Método de centro de gravedad: En el método de centro de gravedad se determina

la mejor ubicación de una instalación en base a la ubicación geográfica de los

puntos meta (destino), el volumen enviado y el costo de transporte. Este método es
usado ampliamente para la localización de centros de distribución donde la principal
preocupación es minimizar los costos de envió asociados con la propia actividad de
la empresa.

Este método supone que los costos de transporte de entrada y salida son iguales y
no incluye los costos especiales de despacho para las cargas que no sean
completas. De cualquier manera y pese a estas limitaciones, un punto importante el
cual siempre debe tenerse presente para una correcta toma de decisiones sobre
una localización, es el permitirse cruzar los distintos resultados alcanzados por los
diversos métodos existentes y no solamente en base a un único resultado
proveniente de un solo método.
simplificación del problema general de ubicación-distribución que tiene un interés
considerable es el problema simple de distribución o transporte. En este problema,
se asume que se conoce la ubicación de las instalaciones junto con sus
capacidades. La cuestión de interés es determinar qué proporción de la demanda
del usuario será satisfecha desde cada instalación de manera que se minimice el
costo total de producción y distribución. Aun cuando este problema puede ser
formulado como un

En el presente ensayo tratare temas de distribución Normal, Bernoulli, Binomial,

Exponencial, Poisson y Triangula, estos temas son relevantes para la materia de
simulación, ya que son la base de los algoritmos que se estarán viendo en la
presente clase.
Distribución Normal

La distribución normal (en ocasiones llamada distribución gaussiana) es la

distribución continua que se utiliza más comúnmente en estadística. La distribución
normal es de vital importancia en estadística por tres razones principales:

 La distribución normal proporciona la base para la estadística inferencial

clásica por su relación con el teorema de límite central.
 La distribución normal sirve para acercarse a diversas distribuciones de
probabilidad discreta, como la distribución binomial y la distribución de
Poisson.

En la distribución normal, uno puede calcular la probabilidad de que varios valores

ocurran dentro de ciertos rangos o intervalos. Sin embargo, la probabilidad exacta
de un valor particular dentro de una distribución continua, como la distribución
normal, es cero. Esta propiedad distingue a las variables continuas, que son
medidas, de las variables discretas, las cuales son contadas
La distribución normal tiene importantes propiedades teóricas:

 Sus medidas de tendencia central (media, mediana y moda) son todas

idénticas.
 Su “50% central” es igual a 1.33 desviaciones estándar. Esto significa que el
rango intercuartil está contenido dentro de un intervalo de dos tercios de una
desviación estándar por debajo de la media y de dos tercios de una
desviación estándar por encima de la media.
 Su variable aleatoria asociada tiene un rango infinito (-∞ < X < ∞).

Distribución de Bernoulli

Por otra parte la distribución de Bernoulli (o distribución dicotómica), nombrada así

por el matemático y científico suizo Jakob Bernoulli, es una distribución de
probabilidad discreta, que toma valor 1 para la probabilidad de éxito () y valor 0 para
la probabilidad de fracaso ().

La fórmula para esta distribución es:

P(x)=Px(1-p)1-x x=x,0

Si X es una variable aleatoria que mide "número de éxitos", y se realiza un único

experimento con dos posibles resultados (éxito o fracaso), se dice que la variable
aleatoria X se distribuye como una Bernoulli de parámetro P.

Un típico ejemplo experimento de Bernoulli es el lanzamiento de uan moneda con

la probabilidad p para cara y (1-p) para cruz, ya que solo se tienen dos posibles
resultados.

Un experimento de Bernoulli se caracteriza por ser dicotómico, esto es, sólo son
posibles dos resultados. A uno de estos se denomina éxito y tiene una probabilidad
de ocurrencia p y al otro, fracaso, con una probabilidad Q = 1 - p. En la
distribución Binomial el anterior experimento se repite n veces, de forma
independiente, y se trata de calcular la probabilidad de un determinado número de
éxitos. Para N = 1, la Binomial se convierte, de hecho, en una distribución de
Bernoulli.

Distribución Binomial

La distribución Binomial es una distribución de probabilidad discreta que mide el

número de éxitos en una secuencia de n ensayos de Bernoulli independientes entre
sí, con una Probabilidad fija p de ocurrencia del éxito entre los ensayos.
Un experimento de Bernoulli se caracteriza por ser dicotómico, esto es, sólo son
posibles dos resultados. A uno de estos se denomina éxito y tiene una probabilidad
de ocurrencia p y al otro, fracaso, con una probabilidad Q = 1 - p. En la
distribución Binomial el anterior experimento se repite n veces, de forma
independiente, y se trata de calcular la probabilidad de un determinado número de
éxitos.

La fórmula de la distribución binomial:

pkq(n-k)

Donde:

P= probabilidad.

X= número de éxitos.

n= Número de ensayos.

q= probabilidad de fracaso de cada ensayo.

Para N = 1, la Binomial se convierte, de hecho, en una distribución de Bernoulli.

La distribución Binomial es una distribución de probabilidad discreta que mide el

número de éxitos en una secuencia de n ensayos de Bernoulli independientes entre
sí, con una Probabilidad fija p de ocurrencia del éxito entre los ensayos.

Distribución Exponencial
Una de las distribuciones de variable continua más importantes es la distribución
exponencial. Se la utiliza como modelo para representar el tiempo de
funcionamiento o de espera. Tiene como función expresar también el tiempo
transcurrido entre eventos que se contabilizan por medio de la distribución de
Poisson.

 El tiempo que tarda una partícula radiactiva en desintegrarse.

 Por ejemplo, la datación de fósiles o cualquier materia orgánica mediante la
técnica del carbono
 El tiempo que puede transcurrir, en un servicio de urgencias para la llegada
de un paciente; En un proceso de Poisson donde se repite sucesivamente un
experimento a intervalos de tiempo iguales, el tiempo que transcurre entre la
ocurrencia de dos sucesos consecutivos sigue un modelo probabilístico
exponencial.
 Por ejemplo, el tiempo que transcurre entre que sufrimos dos veces una
herida importante.
Distribución de Poisson
La distribución de Poisson se emplea para describir varios procesos, entre otros la
distribución de las llamadas telefónicas que llagan a un conmutador, la demanda
(necesidades) de servicios en una institución asistencial por parte de los pacientes,
los arribos de los camiones y automóviles a la caseta de cobro y el número de
accidentes en un cruce. Los ejemplos citados tienen un elemento en común, pueden
ser descritos por una variable aleatoria discreta que asume valores enteros
(0,1,2,3,4,5 y así sucesivamente).
El número de enfermos que llegan a un consultorio en cierto intervalo de tiempo
será de 0,1,2,3,4,5 o algún otro número entero. De manera análoga, si se cuenta el
número de automóviles que llegan a una caseta de cobro durante un periodo de
diez minutos, el número será entero.

Algunas características de los procesos que producen una distribución de la

probabilidad de Poisson

El número de vehículos que pasan por una caseta de cobro en las horas de mayor
tráfico sirve como ejemplo para mostrar las características de una distribución de
probabilidad de Poisson.

El promedio (media) de los arribos de vehículos por hora de gran tráfico puede
estimarse a partir de los datos anteriores del tráfico.

Cálculo de probabilidades mediante la distribución de Poisson

La distribución de Poisson, según hemos señalado, se refiere a ciertos procesos

que pueden ser descritos con una variable aleatoria discreta. La letra X suele
representar esa variable y puede además asumir valores enteros (0,1,2,3 etc..) .
Utilizamos la letra X mayúscula para representar la variable aleatoria y la x
minúscula para designar un valor específico que puede asumir la X mayúscula. La
probabilidad de exactamente x ocurrencias en una distribución de Poisson se
calcula mediante la fórmula:

ʎ* x = Lambda (número medio de ocurrencias por intervalo de tiempo) elevada a

la potencia x.

e- ʎ = e= 2.71828 elevado a la potencia de lambda negativa.

x! = x factorial.

Distribución Triangular

Se denomina triangular cuando viene definida por dos parámetros, que representan
el valor mínimo y el valor máximo de la variable. En este caso el triángulo es
equilátero. Se denomina triangular (triangular general), cuando viene dada por tres
parámetros, que representan el valor mínimo y el valor máximo de la variable, y el
valor del punto en el que el triángulo toma su altura máxima. En este caso el
triángulo no es necesariamente equilátero.

La distribución triangular se utiliza normalmente como una descripción subjetiva de

una población a lo que solo hay datos de la muestra limitada y sobre todo en los
casos en los que la relación entre variables se conoce. Pero los datos son escasos
(posiblemente debido al costo de la recaudación). Se basa en el conocimiento de la
cantidad mínima y máxima y una “conjetura inspirada” sobre el valor modal. Y es de
uso frecuente en la toma de decisiones empresariales, sobre todo en las
simulaciones. En general, cuando no se sabe mucho acerca de la distribución de un
resultado, (por ejemplo, sólo sus valores y de mayor a menor), es posible utilizar la
distribución uniforme. Pero si el resultado más probable es que también se conoce,
entonces el resultado puede ser simulado por una distribución triangular.

La función densidad de probabilidad es:

Uso de la Distribución Triangular

La Distribución Triangular es habitualmente empleada como una descripción

subjetiva de una población para la que sólo se cuenta con una cantidad limitada de
datos muéstrales y, especialmente en casos en que la relación entre variables es
conocida pero los datos son escasos (posiblemente porque es alto el costo de
recolectarlos). Está basada en un conocimiento del mínimo y el máximo y un "pálpito
inspirado"1 como el del valor modal. Por estos motivos, la Distribución Triangular
ha sido denominada como la de "falta de precisión" o de información.

Como conclusión, la estadística y la probabilidad son herramientas fundamentales

que nos permitirán aplicar en la materia de simulación, ya que de esta manera
´podemos ver como se llega a comportar un fenómeno sin la necesidad de llevarlo
a cabo de manera física, permitiéndonos ahorrar tiempo y evitar desperdicio o fallos
que conllevan a las pérdidas para una empresa.

empresa, la decisión de localización puede estar a cargo de un equipo de personas;

en cambio en una empresa pequeña, es posible que un solo individuo tome tal
decisión. El proceso de seleccionar la localización para una nueva instalación
implica seguir una serie de pasos:

1. Identificar los factores importantes sobre la localización asignarles la

categoría de dominantes “críticos “o secundarios.
2. Considerar posibles regiones.
 3. Recopilar datos acerca de las alternativas solicitándolos a asesores externos,
departamentos de planificación, visitas a cada lugar, etc.
4. Analizar los datos recopilados comenzando con los datos cuantitativos, es
decir, aquello que resulta posible medir un valor monetario como los costos
anuales de transporte o los impuestos. Estos factores financieros pueden
convertirse después en una sola medida de mérito financiero y usarla para
comparar dos alternativas.
Incorporar a la evaluación los factores cualitativos correspondientes a cada sitio. Un
factor cualitativo es aquel que no puede evaluarse en términos monetarios; por
ejemplo, las actitudes de la comunidad o la calidad de vida