MODELO DE LÍNEA DE ESPERA

DR. ALCIBIADES SOSA PALOMINO

• Fenómeno común que ocurre siempre que la
demanda excede al servicio
• Ejemplos:
- Consultorio médico
- Taller de mecánica
-Ventanillas de un banco
-Cajeros automáticos
• POBLACIÓN
• LINEA DE ESPERA
• SERVIDORES
• DICIPLINA DE LA COLA
• COSTO
POBLACIÓN COLA LEY DE SERVICIO

LEY DE LLEGADA SERVIDOR

 PARÁMETROS FUNDAMENTALES DEL MODELO

𝜆: tasa de llegada o frecuencia de llegada cuyas unidades son :

𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
: pueden ser determinísticas(D) ; probabilistas con modelos
𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜
conocidos (M) y probabilísticas con modelos no conocidos (G)

𝜇 tasa de servicios o frecuencia de cuyas unidades son :

𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
: pueden ser determinísticas(D) ; probabilistas con modelos
𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜
conocidos (M) y probabilísticas con modelos no conocidos (G)
 𝜆𝑥 𝑒 −𝜆
𝑓 𝑥 = 𝑝𝑎𝑟𝑎 𝑥 = 0; 1; 2; 3; …
𝑥!

Probabilidad de x llegadas en un tiempo t.

e = 2,71828….
 −𝜇𝑡
𝑝 𝑡𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜 ≤ 𝑡 = 1 − 𝑒

Probabilidad de que el tiempo de servicio sea

menor o igual a un tiempo t.
 MODELO BÁSICO

Llegadas Salidas
Cola Servidor
 UNA LÍNEA MÚLTIPLES SERVIDORES

Sistema de colas
Salidas
Servidor

Llegadas Salidas
Cola Servidor

Salidas
Servidor
 VARIAS LÍNEAS MÚLTIPLES
SERVIDORES

Sistema de colas
Salidas
Cola Servidor

Llegadas Salidas
Cola Servidor

Salidas
Cola Servidor
UNA LÍNEA SERVIDORES SECUENCIALES

Sistema de colas
Llegadas
Cola

Servidor

Cola

Salidas
Servidor
 DISCIPLINA DE LA COLA

• FIFO: Primero-primero
• LIFO : Ultimo-primero
• SIRO: Aleatorio
• FCFS: Preferencial

17
 CARACTERÍSTICAS IMPORTANTES DEL MODELO

1. Probabilidad de que no haya unidades en el sistema P0

2. El número promedio de unidades en la línea de espera Lq
3. Número promedio de unidades en el sistema L
4. Tiempo promedio que una unidad pasa en la línea de espera Wq
5. Tiempo promedio que una unidad pasa en el sistema W
6.Probabilidad que una unidad que llega tenga que esperar para
recibir el servicio Pw
7. Probabilidad de que haya “n” unidades en el sistema Pn
 NOTACIÓN

Según Kendall:

A /B/C/m/d

Ej.: M/M/1/∞/FIFO
19
 MODELO M/M/1/ ∞/FIFO

Restricciones:

•La línea de espera tiene un solo canal.

•El patrón de llegada sigue una distribución probabilística de Poisson.
•Los tiempos de servicio siguen una distribución probabilística exponencial.
•La disciplina de la línea de espera es “Primero que Llega, Primero que se atiende” (PLPA).

Notaciones:  número promedio de llegada por periodo (tasa promedio de llegada).

µ número promedio de servicio por periodo (tasa promedio de servicio).
 MODELO M/M/1/ ∞/FIFO
Características del modelo:

1. Probabilidad de que no haya unidades en el sistema P0  1 

2
2. Número promedio de unidades en la línea de espera Lq 
 (   )

3. Número promedio de unidades en el sistema L  Lq 

Lq
4. Tiempo promedio que una unidad pasa en la línea de espera. Wq 

1
5. Tiempo promedio que una unidad pasa en el sistema W  Wq 


6. Probabilidad que una unidad que llega tenga que esperar para obtener Pw 
el servicio(factor de utilización) 
n
7. Probabilidad que haya «n» unidades en el sistema  
Pn    P0
 

•Para utilizar estas ecuaciones se debe tener que: >

FÓRMULAS : M/M/1/ ∞/FIFO
Restricción: >

𝜆  2
𝜌= P0  1  Lq 
𝜇   (   )

 Lq 1
L  Lq  Wq  W  Wq 
  

 n
 
Pw  Pn    P0
  
APLICACIÓN:
Un banco donde sus clientes llegan con una distribución de Poisson y los servicios que
brinda, obedecen a una distribución exponencial y que sigue una política de “el primero en
llegar, es el primero en atender”. Si llegan en promedio 38 clientes en una hora , tiene un
personal de atención. Los clientes suelen esperar, un promedio de 1 minutos para ser
atendidos. El modelo se considera con población infinita y la longitud de fila ilimitada.
Determinar las características de este sistema y evaluar el costo total de espera si el costo
de servicio es de 100 soles por hora y el de espera es de 80 soles por hora

MODELO : M/M/1/∞/FIFO

𝜆= 38 clientes/hora
𝜇= 60 clientes / hora
 1
𝜆 W  Wq  0.045
𝜌= 0,63 
𝜇

 
P0  1  0,37 Pw 
  0.63

2
Lq  n=2
 (    ) 1.09 n
 
Pn    P0
  0.148

L  Lq 
 1.72

Lq 0.028
Wq  CT = CWL + CSK 237.6

WIN QSB
MODELO M/M/1 CON POBLACION DEMANDANTE FINITA
En este caso N es el tamaño de la población .
Restricciones:
•Tiene un solo canal.
•Población a ser atendida finita.
•Llegada tipo Poisson.
•Tasa de servicio exponencial.
•Disciplina de cola PLPA.
Para evaluar este modelo se utilizan las siguientes ecuaciones:
1
P0 
N!   
n
•Probabilidad de que no haya unidades en el sistema. N

  
n  0 ( N  n)!   


•Número promedio de unidades en la línea de espera (largo de la fila). Lq  N  (1  P0 )


•Número promedio de unidades en el sistema ( largo total ). L  Lq  (1  P0 )

Lq
•Tiempo promedio que una unidad pasa en la línea de espera. Wq 
( N  L )

1
W  Wq 
•Tiempo promedio que una unidad pasa en el sistema. 

n
•Probabilidad que haya “n” unidades en el sistema. N!   
Pn   
( N  n)!   
Para n = 0 ; 1 ; 2 ; … ; N
MODELO M/G/1

Notación:  : tasa promedio de llegadas para el sistema.

: Tasa promedio de servicio para cada canal.
1/ : tiempo promedio de servicio.
σ: desviación estándar del tiempo de servicio.
Las ecuaciones que se utilizan en este caso son:

P0  1 
•Probabilidad de que no haya unidades en el sistema. 

 2  2  ( /  ) 2
•Número promedio de unidades en la línea de espera. Lq 
2(1   /  )


L  Lq 
•Número promedio de unidades en el sistema. 

Lq
•Tiempo promedio que una unidad pasa en la línea de espera. Wq 


1
•Tiempo promedio que una unidad pasa en el sistema. W  Wq 


•Probabilidad de que una unidad que llega tenga que esperar. 

Pw 

MODELO M/G/K SIN LINEA DE ESPERA
Restricciones:
•La tasa promedio de servicio  es la misma para todo los canales.

Una de las principales aplicaciones de este modelo se refiere al diseño de sistemas

telefónicos, u otros sistemas de comunicación. Cuando todos los canales están
ocupados , las llamadas adicionales reciben una señal “ocupado” y no se le permite
el acceso al sistema.
En este caso se evalúa la probabilidad de que exactamente j de los k canales estén
ocupados para j = 0, 1,2,…,k.
( /  ) / j!
j

Pj 
Este cálculo se realiza mediante: k

 (
i 0
 /  ) i
/ i!
Es posible qué el cálculo más importante sea Pk , que es la que todos los canales
estén ocupados.
Otra característica que interesa en este caso es el promedio de unidades que se
encuentran en el sistema, y esta evaluación se lleva a cabo mediante:


L  (1  Pk )

MODELO M/M/k / ∞/FIFO
Restricciones:
•La línea de espera tiene dos o más canales.
•Tiene llegadas tipo Poisson.
•El patrón de servicio es de tipo exponencial.
• es lo mismo para todos los canales.
•Las unidades que llegan aguardan en una sola línea de espera y después pasan al primer canal abierto para obtener el servicio.
•La disciplina de la fila es (PLPA)
Notación:
: Tasa promedio de llegadas para el sistema.
: Tasa promedio de servicio para cada canal.
K número de canales.
Las fórmulas son aplicables para k>
1
Las ecuaciones para este modelo son: P0 
k 1
( /  ) n ( /  ) k  k 
•Probabilidad de que no haya unidades en el sistema.   
  

n0 n! k!  k 
( /  ) k 
•Número promedio de unidades en la línea de espera. Lq  P0
(k  1)!(k   ) 2

•Número promedio de unidades en el sistema. L  Lq 

Lq
•Tiempo promedio que cada unidad pasa en la línea de espera. Wq 

1
•Tiempo promedio que una unidad pasa en el sistema. W  Wq 

1   k 
k

•Probabilidad de que una unidad que llega tenga que esperar. Pw      P0

k!     k   
( /  ) n
Para n  k Pn  P0
n!
•Probabilidad de que haya “n” unidades en el sistema.
( /  ) n
Para n > k Pn  P0
k! k ( n  k )
 ANALISIS ECONOMICO DE LINEAS DE ESPERA

COSTO TOTAL POR PERIODO (CT)

CT = CWL + CSK
Cw : Costo de la espera por periodo para cada unidad.
L : número promedio de unidades en el sistema .
Cs: costo de servicio por periodo para cada canal.
K : número de canales.
TALLER : LINEA DE ESPERA
En una fábrica existe una oficina de la Seguridad Social a los que los
trabajadores tienen acceso durante las horas de trabajo. La primera y última
media hora de la jornada la afluencia es muy reducida, pero que durante el
resto de la jornada el fenómeno se puede considerar estacionario . Del
análisis de 100 periodos de 5 minutos , sucesivos o no, pero situados en la
fase estacionaria, se dedujo que el número medio de obreros que acudía a la
ventanilla era de 1,25 por periodo y que el tiempo entre llegadas seguía una
distribución exponencial. Un estudio similar concluyo quela la atención tenía
una distribución exponencial con duración media de 3,33 minutos.
Determinar:
a. Número medio de trabajadores en la cola.
b. Tiempo medio de espera en la cola.
c. Comparar el tiempo medio perdido por los trabajadores con el tiempo
perdido por el oficinista.
d. Hallar el costo para la empresa , si una hora de inactividad del oficinista
vale S/ 25 y para el trabajador S/ 40
MODELO : M/M/1/∞/FIFO
𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑜𝑏𝑟𝑒𝑟𝑜𝑠
𝜆: 1.25 = 15
5 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 ℎ𝑜𝑟𝑎

1𝑐𝑙𝑖𝑒𝑛𝑡𝑒 𝑜𝑏𝑟𝑒𝑟𝑜𝑠
𝜇: = 18
3.33𝑚𝑖𝑛𝑢𝑡𝑜𝑠 ℎ𝑜𝑟𝑎
𝜆 𝜆 15
𝜌 = 𝑘𝜇 ; k=1 ; 𝜌 = 𝑘𝜇 = 18 = 0.83

a) Número medio de trabajadores en la cola

𝜆2 𝜆
𝐿𝑞 = = 4 𝑜𝑏𝑟𝑒𝑟𝑜𝑠 ; 𝐿= = 5 𝑜𝑏𝑟𝑒𝑟𝑜𝑠
𝜇(𝜇 − 𝜆) 𝜇−𝜆
b) Tiempo medio de espera en la cola
𝐿𝑞 𝜆
𝑊𝑞 = = = 0,27 = 0.3 ℎ𝑜𝑟𝑎𝑠
𝜆 𝜇(𝜇 − 𝜆)
c) Tiempo perdido
1 1
Trabajador : 𝑊 = 𝜇−𝜆 = 3 ℎ𝑜𝑟𝑎
Oficinista: (8-1) horas = 17%de 420 minutos = 74.4 minutos
c)Costo para la empresa
1
Trabajador: 40.3 . 5 = 67 por hora
71.4
Oficinista: 25. 60 = 29.75 𝑝𝑜𝑟 𝑑í𝑎
Los trabajadores de una fábrica tienen que llevar su
trabajo al departamento de control de calidad antes
de que el producto llegue al final del proceso de
producción . Hay un gran número de empleados y las
llegadas son aproximadamente de 20 por hora. El
tiempo para inspeccionar un producto sigue una
distribución exponencial de media 4 minutos. Calcular
el número medio de trabajadores en el control de
calidad si hay:
a. Dos inspectores
b. Tres inspectores
La ventanilla de un banco realiza las transacciones en
un tiempo medio de 2 minutos . Los clientes llegan
con una tasa media de 20 clientes a la hora , si se
supone que las llegadas siguen un proceso de Poisson
y el tiempo de servicio es exponencial. Determinar:
a. Porcentaje de tiempo ocioso del cajero
b. Tiempo medio de estancia de los clientes en la cola.
c. Fracción de clientes que deben esperar en cola.
CASOS RESUELTOS
CASO 1
MODELO M/M/1
Una bodega donde sus clientes llegan con una distribución de Poisson y los servicios que
brinda, una distribución exponencial y que sigue una política de “el primero en llegar, es el
primero en atender”. ” Si llegan en promedio 38 clientes en una hora , tiene un personal de
atención. Los clientes suelen esperar, un promedio de 1 minutos para ser atendidos. El
modelo se considera con población infinita y la longitud de fila ilimitada.

a. Probabilidad de que no haya clientes en la bodega.

b. Número promedio de clientes esperando hacer atendido (largo de fila)
c. Número promedio de clientes en la bodega (largo total).
d. Tiempo promedio que cada cliente permanece en la cola.
e. Tiempo promedio que el cliente pasa en el sistema.
f. Probabilidad que un cliente que llega tenga que esperar para obtener el servicio (factor
de utilización)
g. Probabilidad que haya “n” unidades en el sistema
Solución

 Número promedio de llega: λ = 38 clientes/hora * 1/60 horas/minuto = 0,63 clientes/minuto.

µ Número promedio de servicio por periodo (1min).

•Probabilidad de que no haya clientes en la bodega


P0  1 

0.63
P0  1   0.37
1

•Número promedio de clientes esperando hacer atendido (largo de fila)

2
Lq 
 (   )
0.63 2
Lq   1.07Clientes
1(1  0.63)

•Número promedio de clientes en el sistema (largo total).


L  Lq 

0.63
L  1.07   1.7clientes
1
•Tiempo promedio que cada cliente pasa en la cola
Lq
Wq 

1.07
Wq   2.69 min utos
0.63

•Tiempo promedio que el cliente pasa en el sitema

1
W  Wq 

1
Wq  2.69   3.69
1

•Probabilidad que un cliente que llega tenga que esperar para obtener el servicio (factor de utilización)

Pw 

0.63
Pw   0.63
1

•Probabilidad que haya “n” unidades en el sistema

0.63
 0.63 
n=0.63  
n
Pn     0.37
Pn     P0  1 
  Pn  0.27
CASO 2: MODELO M/M/K
Un minimarket ha recibido durante todo un día de atención, el siguiente número de visitas (clientes).

DÍA NÚMERO DE
CLIENTES(*)
7:00 am – 8:00 am 25
8:00 am – 9:00 am 20
9:00 am – 10:00 am 32
10:00 am – 11:00 am 40
11:00 am – 12:00 m 32
12:00 m – 1:00 pm 34
1:00 pm – 2:00 pm 42
2:00 pm – 3:00 pm 24
; 3:00 pm – 4:00 pm 32
4:00 pm – 5:00 pm 41
5:00 pm –6:00 pm 38
6:00 pm – 7:00 pm 29
7:00 pm – 82:00 pm 22
8:00 pm – 9:00 pm 45
9:00 pm – 10:00 pm 32
10:00 pm – 11:00 pm 30
11:00 pm – 12:00 pm 25

PROMEDIO -> 32

(*) Datos proporcionados en base al número de boletas emitidas por el sistema de ventas del minimarket.
El minimarket cuenta con 2 módulos de pago (caja). El tiempo de atención en caja es de 2 minutos.
El gerente del minimarket pide que se le detallen e interpreten los parámetros que describen su negocio para
que pueda tomar decisiones en base a ellas.
Solución:
DATOS:
•Tasa Promedio de Llegadas :

 = 32 x Hora = 0.53 x min

•Tasa Promedio de Servicio

u = 0.5 Clientes/Minuto

•Número de Canales
k = 2 Cajas

CÁLCULO DE PARÁMETROS:

•Probabilidad de que no haya clientes en el Minimarket.

1 1 P0  0.31
P0  k 1 P0 
 
( /  ) n ( /  ) k  k 
n
1
(0.53 / 0.5) (0.53 / 0.5) 2 2(0.5)

n0 n!  k!  k   
  
n 0 n! 2!  2(0.5)  0.53 
 

•El número promedio de clientes haciendo cola en caja

( /  ) k  Lq 
(0.53 / 0.5) 2 (0.53)(0.5)
(0.31) Lq  0.42
Lq  P (2  1)!(2(0.5)  0.53) 2
(k  1)!(k   ) 2 0
•Número promedio de clientes en el Minimarket

 0.42 L  1.48
L  Lq  Wq 
 0.53

•Tiempo promedio que cada cliente pasa en la cola

Lq 0.42 Wq  0.80
Wq  Wq 
 0.53

•Tiempo promedio que cliente pasa en el Minimarket

1 1 W  2.8
W  0.80 
W  Wq  0.5


•Probabilidad que un cliente que llega tenga que esperar para realizar sus pagos.

 2(0.5) 
k 2
1   k  1  0.53 
Pw     (0.31) Pw  0.37
Pw      P0 2!  0.5  
k!     
 k   
2( 0.5) 0.53
CASO 3 : Modelo M/G/1:
Una tienda de abarrotes atiende desde las 8 a.m. hasta las 10 p.m. El dueño del negocio, se encarga de atender diariamente a las
personas que vienen a realizar sus compras. Si puede atender en promedio a un cliente cada cinco minutos y el promedio de clientes
que llega a la tienda es de 9 clientes cada hora.

8 a.m. - 9 a.m. 8
9 a.m. - 10 a.m. 6
10 a.m. - 11 a.m. 12
11 a.m. - 12 a.m. 13
12 a.m. - 13 a.m. 12
13 a.m. - 14 a.m. 9
14 a.m. - 15 a.m. 9
15 a.m. - 16 a.m. 6
16 a.m. - 17 a.m. 7
17 a.m. - 18 a.m. 8
18 a.m. - 19 a.m. 9
19 a.m. - 20 a.m. 12
20 a.m. - 21 a.m. 11
21 a.m. - 22 a.m. 8
130 Clientes
Promedio de clientes que llegan a la tienda 9

•Obtenga las medidas de desempeño de acuerdo con el modelo M/G/1

•Además la probabilidad de tener 0 clientes en el sistema y la probabilidad de que un cliente tenga que esperar por el servicio.
Para hallar nuestros resultados necesitamos previamente Determinar

•Número promedio de unidades en la línea de espera.

 2  2  ( /  ) 2
Lq  =1.31 clientes
2(1   /  )
•Número promedio de unidades en el sistema.

L  Lq  L = 1.31+0.75=2.06 clientes

•Tiempo promedio que una unidad pasa en la línea de espera.
Lq
Wq 

•Tiempo promedio que una unidad pasa en el sistema.
1
W  Wq 

•Probabilidad que no haya unidades en el sistema

P0 1  Po=1 - 0.75 = 0.25

•Probabilidad de que una unidad que llega tenga que esperar.


Pw  Pw=0.75

 CASO 4 : Modelo M/G/k:
Una Pizzería utiliza un sistema telefónico de pedidos para la venta delivery de sus pizas. Los clientes hacen pedidos
utilizando un número telefónico gratuito de la Pizzería. Suponga que la tasa de llegadas es de 6 clientes por hora. El
tiempo de proceso de un pedido telefónico varia de uno a otro, sin embargo se espera que el representante de
ventas, maneje un promedio de 3 por hora, por el momento el Número telefónico tiene 3 canales internos (líneas)
cada uno de ellos operado por un representante de ventas, las llamadas gratuitas se transfiere automáticamente a
alguna de las líneas (canales abiertas si las hay, en otro caso, las personas obtienen una señal de ocupado. No
siempre las personas (clientes) vuelven a llamar, lo que significa que puede ser una venta pérdida. La pizzería desea
saber el porcentaje de personas (clientes) que reciben la señal de ocupado, pues su meta es atender un 95% de las
llamadas ¿Cuántas líneas telefónicas y cuantos representantes de venta debe emplear?
 : 6 clientes/hora
 : 3 clientes/hora
K: 3 canales

Hallar la probabilidad de que los 3 canales ( j) estén ocupados

( /  ) / j!
j (6 / 3)3 / 3! Pj 
Pj  0.2
Pj  3
k

 ( /  ) / i!
i  (6 / 3) / i!
i 0
i

i 0
Hallar el número promedio de unidades que se encuentran en el sistema:

 6
L  (1  Pk ) L (1  0.25) L  15
 3
MODELO DE SIMULACIÓN

Dr. Alcibiades sosa Palomino

LAYOUT DE Ruta trabajo
PROCESOS

49
 FORMAS DE ESTUDIAR UN SISTEMA

Sistema

Experimentar
Experimentar con
con el
un modelo
sistema actual
del sistema

Modelo Modelo
Físico Matemático

Solución SIMULACION
Analítica

50
 MODELO DE SIMULACIÓN

Es el proceso de diseñar un modelo

de un sistema real y realizar
experimentos con él, con la finalidad
de comprender el comportamiento
del sistema o evaluar nuevas
estrategias para el funcionamiento
óptimo del sistema.
 MODELO DE SIMULACIÓN

Es el estudio de un sistema a través de

un modelo ayudado de un computador,
con la finalidad de comprender su
comportamiento en un conjunto de
escenarios y plantear propuestas
alternativas de mejora.

52
 VENTAJAS DEL MODELO DE SIMULACIÓN
• Es más barato mejorar el sistema vía simulación
• El riesgo de simular cambios, no ocasiona costos ni
problemas
• La simulación permite estudiar un sistema con un gran
horizonte de tiempo, en un tiempo comprimido
• Podemos mantener mucho mejor el control sobre
condiciones experimentales
• Es posible analizar sistemas de alta complejidad.
• La simulación permite estimar el funcionamiento de un
sistema en diferentes condiciones
• Una vez construido, el modelo puede ser modificado de
manera rápida con el fin de analizar diferentes políticas
o escenarios.

53
 DESVENTAJAS DEL MODELO DE SIMULACIÓN

• Los modelos de simulación no dan solución optimas.

• Cada réplica de un modelo de simulación estocástica
produce solamente estimados de las verdaderas
características de un modelo
• Se requieren gran cantidad de corridas computacionales
para encontrar soluciones confiables.

54
ETAPAS DEL PROYECTO DE SIMULACIÓN

Definición del sistema

Análisis

Formulación del modelo

Selección del lenguaje apropiado

Codificación del modelo

Validación del modelo

Experimentación

Animación

Implantación

Monitoreo y control

55
 ETAPAS DEL PROYECTO DE SIMULACIÓN

Definición del sistema:

• Consiste en describir el problema o del sistema.

• Debe asegurarse que exista una correcta
identificación:
– Del objetivo
– De las variables de decisión
– Las restricciones
– La medida de efectividad y
– Las variables no controlables y su
comportamiento estadístico.
 ETAPAS DEL PROYECTO DE SIMULACIÓN

Análisis del Sistema:

• Deben describirse las interacciones lógicas entre las

variables de decisión
• Identificar las restricciones del sistema.
 ETAPAS DEL PROYECTO DE SIMULACIÓN

Formulación del Modelo:

• Consiste en formular un codillo lógico - matemático
que defina las interacciones entre las variables
• Tener en cuenta que se va a llevar a cabo a través
del tiempo y que el uso de listas o cadenas de
eventos darán la pauta en el manejo de las variables.
• Existen dos tipos de listas:
– Las llamadas de eventos futuros donde la
secuencia depende del tiempo de ocurrencia
del evento, y
– Las de eventos actuales cuya secuenciación
depende de la ocurrencia de otro evento.
 ETAPAS DEL PROYECTO DE SIMULACIÓN

Selección del Lenguaje:

• Da la selección del lenguaje dependerá el tiempo de
desarrollo del modelo de simulación.
• La selección pueda ser usar un lenguaje general
como lo es Visual Basic, hasta hacer uso de un
paquete específicamente desarrollado para simular.
• Algunos ejms. SINFACTORY o el STARCEL,
pasando por los ya consolidadas GPSS, SLAM,
SIMAN, SIMSCRIPT, GASP, PROMODEL y
DYNAMO.

59
 ETAPAS DEL PROYECTO DE SIMULACIÓN

Codificación del Modelo:

• Consiste en generar las instrucciones o código
computaciones necesarias para lograr que el modelo
pueda ser ejecutado en algún tipo de computadora.
• La duración de este proceso esta directamente
relacionado con la selección del lenguaje.
 ETAPAS DEL PROYECTO DE SIMULACIÓN

Validación del Modelo:

• Tiene como objetivo determinar la habilidad que del
modelo para representar la realidad.
• La validación se lleva acabo mediante la
comparación estática entre los resultados del
modelo y los resultados reales.

61
 ETAPAS DEL PROYECTO DE SIMULACIÓN

Experimentación:
• Se determinan las diversas alternativas que pueden
ser evaluadas.
• Se seleccionan las variables de entrada y sus
diferentes niveles con la finalidad de optimizar las
variables de respuestas del sistema real.
• El uso de técnicas como diseño de experimentos,
superficies de respuesta, simplex, permiten llevar a
cabo este procedimiento en forma estructurada.

62
 ETAPAS DEL PROYECTO DE SIMULACIÓN

Implantación:
• Una vez seleccionada la mejor alternativa, es importante
llevarla ala practica.
• En muchas ocasiones este ultimo paso es él más difícil
ya que se tiene que convencer a la alta dirección y al
personal de las ventajas de esta puesta en marcha.
• Al implantar tener cuidado con las diferencias con
respecto a los resultados simulados, ya que estos
últimos se obtienen, a partir de algunas suposiciones.

63
 ETAPAS DEL PROYECTO DE SIMULACIÓN

Monitoreo y Control:
• Los sistemas son dinámicos y con el transcurso del
tiempo es necesario modificar el modelo de simulación.
• La finalidad es llevar a cabo actualizaciones periódicas
que permitan que el modelo siga siendo una
representación del sistema

64
 PARA QUE SIMULAR

• Evaluar cambios en modelos de un sistema existente,

frecuentemente es el mejor camino para reducir el
riesgo de las principales decisiones
• Obtener un conocimiento de la naturaleza del proceso.
• Identificar problemas específicos o áreas problemáticas
de un sistema.
• Desarrollar planes o políticas específicas de un
proceso.
• Evaluar nuevos conceptos o sistemas antes de su
implementación.

65
 CUANDO SIMULAR

• Sistema actual no existe o es dificultoso

observarlo
• El sistema actual es muy complejo para analizarlo
• El sistema actual no puede ser interrumpido.
• Es costoso construir el sistema actual.

66
Simulación estática Vs. Dinámica

Un modelo de simulación Estática

Es una representación de un sistema en un tiempo particular
El tiempo no juega un rol
Ej.. los modelos de simulación monte carlo.

Los modelos de simulación Dinámica

Representan un sistema que se desarrollan en el tiempo, tales
como un sistema de transportes en una fabrica.

67
 Simulación determinística Vs.
estocástica
Determinístico:
El modelo de simulación no contiene componentes
probabilísticos (aleatorias).
En un modelo de este tipo las respuestas son determinísticas.

Estocástico:
Tienen componentes aleatorios. Producen salidas (respuestas)
que son aleatorias.
Son tratados como un estimador de las características
verdaderas del modelo, esta es una de las desventajas de los
modelos de simulación.

68
 Evento continuo y discreto
•Continuo Discreto
Ocurre en un punto en el tiempo y
•Ocurre en forma ininterrumpida a
cuando ocurre, cambia el estado del
través del tempo, el estado de las sistema
variables cambia continuamente
como una función del tiempo.

69
 Objetivos de la simulación
• Visualización
– Ver lo que esta pasando en el sistema
• Cálculos (Analizar/Optimizar)
– Cuantificar lo que esta pasando en el sistema
• Comunicación
– Mostrar que esta pasando en el sistema

70
 Poder de la Simulación
• Muchas variables en un sistema son ALEATORIAS --pueden toma
cualquier valor
• Los Objetos que están funcionando enlazados a otros son
INTERDEPENDIENTES--cada uno afecta a los otros
• Entonces en un sistema, ALEATORIEDAD + INTERDEPENDENCIA =
COMPLEJIDAD

71
 MÉTODO DE MONTECARLO

El problema crucial de la aplicación de los métodos de

Monte Carlo 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.

72
 Resultado Función de P. acumulada
probabilidad (Función de
distribución)
¿Cómo simular con el
ordenador la distribución de 0 0.25 0.25
probabilidad de las ruletas?
1 0.5 0.75
2 0.125 0.875
3 0.125 1

Condición Resultado

0 ≤ g < 0.25 0
0.25 ≤ g < 0.75 1
0.75 ≤ g < 0.875 2
0.875 ≤ g < 1 3

73
 Números Aleatorios

Es uno de los componentes fundamentales

para realizar la simulación y existen diversos
procedimientos para generarlos, si bien tiene
un cierto deterioro en la noción de azar a
estos números se les llama pseudoaleatorios y
son adaptados a los ordenadores digitales.
 Números Aleatorios
• En la simulación de sistemas es necesario crear
secuencias de números cuyos valores sucesivos son
aleatorios y tienen una distribución que describe la
variable aleatoria de interés.

• Existen diversas formas de generar números aleatorios

como ruletas o dados.

• La corporación RAND utilizó un generador de impulsos

electrónicos producido por una fuente de ruido,
generándose así 1 millón de números aleatorios,
creándose las tablas de números aleatorios.

75
 Números Aleatorios

• El problema de la generación de números aleatorios ha

sido resuelto mediante la generación de números
Pseudo aleatorios que se realizan usando relaciones
matemáticas recursivas.

• Son llamados Pseudo aleatorios por que son

totalmente determinados ya que dados ciertos valores
de entrada, la secuencia es totalmente determinada

• Satisfacen ciertas pruebas estadísticas

76
 Propiedades de los números aleatorios

Estos números deben cumplir ciertas características para que

sean validos.
– Uniformemente distribuidos.
– Estadísticamente independientes.
– Su media debe ser estadísticamente igual a 1/2.
– Su varianza debe ser estadísticamente igual a 1/12.
– Su periodo o ciclo de vida debe ser largo.

77
 Generación de los números aleatorios

Tabla de Xi+1=(aXi+c) mod m

Manual o mecánico. Números aleatorios Computador

78
 Generación de los números aleatorios

•Práctica
•Tablas
• En forma analítica.
•Programas.

Investigación Operativas II Fecha Proceso: 1/09/2009

 Método del Cuadrado Medio

• Cada número de la secuencia se obtiene tomando las

M cifras centrales del cuadrado del número
precedente.
• Este método es, relativamente lento, y
estadísticamente ineficiente.
• Ocurre con frecuencia que la secuencia generada
resulta muy corta.
• Es decir, se repite y se degenera rápidamente,
repitiéndose el mismo número o se genera cero.

80
 Método del Cuadrado Medio
El Algoritmo
• Seleccionar un número (raíz) X0 arbitrario de M dígitos
• Elevar X0 al cuadrado
• Sea X0+1 el siguiente número de la secuencia formando por las
M dígitos centrales de (X0)2 y así sucesivamente.

81
 Método del Cuadrado Medio
X0 es denominado la semilla, M = 4 dígitos

i Xi Xi2 ri
0 6375 40640625 0.6406
1 6406 41036836 0.0368
2 368 00135424 0.1354
3
4

82
Ejemplo:
 Métodos Congruenciales Lineales
Para la generación de números aleatorios de una distribución uniforme se
parte de un valor inicial X0 y se genera una secuencia de valores aleatorios

X n   X 1, X 2 ,..., X n ,...
Para generar dicha secuencia, se usa la siguiente relación
recursiva
X n 1  (aX n  c) mod m n =0,1,2,…
Donde:
X0 = es el valor inicial o raíz, X0  0
a = es el multiplicador a  0, m  X0
c = es el incremento c  0, m>a
m = es el modulo, m>c
85
 Métodos Congruenciales Lineales
• La secuencia {Xn} es congruente lineal y se obtiene
aplicando la relación:

X n 1  (aX n  c) mod m n = 0, 1, 2,...

• Cuando a ≠ 1 y c ≠ 0 el método se denomina Método

congruencial Mixto
• Si c = 0 se denomina Método Congruencial
Multiplicativo

86
 Conceptos
Base de x: El mayor de los enteros que sean menores o iguales que x

x Mayor entero <= x (base de x)

Si x = 2.7
2.7

-3 -2 -1 0 1 2 3 4 5

Menores o iguales que 2.7 Mayor de los menores

2.7  2
87
 Conceptos
Techo de x: El menor de los enteros que sean mayores o iguales que x

x Menor entero >= x (techo de x)

Si x = 2.7
2.7

-3 -2 -1 0 1 2 3 4 5

Menor de los mayores Mayores o iguales que 2.7

2.7  3
88
 Conceptos

2.7  2 2.7  3
 2.7  3  2.7  2
1 / 3  ?? 1 / 3  ??
 1 / 3  ??  1 / 3  ??
5.5  ?? 5.5  ??

89
 Conceptos
Dados dos números enteros, definimos la siguiente operación:

x mod y  x  y x / y , si y  0

x mod y  x, si y  0

90
 EJERCICIO
Calcular
( 5 mod 3) = 5  35 / 3  5  3(1)  2

(18 mod 3) = 18  318 / 3  18  3(6)  0

( 6 mod 8) = 6  86 / 8  6  8(0)  6

(-2 mod 8) =  2  8 2 / 8  2  8(1)  6

(-2 mod 3) =  2  3 2 / 3  2  3(1)  1

91
 Métodos Congruenciales Lineales
Ejm.
X0 = a = c = 6, m=10

i Xi (aXi + c) (aXi + c) mod m

0 6 42 2
1 2 18 8
2
3
Completar
4 este cuadro
5
6

92
 Métodos Congruenciales Lineales
Ejm.
X0 = a = c = 6, m=10

i Xi (aXi + c) (aXi + c) mod m

0 6 42 2
1 2 18 8
2 8 54 4 Notar que:
3 4 30 0 X0 = X5
4 0 6 6
5 6 42 2
6 2 18 8

93
 Métodos Congruenciales Lineales
Definición:
Si Xn = X0, para algun n  Xn+1 = X1

En general, dada la secuencia:

X1, X2, ..., Xp, Xp+1, ..., X2p, ...
• Si Xp = X0, es el valor a partir del cual la secuencia se repite, se
dice que p es su periodo.

En ejm. anterior:
• La secuencia tiene periodo corto p = 5
• La secuencia no es uniforme, pues no contiene los valores 1, 3,
5, 7 y 9
94
 Ejercicio
Hallar la secuencia de números aleatorios y el periodo si:
m = 16, a = 5, c = 3, X0 = 7

i Xi (aXi + c) (aXi + c) mod m i Xi (aXi + c) (aXi + c) mod m

0 7 11
1 12
2 13
3 14
4 15
5 16
6 17
7 18
8 19
9 20
10 21
95
 Ejercicio
Hallar la secuencia de números aleatorios y el periodo si:
m = 16, a = 5, c = 3, X0 = 7

i Xi (aXi + c) (aXi + c) mod m i Xi (aXi + c) (aXi + c) mod m

0 7 11 0
1 6 12 3
2 1 13 2
3 8 14 13
4 11 15 4
5 10 16 7
6 5 17 6
7 12 18
8 15 19
9 14 20
10 9 21
96
 TEST DE LAS RACHAS.

Evalúa la consistencia de los números seudoaleatorios.

Dados los números x1, x2,…,xn se construye una sucesión formada por
signos + si xy<xy+1 , y signo - si xy>xy+1.

1. Calcular el número de rachas R.

2. Evaluar : R
1
(2n  1)
Z  3
1
(16 n  29)
90

3. Fijar un nivel de significancia y aceptar la aleatoriedad de la secuencia

si el valor de Z
verifica :
Z  Z
2
La demanda por día de computadoras en una tienda comercial tiene la
distribución que se muestra en la tabla N°1. Cuando se formula un pedido
para reabastecer el inventario , hay una demora de entrega , la cual es una
variable aleatoria que se muestra en la tabla N°2.
d f
0 10 Nº de días desde el pedido f
hasta la entrega
1 20
2 40 1 20
3 60
2 10
4 40
5 30

Considerando la cantidad óptima de pedido de Q = 4 unidades , el punto de

pedido R = 2 unidades( es decir realizar el pedido cuando el inventario final
es de 2 unidades) y el inventario inicial de 1 unidades; realice una
simulación de 18 corridas. Además considere 1 día para el proceso de
estabilización.
Realice la prueba de las rachas para sus números aleatorios.
Cuál es el inventario final y cual es el costo total si el costo de pedido es de
$40; el costo de compra es de $1000; el costo de mantenimiento de $1 y el
de penuria $”20 .
di f h H Intervalo NºALEAT ds Q=4 R= 2
0 10 0,05 0,05 [0,00 - 0,05) 0,70 4 Día ds Inventario Unid Ped t espera penuria
1 20 0,10 0,15 [0,05 - 0,15) 0,03 0 Inicial 1 4 1
2 40 0,20 0,35 [0,15 - 0,35) 0,18 2 1 4 0 3
3 60 0,30 0,65 [0,35 - 0,65) 0,12 1 2 0 4 0
4 40 0,20 0,85 [0,65 - 0,85) 0,80 4 3 2 2 4 1
5 30 0,15 1,00 [0,85 - 1,00) 0,44 3
4 1 1
200 1,00 0,26 2
5 4 1 4 1
0,64 3
6 3 0 2
0,37 3
7 2 2 4 1
0,62 3
0,10 1 8 3 0 1
0,39 3 9 3 1 4 2
0,09 1 10 3 0 2
0,75 4 11 1 0 1
0,83 4 12 3 1 4 2
0,73 4 13 1 0
0,28 2 14 4 0 4
0,90 5 15 4 0 4 2
0,30 2 16 4 0 4
17 2 0 2
18 5 0 4 1 1
ti f h H Intervalo NºALEAT ts
1 20 0,67 0,67 [0,00 - 0,67) 0,36 1 Costo de compra = 32000
2 10 0,33 1,00 [0,67 - 1,00) 0,17 1 Costo de pedido = 320
30 0,56 1 Costo de mantenimiento = 13
0,66 1 Costo de Penuria = 340
0,71 2 COSTO TOTAL = 32673
0,75 2
0,76 2
0,59 1
0,20 1
0,89 2
TALLER
 CASO 1
Demostrar que:
(x mod y) mod y = x mod y

101
La demanda semanal de un producto tiene la distribución que se muestra
en la tabla N°1. Cuando se formula un pedido para reabastecer el
inventario , hay una demora de entrega , la cual es una variable aleatoria
que se muestra en la tabla N°2.
Nº de semanas desde el p
D p pedido hasta la entrega
0 0.10 2 0.20
1 0.40 3 0.60
2 0.30
4 0.20
3 0.20

Considerando la cantidad óptima de pedido de Q = 15 unidades , el punto

de pedido R = 5 unidades( es decir realizar el pedido cuando el inventario
final es de 5 unidades) y el inventario inicial de 1 unidades; realice una
simulación de 20 corridas. Además considere 5 semanas para el proceso de
estabilización.
Realice la prueba de las rachas para sus números aleatorios.
Cuál es el inventario final .
El gerente de una pequeña oficina de correos está preocupado por que el crecimiento
del municipio está sobrecargando la única ventanilla puesta al servicio. Los datos de
muestra se recopilaron sobre la base de 100 individuos que llegaron a solicitar el
servicio.
Tiempo del Frecuencia
Tiempo transcurrido entre las Frecuencia servicio(minutos)
llegadas(minutos) 1.0 12
1 8 1.5 21
2 35 2.0 36
3 14 2.5 19
4 17 3.0 7
5 6 3.5 5

Simule 10 llegadas y calcule el tiempo promedio de espera y el promedio de tiempo de

inactividad para los oficinistas. Aplique la prueba de las rachas para α = 10%.
Considere como números aleatorios: 08;74;24;36;83;06;60:75;17; 23
Si una urna contiene 100 balotas , de
las cuales el 10% es verde, el 40% rojo
y el 50% amarillo, desarrolle un
modelo de simulación del proceso de
sacar balotas al azar de la urna. Cada
vez que se saca una balota y se anota
su color se reemplaza