INSTITUTO TECNOLÓGICO DE CHETUMAL

MODELO DE OPTIMIZACIÓN DE RECURSOS

UNIDAD VI

“MODELACIÓN Y SIMULACIÓN DE OPERACIONES Y PROCESOS”

INTEGRANTES:
OSCAR AGUSTIN ARCIA BAEZA
JUAN ANTONIO BALAM CHABLE

DOCENTE:
MARIA ISABEL NICOLAS JIMÉNEZ

0
 INDICE

EL PROCESO DE SIMULACIÓN: CONCEPTO, ELEMENTOS Y FASES…… Pag. 2

LAS TÉCNICAS MONTECARLO………………………………………………. Pag. 6
APLICACIONES DE LA SIMULACIÓN EN PROBLEMAS DE LÍNEAS DE ESPERA E
INVENTARIO……………………………………………………………………. Pag. 10

1
INTRODUCCIÓN

Simulación es una técnica numérica para conducir experimentos en una computadora digital.

Estos experimentos comprenden ciertos tipos de relaciones matemáticas y lógicas, las cuales son

necesarias para describir el comportamiento y la estructura de sistemas complejos del mundo real

a través de largos períodos.

Las simulaciones en la optimización de recursos nos permiten generar varios escenarios posibles

a evaluar y obtener con ello un resultado que nos beneficie.

6.1. EL PROCESO DE SIMULACIÓN: CONCEPTO, ELEMENTOS Y

FASES.

CONCEPTO DE SIMULACIÓN

Simulación es el proceso de diseñar un modelo de un sistema real y llevar a cabo experiencias con

él, con la finalidad de aprender el comportamiento del sistema o de evaluar diversas estrategias

para el funcionamiento del sistema (Shannon, 1988).

ELEMENTOS DE LA SIMULACIÓN

 Sistema: Grupo de objetos que interactúan entre sí para lograr una meta predeterminada.

 Actividad: Conjunto de tareas que se efectúan en un período específico de tiempo

(determinístico, probabilístico o empírico).

 Estado del sistema: Conjunto de variables que contienen toda la información para

describir el sistema en un período de tiempo.

 Evento: Ocurrencia instantánea que cambia el sistema de un estado a otro.

 Entidades: Elementos que se mueven en la simulación, cambian de estado, afectan y son

afectados por otras entidades.

2
  Atributos: El valor de un atributo se adhiere a una entidad específica, Todas las entidades

tienen los mismos tipos de atributos pero con valores diferentes para diferentes entidades.

 Variables: Reflejan una característica del sistema y no se relacionan con las entidades,

nombre único en el modelo, no están lijadas a las entidades, entidades pueden accesar,

cambiar los valores de las variables.

 Recursos (entidades residentes): Las entidades transientes compiten por: personas,

equipo. espacio. Entidad captura un recurso, lo usa, y lo libera. Un recurso se asigna a una

entidad, más que una entidad perteneciente a un recurso.

 Colas: Lugar para las entidades que esperan cuando los recursos no están disponibles y por

ello no los pueden capturar. Tienen nombres, frecuentemente ligados a un recurso.

 Medidas de efectividad: Variables que “observan” lo que está pasando, Dependen de las

medidas de rendimiento deseadas, “Pasivas” en el modelo — no participan, solo observan.

ETAPAS DE UNA SIMULACIÓN

En el desarrollo de una simulación se pueden distinguir las siguientes etapas: ·

 Formulación del problema: En este paso debe quedar perfectamente establecido el objeto
de la simulación. El cliente y el desarrollador deben acordar lo más detalladamente posible

los siguientes factores: los resultados que se esperan del simulador, el plan de

experimentación, el tiempo disponible, las variables de interés, el tipo de perturbaciones a

estudiar, el tratamiento estadístico de los resultados, la complejidad de la interfaz del

simulador, etc. Se debe establecer si el simulador será operado por el usuario o si el usuario

sólo recibirá los resultados. Finalmente, se debe establecer si el usuario solicita un trabajo

de simulación o un trabajo de optimización.

3
 Definición del sistema: El sistema a simular debe estar perfectamente definido. El cliente
y el desarrollador deben acordar dónde estará la frontera del sistema a estudiar y las

interacciones con el medioambiente que serán consideradas.

 Formulación del modelo: Esta etapa es un arte y será discutida más adelante. La misma
comienza con el desarrollo de un modelo simple que captura los aspectos relevantes del

sistema real. Los aspectos relevantes del sistema real dependen de la formulación del

problema; para un ingeniero de seguridad los aspectos relevantes de un automóvil son

diferentes de los aspectos considerados por un ingeniero mecánico para el mismo sistema.

Este modelo simple se irá enriqueciendo como resultado de varias iteraciones.

 Colección de datos: La naturaleza y cantidad de datos necesarios están determinadas por

la formulación del problema y del modelo. Los datos pueden ser provistos por registros

históricos, experimentos de laboratorios o mediciones realizadas en el sistema real. Los

mismos deberán ser procesados adecuadamente para darles el formato exigido por el

modelo.

 Implementación del modelo en la computadora: El modelo es implementado utilizando

algún lenguaje de computación. Existen lenguajes específicos de simulación que facilitan

esta tarea; también, existen programas que ya cuentan con modelos implementados para

casos especiales.

 Verificación: En esta etapa se comprueba que no se hayan cometidos errores durante la

implementación del modelo. Para ello, se utilizan las herramientas de debugging provistas

por el entorno de programación.

 Validación: En esta etapa se comprueba la exactitud del modelo desarrollado. Esto se lleva
a cabo comparando las predicciones del modelo con: mediciones realizadas en el sistema

4
 real, datos históricos o datos de sistemas similares. Como resultado de esta etapa puede

surgir la necesidad de modificar el modelo o recolectar datos adicionales.

 Diseño de experimentos: En esta etapa se decide las características de los experimentos a

realizar: el tiempo de arranque, el tiempo de simulación y el número de simulaciones. No

se debe incluir aquí la elaboración del conjunto de alternativas a probar para seleccionar la

mejor, la elaboración de esta lista y su manejo es tarea de la optimización y no de la

simulación. Debe quedar claro cuando se formula el problema si lo que el cliente desea es

un estudio de simulación o de optimización.

 Experimentación: En esta etapa se realizan las simulaciones de acuerdo el diseño previo.

Los resultados obtenidos son debidamente recolectados y procesados.

 Interpretación: Se analiza la sensibilidad del modelo con respecto a los parámetros que
tienen asociados la mayor incertidumbre. Si es necesario, se deberán recolectar datos

adicionales para refinar la estimación de los parámetros críticos.

 Implementación: Conviene acompañar al cliente en la etapa de implementación para

evitar el mal manejo del simulador o el mal empleo de los resultados del mismo.

 Documentación: Incluye la elaboración de la documentación técnica y manuales de uso.

La documentación técnica debe contar con una descripción detallada del modelo y de los

datos; también, se debe incluir la evolución histórica de las distintas etapas del desarrollo.

Esta documentación será de utilidad para el posterior perfeccionamiento del simulador.

5
6.2 LAS TÉCNICAS MONTECARLO

Los métodos de Montecarlo abarcan una colección de técnicas que permiten obtener soluciones

de problemas matemáticos o físicos por medio de pruebas aleatorias repetidas. En la práctica, las

pruebas aleatorias se sustituyen por resultados de ciertos cálculos realizados con números

aleatorios

El método de Montecarlo proporciona soluciones aproximadas a una gran variedad de problemas

matemáticos posibilitando la realización de experimentos con muestreos de números

pseudoaleatorios en una computadora. El método es aplicable a cualquier tipo de problema, ya sea

estocástico o determinista. A diferencia de los métodos numéricos que se basan en evaluaciones

en N puntos en un espacio M-dimensional para producir una solución aproximada, el método de

Montecarlo tiene un error absoluto de la estimación que decrece como( 1/√N ) en virtud del

teorema del límite central.

LA VARIABLE ALEATORIA
Se denomina variable aleatoria, a una variable X que puede tomar un conjunto de valores {x0, x1,
x2, ... xn-1}, con probabilidades {p0, p1, p2, ... pn-1}.
El problema crucial de la aplicación de los métodos de Montecarlo es hallar los valores de una

variable aleatoria (discreta o continua) con una distribución de probabilidad dada por la función

p(x) a partir de los valores de una variable aleatoria uniformemente distribuida en el intervalo [0,

1), proporcionada por el ordenador o por una rutina incorporada al programa.

Para simular un proceso físico, o hallar la solución de un problema matemático es necesario usar

gran cantidad de números aleatorios. El método mecánico de la ruleta sería muy lento, además

cualquier aparato físico real genera variables aleatorias cuyas distribuciones difieren, al menos

6
ligeramente de la distribución uniforme ideal. También, se puede hacer uso de tablas de cifras

aleatorias uniformemente distribuidas, comprobadas minuciosamente en base a pruebas

estadísticas especiales. Se emplean solamente cuando los cálculos correspondientes a la aplicación

del método de Montecarlo se realiza a mano, lo que en estos tiempos resulta inimaginable. En la

práctica, resulta más conveniente emplear los denominados números pseudoaleatorios, se trata de

números que se obtienen a partir de un número denominado semilla, y la aplicación reiterada de

una fórmula, obteniéndose una secuencia {x0, x1, x2, ... xn} de números que imitan los valores de

una variable uniformemente distribuida en el intervalo [0, 1).

Variable aleatoria discreta

Para simular la ruleta situada a la derecha de la figura, se procede del siguiente modo: se hallan las

probabilidades de cada resultado, proporcionales al ángulo de cada sector y se apuntan en la

segunda columna, la suma total debe de dar la unidad. En la tercera columna, se escriben las

probabilidades acumuladas.

Resultado Probabilidad P. acumulada

0 0.25 0.25
1 0.5 0.75
2 0.125 0.875
3 0.125 1

Se sortea un número aleatorio γ uniformemente distribuido en el intervalo [0, 1), el resultado del

sorteo se muestra en la figura. En el eje X se sitúan los distintos resultados que hemos nombrado

x0, x1, x2, x3 . En el eje vertical las probabilidades en forma de segmentos verticales de longitud

igual a la probabilidad pi de cada uno de los resultados, dichos segmentos se ponen unos a

continuación de los otros, encima su respectivo resultado xi. Se obtiene así una función escalonada.

7
Cuando se sortea una variable aleatoria γ, se traza una recta horizontal cuya ordenada sea γ. Se

busca el resultado cuya abscisa sea la intersección de dicha recta horizontal y del segmento vertical,

tal como se señala con flechas en la figura. Si el número aleatorio γ está comprendido entre 0.25

y 0.75 se obtiene el resultado denominado x1.

Para casos generales se aplicará la siguiente fórmula

∑j=0i−1pj≤γ<∑j=0ipj

Variable aleatoria continua

Comprendido el concepto de transformación de una variable discreta, y el procedimiento para

obtener un resultado cuando se efectúa el sorteo de una variable aleatoria uniformemente

distribuida, no reviste dificultad el estudio de la variable continua. Si X es una variable aleatoria

continua, y p(x) es la probabilidad de cada resultado x, construimos la función que se representa

en la figura.

Gráficamente, se obtiene trazando una recta horizontal de ordenada γ. La abscisa x del punto de

corte con la función es el resultado obtenido. En la figura se señala mediante flechas.

8
Generador de números aleatorios
Existen varias fórmulas para obtener una secuencia de números aleatorios, una de las más sencillas

es la denominada fórmula de congruencia: se trata de una fórmula iterativa, en la que el resultado

de una iteración se utiliza en la siguiente.

x=(a*x+c)%m;

donde a, c, m, son constantes cuyos valores elige el creador de la rutina..

Método de aceptar/rechazar

En muchos casos es difícil resolver analíticamente la ecuación que nos da x(r) por el método de

transformación. En estos casos puede aplicarse el método de aceptar/rechazar (Von Neumann)

Considerar una pdf que puede ser totalmente acotada por una “caja” (definida por x min, xmax y

la altura máxima fmax)Generar un número aleatorio x distribuido uniformemente entre

[xmin,xmax]x=xmin+ r1(xmax-xmin), r1uniforme en [0,1]Generar un segundo número aleatorio,

u,uniformemente distribuido entre 0 y fmaxu=r2fmaxSi u<f(x) aceptar x. Si no, rechazar x y

repetir.

9
6.3. APLICACIONES DE LA SIMULACIÓN EN PROBLEMAS DE LÍNEAS
DE ESPERA E INVENTARIO.

Desde su aparición, la técnica de simulación ha ocupado un lugar de privilegio entre las

herramientas de investigación de operaciones. Aun cuando se reconocían los enormes beneficios

de la simulación como soporte a la toma de decisiones, las dificultades en la aplicación de esta

técnica a la vida real de las compañías eran difíciles de realizar, ya que los modelos eran costosos

de construir y validar, poco flexibles frente a condiciones inestables y habitualmente concebidos

y manejados “por expertos”, no por operadores del sistema, de tal forma atentaban contra su

efectiva aplicación a la problemática de las empresas.

SIMULACIÓN DE UNA LÍNEA DE ESPERA M/M/1 (TEORÍA DE COLAS)

Un sistema de espera M/M/1 es aquel que considera un servidor, con tiempos

exponenciales de servicio y entre llegadas de clientes. La implicancia que los tiempos de

servicio se distribuyan exponencial es que existe una preponderancia de tiempos de servicio

menores a los promedio combinados con algunos pocos tiempos extensos. Un ejemplo de ello es

lo que sucede en las cajas de los bancos donde la mayoría de las transacciones

requieren poco tiempo de proceso por parte del cajero, no obstante algunas transacciones más

complejas consumen bastante tiempo. Por otra parte afirmar que los tiempos entre

llegadas se distribuyen exponencial implica una preponderancia de tiempos entre llegadas

menores que el promedio en combinación con algunos tiempos más extensos. Lo anterior tiene

relación con la aleatoriedad del proceso de llegada de clientes que permite establecer la Propiedad

de Falta de Memoria o Amnesia de la Distribución Exponencial y con los conceptos presentados

en el artículo ¿Qué son las Líneas de Espera (Teoría de Colas)?, donde queda en evidencia que la

formación de las colas o filas está asociada a la variabilidad del sistema.

10
 En este contexto consideremos la siguiente notación, donde valores usuales para A y B son

M (distribución exponencial) y G (distribución general).

TRANSCRIPCIÓN DE INVENTARIOS POR SIMULACIÓN

Ventajas

Las técnicas de simulación son una herramienta de gran utilidad para evaluar el desempeño de

sistemas de control de inventarios.

Una de sus principales ventajas consiste en la posibilidad que ofrece de recrear la condición

aleatoria de:

 La demanda

 Tiempos de abastecimiento o

 LT "Lead Time” (es el número de unidades de tiempo que transcurren entre el momento

en que se hace la orden y el momento en que la cantidad ordenada ingresa en el inventario).

11
 Es utilizada para experimentar con situaciones y tomar decisiones, sobre las cuales no se

tiene información. Anticipar posibles resultados imprevistos. Inversión justificada. Evitar pérdidas

económicas.

IDEF0 o IDEFØ (Integration Definition for Function Modeling) es un método diseñado

para modelar decisiones, acciones y actividades de una organización o sistema. IDEFØ se derivó

de un lenguaje gráfico bien establecido, el análisis estructurado y Técnica de Diseño (SADT por

sus siglas en inglés Structured Analysis and Design Technique).

El siguiente diagrama de flujo ejemplifica la simulación con el enfoque de procesos para

sistemas de inventarios.

12
13
REFERENCIAS

 Geo Tutoriales. (29 de Julio del 2015). Simulación de una línea de espera. 22 de Mayo del

2018, de Gestión de Operaciones Sitio web: https://www.gestiondeoperaciones.net/lineas-

de-espera/simulacion-de-una-linea-de-espera-mm1-teoria-de-colas-en-excel/

 Martínez Erika. (17 de Mayo del 2016). Inventarios por Simulacón. 22 de Mayo del 2018,

de Prezi Sitio web: https://prezi.com/fhx38sfwm_hf/inventarios-por-simulacion/

 Tarifa Eduardo Enrique. (20 de Octubre del 2010). Teoría de Modelos y Simulación. 22 de

Mayo del 2018, de Facultad de Ingeniería - Universidad Nacional de Jujuy Sitio web:

http://www.econ.unicen.edu.ar/attachments/1051_TecnicasIISimulacion.pdf

 Acuña Jorge. (01 de Mayo del 2010). Simulación de Procesos. 22 de Mayo del 2018, de

Word Press Sitio web:

https://webcache.googleusercontent.com/search?q=cache:8Q5OWJuzfU4J:https://simulac

ion.files.wordpress.com/2010/05/1-_introduccion.ppt+&cd=3&hl=es-

419&ct=clnk&gl=mx&client=psy-ab

 Franco Angel. (S.F). Los métodos Montecarlo . 23 de mayo de 2018, de Curso Interativo

De Fisica en Internet.

http://www.sc.ehu.es/sbweb/fisica_/numerico/montecarlo/montecarlo.html

 Gómez J. (2005). El método Montecarlo. 23 de mayo de 2018, de Benasque:

http://benasque.org/benasque/2005tae/2005tae-talks/213s3.pdf

14