VII.

SIMULACIN
7.1 INTRODUCCIN Es una tcnica que permite realizar experimentos sobre una representacin de un sistema (modelo). Un modelo es una representacin o abstraccin de una situacin o fenmeno reales. Algunos tipos de modelos: Icnicos, Diagramticos (Analgicos), Matemticos. Los de tercer tipo son los que ms se utilizan en la simulacin. Por qu es necesaria la simulacin? Se hace porque: El tiempo para ver los resultados probablemente sea muy amplio como para hacer un experimento. La inversin al hacer un experimento puede ser alta. Existe un riesgo al hacer un experimento real.

La simulacin puede ser utilizada en transporte, electricidad y electrnica, procesos de fabricacin, distribucin de trfico areo y terrestre, anlisis de fallas de sistemas, mantenimiento de sistemas y en los negocios en general. Para qu sirven los modelos? 1. Auxiliares en el razonamiento: Facilitan la visualizacin de la naturaleza y comportamiento del sistema. Indican los parmetros para identificar las fuentes de problemas. 2. Auxiliares en la comunicacin: Ayudan a divulgar los sistemas, por ejemplo: una red interna para dar a conocer normas, instructivos, procesos, etc. 3. Predictores: Ayudan a pronosticar, por ejemplo: monitorear la ejecucin del presupuesto en meses posteriores. 4. Medios de control: Realizan monitoreo, seguimiento o comparacin, por ejemplo: los aparatos que indican una emergencia (alarmas), medidores de magnitudes fsicas (masa, velocidad, volumen, temperatura, etc.). En todos ellos se establece un estndar que indica el funcionamiento normal. 5. En el adiestramiento: lenguajes, software, juegos. 6. Para buscar alternativas hipotticas (uso de software especializado, por ejemplo: simulador de procesos) 7. Para disear y mejorar el sistema: mejora continua.
UES/FIA/EII/IOP215 Pgina 1

8. Para evaluar cursos alternativos de accin que proporcionen soluciones consistentes. Pasos de una simulacin 1. Formular el modelo que representa el sistema a ser investigado. Por ejemplo diagramas de procesos, flujogramas, diagramas de redes, organigramas. 2. Validacin del modelo: Tomar muestras, comprobar, interpretar, decidir. Algunas veces el modelo deber ser estadsticamentecomprobable que es el correcto o ms adecuado. 3. Disear el experimento: Qu se desea medir? Cuntos resultados se necesitan? Cmo probar los resultados? La informacin disponible es una forma de indicar que el modelo es correcto. 4. Desarrollar el programa para el computador. Para obtener informacin en forma gil y oportuna. 5. Generar lo nmeros aleatorios. Son nmeros al azar que son los que permiten realizar las pruebas. Nuestro nfasis se centrar en el ltimo de los mencionados. 7.2 GENERACIN DE NMEROS ALEATORIOS La generacin de nmeros aleatorios son aquellos procedimientos que se utilizan para generar datos o nmeros al azar que siguen alguna distribucin de probabilidad a travs de la toma de nmeros al azar. Los procedimientos a aplicar dependern de la existencia o no de una funcin conocida que permita generar los nmeros aleatorios. Cuando no existe la funcin, se utiliza el Mtodo de Montecarlo que aplica a distribuciones de probabilidad discretas, mientras que si se conoce la funcin se pueden generar variables aleatorias para distribuciones de probabilidad continuas. MTODOS PARA LA GENERACIN DE NMEROS ALEATORIOS 1. Mtodo del medio del cuadrado (o de los dgitos centrales de un cuadrado) Este mtodo se utiliza para generar nmeros aleatorios enteros Pasos: 1) Seleccionar un nmero cualquiera de 4 dgitos, que de preferencia sea mayor que 3536. 2) Elevar al cuadrado ese nmero. Si el cuadrado del nmero tiene menos de 8 dgitos, se debe rellenar con ceros a la izquierda.
UES/FIA/EII/IOP215 Pgina 2

3) Seleccionar los cuatro dgitos centrales del cuadrado del nmero. Los cuatro dgitos se convierten en el primer nmero aleatorio. 4) Elevar al cuadrado el primer nmero aleatorio que se gener. 5) Repetir los pasos 3 y 4 cada vez que se desee un nmero aleatorio hasta obtener el total necesario. Ejemplo: Obtenga 5 nmeros aleatorios de 4 dgitos partir del nmero 3536: 5032, 3210, 3041, 2476, 1305. 2. Mtodo de nmeros al azar fraccionarios Se utiliza para generar nmeros aleatorios decimales para variables aleatorias con distribucin de probabilidad conocida. Pasos: 1) Seleccionar un numero x que posea una cantidad cualquiera de dgitos menor que 9. 2) Seleccionar un numero y que tambin posea una cantidad cualquiera de dgitos menor que 9. Es preferible que este segundo nmero posea menos dgitos que el primero o a lo sumo igual. 3) Multiplicar el primer nmero por el segundo .

4) Multiplicar el producto del paso 3 por una fraccin o numero decimal pequeo z . 5) Seleccionar la porcin decimal como el primer nmero aleatorio decimal. 6) Multiplicar el producto xy obtenido en el paso 3 por el nmero y del paso 2, . 7) Multiplicar el producto del paso 6 por el numero decimal z del paso 4, 8) Seleccionar la parte decimal como el siguiente nmero aleatorio. 9) Multiplicar el producto del paso 7 por el nmero y del paso 2, Continuar con el paso 8. 10)El producto del paso 9 se multiplica por el numero y tantas veces como sea necesario hasta obtener la cantidad deseada de nmeros al azar decimales o fraccionarios.
UES/FIA/EII/IOP215 Pgina 3

Un resumen de los pasos anteriores es el siguiente: Produc N to Aleatorio 1 2 3 nensimo 3. Mtodo de nmeros al azar de tablas Utilizar tablas prediseadas de nmeros aleatorios y escoger de ah la cantidad de nmeros aleatorios. Se debe establecer primero el procedimiento de eleccin de los nmeros y mantenerlo hasta obtener la cantidad deseada. Este mtodo aplica ms que todo a nmeros enteros, aunque tambin puede funcionar con nmeros decimales. 7.3 MTODO DE MONTECARLO Se usa para resolver problemas que dependen de la probabilidad en los que la experimentacin fsica es no factible y donde es imposible la creacin de una formula exacta. Este consiste en una simulacin con tcnicas de muestreo, es decir que en vez de obtener muestras de una poblacin real se obtiene un duplicado tcnico de la poblacin real. La no factibilidad de la experimentacin puede deberse a una inversin muy alta o porque es muy riesgosa. Utilizacin del mtodo Lneas de espera Inventarios Mantenimiento Flujo de transito Secuencia de trabajo en una planta

EJEMPLOS. 1. Un comerciante minorista de quesos tiene la siguiente poltica de inventario: si su inventario al final del da es cero, ordena 30 quesos de un mayorista cercano, los cuales le son entregados al minorista al inicio del siguiente da. La demanda en cualquier da se muestra en la tabla siguiente. Simule el inventario para un periodo de 10 das, comenzando con un inventario de 30 quesos. Si la utilidad por cada queso es de $0.50
UES/FIA/EII/IOP215 Pgina 4

Cul es la ganancia del minorista en los 10 das y cul es la perdida por escasez en el inventario? 10 0.0 5 SOLUCIN 20 0.2 0 30 0.4 0 40 0.3 0 50 0.0 5

Caso: V.A.D. sin distribucin de probabilidad: Mtodo de Montecarlo. Semilla Generadora de datos para la demanda:

D a

N Inventa Aleat. rio p/deman Inicial da

Deman da

Unidad Unidad Inventa Hacer es es en rio pedid Vendid escase Final o? as z

Ganancia total =

= Unidades vendidas X Ganancia unitaria = Unidades en escasez x Ganancia unitaria

Ganancia no percibida =

2. Simulacin de un problema de ingeniera econmica. Una empresa est considerando realizar una inversin en un equipo que tenga una ganancia esperada alta con respecto al valor presente de los gastos iniciales. El problema se origina dada la serie de situaciones del proyecto en las fuentes de riesgo o incertidumbre: Inversin del proyecto Vida del proyecto Ganancia
Pgina 5

UES/FIA/EII/IOP215

Sus respectivas distribuciones de probabilidad son:

Inversi n 10000 8000 12000

f(x) 0.80 0.05 0.15

Duraci n 5 6 7 8 9

f(x) 0.1 0.2 0.4 0.2 0.1

Gananc ia 5000 4000 3000 2000

f(x) 0.1 0.4 0.4 0.1

Se asume que el equipo tiene un valor residual bajo al final de su vida, por lo que puede considerarse igual a cero. La tasa de inters aplicada de 10%. Para efectos de decisin se considerar el anlisis beneficio-costo. Realice una simulacin de seis pruebas para encontrar el radio-beneficio promedio y tomar la decisin de aceptar o no el proyecto

Procedimiento de solucin: 1. Ordenar los datos de y orden ascendente y encontrar los rangos de cada uno. en

2. Utilizar una semilla generadora a partir de la cual se obtendrn nmeros aleatorios para la inversin . 3. Utilizar otra semilla generadora a partir de la cual se obtendrn nmeros aleatorios para la ganancia . 4. Utilizar otra semilla generadora a partir de la cual se obtendrn nmeros aleatorios para el tiempo . 5. Obtener el valor presente de cada anualidad las veces que sea requerido. 6. Calcular el radio beneficio costo para cada iteracin. 7. Cuando se tenga las iteraciones necesarias, calcular el radio promedio :

UES/FIA/EII/IOP215

Pgina 6

8. Teniendo el radio promedio, tomar la decisin de acuerdo a los parmetros:

SOLUCIN Ordenando los datos:

Rang o

Rang o

Rang o

Utilizando tres semillas generadoras de datos para I, G y n:

Efectuando las pruebas:

UES/FIA/EII/IOP215

Pgina 7

Ite r.

N Aleat .

N Aleat .

N Aleat.

Calculando el radio promedio:

Tomando la decisin: SE ACEPTA EL PROYECTO?

3. Generacin de nmeros para un rango definido por una distribucin binomial.

= V. A., de fracaso

= tamao de la muestra,

= probabilidad de xito,

= probabilidad

Una empresa elabora cierto artculo del cual se obtienen lotes buenos y lotes malos. El procesamiento de lotes malos est en funcin de los artculos defectuosos. Si se inspeccionan 100 artculos, la empresa desea conocer mediante simulacin la probabilidad de encontrar lotes malos. Se acepta como

UES/FIA/EII/IOP215

Pgina 8

fraccin defectuosa 5% y se considera un lote malo aquel que posee 4 artculos defectuosos o ms. Realice diez pruebas.

Lote Bueno Malo

Semilla

Rang o*

Frecuen cia

*Rango definicin en funcin del tamao de la muestra (100) Frecuencia de lotes malos de encontrar lotes malos) (Existe el % de posibilidad

4. Generacin de nmeros para un rango definido por una distribucin Poisson. El director de una estacin de bomberos desea saber el nmero de llamadas que pueden ocurrir para efectos de programacin de las unidades. Se tiene un registro del nmero de llamadas por hora de donde se sabe que la media es de 3 llamadas por hora durante 1000 observaciones. Realice una simulacin para 10 llegadas. Tipo: Montecarlo) Unidades discretas: V.A.D. (Mtodo de

Semilla:

Rango

N Aleat.

UES/FIA/EII/IOP215

Pgina 9

, por lo tanto, se necesitan unidades.

llamadas por hora para programar

5. Simulacin de un problema de colas El gerente de produccin de una compaa que se especializa en metales atribuye al ineficiente sistema de manejo de materiales como uno de los problemas del cuello de botella que se est generando como un resultado del incremento de la demanda. El actual sistema consiste en un montacargas que transporta materia prima del almacn al primer puesto de trabajo, entre los puestos de trabajo intermedios y del ltimo puesto de trabajo al almacn de producto terminado. La disciplina de servicio es: primero que llama al operador del montacargas, primero que es atendido (PEPS). Recientemente ha existido espera por el servicio, en consecuencia existe prdida del maquinista en el puesto de trabajo en espera del material o que sea retirado. Para analizar este problema con ms detalle, el gerente de produccin lo lleva al departamento de gerencia de operaciones. El primer paso fue identificar mtodos alternativos y ellos decidieron evaluar dos alternativas: Mantener el actual sistema (un montacargas) La adicin de un nuevo montacargas A travs de muestreo se han tomado 100 horas de observacin. La evaluacin se realizar con el criterio del radio beneficio-costo. La vida til de un montacargas se estima en 5 aos Procedimiento de solucin 1. El beneficio ser el ahorro en costo en toda la vida del segundo montacargas pasado al ao cero (valor presente). El ahorro en costo se calcular as: a. Estimar el costo de espera de servicio por unidad de tiempo (se considera que es de $0.30 / minuto) b. Por simulacin se establecer los costos de espera al ao para un montacargas. c. Por simulacin se obtendrn tambin los costos de espera al ao para los dos montacargas.
UES/FIA/EII/IOP215 Pgina 10

d. La diferencia calculada de los literales c y b (c-b) si es negativa, por tratarse de costos, se traduce en un ahorro. 2. El radio beneficio/costo ser igual al ahorro en costo entre el costo (inversin) del montacargas. DATOS Costos de cada montacargas = $10,000 Salario del operario del montacargas = $400/mes X Costos de espera de servicio = $0.30/min Vida til de cada montacargas = 5 aos Tasa de inters = 10% Das laborales al ao = 250 das/ao Horas laborales diarias = 8 horas

PROBLEMA DE MANEJO DE MATERIALES Sistema actual: 1 montacargas

La simulacin requiere que la distribucin de frecuencia para el tiempo entre arribos y el tiempo de servicio sea determinada por muestreo. Se tomarn 100 datos y los resultados son los siguientes: Tiempo entre arribos (min) Frecuencias Tiemp (fr) Rang o (N o ocurrencias) 3 5 5 01-05 4 10 15 06-15 5 14 29 16-29 6 27 56 30-56 7 31 87 57-87 8 10 97 88-97
UES/FIA/EII/IOP215 Pgina 11

3 100

10 0

98100

Tiempo de servicio (min) (N Rang t ocurrencias) o 014 10 10 10 115 25 35 35 366 35 70 70 717 20 90 90 10 918 10 0 00 100 V.A.: N de ocurrencias por unidad de tiempo V.A.D.: Mtodo de Monte Carlo.

Procedimiento para la simulacin 1. Utilizar una semilla generadora para el tiempo entre arribos. 2. Utilizar una semilla generadora para el tiempo de servicio. 3. Generar un nmero al azar de dos dgitos para los arribos. 4. Identificar el tiempo entre arribos asociado al nmero al azar. 5. Identificar la hora de arribo. 6. Determinar la hora a la que inicia el servicio. 7. Generar un nmero al azar de dos dgitos para los servicios. 8. Identificar el tiempo de servicio asociado al nmero al azar. 9. Determinar la hora cuando el servicio finaliza. 10.Calcular el tiempo de espera (tiempo de inicio de servicio - tiempo arribo) 11.Calcular el tiempo de ociosidad (tiempo de inicio de servicio -tiempo de fin de servicio) 12.Repetir pasos del 3 al 11 hasta completar el tiempo estipulado de simulacin o el nmero de pruebas requeridas. Simulacin para un montacargas
UES/FIA/EII/IOP215 Pgina 12

N al aza r

Tiemp o entre arribo s

Hora arrib o

Inicio servic io

N al aza r

Tiemp Fin de o servic servici io o

Tiemp o esper a

Tiempo ociosid ad

De la simulacin para un montacargas durante 2 horas se obtiene: T espera = En un ao: Costo de espera anual: (Costo de ociosidad va incluido en el salario del operador) Simulacin para dos montacargas Semilla generadora para los tiempos entre arribos: 6839 Semilla generadora para los tiempos de servicio: 7658 N al Tie mpo Hora arrib N al Tiemp o de Montacargas I Inici Fi Ocio o n sida Montacargas II Inici o Fi Ocio Tiem po de min en 2 horas:

UES/FIA/EII/IOP215

Pgina 13

az ar

entr e arri bos

n o aza r Servic io d

sidad

esper a

De la simulacin para dos montacargas durante2 horas se obtiene:

UES/FIA/EII/IOP215

Pgina 14