Todo PDF
Todo PDF
Todo PDF
Simulación de Procesos
Generalidades y
definiciones de la Resumen
02 simulación de procesos
05
AGGL 3
Introducción
• Nuevos y mejores desarrollos en el área de la computación
5
Introducción
El concepto de simulación engloba soluciones para muchos propósitos diferentes.
Por lo tanto, la simulación se refiere a un gran conjunto de métodos y aplicaciones que buscan imitar el
comportamiento de sistemas reales, generalmente por medio de una computadora con un software
apropiado.
6
Introducción
Modelos físicos
Modelos matemáticos, a los cuales pertenecen los modelos de simulación de eventos discretos
Modelos continuos son aquellos en los que las relaciones entre las variables relevantes de la situación real se definen por
medio de ecuaciones diferenciales, ya que éstas permiten conocer el comportamiento de las variables en cierto tiempo.
7
Introducción
Modelos discretos. En ellos el comportamiento que nos interesa analizar puede representarse
por medio de ecuaciones evaluadas en un punto determinado. Por ejemplo, si hacemos un
muestreo del número de personas que llegaron a un banco en un lapso específico, podemos
simular esta variable con ecuaciones ligadas a distribuciones de probabilidad que reflejen dicho
comportamiento.
Modelos dinámicos son aquellos en los que el estado del sistema que estamos analizando
cambia respecto del tiempo. Por ejemplo, el número de personas que hacen fila para entrar a una
sala de cine varía con el tiempo.
Modelos estáticos representan un resultado bajo un conjunto de situaciones o condiciones
determinado; por ejemplo, al lanzar un dado los únicos valores que se puede obtener son 1, 2, 3,
4, 5 o 6, de manera que el resultado de la simulación será uno de tales valores posibles; a esto se
le conoce generalmente como simulación de Monte Carlo.
8
Introducción
Modelos determinísticos se refieren a relaciones constantes entre los cambios de las variables
del modelo. Por ejemplo, si las cajas empleadas en un proceso contienen siempre 5 productos,
cada vez que se añada una caja al inventario éste se incrementará en 5 unidades. Si, por el
contrario, hay una distribución de probabilidad en el proceso de manera que, por ejemplo, algunas
cajas contienen 3 productos y otras 4, el inventario se modificará según el número de piezas de
cada caja y, en consecuencia, será necesario un modelo estocástico.
En el caso de la simulación de eventos discretos hablaremos de modelos matemáticos,
discretos, dinámicos, y que pueden incluir variables determinísticas y probabilísticas.
9
Aplicaciones de Software
11
Definiciones y principios básicos sobre simulación de
procesos.
Un evento es un cambio en el estado actual del sistema; por ejemplo, la entrada o salida de
una entidad, la finalización de un proceso en un equipo, la interrupción o reactivación de una
operación (digamos por un descanso del operario), o la descompostura de una máquina.
Podemos catalogar estos eventos en dos tipos: eventos actuales, aquellos que están
sucediendo en el sistema en un momento dado, y eventos futuros, cambios que se
presentarán en el sistema después del tiempo de simulación, de acuerdo con una
programación específica
12
Definiciones y principios básicos sobre simulación de
procesos.
Las localizaciones son todos aquellos lugares en los que la pieza puede detenerse
para ser transformada o esperar a serlo. Dentro de estas localizaciones tenemos
almacenes, bandas transportadoras, máquinas, estaciones de inspección, etcétera.
En el caso del gráfico mostrado en la figura la tarima y la estación serían
consideradas localizaciones del modelo En la estación observamos una mesa y a
una persona que en conjunto forman una sola localización
13
Definiciones y principios básicos sobre simulación de
procesos.
Los recursos son aquellos dispositivos — diferentes a las localizaciones— necesarios para
llevar a cabo una operación. Por ejemplo, un montacargas que transporta una pieza de un
lugar a otro
14
Definiciones y principios básicos sobre simulación de
procesos.
Un atributo es una característica de una entidad. Por ejemplo, si la entidad es un motor, los
atributos serían su color, peso, tamaño o cilindraje. Los atributos son muy útiles para diferenciar
entidades sin necesidad de generar una nueva
15
Definiciones y principios básicos sobre simulación de
procesos.
Reloj de simulador
Podemos hablar de dos tipos de reloj de simulación: el reloj de simulación absoluto, que
parte de cero y termina en un tiempo total de simulación definido, y el reloj de simulación
relativo, que sólo considera el lapso que transcurre entre dos eventos.
16
Definiciones y principios básicos sobre simulación de
procesos.
Sistema: En este caso, el sistema está conformado por el conjunto de elementos interrelacionados
para el funcionamiento del proceso: las piezas, el almacén temporal, el operario,el torno.
Entidades: En este modelo sólo tenemos una entidad; las piezas, que representan los flujos de
entrada al sistema del problema bajo análisis.
Estado del sistema: Podemos observar que cuando llevamos 1 hora 10 minutos de simulación
(vea el extremo superior derecho de la figura) en el almacén se encuentran 9 piezas esperando a
ser procesadas; el operario está transportando una pieza más para procesarla en el torno. El torno,
por lo tanto, no está trabajando en ese momento, aunque ya ha procesado 4 piezas. Adicional a
estos datos, podemos llevar un control de otras estadísticas relacionadas con el estado del sistema,
como el tiempo promedio de permanencia de las piezas en los estantes del almacén temporal o en
el sistema global.
17
Definiciones y principios básicos sobre simulación de
procesos.
Recursos: En este modelo, un recurso es el operario que transporta las piezas del almacén al
torno.
Atributos: Digamos que (aunque no se menciona en el ejemplo) las piezas pueden ser de tres
tamaños diferentes. En este caso, un atributo llamado tamaño podría agregarse a la
información de cada pieza que llega al sistema, para más adelante seleccionar el tipo de
operación que deberá realizarse y el tiempo necesario para llevarla a cabo de acuerdo con
dicho atributo.
Variables: Tenemos dos variables definidas en este caso: el número de piezas en el almacén y
el número de piezas procesadas en el torno. número de piezas que se desean simular.
18
Definiciones y principios básicos sobre simulación de
procesos.
Ejemplo
Un taller recibe ciertas piezas, mismas que son acumuladas en un almacén temporal en donde
esperan a ser procesadas. Esto ocurre cuando un operario transporta las piezas del almacén a
un torno. Desarrolle un modelo que incluya el número de piezas que hay en el almacén y que
esperan ser atendidas en todo momento, y el número de piezas procesadas en el torno.
19
Defina los elementos de cada uno de estos Determine los elementos de cada uno de los
sistemas siguientes sistemas
a) El sistema de mantenimiento de los equipos de
una empresa, llevado a cabo por una cuadrilla de a) La sala de emergencia de un hospital
personas
b) Un banco mercantil
b) Un aeropuerto
c) Una línea telefónica de atención a clientes
c) Una bodega de distribución de productos
d) La recepción de un hotel
d) Una línea embotelladora de refrescos
é) Un taller de tornos
e) Un sistema de control de tránsito para la ciudad
f) El proceso de pintura de un automóvil
f) Una línea de armado de refrigeradores
g) Un hospital
g) Una supermercado
h) Un sistema de respuesta en caso de
h) Un taller de mantenimiento de moldes emergencias
Ventajas y desventajas
Como hemos visto hasta ahora, la simulación es una de las diversas herramientas con las que cuenta el analista
para tomar decisiones y mejorar sus procesos. Sin embargo, se debe destacar que, como todas las demás
opciones de que disponemos, la simulación de eventos discretos presenta ventajas y desventajas que se precisa
tomar en cuenta al decidir si es apta para resolver un problema determinado.
Dentro de las ventajas más comunes que ofrece la simulación podemos citar las siguientes:
a) Es muy buena herramienta para conocer el impacto de los cambios en los procesos, sin necesidad de llevarlos a
cabo en la realidad.
b ) Mejora el conocimiento del proceso actual ya que permite que el analista vea cómo se comporta el modelo
generado bajo diferentes escenarios.
c) Puede utilizarse como medio de capacitación para la toma de decisiones.
d) Es más económico realizar un estudio de simulación que hacer muchos cambios en los procesos reales.
21
Ventajas y desventajas
22
Ventajas y desventajas
Éstas son algunas de las desventajas que la simulación puede presentar:
a) Aunque muchos paquetes de software permiten obtener el mejor escenario a partir de una combinación de
variaciones posibles, la simulación no es una herramienta de optimización.
b) La simulación puede ser costosa cuando se quiere emplearla en problemas relativamente sencillos de resolver, en
lugar de utilizar soluciones analíticas que se han desarrollado de manera específica para ese tipo de casos.
c) Se requiere bastante tiempo — por lo general meses— para realizar un buen estudio de simulación; por
desgracia, no todos los analistas tienen la disposición (o la oportunidad) de esperar ese tiempo para obtener una
respuesta.
d) Es preciso que el analista domine el uso del paquete de simulación y que tenga sólidos conocimientos de
estadística para interpretar los resultados.
é) En algunas ocasiones el cliente puede tener falsas expectativas de la herramienta de simulación, a tal grado que
le asocia condiciones similares a un video juego o a una bola de cristal que le permite predecir con exactitud el
futuro.
23
Elementos básicos de la simulación
24
Elementos básicos de la simulación
25
Elementos básicos de la simulación
26
Elementos básicos de la simulación
28
Pasos para realizar un estudio de simulación
Además de las interacciones entre ellos, los flujos de productos, las personas
y los recursos, así como las variables de mayor interés para el problema.
29
Pasos para realizar un estudio de simulación
2. Generación del modelo de simulación base. No es preciso que este modelo sea demasiado
detallado, pues se requiere mucha más información estadística sobre el comportamiento de las
variables de decisión del sistema. La generación de este modelo es el primer reto para el
programador de la simulación, ya que debe traducir a un lenguaje de simulación la información que
se obtuvo en la etapa de definición del sistema, e incluir las interrelaciones de todos los posibles
subsistemas que existan en el problema a modelar. En caso de que se requiera una animación, éste
también es un buen momento para definir qué gráfico puede representar mejor el sistema que se
modela.
Conforme se avanza en el modelo base se pueden ir agregando las variables aleatorias del sistema,
con sus respectivas distribuciones de probabilidad asociadas.
30
Pasos para realizar un estudio de simulación
31
Pasos para realizar un estudio de simulación
4. Generación del modelo preliminar. En esta etapa se integra la información obtenida a partir del
análisis de los datos, los supuestos del modelo y todos los datos necesarios para crear un modelo lo
más cercano posible a la realidad del problema bajo estudio. En algunos casos — sobre todo cuando
se trata del diseño de un nuevo proceso o esquema de trabajo— no se cuenta con información
estadística, por lo que debe estimarse un rango de variación o determinar (con ayuda del cliente)
valores constantes que permitan realizar el modelado.
32
Pasos para realizar un estudio de simulación
5. Verificación del modelo. Una vez que se han identificado las distribuciones de probabilidad de las
variables del modelo y se han implantado los supuestos acordados, es necesario realizar un proceso
de verificación de datos para comprobar la propiedad de la programación del modelo, y comprobar
que todos los parámetros usados en la simulación funcionen correctamente.
6. Validación del modelo. El proceso de validación del modelo consiste en realizar una serie de
pruebas simultáneas con información de entrada real para observar su comportamiento y analizar
sus resultados.
Si el problema bajo simulación involucra un proceso que se desea mejorar, el modelo debe
someterse a prueba con las condiciones actuales de operación, lo que nos dará como resultado un
comportamiento similar al que se presenta realmente en nuestro proceso. Por otro lado, si se está
diseñando un nuevo proceso la validación resulta más complicada.
33
Pasos para realizar un estudio de simulación
7. Generación del modelo final. Una vez que el modelo se ha validado, el analista está listo para
realizar la simulación y estudiar el comportamiento del proceso. En caso de que se desee comparar
escenarios diferentes para un mismo problema, éste será el modelo raíz; en tal situación, el siguiente
paso es la definición de los escenarios a analizar.
8. Determinación de los escenarios para el análisis. Tras validar el modelo es necesario acordar
con el cliente los escenarios que se quieren analizar. Una manera muy sencilla de determinarlos
consiste en utilizar un escenario pesimista, uno optimista y uno intermedio para la variable de
respuesta más importante.
Sin embargo, es preciso tomar en cuenta que no todas las variables se comportan igual ante los
cambios en los distintos escenarios, por lo que tal vez sea necesario que más de una variable de
respuesta se analice bajo las perspectivas pesimista, optimista e intermedia.
34
Pasos para realizar un estudio de simulación
9. Análisis de sensibilidad. Una vez que se obtienen los resultados de los escenarios
es importante realizar pruebas estadísticas que permitan comparar los escenarios con
los mejores resultados finales. Si dos de ellos tienen resultados similares será necesario
comparar sus intervalos de confianza respecto de la variable de respuesta final.
36
Planificación
37
Ejercicio
Los datos para este ejercicio son los siguientes:
-Un único Queue fifo (First in first out) alimenta cuatro estaciones de prueba en paralelo.
-El producto llega al Queue cada 21 segundos desde el source.
-El tiempo de ciclo de pruebas es de 1 minuto.
-Las estaciones de prueba paran cada 20 minutos exponencialmente distribuidos y lleva entre 2 y 5 minutos
uniformemente distribuidos arreglarlos.
38
Números pseudo
aleatorios
Presentación de agenda
AGGL 40
Números pseudoaleatorios
Para poder realizar una simulación que incluya variabilidad dentro de sus eventos, es preciso
generar una serie de números que sean aleatorios por sí mismos, y que su aleatoriedad se
extrapole al modelo de simulación que se está construyendo.
AGGL 41
Generación de números pseudoaleatorios
AGGL 42
Generación de números pseudoaleatorios
50
AGGL 43
Generación de números pseudoaleatorios
AGGL 44
Evitar problemas como :
AGGL 45
Algoritmo de cuadrados medios
• Propuesto por Von Neumann y Metrópolis.
• Requiere un número entero detonador (llamado semilla) con D dígitos, el cual es elevado al
cuadrado para seleccionar del resultado los D dígitos del centro; el primer número ri se
determina simplemente anteponiendo el " 0." a esos dígitos. Para obtener el segundo ri se
sigue el mismo procedimiento, sólo que ahora se elevan al cuadrado los D dígitos del centro
que se seleccionaron para obtener el primer ri. Este método se repite hasta obtener n
números ri.
AGGL 46
Algoritmo de productos medios
La mecánica de generación de números pseudoaleatorios de este algoritmo no
congruencial es similar a la del algoritmo de cuadrados medios.
AGGL 47
Algoritmo de multiplicador constante
AGGL 48
Algoritmo lineal
Este algoritmo congruencial fue propuesto por D. H. Lehmer en 1951
AGGL 49
Algoritmo congruencial multiplicativo
El algoritmo congruencial multiplicativo surge del algoritmo congruencial lineal
cuando c = 0. Entonces la ecuación recursiva es:
AGGL 50
Algoritmo congruencial aditivo
Este algoritmo requiere una secuencia previa de n números enteros X1, X2, X3, X4, ...,Xn para
generar una nueva secuencia de números enteros que empieza en Xn+1, Xn+2 Xn+3, Xn+4, ...
Su ecuación recursiva es:
AGGL 51
Algoritmo congruencial cuadrático
AGGL 52
Algoritmo de Blum, Blum y Shub
AGGL 53
Propiedades de los números pseudoaleatorios entre 0 y 1
Uniformidad
Independencia. Implica que los números aleatorios no deben tener correlación entre sí;
es decir, deben ser independientes, de manera que puedan dispersarse de manera
uniforme dentro de todo el espectro de valores posibles.
AGGL 54
Propiedades de los números aleatorios
Los números aleatorios son utilizados en simulación para generar los valores de cualquier variable aleatoria, es por
ello que conocer las propiedades de esos números aleatorios garantiza una buena simulación.
1. Prueba de Medias:
La prueba media consiste en determinar el promedio de los n números que contiene el conjunto ri, mediante la
siguiente ecuación:
Posteriormente se calculan los límites de aceptación inferior y superior con las ecuaciones siguientes:
Límite Inferior:
Límite Superior:
AGGL 55
Propiedades de los números aleatorios
2. Prueba de Varianza:
La prueba de varianza consiste en determinar varianza de los n números que contiene mediante la siguiente
ecuación:
Después se calculan los límites de aceptación inferior y superior con las ecuaciones siguientes:
Límite Inferior:
Límite Superior:
AGGL 56
Propiedades de los números aleatorios
3. Prueba Uniformidad:
Una de las propiedades más importantes que debe cumplir un conjunto de números ri es la uniformidad. Para
comprobar su acatamiento se han desarrollado pruebas estadísticas tales como las pruebas Chi-cuadrado y de
Kolmogorov-Smirnov.
3.1. Chi-cuadrado:
Esta prueba busca determinar si los números del conjunto ri se distribuyen uniformemente en el intervalo (0,1). Para
llevar a cabo esta prueba es necesario dividir el intervalo (0,1), en m subintervalos, en donde es recomendable m =
√n. Posteriormente se clasifica cada número pseudo aleatorio del conjunto ri en los m intervalos.
Oi = frecuencia observada
AGGL 57
Propiedades de los números aleatorios
3.2. Kolmogorov-Smirnov:
Esta es una prueba estadística que también nos sirve para determinar si un conjunto ri cumple la propiedad de
uniformidad. Es recomendable aplicarla en conjuntos ri pequeños.
AGGL 58
Propiedades de los números aleatorios
AGGL 59
Resumen
AGGL 60
Generación de
variables aleatorias
Presentación de agenda
AGGL 63
Definición de variable aleatoria
Podemos decir que las variables aleatorias son aquellas que tienen un comportamiento probabilístico en la realidad.
Por ejemplo, el número de clientes que llegan cada hora aun banco depende del momento del día, del día de la
semana y de otros factores: por lo general, la afluencia de clientes será mayor al mediodía que muy temprano por la
mañana; la demanda será más alta el viernes que el miércoles; habrá más clientes un día de pago que un día normal
AGGL 64
Tipos de variables aleatorias
Variables aleatorias discretas. Algunas distribuciones discretas de probabilidad son la
uniforme discreta, la de Bernoulli, la hipergeométrica, la de Poisson y la binomial
Variables aleatorias continuas. Este tipo de variables se representan mediante una
ecuación que se conoce como función de densidad de probabilidad. Entre las distribuciones
de probabilidad tenemos la uniforme continua, la exponencial, la normal, la de Weibull, la
Chi-cuadrada y la de Erlang
AGGL 65
Determinación del tipo de distribución de un conjunto
de datos
AGGL 66
Prueba Chi-cuadrada
El procedimiento general de la prueba es:
AGGL 67
EJERCICIO
Éstos son los datos de un estudio del tiempo de atención a los clientes en una florería, medido en
minutos/cliente:
AGGL 68
Generación de variables aleatorias
AGGL 69
Método de la transformada inversa
El método de la transformada inversa puede utilizarse para simular variables aleatorias continuas, lo
cual se logra mediante la función acumulada F(x) y la generación de números pseudoaleatorios
ri~U(0,1). El método consiste en:
AGGL 70
Método de la transformada inversa
El método de la transformada inversa también puede emplearse para simular variables aleatorias de
tipo discreto, como en las distribuciones de Poisson, de Bernoulli, binomial, geométrica, discreta
general, etcétera. La generación se lleva a cabo a través de la probabilidad acumulada P(x) y la
generación de números pseudoaleatorios ri~U(0,1). El método consiste en:
AGGL 71
Ejercicios
AGGL 72
Método de transformación directa
AGGL 73
Generadores de variables aleatorias
AGGL 74
Generadores de variables aleatorias
75
Simulación de
variables aleatorias
Simulaciones terminales
Los modelos de tipo terminal tienen como característica principal la ocurrencia de un evento
que da por terminada la simulación.
Intervalos de confianza
Debido a la naturaleza aleatoria de los resultados de este tipo de modelos, es necesario
determinar su distribución de probabilidad y su intervalo de confianza en las diferentes réplicas.
NORMAL OTRA DISTRIBUCIÓN
AGGL 77
Simulaciones no terminales
A diferencia de los modelos anteriores, las simulaciones no terminales o de estado estable no
involucran una ocurrencia en el tiempo en que tengan que finalizar.
Para que el resultado de una variable aleatoria llegue al estado estable en una simulación no
terminal, es necesario garantizar que la longitud de la réplica, n, sea lo suficientemente grande
para que la variación entre réplicas no difiera de cierta exactitud, Є , el 100 (1 - α)% de las veces.
En caso de normalidad, el tamaño de corrida de la simulación se calcula como:
AGGL 78
Simulaciones no terminales
AGGL 79