Guia Alumno Simulacion PDF

SIMULACIN DE SISTEMAS
GUIA DEL CURSO
Autores: Lic. Luis Ulfe Vega

Mag. Gustavo Solis Vargas
Simulacin de Sistemas
INDICE
Tema
Pg.
1.- INTRODUCCION
2.- CONCEPTOS DE SIMULACION
3.- NUMEROS ALEATORIOS
15
4.- SIMULACIN MONTECARLO
26
5.- GENERACIN DE VARIABLES ALEATORIAS
29
6.- SIMULACIN DE EVENTOS DISCRETOS
32
7.- ENTENDIENDO LA DISTRIBUCION DE PROBABILIDAD
41
8.- ANALISIS DE REPLICAS
50
9.- COMPARANDO Y EVALUANDO ALTERNATIVAS
58
10.- ANALISIS DE RESULTADOS DE SISTEMAS DE ESTADO

ESTABLE
66
11.- MODELAMIENTO DE SISTEMAS DE SERVICIOS
75
12.- TABLAS DE DISTRIBUCION DE PROBABILIDADES
84
Profesores: Luis Ulfe Gustavo Solis
1.- INTRODUCCION
El presente documento, compila y resume diversos temas que son
desarrollados en el curso de Simulacin de Sistemas, como el tipo de
aplicaciones de la simulacin que se puede tener en diversas empresas,
conceptos importantes de la simulacin, los nmeros aleatorios, generadores
de variables aleatorias, las pruebas de bondad de ajuste, la importancia de las
replicas en la simulacin, la interpretacin de los resultados, comparacin de
escenarios y el anlisis de los sistemas de estado estable.
2.- CONCEPTOS DE SIMULACION

Las empresas, para sobrevivir en un ambiente competitivo como el de hoy,
deben responder rpidamente a los cambios del entorno, re-evaluando
permanentemente sus operaciones tanto internas como externas.
A menudo en situaciones de toma de decisiones estratgicas, los
equipos de
planeacin necesitan manejar un gran nmero de operaciones
detalladas y resultados interdepartamentales o interfuncionales. No obstante, la

alta
variabilidad inherente a estos procesos, as como una gran
interdependencia con otros sistemas hacen que ellos sean complejos de

manejar. La necesidad de evaluar el funcionamiento de los mismos, no es
satisfecha prcticamente por ningn sistema de anlisis convencional. Modelos
estticos como hojas de clculo o diagramas de flujo se usaron para evaluar
las fortalezas y debilidades del sistema actual. Pero los modelos estticos no
muestran
como funciona el sistema en la prctica, dinmicamente. As, la
calidad de las evaluaciones estticas puede no ser suficientemente buena

como base para la toma de decisiones que provoquen cambios radicales en la
forma en que las empresas trabajan. De otro lado, en muchos casos el modelo
matemtico puede ser demasiado complejo para poder ser resuelto, o al menos
para ser planteado.
Que tal hacer un "test-drive" de su lnea de produccin, con todas las
modificaciones sugeridas por ingenieros y consultores, antes de la aprobacin
final? Poder prever el impacto que el nuevo sistema de computacin causar
en su empresa, antes de su compra e implantacin? Evaluar el impacto real

de una nueva mquina en la productividad del sistema sin tener que instalarla?,
Analizar el impacto de una eventual reduccin de personal? Mejor an,
poder interactuar con este "test-drive", alterando variables, capacidades,
servicios
de
computacin,
tipos
de
proceso,
nmero
de
personas,
distribuciones y verificar el impacto en el sistema analizado?
La Simulacin,
es la respuesta a estas preguntas, revela el
comportamiento real de un sistema, con toda la complejidad de sus relaciones

y la gran cantidad de eventos aleatorios, que ocurren naturalmente en todos los
procesos. Permite conocer los parmetros bsicos necesarios para evaluar el
sistema actual, medir
el desempeo del sistema futuro y pronosticar el
comportamiento de su sistema, creando en el computador un laboratorio de

experimentacin, que opera de manera controlada sin tener que alterar el
proceso ni arriesgar su operacin real.
2.1. - Que es un sistema?
Es un grupo organizado de entidades tales como personas, equipamiento,

mtodos y partes, los cuales trabajan juntos para lograr un objetivo especfico.
Un
modelo
de
simulacin
representa
un
sistema
matemticamente
describiendo las reacciones que pueden resultar de las interacciones de las

entidades. Un ejemplo podra ser una agencia financiera, la cola o colas que
tienen una funcin, los cajeros, medios electrnicos, clientes y dems
componentes, e incluso el proceso o flujo interno de la informacin
dependiendo del lmite establecido.
En general un sistema, es un conjunto estructurado de objetos y (o) atributos
junto con las relaciones entre ellos. Adems cabe destacar que la palabra
sistema tiene muchas interpretaciones, dependiendo del contexto en el que se
usa. Puede significar, por ejemplo, un procedimiento, un proceso o su control,
una red o un paquete de procesamiento de datos basado en la computadora.
Todas estas son formas vlidas de usar dicha palabra.
2.2. - Estado del sistema
Definimos el estado de un sistema como la coleccin de variables necesarias

para describir un sistema en un tiempo particular, relativo a los objetivos de un
estudio. En el estudio de un banco, ejemplo de posibles estados de variables
son el nmero de cajeros terminalistas ocupados, el nmero de clientes en el
banco y el tiempo de arribo de cada cliente en el banco. Es la coleccin de
variables, estocsticas (pueden cambiar aleatoriamente) y determinstica
(no est influenciada por probabilidades), las cuales contienen toda la
informacin necesaria para describir un sistema en algn punto del
tiempo (Smith 1989).
Nuestra categorizacin de sistemas, es de dos tipos: Discreta y continua.
Un sistema discreto es uno en el cual las variables de estado

(nmero de clientes en el banco) cambian solamente cuando un
cliente arriba, o cuando un cliente finaliza su servicio y abandona.
Un sistema continuo es uno por el cual los estados de las variables

cambian continuamente con respecto al tiempo. El desplazamiento
de un aeroplano atravs del aire es un ejemplo de un sistema
continuo, desde que el estado de las variables tales como la posicin
y velocidad pueden cambiar continuamente con respecto al tiempo.
2.3.- Diferentes maneras de estudiar un sistema

Sistema
Experimentar
con el
sistema actual
Experimentar
con un modelo
del sistema
Modelo
Matemtico
Modelo
Fsico
Solucin
Analtica
SIMULACION
2.4. - Definicin de Simulacin
Es la representacin de un sistema del mundo real en una computadora.

Simulacin es una manera de experimentar con un modelo detallado de un
sistema real, para determinar como el sistema responder a cambios en su
estructura, entorno o suposiciones. Un sistema, para nuestro propsito, debe
ser definido como una combinacin de elementos, los cuales interactan para
cumplir con los objetivos especificados. Un grupo de mquinas que forman
parte de una clula de manufactura podra ser considerada como un sistema o
subsistema de todo el circuito de la manufactura, las habitaciones, camas,
equipos, el conjunto de enfermeras, mdicos y pacientes de un hospital
tambin forman parte de un sistema para el cuidado de la salud.
Es una tcnica analtica, en el cual un modelo matemtico o lgico de un
sistema real es ejecutado en un tiempo comprimido para realizar experimentos
y evaluar el desempeo del sistema.
Es una herramienta de anlisis poderosa que nos permite:
Entender las interdependencias
Entender los cambios en el tiempo
Entender el impacto de la variacin
Entender el desempeo general
Visualizar el proceso
Para qu 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 preciso de la naturaleza del proceso.

Identificar problemas especficos o reas problemticas de un sistema.
Evaluar planes o polticas especficas de un proceso.
Evaluar nuevos conceptos o sistemas antes de su implementacin.
Cundo Simular? Cuando:
El Sistema actual no existe o es dificultoso observarlo
El sistema actual es muy complejo para analizarlo por ejm. con una hoja
de clculo
El sistema actual no puede ser interrumpido.
El sistema actual es costoso construirlo.
La Simulacin permite...
Predecir el comportamiento de un nuevo sistema, sin necesidad de

construirlo fsicamente.
Predecir cambios de un sistema existente sin necesidad de afectar su

operacin.
Evaluar
cualquier
sistema
ante
un
conjunto
de
condiciones
experimentales.
Cul ser el alcance del modelo?

Para responder esta pregunta es esencial solo incluir aquellos factores que
tengan un impacto significativo en el comportamiento del modelo como el
propsito para el cual la simulacin ha sido pensada.
Cuanto detalle ser incluido?

La respuesta a la segunda pregunta tiene que ver con el entendimiento de que
no hace la simulacin. La simulacin no es una herramienta de emulacin en
la cual se trata de recrear una rplica exacta del sistema, es decir no construir
los modelos tratando de representar hasta los detalles mas insignificantes.
2.5. - Evento Discreto
Un evento discreto es una accin instantnea que ocurre en un nico punto en

el tiempo. Un cliente arribando a una agencia financiera, una pieza que ser
procesada, un auto en un peaje, son algunos ejemplos. La ocurrencia de estos
eventos puede causar que los estados del sistema cambien.
En simulacin de modelos de eventos discretos la computadora mantiene un
dispositivo de tiempo conocido como el reloj de la simulacin, el cual avanza
con cada ocurrencia de un evento en un punto fijo en el tiempo. Si un evento
representa el inicio de una actividad que concluir en el futuro, la simulacin
aadir el tiempo de culminacin a una lista de eventos futuros y avanzar el
reloj al siguiente tiempo en el cual un evento suceder.
2.6. - Evento Continuo
Es una accin sin finalizacin. Este contina ininterrumpido con respecto al

tiempo, lo que es generalmente representado por ecuaciones diferenciales.
Tenemos como ejemplo el flujo de jarabe en una fbrica de bebidas gaseosas,
petrleo en un oleoducto, entre otros. La mayora de procesos continuos
pueden ser representados a manera de sumatorias como procesos discretos.
2.7. - Modelo Esttico
Un modelo esttico es aquel que no est influenciado por el tiempo. El reloj no

est involucrado, los segundos, minutos, horas y das no juegan un papel
importante en el modelo y se dice que el estado del sistema no cambia con

respecto al tiempo.
2.8. - Modelo Dinmico
Un modelo dinmico es una representacin del sistema que est influenciado

por el
tiempo. Los estados del sistema involucran la utilizacin de horas,
minutos, segundos y das, muchos tipos de sistemas, ya sean de servicios,

manufactura o cualquier otro son modelados generalmente usando un
comportamiento dinmico. Los niveles de colas, cantidades de arribos y
utilizacin de equipos son ejemplos de variables dinmicas.
2.9.- Clasificacin de los modelos de simulacin
2.9.1.- Modelos de simulacin esttica Vs. Dinmica

Un modelo de simulacin Esttica es una representacin de un sistema
en un tiempo particular o uno que puede ser usado para representar un
sistema en el cual el tiempo no juega un rol, un ejemplo de simulacin
esttica son los modelos de simulacin Monte Carlo. En el otro caso
los modelos de simulacin Dinmica representan un sistema que se
desarrollan en el tiempo, tales como un sistema de conveyors en una
fabrica.
2.9.2.- Modelos de simulacin determinstico Vs. Estocstico

(probabilstico)
Si un modelo de simulacin no contiene algunas componentes
probabilsticas (aleatorias), este es llamado determinstico; en un modelo
de este tipo las respuestas son detreminsticas. Muchos sistemas,
pueden ser modelados teniendo algunos componentes de ingreso
aleatorios y esto dar orgen a los modelos de simulacin estocsticos.
Los modelos de simulacin estocsticos producen salidas (respuestas)
que son aleatorias y por lo tanto deberan ser tratados solamente como
un estimador de las caractersticas verdaderas del modelo, esta es una
de las desventajas de los modelos de simulacin.
2.10.- Cuando Simular?

Muchas variables en un sistema son ALEATORIAS (pueden tomar cualquier
valor),
Los
objetos
que
estn
funcionando
enlazados
otros
son
INTERDEPENDIENTES (cada uno afecta a los otros), entonces, en un sistema

se tiene: ALEATORIEDAD + INTERDEPENDENCIA = COMPLEJIDAD
La simulacin es una herramienta que le ayudara a visualizar, analizar y
optimizar SYSTEMAS COMPLEJOS.
2.11.- Ventajas y Desventajas de los Modelos de Simulacin
Dado que la simulacin es en muchas ocasiones una herramienta apropiada de

anlisis, es preciso considerar las ventajas y desventajas de su utilizacin.
Ventajas
Una vez construido el modelo puede ser modificado de manera rpida con
el fin de analizar diferentes polticas o escenarios
Generalmente es ms barato mejorar el sistema va simulacin, que hacerlo

directamente en el sistema real (costo cero).
Es mucho ms sencillo comprender y visualizar los mtodos de simulacin

que los mtodos puramente analticos.
Los mtodos analticos se desarrollan casi siempre, para sistemas

relativamente sencillos donde suele hacerse un gran nmero de
10
suposiciones o simplificaciones, mientras que son los modelos de

simulacin es posible analizar sistemas de mayor complejidad o con mayor
detalle. Los modelos mas complejos del mundo real con elementos
estocsticos (aleatorios) no pueden ser cuidadosamente descritos por un
modelo matemtico que pueda ser evaluado analticamente. De esta
manera la simulacin se con vierte en el nico tipo de investigacin posible.
En algunos casos, la simulacin es el nico medio para lograr una solucin.
La simulacin permite estimar la performance de un sistema existente bajo

algn conjunto de condiciones operativas proyectadas.
En una simulacin podemos mantener mucho mejor el control sobre

condiciones experimentales.
La simulacin nos permite estudiar un sistema con un largo horizonte de

tiempo, en un tiempo comprimido.
El Riesgo de simular cambios, no ocasiona costos ni problemas.
Desventajas
Cada rplica de un modelo de simulacin estocstica produce solamente

estimados de las verdaderas caractersticas de un modelo para un conjunto
particular de parmetros ingresados. De esta manera varias rplicas
independientes del modelo probablemente sern requeridas para cada
conjunto de parmetros ingresados para ser estudiados. En conclusin se
requieren gran cantidad de corridas computacionales para encontrar
soluciones confiables.
Los modelos de simulacin no dan solucin optimas
11
2.12.- Proceso de Desarrollo de un Modelo de Simulacin

Definicin del sistema
Anlisis
Formulacin del modelo
Seleccin del lenguaje apropiado
Codificacin del modelo
Validacin del modelo
Experimentacin
Animacin
Implantacin
Monitoreo y control
Definicin del sistema: Cada estudio debe comenzar con una descripcin
del problema o del sistema. Que exista una correcta identificacin del
objetivo, de las variables de decisin, las restricciones, la medida de
efectividad y las variables no controlables y su comportamiento estadstico.
Anlisis del Sistema: Deben describirse las interacciones lgicas entre las
variables de decisin, de tal suerte que se optimice la medida de efectividad
en funcin de las variables no controlables, sin olvidar las restricciones del
sistema.
12
Formulacin del Modelo: Consiste en formular un codillo lgico matemtico
que defina en forma exacta las interacciones entre las
variables, debe ser una definicin sencilla pero completa del sistema. Al
generar las interacciones es importante tener en cuenta que se va a llevar a
cabo a travs del tiempo y que el uso de listas o cadenas de eventos darn
la pauta en el manejo de las variables.
Existen dos tipos de enfoques:
-
Las llamadas de eventos futuros, y
Las de eventos actuales cuya secuenciacin depende de la

ocurrencia de otro evento.
Seleccin del Lenguaje: De la seleccin del lenguaje depender el tiempo

de desarrollo del modelo de simulacin, es importante utilizar el lenguaje
que mejor se adecue a las necesidades de simulacin que se requieran. La
seleccin pueda ser desde usar un lenguaje de propsito general hasta
hacer uso de un paquete especficamente desarrollo para simular sistemas
como el SIMFACTORY, pasando por los ya consolidadas GPSS, SLAM,
SIMAN, SIMSCRIPT, GASP, PROMODEL y DYNAMO.
Codificacin del Modelo: Consiste en generar las instrucciones o cdigo

computaciones necesarias para lograr que el modelo pueda ser ejecutado
en algn tipo de computadora. La duracin de este proceso esta
directamente relacionado con la seleccin del lenguaje, por ejemplo, un
modelo que pueda ser codificado en GPSS en 20 minutos, podra llevar
hasta 5 das en un lenguaje de propsito general.
Validacin del Modelo: Es el proceso que tiene como objetivo determinar

la habilidad que tiene un modelo para representar la realidad. La validacin
se lleva acabo mediante la comparacin esttica entre los resultados del
modelo y los resultados reales.
Experimentacin: En este paso se determinan las diversas alternativas

que pueden ser evaluadas, seleccionando las variables de entrada y sus
13
diferentes niveles con la finalidad de optimizar las variables de respuestas

del sistema real.
Implantacin: Una vez seleccionada la mejor alternativa, es importante

llevarla ala practica; en muchas ocasiones este ultimo paso es l ms difcil
ya que se tiene que convencer a la alta direccin y al personal de las
ventajas de esta puesta en marcha. Para esto se recomienda llevar a cabo
un proceso de animacin que permite visualizar el comportamiento de las
variables en el sistema. Al implantar tener cuidado con las diferencias con
respecto a los resultados simulados, ya que estos ltimos se obtienen, a
partir de algunas suposiciones.
Monitoreo y Control: No hay que olvidar que los sistemas son dinmicos y
con el transcurso del tiempo es necesario modificar el modelo de
simulacin, ante los nuevos cambios del sistema real, con el fin de llevar a
cabo actualizaciones peridicas que permitan que el modelo siga siendo
una representacin del sistema
14
3.- NUMEROS ALEATORIOS

Cuando se simula un sistema que involucra variables aleatorias es necesario
crear secuencias de nmeros cuyos valores sucesivos son aleatorios y tienen
una distribucin que describe la variable aleatoria de inters. Cuando la
distribucin de inters
es una distribucin uniforme la cual es tpicamente
generada por mecanismos como un juego de dados o la ruleta, se habla del

mtodo de Montecarlo. En general,
la distribucin que se genera no es
uniforme de manera directa, se adopta el principio de transformar una

secuencia de nmeros aleatorios distribuidos uniformemente en la secuencia
originada, por tanto, los nmeros aleatorios son valores de una distribucin
uniforme que sirven como medios para generar valores de otras distribuciones
de variables aleatorias. Existen diversas formas de generar nmeros aleatorios,
inicialmente se usaban dispositivos fsicos como ruletas y dados pero que solo
sirven para crear secuencias muy cortas; como en simulacin se requieren
secuencias muy grandes de nmeros aleatorios, el siguiente paso fue utilizar
dispositivos electrnicos que permitieron una generacin ms veloz, la mas
difundida fue la efectuada por la corporacin RANT que utilizo un generador de
impulsos electrnicos producido por una fuente de ruido, de este modo se
generaron 1 milln de nmeros aleatorios entre 0 y 9, lo cual dio origen a las
tablas de nmeros aleatorios, sin embargo, el uso de esos dispositivos tienen 2
desventajas principales:
La primera, es tener que disponer y mantener un dispositivo tal que un
compilador pueda obtener los nmeros aleatorios cada vez que lo requiera.
La segunda, es que los nmeros generados por estos dispositivos no son
reproducidos, la reproductividad de los datos es una caracterstica importante
para hacer simulacin, una forma de resolver esto consiste en generar los
nmeros y almacenarlos en el computador, pero esto hace lento el proceso de
simulacin y tampoco es prctico cuando se generan gran cantidad
de
nmeros.
El problema de la generacin de nmeros aleatorios fue resuelto mediante la
generacin de nmeros Pseudo aleatorios que se realizan usando relaciones
matemticas recursivas.
15
Estos nmeros son llamados Pseudo aleatorios porque son totalmente

determinados ya que dadas ciertos valores de entrada la secuencia es
totalmente conocida, pero adems, satisfacen ciertas pruebas estadsticas
descritas ms adelante
3.1.- Mtodos de Generacin de Nmeros Pseudoaleatorios U(0,1)
Existen un gran nmero de mtodos para generar los nmeros aleatorios entre
0 y 1. El mtodo a utilizar, en s mismo, no tiene importancia, la importancia
radica en los nmeros que genera, ya que estos nmeros deben cumplir ciertas
caractersticas para que sean vlidos. Dichas caractersticas son:
1. Uniformemente distribuidos.
2. Estadsticamente independientes.
3. Su media debe ser estadsticamente igual a 1/2.
4. Su varianza debe ser estadsticamente igual a 1/12.
5. Su periodo o ciclo de vida debe ser largo.
3.1.1.- Mtodo del Cuadro Medio
En este mtodo cada nmero de la secuencia se obtiene tomando las M
cifras centrales del cuadrado del nmero precedente, sin embargo, este
mtodo es difcil de analizar, relativamente lento, y estadsticamente
ineficiente ocurriendo con frecuencia que la secuencia generada resulta
muy corta es decir que se repite rpidamente y que degenera rpidamente
es decir que se repite el mismo numero o que genera cero.
El Algoritmo
1. Escoger una raz X arbitraria de M dgitos.
2. Elevar X al cuadrado.
3. Sea X el siguiente nmero de la secuencia formando por los M dgitos
centrales de X y as sucesivamente.
Ejemplo: Generar una secuencia de 10 nmeros aleatorios mediante
mtodo del cuadrado medio (M=5).
16
Tomamos:
0 23251..... 02 540609001
1 06090..... 12 0370888100
2 70881..... 22 05024116161
3 24116..... 32 581581456
4 15814..... 24 250082596
5 00825..... 52 0680625
6 98062..... 62 04632135844
7 32435..... 72 01052029225
8 52029..... 82 02707016847
9 07016..... 92 049224256
10 92242
Definicin y Notaciones:
Sea X un nmero real cualquiera, denotaremos
Mayor entero (base de X)

Menor entero (techo de X)
Ejemplos:
5 2.2 2
5 2.2 3
13 0
13 1
13 0
13 1
2.5 3
2.5 2
Definicin
Dados dos nmeros enteros, definimos la siguiente operacin:
x mod y x y x / y , si y 0
x mod y x, si y 0
Por lo tanto: cuando Y 0
mod
17
Adems:
a) Si Y >0 entonces 0 x mod y y
b) Si y < 0 entonces y x mod y 0
Ejercicios:
Probar:
Sea Z = Xmod y
x mod y mod y x mod y

entonces (xmod y)mod y = Zmod y
=
=
Z Y Z Y
y
X mod y y X mod
0
= Xmod y
como:
x mod y
x mod y
1
0
y
y
Calcular:
5 mod 3 5 353 5 31 2
18 mod 3 18 3183 18 36 0
6 mod 8 6 868 6 80 6
2 mod 8 2 8 28 2 8 1 6
2 mod 3 2 3 2 3 2 3 1 1
18
3.1.2.- El Mtodo de la Congruencia Lineal Para la Generacin de

Nmeros Aleatorios
Para la generacin de nmeros aleatorios de una distribucin uniforme
se parte de un valor inicial X0 y genera una secuencia de valores
aleatorios
X n X 1 , X 2 ,..., X n ,...
Tal que:
X n1 (aX n c)mod m
n = 0, 1, 2,...
Es decir que: X n+1 es congruente modulo m con. aXn + c

Donde:
X0 = es el valor inicial o raz
X0 0
a = es el multiplicador
a 0,
m X0
c = es el incremento
c 0
m>a
m = es el modulo
m>c
La secuencia {Xn} es congruente lineal y se obtiene aplicando la

relacin:
X n1 (aX n c)mod m
n = 0, 1, 2,...
a) Cuando C 0 el mtodo se denomina Mtodo congruencial Mixto

b) a 1 C X nk se denomina Mtodo Congruencial aditivo (se debe dar
el valor de K y se debe haber generado ya los (n-k) anteriores)
c) Si C = 0 se denomina Mtodo Congruencial Multiplicativo
19
Ejemplos:
Considerando Xo = a = c = 6
y m = 10
aleatorios usando el mtodo mixto.
generar
Xi
axi c
axi c mod m
42
18
54
30
06
42
18
los
nmeros
Si se efecta el mtodo multiplicativo resultara siempre 6.

Se puede observar que cuando Xn = X0 (para algn n) inmediatamente
ocurre que (Xn+1 = X1) y que la secuencia se repite, vemos que para
tener un periodo grande debe escogerse el tamao del modulo m
grande.
En el ejemplo, se observa que la secuencia tiene un periodo muy breve
(2,8,4,0) adems esa secuencia no es uniforme ya que no comprende
valores con 1,3,5,7,9. Una buena secuencia debe tener 1 periodo muy
grande y debe tener con igual frecuencia todas las cifras decimales. En
general, dada las secuencias X0,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
20
Ejemplo:
Considerando Xo = 110 a = 8
c = 3 m = 999, generar los nmeros
aleatorios
Mtodo mixto
i
Xi
8xi+3
(8xi+3)mod 999
110
883
883
883
7067
074
074
595
595
595
4763
767
767
6139
145
145
1163
164
164
1315
316
316
Mtodo multiplicativo
i
Xi
8xi
(8xi)mod 999
110
880
880
880
7040
047
047
376
376
376
3008
011
011
088
088
088
704
704
704
5632
637
637
Es posible pasar de una secuencia uniforme de nmeros enteros

generados con modulo m a una secuencia de nmeros racional entre 0
y 1 dividiendo entre m, as tenemos:
r x , x ,............ x ,.........
m
m m
que adems es uniforme
Esa secuencia es uniforme al igual que la secuencia {Xn}, el que ambas

secuencias tengan la misma propiedad estadstica de uniformidad es
muy importante por que en todos los casos prcticos se quiere una
secuencia {Xn} que es transformada en otra {rn} dividiendo la anterior por
l modulo.
21
Observacin:
Las funciones para generar nmeros aleatorios en:
Excel = RAND ( )
ALEATORIO ()
3.2.- Pruebas Estadsticas Para los Nmeros Aleatorios

Una vez que se han creado los nmeros aleatorios o se usa un generador de
nmeros aleatorios, es importante verificar si los nmeros generados cumplen
las propiedades estadsticas necesarias para que sean considerados como
aleatorios, estos son:
Uniformemente distribuidos.
Estadsticamente independientes.
Su media debe ser estadsticamente igual a 1/2.
Su varianza debe ser estadsticamente igual a 1/12.
Su periodo o ciclo de vida debe ser largo.
Realizaremos la comprobacin de algunas caractersticas:

3.2.1.- Prueba de Independencia
La prueba de independencia consiste en demostrar que los nmeros
generados son estadsticamente independientes entre si, esto es, que no
dependen uno de otro. Para realizar esta prueba existen varios mtodos,
nosotros usaremos la prueba de las corridas.
Prueba de corridas
Ho : Los nmeros aleatorios son estadsticamente Independientes
H1 : Los nmeros aleatorios NO son estadsticamente Independientes
Paso 1
Clasificar cada nmero aleatorio con respecto al anterior:
Sea ri un nmero aleatorio.
Si
ri ri-1 ri = -
Si
ri > ri-1 ri = +
22
Paso 2
Calcular el nmero de corridas observadas h. Una corrida se
forma por un conjunto de nmeros aleatorios consecutivos del
mismo signo.
Paso 3
Calcular E(h) y V(h) de acuerdo con:
2n 3
3
E ( h)
V ( h)
16n 29
90
Donde n es el nmero de datos generados.

Paso 4
Calcular el estadstico Z
(h E (h))
V ( h)
Si Z es menor que el valor crtico Z1-/2 se acepta la hiptesis de

independencia.
Ejemplo
Determinar si la siguiente secuencia de 20 nmeros puede ser aceptada como
independiente con un nivel de confianza del 95%, usando la prueba de
corridas.
0.43
0.28 0.33 0.27 0.12
0.31 0.42
0.01 0.32 0.45
0.98
0.79 0.99 0.55 0.67
0.74
0.16 0.20 0.12 0.58
Al comparar r2 = 0.28 contra r1 = 0.43, vemos que r2 es menor que r1 por lo

tanto colocamos el signo
23
Al comparar r3 = 0.33 contra r2 = 0.28, vemos que r3 es mayor que r2 por lo

tanto colocamos el signo +
Usando el mismo esquema de comparacin, obtenemos la siguiente secuencia

de corrida:
-+--++-+++-+-++-+-+
Donde existen h = 14 corridas, con n = 20, tenemos:
E(h) = 13
V(h) = 3.23
(h E (h))
(14 13)
V ( h)
3.23
= 0.55
Sea (alfa) = 5%
Luego al comparar (Z = 0.55) contra (Z1-/2 = Z0.975 = 1.96) vemos que el Z
calculado es menor que el Z terico obtenido de tabla de distribucin
NORMAL estndar, de tal manera que la independencia de estos nmeros no
puede ser rechazada.
3.2.2.- Prueba de Forma

Para realizar esta prueba se utiliza la prueba de bondad de ajuste CHICUADRADO( ). Esta prueba se empleara en el caso especfico de los
nmeros aleatorios uniformes entre 0 y 1, para probar que un conjunto de
datos siga esta distribucin. De esta manera la hiptesis propuesta se resume
como sigue:
Ho : ri ~ U [0,1]
Hi : ri ~ U [0,1]
24
Ejemplo: Dados los siguientes nmeros aleatorios:

0.72484
0.48999
0.50502
0.39528
0.36782
0.90234
0.71890
0.61234
0.86322
0.94134
0.99872
0.27657
0.34565
0.02345
0.67347
0.10987
0.25678
0.25593
0.82345
0.12387
0.05389
0.82474
0.58289
0.36782
0.03991
0.10461
0.93716
0.16894
0.98953
0.73231
Determine con un nivel de confianza del 95% si pertenecen a una poblacin uniforme
(desarrolle el ejercicio en clase).
25
4.- SIMULACIN MONTECARLO

Los resultados de la simulacin, se basan en muestreo aleatorio, por lo tanto
debe ser tratado usando inferencia estadstica. La simulacin de Montecarlo es
considerado como el precursor de la simulacin actual.
Ejm. Estimar el rea de un crculo cuya ecuacin es: (x-3)^2 + (y-2)^2 = 16
(7,6)
(-1,6)
r=4
(3,2)
(-1,-2)
(7,-2)
Para el clculo del rea del crculo usando la simulacin, usamos el supuesto
de que todos los puntos del cuadrado son igualmente probables.
De este modo, si generamos aleatoriamente n puntos aleatorios y m puntos
caen dentro del crculo, entonces:
Area del
crculo
Area del
cuadrado
m
=
8x8
Hallaremos las coordenadas (x,y) de un punto en el cuadrado mediante las

siguientes distribuciones uniformes:
1
8 , 1 x 7
f ( x)
0, Otro caso
1
8 , 2 y 6
f ( y)
0, Otro caso
Sean r1 y r2 dos nmeros aleatorios distintos entre 0 y 1.

Recordando:
X = a + r(b-a)
X1 = -1 + 8r1
Y1 = -2 + 8r2
26
Un punto (x1, y1) cae dentro del crculo si:

(x1 3)^2 + (y1 -2)^2 <= 16
Simulando 10 puntos aleatorios para calcular el rea estimada del crculo.
Obs
10
Nro. Aleatorios
Variables aleatoria
Reemplazando en la ecuacin de la
r1 y r2
X, Y
circunferencia
r1 = 0.0589
x = -1 + 8(0.0589) = -0.5288
(-0.5288 - 3)^2 + (3.3864 - 2)^2 <= 16
r2 = 0.6733
y = -2 + 8(0.6733) = 3.3864
14.37 <= 16
r1 = 0.4799
x = -1 + 8(0.4799) = 2.8392
r2 = 0.9486
y = -2 + 8(0.9486) = 5.5888
r1 = 0.6139
x = -1 + 8(0.6139) = 3.9112
r2 = 0.5933
y = -2 + 8(0.5933) = 2.7464
1.38 <= 16
r1 = 0.9341
x = -1 + 8(0.9341) = 6.4728
(6.4728 - 3)^2 + (-0.5744 - 2)^2 <= 16
r2 = 0.1782
y = -2 + 8(0.1782) = -0.5744
r1 = 0.3473
x = -1 + 8(0.3473) = 1.7784
r2 = 0.5644
y = -2 + 8(0.5644) = 2.5152
r1 = 0.3529
x = -1 + 8(0.3529) = 1.8232
r2 = 0.3646
y = -2 + 8(0.3646) = 0.9168
r1 = 0.7676
x = -1 + 8(0.7676) = 5.1408
r2 = 0.8931
y = -2 + 8(0.8931) = 5.1448
r1 = 0.3919
x = -1 + 8(0.3919) = 2.1352
r2 = 0.7876
y = -2 + 8(0.7876) = 4.3008
r1 = 0.5199
x = -1 + 8(0.5199) = 3.1592
r2 = 0.6358
y = -2 + 8(0.6358) = 3.0864
r1 = 0.7472
x = -1 + 8(0.7472) = 4.9776
r2 = 0.8954
y = -2 + 8(0.8954) = 5.1632
Area
simulada
(9)
(10)
(2.8392 - 3)^2 + (5.5888 - 2)^2 <= 16

12.90 <= 16
(3.9112 - 3)^2 + (2.7464 - 2)^2 <= 16
18.68
< 16
(1.7784 - 3)^2 + (2.5152 - 2)^2 <= 16

1.75 <= 16
(1.8232 - 3)^2 + (0.9168 - 2)^2 <= 16
2.55 <= 16
(5.1408 - 3)^2 + (5.1448 - 2)^2 <= 16
14.4 <= 16
(2.1352 - 3)^2 + (4.3008 - 2)^2 <= 16
6.04 <= 16
(3.1592 - 3)^2 + (3.0864 - 2)^2 <= 16
1.20 <= 16
(4.9776 - 3)^2 + (5.1632 - 2)^2 <= 16
8 x8
13.9 <= 16
57.6
27
Aplicando la formula terica para calcular el rea de la circunferencia nos da:
Area
terica
(r)
2
=
(3.1416..) * (4)
= 50.2656
Para analizar los resultados es necesario usar los conceptos de replicas.
28
5.- GENERACIN DE VARIABLES ALEATORIAS

Los nmeros aleatorios con distribucin uniforme son utilizados para la
generacin de nmeros con diferentes distribuciones denominados valores
aleatorios. Generar un proceso aleatorio significa generar valores mustrales
de una variable aleatoria X con funcin distribucin de probabilidad F(x) y
distribucin acumulada:
F ( x) f (t )dt Pr( X x)
Mtodo de Transformacin Inversa:

El mtodo
se basa en que tanto r (un valor aleatorio) de la distribucin
uniforme entre 0 y 1 y F(x) para cualquier variable aleatoria x varan entre cero
y uno por lo que se pueden igualar
F(r)
F(x)
1
F(x0)
r0
x0
1
f(x)
f(x0)
x0
Mediante este raciocinio, se generan valores de la variable aleatoria x para

cualquier F(x) a partir de una variable aleatoria r uniformemente distribuida
entre 0 y 1.
29
Generacin de Procesos Aleatorios con Distribucin Tericas

Generados de Variables aleatorias para una fdp Uniforme
Consideramos la distribucin uniforme:
f x b a
0
E ( x)
ab
2
V ( x)
(b a) 2
12
,a<x<b
, Otro caso
Se presenta cuando se analiza observaciones sujetas a errores de precisin

por ejemplo cuando se mide el peso en gramos y se observa que la diferencia
entre el peso real observado varia entre 30 gramos entonces el error de
medicin esta distribuido uniformemente en el intervalo abierto (- 30, + 30)
x
x
1
1
1
t 1 ( x a) x a
F ( x)
dt
dt
ba
ba a
ba a ba
ba
a
x
F x
r F ( x)
xa
ba
xa
Xi a r i b a
ba
a < x< b ; 0 < r <1
El generador de variables aleatorias uniforme mediante transformacin Inversa

tiene la siguiente ecuacin:
Xi a r (b a)
30
Algoritmo
1. I= 1
2. Generar ri (0,1)
3. Hacer
Xi = a + ri (b - a)
4. i = i +1
Ejemplo:
Generar 5 observaciones aleatorias del proceso uniforme definido en (2,6)
i
Ri
Xi = a + ri (b - a)
0.98
5.92
0.17
2.68
0.14
2.56
0.68
4.72
0.22
2.88
Generados de Variables aleatorias para una fdp Exponencial

x
f ( x)e
La funcin exponencial es:
E x
F x 1 e
,X>0
V x
r 1 r e
Ln1 r x X
Ln1 r
Generador
para la variable
exponencial
Los intervalos pequeos de tiempo entre ocurrencias de evento tales que cada
intervalo, es independiente de anterior, estn distribuidos exponencialmente, el
proceso exponencial se da en los casos de tiempos entre arribos y tiempos de
servicio.
31
6.- SIMULACIN DE EVENTOS DISCRETOS

Se preocupa del modelamiento de un sistema y su desenvolvimiento sobre el
tiempo mediante una representacin, en el cual, el estado de las variables
cambian instantneamente en un punto separado (dado) de tiempo, en
trminos mas matemticos, nosotros diramos que el sistema puede cambiar
solamente en un cantidad enumerable de puntos en el tiempo, estos puntos en
el tiempo, son aquellos en lo que un evento es definido como una ocurrencia
instantnea que puede cambiar el estado de un sistema.
Ejem. : En un sistema de colas, podemos tener eventos como el arribo de un

usuario y la salida de un usuario, todos estos tipos de eventos cambian el
estado del sistema, recordemos que el estado del sistema es un conjunto de
variables que describen al sistema en un punto dado.
Mecanismos de avance del tiempo

En un modelo de simulacin discreto, necesitamos rastrear el tiempo simulado
y determinar el siguiente tiempo de ocurrencia del evento, para esto se define
una variable llamada RELOJ DE LA SIMULACION.
El reloj de la simulacin es una variable en el modelo de simulacin que nos

da el valor actual del tiempo simulado, es necesario especificar las unidades
de tiempo.
Tenemos dos enfoques principales para el mecanismo del siguiente evento,

estos son:
Mecanismo de avance del siguiente evento
Mecanismo de avance de incremento fijo
A continuacin mostramos el algoritmo del mecanismo del siguiente evento.
32
Algoritmo del mecanismo del siguiente evento:

El reloj de la simulacin es inicializado en cero
Se determinan los tiempos de ocurrencia de eventos futuros
El reloj de la simulacin se avanza al tiempo de ocurrencia del evento ms
inminente (primero de los eventos futuros).
En este punto el estado del sistema es actualizado para contabilizar la
ocurrencia del evento.
Los tiempos de ocurrencia de eventos futuros es actualizada.
Luego, el reloj de la simulacin avanza al tiempo del (nuevo) evento ms
inminente.
El estado del sistema es actualizado y se determinan los eventos futuros
etc.
Este proceso continua hasta satisfacer alguna condicin de parada
Obs: Los periodos de inactividad son omitidos, saltando el reloj de un tiempo

del evento a otro (el mecanismo del tiempo de incremento fijo no omite estos
periodos de inactividad, consumiendo ms tiempo de computador)
LA MECANICA DE LA SIMULACION DISCRETA USANDO EL MECANISMO
DEL SIGUIENTE EVENTO.
Todos los modelos de simulacin discreta, representan situaciones de colas
con dos eventos bsicos: llegadas y salidas. Estos eventos definen los
instantes en los que pueden ocurrir cambios en las estadsticas del sistema.
EVENTO DE LLEGADA
1. Genere y almacene cronolgicamente el tiempo de recurrencia del
siguiente evento de llegada ( = tiempo de simulacin actual + tiempo
entre llegadas).
2. Si las instalaciones estn ociosas.
(a) Empiece el servicio y declare ocupadas las instalaciones.
Actualice las estadsticas de utilizacin de las instalaciones.
33
(b) Genere y almacene cronolgicamente el tiempo del evento de

salida para el cliente ( = tiempo de simulacin actual + tiempo de
servicio).
3. Si las instalaciones estn ocupadas, coloque al cliente en la cola y
actualice las estadsticas de la cola.
EVENTO DE SALIDA
1. Si la cola esta vaca, declare inactivas las instalaciones. Actualice las
estadsticas de utilizacin de las instalaciones.
2. Si la cola no est vaca
(a) Seleccione un cliente de la cola y colquelo en las instalaciones.
Actualice las estadsticas de la cola y de utilizacin de las
instalaciones.
(b) Genere y almacene cronolgicamente el tiempo de ocurrencia del
evento de salida para el cliente ( = tiempo de simulacin actual +
tiempo de servicio).
Ejemplo para un mecanismo de cola simple

Ti = tiempo de arribo del i - esimo cliente (t0 = 0)
Ai = ti - ti - 1 = tiempo entre arribos entre el (i - 1)
Cliente y el i cliente
Si = tiempo requerido por el servidor para el cliente i (no considera
demora en cola )
Ci = ti +Di + Si = tiempo en que el cliente i completa su servicio y se
retira
Di = demora en la cola del cliente i
ei =tiempo de ocurrencia del evento i de cualquier tipo (el valor i que el
reloj de la simulacin toma excluyendo el valor e0 = 0)
Generar variables aleatorias de tiempos entre arribos y de servicios
FA 1 , 2....
Fs S1, S 2.....
Son conocidos y tienen funcin de distribucin acumulativa.
34
e0
e1
t0
e2
t1
e3
t2
A1
e4
C1
A2
t3
C2
A3
S1
e5
S1
Servidor: desocupado
t1 t 0 1 0 1
A1 es una variable aleatoria generada de FA
e t
1
Servidor: desocupado
Entra a ser servicio
Demora en cola D1= 0
Servidor: ocupado
Calculamos C1
Generar S1 de
F
C t D S t S
1
Calculamos t2
t t A
A Es generado de F
2
Si t2 < C1
e t
2
Si
Como e2 = t2
C t
1
e2 c1
Cliente arriba en tiempo t2

El servidor esta ocupado
El nmero de clientes en cola se incrementa de 0 a 1
S2 aun no es generado
35
Calculamos t3
t t A
Si C1 < t3
e c
Como e3 = C1
El cliente termina su servicio y sale
El cliente en cola inicia su servicio

Se calcula el tiempo de espera en cola
D C t
2
Se calcula el tiempo de servicio completo
c t D S C S
2
( s 2 es recin generado)
la cantidad de cliente en cola decrece de 1 a 0
e t
Si t3 < C2
SIMULACIN DE UN SISTEMA DE COLAS CON UN SERVIDOR
Sean las Variables Aleatorias (VA) del tiempo entre arribos y servicio
respectivamente, dados abajo
A , A .... independientemente e idnticamente distribuidos (IID)

s , s ,.... independientemente e idnticamente distribuidos (IID)
1
Poltica de cola FIFO
La simulacin empezara en el estado "vaco o desocupado"
La simulacin termina cuando n clientes entran a ser servidos
36
ESTADISTICOS DE PERFORMANCE DEL SISTEMA:

Demora promedio de espera en la cola
Demora promedio de espera en la cola de n clientes que completaran su

demora durante la simulacin: d (n)
nivel de servicio estimado

n
d ( n)
Di
i 1
Promedio clientes en cola q(n)
Q(t): nmero de clientes en cola en el tiempo t , t>0
T(n): tiempo requerido para observar nuestras n demoras en cola
Entonces para 0 t T n , Q(t) es un entero no negativo adems si:
pi: es la proporcin esperada (entre 0 y 1) del tiempo que Q(t) es igual a i,

entonces una definicin razonable de q(n) seria:
qn ip i
i 1
q(n): es un promedio ponderado de los posibles valores de i para la longitud

de la cola Q(t)
Para estimar q(n) de una simulacin, simplemente reemplazamos los pi con

sus estimados:
q(n) i p1
i 0
pi
es la proporcin de tiempo observada durante la simulacin donde
haban i clientes en cola.
37
Ti es el tiempo total durante la simulacin que la cola es de longitud i,

entonces:
T n T 0 T 1 T 2 .....
q ( n)
pi Ti T (n)
iT
i 1
T n
Ejemplo: Para n = 6, determinar Q(t), dados los tiempos entre arribos y de

servicio para la realizacin de un sistema de colas de un solo servidor
Simulacin de un sistema de colas con un servidor

Para n = 6 observaciones de demoras en cola
Tiempo entre arribos: A1=0.4, A2=1.2, A3=0.5, A4=1.7, A5=0.2, A6=1.6, A7=0.2, A8=1.4, A9=1.9
Q(t)
Tiempo de servicios: S1= 2,
S2=0.7, S3=0.2, S4=1.1, S5=3.7, S6=0.6
3
2
1
0
Arribos
Salidas
A1
A2
A3
0.4
1.2
0.5
e1
e2
e3
t1 = 0.4 t2 = 1.6 t3 = 2.1
S1
2
B(t)
A4
1.7
A6
1.6
A5
0.2
e7
e8
t4 = 3.8 t5 = 4
S2
S3
0.7
0.2
e4
e5
e6
c1 = 2.4 c2=3.1 c3=3.3
A7
0.2
e10
t6 =5.6
S4
1.1
A8
1.4
e11
t7 =5.8
e12
t8 =7.2
S5
3.7
e9
c4=4.9
e13
c5=8.6
1
t
t A 0.4
e t
1
38
Luego:
T 1.6 0.0 4.0 3.1 5.6 4.9 3.2

T 2.1 1.6 3.1 2.4 4.9 4.0 5.8 5.6 2.3
T 2.4 2.1 7.2 5.8 1.7
T 8.9 7.2 1.4
T 0, i 4
0
iTi 0 * 3.2 1* 2.3 2 *1.7 3 *1.4 9.9

i 0
Luego:
q(6)
9.9
1.15
8.6
Promedio de clientes en cola
Recuerde que el rea bajo la curva es una integral

Luego:
T n
iT
i 0
Qt dt
0
T n
q ( n)
Qt dt
0
T n
39
Demora promedio de espera en cola:
D1 0
D 2 C1 t 2 2.4 1.6 0.8
D 3 C 2 t 3 3.1 2.1 1
d ( n)
D4 0
D 5 C 4 t 5 4.9 4 0.9
Di
i 1
d (6)
5.7
0.95
6
D 6 C 5 t 6 8.6 5.6 3
Utilizacin del Servidor: U(n)
Proporcin de tiempo durante la simulacin (desde el tiempo 0 hasta T(n) que
el servidor esta ocupado. (no ocioso)
0 U (n) 1
Un estimador de U(n) es U (n)
U (n) = la proporcin de tiempo observado durante la simulacin que el

servidor esta ocupado
B(t)
t
e1 = 0.4
e6 = 3.3
U ( n)
e7 = 3.8
e13 = 8.6 = T(6)
(3.3 0.4) (8.6 3.8) 7.7
0.9
8.6
8.6
El servidor estuvo ocupado el 90% del tiempo durante la simulacin.

T (n)
U ( n)
B(t )dt
0
T ( n)
40
7.- ENTENDIENDO LA DISTRIBUCION DE PROBABILIDAD

Distribucin de Probabilidad y Simulacin
Una distribucin de probabilidad es un conjunto de valores, los cuales son
contabilizados a partir de una frecuencia relativa, en el cual un evento ocurre o
es probable que ocurra. Los modelos de simulacin estocstica utilizan
distribuciones de probabilidad para representar una gran cantidad de eventos
que ocurren aleatoriamente.
Un ejemplo clsico en el sector manufactura son los tiempos entre fallas sobre
una pieza de un determinado equipo y los tiempos requeridos para repararlo,
los tiempos de arribo de los clientes que ingresan al sistema, ocurrencias de
defectos y los tiempos de ciclos asociados con tareas nuevas o no definidas
son algunos ejemplos.
En general, algunos procesos que producen repetitivamente resultados, los
cuales varan por iteracin, usualmente pueden ser representados por una
distribucin de probabilidad.
Creando una Distribucin de Probabilidad
El primer paso para crear una distribucin de probabilidad es la obtencin de
datos empricos (algunas veces referida como datos iniciales) Los datos
empricos son una informacin recolectada en su forma original. Los datos en
la siguiente Tabla (tabla-1) son un ejemplo de datos iniciales. Esto representa
cien observaciones del tiempo entre arribos de mnibus a un terminal
terrestre.
.18
1
20
15
15
3
1
5
12
4
13
17
5
8
2
24
5
12
5
4
3
29
8
1
1
14
6
2
46
2
40
2
6
23
1
24
10
14
18
19
9
22
10
29
40
8
54
12
2
1
29
1
3
9
8
14
12
1
2
25
10
22
1
34
6
28
13
33
6
12
3
1
11
17
6
12
1
23
2
3
8
4
13
10
8
18
22
7
39
5
10
32
2
4
1
7
45
5
7
1
Tabla-1
41
Graficando los tiempos entre arribos de mnibus a una Terminal terrestre

(minutos)
T
0
1=18
18
2=13 31 3=3
34
4=40
74
El segundo paso es la creacin de un histograma de frecuencia (probabilidad)

relativa de los datos, esto es, agrupar los datos por intervalos. El nmero de
intervalos es usualmente entre 5 y 20, dependiendo de la cantidad de datos
recolectados. Con menos datos, se requieren menos intervalos. La Tabla-2
muestra 10 intervalos seleccionados para los datos anteriores. La columna de
frecuencia refleja la cantidad de puntos de datos que caen dentro de cada
intervalo respectivo. La frecuencia relativa o probabilidad es calculada
dividiendo el nmero de frecuencia por el nmero total de puntos de los datos.
Esto relaciona el porcentaje de todos los puntos de data encontrados en cada
intervalo; el grfico-A es un histograma de probabilidad para los datos en la
Tabla-2, grficamente muestra la distribucin de los datos a travs de todos los
intervalos.
Calculando los Intervalos de clase:
Regla de STURGES:
K = 1 + 3.3 Log (n)
n: nmero total de observaciones

K: nmero de intervalos
Para nuestro ejemplo: K = 1 + 3.3 Log (100) = 7.6

Entones K es igual a 8 intervalos de clase.
Ancho de clase = (Max valor Min valor) / k

Ancho de clase = (54 - 1) / 8 = 6.625
42
Nro.
Intervalo de clase
Frecuencia
Probabilidad
[01.000 - 07.625)
44
0.44
[07.625 14.250)
26
0.26
[14.250 20.875)
0.09
[20.875 27.500)
0.08
[27.500 34.125)
0.07
[34.125 40.750)
0.03
[40.750 47.375)
0.02
[47.375 54.000]
0.01
TOTAL
100
Tabla-2: Frecuencia relativa del tiempo entre arribos
Funcin de Densidad de Probabilidad

Una
funcin
de
densidad
de
probabilidad
relaciona
la
probabilidad
correspondiente a un valor x individual asociado con una variable aleatoria X

(un histograma de probabilidad asocia probabilidades con grupos de valores de
x), las funciones que enlazan pares de nmeros, los cuales son descritos por
una ecuacin matemtica.
Ellos pueden ser expresados grficamente, describiendo los pares de valores.
Tpicamente el eje horizontal significa valor x y un eje vertical usualmente
denota el valor y. EL valor y de una funcin de densidad de probabilidad asocia
probabilidades enlazadas con valores individuales de x. Es por esta razn que
una funcin de densidad de probabilidad es usualmente denotado como
y = f(x) (interpretado como y es una funcin de x)
La ecuacin matemtica que describe una funcin de densidad es a menudo
dificultosa para establecerla. Esto puede ser aproximado frecuentemente
hallando una distribucin de probabilidad estndar conocida (ejemplo: normal,
exponencial, gamma, etc.), la cual representa con precisin la distribucin de
frecuencia relativa de la data actual. La figura de un histograma de frecuencia
relativa provee una pista o indicio para encontrar una distribucin estndar
representativa.
43
La figura del histograma en el grfico-A indica que una distribucin

exponencial es un candidato probable para representar la distribucin de
probabilidad de la data observada.
45
44
40
35
30
26
25
20
12
15
10
0
1
Grfico A Histograma de frecuencia relativa
Funcin:
Exponencial
Media:
Varianza:
f ( x)
Funcin Exponencial
Conocida a veces como exponencial negativa, esta distribucin a generalizado
su uso en sistemas de colas. Es utilizada para generar valores aleatorios para
los tiempos entre arribos de clientes a un sistema. El termino de clientes
puede cubrir un infinito nmero de posibilidades desde arribos de paquetes a
un muelle a trabajos requeridos sobre un computador. Otras posibles
44
aplicaciones son el tiempo para completar una tarea y el tiempo para fallas de
componentes electrnicos.
f (x)
0.08
f ( x)
1.
Probabilidad
1 x12.41
e
12.41
1.- y = f(0) = 0.08

2.- y = f(10) = 0.035
3.- y = f(40) = 0.003
0.05
2.
0.035
3.
0.003
X
0
0
20
40
60
80
Tiempo entre arribos (minutos)
Grfico B Funcin de densidad de probabilidad
El clculo del promedio para los datos del tiempo entre arribos en la tabla 1 es
12.41 minutos, El grafico B muestra una distribucin exponencial con un
parmetro igual a 12.41.
Para nuestro ejemplo = 12.41 (este valor resulta de la suma total de los
valores observados, entre el nmero de observaciones)
45
Distribucin Discreta y Continua
Una distribucin de probabilidad discreta

Es una distribucin con un nmero finito de valores x posibles. Una distribucin
de probabilidad asociada con la tirada de un dado es un ejemplo de este tipo
de distribucin. Hay solamente seis nicos valores x asociados con una rplica
1,2,3,4,5 y 6.
Una distribucin de probabilidad continua
Es una distribucin que contiene un nmero infinito de valores x. Si el numero
de valores x posibles es igual al nmero de puntos sobre un segmento de lnea,
entonces la distribucin es continua.
Considere una distribucin continua de probabilidad uniforme (la probabilidad
de que un valor se de es la misma) con valores entre 1 a 6. Algunos valores de
esta distribucin son 1.1, 1.134, 2.0456, 2.56, 3.345 y 4.897. El nmero de
posibilidades es infinito.
PRUEBAS DE BONDAD DE AJUSTE

El primer paso en el anlisis de la data para determinar su distribucin es la
construccin de un histograma de frecuencia relativa. La forma de este grfico
puede mostrar que uno o ms de las distribuciones estndares se parecen para
ajustar los datos.
Existen varias pruebas estadsticas para determinar si las observaciones

pueden representar un ejemplo independiente de una distribucin ajustada. En
otras palabras, esta prueba llamada Bondad de ajuste puede ser usada para
evaluar un estado de hiptesis nula, donde la data observada son variables
aleatorias independientes que tienen una funcin de distribucin.
Estas pruebas pueden errar ligeramente entre la data emprica y la distribucin,
su utilidad es determinar cual es el mejor tipo de distribucin que ajusta la data.
46
Prueba Chi-Cuadrado ()
El resultado de la prueba es basado en un valor calculado (chi-cuadrado) de
la data emprica y un valor crtico obtenido de una tabla CHI-CUADRADO.
Si el valor calculado es menor que el valor crtico obtenido de la tabla,
entonces la distribucin terica no puede ser rechazada como una buena
representacin de la distribucin emprica.
El valor derivado de la data emprica es basado en dos factores:
1) La frecuencia observada en cada una de los intervalos de clase.
2) La frecuencia esperada correspondiente al mismo intervalo en una
distribucin terica.
(Oi Ei ) 2

Ei
i 1
k
Oi = Frecuencia observada en el i-simo intervalo de clase

Ei = Frecuencia esperada en el i-simo intervalo de clase
K = Nmero total de intervalo de clase
El primer paso en la ejecucin de esta prueba es seleccionar un nivel de
confianza. Esta asociacin envuelve el riesgo con rechazar una hiptesis (Esta
distribucin tericas es una buena representacin de una distribucin
emprica), cuando esto es actualmente verdadero. En trminos estadsticos,
esto es referido a un error de tipo I. Un nivel del 0.05 de confiabilidad indica un
5% de probabilidad de tener un error de tipo I.
Tipos de Errores
En la prueba de hiptesis pueden cometerse dos tipos de errores posibles:
Rechazar la hiptesis Ho, cuando es en realidad es verdadera o aceptarla (no
rechazarla) cuando es falsa. El rechazo de una hiptesis nula cuando es
verdadera, se llama error de tipo I.
La aceptacin de una hiptesis nula cuando es falsa, se llama error de tipo II.
Ho es la hiptesis nula (sometida a prueba) y H1, la hiptesis alternativa.
47
Decisin
Ho Verdadera
H1 Verdadera
Aceptar, Ho
Decisin correcta
Error de tipo II
Aceptar, H1
Error de tipo I
Decisin correcta
Cuanto menor es el riesgo de cometer un error de tipo I, mayor es la

probabilidad de cometer un error del tipo II, y viceversa (las probabilidades de
cometer errores de tipo I y II son inversamente proporcionales).
Es posible reducir ambos tipos de errores en forma simultnea, aumentando el
tamao de la muestra.
El nivel de confiabilidad es uno de los dos elementos necesarios para
determinar el valor crtico . El otro es llamado el nmero de grados de
libertad.
P(X x) =1- e-x/

Intervalos
FO
P(X<=Ls)
P(X<=Li)
Prob.
FE
(Oi Ei ) 2
Ei
01.000 - 07.625
44
0.459
0.077
0.3816
38.163
0.893
07.625 - 14.250
26
0.683
0.459
0.2238
22.377
0.587
14.250 - 20.875
0.814
0.683
0.1312
13.120
1.294
20.875 - 27.500
0.891
0.814
0.0769
7.693
0.012
27.500 - 34.125
0.936
0.891
0.0451
4.511
1.374
34.125 - 40.750
0.963
0.936
0.0264
2.645
0.048
40.750 - 47.375
0.978
0.963
0.0155
1.551
0.130
47.375 - 54.000
0.987
0.978
0.0091
0.909
0.009
Total
100
4.35
Chi - cuadrado calculado

2(calculado)
De la tabla anterior, el valor CHI-CUADRADO calculado es 4.35, se compara
con el valor de la tabla con 6 grados de libertad ( 8 intervalos de clases
menos dos factores: Total observaciones y el nmero de parmetros estimados
8-1-1=6) grados de libertad y un nivel de significancia = 0.05 que es igual a
12.592 (4.35 < 12.592), hay una evidencia insuficiente para declarar que la
distribucin hipottica no es un buen representante estadstico de la
distribucin emprica.
48
Para un nivel de confianza del 95%
Nro. de intervalos
Total. de muestras observadas
Cantidad parmetros (media)
2(teorico)
2(95%, 6) = 12.592
2(95%, k 1 - 1)
2(calculado) < 2(teorico)
2(95%, 8 1 - 1 )
Se tiene las siguientes hiptesis:
Ho: Los datos se ajustan a una fdp
Exponencial
Hi: Los datos NO se ajustan a una
fdp Exponencial
4.35
<
12.592
No se rechaza la hiptesis H0
49
8.- ANALISIS DE REPLICAS

Un modelo de simulacin usa informacin de ingreso aleatoria y por ende el
resultado es tambin aleatorio, a esto se le denomina el principio RIRO
Un mtodo esencial para mejorar la confiabilidad de los resultados de un

modelo de simulacin es ejecutar mltiples replicas independientes de la
simulacin.
Los resultados de mltiples rplicas del modelo de simulacin deben ser
analizados con principios de inferencia estadstica para realizar conclusiones
vlidas.
Desarrollaremos un experimento para demostrar el nivel de confianza asociado

al numero de replicas necesarias para asegurar la exactitud de la media
estimada con respecto a la media verdadera de la distribucin
A continuacin recordaremos algunos conceptos estadsticos bsicos que se

requieren para entender los resultados de un modelo de simulacin:
RECORDANDO LA ESTADISTICA.
Poblacin:
Es la recoleccin completa de todas las observaciones de inters para el
investigador.
50
Parmetro:
Es una medida descriptiva de la poblacin total de todas las observaciones de
inters para el investigador.
Muestra:
Es una parte representativa de la poblacin que se selecciona para ser
estudiada
Estadstico:
Elemento que describe una muestra y sirve como una estimacin del parmetro
de la poblacin
Variable:
Es una caracterstica de la poblacin que se esta analizando en un estudio
estadstico.
MEDIDAS DE TENDENCIA CENTRAL
La media:
Es la medida de tendencia central que normalmente es considerada como el
promedio. Si tenemos 56, 67, 52, 45, 67, la media se calcula as:
__
56 67 52 45 67
57.4
5
La mediana:
La mitad de las observaciones estar por debajo de ella y la otra mitad por
encima.
Posicin de la mediana =
n 1 =
2
5 1
3
2
Para los datos ordenados, la mediana es 56 (la tercera posicin).

Si tenemos: 35, 45, 52, 56, 67 y 67. (n es par), promediamos los dos valores
medios (52 + 56)/2 = 54
51
La moda:
Observacin que ocurre con mayor frecuencia.
Si tenemos 35, 45, 52, 56, 67, 67, la moda es 67
Si agregramos una observacin adicional de 56, el conjunto de datos seria
bimodal, con modas 56 y 67.
MEDIDAS DE DISPERSIN
Miden que tanto se dispersan las observaciones alrededor de su media.

El rango:
Es la diferencia entre la observacin mas alta y mas baja. Su desventaja es
que considera solo dos observaciones del total de observaciones.
La Varianza:
Es el promedio de las desviaciones respecto a su media elevadas al cuadrado
y podemos hallar una varianza de la poblacin y otra de la muestra.
Varianza poblacional:
2
2
2
2
2
x1 x2 x3 ... xN xi
Varianza de una muestra:

2
__
__
__
__
__
X
x1 X x2 X x3 X ... xn X
i
2
n 1
n 1
Si tenemos: 87, 120, 54, 92, 73, 80 y 63

__
X 81.29
(87 81.29) 2 (120 81.29) 2 ... (63 81.29) 2

S
465.9
7 1
2
S 465.9 21.58
52
La media de los valores observados es de 81.29, con tendencia a variar por

arriba o debajo de dicha media en 21.58
INTERVALOS DE CONFIANZA
Un intervalo es expresado en el formato (min, max), el cual provee un estimado

realista del valor verdadero de un parmetro del sistema particular tal como el
ciclo de tiempo o el promedio diario de atenciones. La longitud del intervalo
depende del tamao n de la muestra.
Los niveles de certeza tpicos son: 90%, 95% y 99%.
El teorema del lmite central asume que el promedio de una muestra tendr una
distribucin normal para una muestra lo suficientemente grande.
Supongamos que se esta utilizando la simulacin para analizar las demoras en
un proceso de produccin, cada replica independiente del modelo produce una
respuesta potencial de la distribucin de todas las posibles demoras. Una sola
salida, produce solo una muestra de la distribucin.
Asumamos que tenemos 100 puntos estimados del promedio de demora en un
proceso y que estos valores estn normalmente distribuido con una media de
40 y una desviacin estndar de 12.
Cien valores de esta distribucin pueden ser distribuidos como siguen:
23
19 22
14 19 21
12 17 21
< 16
27
27
27
26
26
25
25
31
31
30
30
30
29
29
29
39 43
35 39 43 47
35 39 43 47
35 39 43 47
38 42 47
34 38 42 46
34 38 42 46
34 38 42 46
34 37 41 46
33 37 41 45
33 37 41 45
33 37 41 45
33 37 41 45
3
Distribucin Normal
= 40
= 12
51
51
51
50
50
50
49
49
49
55
55
55
54
54
53
53
58
58 63
57 63 69
57 61 66
16-20 20-24 24-28 28-32 32-36 36-40 40-44 44-48 48-52 52-56 56-60 60-64
53
> 64
Los principios de inferencia estadstica, nos permiten hacer estimaciones de la

media verdadera y de la varianza ^2
Suponga que los siguientes valores son aleatoriamente seleccionados de la
distribucin mostrada en el grfico anterior: 26, 31, 38, 49, 50 y 58.
Un punto estimado de es hallado del siguiente modo:
26 31 38 49 50 58
42
6
__
X (6)
La varianza de la distribucin es estimada como:

6
S 2 (6)
__
[ Xi X (6)]
1
6 1
152.4
Como la cantidad de datos (n=6) es menor que 30, usamos un valor critico t de
la tabla distribucin t de estudiante, para construir el intervalo de confianza para
el punto estimado y adems usamos un alfa = 10% que es el nivel de error
seleccionado por el usuario.
__
X (n) tn 1,1 / 2
42 2.015
S 2 ( n)
n
152.4
6
31.84 52.16
Un intervalo de confianza nos dice con que certeza (90%), el parmetro de la

media verdadera esta contenida dentro de nuestro intervalo calculado.
54
El principio del intervalo de confianza puede ser demostrado utilizando los

nmeros descritos en la distribucin normal anterior.
El siguiente ejercicio ilustra esta explicacin.
1) Coloque los nmeros de la distribucin normal en 100 papeles
pequeos.
2) Ponga los papeles en un contenedor.
3) Busque en el contenedor y extraiga seis papeles.
4) Registre el nmero mostrado en cada papel seleccionado.
5) Calcule un intervalo de confianza a un 90%, para los seis valores
obtenidos.
6) Retorne todos los papeles al contenedor.
Si ejecutamos los pasos tres al seis, 100 veces, podemos esperar que 90 de
los intervalos de confianza calculados, contienen el parmetro de la media
verdadera ( = 40 en este ejemplo).
Desarrollar el siguiente ejemplo y verifique los resultados para 10 repeticiones.
En este ejemplo verifique cuantos intervalos contienen el valor de la media

verdadera y realice un conclusin asociada al nivel alfa = 10% seleccionado.
55
CALCULANDO EL NUMERO MINIMO DE REPLICAS REQUERIDAS
Un mtodo esencial para mejorar la confiabilidad de los resultados es ejecutar

mltiples replicas independientes de la simulacin. La ecuacin para conocer el
nmero de replicas necesarias es:
t n 1,1 / 2 S
N
N:
Numero de replicas necesarias para lograr un nivel de exactitud deseado
S:
Es un punto estimado de , basado en n replicas del modelo.
e:
Denota la cantidad de error entre la media estimada y
t:
Valor critico de la tabla t
Considerando los 100 valores normalmente distribuidos, usados para el

experimento anterior, deseamos conocer cuantas rplicas del modelo deben
ser realizadas para tener un 90% de confianza que nuestra media estimada no
varia de la media verdadera por ms de 9 das.
Media
Verdadera
e=9
Media
Muestral
Estimamos el valor de , seleccionando aleatoriamente seis valores de la

distribucin (en la simulacin esto equivale a realizar 6 replicas independientes
del modelo)
56
Si los valores seleccionados son: 26, 31, 38, 49, 50 y 58

El estimado de la desviacin estndar es S = 12.3
Insertando estos valores en la ecuacin anterior, esto nos da N=8.
S
t
N n 1,1 / 2
e
(2.015)(12.3)
N
7.58 8
Implica que si aleatoriamente seleccionamos 8 muestras de la distribucin y

calculamos el promedio de la muestra, podemos esperar que aproximadamente
90 veces de un total de 100, el valor del promedio de la muestra no variara de
la media verdadera = 40, por mas de 9 das, verificar estos resultados en la
siguiente tabla, repitiendo el experimento anterior pero sacando en cada caso 8
papelitos que seria el equivalente a las 8 rplicas.
Realizar los 10 experimentos y verificar en cuantos casos el promedio de la

muestra esta lejos del promedio de la poblacin en mas de 9 unidades y llegar
a una conclusin asociada al nivel alfa = 10%.
57
9.- COMPARANDO Y EVALUANDO ALTERNATIVAS

En la comparacin de alternativas o escenarios, el objetivo es determinar:
1. Si una configuracin es mejor que otra con respecto a un criterio de
performance seleccionado.
2. Si una configuracin es superior, en que magnitud es superior.
Hay dos pruebas estadsticas que pueden ayudar a responder esta pregunta, el
Paired-t Test y el Two-Sample Test.
Ambas pruebas se centran alrededor de determinar un punto estimado de la
diferencia promedio entre las medias respectivas de dos diseos de
configuracin de sistemas. Los resultados de estas pruebas proveen
informacin para construir un intervalo de confianza para un punto estimado de
la diferencia entre las medias.
Observacin:
Antes de pasar a las pruebas, haremos de manera general un repaso de cmo
se deberan interpretar las diferencias de medias poblacionales.
Debemos tener en cuanta las siguientes consideraciones:
H0 : 1 = 2
H1 : 1 2
su equivalente
su equivalente
H0 : 1 - 2 = 0
H1 : 1 - 2 0
H0 nos dice que el valor de 1 no es significativamente diferente de 2 con un

nivel de significancia.
H1 es la hiptesis alternativa, es el opuesto de la hiptesis H0, y nos dice que el
valor de 1 y 2 son significativamente diferentes con un nivel de significancia.
De manera general consideremos el intervalo de confianza siguiente:
[ L_inferior < 1 - 2 < L_superior ]
Si las medias de las dos poblaciones son las mismas, entonces 1 - 2 = 0, lo
cual es nuestra hiptesis nula H0.
Si H0 es verdadera, el intervalo de confianza hallado debe incluir el valor cero
con una probabilidad de 1- .
Si el intervalo de confianza incluye el valor cero, no debemos rechazar H0 y
concluimos que el valor de 1 no es significativamente diferente del valor de 2
con un nivel de significancia.
De otra manera, si el intervalo de confianza no incluye cero, rechazamos H0 y
concluimos que el valor de 1 es significativamente diferente que el valor de 2
con un nivel de significancia.
58
Tres posibles posiciones de un intervalo de confianza

No debemos
rechazar Ho
(a)
Rechazamos Ho
(b)
(c)
Rechazamos Ho
1- 2 = 0
La figura (a): ilustra el caso cuando el intervalo de confianza contiene cero ,

esto nos conduce a no rechazar la hiptesis nula H0 y concluir que no hay
diferencia significativa entre 1 y 2.
La figura (b): ilustra el caso cuando el intervalo de confianza esta en su
totalidad a la izquierda de cero, esto nos lleva a rechazar H0. Este caso
sugiere que 1 - 2 < 0 su equivalente, 1 < 2.
La figura (c): ilustra el caso cuando el intervalo de confianza esta en su
totalidad a la derecha de cero, esto nos lleva a rechazar H0. Este caso sugiere
que 1 - 2 > 0 su equivalente, 1 > 2.
Estimacin del Intervalo con muestras pareadas (Paired-t Test)
Tambin denominadas pares correspondientes, las muestras pareadas
involucran un procedimiento en el cual varios pares de observaciones se
equiparan de la manera ms prxima posible, en trminos de caractersticas
relevantes. Los dos grupos de observaciones son diferentes solo en un aspecto
o tratamiento. Toda diferencia subsiguiente en los dos grupos se atribuye a
dicho tratamiento.
Muestras Pareadas: Se llaman pares correspondientes dos observaciones que
son los mas similares posibles entre si. Solo difieren en un aspecto relevante.
Supongamos que un investigador medico desea probar los efectos de nuevos
medicamentos sobre los niveles de presin sangunea en los pacientes. Veinte
personas en un grupo se les hace corresponder de la manera mas prxima
posible con 20 personas de un segundo grupo en trminos de peso, edad,
sexo, nivel de actividad, colesterol y cualquier otro factor que pueda afectar la
presin sangunea. Tenemos entonces 20 pares de gemelos idnticos. A uno
59
de los grupos se le proporciona una nueva droga, y el otro recibe otra medicina.
Solo el investigador sabe cual grupo recibe cada medicamento. Toda diferencia
subsiguiente, buena o mala, en las presiones sanguneas de los gemelos se
atribuye a las medicinas debido a que se han corregido todos los otros
factores relevantes que afectan la presin sangunea (como la edad y el sexo);
es decir, se han elaborado pares de observaciones (gemelos) que son
idnticos en trminos de los dems factores relevantes.
Otro mtodo para utilizar muestras pareadas involucra el anlisis de las
mismas observaciones antes y despus del tratamiento. Una prctica comn
en la industria es evaluar a los empleados en los programas de capacitacin.
Entonces se tiene un puntaje antes y uno despus de la capacitacin en
cada observacin (empleado). Todo cambio en el puntaje puede atribuirse a
esta formacin adicional. (Al investigador debera prevenrsele que algo de
sesgo puede afectar el muestreo debido a que los empleados pueden
ofenderse por sentirse evaluados o pueden recordar sus respuestas de la
primera evaluacin y tratar de ser consistentes en las mismas).
Puntaje
Empleado Antes de la Despus de la
capacitacin capacitacin
1
9.0
9.2
2
7.3
8.2
3
6.7
8.5
4
5.3
4.9
5
8.7
8.9
6
6.3
5.8
7
7.9
8.2
8
7.3
7.8
9
8.0
9.5
10
7.5
8.0
74.0
79.0
di
di
-0.2
-0.9
-1.8
0.4
-0.2
0.5
-0.3
-0.5
-1.5
-0.5
-5.0
0.04
0.81
3.24
0.16
0.04
0.25
0.09
0.25
2.25
0.25
7.38
Sea d i la diferencia entre todo par correspondiente. La media de las

diferencias entre todos los pares seria entonces:
Diferencia promedio entre las observaciones pareadas:
_
.. ..
5.0
.. .. 0.5
10
Desviacin estndar de las diferencias entre las observaciones pareadas:

2
Sd .
_ 2
di n d
n 1
..
7.38 10(0.5) 2
.. ..0.736
9
60
Se requiere del estadstico t, entonces para un nivel de confianza del 90% y n1= 9 grados de libertad, un intervalo de confianza para la media de la diferencia
en los puntajes antes y despus de la capacitacin es:
Intervalo para la diferencia entre medias; observaciones pareadas:
_
I .C. para.. d . d t
Sd
0.5 (1.833)
0.736
10
0.927 d 0.073
Debido a que se restaron los puntajes posteriores al entrenamiento de los
puntajes anteriores al entrenamiento, produciendo valores negativos, se puede
estar 90% seguro de que la media de los puntajes posteriores al entrenamiento
esta entre 0.073 puntos y 0.927 puntos mas alto.
La Paired-t Test en la simulacin:
Una prueba pareada (Paired-t Test) requiere que el nmero de rplicas
ejecutadas de un modelo para cada alternativa sea igual. Esto tambin es
empleado cuando una cadena de nmeros aleatorios comn es usada en las
respectivas replicas del modelo.
La prueba Paired-t requiere que las observaciones de cada poblacin (sistema
simulado) sean normalmente distribuido e independientes dentro de una
poblacin. Por lo tanto el mtodo del intervalo de confianza paired-t no requiere
que las observaciones entre poblaciones sean independientes. Esto nos
permite usar nmeros aleatorios comunes para forzar una correlacin positiva
entre las dos poblaciones de observaciones en orden para reducir la banda
media de nuestro intervalo de confianza sin incrementar el nmero de rplicas.
La ecuacin para calcular un intervalo de confianza bajo estas condiciones es
la siguiente:
_
d t
Sd
( n 1,1.. )
2
d d t
( n 1,1.. )
2
Sd
n
n d i d i
2
Donde:
Sd Sd
Sd
2
n(n 1)
n: representa el nmero de observaciones pareadas (replicaciones del

modelo).
d i : es la diferencia entre X 1i y X 2i sobre la i-sima rplica del modelo ( X 1i

representa el valor (respuesta de la simulacin) observada para el diseo de
configuracin 1 en la
i-sima rplica del modelo).
61
d : es un punto estimado de la diferencia media entre todas las observaciones

pareadas. Esto es calculado sumando las diferencias entre X 1i y X 2i , y
dividiendo la suma por el nmero total de rplicas del modelo.
( n 1,1.. )
2
Sd
: es un valor de la distribucin t con n-1 grados de libertad.
: es la varianza estimada de las diferencias.
Suponga que simulaciones terminales estn siendo usadas para analizar el %

de utilizacin de labor para dos alternativas. Llamemos a las dos alternativas
mtodo #1 y mtodo #2. Diez rplicas de un modelo son ejecutadas para cada
alternativa. Una cadena de nmeros aleatorios comn es usada con cada
conjunto de replicaciones.
La siguiente tabla contienen la data de utilizacin de labor (expresado en
porcentaje de tiempo total trabajado) generado para cada rplica del modelo.
Un intervalo de confianza al 90% para la diferencia en la utilizacin de labor
para los dos mtodos es [-1.63, 7.23 ].
En otras palabras, nosotros podemos estar seguros a un 90% que la diferencia
verdadera de la utilizacin de la labor entre el mtodo #1 y el mtodo #2 esta
contenida dentro del intervalo anterior.
Para este ejemplo, la diferencia verdadera tiene la posibilidad de ser igual a
cero. Un valor de cero implica que no hay diferencia entre el mtodo #1 y el
mtodo #2.
Por lo tanto no podemos concluir que un mtodo es superior a otro en trminos
de la variable de decisin % de utilizacin de labor.
[EJERCICIO PROPUESTO A DESARROLLAR EN CLASE]
62
Estimacin por intervalos en el caso de muestras independientes:

Estimacin con muestras pequeas: El Two-Sample Test
Aqu el inters esta en estimar la diferencia entre dos medias poblacionales (1
- 2), donde los tamaos de muestra n1 y n2 tienen alguno o ambos, tamaos
muestrales de menos de 30. Adems las poblaciones estn distribuidas
normalmente o distribuidas casi normalmente, y las varianzas poblacionales
son distintas y desconocidas.
Grados de libertad cuando las varianzas poblacionales no son iguales:
g .l.
S1 2 S 2 2
n n
2
1
S1 2
S22
n
n
1 2
n1 1 n2 1
Debido a que g.l. se calcula de esta manera alterada, el estadstico t se

simboliza con t`. El intervalo de confianza se ha calculado entonces como:
Intervalo para las diferencias entre medias poblacionales:
I .C.. para.1 2 x1 x 2 t
S1
S
2
n1
n2
Ejemplo:
Telefnica del Per aplico dos programas de entrenamiento utilizados por IBM.
Doce ejecutivos a quienes se les dio el primer tipo de entrenamiento obtuvieron
un promedio de 73.5 en la prueba de competencia. Aunque el resultado no
reporto la desviacin estndar para estos 12 empleados, se asume que la
varianza en los puntajes para este grupo fue de 100.2. Quince ejecutivos a
quienes se les administro el segundo programa de entrenamiento obtuvieron un
promedio de 79.8. Se asume una varianza de 121.3 para este segundo grupo.
Haga un intervalo de confianza del 95% para la diferencia en los puntajes
promedios para todos los ejecutivos que ingresaron a estos programas:
2
100.2 121.3
12
15
g.l.
24.55
2
2
100.2
121.3
12 15
11
14
63
Si g.l. es fraccionario, se aproxima hacia abajo, hacia el entero inmediatamente

anterior. As , g.l. =24. Un intervalo de confianza del 95% con 24 grados de
libertad requiere un valor tde 2.064.
I .C.. para.1 2 x1 x 2 t
73.5 79.8 2.064
S1
S
2
n1
n2
100.2 121.3
12
15
6.3 8.36
14.66 1 2 2.06
Debido a que el intervalo contiene cero, no existe una fuerte evidencia de que
exista diferencia alguna en la efectividad de los programas de entrenamiento.
El Two-Sample Test en la simulacin el intervalo de confianza de Welch

La prueba de dos muestras (Two-Sample Test) es otro mtodo para probar la
diferencia entre dos medias. Esto es usado cuando uno o ambos de las
siguientes condiciones existen:
1) El nmero de rplicas del modelo no es igual para las dos alternativas
comparadas.
2) Una cadena de nmeros aleatorios comn no es usada cuando simulamos
ambas alternativas.
El mtodo de intervalo de confianza de welch requiere que las observaciones
de cada poblacin (sistema simulado) sean normalmente distribuidas e
independientes. Por lo tanto, el mtodo de intervalos de Welch no requiere que
el nmero de muestras de una poblacin (n1) sea igual al nmero de muestras
de otra poblacin (n2). No se requiere que las varianzas sean iguales.
La ecuacin para construir un intervalo de confianza con esta prueba es:
x1 x2 t v,1
S1
S
2 1 2 x1 x 2 t
v ,1
n1
n2
2
S1
S
2
n1
n2
n1 y n2 : son el nmero de rplicas del modelo en las respectivas alternativas

#1 y #2.
X1i y X2i : son las respectivas respuestas de la i-sima rplica del modelo (X1i
representa la respuesta observada para el diseo de configuracin 1 en la isima rplica del modelo).
64
X 1 . y. X 2 : son los respectivos puntos estimados para las medias resultantes en

las configuraciones #1 y #2.
2
S1 . y.S 2 : son las respectivas varianzas estimadas de la resultante de las

configuraciones #1 y #2.
v ,1
: es un valor crtico de la distribucin t, con 1- de confianza y v grados
de libertad, donde v es estimado de la siguiente manera:
2
S1 2
S2
n n
2
1
2
S1 2
S22
n
n
1 2
n1 1 n2 1
Siguiendo con el ejemplo anterior, suponga que 15 rplicas de un modelo son

ejecutadas para otra alternativa (mtodo #3), y cada rplica es independiente
de las 10 rplicas ejecutadas para el mtodo #1 (quiere decir que una cadena
de nmeros aleatorios comn no es usada por ambos mtodos). La siguiente
tabla contiene la data del % de utilizacin de labor producida por estos
escenarios. Un intervalo de confianza al 90% para la diferencia en la utilizacin
de labor entre el mtodo #1 y mtodo #3 es [-12.25, -5.41]
[EJERCICIO A DESARROLLAR EN CLASE]
65
10.- ANALISIS DE RESULTADOS DE SISTEMAS DE ESTADO ESTABLE

El anlisis de resultados depende de varios factores:
Si la Simulacin es terminal
Si la simulacin es no terminal o de estado estable
Y si el objetivo es el anlisis de un solo sistema o la comparacin de dos

sistemas propuestos.
Simulacin Terminal:
Una simulacin terminal se ejecuta para una determinada longitud de tiempo o
hasta que ocurra un evento especifico. Los resultados de una simulacin
terminal son usualmente dependientes de los valores iniciales usados cuando
el modelo inicio la corrida. Por esta razn, las condiciones de inicio en modelos
terminales deben cuidadosamente reflejar las circunstancias de inicio exhibidas
en el sistema del mundo real bajo estudio.
Simulacin de Estado Estable:
Implica que el sistema es independiente de sus condiciones iniciales. El
anlisis de estos modelos es basada sobre los resultados generados despus
de que las condiciones de estado estable sean ejecutadas.
Simulacin No Terminal de Estado Estable:
Periodo de Calentamiento (Warm-Up)
Antes de empezar el anlisis de los resultados, el modelador debe esforzarse
para asegurar que los resultados representan un estimado confiable de los
valores del sistema real.
Una tcnica til para mejorar la confiabilidad de los resultados en una
simulacin no terminal es proveer un periodo de inicializacin del que no se
consideren estadsticas.
Una condicin de estado estable implica que la simulacin ha alcanzado un
punto en el tiempo donde el estado del modelo es independiente de las
condiciones iniciales.
La cantidad de tiempo requerido para alcanzar las condiciones de estado
estable es conocido como un periodo de calentamiento (warm-Up). La
recoleccin de estadsticas empieza despus que el periodo de calentamiento
es completado.
Se puede determinar la longitud de este periodo utilizando el clculo de los
promedios mviles de los resultados, producidos por mltiples replicaciones del
modelo. Un procedimiento para esta finalidad, es el mtodo grafico WELCH.
66
Supongamos que se construye un modelo de simulacin para analizar los

costos mensuales asociado a la variable trabajos en proceso (Work in proccess
WIP) correspondiente al diseo de un sistema dado. Se ejecutan 5 rplicas
independientes del modelo. Cada uno con una nica cadena de nmeros
aleatorios. Cada corrida registra los costos mensuales de los trabajos en
proceso (WIP) en que se incurre dentro de un periodo de 39 meses El
promedio de costos WIP para el i-simo periodo es calculado a travs de todas
las replicas del modelo ( j = 5).
Una condicin de estado estable ocurre en el punto donde la curva transitoria
se allana o aplana.
Los grficos que dibujan el promedio mvil para cada periodo tienden a
aplanarse.
El promedio mvil del costo para cada periodo puede derivarse a partir de la
siguiente ecuacin:
_
Y i ( w) : representa el promedio mvil del costo para el periodo i.
w _
Y i s ........i w 1,..., m w
_
2w 1
Y i ( w) s w _
i1 Y i s
2i 1..................i 1,..., w
s (i1)
m denota el nmero total de periodos en cada rplica del modelo.

w representa la ventana del promedio mvil.
Si i <= w , entonces el valor del periodo actual es promediado con los
valores de los w periodos precedentes y los w periodos siguientes.
Ntese que el valor de m debe ser escogido algo grande, de tal manera que
w debe ser menor o igual a m/2, (w <= m/2).
67
Determinando un periodo de calentamiento para una simulacin de estado

estable.
Periodo de Calentamineto
Yij : .Costo ..Observado ..durante ..el .. periodo ..i

.en..la..rplica .. j.( en..cientos ..de..dlares )
Periodo
Rep 1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
465.18
521.58
663.02
389.93
240.74
461.24
461.64
1,184.09
1,276.80
473.76
405.50
1,161.52
376.81
352.05
518.96
673.88
376.99
139.26
199.54
542.79
383.47
276.26
336.39
562.06
931.46
182.82
589.21
103.42
219.14
169.36
791.25
1,360.99
530.04
198.98
523.28
633.30
631.47
807.24
271.41
Rep 2
Rep 3
224.24
279.99
357.41
358.01
407.14
532.68
495.02
296.21
737.54
318.34
1,085.18
776.97
352.09
241.88
308.75
263.12
202.80
727.63
460.59
325.86
405.23
503.67
284.69
352.24
500.97
192.96
329.30
587.45
634.81
716.81
853.97
563.86
1,098.67
290.92
339.08
563.49
4,032.35
355.94
908.48
633.90
317.29
165.11
387.05
336.19
388.63
605.87
323.83 1,311.94
236.80
706.43
352.79
991.44
649.52
544.64
936.04
393.21
1,338.29
163.15
841.89
651.41
137.11
734.38
274.57
457.19
1,259.50
497.51
275.20
177.60
1,012.45
904.77
723.07
431.72
455.12 1,256.28
1,627.84
994.93
138.54
352.43
Rep 4
596.05
872.99
244.39
240.45
286.13
565.59
1,051.51
286.97
643.93
906.02
697.96
867.54
509.00
336.11
533.05
179.72
205.43
319.10
138.88
349.55
345.11
789.89
315.20
339.76
484.30
271.73
296.36
771.45
169.59
492.09
807.81
148.87
1,300.90
723.29
212.75
245.69
287.57
215.50
441.73
Rep 5
544.54
230.81
1,535.00
1,442.82
287.77
1,325.52
1,022.49
322.46
578.21
477.74
488.75
916.62
636.92
830.80
1,599.00
863.30
227.00
189.20
215.99
727.93
106.20
613.58
818.90
312.95
658.11
1,815.32
289.96
151.18
938.19
232.72
401.16
231.46
990.27
414.02
523.06
158.22
351.78
603.36
352.38
Costo
promedio
x periodo
_
_
Yi = X(5)
422.00
468.16
676.45
572.89
374.10
842.90
625.92
473.08
685.87
528.79
500.22
716.52
443.33
487.14
800.53
626.95
439.80
310.03
988.54
632.53
263.44
480.59
493.00
570.11
603.42
722.82
473.94
471.06
565.67
477.49
574.34
494.62
915.64
357.82
635.26
438.40
596.44
849.77
311.30
Yi ( w ) : Pr omedio ..movil ..del .. cos to

.durante ..el .. periodo ..i
W=5
422.00
522.20
502.72
568.92
571.26
560.94
587.72
585.46
568.25
588.95
611.93
575.29
546.57
593.43
588.58
564.46
562.67
542.35
553.88
564.45
557.38
543.47
546.32
569.56
523.10
517.81
538.82
578.37
566.08
572.01
557.01
545.52
579.68
565.16
W = 10
422.00
522.20
502.72
568.92
571.26
560.94
563.86
574.53
569.69
578.06
565.68
568.47
569.65
564.58
566.04
582.64
565.07
557.70
562.11
552.19
554.36
554.09
563.57
559.50
566.55
549.31
547.86
567.38
567.44
W = 19
422.00
522.20
502.72
568.92
571.26
560.94
563.86
574.53
569.69
578.06
565.68
558.82
561.05
563.82
560.68
558.44
567.33
563.28
560.81
561.82
68
Grafico A: promedio del costo mensual

1200
1000
800
600
400
200
1
10
13
16
19
22
25
28
31
34
37
Periodos (meses)
Grafico B: Promedio Movil
W=5
28
700
600
500
400
300
200
100
10
13
16
19
22
25
31
34
37
34
37
Periodos (m eses)
Grafico C: Promedio Movil
W=10
28
700
600
500
400
300
200
100
1
10
13
16
19
22
25
31
Periodos (m eses)
69
Los grficos B, C y D dibujan el promedio mvil de la variable costo mensual

(WIP) para w=5, w=10 y w=19 respectivamente.
La curva para w=19 es seleccionada para estimar el periodo de calentamiento
p, por que es el mas plano de las tres curvas. Un periodo de calentamiento de
p=12 es escogido.
70
METODOS PARA REUNIR OBSERVACIONES ESTADISTICAS
Las observaciones del experimento de simulacin deben satisfacer tres

condiciones:
1. Las observaciones se extraen de distribuciones estacionarias (idnticas).
2. Las observaciones se muestrean de una poblacin normal.
3. Las observaciones son independientes.
En sentido estricto, ninguna de estas condiciones es satisfecha por la
simulacin. No obstante, podemos asegurar que estas condiciones
permanecen estadsticamente viables restringiendo la manera en la que se
renen las observaciones de la simulacin.
La salida (reporte solucin) de la simulacin es una funcin de la longitud del
periodo simulado. El periodo inicial de comportamiento errtico normalmente se
califica como transiente o periodo de calentamiento. Cuando la salida se
estabiliza, se dice que el sistema opera bajo un estado estable.
La longitud del periodo transitorio depende principalmente de las caractersticas
del modelo, y no hay forma de predecir el punto de inicio del estado
estable. En general, entre mas grande sea la corrida de la simulacin, mayor
es la posibilidad de lograr el estado estable.
El requerimiento de que las observaciones de simulacin deben extraerse de
una poblacin normal se cumple con el teorema del lmite central, el cual
establece que la distribucin del promedio de una muestra es asintticamente
normal sin importar la poblacin de la que se extrae la muestra.
La tercera condicin trata con la independencia de las observaciones. La
naturaleza del experimento de simulacin no garantiza independencia entre
sucesivas observaciones de simulacin. Sin embargo, usando muestras
promedio para representar las observaciones de simulacin, tambin es posible
mitigar el problema de falta de independencia. Esto es particularmente cierto
cuando se aumenta la base de tiempo que se usa para calcular la muestra
promedio.
Los conceptos de estado transitorio y estable solo son validos en lo que se
llama una simulacin que no termina, es decir, la simulacin que se aplica a
sistemas cuya operacin contina indefinidamente. En el caso de una
simulacin que termina (por ejemplo, operaciones bancarias donde el banco
abre 8 horas al da) el comportamiento transitorio es parte de la operacin
normal del sistema y por tanto hay que tomarlo en cuenta. El nico recurso es
aumentar el nmero de observaciones (rplicas) tanto como sea posible.
71
Estos son los tres mtodos ms comunes para reunir observaciones en la

simulacin:
1) Mtodo del subintervalo
2) Mtodo de replicacin
3) Mtodo regenerativo (o de ciclos)
Mtodo del subintervalo

El siguiente grafico ilustra la idea del mtodo del subintervalo. Supongamos
que la simulacin se ejecuta para T unidades de tiempo (es decir, longitud de
corrida =T ) y que se desea reunir n observaciones. El mtodo del sbintervalo
requiere truncar primero el periodo transitorio inicial (se puede hallar aplicando
promedio mvil-grafica de Welch), y despus subdividir el resto de la corrida de
simulacin en n subintervalos iguales (o lotes).
El promedio de la media de funcionamiento deseada (por ejemplo, longitud de
la cola o tiempo de espera en la cola) dentro de cada subintervalo sirve
entonces para representar una sola observacin. El corte del periodo transitorio
inicial implica que ningn dato estadstico se rene durante este periodo.
La ventaja del mtodo del subintervalo es que el efecto de las condiciones
transitorias (no estacionarias) se mitiga, en particular para aquellas
observaciones que se renen hacia el final de la corrida de simulacin. La
desventaja del mtodo es que lotes sucesivos con condiciones de frontera
comunes estn correlacionados. El problema de la correlacin se alivia
aumentando el tiempo para cada lote.
Periodo Transitorio
Lote 1
Lote 2
Lote n
Medida de
desempeo
T
Tiempo de simulacin
Ejemplo:
[DESARROLLO EN CLASE]
72
Mtodo de Replicacin
En el mtodo de replicacin, cada observacin se representa por una corrida
de simulacin independiente en la que el periodo transitorio se trunca. El
clculo de los promedios de observacin para cada lote es el mismo que en el
mtodo del subintervalo. Una de las ventajas de este mtodo es que los lotes
no estn correlacionados, cada corrida de simulaciones se conduce con una
serie distinta de nmeros aleatorios (0,1), que producen observaciones que son
estadsticamente independientes. La desventaja es que cada observacin tal
vez este fuertemente sesgada por el efecto inicial de las condiciones
transitorias. Este problema se evita haciendo la longitud de la corrida lo
suficientemente grande.
Periodo
Transitorio
Periodo
Transitorio
Lote 1
Tiempo de
simulacin
Periodo
Transitorio
Lote 2
Lote 3
Mtodo Regenerativo (o de ciclos)

El mtodo regenerativo puede verse como un caso ampliado del mtodo del
subintervalo. El nuevo mtodo intenta reducir el efecto de la correlacin que
caracteriza al mtodo del subintervalo porque requiere condiciones iniciales
similares para cada lote. Por ejemplo, si la variable con la que tratamos es la
longitud de la cola, cada lote comenzara en un instante donde la longitud de la
cola sea cero. A diferencia del mtodo del subintervalo, la naturaleza del
mtodo regenerativo tal vez genere bases diferentes de tiempo para los
distintos lotes.
Aunque el mtodo regenerativo reduce la autocorrelacin, tienen la desventaja
de dar un nmero pequeo de lotes para una longitud de corrida dada. Esto
sucede porque no es posible predecir cundo comenzar un lote nuevo o
cunto durar un lote. Bajo condiciones de estado estable, debemos esperar
que los puntos iniciales para los lotes sucesivos estn ms o menos
espaciados.
73
El clculo del promedio para el lote i en el mtodo regenerativo por lo general

se define como la razn de dos variables aleatorias
Xi
ai .. y..bi , es decir,
ai
.Las definiciones de a i .. y..bi dependen de la variable que se calcule.
bi
Especficamente, si la variable esta basada en el tiempo, entonces
bi
representara el rea bajo la curva, y
ai
sera igual a la base de tiempo
asociada. Si la variable esta basada en la observacin, entonces

suma total de las observaciones en el lote i y
observaciones.
bi
ai
sera la
sera el nmero asociado de
Como X i es la razn de dos variables aleatorias, una estimacin no sesgada

del promedio de la muestra se pueden mostrar como:
n
y
i 1
donde:
yi
na (n 1)(na ai )
,....i 1,2,..., n
b
nb bi
n
i 1
n
n
b
i 1
En este caso, un intervalo de confianza se puede fijar en la media verdadera

usando la media y la desviacin estndar de y i .
Ejemplo:
[DESARROLLO EN CLASE]
74
11.- MODELAMIENTO DE SISTEMAS DE SERVICIOS
Introduccin
Un Sistema de Servicios es un sistema de procesamiento en el cual uno o ms
servicios son provedos a los clientes. Las Entidades (clientes, pacientes,
documentos, etc.) se desplazan a travs de una serie de reas de
procesamiento (Secciones de Registro, Ordenes, Servicio, Pagos, etc.) donde
los recursos (agentes de servicios, doctores, cajeros, etc.) proveen algn
servicio. Los sistemas de servicio tienen las siguientes caractersticas :
Los Servicios son intangibles; no son objetos

Los Servicios son perecibles; no pueden ser inventariados
Los Servicios proveen resultados (outputs) heterogneos
Los Servicios involucran simultanea produccin y consumo.
Estas distinciones generan grandes retos para el Diseo y Administracin de

Sistemas de Servicios, particularmente en las reas de Diseo de Planta,
Diseo de Procesos, Seleccin de Equipos y Gestin de Personal.
Aplicaciones de la Simulacin en Sistemas de Servicio

El uso de la Simulacin en la Industria de Servicios ha sido relativamente
limitado en el pasado, a pesar de muchas reas de aplicacin donde la
simulacin ha provedo beneficios :
Servicios de Salud (hospitales, clnicas, etc. ). Algunos ejemplos son : Estudios
de impacto de personal en costos y utilizacin. Estudios de simulacin para
determinar el numero optimo de camas en una instalacin medica para atender
la demanda de pacientes. Estudios de Simulacin para desarrollar un diseo de
planta alternativo para un centro ambulatorio de atencin medica.
Servicios de Comida (restaurantes, cafeteras, etc.). Algunos ejemplos son :
Estudios de Simulacin para la configuracin Optima de mesas para un
restaurante de comida rpida. Estudios de Simulacin para examinar las
operaciones de un restaurante y repartos, relacionados a niveles de personal,
diseo de equipos, flujo de trabajo, servicio al cliente y capacidad.
Servicios Financieros (bancos, financieras, etc.). Algunos ejemplos son :
Estudios de Simulacin de Polticas Lneas de Espera, Proceso interno de
documentos.
75
Decisiones respecto a los procesos en Sistemas de Servicios

El tipo de preguntas que la simulacin ayuda a responder en los Sistemas de
Servicios pueden ser categorizadas como las relacionas al diseo y las
relacionadas a la administracin. Sin embargo es difcil generalizar los temas
que pueden ser abarcados por la Simulacin para cada tipo de Sistemas de
Servicio.
Decisiones del Diseo del Sistema
Cual es la capacidad del servicio y de las reas de espera?
Cual es la mxima capacidad de flujo del Sistema de Servicio?
Cuales son los requerimientos de equipo para atender la demanda del
Servicio?
Qu tiempo toma atender a un cliente ?
Qu tiempo tiene un cliente que esperar antes de recibir el servicio?
Dnde deben estar localizadas las reas de servicio y de espera?
Cmo se puede agilizar el flujo de trabajo y el flujo de clientes?
Qu efecto podra tener la automatizacin en reducir tiempo sin valor
agregado?
Decisiones de la Administracin del Sistema

Cul es la mejor forma para hacer la programacin de personal?
Cul es la mejor forma para hacer la programacin de citas para los clientes ?
Cul es la mejor forma para hacer la programacin de transporte o vehculos?
Cmo deben ser asignados los recursos a las tareas?
Qu clientes o tareas deben ser servidos primeros?
Cul es la mejor forma de hacer la programacin de mantenimiento para los
equipos y facilidades?
Cual es la mejor forma de enfrentar las situaciones de emergencias tales
como falla de equipos?
Medidas de Desempeo
Los objetivos fundamentales de una empresa de servicios incluyen la
maximizacin de utilidades y satisfaccin del cliente. Sin embargo estas
medidas para el xito se consideran como criterios de desempeo externo, por
que no son completamente determinados por un simple actividad.
El
modelamiento y anlisis de la Simulacin ayuda a evaluar medidas referidas a
criterios de desempeo interno. Estas son medidas que estn nicamente
dentro del control de una actividad dada.
Las medidas de desempeo de la Simulacin son tanto cuantitativas y basadas
en tiempo; y miden la eficiencia y la efectividad de la configuracin de un
sistema, y la lgica de operacin. Algunas son :
76
Tiempo de Servicio del Cliente

Es el tiempo total desde que el cliente ingresa al sistema hasta el tiempo que el
cliente deja el sistema. El tiempo de Servicio del Cliente incluye la suma de los
siguientes conceptos: tiempo de servicio, tiempo de movimiento y tiempo de
cola o espera.
Tiempo de Espera del Cliente
Es el tiempo que un cliente espera antes que un particular servicio sea
provedo. Reducir el tiempo de espera contribuye significativamente a reducir el
tiempo total de servicio del cliente. Esto adems afecta en la satisfaccin del
cliente. Un cliente podra estar en el sistema esperando por un numero de
razones :
Esperando por un diagnostico

Esperando por una orden
Esperando por una proforma de precio
Esperando por el prximo agente de servicio disponible
Esperando por personal que este disponible
Esperando por recibir un producto o servicio
Esperando por el procesamiento de un documento
Esperando por una revisin
Nmero de Clientes esperando

Es el nmero de clientes esperando por un servicio en cualquier momento.
Esta medida es tambin referida como el nmero de clientes en cola. Grandes
cantidades de clientes esperando, hacen incrementar los tiempos de espera y
mayores tiempos totales de Tiempo de Servicio del Cliente.
Utilizacin de Recursos
Es la parte de tiempo de un recurso (un servidor o unidad de equipo) que esta
ocupado o en uso como un porcentaje del total del tiempo programado. Una
alta utilizacin del recurso podra indicar eficiencia, pero tambin podra ser un
ndice de cuellos de botella o largos tiempos de servicio.
Tiempo de Procesamiento de Orden
El tiempo desde que un cliente pone una orden hasta el tiempo en que el
producto o servicio es recibido. Esta medida de desempeo es particularmente
significante para esos tipos de servicios donde los clientes dejan la instalacin
de servicio despus de poner la orden (servicios profesionales o servicios
detallistas para grandes items). El tiempo de procesamiento de orden es
diferente del tiempo total de servicio del cliente, porque este no incluye el
tiempo que el cliente podra pasar en el Sistema de Servicio por otros
propsitos tales como la evaluacin del servicio o el producto,
o
especficamente poner la orden. Incrementar el tiempo de Procesamiento de
Orden podra causar que los clientes cancelen las ordenes resultando en
perdida de clientes.
Ratio de Abandono
77
El porcentaje de clientes que dejan la cola de arribo o deciden no ingresar al

Sistema de Servicio. Valores altos de esta medida de desempeo indican
insuficiencia de capacidad.
Confiabilidad
Es la consistencia con la cual un particular estndar de desempeo puede ser
cumplido. Esto podra ser medido en trminos de error o perturbaciones por
miles de observaciones.
Costo
Es la medida financiera total de proveer el servicio. Debido a que el tiempo es
dinero, el costo de proveer el servicio debe ser considerado conjuntamente con
el tiempo de realizacin del servicio. El costo es usualmente medido en
trminos de unidades monetarias por cliente o transaccin.
Consideraciones de Modelamiento
Los Sistemas de Servicio representan una clase de sistemas de procesos
donde las entidades (clientes, ordenes, tareas, etc. ) son ruteados a travs de
una serie de estaciones de servicio y reas de espera. Aunque ciertas
caractersticas de Sistemas de Servicio son similares a los Sistemas de
Manufactura, los Sistema de Servicios tiene caractersticas muy particulares.
Los aspectos de Sistemas de Servicio que involucran procesos de Workflow
(ordenes, documentos, archivos, etc. ) y entrega de productos son muy
cercanamente idnticos a manufactura. Aquellos aspectos de los Sistemas de
Servicios que son muy distintos de los Sistemas de manufactura son aquellos
involucrados con el Procesamiento de Clientes. Muchas de las diferencias
derivan del hecho que un Sistema de Servicios, a menudo tanto la entidad
siendo servida y el recurso realizando el servicio son personas. Las personas
tienen demasiada complejidad y un comportamiento de caractersticas
impredecibles que las partes y las maquinas. Estas especiales caractersticas y
sus implicaciones en modelamiento son descritas a continuacin.
Las Entidades son caprichosas

Las condiciones del sistema causan a las personas cambiar sus pensamientos
a cerca de una particular decisin una vez que esta ha sido tomada. Las
reacciones de los clientes a circunstancias no satisfactorias incluyen Rechazo,
Cambio de cola y Abandono. Rechazo ocurre cuando un cliente intenta
ingresar a una cola, observa que esta llena y se retira. Cambio de cola, es
cuando un cliente se mueve a otra cola que es mas corta, asumiendo que ser
atendido mas pronto. Abandono es cuando un cliente ingresa a una rea o
lnea de espera, se cansa de esperar y abandona el sistema. Modelar este tipo
situaciones puede volverse complejo y requiere una construccin especial en el
modelamiento o el uso de lgica de programacin para describir el
comportamiento.
78
Los Arribos de las Entidades son aleatorios y siguen Patrones Cclicos

Los clientes arriban a muchos Sistemas de Servicios aleatoriamente de
acuerdo a un proceso de Poisson (Los tiempo entre arribos son
exponencialmente distribuidos). Adicionalmente, el ratio de los arribos a
menudo cambia dependiendo de la hora del da, o del da de la semana. El
patrn del ratio de arribos cambia usualmente repitiendo un ciclo a diario,
semanal o a veces mensualmente. Un correcto modelamiento de estos
patrones de arribos y ciclos son esenciales para un buen anlisis
Las Decisiones de Recursos son complejas
Tpicamente las decisiones de Asignacin de Recursos y Seleccin de tareas
son hechas de acuerdo a alguna regla en general (primero en llegar, primero
en atenderse, etc.). En Sistemas de Servicios, sin embargo, los recursos son
inteligentes y a menudo toman decisiones basadas en uno o mas criterios
relacionados al estado del sistema. Un incremento en el tamao de la lnea de
espera en un cajero, por ejemplo, podra originar una nueva cola de atencin.
Un cambio en el estado de una entidad (un paciente en recuperacin
requiriendo asistencia inmediata) podra aun causar que un recurso (una
enfermera o doctor) interrumpa su actual tarea para servir a la entidad. La
flexibilidad para responder al cambio de estado se hace posible porque los
recursos son humanos quienes son capaces de hacer mas decisiones
complejas que las maquinas. El modelamiento del complejo comportamiento de
los recursos humanos a menudo requiere el uso de lgica Si-Entonces para
definir las reglas de decisin a ser usadas.
El ritmo de trabajo de los Recursos es Variable
Otra caracterstica de los recursos que son humanos es que la cadencia de
trabajo tiende a variar con la hora del da o las condiciones de trabajo. Un
cambio en el estado de una cola (nmero de clientes en la lnea) podra causar
que un recurso (cajero) trabaje ms rpido por consiguiente reduzca el tiempo
de procesamiento. Un cambio en el estado de la entidad (longitud del tiempo de
espera) podra causar que un recurso trabaje ms rpido para completar el
servicio profesional. Un cambio en el estado de un recurso (fatiga o curva de
aprendizaje) podra cambiar el tiempo de servicio (ms lento en el caso de
fatiga, ms rpido en el caso de una curva de aprendizaje). Para modelar esta
variable de comportamiento, deben hacerse continuos exmenes de los
estados de la variables en el sistema para relacionar el comportamiento de los
recursos con el estado del sistema.
Los requerimientos de Procesos son altamente variables
Los procesos de servicios varan considerablemente debido a la naturaleza de
los procesos como por el hecho que la entidad y el servidor son ambos
humanos. Consecuentemente, los tiempos de proceso tienden a ser altamente
variables. Desde el punto de vista del modelamiento, los tiempos de proceso
usualmente necesitan ser expresados usando una distribucin de
probabilidades tales como una distribucin normal o beta.
79
Los Servicios tiene actividades de Mostrador (Front Room) y Trastienda (Back

Room)
En los Sistemas de Servicios, a menudo existen tanto actividades de Mostrador
como de Trastienda. En las actividades de Mostrador, los representantes de
Servicio al Cliente se renen con los clientes para atender las ordenes para un
buen servicio. En Trastienda, se llevan acabo las actividades para producir el
servicio o bien. Una vez que el servicio o bien es producido, este es entregado
al cliente quien esta esperando en Mostrador o si el cliente se retiro, se le enva
a su locacin.
Procedimientos Generales de Simulacin

Los Sistemas de Servicios son a menudo analizados usando impropios
mtodos que son basados en suposiciones incorrectas. Un error que es hecho
frecuente en planeamiento de Sistemas de Servicios es usar ratios y tiempos
promedios para hacer decisiones de diseos y administracin.
Frecuentemente, tales sistemas fallan al enfrentarse con las expectativas..
La razn de esto, es que los clculos estticos y lineales ignoran los efectos de
la variabilidad e interdependencia en las medidas de desempeo. Por ejemplo,
hacer una decisin de personal para un sistema de servicio basado en el
numero esperado promedio de clientes por hora no toma en cuenta los
periodos picos de demanda para el servicio.
El comportamiento del sistema durante periodos picos podra ser uno de lo mas
tiles medidas de desempeo en diseo de una instalacin de servicios. Los
modelos de simulacin pueden considerar la variacin como la complejidad del
sistema y por consiguiente proveer el ms preciso anlisis del desempeo del
sistema de servicios. Sin embargo aun simulando los Sistema de Servicios, se
debe tener cuidado de representar con precisin las caractersticas del sistema
y correctamente interpretar los resultados.
Debido a que los Sistema de Servicios estn siempre cerca al estado
transicin, variando de un nivel de actividad a otro durante diferentes periodos
de tiempo del da o de la semana, ellos raramente consiguen las condiciones
del estado estable. Consecuentemente, frecuentemente estamos interesados
en analizar el comportamiento cambiante de los Sistemas de Servicios.
Preguntas tales como Qu tan largo es el ciclo cambiante? o Cuantas
replicaciones hay que correr? se vuelven muy importante. Medidas de
desempeo global podran no ser tiles como el desempeo de cada periodo
particular del ciclo cambiante. Un ejemplo, es el anlisis de estadsticas de
utilizacin de recursos. En los tipos de servicio donde los patrones de arribo y
programacin de personal son diferentes sobre los ciclos de actividad (das,
semanas, etc.), la utilizacin promedio para el ciclo entero es casi de muy poca
relevancia. Es mas informativo observar a la utilizacin de recursos durante
diferentes periodos de tiempo del ciclo de actividad.
80
Puesto que muchas decisiones en Diseo y Administracin de Sistemas de

Servicios involucran preguntas basado en condiciones del sistema cambiante,
es importante que los resultados de la simulacin provean medidas del
comportamiento cambiante. Mltiples replicaciones
deben correrse con
estadsticas reunidas y analizadas para diferentes periodos de un ciclo
cambiante. En intentos para simplificar un modelo de simulacin aveces hay la
tentacin de modelar solo el periodo pico, cual es a menudo el periodo de mas
inters. Lo que es inadvertido es el hecho que el estado de sistema antes de
cada periodo y la longitud de cada periodo significativa impacta en las medidas
de desempeo para cualquier periodo en particular, incluyendo el periodo pico.
Variables de Decisin de Servicios

Decisiones de Disposicin (Layout)
Una de las ms importantes consideraciones en el diseo de un Sistema de
Servicios es la disposicin de la instalacin. La disposicin debe proveer un
conveniente flujo de trabajo y flujo de clientes. Una buena disposicin deber ser
diseada simultneamente con el diseo de los procesos de servicios puesto
que ellos estn indisolublemente conectados.
Decisiones de Automatizacin
La Automatizacin de procesos de servicios presenta una de las mayores
oportunidades para reducir los tiempos de espera en los procesos de servicios.
Sin embargo, la automatizacin de un proceso de servicio presenta similares
desafos a la automatizacin de los procesos de manufactura. Si la
automatizacin de un proceso de servicio acelera el proceso pero no minimiza
el tiempo global de procesamiento, esto no es efectivo y podra aun crear
desperdicio (grandes cantidades de entidades en espera). La Automatizacin
en el Sector Servicios puede ser aplicada al procesamiento de clientes como
tambin al registro y procesamiento de la informacin. Otras decisiones de
automatizacin que pueden ser evaluadas con la simulacin son la
transportacin de clientes y recursos.
Decisiones de Polticas
Los Administradores de Servicios estn constantemente enfrentando los
problemas de manipular los recursos y adaptarlos a las polticas cambiantes.
De hecho, la agilidad de un Sistema de Servicios puede ser considerado como
una ventaja estratgica en situaciones competitivas. Por ejemplo, las
aerolneas ocasionalmente ofrecen tarifas especiales por tiempo limitado o un
banco puede decidir ofrecer servicio los sbados. Estos tipos de decisiones de
polticas requiere del proveedor de servicio mantener una calidad de servicio
mientras opera bajo condiciones atpicas.
Decisiones de Diseo de Estaciones de Trabajo
La manera en que las estaciones de trabajo se disean pueden tener un
impacto significante en la satisfaccin del cliente y la eficiencia del
procesamiento. En algunos sistemas, por ejemplo, los servidores mltiples
81
tienen colas individuales en frente de ellas para que los clientes esperen antes
de ser servidos. Esto puede causar que los clientes sean servidos fuera del
orden de arribos y resulten en cambios de cola y descontento de los clientes.
Otros sistemas proveen una sola cola de entrada, la cual alimenta a
servidores mltiples (en colas para ventanillas de banco, son usualmente
diseadas as). Esto asegura que los clientes sern servidos en orden de
arribo. Esto sin embargo, podra causar alguna desercin si agrupados todos
los clientes en una sola cola, crea la percepcin a un cliente por ingresar que el
tiempo de espera es largo.
Decisiones de Personal (Staffing)
Una principal decisin en casi todas las operaciones de servicios es la
relacionada al nivel de personal para atender la demanda de clientes. Bajo
nivel de Personal puede ocasionar excesivo tiempo de espera y perdida o
insatisfaccin de clientes. Alto nivel de Personal podra resultar en costos
innecesarios por recursos que son inadecuadamente utilizados. El
modelamiento de requerimientos de Personal es hecho definiendo el patrn de
ingresos de clientes, especificando las polticas de servicios y procedimientos;
y configurando un nivel de prueba de personal. Despus de correr la
simulacin, los tiempos de espera, contadores de abandono y los ratios de
utilizacin de recursos pueden ser evaluados para determinar si las
condiciones optimas han sido logradas. Si los resultados son inaceptables,
tanto el patrn de ingresos, la fuerza de servicio, las polticas de servicio y los
procedimientos pueden ser modificados para correr experimentos adicionales.
Decisiones del Control de Flujo
El Control de Flujo es para los Sistemas de Servicios lo que el Control de
Produccin es para los Sistemas de Manufactura. Los Planeadores de
operaciones de los Sistemas de Servicios deben decidir como permitir a los
clientes, documentos, etc. circular a travs del sistema. As como en los
sistemas de manufactura, los clientes y la informacin podran ser atendidos
como una dinmica Push o Pull. Limitando las capacidades de las colas, un
Sistema Pull podra lograr que se reduzca el numero total de clientes o tems
en espera en el sistema en cualquier momento. Esto tambin reduce el tiempo
promedio de espera de los clientes o tems y resulta en una mayor eficiencia
global. Los restaurantes de Comida Rpida practican el mtodo Pull cuando
ellos tienen dos o tres tems de comida (hamburguesas, frituras, etc.) haciendo
cola en anticipacin de ingreso de ordenes. Cuando el numero de un tem en
particular alcanza un limite, no mas de ese tem es preparado. Cuando un
servidor retira un tem, es la seal Pull para que la cocina vuelva abastecerlo
con otra orden. El escaso inventario de los tems de comida preparada, el es
mas importante eslabn de los Sistemas Pull para la demanda del cliente.
Excesivo inventario resulta en deterioro de calidad (comida fra) y desperdicio
al final del da.
Tipos de Sistemas de Servicio
Hay muchas maneras de clasificar los Sistemas de Servicios: Tipos de
Servicios (financieros, alimenticios, etc.) o por el propsito del negocio
(organizaciones lucrativas o no lucrativos). La clasificacin de Sistemas de
82
Servicios proveda aqu se basa en caractersticas operacionales. Los cuales

son :
Agencia de Servicios (Service Factory)

Establecimiento de Servicio Puro (Pure Service Shop)
Almacenes Detallistas (Retail Service stored)
Servicios Profesionales
Servicios Telefnicos
Servicios de Reparto (Delivery Service)
Servicios de Transporte
83
12.- TABLAS DE DISTRIBUCION DE PROBABILIDADES

TABLA DE DISTRIBUCION NORMAL ( Z positivo)
Zi
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
0
0.50000
0.53983
0.57926
0.61791
0.65542
0.69146
0.72575
0.75804
0.78814
0.81594
0.84134
0.86433
0.88493
0.9032
0.91924
0.93319
0.9452
0.95543
0.96407
0.97128
0.97725
0.98214
0.9861
0.98928
0.9918
0.99379
0.99534
0.99653
0.99744
0.99813
0.99865
0.99903
0.99931
0.99952
0.99966
0.99977
0.99984
0.99989
0.01
0.50399
0.5438
0.58317
0.62172
0.6591
0.69497
0.72907
0.76115
0.79103
0.81859
0.84375
0.8665
0.88686
0.9049
0.92073
0.93448
0.9463
0.95637
0.96485
0.97193
0.97778
0.98257
0.98645
0.98956
0.99202
0.99396
0.99547
0.99664
0.99752
0.99819
0.99869
0.99906
0.99934
0.99953
0.99968
0.99978
0.99985
0.9999
0.02
0.50798
0.54776
0.58706
0.62552
0.66276
0.69847
0.73237
0.76424
0.79389
0.82121
0.84614
0.86864
0.88877
0.90658
0.9222
0.93574
0.94738
0.95728
0.96562
0.97257
0.97831
0.983
0.98679
0.98983
0.99224
0.99413
0.9956
0.99674
0.9976
0.99825
0.99874
0.9991
0.99936
0.99955
0.99969
0.99978
0.99985
0.9999
0.03
0.51197
0.55172
0.59095
0.6293
0.6664
0.70194
0.73565
0.7673
0.79673
0.82381
0.84849
0.87076
0.89065
0.90824
0.92364
0.93699
0.94845
0.95818
0.96638
0.9732
0.97882
0.98341
0.98713
0.9901
0.99245
0.9943
0.99573
0.99683
0.99767
0.99831
0.99878
0.99913
0.99938
0.99957
0.9997
0.99979
0.99986
0.9999
0.04
0.51595
0.55567
0.59483
0.63307
0.67003
0.7054
0.73891
0.77035
0.79955
0.82639
0.85083
0.87286
0.89251
0.90988
0.92507
0.93822
0.9495
0.95907
0.96712
0.97381
0.97932
0.98382
0.98745
0.99036
0.99266
0.99446
0.99585
0.99693
0.99774
0.99836
0.99882
0.99916
0.9994
0.99958
0.99971
0.9998
0.99986
0.99991
0.05
0.51994
0.55962
0.59871
0.63683
0.67364
0.70884
0.74215
0.77337
0.80234
0.82894
0.85314
0.87493
0.89435
0.91149
0.92647
0.93943
0.95053
0.95994
0.96784
0.97441
0.97982
0.98422
0.98778
0.99061
0.99286
0.99461
0.99598
0.99702
0.99781
0.99841
0.99886
0.99918
0.99942
0.9996
0.99972
0.99981
0.99987
0.99991
0.06
0.52392
0.56356
0.60257
0.64058
0.67724
0.71226
0.74537
0.77637
0.80511
0.83147
0.85543
0.87698
0.89617
0.91308
0.92785
0.94062
0.95154
0.9608
0.96856
0.975
0.9803
0.98461
0.98809
0.99086
0.99305
0.99477
0.99609
0.99711
0.99788
0.99846
0.99889
0.99921
0.99944
0.99961
0.99973
0.99981
0.99987
0.99992
0.07
0.5279
0.56749
0.60642
0.64431
0.68082
0.71566
0.74857
0.77935
0.80785
0.83398
0.85769
0.879
0.89796
0.91466
0.92922
0.94179
0.95254
0.96164
0.96926
0.97558
0.98077
0.985
0.9884
0.99111
0.99324
0.99492
0.99621
0.9972
0.99795
0.99851
0.99893
0.99924
0.99946
0.99962
0.99974
0.99982
0.99988
0.99992
0.08
0.53188
0.57142
0.61026
0.64803
0.68439
0.71904
0.75175
0.7823
0.81057
0.83646
0.85993
0.881
0.89973
0.91621
0.93056
0.94295
0.95352
0.96246
0.96995
0.97615
0.98124
0.98537
0.9887
0.99134
0.99343
0.99506
0.99632
0.99728
0.99801
0.99856
0.99896
0.99926
0.99948
0.99964
0.99975
0.99983
0.99988
0.99992
84
0.09
0.53586
0.57535
0.61409
0.65173
0.68793
0.7224
0.7549
0.78524
0.81327
0.83891
0.86214
0.88298
0.90147
0.91774
0.93189
0.94408
0.95449
0.96327
0.97062
0.9767
0.98169
0.98574
0.98899
0.99158
0.99361
0.9952
0.99643
0.99736
0.99807
0.99861
0.999
0.99929
0.9995
0.99965
0.99976
0.99983
0.99989
0.99992
TABLA DE DISTRIBUCION NORMAL ( Z negativo)
Zi
-4.0
-3.9
-3.8
-3.7
-3.6
-3.5
-3.4
-3.3
-3.2
-3.1
-3.0
-2.9
-2.8
-2.7
-2.6
-2.5
-2.4
-2.3
-2.2
-2.1
-2.0
-1.9
-1.8
-1.7
-1.6
-1.5
-1.4
-1.3
-1.2
-1.1
-1.0
-0.9
-0.8
-0.7
-0.6
-0.5
-0.4
-0.3
-0.2
-0.1
0.0
0
0.00003
0.00005
0.00007
0.00011
0.00016
0.00023
0.00034
0.00048
0.00069
0.00097
0.00135
0.00187
0.00256
0.00347
0.00466
0.00621
0.0082
0.01072
0.0139
0.01786
0.02275
0.02872
0.03593
0.04457
0.0548
0.06681
0.08076
0.0968
0.11507
0.13567
0.15866
0.18406
0.21186
0.24196
0.27425
0.30854
0.34458
0.38209
0.42074
0.46017
0.5
0.01
0.00003
0.00005
0.00007
0.0001
0.00015
0.00022
0.00032
0.00047
0.00066
0.00094
0.00131
0.00181
0.00248
0.00336
0.00453
0.00604
0.00798
0.01044
0.01355
0.01743
0.02222
0.02807
0.03515
0.04363
0.0537
0.06552
0.07927
0.0951
0.11314
0.1335
0.15625
0.18141
0.20897
0.23885
0.27093
0.30503
0.3409
0.37828
0.41683
0.4562
0.49601
0.02
0.00003
0.00004
0.00007
0.0001
0.00015
0.00022
0.00031
0.00045
0.00064
0.0009
0.00126
0.00175
0.0024
0.00326
0.0044
0.00587
0.00776
0.01017
0.01321
0.017
0.02169
0.02743
0.03438
0.04272
0.05262
0.06426
0.0778
0.09342
0.11123
0.13136
0.15386
0.17879
0.20611
0.23576
0.26763
0.30153
0.33724
0.37448
0.41294
0.45224
0.49202
0.03
0.00003
0.00004
0.00006
0.0001
0.00014
0.00021
0.0003
0.00043
0.00062
0.00087
0.00122
0.00169
0.00233
0.00317
0.00427
0.0057
0.00755
0.0099
0.01287
0.01659
0.02118
0.0268
0.03362
0.04182
0.05155
0.06301
0.07636
0.09176
0.10935
0.12924
0.15151
0.17619
0.20327
0.2327
0.26435
0.29806
0.3336
0.3707
0.40905
0.44828
0.48803
0.04
0.00003
0.00004
0.00006
0.00009
0.00014
0.0002
0.00029
0.00042
0.0006
0.00084
0.00118
0.00164
0.00226
0.00307
0.00415
0.00554
0.00734
0.00964
0.01255
0.01618
0.02068
0.02619
0.03288
0.04093
0.0505
0.06178
0.07493
0.09012
0.10749
0.12714
0.14917
0.17361
0.20045
0.22965
0.26109
0.2946
0.32997
0.36693
0.40517
0.44433
0.48405
0.05
0.00003
0.00004
0.00006
0.00009
0.00013
0.00019
0.00028
0.0004
0.00058
0.00082
0.00114
0.00159
0.00219
0.00298
0.00402
0.00539
0.00714
0.00939
0.01222
0.01578
0.02018
0.02559
0.03216
0.04006
0.04947
0.06057
0.07353
0.08851
0.10565
0.12507
0.14686
0.17106
0.19766
0.22663
0.25785
0.29116
0.32636
0.36317
0.40129
0.44038
0.48006
0.06
0.00002
0.00004
0.00006
0.00008
0.00013
0.00019
0.00027
0.00039
0.00056
0.00079
0.00111
0.00154
0.00212
0.00289
0.00391
0.00523
0.00695
0.00914
0.01191
0.01539
0.0197
0.025
0.03144
0.0392
0.04846
0.05938
0.07215
0.08692
0.10383
0.12302
0.14457
0.16853
0.19489
0.22363
0.25463
0.28774
0.32276
0.35942
0.39743
0.43644
0.47608
0.07
0.00002
0.00004
0.00005
0.00008
0.00012
0.00018
0.00026
0.00038
0.00054
0.00076
0.00107
0.00149
0.00205
0.0028
0.00379
0.00508
0.00676
0.00889
0.0116
0.015
0.01923
0.02442
0.03074
0.03836
0.04746
0.05821
0.07078
0.08534
0.10204
0.121
0.14231
0.16602
0.19215
0.22065
0.25143
0.28434
0.31918
0.35569
0.39358
0.43251
0.4721
0.08
0.00002
0.00003
0.00005
0.00008
0.00012
0.00017
0.00025
0.00036
0.00052
0.00074
0.00104
0.00144
0.00199
0.00272
0.00368
0.00494
0.00657
0.00866
0.0113
0.01463
0.01876
0.02385
0.03005
0.03754
0.04648
0.05705
0.06944
0.08379
0.10027
0.119
0.14007
0.16354
0.18943
0.2177
0.24825
0.28096
0.31561
0.35197
0.38974
0.42858
0.46812
85
0.09
0.00002
0.00003
0.00005
0.00008
0.00011
0.00017
0.00024
0.00035
0.0005
0.00071
0.001
0.00139
0.00193
0.00264
0.00357
0.0048
0.00639
0.00842
0.01101
0.01426
0.01831
0.0233
0.02938
0.03673
0.04551
0.05592
0.06811
0.08226
0.09853
0.11702
0.13786
0.16109
0.18673
0.21476
0.2451
0.2776
0.31207
0.34827
0.38591
0.42465
0.46414
Tabla de distribucin T
Grados
Libertad
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
0.1
0.95
6.314
2.920
2.353
2.132
2.015
1.943
1.895
1.860
1.833
1.812
1.796
1.782
1.771
1.761
1.753
1.746
1.740
1.734
1.729
1.725
1.721
1.717
1.714
1.711
1.708
1.706
1.703
1.701
1.699
1.697
1.696
1.694
1.692
1.691
1.690
1.688
1.687
1.686
1.685
1.684
1.683
1.682
1.681
1.680
1.679
1.679
1.678
1.677
1.677
1.676
0.05
0.975
12.706
4.303
3.182
2.776
2.571
2.447
2.365
2.306
2.262
2.228
2.201
2.179
2.160
2.145
2.131
2.120
2.110
2.101
2.093
2.086
2.080
2.074
2.069
2.064
2.060
2.056
2.052
2.048
2.045
2.042
2.040
2.037
2.035
2.032
2.030
2.028
2.026
2.024
2.023
2.021
2.020
2.018
2.017
2.015
2.014
2.013
2.012
2.011
2.010
2.009
0.01
0.995
63.657
9.925
5.841
4.604
4.032
3.707
3.499
3.355
3.250
3.169
3.106
3.055
3.012
2.977
2.947
2.921
2.898
2.878
2.861
2.845
2.831
2.819
2.807
2.797
2.787
2.779
2.771
2.763
2.756
2.750
2.744
2.738
2.733
2.728
2.724
2.719
2.715
2.712
2.708
2.704
2.701
2.698
2.695
2.692
2.690
2.687
2.685
2.682
2.680
2.678
1 - /2
86
Tabla de distribucin Chi-Cuadrado

Grados
Libertad
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100
97.50%
2.50%
0.0010
0.0506
0.2158
0.4844
0.8312
1.2373
1.6899
2.1797
2.7004
3.2470
3.8157
4.4038
5.0088
5.6287
6.2621
6.9077
7.5642
8.2307
8.9065
9.5908
10.2829
10.9823
11.6886
12.4012
13.1197
13.8439
14.5734
15.3079
16.0471
16.7908
24.4330
32.3574
40.4817
48.7576
57.1532
65.6466
74.2219
5.00%
95.00%
3.8415
5.9915
7.8147
9.4877
11.0705
12.5916
14.0671
15.5073
16.9190
18.3070
19.6751
21.0261
22.3620
23.6848
24.9958
26.2962
27.5871
28.8693
30.1435
31.4104
32.6706
33.9244
35.1725
36.4150
37.6525
38.8851
40.1133
41.3371
42.5570
43.7730
55.7585
67.5048
79.0819
90.5312
101.8795
113.1453
124.3421
10.00%
90.00%
2.7055
4.6052
6.2514
7.7794
9.2364
10.6446
12.0170
13.3616
14.6837
15.9872
17.2750
18.5493
19.8119
21.0641
22.3071
23.5418
24.7690
25.9894
27.2036
28.4120
29.6151
30.8133
32.0069
33.1962
34.3816
35.5632
36.7412
37.9159
39.0875
40.2560
51.8051
63.1671
74.3970
85.5270
96.5782
107.5650
118.4980
2.50%
97.50%
5.0239
7.3778
9.3484
11.1433
12.8325
14.4494
16.0128
17.5345
19.0228
20.4832
21.9200
23.3367
24.7356
26.1189
27.4884
28.8454
30.1910
31.5264
32.8523
34.1696
35.4789
36.7807
38.0756
39.3641
40.6465
41.9232
43.1945
44.4608
45.7223
46.9792
59.3417
71.4202
83.2977
95.0232
106.6286
118.1359
129.5612
1.00%
99.00%
6.6349
9.2103
11.3449
13.2767
15.0863
16.8119
18.4753
20.0902
21.6660
23.2093
24.7250
26.2170
27.6882
29.1412
30.5779
31.9999
33.4087
34.8053
36.1909
37.5662
38.9322
40.2894
41.6384
42.9798
44.3141
45.6417
46.9629
48.2782
49.5879
50.8922
63.6907
76.1539
88.3794
100.4252
112.3288
124.1163
135.8067
1-
87

Guia Alumno Simulacion PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Guia Alumno Simulacion PDF

Uploaded by

Copyright:

Available Formats

SIMULACIN DE SISTEMAS

GUIA DEL CURSO

Autores: Lic. Luis Ulfe Vega

2.- CONCEPTOS DE SIMULACION

3.- NUMEROS ALEATORIOS

4.- SIMULACIN MONTECARLO

5.- GENERACIN DE VARIABLES ALEATORIAS

6.- SIMULACIN DE EVENTOS DISCRETOS

7.- ENTENDIENDO LA DISTRIBUCION DE PROBABILIDAD

8.- ANALISIS DE REPLICAS

9.- COMPARANDO Y EVALUANDO ALTERNATIVAS

10.- ANALISIS DE RESULTADOS DE SISTEMAS DE ESTADO

11.- MODELAMIENTO DE SISTEMAS DE SERVICIOS

12.- TABLAS DE DISTRIBUCION DE PROBABILIDADES

Profesores: Luis Ulfe Gustavo Solis

2.- CONCEPTOS DE SIMULACION

planeacin necesitan manejar un gran nmero de operaciones

detalladas y resultados interdepartamentales o interfuncionales. No obstante, la

variabilidad inherente a estos procesos, as como una gran

interdependencia con otros sistemas hacen que ellos sean complejos de

como funciona el sistema en la prctica, dinmicamente. As, la

calidad de las evaluaciones estticas puede no ser suficientemente buena

Profesores: Luis Ulfe Gustavo Solis

en su empresa, antes de su compra e implantacin? Evaluar el impacto real

distribuciones y verificar el impacto en el sistema analizado?

es la respuesta a estas preguntas, revela el

comportamiento real de un sistema, con toda la complejidad de sus relaciones

el desempeo del sistema futuro y pronosticar el

comportamiento de su sistema, creando en el computador un laboratorio de

2.1. - Que es un sistema?

Es un grupo organizado de entidades tales como personas, equipamiento,

describiendo las reacciones que pueden resultar de las interacciones de las

Profesores: Luis Ulfe Gustavo Solis

2.2. - Estado del sistema

Definimos el estado de un sistema como la coleccin de variables necesarias

Nuestra categorizacin de sistemas, es de dos tipos: Discreta y continua.

Un sistema discreto es uno en el cual las variables de estado

Un sistema continuo es uno por el cual los estados de las variables

Profesores: Luis Ulfe Gustavo Solis

2.3.- Diferentes maneras de estudiar un sistema

2.4. - Definicin de Simulacin

Es la representacin de un sistema del mundo real en una computadora.

Es una herramienta de anlisis poderosa que nos permite:

Entender las interdependencias

Entender los cambios en el tiempo

Profesores: Luis Ulfe Gustavo Solis

Entender el impacto de la variacin

Entender el desempeo general

Evaluar cambios en modelos de un sistema existente, frecuentemente

Obtener un conocimiento preciso de la naturaleza del proceso.

Predecir el comportamiento de un nuevo sistema, sin necesidad de

Predecir cambios de un sistema existente sin necesidad de afectar su

Cul ser el alcance del modelo?

Profesores: Luis Ulfe Gustavo Solis

Cuanto detalle ser incluido?

2.5. - Evento Discreto

Un evento discreto es una accin instantnea que ocurre en un nico punto en

2.6. - Evento Continuo

Es una accin sin finalizacin. Este contina ininterrumpido con respecto al

2.7. - Modelo Esttico

Un modelo esttico es aquel que no est influenciado por el tiempo. El reloj no

Profesores: Luis Ulfe Gustavo Solis

importante en el modelo y se dice que el estado del sistema no cambia con