Pruebas de escritorio

Simulacin de Eventos Discretos

Ing. Ivn M. Olivares Espino

Variables aleatorias
Variable emprica discreta: Queda definida por
la distribucin de frecuencia de la variable en
estudio. Ejemplo:
El nmero de retrasos que han ocurrido en la
terminacin de las cuatro tareas asignadas
diariamente a una cuadrilla en un perodo de 80
das fueron: 0, 20 veces; 1, 30 veces; 2, 20 veces y
3, 10 veces. Simular las los retrasos y evaluar el
nmero de veces que habran charlas despus de la
jornada laboral si estos ocurren cuando ha habido
un total de 5 retrasos dos das seguidos.

Modelo de colas
Variable aleatoria: Tiempo entre llegadas
de clientes al sistema, tiempo de atencin,
disciplina de la cola, paras o fallos, cajero
escogido cuando hay ms de uno
disponible, etc.
Ejemplo: llegan los clientes n(5;0,5) min y
la atencin n(4,5;0,9) min. s=1, calcular Wq

Modelo de inventario
Variable aleatoria: demanda, lead time,
cantidad real que llega, precios varios, etc.
Se actualiza el inventario inicial y final en
cada perodo.
El indicador es el costo promedio o
ganancia promedio por periodo.

Ejemplo inventarios
Un negocio informal de petrleo tiene una demanda de
combustible que se distribuye normalmente con media de 120
gal diarios con desviacin estndar de 15 gal. Los pedidos se
hacen al final del da y le llegan combustible al da siguiente o
subsiguiente a las 6 am con igual probabilidad. El galn lo
compra a 8,46 y lo vende a 9,55 soles. El costo de
almacenamiento es de 0,03 soles/da-gl y el de faltantes de 3
soles/gl. Evaluar la poltica de comprar 220 gl cuando se tiene
150 g. por 10 das.

SISTEMAS DE REPARACIN
SIMULACIN DE SISTEMAS

Ing Ivn Martn Olivares Espino,

Ms.

REPARACIN O
MANTENIMIENTO

Ing Ivn Martn Olivares Espino,

Ms.

REPARACIN O
MANTENIMIENTO

Ing Ivn Martn Olivares Espino,

Ms.

REPARACIN O
MANTENIMIENTO

Ing Ivn Martn Olivares Espino,

Ms.

REPARACIN O
MANTENIMIENTO

Ing Ivn Martn Olivares Espino,

Ms.

REPARACIN O
MANTENIMIENTO

Ing Ivn Martn Olivares Espino,

Ms.

REPARACIN O
MANTENIMIENTO

Ing Ivn Martn Olivares Espino,

Ms.

Variables aleatorias
Solicitud de reparacin.
Slo puede solicitar reparacin una mquina
operativa.

Duracin de reparacin.
Tiempo que el operario trabaja en la mquina.
Inmediatamente se repara (entra en
funcionamiento), se genera la nueva solicitud
de servicio (tiempo de funcionamiento antes de
malograrse nuevamente)
Ing Ivn Martn Olivares Espino,
Ms.

Medidas de desempeo
Tiempo promedio de mquina malograda
sin atencin.
Tiempo promedio libre del operario.
Produccin esperada por unidad de tiempo.
Las dos primeras se pueden asociar con
costos.

Ing Ivn Martn Olivares Espino,

Ms.

Varios operarios
Se tiene que definir la forma en la que se de
de distribuir el trabajo.
En realidad es un sistema con varios
servidores y clientes finitos.
Generalmente se busca distribuir
uniformemente el trabajo.

Ing Ivn Martn Olivares Espino,

Ms.

Ejemplo
Un operario tiene 3 mquinas a las cuales se
les debe de hacer ajustes constantemente.
La duracin de cada ajuste se distribuye
normalmente con m=5 min. y s=2 min.
Cada mquina trabaja un tiempo que se
distribuye exponencialmente con media 15
min. antes de requerir ajuste. Simular este
sistema.
Ing Ivn Martn Olivares Espino,
Ms.

l= 0.07 15min
m= 5
s= 2
Oper
Tiemp
maq1
maq2
maq3
itera. reloj n.a. Zi repa maq n.a. T/sol sol ini fin n.a. T/sol sol ini fin n.a. T/sol sol ini fin
0.875 2.0 2.0
0.97 0.5 0.5
0.249 20.8 20.8
0 0.0
Sol
Dem

Ing Ivn Martn Olivares Espino,

Ms.

l= 0.07 15min
m= 5
s= 2
Oper
Tiemp
maq1
maq2
maq3
itera. reloj n.a. Zi repa maq n.a. T/sol sol ini fin n.a. T/sol sol ini fin n.a. T/sol sol ini fin
0 0.0
0.875 2.0 2.0
0.97 0.5 0.5
0.249 20.8 20.8
Sol
Dem

1 0.5 0.42 -0.13 4.734 2

2.0

0.815 3.1 8.3 0.5 5.2

Ing Ivn Martn Olivares Espino,

Ms.

20.8

l= 0.07 15min
m= 5
s= 2
Oper
Tiemp
maq1
maq2
maq3
itera. reloj n.a. Zi repa maq n.a. T/sol sol ini fin n.a. T/sol sol ini fin n.a. T/sol sol ini fin
0 0.0
0.875 2.0 2.0
0.97 0.5 0.5
0.249 20.8 20.8
1 0.5 0.42 -0.13 4.734 2
2.0
0.815 3.1 8.3 0.5 5.2
20.8
Sol
Dem

2 5.2 0.734 -1.31 2.379 1 0.209 23.5 31.1 5.2 7.6

Ing Ivn Martn Olivares Espino,

Ms.

8.3

20.8

Sol
Dem
itera.
0
1
2

l= 0.07 15min
m= 5
s= 2
Oper
Tiemp
maq1
maq2
maq3
reloj n.a. Zi repa maq n.a. T/sol sol ini fin n.a. T/sol sol ini fin n.a. T/sol sol ini fin
0.0
0.875 2.0 2.0
0.97 0.5 0.5
0.249 20.8 20.8
0.5 0.42 -0.13 4.734 2
2.0
0.815 3.1 8.3 0.5 5.2
20.8
5.2 0.734 -1.31 2.379 1 0.209 23.5 31.1 5.2 7.6
8.3
20.8

3 8.3 0.344 -1.29 2.428 2

31.1

0.963 0.6 11.3 8.3 10.7

Ing Ivn Martn Olivares Espino,

Ms.

20.8

Sol
Dem
itera.
0
1
2
3

l= 0.07 15min
m= 5
s= 2
Oper
Tiemp
maq1
maq2
maq3
reloj n.a. Zi repa maq n.a. T/sol sol ini fin n.a. T/sol sol ini fin n.a. T/sol sol ini fin
0.0
0.875 2.0 2.0
0.97 0.5 0.5
0.249 20.8 20.8
0.5 0.42 -0.13 4.734 2
2.0
0.815 3.1 8.3 0.5 5.2
20.8
5.2 0.734 -1.31 2.379 1 0.209 23.5 31.1 5.2 7.6
8.3
20.8
8.3 0.344 -1.29 2.428 2
31.1
0.963 0.6 11.3 8.3 10.7
20.8

4 11.3 0.421 0.693 6.386 2

31.1

0.946 0.8 18.5 11.3 17.7

Ing Ivn Martn Olivares Espino,

Ms.

20.8

Sol
Dem
itera.
0
1
2
3
4

l= 0.07 15min
m= 5
s= 2
Oper
Tiemp
maq1
maq2
maq3
reloj n.a. Zi repa maq n.a. T/sol sol ini fin n.a. T/sol sol ini fin n.a. T/sol sol ini fin
0.0
0.875 2.0 2.0
0.97 0.5 0.5
0.249 20.8 20.8
0.5 0.42 -0.13 4.734 2
2.0
0.815 3.1 8.3 0.5 5.2
20.8
5.2 0.734 -1.31 2.379 1 0.209 23.5 31.1 5.2 7.6
8.3
20.8
8.3 0.344 -1.29 2.428 2
31.1
0.963 0.6 11.3 8.3 10.7
20.8
11.3 0.421 0.693 6.386 2
31.1
0.946 0.8 18.5 11.3 17.7
20.8

5 18.5 0.813 0.614 6.228 2

31.1

0.671 6.0 30.7 18.5 24.7

Ing Ivn Martn Olivares Espino,

Ms.

20.8

Sol
Dem
itera.
0
1
2
3
4
5
6
7
8
9
10
11
12

l= 0.07 15min
m= 5
s= 2
Oper
Tiemp
maq1
maq2
reloj n.a. Zi repa maq n.a. T/sol sol ini fin n.a. T/sol sol ini fin
0.0
0.875 2.0 2.0
0.97 0.5 0.5
0.5 0.42 -0.13 4.734 2
2.0
0.815 3.1 8.3 0.5 5.2
5.2 0.734 -1.31 2.379 1 0.209 23.5 31.1 5.2 7.6
8.3
8.3 0.344 -1.29 2.428 2
31.1
0.963 0.6 11.3 8.3 10.7
11.3 0.421 0.693 6.386 2
31.1
0.946 0.8 18.5 11.3 17.7
18.5 0.813 0.614 6.228 2
31.1
0.671 6.0 30.7 18.5 24.7
24.7 0.952 -0.19 4.615 3
31.1
30.7
30.2 0.706 0.039 5.079 3
31.1
30.7
35.3 0.242 0.833 6.665 2
31.1
0.423 12.9 54.8 35.3 41.9
41.9 0.105 -2.08 0.841 1 0.962 0.6 43.4 41.9 42.8
54.8
42.8 0.532 -0.43 4.144 3
43.4
54.8
46.9 0.239 -0.85 3.305 1 0.472 11.2
61.5 46.9 50.2
54.8
Ing Ivn Martn Olivares Espino,
Ms.
50.2 0.666 -1.46 2.073 3
61.5
54.8

n.a.
0.249

0.944
0.959

0.826
0.517

maq3
T/sol sol ini fin
20.8 20.8
20.8
20.8
20.8
20.8
20.8
0.9 30.2 24.7 29.3
0.6 35.9 30.2 35.3
35.9
35.9
2.9 49.8 42.8 46.9
49.8
9.9 62.2 50.2 52.3

Longitud de corrida
Estadsticamente se debe de determinar qu
longitud debe tener el experimento de
simulacin que se est realizando.
El nivel de confianza usual es de 95%.
El criterio es de que de manera absoluta,
halla estabilidad en las medidas de
desempeo utilizadas
Ing Ivn Martn Olivares Espino,
Ms.

Caso 1
Seleccione un valor inicial para n, y realizar
n corridas (semilla).
En base al resultado obtenido calcular:
n*=((Za/2*S)/e)2
Si nn* detener el proceso. Caso contrario
correr lo faltante. Luego recalcular.
En donde e es la precisin de estimacin
Ing Ivn Martn Olivares Espino,
Ms.

Caso 2 (proporcin)
Seleccione un valor inicial para n, y realizar
n corridas (semilla).
En base al resultado obtenido calcular:
n*=p*(1-p)*(Za/2/e)2
Si nn* detener el proceso. Caso contrario
correr lo faltante. Luego recalcular.
En donde e es la precisin de estimacin
Ing Ivn Martn Olivares Espino,
Ms.

Ejemplo

Tiempo libre: 2.8 min.

Tiempo corrida: 52.3 min
Proporcin desocupado: 5.45%
e= 1%
n*=0.0545*(1-0.0545)*(1.96/0.01)2
n*=1979.56==>2000
Ing Ivn Martn Olivares Espino,
Ms.

CRYSTAL BALL
PROCEDIMIENTO BSICO

TRMINOS
assumptionValor estimado o
informacin de entrada para el modelo.
Monte Carlo simulationUn sistema
que usa nmeros aleatorios para medir
los efectos de la incertidumbre en un
modelo.
forecastResumen del resultado
obtenido en el modelo, de forma grfica
o numrico.

..Trminos
trial, o iterationProceso de tres
pasos por el cual Crystal Ball genera
nmeros aleatorios para las celdas
assumption, recalculando el modelo y
mostrando los resultados en el cuadro
forecast.

Variables aleatorias
Variable normalmente distribuida, ejemplo
La cantidad de material removido diariamente es 55
TM con desviacin estndar de 6 TM. Simular la
cantidad de material removido por 10 das,
considerando que esta variable se distribuye
normalmente.
Si diariamente se pueden procesar a lo ms 60 TM a
90$ la TM y se vende a 260$ TM (producto entre 60
y 80% del bruto uniformemente). Cualquier
sobrante de capacidad tiene un costo de 50$ por TM
ocioso determinar la ganancia diaria promedio?

Variables aleatorias
Variable uniforme continua: esta variable se
caracteriza por tener la misma probabilidad
de ocurrencia cualquier evento que
pertenece al intervalo (a,b)

f(x)

Variables aleatorias
Distribucin triangular: queda definido por
el evento de mayor probabilidad de
ocurrencia (m), la definicin del valor
menor (a) y del mayor (b) que puede ocurrir
f(x)

Ejemplo
Un proyecto tiene 4 actividades. Considerar
una distribucin uniforme discreta para la
duracin de cada actividad. En el cuadro est
la informacin. Simular por 12 das y
determinar TE de terminacin
Actividad
A
B
C
D

Precedente
B
A,B

Duracin
optimista
2
3
6
3

Duracin
pesimista
4
6
8
5

Ejemplo
En un proceso productivo, se tiene como productos
intermedio una pieza hueca con su pasador. La
diferencia permitida entre el dimetro del pasador y
la pieza hueca flucta entre 0,001 y 0,2. mm. En
caso no cumpla con los requerimientos se podr
utilizar luego de un proceso posterior pero no es lo
deseable. Si en el proceso se produce pasadores con
dimetro 10mm en promedio con desviacin
estndar 0,04 mm y los agujeros con dimetro de
10,08 y d.s.0,06 segn una distribucin normal.
Simular el encaje de las piezas producidas por par y
evaluar la eficacia del proceso actual.