Vensim

Simulacin
Especializacin Ingeniera de
Operaciones en Manufactura y
Servicios
Pontificia Universidad Javeriana
Bogot Colombia
Ing. Alvaro Gil Berrocal
En esta presentacin
1.
2.
3.
4.
5.
6.
7.
8.
9.
Introduccin a la simulacin
Generacin de nmeros aleatorios
Simulacin con hojas de clculo
Identificacin de variables
Teora de colas
Colas en serie y teora de Redes
Revisin de programas de simulacin
Introduccin a Promodel
Modelos avanzados de simulacin
Simulacin
1. Introduccin a la simulacin
Conceptos bsicos
Qu es la simulacin?
Representacin
analtica de
sistemas apoyada en
herramientas matemticas y
computacionales que permiten
evaluar el impacto de cambios en
diferentes variables as como la
eleccin de los recursos y ptimos
para el proceso analizado.
Definiciones
Sistema
Variable
Conjunto de elementos relacionados total o parcialmente entre si y cuyos

elementos pueden depender de s mismos y de otros, tanto en el
presente como en el pasado.
Puede estar abierto o cerrado
Sistemas deterministas o estocsticos.
Esttico o dinmico
Representacin de un conjunto de datos
Variables independientes o dependientes
Variables endgenas y exgenas
Eventos
Discretos o Continuos
Para qu modelar
Entendimiento
Aprendizaje
Mejoramiento
Optimizacin
Toma
de decisiones
Aplicaciones de la simulacin
Mediante tcnicas de simulacin es posible desarrollar de
manera terica casos relacionados con:
Produccin
Logstica
Distribucin
Servicio al cliente
Construccin
Militar
Salud
Economa y Finanzas
Y muchos otros campos
Qu se necesita para simular?
Elementos de la simulacin
Proceso (Flujograma)
Estados:
Definir estados: nmero de clientes/sucesos en el sistema

Identificar las transiciones de los estados.
Identificar los eventos de llegadas y salidas del sistema

Caracterizar las variables del sistema (entradas, tiempos
de funcionamiento, salidas, etc.)
Generacin de eventos aleatorios
Reloj de Simulacin: paso del tiempo (delimitado).
Definir condiciones especiales en el modelo: paros,
mantenimientos, alertas, turnos, etc.
Pasos para una campaa de

simulacin
Inicio
Anlisis de la
situacin
Recoleccin
de datos
Experimentacin
Anlisis de
resultados
Construccin
del modelo
N
S
N
Representacin
real?
S
Es vlido?
S
Modificacin del
modelo?
Ms
experimentos?
N
Documentacin
Implementacin
Fin
Cundo modelar y cundo no?

Cundo
Cuando el problema se puede resolver fcilmente

de manera analtica
Cuando es demasiado costosa la simulacin
Cuando no se tienen datos reales de las
observaciones o estas estn incompletas
Cuando la situacin actual cambia con el tiempo
y no podemos proyectarla
Cundo
NO
SI
Todos los dems casos
Mtodos para la simulacin
Mtodos analticos: Segn el tamao y complejidad del proceso,

es posible utilizar sencillos desarrollos matemticos para resolver
un problema de simulacin. Entre ellas encontramos:
Teora de Colas
Teora de Redes
Sistemas Dinmicos
Algoritmos de mayor elaboracin
Mtodos computacionales: Cuando un sistema es relativamente

grande o contiene una serie de excepciones en las variables, se
vuelve compleja su resolucin analtica y por tanto se hace
indispensable la utilizacin de un programa especializado.
En general todo lenguaje y programa que permita generar nmeros

aleatorios
Lenguajes: C, Fortran, Pascal, Basic, Siman, Visual Slam, SimScript, etc.

Hojas de clculo en general
Programas especializados (aplicaciones de los lenguajes ya mencionados)
Simulacin
2. Generacin de nmeros
aleatorios
Introduccin
Los nmeros aleatorios son un ingrediente bsico para

simular casi cualquier sistema discreto. La gran mayora de
programas contienen una subrutina de generacin que facilita
su utilizacin.
Si se trata de un lenguaje de programacin, es necesario
generar un nmero aleatorio y de estos partir para la
generacin de variables aleatorias.
A continuacin se explican las tcnicas bsicas para la
generacin de nmeros aleatorios y posteriormente tcnicas
para la generacin de variables aleatorias a partir de estos
nmeros
Propiedades de los nmeros

aleatorios
Toda serie de nmeros aleatorios R1, R2, Rn, debe

cumplir con dos propiedades fundamentales,
Uniformidad e Independencia. Esto a su vez significa
que:
Si se grafican los nmeros aleatorios en el intervalo [0,1] y este

es dividido a su vez en n clases subintervalos de igual
magnitud, el nmero esperado de observaciones en cada
intervalo es de N/n donde N es el nmero total de
observaciones.
La probabilidad de observar un valor en un intervalo particular es
independiente del valor inmediatamente anterior.
Generacin de nmeros
pseudo-aleatorios
Si hablamos de Pseudo generar, queremos decir que

esta generacin es falsa por naturaleza.
Siempre que utilizamos una tcnica para generar
nmeros aleatorios, significa a su vez que hay una
ecuacin o frmula que permite dicha generacin por
tanto es pronosticable de alguna manera (ejemplo,
revisar los nmeros decimales de PI).
Para evitar estos inconvenientes, se acuden a
generaciones computacionales que eviten estos
problemas, no obstante, analizaremos solo un mtodo
matemtico que a su vez tiene dos composiciones.
Tcnica de congruencia lineal
Este mtodo propuesto inicialmente por Lehmer (1951) produce

una secuencia de enteros X1, X2, entre 0 y m-1 de acuerdo a la
siguiente relacin:
X i 1 aX i c mod m, i 0,1, 2...
El valor inicial X0, es llamado semilla, a es el multiplicador, c es el

incremento y m el mdulo (mdulo hace referencia al remanente
decimal producto de la divisin, as pues si decimos que 143mod100,

debemos dividir 143 entre 100 obteniendo 1.43, lo que quiere decir que su
mdulo es 43).
Si c es diferente de cero, se llama mtodo de congruencia lineal

mixto, de lo contrario se conoce como mtodo de congruencia lineal
multiplicativo.
La seleccin de las constantes a, c y m, as como de la semilla,
afectan drsticamente el resultado de los nmeros y por ende sus
propiedades y longitud de ciclo.
Ejemplo numrico 1
Use el mtodo de congruencia lineal mixto para generar una

secuencia de nmeros aleatorios con X0=27, a=17, c=43 y m=100.
Ntese que siempre los resultados estarn comprendidos entre 0 y
100 que es el mdulo elegido. As mismo, debe tener en cuenta que
el resultado debe ser dividido por el mdulo (100) para obtener un
intervalo ms adecuado.
Solucin: El desarrollo comienza por incluir la semilla en el nmero
siguiente. El resultado de este nmero se vuelve a incluir en el la
siguiente generacin y as sucesivamente hasta obtener la serie
total de nmeros.
X 0 27
R0 0.27
2
0.02
100
77
X 2 17 * 2 43 mod100 77 mod100 77
R2
0.77
100
52
X 3 17 *77 43 mod100 1352 mod100 52
R3
0.52
100
M
X 1 17 * 27 43 mod100 502 mod100 2
R1
Test para nmeros aleatorios
Una vez obtenida la serie de nmeros aleatorios, es

necesario revisarla para garantizar que cumpla con las
propiedades (uniformidad e independencia).
Existen dos mtodos bsicos segn la propiedad que se
desee comprobar.
Test de frecuencia: Utiliza el test de Kolmogorov-Smirnov o el

test de Chi cuadrado para comparar la serie con una distribucin
uniforme (este concepto ya es conocido por el estudiante).
Test de autocorrelacin: Mide la correlacin entre nmeros y
compara la muestra con una correlacin cero, es necesario
generar correlogramas y una prueba de hiptesis basada en la
distribucin normal (solo se enunciar).
Frecuencia (Kolmogorov-Smirnov)
Pasos mediante la prueba de Kolmogorov-Smirnov:
Ordene los datos en forma ascendente

Halle los valores de D+ y D i
R i
N
D max
i 1
D max Ri
N
D max D , D
Establezca el mayor de todos
Compare este valor mximo con el valor crtico de la tabla

Kolmogorov-Smirnov (diapositiva siguiente).
Si D<=Dcrtico, no hay diferencias entre la distribucin analizada y
una distribucin uniforme.
Test de frecuencia por Kolmogorov-Smirnov

Tabla de valores crticos de D
Frecuencia (Chi cuadrado)
Esta prueba utiliza el estadstico Chi comparando los datos

observados contra los esperados haciendo antes una ordenacin
por clases, donde los datos esperados en cada clase, por tratarse
de una distribucin uniforme, son iguales en todos los casos (Ei)
n
x02
i 1
Oi E i
Ei
Ei
N
n
Se espera entonces que la muestra analizada se distribuya Chi

cuadrado con n-1 grados de libertad.
Si Xo calculado < Xo tablas entonces se acepta la hiptesis nula
de que se trata de una distribucin uniforme.
Test de frecuencia por Chi-Cuadrado

Tabla de distribucin Chi de Pearson con n grados de libertad
Autocorrelacin:
Test de Durbin-Watson para autocorrelacin positiva y negativa

Funcin de Autocorrelacin Parcial (PACF)
Prueba de colas en una distribucin Normal.
No hay
Autocorrelacin
S hay
Autocorrelacin
Ejemplo numrico 2
Suponga que han sido generados los siguientes nmeros aleatorios y

se desea saber si cumplen con la propiedad de uniformidad mediante
el test de Kolmogorov-Sminrnov con un nivel de significancia del 5%.
(0.44, 0.81, 0.14, 0.05, 0.93)
Solucin:
Primero debemos ordenar los nmeros en forma ascendente y aplicamos

las frmulas respectivas.
Hallamos entonces el mximo D, esto es
i
i
1
D max D , D max max
R i , max
Ri
Tenemos entonces que D=0.26

Comparamos este valor con la tabla de valores crticos de D para un nivel
del 5% (0.563) y como D<Dcrtico, la hiptesis que la distribucin de la serie
es uniforme NO es rechazada.
Generacin de variables
aleatorias
La
sola generacin de nmeros aleatorios es

indispensable ms no suficiente para una
simulacin ya que en la mayora de los casos
es necesario utilizar una distribucin de
probabilidades asociada al sistema a
modelar.
A continuacin, examinaremos la tcnica
ms utilizada para la generacin de variables
aleatorias a partir de nmeros aleatorios.
Tcnica de la transformada
inversa
La TTI puede utilizarse en cualquier distribucin
de probabilidad donde conozcamos su funcin de
distribucin acumulada.
Para hacer una explicacin detallada, tomaremos
como ejemplo la distribucin exponencial. Esta
distribucin tiene entonces:
Funcin de densidad:
e x x 0
f x
x0
0
Funcin de probabilidad:
F x
1 e x x 0
f x dx
x0
0
inversa
La idea es sustituir la serie de nmeros aleatorios en la
funcin de distribucin acumulada FDA, en resumen los
pasos son los siguientes:
1.
2.
3.
Hallar la funcin de distribucin acumulada F(x)

Igualar la FDA a R
Resolver la ecuacin F(x)=R en trminos de x
F x 1 e x R
e x 1 R
x ln 1 R
1
x ln 1 R
Funcin generadora de
variables aleatorias para la
distribucin exponencial
inversa
Esta funcin tambin puede notarse como X=F-1(R)

en cualquier distribucin de probabilidad.
Con este resultado, sustituimos cada uno de los
nmeros de la serie aleatoria y podemos construir
una funcin de probabilidad con una distribucin
especfica, muy til para utilizarla en simulaciones
posteriores.
A continuacin examinaremos esta tcnica en otra
distribucin (Weibull).
inversa
Funcin generadora de variables aleatorias para la

distribucin Weibull

F x 1 e B R

e B 1 R
ln 1 R
ln 1 R
x B ln 1 R
Ejemplo numrico 3
Suponga la serie de nmeros aleatorios

hallada en el ejemplo numrico 1.
Sobre esta serie aplique la funcin
generadora de variable aleatoria
exponencial, asumiendo un parmetro
lambda de 6.
1
x ln 1 R
R
(Aleatorio
inicial)
Xi (expo
resultante
)
0.27000
0.05245179
1
0.02000
0.00336711
8
0.77000
0.52000
0.24494599
5
0.27000
0.02000
0.12232819
6
0.77000
0.05245179
1
0.52000
La serie x resultante es una distribucin

exponencial con media 1/lambda (1/6).
Etc..
0.00336711
Distribucin
Exponencial
8
Distribucin
Uniforme
TTI
0.24494599
5
0.12232819
2
Distribucin
uniforme
(nmeros
aleatorios
generados
con el
mtodo de
congruencia
lineal mixto)
Distribucin
exponencial
resultante al
aplicar la
TTI
Algunas funciones de TTI*

Distribucin
Generador
Ti
Normal
Ni
Exponencial
Weibull
Poisson
a = lmite inferior
b = lmite superior
Ui a b a ri
Uniforme
Triangular
Parmetros
c a
b a
c a
b a b c 1 ri , si ri
b a
b a c a ri , si ri
2ln 1 r sin 2 r
cos 2 r j
2ln 1 ri
i
Uniforme:
a = lmite inferior
c = moda de la distribucin
b = lmite superior
Triangular:
= media de la distribucin
= Desviacin estndard.
Normal:
Exponencial:
1/= media de la distribucin
1
Ei ln 1 ri
Poisson:
x B ln 1 R
Inicializacin: Hacer N=0, T=1 y generar un aleatorio r i.
Paso 1: Calcular T=Tri.
Paso 2: Si T>=e-, entonces hacer N=N+1, T=T y
calcular otro ri, y regresar al paso 1.
Si no, la variable generada est dada por Pi=N.
1
*Tomado de: Garca, Eduardo. Simulacin y anlisis de sistemas con Promodel, cap 3.
Intervalos de confianza
Simulaciones terminales: Intervalo definido o eventos que dan por terminada la

simulacin
s
IC x
t / 2,r 1 , x s t / 2,r 1
r
r
s
, x
r / 2
s
IC x
r / 2
Distribuciones normales
Otras distribuciones
Donde:
r =nmero de rplicas
= nivel de rechazo
Simulaciones no terminales o de estado estable: Independientemente del tiempo

transcurrido, los elementos se estabilizan en un comportamiento determinado. Este caso
requiere del clculo de longitud de rplicas.
Longitud de rplicas: Se debe garantizar que la variacin entre rplicas no sea
significativa.
Z / 2
n

1
n

Distribuciones normales
Otras distribuciones
Simulacin
3. Simulacin con hojas de
clculo
Concepto general
Toda serie que incluya en el tiempo un comportamiento aleatorio es

modelable mediante hojas de clculo, as como las distribuciones
personalizadas y los procesos de llegada y atencin.
El concepto bsico est dado por la generacin de nmeros aleatorios y su
aplicacin a la serie mediante ecuaciones dinmicas la conversin a la
distribucin de probabilidad asociada
Una vez generada la iteracin por eventos o por tiempos (segn el mtodo
de avance del tiempo), se debe repetir la simulacin segn si es terminal o
de estado estable.
Al finalizar la simulacin, se debe analizar el resultado en estado estable y
las diferentes rplicas, y sern estos resultados los que permitan realizar
las conclusiones de la simulacin.
A continuacin realizaremos algunos ejemplos bsicos desarrollados en
Excel.
Paseo Aleatorio
Es el resultado de hacer sucesivas iteraciones aleatorias en el

tiempo, lo que conforma una senda variante en el tiempo. En ingls
se conoce como Random Walk.
Sus resultados han tenido mltiples aplicaciones tanto en la
Economa, las Finanzas, los Juegos de Azar, la Sociologa, la Fsica
y la Biologa.
Definicin: Sea Xt una serie temporal que comienza en la posicin
en X(0)=X0, su trayectoria est dada por:
x t xt
Donde define la variable aleatoria que describe la probabilidad de
la direccin del siguiente paso.
Algunas aplicaciones de los

paseos aleatorios
Suponga una accin que comienza costando $100 y no tiene tendencia

alguna, haciendo que su comportamiento en el tiempo sea aleatorio.
Mediante cuatro series aleatorias es posible entonces describir este
paseo aleatorio como se muestra a continuacin:
Esto dar como resultado una serie de incrementos y decrementos que

no puede ser pronosticada, esto es en s un paseo aleatorio.

paseos aleatorios (tendencia)
Si la serie tiene alguna clase de pronstico (tcnicas de Forecasting), es

posible determinar una tendencia fija, no obstante la naturaleza aleatoria de la
serie puede afectar los resultados. Este es el concepto bsico de la
especulacin financiera (bonos, acciones, divisas, etc.).
Por citar un ejemplo, suponga una serie cuyo comportamiento ha sido
modelado bajo la siguiente ecuacin:
x t xt
Donde =1.001
Se espera que el parmetro alfa garantice un incremento constante del 0.1%
sobre la accin. Un inversionista que conozca este modelo, comprar entonces
esta accin y har un anlisis financiero simple estableciendo que el retorno
neto ser de 2.94% mensual, es decir que si invierte $100, obtendr $102.94 a
final de mes (Vf=Vp*(1+Crecimiento)^29), claramente mayor a la DTF actual,
haciendo atractiva la inversin.

paseos aleatorios (tendencia)
Al incluir la naturaleza estocstica dentro de la serie, los resultados

pueden variar positiva negativamente. A continuacin se presenta
la formulacin en Excel.
Lo que arroja un resultado negativo en este caso, haciendo que el

retorno sea de -6.14%.

paseos aleatorios (Martingalas)
Otras aplicaciones se presentan con frecuencia mediante la

Martingala (determinado proceso estocstico).
La Martingala tiene mltiples aplicaciones, una de ella es en los
juegos de azar, donde se asume que tanto la banca como el
jugador tienen un capital infinito, de esta manera si el jugador
pierde, duplica su apuesta en forma sucesiva hasta que el juego lo
premia y recupera todo lo invertido.
En forma prctica el supuesto de recursos infinitos no se cumple,
haciendo que eventualmente la banca gane el juego.
Adicionalmente existe un desbalance en las probabilidades pues la
banca no paga por los resultados 0 00, inclinando las
probabilidades hacia la prdida.
Un ejemplo sencillo se puede observar en Excel.
Otras aplicaciones de las hojas

de clculo: Modelo de colas MM1
Se puede tambin modelar un proceso de llegadas y atencin

mediante la conversin de la serie aleatoria a la funcin de
probabilidad asociada (tcnica de la transformada inversa).
Suponga un sistema de colas donde los clientes arriban de acuerdo
a una distribucin exponencial entre llegadas con parmetro de 5
min y una atencin con parmetro exponencial de 4 min. Determine
los indicadores de esta cola MM1.
A continuacin se presenta la formulacin en Excel para su
desarrollo:
Otras aplicaciones de las hojas

de clculo: Modelo de colas MM1
Una vez corrida la simulacin para 200 registros con 20 rplicas, se encuentra que
el tiempo promedio en cola est alrededor de los 14 minutos (rango entre 12 y 17).
La variabilidad ocurre por la naturaleza estocstica involucrada en la formulacin y
por la poca cantidad de registros analizados.
Si resolvemos este sistemas con la formulacin bsica de teora de colas

encontraremos que el Wq es de 16 minutos, valor que coincide con el rango
hallado, pero que por sus generalidades de convergencia infinita, ignora los
conceptos estocsticos involucrados.
Ventas variables por hora

Suponga una venta de arepas ubicada en un sector universitario cuya
clientela es estudiantil. La clientela siempre est de afn y desea
rpida atencin. Los tiempos entre llegadas se distribuyen
exponencialmente sin embargo segn la hora del da las llegadas son
diferentes (ver histograma). El tiempo de atencin es exponencial con
media de 1 minuto. Cul es la cola y el tiempo de atencin promedio?
Procesamiento de piezas
El tiempo que transcurre entre la llegada de ciertas piezas a una
estacin de inspeccin sigue una distribucin exponencial con media
de 5 minutos/pieza. El proceso est a cargo de un operario y la
duracin de la inspeccin sigue una distribucin normal con media de
4 y desviacin estndar de 0.5 min/pieza. Calcular el tiempo promedio
de permanencia de las piezas en el proceso de inspeccin.
Modelos de Inventarios
Existen mltiples modelos de inventarios en la literatura que buscan

optimizar el valor de compras, pedidos y por ende el costo total de
la mercanca.
Los modelos bsicos van desde el EOQ (comienzos de siglo XX)
hasta modelos heursticos y meta-heursticos que implementan
algoritmos inteligentes que construyen las sendas ptimas.
Para simular estos modelos comenzaremos con sistemas bsicos
sin reorden y sin lead time, con demanda esttica. Luego se
relajaran algunos supuestos hasta conformar modelos ms
complejos.
Simulacin
4. Identificacin de variables
Medicin de variables
Toda variable involucrada en el sistema debe ser medida

Para ello partimos de datos histricos del proceso y de
estimaciones realizadas a partir de un muestreo
Una serie suficientemente grande de datos nos permite
identificar primero grfica y luego estadsticamente el
comportamiento de cada variable
Los datos ms comnmente estimados en un modelo son:
Tiempos de atencin y procesamiento

Tiempos entre llegadas
Cantidad de entradas al sistema: frecuencia
Probabilidades de ruteo y error
Muestreo
Herramienta fundamental para la medicin de tiempos y tipificacin de los

mismos.
Principio fundamental: La informacin se recoge cuando algo ocurre
Se captura todo ingreso y salida del proceso o conjunto de ellos
Ejemplo sencillo en un sistema de una cola con un servidor:
De esta tabla podemos elaborar:
Ejemplo de un programa sencillo en Excel

para capturar tiempos en una operacin
Nombre una hoja de clculo como Captura
Cree los ttulos como se muestra a continuacin
e inserte un botn llamado capturar
Luego ascielo a una subrutina llamada captura
como se muestra en el cdigo de la derecha.
Los datos resultantes de la columna D, sern

los tiempos de la operacin, estos datos
determinarn la distribucin de probabilidad
asociada al proceso.
Sub captura()
Dim cap As Worksheet
Set cap = Sheets("Captura")
j=4
Do While cap.Cells(j, 1) <> ""
If cap.Cells(j + 1, 2) = "" Then
cap.Cells(j + 1, 2) = Time()
cap.Cells(j + 1, 1) = j - 3
Exit Sub
Else
If cap.Cells(j + 1, 3) <> "" Then
j=j+1
GoTo siguiente
Else
cap.Cells(j + 1, 3) = Time()
cap.Cells(j + 1, 4) = (cap.Cells(j + 1, 3) - cap.Cells(j + 1, 2)) *
3600 * 24
Exit Sub
End If
End If
j=j+1
siguiente:
Loop
End Sub
Anlisis de los datos
Una vez realizado el muestreo (mnimo 30 registros por cada actividad),

es necesario realizar agrupaciones que permitan elaborar una
distribucin de frecuencias desde la cul se puedan identificar las
posibles distribuciones de probabilidad que describan la serie.
Sobre las distribuciones que se desee verificar, es necesario luego
realizar una prueba de bondad de ajuste (test estadstico que indica
cun cerca o lejos est una serie de una distribucin especfica)
Test Chi cuadrado: Compara contra poblaciones normalmente
distribuidas
Test de Kolmogorov-Smirnov: Compara contra cualquier otra
distribucin.
Test de Anderson Darling: Compara contra cualquier otra distribucin.
Es decir que primero graficamos mediante un histograma de frecuencias y
luego realizamos los test estadsticos segn el caso
Anlisis de los datos
Este proceso debe aplicarse a todas las actividades involucradas en la

modelacin, obteniendo finalmente algo como lo plasmado en la grfica
(ejemplo atencin en una cafetera)
Entrada
Llegada de
clientes
P(90)
Caja
Cocina
Barra
Solicitud de
Pedido
E(1,2)
Alistamiento
del pedido
G(2,5)
Entrega del Pedido

al usuario
N(0.5,1)
Salida
Existen adems paquetes computacionales especializados que ya elaboran

todos estos procesos, entre ellos encontramos: STATA, SPSS, EVIEWS, Cristal
Ball, Expert Fit, etc.
Adicionalmente, Promodel cuenta con una herramienta incorporada llamada
Stat-Fit, a continuacin haremos una introduccin a su uso.
Utilizacin de StatFit
Es un programa anexo a Promodel que permite identificar

distribuciones estadsticas de cualquier serie de datos
La versin estudiantil solo permite analizar 50 datos por serie.
Por
ejemplo, supongamos que

tenemos una serie de 30 datos en
STAT FIT tal como nos muestran
las grficas de la derecha.
Una vez introducidos los datos,
es posible realizar varias
acciones con ellos, como graficas
y estadsticas descriptivas
Adicionalmente, es posible
ejecutar un comando llamado
AUTOFIT que mediante
diferentes tcnicas puede
establecer las diferentes
distribuciones de probabilidad
asociadas a la serie
Ahora aplicamos el AUTOFIT para determinar cul es la distribucin

que mejor describe estos datos.
Le decimos al programa que sin lmite o no acotado (es mejor no

acotar el lmite, es decir Unbounded)
Lo que nos da como

resultado un ajuste en tres
diferentes distribuciones,
todas en este caso vlidas.
Seleccionando una o
varias de ellas, nos
muestra el histograma que
describe la serie y sobre el
mismo ubica la funcin de
densidad de la distribucin
sugerida (muy ajustada en
algunos casos como
muestra la grfica)
Adicionalmente, es posible verificar las pruebas de bondad de ajuste

de cada una de las distribuciones analizadas (Chi Cuadrada, Anderson
Darling y Kolmogorov Smirnov por lo general).
Finalmente, es necesario exportar la distribucin seleccionada en el

mismo formato que el programa destino, en este caso Promodel.
Para hacer esto simplemente vamos a Export > Export Fit y luego le
indicamos la distribucin que vamos a exportar y en el combo
desplegable izquierdo (Aplicacin) seleccionamos PROMODEL.
Lo que nos arroja finalmente una distribucin resultante en formato

PROMODEL de:
Normal: N(9.87, 4.52)
Lognormal: -1920+L(1939, 4.538)
Uniforme: U(8.81, 10.2)
Simulacin
5. Introduccin a la teora de
Colas
Definicin e historia
Una cola es una lnea de espera de cualquier clase de recurso

(personas, materiales, documentos, etc.)
La teora de colas es el conjunto de modelos matemticos y
computacionales que intentan explicar el comportamiento de las
lneas de espera
Su precursor fue Erlang (Ingeniero Dans 1978 1929), quien en
1909 public su primer trabajo sobre la modelacin de las esperas y
su dimensionamiento en la empresa de telfonos de Copenhague
Con el tiempo sus teoras fueron ampliamente aceptadas y
aplicadas a muchos otros campos, incluso hoy en da.
Hay muchos otros padres y aportes posteriores (Chebyshov ,
Markov, Kendall, Little, entre otros)
Las colas son una aplicacin particular de los procesos estocsticos
Proceso de nacimiento y
muerte
Esquema bsico para modelacin de colas (cambios en tamao de

poblacin)
El proceso de nacimiento y muerte describe en trminos

probabilsticos como cambia N(t) al aumentar t
Suposiciones:
Nacimiento: llegada de un nuevo cliente al sistema

Muerte: salida de un cliente servido
N(t): nmero de clientes que hay en el sistema en un momento t
Dado N(t)=n, la distribucin de probabilidad actual del tiempo que falta para el
prximo nacimiento es exponencial con parmetro
Dado N(t)=n, la distribucin de probabilidad actual del tiempo que falta para la
prxima muerte (terminacin) es exponencial con parmetro
n solo puede saltar 1 estado a la vez
Diagrama de tasas:
Proceso de nacimiento y
muerte
Principio clave (ecuacin de balance):
Tasa media de entrada = Tasa media de salida
Estado 0:
P 1 1 P 0 0
P 1
Estado 1:
0
0
P 0 0
1
P0 0 P2 2 P11 P11 P2 2 P1 1 1 P00

P1 1 1
P P
P2
P0 0 0 0 1 0 0 1 P0 0
2
2
1 2
2
Generalizando:
...
pn 0 1 2 n 1 ,
12 3 ...n
n=0
P2
P001
0 1
Componentes de una Cola

Fuente de
entrada
Cola
Proceso
o servicio
Salida
Definiciones
N(t): Nmero de clientes en el estado t

: Tasa de utilizacin (debe ser menor a 1 para que el sistema sea estable)
Pn(t): Probabilidad de hallar n clientes en el sistema en el instante t
S: Nmero de servidores
Nmero de clientes por unidad de tiempo (tasa de llegada)
L: Nmero esperado de clientes en el sistema
L
q: Nmero esperado de clientes en la cola
W: Tiempo de espera en el sistema (cola y servicio) para cada cliente

Tasa media de servicio (nmero esperado de clientes que completan su servicio
por unidad de tiempo)
W q: Tiempo esperado en la cola para cada cliente
Abandono e Impaciencia
Notacin y Disciplina
Notacin: A/B/C/D/E
A: Distribucin de tiempos de llegada

B: Distribucin de tiempos de salida
C: Nmero de servidores
D: Capacidad del sistema
E: Disciplina de la cola
Disciplinas
FIFO: Primero en llegar, primero en servirse

LIFO: ltimo en llegar, primero en servirse
SIFO: Se atiende primero las tareas que demandan menor servicio
RR (Round Robin): Se reparte el tie po del recurso equivalente
entre todas las tareas pendientes
Cola M | M | 1
Hay una sola cola, cuya capacidad es infinita, y un solo

servidor, La disciplina ser FIFO
Las llegadas se producen segn un proceso de Poisson
de razn , donde es el nmero medio de llegadas por
unidad de tiempo y 1/ es el tiempo medio entre
llegadas, Los tiempos entre llegadas se distribuirn
exponencialmente, Exp()
Los tiempos entre servicios tambin se distribuirn
exponencialmente, Exp(), de tal manera que es el
nmero medio de clientes que el servidor es capaz de
atender por unidad de tiempo y 1/ es el tiempo medio
de servicio
Condicin de no saturacin
Se demuestra que si , el sistema se satura,

es decir, el nmero de clientes en la cola crece
indefinidamente con el tiempo, Por consiguiente,
la condicin de no saturacin ser:
1, donde
Cuando una cola no se satura, tambin se dice

que alcanza el estado estacionario,
Probabilidades
parmetro se llama carga, flujo o
intensidad de trfico del sistema, puesto que
mide la relacin entre la cantidad de trabajos
que llegan y la capacidad de procesarlos
Suponiendo que el sistema no se satura, se
deduce la siguiente frmula para las
probabilidades pn de que haya n clientes en
el sistema, donde nN:
El
p n 1
n
Medidas de rendimiento
El nmero medio de clientes en el sistema, L, se

calcula as:
j 0
j 0
L j p j j 1 1 j j
j
j 0
Sumamos la serie aritmtico-geomtrica:

S 2 2 3 3 4 4 ...
S
2 2 3 3 4 ...
1 S ...
1
L 1
2
1 1
2
La utilizacin del servidor, notada U, es la fraccin de

tiempo (en tanto por uno) que el servidor permanece
ocupado, Para hallarla, nos valemos de que cuando no
hay saturacin, el nmero medio de clientes que entran
en el sistema debe ser igual al nmero medio de
clientes que salen de l:
U U
Como para deducir la anterior frmula no hemos

usado ninguna caracterstica especial del modelo
de entrada ni del de salida, dicha frmula es vlida
para colas G | G | 1
El tiempo medio de respuesta W es el tiempo medio que

un trabajo permanece en el sistema, Si suponemos que
un trabajo, al llegar al sistema, se encuentra con que
hay por delante de l otros j trabajos, el tiempo medio
que tardar en salir del sistema ser j+1 veces el tiempo
medio de servicio, Por lo tanto:
W
j 0
1
j 1
Tiempo que se pasa

en el sistema si
hay j por delante
al llegar
pj
j 0
1
1
L 1
j pj pj

j 0
Probabilidad de que
haya j por delante
al llegar
Podemos simplificar algo ms:

L 1
1
W

El tiempo medio de espera en la cola Wq se hallar

restando a W el tiempo que tarda en ser servido el
trabajo (esto es vlido para cualquier tipo de cola):
1
Wq W
En el caso particular de una cola M | M | 1,

obtenemos:
Wq

Ejemplo
Unos mecnicos llegan a una media de 10 por hora

a recoger piezas de repuesto, Estas piezas se las
da un dependiente pagado con $5/hora y que tarda
como media 5 min en servir, Cada hora que tiene
que esperar un mecnico (en el sistema) le cuesta
al taller $10, Queremos saber si merece la pena
contratar a un ayudante del dependiente, pagado
con $4/hora, de forma que el tiempo medio de
servicio se reduzca a 4 min
Nota: Al resolver un problema de colas, tener
siempre muy presente la coherencia de unidades
Ejemplo
Tenemos dos opciones:
Sin ayudante: 1/1 = 5 min = 1/12 h

Con ayudante: 1/2 = 4 min = 1/15 h
En ambos casos, = 10 clientes/h

Opcin 1 (sin ayudante):
10
10
1
1 ; L1
12 5 mecnicos
12
1 1 1 10
12
Por tanto, perdemos 5($10/h) = $50/h
Ejemplo
Opcin 2 (con ayudante):

10
10
1
2 ; L1
15 2 mecnicos
15
1 1 1 10
15
Por tanto, perdemos 2($10/h) = $20/h debido a

la espera de los mecnicos, Pero tambin
perdemos $4/h debido al sueldo del ayudante,
Por tanto, las prdidas totales son $24/h
En la opcin 1 perdemos $50/h y en la opcin
2 perdemos $24/h, con lo cual la ms
ventajosa es la opcin 2.
Cola M | M | s
Hay una sola cola, cuya capacidad es infinita, y s

servidores, La disciplina ser FIFO
Las llegadas se producen segn un proceso de
Poisson de razn , donde es el nmero medio de
llegadas por unidad de tiempo y 1/ es el tiempo
medio entre llegadas, Los tiempos entre llegadas se
distribuirn exponencialmente, Exp()
Los tiempos de servicio tambin se distribuirn
exponencialmente, Exp(), de tal manera que es
el nmero medio de clientes que cada servidor es
capaz de atender por unidad de tiempo y 1/ es el
tiempo medio de servicio
Se demuestra que si s, el sistema se satura,

es decir, el nmero de clientes en la cola crece
indefinidamente con el tiempo, Por consiguiente,
la condicin de no saturacin ser:
1, donde
Nosotros slo estudiaremos las colas que no

se saturan, Cuando una cola no se satura,
tambin se dice que alcanza el estado
estacionario,
Probabilidades
Suponiendo que el sistema no se satura, se

deducen las siguientes frmulas para las
probabilidades pn de que haya n clientes en el
sistema, donde nN:
1
n
p0
s ! 1 n 0 n !
s n
p0 , si n 0,1,..., s
n!
pn
s n
s
s ! p0 , en otro caso
s 1
Nmero medio de clientes en cola:
s s s 1p0
Lq
2
s ! 1
Usamos razonamientos ya vistos para
obtener:
1
W Wq
Lq Wq
L W
Otras medidas de rendimiento
Nmero medio de servidores ocupados, C, En

el estado estacionario, la razn de las salidas
ser igual a la razn de las llegadas:
c c s
Probabilidad de que un trabajo tenga que

esperar para recibir su servicio (frmula de
retraso de Erlang):
s s s p0
q
s ! 1
Ejemplos
Ejemplo:
Usando L como medida de

rendimiento, comparar estas dos alternativas:
Alternativa 1:
Alternativa 2:
/2
/2
Ejemplos
Alternativa 1:
L1
Alternativa 2:
2

2
2
2
2
2!1 n 0 n!
p02
2 1
Ejemplos
4
p02
1 2
2 1
4 2 2 4 4

21
2 2
p02
21
2
L2 W2 Wq 2 Wq 2
Wq 2 2
4 3 p02
2 3 1
L2 Lq 2 2
2
2
2
2
1 1
21
Ejemplos
2 3
2 3 2 2 3
2
L2
2
1 1
1 1 1 1
Para que la alternativa 1 sea mejor, ha de

cumplirse que L1<L2:

2
2
0 1
1 1 1
1
1
1 2 1
Como <1 siempre se cumple, tendremos

que la alternativa 1 siempre es mejor, Es
decir, no conviene dividir la capacidad de
procesamiento en dos servidores
Ejemplos
Ejemplo: Usando el nmero medio de clientes en el

sistema como medida de rendimiento, comparar estas
dos alternativas:
Alternativa 2:
Alternativa 1:
/2
/2
/2
/2
/2
/2
Ejemplos
Alternativa 1 (ntese que hay 2 colas):

1
2
L1 2
, donde
1 1 1
Alternativa 2 (es la alternativa 2 del ejemplo

anterior):
2

2
2
L2
2
1 1
Ejemplos
Para que la alternativa 2 sea mejor, ha de

cumplirse que L1>L2:
2
2
2
1
0 1
1 1 1
1
1
1 1 0
Como >0 siempre se cumple, tendremos

que la alternativa 2 siempre es mejor, Es
decir, no conviene poner dos colas, sino
tener una nica cola global
Ejemplos
Ejemplo: En una copiadora se dispone de 3

mquinas fotocopiadoras a disposicin del pblico,
Cada mquina es capaz de servir, por trmino
medio, 8 trabajos cada hora, A la copiadora llegan
como promedio 5 clientes a la hora,
Parmetros del sistema: = 5 clientes/h, = 8
clientes/h, s = 3 servidores, El sistema no se satura
porque <1,
5
5
s 38 24
Ejemplos
Cul es la probabilidad de que las tres mquinas

estn libres a la vez?
1
s 1 s
2
ss s
33 3

p0
s ! 1 n 0 n !
3! 1 n 0 n !
1
1
0
1
2
33 3
125
5
25
304
0,5342706
3! 1
0
!
1
!
2
!
2432
8
128
569
Cul es el nmero medio de clientes en la

cola?
33 4 304
s s s 1p0
302
569
Lq
0,00722643 clientes
2
2
41791
s ! 1
3! 1
Ejemplos
Cul es el tiempo medio de espera en la cola?

Wq
Lq
302
52
0,00144529 h
541791 35979
Cul es el tiempo medio de espera en el

sistema?
1
52
1 514
W Wq
35979
4065
0,126445 h
Cul es el nmero medio de clientes en el

sistema?
L W 5
514 514
0.632226 clientes
4065 813
Resumen de ecuaciones de
Little
M/M/1
P0 1

Pn

2
Lq

M/M/1/n
P0
M 1
Pn P0 , n M
n
M 1

L
M 1
1
1
L
1 PM
1
Wq W
M 1
Lq L
1 PM
P0
Wq

M/M/S
n s 1
n 0
1
1
n !
s !
ns
s !s
1
n !

Pn
s
s
P0 n s
ns
P0
s 1 ! s
L
W
P0
Lq L
Wq W
Simulacin
6. Colas en serie y teora de
Redes
Redes de colas
Una
red de colas es un sistema donde

existen varias colas y los trabajos van
fluyendo de una cola a otra
Ejemplos:
Fabricacin (trabajos=artculos)
Oficinas (trabajos=documentos)
Redes de comunicaciones (trabajos=paquetes)
Sistemas operativos multitarea (trabajos=tareas)
Enrutado de trabajos
Criterios
para decidir a qu cola se dirige un

trabajo que acaba de salir de otra:
Probabilstico: se elige una ruta u otra en funcin

de una probabilidad (puede haber distintos tipos
de trabajos, cada uno con sus probabilidades)
Determinista: cada clase de trabajo se dirige a
una cola fija
Tipos de redes de colas

Se
Abiertas: Cada trabajo entra al sistema en un

momento dado, y tras pasar por una o ms colas,
sale del sistema, Dos subtipos:
distinguen dos tipos de redes de colas:
Acclicas: Un trabajo nunca puede volver a la misma

cola (no existen ciclos)
Cclicas: Hay bucles en la red
Cerradas: Los trabajos ni entran ni salen del

sistema, Por lo tanto permanecen circulando por
el interior del sistema indefinidamente,
Usualmente existe un nmero fijo de trabajos,
Red abierta acclica
Red abierta cclica
Red cerrada
Redes de Jackson abiertas
Una red de colas abierta se dice que es de Jackson

si:
Slo hay una clase de trabajos

Los enrutados son probabilsticos, donde rij 0 es la
probabilidad de ir al nodo j despus de haber salido del nodo
i, Por otro lado, ri0 es la probabilidad de abandonar del
sistema despus de haber salido del nodo i, donde ri0 = 1
jrij
Cada nodo i es una cola .|M|ci
La tasa de llegadas externas al nodo i se notar i
El nmero total de nodos de la red se notar K
Ecuaciones de equilibrio
Dado
que el flujo total de entrada a un nodo

debe ser igual al flujo total de salida del
nodo, tendremos que:
K
i i j rji , i 1,..., K
j 1
Las
K ecuaciones anteriores forman un

sistema lineal con solucin nica, que
resolveremos para hallar las tasas de
llegada a cada nodo i
Para
que ninguna de las colas del sistema se

sature, es preciso que se cumpla la siguiente
condicin:
i
i 1,2,..., K , i 1, donde i
ci i
Nota:
Se trata de la condicin de no
saturacin del modelo M|M|c, aplicada a
cada uno de los nodos por separado
Teorema de Jackson para

redes abiertas
Teorema: Sea una red de Jackson abierta que

cumple la condicin de no saturacin, Entonces en
el estado estacionario, la distribucin del nmero de
clientes en cada nodo es la que sigue:
K
p(n) pi ( ni ), n1 ,K , nK 0
i 1
donde pi(ni) es la probabilidad de que haya ni

clientes en el nodo i, calculada segn las
ecuaciones del modelo M|M|c
Consecuencias del teorema

Corolario:
Las medidas de rendimiento para

cada nodo se calculan segn las ecuaciones
del modelo M|M|s, Adems se tendrn las
siguientes medidas:
Tasa global de salidas del sistema (throughput),

que es el nmero medio de trabajos que salen del
sistema por unidad de tiempo, Coincide con el
nmero de trabajos que entran en el sistema:
K
red i
i 1
Nmero medio de trabajos en el sistema, L red, que

es la suma de los nmero medios de trabajos en
cada uno de los nodos:
K
Lred Li
i 1
Tiempo medio en el sistema, Wred, que es el

tiempo medio que pasa una tarea desde que
entra en la red hasta que sale de ella:
Wred
Lred
red
Razn de visitas al nodo i, Vi, que es el nmero

medio de veces que un trabajo visita el nodo i
desde que entra en la red hasta que sale:
i
i 1,2,..., K , Vi
red
Nota: en una red acclica habr de cumplirse
que Vi1 i{1,2,,,,,K}, ya que cada tarea
visitar cada nodo a lo sumo una vez
Ejemplo (red acclica)

1,5
0,2
0,8
0,6
0,4
4
5
0,5
i 2 i 1,2,..,6
Ecuaciones de equilibrio:
1 1; 2 1r12 ; 3 1r13 ;
4 3r 34 ; 5 3r 35 6 r65 ; 6 6
En el ejemplo, 1=1,5; r12=0,2; r13=0,8; r34=0,6; r35=0,4;

6=0,5; r65=1; con lo cual la solucin es:
1 1,5; 2 0,3; 3 1,2;
4 0,72; 5 0,98; 6 0,5
Condicin de no saturacin (se cumple porque i<1):

i
i 1 0,75; 2 0,15; 3 0,6;
i
4 0,36; 5 0,49; 6 0,25
Medidas de rendimiento (ecuaciones del modelo M|

M|1): i
Li
L1 3; L2 0,1764; L3 1,5;
1 i
L4 0,5625; L5 0,9607; L6 0,3333

1
Wi
W1 2; W2 0,5882; W3 1,25;
i i
W4 0,78125; W5 0,9803; W6 0,6666

1
Wqi Wi Wq1 1,5; Wq 2 0,0882; Wq 3 0,75;
i
Wq 4 0,28125; Wq 5 0,4803; Wq 6 0,1666
Red abierta cclica

0,2
0,3
7
0,
0,8
0,1
0,9
i 3 i 1,2,4
i 4 i 3,5
0,6
4
5
Ejemplo (red cclica)
1 1; 2 1r12 ; 3 3 1r13 5 r53 ;
4 3r 34 ; 5 3r 35
En el ejemplo, 1=0,2; r12=0,3; r13=0,7; 3=0,8; r53=0,6;

r34=0,1; r35=0,9; con lo cual la solucin es:
1 0,2; 2 0,06; 3 2,0434;
4 0,2043; 5 1,8391
Condicin de no saturacin (se cumple porque i<1):

i
i 1 0,0666; 2 0,02; 3 0,5108;
i
4 0,0681; 5 0,4597
Medidas de rendimiento (ecuaciones del modelo M|

M|1): i
Li
L1 0,0714; L2 0,0204; L3 1,0443;
1 i
L4 0,0731; L5 0,8511

Wi
1
W1 0,3571; W2 0,3401; W3 0,5111;
i i
W4 0,3576; W5 0,4627
1
Wqi Wi Wq1 0,0238; Wq 2 0,0068; Wq 3 0,2611;
i
Wq 4 0,0243; Wq 5 0,2127
Redes de Jackson cerradas
Una red de colas cerrada se dice que es de

Jackson sii:
Slo hay una clase de trabajos

Los enrutados son probabilsticos, donde rij 0 es la
probabilidad de ir al nodo j despus de haber salido del
nodo i,
Cada nodo i es una cola .|M|ci
Hay una cantidad constante M de trabajos en el sistema
El nmero total de nodos de la red se notar K
Dado que el flujo total de entrada a un nodo debe

ser igual al flujo total de salida del nodo, tendremos
que:
K
*j rji , i 1,..., K
*
i
j 1
Las K ecuaciones anteriores forman un sistema

lineal indeterminado con un grado de libertad,
que resolveremos para hallar las tasas de
llegada relativas a cada nodo i*, Para ello
fijaremos un valor positivo arbitrario para una
incgnita, por ejemplo 1*=1
Anlisis del valor medio

Hallaremos
las siguientes medidas de

rendimiento para M tareas en el sistema:
Li(M)=Nmero medio de tareas en el nodo i
Wi(M)=Tiempo medio que cada tarea pasa en el

nodo i cada vez que lo visita
i(M)=Tasa real de salidas del nodo i
Se
trata de un algoritmo iterativo que va

calculando Li(m), Wi(m) para valores
crecientes de m a partir de m=0
Anlisis del valor medio

Las
ecuaciones son:
1 L j (m 1)
W j ( m)
,
j
c j j
L j ( m) m
*jW j (m)
i1 Wi (m)
j ( m)
*
i
L j ( m)
W j ( m)
j 1,..., K m 1,..., M
, j 1,..., K m 1,..., M
, j 1,..., K m 1,..., M
L j (0) 0, j 1,..., K
Red cerrada
1
0,3
0,7
i 5 i 1,2,..,6
Ejemplo (red cerrada)
1* *3r31 *4 r41; *2 1* r12 ;
*3 *2 r23 ; *4 1*r 14
En el ejemplo, r12=0,3; r14=0,7; r23=1; r31=1; r41=1; con

lo cual la solucin es, tomando 1*=1:
1* 1; *2 0,3;
*3 0,3; *4 0,7

W j ( m)
1 L j ( m 1)
5
, j 1,...,4
L1 ( m) m
W1 ( m)
W1 ( m) 0,3 W2 ( m) 0,3 W
3 ( m) 0,7 W
4 ( m)
L2 ( m) m
0,3 W2 ( m)
W1 ( m) 0,3 W2 ( m) 0,3 W
3 ( m) 0,7 W
4 ( m)
L3 ( m) m
0,3 W3 ( m)
W1 ( m) 0,3 W2 ( m) 0,3 W
3 ( m) 0,7 W
4 ( m)
L4 ( m) m
0,7 W4 ( m)
W1 ( m) 0,3 W2 ( m) 0,3 W
3 ( m) 0,7 W
4 ( m)

Primera
iteracin:
1 L j (0)
L j (0) 0, j 1,...,4 W j (1)
0,2
5
0,2
L1 (1) 1
0,4347
2,3 0,2
0,3 0,2
L2 (1) 1
0,1304
2,3 0, 2
0,3 0,2
L3 (1) 1
0,1304
2,3 0,2
0,7 0,2
L4 (1) 1
0,3043
2,3 0,2
j 1,...,4

m
W1(m)
W1(m)
W1(m)
W1(m)
L1(m)
L2(m)
L3(m)
L4(m)
--
--
--
--
0,2
0,2
0,2
0,2
0,4348
0,1304
0,1304
0,3043
0,2870
0,2261
0,2261
0,2609
0,9483
0,2241
0,2241
0,6034
0,3897
0,2448
0,2448
0,3207
1,5360
0,2895
0,2895
0,8849
0,5072
0,2579
0,2579
0,3770
2,1913
0,3343
0,3343
1,1401
0,6383
0,2669
0,2669
0,4280
2,9065
0,3646
0,3646
1,3644
0,7813
0,2729
0,2729
0,4729
3,6737
0,3850
0,3850
1,5564
0,9347
0,2770
0,2770
0,5113
4,4852
0,3987
0,3987
1,7173

L
16
14
12
Cola 1
10
8
6
Cola 4
Colas 2 y 3
0
10
12
14
16
18
20

W
3.5
Cola 1
2.5
1.5
Cola 4
Colas 2 y 3
0.5
10
12
14
16
18
20

Utilizaci
n del 100
servidor 90
(%)
U=/= 80
L/(W) 70
Cola 1
60
Cola 4
50
40
30
Colas 2 y 3
20
10
10
12
14
16
18
20
Cuellos de botella
Un cuello de botella en un sistema de colas es un

nodo cuya capacidad de procesamiento determina el
rendimiento de todo el sistema
Definicin: Sea una red de Jackson cerrada.
Diremos que el nodo j es un cuello de botella sii
Lj(m) cuando m
En el ejemplo anterior el nodo 1 es un cuello de
botella. Trabaja al lmite de su capacidad mientras
que los otros no (se quedan al 30% o al 70%). Para
mejorar el rendimiento global del sistema habra que
aumentar la capacidad de procesamiento del nodo 1
Simulacin
7. Revisin de diferentes
programas especializados
para simulacin
Introduccin
Los precursores de la simulacin fueron Von Newmann y Morgenstern

quienes idearon el mtodo de Montecarlo en la dcada de los 40s
(padres tambin de la teora de juegos)
Poco tiempo despus se desarroll el primer modelo de simulacin
durante el programa Manhattan en la segunda guerra mundial. Este
desarrollo apoyado en los nacientes procesadores, fue el primer
programa de simulacin que existi.
Algunos aportes se hicieron en forma posterior, sin embargo, en la
dcada de los 70s se dio nuevamente el boom de estos programas
gracias a los desarrollos en bases de datos que permitieron integrar
los ordenadores a procesos productivos.
En los aos posteriores fueron surgiendo programas ms
especializados hasta llegar a los muy avanzados que tenemos hoy en
da.
Qu hay de nuevo en la tecnologa de

simulacin?
Hoy en da los programas de simulacin son ms que emuladores de

variables aleatorias en procesos
Ms all de esto, existen una serie de caractersticas que buscan
ofrecer soluciones especializadas en entornos ms amigables al
usuario, fciles de usar y flexibles para trabajar.
Entre las principales caractersticas encontramos:
Animacin en 2 y 3 dimensiones
Imgenes ultra realsticas (adicin de diseos CAD)
Integracin con lenguajes y sistemas populares como: C#, C++, VB,
Access, VBA, Excel, Visio
Herramientas de Optimizacin (OptQuest)
Reportes de resultados automticos y/o personalizados
Integracin con sistemas de anlisis de datos (Stat::Fit, ExpertFit)
Paquetes de modelos especializados
Software de Simulacin ms
conocidos
A continuacin haremos un recorrido por los sistemas ms
populares para simulacin a nivel mundial, indicando algo
de historia y sus caractersticas ms importantes.
Evaluaremos:
Analytica
AnyLogic (simulacin de sistemas dinmicos)
Arena
AutoMod
Flexsim
GoldSim
MicroSaint
Promodel
Simul8
Vensim (simulacin de sistemas dinmicos)
Witness
Analytica
Propiedad de Lumina Decision Systems

Inc., compaa de origen Norteamericano,
fundada en 1991
Modelacin en 2D
Integracin con Excel y Access
Aplicaciones principales:
Aeroespacial
Construccin
Modelacin Financiera
Riesgo Financiero
Procesos y Manufactura
Precios
Edicin Profesional: US $1.295

Optimizador: US $2.995
Reproductor: US $500
http://www.lumina.com/ana/whatisanalytica.htm
AnyLogic
Propiedad de XJ Technologies,
compaa de origen Ruso, fundada en
1992
Modelacin en 2D
Educacin
Sistemas Complejos
Militar
Redes y Comunicaciones
Cadena de suministros y Transporte
Precios
V6 Edicin Avanzada: 4.800 EUR + 1.200

EUR con OPT Quest
V6 Edicin Profesional: 12.000 EUR
http://www.xjtek.com/anylogic/
Arena
Propiedad de Rockwell Automation,

compaa de origen Norteamericano,
fundada en 1983.
Modelacin en 2D (post-animacin en
3D)
Fcil utilizacin
Integracin con VB
Sistemas Complejos
Servicios
Militar
Cadena de suministros
Comparacin de escenarios
Precios
Bsico: US $795
OptQuest: US $ 995
http://www.arenasimulation.com/
AutoMod
Propiedad de Applied Materials Inc.,

fundada en 1967.
Modelacin en 3D, ultra realista
Requiere nivel avanzado de programacin
Mdulos de manufactura especializados:

Lenguaje propio, orientado a objetos
Sistemas Complejos
Salud
Manufactura
Cadena de suministros y Transporte
Aeroespacial
Precios
Versiones desde US $20.000 hasta US

$40.000
http://www.automod.com/
FlexSim
Propiedad de Flexsim Software

Products Inc., compaa de origen
Norteamericano, fundada en 1993.
Fcil Utilizacin
Es tal vez el software ms popular en
simulacin 3D
Permite incluir objetos CAD
Integracin con C++, Access y Excel
Mdulos de manufactura
especializados
Manufactura
Precios
US $19.500
http://www.flexsim.com/
GoldSim
Propiedad de Golder Associates,

compaa de origen
Norteamericano, fundada en
1990
Modelacin en 2D
Medio Ambiente
Modelacin financiera y de negocios
Procesos industriales
Sistemas dinmicos
Precios
GoldSim Pro: US $3.950
http://www.xjtek.com/anylogic/
MicroSaint
Propiedad de Alion MA&D Operation,

fundada en 1984
Modelacin en 2D (tiene una leve
integracin con 3D)
Integracin con Visio
Reportes configurables por el usuario
Medio Ambiente
Precios
Modelador Bsico US $4.995

Avanzado (Incluye animacin en 2D y
OptQuest): US $8.995
http://www.maad.com/index.pl/micro_saint
ProModel
Propiedad de Promodel Corporation,

fundada en 1988
Software de propsito general
3D)
Programas especializados
ProcessModel (integracin con VISIO)

MedModel
ServiceModel
Servicios
Precios
US $3.500
Stat::Fit US $245
http://www.promodel.com
Simul8
Propiedad de Simul8 Corporation,

fundada en 1994.
Fcil Utilizacin
3D)
Integracin con C++, VB, Access y Excel
Manufactura
Simulacin de escenarios
Precios
Standard: US $1.495
Profesional: US $4.995
Stat::Fit US $245
OptQuest: US $495
http://www.simul8.com/
Vensim
Propiedad de Ventana Systems Inc.,

compaa de origen
Norteamericano, fundada en 1985
Modelacin en 2D
Modelacin de sistemas dinmicos

(cadenas de abastecimiento, modelacin
financiera, modelos de crecimiento,
econmicos, sociales, etc.)
Precios
DSS: US $1.995
Profesional: US $1.195
PLE: gratis
http://www.vensim.com/
Witness
Propiedad de Laner, compaa de

origen Britnico, fundada en 1978
Modelacin en 3D
Diseos Optimizados
Integracin con Visio
Reportes configurables por el
usuario
Medio Ambiente
Precios
http://www.lanner.com/corporate/technology/witn
ess.htm
Aplicaciones ms frecuentes
Conclusiones
En la literatura revisada se encontraron 57 diferentes programas de simulacin, se

destacaron los 11 aqu revisados.
Todos cuentan con mltiples caractersticas como simulacin discreta y continua,
sistemas dinmicos, modelacin en 2 y 3 dimensiones, integracin con otros sistemas,
etc.
As mismo se identifican diferentes campos de aplicacin, la eleccin del programa
depende bsicamente de este parmetro y el costo.
Arena es el software de simulacin ms difundido a nivel mundial, por su bajo costo y
su amplio soporte en muchos pases.
En segundo lugar se encuentra Promodel, tiene una mayor difusin en mbitos
acadmicos ya que est enfocado a propsito general (abarca casi todos los campos),
no obstante no permite una gran especializacin y modelacin de sistemas complejos.
Existen otros programas ms especializados como Flexsim, Witness y Automod, pero
por su alto costo solo se utiliza en empresas con departamentos dedicados al campo
de la simulacin
Simulacin
8. Introduccin a la Simulacin
con Promodel
Definiciones para un modelo

de simulacin
Locaciones (Locations): Lugares donde ocurrirn los eventos

del proceso
Entidades (Entities): Objetos o personas que se mueven en el
modelo (elementos, mquinas, materiales y clientes)
Recursos (Resources): Elementos limitados que utilizamos en
el sistema. Por lo general implican costos.
Redes (Path Networks): Posibles recorridos de una entidad
recurso
Procesos (Processing): Iteraciones de los recursos y las
entidades en las locaciones
Llegadas (Arrivals): Entradas al sistema
Turnos y horarios (Shifts)
Atributos (Atributes): Variables asociadas a una entidad o
locacin
Ejemplos de las definiciones

Locaciones
Banco
Fila, Cajero, Asesores
Entidades
Clientes, Recibos de
consignacin, Formatos
de nuevas cuentas
Recursos
Cajeros,
Computadores
Personas que
dispensan, harina
empleada, vasos de
refresco
Cafetera
Fila, Caja
Fbrica de Zapatos
Filas, Centros de proceso

(corte del cuero, pintura,
Cuero, Cajas de cartn,
confeccin, pegado, control insumos en general
de calidad, etc)
Mano de obra, Cuero,

Cordones, Zuelas
Central de acopio
logstica
Recepcin de mercanca,
Filas, Alistamiento,
Empaque, Despacho, etc.
Mano de obra,
Impresoras, Mquinas
de empaque
Clientes, Facturas
Productos, Cajas,
Camiones, Listados de
Alistamiento, Etiquetas
Pantalla de promodel
Conceptos bsicos
Identificar
distribuciones de entrada a travs
de StatFit
DTS
Creacin de variables globales
Recursos y rutas
Turnos
Ejemplo centro de copiado (DTS)

Un Juzgado tiene a su disposicin un centro de copiado el cul posee 5 mquinas fotocopiadoras las
cuales procesan tanto documentos carta como oficio. La mquina 1 no tiene perodos muertos, pero
debe ajustarse durante 1 minuto cada que cambia de tamaos carta a Oficio. La mquina 2 debe parar
por 20 minutos cada que ha procesado 300 copias o corre el riesgo de fundirse. La mquina 3 debe
parar durante 10 minutos cada 2 horas de trabajo para enfriar sus mecanismos internos. La mquina 4
debe cambiar los rodillos cada 200 copias, operacin que le toma 7 minutos. La quinta mquina no
requiere preparacin alguna ni mantenimientos durante la operacin. Cada paquete de copias llega en
grupos de 5 hojas y sus tiempos de llegada en el da estn dados por la siguiente tabla:
Paquetes
Paquetes
recibidos de
recibidos de
tamao Carta
tamao Oficio
1
5
10
2
10
12
3
2
8
4
5
6
5
2
4
6
10
9
El proceso de copiado toma en promedio 2 minutos por cada paquete
pues requiere quitar y poner
7
5
15
ganchos de cosedora en cada paquete.
Al salir8 de la copiadora se
ponen en una banda final que los
8
4
Hora del
da
hasta un almacn transitorio donde cada paquete dura en promedio 10 minutos.

Cul mquina de las cuatro primeras es ms eficiente?
lleva
Ejercicio DTS y Recursos

Centro
de diagnostico automotriz: Un taller

especializado recibe automviles y camiones
para revisiones y mantenimiento general.
Este taller cuenta solamente con tres
estaciones de trabajo, una de lavado, a
continuaicn una alineacin y balanceo, una
de cambio de aceite y una de
Ejemplo carpintera El Roble

La carpintera El Roble, procesa madera de la siguiente manera:
Recibe troncos de madera a razn de 30 T/hora y los ingresa a un control de calidad inicial. En
este se determina si el tronco es vlido o no para su procesamiento. La probabilidad de
encontrar un tronco en buen estado es de un 80% y el tiempo de la inspeccin es de 1 min
por tronco. En caso de no ser apto, pasa a un proceso de aserrado (conformacin de aserrn)
en una mquina especial cuyo tiempo de operacin es uniforme con parmetro de 5 minutos.
Los troncos aptos pasan a un proceso de corte donde se cuenta con dos mquinas
cortadoras con tiempos de operacin que se distribuyen exponencialmente con parmetro de
8 minutos por mquina. Al salir de este proceso deben pasar por un proceso de lijado y
pulido en una mquina lijadora que tiene un tiempo de procesamiento distribuido
normalmente con media 6 y desviacin estndar 3. Finalmente estas piezas pasan a un
proceso de pintura con barniz, realizado por dos operarios de forma artesanal. Estos
operarios tienen un tiempo de procesamiento distribuido Triangularmente con media 4.2,
mnimo 1.4 y mximo 12.6. Al finalizar el proceso las piezas pasan a una bodega de
almacenamiento de producto terminado.
El dueo de la carpintera est preocupado por que encuentra que cerca del 50% de la
mercanca ingresada al da no alcanza a ser procesada en un turno normal de 8 horas y
desea saber qu estrategias debera seguir para corregir este problema, minimizando
costos.
Ejemplo red abierta de Jackson y aplicacin en

Promodel (Empresa de juguetes Muequita)
La empresa de juguetes muequita tiene 4 secciones (A, B, C, D). Los juguetes que fabrican se
pueden clasificar en 5 categoras, con demandas anuales variables:
Tipo 1: demanda anual de 500 unidades y por sus especificaciones los deben circular
por la seccin A, luego la seccin B y por ltimo la seccin C
Tipo 2: demanda anual de 3000 unidades y deben circular por ABD
Tipo 3: demanda anual de 2000 unidades y deben circular por BD
Tipo 4: demanda anual de 2000 unidades y deben circular por AC
Tipo 5: demanda anual de 1000 unidades y deben circular por BC
Sabiendo que el ritmo de produccin por hora en una mquina de tipo A es de 2 unidades, el de
B de 2 unidades, el de C de 4 unidades y el de D de 2 unidades por hora, con un ao de 220
das y 8 horas diarias de trabajo, y asumiendo tiempos exponenciales:
a)
Modele el problema definiendo los parmetros bsicos para cada seccin
b)
Defina el nmero de mquinas indispensables en cada seccin
c)
Asumiendo que los niveles de inventario se mantendrn en los mnimos indispensables,
Cul es el tiempo medio esperado de produccin de un producto en el sistema?
d)
Si el tiempo medio de entrega de un producto es de 10 das, cul es el nivel medio de
inventarios en el sistema?
Solucin analtica
Primero definimos los recorridos del

modelo
ABC ABD AC BD BC
Ahora establecemos la red del modelo

basado en los recorridos (derecha)
Calculamos la probabilidad de trnsitos
en la red
rAB= 3500/5500 = 0.6363
rAC= 2000/5500 = 0.3636
rBC= 1500/6500 = 0.2307
rBD= 5000/6500 = 0.7692
0.63
0.23
0.36
0.76
Solucin analtica
Dado que este modelo plantea aos de 220 das con jornadas de 8 horas,
se estima entonces un rango de tiempo total de 1.760 horas
Tasas de llegada
T1=500/1760 = 0.2840 unidades/hora
T3=2000/1760 = 1.1363 unidades/hora
T5=1000/1760 = 0.5681 unidades/hora
T2=3000/1760 = 1.7045 unidades/hora

T4=2000/1760 = 1.1363 unidades/hora
K
i i j rji , i 1, 2,..., K
j 1
500 3000 2000 5500
3.125
1760
1760
2000 1000
B B rAB A
0.6363 3.125 3.6931
1760
C rAC A rBC B 0.3636 3.125 0.2307 3.6931 1.9886
1 A
D rBD B 0.7692 3.6931 2.8409
Solucin analtica
Condicin de NO saturacin
i
A
i
1
Si i
3.125
0.78125 S A 2
SA 2
Una vez halladas las tasas, aplicamos
las ecuaciones de un modelo M/M/S
para determinar L, Lq, W y Wq
3.6931
B
0.9232 S B 2
SB 2
C
D
1.9881
0.4971 SC 1
S
4
C
2.8409
0.7102 S D 2
S
2
D
P0
n s 1
n 0
1
1
n !
s !
s 1 ! s
W
P0
s
s
Lq L
Wq W
Solucin analtica
Resultados de las medidas de rendimiento
Inventario promedio: Dado que las estaciones que se encuentran en la rama final de la
cadena son C y D, es necesario conocer el resultado de produccin de estas (tasa de
produccin) y basado en esto proyectar 80 horas de procesamiento para establecer el
inventario mximo. El valor medio de esta cifra, ser el inventario promedio.
ProduccinC C SC C 0.4971 1 2 0.9943
ProduccinD DSD D 0.7102 2 2 2.8409

Produccin Total 0.9943 2.8409 3.8352
Inventario 10 das 3.8352 80 306.81
Inventario Promedio
306.81
154 Unidades
2
Solucin con Promodel
Definimos cuatro estaciones de trabajo, cuatro colas y un almacn.
Definimos tambin cinco entidades equivalentes a cada

lnea de juguetes
Estas entidades tendrn una tasa de llegada similar a la

obgenida en la solucin analtica

Para
medir el proceso, creamos adems una

serie de variables

Entity
ALL
ALL
Location
Cola_A
Operation
IF ENTITY()=jA THEN
{INCingA
RENAMEASjA
INC ing_tot }
IF ENTITY()=jB THEN
{ INCingB
RENAMEASjB
INC ing_tot }
IF ENTITY()=jD THEN
{ INCingD
RENAMEASjD
INC ing_tot}
Output Destination
ALL
Estacion_A
Rule
FIRST 1
Entity
ALL
jA
Cola_B
IF ENTITY()=jA, 1
ALL
jB
Cola_B
IF ENTITY()=jB
ALL
jD
Cola_C
IF ENTITY()=jD
ALL
ALL
Estacion_B
FIRST 1
ALL
jA
jE
jB
jC
Cola_C
Cola_C
Cola_D
Cola_D
IF ENTITY()=jA, 1
IF ENTITY()=jE
IF ENTITY()=jB
IF ENTITY()=jC
Estacion_A WAIT E(30)
IF ENTITY()=jC THEN
{INCingC
RENAME AS jC
INC ing_tot }
IF ENTITY()=jE THEN
{INCingE
RENAME AS jE
INC ing_tot }
ALL
Cola_B
ALL
Estacion_B WAIT E(30)
Location
Operation
Cola_C
WAIT E(15)
IF ENTITY()=jA THEN
{INC procA
INCproc_tot}
IF ENTITY()=jD THEN
Estacion_C
{INC procD
INCproc_tot}
IF ENTITY()=jE THEN
{INC procE
INCproc_tot }
Cola_D
WAIT E(30)
IF ENTITY()=jB THEN
{INC procB
Estacion_D INCproc_tot}
IF ENTITY()=jCTHEN
{INC procC
INCproc_tot}
Almacen
dia=INT(CLOCK( HR)/8)+1
WAIT UNTIL INT(dia/10)=dia/ 10
Output Destination
Rule
ALL
Estacion_C
FIRST 1
ALL
Almacen
FIRST 1
ALL
Estacion_D
FIRST 1
ALL
Almacen
FIRST 1
ALL
EXIT
FIRST 1
Procesamiento
del modelo
Layout del modelo
Corremos el modelo por 1760 horas equivalentes a 220

das (1 ao)
Resultados
De esta
columna
obtenemos
W
De esta columna
obtenemos L y el
inventario
promedio
Inventario promedio: Oscila entre los 150 y 160 unidades, en la

tabla anterior se resalta un valor de 155.04 (aprox 155). El dato
obtenido en forma analtica era de 154 unidades.
Utilizacin (Promodel Vs. Analtico)

Soluciones obtenidas
en forma analtica
A 78.12%
B 92.32%
C 49.71%
D 71.02%
Se observa la gran precisin y similitud entre los

resultados obtenidos con Promodel y los obtenidos en
forma analtica
Este ejercicio es una clara muestra de la utilidad de la
simulacin por ordenadores para plasmar casos reales
contrastados adems por soluciones matemticas.
Recursos
Un recurso es aquello que se utiliza para realizar una

operacin o transporte dentro del modelo.
Pueden ser personas, equipos, mquinas, etc., siempre
que estos sean limitados.
Esto quiere decir adems que los recursos pueden tener
un costo asociado
A diferencia de las locaciones, un recurso se mueve,
toma otros objetos, descansa, tiene turnos de trabajo,
etc.
Para mover un recurso es necesario asignar una red en
el layout del modelo.
Recursos
Para crear un recurso, entramos al men de

construcciones.
Una vez definido el nombre, cantidad y grficos,
podemos asignar tambin una red de
movimientos, lgicas de operacin, turnos y
tiempos muertos (Downtimes)
Redes
Las redes son los recorridos que los recursos pueden

realizar dentro del lay out del modelo.
Siempre se debe asociar los nodos con las locaciones.
Ejemplo Bodega Televisores

Suponga una bodega en la zona franca donde se almacenan televisores para ser
distribuidos a almacenes de grandes superficies. Diariamente se reciben
camiones con cargas de 20 televisores, el tiempo de llegada entre cada camin
es de 60 minutos distribuidos exponencialmente. Una vez ingresan pasan por un
control de calidad que tarda 1 minuto con distribucin exponencial. El flujo de
salida es constante por lo que no existe una demanda como tal, por ende el
nico proceso que determina la salida es el de preparacin, donde unos
operarios (10) reciben los televisores, verifican el estado y les agregan en la caja
unas instrucciones en espaol y un folleto de garanta, lo empacan nuevamente
en una caja propia de la compaa. Este proceso est distribuido normalmente
con media de 6 minutos y desviacin estndar de 1 minuto. Luego estos
televisores pasan a un muelle de salida donde varios camiones esperan hasta
que se complete un lote de 10 aparatos y salen con destino a los clientes. El
almacn cuenta con 2 montacargas para realizar estos movimientos, es
suficiente para cubrir la, operacin? Suponga que los movimientos del
montacargas tienen una duracin de 2 min cada uno.
Turnos de trabajo
Son los horarios de trabajo y descanso

que se asignan nicamente a los
recursos del modelo.
Para crearlos se ingresa en la ruta que
se muestra a la derecha y su resultado
es algo similar a los cuadros inferiores.
Cada turno se debe crear por separado.
Turno 1
Turno 2
Ciclos de llegadas
Esta til herramienta permite

establecer llegadas al modelo en
distribuciones de tiempo horarias.
Pueden establecerse en
cantidades fijas o variables
(porcentuales)
Distribuciones personalizadas
En ocasiones no es posible hallar una

distribucin de probabilidad predeterminada
acorde con el proceso modelado.
En estos casos es recomendable utilizar una
distribucin personalizada que permite
asignar resultados enteros o reales a un
porcentaje de ocurrencia.
Ejemplo, suponga un dado cargado donde la
probabilidad de obtener un nmero
especfico es el doble que la de los otros, en
este caso el nmero en cuestin tendr una
probabilidad de 1/3 mientras que los dems
nmeros tendrn una probabilidad de 2/15
Caso Call-Center
La empresa Call Inc. Tiene una infraestructura que le permite servir

como operador de servicio al cliente para diferentes empresas
mediante lneas 1-800.
Actualmente cuenta con 2 clientes
Banco El Porvenir
Editorial El Buho
Con ambos tiene contratado el servicio de atencin al cliente 24

horas al da, 365 das al ao
Por el tipo de servicio y empresa requiere que los asesores tengan
una capacitacin especial (el recurso es exclusivo)
Descripcin General del Caso
Cuenta con 3 turnos de

trabajo (6-14, 14-22, 226)
En cuanto a su estructura
cuenta con un
coordinador para cada
cliente y 21 asesores.
La distribucin actual de
los asesores est dada
de acuerdo a la tabla
siguiente:
En cuanto a la distribucin de las llamadas en

el da, se reciben cerca de 1000 para el banco
y 200 para la editorial, con diferentes
frecuencias segn la hora del da.
La tabla siguiente contiene una distribucin
promedio por cada hora y cliente.
Las llamadas tienen una duracin promedio
de:
Banco: 5 min
Editorial: 10 min
Usted ha sido contratado para establecer cul debe ser la

distribucin adecuada de los turnos de trabajo, optimizando recurso
y garantizando un tiempo de espera no mayor a 10 minutos (en
cola) por llamada (adicional al tiempo de atencin).
Su respuesta debe presentarse simulada y con un soporte de
investigacin de operaciones donde se compruebe que la cantidad
de recursos elegidos, es la solucin ptima del problema.
Solucin Analtica
Es claro que por el comportamiento de las llamadas en el da no es

posible asociarlas a una distribucin de probabilidad que describa
las llegadas.
Esto hace que el anlisis se centre en una mixta, mediante el uso
de la programacin lineal y algunos principios de la teora de colas.
Solucin Analtica
El planteamiento debe ser entonces hallar una

distribucin de turnos tal que la capacidad de atencin
por hora sea equivalente a la demanda de llamadas
para una cola con tiempo de espera no superior a 10
minutos, dividiendo el da en varios escenarios, y que la
suma de los recursos no supere la cantidad de recursos
totales.
Bajo el esquema de teora de colas (asumiendo un
proceso Poisson), esto querra decir que nuestro
proceso estuviese balanceado bajo la condicin de no
saturacin:
i
i
S i i
Solucin Analtica
Hallando entonces el valor mximo de llamadas en cada turno se puede

evaluar esta ecuacin para establecer que la cantidad de recursos
necesarios est dada por:
Esta solucin no es factible pues implicara la contratacin de 8

funcionarios ms.
La solucin (si la hay) estar dada entonces por un anlisis de mximos
en cada hora del da, hallando patrones en rangos de 8 horas que
permitan conformar el turno, en las diapositivas siguientes se encuentra
esta solucin.
Solucin Analtica
Como se puede observar, en forma analtica se puede hallar una

distribucin de turnos tal que permita resolver el problema
aparentemente en forma ptima. Esta solucin ser llevada a
Promodel para contrastar en una forma ms real si es o no viable.
En las diapositivas siguientes est este desarrollo.
Par simular este modelo establecemos 3 locaciones:
Conmutador
Operador de Banco
Operador de Editorial
Los operadores se tomarn como locaciones y no como recursos ya que para

efectos prcticos es ms fcil su modelacin y asignacin de turnos
El counter se tomar como una fila de capacidad finita de 100 llamadas, con
ruteo por tipo de entidad (banco o editorial)
Las llamadas sern tomadas como dos tipos de entidad Banco o Editorial, cada
una con su ciclo de llegadas segn lo descrito en el enunciado del ejercicio.
Se asignan en primera instancia los tres turnos bsicos con los que cuenta el
call center
Finalmente se crean los procesos de atencin con demoras de 5 y 10 minutos
segn el caso.
El siguiente es el layout del modelo
Luego de correr el modelo se vuelve a modelar esta vez con los 10

turnos de trabajo hallados en la solucin analtica
El rendimiento del modelo en ambos escenarios ser analizado

teniendo en cuenta el tiempo medio de espera y las llegadas fallidas.
Si el nmero es muy grande, significa que an no est balanceado el
modelo
Tambin se incluyeron en el modelo una serie de variables y archivos
externos para poder analizar esta informacin en Excel.
Al correr el modelo con los turnos originales se observan los

siguientes resultados:
Por otra parte, al correrlo con los 10 turnos hallados en forma analtica
se observan estos resultados:
No hubo arribos fallidos
Conclusiones sobre las dos

metodologas
Evidentemente el resultado de la atencin mejora considerablemente

dada la distribucin de turnos hallada como se muestra en la tabla
siguiente:
As mismo el tiempo de espera en el conmutador mejora

sustancialmente al pasar de 31.16 a 0.93 minutos, todo con los
mismos recursos.
Esto se debe a la optimizacin de los recursos gracias a la
distribucin hallada mediante tcnicas heursticas.
Conclusiones sobre las dos

metodologas
No obstante se observan ciertas horas del da en las que el tiempo de

espera es superior a los 5 minutos.
Es entonces necesario evaluar la necesidad de inclusin de otros

funcionarios para lograr cumplir el requerimiento de tiempo de 10 minutos.
Tarea
Halle
la cantidad de recursos adicionales y

su distribucin de turnos, necesarios para
lograr mantener este parmetro de atencin
en 5 minutos y extienda su anlisis para la
editorial. Debe lograr este resultado con la
menor cantidad de operadores posibles.
Simulacin
9. Modelos Avanzados
con Promodel
Casos de Produccin
Casos de produccin
La simulacin es una herramienta bsica para la

modelacin de procesos de todo tipo.
En el caso de la produccin como ya lo hemos visto, es
una herramienta muy til para aplicar con poco
esfuerzos mejoras en operaciones para establecer las
mejores soluciones.
Promodel permite no solo el diseo de la operacin sino
tambin la creacin de indicadores a travs de variables
y subrutinas, de forma que se evidencie el rendimiento
del procesos y se facilite hallar los puntos crticos a
mejorar.
Casos de produccin
Definiciones
Throughput (TH): Tasa de produccin de piezas por unidad de

tiempo, conocido tambin como tasa de facturacin.
Work in Process (WIP): Inventario en proceso en el sistema
Cycle Time (CT): Tiempo que gasta un producto desde que
entra hasta que sale del sistema
Cuello de Botella (CB): Proceso o serie de ellos que marcan la
pauta de produccin pues limitan el Througput del proceso
Tasa del cuello de botella (rb): Es la tasa (partes por unidad de
tiempo) de la estacin con mayor utilizacin a largo plazo. Su
abreviatura se debe a sus siglas en ingls Bottleneck Rate
Caso Industrias ECI*
La empresa ECI Ltda. Cuenta con un proceso productivo de 9 estaciones (4

almacenes, 4 procesos y 1 pallet de agrupacin), con un flujo de procesos
como se muestra en la diapositiva siguiente.
La fbrica procesa dos tipos de entidades: Piones y Piezas
Los tiempos de operacin se distribuyen normalmente con los siguientes
parmetros:
Los almacenes tienen capacidad infinita y las estaciones con capacidad

unitaria
* Modelo tomado de Blanco y Fajardo, Ver Bibliografa
Caso Industrias ECI
Las llegadas ocurren de otros procesos anteriores, con un total de

100 veces en un da con una frecuencia de 5 minutos y 7 minutos
para piones y piezas respectivamente
La empresa cuenta adems con 4 operarios para realizar todos los
movimientos de materiales entre estaciones.
La empresa desea modelar este proceso para identificar los cuellos
de botella
Para ello, usted debe hacer uso de sus conocimientos de
simulacin y produccin para establecer los indicadores ideales
para este proceso
Flujograma de procesos en
empresas ECI
Recepcin 1
Limpieza
Recepcin 2
Pin
Torno
Fresa
Recepcin 3
Recepcin 3
Fresa
Torno
Recepcin 4
Inspeccin
Paletizado
Pieza
Creamos 9 locaciones, de las cuales 4 son estaciones de trabajo, 4

recepciones y 1 pallet donde se realizar el paletizado. Estas
ltimas 5 locaciones tienen capacidad infinita, las restantes tienen
capacidad unitaria.
Se crean dos entidades: Piezas y Piones
Se establecen arribos con frecuencia de 5 y 7 minutos con 100
ocurrencias.
Se parametriza la simulacin para correr durante 8 horas
Se crea 1 recurso con 4 unidades y una red de movimientos
Se crean 17 variables, 3 atributos y 1 subrutina
Una vez corrido el modelo, se encuentran los siguientes resultados:
Cuello de botella: Torno
Tiempo de produccin
de cada entidad
Throughput de
cada entidad
y general
Cuello de botella
Evolucin del Througput general y de cada entidad en el tiempo.
Caso Integrador
Se tiene una lnea de empaque a la que llegan piezas cada 2 minutos con
distribucin exponencial. Esta lnea cuanta con cinco procesos que se
describen a continuacin:
Recepcin
de materiales: Cuenta con un espacio ilimitado de almacenamiento. En este

lugar se reciben las piezas que llegan al sistema y luego estas pasan a un proceso de
lavado. El traslado de las piezas de una estacin a otra tarda 3 minutos con distribucin
exponencial.
Lavado de la pieza: La lavadora tiene capacidad para limpiar 5 piezas a la vez. El tiempo
de proceso de cada pieza se distribuye normalmente con media de 10 minutos y desviacin
estndar de 2 minutos. De aqu pasan a un proceso de pintura, antes del cul llegan a un
almacn con capacidad para un mximo de 10 piezas. El tiempo de traslado entre estas
estaciones es de 2 minutos con distribucin exponencial.
Pintura: En el rea de pintura se tiene capacidad para pintar 2 piezas a la vez. El tiempo
de pintado tiene una distribucin triangular de (4, 8, 10) minutos. Posteriormente las piezas
pasan a un horno, el cual cuenta con un almacn que tiene capacidad para 10 piezas. El
tiempo de transporte entre estos proceso est uniformemente distribuido con lmite inferior
de 2 minutos y superior de 5 minutos.
Caso Integrador
Horno: En el horno se seca la pintura. El horno slo puede procesar una pieza a la
vez. La duracin de este proceso es de 31 minuto. De aqu son transportadas a dos
mesas de inspeccin visual. No existe un almacn entre el horno y las mesas de
inspeccin. El tiempo de transporte entre estas estaciones es de 21 minuto.
Inspeccin: En cada mesa hay un operario que realiza la inspeccin de 3 elementos
en cada pieza. La revisin de cada elemento tarda 2 minutos con distribucin
exponencial. Al finalizar este proceso, las piezas salen del sistema.
Realice lo siguiente
Simule el sistema por 30 das de 8 horas cada uno (consejo, ejecute primero un
calentamiento antes de cada rplica)
Ejecute 3 rplicas de la simulacin
Determine en una tabla las utilizaciones de todas las locaciones del modelo
Caso Integrador
Anlisis del modelo
Cada una de las siguientes preguntas es independiente y tienen como base el modelo
original. Respndalas con base en el anlisis de sus resultados.
1.
Dnde se encuentra el cuello de botella?
2.
Si pudiera lograr una mejora de 10% en el tiempo de proceso de alguna de las
estaciones, en cul de ellas sera y por qu?
3.
Es necesario que alguno de los almacenes sea ms grande? Cul y por qu?
4.
Considera necesario colocar un almacn entre el horno y las mesas de inspeccin?, de
qu capacidad?
5.
Cada pieza deja una utilidad de $5 y ninguna de las inversiones debe recuperarse en ms
de 3 meses. cul sera su recomendacin si se est analizando la posibilidad de comprar
otro horno con la misma capacidad y que cuesta $100.000?
6.
Cul sera su recomendacin si lo que se desea comprar es otra lavadora de la misma
capacidad con un costo de $100.000?
7.
Valdra la pena contratar otro operario para la inspeccin? El costo de esta operacin es
de $50.000
8.
Con base en su conocimiento del sistema, haga combinaciones de los incisos anteriores y
trate de obtener la mayor cantidad de piezas con el mnimo costo de inversin.
A continuacin el layout del modelo
Tarea
Desarrolle
nuevamente el modelo del caso

integrador incluyendo adems el concepto
del Throughput y cuellos de botella, basado
en estos parmetros establezca nuevamente
la o las locaciones que podran mejorarse en
el modelo.
Modelos de Control de
Inventarios
A lo largo del siglo XX se hicieron mltiples desarrollos matemticos

que facilitaran la planeacin de inventarios en las empresas.
Varios autores han realizado valiosos aportes que aos despus
conformaron todo el compendio de modelos de inventario (Harris, Taft,
Wagner & Whitin, etc.).
Entre ellos estos mtodos encontramos:
EOQ (con todas sus variaciones y adiciones posteriores)

Lotes Dinmicos
Wagner-Whitin
News Vendor
Stock Base
Punto de Re-Orden
Modelos de Planeacin de la
produccin
Si bien los modelos de control de inventarios demostraron ser bastante tiles

en la administracin de productos con demandas independientes, no fueron lo
suficientemente efectivos en procesos cuyo resultado final fuese la fabricacin
o ensamble de artculos.
En estos modelos, la demanda independiente estaba asociada al producto
terminado, generando as una demanda dependiente a las partes intermedias,
demanda que no puede ser modelada por los mtodos tradicionales.
Es entonces cuando surge la necesidad de desarrollar nuevos mtodos
capaces de responder a estos requerimientos
Hacia el ltimo tercio del siglo XX, nacen los mtodos de planeacin de la
produccin, desarrollos liderados bsicamente por dos diferentes ideologas,
la norteamericana y la japonesa.
A continuacin haremos una breve resea de los modelos ms importantes de
planeacin de la produccin.
produccin
1.
MRP (Material Requirements Planning): Desarrollado en la dcada

de los 60s por Joseph Orlick, un ingeniero de sistemas que
trabajando para la IBM y basndose en el desarrollo de bases de
datos, pudo retroceder el proceso y los requerimientos de insumos,
basado en la demanda independiente de los productos terminados y la
explosin de materiales (composicin del PT). De esta manera logr
un sistema de empuje (tipo PUSH) en el cul los insumos eran
procesados en la medida que llegaban y posteriormente almacenados
temporalmente hasta lograr el ensamble del producto.
A11
O1
A12
A21
O2
A22
A31
O3
A32
produccin
2.
JIT (Just In Time): Desarrollado en la dcada de los 70s en el

Japn por Taiichi Ohno para Toyota. Este modelo basado en el
consumo de productos en un supermercado, requiere que exista en
cada estacin nicamente el material necesario para la exhibicin o
en otras palabras, para la produccin. Implica entonces la entrega
constante de materiales (arribos) y la utilizacin de controles para el
movimiento de productos (kanban), de manera que los insumos se
mueven en el proceso en forma de halado (tipo PULL), reduciendo el
nivel de inventarios y su respectivo costo.
O1
A1
O2
A2
O3
A3
produccin
DRB (Drum-Buffer-Rope): Basado en la teora de restricciones
(TOC) desarrollada por Eliyahu Goldratt en la dcada de los 80s.
DRB es el aplicacin de esta teora en un proceso productivo.
3.
El Drum (tambor) se refiere a los cuellos de botella que marcan el paso del proceso.
El Buffer es un amortiguador de impactos que protege al throughput de las
interrupciones y asegura que el Drum nunca se quede sin material. En lugar de los
tradicionales Inventarios de Seguridad "basados en cantidades de material" los Buffer
del TOC estn "basados en tiempo de proceso, ubicados solo en ciertas locaciones
que se relacionan con restricciones especificas.
El tiempo de ejecucin necesario para todas las operaciones anteriores al Drum, ms
el tiempo del Buffer, es llamado "Rope-lenght" (longitud de la soga).La liberacin de
materias primas y materiales, est entonces "atada" a la programacin del Drum,
logrndose un flujo de materiales uniforme.
O1
A1
O2
A2
O3
A3
Cuello de botella (Drum Tambor)
produccin
4.
Conwip (Constant Work in Process): Desarrollado en la dcada de

los 90s por Hopp y Spearman. Este modelo que combina las mejores
caractersticas de los modelos PULL y PUSH (sus autores lo
denominan Long Pull), se basa en el mantenimiento de una cantidad
fija de inventario en proceso, apoyado en tarjetas CONWIP, las
cuales se asocian a la orden de trabajo a lo largo de la lnea de
produccin en vez de asociarse a una sola estacin de trabajo como
ocurre con el KANBAN.
O1
A1
O2
A2
O3
A3
produccin
El CONWIP puede ser aplicado en entornos donde el KANBAN no

puede serlo, tal como ocurre cuando se modifica con frecuencia el
programa de produccin. Adems es posible extender la aplicacin
del m ismo a lneas de montaje mostrndose como con el CONWIP
se alcanza una mayor produccin en la lnea con menores
inventarios en proceso.
El sistema CONWIP puede ser transformado con buenos resultados
en un sistema DBR en entornos donde se ha identificado un cuello
de botella bien diferenciado. Se ha visto que CONWIP y DBR
comparten caractersticas comunes. El papel de la Rope en el
DBR es sustituido por las tarjetas CONWIP. El Drum quedara
sustituido por el mecanismo de control de las tarjetas en la
cabecera y el Buffer queda autorregulado con el CONWIP.
produccin
Comparacin
de sistemas:
Industrias IO
Industrias IO fabrica autopartes para ser

utilizadas en posterior ensamblaje
La empresa cuenta con 3 procesos bsicos de
transformacin de materiales, as como con unos
almacenes temporales y finalmente la entrega al
cliente (ver diagrama parte derecha)
Los tiempos de operacin en estos tres procesos
estn distribuidos como se muestra en la
siguiente tabla:
Recepcin
Pulidora
Rectificadora
Troqueladora
Producto
Terminado
Consumidor
Industrias IO
La empresa cuenta con un almacn de materias primas que tiene al

comienzo de las operaciones 300 piezas para ser procesadas.
Estas piezas provienen de otras lneas de produccin
As mismo la empresa cuenta con dos tipos de recursos:
4 Operarios
2 Operadores
El tiempo de corrida de la simulacin ser de 72 horas continuas sin

turnos de trabajo.
Los almacenes temporales cuentan con una capacidad limitada
llamada BUFFER de manera que se controla la cantidad de
material en proceso a mantener
Sistemas Push Vs. Pull
Utilizaremos este sencillo ejemplo para modelar diferentes sistemas

de produccin tanto de empuje (Push) como de halado (Pull).
En las diapositivas siguientes se mostrar el desarrollo con
Promodel para cada uno de los siguientes mtodos:
MRP
Kanban (JIT)
Conwip
DBR
Al finalizar, el estudiante estar en capacidad de comprender,

comparar y elegir el mejor modelo segn el proceso que se modele
Solucin con Promodel (MRP)
En este sistema MRP (push), el inventario en proceso crece

bastante (WIP=19) as como el tiempo de ciclo (CT=392 min),
mientras que el throughput converge con una leve tendencia a la
disminucin situndose en 0.053 piezas por minuto.
Tanto el tiempo de ciclo, como el WIP como el TH son bastante

estables en este modelo.
Las mejoras en este sistema deben estar enfocadas a los

balanceos de lnea de manera que se pueda elevar el TH
Solucin con Promodel (JIT)
En este sistema JIT (push), el inventario en proceso crece mucho

menos (WIP=7) y el tiempo de ciclo es ms bajo (CT=152 min). A
pesar de esto, el throughput es muy similar al obtenido en el
modelo anterior, convergiendo a 0.052 piezas por minuto.
A pesar de contar con indicadores tan bajos, es preocupante la gran

oscilacin del WIP.
Esto genera muchos tiempos muertos de operacin y exige una
muy buena programacin de recursos para optimizar costos
Comportamiento similar tiene el TH.
Solucin con Promodel (DRP)
En este sistema DBR (push), el inventario en proceso crece es

menor que en el caso del MRP pero mayor que el obtenido en el JIT
(WIP=10) , as como el tiempo de ciclo (CT=177 min). Medida
similar ocurre con el throughput el cul converge a 0.068 piezas
por minuto.
Las oscilaciones en este modelo son menos errticas facilitando la

programacin de recursos.
Esto ocurre por que el cuello de botella est ms cerca al inicio de
operaciones, haciendo que la variabilidad de mquinas afecte
menos el paso de material y su inventario en proceso.
Igual comportamiento en el TH.
Solucin con Promodel (CONWIP)
En este sistema CONWIP (push), el inventario en proceso es mayor

que en el DRB (WIP=11) , as como el tiempo de ciclo (CT=239
min). Para este caso, el throughput es el menor de todos,
convergiendo a 0.049 piezas por minuto.
Al igual que el MRP, el comportamiento del WIP y del TH es

relativamente estable.
Esto se debe a que la cuerda de procesos es ms corta que en los
sistemas JIT, sin embargo no controla el cuello de botella
directamente y s sus operaciones circundantes.
El resultado se evidencia en el TH.
Estadsticas comparativas de
los 4 modelos
Una vez realizada la corrida para estos cuatro modelos, se analizan

estos indicadores como los ms importantes para la eleccin del mejor
modelo en este ejemplo:
Se puede observar que el modelo que mejor resultado tuvo para este
caso fue el DRB (Drum-Buffer-Rope).
En este modelo solo existe un cuello de botella, esto en parte favorece
la eleccin del modelo DBR pues esta metodologa se basa en la
determinacin de movimientos basados en la restriccin de operaciones
Bibliografa
BANKS, J., CARSON, J.S., NELSON,B.L., NICOL, D.M. Discrete-event

System Simulation. Prentice Hall International, 2001.
BLANCO Rivero, Luis. FAJARDO Piedrahita, Ivn. Simulacin con
promodel: casos de produccin y logstica. Escuela Colombiana de
Ingeniera, Bogot, 2003.
GARCA, Eduardo. GARCA, Heriberto. CRDENAS, Leopoldo. Simulacin
y anlisis de Sistemas con Promodel. Prentice Hall, 2006.
Gross, Donald. Harris, Carl. Fundamentals of Queueing Theory. John Wiley
& Sons Inc. 1998.
HILLIER, F. LIEBERMAN, G. Investigacin de Operaciones. Ed. McGraw
Hill, 7 edicin, Mexico, 2003
HOPP, Wallace., SPEARMAN, Mark., Factory Physics. Mc Graw Hill 2000.
N.U. Prabhu, Foundations of Queueing Theory. Kluwer Academic
Publishers, Ithaca, 2002

Vensim

Cargado por

Copyright:

Formatos disponibles

Vensim

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Vensim

Cargado por

Copyright:

Formatos disponibles

Simulacin

Conjunto de elementos relacionados total o parcialmente entre si y cuyos

Qu se necesita para simular?

Definir estados: nmero de clientes/sucesos en el sistema

Identificar los eventos de llegadas y salidas del sistema

Pasos para una campaa de

Cundo modelar y cundo no?

Cuando el problema se puede resolver fcilmente

Todos los dems casos

Mtodos para la simulacin

Mtodos analticos: Segn el tamao y complejidad del proceso,

Mtodos computacionales: Cuando un sistema es relativamente

En general todo lenguaje y programa que permita generar nmeros

Lenguajes: C, Fortran, Pascal, Basic, Siman, Visual Slam, SimScript, etc.

Los nmeros aleatorios son un ingrediente bsico para

Propiedades de los nmeros

Toda serie de nmeros aleatorios R1, R2, Rn, debe

Si se grafican los nmeros aleatorios en el intervalo [0,1] y este

Si hablamos de Pseudo generar, queremos decir que

Tcnica de congruencia lineal

Este mtodo propuesto inicialmente por Lehmer (1951) produce

El valor inicial X0, es llamado semilla, a es el multiplicador, c es el

decimal producto de la divisin, as pues si decimos que 143mod100,

Si c es diferente de cero, se llama mtodo de congruencia lineal

Use el mtodo de congruencia lineal mixto para generar una

Test para nmeros aleatorios

Una vez obtenida la serie de nmeros aleatorios, es

Test de frecuencia: Utiliza el test de Kolmogorov-Smirnov o el

Test para nmeros aleatorios

Pasos mediante la prueba de Kolmogorov-Smirnov:

Ordene los datos en forma ascendente

Establezca el mayor de todos

Compare este valor mximo con el valor crtico de la tabla

Test de frecuencia por Kolmogorov-Smirnov

Test para nmeros aleatorios

Frecuencia (Chi cuadrado)

Esta prueba utiliza el estadstico Chi comparando los datos

Se espera entonces que la muestra analizada se distribuya Chi

Test de frecuencia por Chi-Cuadrado

Test para nmeros aleatorios

Test de Durbin-Watson para autocorrelacin positiva y negativa

Suponga que han sido generados los siguientes nmeros aleatorios y

Primero debemos ordenar los nmeros en forma ascendente y aplicamos

Tenemos entonces que D=0.26

sola generacin de nmeros aleatorios es

Hallar la funcin de distribucin acumulada F(x)

Esta funcin tambin puede notarse como X=F-1(R)

Funcin generadora de variables aleatorias para la

Suponga la serie de nmeros aleatorios

La serie x resultante es una distribucin

Algunas funciones de TTI*

1/= media de la distribucin

Simulaciones terminales: Intervalo definido o eventos que dan por terminada la

Simulaciones no terminales o de estado estable: Independientemente del tiempo

Toda serie que incluya en el tiempo un comportamiento aleatorio es

Es el resultado de hacer sucesivas iteraciones aleatorias en el

Algunas aplicaciones de los

Suponga una accin que comienza costando $100 y no tiene tendencia