You are on page 1of 8

UNIVERSIDAD DE MANAGUA

Al más alto nivel
SIMULACIÓN DE SISTEMAS
Modelos de Simulación
Guía práctica #4

Prof.: MSc. Julio Rito Vargas A. Febrero 2013

Objetivos:
 Aplicar las técnicas estudiadas para desarrollar un modelo de simulación.
 Usar herramientas de software (Excel y Promodel - Fit ) para apoyar el desarrollo de un
modelo de simulación.

Modelo de una línea de espera con un servidor
I. Planteamiento del Problema:
El tiempo que transcurre entre llegada de ciertas piezas a una inspección sigue una distribución
exponencial con media de 5 minutos/pieza. El proceso está a cargo de una operario y la duración
de la inspección sigue una distribución normal con media 4.0 y desviación estándar de 0.5
minutos/pieza. Calcular el tiempo promedio de permanencia de las piezas en el proceso de
inspección.

Para solucionar el problema se debe:
Variable de Estado Tiempo en el Sistema de inspección (7)
Entidades Piezas
Eventos Tiempo de llegada (2)
Fin de la inspección (5)
Evento secundario Inicio de la Inspección (3)
Actividades Tiempo entre llegadas (1)
Tiempo de Inspección (4)

Los números entre paréntesis indican la columna que ocupa cada elemento en las tablas
4.1 y 4.2.

II. Definir las relaciones lógico-matemáticas entre los elementos; en la tabla 4.1
se describen las siguientes relaciones:

a) El tiempo entre llegadas (1); es una variable aleatoria, simulada utilizando
el generador RAND() o ALEATORIO() de la hoja de cálculo de Excel y la
función generadora de variables exponenciales Ei=-5ln(1-ri).

b) El evento tiempo de llegada de la pieza (2); corresponde al valor
acumulado de la columna (1).

Julio Rito Vargas Avilés Pág.# 2

H7) 5) =F8+G8 =H8-E8 =F8-E8 8) Julio Rito Vargas Avilés Pág.4.4. f) La Variable.NOR M. es igual a la diferencia entre el tiempo de inicio de inspección (3) y el tiempo de llegada de la pieza (2).H4) 5) =F5+G5 =H5-E5 =F5-E5 5) =DISTR. finalmente. se calcula. tiempo en inspección (6).# 3 . =PROMEDIO($I$4) 4 1 ALEATORIO()) =D4 =E4 5) =F4+G4 =H4-E4 =F4-E4 =DISTR. desviación estándar) la probabilidad será el generador ALEATORIO(). Tabla 4. =PROMEDIO($I$4:I 7 4 ALEATORIO()) =D7+E6 =MAX(E7.INV (probabilidad.NORM.H6) 5) =F7+G7 =H7-E7 =F7-E7 7) =DISTR.5. c) Tomando en cuenta que solo existe un operador encargado de la tarea.4.INV(ALEA =-5*LN(1.H5) 5) =F6+G6 =H6-E6 =F6-E6 6) =DISTR.0.NOR M. como la diferencia entre el tiempo de llegada (2) y el fin de la inspección.INV(ALEA =-5*LN(1. TORIO(). TORIO().INV(ALEA =-5*LN(1.4.NOR M. media. TORIO(). =PROMEDIO($I$4:I 5 2 ALEATORIO()) =D5+E4 =MAX(E5. C D E F G H I J K Tiempo Tiempo Inicio de la Tiempo de Fin de la Tiempo en Tiempo en Tiempo entre de Inspección Inspección inspección Inspección Espera (7) promedio en 3 Pieza llegadas (1) llegada (3) (4) (5) (6) Inspección (8) (2) =DISTR. el inicio de la inspección (3) puede ocurrir cuando la pieza entra al sistema. generada mediante la función interna normal acumulada inversa.INV(ALEA =-5*LN(1. es una variable aleatoria Normal con media 4. en caso de que el operario esté ocioso (2) o cuando termina de inspeccionar la pieza anterior (5).INV(ALEA =-5*LN(1. e) El fin de la inspección (5).NOR M.0.0. se calcula sumando el tiempo de inspección (4) al tiempo de inicio de la inspección (3). g) Tiempo de espera (7) de una pieza antes de ser inspeccionada.1 : Relación entre los eventos y actividades involucradas en proceso del problema planteado. =PROMEDIO($I$4:I 6 3 ALEATORIO()) =D6+E5 =MAX(E6.0.NOR M.0.4. =PROMEDIO($I$4:I 9 5 ALEATORIO()) =D8+E7 =MAX(E8. DISTR. el tiempo promedio de inspección se recalcula. d) El tiempo de Inspección (4).0 y desviación estándar 0. h) Esta última columna permite calcular el tiempo promedio de inspección (8) como promedio móvil: cada vez que una pieza es simulada. TORIO(). TORIO().

22 11 1.30 0.45 7611.73 8.55 1493 9.75 11.66 40.12 4.93 10 5.79 3.70 7607.52 1500 0.30 19.60 18.53 1497 4.53 4.72 12 1.51 7628.2 Se realizará con 1500 piezas.35 48.54 5.59 4.52 1499 10.54 1495 1.92 2.80 9.08 11.80 27.67 3.17 23.05 65.60 9.31 4.47 15.90 7620.66 7583.45 7590.61 0.28 11.80 67.24 5.88 11.00 11.87 80.90 4.31 8.00 4.98 40.37 32.15 7612.90 3.17 14.51 0.44 7588.52 minutos/pieza.43 4.29 2.24 4.84 7571.50 5.36 80.53 3.00 4.52 Julio Rito Vargas Avilés Pág.33 57.13 7624.54 1494 0.86 9.86 56.00 4.00 4.68 44.37 6.47 2. la columna 8 permite visualizar la estabilización del sistema mediante una gráfica de líneas.42 4. la información nos indica que el tiempo promedio de espera es de 11.66 55.43 9 2.82 7. Una vez definidas las relaciones.31 13 2.71 3.07 5 4.56 1491 2.47 4.50 1.95 0.58 14.08 40.29 4.79 11.11 57.71 7590.75 4.76 7.66 3.29 2.59 7620.05 7607.29 23.34 5.79 65.82 75.25 49. La réplica cuyos resultados se ilustran en la tabla 4.90 0.08 0.04 7601.24 10.60 3 7.59 53. III. Además de este resultado.54 1496 9.16 48.56 52.26 7583.98 44.58 2.29 4.64 7600.13 4 11.01 14 0.66 7612.53 1498 2.26 7570.02 7600.69 5.42 11.95 7594.10 7575.96 7633.34 11.45 7628.55 1492 7.29 0.58 6.96 16 10.54 61.77 16.37 0.84 3.50 7580.# 4 .2 Simulación del proceso de inspección (en hoja de calculo de Excel) Tiempo Tiempo Inicio de Tiempo de Fin de la Tiempo en Tiempo en Tiempo entre de la Inspección inspección Inspección Espera (7) promedio en Pieza llegaadas llegada Inspección (4) (5) (6) Inspección (8) (1) (2) (3) 1 2.05 7 4.51 6.16 55.01 36.63 11.24 3.91 15 0.96 3.10 7575.85 9. Tabla 4.98 3.66 4.46 3.60 3.61 7633.96 3.00 11.30 7600.63 6.69 3.48 4.00 4.90 36.37 44.89 4.65 4.56 3.29 2 2.43 10.75 12.96 10.83 7636.92 2.12 3.90 3.56 1490 10.23 7615. se simula el proceso.43 7.61 7628.42 …………………………………………………………………………………………………………………… 1488 5.41 12.59 11.58 4.38 41.49 53.07 4.65 4.66 0.17 3.08 3.89 27.71 7.00 11.22 4.67 7617.66 7603.95 7.00 4.69 7569.30 7583.58 4.17 0.68 0.08 7615.61 83.60 7580.86 11.41 7615.91 7579.90 26.72 70.16 11.72 5.00 11.01 0.08 23.00 8 0.30 4.57 75.98 3.29 6.25 4.13 6 9.99 4.71 70.82 4.74 51.10 5. teniendo cuidado de que el tamaño de la réplica o experimento grande para asegurar la estabilidad del resultado final.07 6.56 1489 0.51 4.02 3.89 61.97 4.51 7603.85 1.

Julio Rito Vargas Avilés Pág.00 281 761 1241 1 41 81 121 161 201 241 321 361 401 441 481 521 561 601 641 681 721 801 841 881 921 961 1001 1041 1081 1121 1161 1201 1281 1321 1361 1401 1441 1481 Este gráfico lo podemos generar desde Excel seleccionando la columna 8 y usando el menú Insertar – gráfico recomendado. es evidente que replicar el experimento debe ser una práctica común en cualquier simulación. Dicha gráfica nos indica que el tamaño de la réplica es lo suficientemente grande para asegurar la convergencia del resultado. IV. en consecuencias. La gráfica de estabilización que se obtuvo a partir de la columna 8 (tiempo promedio en inspección) se muestra en la figura 4. el resultado final nunca es el mismo.4 muestra las gráficas de 5 diferentes réplicas del mismo modelo.00 2. Gráfico de estabilización Tiempo promedio en Inspección (8) 14. las variables de estado o variables respuestas serán.00 4. Cabe señalar que esta gráfica de estabilización corresponde a una réplica diferente a la tabla de eventos. aleatorias.00 6.00 0.00 12.# 5 . actividades y eventos aleatorios. Al trabajar con procesos donde se involucran variables. La figura 4. Si bien la estabilización está asegurada.3.00 10.00 8.

Tiempo de Inspección (4) 6.00 2.00 5.# 6 .4: Gráficas de Estabilización de 5 réplicas independientes.00 1.Gráfico 4.00 4.5: Tiempo de Inspección Julio Rito Vargas Avilés Pág.00 0.00 0 200 400 600 800 1000 1200 1400 1600 Gráfico 4.00 3.

27 10.48 10.55 11.19 11.22 11.62 12. que el tiempo promedio de espera en el proceso de inspección sigue una distribución de Erlang con los siguientes con los siguientes parámetros:  Media 12.36 11.05 11.5.83 11.73 11.09 12.01 13.21 10.69 13.56 14.19 minutos/pieza  Desviación estándar 1.23 13. Para comprender el comportamiento de la variable es necesario analizar estadísticamente estos resultados.76889 minutos/pieza  Valor mínimo en la muestra: 9.17 11.97 12.63 14.41 11.31 13.85 10.96 y desviación estándar =1.59 Tabla 4.34 11.66 15.12 13. Con el objetivo de determinar el tipo de distribución de los tiempos promedios de Inspección.00 14.44 12.57 10.90 16.47 10.34 15.52 10.88 12.49 10. La consideraremos Lognormal con media=8. Al replicar el experimento 50 veces se obtienen los resultados que se muestran en la tabla 4.69 minutos/pieza  Valor máximo en la muestra: 17. V.66 10.97 13. 10. Obteniendo que no se puede rechazar que la distribución se comporta como una distribución Lognormal o Exponencial.06 12.59 9.55 10.09 11.52 15.25 11.04.75 12.22 10.# 7 .09 minutos/pieza  Coeficiente de asimetría: 0  Curtosis: 0 Aplicamos a los datos prueba de Auto::Fit del menú Fit.12 10. Julio Rito Vargas Avilés Pág.58 10.30 12.5 Resultados de las 50 réplicas del experimento (Tiempo promedio en Inspección) El análisis estadístico de las réplicas realizado con la herramienta Promodel – Stat::Fit permite concluir a través de una prueba de bondad de ajuste.66 17.43 12.

Intervalos de Confianza Debido a la naturaleza aleatoria de los resultados de este tipo de modelos. aquí nos ocuparemos de los intervalos de confianza. es necesario determinar su distribución de probabilidad y su intervalo de confianza en las diferentes réplicas.# 8 . Gráfico 4. el intervalo de confianza está dado por: [ ̅ ( ) ̅ ( )] √ √ Julio Rito Vargas Avilés Pág. tabla 4. VI.7: Distribución Lognormal de las 50 réplicas.6: Bondad de ajuste de las distribuciones analizadas. por tanto. Si la variable aleatoria sigue una distribución normal.

768 √ √ [ ] [ ] [ ] [ ] Julio Rito Vargas Avilés Pág. el intervalo de confianza es relativamente más amplio y se calcula como: [ ̅ ̅ ] √ √ En ambas ecuaciones: r: Número de réplicas α: Nivel de rechazo ̅ ∑ (Media aritmética) [ ∑ ̅ ] (Desviación estándar) En nuestro caso la distribución es lognormal por lo que usaremos el IC para distribuciones no normales. En caso de que la variable aleatoria sigue otro tipo de distribución. (datos de la descriptiva) r=50 α=0.# 9 .05 ̅ S=1.