartito. el cual se basa en las distribuciones acumuladas de frecuencias: Determinar la/s V. desvío. ALGORITMOS El algoritmo de Simulación Monte Carlo Crudo o Puro está fundamentado en la generación de números aleatorios por el método de Transformación Inversa. desviación estándar error y realizar el histograma. Este método de generación de variable aleatoria se llama Transformación Inversa.A. Establecer límites y reglas de muestreo para las fdp: conocemos que valores pueden adoptar las variables. cuanto error podemos aceptar para que una corrida sea válida? Técnicas de reducción de varianza. Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo a simular. para el número aleatorio generado de acuerdo a las clases que tengamos. y sus distribuciones acumuladas(F) Generar un número aleatorio uniforme (0. Calcular media. Incluir posibles dependencias entre variables. Determinar el valor de la V. cuando la variable aleatoria no es directamente el resultado de la simulación o tenemos relaciones entre variables es la siguiente: Diseñar el modelo lógico de decisión Especificar distribuciones de probabilidad para las variables aleatorias relevantes. Analizar resultados para distintos tamaños de muestra. Otra opción para trabajar con Monte Carlo. Estimación Error: Con que error trabajamos. Pag 51 de 98 . Paralelización y vectorización: En aplicaciones con muchas variables se estudia trabajar con varios procesadores paralelos para realizar la simulación. EJEMPLO PRACTICO I Tenemos la siguiente distribución de probabilidades para una demanda aleatoria y queremos ver que sucede con el promedio de la demanda en varias iteraciones: Utilizando la distribución acumulada (F(x) es la probabilidad que la variable aleatoria tome valores menores o iguales a x) podemos determinar cual es el valor obtenido de unidades cuando se genera un número aleatorio a partir de una distribución continua uniforme. Calcular el resultado del modelo según los valores del muestreo (iteración) y registrar el resultado Repetir el proceso hasta tener una muestra estadísticamente representativa Obtener la distribución de frecuencias del resultado de las iteraciones Calcular media.1).

el siguiente mayor es 0. para 42 sería 0. para poder emplear la función BUSCARV(). Para funciones continuas se puede hallar la inversa de la función acumulada. Para poder simular los valores de esta variable utilizaremos la fórmula ENTERO(8+5*ALEATORIO()). ese valor exacto no aparece. en este caso 48. trazando una recta desde el eje de la frecuencia hasta que intersecta con la línea de la función acumulada.12.9. A través de la simulación veremos que valores va a tomar el valor neto actual (VNA. De esta forma logramos a partir de la distribución de densidad calcular los valores de la variable aleatoria dada.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Generando los valores aleatorios vamos a ver como se obtiene el valor de la demanda para cada día. es una distribución discreta uniforme. En la columna correspondiente al año 1 se han indicado las formulas que definen cada valor) en los 4 años. Debido a que los intervalos son todos de igual tamaño (1/5). luego se baja a la coordenada de unidades y se obtiene el valor correspondiente. utilizando el siguiente modelo matemático de la situación: Pag 52 de 98 .70 y corresponde a 48 unidades. El VNA es calculado mediante la formula correspondiente del Excel con un interés del 10% ( ).11. para 43 0. éste debe se menor que el de la fila seleccionada pero mayor que el de la fila anterior). el valor simulado se acerca al valor original de la media y desviación estándar. Se puede apreciar mejor en el gráfico. es igualmente posible que ALEATORIO() llegue a cada uno de ellos.52. Cuando trabajamos con variables discretas la función acumulada tiene un intervalo o salto para cada variable (para casos prácticos hay que definir los intervalos y luego con una función de búsqueda hallar el valor). una vez encontrado ( si no es el valor exacto.100001 y así sucesivamente).10. Se busca el número aleatorio generado en la tabla de probabilidades acumuladas. de esa fila tomada como solución se toma el valor de las unidades (Cuando trabajamos en Excel debemos tomar el límite inferior del intervalo para busca en las acumuladas. interesándonos en este caso como es el orden de aparición de los valores. ¿a qué valor de unidades corresponde? Nos fijamos en la columna de frecuencias acumuladas. La función ALEATORIO() de Excel genera un número en el intervalo (0:1) de una distribución uniforme continua. Ejemplo: Supongamos que el número aleatorio generado sea 0. Con los datos de la siguiente tabla: La demanda es la variable aleatoria de nuestro modelo. vemos como a medida que aumenta el numero de simulaciones. además de la disminución del error típico. EJEMPLO PRACTICO I I Analizaremos ahora una propuesta para la fabricación de un nuevo artículo durante 4 años. ya que puede tomar los siguientes valores: 8. y por lo tanto es igualmente posible que la fórmula de cualquiera de los cinco valores posibles. En la siguiente tabla.

También. También el modelo nos presenta mayor variabilidad para los valores máximo y mínimo. -20000. Econometría. Análisis de datos) e Histograma (las clases que utilizamos son: -30000. Pag 53 de 98 . 20000. Sistemas de inventario P y Q.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Ahora realizaremos varias corridas con diferentes tamaños de muestra para ver que sucede con el VNA. 10000. Diseño de reactores nucleares. En la columna VNA copiamos con pegado especial(fórmula) la celda del modelo en la cual se calcula el VNA. 0. Prospecciones en explotaciones petrolíferas. Sistemas de colas. Ecología. Diseño de VLSI. Cromo dinámica cuántica. Luego para cada tamaño de muestra aplicaremos Estadística descriptiva (En herramientas. APLICACIONES Criptografía. Seleccionamos toda la tabla y con la herramienta Tabla en Datos se forma una tabla dinámica que contendrá las simulaciones para la cantidad de iteraciones que hagamos. disminuye notablemente el error. como podemos observar en el gráfico. Radioterapia contra el cáncer. Métodos cuantitativos de organización industrial. Evolución estelar. Pronóstico del índice de la bolsa. Programas de computadora. Densidad y flujo de tráfico. 30000) Ahora realizamos una síntesis de las Simulaciones desarrolladas para poder ver que sucedió con el modelo: El valor de la media y desviación estándar se estacionan a medida que aumenta la cantidad de iteraciones. Física de materiales. Valoración de cartera de valores. -10000. Armamos en otra hoja un cuadro con dos columnas y tantas filas como iteraciones(tamaño de la muestra) deseemos realizar.

en el caso de los censos. para recolectar informacion de una determinada “poblacion”. El muestreo puede ser más exacto: Esto es en el caso en el que el estudio sobre la población total puede causar errores por su tamaño o. Es el caso en el que realizar el estudio sobre toda la población llevaría a la destrucción misma de la población. básicamente es una técnica de muestreo artificial. Un área de investigación está constituida por los métodos Quasi-Monte Carlo. como lo son: la importancia y nesecidad de realizar “El Muestro del Trabajo”. pues aparte de que estudiar una población resulta ser un trabajo en ocasiones demasiado grande. Wonnacott y Wonnacott ofrecen las siguientes razones extras: Recursos limitados: Es decir. el empleo de diagramas de control en esta tecnica. no existen los recursos humanos. además de la disminución de los costos por personal. como con el uso de algún software. trata de la importancia que tiene el muestreo del trabajo. Introducción 2.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL S INTES I S El método de Monte Carlo es una herramienta de investigación y planeamiento. es decir se pueden elaborar distintos modelos e ir intercambiando parámetros para estudiar cuales son los posibles resultados. En lo referente a este informe podemos identificar algunos puntos importantes acerca del tema. Cuando el tamaño de las muestras es relativamente reducido. ademas le presentaremos el concepto. empleada para operar numéricamente sistemas complejos que tengan componentes aleatorios o determinísticos. Indice: 1. Muestreo Del Trabajo. en el uso de esta técnica. En Investigación Operativa. se explicara como se deben llevar a cabo las observaciones y los registros de datos de la manera mas adecuada y efectiva para lograr un resultado de mayor certeza. implica algo de incertidumbre que debe ser aceptada para poder realizar el trabajo. que sea necesario utilizar personal no lo Pag 54 de 98 . agilizando la obtención de datos y sus resultados. manteniendo tanto la entrada como la salida un cierto grado de incertidumbre. estos métodos básicamente acotan la generación de los números aleatorios. Pruebas destructivas. Mencionaremos algunos de los tipos de muestreo posibles a realizar. materiales o económicos para realizar el estudio sobre el total de la población. con la que se facilita el proceso del muestreo del trabajo. Mostrando los resultados de estos muestreos y así ejemplificar todo lo antes mencionado. como ya se mencionó. y sus formas especificas de uso adecuándose a los diferentes tipos de empresas y sus necesidades de uso. los usos de esta y la función que esta tiene en la empresa. Marco teórico 3. Finalmente daremos algunas de las aplicaciones reales que se han dado ya. Escasez: Es el caso en que se dispone de una sola muestra. la manera de llevarlo a cabo. 2. Monte Carlo es utilizado con fines experimentales. tanto mediante una manera manual. los resultados obtenidos en la simulación pueden ser muy sensibles a las condiciones iniciales. y así obtener un menor grado de “sesgo” . Marco teórico Importancia del Muestreo El muestro. En el caso de nosotros esta enfocada a la visión que debe tener un ingeniero industrial en cualquiera que sea su medio de trabajo. disminuyendo notablemente el tiempo de realización del proceso. y explicaremos un poco acerca del "diseño de la forma tabular para el muestreo del trabajo". Explicaremos la aplicación de la computación en esta técnica. Aplicaciones del autor Introducción Esta investigación. sus ventajas. Mencionaremos como determinar la frecuencia de las observaciones.

El software también permite el ingreso como entrada de condiciones especiales. para evaluar la utilización de las máquinas y para establecer estándares de producción. Diseño de la forma tabular para muestreo de trabajo. estará en condiciones de realizar el planteamiento detallado. Los números seleccionados pueden fijar entonces el tiempo desde el inicio del día de trabajo hasta el momento de efectuar las observaciones. Es posible determinar la frecuencia de las observaciones. Pag 55 de 98 . el estudio sobre una muestra podría ser realizada con menos personal pero más capacitado. El primer paso es efectuar una estimación preliminar de las actividades acerca de las que buscan información. Esto se puede expresar mejor como una tolerancia dentro de un nivel de confianza establecido. Este instrumento de bolsillo avisa por medio de un sonido que es el momento de realizar la siguiente observación. Una vez que el analista haya explicado el método y obtenido la aprobación del supervisor respectivo. mientras que. Los resultados del muestreo sirven para determinar tolerancias o márgenes aplicables al trabajo. El muestreo de trabajo es una técnica que se utiliza para investigar las proporciones del tiempo total dedicada a las diversas actividades que componen una tarea. El número de analistas disponible y la naturaleza del trabajo a estudiar influirán también en la frecuencia de las observaciones. Una vez hechas las estimaciones se debe determinar la exactitud que sea de los resultados. actividades o trabajo. Determinación de la frecuencia de las observaciones Esta frecuencia depende en su mayor grado de los números de observaciones requeridas y de los límites de tiempo aplicados al desarrollo de los datos. Muestreo de trabajo. Empleo de los diagramas de control. deberá muestrear el área o las áreas de interés durante un período corto y utilizar la información obtenida como base de sus estimaciones. El siguiente paso será diseñar la forma para muestreo de trabajo en la que se tabularán los datos y los diagramas de control que se utilizarán junto con el estudio. asígnese a cada numero una cantidad de minutos equivalente a 10 veces al valor del número. El analista llevará a cabo ahora una estimación del número de observaciones a realizar. Un método que se puede emplear consiste en tomar nueve números diariamente de una tabla estadística de números aleatorios. Esta estimación puede abarcar una o más actividades. Otro medio para ayudar a los analistas decidir cuando hacer observaciones diarias es un recordatorio aleatorio. por otro lado. El tiempo de trabajo de oficina disminuye El total de horas-trabajo a desarrollar por el analista es generalmente mucho menor El operario no esta expuesto a largos períodos de observaciones cronométricas Las operaciones de grupos de operarios pueden ser estudiadas fácilmente por un solo analista. que varíen. que es esencial antes de iniciar las observaciones reales. Ventajas del método de muestreo de: No requiere observación continua por parte de un analista durante un período de tiempo largo. El analista necesitará idear una forma de registro de observaciones para anotar de la mejor manera posible los datos que serán recopilados en la realización del estudio de muestreo de trabajo. Teoría de muestreo de trabajo. Con frecuencia la estimación se puede realizar razonable.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL suficientemente capacitado. La probabilidad de x ocurrencias de un evento en n observaciones: (p + q)^n = 1 p = probabilidad de una ocurrencia q = 1-p = probabilidad de que no haya ocurrencia n = número de observaciones Planeación del estudio de trabajo.

Muestreo de trabajo para el establecimiento de márgenes o tolerancias. Muestra aleatoria. El mejoramiento debe ser un proceso continuo y el porcentaje de tiempo muerto tiene que disminuir. Esto reducirá al mínimo la sensación de ser observado que experimentaría un operario. El analista debe aprender a efectuar observaciones o verificaciones visuales y realizar las anotaciones después de haber abandonado la zona de trabajo. La mayor parte del trabajo relacionado con el resumen de los datos de muestreo es de gabinete u oficina. se podrían registrar.. en que el investigador deliberadamente elige los objetos que han de ser estudiados (Figura 2). Tipos de Muestras: Hay dos principios alternativos que pueden seguirse cuando se elige una muestra: • Muestra aleatoria. El primer problema encontrado en la elaboración de un diagrama de control es la elección de los límites. El principio de la selección de los elementos en una muestra aleatoria es el mismo que cuando se reparten la baraja. La técnica se usa también para establecer estándares de producción. y determinar luego una tolerancia justa o de confianza. Todos los objetos de la población tienen iguales probabilidades de ser seleccionados Pag 56 de 98 . el diagrama se emplea con mucha frecuencia. etc. El muestreo de trabajo calificado por ejecución es especialmente útil para determinar la cantidad de tiempo que puede ser asignada por retrasos inevitables. suspensiones de trabajo. en que el azar determina que elementos se seleccionan (Figura 1).ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Tales estudios tratan exclusivamente con porcentajes o proporciones. el que continuaría trabajando así en la forma acostumbrada. Limitar los estudios individuales a grupos similares a máquinas u operaciones Utilizar un tamaño de muestra lo más grande posible Efectuar observaciones individuales en momentos al azar Realizar las observaciones en un período razonablemente largo. el número de idas al gabinete sanitario y al bebedero o fuente de agua. el número de interrupciones etc. • Muestra no aleatoria. El método de muestreo de trabajo es otra herramienta que permite al analista de estudio de tiempos obtener los datos de manera más rápida y fácil. Uno de los objetos del muestreo de trabajo es determinar áreas de actividad que podrían ser mejoradas. En resumen. Se debe caminar a un punto o una cierta distancia del equipo. analizar. las tolerancias por motivos personales y demoras inevitables se determinaban frecuentemente efectuando una serie de estudios de todo el día sobre varias operaciones y promediando luego sus resultados. Muestreo de trabajo computarizado. efectuar su observación y registrar los hechos. Los diagramas de control se pueden emplear para mostrar el mejoramiento progresivo de áreas de trabajo. utilización de una máquina y establecimiento de estándares de mano de obra directa e indirecta. los elementos que entran dentro de las demoras personales e inevitables se pueden mantener separados y determinar una tolerancia equitativa para cada clase o categoría. Observación y registro de datos. cronometrar. se buscan un equilibrio entre el costo de localizar una causa asignable cuando no exista ninguna. determinar la utilización de máquinas. Mediante una computadora puede ahorrarse un 35% del costo total de un estándar de muestreo de trabajo. deben tenerse presentes las siguientes consideraciones: Explicar y lograr la aceptación del método de muestreo de trabajo antes de utilizarlo. pues tales estándares deben cambiarse siempre que las condiciones varíen a fin de que sean realistas. Función del Muestreo del trabajo. efectuar asignaciones de trabajo. Esta idea especialmente importante si los estudios de muestreo de trabajo se utilizan para establecer tiempos estándares. las computadoras pueden evaluar no solamente los resultados diarios sino también los acumulados. mejorar métodos y establecimiento de estándares de mano de obra. al mecanizar o automatizar el proceso de cálculos repetitivos.

3) Muestra de voluntarios es creada cuando todos los miembros de la población tienen la oportunidad de participar en la muestra. 2) Muestra sistemática: Si la razón que se pretende es 1/n. 4) Una muestra de voluntarios suele ser una alternativa bastante sensata. y es igual al número de elementos de la muestra dividido por el número de la población. que se tratan en el punto Delimitar el objeto de estudio. Sin embargo. pero raramente usado en la investigación profesional. pero el sesgo suele ser imposible de estimar. 2) Muestra de conveniencia. de sesgo si hacemos personalmente la selección de la muestra. podríamos plantearnos el usar una muestra no aleatoria (o "no probabilística"). La idea es que éstos representan lo más auténtico de su época. Trabajar con papeletas es laborioso si la población es amplia. Este es un método fácil y barato. los voluntarios difieren de la media de la población en su mayor actividad. Pag 57 de 98 . Y la presencia de sesgo puede hacer imposible generalizar nuestros resultados. Por supuesto que esto generará un desequilibrio en las mediciones que se obtengan a partir de la muestra ponderada. Un modo de reducir el sesgo hasta cierto punto es dejar a otra persona o grupo la selección de los elementos.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL en la muestra. Pero si tenemos la población en un fichero de ordenador. hay una desventaja: corremos un gran riesgo de obtener demasiado sesgo en la muestra. La cuestión crucial entonces es ¿difieren del resto de la población también en otros aspectos?. una "muestra de probabilidad"): 1) Muestra aleatoria simple: La muestra se extrae a suertes. por ejemplo la gente en una reunión. por ejemplo. lo que significa que elegiremos a voluntad nuestra. y tras ello extraemos cada n-avo objeto. podemos incrementar deliberadamente la razón de la muestra sobre este grupo de especial importancia. igualmente. Tal selección deliberada por parte del investigador tiene no obstante riesgos serios. además. Un ejemplo es la respuesta voluntaria de los clientes que llega a una empresa. las respuestas que un investigador recibe a un anuncio en un periódico pidiendo a la gente sus opiniones. y menos aún la cantidad. Podemos considerar que esto puede ayudarnos a obtener los elementos que necesitamos estudiar directamente y. Esto es conveniente si tenemos una lista de objetos de la población. Esto se hace así cuando se combinan los resultados. no obstante. podría ser designado como muestra. el trabajo será fácil. Entre los tipos comunes de muestras no aleatorias se incluyen. Para evitar esto. El método es popular en las demostraciones de cursos sobre métodos. Hay métodos alternativos para crear una muestra aleatoria (en otras palabras. el investigador debe considerar cuidadosamente los riesgos de sesgo. hay el riesgo de que ningún miembro de ese grupo quede dentro de una muestra aleatoria. 1) Una muestra de "casos típicos" o los "mejores" casos son algo bastante tradicional en historia del arte: estudiamos solamente los "grandes maestros". Hay dos cuestiones que plantearse: ¿Es cierto que todos los miembros de la población concernida tenían las mismas oportunidades de ser incluidos en la muestra? Por definición. al calcular la media de todas las mediciones daremos a las mediciones de cada grupo su peso apropiado correspondiente a los porcentajes genuinos en la población. No seremos capaces siquiera de advertir la presencia. empezamos escogiendo el primer elemento al azar entre los primeros n objetos de la población. Esta probabilidad es llamada razón de muestreo (sampling ratio en inglés). actuar sin los tediosos procesos de selección aleatoria y verificación estadística. 3) Muestra aleatoria ponderada: Cuando la población incluye un grupo muy pequeño pero esencial. Un grupo existente. Muestras no aleatorias: Si consideramos que no precisamos cifras exactas sobre la representatividad estadística de nuestros resultados. pero será fácil restaurar el equilibro original. por ejemplo sacando papeletas numeradas de un sombrero.

y terminaremos el trabajo. Hay que hacer notar que las poblaciones amplias sólo requieren en casos excepcionales unas muestras mayores que las poblaciones pequeñas. Para calcular el tamaño de una muestra hay que tomar en cuenta tres factores: 1. En un proyecto de investigación con recursos limitados. De otro modo podríamos sufrir una sorpresa bastante desagradable cuando estemos intentando. podríamos también pedirles que nos indicasen personas que compartan sus puntos de vista y también otras que sean de opinión opuesta. La confianza o el porcentaje de confianza es el porcentaje de seguridad que existe para generalizar los resultados obtenidos. Algunos centenares de casos casi siempre son suficientes. muy vulnerable al muestreo sesgado. Cuando se entrevista a miembros de un grupo. podemos calcular el tamaño requerido de la muestra sobre la base de: • El número y tipo de variables y • El nivel deseado de representatividad estadística. 2. definir la población en que nuestros resultados puedan ser declarados válidos. pero su inconveniente es que no obtenemos una idea exacta de la distribución de las opiniones. por ese motivo no se presentan aquí. El nivel de variabilidad que se calcula para comprobar la hipótesis. Al igual que en el caso de la confianza. demasiado tarde. Esto quiere decir que un porcentaje del 100% equivale a decir que no existe ninguna duda para generalizar tales resultados. podemos simplemente ampliar gradualmente nuestra muestra y analizar los resultados según llegan. Tamaño de la muestra: Muestras aleatorias: Teóricamente. El error o porcentaje de error equivale a elegir una probabilidad de aceptar una hipótesis que sea falsa como si fuera verdadera. Muestras no aleatorias: No hay fórmula para determinar el tamaño de una muestra no aleatoria. tal vez queramos leer cómo debe ser evaluada la representatividad de los resultados a partir de una muestra no aleatoria. 3. Este es un buen método por ejemplo para recoger los distintos puntos de vista existentes en un grupo. especialmente en investigación cualitativa. podemos concluir que nuestra muestra está saturada. con lo que tenemos que ser muy cuidadosos y asegurarnos que no omitimos a ningún grupo de nuestra población. Este método es. Para evitar un costo muy alto para el estudio o debido a que en ocasiones llega a ser prácticamente imposible el estudio de todos los casos. Comúnmente en las investigaciones sociales se busca un 95%. pero también implica estudiar a la totalidad de los casos de la población. Cuando en casos nuevos ya no se presenta información nueva. sin embargo. Las formulas para el cálculo son exactas pero algo engorrosas de usar por las muchas alternativas que intervienen. Recuérdese también que es inútil incrementar el tamaño de la muestra si el principio de muestreo está sesgado. En proyectos importantes con amplios recursos se suele consultar a un estadístico para los cálculos. Antes de decidir el tamaño de una muestra no aleatoria. si se quiere eliminar el riesgo del error y considerarlo como 0%. podemos pedir a las personas que nos indiquen otros individuos en ese grupo que estén en la mejor posición para dar información sobre ese tema. Con frecuencia. El porcentaje de error que se pretende aceptar al momento de hacer la generalización. entonces se busca un porcentaje de confianza menor. o la inversa: rechazar a hipótesis verdadera por considerarla falsa. entonces la Pag 58 de 98 . la regla general es: usar una muestra tan amplia como nos podamos permitir. Entonces entrevistaremos a nuevos individuos y continuaremos del mismo modo hasta que no obtengamos nuevos puntos de vista de nuevos entrevistados. La muestra añadida simplemente estará igual de sesgada.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL 5) Muestra-bola de nieve. El porcentaje de confianza con el cual se quiere generalizar los datos desde la muestra hacia la población total.

85% y un 3. este informe le será de mucho interés. Variación de los precios de los medicamentos Ago. Esto indica que. al comprador de medicamentos continúa percibiendo una rebaja en los precios. Tabla 2. inferior a la inflación acumulada en un 4. el crecimiento de los precios de los medicamentos fue de un 6. 3. Pag 59 de 98 .74%. Delimitación del Estudio: La recolección de la información se realizó en el mes de agosto del 2000.78 puntos. 2 muestra la variación de los precios al consumidor con respecto a cada uno de los Informes. V Informe de Medicamentos. Se destaca el sostenimiento de los precios en el período entre agosto de 1999 y agosto del 2000 en las provincias de Heredia y Alajuela con un aumento de los precios de venta al consumidor de un 2.39%). Estudio sobre precios de Medicamentos en Costa Rica Si usted tiene que comprar medicamentos en farmacias privadas o conoce a alguien que tenga que hacerlo con frecuencia. Suma del costo de la canasta de medicamentos en las farmacias seleccionadas de la Gran Área Metropolitana. por lo que conviene correr un cierto riesgo de equivocarse. Se incluyeron 150 farmacias distribuidas en todo el país. Por favor tómese su tiempo y lea este importante documento. El porcentaje con que se aceptó tal hipótesis se denomina variabilidad positiva y el porcentaje con el que se rechazó se la hipótesis es la variabilidad negativa.61%. Comúnmente se aceptan entre el 4% y el 6% como error. Aplicaciones del autor Ejemplos propuestos y resueltos • La encuesta de opinión política • Auditoría contable. en términos relativos.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL muestra es del mismo tamaño que la población.Ago. 2000. En términos totales. indicadores muy inferiores a la inflación del período (11. La variabilidad es la probabilidad (o porcentaje) con el que se aceptó y se rechazó la hipótesis que se quiere investigar en alguna investigación anterior o en un ensayo previo a la investigación actual. Agosto. 1998. 2000 La tabla No. inventario muestral y registro en libros. tomando en cuenta de que no son complementarios la confianza y el error.V • La medida de desempleo • La productividad de café tipo base • Plan de control de calidad • Consumo medio de un producto Ejemplo: Consumo medio de un producto. • Consumo de gasolina en vehículos de servicio público • La distribución del tiempo libre • El rating de T. Provincia Cantidad de Farmacias San José 59 Alajuela 36 Heredia 8 Cartago 13 Puntarenas 10 Guanacaste 10 Limón 9 Total 145 Tabla #1 / Fuente: Base de datos.

2.941 ¢34. Introducción al muestreo. Agosto.823 3. tal como una media aritmética. Terminología básica para el muestreo Los nuevos términos. Fuente: Base de datos. Costo de la canasta Costo de la canasta Variación Agosto 1999 Agosto 2000 Porcentual Alajuela ¢891.61% Tabla # 2 / Análisis de Ganancias en las Farmacias del Diferencia Respecto a la Inflación del período (11. los datos comparativos son favorables para el consumidor final. Concepto e importancia Es la actividad por la cual se toman ciertas muestras de una población de elementos de los cuales vamos a tomar ciertos criterios de decisión.65% -3.78% Heredia ¢33. los cuales son frecuentemente usados en inferencia estadística son: Estadístico: Un estadístico es una medida usada para describir alguna característica de una muestra .344 ¢413.417. el proceso de estimación en inferencia estadística puede ser descrito como le proceso de estimar un parámetro a partir del estadístico correspondiente. Los símbolos usados para representar los estadísticos y los parámetros. Cuando los dos nuevos términos de arriba son usados.968 7.643. una mediana o una desviación estándar de una población. en éste y los siguientes capítulos. V Informe de Medicamentos.M. por ejemplo. tal como una media aritmética. Métodos de selección de muestras.78% Gran Área Metropolitana Al realizar el análisis del margen de ganancia por provincia en la etapa de venta al consumidor comparando los resultados de con los cuatro Informes anteriores.A.034 ¢2. una mediana o una desviación estándar de una muestra. El margen de ganancia promedio nacional en farmacias es de un 26. 1 Margen de Ganancia en el precio de venta por provincia. Alajuela es la provincia donde las farmacias tienen menor margen de ganancia promedio y Puntarenas es la provincia donde las farmacias trabajan con un mayor margen promedio.54% -4.625 6.24% . tal como usar una media muestral ( un estadístico para estimar la media de la población (un parámetro). Introducción al muestreo. 1. 2000.4. Teoría básica del muestreo Indice 1.15% Total ¢3. Parámetro: Una parámetro es una medida usada para describir alguna característica de una población. son resumidos en la tabla siguiente: Tabla 1 Símbolos para estadísticos y parámetros correspondientes Pag 60 de 98 .ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Precios de la Canasta de Medicamentos en la G. a. b.924 7. Agosto. el muestreo es importante porque a través de él podemos hacer análisis de situaciones de una empresa o de algún campo de la sociedad. Gráfico No.816 ¢3.497 ¢924. Gráfico No.269.74% San José ¢2.106. V Informe de Medicamentos. Fuente: Base de datos. 2.61% 8. Márgenes de ganancia promedio en Provincias en Costa Rica.92%. 2000.39%) -7.910 2.85% Cartago ¢386.

ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Medida Media Desviación estándar Número de elementos Proporción Símbolo para el estadístico (muestra) X s n p Símbolo para el parámetro (Población) µ N P Distribución en el muestreo: Cuando el tamaño de la muestra (n) es más pequeño que el tamaño de la población (N). Por lo tanto. extraídas de una población. la desviación estándar de las proporciones de todas las muestras posibles del mismo tamaño. Los métodos para seleccionar una muestra representativa son numerosos. De la misma manera. Mientras más pequeño el error muestras. 2. dinero y habilidad disponibles para tomar una muestra y la naturaleza de los elementos individuales de la población. Por lo tanto. es posible extraer 3 muestras ( AB. Un error de muestreo usualmente ocurre cuando no se lleva a cabo la encuesta completa de la población. se requiere una gran volumen para incluir todos los tipos de métodos de muestreo. BC Y AC) de la población. tenemos 3 medias muéstrales para las 3 muestras. en el muestreo de un estadístico. la distribución de las proporciones (o porcentajes) obtenida de todas las muestras posibles del mismo tamaño. mientras que la última está relacionada con valores calculados. Error Estándar: La desviación estándar de una distribución. Por ejemplo. es llamada el error estándar de la proporción. es llamada la distribución en el muestreo de la proporción. dependiendo del tiempo. C). la desviación estándar de las medias de todas la muestras posibles del mismo tamaño. B. De la misma manera. en términos de probabilidad. sino que se toma una muestra para estimar las características de la población. Por ejemplo. tales como respuestas inconsistentes. Un cierto estadístico puede ser calculado para cada una de las muestras posibles extraídas de la población. o la distribución en el muestreo de la media. Los métodos de selección de muestras pueden ser clasificados de acuerdo a: 1. El resultado de la media indica la precisión de la estimación de la población basada en el estudio de la muestra. Una muestra debe ser representativa si va a ser usada para estimar las características de la población. Los errores no muéstrales pueden también ocurrir en una encuesta completa de la población. Una distribución del estadístico obtenida de las muestras es llamada la distribución en el muestreo del estadístico. incompletas o no determinadas. La diferencia entre los términos “desviación estándar” y “error de estándar” es que la primera se refiere a los valores originales. bajo la curva normal. La distribución de las medias es llamada la distribución de las medias muéstrales. Podemos calcular la media para cada muestra. es llamada el error estándar de la media. es frecuentemente llamada el error estándar del estadístico. mayor es la precisión de la estimación. dos o más muestras pueden ser extraídas de la misma población. Métodos de selección de muestras. si la muestra es de tamaño 2 y la población de tamaño 3 (elementos A. Un estadístico es un valor calculado. El número de muestras tomadas de una población dada para un estudio y Pag 61 de 98 . no son considerados como errores muéstrales. El error muestral es medido por el error estadístico. extraídas de una población. extraídas de una población. Las 3 medias muéstrales forman una distribución. obtenido con los elementos incluidos en una muestra. Deberá hacerse notar que los errores cometidos en una encuesta por muestreo. Error muestral o error de muestreo La diferencia entre el resultado obtenido de una muestra (un estadístico) y el resultado el cual deberíamos haber obtenido de la población (el parámetro correspondiente) se llama el error muestral o error de muestreo.

si el número de defectos es 9 o más. Los elementos de una muestra pueden ser seleccionados de dos maneras diferentes: a. publicada por el Departamento de Defensa y también usado por muchas industrias privadas. Estos son. Métodos de muestreo clasificados de acuerdo con el número de muestras tomadas de una población. Si la primera muestra arroja una resultado definitivo. Las principales ventajas de una muestra de juicio son la facilidad de obtenerla y que el costo usualmente es bajo. la segunda muestra puede no necesitarse. excepto que el número de muestras sucesivas requerido para llegar a una decisión es más de dos muestras. el lote es rechazado. Los métodos de muestreo basados en los dos tipos de clasificaciones son expuestos en seguida. que cada elemento de la población tiene igual oportunidad de ser seleccionado. el lote es aceptado. Muestreo Aleatorio Una muestra se dice que es extraída al azar cuando la manera de selección es tal. el lote es considerado pobre y es rechazado. Muestreo múltiple El procedimiento bajo este método es similar al expuesto en el muestreo doble. Una muestra grande muchas veces cuesta demasiado dinero y tiempo. Las dos muestras son combinadas para analizar los resultados. Bajo esta clasificación. Si el número de defectos en las dos muestras combinadas (incluyendo 80 + 80 = 160 unidades) es 12 o menos. Un plan típico de muestreo doble puede ser obtenido de la Military Standard Sampling Procedures and Tables for Inspection by Attributes. Este método permite a una persona principiar con una muestra relativamente pequeña para ahorrar costos y tiempo. si la primera muestra arroja una calidad muy alta. muestreo simple. una segunda muestra es extraída de la misma población. hay tres tipos comunes de métodos de muestreo. si el número está entre 5 y 9.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL 2. el lote es considerado bueno y es aceptado. puesto que este método está basado en los puntos de vista subjetivos de una persona y la teoría de la probabilidad no puede ser empleada para medir el error de muestreo. Al probar la calidad de un lote consistente de 3. Por ejemplo. el lote es rechazado. cuando el número de defectos encontrados en la primera muestra de 80 unidades es de 5 o menos. el lote es aceptado si el número combinado es 13 o más. doble y múltiple. Selección aleatoria (al azar) Muestreo de juicio Una muestra es llamada muestra de juicio cuando sus elementos son seleccionados mediante juicio personal.000 unidades manufacturadas. La persona que selecciona los elementos de la muestra. no puede llegarse a una decisión y una segunda muestra de 80 unidades es extraída del lote. Métodos de muestreo clasificados de acuerdo con las maneras usadas en seleccionar los elementos de una muestra. b. cuando el resultado dele estudio de la primera muestra no es decisivo. Una muestra de juicio es llamada una muestra probabilística. Muestreo simple Este tipo de muestreo toma solamente una muestra de una población dada para el propósito de inferencia estadística. si arroja una calidad muy pobre. Basados en el juicio de una persona. usualmente es un experto en la medida dada. el tamaño de muestra debe ser los suficientemente grande para extraer una conclusión. Una muestra aleatoria es también llamada una muestra probabilística son generalmente preferidas por los estadísticos porque la selección de las muestras es objetiva y el error muestral puede ser medido en términos de probabilidad bajo la curva Pag 62 de 98 . Muestreo doble Bajo este tipo de muestreo. al probar la calidad de un lote de productos manufacturados. Solamente si la primera muestra arroja una calidad intermedia. La manera usada en seleccionar los elementos incluidos en la muestra. será requerirá la segunda muestra. Puesto que solamente una muestra es tomada.

Por lo tanto. una muestra de conglomerados puede producir la misma precisión en la estimación que una muestra aleatoria simple. o cada centésimo elemento en la población va a ser seleccionado. Los entrevistadores no tienen que caminar demasiado lejos en una pequeña área para entrevistar más familias. Para obtener una muestra aleatoria simple. por lo tanto. Una muestra sistemática es obtenida cuando los elementos son seleccionados en una manera ordenada. seleccionar una porción de los grupos al azar o por un método sistemático. que una muestra aleatoria simple cuando los elementos en la población están ordenados al azar. estratificado y de conglomerados. Bajo este método. primero. aunque no todos los grupos son muestreados. La manera de la selección depende del número de elementos incluidos en la población y el tamaño de la muestra. cada grupo tiene una igual probabilidad de ser seleccionado. Por lo tanto. frecuentemente mayor que la obtenida si la población entera es muestreada mediante muestreo aleatorio simple. En seguida. El incremento del tamaño de la muestra puede fácilmente ser hecho en muestra muestra de área. primero dividir la población en grupos que son convenientes para el muestreo. si la variación de los elementos individuales dentro de cada conglomerado es tan grande como la de la población. una muestra sistemática puede dar la misma precisión de estimación acerca de la población. basadas en la muestra estratificada.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL normal. El número de elementos seleccionado de cada estrato puede ser proporcional o desproporcional al tamaño del estrato en relación con la población. Para obtener una muestra de conglomerados. muestreo sistemático. Por lo tanto la muestra es aleatoria. tomar todos los elementos o parte de ellos al azar o por un método sistemático de los grupos seleccionados para obtener una muestra. usualmente tienen mayor precisión (o menor error muestral) que si la población entera muestreada mediante muestreo aleatorio simple. Muestreo aleatorio simple Una muestra aleatoria simple es seleccionada de tal manera que cada muestra posible del mismo tamaño tiene igual probabilidad de ser seleccionada de la población. llamados estratos. ciertas modificaciones del muestreo aleatorio simple son necesarias. cada elemento en la población tenga la misma probabilidad de ser seleccionado. que son más homogéneos que la población como un todo. Los tipos comunes de muestreo aleatorio son el muestreo aleatorio simple. el plan de muestreo puede no conducir a una muestra aleatoria simple. usualmente produce un mayor error muestral (por lo tanto. es obvio que la tarea de numerar cada elemento de la población es imposible. dividido por el número deseado en la muestra. El primer elemento de la muestra es seleccionado al azar. Muestreo Estratificado Para obtener una muestra aleatoria estratificada. B. El número de elementos en la población es. Esta debilidad puede reducida cuando se incrementa el tamaño de la muestra de área. No todas las áreas son muestreadas en un muestreo de áreas. Una muestra de conglomerados. cada onceavo. Por otra parte. una muestra grande de área puede ser obtenida dentro de un corto período de tiempo y a bajo costo. Por conveniencia. Los tipos más comunes de muestreo aleatorio modificado son sistemático. El cociente indicará si cada décimo. A. Pag 63 de 98 . es obvio que la tarea de numerar cada elemento de la población es infinita. Por ejemplo la gente rica puede vivir en el mismo barrio. Por lo tanto. Muestreo sistemático. Los elementos de la muestra son entonces seleccionados al azar o por un método sistemático de cada estrato. Cuando una población es infinita. Muestreo de conglomerados. La variación entre los elementos obtenidos de las áreas seleccionadas es. primero se divide la población en grupos. D. este método pude ser reemplazado por una tabla de números aleatorios. C. mientras que la gente pobre puede vivir en otra área. da menor precisión de las estimaciones acerca de la población) que una muestra aleatoria simple del mismo tamaño. Los elementos individuales dentro de cada “conglomerado” tienden usualmente a ser iguales. Las estimaciones de la población. muestreo estratificado y muestreo de conglomerados. Finalmente.

Este programa resuelve la actuación de una sola fase de un sistema de colas. y el costo total del sistema por unidad de tiempo. B: Número Promedio de clientes en la cola b: Tamaño del Lote. el tiempo promedio que un cliente pasa en el sistema. Costos relacionados con la cola Comandos del análisis de colas. simulación Monte Carlo. Si ninguna forma está disponible para un problema de colas particular. Cb: Costo por cliente no atendido Ci: Costo de Servidor Ocioso por unidad de tiempo. Pag 64 de 98 . simulación de eventos discretos. usted puede especificar una aproximación o simularla para poder resolverla. el costo total de un servidor ocupado por unidad de tiempo. costo total del cliente que no se atendió por unidad de tiempo. β: Coeficiente de retardación de llegadas λ: Tasa Promedio de llegadas. longitud total de la cola por unidad de tiempo.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Análisis de colas 1. costo total del cliente que se ha atendido por unidad de tiempo. la población del Cliente puede limitarse o ser ilimitada (infinita) con un modelo de llegada especificado (distribución). los tiempos entre llegadas. la probabilidad que un cliente se encuentre en espera al llegar al sistema. 8. el costo total de un servidor ocioso por unidad de tiempo. Cu: Costo de cliente servido por unidad de tiempo. Ventana de especificación del problema Barra de tareas Procedimientos del análisis de colas Ejemplos INTRODUCCIÓN Este programa. una cola.la alternativa para la evaluación de la actuación • 15 distribuciones de probabilidad para el tiempo de servicio. la probabilidad que todos los servidores están ociosos. tiempo promedio que un cliente pasa en la cola en un sistema ocupado. Cs: Costo de servidor ocupado por unidad de tiempo. resuelve y evalúa la actuación de un sistema de colas y costos. 11. y tamaño de lote de llegada • Muestra la actuación de la cola y análisis del costo • Muestra un gráfico que muestra el análisis de sensibilidad • Entrada de los datos simple para los sistemas M/M NOTACIÓN. μ: Tasa Promedio de Servicio. Análisis de Colas (QA). 3. Análisis de capacidad. 2. el número promedio de clientes sin atender por unidad de tiempo. 4. Introducción Análisis de sensibilidad. Simulación. costo total del cliente que se encuentra en espera por unidad de tiempo. Fórmula de aproximación. ρ: Tasa de ocupación del sistema. el número promedio de clientes en la cola. y la simulación de Monte Carlo. α: Coeficiente de presión sobre el servicio. y un único o múltiples servidores (canales). Tres métodos son incluidos para evaluar cada situación de la formación de colas: fórmula de cercanía. Distribución de probabilidades. 6. 12. El sistema de colas se evalúa según las medidas populares como número promedio de clientes en el sistema. 9. 10. y se pueden asumir servidores múltiples para ser idénticos con una distribución de tiempo especifica. el número de clientes en la cola para un sistema ocupado. 5. aproximación. la cola puede limitarse o ser de longitud ilimitada. Cw: Costo por cliente esperando en la cola. 7. Las capacidades específicas de QA incluyen: • Análisis de la actuación de la cola • Análisis de sensibilidad para los parámetros del sistema • Análisis de capacidad para colas y capacidad de servicio • Aproximación si no existiese una forma similar • Simulación . γ: Intensidad de Trafico (λ/μ). Cq: Costo por la capacidad de una cola. La fase única que hace cola en un sistema tiene elementos mayores incluso una población del cliente.

FORMULA DE APROXIMACIÓN. costo de servidor ocupado por unidad de tiempo. costo de servidor ocioso por unidad de tiempo. L: Numero promedio de clientes en el sistema. Por ejemplo un sistema de colas M/M/1. Note que los elementos del costo necesitan ser especificados en la entrada de los datos. P(n): Probabilidad de que hayan n clientes en el sistema. siempre se asume que hay solamente una cola (línea de espera) y los clientes se mueven de esta sola cola hacia los servidores. Wb: Tiempo promedio que un cliente pasa en un sistema ocupado. proporción de la llegada (λ). N: Población de clientes. salida. incluidos los que están siendo atendidos. proporción de servicio (μ). n: Numero de clientes en el sistema. El programa considera a población como infinita. el sistema de colas más simple. y valores del paso del parámetro seleccionado. Note que aquí usando esta anotación. Lq: Numero promedio de clientes en la cola. QA realiza el análisis de sensibilidad según un rango especificado de número de servidores. ANÁLISIS DE SENSIBILIDAD. s: Numero de servidores o canales W: Tiempo promedio que el cliente pasa en el sistema. cuando su número supera a 10000 clientes potenciales. una distribución de tiempo de servicio del tipo exponencial y un solo canal (un servidor). y los que están en la cola. población del cliente. costo de servidor ocupado por unidad de tiempo. costo por cliente en espera por unidad de tiempo. Usted puede especificar la aproximación o simulación para el problema con el valor del parámetro que no tiene ninguna fórmula aproximada disponible. tiene una distribución de llegada tipo Poisson. costo por cliente sin atender por unidad de tiempo. Cuando el problema de la formación de colas no tiene ninguna solución aproximada. la capacidad de la cola.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL K: Numero máximo de clientes permitidos en un sistema. Acá se muestra un sistema de notación estándar para clasificar sistemas de colas como A/B/C/D/E/F. Lb: Numero promedio de clientes en la cola para un sistema ocupado. QA resuelve el Lq como un modelo de G/G/s para la aproximación siguiente Pag 65 de 98 . Después de especificar los rangos del número de servidores y la capacidad de la cola. costo de servidor ocioso por unidad de tiempo. Q: Capacidad máxima de la cola (Máximo espacio de espera). Pw o Pb : Probabilidad de clientes que al llegar esperaran. ANÁLISIS DE CAPACIDAD. o costo por capacidad de cola unitaria. P0: Probabilidad de que todos los servidores estén ociosos. coeficiente de presión de servicio. población del cliente. costo por cliente servido por unidad de tiempo. Dos capacidades básicas del sistema de colas son consideradas en QA: número de servidores y la capacidad de la cola. donde: • A representa la distribución de probabilidad para el proceso de llegadas • B representa la distribución de probabilidad para el proceso de servicio • C representa el número de canales (servidores) • D representa el número del máximo de clientes permitido en el sistema de colas (sirviéndose o esperando por el servicio) • E representa el número máximo de clientes en total • Nº de clientes potenciales Opciones comunes para A y B son: • M para una distribución de llegada tipo Poisson (distribución entre llegadas de tipo exponencial) o una distribución del tiempo de servicio de tipo exponencial • D para un valor deterministico o constante • G para una distribución general (pero con media y varianza conocida) Si no se especifican D y E entonces se da por supuesto que ellos son infinitos. el costo por cliente no atendido. QA realiza la comparación del costo para una combinación de capacidades diferentes. la capacidad de la cola. QA resuelve y compara las actuaciones según la entrada. costo de cliente en espera por unidad de tiempo. costo unitario de la capacidad de la cola. Wq: Tiempo promedio que un cliente pasa en la cola. el tamaño del lote (volumen) . coeficiente de retardación de llegada. costo de cliente servido por unidad de tiempo.

La simulación involucra la generación de eventos artificiales o procesos para el sistema y recolecta las observaciones para dibujar cualquier inferencia sobre el sistema real. • Distribución Binomial • Constante. el tiempo entre llegadas. Obtenga un número del azar r b).. QA realiza la simulación de eventos discretos simulando los dos eventos mayores en el sistema de colas: llegada del cliente y realización de servicio. La simulación es la imitación de un proceso del mundo-real o sistema a lo largo del tiempo . La transformación inversa para obtener una muestra de la variable aleatoria de la distribución f(X) es como sigue: a). QA permite manejar distribuciones de probabilidad para el tiempo de servicio. e a Log(a) : Logaritmo Natural de a sqr(a) : Raiz Cuadrada de a a! : Factorial de a f(x) : Función de Probabilidad (pdf) μ : Media σ² : Varianza Las distribuciones disponibles en WINQSB son: • Distribución Beta. SIMULACION. (x£X) Para cualquier número del azar. y i = 0. SIMULACION DE EVENTOS DISCRETOS. QA también acostumbra usar la transformación inversa para generar el tiempo de servicio. DISTRIBUCIÓN DE PROBABILIDADES. 2. Nota que dada la misma semilla aleatoria r(0). • Distribución Discreta • Distribución Erlang • Distribución Exponencial • Distribución Gama • Distribución Geométrica • Distribución Hipergeometrica • Distribución de Laplace • Distribución logarítmica Normal • Distribución Normal • Distribución de Pareto • Distribución Poisson • Distribución de Función Potencial Pag 66 de 98 . b. el método genera la misma secuencia de números al azar. Nosotros usaremos la anotación siguiente para describir las funciones de la distribución: P(a. los tiempos entre llegadas.. QA acostumbra usar un método congruencial para generar un número del pseudoaleatorio. y tamaño del lote que guía el evento del sistema de formación de colas. Las distribuciones disponibles en QA y sus funciones asociadas y los parámetros se describe mas adelante. es decir. El resto de las medidas de la actuación de la cola siguen la fórmula de M/M/s. Resuelva X de la ecuación r = F(X).b) : Función Beta Γ(a) : Función Gamma C(n. Una simulación del eventos discretos simula sólo eventos que cambian el estado de un sistema. SIMULACION MONTE CARLO. encuentre el X tal que ese r = Prob. 1. El método de Monte Carlo emplea los modelos matemáticos o la transformación inversa para generar variables del azar para los eventos artificiales y colecciona observaciones.1]. c son constantes. Transformación Inversa: Asuma que la variable aleatoria X tiene la distribución de probabilidad de f(X) y su función acumulada es F(X).ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Lq= (Lq de M/M/s) [Var(tiempo de servicio)μ² + Var(tiempo entre llegadas)λ²]/2 donde Var representa la varianza. y tamaño del lote. r(i+1) = (a r(i) + b) mod c donde un.b) : ab B(a. es decir.m): Combinatoria C mn Exp(a) : Función Exponencial. Sea r un número al azar del intervalo uniformemente distribuido [0..

El botón de Help está para poder proporcionar ayuda. apriete el botón de Cancel." (Valor 1/probabilidad 1. diferenciándose de aquellos llevados en la materia de investigación operativa 2. o entrar una especificación de un archivo completo de datos incluyendo la ruta.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL • • • Distribución Triangular Distribución Uniforme Distribución Weibull COSTOS RELACIONADOS CON LA COLA Los costos relacionados con la cola incluyen: El costo total de servidor ocupado por unidad de tiempo = Cs(L-Lq) = Cs ρ El costo total de servidor ocioso por unidad de tiempo = Ci (s-ρ) = Ci (s-L+Lq) Costo total de cliente que espera por unidad de tiempo = Cw Wq (Σ λ(n) P(n)) Costo total de cliente que esta siendo atendido por unidad de tiempo = Cu (W-Wq) (Σ λ(n) P(n)) El costo total de ser del cliente sin atender por unidad de tiempo = Cb B Costo total de la cola por unidad de tiempo = Cq Q Costo Total del sistema por unidad de tiempo = la Suma de todos los anteriores Notese que estos son los costos utilizados por el paquete. capacidad de la cola (el espacio máximo de espera). Este comando permite salir del programa VENTANA DE ESPECIFICACIÓN DEL PROBLEMA Para especificar un problema de colas. el tamaño del lote (volumen) con una distribución de tamaño de lote. Si usted especifica el sistema de M/M simple. Si usted especifica la distribución discreta durante el tiempo de servicio. aquí se muestra el procedimiento: • Paso 1. o tamaño del lote. Los menús para el QA después que el programa está cargado se muestra debajo: Este comando inicia un nuevo problema de colas. QA entonces aclara el área de edición para el nuevo problema.. la entrada será más simple. QA mostrará automáticamente el problema cargado. Si la especificación está completa. número de servidores. COMANDOS DEL ANÁLISIS DE COLAS. • Paso 3. value 2/probability 2. • Paso 4. El valor por defecto es hora. proporción de la llegada (λ) con una distribución de tiempo entre llegadas. llegada del cliente. • Paso 2. Elija o de clic en el formato de entrada siguiente Simple M/M System (Sistema M/M simple): Asume que tanto el servicio y la llegada del cliente tienen distribución Poisson. costo de espera del cliente por unidad de tiempo. y tamaño del lote. El diálogo le permite tanto seleccionar un archivo de datos en directorio en particular. apriete el botón de OK para la entrada de los datos. cuando usted seleccione el comando New Problem (Nuevo Problema). coeficiente de presión de servicio. Valor 2/probabilidad 2). Entre en el título del problema que será parte del título para las ventanas posteriores. Por otra parte. Entre la unidad de tiempo para la descripción del sistema de colas. introduzca el número de datos discretos en Parameter 1 (Parámetro 1) y entre los datos discretos en Parameter 2 (Parámetro 2) usando el formato "value 1/probability 1. MENUS PRINCIPAL Y VENTANA INICIAL. costo del servidor ocioso por unidad de tiempo. unidad de tiempo. Todos los datos se entran en la columna de "Entrada" exceptuando los parámetros de la distribución que se entran en las columnas de "Parámetro". coeficiente de retardación de llegadas. costo de cliente servido por unidad de tiempo.. diferenciándose solamente en algunos botones. QA preguntará si usted quiere guardar el problema. costo del servidor ocupado por unidad de tiempo. por lo cual solo se explicará a aquellos que diferencian a este de los otros módulos: Pag 67 de 98 . la proporción de servicio (μ) con una distribución de tiempo de servicio. Este comando inicia una ventana de dialogo para abrir un archivo guardado previamente.. población del cliente. General Queuing System (Sistema General de colas): Usted puede especificar una distribución particular para el servicio. Si hay un problema sin guardar en edición. pudiéndose encontrar algunas diferencias en los resultados. el costo por cliente no atendido. La entrada para el nuevo problema incluye nombre del problema. tiempo entre llegadas. y/o costo unitario de capacidad de cola. BARRA DE TAREAS La barra de tareas es similar a la que existe en los otros módulos del WINQSB.

capacidad de la cola. Este orden realiza la simulación de evento-discreto de Monte Carlo para evaluar la actuación de la cola. el reloj del sistema. proporción de servicio (μ). Esta orden realiza el análisis de sensibilidad del problema de colas para un rango especificado de número de servidores. Es importante especificar una capacidad de la cola limitada desde que los clientes en espera se guardan en la memoria de la computadora.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Este comando resuelve la actuación de la cola. proporción de la llegada (λ). coeficiente de presión de servicio. QA automáticamente desplegará un resumen de la actuación. costo de servidor ocupado por unidad de tiempo. Una capacidad de la cola grande o muy grande puede usar toda la memoria de la computadora. Después de que la actuación se evalúa. tiempo de la simulación. costo de servidor ocioso por unidad de tiempo. el programa preguntará si para resolverlo desea hacerlo por aproximación o por la simulación de Monte Carlo. Después de escoger el comando. QA resuelve la actuación de acuerdo al inicio. la capacidad de la cola. coeficiente de retardación de llegada. coeficiente de presión de servicio. población del cliente. El FIFO es el que se asume para la fórmula de aproximación. costo unitario de la capacidad de la cola. el tamaño de lote (volumen) . El valor por defecto es 1000 que es normalmente suficiente para la mayoría de los casos. y el máximo numero de recolecciones de los datos (observaciones). finales. Pag 68 de 98 . proporción de la llegada (λ). La simulación se detendrá en el tiempo de simulación o cuando se alcanza el máximo numero de colecciones de los datos. costo de cliente en espera por unidad de tiempo. QA resuelve los costos según los valores iniciales. costo por cliente sin atender por unidad de tiempo. Este comando realiza el análisis de sensibilidad del problema de colas para un rango especificado de número de servidores. y valores de cada paso del parámetro seleccionado. Si no existe ninguna fórmula aproximada para el problema. Usted puede especificar FIFO (primero en entrar-primero en salir PEPS). el programa desplegará una forma para especificar cómo se asigna la semilla del azar. de cada paso del número de servidores y capacidad de la cola. etc. o aleatorizar la disciplina de la cola. disciplina de la cola . Usted puede especificar la aproximación o simulación para el problema con el valor del parámetro que no tiene ninguna fórmula aproximada disponible. proporción de servicio (μ). o un valor entrado. final. Usted también puede especificar el número del máximo de recolección de datos (el valor por defecto es infinito (M)) como la regla de detención de la simulación. La semilla del azar puede ser un valor predefinido. Note que la misma semilla del azar creará la misma secuencia de números al azar (número aleatorios). LIFO (último en entrar-primero en salir UEPS). Usted puede especificar un tiempo distinto de cero para la recolección para arreglar los estados del sistema iniciales. costo de cliente servido por unidad de tiempo. Especificando un tiempo de simulación razonable le permitirá recolectar bastantes observaciones para la evaluación de la actuación. inicio de recolección de datos en el tiempo.

pero importante) Después que el problema se entra. Usted puede modificarlo junto con el proceso. costo unitario de la capacidad de la cola. QA resuelve los costos según los valores iniciales. (Nota: usted no tiene que tener un modelo formal para la entrada de los datos. costo de servidor ocioso por unidad de tiempo. Pag 69 de 98 . coeficiente de presión de servicio. Escoja o de clic en la función de probabilidad de la lista.Graph Este comando muestra los resultados gráficos del análisis de sensibilidad del problema de colas para un rango especificado de número de servidores. costo de cliente servido por unidad de tiempo. los parámetros de la distribución se entran en las columnas de "Parameters 1-3" (Parámetros 1-3). costo por cliente sin atender por unidad de tiempo. proporción de servicio (μ). costo por cliente sin atender por unidad de tiempo. población del cliente. proporción de la llegada (λ). costo de cliente en espera por unidad de tiempo. el número del máximo de clientes en la cola. 4. conjunto de caracteres. Show Sensitivity Analysis . coeficiente de presión de servicio. Prepare los parámetros de la cola para el problema. El sistema de M/M simple tendrá un formato de entrada mucho más simple. Incluye todas las medidas populares de la formación de colas. Esto planteará una lista de funciones de probabilidad para escoger. el tamaño de lote (volumen) . 3. costo de servidor ocupado por unidad de tiempo. Show Capacity Analisis Este comando muestra los resultados del análisis de capacidad del problema colas con un número diferente de servidores y capacidad de la cola. (Opcional. Este comando dispone de las siguientes opciones: Performance Summary. la probabilidad de que existan n clientes en el sistema. Después de que la orden es escogida. alineación. coeficiente de retardación de llegada. el tamaño de lote (volumen) . costo unitario de la capacidad de la cola. de cada paso del número de servidores y capacidad de la cola. Show Sensitivity Analysis – Table Este comando clasifica los resultados del análisis de sensibilidad del problema de colas para un rango especificado de número de servidores. seleccione una medida particular de la actuación para el despliegue gráfico. el número de observaciones recolectadas. Usted puede especificar la aproximación o simulación para el problema con el valor del parámetro que no tiene ninguna fórmula aproximada disponible. y la probabilidad acumulativa. costo de cliente servido por unidad de tiempo. Pulse Doble clic en la celda para entrar la distribución en la hoja de cálculo de entrada de datos. Esta orden muestra la actuación del problema de colas. Usted puede apretar Help para ver las Funciones de Distribución de Probabilidad. la capacidad de la cola. Deben mostrarse los parámetros apropiados para la función al lado de la lista.) 2. donde n puede ser desde 0 a 200. coeficiente de retardación de llegada. y anchuras de la columna. Entre los parámetros de la cola en la columna de "Entry" (Entrada). COMO ENTRAR UNA DISTRIBUCIÓN DE PROBABILIDAD Para entrar una distribución de probabilidad. 2. Presione el botón de OK para volver a la forma de entrada de datos. finales. Seleccione el comando New Problem (Nuevo Problema) para entrar el problema. PROCEDIMIENTOS DEL ANÁLISIS DE COLAS COMO ENTRAR UN PROBLEMA Para entrar en un problema de colas. costo de cliente en espera por unidad de tiempo. Note que para el sistema de colas general. escoja el comando Save Problem As (Guardar el Problema Como) para guardar el problema. costo de servidor ocioso por unidad de tiempo. Si la actuación es medida por simulación. Probability Summary Este comando muestra la probabilidad del sistema de colas. color. este es el procedimiento general: 1. la capacidad de la cola. Todos los elementos del costo relacionados están incluidos. El programa planteará la ventana de especificación.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Esta orden realiza el análisis de capacidad del problema de colas con un número diferente de servidores y capacidad de la cola. (Opcional) Use las órdenes de Format (Formato) para cambiar el formato numérico. Los parámetros que siguen el nombre de la distribución deberán cambiar su descripción de acuerdo con la función escogida. proporción de servicio (μ). Seleccione tanto el sistema de M/M simple o el sistema de colas general para la entrada de los datos. alturas de la fila. proporción de la llegada (λ). población del cliente. 5. Muestra P(n). este es el procedimiento general: 1. 3. costo de servidor ocupado por unidad de tiempo. y el tiempo total de simulación del CPU en segundos será mostrado.

separe cada par de valores y la probabilidad asociada por una coma ". 2. escogiendo el reloj del sistema como la semilla del azar garantiza una sucesión del azar diferente. Simulation time (Tiempo de la Simulación): Que indica cuanto tiempo funcionará el sistema de colas. 5. Asuma que el problema se ha entrado y los parámetros están definidos. Seleccione la orden New Problem (Nuevo Problema) para entrar el problema. Cada vez usted ejecute la simulación. COMO RESOLVER UN PROBLEMA Para resolver un problema de colas. • (e).. Maximum number of data collections (Número Máximo de recolecciones de datos): Esto es otra regla de detención para que el programa detenga el proceso de la simulación. Random seed (semilla del Azar): Usted puede escoger el valor por defecto o reloj del sistema. o al azar para la disciplina de la cola. Después que el problema se resuelve. • (b). 3. aquí el procedimiento general: 1. generará la misma sucesión números aleatorios. Cuando se termine. El programa planteará una forma para permitirle especificar el análisis de sensibilidad. incluyendo: • (a). 2. escoja los órdenes del Results Menu (Menú de los Resultados) para mostrar los resultados apropiados. los tiempos entre llegadas. COMO LLEVAR ADELANTE UN ANÁLISIS DE SENSIBILIDAD.". Cuando se haya terminado la simulación. Un tiempo de inicio distinto de cero para la recolección puede filtrar la inicialización del estado del sistema. Prepara los parámetros de la cola para el problema. Para realizar el análisis de sensibilidad.) 2. Si el sistema tiene una solución de la forma aproximada. Usted puede modificarlo junto con el proceso. Para una práctica general buena. • (f). 4. • (d). LIFO (UEPS). valor 2/probabilidad 2. Seleccione la orden Simulate the System (Simule el Sistema). usted puede querer guardar el problema escogiendo el comando Save Problem As (Guardar el Problema Como) antes de resolverlo. Entre el número de datos discretos en la fila "Number of discrete values" (Parámetro 1)... incluyendo: • (a). el programa detiene la simulación cuando cualquiera de los dos se alcanza. usted puede realizar el análisis de sensibilidad para ver cómo la actuación del sistema cambia para valores de parámetro diferentes. este es el procedimiento para entrar los valores discretos y las probabilidades asociadas: 1. El programa planteará una forma para permitirle especificar el proceso de la simulación. No se recomienda el entrar una capacidad de cola grande ya que puede usar toda la memoria de la computadora. Queuing discipline (Disciplina de la cola): Usted puede escoger FIFO (PEPS). Seleccione el orden Solve the Performance (Resuelva la Actuación) o Simulate the System (Simule el Sistema) para resolver el problema. (Nota: usted no tiene que tener un modelo formal para la entrada de los datos. Para un problema de colas que usted define en QA. Acompañado con el tiempo de la simulación. apriete las teclas de flecha para mover el cursor al otro formulario de entrada de datos. Para simular el sistema de colas. Seleccione un parámetro: escoja a cualquiera de la lista. el resultado se mostrará." 3. si la misma semilla del azar se usa. 3.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL COMO ENTRAR UNA DISTRIBUCIÓN DISCRETA Si usted ha especificado una distribución discreta (el número de valores discretos se entra en la fila "Number of discrete values") durante el tiempo de servicio. o el tamaño del lote. Queue capacity (Capacidad de la Cola): esto permite al sistema el mantener a los clientes de espera. COMO LLEVAR ADELANTE UNA SIMULACIÓN Para cualquier problema de colas que usted defina en QA. el resultado debe estar muy cerca del de la simulación usando la disciplina FIFO. Presione el comando OK para iniciar la simulación si las especificaciones anterior se han hecho. Pag 70 de 98 . Seleccione el comando Perform Sensitivity Analysis (Realice Análisis de Sensibilidad). usted puede usar la simulación Monte Carlo para evaluar la actuación del sistema. Disciplina de la cola es la regla para poder escoger al cliente en espera a ser servido cuando un servidor se pone disponible. Por consiguiente. aquí se muestra el procedimiento general: 1. aquí se muestra el procedimiento general: 1. Entre los datos discretos en la fila "Discrete values" (Parámetro 2) usando el formato "valor 1/probabilidad 1. o entrar un valor particular para la semilla del azar. El valor por defecto es 1000 que es normalmente suficiente para la mayoría de las situaciones. • (c). Asuma que el problema se ha entrado y las distribuciones están definidas. 2. Start collection time (Iniciar tiempo de colección): Indica cuando el programa empieza a recolectar datos sobre la actuación de la cola.

población del cliente. Nombre del Problema. Fila 9: "Idle server cost per unit time". La capacidad predefinida de la cola es infinita (M). Rango del parámetro: Entre los valores del inicio. El número de las situaciones de la cola resueltas será determinado por los valores de inicio. "Entry". Para realizar análisis de capacidad. Fila 7: "Customer population". Costo de cliente que se sirve por unidad de tiempo. use los pasos siguientes: 1. COMO LLEVAR ADELANTE UN ANÁLISIS DE CAPACIDAD. Fila 8: "Busy server cost per unit time". Fila 3: "Number of servers". se mostrará el resultado. El programa planteará una forma para permitirle especificar el análisis de capacidad. el programa usará el método especificado. (Opcional) Especificación de la Simulación: si la simulación es escogida en paso (c)." y los textos requeridos están en "") Para el Sistema M/M de Entrada Simple: Fila 1: "QA". cuando usted cambia el número de servidores y la capacidad de la cola puede hacer el problema irresoluble por la fórmula. Costo de servidor ocupado por unidad de tiempo. 0. Rango del número de servidores: entre los valores de inicio. Fila 13: "Unit queue capacity cost". Para un problema de colas que usted define en QA. Seleccione la orden Perform Capacity Analysis (Realice Análisis de Capacidad). Para la Entrada de Sistema de Formación de colas de espera General: Fila 1: "QA". y los valores de cada paso del número de servidores para la evaluación. Cuando se haya acabado del análisis. cuando usted cambia un parámetro a un valor diferente puede hacer el problema irresoluble por la fórmula. Fila 11: "Customer being served cost per unit time". Fila 10: "Customer waiting cost per unit time". automáticamente. y los valores para cada paso del parámetro seleccionado para la evaluación. El número de las situaciones de la cola resuelta será determinado por los valores de inicio. final. el programa usará el método especificado. para evaluar el problema. y los valores de cada paso de la capacidad de la cola (espacio de espera) para la evaluación. Costo Unitario de la capacidad de la cola. aquí el procedimiento general: 1. Fila 4: "Service rate per server". usted puede realizar el análisis de capacidad para comparar los costos de configuraciones diferentes del número de servidores y capacidades de la cola. como también aproximación o simulación. 4. • (b). y los valores de cada paso del número de servidores y la capacidad de la cola. usted necesita entrar la especificación de la simulación. Cuando ése es el caso. Entre el problema con la siguiente secuencia. después de presionar la orden OK. Fila 2: "Problem Specification". capacidad de la cola. se mostrará el resultado. y valores de cada paso. Fila 6: "Queue capacity (maximum waiting space)". Fila 2: "Problem Specification". COMO IMPORTAR DATOS DE OTRAS APLICACIONES DE HOJAS DE CALCULO. "Entry". Nombre del Problema. • (d). final. Sin embargo. (Opcional) Especificación de la Simulación: si la simulación es escogida en el paso (c).ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL (b). • (c). Rango de la capacidad de la cola: entre los valores de inicio. después de presionar OK. aproximación o simulación para evaluar el problema automáticamente. • (c). proporción de servicio. Cuando ése es el caso. final. usted necesita entrar la especificación de la simulación. Sin embargo. Fila 3: "Number of servers". Presione OK para empezar el análisis si las especificaciones anteriores se han hecho. final. Método de Solución: El método predefinido para el problema de colas es la fórmula aproximada. Usted puede usar el Results Menu (Menú de los Resultados) para mostrar el resultado gráfico del análisis de sensibilidad. Fila 12: "Cost of customer being balked". Fila 5: "Customer arrival rate". Asuma que el problema se ha entrado y los parámetros se han definido. proporción de llegadas. número de servidores. Costo de cliente en espera por unidad de tiempo. número de servidores. Pag 71 de 98 . 3. incluyendo: • (a). Unidad de tiempo. final. • (d). • 3. Si usted decide entrar un problema de colas de una aplicación de hoja de cálculo como Microsoft Excel. Método de Solución: el método predefinido para el problema de colas es la fórmula de aproximación. Presione OK para empezar el análisis si las especificaciones anteriores se realizaron. Aquí se muestran las entradas para cada celda en la hoja de cálculo: (Note que las celdas están separadas por ". Unidad de tiempo. Cuando se haya acabado del análisis. 1. el costo de cliente no atendido. Costo de servidor ocioso por unidad de tiempo. 2.

parámetro 3. Fila 9: "Interarrival time distribution". entre en 0. Costo de servidor ocioso por unidad de tiempo. parámetro 2. Fila 19: "Customer population". Fila 15: "Parameter 1". por que es un modelo del que se conocen todos los datos. representan que es un valor infinito. Costo de cliente en espera por unidad de tiempo. Fila 21: "Idle server cost per unit time". entre en 0. eligiendo como unidad de tiempo a horas: 3) En la hoja de cálculo se introducirá los datos conocidos como se muestra: Los valores de M. población del cliente. (Si no existe ningún parámetro 3.) Fila 12: "Parameter 3". Fila 5: "Parameter 1".) Fila 7: "Parameter 3". (Si no existe ningún parámetro 2. 3. entre 0. Fila 11: "Parameter 2". nombre de la distribución. Fila 16: "Parameter 2". parámetro 3. Pag 72 de 98 . parámetro 1. Fila 6: "Parameter 2". entre en 0. entre 0.) Fila 18: "Queue capacity (maximum waiting space)". (Si no existe ningún parámetro 3. Los datos guardados se archivan entonces y pueden ser recuperados por QA. B) La intensidad de trafico.) Fila 17: "Parameter 3".5 [cl/min]= 40 [cl/hr] El problema será del tipo M/M/2/FIFO/∞/∞ Procedimiento 1) Se iniciará un nuevo problema en el modulo Análisis de Colas (QA). Fila 10: "Parameter 1". EJEMPLOS EJEMPLOS DE COLAS 1. (Si no existe ningún parámetro 2. Los clientes llegan a este almacén siguiendo una distribución Poisson a razón de 30 por hora. como ya se menciono antes. entre 0.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Fila 4: "Service time distribution". 2) Se elegirá Sistema Simple M/M. Fila 14: "Batch size distribution". coeficiente de retardación de llegada. Fila 23: "Customer being served cost per unit time". Costo de cliente sin atender por unidad de tiempo. Fila 20: "Busy server cost per unit time". nombre de la distribución entre llegadas. Un almacén tiene 2 cajeras que atienden a razón de 1. Fila 25: "Unit queue capacity cost". Costo de servidor ocupado por unidad de tiempo. nombre de la distribución. Costo Unitario de la capacidad de la cola. parámetro 2. Costo de cliente atendido por unidad de tiempo. capacidad de la cola. 2. Fila 22: "Customer waiting cost per unit time". Fila 24: "Cost of customer being balked". (Si no existe ningún parámetro 2. Con esta información calcular: A)La probabilidad de que el sistema esté lleno.5 minutos por cliente siguiendo una distribución exponencial. los tiempos entre llegadas. Guarde la hoja de cálculo en un archivo con el formato del texto.) Fila 13: "Arrival discourage coefficient". (Si no existe ningún parámetro 3. parámetro 3.) Fila 8: "Service pressure coefficient". Este se llamará Cajeras. o el tamaño de lote uso el formato descrito Cómo Entrar una Distribución Discreta. Datos: Numero de servidores = 2 λ=30 [cl/hr] μ=1/1. coeficiente de presión. parámetro 1. Note que si la distribución discreta es especificada para el tiempo de servicio. parámetro 1. parámetro 2.

45 % Adicionalmente podemos realizar los siguientes análisis: • Observar las probabilidades estimadas de que existan de 0 hasta 200 clientes en la cola: Pag 73 de 98 .6 Average time customer spends in the system = Tiempo promedio que un cliente pasa en el sistema = W = 0.45 % The probablity an arriving costumer waits = Probabilidad de que un cliente espere al llegar al sistema = Pw = Pb = 20.5 % Average number of customers in the system = Número promedio de clientes en el sistema = L = 0.5 % B) Probabilidad de que un cliente espere al llegar al sistema = Pw = Pb = 20.45 % Average number of customers being balked per hour = Numero promedio de clientes que no serán atendidos por el sistema por hora = 0 Por lo que las respuestas buscadas son A) Tasa de ocupación del sistema = ρ = 37.02 [horas] The probablity that all servers are idle = Probabilidad de que todos los servidores esten ociosos = P0 = 45.0291 [horas] Average time customer spends in the queue = Tiempo promedio que un cliente pasa en la cola = Wq = 0.1227 Average number of customers in the queue for a busy system = Número promedio de clientes en la cola para un sistema ocupado = Lb = 0.8727 Average number of customers in the queue = Número promedio de clientes en la cola = Lq = 0.0041 [horas] Average time customer spends in the queue for a busy system = Tiempo promedio que un cliente pasa en la cola para un sistema ocupado = Wb = 0.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL 4) Al presionar el icono se verá la ventana de los resultados: De la ventana de resultados podemos concluir: Customer arrival rate per hour = λ = 30 [cl/hr] Service rate per server per hour = μ = 40 [cl/hr] Overall system effective arrival rate per hour = Tasa de llegadas eficaces al sistema global por hora = 30 Overall system effective service rate per hour = Tasa de servicio eficaz del sistema global por hora = 30 Overall system utilization = Tasa de ocupación del sistema = ρ = 37.

4174 Average time customer spends in the system = Tiempo promedio que un cliente pasa en el sistema = W = 0.El máximo de número de recolecciones de datos será infinito (M). .8648% The probablity an arriving costumer waits = Probabilidad de que un cliente espere al llegar al sistema = Pw = Pb = 17.0026 [horas] Average time customer spends in the queue for a busy system = Tiempo promedio que un cliente pasa en la cola para un sistema ocupado = Wb = 0. Si presionamos OK. siendo así de que la probabilidad de que existan 10 clientes sea cero.2151 % Average number of customers in the system = Número promedio de clientes en el sistema = L = 0. ya que se puede observar claramente.0153 [horas] The probablity that all servers are idle = Probabilidad de que todos los servidores esten ociosos = P0 = 48.La capacidad de la cola es infinita (M).La semilla de aleatoriedad por defecto .0722 Average number of customers in the queue for a busy system = Número promedio de clientes en la cola para un sistema ocupado = Lb = 0. . .Una disciplina de cola de tipo FIFO (PEPS) .Un tiempo de simulación de cola de 24 horas (1 día).2951 % Pag 74 de 98 . que las probabilidades de que existan 9 clientes.3295 Overall system utilization = Tasa de ocupación del sistema = ρ = 34. se llevará adelante la simulación y veremos los siguientes resultados de la actuación de la cola durante 24 horas: System M/M/2 =Sistema M/M/2 Customer arrival rate per hour = λ = 30 [cl/hr] Service rate per server per hour = μ = 40 [cl/hr] Overall system effective arrival rate per hour = Tasa de llegadas eficaces al sistema global por hora = 27. ya son casi cero (0.El momento que iniciará la recolección de datos será a las cero horas.7565 Average number of customers in the queue = Número promedio de clientes en la cola = Lq = 0.0277 [horas] Average time customer spends in the queue = Tiempo promedio que un cliente pasa en la cola = Wq = 0.3295 Overall system effective service rate per hour = Tasa de servicio eficaz del sistema global por hora = 27.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL En este caso no es necesario llegar a 200 clientes. • También podemos realizar una simulación del sistema: a) Si presionamos veremos la siguiente ventana: En el que usaremos: .0001).

utilizando el modelo de aproximación G/G/s. un máximo de 6 clientes con una probabilidad de casi cero (0.0002). con un paso de 10 [cl/hr]. y cuando ésta llega a los 70 [cl/hr]. se da una utilización del 87.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Average number of customers being balked per hour = Numero promedio de clientes que no serán atendidos por el sistema por hora = 0 Simulation time in hours = Tiempo de simulación en horas = 24 Starting data collection in hour = Iniciar recolección de datos en el tiempo = 0 Number of observations collected = Número de observaciones recolectadas = 656 Maxium number of costumers in queue = Número máximo de clientes en la cola = 4 Total simulation CPU time in second = Tiempo total de simulación en el CPU = 0. También podemos ver el gráfico del análisis de sensibilidad de un parámetro determinado en función del parámetro analizado: Pag 75 de 98 .5% (Máxima utilización posible). podremos ver de que manera reacciona el sistema: • Podemos observar claramente de que la utilización del sistema va en incremento en una proporción de 10 [cl/hr].1050 Las probabilidades estimadas para n clientes: Se puede observar que se puede esperar para un tiempo de simulación de 24 horas. seleccionando como parámetro de análisis a la tasa de llegadas λ. Si presionamos podremos observar la siguiente ventana: Si realizamos un análisis de sensibilidad. pero si seguimos incrementando hasta llegar a los 80 [cl/hr]. • Otro de los análisis del que podemos disponer es el de Análisis de sensibilidad. es decir el número de servidores es insuficiente. haciendo que esta cambie de 30 a 100 [cl/hr]. el sistema se vuelve inestable.

dependiendo que necesidades se tiene.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Si presionamos en: Show Sensitivity Analysis .Graph Se abrirá la siguiente ventana: En la que seleccionaremos como variable independiente para el gráfico a L (Número promedio de clientes en el sistema). Pag 76 de 98 . en función de nuestro parámetro analizado (λ): En el que se puede ver un crecimiento exponencial. Así sucesivamente se pueden ir analizando cada uno de los parámetros.

se asumirán los siguientes costos Costo de servidor ocupado por hora = 5 $ Costo de servidor ocioso por hora = 1 $ Costo por cliente en espera = 0.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL • Otro análisis disponible es el de Análisis de Capacidad: a) Como éste análisis se realiza a partir de costos. Pag 77 de 98 .5 $ Costo por cliente servido por hora = 3 $ Costo por cliente no atendido = 1 $ Costo unitario por capacidad de cola = 3 $ b) Si presionamos podremos observar la siguiente ventana: En el que variaremos el número de servidores de 2 a 8. y en el que la capacidad de la cola es Infinita. seleccionando la formula G/G/s de aproximación. con un paso de 1.

Este se llamará Supermercados. se estima en 20 $ por hora. Se desea determinar el tamaño del equipo que minimiza el costo total. seleccionando como parámetro de análisis al número de servidores. Datos: Numero de servidores = 2 λ=2 [cl/hr] μ1= 3 [cl/hr]. podremos ver de que manera reacciona el sistema: Pag 78 de 98 . Los camiones que descargan llegan en forma aleatoria siguiendo una Poisson a razón de dos camiones por hora. haciendo que esta cambie de 1 a 10 con un paso de 1. En promedio 3 trabajadores descargan 3 camiones por hora siguiendo una distribución exponencial. la razón de servicio se incrementa en la misma proporción. Cada trabajador recibe 5$ por hora durante el turno nocturno de 8 horas. la ventana de resultados será la siguiente: 2. La mercadería que llega a este almacén es descargada en turnos nocturnos. El costo de tener el chofer esperando ser servido.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL c) Si presionamos en OK. por que es un modelo del que se conocen todos los datos. μ3= 5 [cl/hr]………… El problema será del tipo M/M/1/FIFO/∞/∞ CS = 5 [$/hr] CE = 20 [$/hr] Procedimiento 1) Se iniciará un nuevo problema en el modulo Análisis de Colas (QA). Una cadena de supermercados es abastecida por un almacén central. eligiendo como unidad de tiempo a horas: 3) En la hoja de cálculo se introducirá los datos conocidos como se muestra: Si presionamos podremos observar la siguiente ventana: Si realizamos un análisis de sensibilidad. Si el número de trabajadores del equipo es incrementado. μ2= 4 [cl/hr]. 2) Se elegirá Sistema Simple M/M. utilizando el modelo de aproximación G/G/s en caso de no existir una formula para este modelo.

se tiene el costo mínimo (23. en función del número de servidores: Si presionamos en: Show Sensitivity Analysis . los costos totales van disminuyendo. nuevamente el costo total va en aumento.Graph Se abrirá la siguiente ventana: Pag 79 de 98 . Podemos ver el gráfico del análisis de sensibilidad de el costo total.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Podemos observar claramente de que a medida que se incrementa el número de servidores (1-15). pudiéndose notar que el que al llegar a 4 servidores.4783). siendo que desde 5 servidores.

Si los trabajos llegan según una Poisson a razón de un trabajo cada 120 minutos.667 [tr/hr] El problema será del tipo M/M/1/FIFO/∞/∞ Procedimiento 1) Se iniciará un nuevo problema en el modulo Análisis de Colas (QA). ¿Cuánto debería esperar un trabajo para ser atendido? ¿Cuál sería la probabilidad de ser atendido? Datos: Numero de servidores = 1 λ=1/120 [tr/min] = 0.5 [tr/hr] μ= 1/1. se desea saber: a) ¿Qué tanto debe esperar en promedio un trabajo para recibir atención? b) ¿Será necesario la compra de otra computadora? c) Si la distribución del tiempo de servicio fuera Erlang con una media de 1. Cierta computadora tarda exactamente 1.5 y con un parámetro k = 5. eligiendo como unidad de tiempo a horas: 3) En la hoja de cálculo se introducirá los datos conocidos como se muestra: 5) Al presionar el icono se verá la ventana de los resultados: Pag 80 de 98 .5 [tr/hr] = 0.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Pudiéndose ver el siguiente gráfico Por lo que la respuesta del número de servidores a seleccionar es 4 3. Este se llamará Computadora. 2) Se elegirá Sistema Simple M/M.5 horas en atender un servicio requerido. por que es un modelo del que se conocen todos los datos.

4888 [horas] b) No. eligiendo como unidad de tiempo a horas: 3) Como el problema es del tipo: M/EK/1/FIFO/∞/∞.9625 % Average number of customers being balked per hour = Numero promedio de clientes que no serán atendidos por el sistema por hora = 0 Por lo que las respuestas buscadas son a) Tiempo promedio que un cliente pasa en la cola = Wq = 4.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL De la ventana de resultados podemos concluir: Customer arrival rate per hour = λ = 0.667 [tr/hr] Overall system effective arrival rate per hour = Tasa de llegadas eficaces al sistema global por hora = 0.9625 % Average number of customers in the system = Número promedio de clientes en el sistema = L = 2.2444 Average number of customers in the queue for a busy system = Número promedio de clientes en la cola para un sistema ocupado = Lb = 2. porque la Tasa de ocupación del sistema = ρ = 74. MANCHEGO se verá la ventana de los resultados: Pag 81 de 98 . por que es un modelo del que se conocen todos los datos de la distribución Erlang.9625 % La resolución del inciso c es la que sigue: 1) Se iniciará un nuevo problema en el modulo Análisis de Colas (QA).9880 [horas] The probablity that all servers are idle = Probabilidad de que todos los servidores esten ociosos = P0 = 25.9940 Average number of customers in the queue = Número promedio de clientes en la cola = Lq = 2.5 [tr/hr] Service rate per server per hour = μ = 0.0375 % The probablity an arriving costumer waits = Probabilidad de que un cliente espere al llegar al sistema = Pw = Pb = 74.9940 Average time customer spends in the system = Tiempo promedio que un cliente pasa en el sistema = W = 5. Este se llamará Computadoras 1. 2) Se elegirá Sistema General de colas.5 Overall system effective service rate per hour = Tasa de servicio eficaz del sistema global por hora = 0.5 Overall system utilization = Tasa de ocupación del sistema = ρ = 74. En la hoja de cálculo se introducirá los datos conocidos como se muestra: Al presionar el icono INSERTAR EJEMPLO DEL ING.4888 [horas] Average time customer spends in the queue for a busy system = Tiempo promedio que un cliente pasa en la cola para un sistema ocupado = Wb = 5.9880 [horas] Average time customer spends in the queue = Tiempo promedio que un cliente pasa en la cola = Wq = 4.

Por otro lado. El tiempo promedio para pasar es de 38 segundos. por que es un modelo del que se conocen todos los datos. Las secretarias de cinco oficinas sacan copias en una copiadora en forma periódica. La razón de llegadas a la copiadora es Poisson con una media de 4 por hora. el % de tiempo ocioso en la caseta con el nuevo sistema no deberá ser mayor al 10 % ¿Se justifica el cambio? Datos: Pag 82 de 98 .ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL 4. 2) Se elegirá Sistema Simple M/M. d) ¿Cuál es la probabilidad de que la copiadora esté ociosa? e) ¿Cuál es el número promedio de secretarias usando la copiadora? f) ¿Cuál es el número promedio de secretarias en la copiadora? Datos: Numero de servidores = 1 λ= 4 [secr/hr] μ= 6 [secr/hr] El problema será del tipo M/M/1/FIFO/5/5 Procedimiento 1) Se iniciará un nuevo problema en el modulo Análisis de Colas (QA). introduciendo nuevos mecanismos.5213 c) Número promedio de secretarias en la copiadora = Lq = 2. Este cambio se justifica si antes el número de autos que esperan sea mayor a cinco. Los autos que llegan a una caseta de pago en una carretera siguen una Poisson con una media de 90 autos por hora.4183 % b) Número promedio de secretarias usando la copiadora = L = 3. Los chóferes se quejan de un largo tiempo de paso y por ello el tránsito está dispuesto a disminuir a 30 segundos el tiempo de paso. el tiempo de servicio es exponencial con una tasa promedio de 6 por hora. Este se llamará secretaria. eligiendo como unidad de tiempo a horas: 3) En la hoja de cálculo se introducirá los datos conocidos como se muestra: Al presionar el icono se verá la ventana de los resultados: Por lo que lo que los resultados buscados son: a) Probabilidad de que la copiadora este ociosa = P0 = 1.5355 4.

7813 % Entonces se rechaza la implementación de un nuevo sistema Pag 83 de 98 . 3) En la hoja de cálculo se introducirá los datos conocidos como se muestra: Al presionar el icono se verá la ventana de los resultados: Como las condiciones eran: Lq = 5 y P0 ≤ 10 % Pero del modelo nos muestra de que Lq = 1. que en los anteriores problemas.3878 y P0 = 27.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Numero de servidores = 1 λ = 90 [autos/hr] μ = 3600/30 [autos/hr] = 120 [autos/hr] N=6 P0 ≤ 10 % El problema será del tipo M/M/1/FIFO/N/∞ Procedimiento Los pasos 1 y 2 son los mismos.

que en los anteriores problemas. debido a la impaciencia de los automovilistas? b) ¿Cuál es la probabilidad de que un cliente se vaya? c) Sí esta probabilidad fuera del 15 % o menos. Si llega un automóvil y no hay bombas disponibles. 3) En la hoja de cálculo se introducirá los datos conocidos como se muestra: Al presionar el icono se verá la ventana de los resultados: Las respuestas buscadas son: Tasa de ocupación del sistema = ρ = 40% Probabilidad de que el sistema este lleno = Pw = Pb = 22. Se tiene un puesto de gasolina con dos bombas. la venta se pierde.8571% Tiempo promedio que un cliente pasa en el sistema = W = 0. Cada 5 minutos (siguiendo una exponencial) llega un cliente. c) Cuál es el tiempo promedio que un cliente pasa en el sistema? Datos: Numero de servidores = 2 λ = 1/5 [autos/min] = 12 [autos/hr] μ = 15 [autos/hr] El problema será del tipo M/M/1/FIFO/∞/∞ Procedimiento Los pasos 1 y 2 son los mismos. a) ¿Cuánto puede esperar perder diariamente el dueño de la gasolinera. 3) En la hoja de cálculo se introducirá los datos conocidos como se muestra: Pag 84 de 98 . Suponiendo que el puesto está abierto desde las 6 horas hasta las 21 horas y que la tasa de servicio es de 15 clientes por hora (siguiendo una Poisson) a)¿Cuál es la tasa de ocupación del sistema?. localizado en un punto privilegiado de la ciudad con un servicio excelente. La venta promedio de gasolina es de 4 $ por automóvil. Los automóviles llegan a la gasolinera con una distribución de Poisson a un índice medio de 30 por hora. que en los anteriores problemas.0794[horas] 6. ¿Cuál sería el número óptimo de bombas de gasolina? Datos: Numero de servidores = 4 λ = 30 [autos/hr] μ = 1/5 [autos/min] = 12 [autos/hr] El problema será del tipo M/M/1/FIFO/4/4 Procedimiento Los pasos 1 y 2 son los mismos. Una estación de servicio maneja cuatro bombas de gasolina. b) ¿Cuál es la probabilidad de que el sistema este lleno?.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL 5. El tiempo necesario para servir a un cliente tiene una distribución exponencial con un índice medio de 5 minutos.

(Mezcla de Güisqui) Una compañía destiladora tiene dos grados de güisqui en bruto (sin mezclar).ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Al presionar el icono se verá la ventana de los resultados: Las respuestas buscadas son: a) Perdida = 30 [autos/hr]*24/1 [hr/dia]*4[$/autos]*0. de los cuales produce dos marcas diferentes.75808 [$us/dia] b) Probabilidad de que un cliente se vaya = 14.9916 % La resolución del inciso c es la siguiente: Si realizamos un análisis de sensibilidad. I y II. La compañía dispone de 3000 galones de grado I y 2000 galones del grado II para mezcla. mientras que la marca súper consta de dos terceras parte del grado I y una tercera parte del grado II.149916 = 431. Por tanto la respuesta es 5 Ingeniería Industrial – Programación Lineal en Investigación de Operaciones 1. Cada galón de la marca regular produce una utilidad de $5. seleccionando como parámetro de análisis al número de servidores tenemos: En el que claramente podemos ver de que Pw < 15 % desde el momento en que se incrementa el número de servidores a 5. mientras que cada galón del súper produce una utilidad de $6 ¿Cuántos galones de cada marca debería producir la compañía a fin de maximizar sus utilidades? Pag 85 de 98 . La marca regular contiene un 50% de cada uno de los grados I y II.

(2) 5x1 + 3x2 < 110 ………. (2) 900x1 + 600x2 < 1200 ……….. Cada unida de A requiere 2 horas en cada máquina y 5 horas en una segunda máquina.. x2 > 0 4. determine el nuevo valor de la utilidad máxima. Se dispone de 100 horas a la semana en la primera máquina y de 110 horas en la segunda máquina.. La mezcla más barata contiene un 80% de cacahuates y un 20% de nueces.(1) Sujetos a: 2x1 + 4x2 < 100 ……. Cada unidad de B demanda 4 horas en la primera máquina y 3 horas en la segunda máquina. Solución: ¿Qué es lo que vamos a Maximizar? Pag 86 de 98 .(1) Sujetos a: 1440x1 + 240x2 < 1800 ……. mientras que las más cara contiene 50% de cada tipo. Si la compañía obtiene una utilidad de $70 por cada unidad de A y $50 por cada unidad de B ¿Cuánto deberá de producirse de cada unidad con objeto de maximizar la utilidad total? PRODUCTO A B HRS MÁQUINA 1 2 4 HRS MÁQUINA 2 5 3 UTILIDAD $ 70 POR KILO $50 POR KILO Solución: ¿Qué es lo que vamos a Maximizar? x1 = la Cantidad de producción de A en unidades x2 = la Cantidad de producción de B en unidades Max Z = 70x1 + 50x2 ……. x2 > 0 3. Si la orden debe cumplirse.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL GRADO II 50% 25% MARCAS REGULAR SÚPER GRADO I 50% 75% UTILIDAD $5 $6 Solución: ¿Qué es lo que vamos a Maximizar? x1 = la Cantidad de güisqui de la marca regular en galones x2 = la Cantidad de güisqui de la marca súper en galones Max Z = 5x1 + 6x2 …….(3) lo que queda Planteado x1. (Decisiones sobre producción) En el ejercicio anterior. ¿Cuántos kilos de cada mezcla debería producir a fin de maximizar las utilidades si las ganancias son de $ 10 por cada kilo de la mezcla más barata y de $ 15 por cada kilo de la mezcla más cara? MEZCLA BARATA CARA CACAHUATE 80% 50% NUEZ 20% 50% GANANCIA POR SEMANA $10 POR KILO $ 15 POR KILO Solución: ¿Qué es lo que vamos a Maximizar? x1 = la Cantidad de mezcla de la marca BARATA en kilogramos x2 = la Cantidad de mezcla de la marca CARA en kilogramos Max Z = 10x1 + 15x2 ……. (Mezcla) Una compañía vende dos mezclas diferentes de nueces.(3) lo que queda Planteado x1.. (Dediciones sobre producción) Una compañía produce dos productos.(1) Sujetos a: 1500x1 + 1000x2 < 3000 ……. (2) 2250x1 + 500x2 < 2000 ………. x2 > 0 2. suponga que se recibe una orden por 14 unidades de A a la semana.(3) lo que queda Planteado x1. A y B. Cada semana la compañía obtiene 1800 kilos de cacahuates y 1200 kilos de nueces de sus fuentes de suministros.

¿Cuánto puede bajar la utilidad de B antes de que el fabricante deba cambiar el programa de producción? (El programa de producción siempre debe elegirse de modo que maximice la utilidad total).(3) 3x1 + 2x2 < 190 .(1) Sujetos a: 2x1 + 5x2 < 200 …….... suponga que el fabricante es forzado por la competencia a reducir el margen de utilidad del producto B. cada uno de los cuales requiere tiempo en tres máquina. Solución: PRODUCTO A B HRS MÁQUINA 1 2 5 HRS MÁQUINA 2 4 1 HRS MÁQUINA 3 3 2 UTILIDAD $600 POR KILO $ X POR KILO Pag 87 de 98 . (Decisiones sobre Producción).(3) 3x1 + 2x2 < 190 . Si la utilidad por cada unidad de A se incrementa a $600.. (Decisiones sobre producción) En el ejercicio anterior.(3) lo que queda Planteado x1.. (2) 5x1 + 3x2 < 110 ………. (Decisiones sobre producción) En el ejercicio 5. suponga que una repentina baja en la demanda del mercado del producto A obliga a la compañía a incrementar su precio...(1) Sujetos a: 2x1 + 4x2 < 100 ……...... Un fabricante produce dos productos. (2) 4x1 + 1x2 < 240 ……..... respectivamente.. segunda y tercera. (2) 4x1 + 1x2 < 240 ……. (4) lo que queda Planteado x1... x2 > 0 5.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL x1 = la Cantidad de producción de A en unidades x2 = la Cantidad de producción de B en unidades Max Z = 70x1 + 50x2 ……. (4) lo que queda Planteado x1. determine el nuevo programa de producción que maximiza la utilidad total. x2 > 0 6. Solución: ¿Qué es lo que vamos a Maximizar? x1 = la Cantidad de producción de A en unidades x2 = la Cantidad de producción de B en unidades Max Z = 250x1 + 300x2 ……... como se indica a continuación: PRODUCTO A B HRS MÁQUINA 1 2 5 HRS MÁQUINA 2 4 1 HRS MÁQUINA 3 3 2 UTILIDAD $250 POR KILO $300 POR KILO Si los número de horas disponibles en las máquinas al mes son 200.. A y B. Solución: PRODUCTO HRS HRS HRS UTILIDAD MÁQUINA 1 MÁQUINA 2 MÁQUINA 3 A 2 4 3 $600 POR KILO B 5 1 2 $300 POR KILO ¿Qué es lo que vamos a Maximizar? x1 = la Cantidad de producción de A en unidades x2 = la Cantidad de producción de B en unidades Max Z = 250x1 + 300x2 …….. 240 y 190 en el caso de la primera.. x2 > 0 7..... determine cuántas unidades de cada producto deben producirse a fin de maximizar la utilidad total..(1) Sujetos a: 2x1 + 5x2 < 200 …….

El gerente tiene dos inversiones en mente.UTILIDAD HOMBRE PRIMERO $20 5 $ 100 SEGUNDO $40 20 $ 300 Solución: ¿Qué es lo que vamos a Maximizar? x1 = la Cantidad de producción del PRIMER CULTIVO en acre pies x2 = la Cantidad de producción del SEGUNDO CULTIVO en acre pies Max Z = 100x1 + 300x2 ……...(4) lo que queda Planteado x1.. parte de cual debe invertirse.1)(1... (4) lo que queda Planteado x1..(1) (El programa de producción siempre debe elegirse de modo que maximice la utilidad total)... x2 > 0 10. Sujeto a: x1 + x2 < 100 .(3) 3x1 + 2x2 < 190 .. unos bonos conversadores que producen un 6% anual y unos bonos hipotecarios más efectivo que producen un 10% anual. Dispone de $ 3000 a fin de cubrir el costo del sembrado.000. Determine las cantidades de la dos inversiones que maximizarán la inversión total.000.(1) Sujetos a: (0... (2) x2 > 100.. El granjero puede confiar en un total de 1350 horas-hombre destinadas a la recolección de los dos cultivos y en el cuadro se muestra los siguientes datos por acre: CULTIVOS COSTO DE PLANTAR DEMANDA HORAS. (2) esta ecuación se debe a que sólo tiene 100 acre pies para los cultivos 5x1 + 20x2 < 1350…. ahora la UTILIDAD del PRODUCTO B.06)(1....... pues bien....000. determine la porción del terreno que deberá plantearse con cada cultivo si la utilidad por concepto del segundo cultivo sube a $ 450 por acre. (3) 20x1 + 40x2 < 3000 . se reduce la mitad de la utilidad por lo tanto queda: Max Z = 250x1 + 150x2 …….000... (Decisiones sobre plantación de cultivos) Un granjero tiene 100 acre pies en los cuales puede sembrar dos cultivos.. (3) x1....25) ……. debemos tomar en cuenta que se debe minimizar.. (Decisiones sobre inversión) Un gerente de Finanzas tiene $ 1×106 de un fondo de pensiones. Sujeto a: 2x1 + 5x2 < 200 …….UTILIDAD $ 100 $ 450 ¿Qué es lo que vamos a Maximizar? Pag 88 de 98 .000 …….(1) (El programa de producción siempre debe elegirse de modo que maximice la utilidad total). x2 > 0 8.. Solución: ¿Qué es lo que vamos a Maximizar? x1 = la Cantidad de la inversión en bonos conservadores x2 = la Cantidad de la inversión en bonos hipotecarios Max Z = x1 + x2 ……... lo mínimo que puede ponerse en bonos hipotecarios es de %100.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL ¿Qué es lo que vamos a Maximizar? x1 = la Cantidad de producción de A en unidades x2 = la Cantidad de producción de B en unidades pero en éste caso. De acuerdo con las regulaciones del gobierno.000)x2 < (1.. Más aún. Solución: CULTIVOS PRIMERO SEGUNDO COSTO DE PLANTAR $20 $40 DEMANDA HOMBRE 5 20 HORAS. (2) 4x1 + 1x2 < 240 ……. (Decisiones sobre plantación de cultivos) En el ejercicio anterior. no más del 25% de la cantidad invertida puede estar en bonos hipotecarios..000)(0. x2 > 0 9.000)x1 + (0.

ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL x1 = la Cantidad de producción del PRIMER CULTIVO en acre pies x2 = la Cantidad de producción del SEGUNDO CULTIVO en acre pies Max Z = 100x1 + 450x2 ……. que contienen: al menos 0..000…...(3) lo que queda Planteado x1.. En el cuadro siguiente se muestra la producción de los elementos por cada tonelada producida por ambas minas respectivamente: MINAS P Q COBRE 50 lb 15 lb ZINC 4 lb 8 lb MOLIBDENO 1 lb 3 lb COSTO POR TON.... A y B... (Espacio de Almacenamiento) La bodega de un depa. (Planeación dietética) La dietista de un hospital debe encontrar la combinación más barata de dos productos..(4) (MOLIBDENO) x1..(1) (El programa de producción siempre debe elegirse de modo que maximice la utilidad total).500 .. DE OBTENCIÓN DE MINERAL $ 50 $ 60 La compañía debe producir cada semana.... (2) 20x1 + 40x2 < 3000 .5….(1) 50x1 + 15x2 < 87.5 miligramos de tiamina al menos 600 calorías PRODUCTO A B TIAMINA 0. de química industrial..08 mg CALORIAS 100 150 Solución: Variables: x1 = la Cantidad mas Barata del producto A x2 = la Cantidad mas Barata del Producto B Max Z = x1 + x2 ……. (2) (COBRE) 4x1 + 8x2 < 16...... x2 > 0 12.000 libras de molibdeno ¿Cuánto mineral deberá obtenerse de cada mina con objeto de cumplir los requerimientos de producción a un costo mínimo? Solución: Variables: x1 = la Cantidad de Mineral de la MINA P en libras x2 = la Cantidad de Mineral de la MINA Q en libras Max Z = 50x1 + 60x2 ……. (3) (ZINC) x1 + 3x2 < 5000 . (2) (al menos) 100x1 + 150x2 > 150 .(1) Sujeto a: 0.08x2 > 0.. x2 > 0 lo que queda planteado 13.... Solución: Variables: x1 = la Cantidad de vasos de primer tamaño Pag 89 de 98 . Sujeto a: 5x1 + 20x2 < 1350….2 mg 0. (Putificación del mineral) Una compañía posee dos minas. al menos 300 vasos de un tamaño y 400 de un segundo tamaño.000 libras de zinc 5.500 libras de cobre 16. Determine la cantidades posibles de estos dos tipos de vasos que pueden almacenarse y muéstrelo con un gráfica. almacena.2x1 + 0. Se ha decidido que el número total de vasos almacenados no debe exceder de 1200.. P y Q.. x2 > 0 11. al menos las siguientes cantidades de los metales que se muestran a continuación: 87..(3) lo que queda Planteado x1..

. Un granjero tiene 200 cerdos que consumen 90 libras de comida especial todos los días..... How do you debit supply the pool for what the total weight of fishes are at least 400 pounds? Solución: ¿Qué es lo que vamos a Maximizar? x1 = la Cantidad de abastecimiento de Peces (ESPECIE S) en Primavera en Unidades x2 = la Cantidad de abastecimiento de Peces (ESPECIE T) en Primavera en Unidades Max Z = x1 + x2 …….. Una onza de carne contiene un promedio de casi de 7 gramos de proteína mientras que una onza de frijoles de soya (verde) contiene casi 3 gramos de proteína.. x2 > 0 17...(5) x1.(5) x1.. Si requiere que si consumo de proteína diaria que obtiene de la carne y de los frijoles de soya combinados debe ser al menos de 50 gramos. Determine las cantidades posibles de los vasos y muéstrelo con una gráfica. El alimento se prepara como una mezcla de maíz y harina de soya con las siguientes composiciones: Pag 90 de 98 . (2) 3x1 + 1x2 < 300 ……….. supongamos que los vasos del primer tamaño ocupan 9 in2 del anaquel y los del segundo 6 in2..... Solución: Variables: x1 = la Cantidad de vasos de primer tamaño x2 = la Cantidad de vasos de segundo tamaño Max Z = x1 + x2 …….(1) Sujeto a: x1 > 300…..(3) 3x1 + 2x2 > 400 lo que queda Planteado x1....8 . ¿Qué combinación de éstos nutrientes formarán un dieta aceptable? Solución: Variables: x1 = la Cantidad de Carne x2 = la Cantidad de Frijoles de Soya Min Z = x1 + x2 …….. (Ecología) Un estanque de peces los abastecen cada primavera con dos especias de peces S y T.(1) Sujeto a: x1 > 300…. (Espacio de Almacenamiento) En el ejercicio anterior.(1) Sujetos a: 2x1 + 3x2 < 600 ……. x2 > 0 15. (2) (al menos) x2 > 400 .....(4) x1. El peso promedio de los peces y el requerimiento diario promedio de alimento para cada pez de cada especia está dado en el cuadro siguiente: especies S T F1 2 Unidades 3 Unidades F2 3 Unidades 1 Unidades Peso Promedio 3 libras 2 libras If there are six hundred of F1 and three hundred of F2 everyday... El área total de anaqueles disponibles para almacenar es a lo sumo de 62. x2 > 0 16. x2 > 0 14. (2) (al menos) x2 > 400 ...(4) 9x1 + 6x2 < 62...ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL x2 = la Cantidad de vasos de segundo tamaño Max Z = x1 + x2 ……... (Planeación Dietética) Una persona está pensando reemplazar en su dieta de la carne por frijoles de soya.8 ft2.(1) Sujeto a: 7x1 + 3x2 > 50 .......(3) x1 + x2 < 1200 .(3) x1 + x2 < 1200 . Hay dos tipos de comida F1 y F2 disponibles en el estanque..

05) .. que contribuye al 10%.2 Min Z = x1 + x2 …….ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Proteína 0.14)(480) ………. Un pequeño banco asigna un máximo de $20.2x1 + 0..06x2 > (90)(0.12)(20. 14% y 12% de los 480 minutos totales de que se dispone diariamente para las estaciones 1. Ambos tipos de préstamos se saldan en periodos de tres años. (2) 0. Una planta armadora de radios produce dos modelos HiFi-1 y HiFi-2 en la misma línea de ensamble. Cuando menos 1% de calcio 2. Los tiempos de ensamble en la estaciones de trabajo son: Minutos por Unidad de Minutos por Unidad de Estación de Trabajo HiFi-1 HiFi-2 1 6 4 2 5 5 3 4 6 Cada estación de trabajo tiene una disponibilidad máxima de 480 minutos por día.. La compañía desea determinar las unidades diarias que se ensamblarán de HiFi-1 y HiFi-2 a fin de minimizar la suma de tiempos no usados (inactivos) en la tres estaciones..02 0.(1) Sujetos a: 0. las estaciones de trabajo requieren mantenimiento diario..002 Los requisitos de alimento de los cerdos son: 1.3) ……….01) ……... La experiencia pasada ha demostrado que los adeudos no cubiertos constituyen el 1% de todos los préstamos personales ¿Cómo deben asignarse los fondos? Solución: ¿Qué es lo que vamos a Maximizar? x1 = la Cantidad Fondos de préstamos personales x2 = la Cantidad fondos de préstamos para automóvil Min Z = 0...001 Harina de Soya 0. La línea de ensamble consta de tres estaciones...6x2 < (90)(0.2x1 + 0. Solución: ¿Qué es lo que vamos a Minimizar? x1 = la Cantidad de Unidades Diarias de HiFi ..6x2 …….06 Costo ($/lb) 0..09 0.(1) Sujetos a: 6x1 + 4x2 < (0...000 para préstamos personales y para automóviles durante el mes siguiente.. (4) lo que queda Planteado x1..12)(20.(3) x1 > (0.(3) 4x1 + 6x2 > (0. Sin embargo. El monto de los préstamos para automóvil desde ser cuando menos de dos veces mayor que el de los préstamos personales.01)(0.. Máximo 5% de fibra Determine la mezcla de alimentos con el mínimo de costo por día Solución: ¿Qué es lo que vamos a Minimizar? x1 = la Cantidad de Maíz Libra por libra de Alimento x2 = la Cantidad de Harina de Soya Libra por libra de Alimento Min Z = 0.000) . (2) 5x1 + 5x2 < (0.000) ………. (4) lo que queda Planteado x1.. El banco cobra una tasa de interés anual del 14% a préstamos personales y del 12% a préstamos para automóvil.000)x1 + (0.2 0.002x2 < (90)(0.6 Libras por Libra de Alimento Alimento Calcio Maíz 0..1)(480) ……. x2 > 0 19. (4) lo que queda Planteado Pag 91 de 98 Fibra 0.. (2) x2 > (2)(0.(1) Sujetos a: (0.001x1 + 0.14)(20.000)x2 < 20000 …….. 2 y 3 respectivamente.6 ..12)(480) ..6x2 ……...(3) 0.09x1 + 0.14)(20. Por lo menos 30% de proteína 3. x2 > 0 18.02x1 + 0.....1 x2 = la Cantidad de Unidades Diarias de HiFi .

(1) Sujetos a: 10x1 + 5x2 < 10 ……... x2 > 0 22....(3) 8x1 + 15x2 < 10 . x2 > 0 21. (2) x2 > (2)(x1) x1 > (25)(x2) ………. respectivamente. El tiempo de producción y la ganancia por unidad de cada producto son: Minutos Por Unidad Producto Máquina 1 Máquina 2 Máquina 3 Ganancia 1 10 6 8 $2 2 5 20 15 $3 Nota: Determine la combinación óptima de los productos... Una compañía elabora dos productos: A y B.. El precio de venta de los productos es $20 y $40 por unidad. (4) lo que queda Planteado x1. La experiencia pasada muestra que cada minuto de publicidad por televisión generará en términos generales 25 más venta que cada minutos de publicidad por la radio.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL x1. Solución: ¿Qué es lo que vamos a Minimizar? x1 = la Cantidad de Unidades del Producto 1 x2 = la Cantidad de Unidades del Producto 2 Min Z = 2x1 + 3x2 ……. respectivamente. Dos productos se elaboran al pasar en forma sucesiva por tres máquina.. produce dos modelos de radio.. Determine la asignación óptima del presupuesto mensual por anuncios por radio y televisión. El tiempo por máquina asignado a los productos está limitado a 10 horas por día.(3) x2 < 75 .. (2) 10x1 + 8x2 < 800 ………. en tanto que cada unidad del segundo modelos requiere ocho piezas del mismo componente. x2 > 0 23. (4) lo que queda Planteado x1..(1) Sujetos a: x1 < 60 ……. cuya disponibilidad diaria está limitada a 100 lb.(1) Sujetos a: 5x1 + 100x2 < 1000 ……. cada uno en una línea de producción de volumen diferente. Solución: ¿Qué es lo que vamos a Maximizar? x1 = la Cantidad de presupuesto mensual para el Radio x2 = la Cantidad de presupuesto mensual para el Televisor Max Z = x1 + x2 ……. Una compañía puede anunciar su producto mediante el uso de estaciones de radio y televisión locales. (2) 6x1 + 20x2 < 10 ……….(3) x1. x2 > 0 20. Ambos productos utilizan la misma materia prima. Cada unidad del primer modelos utiliza 10 piezas de ciertos componente electrónicos.... El volumen de ventas del producto A es cuando menos el 60% de las ventas totales de los dos productos. La capacidad diaria de la primera línea es de 60 unidades y la segunda es de 75 radios. La disponibilidad diaria máxima del componente especial es de 800 piezas....... Determine la asignación óptima de la materia prima a los dos productos. Una compañía de productos electrónicos. Solución: ¿Qué es lo que vamos a Maximizar? x1 = la Cantidad de Unidades del Producto A x2 = la Cantidad de Unidades del Producto B Pag 92 de 98 . Su presupuesto limita los gastos de publicidad de $1000 por mes cada minutos de anuncio en la radio cuesta $5 y cada minuto de publicidad en televisión cuesta $100. Solución: ¿Qué es lo que vamos a Maximizar? x1 = la Cantidad de producción del modelo 1 de Radio x2 = la Cantidad de producción del modelo 2 de Radio Max Z = 30x1 + 20x2 ……. La compañía desearía utilizar la radio cuando menos dos veces más que la televisión. Los productos A y B utilizan esta materia prima en los índices o tasas de 2 lb/unidad y 4 lb/unidad. La ganancia por unidad de modelos 1 y 2 es $30 y $ 20. Determine la producción diaria óptima de cada modelo de radio.

x2 > 0 26. Se desean comprar tres unidades de televisión durante el día y 2 unidades durante la noche. Solución: ¿Qué es lo que vamos a Maximizar? x1 = la Cantidad de Unidades del Producto A x2 = la Cantidad de Unidades del Producto B Max Z = 350x1 + 600x2 …….00. El mercado limita las ventas diarias del primero y segundo tipos a 150 y 200 unidades.6)(60) ………. mientras que el producto 2 requiere 1 hora de la máquina A y 2 horas de la máquina B. El producto 1 requiere 3 horas de la máquina A y 2 de la máquina B. Solución: ¿Qué es lo que vamos a Maximizar? x1 = la Cantidad de Unidades del Sombrero TIPO 1 x2 = la Cantidad de Unidades del Sombrero TIPO 2 Max Z = 8x1 + 5x2 …….000 “IMPEXA” no quiere gastar más de $1.(3) x1. x2 > 0 25. Una empresa pequeña.000 x1 + x2 < 750.….200.200.(3) x1.000 650..000 x1 > 450.(1) Sujetos a: 3x1 + 1x2 < 500 …….000 potenciales que puede alcanzar por unidades de publicidad 500. televisión y revista.. Cada sombrero del primer tipo requiere dos veces más tiempo de manos de obra que un producto del segundo tipo. x2 > 0 24.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL Max Z = 20x1 + 40x2 ……. dado que por escasez de materia prima no puede producir más de 21 unidades del producto. Solución: ¿Qué es lo que vamos a MAXIMIZAR? x1 = la Cantidad de clientes Potenciales por día x2 = la Cantidad de clientes Potenciales por noche x3 = la Cantidad de clientes por Radio x4 = la Cantidad de clientes por revistas Max Z = x1 + x2 + x3 + x4…….. El producto a deja 350 pesos y el segundo producto B deja 600 pesos por utilidades.000 Pag 93 de 98 .(4) x1. Han realizado un estudio y el resultado es: Durante el día Número de clientes 450.000 Revistas 200.000 1. Una compañía elabora dos tipos de sombreros. Además en publicidad por televisión no desean gastar más de 750 mil pesos. La capacidad de las máquina A y B son 500 y 650 horas semanales respectivamente. (2) 2x1 + 2x2 < 650 …….. Cada producto tiene que pasar por la máquina A y después por la máquina B..000 Durante la noche 800. cuenta con dos máquina para elaborar dos productos.. La compañía puede producir un total de 500 unidades al día.000 250.(1) Sujetos a: 2x1 + 4x2 < 100 ……. El objetivo principal es alcanzar tantos clientes como sea posible.(1) Sujetos a: (RESTRICCIONES DE BALANCE) x1 + x2 + x3 + x4 < 1. Analice usted la situación de la operación de esta. desea hacer publicidad para su productos en tres diferentes medios: radio. Determine el número de sobreros de cada tipo que debe elaborarse para maximizar la ganancia. Si todos los sobreros son exclusivamente del segundo tipo.000 Radio 675.(1) Sujetos a: 150x1 + 200x2 < 500 …….000. (3) x1 + x2 < 21 ……. Plantee el problema como un modelo de programación lineal. (2) x1 > (2)(200) ………. (2) x1 > (0. Supóngase que la ganancia que se obtiene por producto es $8 por el tipo 1 y $5 para el tipo 2. el grupo “IMPEXA”.

ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL
SUB-ÁREA: INGENIERIA INDUSTRIAL x1 < 500,000 x2 > 800,000 x2 < 1,000,000 x3 > 375,000 x3 < 650,000 x4 > 200,000 x4 < 250,000 3x1 < 2x2 27. La señora Morales tiene una dieta a seguir, la cual reúne los siguientes requisitos alimenticios. Al menos 4 mg. de vitamina A Al menos 6 mg. de vitamina B A lo más 3 mg. de vitamina D Así mismo, la dieta está formada por pan, queso, buebo, y carne. La tabla siguiente nos da los requerimientos por vitamina en mg. así como el costo: Contenido en mg por gramo de producto PRODUCTO PAN QUESO BUEBOS CARNE COSTO 40 31 19 53 VITAMINA A 0.20 0.15 0.15 0.30 VITAMINA B 0.18 0.10 0.40 0.35 VITAMINA D 0.10 0.14 0.15 0.16

Solución: ¿Qué es lo que vamos a Minimizar? x1 = la Cantidad a comprar de PAN x2 = la Cantidad a comprar de QUESO x3 = la Cantidad a comprar de HUEVO x4 = la Cantidad a comprar de CARNE Min W = 40x1 + 31x2 + 19x3 + 53x4…….(1) Sujetos a: 0.20x1 + 0.15x2 + 0.15x3 + 0.30x4 > 4 0.18x1 + 0.10x2 + 0.40x3 + 0.35x4 > 6 0.10x1 + 0.14x2 + 0.15x3 + 0.16x4 > 3 x1, x2, x3, x4 > 0 28. (Inversiones) A Julio que es asesor de inversiones, se le presentan 4 proyectos con sus respectivos costos en un período de tres años, así como la utilidad total. El requiere maximizar la utilidad total disponiendo de $50,000; $24,000; y $30,000 en cada uno de los años siguientes: PROYECTO UTILIDAD TOTAL COSTO COSTO COSTO AÑO 1 AÑO 2 AÑO 3 X1 100 6 14 5 90 2 8 14 X2 75 9 19 18 X3 80 5 2 9 X4 Solución: ¿Qué es lo que vamos a Minimizar? x1 = la Cantidad de Maíz Libra por libra de Alimento x2 = la Cantidad de Harina de Soya Libra por libra de Alimento Min Z = 0.2x1 + 0.6x2 …….(1) Sujetos a: 0.001x1 + 0.002x2 < (90)(0.01) …….. (2) 0.09x1 + 0.6x2 < (90)(0.3) ……….(3) 0.02x1 + 0.06x2 > (90)(0.05) .......... (4) lo que queda Planteado x1, x2 > 0 Disponibilidad:

Pag 94 de 98

ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL
SUB-ÁREA: INGENIERIA INDUSTRIAL Las cantidades disponibles por año se asignan a las diferentes variables o proyectos bajo estas restricciones para optimizar o maximizar la utilidad total. 29. Supóngase que el Banco de Crédito al Campesino tiene dos planes de inversión a saber: El primero en el programa de tierras de riego, el segundo en el programa de tierras de temporal. El primer programa regresa un 30% de la inversión al fin del año, mientras que el segundo plan regresa un 65% de la inversión, para el término de dos años. Los intereses recibidos en ambos planes son reinvertidos de nuevo en cualquiera de ambos planes. Formule el programa lineal que le permita al banco maximizar la inversión total en un sexenio, si la inversión es de $ 100 millones. Solución: ¿Qué es lo que vamos a MAXIMIZAR? xiR = la Cantidad de inversión de riesgo a una año i xiT = la Cantidad de inversión Temporal en 2 años i donde i = 1, 2, 3, 4, 5, 6. Max Z = x1 + x2 + x3 + x4…….(1) Sujetos a: (RESTRICCIONES DE BALANCE) x1R + x1T < 100,000 x2R + x2T < 1.30x1R x3R + x3T < 1.30x2R + 1.65x1T x4R + x4T < 1.30x3R + 1.65x2T x5R + x5T < 1.30x4R + 1.65x3T x6R < 1.30x5R + 1.65x4T x1T, xR > 0 30. Una compañía de perfumes puede anunciar su producto mediante el uso de estaciones de radio y televisión. Su presupuesto limita los gastos de publicidad a $1,500 por mes. Cada minuto de anuncio en la radio cuesta $15 y cada minuto de publicidad en televisión cuesta $90. La compañía desearía utilizar la radio cuando menos dos veces más que la televisión. Los datos históricos muestran que cada minuto de publicidad por televisión generará en términos generales 30 veces más ventas que cada minuto de publicidad por radio. Determine la asignación óptima del presupuesto mensual para anuncios por radio y televisión. Solución: ¿Qué es lo que vamos a Maximizar? x1 = la Cantidad de presupuesto mensual para el Radio x2 = la Cantidad de presupuesto mensual para el Televisor Max Z = x1 + x2 …….(1) Sujetos a: 15x1 + 90x2 < 1500 …….. (2) x2 > (2)(x1) x1 > (30)(x2) ……….(3) x1, x2 > 0 31. Una Tienda de animales ha determinado que cada Hámster debería recibirla menos 70 unidades de proteína. 100 unidades de carbohidratos y 20 unidades de grasa. Si la tienda vende los seis tipos de alimentos mostrados en la tabla. ¿Qué mezcla de alimento satisface las necesidades a un costo mínimo para la tienda? Alimento A B C D E F Proteínas (Unidades / Onza) 20 30 40 40 45 30 Carbohidratos (Unidades / Grasa Onza) (Unidades / Onza) 4 50 9 30 11 20 10 25 9 50 10 20 Costo (Onza) 2 3 5 6 8 8

Solución: ¿Qué es lo que vamos a Minimizar? x1 = la Cantidad a mezclar de A x2 = la Cantidad a mezclar de B x3 = la Cantidad a mezclar de C x4 = la Cantidad a mezclar de D x5 = la Cantidad a mezclar de E x6 = la Cantidad a mezclar de F

Pag 95 de 98

ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL
SUB-ÁREA: INGENIERIA INDUSTRIAL Min W = 2x1 + 3x2 + 5x3 + 6x4 + 8x5 + 8x6…….(1) Sujetos a: 20x1 + 30x2 + 40x3 + 40x4 + 45x5 + 30x6 < 70 ......... PROTEÍNA 50x1 + 30x2 + 20x3 + 25x4 + 50x5 + 20x6 < 100 ------ CARBOHIDRATOS 4x1 + 9x2 + 11x3 + 10x4 + 9x5 + 10x6 < 20 ---------- GRASA x1, x2, x3, x4 > 0 32. Una compañía manufacturera local produce cuatro deferentes productos metálicos que deben maquinarse, pulirse y ensamblarse. La necesidades específicas de tiempo (en horas) para cada producto son las siguientes: Producto I Producto II Producto III Producto IV Maquinado 3 2 2 4 Pulido 1 1 2 3 Ensamble 2 1 2 1

La compañía dispone semalmente de 480 horas para maquinado, 400 horas para el pulido y 400 horas para el ensamble. Las ganancias unitarias por producto son $6, $4, $6 y $8 respectivamente. La compañía tiene un contrato con un distribuidor en el que se compromete a entregar semanalmente 50 unidades del producto 1 y 100 unidades de cualquier combinación de los productos II y III, según sea la producción, pero sólo un máximo de 25 unidades del producto IV. ¿cuántas unidades de cada producto debería fabricar semanalmente la compañía a fin de cumplir con todas las condiciones del contrato y maximizar la ganancia total? Considere que las piezas incompletas como un modelo de Programación Lineal. Solución: ¿Qué es lo que vamos a Minimizar? x1 = la Cantidad a fabricar del producto I x2 = la Cantidad a fabricar del producto II x3 = la Cantidad a fabricar del producto III x4 = la Cantidad a fabricar del producto IV Min W = 6x1 + 4x2 + 6x3 + 8x4…….(1) Sujetos a: 3x1 + 2x2 + 2x3 + 4x4 < 480 1x1 + 1x2 + 2x3 + 3x4 < 400 2x1 + 1x2 + 2x3 + 1x4 < 400 x1 > 50 x2 + x3 > 100 x4 < 25 x1, x2, x3, x4 > 0 33. Se procesan cuatro productos sucesivamente en dos máquina. Los tiempos de manufactura en horas por unidad de cada producto se tabulan a continuación para las dos máquinas: Máquina 1 2 Producto 1 2 3 Producto 2 3 2 Producto 3 4 1 Producto 4 2 2

El costo total de producir una unidad de cada producto está basado directamente en el tiempo de máquina. Suponga que el costo por hora para las máquina 1 y 2 es $10 y $15. Las horas totales presupuestadas para todos os productos en las máquina 1 y 2 son 500 y 380. si el precio de venta por unidad para los productos 1, 2, 3 y 4 en $65, $70, $55 y $45, formule el problema como modelo de programación lineal para maximizar el beneficio neto total. Solución: ¿Qué es lo que vamos a Maximizar? x1 = la Cantidad a fabricar del producto 1 x2 = la Cantidad a fabricar del producto 2 x3 = la Cantidad a fabricar del producto 3 x4 = la Cantidad a fabricar del producto 4 Max W = 65x1 + 70x2 + 55x3 + 45x4…….(1) Sujetos a: 2x1 + 3x2 + 4x3 + 2x4 < 500

Pag 96 de 98

respectivamente. al principio del mes siete. Esto es.000.00 cada maquinaria. Establezca un modelo de programación lineal pata determinar el mínimo número de personal técnico y especializado para satisfacer las necesidades diarias de trabajo en el compañía. Al principio de cada mes la compañía tiene disponibles tres alternativas para adquirir maquinaria. 6. Solución: xiR = la Cantidad de personal técnico xiT = la Cantidad de personalidad especializado donde i = 1. producción y pago de operadores en cada mes.000. de manera tal que al principio del mes siete tenga el máximo número de máquina en operación.00 al inicio de una mes para producir y al fin del mes la cantidad de $9. 5.00 sin embargo. si al principio de cada mes “t” se pide y paga la maquinaria. La compañía se propone planear su producción. se puede comprar en $15. el acuerdo sindical establece que en todo momento debe haber por lo menos tres veces el número de personal técnico que de personal especializado. que empiezan a trabajar al inicio del periodo t en cada día.000 y diez máquinas. para cada dos máquinas se necesita un operador cuyo sueldo mensual es de $3000. empleo de operador y compra de maquinaria que debe tener. Min Z = x1 + x2 Sujetos a: 20x1 + 8x2 > 60 40x1 + 12x2 > 120 Pag 97 de 98 . En esta compañía. x3. x2. Solución: ¿Qué es lo que vamos a Minimizar? x1 = la Cantidad a fabricar del producto I x2 = la Cantidad a fabricar del producto II x3 = la Cantidad a fabricar del producto III x4 = la Cantidad a fabricar del producto IV Min W = 6x1 + 4x2 + 6x3 + 8x4…….000. al máximo número de máquina en operación.000. Una compañía de productos químicos que labora las 24 horas del día tiene las siguientes necesidades de personal técnico y especializado Periodo 1 2 3 4 5 6 Hora del día 6 – 10 10 –14 14 – 18 18 –22 22 – 02 02 . x4 > 0 35. x2. Suponga que Xt y Zt.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL 3x1 + 2x2 + 1x3 + 2x4 < 380 x1. está se entregará al principio del mes t + 1. Formule un modelo de programación lineal que permita determinar la política de compra de maquinaria. La compañía se dispone a iniciar operaciones el próximo mes de enero y cuenta con $300.000. 2. La compañía Delta tiene maquinaria especializada en la industria de plástico. La operación de cada máquina requiere de $4.06 Personal técnico 20 40 80 45 25 10 Personal Especializado 8 12 15 9 3 2 Observe que el periodo 1 sigue al periodo 6. 4.(1) Sujetos a: 3x1 + 2x2 + 2x3 + 4x4 < 480 1x1 + 1x2 + 2x3 + 3x4 < 400 2x1 + 1x2 + 2x3 + 1x4 < 400 x1 > 50 x2 + x3 > 100 x4 < 25 x1.00 cada máquina con un periodo de entrega en tres meses. La última alternativa s comprar en $10. denotan el número de personas técnicas y especializadas. En la segunda alternativa. 3.00 cada una con un periodo de entrega de una mes. Considere que cada persona en la compañía labora 8 horas consecutivas.00 pagando al principio del mes. pero el periodo de entrega es en dos meses. En la primera alternativa puede comprar máquina de $20. x4 > 0 34. x3.

000.05)(780) x1.000 entregado en partidas trimestrales de 40. 20 y 10 millones respectivamente.F.000. El tiempo de reparación es de 3 meses. Se supone que al final de cada trimestre el 5% de las locomotoras debe mantenerse a reparación y el 5% quedan fuera de servicio. para minimizar costos y satisfacer la demanda de locomotoras.000x2 + 250.000.000 750x1 + 800x2 + 780x3 > 650 x1 > (0.000.ÁREA: FUNDAMENTOS DE LA INGENIERIA INDUSTRIAL SUB-ÁREA: INGENIERIA INDUSTRIAL 80x1 + 15x2 > 240 45x1 + 9x2 > 3(45) 25x1 + 3x2 > 75 10x1 + 2x2 > 30 36.000x1 + 100.000x3 ……. La alternativa b tiene un costo de $5.C.000 por locomotora La alternativa d tiene un costo de $250.C.(1) Sujetos a: x1 + x2 + x3 < 100. Ferrocarriles Nacionales de México tiene al inicio del próximo año la siguiente demanda de locomotoras diesel para ocupar su sistema en todo el país: Trimestre Locomotoras Diesel 1 750 2 800 3 780 La gerencia de ferrocarriles puede satisfacer su demanda mediante la combinación de las siguientes alternativas: a) Uso de la existencia de locomotoras diesel en estado de trabajo b) Compra de locomotoras al extranjero las cuales pueden entregarse al principio de cualquier trimestre c) Reparar locomotoras en los talleres nacionales con carácter normal. Solución: ¿Qué es lo que vamos a Minimizar? x1 = la Cantidad de Demanda en el trimestre 1 x2 = la Cantidad de Demanda en el trimestre 2 x3 = la Cantidad de Demanda en el trimestre 3 Min W = 5. x3. x2.000 por locomotora La alternativa c tiene un costo de $100. Formule un problema de programación lineal que permita determinar la combinación de políticas que debe tomar en cuenta la gerencias de F. x4 > 0 Pag 98 de 98 .000 por locomotora Se estima que al principio del año se tendrán 650 locomotora en estado de trabajo y el presupuesto de operación para ese año es de $100. El tiempo re reparación es de 6 meses. 30.05)(800) x3 > (0.05)(750) x2 > (0. d) Reportar locomotoras en los talleres nacionales con carácter urgente.