Simulación Un Enfoque Práctico

.......
imulacin
Un enfoque prctico
7
RalCoss Bu

.....
'

X::::. (Rj

CONTENIDO
l. Introduccin.
1 1 Definicin de Sj m11Jsci6n
1.2. Etapas para realizar un estudio de Simulacin.
J 3 Factores a considerar en el desarrollo del modelo
de Shnulacin.
1.8.1. Generacin de variables aleatorias
no-uniformes
1.3.2. Lenguajes de programacin.
1 3 3 <A>ndicjones iniciales
1 3 4 Temao de Ja m11est.ra
1.3.5. Disefio de experimentos.
1.4. Ventajas y desventajas en el uso de simulacin.
1.5. Ejemplos de usos de simulacin
11
1 1
12
14
14
15
15
15
16
18
2. Generacin de n.meros rectangulares. 19
2. l. Generadores congruenciales lineales. 20
2. l. l. mixto. 20
2. 1.2. Congruencia! multiplicativo. 25
3. Pruebas estadsticas para los nmeros pseudoaleatoros. 31
3. l. Prueba de los promedios. 31
3.2. Prueba de frecuencias. 33
3.3. Prueba de la distancia. 32
3.3 .. L Nmeros pseudoaleatorios considerados como
dlgitos. 35
3.3.2. Nmeros pseudoaleatorios considerados como
nmeros reales. 36
9
Material chroniony prawem autorskim
3.4 Prueba de seriM
3.5. Prueba de Kolmogorov-Smimov.
3.6. Prueba del poker.
3.7. P_rueba de las corridas.
3. 7. l. Prueba de las corridas arriba y abajo del
promedio.
3.7.2. Prueba de las corridas arriba y abajo.
38
40
43
46
46
46
4. Generacin.de variables aleatorias no-unormes. 49
4. , Mtodo de Ja transformada inversa. 49
4.2. Mtodo de rechazo. 53
4.3. Mtodo de composicin. 56
4.4. Procedimientos especiales. 60
5. Aplicaciones de s.lmulacin.
Ejemplo 5.1. J uego de volados.
Ejemplo 5.2. Camin transpo.rtador.
Ej emplo 5.3. Estimacin den
Ejemplo 5.4. Proyecto de inversin.
Ejemplo 5.5. Sistema de inventarios.
Ejemplo 5.6. Sistema de colas.
6.2. Simulacin regenerativa.
7. Lenguajes de simulacin.
7. l. Ventaj as de los lenguajes de simulacin.
7 .2. Caracteristicas de los lenguajes de simulacin.
7 .3. Factores &considerar en la seleccin de un lenguaje.
7 .4. Clasificacin de los lenguajes de simulacin.
7 5 I ntcod11cci6n a] GPSS
Apndice A. Nmeros aleatorios uniformes.
Apndice B. Distribucin normal.
Apndice C. Distribucin x
2
Bbliografia.
67
68
74
78
84
89
107
107
110
123
123
124
126
127
154
155
156
157
1
INTRODUCCION
Con el advenimiento de la computaP,ora, una de las ms importan
tes herramientas para analizar el disefto y operacin de sistemas o pro-
cesos complejos es la simulacin.
Aunque la construccin de modelos arranca desde el Renacimiento,
el uso moderno de la palabra simulacin data de 1940, cuando los
cientlficos Von Neuman y Ulam que trabajaban en el proyecto Monte
Cario, durante la Segunda Guerra Mundial. resolvieron problemas de
reacciones nucleares cuya solucin experimental serla muy cara y el
anlisis matemtico demasiado complicado.
Con la utilizacin de la computadora en los experimentos de simu
lacin, surgieron incontables aplicaciones y con ello, una cantidad
mayor de problemas tericos y prcticos. En este libro se intenta por
consiguiente, investigar y analizar cierto nmero de aplicaciones im
portantes de simulacin de las .reas de economla, administracin de
negocios e investigacin de operaciones, asl como tambin sugerir al
unos mtodos alternativos para resolver algunos problemas tericos y
prcticos que surgen al efectuar simulaciones reales.
1.1. DEFINICION DE SIMULACION
Sa ha empezado a utilizar la palabra simulacin sin haber dado pre-
viamente una definicin de ella. Por consiguiente, ante.! de proseguir
con la discusin de este tema. seria conveniente describir algunas de
las definiciones ms aceptadas y difundidas de la palabra simulacin.
Thomas H. Naylor la define as!:
11
12 lntrod.u.odn
Simulacin es una tcnica numi.rica para conducir experimen.tos en una
compu-tadora digital Estos experimeatos comprenden ci.ertos tipos de
relaciones matemticas y lgicas. las cuales son neceSarias para describir
el comportamiento y la estructura de sistema.s complejos del mundo real
a travs de /ar/{OS periodos de t ~ m ' .
La definicin anterior est. en un sentido muy amplio, pues puede
incluir desde una n1aqueta, hasta un sofisticado programa de compu
tadora. En sentido ms estricto, H. Maisel y G. Gnugnoli, definen
simulacin como:
Simulacin es una tcnica numrica paro realizar expen'.mentos en una
computadora digital Estos experimentos involucran cierto.'> tipos de mt>-
cklos matemticos y lgicos que describen el comportamiento de siste-
mas de negocios, econmicos, sociales_, biolgicos, fisicos o qidmicos a
traus de largos pe""s th tiempo.
Otros esrudiosos del tema como Robert E. Shannon. definen simu
lacin como:
Simulaci.n es el proceso de disear y desarrollar un modelo computariza
do de u.n sistema o proceso y conducir experimentos con es modelo con
'
el propsito de entendfr el comportamien.to del sistema o evaluar uarias
estrategias con las cules se puede operar el sistema.
Las definiciones anteriores no especifican si los sistemas modela
dos son continuos o discretos. Sin embargo, es necesario senalar que el
grueso de este libro est dedicado al diseflo, anlisis y validacin de sis-
temas dinmicos discretos. Algunos autores de este tema como Goof
frey Gordon en su libro System Simu/a.tion, tratan a fondo el Anlisis
y estudio de sistemas dinmicos continuos.
1.2. ETAPAS PARA REALIZAR UN ESTUDIO
DE SIMULACION
Se ha escrito mucho ace.rca de los pasos necesarios para realizar
un estudio de simulacin. Sin embargo, la mayora de los autores opi
nan que los pasos necesarios para llevar a cabo un experimento de
simulacin son:
Definicilm del sistema. Para tener una definicin exacta del
Sistema que se desea simular, es necesurio hacer primeramente
EtePM PM rHur un mudto d limulHin 13
un anlisis preliminar del mismo, con el fin de detenninar la
interaccin dt:l sistema con otros sistemas, las restricciones del
sist.ema, las variables que int.eractan dentro del sistema y sus
int.errelaciones, las medidas de efectividad que se van a utilizar
para definir y estudiar el sistema y los resultados que se esperan
obtener del estudio.
Formulacin del modelo. Una vez que estn definidos con exacti
tud los resultados que se esperan obtener del estudio, el siguien
te.paso es definir y construir el modelo con el cual se obtendrn
los resultados deseados. En la formulacin del modelo es necesa
rio definir todas las variables que fonnan parte de l, sus rela
clones lgicas y los diagramas de flujo que describan en fortn4
completa al modelo.
Cbleccin de datos. Es posible que la facilidad de obtencin de
algunos datos o la dificultad de conseguir otros, pueda influen
ciar el desarrollo y formulacin del modelo. Por consiguiente,
es muy importante que se definan con claridad y exactitud los
datos que el modelo va a requerir para producir los resultados
deseados. Normalmente, la informacin requerida por un mo-
delo se puede obtener de registros contables, de rdenes de tra
bajo, de rdenes de compra, de opiniones de expertos y si no
hay otro remedio )or experimentacin.
1 mplementa.cin del modelo en la computadora. Con el modelo
definido, el siguiente paso es decidi.r si se utiliza alg(ln len
guaje como fortran, hasic, algo!, etc., o se utiliza alg(ln pa
quete como GPSS, simula, simscript, etc., para procesarlo en
la computadora y obtener los resultados deseado .
Validacin. Una de las principales etapas de un estudio de simu
!acin es la validacin. A travs de esta etapa es posible de-
tallar deficiencias en la formulacin del modelo o en los datos
alimentados al modelo. Las formas ms comunes de validar
un modelo son:
l. La opinin de expertos sobre los resultados de la simulacin.
2. La exactitud con que se predicen datos histricos.
3. La exactitud en la prediccin del futuro.
4. La comprobacin de falla del modelo de smulacin al u ti
lizar datos que hacen fallar al sistema real.
5. La aceptacin y confiall2'.a en el modelo de la persona que
har uso de los resultados que arroje el expermento 11.
simulacin
Experimentacin. La experimentacin COh el modelo se reali
za despus de que ste ha sido validado. La experimentacin
Mal erial chroniony prawem autorskim
14 tntroduc:dfHt
consiste en generar los datos desea<fos y en realizar anlisis
de sensibilidad de los indices requeridos.
Interpretacin. En esta etapa del estudio, se interpretan los
resultados que arroja la simulacin y en base a esto se toma
una decisin. Es obvio que los resultados que se obtienen de
un estudio de simulacin ayudan a soportar decisiones del tipo
semi-estructurado, es decir, la computadora en si no toma la
decisin, sino que Is informacin que proporciona ayuda a to-
mar mejores decisiones y por consiguiente a sistemticamen
te obtener mejores resultados.
Dooumentacin. Dos tipos de documentacin son requeridos
para hacer un mejor uso del modelo de simulacin. ba primera
se refiere a la documentacin de-tipo tcnico, es decir, a la do-
cumentacin que el departamento de Procesamiento de Datos
debe tener del modelo. La segunda se refiere al manual del
usuario, con el eu11\ se facilita la interaccin y el uso del modelo
desarrollado. a travs de una terminal de computadora.
1.3. FACTORES A CONSIDERAR EN EL OESARROUO
DEL MODELO DE SIMULACION
Puesto que la simulacin est basada fuertemente en la teora de
probabilidad y estadstica, en matemticas, en ciencias computaciona
les, etc., es conveniente decir algunas ideas de cmo intervienen estas
reas en el desarrollo y formulacin del modelo de simulacin.
1.3. 1. Generacin de variables aleatorias
no-uniformes
Si el modelo de simulacin es estocstico, la simulacin debe ser
capaz de generar variables aleatorias no-uniformes de distribuciones
de probabilidad teri.cas o empiricas. Lo anterior puede ser obtenido si
se cuenta con un generador de nmeros uniformes y una funcin que
transforme estos nmeros en l o r e ~ de la distl-ibucin de probabilidad
deseada. A este respecto, se han desarrollado una gran cantidad de ge-
neradores para las distribuciones de probabilidad ms comunes como:
La distribucin normal, la distribucin exponencial, la distribucin
poisson, la distribucin erlang, la distribucin binomial, la distribucin
gamma, la distribucin beta, la distribucin F, la distribucin t.. etc.
F1ctor 1 co1:Mbu., el ~ o o del modtlode limutacin 15
1.3.2. lenguajes de programacin
La.s primeras etapas de un estudio de simula.cin se refieren a la de-
finicin del sistema a ser modelado y a la descripcin del sistema en
trminos de relaciones lgicas de sus variables y diagramas de flujo.
Sin embargo, llega el momento de describir el modelo en un lenguaje
que sea aceptado por la computadora que se va a usar. En esta etapa se
tienen dos cursos de accin a seguir si no se tiene nada de software
sobre simulacin: 1) Desarrollar el software requerido para estudios de
simulacin. 2) Comprar software (lenguajes de programacin de pro-
psito especiall. Para esta alternativa es necesario analizar y evaluar
varios paquetes de simulacin (GPSS, GASP, etc.I antes de tomar la
decisin final.
1.3.3. Condiciones iniciales
La mayorla de los modelos de simulacin estocstica se corren con
la Idea de estudiar al sistema en una situacin de estado estable. Sin
embargo, la mayorla de estos modelos presentan en su etapa inicial es
tados transientes los cuales no son tpicos del estado estable. Por con-
siguiente es necesario establecer claramente las Alternativas o cursos
de accin que existen para resolver este problema. Algunos autores
piensan que la forma de atacar este problema serla a travs de:
Usar un tiempo de corrida lo suficientemente grande de modo
que los periodos transientes sean relativamente insignifican-
tes con respec.to a la condicin de estado estable.
Excluir una parte apropiada de la parte inicial de la corrida.
Utilizar si.mulacln regenerativa.
Obviamente, de las tres alternativas presentadas, la que presenta
menos desventajas es el uso de simulacin regenArativa. Las ntr'ls al
ternativas presentan las desventajas de ser prohibitivamente excesi-
vas en costo.
1.3.4. Tamao de la muestra
Uno de los factores principales a considerar en un estudio de simu
lacin es el tamao de la muestra (nmero de corridas en la computadora).
La seleccin de un tamailo de muestra apropiado que asegure un nivel d&
-do de precisin y a la vez minimioe el C06to de operacin del modelo, es
un problema algo dificil pero muy importante. Puesto que la informacin
proporcionada por el experimento de simulacin 9ll11a la base para decidir
con respecto a la operacin del sist.ema real esta infonnacin deber ser
tan exacta y precisa como sea posible o al menos el grado de mpnicisin
presente en la informacin proporcionada por el modelo debe ser conocida.
Por consiguiente, es necesario que un anlisis estadlstco sea realizado
para determinar el tamao de muestra requerido.
El tamallo de la muestra puede ser obtenido do dos maneras:
l. Previa e independientemente de la operacin del modelo, o
2. Durante la operacin del modelo y basado en los resultados
arrojados por el modelo. Para la ltima alte.rnativa se utiliza
la tcnica estadlstica de intervalos de cnnfianza.
1.3.5. Diseo de experinentos
El disello de experimentos es un tpico cuya relevancia en experi
mentos de simulacin ha sido reconocida pero raramente aplicado. El
disello de experimentos en estudios de simulacin puede ser de varios
tipos, dependiendo de Jos propsitos 1>speclficos que se hayan plantea
do. Existen varos tipos de anlisis que pueden ser requeridos. Entre
los ms comunes e importantes se pueden mencionar los siguientes:
Comparacin de las me<lias y v.o.riancia de las alternativas
&Nllizadas.
Determinacin de Is importancia y el efecto de diferentes va
riablea en los resultados de la simulacin.
BW!queda de los valores ptimos de un conjunto de variables.
Para realizar el primer tipo de anlisis, al cual se le denomina
mnment.e disetio de experimentos de un factor simple, es necesario to-
mar muy en cuenta el tamallo de la muestra, las condiciones iniciales y
la presencia o ausencia de autocorrelacin. Para el segundo tipo de an-
lisis, existe una gran cantidad de literatura, puesto que la gran
mayorfa de los libros de texto de diseilo de experimentos, explican o
tratan el tema de anlisis de variancia y tcnicas de regresin como m&-
dios pbra evaluar la importancia y el efecto de varias variables en los
resultados de operacin de un sistell\11. Para el tercer tipo de anlisis,
generalmente se requiere utilizar algoritmos heurfsticos de bsquedil
como por ejemplo el algoritmo de Hooke y Jeeves.
1.4. VENTAJAS Y OESVOOAIAS EJI El
USO DE SIMULACION
Aunque la tcnica de simulacin generalmente se ve como un m-
todo de ltimo recurso. recientes avances en las metodologias de simu
lacin y la gran disponibilidad de software que actualmente existe en el
mercado. han hecho que la tcnica de simulacin sea una de las herra
mientas ms ampliamente usadas en el anlisis de sistemas. Adems
de las razones antes mencionadas. Thomas H. Naylor ha sugerido que
un estudio de simulacin es muy recomendable porque presenta las si
gulentes ventajas:
A travs de un estudio de simulacin, se puede estudiar el
efecto de cambios internos y externos del sistema. al hacer al-
teraciones en el modelo del sistema y observando los efectos
de esas alteraciones en el comportamiento del sistema.
Una observacin detallada del sistema que se est simulando
puede conducir a un mejor en.endimiento del sistema y por
consiguiente a sugerir estrategias que mejoren la operacin y
eficiencia del sistema.
La tcnica de simulacin puede ser utili:.ada como un instru-
mento pedaggico para enseflar a est11diantes habilidades b-
sicas en anlisis estadlstico, anlisis terico. etc.
La simulacin de sistemas complejos puedo ayudar a enten-
der mejor la operacin del sistema, a deLoctllr las variables
ms importantes que interactan en el siste.ma y a entender
mojor las interrelaciones entre estas variables.
La tcnica de simulacin puede ser usada para experimentar
con nuevas situaciones, sobre las cuales se tiene poca o ningu-
na informacin. A travs de esta experimentacin se puede
anticipar mejor a posibles resultados no previstos.
La tcnica de simulacin se puede utilizar tambin para
entrenamiento de personal. En algunas ocas.iones se puede te-
ner una buena representacin de un sistema (como por ejem-
plo los juegos de negociosl. y entonces a travs de l es posible
entronar y dar experiencia a cierto tipo de personal.
Cuando nuevos elementos son introducidos en un sistema. la
simulocn puede ser usada pro anticipar cuellos de botella o
ul,gOn otro problema que puede surgir on ol comportamiento
del sistema.
A diferencia de las ventajas mencionadas, la tcnica de simulaciia
presenta el problema de requerir equipo computacional y recursos hu-
a 01r!>k111T1
18 lntr- ccl6n
manos costosos. Adems, generalmente se requiere bastante
para que un modelo de simulacin sea desarrollado y perfeccionado. Fi
nalmente, es posible que la alta administracin de una organiz.acin no
entienda esta tcnica v esto crea dificultad en vender la idea.
1.5. EJEMPLOS DE USOS DE SIMUIACION
Existe una gran cantidad de reas donde Is tcnica de simulacin
puede ser aplicada. Algunos ejemplos podrian _ser los siguientes:
Simulacin de un sistema de colas. Con Ja tcnica de simu
!acin es posible estudiar y analizar sistemas de colas cuya
representacin matemtica seria demasiado complicada de
analizar. Ejemplos de estos sistemas serian aquellos donde es
posible Ja llegada al sistema en grupo, Ja salida de Ja cols del
sistema, el rehusar entrar al sistema cuando la cola es excesi
vamente grande, etc.
Simul<u:in de un sistema de inventarios. A travs de simu
!acin se pueden analizar ms fcihnente sistemas de inventa
rios donde todos sus psimetros (tiempo de entrega, demands,
costo de llevar inventario, etc.), son esiocsticos.
Simulacin de un proyecto de inversin. Existen en Ja prcti
ca una gran cantidad de proyec.tos de inversin donde la incer
tidumbre con respecto a los flujos de que el proyecto
genera a las tasas de inters. a las tasas de inflacin. etc., hacen
dificjl y a veces imposible manejar analticamente este tipo de
problemas. Para este tipo de situaciones el uso de simulacin
es ampliamente recomendado.
Simulacin de sistemas econmicos. La tcnica de simulacin
puede ser utilizada para evaluar el efecto de cierto tipo de de-
cisiones (devaluacin de Ja moneda, el impuesto al valor agre-
gado, etc.), en las dems variables macroeconmicas como:
producto nacional bruto, balanza comercial, inflacin, oferta
m.onetaria, circulante, etc.
Simulacin de estados financieros. La expansin y diversifica-
cin de IDl8 organizacin a travs de Ja adquisicin y estableci-
miento de nuevas empresas, repercuten significativamente en su
posicin y estructura financiera. Por consiguiente, el uso de
simulacin permite analizar cul de las elltrategias de crec
miento son las que llevarn a la organizacin al logro de sus
objetivos y metas de corto. mediano y largo plazos.
2
GENERACION DE NUMEROS
RECTANGULARES
En todos I09 experimentos de simulacin exiate la necesidad de ge-
nerar valores de variables aleatorias que repre11entan a \llUl cierta
distribucin de probabilidad. Durante un experimento de simulacin.
el proceso de generar un valor de la variable aleatoria de una distnou-
cin particular, puede repetirse tantas veoes como ee desee y tantas ve-
ces como distribuciones de probabilidad existan en el experimento de
simulacin. Sin embargo, es conveniente seftalar que el proceso de genera-
cin de variables aleatorias no uniformes se hace a partir de la generacin
de nllmeroe rectangulares. Por consiguiente, el objetivo de este capitulo es
mostl"ar un panorama general de las diferentes tcnicas que existen para
generar nmeroe rectangulare9.
La importancia de los nmeros rectangularee (distribucin uniforme)
radica en au uso para la generacin de variables aleetorias mAs con>pliaidas
que son requeridas en los experimentos de simulacin. autores ro-
mo Tocher. han sugerido tres formas para obtener loe nW-oe rectangula-
res: La provisin ext.ema. la geoeran interna a partir de un ooeso flsim
al azar y la geiMll acibo interna de sucesiones de dlgitoe por medio de una re-
lacil>n de recunenda. El primer mtodo mplica tener los olimeros aleai&
rios, como por ejemplo las tablas de la Rand. en una cinta rnantica o en
un di!lco y tl"atar a estos nl'.llneros como datos de entrada para el problema
que se est simulando. El segundo mtodo implica utill ... r algn adlt.amien-
tc especial de la computadora digital capu de registrar los resultadoe de un
proooeo aleatcrio y adems. reduzca esoe resultadoe a sucesiones de dlgitm.
El tercer mtodo, y uno de los ms aceptados. implica la generacin de 1!$-
tos nmeroll rectangulares a tra'-s de una relacin de recummcia.
Independientemente del proceso o procedirnientc que se utilice para
19
la generacin de los nmeros rectangulares, estos deben de poseer ciertas
caractertsticas deseables que aseguren o aumenten la confiabilidad de los
resultados obtenidos de la simulacin. Tales caracteristicas son:
1. Uniformemente distribuidos.
2. Estadlsticamente independientes,
3. Reproducibles,
4. Periodo largo (sin repeticin dentro de una longitud determi
nada de la sucesin),
5. Generados a travs de un mtodo rpido.
6. Generados a travs de un mtodo que no requiera mucha en
pacidad de almacenamiento de la computadora.
Finalm.ente, es necesario sefialar que algunos autores califican a
los nmeros rectangulares generados a travs de relaciones de re-
currencia con nmeros pseudoaleatorios, por ser una sucesin de
dlgitos generada mediante una regla puramente deterministica. Sin
embargo, esta objecin puede superarse. al menos parcialmente, al to-
mar el unto de vista un tanto pragmtico de que una sucesin puede
aleatoria si satisfuce un cierto conjunto de pruebas
estadsticas de aleatoriedad.
2.1. GENERADORES CONGRUENCIALES LINEALES
V arios esquemas han sido propuestos para la generacin de los n
meros pseudoaleatorios a de relaciones matemticas de recu
rrencia. Estos nmeros se consideran pseudoaleatorios, porque aunque
pasan todas las pruebas estadsticas de aleatoriedad. ellos son de he-
cho completamente detenninisticos. Actualmente, casi todas las compu
tadoras incluyen en sus programas de biblioteca alguna variante de
los mtodos congruenciales sugeridos por Lehmer. Los dos mtodos
congruenciales ms populares son: congrue.ni:al mixto y congruencia!
multiplicativo.
2.1. f"Congruencial mixto
Los generadores congruenciales lineales generan una secuencia de
n(lmeros pseudoaleatorios en la cual el prximo nmero pseudoaleatorio
es determinado a partir d11l ltimo nmero generado, es decir. el nmero
pseudoaleatorio X
1
es derivado a partir del nmero pseudoaleatorio X..
Para el caso particular del generador congruencial mixt.o, la relacin de r&
cun-encia es la siguiente:
X
1
= (aX. + e) mod m
\2.1)
donde:
X
0
= la semilla (X
0
>01
a = el multiplicador (a > 0)
e = constante aditiva (e > 0)
m = el mdulo (m >X
0
, m >a y m >e)
Esta relacin de recurrencia nos dice que X
1
es el residuo de dividir
aX. + e entre el mdulo. Lo anterior significa que los valores posibles
de X , son O, 1, 2, S ..... m-l. es decir, m n>presenta el nmero pqsiblA de
valo.res diferentes que pueden ser generados.
Con el propsito de ilustrar la generacin de nmeros pseudoalea
torios a travs de este mtodo, suponga que se tiene un generador en el
cual los valores de sus parmetros son: a = 5, e = 7. X
0
= 4 y m = 8.
Para estos valores, la secuencia de nmeros pseudoaleatorios y nme-
ros uniformes (X Jml son mostrados en la tabla 2 l. Como se puede
apreciar en esta tabla, el periodo del generador es 8.
Despus de haber analizado este ejemplo, podra pensarse que el
periodo de todo generador es siempre igual a m. Sin embargo, esto es
falso porque el periodo depende de los valores asignados a los par
metros a, e, X
0
y m. es decir, se requiere seleccionar valores adecuados
para estos parmetros con el fin de que el generador tenga perlod1
completo.
TASIA 2.1. Nmeros PSllUdoaleatorios del generador X
1
= (5X. + 7) mod 8.
Nmeros
n
X. (5X. + 7V8 x .... ,
u,ni.formes
o 4 3 + 3/8
3
S/8
1 3 2 + 618 6
618
2 6 4 + 518
5 518
3 5
4 + 018
o o
4
o o+ 7/8
7
7/8
5
7
5 + 218 2 218
6 2 2 + 1/8 1 118
7
1 1 + 418 4 4/8
Para ilustrar el ca99 que se presenta cuando el periodo < m, supon
ga que se tiene un generador en el cual los valores de sus parmetros
son: a = X
0
= c = 7 y m = 10. Para estos valores, la secuencia de n
meros pseudoaleatorios y nmeros uniformes son mostrados en la ta
bla 2.2. Como puede apreciarse en esta tabla, el periodo d.el generador
es 4. Esto demuestra que una seleccin inadecuada de los valores de
los parmetros del generador, puede conducirnos a obtener resultados
indeseables y poco confiables del experimento de simulacin.
TABlA 2.2. Nmeros pseudoaleatorios del generador X , = 17X .., 7) mod 10.
Nm.ros
n

17X. + 7)/10
x ... 1 uniformes
o 7
5 + 6/10
6 6110
1 6
4 + 9/10
9 9110
2 9
7 + 0/10
o o
3 o
o+ 7110
7 7110
be los ejemplos anterio1d. se advierte la necesidad de establecer
algunas reglas que puedan ser utilizadas en la seleccin de los valores
de los parmetros, para que el generador resultante tenga periodo
completo. Algunas de estas reglas se mencionan a continuacin:
a) Seleccin de m.
Existen dos opciones para seleccionar el valor apropiado del mdulo:
l. Seleccionar m de modo que sea el nmero primo ms grande
posible y a que a su vez sea menor que p', donde p es la base del
sistema (binario. decimal, hexadecimal, etc.) que se est utili
zando y d es el nmero de bits que tiene una palabra de compu
tadora en ese sistema. Por ejemplo, si se tiene una computadora
IBM 370 que trabaja en sistema binario, entoTICes p = 2 y d = 32.
2. Seleccionar m como p' . Cuando m toma este valor se facilita el
clculo del nmero rectangular IU. = X.lm), ya que slo se
corre el punto binario o decimal a la izquierda del nmero. Sin
embargo, se ha comprobado que cuando el mdulo toma este va
lor. los ltimos dlgitos pseudoaleatoriC' generado no
se comportan en forma a,!eatoria.
Para ilustrar el problema que se presenta cuando se utiliza el crite-
rio 2, suponga que se tiene un generador cuyos parmetros son: a = 81,
= 89, X, = by ,,. = toi. Para estos-:valores, la secuencia 'de nmeros
o ...-. .,.u ..... ... . t 11 23
pseudoaleatorios son mostrados en la tabla 2.8. En esta tabla se puede
apreciar que el ltimo dlgito del nmero pseudoaleatorio tiene un
periodo de 10. Esto significa que el ltimo digito puede ser determina-
do a partir de la siguiente relacin de recurrena"a:
Y
1
= (Y. + 9) mod 10
TABIA 2.3. Nmeros pseudoaleatorios del generador X ..,
1
= (81X,. + 89)
mod 100
n X.
n
X.
n
X.
n
X.
n
X.
1 94 21 74 41 54 61 34 81 14
2 03 22
83
.42 63 62 43 82
23
3
32
23
12 43 92
63
72
83
62
4 81 24 61 44 41 64 21 84 01
5 50 25 30 45 10 65 90 85
70
6 39 26 19 46 99 66
79
86 59
7 48 Z7
28
47 08 67
88
87 68
8
77
28
57 48 37
68
17
88
97
9 26 29 06 49 86 69 66 89 46
10 95 30 75 50 55 70 35 90 15
11 84 31
64
51 44 71 24 91 04
12 93 32 73 52 53 72 33 92 13
13 22 33 02 53
82 73
62 93
42
14 71 34
51
54 31 74 11 94 91
15
40
35
20
55 00
75
80 96 60
16 29 36 09 56 89
76
69 96 49
17
38
37
18
57
98
77 78 97
58
18 67
38
47
58
27 78 07
98
87
19 16 39 96 59
76 79
56 99 36
20 85 40 65 60
45
80 25 100 05
Del ejemplo anterior, es posible generalizar una relacin de re-
currencia que relacione los ltimos digitos del nmero pseudoaleatorio
generado. Si m = p', se ba encontrado que la relacin de recurrencia de
los ltimos dlgitos es la siguiente:
donde:
Y,.+
1
,, = X,.+
1
mod Pi i < d
(2.2.)
Y 1.1 - ltmos i dgitos del nmero pseudoaleatorio X
1

1 = ltimos i dlgitos que se estn considerando. El valor
de i puede ser 1, 2, S, .... d - l.
Por ejemplo, si i = l, la expresin (2.2) permite determinar el v.tlor del
ltimo dlgito del nmero pseudoaleatorio X 1. si i = 2, se determina el
valor de los dos ltimos digit.os y asl sucesivamente.
La expresin (2.2) puede ser manipulada y expresada en funcin de los
ltimos dgitos del nmero pseudoaleatorio inmediato anterior, de acuer
do a lo siguiente:
Y ,,, = X , mQ!I p'
sustituyendo en la expresin anterior la ecuacin (2.1) se obtiene:
Y
1
,, = (aX. + el mod p' mod p'
pero si q es la parte entera que resulta de dividir (aX. + c)/p'. entonces
la exRresin anterior se transforma en:
Y, ... , = (aX. + e - qp."l mod p'
Y,,,,, = (aX. + e) rnod p'
Y, .
1
.. = aX. mod p' + e mod p'
y corno X mod m = (X mod m) mod m, ent.onces la expresin anterior
se transforma en:
Y .. = (aX. mod p) mod p + e mod p
y haciendo uso de la identidad (2.21. la expresi1.1 anterior se t ransforma
finalmente en:
Y , .. = (aY ... + el mod p'
(2.3)
esta ltima expresin tambin tendr periodo completo (p'I si el gene-
rador tiene un perodo de p'
bl Slecci11 de a
El valor seleccionado de a debe ser entero impar, y adems no debe
ser divisible por 3 5. Sin embargo, si queremos asegurar que el gene-
rador tenga periodo completo, el valor de a se debe de 'Seleccionar de
acuerdo al siguientf> criterio:
(a - l) mod 4 = Q si 4 es un ~ t o r de m
(a - l ) mod b = O s .b es un factor primo de m
Mal erial chroniony prawem autorskiml
1
Usualmente se selecciona a como 2' + 1 cuando se trabaja en siste-
ma binario y 10' + 1 cuando se trabaja en sistema decimal. En ambos
casos el valor de k debe ser mayor o igual a 2.
e) Selecci11 de e
El valor seleccionado pal"a este parmetro puede ser cualquier
constante. Sin embargo, si se desean asegurar buenos resultados el va-
lor de e debe ser e mod 8 = 5 si se trabaja en sistema binario y e como
mod 200 = 21 si se trabaja en sistema decimal. Ms especlficammte,
el valor de e debe ser un entero impar y relativamente primo a m.
d) Selecci11 de X
0
Para el generador congruencia! mixto, se ha encontrado que el va-
lor de la semilla es irrelevante, es decir, el valor de este parmetro re-
sulta tener poca o ninguna influencia sobre las propiedades estadlsti-
cas de las sucesiones.
Finalmente, antes de terminar la discusin de este generador, con-
viene sel'lalar que existen otras formas matemticas de representarlo.
Tales formas son las siguientes:
X. = { ax, + e {
a" -1
}
} modm
a - 1
(2.4)
X ... = { a"X, + r {
a - 1
}
} modm
a -1
12.5)
Con la expresin (2.4) el 11-simo n(lmero pseudoaleatorio se ob
tiene a partir de la semilla. Con la expresin (2.6) el n + k-siroo nme-
ro pseudoaleato.rio se obtiene a partir del ksimo nmero, es decir, si
por ejemplo n + k = 10 y k = 4, entonces significa que el nlmero
pseudoaleatorio 10 se va a obtener a partir del nmero 4.
2.1.2. Congruencia! multiplicativo
Al igual que el generador congruen.cial mixto, el generador
congruencia) multiplicativo determina el prximo n(lmero pseudoal!'.a
torio a partir del (!!timo n(lrnero gj,jnerndo, de acuerdo a la siguiente re-
lacin de recurrencia:
X 1 = aX. mod m
{2.6)
Para este generador se recomienda tambin seleccionar adecuada
mente los valores de los parmetros a, X
0
y m, con el fin de asegurar un
periodo mximo para las sucesiones generadas por este mtodo. Los
valores de estos parmetros dependern del sistema en que se trabaje,
es decir, estos parlDnetros tomarn valores distintos si se trabaja en
sistema decimal, que si se trabaja en sisteqia binario. Por consiguiente,
a continuacin se describen las reglas que se recomiendan seguir para
seleccionar los valores de a, X
0
y m dependiendo de si el sistema en que
se trabaja es binario o decimal.
a) Sistema decimal
Si se trabaja en sistema decimal, los valores de los parmetros de-
ben ser seleccionados de acuerdo a los siguientes criterios:
1. El valor de la semilla puede ser cualquie, entero unpar no di
visible entre 2 5 y debe ser relativamente primo a m.
2. El valol' seleccionado de a debe ser obtenido de acuerdo a la si
guiente identidad:
a= 200t = p
donde t es cualquier e11tero y p es cualquiera de los siguientes
valores:3, 11, 13, 19,21,27,29,37,53,59,61,67, 69,77,83,91.
3 El valor seleccionado de m puede ser 10, . Si m = 10 y d 2: 5 el
periodo del generador es 5 x JO' "
Por otra parte, si m = 10' y d < 5, entonces el. periodo del genera
dor se obtiene de acuerdo a la si;uiente expresin:
Periodo = Minimo comun mltplo 1 X(P
1
"), X!P,'
2
), ... MP.'") 1 (2.7)
donde:
X(2) = l. X(4) = 2
M2' ) = 2'' si d 2: 3
Afp') = p'
1
{p - 11 S p 2: 2
Pr e-s un factor primo de n1.
Con el propsito de ilustrar la obtencin del periodo para este lti
mo caso, analicemos el siguiente generador:
x .. , = ax. mod 100 y x. = 11
puesto que m puede ser expresaao como 10
2
o bien como !2
2
)(5
2
), enton-
ces el periodo de este generador de acuerd9 a la expresin (2. 7) seria:
Periodo = Mlnimo comn mltiplo ( (2'). (5
2
) )
= MJnimo comn mltiplo (2, 20)
= 20
La tabla 24 muestra la secuencia de nmeros pseudoaleatorios de este
generador. Como se puede apreciar en esta tabla, el periodo del genera
dores 20.
TABLA 2.4. Nmeros pseudoaleatorios del generador X. ,, = 3X. mod 100.
n
x.
n
X.
n
X.
"
X.
1 SI
6 93 11 99
16 57
2 53
7 79
12
97 17 71
a 59 8
37
13 91 18 13
4 77 9 11 14 73 19
39
6
SI IC
33
15
19
20 17
b) Sistema binario
Si se trabaja en sistema binario, los valores de los parmetros de-
ben ser seleccionados de acuerdo a los siguientes criterios:
I. El valor de la senlla puede ser cualquier entero impar relati
vamente primo a m.
2. El valor seleccionado de a debe ser obtenido a partir de la si
guiente expresin:
a= 8t 3
donde t es cualquier en.tero.
3. El valor seleccionado de m puede ser 2' . Si m = 2' el periodo
del generador es 2' " 6 m/4. Para ilustrar la obtencin del
periodo de un generador en sistema binario. suponga que se
tiene un generador en el cual los valores de sus parmetros
son: a = 5, X
0
= 5 y m = 32. Para estos valores. la secuencia
de nmeros pseudoaleatorios son mostrados en la tabla 2.5.
Como se puede apreciar en esta tabla, el periodo del generador
es 8.
PROBLEMAS
TABLA 2.5. Nmeros pseudoaleatoros del generador
X , = 5X. mod 32.
n
1
2
3
4
x.
25
29
17
21
n
5
6
7
8
X.
9
13
1
5
2.1. Determine el periodo de los siguientes generadores
congruenciales mixtos:
X , = ( SX. + 16) mod 100 y X
0
= 15
X
1
= (50X. + 17) mod 64 y X
0
= 13
X , = ( 5X. + 241 mod 32 y X
0
= 7
X , = ( X. + 21) mod 100 y X
0
= 3
X , = ( 9X. + 13) mod 32 y X.= 8
2.2. Determine el periodo de los siguientes generadores
congruenciales multiplicativos:
X ,= 203 X. mod 10
5
y X
0
= 17
X ,= 211 X. mod 10
1
y X
0
= 19
X , = 221 X. mod 10' y X
0
= 3
X , = 5 X. mod 64 y X
0
= 7
X ,= 11 X. mod 128 y X
0
= 9
2.3. Defina los parmetros a, e, X
0
y m de un generador
congruencia! mixto que aseguren periodo completo.
2.4. Defina los parmet.-os a, X
0
y m de un generador congruen
cial multiplicativo que aseguren periodo completo.
2.5. Defina la relacin de rccurrencia de los ltimos i dgitos de
Jos siguientes generadores congruenciales mixtos:
X , = (21 X. + 221) mod 100. x. = 7 e i = J
X .. , = (61X. + 421) mod 1000. X, = 11 e i = 2.
3
PRUEBAS ESTADISTICAS PARA
LOS NUMEROS
PSEUDOALEATORIOS
Puesto que cualquier variable aleatoria (normal, expo-
nencial, poisson, etc.), es obtenida a partir de nmeros unifo.rmes (O;l),
el principal nfasis en pruebas estadistica.s deber ser con respecto al
generador de nmeros pseudoaleatorios, ya que cualquier deficiencia
estadistica en la distribucin de la variable aleatoria se
deber exclusivamente a la utilizacin de un deficiente generador de n
pseudoaleatorios. Por consiguiente, en el presente capitulo se
explican algunas de las muchas pruebas estadisticas que han sido d&
sarrolladas para probar la aleatoriedad de los nmero.<1 oseudoaleatorios.
3.1. PRUEBA DE LOS PROMEDIOS
Quiz la funcin de densidad de probabilidad ms simple es
aquella que se caracteriza por ser constante en el intervalo (0;1) y cero
fuera de l (ver figura 3.1.). Esta funcin de densidad define la distribu
cin conocida como uniforme o rectangular. Matemticamente, la fun
cin de densidad uniforme se define como:
{
lsiO:s x:sl
flx) = O si O > x > 1
En essa expresin, x es una variable aleatoria definida en el inter
valo (0;1). Por otra parte, la distribucin acumulada F\x), de una
variable aleatoria x uniformelj"lente distribuida, se puede obtener como:
31
F(x) = l; "l'<fl = X
El valor esperado.y la vanancia de una variable aleatoria uniforme-
mente distribuida estn dadas por las siguientes expresiones:
E(x) = l' x(l)dx = _l_
o 2
vazt10) = j (x - 112)
1
(lldx = 1 ~
o
,.,,,
Fl6URA 3.1. Distribucin de probabilidad y disGibucin
acumulada de los ml.meros uniformes (0: 1)
Conociendo los parmetros de la distribucin uniforme, es posible
plantear una prueba de hiptesis de promedios.con la cual se trata de
probar que los nmeros pseudoaleatorios generados provienen de un
universo uniforme con media de 0.5. Ms especlficrunente, una prueba
de hiptesis de promedios puede ser planteada de la siguiente forma:
Hiptesis nula H
0
: u. = 112
Hiptesis alternativa H
1
: u * 112
La realizacin de esta prueba requiere obtener una muestra de ta-
mao N, es decir, es necesario generar N nmeros pseudoaleatorios. En
seguida, su promedio aritmtico es evaluado de acuerdo a la siguiente
expresin:
-
x =
U,+ U, + ... U;
N
(3. l)
En seguida se determina el valor del estadstico Z
0
, utilizando la si-
guiente expresin:
(i - 1/2) .JN
Zo = - --;:;:;;::::;---
. 1112
(3.2)
Si IZol < Z . ,., entonces no se puede rechazar la hiptesis de los n-
meros pseudoaleatorios generados provienen de un universo uniforme
con media de 0.5.
Para ilustrar la aplicacin de esta prueba de hiptesis, considere
loa nmeros pseudoaleatorios presentados en la tabla 3.1. Pari estos
nmeros, la media aritmtica (aplicacin de la ecuacin 3.1) restllta ser
de 0.48234, y el estadlstko Z
0
resulta ser de:
(0.48234 - 0.51 .J100
z. = ----;:;=---- -0.61
. 1712
Si se supone un nivel de significado (0<) de 5%, entonces z.,
1
tiene un
valor de 1.96 y puesto que IZol < 1.96, entonces no se puede recha1.11r
la hiptesis de que estos nmeros pseudoaleatorios tienen una media
de 0.5.
3.2. PRUEBA DE FRECUENCIAS
Probablemente una de las ms importantes pruebas sobre aleato-
riedad de los nmeros pseudoaleatorios es .la prueba de las frecuencias.
Esta p.rueba consiste en dividir el intervalo (O;l) en n subintervalos (ver
figura 3.2) para luego comparar para cada subintervalo la frecuencia
esperada con la frecuencia observada. Si estas frecuencias son bastante
parecidas, entonces la muestra proviene de una distribucin uniforme. El
estadlstico que se usa en esta prueba es X: el cual se obtiene de acuerdo a
la siguJente expresin:
donde:
x: = t (PO, - FE,)'
, .
1
FE,
FO, - Frecuencia observada del i" subintervalo.
PE, - Frecuencia esperada del i" subintervelo (Ni n).
N - Tamatlo de la muestra.
n = Nmero de sublntervalos.
3.3
3' Pnl .... tltadisticm PI' los MlmtrOI .-..dolH9tor'IOI
T allla 3.1. Tabla de nmeros pseudoaleat.orioe.
0.78961 0.05230 0.10699
0.55877
0.14151
0.76086 0.12079 0.27738 0.65726
0.79269
0.80548
0.82654 0.29453 0.20852 0.42989
0.58518 0.98611 0.34488
0.34358 0.11537
0.89898 0.57880 0.67621 O.OOlO 0.00121
0.28269 0.73059 0.70119 0.18284 0.49962
0.38618
0.76910 0.68334 0.55170 0.108!)()
0.79982 0.45679 0.21631 0.87616 0.55743
0.58962 0.33216 0.03185
0.61168
0.09264
0.69623 0.17028 0.05475 !).91512 0.76262
0.29931 0.30861 0.83358 0.51781
0.03272
0.57410 0.26593 0.85908
0.433V8
0.35286
0.24000
0.65559 0.38507 0.90829 0.94187
0.93655 0.88809 0.81772 0.36982 0.19904
0.54325 0.62400 0.09133
0.41678 0.33954
0.58244 0.85853 0.88752
0.33729 0.15506
0.23949
0.53559
0.33381 0.49383 0.75103
0.19962
0.65002 0.74579 0.79113 0.63453
0.19147 0.40644
0.08128
0.73435 0.22724
0.22287 0.07281 0.64183 0.44267 0.72102
Este estadlstico x! se compara con X' ."" .
11
, la cual representa a
una variable aleatoria chi-cuadrada con (n - 1) grados de libertad y un
nivel de significado a. Si x! <X!,, . ,,, entonces no se puede rechazar
la hiptesis de que la muestra proviene de una distribucin uniforme.
N N
N
N N.
-
-
- - -
n

n n n
FO,
FO, FO, FO . ,
FO
.
1 2
3
.,.
n
n

n
n
n
ASURA 3.2. Frecuencia esperada y observada d cada subintervalo.
Por ejemplo, considere los nmeros pseudoaleatorios presentados
en la tabla 3.1, y adem.9 considere que el nmero de subintervalos es 5,
es dp, n = 5. Para este valor den, la frecuencia esperada de cada sub-
intervalo es 20, y las frecuencias observadas son:
Frecuencia
Mperoda
Frecuencia
observada
20
21
20
22
.2
<20 20
19 23
.4
.6
.8
Por consiguiente, aplicando la ecuacin (3.3) se obtiene:
20
16
x; =
~ { 121-201 + 1.2.2-201 + U9-20l' + 12s-20l' + ll20)' } = 2

1
Si se especifica un valor arbitrario de a = 0.05, entonces x!..... -
9.49. Puesto que X ~ < X ~ .... ,. entonces no se pu.ede rechazar la hi
ptesis de que los nmeros pseudoaleatorios presentados en la tabla
3.1 provienen de una distribucin uniforme.
3.3. PRUEBA DE LA DISTANCIA
Esta prueba puede ser realizada de dos maneras: considera.ndo a
los nmeros pseudoaleatorios generados como dlgitos, o considerando
como nmeros reales.
3.3.1. Nmeros pseudoaleatorios co!Ulerados
como digitos
Si los nmeros pseudoaleatorios generados son considerados co.mo
dJgitos, entonces la prueba consiste en contar el nmero de dgitos que
aparece entre ocurrencias sucesivas de un mismo dgito. Por ejemplo.
58245 ilustra un hueco de tamaflo 3 entre los dos cincos.
La probabilidad de cada uno de los tamaflos de hueco (i = O. 1.
2 .. . ) se obtiene con la siguiente expresin:
P; = 0.1(0.9)
1
para i = O. l. 2, ... (3.4)
Sin embargo, como tericamente el valor del tamao del hueco
puede ser infinito, es conveniente agrupar las probabilidades para valo-
res de i mayores o iguales a un determinado valor de n. Tal su.matoria
se obtiene de acuerdo a la siguiente expresin:
P, = E 0.1(0.91'" .. = (0.9)
-
(3.5)
Con lu ecuaciones (3.4) y (3.5) se obtienen lu frecuencias espera
das para cada tamao de hueco. La obtencin de tales frecuencias se
ilustra en la tabla 3.2. Si las frecuencias esperadas y observadu para
cada tamailo de hueco son bastante parecidas, nntonces se puede decir
que los nmeros pseudoaleatorios generados pasan Ja prueba de la dis-
tancia. El estadistico X.' que se usa en esta prueba se obtiene como:
2
x, = r;
...
(PO, - PE,)'
FE,
(3.6)
el cual se compara con x' ... Si x, < ~ .. entonces los nmeros
pseudo.leatorios pasan la prueba de la distancia. Es muy importante
sel\alar que el valor seleccionado de n., debe ser tal que la suma de las
frecuencias esperadu de todos los tamaflos de huecos agrupe.dos, sea
mayor que 6.
Tabla 3.2. Frecuencias esperadas y observadas para los diferen-
tes temu.nos de hueco. consjderando a los n0m4lros peeudoelc&
~ o r i o s generados como dgitos.
P,
o 0.1
1 0.1 (0.9)
2 0. 1 (0.9)
1
i 0.1 (0.9t
z: n (0.9)"
Touil 1.0
FO.
FO,
FO,
FO,
FO.
FO.
!: PO.
F E ,
l: FO, (0. 1)
i: FO, 10. 1 )(0.9)
l: FO, (0. lM0.91
1
!: PO. fO. I M0.9r
!: FO, (0.91"
I: FO,
3.3.2. Nmefos pseudoaleatorios considerados como nmeros reales
Si los nOmeros pseudoaleatorios generados son considerados como
nrmeros reales. entonces, para realizar esta prueba es necesario selec
clonar un intervalo (a; /J) , el cual debe de estar contenido en el intervalo
-dolod- 'S7
(O; 1), es decir, O < a s fJ s l. En seguida, para cada nmero pseudo-
aleatorio generado se pregunta si es o no elemento del intervalo (a; {JI.
Si U
1
(nmero uniforme generado) es elemento de (a; {J), U,., hasta U,.,
no son elementos de dicho intervalo y U!+' vuelve a ser elemento del
intervalo (a; PI. entonces se tiene un hueco de tamallo i. Por ejemplo, si
a = .3 y fJ = .6 y los nmeros pseudoaleatorios generados son como si
gue: 0.32415, 0.22257, 0.19147, 0.75103, 0.49383, entonces el hueco es
de tamafto 3.
Para el caso de considerar los nmeros pseudoaleatorios generados
como nmeros reales, la distribucin de probabilidad del tamao del
hueco es como sigue:
P, = e (l - 81' para i = o. 1, 2 . ...
(3.7)
donde 8 = fJ - a representa la probabilidad de caer en el ntervalo (a; {J).
Al igual que en el inciso anterior, es conveniente agrupar las proba-
bilidades para valores de i > n. Tal agrupacin se obtiene con la S
guiente expresin:
P, = f e u -er = o . 81
(8.8)
Con las ecuaciones (3. 7) y (3.8) se obtienen las frecuencias esperadas,
las Cuales aparecen en la tabla 3.3. Utilizando la ecuacin (8.6) y compa
rando el resultado obtenido con x ~ . se toma la decisin de aceptar o
Tabla 3.3. Frecuencias esperadas y observadas para los dife-
nmt.es tamaos de hueco, considerando a los D1irneros pseuao-
leatorios generados como nmeros reales.
P,
o 8
1 8(1-8)
2 0(18)
1
1 8(18)'
"n (1-8)'"
Total 1.0
PO,
PO,
PO,
PO,
PO.
PO.
l: FO,
FE,
l: FO, 181
l: PO, (OXl O
i: PO. (8)(1 8)'
l: FO, (0)(1 81'
l: FO, (1 8)'
l: FO,

. .
rechazar la prueba de la distancia. Es muy importante set1alar que el valor
de a y P no tienen ninguna influencia en la bondRd de la prueba. y tambin
es necesario sealar que el valor de n debe ser seleccionado de acuerdo al
criterio mencionado en el inciso anterior.
Por ejemplo, si se consideran los nmeros pseudoaleatorios presenta
dos en la tabla 3.1, un valor den= 3 y valores de a = .3 y P = .7. entonces
las frecuencias observadas y esperadas para los diferentes tamail<*' de
hueco serian como aparecen en la tabla 3.4. Para estas frecuencias el valor
del estadlstico x: seria:
X
' - (11 . 16)' + (12. 9.61' (11 . (6. 8.641' - 7 74
o- + + -.
16 9.6 6.76 8.64
Si se especifica un valor arbitrario de a = 0.05, entonces

= 7.81.
Puesto que X: < r
0
.,.,,. entonces los nmeros pseudoaleatorios presen
tados en la tabla 3.1 pasan la prueba de la distancia.
Tabla 3.4. Frecuencias esperadas y observadas para los diferentes tamaos de
hueco que originan los nmeros pseudoaleatorios presentados en la tabla 3.1.
j
P, FO, PE,
o 0. 400 11 16.00
1
0. 240
12 9.60
2
0.144
11
5.76
,'< 3
0.216 6 8.64
Total 1.000 40 40.00
3.4. PRUEBA DE SERIES
La prueba de series se utiliza para comprobar el grado de aleatoriedad
entre nmeros sucesivos. Usualmente esta prueba consiste en formar pa
rejas de nmeros, las cuales son consideradas como coordenadas en un
cuadrado unitario dividido en n
2
celdas. Esta idea se puede extender a las
temas de nmeros pseudoaleatorios que representan puntos en un cubo
unitario. Sin embargo, en esta seccin se analiza slo el caso de dos dimen
siones.
La prueba de series consiste en generar N nmeros pseudoaleato-
rios de los 1..'Wlles se forman parejas aleatorias entre U, y U,.,, es decir,
si se generan 10 nmeros, entonces las parejas aleatorias que se
pueden formar serian;
(U,, U,), (U,, U,), 1u .. UJ, 1u U,), (U,, UJ
(U,, U,), (U,, u ~ (U,. u ~ (U" u,.
En seguida, se determna la celda a que pertenece cada pareja orde-
nada (ver figura 3.3), con lo cual se determina la frecuencia observada
de cada celda. La frecuencia esperada de cada celda se obtiene al dividir
el total de parejas coordenadas (N-1) por el total de celdas ln
2
). Final-
mente, conocida la f.re<,'Uencia observada y esperada de cada celda, se
obtiene el estadstico X! como sigue:
2 n2 ~
Xo=- ~
N-1 1 1
(3.9)
donde FO u es la frecuencia observada de la celda ij. Si X! < .x!,..2 .
1
en-
tonces no se puede rechazar la hiptesis de que los nmeros provienen
de una distribucin uniforme.
1
,.. J Vn

'

'
'
.
'
.
' '
3,
'
' . .
-----
lf
. -
---
. -
1 2 3 l 1
u.
- -
-
-
n

n
filra 3.3. Cuadrado unitario con n' celdas.
Finalmente conviene mencionar que algunos autores han mez.clado la
prueba de series y la prueba de frecuencias en el siguiente estadistico:
i n
2
~
x, =-- ~
tNll l/
t !FO, - INI)/,.>) ( ..!!... t (PO, - Nl nl' )
j =l ll/ i l
(3.10)
40 Prvtil-. ..._, ... .......
-
el cual sigue una distribucin ch-cuadrada con (nl)
2
de lber
tad. Si se opta por esta prueba, entonces se compara x: conX! , ...
1
,!
Si x: < X . ,, .
11
z, entonces no se puede rechazar la hiptesis de unifor
midad de los nmeros pseudoaleatorios generados.
Por ejemplo, si se aplica esta prueba a los nmeros pseudoaleato-
rios presentados en la tabla 3.1, utilizando un valor den = 5. entonces
se obtienen las frecuencias observadas. que aparecen en la figura 3.4.
Para estas frecuencias, la aplicacin de la ecuacin (3.9) produce los si
guientes resultados:
X:= ( 5(2 - 3.96)' + 543 - 3.96)' + 5(4 - 8.96)' + 6(5 - 3.96)'+ 4(6 - 3.96)'}:,, 11.1!6
y selecci.onando un valor de "' = 0.05. entonces X! . ..,,. = 36.4. Puesto
que x: < X! . .,,
1
., entonces los nmeros pseudoaleatorios presentados
en la tabla 3.1 pasan la prueba de uniformidad.
u.,
1
3 3
3 4 2
.8

6

6 2
3 3 2 6

'
. 2
6
1 6

2 2
.2 . 1 .6 .8
. u
Agira 3.4. Frecuencias observadM obtenidas con los nuevos pseudoaleatorios
presentados en la tabla 3.1.
3.5. PRUEBA DE KDLMD60ROV-SMIRNOV
El procedimiento de Kolmogorov.Smirnov prueba la hiptesis de
que la distribucinacumulada de una variable aleatoria x es P o/,;<1. Para
probar esta hiptesis, una muestra de tamao n es obtenida de una
distribucin continua F(x). En seguida, se determina la distribucin
acumulada de la muestra, la cual se denota por P.(:x). Posteriormente,
F.(xl es comparada con la distribucin acumulada hipottica F
0
(x). Si
P.(x) difiere demasiado de F ,/.xi, entonces esto es una amplia evidencia
de que F.(:x) no es igual a F
0
(x) .
La aplicacin de esta prueba al caso de nmeros pseudoaleatorios
uniformes, puede ser descrita en los siguientes pasos:
l. Generar n nmeros pseudoaleatorios uniformes.
2. Ordenar dichos nmeros en orden ascendente.
3. Calcular la distribucin acumulada de los nmeros generados
con la sguiente expresin:
F.!xl = .!:.. (3.11)
n
donde i es la posicin que ocupa el nmero X, en el vector ob-
tenido en el paso 2.
4. Calcular el estadlstico KolmogorovSmimov del modo si
guiente (ver figura 3.5).
D. = mAx IF.(X,) - X;J para toda X, (3.12)
5. Si D. < d., entonces no se puede rechazar la hiptesis de que
los nmeros generados provienen de una distribucin uniforme.
La distribucin de D. ha sido tabulada (ver tabla 3.5) como una
funcin de n y a para cuando F.(x) = F
0
(x).
Agura 3.5. Comparacin de .P,.lx) para cada valor de x generado.
42 Pnttmi .nadisdoel S*ll IOI nCll'Ml"m .-Uckllll11tori01
Tabla 3.5. d.,. para dferentes valores del nivel de significado y del t.amailo de la
muestra.
Tamatlo de
d

la muestra (n)
" = 10%
(X = 5% a = 1%
1 0.950
0.975
0.995
2 0.776 0.842 0.929
3 0.642 0.708 t'.829
4 0.664 0.624 0.734
5 0.510 0.563 0.669
6 0.470 0.521 0.618
7 0.438 0.486 0.577
8 0.411
0.457 0.543
9 0.388 0.432 0.514
10 0.368 0.409 0.486
11 0.352 0.391 0.468
12 0.338 0.375 0.450
13
0.352 0.361 0.433
14 0.314 0.349 0.418
15
0.304 0.338 0.404
16
0.295 0.328
0.392
17 0.286 0.318 0.381
18 0.278 0.309 0.371
19 0.272 0.301 0.363
20 0.264 0.294 0.352
26
0.240
0.264
0.317
30 0.220 0.242 0.290
35 0.210
0.230 0.270
40 0.210 0.252
50 0.188
0.226
60 0.172 0.207
70 0.160 0.192
80 0.150 0.180
90 0.141
100 0.134
Frmula aproximada
1.22 1.36 1.63
paran > 100
-
..[
' "
,In
Para ilustrar una aplicacin de esta prueba, considere los nmeros
pseudoaleatorios presentados en Ja tabla 3.1. Para estos nmeros la
tabla 3.6 muestra un ordenamiento de dichos nmeros en orden ascen-
dente. los cuales corresponden a la distribucin acumulada terica
P x . Tambin, en esta tabla se muestra la distribucin acumulada ex-
petim.ental F ,{x). De acuerdo a estas distribuciones, el estadlstico
kolmogorovsmirnov (ecuacin 3.12) resulta ser de:
D, = 0.89 - 0.8'3358 = 0.05642
y seleccionando un valor de cr = 0.05, entonces do.os,
100
= 0.134 (ver tabla
3.5). Puesto que D. :S d
0
.,.,
100
, entonces los nmeros peeudoslee-
torios presentados en la tabla 3.1 provienen de una distribucin uniforme.
3.6. PRUEBA DEL PDKER
La prueba del poker examina en forma individual los dgitos del
numero generado. La forma con.o esta prueba se reali
za es tomando 5 digitos a la vez y clasificndolos como: par, dos pares,
tercia, poker, quintilla, full y todos diferentes. Lo anterior significa que
los numeros pseudoaleatorios generados son de 5 digitos cada uno, o
bien, en caso de que el numero tenga ms de 5 digitos, solamente se
consideran los primeros 5. Las probabilidades para cada una de las ma
nos de poker posibles se muestran en seguida:
Todos diferentes
10x9x8x7x6
10
5
= 0.30240
Un par
10x lx9x8 x7
10
( = 0.50400
1
Dos pares -
2
10x lx9xlx8
10'
( ( !) = 0.10800
Tercia
10xlxlx9x8
( : ) = 0.07200
10
5
Full
l 0x l x lx9xl

( ) = 0.00900
10
5
Poker
lOx l xl x 1 x9
( : ) = 0.00450
10
5
Quintilla
10X1Xl Xl X 1
(
5
) = 0.00010
10
5
5
t
Tabla 3.6 Distribucin ac1,11nulada terica xpermental de los nmeros pseudoaleatorios presentados en la tabla 3. 1.
l
Fb) F..1%) F,P) F.lz) F ,J.Jc) F.).<I FJ,x) F.1>:) F ,J.Jc) F.1>:)
t
l
0.00121 0.01 0.19962 0.21 0.36982 0.41 0.68618 0.61 0.76910 0.81
f
0.03185 0.02 0.20852 0.22 0.38507 0.42 0.58902 0.62 0.78961 0.82
0.03272 0.03 0.21631 0.23 0.38618 0.43 0.61168 0.63 0.79113 0.83
! 0.05010 0.04 0.22287 0.24 0.40644 0.44 0.62400 0.64 0.79289 0.84
0.05230 0.05 0.22724 0.25 0.41878 0.45, 0.63453 0.65 0.79982 0.85 i
0.05475 0.06 0.23949 0.26 0.42989 0.48 0.84183 0.68 0.80548 0.86 i
0.07281 0.07 0.24000 0.27 0.43308 0.47 0.65002 0.67 0.81772 0.87
1
0.08128 0.08 0.26593 0.28 0.44267 0.48 0.65559 0.68 0.82654 0.88 t
0.09133 0.09 0.27738 0.29 0.45679 0.49 0.85726 0.69 0.83358 0.89
1
0.09264 0.10 0.28269 o.so 0.49383 0.50 0.67621 0.70 0.85353 0.90
1
0.10699 o.u 0.29463 0.31 0.49962 0.61 0.68334 0.71 0.85903 0.91
s:: 0.10860 0.12 0.29931 0.32 0.51781 0.52 0.69623 0.72 0.87616 0.92
"'
O.l1637 0.13 0.30861 0.33 0.63559 0.53 0.70102 0.73 0.88752 0.93
J -ro
0.12079 0.14 0.33216 0.34 0.64326 0.54 0.70119 0.74 0.88809 0.94
"'.
9!.
0.14151 0.15 0.33381 0.35 0.55170 0.55 0.73059 0.75 0.89890 0.95
(')
0.15506 0.16 0.33729 0.36 0.66743 0.66 0.73436 0.76 0.90829 0.96 :::r

0.65877 0.57 0.74579 0.77 0.91512 o 0.17028 0.17 0.33954 0.37 0.97
:;:
0.18284 0.18 0.34358 0.38 0.67410 0.58 0.76103 0.78 0.93656 0.98
o
:;:
0.19147 0.19 0.34488 0.39 0.67880 0.59 0.76086 0.79 0.94187 0.99
'<
'O

"'
:i;
0.19904 0.20 0.35286 0.40 0.68244 0.60 0.76262 0.80 0.98611 1,00
ro
3
"'
e
-o

"'
A'
3
............ -. 45
Con las probabilidades anteriores y con el nmero de nmeros
pseudoaleatorios g1merados. se puede calcular la frecuencia esperada
de cada posible resultado, la cual al compararse con la frecuencia obser-
vada produce el estadlstieo:
Xo' = E {FO, - FE,1'
== l FE,
(3.13)
Si x: < x:,,. entonces no se puede rechazar la hiptesis de que los n
meros J>84llldoaleatorios provienen de WUl distribucin uniforme.
Por ejemplo, si se aplica esta prueba a los nmeros pseudoaleato-
rios presentados en la tabla 3.1, se obtienen las frecuencias observadas
que se muestran en la tabla 3.7. Sin embargo, puesto que las frecuen
cas esperadas de full. poker y quintilla son menores que 5, entonces
a necesario agrupar sus frecuencias con la frecuencia esperada de ter-
cia. Con estas agrupaciones, el valor del estadstico X! {ecuacin 3.13)
resulta ser de:
X
I 123- 80.24)
1
l8 - 60.2.4P (8A - 10.80)'
o = + + +
30.24 50.24 10.80
ll 1- 8.561'
8.66
~ 4.86
y seleccionando un valor de c:r = 0.05. entonces ~ . .. = 7 .81. Puesto
que x! < X !.o>.> entonces no se puede rechazar la hiptesis de que los
nmeros pseudoaleatorios presentados en la tabla 3.1 provienen de una
distribucin uniforme.
TABLA 3.7. Frecuencias observadas y esperadas por
cada una de las manos de poker.
Todos diferentes
Un par
Dos pares
Tercia
Full
Poker
Quintilla
Ft"etuenGia
observada
23
58
8
10
1
o
o
Frecuencia
esperada
3'0.24
50.40
10.80
7.20
0.90
0.45
0.10
3.7. PRUEBA DE LAS CORRIDAS
Exi.steo dos versiones de la prueba de las corridas: la prueba de
corridas arriba y abajo del promedio y Ja prueba de corridas arriba y
abajo.
3.7 .1 . Prueba de corridas amba y abajo del promedio
La prueba de corridas arriba y abajo del promedio es un caso ligera-
mente modificado de la prueba de la distancia en la cual a = O y (j = 0.5.
En ..ata versin de la prueba de las corridas, una secuencia de nmeros
pseudoaleatorios U,, ... U. es generada. En seguida una secuencia
binaria es obtenida, en la cual el i .. trmino es O si U, < 0.5 y 1 si U, > 0.5.
Una vez obtenida la secuencia binaria, el siguient.e paso es det.erminar la
can.tidad de veces que una nsma longtud de corrida se repit.e (frecuencia
observada de la corrida de longitud i). Una sucesin de i ceros (unos), en-
marcada por unos (ceros) en los extremos, representa una corrida de longi-
tud i. El nmero total esperado de corridas y el nmero esperado para
cada tamao de corrida, se obtienen con las siguientes expresiones:
E(total de corridas) = N +
1
(3.14)
2
FE, = (N -i+3)
2
,.1
(3.15)
Estas frec.encias esperadas son comparadas con las observadas a
travs de una distribucin chi-cuadrada y una decisin sobre la aleato-
riedad de los nmeros pseudoaleatorios generados es tomada.
3.7.2. Prueba de corridas arriba y abajo
En la prueba de corridas arriba y abajo, una secuencia de nmeros
pseudoaleatorios. U, ... U. es generada, y al igual que en e1 inciso ante-
rior, una secuencia binaria es obt.enida, en la cual el i" trmino es cero si
U, < U,., y 1 si U, > U,.,. n a ~ obtenida la secuencia binaria, se sigue
el mismo procedimiento descrito anteriormente y se obtiene la frecuencia
observada para cada tamao de corrida. El nmero total esperado de
corridas y el nmero esperado para cada tamao de cotTida, se obtienen
con la' siguientes expresiones:
2N-l
E(total de corridas) = (3. 16)
3
(i
2
+3i+ l)N -(i
3
+3i
2
-i -4)
l+S)I
Ptutbl de ._ corridas 47
) para i < N-1 (3.17)
2
FE,,.,= --para i = N-l
N!
(3.18)
Finalmente, el estadJstico X.
0
se determina de acuerdo a la siguen
te expresin:
z
x, = E
IFO,-PE,)
1
i=1 FE,
(3.19)
donde n es el nmero de trminos de la ecuacin (3.19). Es n1portante
sefta.lar que en el ciculo del estadJstico x: , la frecuencia esperada para
cada tamao de corrida debe ser mayor o igual a cinco. Si las frecuen
cias esperadas para corridas de tamao grande son menores que 5, ta
les frecuencias se deben de agrupar con la.s adyacentes de tal modo que
la frecuencia esperada ~ los tamaos de corrida sea de al menos 5.
Con el r o ~ i t o de ilustrar una aplicacin de esta prueba. conside-
re los nmeros pseudoaleatorios presentados en la tabla 3.1. Para estos
nmeros, la secuencia binaria que resulta es la siguiente:
o l o l o 1
o
1
1 1 o o 1 1 J
o 1 1 o 1
o 1 1 o o 1 1 1
o 1 o o o l
l o 1 o 1
o
1 o 1
o 1 o 1 1 1
1 o o 1 o 1
o o o 1 o
1 o 1
o o 1 o o
o
1
o o 1 o 1 1 l
o 1 o
o o o 1 o 1
o o o o o 1 1
o o o 1 1 1
A partir de esta secuencia bnaria se obtienen las frecuencias observadas
para cada tamao de corrida. Estas frecuencias, as! como las esperadas se
muestran en la tabla 3.R De at.'Uerdo a estas frecuencias, el valor del
estadlstico X! resulta ser de:
x:
= (41 -41.7)
2
+ (11-18.1)' + (11-6.43)' = 6.04
41.7 18.1 6.43
y seleccionando un valor de a = 0.05, entonces X! . .,,, = 5.99. Puesto
que x: > x',,.,,,. entonces se rechaza la hiptesis de uniformidad de
los n.meros pseudoaleatorios presentados en la tabla 3.1.
TABLA 3.8 Frecuencias esperadas y observadas para cada uno de los tama!los
de corrida.
Tamao de Frecuencia Frecuencia
corrida observada espero.da
l 41
41.70
2
11 18.10
a 8 5.14
4 2 1.10
5
1 0.19
PROBLEMAS
3.1. Efectuar para los siguientes nmeros pseudoaleatorios, todas las
pruebas de aleatoriedad explicadas en el capitulo.
0.03991
0.38555
0.17546
0.32643
0.69572
0.24122
0.61196
0.3Q532
0.03788
0.48228
0.88618
0.71299
0.27954
0.80863
0.33564
0.90899
0.78038
0.55986
0.87539
0.16818
0.10461
0.95554
0.73704
0.52861
0.68777
0.66591
0.30231
0.21704
0.97599
0.63379
0.19161
0.23853
0.58909
0.00514
0.60780
0.75754
0.70267
0.66485
0.08823
0.60311
0.93716
0.32886
0.92052
0.95819
0.39510
0.27699
0.92962
0.10274
0:75867
0.85783
0.41290
0.05870
0.82444
0.20247
0.48460
0.60833
0.43529
0.88722
0.94813
0.74457
0.16894
0.59780
0.46215
0.06831
0.35905
0.06494
0.61773
0.12202
0.20717
0.47619
0.63312
0.01119
0.99005
0.81759
0.85558
0.25983
0.06318
0.56736
0.31900
0.90561
0.98953
0.09958
0. 15917
0.19640
0.85244
0.03152
0.22109
0.94205
0.82037
0.87481
0.71857
0.92784
0.04921
0.45197
0.15191
0.01291
0.38384
0.66164
0.54155
0.72848
4
GENERACION DE VARIABLE;
ALEATORIAS
En todo modelo de si.mulacin estocstico, existen una o varias va
riables aleatorias interactuando. Generalmente, estas variables siguen
distribuciones de probabilidad tericas o emplricas diferentes a la
distribucin uniforme. Por consiguiente, para simular este tipo de va
riables, es necesario contar con un generador de nmeros uniformes y
una funcin que a travs de un mtodo especifico, transforme estos n
meros en valores de la distribucin de probabilidad deseada. Existen
varios procedimientos para lograr este objetivo. Entre los proced
mientos ms comnes y ms difundidos se pueden mencionar: 1) El
todo de la transformada inversa, 21 El mtodo de rechazo, 3) El mtodo
de composicin y 41 Procedimientos especiales.
4.1. METOOO DE LA TRANSFORMADA INVERSA
El mtodo de la transformada inversa utiliza la distribucin acu
mulada Ftx) de la distribucin que se va a simular. Puesto que F(x) est
definida en el intervalo (O; 1), se puede geuerar un nmero aleatorio uni
forme R y tratar de determinar el valor de la variable aleatoria para la
cual su distribucin acumulada es igual a R. es decir, el valor simulado
de la variable aleatoria que sigue una distribucin de probabilidad Jt:c),
se determina al resolver la siguiente ecuacin (ver figura 4.1):
F(x) = R x = F"'(R) (4. ll
La dificultad pri.ncipal de este mtodo descansa en el hecho de que
en algunas ocasiones es dificil encontrar la transformad!. inversa. Sin
49
--- -- . --- -- .:;. -.---
R - -- --
'
'
X = P-'f.R)
Fpra 4.1. Forma grifica del mtodo de la transformada invenia.
embargo, si esta funcin inversa ya ha sido establecida, generando n
mero8 aleatorios uniformes se podrn obtener val.ores de la yariable
aleatoria que sigan la distribucin de probabilidad deseada.
Ejemplo 4.1. Di&triuci6n expoMnciaL
Se desea generar nmeros al azar que sigan la siguiente distribu
cin de probabilidad.
{
Xe"'' si x O
flx) =
O six<O
La distribucin acumulada de esta distribucin es:
F(x) = [ >.e"' dt = l e"'
o
(4.2)
y utiliza.ndo la ecuacin (4.1), es decir, igualando la distribucin acumu
Jada con el nmero uniforme R, se obtiene:
le"' = R
e"' = 1-R
Pero si R sigue una distribucin uniforme, entoncesl- R tambin sigue
esta distnbucn. Por consiguiente:
l
x=--LnR
>-
(4.3)
Mttodo de ti tr9nlfonned6n ift'MI 11
Ejemple 4.2. Distribucin uniforme.
cin de probabilidad:
1
--''-- si a s x s b
b-a
f\x)= ~ 4 )
O sia>x>b
F(xl = ' l
b-a
x-a
dt= - -
b-a
e igualando esta expresin con el nmero uniforme R se obtiene:
x - a
b-a
=R
.x = a+lb-alR
Ejemplo 4.3. Distribucin empirica.
(4.5)
Se desea generar nmeros al aiar que sigan la siguiente distribu
f\x) = {
x siO :S x :S l
(4.6)
1/2 Si l < X :S 2
F(x) = ( tdt = - ~ Si 0 < X
< l
y
r
F'(.x) = .!. + J _!_ dt = }!:_ SI l < X :S 2
2 o 2. 2
puesto que la acumulada de la funcin tiene un valor de 1/2 cuando x =
1 (ver figura 4.2), entonces .,1 valor de la variable aleatoria x se determi
na de acuerdo a la siguiente expresin:
X= {
J2R siR s 1/2
(4.7)
2.R si R > 112
1 - - - ---- - -- --- - ------ -
R,
112
R,
X,
1
x,
Atura 4.2. Oistr!bucit.> acumulada de la funcin (4.6).
Tibia 4.1. Distribucin de probabilidad y distribucin acumulada de la
funcin es '/x !.
Distribucin de
Distribucin
"
probabilicul.
acumulada
o 0.0067
0.0067
1
9,0337
0.0404
2 0.0842
0.1246
3 0. 1404 0.2650
4 0.1755 0.4405
5 0.1755 0.6160
6 0.1462 0.7622
7 0.1044 0.8666
8 0.06b3 0.9319
9 0.0363
0.9682
10 0.0181
0.9863
11 0.0082
0.9945
12 0.0034 0.9979
13 0.0013 0.9992
14 0.0005 0.9997
1_5 0.0002 0.9999
Tabla 4.2. Transformada inversa de la funcin ei)/.x!.
Si 0.0000 s R < 0.0067. entonces x = O
Si 0.0067 s R < 0.0404. entonce " = 1
Si 0.0404 s R < 0.1246. entonces x = 2
Si 0.1246 s R < 0.2650. entonces x = 3
Si 0.2650 s R < 0.4405, entonces" = 4
Si 0.4405 s R < 0.6160, entonces .x = 5
Si 0.6160 s R < 0.7622, entonces x = 6
Si 0.7622 s R < 0.8666, entonces x = 7
Si 0.8666 s R < 0.9819, entonces x = 8
Si 0.9319 s R < 0.9682, entonces x = 9
Si 0.9682 s R < 0.9863, entonces x = 10
Si 0.9863 s R < 0.9945, entonces" = 11
Si 0.9945 s R < 0.9979, ento.nces x = 12
Si 0.9979 s R < 0.9992, entonees X z IS
Si 0.9992 s R < 0.9997, entonces"= 14
Si 0.9997 s R < 0.9999, entonces x = 15
Ejemplo 4.4. Distribucin poisson.
e" 5'
flxl =----,X= 0, 1, 2, .. .
.x!
(4.8)
Puesto que esta distribucin de probabilidad es discreta. es necesario
evaluar flx) para cada valor de x, y entonces determinar la distribuon
acumulada F!xl. Tanto la distribucin de probabilidad como la distribu
cin acumulada de esta variable aparecen en la tabla 4.1. De acuerdo a e&
ta distribucin acumulada, la tabla 4.2 muestra el valor que tomar la va
riable aleatoria x dependiendo del int.ervalo al cual pertenece el nmero
unifonneR.
4.2. METOOO DE RECHAZO
Existe otro procedimiento para generar nmeros al azar de distri
buciones de probabilidad no-uniformes. A est.e procedimiento se le conoce
con el nombre de mtodo de rechazo. Este mtodo consiste primeramente
en generar un valor de la variable aleatoria y en seguida probar que dicho
valor simulado proviene de la distribucin de probabilidad que se est
analizando. Para comprender la lgica de este mtodo, suponga que flx)
(ver figura 4.3) es una distribucin de probabilidad acotada y con rango fi
nito, es decir, a s x s b. De acuerdo a esta funcin de probabilidad, la
aplicacin del mtodo de rechazq implica el desarrollo de los siguientes
pasos:
l. Generar dos nmeros uniformes R, y R
2

2. Determinar el valor de la variable aleatoria x de acuerdo a Ul
siguiente relacin lineal de R
1
:
x =a+ (b-a)R, (4.9)
3. Evaluar la funcin de probabilidad en x =a + (b-a)R,.
4. Determinar si la siguiente desigualdad se cumple:
R, s f{a + fb - a)R,)IM (4.10)
Se utiliza ax =a+ (b - a)R
1
si la respuesta es afinnativa co-
mo un valor simulado de la variable aleatoria. De lo contrario,
es necesario pasar nuevamente al paso l tantas veces como
sea necesario.
La teoria sobre la que se apoya este mtodo se basa en el hecho de que
la probabilidad de queR
2
s flx)IM es exactamente flx)/M. Por consiguien-
te. si un nmero es escogido al azar de acuerdo ax = a + (b - a)R
1
y
M
--- -- - -?""-....

b
fi&ura 4.3. Distribucin de probabilidad con rango finito y con moda M .
rechazado si R
1
> ftx)/M, entonces la distribucin de probabilidad de las
x' s aceptadas ser exactamente ftxl. Por otra parte. conviene sealar que
si todas las x 's fueran aceptadas, entonces x estarla uniformemente
distribuida entre a y b.
Finalmente, es necesario mencionar que algunos autores como
Tocher, han demostrado que el nmero esperado de intentos para que x
sea aceptada como una variable aleatoria que sigue una dstribucin de
probabilidad flx), es M. Esto significa que este mtodo podria ser un
tanto ineficiente para ciertas distribuciones de probabilidad en las
cuales la moda sea grande.
Ejemplo 4.5. Distribucin emplrica.
:./.x Si 0 S X S 1
ftxl = {
OsiO>.x>l
14.11)
Para esta funcin, a = O, b = 1 y M = 2. Por consiguiente, apli.can-
do los pasos descritos previamente se tiene:
!. Generar dos nmeros uniformes R
1
y R
1

2. Calcular .x = R, .
3. EsR, s R
1
? Si la respuesta es afirmativa, entoncesx =R, es
un valor simulado de la variable aleatoria. De lo contrario,
se requiere regresar al paso 1 tantas veces como sea necesario.
Ejemplo 4.6. Distribucin triangular.
Se desea generar nmeros al azar que sigan la siguiente dstribu
flxl =
2
------(.x - al si a< x < b
(e - a) lb - al
- 2
- -----(x - el si b s x se
(e - o) (e - b)
(4.121
Para esta distribucin de probabilidad, M = 2J(c-a). Sin embar-
go, esta distribucin est compuesta de dos funciones: una vlida en el
rango a s .x s by la otra vlida en b s x s c. Por consiguiente. los pa
sos necesarios para simular esta distribucin por el mtodo de rechazo
serian:
l. Generar R, y R,.
2. Calcular x = a + (e - a)R
1

3. Es x < b? Si la respuesta es afirmativa, flx) seria:
fl.x) =
2
(a + (c - a)R
1
-a) = 2.R,
(e - a) (b-a) (b - al
(4.13)
Por el contrario, si Is respuesta es negativa, /1.x) seria:
-2 (a+ (c-a)R,-c) = 2(1 - R,)
(e-a) (c-b) (e- b)
flx) =
14.14)
4. Es R,< f!::) (e-a) ? Si la respuesta es afirmativa, entonces
2
.x =a+ (c-a)R, se considera como un valor simulado de la
variable aleatoria. De lo contrario se requiere regresar al paso
1 tantas veces como sea necesario.
4.3. METODO DE COMPOSICION
Otro mtodo para generar valores de variables aleatorias no-
unifnrmes es el mtodo de composicin. Mediant.e est.e mtodo la distribu
cin de probabilidad fl:i:) se expresa como una mezcla de varias distribucio
nes de probabilidad f.V<) seleccionadas adecuadament.e.
El procedimiento para la seleccin de las f,(.x) se basa en el objetivo
de minimizar el tiempo de computacin requerido para la generacin de
valores de la variable aleatoria analizada.
Los pasos requeridos para la aplicacin de este mtodo en la simu
!acin de variables aleatprias no-uniformes son los siguient.es:
l. Dividir la distribucin de probabilidad original en sub-reas,
tal como se muestra en la figura siguient.e:
""'
Mnodo d. compolllidn 51
2. Definir una distribucin de probabilidad para cada sub-rea.
3. Expresar la distribucin de probabilidad original en la forma
siguiente:
/lx) = AJ
1
(x)+A,fz(xl+ .. A.[.(x) y !:A, = l (4.15)
4. Obtener la distribucin acumulada de las reas.
A,
5. Generar dos nmeros uniformes R, , R
2

6. Seleccionar la distribucin de p.robabilidad [,(xi con la cual se
va a simular el valor de x. La seleccin de esta distribucin
se obtiene al aplicar el mtodo de la ttansformada inversa, en
el cual el eje Y est representado por la distribucin acumulada
de las reas, y el eje X por las distribuciones f A1tl. Para esta
-;eleccin se utiliza el nmero uniforme R
1

7. Utilizar el nmero uniforme R, para simu.lar por el mtodo de
la transformada inversa o algn otro procedimiento especial,
nmeros al azar que sigan la distribucin de p.robabilidad f,(x)
seleccionada en el paso anterior.
Ejemplo 4. 7. Distribucilm tri.angular.
2/tc' - o)

X
Siguiendo los pasos descritos previamente, la generacin de nme-
ros al azar que sigan esta distribucin triangular, puede ser resumida
en los siguientes pasos:
1. La distribucin de probabilidad original, se va a dividir en dos
reas, tal como se en la figura siguiente:
JI,>)
-+- -L...,........J.... _ __ __.o. __

<
b -
A, =--
e - o
c - b
Ar =- -
c - a
2. En seguida se determinan las distribuciones de probabilidad
y distribucin acu.mulada de las reas definidas en el paso an-
terior:
fl,r)
2iib- o)
1---.L----'--- "

b
2
flzi = ( - a/
lb - al'
t:c - ai
1
f'/xl ,.. -
ll>- tl)Z
- 2
{,,) = - 1..< -cl
tc - tJI'
(4.16)
(4. 17)
14. 18)
(4 19)
3. Posteriorrnente la distribucin de probabilidad original se
expresa como:
flxl = (b-a) (
2
(x-a) ) +
(e-al (b - al'
(e - b) ( 2 ( ) )
x - c:
(e- a) (c - b)
2

flx) =
2
(x-al +
2
(x -cl (4.20)
(e- al (b - al (c - a)(c - b)
4. Con las reas y distribuciones f ,(x) definidas en los pasos ante-
riores, la distribucin acumulada de las reas serla:
lb- oJ(lc - a}
f ,f,d 1,r.x1
5. Generar dos nmeros uniformes R, y R,.
6. EsR, < (b-a)l(c - al? Si la respuesta es afirmativa. entonces
se simulan valores de la distribucin f
1
(xl:
(x - a)
2
/(b-a)' = R,
x =a+ lb-al ..[K,
(4.21)
Si la respuesta es negativa. entonces se simulan valores de la
distribucin f,f.x):
1 - (c - x)
2
/(c - b)' = .,
x = c - (c-b) .J 1- R,
x = c-(c-b) ,/Ir,
7. Repetir los pasos anteriores tantas veces como se desee.
(4.22)
4.4. PROCEDIMIENTOS ESPECIALES
Existen algunas distribuciones como la distribucin erlang, la
distribucin normal. etc., cuya simulacin a travs del mtodo de
la transformada inversa seria demasiado complicado. Para stas y al-
gunas otras distribuciones. es posible utilizar algunas de sus propieda
des para facilitar y agilizar el proceso de generacin de nmeros al
azar.
Ejemplo 4.8. Distribucin normo.L
Se desea genera.r nmeros al azar que sigan la siguiente distribu
1
flx) = ~ ~ e
.J 'l "
para - cio < .x < oo
(4.23)
Puesto que no es posible expresar la distribucin acumulada de la
rustribucin normal en forma explcita, entonces no es posible utili.zar
para la generacin de numeros al azar, el mtodo do la transformada in
versa. En lugar de este mtodo. se puede hacer uso del teorema del
' limite central. el cual establece que la suma den variables aleatorias in
dependientes se aproxima a una distribucin normal a medida que n se
aprox.ima a infinito. Lo anterior expresado en forma de teorema serla:
Si x, x,. .... x. es una secuencia den variables aleatorias indepenruentes
conE(x)J = 4 yvar(xJ = of(ambasfinitas)y Y= a,x, + a
2
x
2
+ ... +
a. x. ,entonces bajo ciertas condiciones generales:
Jt
(4.24)
tiene una distribucin notmal estndar a meruda que n se aproxima a
infinito.
Si las variables que se estn sumando son uniformes en el intervalo
(O; 1), entonces.
E R, - n/2
,_,
z = - --------
(4.25)
,j n/12
Prooodimitntoo-i. 61
tiene una distribucin normal estndar. Puesto que la normal estndar
de una variable aleatoria x distribuida nom1almente se obtiene como:
(4.261
entonces, la simulacin de la variable aleatoria x se harta de acuerdo a
la siguiente expresin.
E R, - n/2
i = 1
4.271
.J n/12
Finalmente, se ha comprobado que utilizando un valor de n = 12,
la confiabilidad de los valores simulados es bastante aceptable. Ad&-
ms, es muy poco probable obtener va.lores simulados ae x en la regi.n
+6o < x < -6o. Tambin, es obvio que utiliuindo un valor den= 12,
la expresin (4.27) se simplifica a:
12
X = I' + o ( R, - 6 )
(4.28)
Ejemplo 4.9. Distribucin erlang.
f(x) =
(l.n)'
(n -1)1
(4.29)
donde n y >.. son parmetros positivos, y adems, el valor de n est
restringido a ser entero.
Ha sido demostrado por algunos matemticos que esta distribu
cin es justamente la suma de n variables aleatorias exponenciales
cada una con valor esperado l/A. Por consiguiente, para generar nm&-
ros al azar que sigan una distribucin erlang, se necesita solamente su-
mar los valores simulados de n variables aleatorias exponenciales con
media 11>.., es declr:

X = E x, = - ..!.. E LnR, =
I >.. i=l
l
- _ Ln1R,
>. i I
(4.30)
donde las x, s sigu(;n u.na distribucin exponencial y han sido genera
das por el mtodo de la transformada inversa (ver ecuacin 4.3).
Ejemplo 4.10. Distribucin bnomiaL
flx) = ~ ) 8' 11 - e1, para x = O, 1,. . ., 11
(4.31)
Puesto que la distribucin binomial es justamente la suma de 11 va
riables aleatorias Bernoulli, entonces la generacin de nmeros al azar
que sigan una distribucin binomial, implica sumar los valores simu
lados de n variables aleatorias Bernoulli. El procedimiento para gene-
rar esta distribucin puede ser descrita en los siguientes pasos:
1. Generar n nm.eros uniformes R.
2. Con.tar cuntos de estos nmeros generados son menores que B.
3. La cantidad encontrada en el paso 2, es el valor simulado de la
variable aleatoria x.
4. Repetir los pasos anteriores tanu111 veces como se desee.
Ejemplo 4.11. Distribucin poisson.
Ya se ha explicado como simular una distribucin poisson por el
mtodo de la transformada inversa. Sin embargo, la distribucin pois
son se puede simular de otra manera si se hace uso de la relacin exis
tente entre esta distribucin y la distribucin exponencial. Se puede
demostrar que si: 1) El nmero total de eventos que ocurren durante un
intervalo de tiempo dado es independiente del nmero de eventos que
ya han ocurrido previamente al inicio del intervalo y 2) La probabilidad
de que un evento ocurra en el intervalo de t a t + tJ.t es aproximada
mente At.t para todos los valores de t , entonces: 1) La distribucin de
probabilidad del tiempo entre eventos es /lt) = >-e y 21 La probabili
dad de que ocu.rran x eventos durante el tiempo Tes:
flx) =
"'l
(4.32)
>. !S el nmero de eventos protllt'd.io que ocurre durante l tiempo T.
Por consiguiente, la simulacin de una distribucin poisson haciendo
uso de la relacin anterior, se baria de acuerdo a los siguientes pasos:
l. Definir el tiempo T.
2. Simular mediante el mtodo de la transformada inversa, n
meros al azar que sigan una distribucin exponencial con me-
dia in...
3. Sumar los tiempos entre eventos simulados en el paso ante-
rior de modo que esta suma no sea mayor que T.
4. Contar de acuerdo al paso anterior, el nmero de eventos que
ocurrieron dur9Jlte el tiempo T.
PROBLEMAS
4.1. Generar por el mtodo de la transformada inversa, nmeros al
eur que sigan las siguientes distribuciones de probabilidad:
4) /f.r) b) /f.r)
/4
114

<
2
_ )tx-3)
2
/ 18 si O:sx:s6
e) flx) - l O si 6 < x < O
4.2. Generar por el mtodo de rechazo, nmeros al azar que sigan
las siguientes distribuciones de probabilidad:
a) ,1A'}
314
1/ 4
J
/3
dj /l.<l
J/4
1
2
bl Jl.<I
714
11
J
V

6
312
4.3. Generar por el mtodo de composicin, nmeros al azar que
sigan las siguientes distribuciones de probabilidati:
a) flx) = p(3,e1' + (1 - p)(3,e>', O :S x < co y O s p s 1
b) /t:c) = p{ : ) (, (1-8,)""' + (1-p) ( : ) e;11 - e,r-. o s ;r sn y o s p s 1
<IJl.<I
!l;\4
U
-- --0
1 ~ ~

10
dl /l.i:l
,

' '
_ .... ____ 111
4.4. Generar utilizando procedimientos especiales, nmeros al azar
que sigan distribuciones de probabilidad:
a) flx) = p q' , x = O, l, 2,.. . p+ q = 1
1 z...:.! .!.
b} /l.>: ) = x ' e , x O
2
12
r {'y/2)
r ( Y+I )
dl fl.xl = ___ ___..__ ___ ( 1 + L -.t..p
'Y
- 00 <.x < 00
.['.ryr ( )
5
APLICACIONES DE
SIMULACION
En captulos anteriores, se han explicado y analizado los conceptos
y herramentas requeridas por un estudio de simulacin. Por consi
guiente, ahora ya estamos preparados para empezar a discutir el papel
tan importante que los modelos de simulacin juegan en el anlisis y
estudo de varios tipos de sistemas.
Los modelos de simulacin presentan la ventaja de poder ser mani
pulados en diferentes formas, que serian imposibles, imprcticas y de-
masiado costosas si se realizaran a travs de otra metodologla. Por ejemplo,
se puede simular la operacin de un sistema sin que ste an exista. tambin
se puede a travs del uso de simulacin determinar el sitio de localiz.acin de
un alma.cn, determinar polticas ptimas de inventarios cuando la deman
da y el tiempo de en.trega son estocsticos, etc. En general, se puede decir que
los modelos de simulacin se usan para: 1) Anlisis de sistemas. 2) Diseoo de
sistemas, 3! Sintesis de sistemas y 41 Entrenamento.
El presente capitulo, tiene como objetivo presentar una serie de
ejemplos, a travs de los cuales se podr tener una idea de los milltiples
usos y de la utilidad que se puede obtener al utilizar la tcnica de simu
lacin.
Ejemplo 5.1. Juego de volados
Existe un mtodo viejo para jugar volados, que consiste en doblar
la apuesta cada vez que se pierde. Por ejemplo. si se apuesta $ X y se
pierde. entonces, se apuesta S2X; si en esta ocasin se vuelve a perder,
entonces, se apuesta $4X y asl sucesivamente. Sin embargo. si a.l se-
guir esta poltica sucede que la apuesta es mayor que la cantidad de
que se dispone, entonces, se apuesta lo que se tiene disponible. Por el
61
contrario, cada vez que se gane, la apuesta ser de SX. Si la cantjdad ini
cial disponible es de $30, la apuesta es de $10, la ganancia es igual a la
cantidad apostada. la probabilidad de ganar en un volado es 0.5 y se
quiere tener $50, cul es la probabilidad de llegar a la meta?
Para la informacin anterior, la tabla 5.1 muestra los resultados de
una simulacin manual para este juego de volados. Como se puede ob-
servar en esta tabla, en la primera " corrida" se necesitaron dos lanza.
mientos para llegar a la meta de tener $50. El primer lanzamiento de
esta corrida el cual est representado por el nmero aleatorio 0.03991,
significa que se gan en el volado (nmeros aleatorios menores de 0.5
representan al evento ganar, y nmeros aleatorios mayores que
O. representan al evento perder), y por consiguiente, la apuesta en el
siguiente volado ser de $10. Como el nmero aleatorio de este segun
do volado es menor que 0.5, entonces, con este lanzamiento se llega a la
meta de $50.
Por otra parte, la corrida nmero 3 representa una situacin de
quiebra, es decir, esta corrida representa una situacin en la que se pier
de completamente la cantidad irucial disporuble. En esta corrida, se
pierde el primer volado, y por consiguiente, la apuesta del segundo vo-
lado es $20. Como el nmero aleatorio de este lanzamiento es menor
que 0.5, entonces, se gana en el segundo volado, y la apuesta del tercer
volado ser de SlO. Como el nmero aleatorio de este volado es mayor que
0.5, entonces, se pierde en el tercer volado, y la apuesta del cuarto vola
do ser de $20. Puesto que el nmero aleatorio de este volado es mayor
que 0.5, entonces, se pierde en el cuarto volado, y la apuesta ser de
$40. Sin embargo, la cantidad que se tiene al final del cuarto volado es
de $10. Por consiguiente, la cantidad apostada en el quinto volado ser
de $10. Como esta cantidad es perdida en el ltimo lanzamiento, enton
ces, se llega finalmente a una situacin de quiebra.
Finalmente, en esta tabla se puede observar que de 10 corridas, en
6 ocasiones se lleg a la meta. Esto significa que la probabilidad de llegar
a la meta es de 0.6. Sin embargo, en necesario seJ!alar que esta estima
cin no es muy confiable por el nmero ta.o reducido de corridas que se
simularon. Para tomar una decisin que garantice buenos resultados,
es necesario aumentar significativamente el nmero de corridas simu
ladas. Tambin, vale la pena menciODl\J' que este problema serla dema
siado dificil de resolver anallticamente, sin embargo, a travs del uso de
simulacin se facilita tremendamente la estimacin de la probabilidad
buscada.
Ejemplo 5.2. Camin transportador
La empresa TIBASA (Fabricante de tinas de bailo) tiene asignado
un camin especial para el transporte de tinas terminadas. Dicho ca

Tabla 5.1 Resultados de la simulacin manual de un juego de volados
Cantidad Cantidad
que u
qu
Nmero tiene tieM
tk
antes tkl Nmero S. gan tk&pu4s
Se lleg a
corrida volado
Apuesta okatorio el juego?
tkl volado la 17Ulta?
l
S30
SlO 0.03991
sf
$40
40 10 0.38555 si 50 si
2 30
10 0.17546 si 40
40 10 0.32643
si
50
si
30 10
0.69572 no 20
20 20 0.24122 si 40
40 10 0.61196 no 30
30 20
0.88722 no 10
10 10 0.65961 no o quiebra
30 10
0.03788
si
40
40
10
0.48288 si 50 si
5 30 10 0.88618
no
20
20 20 0.71299 no o
quiebra
6
30 10 0.27954
si 40
40 10 0.80863 no 30
30 20 0.33564 si 50 si
7
30
10 0.90899 no 20
20 20 0.78038 no o
quiebra
8 30
10 0.55986 no 20
20 20
0.87539 no
o
quiebra
9 30 10
0.16818 sf 40
40 JO 0.34677 si 50 si
10 30 10
043305 si 40
40 10
0.59747
no 30
30
20 0.16520 si 50 si
Estos nUmeros aleatorios se obtuvieron del apndice.
miOn transporta diariamente 5 tinas. El peso de cada tina sigue la si-
guiente distribucin de probabilidad:
/td
l/W
-+--""-----'------''---+ KUo.grse1os
190
210
230
Si la capacidad del camin es d" l tonelada, cul es la probabilidad de
que el peso de las tinas exceda la capacidad del camin?
La pregunta anterior, puede ser contestada en forma analtica o a
travs de simulacin. Sin embargo, analicemos primero la obtencin de
esta probabilidad a travs de un procedimiento analltico. El primer
paso en la obtencin de tal probabilidad, seria la determinacin de la
distribucin de probabilidad f(x). Esta distribucin de probabilidad
est definida por:
/l.>:)=
-
1
-(x - 190), SI 190 S X S 210
400
- _!._ (.>: - 230), Si 210 S X :S 230
' 400
En seguida, es necesario determinar la media y la variancia, las
cuales pueden ser obtenidas de las siguient..es expresiones:
t ,110 1 no
E(,.,:J; -1. IX - 190Jdx - - r (% - 230Jdx a 210
400 '' 400 "i l t
1 110 l J)I
VAR(xl - r [x - 2101' lx - 190) dx - - r lx - 2101' lx - 2301 dx = 66.67
400 'illO 400 "z te
Ahora, para encontrar la probabilidad de que la suma de los pesos
de 5 tinas exceda la capacidad del camin, suponga que x , representa
el peso de la ti.na i. Por consiguiente. se desea encontrar la sigujente
probabilidad:
Prob. (x,+x,+x,+x,+x, 2: 10001
si ambos miembros de la desigualdad anterior se dividen por 5, se ob-
tiene:
Prob. !f" 2: 2001
y por el teorema del limite central. sabemos que para distribuciones si
mtricas con valores den 2: 4, x sigue aproximadamente una distribu
cin normal con media p. y desviacin estndar qf.,/n. Por consiguiente,
los parmetros de la distribucin de i para este caso particular. seria.n:
.
E!x) = 210
VAR(x 1 = 13.33
y Ja probabilidad buscada seria:
Prob. IX 2: 200) = Prob. (Z 2:
2

3
~
5
2
1
= Prob. IZ > - 2.74)
= 0.99693
La estimacin de la probabilidad de que el peso de las tinas exceda
la capacidad del camin, tambin puede ser obtenida a travs del uso
de simulacin. Para este propsito, es necesario simular el peso de 5
tinas y compararlo con la capacidad del camin. El procedimiento an
terior es necesario repetirlo tantas veces como se desee. Una vez que se
hayan realizado n corridas, la estimacin de esta probabilidad seria
:cln, donde x representa el nmero de veces que el peso de las 5 t'tnas
excedi la capacidad del camin.
Para simular el peso de una tina, es necesario utilizar alguno de
los procedimientos descritos en el capitulo anterior. Suponga que para
este caso particular, se va a utilizar el mtodo de la transformada in
versa. Por consiguiente. es necesario primero determinar la distribu
cin acumulada del peso de una tina. Tal distribucin se muestra a
continuacin:
F(xl =
1
- lx - 190)
1
si 190 s x s 210
800
1 - _l_ (x - 2301'. si 210 s x s 230
800
n Aplkiacioow de timut.d6n
Con la distribucin acumulada definida. el procedimento para simu
lar el peso de una tina serla el siguiente:
l. Generar un nmero uniforme R.
2. Preguntar si el nmero uniforme R es menor que 0.5*. Si la
respuesta es afirmativa, entonces:
X= 190 + J 800R
Por el contrario, si la respuesta es negativa, entonces:
X = 230 - J 800 (1 - RI
3. Repetir los pasos anteriores tantas veces com se desee.
Aplicando el procedimiento anterior, la tabla 5.2 muestra los re-
sultados de una simulacin manual para este problema. Como se puede
observar en esta tabla, en todas las corridas se excedi la capacidad del
camin. Esto, a primera vista, podra indicarnos que la probabilidad de
que la capacidad del camin sea excedida es de 100%. Sin embargo. lo
anterior es falso, puesto que no es posible considerar como verdadero,
los resultados obtenidos en un nmero muy reducido de corridas. Es
obvio, que si el nmero de corridas se aumenta significativamente, el
porcentaje de las veces que la capacidad del camin es excedida, debe
tender a 99.69%.
En este mismo problema, es posible determinar a travs de proce-
dimientos anallticos o de simulacin, la conveniencia de adquirir un
nuevo camin, o seguir operando con el actual. Par.a tal propsito, su
ponga que cada vez que la capacidad del camin es excedida, una tina
es enviada a travs de otra compaia a un costo de $200/tina. Tambin,
suponga que el costo prom.edio anual de un nuevo camin es de
$60,000. Si se trabajan 5 d1as a la semana y 52 semanas al ao, cul de
las dos alternativas mencionadas es la ms atractiva?
Si se utilizan procedimientos anallticos, el costo esperado de en
vi.ar la mercancla excedente a tl'avs de la otra compaia, seria:
( __ $2--'0_0_ ) ( 0.99698 ) ( 5 d1as ) ( 52 semanas )= $
51
840
tina d1a semana ao
el cual resulta ser menor que el costo promedio anual de u.n nuevo ca-
mjn. Por consiguiente, la decisin es seguir enviando los excedentes a
travs de la otra compaia transportista.
1.a distribucin 8Cumulada toma un \ralor de 0.S <..'tlando $ e 210.
AplicecioMI de aimu .. d6ft 73
TASIA 5.2 Resultados de la simula.cin manual del camin de carga
Nmero Peso
.Pe.t;o
Se excedi
de
Nmero*
simulado
simulado la capacidad
com"da
Tina
alea.torio de la tina
acu1t1ulado del camin?
1
1 0.31751
206 206
2
0.88491
220
426
3
0.30934 206 632
4 0.22888 204
836
5
0.78212 217
1.053
si
2 1
0.70014 215
215
2
0.37239 207 422
3 0.18637 202 624
4 0.05327 197 821
5
0.95096 224 l,(}45 si
3 1
0.43253
209 209
2
0.80854
218 427
3
0.80088 217 644
4 0.80890 218 862
5
0.93128 223
1.085
si
4
1
0.41849
208 208
2 0.46352 209
417
3 0. 11087 199 616
4 0.52701 211 827
5
0.57275 212 1.039 si
1 0.20857 203 203
2 0.15633 201
404
3 0.92694 222 626
4 0.77613 217 843
5 038688 208 J.051 si
Estos n\lmQTOS alearorios se obtuvieron del a.pndJ<:e.
Este mismo problema, puede ser resuelto por medio de simu
!acin. A travs de esta tcnica, los pasos requeridos para determinar
el costo promedio anual de enviar los excedentes (1 tina) utilizando los
servicios de otra compaia. serian:
l. Simula.r el peso de 5 tinas.
2. El peso simulado de las 5 tinas, excede la capacidad del ca
min? Si la resouesta es afirmativa. entonces. se acumula un
74 ApliacioNI de simutedOn
costo de $200. Si la respuesta es negativa. no se acumula nin
gn costo para ese dla.
3. fulpetir el paso anterior para los 260 dlas laborables en el ao,
y determinar el costo acumulado anual.
4. Repetir los pasos anteriores para varios aos.
6. Determinar, a partir de los costos acumulados obtenidos en
los pasos anteriorP.s un costo promedio anual.
6. Comparar el costo promedio anual obtendo en el paso anterior,
con el costo promedio anual del nuevo camin. Si el costo pro-
medio anual obtenido en el paso anterior, es menor que el costo
promedio anual del nuevo camin, entonces, conviene seguir
utilizando los servicios de la otra compafiia transportista.
Finalmente, conviene sealar que si el nmero de corridas en esta
simulacin es el adecuado, el costo promedio anual de enviar los exce
dentes utilizando los servicios de la otra compaia. debe de tender a
$61,840. Lo anterior significa, que la decisin de comprar un nuevo ca
min. o seguir operando con el camin actual, debe ser la misma inde-
pendlentemente del enfoque que se utilke en la solucin de este problema.
Ejemplo 5.3. Estimacin de .,,.
Usando la figura que se muestra a continuacin, describir un
procedimiento que estime el valor de ir?
R,
H,
En la figura anterior, es obvio que la probabilidad de que un pun
to pertenezca al cuarto de circulo es la siguiente:
Area del cuarto de circulo
Area del cuadrado
ir/ 4 = ....:_
J 4
tambin, es obvio que esta probabilidad puede ser estimada mediante
la relacin .r/r1, donde x representa el nmero de veces que un punto simu
lado cay dentro del cuarto de circulo y n el nmero d.e corridas. Por
consiguiente. en el lmite cuando el nmero de corridas tenda a infini
to, las dos relaciones anteriores deben ser idnticas, esto es:
Lm
.=_ = _!__
n 4
X
y .- =4 -
11
De acuerdo a la identidad anterior, el procedimiento para estimar
el valor de ir, sera:
l. Generar dos nmeros uniformes R, y R
2

2. Evaluar .J R,' + R,'. Si este valor es menor que 1, entonces, el
nmero simulado cae dentro del cuarto de circulo, y por con
siguiente se increment.a el valor de x. De lo contrario, es nece-
sario regresar al paso l.
3. Repetir los pasos anteriores basta que n corridas hayan sido
simuladas. En este momento, el valor de ir, serla: 4x/11.
Aplicando el procedimiento anterior. la tabla 5.3 muestra los re-
suJtados de una simulacin nlanual para este problema. Como se puedo
observar en esta tabla, de 25 puntos simulados. 21 cayeron adentro del
cuarto de crculo. Por consiguiente, el valor estmado de .-, de at-uerdo a
estas 25 corridas. sera:
-.. = 4(211251 = a.36
Es obvio, que este valor estimado de '" difiere demasiado de su va
lor verdadero. Consecuentemente, si la estimacin del valor de .: se
quiere aproximar ms a su valor verdadero, entonces, es necesario
aumentar significativamente el nmero de corridas. Por ejemplo,
en este momento es posible preguntar, cuntas corridas es nece-
sario simular para que el estimador de '" difiera de su valor ver-
dadero en una cantidad menor que 0.1, con una seguridad de 95'J"o?
Esta pregunta puede ser planteada de acuerdo a la siguiente ex
presin:
Prob. J j'i - ir j s 0. 1 1 = 0.95
la cual puede ser rearreglada y expresada como:
Prob. 1 .- - 0.1 s . s ,,. + 0.11 = 0.95
76

'
A,pllc:8donel de limu'-ci6n
TABIA 5.3. Resultados de la simulacin manual para estimar el valor de r
Nmero
Primer
Segundo
Valor
de
n.mero
nmero .JR,'+R,'sJ?
acumulado
corrida
aleatorio aleatorio de X
1 0.03991 0.38555 s 1
2 0.17546 0.32643 si 2
3
0.69572 0.24122 si 3
4 0.61196 0.30532 si
4
5
0.03788 0.48228 si 5
6
0.88618 0.71299
no
5
7
0.27954
0.80863
s
6
8
0.33564 0.90899 si
7
9 .
0.78038 0.55986 si 8
10 0.87539 0.16818
si
9
11
0.34677 0.45305 si 10
12
0.59747 0.16520 si 11
13 0.68652
0.79375 no 11
14 0.38521 0.59589
si 12
16
0.20554 0.59404
si
13
16
0.42614 0.34994 si 14
17 0.99385 0.66497 no 14
18
0.48509 0.15470 sl 15
19 0.20094
0.73788 si 16
20 0.60530
0.44372 si 17
21
0.18611 0.58319 si 18
22
0.61199 0.18627 sl 19
23
0.00441 0.32624 si 20
24
0.65961 0.20288 si 21
25 0.59362
0.99782 no 21
Estos n\lmeros se obtuvieron del apndice.
Sin embargo. puede ser estimada usando la relacin 4Xln. Por consi
guiente, sustituyendo i = 4.xln en la ltima expresin, se obtiene:
Prob. 1
.. - 0.1
4
X
s - "'
n
.. + 0.1
4
1 = 0.95
y puesto que x (cantidad de puntos simulados que cayeron adentro del
cuarto de circulo) es una variable aleatoria que sigue una distribucin
binomial (cada punto simulado sigue una distribucin Bemoulli), con
median ir/4 y variancia n T/4(1 - ir/ 4), entonces, x/n la cual representa
la fraccin de xitos, tiene la siguiente media y variancia:
E ( ) = ..!.. Elx) = ,,4
n n
X X r l
VAR ( - ) =E( - - -1' = -E\x -n ,../41
2
= ,../4(1 - ,../4)/n
n n 4 nZ
Por otra parte, es obvio que cuando n es grande, tanto la distribu
cin binomal como la fracciOn de xitos (xln), pueden ser reemplazadas
por una distribucin normal con los parmetros respectivos. Por
ejemplo, se puede decir que cuando n es grande, x/n sigue aproximada
mente una distribucin normal, con media y variancia respectivamen
te, de r /4 y .. /4(1 - 1</41/n. Por consiguiente, el nmero de corridas que
es necesario realizar para que el valor estimado de " difiera de su valor
verdadero en menos de 0.1, con una seguridad de 95%. puede ser en
contrado al resolver la siguiente ecuacin:
.. + 0.1 "
4 4
Z.12 = - -------
J" .. 1
-(1--)-
4 4 n
y despejando el valor de n, se obtiene:
n=
4 .. (! - .. 14) z;,,
(0.11-'
y puesto que z.,, = 1.96, entonces el valor den resulta ser de 1036. En
esta ltima expresiOn, se puede observar que el valor de n aumenta
entre mayor sea el nivel de confianza o la exactitud requerida. En
conclusin. se puede decir que para que el valor estimado de .-. difiera
de su valor verdadero en una cantidad menor que 0.1. es necesario si
mular 1036 corridas.
78 A,plicae:..,_ de simulacin
Ejemplo 5.4. Proyecto de inversin
La compaia X desea incursionar en un nuevo negocio cuya inver
sin inicial requerida y los flujos de efectivo antes de depreciacin e im
puestos de los prximos cinco aos siguen las siguientes distribuciones
triangulares:
Actvo fijo nicial
Activo circulante inicial
Flujo antes de impuestos
Estimacin
pesimista
- 8100,000
- 40,000
30.000
Estimacin
ms
-$70,000
- 30,000
40.000
Estimacin
optimis tQ.
- $60,000
- 25,000
45.000
Adems, esta compaia estima que las tasas de- inflacin en los prxi
mos cinco aos siguen las siguientes distribuciones triangulares:
Tasas de i11flacin 1%/
-
--
Estimacin Estimaci<1n Estimacin
Ao pttsim;sta ms probable optimista
1 18 15 12
2 18 15 12
3
22
18 15
4 25 20 18
5 28 22 19
Si la tasa de impuestos es de 50%. la TREMA de 15% y la alta ad.mi
nistracin ha establecido que si Prob. 1 TIR > TREMA }* e: 0.90, enton-
ces los nuevos proyectos se acepten; deberla la compaf\a X aceptar este
nuevo proyecto de inversin? {Asuna que la vida fiscal del activo fijo es
de 5 aos. y que el valor de res<:ate es un 20% del valor simulado para el
activo fijo. y un 100% del valor simulado para el activo circulante.}
Este problema serla muy difcil de resolver en forma analtica.
puesto que tanto Jos flujos de efectivo como las tasas de inflacin son
probabilsticas. Sin embargo. por medio de la sin1ulacin es 1nuy sencillo
esi.ablecer o desarrollar un modelo que incorpo.re toda la informacin
probabilstica de las diferentes variables aleatorias que intervienen en el
proyecto de inversin. Especlficamente. los pasos necesarios para deter
nnar la distribucin de probabilidad de la TIR y en base a ello tomar una
decisn, serian:
ry1 R p; 'fasa interna de rcndin:Uent.o.
:: de recuperacin mnirnu nlrac:t.iva.
Aplk:aeiones de simu.!Ki6n 79
l. Determinar la TIR mnima que puede resultar de la simu
!acin. El valor de TIR mnimo resulta cuando el activo fijo
inicial, el activo circulante inicial, el flujo de efectivo antes de
impuestos y las tasas de inflacin toman su valor pesimista.
Para estos valores, la t.abla 5.4 muestra los flujos de efectivo
despus de impuestos. Para estos flujos de efectivo, la tasa in
terna de rendimiento que se obtiene es de - 3.1 %.
2. Determinar la TfR mxima que puede resultar de la simu
!acin. El valor de TlR mximo resulta cuando el activo fijo
inicial, el activo circulante incial, el fluj o de efectivo antes de
impuestos y las tasas de inflacn toman su valor optimista.
Para estos valores, la tabla 5.5 muestra los flujos de efectivo
despus de impuestos. Para estos flujos de efectivo se obtiene
una tasa de rendimento de 19.91%.
3. Dividir el intervalo (-3.1 %; 19.91 %) en 20 subintervalos
iguales.
4. Simular el valor del activo fij o inicial y del activo circulante
inicial, los cuales representan la inversin total del proyecto.
5. Determinar el flujo de efectivo despus de impuestos a pesos
constantes, de acuerdo a la siguiente expresin:

x , .- tl+i,,)(1 - Tl+<0.2A1'1!Tl - AC(i.)" (l+i,
1
1
S
P I M
' -
'
.- (1 +i)
::.t
donde:
S. = Flujo de efectivo despus de impuestos a pesos
constantes.
x. = Valor simulado del flujo de efectivo antes de im
puestos en el periodo t.
1,
1
= Valor simulado de la tasa de inflacin en el periodo j.
T = Tasa de impuestos.
AF = Valor simulado del activo fijo inicial.
A C = Valor simulado del activo circulante inicial.
6. Determinar el valor de rescat.e a pesos t'Onstantes, utilizando la
si,'Uiente expresin:
VR = AC + (0.2/\F) !1 - 7)
7. Calcular la tasa interna de rendimiento para estos ' 'aJores simu
lados, de atiierdo a la siguiente expresin:
P>_
(")
::,-

IU
"'
TABLA 5.4. Flujos de efoc:tivo despus de impuestos considerando que todas las variablo oleo torios to-
man su valor pesimista.
lnu1rsin Fl.,jos de
adicional efectivo
en activo anres de
A1lo ci' re ulan t4I
-
o - $140,000
1 7,200 35,400
2 8,496 41,772
3 10,365 60.962
4 12.956 63.702
6 16.584 81.639
5 163,078
Ta!ll inl4!11U1 ck rendimkl'lt.o
" "
Depre-
ciaci611
20.000
20.000
20,000
20,000
20.000
lnl(reso lmputts
rauablt! '""
15,400 7,200
21.772 10.886
30.962 15.481
43.702 21.851
61.539 30.769
27,180
Flujo de
rfectiuo
despus d

(pesos
corrientes}
-Sl40,000
20.600
22.390
25.116
28.895
34.185
135.898
:,,;o de
/tiuo
d1pu de

lpso.<
con&tantes}
- $140.000
17.373
16.080
14,785
13.608
12,677
50,000
8
1
t
1
;;:::
a
CD
:O.
!l!.
(")
:::r
3
::
o

-o

CD
3
' e
o
-
"'
"'
3

TABLA 5.5. Flujog de electivo despus de impuestos considerando que t.odas laa variables aleatorias to-
man su valor opLlmlsta.
Ao
o
1
2
3
4
s
s
lnwnwn
adirional
en ru::tivo
circulan t
8,000
8,360
3.864
4.560
6.425
Pl'<io de
ftttiuo
antes de
impue&t:os
- $85,000
50,400
56,448
64.915
76,600
91,154
74,949
T.--...., '1n1i 1tt1'
Depre-
ciaa'6n
12,000
12,000
12,000
12.000
12,000
lngre&0 Jmpues-
grauabh U>
38,100
44,448
52,915
64.600
79,154
19,200
22,224
26,458
32.300
39.577
12,154
Ptwjo de Pl!<io de
f<elIJO efectivo
dspula de d1pu1 ck
impue1tos impuestos
(pe101 (pesos
conient.,J constantes)
- $85,000 -S85,000
28,200 25,179
30,864 24,605
94,594 23,981
39.740 23,346
46.151 22,783
62.795 31.000
1
t
f
1
,
Por el contrario. si la respuesta es negativa. ent.onces:
x =e - ,/ (c- aJ(c - b)O - Rl
Si se aplica el procedimiento descrito anteriormente. y el mtodo
de la transformada inversa para simular distribuciones triangulares; el
resultado es el histograma de la TIR que se muestra en la tabla 5.6. A
partir de este histograma, se obtiene la distribucin acumulada de la
TIR. la cual se muestra en la figura 5. 1. En esta ltima filnll"a se puede
apreciar que la Prob. [TIR > TREMA! es prcticamente nula. Esto
significa, que de acuerdo a los estandares establecidos por la alta admi
nistracin, el proyecto deber ser recha:r.ado. Finalmente, conviene se-
alar que esta decisin es bastante confiable, puesto que en la tabla 5.6
se muestran los resultados de simular 1.000 veces el valor de TIR.
TABLA 5.6. Frecuencia acumulada de la TI R (%).
limite inferior Umite supenor r ~ r o i n
del intervalo del intervalo f"raccin acumulada
- 3. 10 - 1.95 0.000 0.000
-
1.95 - o.so 0.000 0.000
- 0.80 0.35 0.000 0.000
0.35 1.50 0.000 0.000
1.50 2.65 0.003 0.008
2.65 3.80 0.019 0.022
3.80 4.96 0.082
0.104
4.96
6.11 0.141 0.245
6.11 7.26 0.189 0.484
7.26 8.41 0.193 0.627
8.41 9.56 0.184 0.811
9.56 10.71 0.111 0.922
10.71
11.86
0.057
0.979
11.86 13.01 0.015 0.994
13.01 14. 16 0.006
1.000
14.16 11;.31 0.000
1.000
15.31 16.46 0.000 1.oon
16.46 17.61 o.ooo 1.000
17.61 18.76
0.000 1.000
18.76
19.91 0.000 1.000
,
1.0
0.8
0.6
o .. (
0.2
1 2 3 4 6 7 8 $ 10 11 12 IS TIR
Atura 5-1 Dlatribucin acumulada de la tasa interna de l'!'ndimiento.
Ejemplo 6.5. Si$tema de inuen.tarios
La demanda mensual de un cierto producto sigue' la siguiente
distribucin de probabilidad emprica:
Cantdad Probabilidad Cantidad Probabilidad Cantidad Probabilidad
35
0.010 44 0.029
53
0.065
36
0.015 45 0.035 54 0.060
37 0.020 46 0.045 55 0.050
38
0.020 47 0.060
56
0.040
39
0.022 48 0.065 57 0.030
40 0.023 49 0.070
58
0.016
41 Oc025
50
0.080
59
0.015
42 0.027
51
0.075
60
0.005
43 0.028 52 0.070
El tiempo de entrega est distribuido de acuerdo a la siguiente funcin
de probabilidad:
Meses
Probabilidad
l 2
0.30 0.40
3
0.30
Los factores estacionales para cada uno de los meses del ao son como
se muestra a continuacin:
Apticaciol'* de simulltc:in
Factores Factores
Mes estacionales Mes es cacionaks
1
1.20
7 0.80
2 1.00 8 0.90
3
0.90
9
1.00
4 o.so JO 1.20
5 0.80 JI 1.30
6
0.70 12 1.40
La informacin con respe<:to a los costos relevantes es la siguient,e:
Costo de ordenar = $100/orden
Costo de inventario = $ 20/unidad/ao
Costo de faltante = $ 50/undad
85
Si el inventario inicial se asume en 150 unidades, determine la canti
dad ptima a ordenar lq) y el nivel ptimo de reorden IRI?
. Los sistemas de inventarios a menudo contienen vario compo-
nentes estocsticos que interactan entre si. Cuando estos componen
tes son importantes, su consideracin en el modelo matemtico lo hace
a ste considerablemente complejo. El modelo de inventarios determi
rustico asume demanda conocida y constante; un tiempo de produccin
o de entrega conocido y fijo; una razn de produccipn infinita; no se
permite faltante; y los costos de llevar inventario y de ordenar son pa
rmetros que tienen un comportamiento lineal. Cuando la demanda es
aleatoria, el modelo de inventario es un poco ms sofisticado. Los siste-
mas de inventario, sin embargo, contienen ms componentes estoesti
cos. Adems de las variaciones en la demanda aleatoria, sta puede tener
un comportamiento estacional. El tiempo de entrega entre colocar y re-
cibir una orden puede ser estocstico. Se puede satisfacer con inventa
ros de perodos actuales, la demanda insatisfecha de perodos previos.
Los costos de ordenar, llevar inventario y de faltante pueden $er
difciles de estimar. Estos parmetros pueden tambin ser no-lineales.
Si muchas de estas complicaciones son importantes al sistema de in
ventarios que se est analizando, el desarrollo de un modelo matemti
co que represente a este sistema podra resultar significativamente
complejo. Sin embargo, un modelo de simulacin, procesado con la ayu-
da de la computadora. podra ser ms fcil . ms confiable y ms efectivo.
El sistema de inventarios que se analiza es lcte constante y tie.mpo
entre pedidos uarlaks. Las variables de decisin para este modelo son
la cantidad a ordenar q y el nivel de reorden R. las cuales minimizan los
costos totales del inventaro (costo de ordenar, costo de llevar inventario
y costo de faltante). Por consiguiente, para evaluar el funcionamiento
86 Aplicaciones d limut.ci6n
del sistema de acuerdo a los valores de las variables de decisin utiliza
dos. costos totales anuales son acumulados. Cada vez que una orden es
colocada. el costo de ordenar anual es incrementado en SlOO. El nivel
de inventario promedio mensual es utilizado para evaluar el costo de
llevar inventario*. Al final de cada mes se deternna el numero de uni
dades fal tantes y el costo que esto representa. La suma de los costos
anteriores, proporciona el costo total anual.
Para entender el proceso de simulacin de este sistema de inven-
tario. una simulacin manual de un ao de operacin es presentada en
la tabla 5.7, y en la figura 5.2. Los valores de las variables de decisin
utilizados en esta simulacin son: q = 200 y R = 100. Tambin, para
esta simulacin se utiliz el mtodo de la transformada inversa para sin1u
lar las demandas (ver tabla 5.9) y los tiempos de entrega (ver tabla
5.10). El inventario inicial es de 150 unidades. La demanda simulada
para el primer mes (considerando el factor de ajuste) fue de 64, lo cual
reducir el inventario al final del mes a 86. El inventario promedio del
primer mes es por consiguiente (150 + 86)12 = 118. Al final del primer
mes. el nivel de e:tistencias es menor que el nivel de reorden, por lo cual
la primera orden es colocada. De acuerdo a la tabla 5.11, el t iempo de
entrega de esta primera orden es de 1 mes. Por consiguiente. al princi
pio del tercer mes 200 unidades se agregarn al nivel de existencias. Al
final del sexto mes, una segunda orden es colocada. la cual de acuerdo a
la tabla 5. 11. se entregar a principios del dcimo mes. Este tiempo de
200
lSO

60
3 '
Orden 2
6
,
+L
felt-unt.e.
Figura 5.2. Simulacin para un ao de operacin del sisterna de invent.arios.
Se ha<Xln ajuste para aquellos periodos que no tienen cxigLcncias suJicint.os para sa
tlsfacer la demanda de ese pcriod1>.
APlica.cio,_ di limulld6n 87
Tabla 5.7. Simulacin manual del sistema de inventarios (q = 200, R = 100}.
ltWentario
lnuentario
Nmero Demanda l nuento.rio mensual
J. \.!es inicial akatorio
ajustada final Faltante Onkn promedio
l
l 5 o 0.74022 64
86
1 118
2
86
0.65741 62
34 60
3 234 0.66083
47
187 211
4 1 8 7 0.08355 31 156 172
5
1 5 6 0.55121 40 116 136
6
1 1 6 0.00911 25 91 2 104
7 91 0.14060 34 57 74
8
57 0.14845
38
19
38
9
1 9 0.41839 48
o 29
4
10 l 7 1
0.89685
58 118 142
11 l 1 3 0.74416 69 44 3 79
12
40 0.53152 70
o 30
11**
19 19
40 40
4=- ( --) 11 ;;;; - j --)
2 48
2 70
Tabla 5.8. Costos wtales anuales del sistema de inventario.
Costo de orchnar
31100) = $300
Coste de Ueuar
inventario
1149il.67) = $1,918
Costo de
faltante Costd t.ota/
59(50) = $2,950 S5.168
entrega de tres meses. origina en el noveno mes un faltant.e de 29 uni
clades. Consecuentemente. de las 200 unidades que llegaran al principio
del dcimo mes, 29 sern usadas para satisfacer la demanda que qued
insatisfecha en el perodo anterior. Finalmente, la tabla 5.8 muestra el
costo totaldl sistema de inventario para un ao de operacin.
Si se simulan varios aos ms (30 por ejemplo), se podra obtener
el costo total promedio anual asociado a los valores mencionados de de-
cisin (q = 200, R = 100). Sin embargo, lo importante es aplicar una
metodologa que progresivamente vaya mejorando los valores de las
variables de decisin hasta determinar sus valores ptimos. Para este
propsito, el algoritmo de Hooke y Jeeaves* ser aplicado. De acuerdo
a este algoritmo, primero hay que seleccionar valores iniciales apro-
piados de las variables de decisin. Despus, hay que obtener el costo
l"nra entender los detu.Ucs de este algoritmo, ver l'billps. Ravindrun, Solbcrg, Oxtru
rion l l e ~ c r e h Prin.cipl'-S "d Pro.cticfl. John \Viley, l916.
88 ApficadoMI de timuleci6n
total relacionado a estos valores. En seguida, se usa esta informacin
para mejorar los valores de las variables de decisin. Esta iteracin ser
repetida hasta que los valores ptimos de las variables de decisin ha
yan sido encontrados. La tabla 5.12 muestra todas las iteraciones que
resultan de aplicar este algoritmo. En esta tabla se puede observar que los
valores ptimos de las variables de decisin son: q = 178 y R = 168. lo
c.ual produce un costo total promedio anual de $3,245.
Tabla 5.9. Mtodo de la transformada inversa para
simular valores de la demanda
Si 0.000 s R < 0.010, entonces x = 35
Si 0.010 :S R < 0.025, entonces x = 36
Si 0.025 s R < 0.045, entonces x = 37
Si 0.045 :S R < 0.06S. entonces x = 38
Si 0.065 s R < 0.087. entonces x = 39
Si 0.087 :S R < O.lJO, entonces x = 40
Si 0.110 s R < 0.135, entonces x = 41
Si 0.135 s R < 0.162, entonces x = 42
Si 0.162 :S R < 0.190, enf.<mces x = 43
Si 0.190 :SR < 0.219, entonces x = 44
Si 0.219 s R < 0.254, entonces x = 45
Si 0.254 s R < 0.299, entonces x = 46
Si 0.299 s R < 0.359, entonces x = 47
Si 0.359 s R < 0.424, entonces x = 48
Si 0.424 :S R < 0.494. entonces x = 49
Si 0.494 :S R < 0.574, entoncos x = 50
Si 0.574 s R < 0.649, entonces x = 51
Si 0.649 s R < 0.719. entonces x = 2
Si 0.719 :S R < 0.784. entonces x = 53
Si 0.784 s R < 0.844, entonces x = 54
Si 0.844 "' R < 0.894, entonces x = 55
Si O.Sll4 s R < 0.934, ent.onces x = 56
Si 0.934 s R < 0.964, entonces x = 57
Si 0.964 s R < 0.980. entonces x = 58
Si 0.980 s R < 0.995. entonces x = 59
Si 0.995 s R S l.000, entonces x = 60
Tabla 5.10. Mtodo de la transformada inversa
para simular los tlempos de entrega
Si 0.00 s R < 0.30. entonces x = 1 mea
Si 0.30 :S R < 0.70, entonces x m 2 meses
Si 0.70 :S R s 1.00, entonces x = 3 meseil
camones que estn esperando al momento de que el almacn abre sus
puertas. es la
(.O" t idtz<l
ca111io11t>s
o
J
2
3
Probllbilidad
0.50
0.25
0.1 r;
0.10
Por otra parte, tambin de informacin pasada, se sabe que ta
distribucin de probabilidad del tiempo entre llegadas, es la siguiente:
1'icm.JO e11tre
ll<!lfUdas
(n1inutosl
20
25
30
35
40
45
50
55
60
Probabili.dod
0.02
0.08
O.J 2
0.25
0.20
0.15
O.JO
0.05
0.03
Finalmente. por medio de experimentacin se han obtenido las distri
buciones de probabilidad del tiempo de servicio para diferentes tama-
os de equipo. Tales distribuciones se muestran a continuacin:
1'ipmpo el<' servic;CJ 'J''iem-po de servicio
(1ni11uto . .;:} de (mirtutosJ de
I res /1'1fS<>n(l .t!t Probllbilidod c11<1tro perso11a.t:: Probabilidad
20 o.ns 15 0.05
25
0.10
20
0. 15
30
0.20 25 0.20
35
0.25
30
0.20
40 0.12 35 0.15
45 0.10
40 0.12
50
o.os 45 o.os
55
0.06
50
0.04
60
0.04
55
O.OL
--
Apficl:don. de simullci6n 91
Tiempo St!ruit:io 1''icn1p<> de seruic1'.o
(11rc:nt' tos) de
(minutos/ de
ci11co perso1ras Probabilidad seis
J>ro babililad
10 0. 10
5
0.12
15 O.IS 10 0.15
20 0.22 15
0.26
25 0.18
20 0. 15
30 0.10
25 0. 12
35 0.08 30 0.08
40 0.06
3
,
0.06
45 0.05 40
0.04
50 0.03 45 0.02
Si todo el equipo se considera como un servidor, ,cul es el tamao p
timo del equipo?
El anlisis de sistemas de colas frecuenteinente ilustra la dificultad
de construir un modelo matemtico que contenga todos los elementos pre-
sentes en el sisteina. Generahnente, los modelos de colas asumen que el
tiempo entre llegadas y el tiempo de siguen una distribucin ex
ponencial Tambin. estos modelos asu1nen que la cantidad de clientes que
llegan al sistema por unidad de tiempo y la cantidad de clientes que el sis
tema sirve por unidad de tiempo siguen una distribucin poisson. Adems
de las anteriores suposiciones, estos modelos generalmente asumen que:
l) La fuente que alimenta al sistema es de tamao infinito: 2) El sistema
ha alcanzado el estado estable; 3) La disciplina de servicio es priineras
entradas- primeras salidas; 4) l.oo clientes que llegan al sistema se unen
a la cola: 5) Los clientes que estn en la cola, permanecern en ella hasta
que sean servidos; 6) Los clientes lle,'3.ll en forma individual y 7) Las sali-
das del sisteina son en forma individual. Estas suposiciones generaln1ent.e
originan que las decisiones que 5" Loman con base en estos modelos no
sean confiables.
En muchas situaciones. sin embargo, el sistema de colas puede te-
ner caractersticas especiales importantes. Puede tener etapas tran-
siontes y de estado estable, puede ser d ependiente. o formar parte de
un grupo de facilidades independientes. Puede tener prioridades de ser-
vicio, o algunos clientes que llegan al sistema cuando la cola es excesi-
vamente b'Tande pueden rehusar entrar al sistema. Tambin. puede ser
que la fuente que ali1nenta al siste1na sea finita . La exclusin de tales
caractersticas especiales puede distorcionar la naturale7.a verdadera del
sistema, por lo cual debern ser consideradas en la moclelacin del mismo.
Si hay varias c.aracterlsticas especiales importantes. una modela
cin matemtica completa resultara difici l o casi imposible. En tales
situaciones. el anaUsis completo del sistema puede ser logrado a travs
del uso de la tcnica de simulacin.
adelantado a las 11.40. Como el primer camin se termina de descargar
a las 11.50, entonces, hasta este momento se iniciar la descarga del se-
gundo camin. Esto significa que el tiempo de ocio del segundo camin
es de 10 minutos. El tiempo de servicio para el segundo camin es de
25 minutos (nmero aleatorio 0.14387, que de c u ~ r d o a la tabla 5.15,
corresponde a un tiempo de servicio de 25 minutos). El proceso conti
na para el resto del turno en una forma similar.
simular los camones que esperan al empezar a ope-
rar el almacn.
Si 0.00 s R < 0.50, entonces x = O
Si 0.50 s R < O. 75, entonces ;e = l
Si 0.75 s R < 0.90, entonces x = 2
Si 0.90 s R < 1.00. entonces ;e = 3
Tabla 5.14. Mtodo de la transformada inveNJa para
simular el tiempo entre llegadas.
Si 0.00 s R < 0.02, entonces x = 20
Si 0.02 s R < 0.10, entonces ;e = 25
Si 0.10 s R < 0.22, entonces ;e = 30
Si 0.22 s R < 0.47, entonces ;e = 35
Si 0.47 s R < 0.67, entonces x = 40
Si 0.67 s R < 0.82, entonces x = 45
Si 0.82 s R < 0.92, entonces x = 50
Si 0.92 s R < 0.97. entonces x = 55
Si 0.97 s R s 1.00. entonces :e = 60
T allla 5.15. Mtodo de la trnnsfonnada inversa pa.ra
imular el tiempo d e servicio (equ.ipl> de 3 perS<>nas).
Si 0.00 s R < 0.05. entonces x = 20
Si 0.05 s R < 0.15. entonces x = 25
Si 0.15 s R < 0.35. entonces x = 30
Si 0.35 s R < 0.60. entonces x = 35
Si 0.60 :> R < 0.72. entonces x = 40
Si 0.72 s R < 0.82. entonces x = 45
Si 0.82 s R < 0.90. entonces x = 50
Si 0.90 s R < 0.96. entonces x = 55
Si O. 96 s R s LOO. entonces x = 60
A travs de las operaciones del tumo nocturno, el tiempo entre
llegadas y el tiempo de servicio son obtenidos utilizando nmeros alea
torios del apndice. Despus de cada evento, el reloj de la simulacin es
actualizado. Tan pronto como algn servicio sea terminado despus de
las 3 A.M .. el personal dispondr de media hora para tomar sus alimen
tos. Para este caso result de 3.15 a 3.45 A.M. Para descargar el lti.mo
camin. el cual lle,r a las 6.55 A.M., el personal tuvo que trabajar 10
minutos de tiempo extra. Por consiguiente, los costos totales que se in
curren en este primer tumo simulado son;
Salarios = Tiempo normal + tiempo extra.
= 3(8)(25) + 37.50(3)(1/6).
= $618.75.
= Operacin del almacn + espera del camin.
= 500(8.67) + 100(6.42).
= $4,977
Costo total= 618.75 + 4.977 = 55,695.75
TaMa 5.16. Mtodo de la inversa para
simu.lar el tiempo de servicio (equipo de 4 personas).
Si o.oo s R < 0.05, enton<:(!S x = 15
Si 0.05 s R < 0.20. enton<:(!S x = 20
Si 0.20 s R < 0.40. entonces x = 25
Si 0.40 s R < 0.60. entonces x = 30
Si 0.60 s R < 0.75. entonces .r = 35
Si O. 75 s R < 0.87. entonces .r E 40
Si 0.87 :S R < 0.95. entonces .e = 45
Si 0.95 s: R < 0.99, entonces .r = 50
Si 0.99 s R s 1.00. entonces x = 55
TaMa 5.17. Mtodo de la transformada inversa para
simular el tiempo de servicio tequipo de 5 personas).
----------
Si 0.00 :S R < 0.10. entonces x = 10
Si 0.10 s R < 0.28. entonces x = 15
Si 0.28 s R < 0.50. entone"" x = 20
Si 0.50 s R < 0.68. entonces .r = 25
Si 0.68 s R < 0.78, entonces .r = 30
Si 0.78 :S R < 0.86, entonces .r = 35
Si 0.86 s R < 0.92. entonces .r = 40
Si 0.92 s 11 < 0.97. entonces .r = 45
simular el tiempo de SOl'Vco (equipo de 6 perwnasJ.
Si 0.00 s R < 0.12. entonoes x = 5
Si 0.12 s R < 0.27. entonct'S .< = 10
Si 0.27 s R < 0.53. ent.onc'f!S x = l5
Si 0.53 :s R < 0.68. ent.onces x = 20
Si 0.68 s 11 < 0.80. entonces x = 25
Si 0.80 s R < 0.88. entonc'f!S x = 30
Si 0.88 :S R < 0.94. entonces x = 35
Si 0.94 :s R < 0.98. entoncllS x = 40
Aunque esta es la s.imulacin de un turno, los result.ados son sig-
nificativos. Los camiones esperan demasiado tiempo. Los costos de es-
pera son mucho mayores que los salarios percibidos por el personal. A
partir de estos resultados, podra pensarse que incrementando el n.me-
ro de personas encargadas de descargar los camiones. el costo total
promedio por tumo se reducirla. Veamos qu pasa si el tamao del
equipo se incrementa a 4 per sonas. Para este propsito, la tablu 5.20
muestra los resultados obtenidos en una simulacin manual de un tur
no de operacin. Para este nuevo U.mao de equipo. los costos totales
que se incurren en el primer tu.roo simulado son:
Salarios = 4(8)(25) + 37.50(4)(1/4)
= $837.50.
Espera = 500(8. 75) + 100(0.83).
= $4.458.
Costo total = 837.50 + 4,458 = 55,295.50
De los resultados anteriores. podra pensarse que 4 trabajadores
es ms econmico que tres trabajadores. Sn embargo. considerar ade-
cuadamente las variaciones en los resultados obtenidos con diferentes
tamaos de equipo, requiere realizar un gran nmero de simulaciones.
Si !Se varia el tamao del equipo y se simulan varios tumos, enton-
ces. es posible determinar el tamao del equipo para el cual los costos to-
tales son minimos. La tabla 21 muestra los resultados que se obtienen al
simular la operacin del almacn durante 60 tumos. Para estas simu
laciones se consideraron tamaos de equipo de 3, 4, 5 y 6 personas. Como
se puede apreciar en esta tabla, el ta.mao ptimo del equipo es de 6 perso-
nas. Esto significa. que la forma ms econmica de operar el almacn es
con un equipo de 6 personas.
s::
et
ro
"'.
9!.
()

a
:;:
o

TI

Tabla 5.19. Simulacin de las operaciones de descarga durante un tumo (equipo de 3 personas).
Tiempo 'I'iempo l niciaci11 Tiernpo Termiriaci11
.
Nmero entre de del Nmero de del Ocio de/
altrarorio llegadas llegada seruicio oleo.t.orio :iferuicio SP.rvicio perso11al
-
11.00 11:00 0.83761 50 ll:O
0.48355 40 11:40 11:50 0.14387 25 12:15
0.98977 60 12:40 12:40 0.51321 35 1: 15 25
0.06533 25 1:05 1:15 0.72472 45 2:00
.
OA5128 35 1:40 2:00 0.05466 25 2:25
0. 15486 30 2:10 2:25 0.84609 50 3:15
0.19241 30 2:40 3:45 0.29735 30 4:15
0. 15997 30 3:10 4:15 0.9076 35 4:50
.
0.67940 45 3:56 4:60 0.76355 45 5:35
0.90872 50 4:45 5:35 0.29549 30 6:05
.
0.58997 40 5:25 6:05 0.61958 40 6:45
0.68691 45 6:10 6:45 0.17267 30 7:1
.
0.73488 45 6:55 7:15 0.10061 25 7:40
---
Tion1po de Longitud
e.<pera del de /a
cami11 Cc)f(J
- ----- ----- -
1
10 1
.
o
10 l
20 1
15 l
65 1
65 2
55 2
50 2
40 2
35 1
20 1
\ , ohf: .. ,n 'flt.11 s-1hul-'llflh ,<;tJl'IUlt lli .JI- 12 ('llJl'lir, 111"" pvt>Slol tol 1'1111, ;r,n 13. o_k. l'>'wt'l1i l.,, , .,. tloM \ \I
ro
3
"'
e
o

"'
A"
3
1
1
t
t

{
i
118 Apl-- oimulocl6n
Tabla 21. Simulacin por computadora del sistema de colas durante 60 turnos y
CO!l!!iderarulo diferentes tamat\os de equipo.
Tamao
Operacin
del Salario
Salario Ocio del
""'
Costos
equipo normnl
extra camin almacn totales
3
s
600
$421
$2.261 S6,121
$9.403
4
800 335
1.2Q2
5,367
7.704
5 l.000 165
455
4,689
6.309
6
1,200
47 125 4,354
5.720
PRO U M ~
5.1. El famosojuego7-ll, requiere que el jugador lance dos dados una o
ms veces hasta tomar la decisin de que se gana o se pierde el
juego. El juego se gana si en el primer lanzamiento los dados su-
man 7 u 11, 6 aparece un 4, , 6, 8. 9 610 en el primer lanzamiento y
la misma suma reaparece antes de que aparezca un 7. Por otea par-
te, el juego se pierde si en el primer lanzamiento los dados suman 2.
3 12, aparece un 4, 5, 6. 8, 9 10 en el primer lanzamiento y
luego sale un 7 antes de que se repita el primer lanzamiento. Si el
valor de la apuest.a es de S 1, y la ganancia cada vez que se gana un
juego es de $1, cul seria la probabilidad de quiebra si la cantidad
inicie! disponible es de $20? (Asuma que el juego t.ambin se tenni-
na cuando se acumulan $50.)
5.2. En el famoso juego de la ruleta, existen muchas opciones pata
apostar. Una de ellas consiste en apostarle al color rojo o al color
negro. En el tablero de la ruleta existen 10 nmeros rojos, 10 nme
ros negros y 2 nmeros verdes {cero y doble cero). Si un jugador
apuesta a un color y el color aparece, l o ella gana la cantidad apos-
tada. Si otro color aparece. el jugador pierde la cantidad apost.ada.
Si el color verde aparece, la rueda de la ruleta se vuelve a girar ha.S-
ta que el color rojo o negro aparezca. Si este color es el color que se
apost, el jugador no gana ni pierde. De otra forma, se pierde la
cantidad apost.ada.
Dos jugadores usan diferentes estrategias. Un jugado.r sim
plemente apuesta $1 al color rojo cada vez. El otro jugador empie-
1.a apostando un $1 al color rojo. Si l gana, l apuesta otro $1. Sin
embargo, si l pierde, l apuesta $2 la prxima vez. Si l pierde
otra vez, l apuesta $4. Este jugador puede continuar doblando la
apuesta hasta un IJmite de $500.00. Si l pierde esta apuesta de
3500. l empieza apostando nuevamente S l.
Si cada jugador inicia el j uego con $200, cul cree usted
que es la mejor estrategia?
5.3. Una compaa de renta de autos, est tratando de determinar el
nmero ptimo de autos a comprar. El costo promedio anual de
-un auto es de $75,000. Adems. esta compaia ha recopilado las
siguientes probabilidades de operacin:
Nmero de autos rentados por dia
Probabilidad
Nmero de dias rentados por auto
Probabilidad
o 1 2 3 4
0.10 0.10 0.25 0.30 0.25
l 2 3 4
0.40 0.35 0.15 0.10
Si la renta diaria por auto es de S350, el costo de no tener un
auto disponible cuando se est solictando es de $200, y el <!osto
de tener un carro ocioso durante un da es de $50, cul es la can
tidad de autos que deberla comprar la compaa? (Asuma que un
auto que se renta por un da est disponible al da siguiente.
Tambin, asuma 365 das de operacin al ao.)
5.4. Una flecha ser ensamblada en un cojinete como se muestra a
continuacin:
--------------- 1 ~ l ~
- - ---- -- -1 L ... ______ _.. _
Si x, sigue una distribucin normal con media 1.5 y variancia 0.0016, y X, si
gue esta misma distribucin con media J.48 y variancia 0.0009. determine:
a} La probabilidad de que haya interferencia.
b) El nmero de veces que es necesario simular el ex,perimento, si se
quiere que la probabilidad de interferencia estimada difiera de su vn
lor verdadero en menos de 0.01, con un nivel de seguridad del 95%.
5.5. La demanda diaria de un cierto artculo est regida por una
distribucin binomial con parmetros 11 = 6 y 8 = 1/2. El tiempo
de entrega en das es una variable aleatoria poisson con
>. = 3. El costo de mantener una unidad en inventario es de $1
por dla. el costo del faltante es de $10 por unidad, y el costo de
ordenar es de $50 por orden. Se desea comparar dos polticas
para llevar el inventario: 11 Ordenar cada 8 dias hasta tener 30
artlculos en inventario y 21 Ordenar hasta 30 artlculos cuando el
nivel del inventario sea menor o igual a l O. Si se asume que las
unidades faltantes en un ciclo son surtidas por la nueva orden
que arriba en el prximo ciclo, cul de las dos pollticas descri
tas es ms econmica?
5.6. Una compaiUa tiene un problema de mantenimiento con cierto
equipo, que contiene 4 componentes electrnicos idnticos que
son la causa del mismo, el cual consiste en que los componentes
fallan frecuentemente. forzando a que el equipo se desconecte
mientras se hace la reposicin. Lo que se ha venido haciendo es
reemplazar los componentes solamente cuando se descomponen.
Sin embargo, existe una nueva proposicin de hacer el reempla
zo de los cuatro componentes cuando falle cualesquiera de ellos,
con objeto de reducir la frecuencia de desconexin del equipo.
El tiempo de vida de un componente est normalmente distri
buido con media de 600 horas y desviacin estndar de 100 horas.
Tambin se sabe que es necesario desconectar el equipo 1 hora si se
reemplaza un componente y 2 horas si se reemplazan los 4. Un
componente nuevo cuesta $200 y se incurre en un costo de $1()0 por
hora cada vez que se desconecta el equipo.
Determine cul de las dos polticas anteriores es ms eco-
nmica (Simule la operacin del equipo durante 20,000 horas).
5.7. Un vendedor de revistas compra mensualmente una revista el
da primero de cada mes. El costo de cada ejemplar es de $ J .50.
La demanda de esta revista en loo primeros 10 dias del mes sigue la
siguiente distribucin de probabilidad:
Demanda 5 6 7 8 9 10 11
Probabilidad 0.05 0.05 O.JO 0.15 0.25 0.25 0.15
Al final del dcimo dia, el vendedor puede regresar cualquier
cantidad al proveedor, quien se las pagar a $0.90 el ejemplar, o
comprar ms a $1.20 el ejemplar. La demanda en los siguientes
20 dias est dada por la siguiente distribucin de probabilidad:
Demanda 4
Probabilidad 0.15
5 6 7 8
0.20 o.30 0.20 o.u;
Al final del mes, el vendedor puede regresar al proveedor las revis-
tas que le sobren, las cuales se le pagarn a $0.60 el ejemplar. Final
mente, se asume que despus de un mes ya no existe demanda por
parte del pblico, pu.esto que para ese entonces ya habr aparecido
Apll-- do timuloci6n 101
el nuevo nmero de la revista. Si el precio al pblico es de $2 por
ejemplar, detennine la politica ptima de compra.
5.8. U na compailia desea entrar en un nuevo negocio cuya inversin
itcial requerida y los ingresos netos anuales despus de impues-
tos estn distribuidos como sigue:
Inversin itcial
Flujo neto del periodo t
"'N ( = 100,000; 11 = 5,000)
"' N ( = 30,000; u = 3,000)
Si la administracin ha establecido que un proyecto de inversin
ser emprendido si Prob. !TI R > TREMA! 2: 0.90, y la TREMA
es de 30%, deberla la compaia X aceptar este nuevo proyecto
de inversin? (Asuma un horizonte de planeacin de 5 aftos y un
valor de rescate al trmino de este tiempo de cero).
5.9. Una compaia est interesada en analizar un negocio cuya in-
versin itcial sigue la siguiente distribucin triangular:
Estimacin
pesinsta
-130,000
E stirnacin
ms probable
-100,000
Estimacin
optimista
-80,000
Esta inversin tiene una vida fiscal de 5 ailos, y un valor de res-
cat.e al trmino de este periodo distribuido triangularmente:
Estimacin
pesimista
16.000
Estimacin
ms probable
20,000
Estimacin
optimista
26,000
La tasa de inflacin en los prximos cinco aos, est regida por la
siguiente distribucin triangular:
Estimacin
pesimista
25o/o
Estimacin
ms probable
20%
Estimacin
optimista
15%
Finalmente, asuma que los ingresos netos de los pr6Ximos cinco
aos siguen la siguiente distribucin uniforme:
Ao 1 2
3
4
5
Flujos
20.000 30,000 40,000 50.000 60,000
Probabilidad 1/5 1/5 1/5 1/5 115
102 Apl- do llmulad6n
Si la tasa de impuestos es de 50%, la TREMA de 20%. y la alta
administracin acepta un nuevo proyecto si Prob. l VPN > O 1
2: 0.90, deberla la compaftla emprender este nuevo proyecto de
inversin?
5.10. La demanda diaria y el tiempo.de entrega de un cierto producto,
siguen las siguientes distribuciones de probabilidad:
Tiempo de
Dema.nda
entrega
diaria Probabiidad ldi43) Probabilidnd
o
0.04
1 0.25
l 0.06
2 O.O
2 0.10
3 0.20
3
0.20
4 O.O
4 0.30
5 0.18
6
0.08
7
0.03
8
0.01
.La informacin con respecto a los costos relevantes es la siguiente:
Costo de ordenar = $50/orden
Costo de inventario = $26/unidad/afto
Costo de faltante = $25/unidad
Si el inventario inicial es de 15 unidades, determJne la cantidad
ptima a ordenar (q) y el nivel ptimo de reorden (R)? (Asuma
que se trabajan 260 dfas en el afio.)
5.11. La demanda diaria y el tiempo de entrega de un cierto producto,
siguen las siguien:.es distribuciones de probabilidad:
Tiempo de
Demanda en t.rega.
diaria
Probabilidad
!dlasJ
Probabilidad
25
0.02
1 0.20
26 0.04
2 0.30
27 0.06
3 0.25
28 0.12
4 0.25
29 0.20
30 0.24
31 0. 15
32 0. 10
33 O.O
34
0.02
Si el producto no est di$ponible cuando es requerido, el cliente
pu.ede esperar la Uegada de un nuevo lote por un tiempo limita
do, es decir, si el cliente decide esperar 2 ellas y la mercancia no
llega en ese tiempo, entonces, la demanda de este cliente se con-
sidera perdida. La distribucin de probabilidad del tiempo que
un cliente est dispuesto a esperar para que se le surta su pedi-
do, es la siguiente:
Tiempo de espera (dlsl Probabilidad
o
1
2
3
4
0.40
0.20
0.15
0.15
0.10
La informacin con respecto a los costos relevantes es la siguiente:
Costo de ordenar = $ 100/orden
Costo de inventario = $ 521unidad/ao
Costo de altante suponiendo que el cliente espera = $20/unidad
Costo de faltante suponiendo que el cliente no espero = $50/unidad
Si el inventario inicial es de 100 unidades. deternne la cantidjld
ptima a ordenar (q 1 y el nivel ptimo de reorden (R)? (Asuma que
se trabajan 260 ellas en el afio).
5.12.. Se tiene un sistema de colas formado por dos estaciones en serie.
Los clientes atendidos en la primera estacin pasan en seguida a
formar cola en la segunda. En la primera estacin de servicio, la
razn de Uegadas sigue una distribucin poisson con media de 20
clientes por hora, y el tiempo de servicio sigue una distribucin ex-
ponencial con media de 2 minutos por persona. En la segunda esta-
cin, el tiempo de servicio est uniformemente distribuido entre l y
2 minutos. Para esta informacin, cul es el tiempo promedio en el
sistema?, cul de las dos colas que se forman es mayor?
5.13. Un banco emplea 3 cajeros para servir a sus clientes. Los clientes
arriban de acuerdo a un proceso poisson a una razn media de 40
por hora. Si un cliente encuentra todos los cajeros ocupados. enton-
ces se incorpora a la cola que alimenta a todos los cajeros. El tiem-
po que dura l transaccin entre un cajero y un cliente sigue una
distribucin uniforme entr:e O y 1 minuto. Para esta informacin,
cul es el tiempo promedio en el sistema?, cul es la n t i d d ~
medio de clientes en el sistama?
5.14. Una tienda pequea tiene un lote de estacionamiento con 6 lugares
disponibles. Los clientes llegan en fonna aleatoria de acuerdo a un
proceso poisson a una razn media de 1 O clientes por hora, y se van
inmediatamen.te si no existen lugares disponibles en el estaciona-
miento. El tiempo que un auto permanece en el estacionamiento si-
gue una dstnoucin uniforme entre 10 y 30 minutos.
a) Qu porcentaje de los clientes es perdido por no tener ms
lugares disponibles?
b) Cul es la probabilidad de encontrar un lugar disponible en
el estaciona.miento?
e) Cul es el porcentaje promedio de espacios disponibles?
5.15. Debido a un aumento en las ventas, cierta compailia manufactu
rera necesita ms espacio en su fbrica. La solucin que se ha
propuesto es Ja construccin de un nuevo depsito para almace-
nar los productos termi.nados. Este depsito estarla localizado a
30 kilmetros del lugar donde est ubicada Ja planta. Adems,
de acuerdo a este nuevo plan, se requiere que al final del dia se
enve al nuevo depsito, la produccin terminada.
Por otra parte, se sabe de informacin pasada, que la pro-
duccin diaria de esta compailla, sigue la siguiente distribucin
de probabilidad:
Produccin.
diaria en
umeladas
50 - 55
55 . 60
60 . 65
65 . 70
75 . 80
80 . 85
Probabilidad
0.10
0.15
o.so
0.35
0.08
0.02
Tambin, se sabe que el tipo de camiones que se deben utilizar
para trasladar esta produccin, tienen una capacidad media de
carga de 5 toneladas. La cantidad de viajes que se pueden reali-
zar cada dla (jornada de 8 horas). depende del tiempo de carga y
de descarga, como tambin del tiempo que se requiere para re-
correr los treinta kilmetros entre la planta y el depsito. Conse-
cuentemente. la cantidad de producto terminado que un camin
puede transladar de Ja planta al depsito, es una variable aleato-
ria cuya distribucin de probabilidad es la siguiente:
Toneladas diarias
tronsladadas por camin
4.0 . 4.5
4.i) 5.0
5.0 . 5.5
5.5. 6.0
Probabilidad
0.30
0.40
0.20
O.JO
Si la cantidad diaria producida es mayor que la cantidad que
puede transladar la flotilla de camiones, el excedente es enviado
a travs de otra compaftla transportista a un costo de $100 por
tonelada. Adems. el costo promedio anual de un nuevo camin
es de $100,000. Si.se trabajan 250 dias en el ao, cul es el n
mero ptimo de camiones que esta compaia debe de adquirir?
S.16. Una cierta compaia posee un gran nmero de mquinas en uso.
El tiempo que dura-en operacin cada una de estas mquinas, si
gue la siguiente distribucin de probabilidad:
Tiempo entre
descomposturas (horas/
6 8
8. 10
10 . 12
12 . 14
16. 18
18. 20
Probabilidad
O.JO
O.J5
0.24
0.26
0.18
0.07
El tiempo que un operador se tarda en reparar una mquina, si
gue la siguiente distribucin de probabilidad:
Tiempo de
reparaci-On (hora..<)
2 4
4. 6
6 8
8. 10
JO 12
Probabilidad
0.15
0.25
0.30
0.20
O. JO
Si el costo de tener una mquina ociosa durante una hora es de
$500, y el salario por hora P,Bra este tipo de operarios es de $50,
cuntas mquinas se deben asignar a cada mecnico para que
las atienda?
6
ANALISIS DE LIS
RESULTADOS DE
LA SIMULACION
Los resultados de una simulacin evalen le eficiencia u opere
cin de un sistema. Sin embargo, le confiabilidad de estos resultados
dependen del nmero de observaciones que se tienen, es decir, la confiabi
lidad de los resultados obtenidos en un estudio de simulacin, depende de
la longitud de la corrida y del nmero de conidas. Por consiguiente, es ne-
cesario determinar intervalos de confianza para las variables del sistema
que se estn analizando.
La determinacin de intervalos de confianza d8PQnde de si Jos re-
sultad.os de la si.muJecin son independie.ntes o estn correlacionados.
Por ejemplo, en la simulacin de un sistema de coles. el tiempo de espe-
ra de un cliente en el sistema. depende del nmero de clientes que este
ltimo cliente encontr al llegar al sistema !correlacin entre t , y t , . ..
Tambin, la obtencin de intervalos de confianza depende de si el sistema
se analiza en elitado transiente o en estado estable. Por consiguiente, el ob-
jetivo de este capitulo en analizar la determinacin de intervalos de con
fianza para las dos situaciones mencionadas, es decir, para: 11 Sistemas
cuyos resultados son independientes uno del otro y 2) Sistemas transien
tes con alta correlacin en sus resultados. Pera el primer ceso se utilizan
los mtodos tradicionales de intervalos de c.-onfianza. Para el segundo caso
se utiliza simulacin regenerativa.
6.1. METOOOS DE ESTIMACION
Cuando los sistemas que se analizan se encuentran en estado es
table, y ed.ems Jos valores que toman las varia.bles que interactan en
107
el sistema son independientes, entonces es posible utilizar los procedi-
mientos tradicionales de intervalos de confianza. En la determinacin
de estos intervalos de confianza se utiliza el teorema del limite central.
Este teorema establece que la suma den variables aleatorias independien-
tes, obtenidas de un universo con media 11 y variancia o', es aproximada-
mente una distribucin normal con media n y variancia no'. Tambin, es
obvio que a partir de este teorema la distribucin de:
- l 1 1
x = -X,+-X,+ ... +-X. (6.11
n n n
es una distribucin normal con media y variancia 11
2
/n y por consi-
gtliente:
-
X -
11!..f
(6.21
sigue una distribucin normal estndar con media O y variancia 1. De
acuerdo a esta ltima expresin, y suponiendo un nivel de significado
a. el intervalo de confian7.a del parmetro seria:
-
Prob. 1 - z.,, :s
X - I'
"' ..f
:s z.,, 1 = 1 - "
1
- (1 - o 1
Prob. x - - z.,, < :s x + - z.,, = 1 - ex
.-;. .J
(6.31
La expresin (6.31 establece que el ancho del intervalo de confianza es:
2uZcx/2
..n
(6.4)
lo cual significa que el tamao del intervalo serta ms pequeo entre
mayor sea el nmero de observaciones que se tienen de la variable ale-
atoria X. Por ejemplo. para reducir el intervalo de confianza a la mitad.
es necesario de acuerdo a la expresin (6.41. aumentar cuatro veces el
nmero de observaciones.
En las expresiones anteriores se asume que la variancia es conoci
da. Sin embargo. en muchos problemas reales la variancia generalmente
se desconoce. Para este tipo de situaciones, es posible utiliz.a.r el si
guiente estimador de la variancia:
S = - 1 ~
n - 1

l; (X, - xJz (6.)
Ahora, si esta identidad se sustituye en la expresin (6.2), lo que resul
ta es:
X - .
Sl.,Jn
(6.6)
lo cual sigue una distribucin t con n - 1 grados de libertad. De acuerdo
a esta nueva distribucin y suponiendo un nivel de significado a, el in
tervalo de confianza del parmetro . sera:
Prob. { x - J.,. t ,,. ,, s . s x + }.,; t . ,,.
12
J.
1
- a (6.7)
el cual define un ancho del intervalo de confianza de:
2 s t...-1,'"11
(6.8)
Ejemplo 6.1.
Suponga que la smu1acin de un proyecto de inversin arroj los
resultados que se muestran en la tabla 6.1. Para estos resultados se de-
sea determinar un intervalo de confianza del 95% la = 5%) para la tasa
interna de rendimiento ITIR).
Puesto que la variancia del universo de donde procede la muestra
se desconoce. entonces el intervalo de confianza para la TIR. se deter
mina a partir de la expresin (6. 7), esto es:
13.37o/o
6.71 (1.99)%
JfOO
13.37% 1.34%
lo cual define el intervalo (12.03%: 14.7l 'l'ol cuyo ancho es de 2.68%.
110 An61W. de los reMlltedot de e. .Smuleci6n
Tabla 6.1. Resultados (TIR'sl de la smulacn de un proyecto de inversin(%).
12 8 5
3
7
5 3
29 27
9
15
22 7 21
3 15 26
17
8 13
18 13 18 17
5 3
4
7 13 19
u
16 13 13 9 8 7 13 15 12
13
12
14
14
20 22 11 12 18 11
17 4 23
8
15 7 18 19 24
15
19 24 12 7 18 15 13
8
21 4
9 17 11 15 21 18 15
Z8
13
3
14 19 19 18 4 27 21 4
5 8
10 21 25 21 7 2
8 9
7
11
Finalm.ente, conviene selialar que si el ancho del intervalo se
quisiera reducir a 1.34 %. entonces se necesitarla aumentar a 400 el n
mero de simulaciones de la TIR.
6.2. SIMULACION REGENERATIVA
La simulacin de un sistema estocstico puede ser visto como un
experimento estadistico, donde primero se construye el modelo del sis
tema, el cual captura la esencia del problema y describe su estructura
fundamental en trminos de relaciones causa-efecto. Enseguida, con la
ayuda de una computadora se realizan experimentos y se analizan los
resultados de la simulacin con el propsito de hacer inferencias sobre
el comportamient.o del sistema. Por consiguiente, los experiment.os de
simulacin son expe.riment.os estadsticos, y como tales, estn basados
en procedimientos estadlsticos profundos. En particular, las tcnicas
de estimacin son muy tiles en estudios de simulacin, pues permiten
hacer inferencias estadsticas sobre las variables estocsticas analiza
das en el modelo.
Recientemente, una nueva metodologa estadstica ha sido des
arrollada para analizar los resultados de una simulacin. A esta nueva
tcnica se le conoce con el nombre de "Simulacin regenerativa . Este
nuevo enfoque se basa en el hecho de que muchos sistemas estocsticos
se regeneran (empiezan en el mismo punto de partida) a intervalos re-
gulares de tiempo. Esta particularidad permJte al analista observar y
estudiar durante el curso de la simulacin, bloques de dat.os indepen
dientes e idnticamente distribuidos. Ms generalmente, la simulacin
regenerativa resuelve los problemas de: 1) Cmo empezar la simulacin?
2) Cundo empezar a colectar datos? 3) Tamao de la corrida y nme-
Simu1Ki6n , .. .,.tlva 111
ro de corridas y 4) Cmo manejar los resultados cuando estos estn
correlacionados?
6.2.1. Simulacinn de un sistema de colas de un servidor
La representacin de un sistema de colas de un servidor aparece
en la figura 6.1. En esta figura se puede apreciar que los clientes son
generados por una fuente alimentadora, la cual genera X nmero de
clientes por unidad de tiempo. Si un cliente que llega al sistema en
cuentra desocupado al servidor, entonces este cliente empie1.a a ser in
mediatamente servido y su salida del sistema empieza inmediatamente
despus de que su servicio ha terminado. Por el contrario, si un cliente
al arribar encuentra al servidor ocupado, entonces este cliente pasa a
un saln de espera donde esperar su tumo para ser servido. Finalmen
te, los clientes que permanecen en la cola, son servidos en base a aten
der primero a los que llegaron primero 11 la cola.
Sistem de col&t
Clien1e11
r
'
CtienlA:!:IS
a ~ n de
'
.servidos
t'Uente
~
Servidor l
aUmet'IUdon
espera
"
~
Agura 6.1. Sist>ema de colas de un servidor.
Para el sistema particular que se es analizando. suponga que la
fuente alimentadora genera un g11evo cliente cada 2 minutos. Tambin,
suponga que el tiempo de servicio es una variable aleatoria uniforme-
mente distribuida entre 1 y 2 minutos. Adems, suponga que la forma
de evaluar el funcionamiento y operacin del sistema. es en base al va
lor esperado del tiempo que un cliente permanece en la cola E(W). cuan
do el sistema se encuentra en una situacin de estado estable. Para este
sistema en particular, no existen procedimientos anallticos capaces de
obtener E(W). Por consiguiente, la nica forma de evaluar y analizar
este sistema es a travs de simulacin.
Por consiguiente, el objetivo de la simulacin de este sistema, es
a.naliza.r los resultados obtenidos con el propsito de estimar E(W).
Ms generalmente, se desea que la estimacin de E( W) sea confiable, es
decir, se requiere que el valor de E(W) pertenezca a un intervalo con un
cierto nivel de confianza, por ejemplo del 95o/o (<Y = So/o).
112 An6tilil de kN r-.tt.dc. de limu.19ci6n
Una fonna razonable de estimar E(W) seria: sea W, el tiempo de espe-
raen la cola del cliente 1, W
2
el tiempo de espera en la cola del cliente 2,
y asi sucesivamente. Po.r consiguiente, si durante la simulacin del sis
tema entraron a ste N clientes, entonces el promedio muestra) seria:
w, + w, + ... + w.
N
(6.9)
el cual representa a un estimador consistente de E(W). Sin embargo, el
promedio muestral sera en general un estimador sesgado de El W) de-
bido a las condiciones iniciales. Por ejemplo, si W
1
tiene un valor de
cero, entonces los tiempos de espera de los primeros clientes tienden a
ser pequeos.
La forma tradicional de tratar el sesgo del estimador debido a
condiciones inciales, es correr el modelo de simulacin durante algn
tiempo sin colectar ningn dato, basta que el sistema de colas baya al-
canzado la condicin de estado estable. A partir de este instante, se
empieui a colectar la informacin. Por ejemplo, se puede simular el sis-
tema para 1000 clientes y slo considerar los tiempos de espera de los
ltimos 500. y entonces usar:
W
501
+ W,
0
, + ... + W
1
0C>O
500
(6.10)
como un estimador deE(W). Sin embargo, esta solucin no es muy re-
comendable por las siguientes ra1.0nes: 1) Es muy dificl determinar la
longitud del periodo de estabiliuicin y 2) Una gran cantidad de tiempo
de computadora es desperdiciado.
Otra de las desventajas que se le atribuyen al procedimiento ante-
rior, es la alta correlacin que existe entre W, y w .. , independientemente
de que el sistema se encuentre o no en estado estable. Por consiguiente. si
W., W,. .. . W. no son independientes, la teoria estadlstica clsica seria de
poca utilidad en la determinacin del intervalo de confianza del tiempo
promedio de espera en la cola.
Se puede observar de los comentarios anteriores, que el sesgo debido
a concticiones iniciales transientes y a la alta correlacin de los datos, ofre-
cen serios obstculos en la determinacin de E(W). Por consiguiente, es
necesario buscar y proponer un nuevo procedimiento que elimine y resuel-
va los problemas antes mencionados. Afortunadamente, si existe tal r ~
cedimiento al cual se le llama simulacin regenerativa.
Para entender la lgica de esta nueva tcnica, suponga que al em-
pezar la simulacin se establece w, = O. En seguida, se empieza a
correr el modelo de simulacin y valores del tiempo de espera en la cola
Slmua.d6n r...,...ative t 13
empiezan a ser colectados. La obt.encin de tales datos suponga que son
tal y como se muestran en la tabla 6-2. En esta tabla se puede observar
que los clientes 1, 4, 8, 9, 14, 17 y 20 fueron muy afortunados, puesto que
encontraron desocupado al servidor al momento de arribar al sistema.
Tambin, en esta tabla se puede apreciar que el servidor est constan
temente ocupado desde que llega el cliente 1 hasta que se va el cliente
3, en seguida se encuentra ocioso hasta que llega el cliente 4, y as! suce-
sivamente. Si mAs de 20 clientes son servidos, entonces el sistema
simulado mostrarA este mismo comportamiento, es decir, servidor ocu
pado, servidor ocioso, servidor ocupado, servidor ocioso, y asf sucesi
vamente. Por consiguiente, si al tiempo que transcurre entre empezar a
servir y quedar ocioso, se le considera como un ciclo, entonces para la
corta simulacin mostrada en la tabla 6.2, existen 6 ciclos. donde el pri
mer ciclo comprende a los clientes l, 2 y 3, el segundo ciclo comprende
a los clientes 4, 5, 6 y 7 y as sucesivamente.
Tallla 61. Tiempo de espera en la cola
No. Cliente w
No. Cliente w
1 o
}
s
o
1 3
14
~ } s
2 10
1
9
o
15
3 5
10
18
16 12
4 o
17
~ } 6
5 25
11 20 4 18
6
15
2
12 30
19
7
20 13 40
20 o
-
El sptimo ciclo empieza con el arribo del cliente nmero 20. Por consi
guente, un nuevo ciclo es iniciado cuando un cliente llega al sistema y
encuentra al servidor ocioso.
Puesto que cada vez que un cliente llega al sistema y encuentra al
servidor ocioso, es equivalente y est gobernado por la misma estructura
probabilistica que cuando llega el primer cliente al sistema, entonces seria
ra7.0D8ble agrupar los resultados de la simulacin en bloques de datos,
donde el primer bloque contendr los tiempos de espera en la cola de los
clientes que forman parte del primer ciclo, el segu.ndo bloque contendr
los tiempos de espera en la cola de los clientes que forman parte del 3egun
do, ciclo, y asi sucesivamente. Para la corta simulacin mostrada en la
tabla 6.2, los bloques serian:
1w,. w,. w,1, 1w .. w,, w., w,, 1w.i.
tW,, W,,. W.,. Wu, Wu),
(W", W
15
, W,.). fW,,, W,., W
19
)
De P.ste modo, puesto que cada ciclo es iniciado en las mismas con-
114 An61bio do loo - d4 la oimulocl6n
diciones, los bloques de datos de cidos sucesivos son estadlsticamente
independientes e idnticamente distribuidos. Por consiguiente, si se
define E , como la suma de los tiempos de espera de los clientes serv
dos en el ciclo k, y C, como el nmero de clientes servdos en el ciclo k.
entonces los pares (E,, C,), (E,, C
2
). (E,, C,). tE,, CJ. (E,, C,) y (E,, C,)
son estadsticamente independientes e idnticamente distribuidos, a
pesar de la alta correlacin que existe entre E, y C,. De la tabla 6.2, los
valores de !E., C,) que se obtienen son los siguientes:
(E., C,) = (15, 3)
\E
2
, C,l = (60. 4)
!E,, C,l = (0, ll
(E,, C,) = (108, 5)
(E,, C
5
) = (28, 3)
(E,, C,l = (55, 3)
Por consiguiente, la alta correlacin entre W, y W,., ha sido elinnada
y los datos han sido agrupados en bloques estadsticamente indepen
dientes e idnticamente distribuidos.
De acuerdo, a la agrupacin anterior, y suponiendo que N clientes
fueron servidos durante la simulacin, a partir de la cual se formaron n
bloques, la estimacin del tiempo de espera en la cola se puede determi
nar por medio de la siguiente expresin:
W
1
+ W, + ... + w.. E, + E,+ ... + E.
E!W) = = (6.111
N c,+c,+ ... +c.
Sin embargo, la segunda parte de la expresin (6.11) puede ser escrita
de la siguiente forma:
(El + E,+ ... + E. )/n
E!W) = --'----'----
!C, + C, + ... + C.lln
(6.12)
Puesto que !E., E, ..... E.) y (C., C, .. . .. C.) son grupos de variables alea
torias Independientes e idnticamente distribuidas, entonces por el teo-
rema del li.mite central, la expresin (6.12) converge a:
EIWI = EIEllE(C') \6.131
Llm
~ o o
Por consiguiente, el problema de estimar El W) se traduce a estimar
E(E)!E(C'). Y puesto que E(E)!E(C) puede ser estimado a partir de (E., C
1
),
(E,, C,), ... , (E., C.), la estadstica clsica puede ser utilizada para hacer
inferencias acerca el valor verdadero deE(W). Adems, a travs de la esta-
dstica clsica se puede determinar un intervalo de confianza para E{ W).
117
el cual define un intervalo cuyo ancho es de:
2 s z.,2
c..n
(6.281
Finalment.e, conviene mencionar que aunque la variable aleat.oria
E (E)(EJIE(O sigue una distribucin de probabilidad t que ti- se desco-
noce, la expresin (6.27) sigue siendo vlida ya que para valores den
muy grandes, la distribucin t se aproxima a la distribucin normal
Ejemplo 6.2
Para los tiempos de espera en la cola mostrados en la tabla 62, de-
termine un intervalo de confianza del 90% la = 10%1 para E ( W).
Para los tiempos de espera mostrados en la tabla 62, los bloques
de datos son:
(E,. C,) = U5, 3)
<E,, c21 = t6o. 41
(E
1
, C,) = 10. 1)
<E. , CJ = (108, 51
(E, , Cs) = (28, 3)
(E, , C,) = 155, 3)
_ De acuerdo a estos bloques de da tos, los promedios muestrales E y
e y el parmetro t serian:
E = 15+00+0+108+28+55 =
44
_
33
6
C=
3+4+1+5+3+3
6
= 8.16
i = E = 44.33 = 14.03
e a.1s
Por otra parte, los valores correspondientes de s! , S.c y S
2
serian:
s! = t ( (15-44.33)' +160-44.33)
2
+(4.4.33)2
+ (108-44.331
2
+ (28-44.33)
2
+ (5544.33)
2
)
2
s. = 1501.06
6.3.
6.4.
6.5.
Simulld6nr1,....,tM 119
muestran a continuacin, determine un intervalo de con
fianza del 95% para la probabilidad de interferencia.
0.30 0.22 0.25 0.33 0.30 0.38 0.29 0.31 0.32 0.34
0.28 0.34 0.27 0.31 0.35 0.37 0.39 0.35 0.43 0.28
0.29 0.33 0.23 0.36 0.25 0.35 0.30 0.27 0.28 0.24
0.33 0.31 0.28 0.24 0.29 0.36 0.41 O.SS 0.34 0.29
0.35 0.34 0.24 0.29 0.24 0.33 0.38 0.36 0.38 0.32
0.37 0.29 0.37 0.22 0.32 0.28 0.42 0.41 0.37 0.33
0.35 0.26 0.36 0.39 0.31 0.26 0.43 0.44 0.39 0.39
0.84 0.27 0.35 0.34 0.34 0.29 0.38 0.29 0.40 0.42
0.28 0.31 0.31 0.33 0.35 0.34 0.39 0.30 0.42 0.31
0.39 0.34 0.34 0.30 0.34 0.36 0.43 0.33 0.44 0.25
Determine un intervalo de confianza del 95% para el valor
presente neto del problema 8 del capitulo. anterior.
Para el problema 9 del capitulo anterior, simule 100 TI R's
y determine un intervalo de confianza del 90% para la tasa
interna de rendimiento.
Para los tiempos de espera en la cola mostrados a conti
nuacin , determine un intervalo de confianza del 90% para
E (W).
No. No. No.
Cliente w Cliente w Cliente w
l o ll
o
21 15
2'
10
12 15 22 20
3
12 18 o 23
o
4
8
14
o
24
10
5 o 15 18 25 18
6 o 16
14
26 o
7 18 17
o
27 o
8
24 18
19 28 15
9 30 19 23 29 18
10
28
20
25
30 o
6.6. Si se simula la llegada de 100 clientes a la primera estacin de
servido del sistema de colas descrito en el problema 12 del ca
pitulo anterior, determine un intervalo de confianza deI
90% para E (W).
6.7. Si se simula la llegada de 100 clientes al sistema de colas
descrito en el problema 13 del capitulo anterior, determine
un intervalo de confianza del 95% para E ( W).
6.8 Suponga que en el problema 16 del capitulo anterior, 5 m
quinas son asignadas a un mecnico. Si se simula el sistema
durante 1000 horas, detennine un intervalo de confianza del
90o/o para el tiempo que una mquina permanece ociosa espe-
rando ser reparada
6.9. Si se simula la llegada de 100 camiones al sistema de colas
d.escrito en el problema 17 capitulo anterior, determine un
intervalo de confianza del 99% para E ( W).
6.10. a l La demanda diaria de un cierto articulo est regida por
una d.istn"bucin binomial con parmetros 11=9 y 9= 1/3.
El tiempo de entrega es instantneo. El costo de mante-
ner una unidad en inventario es de $25 por dia y el costo
de faltante es de $100 por unidad. Adems, el gerente de
produccin ha establecido como poltica, colocar una or-
den cada vez que el inventario sea menor o igual a 3 uni
dades. La cantidad ordenada deber elevar el nivel de n
ventario a 7 unidades. Para esta politica, determine el
costo promedio diario en condiciones de estado estable
(Suponga un inventario inicial de 7 unidades y que un
ciclo se inicia cada vez que existen 7 unidades al princi
pio del dial.
donde:
Sugerencia: El costo promedio diario para este problema
se puede detenninar de acuerdo a la siguiente expresin:
CT = 25 E ((X - Dl"l + 100 E t!D - x)"l
CT = Cost.o total diario.
x = Nivel de inventario al final del dla.
D = Demanda diaria.
y puesto que:
a = mx (a.,Ol
(a - Br =a - mJ.n(a,bJ
entonces, la expresin anterior se transforma en:
CT = 25 E 1 x J + 100 E f D 1 - 125 E f mJ.n fx,Dl 1
b l Si se simulan 30 dlas y se obtienen los resultados que
se muestran a continuacin, determine un intervalo de
confianza del 90% para el costo promedio diario.
M ateriaf chroniony prawem autorskim
7
LENGUAJES DE SIMULACION
Las primeras etapas de u.n estudio de simulacin se refieren a la de-
finicin del sistema a ser modelado y a la descripcin del sistema de tr-
nnos de relaciones lgicas de sus variables y diagramas de flujo. Sin
embargo, llega el momento de describir el modelo en un lenguaje que sea
aceptado por Ja computadora que se va a usar. En esta etapa se tienen
dos cursos de accin a seguir: 1) Desarrollar el software requerido para
estudios de simulacin, o 21 Comprar algn paquete de simulacin como
GPSS. GASP. simula, etc. Desafortunadamente. para la segunda alter-
nativa existen una gran cantidad de paquetes Uenguajes de programa-
cin de propsito especial), que resulta extremadamente dificil decidir
cul paquete se ajusta mejor a una aplicacin deternnada. Esta si-
tuacin origina que en Ja mayorla de las veces, la seleccin de un paquete
depende de si el analista lo conoce, lo entiende y lo sabe aplicar. No obs-
tante, estas dos alternativas se deben de evaluar en trminos econn-
cos antes de tomar una decisin.
7.1. VENTAJAS DE LDS LENGUAJES DE SIMULACION
El proceso evolutivo de los lenguajes de simulacin ha sido largo y
extenso. Empez a finales de la dcada de los 50' s. En un principio los
lenguajes que se desarrollaron eran de propsito general. Sin embargo,
poco a poco los estudiosos de este tema se dieron cuenta de la gran si-
nlitud que existla entre las diferentes situaciones o sistemas que se
simulaban. Lo anterior condujo obviamente al desarrollo de lenguajes
de propsito especial, los cuales en la actualidad tienen una gran de-
123
manda y su proceso de comercializacin ha sido amplio y extenso.
Entre las ventajas principales de estos lenguajes de simulacin, se
pueden mencionar las siguientes:
a) Reduccin en la tarea de programacin. Con los lenguajes de
simulacin, el tiem(>o dedicado a la programacin del modelo
se reduce considerablemente. Existen algunos paquetes como
G PSS, en los que con un nmero muy reducido de estatutos,
se pueden simular sistemas que en otro lenguaje como
Fortran, requerirlan una gran cantidad de estatutos y subru
tinas.
bl Mejor definicin del sistema. A travs de los lenguajes de si
mulacin. se facilita la tarea de definir las diferentes entida
des que interactan dentro del sistema. Tambin, con estos
lenguajes se determina con mayor facilidad las interrela
dones que existen entre las entidades que forman el sistema.
e) Mayor flexibilidad para cambios. Con los lenguajes generales
como Fortran, el proceso de cambios puede ser largo y te-
dioso. Sin embargo, con el uso de lenguajes de simulacin, los
cambios son una tarea simple y rutinario..
<l) Mejor diferenciacin de las entidades que forman el sistema.
El uso de lenguajes de sim111acin facilita determinar o definir
las caractersticas y atributos de una entidad. Con las entida
des bien definidas y diferenciadas, se aumenta y mejora el en
tend.miento del sistema a simular.
el Se relacionan mejor las entidades. Con las entidades bien defi
nidas, los lenguajes de simulacin permiten relacionar 1oejor
a cada una de estas entidades, es decir, se determina ms f
cilmente las relaciones que las entidades guardan entre si y el
.lnlisis de cada una de ellas.
7.2. CARACTERISTICAS DE LOS LENGUAJES
DE SIMULACION
Los lenguajes de simulacin que actualmente existen en el merca-
do, tienen una serie de caractersticas propias que los diferencian de los
dems. Entre e>1tas caractersticas se pueden mencionar las siguientes:
al El procedimiento utilizado para generar nmeros aleatorios
uniformes.
b) Los procedimientos o mtodos utilizados para generar las va
ria bles aleatorias no-uniformes ms conocidas y ms usadas.
Coroctf ico do o s ~ do limulodl>n 125
el La forma de adelantar el "reloj de la simulacin", la cua.l
puede ser: 1) Incrementos a tiempo fijo, o 2) Incrementos al
prximo evento.
d) El anlisis estadstico de los resultados de la simulacin.
e) El formato en que los resultados de la simulacin son presen
tados.
fJ La forma en que las inconsistencias y errores de lgica es re
portada.
g) El lenguaje en el cual el paquete est escrito. el cual puede
ser: Fortran, Algol, PI.JI, Asembler, etc.
h) Los diferentes tipos de computadoras cuyo compilador es
compatible con el del paquete en cuestin.
A continuacin, se presentan las caracteristicas principales de los
lenguajes de simulacin ms usados.
GPSS (General Purpose Simulation System)
Persona que lo desarro.116:
Versiones ms conocidas:
Lenguaje del paquete:
Reloj de la simulacin:
Computadoras compatibles:
Geoffrey Gordon
OPSS l. GPSS U,
GPSS III. OPSS/360, GPSS V.
Asembler
Incrementos al prximo
evento
Generalmente se adapta
a cualquier tipo de
computadora.
SlMSCRIPT (No tiene ningn significado)
Personas que lo
desarrollaron:
Versicnes ms conocidas:
H. M. l\larkowitz, H. \V.
Karr y B. Hausner.
Simscript 1, Siroscript 1.5.
Simscript 11, Simscript 11.5.
CSimscript.
Fortran las primeras
versiones, Asembler las
ltroas.
Incrementos.al prximo
evento para el caso discreto, e
incrementos a tiempo fijo para el
caso continuo (C-SimscriptJ.
CDC 600017000, univac
1100, IBM 360/370. HoneyweU
600/6000.
GASP (General Activity Simulation Program)
Personas que lo
desarrollaron:
Versiones mas conocidas:
P. J. Kiviat y
A Colher
GASP 11. GASP IV, GASPPLU&
Fortran, PUi.
Incrementos al prxmo
evento para el caso discreto, e
caso continuo (GASP IV y
PLUS).
Cualquier computadora con
compilador de Fortran
o PUI.
SLAM Language for Alternative Modeling)
Personas que lo
desarrollaron:
Versiones ms conocidas:
A.Alam B. Pritsker y
Asociados
SLAM fue el resulta do de la
fusin de varios lenguajes
como GASP IV y QGERT.
Fortran IV.
Incrementos al prximo
evento para el caso discreto. e
caso continuo.
Cualquier computa dora con
compilador de Fortran
Cualesquiera de estos lenguajes tienen sus propias ventajas y desven
tajas y no se puede decir que un lenguaje es mejor que otro. Generalmen
te, entre ms fcil de aprender y de usar sea un lenguaje, menor ser su
flexibilidad y su eficiencia. Por consiguiente, decidir qu lenguaje utilizar
en una aplicacin, especlfiea. no es una tarea fcil de realizar.
7.3. FACTORES A CONSIDERAR EN LA
SELECCION DE UN LENGUAJE
La seleccin de un lenguaje de.simulacin generalmente esta supe-
ditada al tipo de computadora que se tiene disponible. es deci.r, en la
mayorta de las veces ya se cuenta con cierta configuracin de hardwa
re. Por consiguiente. conociendo la computadora que se va a usar, los
factores a considerar en la seleccin del lenguaje serian:
al Los manuales disponibles. Es muy importante considerar la
facilidad de entender e interpretar los manuales disponibles.
hl Compilador del lenguaje. Es necesario investigar la compati
bilidad del compilador del lenguaje con la computadora dispo-
nible.
e) La documentacin y diagnstico de errores. Es conveniente
onalizar la forma en que el lenguaje reporta las inconsisten
cias y los errores de lgica.
di La eficiencia. Uno de los factores principales a considerar en
la seleccin de un lenguaje es su eficiencia de operacin.
Dentro de la eficiencia se considera el tiempo de organizar,
programar, compilar y ejecutar.
e) Los costos involucrados. Entre los costos que origina la ad-
quisicin de un paquete se pueden mencionar. El costo de ins
talacin. el costo de mantenimiento y actualiulci6n del soft.
ware y el costo de operacin.
/) Conocimiento del lenguaje. Otro factor importante a conside-
rar en la seleccin del lenguaje. es el conocimiento y dominio
que de ste tengan las personas o analistas encargados de rea
!izar los estudios de simulacin.
g) Justificacin econmica. Finalmente. y el ms importante de to-
dos. es la justificacin econmica del lenguaje do simulacin. A
este respecto, es conveniente sealar que la adquisicin de un
paquete se debe de considerar como un proyecto de inversin,
donde los beneficios que se derivan de tal adquisicin, deben de
compensar la inversin y los gastos que origina.
7.4. CLASIFICACION DE LDS LENGUAJES
DE SIMULACIDN
I,os modelos de simulacin se clasifican en dos categorlas: 11 Mo-
delos de simulacin continua y 2) 1-iodelos de simulacin discreta. Los
modelos de simulacin continua. generalmente son apropiados cuando
el analista considera al sistema bajo estudio. como un flujo continuo de
informacin. En simulacin continua, generolmen1.e el reloj de simula
cin se incrementa o intervalos fijos de tiempo. Por ot.ra porte. en mo-
delos do simu.locin discreta. al analista le interesa lo que le sucede a
cnlidndcs individuales del sistema. Por consiguiente. el reloj de la si
muluci6n en simulacin discreta, se incrementa cada vez que ocurre un
evento.
1
1
1
1
Los modelos de simulacin discreta pueden desarrollarse a travs
de tres enfoque10: 1 l Enfoque de eventos, 21 Enfoque de actividades y Sl
Enfoque de proce908. Un evento se define como un cambio en el estado de
una entidad del sistema. Una actividad es una coleccin de operaciones
que transforman el estado de una entidad. Un proceso es una secuencia
de eventos que ocurren en un tiempo determinado. Una explicacin
grlica de estos conceptos aparece en la figura 7.1.
- (
__........__
Attlvid.d2
-+--
...
r
1
ActividK 1

\

1
Evento 1
rribo
2

ll'rViclO
Ewnto 4
lermlrw et
OOfVicio
Svl!nto 5
t$-min el
servicio
Figura 7.1 Eventos. acLividndcs y proocos.
Adems de los tres enfoques anteriores, autores hacen una
diferenciacin entre lenguajes con orientacin simblica (GPSSl y len
,'Uajes con orientacin de estatutos de programacin. Los primeros
son ms fciles de aprender, pero los segundos son ms flexibles. La fi.
gura 7.2, muestra un& clasificacin de los lenguajes de simulacin. En
esta figura se puede apreciar que los lenf!U8Jes simblicos a pesar de
tener un de procesos en su diSl"o, se consideran como una
cuarta categoda para diferenciarlos de l<Jd lenguajes de orientacin de
estatutos de programacin.
Finalmente, vale la pena mencionar que recientemente se han esta
do desanollando lenguajes que permiten el anlisis y evaluacin de
modeles discretos y modelos continuos. GASP IV y C-SlMSCRIPT
fueron los primeros lenguajes de este tipc. que se desarrollaron. aunque
recientemente est disponible un nuevo lenguaje de este tipo llamado
SLAM. Estos lenguajes permiten a1 analista modelar sistemas discre-
tos, siste1n11s continuos y sistemas donde algunos entidades se com-
portan en forma discreta y otras en forma continuo.
--.. 01'118 121
l.Aftpjn dt
.
M1Nllaci61n
Le.ogu.jea P91'9 Lenguaje para
l.Angu.ajee '*"'
aimulad6n
simulacibn
limulacibn
tonUnu
continua y
dilCretfi
dilcreta
GASPIV
C SIMSCRIPr
SLAM
En_foqu. dt
Enfoque de Enfoque de Enfoqu. c,J.,
""""''
9Ctivida0.. pr0Cfl.909
smbolos
GASP 11
FORSIM IV
SI MSCRIPr
SIMULA GPSS
'
Filtira 7.2 Clasificacin de los lenguajes de simulacin
7 .5. INTROOutCION AL GPSS
Como se ha mencionado en prrafos anteriores, existen actualmen
te en el mercado una gran cantidad de paquetes de simulacn. Sin em
bargo, el paquete GPSS es sin duda uno de los ms conocidos y usados
en empresas e instituciones educativas.* Por esta razn, en esta sec
cin se tratar de describir a travs de una serie de ejemplos, las poten
cialidades y los diferentes campos de aplicacin en los cuales se puede
aplicar este paquete (versin GPSSV). Obviamente esta presentacin
no incluye toda la gama de aplicaciones que se le pueden dar a estepa
quete. Para tener una concepcin ms amplia del G PSS, se puede re-
currir al libro "Simulation Using GPSS" cuyo auto.r es Thomas J .
Schriber.
Actualmente en el ITESM se .. tt utilizando la versiOn GPSS.V.
Campo B = Desviacin con respecto a la me<lia. Por ejemplo
si el tiempo entre llegadas es uniforme entre 10 y
18 minutos. entonces, A = 14 y B = 4.
Campo C = Especifica el tiempo de ocurrencia de la primera
transaccin.
Campo D = Especifica el Unte de transacciones que pueden
ocurrir en el bloque GENERATE.
Ca.mpo E = Especifica la prioridad de las transacciones al mo-
mento de generarse.
Para representar la llegada y salida de una facilidad de servicio n
servidor), los bloques que se utilizan son:
A RELEASe
Donde el campo A representa la facilidad de servicio que se est utili
zando. Lo anterior significa que en un sistema puede haber varias facili
dades de servicio y a cada una de ellas es necesario identificarla con un
nombre o un nmero. El primer bloque SEIZE indica que se inicia la
entrada a la facilidad de servicio A y el bloque REl..EASE representa
la salida de dicha facilidad.
El tiempo de servicio se representa mediante el siguiente bloque:
1\, o
AllVANCE
donde:
Campo A = Tiempo promedio de servicio.
Campo B = Desviacin con respecto a la me<lia
Finalmente, para llevar un cont.eo de la cantidad de transacciones
(clientes) que han pasado por el sistema, se utiliza el bloque:
kwtroducci6n al GPSS
137
RELATlVE CLOCK 18016
ABSOLUTE CLOCK 18240
BWKCOUNTS
B.LOK
CURRENT TOTAL
BLOCK CURREN'!'
TOTAL
1 o
722
10 o
278
2
o 722
11 o
277
3
o
723 12 o
277
4
o
723
13 o
277
5
o
723 14 o
277
6
o
723 15 o
277
7 o
723 16 o
277 .
8
o
723 17 o
277
9 o
278 18 o
277
FACILITIES
Average utWr.atJon durng
Nun1bcr Average Tot.111
Facility entrie t lme/tran timo
1 1000 17.232 0.95
QUE U ES
Aval1 Unavail CurrenL Pen.:ent
t.hne time tat\1.8 availabiJJt.y
100.0
Averagt. Total Ztro Perc.nt. Avergt; $Average Current
Queue cont.ent c:ont.ent enttiel ent.rlee rot ti.meltrn timl{tran cc>ntent
1 6 1.019 1001 152 15.1
19.976 1
S Awn.p t.inwltra.n awrap limltlt'an ex.duclina uro mtries
ftlra 7.4 Resun.ados obt.enidOdl de la simulacin de la peluqueria al introducir
los bloques queue. depart.. marlc y u.bulate.
aw '.TI a orsi< rr
:s::
...
Q
Pl
e
~
Tabla 1
Tablas
Entnes in t b l ~ J.1ean argum.ent
723 36.J 16
Upper Ob,.rll<fl Perc.ent Cumu/JJtiue
limit froquency o{ total percttnt.ajt
5 o o.oo 0.11
15 67 09.26 9.2
25 192 26.56 35.8
35 153 21.16 56.9
45 123 17.91 73.9
55 71 9.82 83.8
65 60 8.29 92.1
75 24 3.31 95.4
85 9 1.24 96.6
95 10 1.38 98.0
105 11 1.52 99.5
115 3 0.41 100.0
Remaining frequenc1es are al1 zen>
Agwa 7.4 Continuacin .

..
Standard deviotion Sum o{ argumenu
1
19.662 216112.0
1'
...
Cumulatiue l>futlipie Dviation
f'fma.incler ofmean from mf!On t
e
f
100.0 0.138 - 1.590
f
90.7 0.415 - 1.079
64.I 0.692 -0.568
43.0 0.969 - 0.057
26.0 1.245 0.454
16. l 1.522 0.966
7.8 1.799 1.476
4.5 2.076 1.987
3.3 2.353 2.498
1.9 2.630 3.010
0.4 2.907 3.521
o.o 3.184 4.032
;;:::
a
ro
" !!!.
(")
:;,-

:::l
i5

"O

ro
3
' e
o

"'
"'
'3
Tabla 2
in rabi.e
277
Upver Observed
Jiniit frequenl!y
6 o
15 o
25 57
36 85
45 52
55 30
65 28
76 12
86 2
96 6
106 3
116 2
frequencies are all uro
fllln 7 .4 Continuacin.
Tablas
Alean argument
40. 169
J'ercent
o{ total
0.00
0.00
20.57
30.68
18.77
10.83
10.10
4.33
0.72
2.16
1.08
0.72
C'umi1/(ltive
perec11taje
o.o
o.o
20.5
51.2
70.0
80.8
90.9
95.3
96.0
98.1
99.2
100.0
Standtvd tkviati-On
18.062
Cum.ulati ve
rernainder of 1nca11
100.0 0.124
100.0 0.373
79.4 0.622
48.7 0.871
29.9 1.120
19.l 1.369
9.0 1.618
4.6 1.867
3.9 2.116
1.8 2.364
0.7 2.613
o.o 2.862
Sum of argume nts
11127.0
Deuiatior1
from 111eo11
- 1.947
- 1.39::
--0.839
--0.286
0.267
0.821
1.374
1.928
2.481
3.0(16
3.589
4.142
I
l
:.
-

Ejemplo 7.2. Centro Electrnico de Clculo.
Al saln de terminales del Centro Electrnico de Clculo del ITESM.
arriban estudiantes de acuerdo a una distribucin uniforme entre 2 y 8
minutos. En el saln existen 10 terminales. El tiempo promedio que un es
tudiante usa la terminal, est uniformemente distribuido entre 40 y 80 mi
nutos. Si al llegar al saln de terminales el esudiante las encuentra todas
ocupadas, entonces, existe un 50% de probabilidad de que el estudiante
regrese despus de 5 minutos (suponga que en esos 5 minutos el estudian
te va a la cafeterla a comprar golosinas y refrescos). Determine al mo-
mento de que 1000 estudiantes hayan pasado por el saln de terminales,
la cantidad de estudiantes que al llegar al sistema encontraron todas las
terminales ocupadas y no regresaron?
Para simular este problema se requiere utilizar nuevos bloques.
Por ejemplo, es necesario conocer qu bloues utilizar para representar
a una facilidad de servicio con muchos servidores (cada terminal es un
servidor con un tiempo de servicio uniforme ente 40 y 80 minutos).
Tambin, se requiere conocer el bloque que representa las transferen
das condicionales e incondicionales que ocurren en el sistema. Para el
primer caso, los bloques que se utilizan son los siguientes:

A LEAVE
8
donde:
A = Representa el nombre o el nmero que se le da a la facilidad de
servicio ISTORAGE).
B = Representa la cantidad de servidores que se ocupan o desocupan a la
ve-, al llegar o abandonar el sistema una deUrminada transaccin.
Esto significa que en un sistema pueden existir varias facilidades de servi-
cio con varios servidores y a cada una de ellas es necesario identificarlas
con un nombre o un nmero. El primer bloque ENTER indica que se ini
Cuando se tiene un solo .. rvidor se deben utilizar los bloques SEIZE y RElliASE.
--.. 01'$8 ,.,
cia la entrada a la facilidad de servicio STORAGE A y el bloque LEA VE
representa la salida de dicha facilidad.
Por otra parte. para representar las transferencias condicionales e in
condicionales que ocunen en un sistema. se utiliza el siguiente bloque:
TRANSFER
Este bloque puede ser codificado de las siguientes formas:
TRANSFER
TRANSFER
TRANSFER
.3. ETI l, ETI 2
BOTH,, ETI 1
, ETI 2
El primer caso indica que la probabilidad de ir al bloque con etiqueta
ETI 1 es de O. 70. El complemento es Ja probabilidad de ir al bloque con
etiqueta ET I 2. El segundo caso indica que Ja transaccin contina en
el siguiente bloque cada vez que esto sea posible, y contina en el blo-
que con etiqueta ETI 1 cuando no sea posible. Si no es posible conti
nuar en ninguno de los bloques, entonces, la transaccin espera hasta
que sea posible continuar en alguno de los bloques, dndole preferencia
al siguiente bloque. El ltimo caso indica una transferencia incondi
dona! al bloque con etiqueta ETI l.
Utilizando estos ltimos bloques, la codificacin de este problema
es como se muestra en la figura 7 .5. Note que en esta ltima codifica
cin se ha introducido otro estatuto de control llamado STORAGE. En
el campo de localizacin de este estatuto se identifica al STORAGE y
en el campo A del estatuto se indica la capacidad del STORAGE. De
acuerdo a esta codificacin, se obtienen los resultados que se muestran
en la figura 7 .6. En esta figura se puede observar que cuando hayan pa
sado estudiant.es por el e .E.e ., 290 estudiantes que encontraron ocupa
dBB l88 terminales al llegar, ya no regresan. Tambin, se puede apreciar
que 280 estudiantes que encontraron al llegar a todas las terminales
ocupadas, si regresaron.
Por otra parte, Ja informacin que se obtiene con respecto al saln
de terminales es la siguiente: El promedio de terminales ocupadas es
9.252. Ja cantidad de estudiantes que entraron al saln fue de 1009, el
tiempo promedio de utilizacin de las terminales fue de 59.311 minu
tos, el porcentaje de utilizacin de las terminales es de 92.5%, actual
mente existen 9 estudiantes trabajando en las terminales y la cantidad
mxima de estudiantes que hubo en el saln fue de 1 O.
Por ltimo, la figura 7 .6 muestra el histograma de frecuencia del
1 2
L ..... ejes de 9mull.cibn
Genera te
5.3 Llegadas al C.E.C.
OTR 1'ransfer
Both .. LLE Ver si hay terminales disponibles
En ter
l Entrar al saln
Ad vanee
60. 20 Ocupar la terminal
Lcave
l Salir del saln
Tabulate l
Tiempo en las terminales
Termina te l
Se incrementa contador
LI,E
Transfer .5 .. REJ 50% regresa de nuevo
Seize 1 Entra a Ja cafateria
Ad vanee
5 Compra golosinas
Relea.se
l Sale de la cafetera
1'ransfer
.OTR Regresa al C.E.C.
REJ
renninate
Abandonan el C.E.C.
1 Storage 10 Saln con 10 terminales
J Table MJ,40,5.50 Histograma del tiempo en el C.E.C.
Start 10. NP
Elimina estado transiente
lteset
Start
1000
Salida de 1000 clientes
End
FIGURA 7 .5 Codificacin del problema del centro electrnico de clculo.
tiempo de eermanencia en el saln de terminales. Como se puede obser-
var en esta figura, el tiempo promedio que un estudiante se pasa en el
saln de terminales es de 61.047 minutos.
Ejemplo 7.3. Peluqueria con tiempo entre llegadas y tiempo de servicio
exponenciales.
Para el ejem.plo 7. l. s uponga que el tiempo entre llegadas de los
dos tipos de clientes es exponencial con media de 65 minutos para el
primer tipo de cliente y con media de 75 1ninutos para el segundo tipo
de cliente. 'l'ambin, en este mismo ej emplo piense que el tiempo de ser-
vicio es exponencial con media de 15 minutos para un corte de pelo y 7
minutos para una rasurada. Por ltimo. imagine que en la peluquerla
solamente existen 3 lugares clisponibles para esperar el servicio.
Para resolver este problema, es necesario introducir una serie de
conceptos nuevos. Por ejemplo. se requiere conocer la forma de repre-
sentar dentro del programa una funcin determinada. asl como tarn
bin la forma de simular el tiempo entre llegadas y el tiempo d, servicio
de una funcin exponencial.
En G PSS es posible incluir dentro del programa una serie de fun-
ciones. Cada funcin se define por medio de parejas coordenadas IX. Y)
''1 STORAGE 10'' indica que el sa_l6n de tennina.kls aJ cuaJ se le design con el nmero
1, tiene una cupacidad de 10 termn.alcs (10 se:rv-dores).
lntrodoccl6n al GPSS 143
Las funciones que se manejan pueden ser continuas o discretas. Sin
embargo, puesto que en G PSS las funciones de definen por medio de pa-
rejas coordenadas, entonces, cada vez que se trabaja con funciones
continuas, se interpola linealmente entre las parejas coordenadas
correspondientes. Lo anterior significa que habr menos error entre
ms cercanos estn los puntos que definen la funcin continua. Por otra
parte, no existe ninguna restriccin con respecto a los valores de X y Y,
a excepcin de X que en algunas ocasiones representa a un nmero uni-
forme entre O y l. Finalmente, conviene seftalar que si se referencia a
un valor de X menor que el ms pequeo de las parejas coordenadas
que definen la funcin ( (X
1
Y,). (X,. Y,), ... IX., Y.)), entonces, el valor
de Y que resulta es Y, y si se referencia un valor de X mayor que X., en-
tonces se obtiene para Y un valor de Y .
Para hacer referencia a una funcin, se utiliza el siguiente estatuto
de control:
ETI FUNCTION A. B
donde:
ETI = Etiqueta en el campo de localizacin que identifica a la
funcin.
Campo A = Variable ind.ependiente que puede ser un gobernador de
nmeros uniformes o cualquier otro parmetro
Campo B = Identifica si la funcin que se est usando continua o
discreta. Por ejemplo, C. representa a una funcin cont i-
nua que est definida por n parejas coordenadas y D.
representa a una funcin discreta que est definda por n
parejas coordenadas.
lnmediatame.nte despus del estatuto de control que hace referencia a
la funcin. se alimentan las parejas coordenadas que se seleccionaron
para definir la funcin. Estas parejas se alimentan a partir de la colum-
na 1, separando con comas los valores de X de los valvres de Y, y sepa-
rando con una diagonal las parejas coordenadas. Tambin, conviene
aclarar que los valores alimentados de (X, Y) no se deben pasar d.e la co-
lumna 71.
Puesto que el ejemplo que est analizando, la distribucin del tiem
po entre llegadas y el tiempo de servicio es exponencial. entonces. de
acuerdo a la teoria presentada en el captulo 4 (Mtodo de la transfor
rnada inversa), las parejas coordenadas que se deben alimentar corres-
ponden a la siguiente funcin:
Y = - Ln (1 - RI
RELATIVE CLOCK 6468 ABSOLUTE CLOCK 6585

l
BLOCK COUNTS
BLOCK CURRENT TOTAL Block CURRENT 1UTAL

l o 1290 8 o 569 t
2 o 1570
3 o 1001
4 o 1001
6 o 1000
9 o 279
10 o 279
11 o 280
12 o 280
1
6 o 1000 13 o 290
7 o 1000
FACILITIES
Average uliUzaUon during
Number Average Total Avail Unavail Cwrent p....,nL
Fadlity onui" Limeltnn time Limo time status "',.;Jability
1 280 4.993 0.216 100.0
STORAGES
Avtrage
Averqe utilization during
Stonge Capodty cont.ent Entriff
Averap Total Avail Cunent Muimum
1 10 9.262 1009
Tlmelunlt time t.lme content content
69.311 .926 9 10
o
flgllra 7.6 Rosultadoe obtenidos de la si.mulaci6n del C.E.C.
;
:>:
s::
et
ro
"'.
9!.
()
:::r
a
:;:
o

TI
-

ro
3
"'
e
o
-
"'
A"
3
TABLAS
Tabla J
Entries in table Mean argument
1000 61.047
Upper Obseroed Percent Cumulative
limit frequency of t-Otal percentaje
40 21 2.09 2.0
45 104 10.39 12.4
50 144 14.39 26.8
55 111 ll.09 37.9
60 104 10.39 48.3
65 107 10.69 59.0
70 131 13.09 72.l
75 120 11.99 84. 1
80 136 13.69 97.7
85 15 1.49 99.2
90 4 0.39 99.6
95 3 0.29 JOO.O
Remainng frecuencies are all 1.ero
Figura 7.6 Contlouacin.
Standard deviation Su.m o{ argume11t.s
12.343 61 O#J. ()()()
Cumulatiue Multiple /)euiation
remainder o{ mean from mean
97.8 0.655 - 1.70.'i
87.5 0.737 - l.300
73. 1 0.819 - 0.895
62 .. 0 0.900 - 0.489
51.0 0.982 - 0.084
40.9 J.064 0.320
27.8 1.146 0.725
l
15.8 J.228 1.130
2.2 1.810 1.635
0.7 1.392 1.940

0.3 J.474 2.845 f
o.o 1.656 2.750

"
i!
-

146 LoJoo de limulod6n
es decir, el valor de X se obtiene por medio de un generador de nmeros
rectangulares y el valor de Y de acuerdo a la expresin anterior. Cono-
ciendo Ja media de la distribucin exponencial y el valor de Y, entonces,
es posble obtener un valor simulado de esa distribu.cin, esto es:
Valor smulado de
dist. exponencial
= ( Medida de s t . ( )
exponencial y
este procedimiento es muy reco.m.endable puesto que de esta forma
distribuciones exponenciales con diferentes medias pueden ser simula
das dentro del mismo programa.
Por otra parte, para simular el tiempo entre llegadas y el tiempo de
-w:io, es necesario introducir una variante de los bloques GENERA TE
y ADV ANCE. Para utilizar estos bloques con distribuciones exponen
ciales, el campo A de estos bloques representa la media de la distribucin
y el campo B hace referencia a la funcin L,n (l R). Conociendo la media y
un valor simulado de Y, es posible obtener un valor simulado para el
tiempo entre llegadas o el tiempo de servicio.
Utilizando estos ltimos conceptos. la codificacin de este problema
es como se muestra en la figura 7. 7. De acuerdo a esta codificacin, se
obtienen los resultados que se muestran en la figura 7 .8. En esta figura
se puede apreciar que por el sistema pasaron 537 clientes del primer tipo
y 463 clientes del segundo tipo. Ta.mbin en esta figura se
puede ob!ervar que hubo sa clientes que no encontraron espacio dispo-
nible al momento de arribar a la peluquerla. Por otra parte, el tiempo
promedio de servicio (ver FACILlTlES) sn tomar en cuenta al tipo de
cliente es de 17. 708 minutos. Adems, en esta ocasin el servidor se en
cuentra ocupado en 49.5% de su tiempo disponible.
Con respecto a la sala de espera. la informacin obtenida es la si
guiente: el contenido promedio es de O. 763, al saln de espera entraron
1000 clientes, el tiempo promedio de ocupacin de un lugar de la sala
de espera fue de 27.305 minutos, la ocupacin promedio de un lugar de
la sala de espera fue de 25.4% y la cantidad mxima de clientes que hu
bo en el saln de espera fue de 3.
Finalmente, en la figura 7 .8 se muestran los histogramas de los
tiempos de permanencia en la peluquera de los dos tipos de clientes.
Como se.puede observar en esta figura, el primer tipo de cliente perma
neceen el sistema un tiempo promedio de 24.247 minutos y el segundo
tipo de cliente permanece 30.85 minutos.
Un generador de nu11Mn'08 rectangulares ee presenta como RN,. donde n indica el nu-
mero del gene<ador que se est utilizando.
l Function RNI. C24
O. 0,0. OJO .1,0 .1 CM/O. 2, O. 222/0.3,0 .355/0. 4 ,O. 509/0 .5, O. 69
0.6,0.9 J 5/0. 7 ,l .2/0. 7 5.1.38/0.8,1.6/0.84. l .8310.88.2. 12
o. 9,2.310.92,2.52/0.94,2.81/0. 95,2. 9910. 96,3.210. 97 ,3.5
0.98.3. 9/0.99.4.6/0. 995,5.310. 998.6. 2A>.999. 710.9997 .8
Genera te
65, FNl
Llegadas del ler. tipo de cliente
Transfer Both .. Away Ver si hay lugar disponible
En ter 1 Entra a la sala de espera
Seize 1 Se inicia el servicio
Advance 15, FNl Corte de pelo
Release l Se termina el servicio
Ta bu late 1 Tiempo en el sis. del ler. tipo de cliente
Leave 1 Deja un espacio en la sala de espera
Termnate
l
Se incrementa contador
Genera te 75, FNl
Llegada del 2do. tipo de cliente
Tranafor
Both., Away Ver si hay lugar disponible
En ter
l Entra a la sala de espera
Seize
1
Se inicia el servicio
Ad vanee 7, FNl Servicio de rasura
Advance 15, FNl Corte de pelo
Release
l
Se termina el servicio
Tabula te
2
Tiempo en el sist. 2do. tipo de cliente
Lea ve 1 Deja un espacio en la sala de espera
Termnate 1 Se incrementa contador
Away Tenninate Los que no encuentran Juga,r
1 Storagc 3
Tres lugares para esperar
l Table Ml,5,10,20
Histograma de frecuencias
2 Table MJ ,5,10,20 Histograma de frecuencias
Start 10, NP Elimina estado tra.nsiente
Reset
Start
Eod 1000
Salida de 1000 clientes
Figura 7.7 Codificacin del ejemplo 7.3 al considerar tiempo entre Uegadas y
tiempo de servicio exponencial.
Tabla 1 TABLAS
in tabl.1 Mean argument Standard dviation Sumo/ argum11ls
537
24.247 22.937
/ 3(1'J l .()()()
Upper Obserul!d Ptl'Cflnt Cumulntiv Cumulativ 1'1utliple Dt1Jiotion
limit frequncy of total rema.nd1r of mron from moart
(> 114 21.22 21.2 78.7 0.206 - 0.839
15 131 24.39 45.6 5 .a 0.618 - 0. 403
25 94 17.60 63. 1 36.8 1.031 0.032
35 65 12.10 76.2 24.7 1.443 0.468
45 45 8.37 83.6 16.3 1.855 0.904
65 27 88.6 11.3 2.268 1.340
65 29 5.40 94.0 5.9 2.680 1.776
75 13 2.42 96.4 3.6 3.093 2.212
85 6 1.11 97.5 2.4 3.505 2.648
95 6 1.11 98.6 1.3 3.917 3.084
105 3 0.55 99.2 0.7 4.330 3.520
115 1 0.18 99.4 0.5 4.742 3.950
1 125 2 0.37 99.8 0.1 5.155 4.392
135 1 0.18 100.0 o.o 5.567 4.828

f
Remaning ftequences are ali ze.ro
..

f11f1 1 .8 Continuaci.6n.
a

"'
!:..
o
a

"'
"'
lmroduc:ci6n .. Ol'SS 161
PROBLEMAS
7. l. Cierta mquiqa produce partes a una rat.n de 1 pieza cada
15 minutos, EI tiempo requerido para inspeccionar estas
piezas sigue una distribucin uniforme entre 8 y 14 minu
tos. El inspector que examina las piezas aproximadamente
acepta el 90% de las piezas examinadas. Sin embargo, si
una pieza es rechazada. sta pasa a ser reprocesada. El
tiempo de reproceso sigue una distribucin uniforme entre
10 y 18 minutos. Si se simula la inspeccin de 1000 piezas.
Cul es el tiempo promedio que una pieza permanece en el
sistema?
7 .2. Los estudiantes del ITESM llegan a la copiadora xerox de la
biblioteca a una razn de uno cada 10 :1: 15 minutos (distribu
cin uniforme). El tiempo de servicio sigue una distribucin
uniforme entre 6 y 1 O minutos. Sin embargo, si el estudiante
encuentra. en la cola m ~ de 1 O personas esperando, l dcide
dar un recorTido de 10 IInutos por la bibllot.eca. Si se simula
el servicio de 1000 estudiantes, determinP. el contenido pro-
medio de la cola y el tiempo promedio de permanencia en el
sistema.
7 .3. Al comedor de estudiantes del ITESM llegan dos tipos de
clientes. El tiempo entre llegadas de los dos tipos de clientes
es uniforme entre 5 y 11 minutos. El 65o/o de las personas que
llegim al comedor son profesores y el resto estudiantes. El
tiempo requerido para servir los alimentos a un profesor es
uniforme entre 2 y 6 minutos, y el tiempo de servicio para un
estudiante es uniforme entre 3 y 7 minutos. Si la capacidad
del comedor es de 200 personas, determine el tiempo prome-
dio que cada tipo de cliente permanece en el sistema. al mo-
mento de que hayan pasado por el comedor 2000 personas.
7.4. Resolver utilizando GPSS el problema 5.12.
7.6. Para el problema 5.14, determine mediante GPSS la canti
dad de clientes que al llegar no encuentran lugar en el esta
cionamiento. Resuelva este mismo problema suponiendo
que el estacionamiento tiene 4, 5, 7 y 8 lugares disponibles.
7.7. Resolver utilizando GPSS el problema 5. 16.
7 .9. Los estudiantes del ITESM arriban a la biblioteca de acuer-
do a una distribucin exponencial con media de 3 minutos.
La biblioteca consta de 4 pisos con capacidades de 250 para
APENO ICES
1 SC Ap6ndie1 A
Apndice A. Numeros aleatorios uniformes.
03991 10461 93716 16894 98953
73231
39528
72484 82+74
25593
38555 95554 32836
59780
09958
1806S 81616 18711 53342 44276
17546
73704
92052
46215 15917 06253 07586 16120 82641 22820
32643 52861
95819 06831 19640 99413 90767 04235 13574 17200
69572
68777
39510 35905
' 85244 35159 40188 28193 29593 88627
24122
66591 27699 06494 03152 19121 34414 82157 Sil887 55087
61196
30231 92962 61773 22109 78508 63439 75363 44989 16822
30532
21704 10274 12202 94205 20380 67049 09070 93399 45547
03788
97599 78il7 20717 82037 10268 79495 04146 52162 90286
48228
63379 85783 47619 87481 37220 91704 30552 04737 21031
88618 19161 41290 67312 71857 15957 48545 35247 18619 18674
71299 23853 05870 01119 92784 26340 75122 11724 74627
731-07
27964
58909
82444
99005
04921 73701 92904 13141 32392 19763
80863 Q0.514 20247 81759 45197 25332 68902 63742 78464 22501
33564
60780 48460 85558 187811 94972

62095 36787
90899
75754
60833 25983
01291 41349 19152 00023 12302 80783
78038
70267 43529 96318 38384 74761 36024 00867
76378
41605
5598il
66485 88722 56736 66164 49431 94458
74284
05041
49807
87539 08823
94813 . "31900 54155 83436 54158 34243 46978 36482
1'6818 60311
74457
90561
72848 11834 75051 93029' 47665 64382
34677 58300 74910 64345 19325 81549 60365
946S3 35075 33949
45305 07521 61318 31855 14413 70951
83799 42402
56623
34442
59747 67277 76503 34513 39663
77544
32960 07405 36409 83232
16520 69676 11654 99893 02181 68161 19322
G-3845 67620 52606
68652 2'o 376 92852 55866 88448 03584 11220
94747 07399 37408
79375 95220 01159 63267 10622 48391
31751 7260
68980 O339
33521 36665
5823 47641 86225 31"704 88492 99382 14454 0404
59589
49007 66821 41575 49767 04037 30934 47744 07481 83828
2064 92409 96277 48257 50816 97616 22888 48893 27499 98748
59404 7201>9 43947 l080 43852 59693 78212 16993 45902 91386
42614 29297 01918 28316 25163 70014 15021 68971 11403
34994 4)374 70071 14736 07629 37239 33295 18477 65622
99885 41600 11133 07586 36815 43625 18637 37509 14707
93997
66497 68646 78138 66559 64397 11692 05327
82162
83745
22567
48509 23929 27482 45476 04515 25624 95096 67946 16930 33361
15470 48855 88651 22596 83761 60873 43253 84145 20368 07126
20094 98977 74843 93413 14387 06345 80854 90279 41196
37480
78788 06533 28597 20405 51321 92246 80088
77074
66919
31678
60530
45128 74022
84617
72472
00008 80890 18002 3&352
54131
44372 15486 65741 14014 05466
55306 93128
18464 79982 68416
Ap6ndico 8 1116
Apnlce B. Distribucin normal.
A
Oz
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
o.o .0000 .0040
.0080
.0120 .0160 .0199 .0239 .0279 .0319 0359
0. 1 .0398 .0438 .0478 .0517 .0557 .0596 .0636
.0675 .0714
.0753
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 1103 .1141
0.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517
0.4 .1554 .1591 .1628 .1664 .1700 .1736 .1772 .1808 .1844 .1879
0.5 .1915
.1950
.1986
.2019
.2054 .2088 .2123 .2157 . . 2190
.2224
0.6
.225'7" .2291 .'%lr.!4 .l!&t7
.23119 .242.Z
.2454 .2486 .2fil7 .2fi49
0.7 .2580 .2611 .2642 .2673 .2703
.2'i 34 .2764 .2794 .:zt!:J:r

0.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133
0.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
1.0
.3413

.3461
.3485 .3508 .3531 .3554 .3599 .3621
1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 3830
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .39R2 .3980 .3997 .4015
1.3
.4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
l.4 .4192 .4207 .4222. .4236 .425) .4265 .4279 .4292 .4306 .4319
l.5
.4332 .4345 .4357 .4370
.4382
.4394 .4406 .4418 .4429 .4441
1.6
.4452 .4463 .4474 .4484 .4495 .4505 .4515
.4525 .4535
.4545
1.7 .4554 .4564 .41>73 .4582 .4591 .4&99 .4608 .4616 .4625 .4633
1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4726 .4732 .4788 .4744 .4760 4756 .4761 .4767
2.0 .4772 .4778 .4783 .4788 .4793 .4798
.4803
.4812 .4817
2.l .4821 .4826 .4830
.4834
.4838 .4842 .4846 .4950 .4854 .4857
2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.3 .4893 .4896 .4898 .4901 .4904 .4909
.4911' .4913
.4916
2.4 .4918 .4920 .4922 .4925 .4927
4929
.4931 .4932 .4934 .4936
2.5 .4938 .4940
.4941
.4943
.4945
.4946 .4948
.4949
.4951
.4952
2.6 .4953 .4955
.491;6
.4957 .4959 .4960 4961 .4962 .4963 .4964
2.7 .4965 .4966
.4967
.4968 .4969 .4970 .4971 .4972
.4973 .4974
2.8 .4974 .4975 .4976 .4977 .4977 .4978 .4979 .4979 .4980 .4981
2.9 .4981 .4982 .4982 .49S3 .4984 .4984 .4985 .498 .4986 .4986
3.0 .4987 .4987 .4987 .4988
.4988
.4989 .4989 .4989 .4990 .4990
156
- 1coc
.
Apndice C. Distribucin ~
~
o.995 0.990 0.975 0.9&0
0.&00
o.oso 0.25 0.010 0.005
---------- --
1 0.00+ o.oo+ o.oo+
o.oo+ 0.45 3.84 5.02
6.63
i.88
2 0.01 0.02 0.06 0.10 l.39
5.99 7.3$
9.21 10.60
3 0.07 O.ll 0.22 0.35 2.37
7.81
9.35
11 .34
12.84
4 0.21 0.30 0.48 0.71 3.36 9.49 11.14 13.28 14.86
5
0.41 0.55 0.83 1.15 4.35 l l.07 12.83 15.09 16.76
6
o.68 0.8'7 1.24 l.64 5.35 121>9 l4.45 .1681 18.55
7
0.99 1.24 J.69
Z.17
6 ~ 5
14.07 16.01 18.48 20.28
8 l.34 l.65 2.18
2.73 7.34
15.l
17.53
20.09
21.96
9
l.73 2.09 2.70 3.33 8.34 16.92 19.02
21.67
23.59
10 2.16 2.56 3.25
~ 9 4
9.34 18.31 20.48 23.21 25.19
ll 2.60 3.05 3.82
4.57
10.34 19.68 21.92
24.72 26.76
12 3.07 3.57
"
5.23 11.34 21.03 23.34 26.22 28.30
13. 3.6i 4. 1 l 5.01 5.89 12.34 22.36
24.74
27.69 29.62
14 4.07 4.66 5.63 6.57 13.34 23.68 26.12 29. 14 31.32
15 4.60 5.23 6.27 7.26 14.34 2S.00 27.49 30.58 32.80
16 5.14 5.81 6.91
7.96 15.34 26.30
28.85 32.00
34.27
l7
5.70 6.41 7.56 8.67 16.34
27.1>9
30.19 33.41 35.72
18 6.26 7.01 8.23 9.39
L 7.34 28.87
31.53
34.81 37.16
19 6.84 7.63 8.91 10.12
18.34 30.14
32.85
36.19
38.58
20 7.43 8.26 9.59 10.85
19.34
31 .41 34.17 37.57
40.00
25 10.52 IJ.52 13..l 2 14.61
24.34
31.6G 40.65
44.3 1 46.93
30
13. 79 14.95 16.79 18.49 20.34 43.77 46.98 &0.89 53.67
40 20.71 22.16 24.43 26.51 39.34 SS:'16 59.34 63.69 66.77
&O
27.99 t 9.71
32.36
34.76 49.33 67.50 71:0 76.15 79.49
60 35.63
87 .4tt 40.48 43. 19 69.33 79.08 83.30 88.3$ 91 .%
70
S.28
4S .f4 48.76 61.74 69.S3 90.53 95.02 100.42 104.22
8()
51.17
53.64
57. 15
60.39
79.33 101.68 106.68 11 2.33 116.32
00 59.20 61.76 65.65 69.13
89.33 113.14 118. 14 124. 12 128..30
100 67.33 70.06
74. 22 i7.93 99.33 124.3.f
129.56
13.5.81 140.J7
v ;; grados de libertad
del ac!venimitnto de la compuudoro diaiuJ principios de
los ahos SO, irieron elementos ...al1icos que han 1enido un profundo
lmpKto en el campo cfl111fko. Uno de dkhos elemen1os es precb
men1e la simulacin, cuyos usos y plicaciones se lu.n muhiplkodo en
los hlmos l\os.
Esu obn iniroduce I estudian! en los diferen1es 1em .. y t'cnk.,
de simulacin de sistemos, y par que ob1enp el. mximo provecho de
los conceptos y metodologu que se explican, se recomiendo que 1tnp
conoclmlenlos de compuucin (lnl"is de propsllo aeneral como
Fortrn, Pascal , etc.) y de probbilidod y esudlstica.
El 1ext o sinteliu lu experiencjs del u1or y presento opiniones ob
1enidas, un10 en el aub como en I prictica, del l\lilis y simubcin de
sistemos reoles. Es un excelente libro con plicaciones de simubcin en
us toles como Econom.t, Finonus, Sistemos de lnvenurios, Anilisis
y de lnv"Siones y Sistemos de cobs, enire 01ns .
e-mail: li musaOnoriega.com.mx
www.norlega.com.mx

' 9'-::f. 1 {f\)

Simulación Un Enfoque Práctico

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Simulación Un Enfoque Práctico

Загружено:

Авторское право:

Доступные форматы

.......

~ { 121-201 + 1.2.2-201 + U9-20l' + 12s-20l' + ll20)' } = 2

Вам также может понравиться