Professional Documents
Culture Documents
Simulacin y anlisis
de sistemas con ProModel
Eduardo Garca Dunna
H eriberto G arca Reyes
Leopoldo Eduardo Crdenas Barrn
R ev isi n t c n ic a :
Dr. L in o A A N o ta ra n to n io
D e p a rta m e n to d e in g e n ie ra in d u s tria l
In s titu to T e c n o l g ic o y d e E s tu d io s S u p e rio re s d e M o n te rre y
C a m p u s S a n ta Fe
B o n ifa cio R o m n T a p ia
F a c u lta d d e In g e n ie ra
U n iv e rs id a d N a cio n a l A u t n o m a d e M x ic o
Primera edicin
PEARSO N ED UCACI N . M xico, 2 0 0 6
ISBN: 970-26-0773-6
Formato: 18.5 x 23.5 cm
Pginas: 280
Edicin en espaol:
Editor:
Editor de desarrollo:
PEARSON
E d u c a c i n
Contenido
Prlogo
ix
1
2
3
7
8
10
13
17
18
18
20
21
22
23
25
26
27
28
31
31
32
34
37
48
53
54
54
56
57
59
62
67
| Contenido
3.4
3.5
3.6
72
72
79
82
85
87
90
Captulo 4
105
106
106
109
109
113
113
117
121
124
126
Captulo 5
131
132
132
133
133
133
146
154
162
164
166
Captulo 6
171
172
175
182
185
190
208
214
219
Anexo 1
D istribuciones d e p ro b ab ilidad
A1
Distribuciones co ntinuas
A2
D istribuciones discretas
Reportes estadsticos en ProM odel
D istribuciones d e pro b ab ilid ad
231
232
240
245
255
Anexo 2
Anexo 3
vi
Prlogo
La com plejidad en la operacin de los sistem as de produccin y servicios de la actualidad
requieren de una m odelacin cada vez m s apegada a la realidad, q u e perm ita un anli
sis profundo y detallado. Por ello, herram ientas q ue perm itan m odelar esta com plejidad
se hacen relevantes y necesarias. Estam os convencidos q ue la sim ulacin es una de las he
rram ientas que hace posible conocer m ejor el sistem a en estudio, ya q ue p erm ite evaluar
diversos escenarios considerando m ltiples variables de decisin y visualizar su co m po r
tam iento a travs del tiem po. A q u pretendem os dar al lector la oportunidad de iniciarse
en el diseo, desarrollo y anlisis de sistem as de una m anera sencilla a tra v s de la sim u
lacin utilizando de m anera especial el program a ProModel.
El captulo 1 establece los conceptos bsicos relacionados con un proyecto de sim u
la ci n ^ incluye la introduccin a la tcnica y la metodologa para su desarrollo. El captulo
2 presenta los nm eros aleatorios, base de los modelos estocsticos, sus propiedades, mane
jo y generacin, as co m o todos los requerim ientos para ser considerados com o tales. El
captulo 3 o frece los conceptos de pruebas de bondad de ajuste, para determ inar la dis
tribucin de probabilidad asociada co n las variables de decisin y eventos e n el sistem a
a m o d elar; para co n ello generar variables aleatorias a usarse d urante la sim ulacin. Este
captulo in co rp o ra d uso de la herram ienta S ta t:F it,q u e se incluye con el CD q ue acom pa
a d libro. Esta herram ienta perm ite determ inar autom ticam ente la distribucin de pro
babilidad de las variables y eventos a m odelar en el sistem a.
El captulo 4 m aneja los conceptos de validacin y anlisis de los m odelos de sim u
laci n ; y presenta al final del captulo ejem plos, d esarrollados en h ojas de clculo, sobre
lneas de espera, procesos de ensam ble y sistem as de inventarios, co n la esperanza de que
al final el lector sea capaz de realizar m odelos sim ples usando una hoja de clculo. El cap
tulo 5 presenta las caractersticas y bondades de ProModel por m edio de ejem plos que
guan al usuario en la construccin de los m odelos. El captulo 6, po r su parte, cub re ele
m entos m s co m p lejo s de program acin q ue le perm itirn am pliar sus capacidades de
m odelacin.
Al final de cada captulo encontrar una serie de ejercicios q ue le ayudarn a fo r
talecer su aprendizaje. Asim ism o, al final del libro existe una seccin de tre s anexos: el 1
proporciona inform acin fundam ental sobre las distribuciones de probabilidad m s co
m unes. El 2 describe de m anera exhaustiva el significado de los resultados obtenido s en
los reportes de ProM odel. Finalm ente, el 3 incluye un conjunto de tab las estadsticas que
sern de utilidad en el anlisis de los m odelos.
Es im portante destacar q ue el CD-ROM q ue se incluye con el libro co n tie n e la ver
sin estudiantil de ProM odel con tod as las fun cio nes de la versin profesional, con la n i
ca restriccin en cuanto al tam ao de los m odelos q ue pueden construirse.
Agradecem os enorm em ente a nuestros colegas del departam ento de Ingeniera
Industrial y de Sistemas del ITESM-Campus Monterrey, por sus comentarios y por el impulso
Ix
que nos dieron para q ue e ste libro llegara a ser realidad, y a nuestros estudiantes po r el
inters m ostrado con este proyecto. Q uerem os agradecer de una m anera m u y especial a
ProModel por perm itirnos in cluir su software, y en especial a D aniel Villarreal Pars po r su
apoyo constante e incondicional para lograrlo. Por ltim o, agradecem os a Pearson Ed u ca
cin de M xico por creer en nosotros.
Los autores
CAPTULO 1
PRINCIPIOS
BSICOS DE LA
SIMULACIN
1.1
1 .2
1 .3
1 .4
1 .5
1 .6
Problem as
m
Piezas e n alm acn
A lm acn
Piezas p ro cesadas
Torno
Figura 1.1
M o d e lo d e s im u la c i n
p a r a e l e je m p l o 1.1
En este ejem plo podem os identificar algunos de los elem entos q ue participan en un m o
delo de sim ulacin, de acuerdo con las definiciones q ue hem os com entado:
Sistem a: En este caso, el sistem a est conform ado po r el conjunto de elem entos interrelacionados para el funcionam iento del proceso: las piezas, el alm acn tem poral, el o pera
rio, el torno.
Entidades: En este m odelo slo tenem o s una entidad: las piezas, q ue representan los flu
jos de entrada al sistem a del problem a bajo anlisis.
Estado del sistem a: Podem os observar q ue cuando llevam os 1 hora 10 m inu to s de sim u
lacin (vea el extrem o superior derecho de la figura) en el alm acn se encuentran 9 piezas
esperando a ser procesadas;el operario est transportando una pieza m s para pro cesar
la en el torno. El torno, po r lo tanto, no est trabajando en ese m om ento, au n q u e ya ha
procesado 4 piezas. Adem s de estos datos, podem os llevar un control de o tras estadsti
cas relacionadas con el estado del sistem a, com o el tiem p o prom edio de perm anencia de
las piezas en los estantes del alm acn tem poral o en el sistem a global.
Eventos: Entre otros, podram os considerar co m o eventos de este sistem a el tiem po de
descanso del operario o la salida de una pieza tras ser procesada por el torno. Adem s es
posible identificar un evento futuro: la llegada de la siguiente pieza al sistem a (tendram os
ms eventos de este tipo respecto de las piezas q ue esperan a q ue el operario las tom e).
Localizaciones: En este caso tenem o s el alm acn al q ue debern llegar las piezas y en el
que esperarn a ser procesadas, as com o el torno en donde esto ocurrir.
Recursos: En este m odelo, un recurso es el operario q ue transpo rta las piezas del alm a
cn al torno.
Atributos: Digam os q ue (aunque no se m encio na e n el ejem plo) las piezas pueden ser de
tres tam ao s diferentes. En este caso, un atributo llam ado tam ao podra agregarse a la
inform acin de cada pieza q ue llega al sistem a, para posteriorm ente seleccionar el tipo de
operacin q ue deber realizarse y el tiem po necesario para llevarla a cabo de acuerdo con
dicho atributo.
Variables: Tenem os dos variables definidas en e ste ca so :e l nm ero de piezas en el alm a
cn y el nm ero de piezas procesadas en el torno.
Reloj d e la sim ulacin: Como se puede ver en la esquina superior derecha de la figura
1.1, en e ste m om ento la sim ulacin lleva 1 hora 10 m inutos. El reloj de la sim ulacin co n
tinuar avanzando hasta el m om ento que se haya establecido para el trm ino de la sim u
lacin, o hasta q ue se cum pla una condicin lgica para detenerla, po r ejem plo, el nm ero
de piezas que se desean sim ular.
Otro concepto im portante que vale la p e n a d e fin ire s e ld e rplica o corrida de la simu
lacin. Cuando ejecutam os el m odelo en una ocasin, los valores q u e obtenem os de las
variables y parm etros al final del tiem p o de sim ulacin g eneralm ente sern d istintos de
los q ue se producirn si lo volvem os a co rrer usando diferentes nm eros pseudo aleato
rios. Por lo tanto, e s necesario efectuar m s de una rplica del m odelo q ue se e st anali
zando, co n la finalidad de obtener estadsticas de intervalo q ue nos den una m ejor
ubicacin del verdadero valor de la variable bajo los diferentes escenarios que se presen
tan al m odificar los nm eros pseudo aleatorios en cada oportunidad.
En este sentido, la pregunta clave e s cunto tiem p o se d ebe sim ular un m odelo para
obtener resultados confiables. En general, podemos decir que tod as las variables q ue se ob
tienen en trm ino s d e prom edios presentan dos d iferentes etapas: un estado transitorio
y un estado estable. El prim ero se presenta al principio de la sim ulacin; po r ejem plo, en
el arranque de una planta, cuando no tien e m aterial en proceso: el ltim o de los procesos
estar inactivo hasta q ue el prim er clien te llegue, y si el tiem p o de sim ulacin e s bajo, su
im pacto sobre la utilizacin prom edio de este proceso ser m u y alto, lo cual no ocurrira
si el m odelo se sim ulara lo suficiente para lograr una com pensacin. En el estado transi
torio hay m u cha variacin entre los valores prom edio de las variables de decisin del m o
delo, por lo q ue fo rm ular conclusiones co n base en ellos sera m u y arriesgado, to d a vez
que difcilm ente nos daran una representacin fiel de la realidad.
Por otro lado, en el estad o estable los valores de las variables de decisin perm ane
cen m u y estables, presentando slo variaciones poco significativas. En este m om ento las
decisiones q ue se tom en sern m ucho m s confiables.Sin em bargo no tod as las variables
convergen al estado estable con la m ism a rapidez: algunas pasan con m s lentitud que
otras de un estado transitorio a un estado estable. Es responsabilidad del analista verificar
q ue las variables de decisin del m odelo se encuentren en estado estable antes de dete
ner el tiem p o de la sim ulacin.
Otro factor im portante para decidir el tiem p o de sim ulacin es el costo de la corrida.
M ayor tiem p o de sim ulacin requ iere m s tiem p o co m p u tacio n al, lo cu al im plica, nece
sariam ente, un co sto m s alto. Por supuesto, la situacin em peora si a esto le agregam os
que en algunos casos e s necesario efectu ar m s de tre s rplicas.
Figura 1.2
0
n i n i i i m " i i h i t m i m u t i I I m u m i l t i i i i i i r r i 11 m i n n m i m
ti m m n i m u m
n m i mi
G r fic a d e e s t a b iliz a c i n
d e u n a v a r ia b le
Dentro de las ventajas m s com unes q ue ofrece la sim ulacin po dem os citar las si
guientes:
a) Es m u y buena herram ienta para conocer el im pacto de los cam bio s en los proce
sos sin necesidad de llevarlos a cabo en la realidad.
b) M ejora el conocim iento del proceso actual al p erm itir q ue el analista vea cm o se
com porta el m odelo generado bajo diferentes escenarios.
c) Puede utilizarse com o m edio de capacitacin para la to m a de decisiones.
d) Es m s econm ico realizar un estudio de sim ulacin q ue hacer m u cho s cam bios
en los procesos reales.
e) Perm ite probar varios escenarios en busca de las m ejores condiciones de trabajo
de los procesos q ue se sim ulan.
f ) En problem as de gran com plejidad, la sim ulacin perm ite generar una buena so
lucin.
g) En la actualidad los paquetes de softw are para sim ulacin tienden a ser m s sen
cillos, lo q ue facilita su aplicacin.
h) G racias a las herram ientas de anim acin que form an parte de m uchos de esos p a
quetes es posible ver cm o se com portar un proceso una v e z q ue sea m ejorado.
Entre las desventajas q ue pu ed e llegar a presentar la sim ulacin estn:
a) Aunque m uchos paquetes de softw are perm iten obtener el m ejo r escenario a p ar
tir de una com binacin de variaciones posibles, la sim ulacin n o es una herram ien
ta de optim izacin.
b) La sim ulacin puede ser costosa cuando se q uiere em plearla en problem as relati
vam ente sencillos de resolver, en lugar de utilizar soluciones analticas q ue se han
desarrollado de m anera especfica para ese tipo de casos.
c) Se requiere bastante tiem p o g eneralm ente m eses para realizar un buen estu
dio de sim ulacin; po r desgracia, no todos los analistas tienen la disposicin (o la
oportunidad) de esperar ese tiem p o para obtener una respuesta.
d) Es preciso q ue el analista d om in e el uso del paquete de sim ulacin y q ue te n g a s
lidos conocim iento s de estadstica para interpretar los resultados.
neralm ente, cuando el m odelo consta de m s de una variable de decisin, es difcil que
stas alcancen un estado estable al m ism o tiem po: e s posible q ue una se en cu entre esta
ble y la otra no en un m om ento determ inado, po r lo q u e las co nclusio nes respecto de la
segunda variable no sern estadsticam ente confiables.
Variable(s) d e resp u esta mal defnida(s). Aun cuando el m odelo de sim ulacin sea
m u y eficiente y represente la realidad en gran m edida, si la variable de respuesta seleccio
nada no es la apropiada ser im posible tom ar decisiones q u e teng an im pacto en la ope
racin del sistem a bajo estudio.
Por ejem plo, digam os q ue una variable de respuesta es el nivel de inventarios de cier
to producto. Al m ism o tiem po, la poltica de la em presa establece que no se d ebe parar
ninguno de los procesos de fabricacin. En consecuencia, el problem a no ser el inventa
rio final, sino el ritm o de produccin necesario para q ue aquel cum pla con los requ eri
m ientos de diseo q ue se desean.
Errores al establecer las relaciones entre las variables aleatorias. Un error com n de
program acin es olvidar las relaciones lgicas que existen entre las variables aleatorias del
modelo, o m inim izar su im pacto. Si una de estas variables no est definida de m anera c o
rrecta, ciertam ente an es posible ten er un m odelo q ue se apegue a la realidad actu al; sin
em bargo, si el sistem a no se lleva hasta su m xim a capacidad para observar su com por
tam iento, podra resultar im posible visualizar el verdadero im pacto de las deficiencias.
Errores al determ inar el tip o d e distribucin asociado a las variables aleatorias del
m odelo. Este tipo de problem a es m u y sim ilar al anterior, slo q u e e n este caso se utili
zan distribuciones q ue no son las m s adecuadas o que responden nicam ente a un in
tento de sim plificar los estudios estadsticos. Digam os, po r ejem plo, q ue se nos dan los
siguientes parm etros de produccin aproximados: m nim o 10, m xim o 4 0 y prom edio
30. En esta circunstancia la tentaci n de sim plificar el estudio de la variable asignndole
una distribucin triangular co n parm etros (1 0 ,3 0 ,4 0 ) es m u y g rande; no obstante, hacer
lo afectara de m anera im portante los resultados de la sim ulacin, pues el m odelo podra
alejarse de lo q ue sucede e n la realidad.
Falta d e un anlisis esta d stico d e lo s resu ltad o s. Un problem a com n po r el q ue la
sim ulacin suele ser objeto de crtica, radica en asum ir q ue se trata de una herram ienta
de optim izacin. Esta apreciacin es incorrecta, ya q ue involucra variables aleatorias y ca
ractersticas propias de un m odelo q ue incluye probabilidades. Por lo m ism o com o se
apunt antes , es necesario realizar varias corridas a fin de producir diferentes resulta
dos fin ales para las variables de respuesta y, a partir de esos valores, o b tener intervalos de
confianza q ue puedan dar un rango en d nd e encontrar los valores definitivos. Este tipo
de problem as se presentan tam bin al com parar dos escenarios: podram os encontrar un
m ejor resultado para uno de ellos, pero si los intervalos de confianza de las variables de
respuesta se traslapan resultara im posible decir q ue el resultado de un escenario es m e
jo r q ue el del otro. D e hecho, estadsticam ente hablando am bos resultados pueden ser
iguales. En ese caso increm entar el tam ao de co rrida o el nm ero de rplicas pu ed e ayu
dar a obtener m ejores conclusiones.
Uso incorrecto d e la inform acin obtenida. Un problem a que se presenta en ocasio
nes es el uso incorrecto de la inform acin recabada para la realizacin del estudio, ya sea
a travs de un clie n te o de cualesquiera otras fuentes. M uchas veces esta inform acin se
recolecta, analiza y adm inistra de acuerdo con las necesidades propias de la em presa, lo
9
que im plica q ue no siem p re est en el form ato y la presentacin q ue se requ iere para la
sim ulacin. Si la inform acin se utiliza para determ inar los parm etros del m odelo sin ser
depurada y re o rg a n iz a d le s m u y pro bable q ue la precisin de los resultados del estudio
se vea afectada.
Falta o exceso d e d etalle en el m odelo. Otro punto im po rtante a considerar e s el nivel
de detalle del modelo. En m uchas ocasiones algn proceso se sim plifica tanto q ue tiend e
a verse com o una "caja negra"que nos im pide ver qu ocurre e n el interior, aunque s haya
entrada y salida de datos que interactan con otras partes del m odelo. Cuando esto suce
de, el im pacto q ue podran te n e r los subprocesos q ue se llevan a cabo en la "caja negra"
(es decir, del proceso sobresim plificado) no se incluye e n la sim ulacin. Por ejem plo, si se
analiza un sistem a de distribucin y se da por sentado que el alm acn siem pre surte sus
pedidos, no incluirem os el im pacto de los tiem p o s necesarios para su rtir las rdenes, ni la
posibilidad de q u e haya faltantes de pro d u cto ;exclu irem o s tam bin los horarios de co m i
da, en los que no se surten pedidos, y las fallas en los montacargas que transportan los pedi
dos hasta los cam iones para su distribucin. Por otra parte, si el m odelo se hace demasiado
detallado, tanto el tiem po dedicado al estudio com o el costo de llevarlo a cabo podran
increm entarse sustancialm ente. Es labor del encargado de la sim ulacin sugerir y clarifi
car los niveles de detalle q ue se requieren en el modelo, resaltando los alcances y lim ita
ciones de cada uno.
la informacin que se obtuvo en la etapa de definicin del sistema, incluyendo las interrelaciones d e todos los posibles subsistem as que existan en el problem a a m odelar. En caso
de q ue se requiera una anim acin, ste tam bin es un buen m om ento para definir qu
grfico pu ed e representar m ejo r el sistem a que se m odela.
Igual q ue ocurre e n otras ram as de la investigacin de operaciones, la sim ulacin exi
ge ciencia y arte en la g eneraci n de sus m odelos. El re alizad o r de un estud io de sim u
lacin e s,e n este sentido,com o un artista q ue d ebe usar to d a su creatividad para realizar
un buen m odelo q ue refleje la realidad del problem a q ue se est analizando.Conform e se
avanza en el m odelo base se pueden ir incluyendo las variables aleatorias del sistem a, con
sus respectivas distribuciones de probabilidad asociadas.
3. R eco leccin y an lisis d e dato s. De m an era paralela a la generacin del m odelo
base, es posible com en zar la recopilacin de la inform acin estadstica de las variables
aleatorias del m odelo. En esta etapa se d ebe determ inar qu inform acin es til para la
determ inacin de las distribuciones de probabilidad asociadas a cada una de las variables
aleatorias innecesarias para la sim ulacin. A unque en algunos casos se logra co n tar con
datos estadsticos, suele suceder q ue el form ato de alm acenam iento o de generacin de
reportes no es el apropiado para facilitar el estudio. Por ello es m uy im po rtante dedicar el
tiem po suficiente a esta actividad. D e no contar con la inform acin necesaria o en caso de
desconfiar de la q ue se tie n e disponible, ser necesario realizar un estudio estadstico del
com portam iento de la variable q ue se desea identificar, para posteriorm ente incluirla en
el m odelo. El anlisis de los datos necesarios para asociar una distribucin de probabili
dad a una variable aleatoria, as com o las pruebas q ue se d ebe aplicar a los m ism os, se
analizarn m s adelante. Al finalizar la recoleccin y anlisis de datos para tod as las varia
bles del modelo, se tend rn las condiciones necesarias para generar una versin prelim i
nar del problem a q ue se est sim ulando.
4. G eneracin del m odelo prelim inar. En esta etapa se integra la inform acin o b teni
da a partir del anlisis de los datos, los supuestos del m odelo y todos los datos que se re
quieran para ten er un m odelo lo m s cercano posible a la realidad del problem a bajo
estudio. En algunos casos sobre tod o cuando se trata del diseo de un nuevo proceso
o esquem a de trabajo no se cu e n ta con inform acin estadstica, por lo q ue d ebe esti
m arse un rango de variacin o determ inar (con ayuda del cliente) valores constantes que
perm itan realizar el m odelado. Si ste es el caso, el encargado de la sim ulacin puede, con
base en su experiencia, realizar algunas sugerencias de distribuciones de probabilidad
que com nm ente se asocien al tipo de proceso q ue se desea incluir en el m odelo. Al fina
lizar esta etapa el m odelo est listo para su prim era prueba: su verificacin o, e n o tras pa
labras, la com paracin co n la realidad.
5. Verificacin del m odelo. Una vez q ue se han identificado las distrib uciones de pro
babilidad de las variables del m odelo y se han im plantado los supuestos acordados,
es necesario realizar un proceso de verificacin de datos para com probar la propiedad
de la program acin del m odelo, y co m p ro b ar que to d o s los parm etros usados en la
simulacin funcionen correctam ente.Ciertos problem as,en especial aquellos q ue requieren
m uchas operaciones de program acin o q ue involucran distrib uciones de probabilidad
difciles de program ar, pueden ocasionar q ue el com portam iento del sistem a sea m u y di
ferente del q ue se esperaba. Por otro lado, no se d ebe descartar la posibilidad de q ue o cu
rran errores h um ano s al alim entar el m odelo con la inform acin. Incluso podra darse el
11
caso de que los supuestos iniciales hayan cam biado una o varias veces durante el desa
rrollo del modelo. Por lo tanto, debem os asegurarnos de que el m odelo q ue se va a ejecu
tar est basado en los m s actuales.
U na vez q ue se ha com pletado la verificacin, el m odelo est listo para su com para
cin con la realidad del problem a que se est m odelando. A esta etapa se le co no ce ta m
bin co m o validacin del modelo.
6. Validacin del m odelo. El proceso d e validacin del m odelo co n siste e n realizar una
serie de pruebas al m ism o, utilizando inform acin de entrada real para observar su co m
portam iento y analizar sus resultados.
Si el problem a bajo sim ulacin involucra un proceso que se desea m ejorar, el m ode
lo d ebe som eterse a prueba con las co nd icio nes actuales de operacin, lo que nos dar
como resultado un com portam iento sim ilar al q ue se presenta realm ente en nuestro pro
ceso. Por otro lado, si se est diseando un nuevo proceso la validacin resulta m s co m
plicada. Una m anera de validar el m odelo en este caso, consiste en introducir algunos
escenarios sugeridos po r el clien te y validar q ue el com portam iento sea congruente con
las expectativas q ue se tien en de acuerdo con la experiencia. Cualquiera q ue sea la situ a
cin, e s im portante q ue el analista cono zca bien el modelo, de m anera q ue pueda ju stifi
car aquellos com portam ientos q ue sean contrarios a las experiencias de los especialistas
en el proceso q ue participan de su validacin.
7. G eneracin del m odelo final. Una vez q ue el m odelo se ha validado, el analista est
listo para realizar la sim ulacin y estudiar el com portam iento del proceso. En caso de que
se desee com parar escenarios d iferentes para un m ism o problem a, ste ser el m odelo
rar, en tal situacin, el sigu ien te paso es la definicin de los escenarios a analizar.
8. Determ inacin d e los escenarios p ara el anlisis. Tras validar el m odelo es n ecesa
rio acordar co n el cliente los escenarios q ue se quiere analizar. Una m anera m u y sencilla de
determ inarlos consiste en utilizar un escenario pesim ista, uno o ptim ista y uno interm edio
para la variable de respuesta m s im portante. Sin em bargo, es preciso to m ar en cuen ta
que no tod as las variables se com portan igual ante los cam bios en los distintos escen a
rios, po r lo q ue tal vez sea necesario q ue m s de una variable de respuesta se analice b a
jo las perspectivas pesim ista,o p tim ista e interm edia. El riesgo de esta situacin radica en
que el analista podra caer en un diseo de experim entos capaz de generar una gran ca n
tidad de rplicas, lo q ue redundara en un increm ento considerable de costo, anlisis y
tiempo de sim ulacin. Es po r ello q ue m uchos paquetes de sim ulacin cuentan con he
rram ientas para realizar este proceso, elim inando la anim acin y acortando los tiem p o s
de sim ulacin. Estas herram ientas perm iten realizar varias rplicas del m ism o escenario
para obtener resultados con estadsticas im portantes respecto de la to m a de decisiones
(por ejem plo, los intervalos de confianza).
Por su parte, el analista tam bin puede contribuir a la seleccin de escenarios, su g i
riendo aquellos que co nsidere m s im po rtantes; al hacerlo dar pie a q ue se reduzca el
nmero de com binaciones posibles.
9. Anlisis d e sen sib ilid ad . Una vez q ue se obtienen los resultados de los escenarios es
im portante realizar pruebas estadsticas que perm itan com parar los escenarios con los
m ejores resultados finales. Si dos de ellos tienen resultados sim ilares ser necesario co m
parar sus intervalos de confianza respecto de la variable de respuesta final. Si no h ay in
terseccin de intervalos podrem os decir con certeza estadstica q ue los resultados no son
12
iguales; sin em bargo, si los intervalo s se traslapan ser im posible determ inar, estadstica
m ente hablando, que una solucin es m ejo r que otra. Si se desea obtener un escenario
"ganador" en estos casos, ser necesario realizar m s rplicas de cada m odelo y/o incre
m entar el tiem po de sim ulacin de cada corrida. Con ello se busca acortar los intervalos
de confianza de las soluciones finales y, po r consiguiente, in crem en tar la probabilidad de
diferenciar las soluciones.
10. Docum entacin del m odelo, sugerencias y conclusiones. Una vez realizado el
anlisis de los resultados, es necesario efectuar to d a la docum entacin del modelo.
Esta docum entacin es m u y im portante, pues perm itir el uso del m odelo generado
en caso de q ue se requieran ajustes futuros. En ella se deben in cluir los supuestos del m o
delo, las distribuciones asociadas a sus variables, todos sus alcances y lim itaciones y e n ge
neral, la totalidad de las consideraciones de program acin.Tam bin es im po rtante incluir
sugerencias tanto del uso del m odelo com o sobre los resultados obtenidos, co n el prop
sito de realizar un repo rte m s com pleto. Por ltimo, debern presentarse asim ism o las
conclusiones del proyecto de sim ulacin, a partir de las cuales es posible obtener los re
portes ejecu tivo s para la presentacin final.
En la fig ura 1.3 se presenta una grfica de G antt en donde se m uestra, a m anera de
ejem plo, la planificacin de los pasos para realizar una sim ulacin que hem os com entado
en esta seccin.
A c t iv id a d
D o cu m e n taci n fin al
T ie m p o
Figura 1.3
1.6 Problem as
1. D eterm ine los elem entos de cada uno de los siguientes sistemas, de acuerdo co n lo
que se com ent en la seccin 1.2.
a) La sala de em ergencia de un hospital.
b) Un banco m ercantil.
13
c)
d)
e)
f)
2 D eterm ine los elem entos de cada uno de estos sistemas, de acuerdo co n lo q ue se
analiz en la seccin 1.2.
a ) El sistem a de m antenim iento de los equipos de una em presa, llevado a cabo por
una cuadrilla de personas.
b) Un aeropuerto.
c ) Una bodega de distribucin de productos.
d) Una lnea em botelladora de refrescos.
e) Un sistem a de control de trnsito para la ciudad.
f ) Una lnea de arm ado de refrigeradores.
3. D eterm ine cules podran ser las entidades en cada uno de los siguientes sistem as.
a ) Un cajero autom tico.
b) Un sistem a autom tico de inspeccin de botellas.
c ) Una m quina dobladora de lm ina.
d) Un proceso de em paque de televisores.
4. D eterm ine cules podran ser las entidades en cada uno de los siguientes sistem as.
a) Un sistem a de distribucin de paquetera.
b) Un sistem a de cobranza.
c ) Un co nm utado r telefnico.
d) Un departam ento de devolucin de m ercanca.
5. D eterm ine q u atributos podran ser relevantes para la sim ulacin de los siguientes
sistemas.
a) El m aquinado de una fam ilia de engranes.
b) Un proceso de pintura de refrigeradores.
c ) Un sistem a de recepcin de m ateria prima.
d) Un proceso de soldadura para varios productos.
6. D eterm ine q u atributos podran ser relevantes para la sim ulacin de los siguientes
sistemas.
a) Un proceso de em paque de 10 productos po r caja, d ond e cada producto es dife
rente.
b) Un proceso de separacin de 3 productos para enviarlos a sus respectivas reas de
procesamiento.
c) Un sistem a de inspeccin de calidad de piezas m aquinadas.
d) Un sistem a de program acin de m antenim iento q ue califica sus trabajos co m o u r
gentes y no urgentes, adem s de asignarles etiquetas de "Pendiente de asignar"
"Asignado" "En proceso"y"Term inado"
14
7. D eterm ine el prom edio m vil de los nm eros de la tabla siguiente y grafique los pro
medios, llega a estado estable la grfica? En caso afirm ativo, a partir de q u valor se
puede considerar el inicio del estado estable?
0 .5 6 3
0 .2 4 0
0.558
0 .8 0 5
0 .4 1 7
0 .5 4 5
0.549
0 .5 5 9
0 .7 7 2
0 .2 3 3
0 .1 0 2
0.471
0.569
0 .3 8 0
0 .8 2 2
0 .6 8 7
0.710
0 .9 3 5
0 .1 3 9
0 .4 5 4
0 .0 9 5
0 .1 3 6
0.919
0 .1 5 0
0 .1 6 5
0 .9 7 7
0.130
0 .1 1 0
0 .2 5 2
0 .4 4 4
0 .9 5 0
0.941
0.741
0 .9 3 3
0.081
0 .8 3 0
0.457
0 .1 8 6
0 .5 5 0
0 .8 9 3
0 .9 0 3
0 .1 1 3
0.111
0 .8 7 6
0.001
0 .6 2 2
0.461
0 .0 6 9
0 .9 1 6
0 .3 4 8
0 .9 4 2
0 .3 8 0
0.876
0 .5 3 4
0 .6 5 9
0 .8 2 7
0.593
0 .4 2 8
0 .9 1 6
0 .7 3 0
0 .0 9 3
0 .4 6 9
0.574
0 .5 6 2
0.191
0 .2 1 4
0.267
0 .7 8 6
0322
0 .4 7 6
0 .5 5 8
0 .0 8 9
0397
0 .0 1 5
0 .8 6 0
0.961
0.775
0 .0 4 6
0 .1 1 2
0 .7 5 6
0 .4 2 5
0 .7 3 3
0.879
0 .4 4 4
0 .8 8 6
0 .6 3 8
0.661
0 .2 8 9
0 .8 9 0
0 .5 1 3
0 .1 7 8
0.051
0.598
0 .3 2 8
0.041
0 .2 6 7
0.556
0 .8 1 4
0326
0 .7 9 5
0 .2 2 6
0 .1 4 5
0.508
0.611
0 .7 6 0
0 .9 7 9
0.020
0.601
0 .1 4 5
0 .1 2 3
Promedio m vil:
r ,i~ n
I/'
para
n = 1, 2, . . . . , 1 0 0
8. D eterm ine el prom edio m vil de los nm eros de la tabla siguiente y grafique los pro
medios, llega a estado estable la grfica? En caso afirm ativo, a partir de q u valor se
puede considerar el inicio del estado estable?
0 .8 9 9
0 .0 5 3
0.141
0 .2 2 6
0 .5 0 6
0 .5 2 3
0.316
0 .8 7 0
0 .6 1 4
0 .8 4 4
0 .8 7 3
0 .4 0 2
0.823
0 .4 7 6
0 .9 6 9
0 .4 7 2
0.248
0326
0.221
0 .9 4 6
0 .2 0 9
0 .9 2 5
0.873
0 .9 6 5
0 .5 2 5
0 .0 5 5
0.454
0 .5 6 0
0 .7 8 9
0 .0 8 3
0 .0 4 8
0317
0.680
0372
0.821
0 .4 7 4
0.559
0 .8 4 9
0366
0 .8 5 2
0.801
0 .0 4 8
0.721
0 .5 2 5
0363
0 .4 3 3
0.151
0335
0 .6 6 8
0 .5 2 8
0 .9 7 0
0354
0.276
0 .6 3 8
0 .5 2 7
0 .7 7 6
0.285
0 .0 8 4
0 .4 3 8
0 .9 4 2
0.111
0 .8 8 8
0.010
0 .5 2 9
0 .8 5 2
0 .5 3 6
0.704
0 .8 0 4
0 .0 9 5
0329
0 .7 8 4
0 .5 7 0
0.885
0 .1 6 5
0 .0 2 0
0 .2 2 4
0.425
0 .3 0 0
0.801
0.831
0 .9 4 2
0 .8 8 8
0367
0343
0 .7 0 3
0365
0.457
0 .1 1 0
0.891
0320
0 .7 3 4
0 .1 6 5
0.085
0 .9 6 2
0 .6 9 2
0 .1 2 3
0.588
0 .7 3 8
0388
0 .9 8 4
Promedio m vil: rn =
1 n
Y r.
n i- 1
-
para
n = 1 ,2 , ...,1 0 0
9. G en ere en una hoja de clculo 100 nm eros co n la fun ci n x = 3 ln(1 - r), d ond e r
es un nm ero pseudo aleatorio e n tre cero y uno, o btenido a partir de la funcin
ALEATORIO de la hoja de clculo. Suponga q ue estos valores son tiem p o s de proceso
de cierta pieza. D eterm ine un prom edio m vil d e estos valores co n fo rm e se va reali
zando el procesam iento de las piezas, y grafique ese prom edio. El tiem po prom edio
15
16
CAPITULO 2
NMEROS
PSEUDO
ALEATORIOS
2.1
2 .2
2 .2 .2
2 .2 .3
2 .2 .4
Algoritm o lineal
2 .2 .5
2 .2 .6
2 .2 .7
2 .3
2 .4
2 .5
2 .4 .1
Prueba de m edias
2 .4 .2
Prueba de varianza
2 .4 .3
2 .4 .4
Pruebas de independencia
Problem as
17
banco q ue tie n e 5 cajeros e n paralelo, cada uno de los cuales atiende aproxim adam ente
50 clien tes diarios. Para sim ular el tiem p o de atencin se requiere un generador de varia
ble aleatoria en fun ci n de r, po r ejem plo T = 5 + 2 r,expresado m inu to s para to d a i = 1,
2 , 3 , n. (El tem a de generadores de variables aleatorias se presenta en el captulo 3.) Si
sim ulam os el tiem p o de atencin de m anera aislada, es decir, sin considerar el tiem po
transcu rrid o d esd e la llegada d e stos, sern necesario s 5 x 50 = 250 n m e ro s r para
simular un da; si deseram os sim ular 5 das se necesitaran 2 5 0 x 5 = 1 250 r . Ahora bien, si
consideram os el tiem po desde la llegada de los clientes, precisaram os de 250 r para sim u
lar el tiem po transcurrido desde la llegada al banco de los 250 clientes po r da, y 250 x 5 =
1 250 r para sim ular el correspondiente al to tal de clientes atendidos d urante 5 das. Por
lo tanto, se requerirn 2 500 nm eros pseudo aleatorios r para sim ular la operacin del
banco d urante 5 das.
Como se m encion antes, los resultados no pueden basarse en una sola sim ulacin
del sistem a; por el contrario, e s necesario realizar varias rplicas de la m ism a, corriendo ca
da una de ellas con nm eros pseudo aleatorios diferentes. Retom ando el ejem plo del
banco, sim ular 5 das otra vez significa q ue necesitam os otros 2 500 nm eros pseudo
aleatorios en el intervalo (0,1). En consecuencia, se requieren 5 000 r. para realizar la sim u
lacin del sistem a de atencin a clientes con dos rplicas.
El lector podr im aginar cuntos nm eros r sern necesarios para sim ular la opera
cin del banco d urante un ao co n 9 rplicas, o cuntos n m e ro s r se requieren para si
m ular un sistem a productivo d urante un ao, co n varias lneas de produccin, y cada lnea
de produccin co n varias estaciones, y cada estacin con uno o m s procesos.
Dada la im portancia de contar co n un conjunto de r suficientem ente grande, e n es
ta seccin se presentan diferentes algoritm os d eterm instico s para obtenerlo. Por otra
parte, es conveniente sealar q ue el conjunto de r debe ser som etido a una variedad de
pruebas para verificar si los nm eros q ue lo conform an son realm ente independientes y
uniform es. (Las pruebas estadsticas q ue determ inan si un conjunto r tie n e las propieda
des de indep end encia y uniform idad se cu b ren e n la seccin 2.4.) Una v e z generado el
conjunto r m ediante un algoritm o determ instico, es necesario som eterlo a las pruebas
antes m encionadas: si las supera, podr utilizarse en la sim ulacin; de lo contrario, sim ple
m ente deberem os desecharlo.
Un conjunto de r debe seguir una distribucin uniform e continua, la cual est defini
da por:
1,
0s r s 1
0,
f(r ) =
G enerar un conjunto de r es una tarea relativam ente sencilla; para ello, el lector slo tie
ne q ue disear su propio algoritm o de generacin. Lo q ue resulta difcil es disear un al
goritmo q ue genere un conjunto de r con periodo de vida suficientem ente g rand e (N), y
q ue adem s pase sin problem a las p rueb as de uniform idad e independencia, lo cual im
plica evitar problem as com o stos:
Que los nm eros del conjunto r no estn uniform em ente distribuidos,es decir, q ue
haya dem asiados r en un subintervalo y en otro m u y pocos o ninguno.
19
En ocasiones se presentan tam bin anom alas com o nm eros r. seguidos po r arriba
o po r debajo de la m edia; secuencia de r po r arriba de la m edia, seguida de una secu en
cia po r debajo de la m edia, y viceversa, o varios r seguidos en fo rm a ascendente o des
cendente.
A continuacin se presentan diferentes algoritm os d eterm insticos para generar los
r, los cuales se clasifican en algoritm os no congruenciales y congruenciales. Los algorit
mos no co ng ru enciales q ue analizarem os en esta obra son cuadrados m edios, productos
m edios y m ultiplicador constante. E n tre los algoritm os congruenciales se encuentran los
algoritm os congruenciales lineales y los no lineales. En este libro abordarem os los algorit
mos cong ruenciales lineales tales com o algoritm o congruencial lineal, m ultiplicativo y
aditivo , y los algoritm os no lineales, com o el algoritm o de Blum , Blum y Shub, y el cong-uencial cuadrtico.
Solucin:
Y( = (5 735)2 = 32 890 225
X , = 8 902
r , = 0.8902
X2 = 2 456
r2 = 0.2456
Y2 = {2 456)2 = 06031936
X3 = 0319
r3 = 0.0319
X4 = 0176
r4 = 0.0176
X5 = 3 097
r5 = 0.3097
Nota: Si no es posible obtener los D dgitos del centro del nm ero Y, agregue ceros a la iz
quierda del nm ero Y.
Para ilustrar la m ecnica del algoritm o de productos m edios se presenta el siguiente
ejem plo.
Ejem plo 2.2
Generar los prim eros 5 nm eros r a partir de las sem illas X0 = 5 015 y X 1 = 5 734; observe
q ue am bas sem illas tien en D = 4 dgitos.
21
Solucin:
Yq = (5
x 2 = 7 560
r} = 0.7560
Yy = (5
X 3 = 3 490
r2 = 0.3490
Y2 = (7
X4 = 3 844
r3 = 0.3844
X 5 = 4 155
r4 = 0.4155
X6 = 9 718
r5 = 0.9718
Nota: Si no e s posible o b tener los D dgitos del centro del nm ero K , agregue ceros a la
izquierda del nm ero Y.
Para ilustrar la m ecnica del algoritm o de m ultiplicador constante se presenta el si
guiente ejem plo.
Ejem plo 2.3
Generar los prim eros 5 nm eros r. a partir de la sem illa X( = 9 803 y con la co nstante
a = 6 965. O bserve q ue tanto la sem illa com o la co nstante tien en D = 4 dgitos.
Solucin:
22
X , = 2 778
r , = 0.2778
X 2 = 3 487
r2 = 0.3487
X 3 = 2 869
r3 = 0.2869
X4 = 9 825
r4 = 0.9825
X 5 = 4 311
r5 = 0.4311
2 .2 .4 A lg o ritm o lineal
Este algoritm o congruencial fu e propuesto po r D. H .Le h m e r151 en 1951. Segn Law y Kelton(31,e s te algoritm o ha sido el m s usado. El algoritm o congruencial lineal genera una se
cuencia de nm eros enteros po r m edio de la siguiente ecuacin recursiva:
X+} = (aX + c )m o d (m )
/ = 0 ,1 ,2 ,3 ,..., n
i - 1 , 2, 3 , . . . , n
Analice el ejem plo siguiente para com prender m ejo r la m ecnica del algoritm o co n
gruencial lineal.
Ejem plo 2.4
G enerar4 nmeros entre 0 y 1 con los siguientes parmetros:X0 = 37,a = 19 ,c = 33 y m = 100.
Solucin:
X , = (19*37 + 33) m od 100 = 36
r } = 36/99 = 0.3636
X2 = (1 9 *3 6 + 33) m od 1 00 = 17
r 2 = 17/99 = 0.1717
r 3 = 56/99 = 0.5656
r4 = 97/99 = 0.9797
En el ejem plo anterior se colocaron de m anera arbitraria cada uno de los parm etros re
queridos: Xq, a, c ,m .Sin em bargo, para q ue el algoritm o sea capaz d e lograr el m xim o pe
riodo de vida n , es preciso q ue dichos parm etros cum plan ciertas condiciones. Banks,
Carson, Nelson y N ic o l[1] sugieren lo siguiente:
m = 29
a
k
c
g
= 1 + 4k
debe ser entero
relativam ente prim o a m
debe ser entero
m = 23 = 8
o*
II
ON
0 = 1 + 4 ( 3 ) = 13
X^ = (13*6 + 7 ) m od 8 = 5
r} = 5 /7 = 0.714
X2 = (13*5 + 7 ) m od 8 = 0
r2 = 0/7 = 0.000
X3 = (13*0 + 7 ) m od 8 = 7
r3 = 7 /7 = 1.000
X4 = (13*7 + 7 ) m od 8 = 2
r4 = 2/7 = 0.285
X5 = (13*2 + 7 ) m od 8 = 1
r5 = 1/7 = 0.142
Xfi = (13*1 + 7 ) m od 8 = 4
r6 = 4/7 = 0.571
X7 = (1 3 * 4 + 7 ) m od 8 = 3
r? = 3/7 = 0.428
X8 = (13*3 + 7 ) m od 8 = 6
rg = 6/7 = 0.857
m = 23 = 8
X0 = 6
24
X 1 = (12*6 + 7 ) m od 8 = 7
r , = 7 / 7 = 1 .0 0 0
X2 = (12*7 + 7 ) m od 8 = 3
r2 = 3/7 = 0.428
X3 = (12*3 + 7 ) m od 8 = 3
r3 = 3/7 = 0.428
/ = 0 , 1 , 2 , 3 ,. . ., n
En com paracin con el algoritmo congruencial lineal, la ventaja del algoritmo m u lti
plicativo es q ue im plica una operacin m enos a realizar.Los parm etros de arranque de es
te algoritmo son X^ a y m,to d o s los cuales deben ser nm eros enteros y m ayores q ue cero.
Para transform ar los nm eros X en el intervalo (0,1) se usa la ecuacin r. = xf./(m - 1). De
acuerdo con Banks, Carson, Nelson y N ico l111, las condiciones q ue deben cum p lir los par
m etros para q ue el algoritm o congruencial m ultiplicativo alcance su m xim o periodo son:
m = 2g
a = 3 + 8k o a = 5 + 8k
k = 0 , 1 ,2 ,3 ,...
X0 debe ser un nm ero im par
g debe ser entero
A partir de estas co nd icio nes se logra un periodo de vida m xim o N = k/4 = 29"2
m = 32
X0 = 17
X , = (21#17) m od 32 = 5
r, =5/31 = 0 .1 6 1 2
X2 = (21*5) m od 32 = 9
r2 = 9/31 = 0.2903
X3 = (21*9) m od 32 = 29
r3 = 29/31 = 0.9354
X4 = (21*29) m od 32 = 1
r4 = 1/31 = 0.3225
25
Xs = (21*1) m od 32 = 21
r5 =21/31 = 0 .6 7 7 4
X6 = (21 *21) m od 32 = 25
r6 = 25/31 = 0 .8 0 6 4
X7 = (21*25) m od 3 2 = 13
r? = 13/31 = 0.4193
X8 = (21*13) m od 3 2 = 17
rg = 17/31 = 0.5483
Toda vez q ue la sem illa X0 se repite, volvern a generarse los m ism os nm eros. Por lo ta n
to, el periodo de vida e s n = 8 , el cual corresponde a N= m/4 = 32/4 = 8.
q = 28/31 = 0.9032
X2 = (21*28) m od 32 = 12
r2 = 12/31 = 0.3870
En vista de q ue la sem illa X0 se repite, volvern a generarse los m ism os nm eros. Por lo
tanto, el periodo de vida e s N = 2 .
/ = n + 1, n + 2, n + 3 ,...,N
Solucin:
X6 = (X 5 + X1)m o d 100 = (60 + 6 5 )m o d 100 = 34
r , = 34/99 = 0.3434
r 2 = 23/99 = 0.2323
r 3 = 21/99 = 0.2121
r4 = 24/99 = 0.2424
rs = 93/99 = 0.9393
/ = 0 ,1 , 2 , 3 , . . ., N
En este caso, los nm eros r pueden ser generados con la ecuacin r. = x / (m - 1 ). D e acuer
do con L'Ecuyer141, las condiciones q ue deben cum p lir los parm etros m , a , b y c para al
canzar un periodo m xim o de N = m son:
m = 29
a debe ser un nm ero par
c debe ser un nm ero im par
g debe ser entero
(b - 1) m od 4 = 1
D e esta m anera se logra un periodo de vida m xim o N = m.
Solucin:
/ = 0 ,1 ,2 ,3 .........n
azxzb;
en este caso,
a=0
b =1
29
Dados estos resultados podem os decir q ue los nm eros aleatorios entre 0 y 1 deben te n e r
=1
*
o2 =
12
(a)
Figura 2.2
(a) Valores uniformemen
te dispersos y (b) valores
correlacionados
& posible realizar una serie de pruebas para corroborar q ue no existe correlacin entre
los nm eros aleatorios, e incluso para garantizar q ue no exista un sesgo o tend encia en
tre los dgitos de cada uno de ellos. Estas pruebas se revisarn con m s detalle en la si
guiente seccin.
30
2 .4
H0:Mr = 0.5
0.5
La prueba de m edias consiste en determ inar el prom edio de lo s n nm eros q ue c o n
tiene el conjunto r, m ediante la ecuacin siguiente:
Posteriorm ente se calculan los lm ites de aceptacin inferior y superior con las ecu a
ciones siguientes:
0.0449
0.1 7 33
0.5746
0 .0 4 9
0.8 4 06
0.8 3 49
0 .9 2
0.2 5 64
0.6015
0.6 6 94
0.3972
0.7 0 25
0.1 0 55
0.1 2 47
0.1 9 77
0.0 1 25
0.63
0.2531
0.8297
0.6 4 83
0.6 9 72
0.9 5 82
0.9 0 85
0.8 5 24
0.5514
0.0 3 16
03587
0.7041
0.5 9 15
0.2 5 23
0.2 5 45
0.3 0 44
0.0207
0.1 0 67
0.3587
0.1 7 46
0.3 3 62
0.1 5 89
03727
0.4 1 45
40
Z/2(v T 2 n ) ~ 2
Z 05/2(-/l2(40))
L I . = 1 - (1.96) I , 1
\ = 0.410538649
' 2
V l2 (4 0 )j
2 4 .2 Pru eb a d e v a ria n z a |
m = ,='
n -1
Despus se calculan los lm ites de aceptacin inferior y superior con las ecuaciones
siguientes:
2
//
_ ^a/2,n - 1
1 2 (n - 1)
2
LS
= ^ W 2'n_1
12 (n 1)
5 > ,- n 2
V(r) = l='
n- 1
2 ^ - - 43250)2
40-1
X q/2,/ i -1
/W
v{,)
X o.05/2,39
- i2 ( n - 1 ) " lW
'
58.1200541
n i-M io o ic
468
- 0-12418815
Dado q ue el valor de la varianza: V(r) = 0.8695062 est entre los lm ites de acepta
cin, podem os decir q ue no se puede rechazar q ue el conjunto de 4 0 nm eros r tiene una
varianza de 1/12 = 0.08333.
33
34
0.347
0.832
0 .9 6 6
0 .4 7 2
0 .7 9 7
0.101
0 .6 9 6
0 .9 6 6
0 .4 0 4
0.603
0.993
0 37 1
0 .7 2 9
0 .0 6 7
0 .1 8 9
0.977
0 .8 4 3
0 .5 6 2
0 .5 4 9
0.992
0.674
0.628
0 .0 5 5
0 .4 9 4
0 .4 9 4
0.235
0 .1 7 8
0 .7 7 5
0 .7 9 7
0.252
0.426
0.054
0 .0 2 2
0 .7 4 2
0 .6 7 4
0.898
0.641
0 .6 7 4
0.821
0.19
0.46
0.224
0 .9 9
0 .7 8 6
0 .3 9 3
0.461
0.011
0 .9 7 7
0 .2 4 6
0.881
0.189
0.753
0 .7 3
0 .7 9 7
0 .2 9 2
0.876
0 .7 0 7
0 .5 6 2
0 .5 6 2
0.821
0.112
0.191
0 .5 8 4
0347
0 .4 2 6
0.057
0 .8 1 9
0 .3 0 3
0 .4 0 4
0.64
0.37
0314
0.731
0 .7 4 2
0313
0.472
0.641
0 .9 4 4
0.28
0.663
0.909
0.764
0 .9 9 9
0 .3 0 3
0 .7 1 8
0.933
0 .0 5 6
0 .4 1 5
0 .8 1 9
0.444
0.178
0.516
0 .4 3 7
0393
0 .2 6 8
0.123
0 .9 4 5
0527
0 .4 5 9
0.652
2 4 .3 Pru eb as d e un ifo rm id a d |
Antes de proceder, es recom endable crear una tab la sim ilar a la tab la 2.1, e n donde
se resum en los pasos q ue deben llevarse a cabo en la prueba Chi-cuadrada.
Tabla 2.1 Clculos para la prueba Chi-cuadrada
Intervalo
iEr O }2
OT
E =
1 m
[0.00-0.10)
10
0.9
[0.10-0.20)
10
0.1
[0.20-0.30)
10
0.4
[0.30-0.40)
10
0.1
[0.40-0.50)
14
10
1.6
[0.50-0.60)
10
0.9
[0.60-0.70)
11
10
0.1
[0.70-0.80)
14
10
1.6
[0.80-0.90)
10
0.1
[0.90-1.00)
12
10
0.4
10
(E . - o y
El estadstico x \ - 2 r ~~' = 6-2 es m enor al estadstico correspondiente de
D eterm inar los valores de: D+, Dr y D con las siguientes ecuaciones:
D * = m, x
x j{ i --r r,l
.}
1 <
:/<n [n
J
35
D* = m x i r - - - ]
i</<nl
n J
D = m x (D +, D")
3. Determ inar el valor crtico Du/ de acuerdo con la tabla de valores crticos de Kolmogarov-Sm irnov para un grado de confianza a , y segn el tam ao de la m uestra n.
4. Si el valor D es m ayor q ue el valor crtico Dajl, se co ncluye q ue los n m e ro s del c o n
junto r. no siguen una distribucin uniform e; de lo contrario se dice q ue no se ha
detectado diferencia significativa en tre la distribucin de los nm eros del co n ju n
to r y la distribucin uniform e.
0.11
0.13
0.21
0.26
0.65
0.69
0.89
0.97
0 .9 8
Para determ inar los valores de EP,[>- y D es recom endable realizar una tabla com o la
siguiente:
i_
n
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
0.03
0.11
0.13
0.21
0.26
0.65
0.69
0.89
0.97
0.98
/'-1
n
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
0.07
0.09
0.17
0.19
0.24
-0 .0 5
0.01
-0 .0 9
-0 .0 7
0.02
-0 .0 4
0.02
-0 .0 4
0.02
0.02
0.70
0.68
0.98
1.04
0.96
1.04
n
D+
36
10
0.24
D-
1.04
9
10
2 4 .4 Pru eb as d e in d e p e n d en cia | :
Mco
2 _ 16n - 29
a c_
-o ~
90
Co ~ M r
Co
Si el estadstico ZQe s m ayor q ue el valor crtico de Z ^ se co ncluye q ue los nm eros
del conjunto r no son independientes. D e lo contrario no se puede rechazar que el co n
junto de r sea independiente.
Considere el siguiente conjunto r de 21 nm eros:
r = {0 .8 9 ,0 .2 6 ,0 .0 1 ,0 .9 8 ,0 .1 3 ,0 .1 2 ,0 .6 9 ,0 .1 1 ,0 .0 5 ,0 .6 5 ,
0 .2 1 ,0 .0 4 ,0 .0 3 ,0 .1 1 ,0 .0 7 ,0 .9 7 ,0 .2 7 ,0 .1 2 ,0 .9 5 ,0 .0 2 ,0 .0 6 }
La secuencia de unos y ceros se construye de esta m anera: se coloca un cero si el n
mero r es m enor q ue o igual al nm ero r anterior; en caso de ser m ayor que el nm ero r
anterior, se po n e un uno. Considerando la secuencia de los 21 nm eros del conjunto r. que
se dio arriba, la secuencia de unos y ceros es:
S = {0 ,0 ,1 ,0,0 ,1 ,0 ,0 ,1 ,0 ,0,0 ,1 ,0,1 ,0 ,0 ,1,0 ,1 }
37
034
0.83
0.96
0 .4 7
0 .7 9
0.99
0.37
0.72
0 .0 6
0 .1 8
0.67
062
0.05
0 .4 9
0 .5 9
0.42
0.05
0.02
0 .7 4
0 .6 7
0.46
0.22
0.99
0 .7 8
039
0.18
0.75
0.73
0 .7 9
0 .2 9
0.11
0.19
0.58
034
0 .4 2
037
0.31
0.73
0 .7 4
0.21
S = {1 ,1,0,1,1,0,1,0,1,1,0,0,1,1,0,0,0,1,0,0,0,1,0,0,0,1,0,1,0,0,1,1,0,1,0,0,1,1,0}
Obtenindose un valor de CQ = 24, y a = 5% . A continuacin se presentan los clculo s c o
rrespondientes al valor esperado y a la varianza del nm ero de corridas:
_ 2 n - \ _ 2 (4 0 )- 1 .
Mr
26.333
S ,
1 6 (4 0 )- 2 9
6.788
2 4 .4 Pru eb as d e in d ep en d en cia
= 2n0n ,(2 n 0n 1- n )
c
Z =
n * ( n - 1)
C0 - M r
0 .8 0 9
0.042
0.432
0 .5 3 8
0 .2 2 5
0.88
0.688
0.772
0 .0 3 6
0 .8 5 4
0 .3 9 7
0.268
0.821
0 .8 9 7
0 .0 7
0.721
0.087
035
0 .7 7 9
0 .4 8 2
0 .1 3 6
0.855
0.453
0 .1 9 7
0 .4 4 4
0 .7 9 9
0.809
0.691
0 .5 4 5
0 .8 5 7
0 .6 9 2
0.055
0.348
0373
0 .4 3 6
0.29
0.015
0.834
0 .5 9 9
0 .7 2 4
0 .5 6 4
0.709
0.946
0 .7 5 4
0 .6 7 7
0 .1 2 8
0.012
0.498
0 .6
0 .9 1 3
39
+1 =
2 (23) (27)
50
n 2(n - 1 )
2 o= r f
0
c0
(50)2( 5 0 - 1)
= 21 ~ 2 5 3 4 = 1 2484146
12.08542
Tabla 2.3 Prueba pker para nm eros con tre s decim ales
Categora
40
Probabilidad
Ei
0.72
0.72/7
0.27
0.27/7
Tercia (T)
0.01
0.01/7
2 4 .4 Pru eb as d e in d e p e n d en cia | :
Probabilidad
Ei
0.5040
0.5040n
0.4320
0.4320/1
0.0270
0.0270n
Tercia (T)
0.0360
0.0360n
Pker (P)
0.0010
0.0010 n
Tabla 2.5 Prueba pker para nm eros con cinco decim ales
Categora
Probabilidad
Ei
0.3024
0.3024n
0.5040
0.5040/1
0.1080
0.1080/1
0.0090
0.0090n
Tercia (T)
0.0720
0.0720n
Pker (P)
0.0045
0.0045n
Q uintilla (Q)
0.0001
0.0001 n
Las tab las 2.3 a 2.5 presentan la probabilidad esperada para cada una de las categoras de
clasificacin de esta prueba para conjuntos r que contienen n nm eros con 3 ,4 y 5 deci
males.
La prueba pker requiere el estadstico de la distribucin Chi-cuadrada x 2
a 6 para n
m eros con cinco d ecim ales,*^ 4 para nm eros con cuatro decim ales y x 2
a 2 P ara O m e r o s
con tre s decim ales. x 2
Q6 tien e 6 grados de libertad, debido a q ue los nm eros se clasifican
en siete categoras o clases: to d o s diferentes, exactam ente un par, d o s pares, una tercia y
un par, una tercia, pker y quintilla.
El procedim iento de la prueba consiste en:
a) D eterm inar la categora de cada nm ero del co n ju n to r.
b) Contabilizar los nm eros r de la m ism a categora o clase para obtener la frecu en
cia observada (O.).
41
con la ecuacin
(E-O f
.
0.06141
0 .72484
0 .9 4 1 0 7
0 .56766
0.14411
0 .8 7 6 4 8
0 .81792
0 .48999
0 .1 8 5 9 0
0 .06060
0 .11223
0 .6 4 7 9 4
0 .52953
0 .50502
0 .3 0 4 4 4
0 .70688
0 .25357
031555
0 .04127
0 .67347
0 .2 8 1 0 3
0 .99367
0 .44598
0 .7 3 9 9 7
0 .27813
0 .62182
0 .8 2 5 7 8
0 .85923
0 .51483
0 .0 9 0 9 9
Tabla 2.6 Gasificacin de los nm eros de un conjunto r.,d e acuerdo con la prueba pker
42
0.06141
1P
0.72484
1P
0.94107
TD
0.56766
0.14411
TP
0.87648
1P
0.81792
TD
0.48999
0.18590
TD
0.06060
TP
0.11223
2P
0.64794
1P
0.52953
1P
0.50502
2P
0.30444
0.70688
1P
0.25357
1P
0.31555
0.04127
TD
0.67347
1P
0.28103
TD
0.99367
1P
0.44598
1P
0.73997
2P
0.27813
TD
0.62182
1P
0.82578
1P
0.85923
TD
0.51483
TD
0.09099
TP
2 4 .4 Pru eb as d e in d ep en d en cia
Para seguir con la prueba se recom ienda hacer una tabla com o la siguiente:
Categoras
*/
Todos diferentes (TD)
0.12667
12
(0.5040)(30) = 15.12
0.64380
0.01777
Tercia (T )
(0.0720)(30) = 2.16
1.56740
Pker (P)
(0.0045)(30) = 0.135
0.135
Q uintilla (Q)
0.003
El estadstico
27.6033
7 ( - O )2
2- v
= 30.0969 es m ayor q ue el estadstico correspondiente
E:
de la Chi-cuadrada:
56 = 12.59. En consecuencia, se rechaza q ue los nm eros del co n
junto r. son independientes.
2.4.4.4 Prueba d e series
Esta prueba consiste en com parar los nm eros con el propsito de corroborar la in dep en
dencia en tre nm eros consecutivos. Las hiptesis bsicas son:
Independientes
H ,: r ~ D ependientes
Ho:r
La prueba funciona de esta m anera: se inicia creando una grfica de dispersin entre
los nm eros co nsecu tivo s (r., r .+1); posteriorm ente se d ivid e la grfica en m casillas, com o
se m uestra en la fig ura 2.3, siendo m el valor entero m s cercano a V n que perm ita fo rm ar
de preferencia, aunque no necesariam ente, una m atriz cuadrada.
Enseguida se determ ina la frecu encia observada 0 ;., contabilizando el nm ero de
puntos en cada casilla y su correspondiente frecuencia esp erad a f , , d e acuerdo co n E =
(n - 1)/m, dond e n - 1 e s el nm ero total de pares ordenados o p u nto s en la grfica. Se
m (E. - O )2
procede en to n ces a calcular el error o estadstico de prueba A'q =
-----;finalm en te,
si el valor del e rro r es m e n o r q ue o igual al estadstico d e tab las x l m_v n podem os re
chazar la hiptesis de indep end encia entre nm eros consecutivos.
43
Figura 2.3
Grfica de dispersin:
Primer paso de la prueba
de series
0 .8 7 2
0 .9 5 0
0343
0 .0 5 8
0.384
0 .2 1 9
0.041
0.036
0 .2 1 3
0.946
0 .5 7 0
0 .8 4 2
0.706
0 .8 0 9
0.300
0 .6 1 8
0 .1 5 2
0.462
0 .0 0 5
0.203
0.291
0.151
0.596
0 .4 4 3
0.868
0 .9 1 3
0.511
0.586
0 .6 0 8
0.879
Para em pezar, generam os la grfica de dispersin (vea la fig ura 2.4) co n la secuencia de
los 29 pares ordenados (x,y) = (r .,r +1) siguientes:
(^ ,^= (0.872,0.219)
{r2, r j = (0.219,0.570)
(^= (0 .5 7 0 ,0 .6 1 8 )
(r4, rs) = (0.618,0.291)
( r ,; ,^ (0.291,0.913)
(^>=(0.913,0.950)
('28,'29>= (0-203,0.868)
=
44
(0-868,0.879)
2 4 .4 Pru eb as d e in d e p e n d en cia | :
Figura 2.4
Grfica de dispersin
del ejemplo 2.18
En la tabla 2.8 se presenta el resto del procedim iento: se co ntab iliza el nm ero de
puntos en cada casilla 0 ;., y se calcula la frecuencia esperada E de acuerdo con E = 29/9;
en la ltim a colum na se presenta el clculo del estadstico de prueba
m ( E - 0 2 _ 9 ( 3 . 2 2 - Op
E;
3.22
O.
1
3.22
0.015
3.22
0.015
3.22
0.984
3.22
0.015
3.22
2400
3.22
1.530
3.22
0.984
3.22
1.530
3.22
0.462
Total
29
29
7.935
E. - n ~ 1 1
m
9
0 .0 5 ,8
Z 4 .4 .5 Prueba d e huecos
Esta prueba co n siste en com parar los nm eros co n el propsito de verificar el tam ao del
"hueco" q ue e xiste en tre ocurrencias sucesivas de un nm ero. Las hiptesis fu n d am en
tales son:
H0:r . ~ Independientes
H y ~ Dependientes
La prueba se inicia definiendo un intervalo de prueba (a,/3), d ond e (a,/3) e (0,1 ^pos
teriorm ente se co nstru ye una secuencia de u no s y ceros de esta m anera: se asigna un uno
si el r. pertenece al intervalo (a ,/3), y un 0 si no pertenece a dicho intervalo. Por ejem plo, si
se define un intervalo (a,/3) = (0 .6 ,0 .7 ) y se tie n e la m uestra de 10 nm eros
r = {0 .6 7 ,0 .6 2 ,0 .0 5 ,0 .4 9 ,0 .5 9 ,0 .4 2 ,0 .6 4 ,0 .0 6 ,0 .7 4 ,0 .6 7 },
se asignar un uno si el r est entre 0.6 y 0.7; en caso contrario se asignar un cero. Si
guiendo la regla anterior, la secuencia binaria es:
S = { 1 ,1 ,0 ,0 ,0 ,0 ,1 ,0 ,0 ,1 }
El tam ao de hueco / se define com o el nm ero de ceros existentes entre u no s co n
secutivos. En el caso de la secuencia de nuestro ejem plo tenem o s h = 3 huecos, el prim e
ro de tam ao 0, el segundo de tam ao 4 y el tercero de tam ao 2 de acuerdo con:
5 = 1 ^ ,0 0 0 ^ 1 ,0 0 ,1
l
A partir del conjunto anterior se determ ina la frecu encia observada 0 ,co n ta b iliza n
do el nm ero de ocurrencias de cada tam ao de hueco y su correspondiente frecuencia
esperada ,,d e acuerdo con E = [h){3 - a)(1 - Q3 - a ))', donde h es el nm ero total de hue
cas en la m uestra. La frecuencia del ltim o intervalo se pu ed e calcular m ediante la dife
rencia en tre el total y la sum a de las frecu encias esperadas de los intervalos anteriores.
Un resum en de estos clculos se m uestra en la sigu ien te tabla:
Tabla 2.9 Frecuencias observadas y esperadas en la prueba de huecos
46
Tam ao d el
hueco i
Oi
(3)(0.1)(0.9)
0.3
(3)(0.1)(0.9)1
0.27
(3)(0.1)(0.9)2
0.243
(3)(0.1)(0.9)3
0.2187
(3)(0.1)(0.9)4
0.1968
^5
(3)(0.9)5
1.7715
Total
h=3
h=3
h=3
m ( E - o r
= J.
oA
E,
;P r
ltimo, si e ste valor e s m enor q ue o igual al estadstico de tab las X Qjn_ y>no podem os re
chazar la hiptesis de la independencia en tre los nm eros.
Se procede entonces a calcular el error o estadstico de prueba X
0 .9 5 0
0343
0 .0 5 8
0 .3 8 4
0 .2 1 9
0.041
0.036
0 .2 1 3
0 .9 4 6
0 .5 7 0
0 .8 4 2
0.706
0 .8 0 9
0300
0 .6 1 8
0 .1 5 2
0.462
0 .0 0 5
0 .2 0 3
0.291
0.151
0.596
0 .4 4 3
0 .8 6 8
0 .9 1 3
0.511
0.586
0 .6 0 8
0 .8 7 9
Tom ando los nm eros po r rengln (o fila) y teniendo en cuen ta el intervalo (0.8,1.0),
la secuencia de unos y ceros es:
S = { 1 ,1 ,0 ,0 ,0 ,0 ,0 ,0 ,0 ,1 ,0 ,1 ,0 ,1 ,0 ,0 ,0 ,0 ,0 ,0 ,0 ,0 ,0 ,0 ,1 ,1 ,0 ,0 ,0 ,1 }
Calculando los huecos de la m uestra, tenem os:
S = \ 1 ,1 ,0 ,0 ,0 ,0 ,0 ,0 ,0 ,1 ,0 ,1 ,0 ,1 ,0 ,0 ,0 ,0 ,0 ,0 ,0 ,0 ,0 ,0 ,1 ,1 ,0 ,0 ,0 ,1 \
I
10
V '- o j2
E. = [ h m a ))Y
E , = (7)(0^)(0.8)#
1.4
0.2571
1.12
0.6914
0.896
0.896
0.7168
0.1119
0.5734
0.5734
^5
7(0.8)5 = 2.2938
0.0376
Total
h=7
h=7
2.5675
E,
47
Ya q ue el estadstico de prueba
tico de tab las X 2
a Jtl_-\ = A'ooss = ^
cia en tre los nm eros.
2.5 Problem as
1. D eterm ine el ciclo o periodo d e vida de los siguientes generadores congruenciales.
a)
xM = (21xf. + 15) m o d (31) con xQ = 21
b)
x+1 = (13x + 9) m od(128)
con Xq = 7
c) x+] = (17*;) m od(31)
con
*0 = 23
d) xM =(121 + x) m o d (256)
con xQ= 17
e) x/+1 = (21x.+ 1 5 ^ ) m o d (64)
con
* 0 = 21
x 1 = 43
2 Program e en una hoja de clculo la serie congruencial x.+1 = (553 + 121 xy) m od(177)
con x0 = 23, y haga lo q ue se indica.
a) D eterm ine el ciclo o periodo de vida.
b) Realice las pruebas de m edia, varianza y uniform idad.
3. Programe en una hoja de clculo la generacin autom tica de nm eros pseudo aleato
rios con el m todo de cuadrados m edios.G enere una m uestra de 50 nm eros con la se
milla 5 7 35 ,y determ ine con un nivel de aceptacin de 90% si son uniformes entre 0 y 1.
4. Realice las pruebas de m edia, varianza y uniform idad a los 50 nm eros de la tab la si
guiente, co n un nivel de aceptacin de 95 po r ciento.
0.8 7 97
03884
0.6 2 89
0.8 7 50
0.5 9 99
0.8589
0.9 9 96
0.2 4 15
03808
0.9 6 06
0.9 8 48
03469
0.7 9 77
0.5 8 44
0.8 1 47
0.6431
0.7 3 87
0.5 6 13
0.0 3 18
0.7401
0.4 5 57
0.1 5 92
0.8 5 36
0.8 8 46
03410
0.1492
0.8681
0.5291
03188
0.5 9 92
0.9 1 70
0.2 2 04
0.5991
0.5461
0.5 7 39
03254
0.0 8 56
0.2 2 58
0.4 6 03
0.5 0 27
0.8 3 76
0.6 2 35
03681
0.2 0 88
0.1 5 25
0.2006
0.4 7 20
0.4 2 72
0.6 3 60
0.0 9 54
48
0.78
0 .9 8
0 .2 4
0.73
0.43
0.16
0 .7 8
0 .4 7
0.18
0.55
0.04
0 .2 9
0 .6 8
0.77
0.16
0.03
0 .7 9
0 .2 2
037
0.80
0.96
0 .2 6
0.91
0.55
0.75
0.55
0 .6 4
039
0.53
0.45
0.61
0 .1 4
038
0.12
0.40
0.74
0 .7 8
0 .9 8
0.27
0.60
0.43
0 .6 7
0 .6 2
032
0.53
0.54
0 .2 4
0 .2 9
0.18
0.08
0.82
0 .9 4
0 .1 9
0.98
0.41
1.00
0 .7 4
0 .9 2
0.14
0.43
0.83
0 .8 8
0 .1 8
0.21
0.50
0.13
0 .4 3
0 .6 9
0.08
0.12
0.22
0 .5 0
0 .1 6
0.11
0.18
0.89
0 .8 0
0 .4 2
0.29
0.87
0.83
0 .7 9
0 .6 5
0.28
0.78
0.49
036
0 .8 6
0.87
0.64
0.51
0 .0 7
0 .1 8
0.94
0.50
0.22
0 .6 6
0.91
0.48
0.24
7. Utilice la prueba de pker con nivel de aceptacin de 95% para com probar la hipte
sis de q ue los nm eros de la sigu ien te lista son aleatorios.
0.5 6 32
0.2 3 96
0.5 5 83
0.8 0 50
0.4166
0.5 4 54
0.5491
0.5 5 93
0.7 7 25
0.2 3 26
0.1 0 20
0.4 7 08
0.5 6 90
0.3 8 02
0.8224
0.6 8 66
0.7 0 98
0.9 3 52
0.1 3 88
0.4 5 35
0.0 9 45
0.1 3 57
0.9191
0.1 5 03
0.1645
0.9 7 70
0.1301
0.1 1 00
0.2 5 23
0.4 4 39
0.9 4 99
0.9 4 15
0.7 4 13
0.9 3 35
0.0805
0.8 2 95
0.4 5 75
0.1 8 63
0.5 5 04
0.8 9 26
0.9 0 35
0.1 1 33
0.1 1 15
0.8761
0.0007
0.6 2 22
0.4 6 05
0.0 6 88
0.9 1 64
0.3 4 82
0.9 4 19
0.3 8 02
0.8 7 65
0.5 3 40
0.6593
0.8 2 66
0.5 9 32
0.4 2 77
0.9 1 62
0.7 3 00
0.0 9 27
0.4691
0.5 7 36
0.5 6 15
0.1909
0.2 1 43
0.2 6 72
0.7 6 84
03218
0.4 7 65
0.5581
0.0 8 88
0.3 9 69
0.0151
0.8605
0.9 6 15
0.7 7 52
0.0461
0.1 1 22
0.7 5 59
0.4251
0.7 3 27
0.871
0.4 4 45
0.8864
0.6 3 84
0.6 6 07
0.2 8 92
0.8 9 05
0.5 1 26
0.7 1 84
0.0 5 12
0.5 9 82
03277
0.0407
0.2 6 68
0.5 5 57
0.8 1 39
03261
0.7 9 49
0.2 2 63
0.1 4 55
0.5 0 83
0.6 1 06
0.7605
0.9 7 88
0.0 2 04
0.6 0 06
0.1 4 52
0.1 2 34
8. Determ ine, m ediante las pruebas de independencia (corridas arriba y abajo, corridas
arriba y abajo de la m edia, de pker, de series o de huecos) si los 100 nm eros de la
tabla son pseudo aleatorios co n un nivel de aceptacin de 90 po r ciento.
0.78
0 .9 8
0 .2 4
0.73
0.43
0.16
0 .7 8
0 .4 7
0.18
0.55
0.04
0 .2 9
0 .6 8
0.77
0.16
0.03
0 .7 9
0 .2 2
037
0.80
0.96
0 .2 6
0.91
0.55
0.75
0.55
0 .6 4
039
0.53
0.45
0.61
0 .1 4
038
0.12
0.40
0.74
0 .7 8
0 .9 8
0.27
0.60
0.43
0 .6 7
0 .6 2
0.32
0.53
0.54
034
0 .2 9
0.18
0.08
0.82
0 .9 4
0 .1 9
0.98
0.41
1.00
0 .7 4
0 .9 2
0.14
0.43
0.83
0 .8 8
0 .1 8
0.21
0.50
0.13
0 .4 3
0 .6 9
0.08
0.12
0.22
0 .5 0
0 .1 6
0.11
0.18
0.89
0 .8 0
0 .4 2
0.29
0.87
0.83
0 .7 9
0 .6 5
0.28
0.78
0.49
036
0 .8 6
0.87
0.64
0.51
0 .0 7
0 .1 8
0.94
0.50
0.22
0 .6 6
0.91
0.48
0.24
49
9. Abra el directorio telefnico en la prim era pgina de la letra D y seleccio ne los lti
m os 5 dgitos de los prim eros 50 nm eros telefnicos. D eterm ine si esta seleccin es
aleatoria con un nivel de aceptacin de 95% ; utilice para ello las pruebas de corridas
arrib a y abajo, arriba y abajo de la m edia, y pker.
10. D eterm ine co n la prueba de corridas arriba y abajo si los 50 nm eros de la tab la son
independientes con un nivel de aceptacin de 90 po r ciento.
0.6069
0.5 3 16
0.0 5 29
0.4131
0.2991
0.6 8 48
0.8291
0.1 2 33
0.2 4 97
0.9481
0.4411
0.8 1 95
03521
0.8 0 68
0.1 0 62
0.5 3 84
0.9287
0.7 9 54
0.7271
0.5 7 39
0.4029
0.2 5 49
0.1 0 03
0.5 5 23
0.1 8 97
0.8 7 25
0.4439
0.6 0 56
0.8 3 10
0.4 7 09
0.1926
0.0 2 66
0.5 6 96
0.7 5 04
0.8 5 42
0.6 0 45
0.2269
0.7 9 70
03738
0.1 2 84
0.6367
0.9 5 43
0.5 3 85
0.2 5 74
0.2 3 96
0.3 4 68
0.4105
0.5 1 43
0.2 0 14
0.9 9 00
11. D eterm ine, con la prueba de corridas arriba y abajo de la m edia, si los 50 nm eros de
la tabla son independientes co n un nivel de aceptacin de 90 po r ciento.
0.6351
0.0 2 72
0.0 2 27
0.3 8 27
0.0 6 59
0.3 6 83
0.2270
0.7 3 23
0.4 0 88
0.2 1 39
0.4271
0.4 8 55
0.2 0 28
0.1 6 18
0.5 3 36
0.7 3 78
03670
0.6 6 37
0.1 8 64
0.6 7 34
0.9498
0.9 3 23
0.0 2 65
0.4 6 96
0.7 7 30
0.9 6 70
0.7500
0.5 2 59
0.5 2 69
0.5 4 06
0.3641
0.0 3 56
0.2181
0.0 8 66
0.6 0 85
0.4 4 68
0.0539
0.9311
03128
0.1 5 62
0.8559
0.7 2 80
0.7 7 89
0.1 7 46
0.6 6 37
0.0 6 87
0.5494
0.1 5 04
0.8 3 97
0.2 9 95
12. Utilice la prueba de series para determ inar si los 50 nm eros de la tabla son in dep en
dientes con un nivel de aceptacin de 90 po r ciento.
0.5 8 58
0.8 8 63
0.8 3 78
03203
0.4 1 15
0.2 7 10
0.9238
0.1 9 59
0.9 2 68
0.6 7 02
0.6 2 13
0.4 3 60
0.6 2 79
0.8 4 15
0.5 7 86
0.0 5 43
0.3567
0.1 6 55
0.3 3 80
0.8 0 80
0.1931
0.0 8 43
0.9 1 52
0.6 0 93
0.7 5 87
0.4 5 15
03203
0.5 1 39
0.7 0 70
0.9 1 23
0.1 2 42
0.8 8 26
0.9921
0.8 5 23
0.6 7 23
0.8 5 40
0.4722
0.4781
0.2101
0.1 6 80
0.8 6 58
0.4 0 28
0.6 1 36
0.8 7 20
0.1 1 26
0.5 8 57
0.9172
0.8 9 43
0.8 0 95
0.6 4 08
13. G enere en una hoja de clculo 200 nm eros aleatorios en una m ism a colum na, u san
do la fun ci n predeterm inada ALEATORIO (o RAND). Copie estos valores y ubquelos
e n la siguiente co lum na, pero desfasndolos una posicin. Copie el ltim o de los va
lores en el lugar q ue q ued vaco al principio, y haga una grfica de relacin X = Y . Se
observa q ue los datos estn uniform em ente dispersos?
14. O btenga la m edia y la varianza de los datos del problem a 12. Son exactam ente los
m ism os q ue para una distribucin uniform e entre cero y uno? A q u atribuye esta
diferencia?
15. Un m todo m ultiplicativo m ixto genera 19 500 nm eros de 3 dgitos, de los cuales
13 821 tien en todos sus dgitos diferentes, 5 4 64 pares y 215 tercias. Calcule el error
respecto de las frecu encias esperadas bajo la prueba pker.
50
16. Un m todo congruencial genera 71 500 nm eros de 4 dgitos, de los cuales 3 500 se
clasifican com o 2 pares. Calcule el error de e ste evento respecto de su frecu encia es
perada bajo la prueba poker.
17. Al realizar la prueba poker a 50 nm eros aleatorios de 4 dgitos, el resultado del error
total es de 11.07. Aceptara la hiptesis de indep end encia con nivel de aceptacin de
95 por ciento?
18. Al realizar la prueba poker a / c a n tid a d de nm eros aleatorios de 6 dgitos,el resulta
do del error total es de 15.51. Aceptara la hiptesis de independencia con nivel de
aceptacin de 95 po r ciento?
19. Un m todo congruencial genera 357 500 n m e ro s de 6 dgitos, de los cuales 17 500
se clasifican com o 2 pares. Calcule el error de este evento respecto de su frecuencia
esperada bajo la prueba pker.
20. Cules de las aseveraciones siguientes son correctas?
a) La prueba pker requiere nm eros aleatorios de 5 dgitos.
b) Si acepto q ue los nm eros son uniform es (0,1), no necesito hacer la prueba de
m edia = ^ y de varianza =
c) Si acepto la prueba de series los nm eros no co ntienen ciclo s o tend encias.
d) Si acepto la prueba de m edia = - y la de varianza = , entonces los nm eros son
uniform es (0,1).
21. La sigu ien te tabla m uestra los resultados de la prueba de series despus de clasificar
los nm eros en tre 0 y 1.
92
85
90
93
88
98
93
90
96
91
86
88
100
85
84
81
Frecuencia observada
>3
25
Total
40
a = 0.1 des
0.5858
0.8 8 63
0.8 3 78
0.3 2 03
0.4 1 15
0.2 7 10
0.9238
0.1 9 59
0.9 2 68
0.6 7 02
0.6213
0.4 3 60
0.6 2 79
0.8 4 15
0.5 7 86
0.0 5 43
0.3567
0.1 6 55
03380
0.8 0 80
0.1931
0.0 8 43
0.9 1 52
0.6 0 93
0.7 5 87
0.4 5 15
03203
0.5 1 39
0.7 0 70
0.9 1 23
0.1242
0.8 8 26
0.9921
0.8 5 23
0.6 7 23
0.8 5 40
0.4722
0.4781
0.2101
0.1 6 80
0.8658
0.4 0 28
0.6 1 36
0.8 7 20
0.1 1 26
0.5 8 57
0.9172
0.8 9 43
0.8 0 95
0.6 4 08
Referencias
111 Banks, J., Carson, J.S ., N elson, B .L y Nicol, D.M.: Discrete-Event System Sim ulation, 4a. ed. Prentice
Hall, N .J. (2005).
121 Blum, L , Blum , M. y Shub, M.: A Sim ple Unpredictable Pseudo-random Num ber Generator, SIAM J.
Com put, vol. 15, n m . 2: pp. 364-383 (1986).
l3] Law, A. M. y Kelton, W. D.: Sim ulation M odeling and Analysis, 3a. ed., McGraw-Hill (2000).
[4] L'Ecuyer, P.: Uniform Random Number Generation,Ann. O f Operations Research, 5 3:77-120 (1994b).
151 Lehm er, D. H.: Proceedings o fth e Secon d Sym posium on Large-Scale Digital Com puting M achinery,
Harvard University Press, Cam bridge, M A .(1 951).
52
CAPTULO 3
VARIABLES
ALEATORIAS
3.1
3 .2
3 .3
3 .4
3 .3 .1
Prueba Chi-cuadrada
3 .3 .2
3 .3 .3
Prueba de Anderson-Darling
3 .3 .4
3 .4 .2
Mtodo de convolucin
3 .4 .3
3 .4 .4
3 .5
3 .6
Problem as
54
Variables aleatorias discretas. Este tipo de variables deben cum p lir con estos par
metros:
P {x) > 0
cc
l
p' = 1
P (o < x < b) = ^ p i = Pa + . . . + Pb
0.35
0.17
0.00
0 .0
l
1.0
l
2.0
3.0
4 .0
5.0
Figura 3.1
Distribucin de
probabilidad de una
variable aleatoria discreta
P [x )> 0
P {x = a) = 0
co
| f(x ) = 1
-c o
f(x )
0 .0
1.0
Z0
3.0
4 .0
5.0 x1 0'
Figura 3.2
Distribucin de probabilidad
de una variable aleatoria
continua
Por ejem plo, es posible q ue el tiem p o de llegada de cada clie n te a un sistem a tenga
una distribucin de probabilidad m u y sem ejante a una exponencial, o que el tiem po que
le to m a a un operario realizar una serie de tareas se com porte de m anera m u y sim ilar a la
dispersin q ue presenta una distribucin norm al. Sin em bargo, debem os hacer notar que
este tipo de distribuciones tien en sus desventajas, dado q u e el rango de valores posibles
im plica q ue e xiste la posibilidad de te n er tiem p o s infinitos de llegada de clientes o tie m
pos de ensam ble infinitos, situaciones lejanas a la realidad. Por fortuna, es m u y poco pro
bable d e se presenten e ste tipo de eventos, aunque el anal ista d e la sim ulacin d ebe estar
consciente de cm o pueden im pactar valores com o los descritos en los resultados del
modelo. En las siguientes secciones revisarem os algunas herram ientas tiles para lograr
ese objetivo.
3.3.1 Pru eb a C h n cu a d ra d a | :
revisarn los procedim ientos de cada una de estas pruebas, a s com o la form a de realizar
las a travs de S ta t :Fit, una herram ienta com plem entaria d e ProModel.
/=!
14
13
16
16
13
14
17
15
16
13
15
10
15
16
14
12
17
14
12
13
20
17
19
11
12
17
18
20
10
18
15
13
16
24
18
16
18
12
14
20
15
10
13
21
23
15
18
H istogram a
12
A utom viles/h
Figura 3.3
Histograma de frecuencias
de la llegada de automviles
a la gasolinera
x 0 ,1 ,2 ,
i e x p -1 5
p (x ) = ^
x = 0 ,1 ,2 ,
1*;9p-15
= 0 .0 5 1 9
c= ^
i
( f - O , ) 2= (0.9001 - 1)2 + (2 .5 9 2 6 - 2 )2 +
E
0.9001
2 .5 9 2 6
+ (0 .3 0 9 2 - O)2 = , ?8 4 8
0.3092
O,
p [x )
E = 50*p(x)
0-7
0.0180
0.9001
0.0111
8-9
0.0519
2.5926
0.1354
10-11
0.1149
5.7449
0.5300
12-13
10
0.1785
8.9233
0.1299
14-15
11
0.2049
10.2436
0.0559
16-17
10
0.1808
9.0385
0.1023
18-19
0.1264
6.3180
0.0160
20-21
0.0717
3.5837
0.0483
22-23
0.0336
1.6821
0.2766
24-25
0.0133
0.6640
0.1700
25-8
0.0062
0.3092
0.3092
50
1.78481
Total
50
El valor del estadstico de prueba, c = 1.7848, com parado con el valor de tablas crtico,
* 0.05, 11-0-1 = 18.307, indica q ue no podem os rechazar la hiptesis de q ue la variable alea
toria se com porta de acuerdo con una distribucin de Poisson, con una m edia de 15 auto
m viles/hora.
i = 1 ,2 ,3 ,
...,m
1.61
2.16
Z88
0.70
0.44
139
Z15
8.59
736
9.97
7.86
5.49
0.98
4.52
Z12
4 .4 4
0 .8 2
6.96
3.04
2.81
14.39
3.44
9.92
4.38
8.04
Z18
6 .1 9
4.48
9.66
434
1.76
230
5.24
11.65
10.92
1Z16
6 .6 0
0.85
4.82
136
333
6.58
1.45
8.42
3.69
Z44
0 .2 8
1.90
2.89
H istogram a
.a
c
<u
3
n
2-4
4 -6
6 -8
8-10
M inutos/roturas
60
10-12
12-14
14-
Figura 3.4
Histograma de frecuencias
del tiem po entre roturas
n ,-n
n
{a 2 4 ' a 5 0 .......... 1}
dx
F [x ) = 1 - e-[p)a
I
F {x ) = 1
\13B
9)
O.
PO.
POA
PEA
0-2
12
0.24
0.24
0.23526
0.0047
2-4
13
0.26
0.50
0.50247
0.0025
4-6
0.18
0.68
0.70523
0.0252
6-8
0.12
0.80
0.83747
0.0375
8-10
0.12
0.92
0.91559
0.0044
10-12
0.04
0.96
0.95839
0.0016
12-14
0.02
0.98
0.98042
0.0004
14-8
0.02
1.00
0.0000
Total
50
0.0375
\P O A .-P EA .\
61
El valor del estadstico de prueba, c = 0.0375, com parado con el valor de tab la s crtic,D q o 5 50 = 0.1923, indica q ue no podem os rechazar la hiptesis de q ue la variable alea
toria se com porta de acuerdo con una distribucin de W eibull con parm etro de escala
5.19 y parm etro de fo rm a 1.38.
A2 = -
propuesta.
9. D efinir el nivel de significancia de la prueba a ,y d eterm inar su valor crtico ,a ^ v e a
la tab la 3.3).
10. Com parar el estadstico de prueba con el valor crtico. Si el estadstico de prueba es
m enor q ue el valor crtico no se pu ed e rechazar la hiptesis nula.
62
Distribucin
0.1
0 .0 5
0.025
0.001
1.933
2.492
3.070
3.857
Normal
0.632
0.751
0.870
1.029
Exponencial
1.070
1.326
1.587
1.943
0.637
0.757
0.877
1.038
0.563
0.660
0.769
0.906
Parmetros
cono cidos n > 5
D eW eibull
+ s 4 )
Log-logstica
+ *
8.620
9.346
13323
7.112
13.466
5.764
8.974
9.831
10.056
7.445
6.619
9.260
6 .7 7 5
8 .3 0 6
5.633
8.864
13.944
8.952
9.355
10.489
6306
12.685
11.078
6 .9 5 7
9.532
9.192
11.731
11350
14.389
12.553
8.045
9.829
11.804
9.274
12.190
10.270
14.751
9.237
6 .5 1 5
12397
8.453
9.628
13.838
9.935
7.827
9.269
8.690
11.515
8 .5 2 7
H istogram a
n
M inutos/cliente
Figura 3.5
Histograma de frecuencias
del tiempo de servicio
en la florera
7 .8 2 6 6 - 1 0
,
= -1.0867
1 0 .0 5 6 2 - 1 0
z ,=24 = --------- 2---------- = 0 0 2 8 1
A2
n-
n im,
A2
n-
1 30
30 + S (2/ - l ) [ l n P W ( / ,) + ln(1 - PA (/n+1_ ) ]
Ui - 1
Al
30 + 30
4 2 3 9 9 ~ 3 - 1 8 1 2 ] + ( 3 ) [ 4 . 0 6 9 2 - 3 .1 8 1 2 ]+ ...+
(5 9 )[- 0 .0 4 2 4 - 0.0 14 6 ]]
A2
n = 2.825724
Una vez calculado el estadstico de prueba es necesario ajustarlo de acuerdo con la
tabla 3.3. En este caso, com o tenem o s n > 5 no se requ iere ajuste.
64
Finalm ente, al com parar el estadstico de prueba A 2 = 2.825724 con el valor crtico de
la prueba con el nivel de significancia seleccionado, aoos ^ = 2 .492 (vea la tab la 3.3, en
donde se dan los valores crticos de a), se rechaza la hiptesis HQ.
Tabla 3 .4 Clculos de la hiptesis inicial en la prueba de Anderson-Darling
C1
C2
C3
C4
Yi
Y30+\-
2/-,
P E A (Y )
5.63282
13.4663
0 .0 1 4 4 9 6
0.0 4 15
-4 .2 3 3 9
-3 .1 8 1 2
-7.4151
5.76414
13.4663
0 .01709
0.0 1 45
-4 .0 6 9 2
-3 .1 8 1 2
-2 1 .7 5 1 3
5.76414
133229
0 .01709
0.0 4 83
-4 .0 6 9 2
-3.0301
-3 5 .4 9 6 7
6 .95686
126853
0 .0 6 4 0 5 8
0.0 8 97
-2 .7 4 8 0
-2 .4 1 1 4
-3 6 .1 1 5 2
7.11163
12.19
0 .0 7 4 3 4 3
0.1 3 68
-2.5991
-1 .9 8 9 6
-4 1.2 97 7
7.11163
10.2697
11
0 .0 7 4 3 4 3
0.4 4 64
-2.5991
-0 .8 0 6 6
-3 7 .4 6 2 5
7.8266
10.0562
13
0 .1 3 8 5 8 5
0.4 8 88
-1 .9 7 6 3
-0 .7 1 5 8
-3 4 .2 7 3 2
8 .30552
9.93504
15
0.198431
0.5 1 30
-1 .1 6 7 3
-0 .6 6 7 6
-3 4 .5 8 3 6
8 .61959
9.83097
17
0 .2 4 5 0 3 3
0.5 3 37
-1 .4 0 6 4
-0 .6 2 8 0
-3 5 .7 6 7 6
10
8 .86415
9.82943
19
0345033
0.5 3 40
-1 35 51
-0 .6 2 7 4
-3 6 .6 7 5 5
11
8.97359
9.62768
21
0303903
0.5 7 38
-1 .1 9 1 0
-0 .5 5 5 4
-3 6 .6 7 5 5
12
9.1919
9.53164
23
0343089
0.5 9 26
-1 .0 6 9 8
-0 .5 2 3 3
-3 6 .6 3 9 9
13
9.25952
939954
25
0355602
0.6 1 80
-1 .0 3 3 9
-0 .4 8 1 3
-3 7 .8 8 0 3
14
9.26901
934602
27
0357372
0.6 2 82
-1 .0 2 9 0
-0 .4 6 5 0
-4 0.3 36 2
15
9.27425
934602
29
0 .58348
0.6 2 82
-1 .0 2 6 2
-0 .4 6 5 0
-4 3.2 45 0
16
934602
9.27425
31
0371838
0.6 4 17
-0 .9 8 9 3
-0 .4 4 3 7
-4 4.4 23 3
17
9.34602
9.26901
33
0371838
0.6 4 26
-0 .9 8 9 3
-0 .4 4 2 2
-47.2391
18
939954
9.25952
35
0 .3 8 2
0.6 4 44
-0 .9 6 2 3
-0 .4 3 9 4
-4 9.0 62 0
19
9.53164
9.1919
37
0 .4 0 7 4 2 2
0.6 5 69
-0 .8 9 7 9
-0 .4 2 0 2
-48.7701
20
9.62768
8 .97359
39
0.426161
0.6961
-0 .8 5 2 9
-0 .3 6 2 3
-4 7 3 9 30
21
9 .82943
8 .86415
41
0 .4 6 6 0 1 8
0.7 1 50
-0 .7 6 3 5
-0 3355
-4 5.0 61 7
22
9.83097
8 .61959
43
0 .4 6 6 3 2 3
0.7 5 50
-0 .7 6 2 9
-0.2811
-4 4.8 90 2
9.93504
23
C5
C6
L N (C A )
O
L N (C 5 )
C8
(C 3 )*((C 6 )+ C (7 ))
8 .30552
45
0 .4 8 7 0 4 5
0.8 0 16
-0 .7 1 9 4
-0 .2 2 1 2
-4 23 2 63
24
10.0562
7.8266
47
0 .5 1 1 2 1 6
0.8 6 14
-0 .6 7 1 0
-0 .1 4 9 2
-3 8 .5 4 6 7
25
10.2697
7.11163
49
0 .5 5 3 6 3 6
0.9 2 57
-0 .5 9 1 2
-0 .0 7 7 3
-3 2 .7 5 6 5
26
12.19
7.11163
51
0 .8 6 3 2 4 7
0.9 2 57
-0.1471
-0 .0 7 7 3
-1 1 .4 3 9 6
27
12.6853
6 .95686
53
0 .9 1 0 3 0 6
0.9 3 59
-0 .0 9 4 0
-0 .0 6 6 2
-8 .4 8 9 4
28
133229
5.76414
55
0 .9 5 1 6 8 9
0.9 8 29
-0 .0 4 9 5
-0 .0 1 7 2
-3 .6 7 1 5
29
13.4663
5.76414
57
0 .9 5 8 4 6 4
0.9 8 29
-0 .0 4 2 4
-0 .0 1 7 2
-3 .4 0 0 7
30
13.4663
5.63282
59
0 .9 5 8 4 6 4
0.9 8 55
-0 .0 4 2 4
-0 .0 1 4 6
-3 .3 6 4 5
En la tab la 3.5 se presenta el resum en de resultados de cada uno de los pasos del pro
cedim iento; la m odificacin se ve reflejada en los clculos de las probabilidades esp era
das acum uladas. Por ejem plo, para el rengln /' = 7 ten e m o s ahora:
7.8266 - 9.604
^ noo^
= -0.8887
zl=/
. , = -------- o
1 0 .0 5 6 2 -9 .6 0 4
^ 24 = ---------z----------= 0.2261
A l..
30
Al
30 + ^ 2 ( 2' /1
Al
(5 9 )[-0 .0 2 7 1 - 0.0 23 8 ]]
An = 1.3516
U na vez calculado el estadstico de prueba, es necesario ajustarlo de acuerdo con la
tabla 3.3. En e ste caso, com o tenem o s n > 5, no se requiere ajuste.
Por ltim o, al com parar el estadstico de prueba A 2
n = 1.3516 co n el valor crtico con el
nivel de significancia seleccionado, a 00530 = 2.492 (tabla 3.3 de valores crticos d e a ), ve
mos q ue no se pu ed e rechazar la hiptesis HQ.
C2
C4
2m
P E A {Y )
C5
C6
C7
C8
M C 4 )
L N (C 5 )
(Q )* ((C 6 ) + a 7 ) )
*i
5.63282
13.4663
0.02354
0.0 2 67
-3.7491
-3 .6 2 1 8
-7 3709
5.76414
13.4663
0.02743
0.0 2 67
-3.5961
-3 .6 2 1 8
-2 1 .6 5 3 5
5.76414
133229
0.02743
0.0 3 15
-3.5961
-3 .4 5 8 3
-3 5 .2 7 1 8
6 .95686
12.6853
0.09282
0.0 6 17
-2377 1
-2 .7 8 5 4
-3 6 .1 3 7 5
(Contina)
66
7.11163
12.19
0.10634
0.0 9 80
-2.2411
-2 3227
-4 1.0 74 3
03696
-2.2411
-0 .9 9 5 2
-3 5 .5 9 9 7
7.11163
10.2697
11
0.10634
7.8266
10.0562
13
0.18707
0.4 1 06
-1 .6 7 6 3
-0 .8 9 0 2
-3 3 3 6 4 1
830552
9.93504
15
0.25808
0.4 3 43
-1 3545
-0.8341
-3 2 .8 2 8 2
8 .61959
9.83097
17
031128
0.4 5 48
-1.1671
-0 .7 8 7 8
-3 3 .2 3 3 2
10
8 .86415
9.82943
19
035571
0.4551
-1 .0 3 3 6
-0 .7 8 7 2
-34.5951
11
8.97359
9.62768
21
037629
0.4 9 53
-0 .9 7 7 4
-0 .7 0 2 6
-3 5 .2 8 0 2
12
9.1919
9.53164
23
0.41837
0.5 1 44
-0 .8 7 1 4
-0 .6 6 4 7
-3 5 .3 2 9 6
13
9.25952
939954
25
0.43161
0.5 4 07
-0 .8 4 0 2
-0 .6 1 4 8
-3 6 .3 7 6 8
14
9.26901
934602
27
0.43348
0.5 5 13
-0 .8 3 5 9
-0 .5 9 5 4
-3 8 .6 4 6 0
15
9.27425
934602
29
0.43451
0.5 5 13
-0 .8 3 3 5
-0 .5 9 5 4
-4 1 .4 3 9 9
16
9.34602
9.27425
31
0.44867
0.5 6 55
-0 .8 0 1 5
-0.5701
-4 2 .5 1 7 3
17
934602
9.26901
33
0.44867
0.5 6 65
-0 .8 0 1 5
-0 .5 6 8 2
-4 5.2 00 4
18
939954
9.25952
35
0.45927
0.5 6 84
-0.7781
-0 .5 6 5 0
-47.0071
19
9.53164
9.1919
37
0.48556
0.5 8 16
-0 .7 2 2 5
-0 .5 4 1 9
-4 6.7 81 7
20
9.62768
8 .97359
39
0.50471
0.6 2 37
-0 .6 8 3 8
-0.4721
-4 5 .0 7 7 7
21
9.82943
8 .86415
41
0.54486
0.6 4 43
-0 .6 0 7 2
-0 .4 3 9 6
-4 2.9 20 0
22
9.83097
8 .61959
43
0.54516
0.6 8 87
-0 .6 0 6 7
-0 3729
-42.1221
23
9 .93504
830552
45
0.56572
0.7 4 19
-0 .5 6 9 7
-0 .2 9 8 5
-3 9 .0 6 7 7
24
10.0562
7.8266
47
0.58943
0.8 1 29
-0 .5 2 8 6
-0.2071
-3 4 .5 7 8 3
25
10.2697
7.11163
49
0.63037
0.8 9 37
-0 .4 6 1 5
-0 .1 1 2 4
-2 8 .1 2 0 5
26
12.19
7.11163
51
0.90199
0.8 9 37
-0.1031
-0 .1 1 2 4
-1 0 .9 9 4 6
27
12.6853
6 .95686
53
0.93829
0.9 0 72
-0 .0 6 3 7
-0 .0 9 7 4
-8 .5 3 8 5
28
133229
5.76414
55
0.96852
0.9 7 26
-0 .0 3 2 0
-0 .0 2 7 8
-3 .2 8 9 2
29
13.4663
5.76414
57
0.97326
0.9 7 26
-0.0271
-0 .0 2 7 8
-3.1301
30
13.4663
5.63282
59
0.97326
0.9 7 65
-0.0271
-0 .0 2 3 8
-3 .0 0 4 2
______
67
www.prom odPl.com
> lm R u n n p r
Figura 3.6
Pantalla de inicio
de ProModel
Una vez q ue co m ien ce a ejecutarse el com ando Stat: :Fit, haga c lic en el icono de la
hoja en blanco de la barra d e herram ientas Estndar para abrir un nuevo docum ento
(tam bin pu ed e abrir el m en File y hacer c lic en New). Enseguida se desplegar una ven
tana con el nom bre Data Table (vea la fig ura 3.7), en la que deber introducir los datos de
la variable a analizar, ya sea utilizando el teclado o m ediante los com andos Copiar y Pegar
(Copy / Paste) para llevar dichos datos desde otra aplicacin, com o puede ser Excel o el
Bloc de notas de W indow s.
S t a t ::F it - D o c u m e n tl
F ile
E d it
In p u t
S ta b s tK S
i? y
R t
U t ilit ie s
V ie * v
\M ndow
H e lp
D o c u m e n tl: D a ta T a b le
In te rv o ls
P o in is :
Figura 3.7
Introduzca los
datos de la variable
que desea analizar
en esta ventana de
Stat: :Fit
Una vez introducida la inform acin es posible seleccionar una serie de opciones de
anlisis estadstico, e n tre e lla s las de estad stica d escriptiva y las de p rueb as de bondad
de ajuste, de las cuales nos ocuparem os en los siguientes ejem plos.
68
14
13
16
16
13
15
17
15
16
13
15
10
15
16
14
12
17
14
12
13
20
17
19
11
12
17
18
20
10
18
15
13
16
24
18
16
18
12
14
20
15
10
13
21
23
15
18
S t a t ::F it
D o c u i" c r .t 1
& y ( j|l
Documerv
i) e u .
-------------->"a
5
In t e r v a ls :
VVndow Meto
P o in t s :
E l
L .
D o c u m e n t l : D e s c r ip t iv e S ta tis t ic s
50
d e s c rip tiv e
s ta tis tic s
14
d a t a p o in ts
50
7.
m n im u m
7.
13.
m x im u m
24.
16.
m ean
1 5 .0 4
16.
m e d ia n
15.
13.
m odc
13.
14.
s ta n d a rd
17
v a ria n c e
1 3 .1 4 1 2
15.
c o c ttic ie n t o f v a r ia tio n
2 4 .1 0 2 9
0 .1 3 4 6 5 1
9
10
16
sk e w n e ss
111
13.
k u r t o s is
12
15.
13
10.
1 4 ____________ 1 L.
d e v ia t io n
3 .6 2 5 0 8
0 .1 2 1 9 8 2
Figura 3.8
Ventana de
resultados
estadsticos
de Stat: :Fit
Auto::Fit
c o n in u o u s d is trib u to r a
d is c r e t e d s t r f o u t o n s
T h e D is tr ib u to r ) I s
OK
l o v -e r b o u r d
Cancel
Hefc
Figura 3.9
Este cuadro de dilogo
permite seleccionar el tipo
de variable aleatoria
Haga clic en el botn OK para que el proceso de ajuste se lleve a cabo. El resultado se
desplegar en la ventana A utom atic Fitting, dond e se describen las distrib uciones de
probabilidad analizadas, su posicin de acuerdo con el ajuste, y si los datos siguen o no al
guna de las distribuciones. En la fig ura 3.10 se observa el resultado del an lisis de ajuste
del ejem plo, el cual nos indica q ue no se pu ed e rechazar la hiptesis de q ue los datos pro
vengan de cualq uiera de dos distribuciones, Binom ial, co n N = 104 y p = 0.145, o de Poisson, con m edia 15.0 (esta ltim a coincide con el resultado que obtuvim os en el ejem plo
3.1 m ediante la prueba de bondad de ajuste Chi-cuadrada).
A u t o ::F l o f D is trib u t io n s
d is t rib u t io n
ra n k
a c c c p ta n c c
d o n o t n je c t
d o n o t r e jc c t
Figura 3.10
Ventana de
resultados
del anlisis de la
variable aleatoria
Haga clic con el ratn en cualquiera de las dos distrib uciones (vea la fig ura 3.10); e n
seguida se desplegar el h isto g ram aq u e se ilustra en la fig ura 3.11, presentndole un histogram a: las barras azules representan la frecuencia observada de los datos; la lnea roja
indica la frecu encia esperada de la distribucin terica.
70
El form ato del histogram a puede ser m odificado m ediante el com ando Graphics
sty le del m en Graphics (esta o pci n solam ente est disponible cuando se tie n e activa
la ventana Com parison G raph; vea la fig ura 3.11).
Figura 3.11
Histog ramas
terico y real de la
variable aleatoria
9.400
& 620
9346
13323
7.112
13.466
5.764
8 .9 7 4
9.831
10.056
7.445
6 .6 1 9
9.260
6.775
8.306
5.633
8 .8 6 4
13.944
8.952
9355
10.489
6 .3 0 6
12.685
11.078
6.957
9.532
9.192
11.731
11350
14.389
12353
8 .0 4 5
9.829
11.804
9.274
12.190
10.270
14.751
9.237
6.515
12397
8 .4 5 3
9.628
13.838
9.935
7.827
9.269
8 .6 9 0
11315
8.527
71
O o c u m e m : D e w il p ll v e S t* 0
d e r.c n p t v e s t a l i s b "
I O o m m u n l/ : A u tc m a tlc f llt ln g
n iin im u m
5 .6 3 3
m x im u m
1 4 .7 5 1
m ean
H ./ 8 6 0 ?
m e d ia n
0 .3 5 0 5
m ode
9 .1 3 2
A u t o ::F it o l D is tr ib u t io n s
d lo t r ib u lio n
ra n k
c c e p la n c c
2 .3 2 6 7 4
L o g n o r m a l| -3 .1 . 2 .5 4 .0 .1 7 9 )
100
d a n o l re|e cl
v o ilo n c c
6 .4 1 3 / 2
T r i a n g u l a r l o . 1 5 . 5 . 9 .2 1 |
5 7 .2
d o n a l irje c t
c o e lt ic ie n l o f v a iia lio n
2 3 .7 / 6 2
N o i m a l ( 0 . / 0 . 2 .3 |
3 6 .7
sk rw n rs s
0 .3 2 2 5 3
U n H o r m | 5 . 6 3 . 1 4 .8 )
1 .2
d o n o l r e je c l
E x p o n e n t i a l | 5 . 6 3 . 4 .1 5 )
1 .6 3 e -0 0 2
r e je c l
s ta n d a rd d e v ia b a n
k u rt o s lt
3 .4
0 .6 7 2 2 4 1 j
d o n o l ic je c l
Figura 3.12
Resumen
del anlisis de
la variable
aleatoria del
ejemplo 3.5
Mtodo
Mtodo
Mtodo
Mtodo
Mtodo
de la transfo rm ad a inversa.
de convolucin.
de com posicin.
de la transform acin directa.
de aceptacin y rechazo.
En las siguientes secciones se describirn los prim eros cuatro m todos;el lector intere
sado en el mtodo de aceptacin y rechazo puede consultar la bibliografa recomendada.
72
El mtodo de la transfo rm ad a inversa tam bin pu ed e em plearse para sim ular varia
bles aleatorias de tipo discreto, com o en las distribuciones de Poisson, de Bernoulli, binom ial, geom trica, discreta general, etc. La generacin se lleva a cabo a travs de la
probabilidad acum ulada P{x) y la generacin de nm eros pseudoaleatorios r ~ U[0 ,1 ). El
mtodo consiste en:
1. Calcular to d o s los valores de la distribucin de probabilidad p {x ) de la variable a
modelar.
2. Calcular to d o s los valores de la distribucin acum ulada P {x).
3. G enerar nm eros pseudoaleatorios r ~ U{0 ,1 ).
4. Com parar con el valor de P{x) y determ inar q u valor de x corresponde a P {x).
En la fig ura 3.13 se m uestra grficam ente la m etodologa para g en erar variables alea
torias continuas:
Figura 3.13
Por su parte, la fig ura 3.14 m uestra de m anera grfica la m etodologa para generar
variables aleatorias discretas.
D istribucin d e probabilidad
p(x)
D istribucin acu m u la d a
PM
1.2
n n n
0.8
r , ----------------------------------
0.6
0.4
0 .2
0 . i l . . . .
\J
I
0 1
.I . . I . . I . . I . . I . .
4 5 6 7 8
______________________
Figura 3.14
Distribucin uniform e
A partir de la funcin de densidad de las variables aleatorias uniform es en tre a y b,
f[x ) = ^ a < x < b
b- a
se o b tien e la funcin acum ulada
F(x) = -r^ d x
J b - a
b- a
a< x< b
x. = o + (b-a)F(x).
x = o + (b - o )r .
Tem peratura C
0.48
97.40
0.82
99.10
0.69
98.45
0.67
98.35
0.00
95.00
Distribucin exponencial
A partir de la fun ci n de densidad de las variables aleatorias exponenciales co n m edia
1/A,
f{x ) = Ae_Ax
para
x> 0
1 - e_A'
para
x >0
x = ~ \
ln(1 -r)
Cliente
-
0.64
3.06
0.83
5.31
0.03
0.09
0.50
207
0.21
0.70
Distribucin d e Bernoulli
A partir de la distribucin de probabilidad de las variables aleatorias de Bernoulli con m edia
p (x ) = p V - p ) ' - x
para
x = 0,1
P(X)
1-p
P(X)
1-p
75
*/ =
si
r . e ( 0 ,1 - p )
x =0
si
r e (1 - p , 1)
x= 1
para
x = 0,1
P(X)
0.8
0.2
P[X)
0.8
r e ( 0 - 0 ,8 )
x= 0
si
r. e ( 0 .8 - 1 )
x =1
*/ =
Con una lista de nmeros pseudoaleatorios r ~ l/(0 ,1) y la regla anteriores posible sim u
lar el comportam iento de las fallas de la m quina a lo largo del tiempo, considerando que:
76
Da
*/
Evento:
la m quina
0.453
no falla
0.823
falla
0.034
no falla
0.503
no falla
0.891
falla
p<x) = ^ x T
para
7xe~2
p { x ) =
para
x = 0 , 1 ,2 ,3 ,...
p (x )
P [x )
0.1353
0.1353
0.2706
0.4060
0.2706
0.6766
0.1804
0.8571
0.0902
0.9473
0.0360
0.9834
0.0120
0.9954
0.0034
0.9989
0.0008
0.9997
0.0001
0.9999
0.00003
0.9999
10
si
si
si
si
si
si
si
si
si
si
'/ 6
'i6
r/ e
'/ 6
r e
r/ e
'/ 6
ri e
ri e
f; e
(0 - 0 .1 3 5 3 )
(0 .1 3 5 3 -0 .4 0 6 0 )
(0.4060 - 0.6766)
(0 .6 7 6 6 -0 .8 5 7 2 )
(0.8571 - 0 .9 4 7 3 )
(0.9473 - 0.9834)
(0 .9 8 3 4 -0 .9 9 5 4 )
(0 .9 9 5 4 -0 .9 9 8 9 )
(0 .9 9 8 9 -0 .9 9 9 7 )
(0.9997 - 0.9999)
77
Plezas/h
0.6754
0.0234
0.7892
0.5134
0.3331
D em anda
p {x )
P [x )
0.1111
0.1111
0.2222
0.3333
0.3333
0.6666
0.3333
si
si
si
si
' i 6 (0 - 0 .1 1 1 1 )
ri e (0.1111 - 0 .3 3 3 3 )
ri G (0.3333 - 0.6666)
(0 .6 6 6 6 - 1)
Con una lista de n m e ro s pseud o aleato rio s r ~ U{0 ,1 ) y la regla a n te rio r es posible
sim ular la dem anda diaria de cepillos dentales, tal com o se m uestra en la tab la 3.13.
78
1 4 .2 M to d o d e co n v o lu ci n |
D a
D em anda
diaria
,
0.213
0.345
0.021
0.987
0.543
ln(1 - r *)
. . . (1 - '* ) ) ]
y = - [ |n ( ( 1 - ' , ) ( 1 - ' 2 ) -
( 1 - '* ) ) ]
In lld - r ,.)
1=1
Ejem plo 3.11
El tiem p o de proceso de cierta pieza sigue una distribucin 3-Erlang con m edia 1/A de 8
m inutos/pieza. Una lista de nm eros pseudoaleatorios r ~ U{0 ,1 ) y la ecuacin de gene79
racin de nm eros Erlang perm ite o b tener la tabla 3.14, q ue indica el com portam iento de
la variable aleatoria.
y=F/?. = _ f
/= 1
y = - f l n [ ( 1 -/ ,)(!- / ^ ( I - r * ) ]
Tabla 3 .1 4 Sim ulacin del tiem p o de proceso para el ejem plo 3.11
Pieza
Tiem po d e proceso
(min/pza)
1 - '/
0.28
1 - '/
0.52
0.64
6.328
0.96
0.37
0.83
3.257
0.04
0.12
0.03
23.588
0.35
0.44
0.50
6.837
0.77
0.09
0.21
11.279
Distribucin norm al
La variable aleatoria norm al co n m edia //, y desviacin estndar a puede generarse u san
do el teorem a del lm ite central:
Y = X , + X2 + . . . + X k ~ N i k ^ k r f
Al su stituir X. por nm eros pseudoaleatorios r, se obtiene:
V' = r 1 + r2 + . . . + rk~ N[k \ ' k j
Y = r } + r2 + . . . + ru ~ N^y >
~M 6, ^
Y = Z = (r1 + r 2 + . . . + r u ) - 6 ~ N (0 ,1)
12
x-ix
N (0 ,1)
x= N t=
80
(r) - 6
a+
1 4 .2 M to d o d e co n v o lu ci n |
- e (T+ fA
7=1
N; =
(0 .4)+ 12
Volum en
(onzas)
6.21
& - 6
/=1
0.21
5.34
-0 .6 6
11.736
6.03
0.03
12.012
6.97
0.97
12.038
4.81
-1 .1 9
11.524
Botella
/=1
12.084
si
r. e (0 - 0.97)
si
r e (0 .9 7 - 1 )
BE ,.=
B = 6 f 1 + BE2 + . . . + BES
81
Tabla 3.16 Sim ulacin del sistem a de inspeccin del ejem plo 3.13
Lote
Piezas
defectuosas
ri
0.49
i
0
r2
0.32
BE2
0
r3
0.15
B E3
0
,
0.01
B
0
0.45
s
0
0.11
0.85
0.93
0.99
0.61
0.57
0.92
0.84
0.74
0.82
0.62
0.01
0.68
0.98
0.99
0.34
0.98
0.99
0.02
0.98
f(x)lA(x)
donde:
si
1
si
$ A
82
3.4.3 M to d o d e co m p o sici n |
Distribucin triangular
A partir de la fun ci n de densidad triangular
2 {x - o )
(6 - a ) ( c - a)
a< x< c
f(x ) =
2 (6 - x )
(6 - a ) { b - c )
c < x < ,b
rc
2( x - 0 )
Ja (6 - a ) ( c - a ) dX
pM =
rb
2 (6 - x )
Jc(6-o)(6(c - a )
c ) dX
a < x< c
(6 - a )
pM =
(b-c)
(6 - a)
c< x< b
Ya q ue los segm entos po r separado no son fun cio nes de densidad, se ajustan divi
diendo por su correspondiente p {x).
2 (x a )
(b a )
2 (x - a )
(6 - o )(c -
a ) (c - a )
(c - a ) 2
2(6 - x )
(6 - a )
2 (6 - x )
a< x< c
f(x ) =
(6 - a )(b -
c< x< b
c ) ( 6 ^ 7 ) (6 - c )
f(X)=
>c^
bM
83
donde:
0
si
x e A
si
* A
/(*>=
Prim ero integram os para aplicar el m todo de la transform ada inversa a cada seg
mento de la funcin:
2 { X ~ ) d x = { x ~ 0)2
a< x< c
c - o ) 2
F(x) =
(b
(b
- c )2
dx= 1 -
x y
C < X < b
a + (c - a ) V r
x=
b
(b - c ) V r ^
51
x=
b = )
(c - a )
b
( b
- c)
51
'l*
(b - a )
x=
b
(,b - c ) V w
{b = 7 T )
(c - q)
;
si
' j *
( b - a )
si
5 + (5 ) V )
X =
20
( io ) V T ^ .
SI
ri
0.231
r/
0.456
0.421
r . < 0.33
x =20- 1 0 V l- r /
si
j > 0.33
8.37
0 .967
18.18
0.853
0 .982
18.65
0.048
0.134
6.83
0.675
0.536
13.18
Figura 3.15
Generacin de variables
aleatorias z ~ N(0,1)
V z]
+ z \ sen 0
85
La sum a de v variables aleatorias norm ales estndar sigue una distribucin Chi-cua
drada con v grados de libertad:
z 2 = V * v = 2sen 6
La funcin de densidad de una variable aleatoria Chi-cuadrada con 2 grad os de li
bertad es la m ism a de una distribucin exponencial co n m edia igual a 2. En co n secu e n
cia, usando la ecuacin obtenida po r el m todo de la transfo rm ad a inversa para generar
variables aleatorias exponenciales, y sustituyndola en la ecuacin anterior se obtiene:
z 2 = V - 2 ln (1 - rf-)sen 6
Se generan valores aleatorios uniform es del ngulo 6 entre 0 y 2 k m ediante el m to
do de la transform ada inversa:
0= a + b { b - a)r.
0 = (2 jr)rj
Y sustituyendo obtenem os:
z 2 = V - 2 ln (1 - r/)sen(27rr.)
Para cualquier variable aleatoria norm al N,
= N -x
(T
Al despejar N y sustituir el valor de z previam ente desarrollado, se llega a la expresin
final para la generacin de variables aleatorias norm ales:
N = [ ( V - 2ln(1 - r) )s e n (2 jn p ]c r+ /t
Este procedim iento iniciarse tam bin a travs de la generacin de la variable aleato
ria z v lo cual d ar lugar a la ecuacin final
N. = [ ( V - 2 l n ( 1 - r) )cos(2Trrj )]<r+ /x
Cualquiera de las dos ltim as ecuaciones pueden utilizarse para resolver el ejem plo
3.12, en d ond e el generador de variables aleatorias q u e sim ulan el volum en de las bote
llas sera:
N = [ ( V - 2 ln (1 - r ) )se n (2 irjj)](0 .4 ) + 12
86
[( V - 2ln(1 -
Generador
Parm etros
Uniform e
U. = a + ( b - a)r
a = Lm ite inferior de la
distribucin uniform e.
b = Lm ite superior de la
distribucin uniform e,
r = Nm ero aleatorio con
distribucin uniform e
e n tre 0 y 1.
U,
Triangular
a + V ( b - a ) ( c - a)r
T,
(c - a )
S'
T ,=
b - V ( b - a )(b - c ) ( 1 - r)
ic ~ a )
51
Triangular
a + (c - a ) V r
T>
(c - a )
51
T = {
b -
(b - c ) V 1 - r
ic ~ a )
51 0 >
a = Lm ite inferior
de la distribucin
triangular.
c = Moda de la
distribucin
triangular.
b = Lm ite superior
de la distribucin
triangular.
a = Lm ite inferior
de la distribucin
triangular.
c = M oda de la
distribucin
triangular.
b = Lm ite superior
de la distribucin
triangular.
{b-a)
(Contina)
87
Generador
Parm etros
Z - Nm eros
aleatorios con
distribucin normal
estndar.
n = G rados de
libertad.
X1
Erlang
ER,
1/A = Valor
esperado.
k = Parmetro de
form a.
Normal
= M edia de la
distribucin normal
< j- Desviacin
estndar d e la
distribucin
normal.
N,
N .= [(V - 2 ln ( 1 - r) ]cos{2irr.)\<r+ /t
" = [( V - 2 l n ( 1 - r) )sen(2jTr.)\a+/x
Normal
",
12
N= y f ) - 6
o -+ n
Exponencial
f/
W eibull
W;
Gamm a
G/
E, = - J l n ( 1 - r , )
W i= r + ^ V - ln ( 1 - r ;)
G, = - I n l l O - r.)
KA i=\
/ = M edia de la
distribucin
normal.
a = Desviacin
estndar d e la
distribucin norm al.
1/A = M edia de la
distribucin
exponencial.
P = Parmetro d e escala.
a = Parmetro de form a.
y = Parm etro de
localizacin.
1/A = Valor esperado.
k - Parm etro de
form a.
(Contina)
88
G en erad or
Lognormal
LN.
Parm etros
//, = Valor esperado.
a 2 = Varianza.
LN = en
dnele:
w
*-(^-H,n(i+?)r+
('" V
si
r e (0,1 - p )
x =0
Lsi
r e (1 - p , 1)
x= 1
Bi
Poisson
p,
-03
II
Binomial
J*
BE.=
M *
Bernoulli
BE,
+o J
Inicializacin.
H acer N = 0 , T = \ y generar un aleato
rio rr
Paso /: Calcular T ' = (T)[r)
p = Probabilidad
de o cu rren cia del
evento x = 1.
1 - p = Probabilidad de
ocurrencia del evento.
BEj - Nm eros
aleatorios con
distribucin de Bernoulli.
N = Nm ero del
evento m xim o de
la distribucin
binom ial.
p = Probabilidad
de xito de la
distribucin binom ial
que se involucra al
generar los Bernoulli.
A = Media de la
distribucin d e Poisson.
N = Contador.
T = Contador.
89
3.6 Problem as
1. Utilice la prueba Chi-cuadrada para determ inar, con un nivel de confianza de 90%,
qu tipo de distribucin siguen los datos.
1 7 .3 9 2
8 .1 1 0
4 .0 7 8
3 .1 5 1
3 .5 2 8
2 .4 4 0
5 .9 2 4
3 .4 6 1
2 .0 5 2
1 0 .3 6 9
3 .6 9 0
1 0 .8 7 0
4 .7 9 3
2 .4 9 8
0 .5 6 9
8 .2 8 1
0 .1 5 4
5 .9 5 9
3 .3 8 4
1 2 .8 7 7
1 3 .6 0 2
5 .2 4 4
1 6 .6 7 7
5 .9 7 7
4 .3 1 3
4 .7 6 7
2 .3 8 1
6 .4 4 3
1 .3 9 2
1 .5 7 8
8 .1 1 5
4 .8 9 1
6 .7 2 0
7 .7 2 8
2 .7 1 7
1 0 .4 5 1
5 .9 0 1
0 .8 1 8
7 .0 8 8
2 .6 3 7
4 .7 1 4
3 .0 3 2
1 .4 9 5
1 5 .7 3 3
7 .7 6 8
2 .3 3 3
7 .8 2 2
3 .7 0 8
6 .4 1 2
1 .2 9 0
3 .9 5 7
5 .2 8 5
7 .0 9 4
3 .0 7 8
1 .2 6 4
2 .6 3 0
1 0 .1 7 7
2 .1 5 5
2 .9 4 5
7 .5 5 2
1 1 .0 9 4
4 .7 7 2
7 .2 8 1
1 4 .3 4 4
1 9 .8 6 7
0 .1 1 9
2 .0 7 2
1 .4 8 6
3 .7 9 1
4 .2 1 4
1 .6 1 1
1 .7 8 1
1 .5 3 0
3 .2 8 0
4 .3 0 1
0 .2 0 2
7 .4 8 9
1 .4 2 2
1 .4 5 3
0 .0 2 2
6 .0 0 1
9 .2 6 9
8 .4 7 7
3 .0 4 3
0 .8 7 7
6 .9 6 6
2 .1 0 3
1 .8 1 6
0 .4 3 3
2 .5 4 7
0 .8 4 3
1 .1 8 2
8 .1 2 1
2 .0 0 7
1 .3 9 5
4 .6 6 1
7 .3 7 8
5 .3 0 0
1 7 .0 6 6
1 2 .1 7 1
1 8 .7 9 9
1 4 .8 8 9
2 0 .9 7 7
2 5 .1 0 6
2 4 .7 9 3
2 6 .9 3 3
1 1 .2 6 6
1 9 .0 6 3
2 4 .3 8 0
1 5 .6 5 3
1 7 .2 3 9
1 3 .2 3 8
1 2 .6 1 2
1 6 .0 8 9
1 6 .9 0 6
1 1 .5 2 8
1 7 .7 2 8
1 8 .3 8 4
2 0 .5 3 9
1 8 .5 3 8
1 8 .6 9 2
1 8 .5 1 9
2 5 .3 7 1
1 9 .6 5 9
1 9 .2 5 5
1 7 .9 4 7
2 7 .8 8 9
2 3 .4 6 3
2 9 .5 0 3
1 7 .3 8 0
2 6 .6 4 6
1 3 .5 5 0
2 2 .1 5 6
2 3 .6 0 9
2 7 .6 7 6
1 9 .6 6 2
1 7 .9 0 5
2 2 .7 0 1
1 8 .4 7 5
2 3 .0 3 0
1 4 .2 2 3
1 6 .6 1 1
1 3 .9 1 4
1 8 .5 4 8
1 9 .8 7 0
2 0 .1 1 2
1 8 .7 0 9
2 8 .7 7 8
1 3 .0 3 0
1 7 .0 5 4
9 .6 9 0
2 5 .7 9 1
1 4 .8 8 1
1 7 .3 8 6
2 3 .0 3 1
2 1 .8 6 7
2 3 .4 9 8
2 2 .3 8 3
1 4 .5 1 3
1 5 .5 3 7
2 2 .7 7 6
2 1 .2 9 1
1 6 .2 4 1
1 9 .0 3 6
2 0 .5 2 6
2 2 .2 3 1
2 0 .5 5 5
1 6 .3 5 6
2 7 .5 3 9
2 1 .9 4 9
2 0 .2 8 9
2 3 .3 1 9
2 3 .4 4 8
1 7 .4 5 4
1 6 .3 0 7
2 4 .4 4 5
1 5 .1 9 5
1 3 .7 6 4
2 2 .8 4 5
2 2 .5 5 4
2 B .8 2 3
2 5 .7 7 5
2 5 .2 1 6
2 0 .4 5 2
2 0 .0 0 8
2 1 .8 1 5
1 9 .8 9 8
1 5 .7 8 1
1 2 .9 0 1
2 3 .3 1 3
2 1 .7 7 7
2 2 .4 7 2
2 0 .8 5 4
1 5 .8 9 2
2 4 .9 5 3
1 8 .7 5 5
1 6 .6 4 0
1 6 .7 1 5
1 8 .2 8 4
1 8 .1 8 7
90
1 2 .6 5 6
1 1 .6 6 4
1 1 .8 5 5
1 1 .3 9 9
1 1 .8 4 5
9 .7 6 6
1 1 .8 6 6
1 0 .6 7 1
1 2 .1 5 7
1 3 .3 1 7
1 1 .3 8 1
1 1 .2 5 2
1 2 .1 4 6
1 1 .7 6 9
1 1 .7 9 2
1 3 .5 7 7
1 2 .0 3 8
1 1 .8 5 4
1 2 .5 0 3
1 3 .8 3 0
1 1 .3 6 9
1 3 .2 7 1
1 1 .9 8 5
1 1 .9 3 6
1 3 .6 1 0
1 2 .3 6 3
1 2 .4 3 7
1 1 .7 6 5
1 2 .6 8 3
1 1 .9 3 1
1 1 .2 6 4
1 0 .9 0 2
1 2 .2 0 4
1 1 .0 1 9
1 3 .9 4 0
1 1 .8 7 3
1 0 .4 1 2
1 1 .6 6 5
1 2 .9 5 7
1 1 .6 1 7
1 1 .3 4 6
1 0 .6 3 4
1 2 .3 1 6
1 1 .8 3 6
1 2 .5 7 1
1 1 .3 6 3
1 1 .6 5 4
1 2 .2 8 6
1 1 .6 6 9
1 2 .2 1 2
9 .5 2 6
1 1 .9 3 1
1 2 .2 4 7
1 4 .1 1 6
1 0 .4 7 5
1 0 .4 4 1
9 .6 9 5
1 3 .1 7 2
1 4 .3 7 4
1 1 .6 1 0
1 0 .9 9 9
1 2 .5 4 8
1 2 .6 5 9
1 1 .1 4 8
1 2 .8 0 9
1 2 .6 6 0
1 1 .7 9 3
1 0 .4 5 2
1 3 .0 1 3
1 2 .7 6 3
1 1 .6 5 0
1 1 .3 0 9
1 2 .8 6 3
1 2 .3 4 7
1 2 .5 5 6
1 4 .0 8 6
1 2 .2 7 3
1 0 .8 9 3
1 2 .4 8 0
1 0 .7 7 1
1 2 .5 6 6
1 1 .8 4 3
1 2 .2 9 9
1 2 .3 5 7
1 2 .1 3 1
1 1 .7 2 8
1 0 .6 5 3
1 4 .1 2 1
1 3 .5 9 8
1 3 .0 4 9
1 0 .5 2 2
1 0 .8 8 3
1 2 .5 3 3
1 2 .0 7 4
1 1 .9 9 1
1 2 .1 6 1
1 0 .1 1 8
1 1 .7 4 3
1 1 .0 6 2
1 1 .0 0 2
4. Em p lee la prueba Chi-cuadrada para determ inar, con un nivel de confianza de 95%,
qu tipo de distribucin siguen los datos.Com pruebe co n la herram ienta S ta t::F it de
ProModel.
1 .6 7 9
1 .1 8 7
0 .2 3 4
1 .7 8 0
1 .4 5 8
2 .6 2 8
0 .5 0 4
0 .9 5 1
1 .3 8 3
0 .5 6 1
0 .4 9 4
4 .9 2 3
0 .6 3 5
0 .5 0 4
2 .6 0 6
0 .3 8 2
1 .3 8 0
2 .7 0 0
0 .4 8 6
0 .4 6 8
2 .7 7 1
3 .1 4 1
1 .0 1 9
2 .5 1 6
1 .1 8 2
2 .2 5 8
0 .1 6 1
8 .0 5 5
0 .4 6 4
2 .3 1 2
2 .3 2 7
0 .7 6 1
1 .8 7 6
1 .5 0 6
2 .4 5 1
0 .8 3 1
5 .7 1 5
0 .6 9 9
1 .4 5 0
3 .5 8 2
0 .6 8 4
3 .1 9 2
1 .4 2 7
0 .5 1 8
2 .1 9 8
0 .9 2 2
1 .5 9 7
2 .6 6 0
2 .9 3 3
4 .5 1 8
0 .9 0 4
0 .5 9 8
0 .0 8 1
2 .7 5 6
0 .1 5 1
1 .6 6 2
0 .2 2 3
0 .5 3 1
1 .2 2 9
0 .3 4 7
1 .2 2 8
0 .2 3 5
2 .0 6 0
1 .1 8 2
0 .2 8 0
7 .8 6 0
0 .6 6 4
2 .8 9 8
2 .8 1 5
0 .1 2 1
2 .2 9 4
2 .0 8 7
1 .4 2 4
1 .5 2 5
0 .7 5 4
7 .1 4 5
0 .7 5 4
1 .9 6 2
1 .6 1 3
0 .0 0 3
1 .3 3 7
3 .3 9 9
1 .6 3 9
3 .5 9 1
2 .3 9 3
0 .4 1 2
3 .2 5 8
0 .2 5 6
1 .4 1 9
0 .1 5 6
2 .7 7 5
0 .3 5 5
0 .0 4 6
1 .2 4 3
0 .7 7 6
0 .5 8 5
0 .6 6 7
0 .1 2 3
1 .2 0 2
6 .9 8 5
5. D eterm ine, con un nivel de confianza de 95% , q u tipo de distribucin siguen los da
tos; em plee la prueba de Kolm ogorov-Sm irnov.
1 2 .5 6 1
2 .6 9 5
1 2 .0 8 2
1 0 .3 3 5
1 3 .2 6 0
2 .5 4 9
4 .5 9 4
2 .5 0 0
2 4 .9 3 0
7 .8 0 5
8 .3 2 2
7 .4 2 2
1 1 .1 4 3
2 0 .5 9 9
7 .5 0 8
4 .3 6 7
1 .5 4 4
3 .7 0 6
8 .1 8 5
1 4 .4 0 5
4 .0 5 7
1 5 .5 8 4
9 .0 4 9
6 .2 6 5
1 0 .6 6 3
1 0 .2 5 7
1 1 .4 7 5
4 .6 8 8
1 6 .2 5 6
4 .6 8 8
1 1 .9 6 3
5 .5 9 9
1 9 .2 0 4
1 .7 8 4
2 5 .9 9 8
1 2 .2 9 9
1 0 .3 1 7
3 .7 7 9
1 8 .9 9 3
7 .4 1 9
1 5 .1 5 4
9 .5 7 9
8 .4 2 3
6 .9 3 4
2 .0 0 5
1 3 .2 3 4
5 .5 4 2
5 .2 7 1
1 2 .8 3 1
8 .2 3 1
1 5 .3 3 0
7 .9 5 8
7 .1 0 3
1 6 .1 3 4
0 .1 8 9
1 0 .1 6 5
1 4 .6 2 4
1 5 .6 9 6
1 0 .2 1 2
0 .8 9 1
3 .1 8 6
9 .0 5 1
1 1 .1 1 8
4 .4 4 9
1 7 .9 0 1
1 5 .4 9 7
6 .6 4 5
5 .0 7 8
1 1 .5 5 5
3 .7 2 4
2 1 .5 0 0
7 .1 6 0
1 3 .5 2 8
3 .3 7 2
1 5 .3 3 4
7 .6 0 3
3 1 .0 6 6
1 .9 9 2
2 1 .1 2 7
1 0 .7 8 4
3 .6 4 3
2 7 .3 3 4
3 .1 7 8
1 .3 1 3
1 0 .9 6 2
6 .9 3 6
3 .1 4 0
1 6 .8 7 7
1 9 .1 7 1
6 .6 2 0
3 .7 7 5
1 6 .6 7 5
1 .3 6 8
1 7 .5 8 3
1 .6 6 9
1 1 .1 5 7
1 6 .4 3 2
2 .8 3 1
7 .8 4 4
1 0 .7 4 5
6. Determ ine,con un nivel de confianza de 90% , qu tipo de distribucin siguen los datos;
em plee la prueba de Kolm ogorov-Sm irnov. Com pruebe con la herram ienta Stat: :Fit
de ProModel.
2 2 .0 2 9
2 1 .0 7 3
1 8 .4 3 6
1 7 .5 7 4
1 6 .2 5 7
1 3 .3 4 5
2 2 .8 6 3
1 2 .8 4 6
1 5 .5 5 7
1 6 .5 2 6
2 0 .1 6 9
2 3 .4 7 9
2 6 .8 5 3
1 8 .3 3 8
2 3 .2 1 7
1 5 .4 9 5
1 7 .4 0 3
2 2 .6 7 1
1 7 .4 6 9
1 8 .4 8 9
1 5 .9 0 7
2 0 .3 4 6
1 9 .2 0 9
2 .6 9 0
2 0 .2 3 2
2 1 .4 1 1
2 1 .1 0 7
1 4 .2 3 8
2 0 .0 9 8
1 9 .8 8 1
2 1 .8 7 8
2 2 .2 0 8
9 .7 8 4
2 1 .4 2 7
1 4 .5 8 1
2 3 .5 2 3
1 9 .6 7 0
1 6 .0 2 1
1 8 .1 0 7
1 3 .3 1 5
1 0 .2 7 9
1 9 .3 0 1
2 3 .7 8 7
1 5 .3 0 5
2 1 .1 7 0
1 6 .1 5 5
2 2 .8 8 0
2 0 .7 7 4
1 4 .2 5 5
1 2 .4 7 8
1 6 .0 3 2
2 4 .0 7 6
1 6 .4 6 3
2 1 .1 5 1
1 4 .8 1 7
1 4 .7 0 2
2 7 .0 1 4
1 2 .1 6 5
1 6 .5 9 7
2 1 .4 0 4
1 8 .8 2 5
1 9 .3 6 4
1 8 .5 1 5
1 4 .2 4 0
2 4 .1 5 4
1 9 .9 1 6
1 6 .2 3 8
2 0 .7 9 5
2 5 .9 2 4
1 8 .8 7 4
1 7 .5 3 2
1 6 .7 1 3
1 6 .6 7 7
1 8 .7 3 9
1 4 .2 0 6
1 9 .5 0 1
1 8 .5 9 0
1 8 .5 8 7
1 9 .9 2 9
2 5 .3 5 4
1 2 .8 5 8
1 6 .4 5 2
1 7 .4 8 7
2 2 .6 5 8
2 2 .2 4 0
1 7 .4 7 1
1 6 .5 3 7
2 3 .9 6 0
1 4 .4 1 7
1 8 .3 3 8
2 8 .5 0 1
1 6 .9 3 9
1 7 .9 2 6
2 4 .4 7 7
1 7 .6 7 3
2 2 .4 2 2
1 3 .3 7 3
2 1 .9 7 1
2 0 .5 4 9
2 4 .5 0 9
91
7. D eterm ine, con un nivel de confianza de 90% , qu tipo de distribucin siguen los d a
tos usando la prueba de Kolm ogorov-Sm irnov.Com pruebe con Stat: :Fit.
4 .5 4 8
3 .1 3 6
5 .3 6 6
1 .9 7 9
6 .0 9 7
3 .8 2 3
5 .5 2 0
4 .2 0 3
4 .9 7 2
8 .4 2 9
3 2 4 2
4 .7 0 5
5 .9 1 9
5 .5 3 0
6 .8 9 1
5 .9 9 7
6 .6 4 0
6 .3 7 6
6 .8 6 0
5 .9 9 1
6 .3 0 3
6 .4 7 6
8 .5 0 3
3 .8 6 3
1 .7 3 8
2 .9 1 3
5 .1 7 1
6 .8 5 6
5 .6 6 5
3 .3 9 6
5 .2 2 5
5 .9 6 6
4 .7 4 3
7 .2 2 8
6 .0 3 0
6 .1 8 4
7 .6 0 0
5 .7 1 6
5 .7 8 1
4 .4 6 5
5 .3 0 7
8 .5 4 6
6 .0 9 3
4 .7 2 0
5 .7 7 1
4 .5 2 1
3 .7 1 5
5 .3 6 8
1 .8 7 1
1 .6 2 9
6 .5 3 6
8 .4 4 1
3 .8 2 2
6 .1 7 6
5 .0 5 9
5 .3 2 5
6 .4 7 6
4 .2 2 9
5 .6 1 9
4 .0 6 2
4 .7 6 9
4 .4 8 4
2 .9 3 8
6 .4 5 9
3 .0 8 3
6 .1 9 9
2 .5 9 0
7 .4 0 7
7 .0 0 1
8 .5 0 1
3 .1 5 4
3 .5 4 6
6 .3 1 6
4 .3 6 4
8 .9 8 6
4 .1 9 5
2 .9 5 2
3 .5 9 0
7 .3 5 6
6 .2 6 9
5 .4 2 7
3 .4 3 1
6 .5 3 2
6 .1 0 1
2 .6 2 5
4 .4 6 3
7 .9 0 0
3 .7 1 5
4 .8 8 1
7 .4 1 0
3 .4 0 4
5 .7 6 9
2 .9 1 7
6 .7 3 9
7 .0 4 9
5 .7 4 3
5 .4 4 8
3 .9 5 8
6 .6 3 2
7 .0 3 6
-0 .0 5 6
1.219
-1.631
1.583
1.472
-1 .4 1 3
0 .0 6 6
-0 .4 2 3
-0 .1 7 4
-1 .1 3 9
1.510
0 .8 9 0
0 .8 8 9
0 .8 2 4
0.627
-0 .6 1 8
-1 .4 2 5
0.061
0.700
-0 .0 7 8
-2 .0 6 7
-0 .8 6 0
-1 3 5 3
1.905
-0 .9 6 5
1.542
0 .2 7 0
2293
-0.889
0 .0 9 9
-0 .8 6 9
1.733
-0 .2 0 4
-0 .1 1 2
0.017
-1 .1 5 2
0 .5 1 2
2324
0.654
-1.281
-1 .2 9 3
0365
0 .4 3 6
-0 .5 5 9
0.880
-0 .9 3 0
0.121
0 .5 9 5
0.597
-0 .1 8 5
-1 .0 1 8
0 .2 8 3
1.672
-0 .2 8 9
-1 3 4 3
-0 .4 1 8
1317
0 .2 4 9
0.937
-0 .6 7 0
-1 3 2 2
-0 .2 9 6
-1 .6 3 8
1.970
-0.541
1.567
-1 .7 1 7
0 .1 2 5
-0.608
1.027
2.295
-0 .9 5 2
0.431
2.210
-0 .4 7 7
0 .9 1 3
-0 .6 9 7
-0 .1 4 5
-1 .0 8 8
0 .1 3 7
-1 .1 0 8
-0.281
0 .5 6 4
0 .6 8 3
-0.691
0 .0 1 0
-0 .4 2 9
-1 .4 2 0
-0 .0 7 0
1.517
0.095
-0 .1 0 4
1.240
-0 .3 5 4
-1 3 2 5
1.077
0 .2 0 0
-0 .9 5 9
-0 .1 4 4
-1 .1 6 9
9. D eterm ine, con un nivel de confianza de 90% , qu tipo de distribucin siguen los d a
tos; utilice la prueba de Kolm ogorov-Sm irnov.
92
7 .9 8 2
4 0 .1 2 2
5 .8 6 2
2 1 .9 2 0
7 .9 0 2
1 0 .8 2 4
2 2 .2 5 8
1 3 .3 4 3
1 1 .0 4 5
1 8 .9 5 1
1 2 .3 4 8
8 .7 2 5
1 1 .5 3 6
1 0 .1 8 7
1 1 .4 4 2
1 3 .3 9 6
1 3 .0 7 0
1 3 .6 6 8
2 3 .6 0 3
7 .9 5 4
6 .3 6 1
6 .4 0 5
3 4 .4 5 0
2 4 .9 5 6
5 .4 4 2
1 2 .9 9 6
5 .0 7 3
1 3 .6 2 0
1 1 .0 2 0
1 1 .7 2 9
1 1 .7 1 3
3 .3 8 2
1 4 .3 8 7
1 0 .0 3 7
5 .4 8 1
2 .9 6 9
7 .5 0 3
4 .1 5 9
2 3 .4 6 6
5 .2 1 9
3 7 .1 3 4
2 1 .0 9 9
9 .0 2 1
6 .0 8 0
9 .0 5 3
5 .1 7 8
1 8 .7 0 0
9 .0 5 6
6 .6 4 7
5 .7 6 7
1 7 .6 8 4
8 .8 1 4
2 2 .9 3 9
2 .4 9 1
1 0 .1 2 3
3 .2 4 4
9 .4 3 3
1 1 .7 7 4
3 .2 7 1
1 0 .3 9 0
6 .8 3 9
7 .0 7 3
1 0 .7 0 8
2 5 .2 3 7
7 .5 6 8
1 .1 5 2
8 .0 5 9
2 6 .3 9 9
2 9 .2 8 5
2 2 .3 5 0
3 .2 7 4
7 .3 2 5
1 0 .0 4 6
9 .8 8 8
1 3 .7 9 8
1 5 .2 5 5
2 0 .5 0 7
1 1 .1 4 7
1 9 .6 9 1
7 .7 1 1
2 2 .8 3 6
1 1 .8 1 1
1 4 .6 5 0
2 .8 9 8
2 0 .0 4 1
1 0 .2 2 8
9 .5 5 3
1 9 .8 7 0
8 .5 2 0
2 6 .1 8 2
1 2 .4 2 7
1 4 .4 3 2
2 4 .6 9 9
6 .8 4 8
7 .1 9 7
1 2 .1 5 6
1 .6 7 4
8 .5 8 2
1 6 .2 9 3
1 6 .1 2 6
10. A partir de la prueba de Kolm ogorov-Sm irnov, determ ine con un nivel de confianza
de 90% q u tipo de distribucin siguen los datos.
5 .0 9 1
1 1 .3 1 9
3 .2 7 4
3 .3 6 6
1 2 .2 3 3
5 .7 2 5
9 .1 8 6
8 .2 3 2
6 .5 4 5
6 .4 8 1
6 .7 5 2
1 0 .6 4 0
7 .2 4 2
2 .9 1 0
8 .3 9 1
2 .2 8 8
4 .5 8 2
6 .1 1 4
9 .9 6 5
1 0 .6 4 3
1 1 .5 8 4
1 3 .3 3 3
1 0 .0 8 1
1 1 .8 9 2
1 4 .5 4 2
9 .8 5 1
1 1 .0 8 8
6 .3 0 1
5 .3 5 0
3 .4 6 5
9 .5 9 5
1 3 .7 8 4
4 .8 6 7
3 .1 7 1
7 .7 8 2
5 .6 8 2
9 .5 8 7
1 2 .5 1 9
9 .9 6 4
1 .2 9 8
7 .5 5 6
8 .1 2 0
6 .4 5 1
1 0 .2 6 3
5 .3 6 7
3 .0 5 9
6 .3 4 1
3 .6 1 3
3 .0 6 8
7 .2 9 1
5 .1 4 7
4 1 7 9
1 0 .0 3 5
5 .5 9 9
5 .5 8 2
4 .8 3 6
8 .6 6 3
6 .9 7 5
8 .4 4 1
2 .0 6 4
1 3 .4 7 0
1 .5 1 2
1 1 .3 1 7
9 .7 9 9
7 .8 2 5
9 .4 6 4
7 .7 9 9
6 .9 2 9
8 .9 1 5
8 .0 0 7
9 .7 1 0
5 .2 5 9
8 .0 8 6
4 .1 4 1
2 .9 7 2
1 4 .5 7 5
2 .2 4 8
6 .5 6 5
1 3 .4 1 8
5 .2 3 8
1 4 .1 3 5
5 .9 3 7
2 .9 5 4
9 .2 6 4
1 4 .9 7 0
6 .7 4 2
5 .5 5 1
5 .3 1 3
6 .3 4 8
5 .7 2 3
1 2 .4 3 6
8 .1 5 3
5 .4 1 8
4 .0 2 8
6 .5 1 5
9 .4 7 4
6 .8 1 7
1 0 .1 9 0
4 .9 6 1
1 3 .2 6 3
11. D eterm ine,co n un nivel de confianza de 90% , qu tipo de distribucin siguen los da
tos; utilice la prueba de Kolm ogorov-Sm irnov.
1338
1.198
1.852
3.050
1.003
0 .2 8 6
2.283
0 .3 8 8
0 .0 9 5
0 .2 6 5
0.530
0.049
1.426
4.688
0.460
1.581
0.774
0.429
2.267
2.032
0 .5 8 0
0 .2 9 4
1.586
4 .1 1 7
1.645
0395
0 .4 8 3
2.156
1355
7.487
0.102
3.661
0.664
2350
2342
3.986
0.852
4.276
2.859
2.852
0 .2 8 5
3.072
6 .0 3 2
2.954
3.983
2.416
4342
0371
0 .7 9 9
0 .0 4 0
0.725
5.193
0.093
0.883
1.517
0.577
0.064
4.520
4.718
1.860
5.567
0329
3.856
1.790
0 .6 9 5
0 .6 1 7
0 .2 9 9
0 .4 0 8
8 .6 6 4
0 .7 1 6
6.773
2.721
1.779
3.847
3.564
1.494
0.214
0.113
0339
3351
0.101
0.988
1.729
Z659
0.573
0.468
3.294
0.240
1.892
0.493
5.549
0 .7 1 6
1.456
3.622
0 .2 0 4
1.037
0345
2.923
1.262
0 .2 6 9
12. D eterm ine,co n un nivel de confianza de 95% , qu tipo de distribucin siguen los da
tos; em p lee la prueba de Kolm ogorov-Sm irnov.Com pruebe con Stat: :Fit.
2 6 .7 3 9
2 2 .6 0 7
1 9 .5 8 4
1 8 .3 9 0
1 9 .8 2 5
2 3 .2 7 9
2 3 .2 0 6
1 9 .3 5 1
1 5 2 4 0
1 5 .7 9 2
2 3 .3 9 6
2 8 .5 5 3
2 4 .4 4 9
2 4 .3 6 4
1 9 .2 0 0
2 1 .2 6 5
1 6 .9 0 5
2 7 .3 1 3
1 8 .0 9 7
2 0 .2 3 3
2 1 .3 2 6
1 5 .1 3 8
2 1 .1 5 0
2 2 .1 0 5
2 5 .7 7 5
2 2 .1 3 7
2 7 .5 1 4
1 5 .7 6 6
2 2 .0 2 9
2 5 .1 6 4
1 7 .5 3 9
1 9 .9 2 1
2 2 .2 1 6
1 5 .6 2 5
1 6 .1 6 8
2 9 .7 6 9
1 8 .1 5 8
1 8 2 9 3
1 5 .8 5 8
2 5 .1 1 1
2 6 .4 2 1
1 8 .0 4 4
2 5 .7 4 4
1 9 .7 4 3
2 4 .5 2 5
1 8 .1 1 2
2 6 .2 5 9
1 9 .4 6 6
2 6 2 7 6
2 5 .9 4 8
2 0 .9 3 1
1 8 .5 6 2
2 6 .7 1 4
2 5 .2 7 5
2 4 .5 8 0
2 2 .0 9 0
1 9 .6 0 8
1 5 .4 4 7
2 9 .6 3 1
2 8 .8 2 1
2 8 .0 1 3
2 6 .6 9 3
2 9 .7 5 1
2 2 .1 8 9
2 0 .8 0 7
2 7 .3 3 9
2 2 .5 5 6
2 4 .0 6 9
1 5 .7 2 4
2 1 .6 1 4
2 5 .5 7 0
1 8 .7 4 6
1 6 .8 1 8
2 9 .1 2 2
2 7 .1 9 0
2 6 .9 1 5
2 6 .8 4 4
1 9 .5 7 3
2 6 .8 5 3
1 7 .0 5 3
2 2 .5 1 8
1 8 .8 8 3
2 6 .1 2 8
2 4 .0 0 7
2 8 .1 2 7
2 5 .2 1 3
1 9 .9 6 4
2 7 .1 4 1
2 5 .4 5 8
2 6 .0 6 0
2 9 .7 9 1
1 7 .8 9 0
1 5 .5 1 5
2 4 .9 8 5
1 7 .7 1 7
1 9 .0 6 3
2 9 .9 8 6
2 4 .0 7 4
2 3 .5 1 7
2 0 .7 3 3
93
13. D eterm ine, con un nivel de confianza de 90% , qu tipo de distribucin siguen los d a
tos usando la prueba de Anderson-Darling. Com pruebe con Stat: :Fit.
7 .7 1 7
7 .9 7 1
5 2 6 1
5 .9 9 4
7 2 1 5
6 .1 0 0
6 .8 7 6
7 .5 1 4
6 .4 0 9
6 .3 7 7
6 .1 5 5
7 .5 1 2
7 .9 3 6
7 .9 6 0
6 .1 5 7
5 .7 9 6
7 .5 7 9
6 .4 5 0
6 .6 7 9
6 .7 1 9
6 .1 5 0
5 .9 8 3
5 .0 9 1
7 .4 9 2
6 .9 7 4
5 .3 8 6
6 .3 4 7
5 .0 5 3
5 .1 2 9
5 .9 2 2
6 .1 7 4
5 .9 6 2
5 .1 5 3
6 .8 3 8
5 .7 4 1
5 .4 7 8
5 .4 7 1
7 .7 4 5
5 .0 5 7
5 .5 4 8
7 .8 1 4
6 .2 3 8
7 .4 8 4
6 .1 5 0
7 .5 6 1
7 .7 3 4
5 .5 9 5
7 .5 8 7
5 2 3 5
7 .8 7 2
7 .3 5 4
5 .8 2 6
5 .8 5 8
5 .3 1 6
7 .0 8 1
6 .4 7 6
7 .3 9 4
5 .3 0 4
5 .1 7 5
6 .4 9 9
7 .9 9 0
5 .7 9 3
5 .0 5 7
5 2 4 5
6 2 4 6
7 .5 3 8
7 .3 1 4
5 .9 0 9
6 2 1 5
6 .9 4 9
7 .4 9 5
6 .0 0 4
7 .3 7 4
7 .0 7 1
5 .5 4 9
6 .9 3 2
6 2 6 2
5 .5 3 1
6 .3 5 5
5 2 7 1
5 .0 2 1
6 .8 0 0
7 .3 2 2
7 .8 4 0
5 .5 4 7
5 .6 0 1
6 .5 2 4
6 .1 6 9
5 .4 8 4
6 .8 2 3
6 .3 5 1
6 .4 3 8
7 .7 6 0
7 .7 7 1
7 .1 1 8
5 .5 0 0
5 .9 0 1
5 .1 0 4
7 .6 3 3
6 .0 7 4
14. Utilice la prueba Chi-cuadrada para determ inar, con un nivel de confianza de 95%,
qu tipo de distribucin siguen los datos. Com pruebe con Stat: :Fit.
9 1 .9 1 7
7 3 .1 0 5
8 2 .1 8 7
7 6 .7 5 3
8 8 .3 7 1
6 5 2 7 2
8 6 .1 6 2
6 8 .1 4 7
6 9 .9 3 3
7 6 2 4 8
7 7 .5 8 8
6 6 .8 3 2
9 6 .9 3 7
6 0 .1 9 7
8 8 .4 3 1
7 3 .4 9 5
9 7 .5 8 0
6 1 .7 7 1
7 7 .0 2 4
7 6 2 7 6
9 6 .0 0 2
9 0 .8 5 4
8 8 .8 1 9
9 3 .5 3 5
7 9 .0 0 7
7 7 .3 8 8
9 6 .8 9 3
9 7 .3 0 5
7 0 .6 8 4
7 2 .5 3 7
6 3 .4 7 9
7 3 .7 1 1
7 6 .1 5 9
8 2 .4 1 6
6 3 .7 6 6
9 6 .5 9 4
7 5 .7 3 4
6 0 .6 5 9
9 3 .2 0 0
7 0 .5 6 9
2 .6 8 6
8 6 .0 6 0
7 9 .5 6 0
9 9 .8 1 3
8 1 .9 3 1
9 1 .5 4 0
8 1 .0 5 7
9 8 .7 8 3
6 2 .8 4 9
9 0 .6 9 7
7 1 .6 8 0
8 1 .1 4 9
9 7 .4 9 1
6 8 .1 8 0
9 5 .0 7 6
6 3 .1 8 5
7 5 .4 2 5
8 0 .1 5 0
6 8 .1 8 1
9 7 .8 4 4
8 6 .4 7 8
9 1 .0 5 1
9 5 .8 8 2
9 5 .8 0 4
6 2 .6 1 4
9 2 .9 7 8
9 7 .9 2 6
6 9 .7 1 6
7 0 2 0 5
7 3 .8 6 4
9 .3 6 0
9 7 .8 9 1
8 3 .9 4 5
6 0 .7 4 7
7 5 .7 3 4
8 3 .7 0 4
9 3 .6 4 5
8 4 .3 6 6
6 4 .3 1 0
8 6 .9 5 0
9 5 .1 8 1
9 1 .3 2 5
7 2 .5 5 0
6 3 .3 9 1
9 6 .8 2 9
9 0 .1 0 8
7 5 .1 0 7
6 8 .7 7 5
9 2 2 2 9
7 7 .1 4 8
9 0 .5 9 1
8 3 .5 3 7
9 1 2 6 2
6 9 2 3 5
6 9 .3 4 6
7 4 .4 7 3
8 0 .0 4 2
6 8 .5 1 0
6 3 .4 9 9
8 9 .6 0 7
15. D eterm ine,con un nivel de confianza de 90% , qu tipo de distribucin siguen los d a
tos. Em p lee la prueba Chi-cuadrada y com pruebe con Stat: :Fit.
94
4 .1 4 2
5 .0 8 0
4 .9 5 1
3 .0 2 8
3 .0 4 6
3 .4 4 9
4 .9 0 7
2 .7 8 2
1 .8 1 0
4 .3 4 4
1 .6 8 9
3 .0 4 9
4 .1 1 1
6 .7 6 7
2 .3 3 0
3 .4 0 8
2 .1 7 1
5 .3 3 7
6 .3 8 5
2 .9 4 9
3 .7 9 6
2 .9 1 2
3 .8 2 0
5 .4 4 4
3 2 0 8
2 2 2 5
3 .9 0 3
5 .3 2 9
4 .8 7 9
3 .5 7 2
2 .7 4 4
3 .7 8 6
2 .8 4 8
4 .3 4 7
3 .3 4 7
4 .3 9 8
5 .8 1 3
5 .6 1 7
2 .1 7 3
2 .3 6 9
4 .1 2 3
2 .6 4 9
4 .0 7 5
4 .3 3 9
2 .8 0 4
3 2 9 2
4 .3 7 5
5 .2 4 6
1 .3 4 0
2 .3 7 0
2 .0 7 6
3 .7 2 4
5 .1 8 7
3 .7 7 5
1 .4 4 3
4 .0 9 8
2 .9 1 9
4 .0 4 3
1 .6 7 7
3 .5 0 1
3 .1 3 7
1 .8 0 6
4 .9 6 8
2 .3 7 0
3 .0 0 9
3 .9 6 4
4 .0 5 7
4 .0 3 5
2 .4 9 9
3 2 0 0
3 .9 8 3
4 .1 0 2
4 .5 7 4
5 .3 3 1
3 .3 0 9
3 .3 5 1
3 .7 2 2
6 .4 3 0
3 .5 8 7
5 .0 0 6
1 .5 5 6
4 .9 9 3
4 .3 2 8
2 .7 4 9
4 .3 7 4
3 .0 1 8
4 .6 0 6
2 .6 8 2
4 .8 7 0
2 .7 2 7
3 .8 9 9
5 .8 2 8
1 .8 7 4
1 .3 1 6
3 .3 6 1
2 .6 3 9
2 2 4 6
4 .4 6 3
4 .1 6 4
6 .3 5 1
16. D eterm ine, con un nivel de confianza de 90% , qu tipo de distribucin siguen los da
tos; utilice la prueba de A nderson-D arling.Com pruebe con Stat: :Fit.
1 9 8 .9 1 2
1 9 3 .4 9 6
1 9 8 .1 6 9
1 8 6 .5 5 3
1 8 6 .6 9 9
1 8 9 .4 8 5
1 9 7 .9 1 6
1 8 4 .5 4 8
1 7 6 .6 1 3
1 8 6 .7 2 0
1 7 5 .6 2 5
1 9 3 .3 1 9
2 0 8 .6 5 2
1 8 0 .8 6 1
1 8 9 .2 3 4
1 7 9 .5 6 4
2 0 0 .4 0 1
2 0 6 .4 5 2
1 9 4 .6 6 6
1 8 5 .9 1 3
1 8 5 .6 1 5
1 9 1 .5 0 0
1 9 1 .6 4 3
2 0 1 .0 1 7
1 8 7 .9 0 8
1 8 0 .0 0 2
1 9 2 .1 1 8
2 0 0 .3 5 3
1 9 7 .7 5 5
1 9 0 .2 1 0
1 9 1 .4 4 5
1 8 4 .2 4 3
1 8 5 .0 8 9
1 9 4 .6 8 6
1 8 8 .8 4 5
1 9 4 .9 7 9
2 0 3 .1 4 9
2 0 2 .0 1 4
1 7 9 .5 7 6
1 8 1 .1 7 5
1 8 3 .4 6 3
1 9 3 .3 8 8
1 9 3 .1 1 2
1 9 4 .6 3 8
1 8 4 .7 3 0
1 8 8 .4 8 4
1 9 4 .8 4 7
1 9 9 .8 7 1
1 7 2 .7 7 3
1 8 1 .1 8 9
1 9 1 .0 8 8
1 7 8 .7 8 1
1 9 9 .5 3 4
1 9 1 .3 8 2
1 7 3 .6 1 8
1 9 3 .2 4 4
1 8 5 .6 6 5
1 9 2 .9 2 7
1 7 5 .5 2 4
1 8 9 .7 9 5
1 7 6 .5 8 3
1 8 7 .3 9 6
1 9 8 .2 6 7
1 8 1 .1 8 3
1 8 6 .4 0 6
1 9 2 .4 7 3
1 9 3 .0 0 6
1 9 2 .8 8 1
1 8 2 .2 4 1
1 8 7 .8 5 0
1 9 3 .2 6 7
1 9 2 .5 8 1
1 9 5 .9 9 1
2 0 0 .3 6 4
1 8 8 .5 9 7
1 8 8 .8 7 0
1 9 1 .0 7 7
2 0 6 .7 0 8
1 9 0 .2 9 2
1 9 8 .4 8 9
1 9 8 .4 1 4
1 7 4 .5 4 0
1 9 4 .5 7 5
1 8 4 .2 8 3
1 9 4 .8 4 2
1 8 6 .4 7 6
1 9 6 .1 7 6
1 8 3 .7 3 0
1 9 7 .7 0 0
1 8 4 .0 9 7
2 0 3 .2 3 1
1 9 2 .0 9 9
1 7 7 .1 4 0
1 7 2 .5 8 2
1 8 8 .9 3 9
1 8 3 .3 8 6
1 8 0 .1 7 4
1 9 5 .3 5 5
1 9 3 .6 2 6
2 0 6 .2 5 5
17. D eterm ine,con un nivel de confianza de 90% , qu tipo de distribucin siguen los da
tos. Em p lee la prueba Chi-cuadrada y co m p rueb e con Stat: :Fit.
1 7 .2 6 4
1 8 .1 2 9
1 5 .2 3 5
1 5 .2 8 1
1 6 .1 6 2
1 8 .0 8 9
1 4 .6 0 1
1 2 .0 9 1
1 7 .5 1 6
1 2 .2 5 8
1 4 .9 3 8
1 7 .2 2 3
1 9 .7 8 7
1 3 .4 3 5
1 6 .0 8 2
1 3 .0 2 5
1 8 .4 8 2
1 9 .4 3 9
1 5 .0 3 2
1 0 .8 1 6
1 6 .7 5 1
1 6 .8 0 5
1 8 .5 8 0
1 5 .6 6 3
1 3 .1 6 3
1 6 .9 3 0
1 8 .4 7 5
1 8 .0 6 4
1 6 .3 9 0
1 5 .9 8 9
1 4 .2 5 7
1 4 .7 7 2
1 7 .5 2 0
1 5 .9 5 9
1 7 .5 7 9
1 8 .9 1 7
1 8 .7 3 7
1 3 .0 2 8
1 3 .5 3 4
1 4 .2 3 3
1 6 .6 5 1
1 7 .1 7 5
1 7 .5 1 0
1 4 .6 5 8
1 5 .8 4 5
1 7 .5 5 2
1 8 .3 9 8
1 0 .8 7 7
1 3 .5 3 8
1 3 .2 1 7
1 2 .0 8 2
1 8 .3 4 5
1 6 .7 3 3
1 1 .1 4 4
1 7 .2 0 6
1 4 .9 5 4
1 7 .1 3 1
1 1 .7 4 7
1 6 .2 6 0
1 7 .6 5 2
1 7 .2 1 1
1 8 .1 4 5
1 3 .5 3 6
1 5 .1 8 8
1 7 .0 2 0
1 7 .1 5 0
1 7 .1 2 0
1 3 .8 7 1
1 5 .6 4 5
1 7 .2 9 3
1 8 .1 6 8
1 7 .7 7 0
1 8 .4 7 6
1 5 .8 8 1
1 5 .9 6 7
1 6 .6 4 8
1 9 .4 8 0
1 6 .4 1 6
1 8 .1 8 0
1 9 .4 0 8
1 8 .9 3 0
1 7 .4 9 7
1 4 .5 1 7
1 7 .5 5 1
1 5 .2 1 0
1 7 .8 0 3
1 4 .3 4 2
1 8 .0 5 5
1 4 .4 5 8
1 5 .2 8 7
1 7 .2 6 4
1 1 .7 7 9
1 6 .7 6 6
1 4 .5 0 4
1 7 .2 3 9
1 2 .7 7 7
1 5 .5 0 1
1 7 .0 4 7
1 1 .4 3 6
1 6 .9 2 5
18. Utilice la prueba de Kolm ogorov-Sm irnov para determ inar, con un nivel de confianza
de 90% , qu tipo de distribucin siguen los d ato s.C o m pruebe con Stat: :Fit.
2 .8 6 5
4 .4 1 9
3 .6 8 1
6 .5 0 2
1 .1 4 1
2 .7 7 3
2 .2 9 9
4 .5 8 9
7 .1 4 2
1 .7 8 3
2 .3 3 6
2 .2 0 1
1 .1 8 6
3 .6 1 0
0 .7 5 3
2 .6 5 3
3 .5 7 4
3 .5 8 8
3 .1 2 8
3 .1 0 0
3 .4 2 0
1 .1 2 3
3 .2 6 4
2 .2 1 9
1 .9 6 2
2 .9 1 5
4 .2 8 2
4 .8 3 5
3 .0 5 7
1 .0 0 0
1 .2 4 2
3 .7 2 5
4 .3 1 7
1 .6 9 4
3 .2 8 6
3 .6 9 8
3 .2 0 8
1 .6 2 8
3 .7 0 4
1 .0 2 0
3 .1 1 7
1 .2 8 3
3 .8 2 1
0 .9 4 3
1 .7 1 3
4 .7 1 5
1 .7 4 0
2 .7 6 9
2 .8 7 7
3 .9 5 6
1 .9 0 4
3 .1 4 4
3 .5 4 1
1 .4 9 4
6 .9 8 3
1 .6 4 9
4 .0 2 0
1 .4 7 5
1 .8 0 2
1 .5 6 9
1 .3 0 4
2 .1 5 1
2 .9 5 3
1 .0 6 0
7 .8 0 0
7 .6 2 1
2 .8 7 2
1 .4 7 4
2 .1 8 0
2 .3 9 5
5 .6 3 2
2 .9 4 1
2 .2 7 4
1 .8 4 1
1 .6 5 1
4 .0 0 9
2 .5 4 0
2 .6 6 9
1 .5 3 9
1 .9 1 7
2 .2 8 5
4 .5 7 9
3 .6 3 1
6 .5 7 4
1 .9 4 1
3 .2 5 5
1 .3 7 2
2 .2 8 4
4 .4 9 9
4 .0 3 7
2 .8 1 9
3 .4 7 0
3 .1 5 8
2 .1 9 4
1 .5 2 4
2 .1 0 5
2 .8 0 6
4 .8 1 9
1 .9 4 6
3 .1 9 7
95
19. D eterm ine, con un nivel de confianza de 90% , qu tipo de distribucin siguen los d a
tos usando la prueba de Kolm ogorov-Sm irnov. Com pruebe con Stat: :Fit.
1 7 4 .8 4 7
4 0 2 .1 7 4
2 8 2 .1 4 3
8 5 9 .2 5 2
3 6 .1 4 6
1 6 4 .4 2 8
1 1 6 .1 9 5
4 3 2 .9 1 5
1 0 3 4 .5 0 0
7 3 .8 3 0
1 1 9 .6 0 9
1 0 7 .2 7 9
3 8 .2 6 9
2 7 1 .7 6 8
2 1 .4 0 0
1 5 1 .4 2 1
2 6 6 .4 9 6
2 6 8 .6 2 1
2 0 6 .5 1 8
2 0 3 .0 1 6
2 4 4 .8 7 4
3 5 .3 3 7
2 2 3 .9 3 6
1 0 8 .8 7 8
8 7 .3 1 6
1 8 0 .7 0 1
3 7 8 .2 0 3
4 7 9 .5 8 7
1 9 7 .6 4 7
3 0 .0 9 4
4 0 .9 7 3
2 8 8 .7 6 1
3 8 4 .3 6 5
6 7 .6 5 0
2 2 6 .8 1 9
2 8 4 .6 6 4
2 1 6 .7 6 7
6 3 .2 2 9
2 8 5 .5 2 5
3 0 .9 1 1
2 0 5 .0 8 5
4 3 .0 4 8
3 0 3 .2 2 0
2 7 .8 6 3
6 8 .9 5 9
4 5 6 .5 0 7
7 0 .8 2 6
1 6 4 .0 1 5
1 7 6 .2 9 7
3 2 4 .2 9 8
8 2 .8 4 2
2 0 8 .4 8 1
2 6 1 .8 5 8
5 4 .8 0 9
9 8 9 .3 0 0
6 4 .6 2 5
3 3 4 .5 6 0
5 3 .7 1 9
7 5 .1 8 8
5 9 .4 4 4
4 4 .1 4 8
1 0 2 .9 0 5
1 8 5 .1 6 1
3 2 .5 7 3
1 2 3 1 .8 6 0
1 1 7 6 .4 6 0
1 7 5 .6 6 7
5 3 .6 3 2
1 0 5 .4 5 0
1 2 5 .1 6 4
6 4 7 .1 7 4
1 8 3 .7 4 7
1 1 3 .8 7 0
7 8 .0 9 2
6 4 .7 3 1
3 3 2 .8 8 9
1 3 9 .5 9 5
1 5 3 .1 2 0
5 7 .5 6 6
8 3 .7 8 1
1 1 4 .9 1 1
4 3 1 .1 3 8
2 7 4 .8 6 4
8 7 7 .9 4 6
8 5 .6 6 8
2 2 2 .8 1 5
4 7 .8 2 2
1 1 4 .7 5 4
4 1 6 .5 3 3
3 3 7 .3 4 4
1 6 9 .6 0 9
2 5 1 .8 4 4
2 1 0 .3 6 9
1 0 6 .6 7 1
5 6 .6 5 1
9 8 .9 8 4
1 6 8 .1 2 7
4 7 6 .3 9 7
8 6 .0 8 2
2 1 5 .3 2 0
20. A partir de la prueba de Kolm ogorov-Sm irnov, determ ine con un nivel de confianza
de 90% q u tipo de distribucin siguen los d ato s.C o m pruebe con Stat: :Fit.
0 .4 8 8
0 .1 1 6
0 .7 3 1
0 .0 9 4
0 .6 8 4
0 .0 9 3
0 .3 6 8
0 .0 9 0
0 .7 6 1
0 .4 2 0
0 .9 9 5
0 .9 0 8
0 .1 8 3
0 .1 4 6
0 .6 3 3
0 .5 6 7
0 .0 5 8
0 .5 0 7
0 .7 8 0
0 .1 3 9
0 .0 8 8
0 .3 8 2
0 .7 0 7
0 .4 1 3
0 .5 8 1
0 .2 5 4
0 .4 4 0
0 .4 4 7
0 .2 5 1
0 .8 7 0
0 .1 4 9
0 .4 2 7
0 .7 4 3
0 .4 3 4
0 .2 6 0
0 .7 3 8
0 .3 0 0
0 .3 0 2
0 .3 1 4
0 .4 2 3
0 .7 3 1
0 .3 1 3
0 .9 0 8
0 .8 4 5
0 .9 3 7
0 .6 0 7
0 .0 2 5
0 .3 0 2
0 .6 0 8
0 .0 7 8
0 .5 9 1
0 .7 8 1
0 .8 5 0
0 .0 4 8
0 .5 8 0
0 .3 4 6
0 .7 2 3
0 .7 8 7
0 .5 3 5
0 .6 1 0
0 .7 4 5
0 .0 0 5
0 .2 5 6
0 .8 4 5
0 .4 4 5
0 .7 7 7
0 .8 9 6
0 .2 4 5
0 .3 3 5
0 .1 9 4
0 .3 0 7
0 .6 9 2
0 .9 0 5
0 .0 4 6
0 .1 2 8
0 .7 6 6
0 .3 6 6
0 .5 1 3
0 .3 0 2
0 .8 3 3
0 .0 8 4
0 .0 8 0
0 .1 6 0
0 .0 2 8
0 .7 1 4
0 .4 5 4
0 .9 1 3
0 .6 6 6
0 .2 1 3
0 .3 7 3
0 .9 6 7
0 .2 8 0
0 .3 3 3
0 .5 3 1
0 .2 8 5
0 .5 0 4
0 .8 3 7
0 .6 8 1
0 .2 0 9
0 .6 2 6
21. D eterm ine, co n un nivel de confianza de 90% , si la variable aleatoria representada por
la sigu ien te tabla de frecu encia sigue una distribucin exponencial con m edia 1.
In t e r v a lo
F re c u e n c ia
0-1
29
1-2
18
2-3
18
3-4
12
4-5
5-6
6-7
7-8
8-9
9-10
10-?
96
22. D eterm ine, con un nivel de confianza de 90% , qu tipo de distribucin siguen los da
tos; em p lee la prueba de Anderson-Darling y com pruebe con Stat: :Fit.
In t e r v a lo
F r e c u e n c ia
-?-12
1 2 0 -1 2 5
1 2 5 -1 3 .0
13.0-13.5
13.5-14.0
14.0-14.5
15
14.5-15.0
12
15.0-1 5 3
13
15.5-16.0
16.0-16.5
16
16.5-17.0
17.0-?
23. D eterm ine, con un nivel de confianza de 95% , qu tipo de distribucin siguen los da
tos. Utilice la prueba Chi-cuadrada.
Histogram a
Frecuencia
1614
1210864
2-
0-
5? K
Intervalo s
24. D eterm ine,con un nivel de confianza de 90% , qu tipo de distribucin siguen los da
tos; em p lee la prueba Chi-cuadrada.
97
Histogram a
Frecuencia
Intervalo s
25. Utilice la prueba de Kolm ogorov-Sm irnov para determ inar co n un nivel de confianza
de 95% q u tipo de distribucin siguen los datos.
26. D eterm ine, con un nivel de confianza de 90% , qu tipo de distribucin siguen los d a
tos usando la prueba de Kolm ogorov-Sm irnov.
1
0
0
1
1
0
1
1
1
0
98
0
0
0
0
0
1
2
0
0
0
0
0
1
1
1
1
0
1
0
0
1
1
0
2
2
0
1
2
0
1
0
0
0
1
0
0
1
0
0
0
0
0
0
1
0
1
1
0
0
1
1
0
0
1
1
1
0
1
0
2
0
0
0
0
1
2
1
2
0
1
0
0
1
0
0
1
0
1
1
0
0
0
1
0
1
0
1
0
0
0
3 .6 P r o b l e m a s
'
27. D eterm ine, con un nivel de confianza de 90% , qu tipo de distribucin siguen los da
tos; use la prueba de Kolm ogorov-Sm irnov y com pruebe con Stat: :Fit.
0
3
11
11
28. D eterm ine,co n un nivel de confianza de 90% , qu tipo de distribucin siguen los da
tos. Use la prueba de Kolm ogorov-Sm irnov y com pruebe con la herram ienta Stat: :Fit.
10
10
13
10
16
13
14
15
11
12
10
10
12
10
10
13
12
15
14
12
11
10
12
13
18
10
12
11
14
13
14
10
10
10
15
14
11
11
10
15
15
11
11
11
10
13
13
12
15
15
13
10
11
10
15
2
0
30. D eterm ine,co n un nivel de confianza de 90% , qu tipo de distribucin siguen los da
tos; em p lee la prueba Chi-cuadrada.
99
0
0
1
0
1
0
1
0
0
1
0
0
0
0
0
1
0
1
0
1
0
1
0
0
0
0
0
1
0
0
0
0
1
1
0
1
0
1
0
1
0
1
0
0
0
0
1
0
0
0
1
0
1
0
0
0
0
1
0
0
1
0
1
0
1
0
0
0
0
0
31. D eterm ine,con un nivel de confianza de 95% , qu tipo de distribucin siguen los d a
tos; em p lee la prueba Chi-cuadrada.
32. Utilice la prueba Chi-cuadrada para determ inar, con un nivel de confianza de 95%,
qu tipo de distribucin siguen los d ato s.C o m pruebe con Stat: :Fit.
2
1
33. D eterm ine, con un nivel de confianza de 90% , qu tipo de distribucin siguen los d a
tos. Utilice la prueba de Kolm ogorov-Sm irnov y com pruebe con Stat: :Fit.
100
3 .6 P r o b l e m a s
'
34. D eterm ine, con un nivel de confianza de 95% , qu tipo de distribucin siguen los da
tos; em p lee la prueba Chi-cuadrada y com pruebe con Stat: :Fit.
F re c u e n c ia
11
29
31
14
5-?
35. D eterm ine, con un nivel de confianza de 90% , qu tipo de distribucin siguen los da
tos; use la prueba Chi-cuadrada. Com pruebe con Stat: :Fit.
36. Em p lee la prueba Chi-cuadrada para determ inar, con un nivel de confianza de 90%,
qu tipo de distribucin siguen los datos.
F re c u e n c ia
21
17
14
10
11
12
13
14-?
101
37. D eterm ine, co n un nivel de confianza de 90% , si los datos se distribuyen de acuerdo
con una distribucin binom ial co n N = 10 y p = 0.5.
Histograma
Frecuencia
38. D eterm ine, co n un nivel de confianza de 90% , si los datos se distribuyen de acuerdo
con una distribucin uniform e discreta (1-6).
P M = |(|)
para
x = 1 ,2 ,3 ,...
40. Obtenga, co n el m todo de la transform ada inversa, la expresin m atem tica para ge
nerar variables aleatorias q ue sigan las fun cio nes de densidad indicadas.
x
a) f{x ) = ^ e 10
102
para
x >0
3 .6 P r o b l e m a s
b) f { x) = 3 6 x2 e_12x>
c)
f { x) = 4 x 3e~xA
para
para
'
x >0
x >0
3/4
0< x< 1
1/4
1 <!x< 2
f { x) =
3/4
0< x< 1
1/4
15x^ 2
f(x) =
43. G en ere 100 variables aleatorias para las siguientes distribuciones de probabilidad;
utilice el m todo de la transform ada inversa.
a)
f(x ) = < * - 4 )2
para
0 < x <10
b) f [ x) = |
para
2<x <7
c)f{x) = Z
para
0< x< 2
44. G enere 50 variables aleatorias para las siguientes distribuciones de p ro b ab ilid ad ;em
plee el m todo de la transfo rm ad a inversa.
a) f ( x ) =
para
b)fM =
para
7 < x < 13
c ) /(x) = | x
para
103
45. Obtenga la expresin para generar variables aleatorias con distribucin de probabilidad.
f(x )= ^ (x + 1 )2
28
para
- 2 < x< 2
46. D eterm ine los valores de X para los nm eros aleatorios 0.2456,0.7867,0.9845,0.2345
y 0.6735, dado q ue X es una variable aleatoria con la siguiente distribucin de probabilidad.
1 -f{x)= e5
para
x< 0
Com pruebe co n Stat: :Fit si las variables aleatorias generadas siguen la distribucin de
probabilidad q ue se esperara de ellas.
Referencias
111 Azarang, M. y Garca, E., Sim ulacin y Anlisis d e M odelos Estocsticos, 1a. ed., McGraw-Flill (1996).
[2] Banks, J ., Carson, J.S., Nelson, B .L y Nicol, D.M., Discrete-Event System Sim ulation, 4a. ed., Prentice
Hall N .J. (2005).
131 Law, A.M. y Kelton, W.D., Sim ulation M odeling a n d Analysis, 3a. ed., McGraw-Hill (2000).
104
CAPTULO 4
SIMULACIN
DE VARIABLES
ALEATORIAS
4.1
4.2
4.3
4 .3 .2
4.3.3
4 .4
4.5
Problem as
105
106
'
X +
(*0/2,^
IC = | x -
V ra /2
'
" ' V r a j2
En am bas ecuaciones:
r = Nmero de rplicas
a = Nivel de rechazo
' /=1
,1/2
189-4 1 + y =
(W
IC = 189.41 - ^ 4 ^ (2.685)
189.41 +
(2.685)
Vio
Vio
'
Vio
x +
V r / 2
'
V ra /2 _
107
3.916
IC = 189.41 - ,
=
V i 0 (0 .0 2 5 )
.
'
3.916
189.41 +
V i 0(0 .0 25 ) .
4.81
733
5.72
7.90
12.03
630
5.83
839
9.74
6.55
2.92
10.65
7.85
8.04
4 .6 0
10.20
737
632
7.08
4.69
6.77
4.85
5.72
9.75
633
8 .3 5
8.89
5.83
3.77
0.50
0 .6
0 .8
1.0
N orm al (7 .1 4 ,2 .1 2 )
1.4x10'
Figura 4.1
Histograma de las rplicas del
modelo de tiem po de entrega
del producto (ejemplo 4.2)
I C= 7 .1 4 -
IC = 77.14
.1 4 - 4 = (1.697)
V30
7.14 + -^ t = (1 .6 9 7 )
V30
I C= [6.46 - 7 .7 9 ] das
4.2
n = 16
109
Figura 4.2
Com portam iento del
promedio de la variable
aleatoria normal con seis
rplicas; exactitud deseada
de 1a
La fig ura 4 .2 representa los resultados de la sim ulacin de seis rplicas in dep end ien
tes de longitud n = 1 6 de una variable aleatoria co n distribucin norm al y desviacin es
tndar 4. Como puede ver, los resultados finales d e la variable aleatoria se encuentran
dentro de la exactitud deseada. Dado el nivel de aceptacin de 5% , si realizram os 100 r
plicas cabra esperar q ue cinco de ellas estaran fuera de la exactitud deseada.
Si se tien e la certeza de norm alidad pero se desconoce el valor de la desviacin es
tndar, ser necesario realizar una corrida inicial de tam ao r i para d eterm inar un estim a
dor de la desviacin. En este caso la longitud de la rplica se determ ina m ediante
n= (< W -i> )
Ejem plo 4.4
Se realiz una corrida inicial de tam ao n ' = 10 para estim ar la desviacin estndar s = 13.21
de una v a ria b le norm al. D eterm in ar la lo n gitu d de la rplica para estim ar el va lo r m e
dio dentro de un rango d e 0.3 con un nivel de aceptacin de 90 po r ciento.
Solucin (vea la fig ura 4.3):
n=( r
(lW
= ((44-03)(2.262))2 = 9 920.83
n = 9 920
Cuando se desconoce el tipo de distribucin de la variable aleatoria a sim ular o bien
la suposicin de norm alidad no existe, e s preciso hacer uso del teorem a de Tcheb ycheff
para calcular la longitud de la rplica. En este caso se utiliza
110
105
103
101
99
Figura 4.3
97
95
1
1001
2001
3001
4001
5001
6001
7001
8001
9001
n = 19 390
Este resultado concuerda con el concepto expuesto en el ejem plo 4.1: para d istribu
ciones diferentes, aun con los m ism os rangos deseados, los requerim ientos de sim ulacin
cam bian, en este caso respecto de la n. A hora bien, veam o s q u sucede al m om ento de
sim ular la variable aleatoria expo nencial. La fig ura 4 .4 m uestra el com portam iento promeRplica d e lo n g itu d 9920
Figura 4.4
Com portam iento del
prom edio de la variable
aleatoria exponencial;
exactitud lograda
d e 0.063 o-
111
dio de la variable; a pesar de haberla sim ulado en 9 920 ocasiones, dicha variable est le
jos de lograr la exactitud q ue se observa en la figura 4.3, en d ond e la variable sim ulada
sigue una distribucin norm al. Para q ue el com portam iento de la variable llegue a la zo
na de estabilizacin con la exactitud deseada de 0.045o-,es preciso generar 19 390 varia
bles exp o n enciales (al sim ular solam ente 9 920 variables exponenciales la exactitud es de
0.063o-).
En la fig ura 4.5 se m uestran los resultados de 10 rplicas de longitud 3 2 0 ;cada una repre
senta el prom edio m vil de una variable aleatoria de W eibull co n crde 1.6. D e acuerdo con
los clculos del ejem plo, esta longitud de la rplica debera asegurar la estabilizacin de
la variable aleatoria lo cual aparentem ente ocurre, segn la grfica ,c o n una exacti
tud de 0.25cr.Los resultados confirm an los clcu lo s,ya q ue el valor final de las rplicas es
tuvieron e n tre 54.41 y 54.57. La diferencia de 0.16 eq uivale a una exactitud relativa a la
desviacin estndar de apenas 0.1 a.
112
Figura 4.5
Com portam iento del
prom edio de la variable
aleatoria d e W eibuII; exactitud
deseada de 0.25o-
4.3
Construir una tabla de eventos en la que se describa la relacin e n tre las variables
involucradas en el proceso. Para la construccin de dicha tabla es preciso identifi
car los elem entos q ue se listan a continuacin.
Variable d e estado
Entidades
Piezas
Eventos
Evento secundario
A ctividades
113
Los nm eros en tre parntesis indican la co lum na q ue ocupa cada elem ento en las ta
blas 4.1 y 4.2.
2.
D efinir las relaciones lgico-m atem ticas entre los elem entos; en la tab la 4.1 se
describen, por ejem plo, las siguientes relaciones:
a)
b)
c)
d)
e)
f)
g)
h)
Tabla 4.1 Relacin entre los even to s y actividades involucradas en el proceso (ejem plo 4.8)
C
P ie z a
T ie m p o e n tre
T ie m p o d e
I n i c i o d e la
lle g a d a s
lle g a d a
in s p e c c i n
(1 )
(2 )
(3 )
F i n d e la
T i e m p o d e in s p e c c i n
in s p e c c i n
( 4 ) __________________
(5 )
T ie m p o e n
T ie m p o
T ie m p o p ro m e d io
in s p e c c i n
e n e s p e ra
e n in s p e c c i n
_______( 6 )
(S )
4
5
= 5 * L N (1 -R A N D Q )
= 5 " L N (1 -R A N D ())' = D 7 + E 6
= 5 * L N ( 1 -R A N D Q ) | = D 8 + -E 7
= M A X (E 8 ,H 7 )
|= 5 * L N < 1 - R A N D 0 )
3.
114
= D 5
-E 5
= D 6 + E 5
= M A X (E 6 ,H 5 )
= N O R M I N V ( R A N D ( ) , 4 ,0 .5 )
= F5 + G 5
= H 5 -E 5
= F 5 -E 5
= A V E R A G E ( $ l$ 5 :1 5 )
= N O R M IN V (R A N D Q , 4 ,0 5 )
= F6 + G 6
= H 6 -E 6
= F 6 -E 6
= A V E R A G E ( $ 1$ 5 : 1 6 )
= M A X ( E 7 , H 6 ) = N O R M I N V ( R A N D ( ) , 4 ,0 .5 )
= F7 + G 7
= H 7 -E 7
= F 7 -E 7
= A V E R A G E < $ I$ 5 :1 7 )
= F 8 + G 8
= H 8 -E 8
= F 8 -E 8
= A V E R A G E ( S 1$ 5 : 1 8 )
= N O R M I N V ( R A N D ( ) , 4 ,0 .5 )
Una vez definidas las relaciones se sim ula el proceso, teniendo cuidado de q ue el
tam ao de la rplica o experim ento sea lo suficientem ente grande para asegurar
la estabilidad del resultado fin al. La rplica cuyos resultados se ilustran en la tabla
4.2 se realiz co n 1 500 p iezas; la inform acin nos indica q ue el tiem p o prom edio
de esp era e s de 15.05 m inutos/pieza. Adem s de este resultado, la co lum na 8 per
m ite visualizar la estabilizacin del sistem a m ediante una grfica de lneas.
Tabla 4 .2 Sim ulacin del proceso de inspeccin (en una h o ja de clculo de Excel)
Fin d e la
inspeccin
(5)
Tiem p o en
inspeccin
(6)
Tiem po
en espera
(7)
Tiem po
prom edio
en
inspeccin
(8)
4.03
4.77
3.97
3.71
3.10
2.64
4.34
4.16
4.41
4.14
8.84
13.61
17.59
21.30
24.40
27.04
31.38
35.54
39.95
44.09
4.03
6.02
6.27
6.59
7.10
9.56
12.05
15.28
15.03
13.15
0.00
1.25
2.30
2.88
4.00
6.91
7.71
11.12
10.63
9.01
4.03
5.02
5.44
5.73
6.00
6.59
737
8.36
9.10
9.51
...
...
...
...
...
...
7390.99
7394.66
7399.11
7403.43
7407.09
7410.57
3.68
4.45
4.32
3.66
3.48
4.57
7394.66
7399.11
7403.43
7407.09
7410.57
7415.15
13.70
16.69
19.45
21.13
24.23
26.94
10.02
12.24
15.13
17.47
20.75
2237
15.02
15.02
15.03
15.03
15.04
15.05
Pieza
Tiem po
entre
llegadas
(1)
Tiem po
d e llegada
(2)
1
2
3
4
5
6
7
8
9
10
4.82
2.77
3.72
3.39
2.59
0.19
1.85
0.93
4.65
6.02
4.82
7.59
1132
14.71
17.30
17.49
1933
20.26
24.92
30.94
4.82
8.84
13.61
17.59
21 30
24.40
27.04
31 38
35.54
39.95
...
...
...
1495
1496
1497
1498
1499
1500
0.04
1.46
1.56
1.98
0.37
1.86
7380.97
7382.42
7383.99
7385.97
7386.34
7388.20
Inicio de la Tiem p o de
inspeccin inspeccin
(3)
(4)
115
Al trabajar con procesos d ond e se involucran varia bles, actividades y eventos aleato
rios, las variables de estado o variables de respuesta sern, en consecuencia, aleatorias. La
fig ura4 .7 m uestra las grficas de estabilizacin de 5 diferentes rplicas del m ism o m ode
lo. Si bien la estabilizacin est asegurada, el resultado final nunca e s el m ism o ;e s e vid en
te q ue replicar el experim ento d ebe ser una prctica com n en cualquier sim ulacin.
R p lic a 3
R p lic a 4
R p lic a 5
F ig u ra 4.7
Grficas de estabilizacin
de 5 rplicas
independientes
P ie z a s
11.53
15.22
10.22
11.30
12.52
10.47
10.41
11.88
12.34
11.63
14.58
10.66
17.09
12.55
11.55
10.05
11.66
15.09
11.21
10.19
11.43
12.00
14.62
12.25
11.73
11.85
10.48
10.12
13.17
11.56
14.27
10.23
13.90
16.34
15.31
13.12
10.59
9.69
13.66
10.59
El anlisis estadstico de la rplicas realizado en e ste caso con la herram ienta Stat: :Fit
de ProM odel perm ite concluir, a travs de una p rueb a de bondad de ajuste, q ue el tie m
po prom edio de espera en el proceso de inspeccin sigue una distribucin de Erlang con
los siguientes parm etros: localizacin 9, fo rm a 3 y escala 1.06 (vea la fig ura 4 .8 ); adems
tenem os los siguientes estadsticos bsicos:
116
T ie m p o
p ro m e d io d e e s p e ra
Figura 4.8
0 .8
1 .0
1 .2
1 .4
1 .6
1 .8 x 1 0 '
E r la n g < 9 ,3 ,lQ 6 )
V ariable d e estado
Entid ades
Barras
Evento
A ctividades
117
L o n g itu d b a rra 1
L o n g itu d b a rra 2
L o n g itu d to ta l
fc m )
(c m )
(c m )
Ei
Es
E s t a d o d e la b a r r a
e s p e c ific a c io n e s
(2 )
(3 )
(4 )
(5 )
(6 )
(7 )
f to b a b ilid a d d e
E n s a m b le
(1 )
__n c i c c
e s ta r fu e ra d e
= S U M ($ I $ 5 :I6 )/ C 6
H 3 0 / 4 )* L N (R A N D ()
=D 7+E7
70
90
= S U M ($ I $ 5 :I7 )/ C 7
H 3 Q / 4 )L N (R A N D 0
=D 8+E8
70
90
= S U M ( $1 $ 5 : t 8 ) / C 8 |
70
90
i !
= S U M ($ I$ 5 ;I5 )/ C 5
=D 6+E6
11
= IF (F S < G 5 ,1 ,I F (F 5 > H 5 ,1 ,0 ))
!
i/i
90
= (5 5 -4 5 )* R A N D O + 4 5
/u
H 3 0 / 4 )* L N (R A N D Q
N 5 5 -4 5 T R A N D Q 4 4 5
La tabla 4 .4 m uestra la relacin m atem tica entre las diferentes variables o elem en
tos del sistem a; fu e desarrollada en una hoja de clculo y el significado de cada colum na
es el siguiente:
1. La longitud de la barra 1 es una variable aleatoria con distribucin uniform e en tre
45 y 50 cm . Fue sim ulada con el generador R A N D () o A LEA TO RIO () de la hoja de
clculo, y CON la ecuacin generadora de variables unifo rm es U = a + {b - a)r.
2 La longitud de la barra 2 es una variable aleatoria sim ulada con la funcin R A N D () o
40
rr
ALEATO RIO (), y CON la ecuacin generadora de eventos Erlan g :ER. = - ln( f Ir.)
3
=i
3. Longitud to ta l: Esta colum na representa el proceso de soldadura, y se o btien e su
m ando las lo ngitudes de las barras pequeas de las co lum nas (1) y (2).
4. La v a ria b le E i sim ula el lm ite inferior de las especificaciones.
5. La variable Es sim ula el lm ite superio r de las especificaciones.
6. Se asigna el atributo de calidad a cada pieza, denom inado Estado de la barra, m e
diante la com paracin de la longitud total de la barra y los lm ites de especifica
cin.
7. Para determ inar la Probabilidad de estar fuera de especificaciones se divide el nm e
ro de piezas defectuosas entre el nm ero de piezas totales. Esto perm ite obtener
la probabilidad com o prom edio m vil, de m anera q ue cada vez q ue es sim ulado
un nuevo ensam ble la probabilidad se recalcula.
Una rplica con los resultados num ricos de las ecuaciones de la tabla 4 .4 se m u es
tra en la tab la 4.5.
A partir de la inform acin de la variable aleatoria Estado de la barra (colum na 6) y
m ediante una prueba de bondad de ajuste, e s posible dem ostrar q ue esa variable sigue
una distribucin de probabilidad de Bernoulli con m edia 0.5.
118
E nsam ble
Longitud
Lo n g itu d
L o n g itu d
barra 1
[cm]
barra 2
[cm]
to ta l
[cm]
Ei
(1)
(2)
(3)
Es
E sta d o d e
la barra
P ro b a b ilid a d
(4)
(5)
(6)
(7)
1
2
47.25
22.50
69.75
70.00
90.00
1.00
1.00
48.65
43.32
91.96
70.00
90.00
1.00
1.00
53.59
16.32
69.92
70.00
90.00
1.00
1.00
47.79
35.74
83.53
70.00
90.00
0.00
0.75
52.08
25.62
77.70
70.00
90.00
0.00
0.60
51.93
37.48
89.41
70.00
90.00
0.00
0.50
51.31
19.86
71.17
70.00
90.00
0.00
0.43
53.17
39.58
92.75
70.00
90.00
1.00
0.50
45.58
32.53
78.11
70.00
90.00
0.00
0.44
10
...
49.10
...
25.01
...
74.12
...
70.00
...
90.00
...
0.00
...
0.40
...
995
46.83
12.19
59.02
70.00
90.00
1.00
0.50
996
54.31
8.04
62.35
70.00
90.00
1.00
0.50
997
52.36
16.18
68.54
70.00
90.00
1.00
0.50
998
49.32
48.40
97.72
70.00
90.00
1.00
0.50
999
51.30
6.82
58.11
70.00
90.00
1.00
0.50
1000
49.88
38.76
88.64
70.00
90.00
0.00
0.50
La grfica de estabilizacin (vea la fig ura 4.9) de la inform acin de la Probabilidad (co
lum na 7) de la tabla 4.5 p erm ite visualizar q ue la rplica e n tra a la zona de estado estable
despus de 200 ensam bles, y se m an tiene oscilando alrededor de 0.5 hasta el final de la
sim ulacin. sta nos p erm ite co m p ro b ar visu alm e n te q ue el experim ento tie n e las di
m ensiones suficientes para asegurar la convergencia del resultado.
Figura 4.9
G rfica d e e s ta b iliz a ci n
de la p ro b a b ilid a d d e q u e
201
401
601
801
1001
E n s a m b le s
una barra e st fu e ra de
e sp e c ific a c io n e s
119
Rplicas.
0.49
0.51
0.53
0.51
0.46
0.50
0.48
0.53
0.52
0.50
0.51
0.49
0.51
0.51
0.52
0.50
0.51
0.49
0.52
0.52
0.54
0.54
0.49
0.50
0.51
0.52
0.54
0.49
0.54
0.50
0.49
0.50
0.50
0.50
0.51
0.53
0.53
0.20
0.00
0.46
0 .4 8
0 .5 0
W e ib u ll (0 ,3 1 .5 ,0 .5 1 7 )
0 .5 2
0.54
Figura 4.10
Histograma de las rplicas
(obtenido con Stat: :Fit)
120
Media: 0.509.
Desviacin estndar: 0.0175.
Intervalo de confianza con 1 - a = 0.95: [0.504,0.514] m inutos/pieza.
Valor m nim o en la m uestra: 0.46.
Vlor m xim o en la m uestra: 0.54.
Variable d e estado
Entidades
Clientes
Evento
Dem anda
Ventas
Entrega de m aterial po r parte del proveedor
Actividades
In v e n ta rio
10
D a
E n t r e g a s d e l p r o v e e d o r ________
i i
700
12
= B 1 1+1
= IF (M O D (B 1 2 ,7 )= 0 ,7 0 0 -G 1 1 ,0 )
13
= 812+1
= IF (M O D (B 1 3 ,7 )= 0 ,7 0 0 -G 1 2 ,0 )
14
15
in ic ia l
=C11
D e m a n d a ____________
V e n ta s
In v e n ta rio fin a l
= -1 0 0 * L N (1 -R A N D O )
= IF (D 1 1 > = E 1 1 ,E 1 1 ,D 1 1 )
1= M A X (0 ,$ D 1 1 -S E 1 1 )
1 =G 11+C 12
= -1 0 0 * L N < 1 -R A N D ())
= IF (D 1 2 > = E 1 2 ,E 1 2 ,D 1 2 )
= M A X (0 ,$ D 1 2 -S E 1 2)
=G 12+C 13
= -1 0 0 * L N (1 -R A N D {))
= IF {D 1 3 > = E 1 3 ,E 1 3 ,D 1 3 )
= M A X (0 ,$ D 1 3 -$ E 1 3 )
= 813+1
= t F (M O D (B 1 4 ,7 )= Q ,7 0 0 -G 1 3 ,0 )j = < 5 1 3 + C 1 4
^ 1 0 0 L N (1 -R A N P 0 )
= IF (D 1 4 > = E 1 4 ,E 1 4 ,D 1 4 )
= M A X (0 ,$ D 1 4 -$ E 1 4 )
=B14+1
= IF (M O D (B 1 5 ,7 )= 0 ,7 0 0 -G 1 4 ,0 )
= -1 0 0 * L N (1 -R A N D {))
= I F ( D 1 S > = E 1 5 <E 1 5 , D 1 5 )
= M A X (0 ,$ D 1 5 -S E 1 5)
=G 14+C 15
'
C o s t o d e f a lt a n t e
C o s to to ta l
C o s to p ro m e d io
C o s t o d e lle v a r
10
C o s to d e o rd e n a r
in v e n ta rio
11
= I F ( M O D (B 1 1 ,7 )= 0 ,1 0 0 0 ,0 )
= 1 * (D 1 1 + G 1 1 )/ 2
= IF (D 1 1 < = E 1 1 ,6 * (E 1 1 -D 1 1 ),0 )
= S U M (J 1 1 :L 1 1 )
= A V E R A G E ($ M $ 1 1
[1 2
= IF (M O D (B 1 2 ,7 )= 0 ^ 1 0 0 0 , 0 )
= 1 #(D 1 2 + G 1 2 )/ 2
= I F ( D 1 2 < = E l 2 ,6 * (E l 2 -D 1 2 ) , 0 )
= S U M f J 1 2 :L 1 2 )
= A V E R A G E ($ M $ 1 1 M I 2)
= I F ( M O D (B 1 3 ,7 )= 0 ,1 0 0 0 ,0 )
= l* (D 1 3 + G !3 )/ 2
= IF (D 1 3 < = E 1 3 ,6 * (E 1 3 -D 1 3 ), 0 )
= S U M (J 1 3 :L 1 3 )
= A V E R A G E ($ M $ 1 1 M 1 3 )
14
= I F ( M O D (B 1 4 ,7 )= 0 ,1 0 0 0 ,0 )
= l* (D 1 4 -K j1 4 )/ 2
= IF (D 1 4 < = E 1 4 ,6 * (E 1 4 -D 1 4 ), 0 )
= S U M (J 1 4 :L 1 4 )
= A V E R A G E ($ M $ 1 1 M 1 4 )
15
= IF (M O D (B 1 5 ,7 ) = 0 ,1 0 0 0 ,0 )
= 1 * (D l5 + O l5 )/ 2
= IF (D 1 5 < = E 1 5 ,6 * (E 1 5 -D 1 5 ), 0 )
= S U M (J 1 5 :L 1 5 )
= A V E R A G E ($ M $ 1 1 M 1 5 )
(b ) R e la c i n e n t r e lo s c o s to s
Las tablas 4.7(a) y 4.7(b) m uestran la relacin m atem tica entre las d iferentes varia
bles o elem entos del sistem a; la tabla est desarrollada en un program a de hoja de clcu
lo, y el significado de cada co lum na es el siguiente:
122
La tabla 4.8 m uestra q ue los resultados es una rplica de 14 das de la sim ulacin del
sistema, utilizando las ecuaciones de las tablas 4.7(a) y 4.7(b).
Tabla 4.8 Tabla de eventos del sistem a de inventarios (realizada en Excel)
Entregas
C o sto d e
del
A ve n ta rio
Oa
p ro veed o r
inicial
D em anda
Ventas
700.00
A v e n ta rio
C o sto d e
llevar
C o sto d e
Costo
C o sto
fin al
o rd e n ar
inven tario
feltan te
to tal
p rom edio
1 000 .00
700.00
181.23
181.23
518.77
609 .39
1 60939
1 609 .39
518.77
29.40
29.40
48937
504.07
504.07
1 056 .73
489 .37
205.65
205.65
283.72
386.55
386.55
83333
283.72
112.36
11236
17136
227.54
227.54
681 .89
17136
107.42
107.42
6 3.9 4
117.65
117.65
569.04
6 3.9 4
77.26
6 3.9 4
0 .0 0
31.97
79.96
111.93
492 .85
0 .0 0
43.34
0.00
0 .0 0
0.00
260.06
260.06
459 .60
700.00
42.02
4 2.0 2
657 .98
1 678 .99
612 .02
657 .98
1 2136
12136
536.61
59730
59730
61038
536.61
83.89
8 3.8 9
452 .73
494 .67
494 .67
598.81
10
45273
13931
139.21
313.52
383.12
383.12
579.20
11
313.52
185.00
185.00
128.51
221.01
221.01
549.36
12
128.51
46.62
4 6.6 2
8 1.8 9
105.20
105.20
515.19
13
8 1.8 9
329.79
329.79
0 .0 0
40.94
1 52837
587.56
700.00
150.99
150.99
549.01
1 624.51
656 .69
14
700.00
700.00
1 000 .00
678 .99
1 000 .00
1 487 .43
624.51
Resultados:
La fig ura 4.11 m uestra el com portam iento del inventario al inicio del da (colum na C)
a lo largo del tiem po, para el periodo sim ulado de 60 das.
C o m p o rtam ie n to d e l in v e n tario
700 600 500 400 300 200
100 -
01
15
2 2
29
36
43
50
57
Das
El anlisis del costo promedio de operacin de la tienda incluye prim eram ente las g r
ficas de estado estable (figura 4.12) de cinco rplicas independientes d e los resultados de la
tabla 4.8. El resultado nos perm ite observar la convergencia del costo respecto del tiem po.
Los valores finales del costo de operacin de estas cinco rplicas son 592.55,527.45,
5 0 6 .1 3 ,6 0 5 .5 9 y 597.85. Con esta in fo rm aci n calcu lam o s un v a lo r pro m ed io de 565.9
y una desviacin estn d ar de 4 5 .7 . D ebido a q ue esta inform acin es in su ficien te para
dem ostrar la norm alidad de los datos, el clculo del intervalo de confianza con un nivel de
significancia de 90% se realiza m ediante el teo rem a d eTch eb ych eff:
IC = x V 2
IC = 5 6 5 .9 -
'
x +
" ' V r ^ j2 _
45.7
V ( 5 ) ( 0 .0 5 )
565.9 +
45.7
V (5)(0.05).
IC = [474.49 -6 5 7 .3 3 ] $/da
tiem po de desarrollo del m odelo de sim ulacin. Las o pciones van desde las h ojas de
clculo, lenguajes de tipo general (com o Visual Basic, C++ o FORTRAN), lenguajes espec
ficos d e sim ulacin (com o GPSS, SLAM , SIMAN, SIMSCRIPT, GAS y SSED), hasta sim uladores
especficam ente desarrollados para diferentes objetivos (com o SIMPROCESS, ProModel,
W itness,Taylor II y Crystal Ball).
En la actualidad la seleccin del lenguaje o sim ulador depende de los siguientes fac
tores:
1. Los m ercados prim arios a los q ue atender la sim ulacin, as com o las aplicaciones
tp ic a s en q ue se le u tilizar, po r e je m p lo : a d m in istraci n estratg ica, logstica,
telecom unicaciones, m anufactura, sistem as m ilitares, sistem as de salud, m anejo de
m ateriales, anlisis de riesgo, sim ulacin continua o discreta, etctera.
2. Requerim ientos de eq uip o ,co m o plataform a o sistem a operativo, m em oria RAM y
utilizacin de disco duro.
3. Capacidad de construccin y program acin del m odelo a travs de iconos o m e
diante procesos de tipo "arrastrar y colocar" {drag and drop), as com o acceso a pro
gram acin estndar. A este respecto tam bin es im po rtante co nsiderar el tiem po
y la velocidad en la deteccin de errores, as com o la posibilidad de re utilizar par
tes de cdigo, objetos o plantillas (tem plates).
4. Inclusin de herram ientas com plem entarias para la realizacin de pruebas de bondad
de ajuste en fo rm a autom tica, el anlisis de las variables de respuesta, la posibili
dad de crear diseo de experim entos y la optim izacin del sistem a sim ulado.
5. La animacin del sistema, considerando aspectos com o velocidad, uso de diferentes
vistas,facilidad de exportacin, com patibilidad co n otras aplicaciones y la posibili
dad de poder prescindir del uso de la anim acin.
6. El costo y el tipo de licencia otorgada, as com o el soporte tcnico y la facilidad de
entrenam iento y uso de m anuales y ayudas en lnea.
7. Otras consideraciones, co m o la capacidad de em paquetam iento de los m odelos, la
distribucin a otros usuarios, y la capacidad que tenga la com paa para actualizar
su producto.
Algunas aplicaciones en el rea de sim ulacin disponibles actualm ente en el m ercado
son:
Analytica
AnyLogic 5.0
Arena
AutoMod
Crystal Ball
DecisionPro
eM-Plant
Enterprise
D ynam ics 5.0
DecisionScript
Extend
Factory Explorer
FirstSTEP
D esigner
Flexsim
GAUSS
GoldSim
GPSS
MAST
Micro Saint
M ystrategy
NAG SMP
Library
125
PIMSS
System
ProcessModel
ProModel
Proplanner
Man ufactu ring
Process
M anagem ent
Softw are
ProVision
SAIL
SansGUI M odeling
and Sim ulation
Environm ent
Show Flow
SIGMA
SIMPROCESS
SIMUL8
SLIM
Supply Chain
Builder
VisSim
W itness
4.5 Problem as
1. En un restaurante de com ida rpida se venden ham burguesas a $6 cada una, con un
costo de produccin po r unidad de $3.5. Al realizar un estudio se ha encontrado que
la dem anda po r hora en este local se distribuye de acuerdo con la siguiente funcin
de probabilidad:
D em anda
Probabilidades
0.10
0.15
0.25
0.20
0.15
0.08
0.07
Sim ule la utilidad prom edio por hora q ue se obtendra en 100 ho ras de trabajo.
Realice 5 corridas y construya la g rfica de estabilizacin de la utilidad prom edio p a
ra cada corrida, incluyendo su respectivo intervalo de confianza a 95 po r ciento. Con
sidera q ue las conclusiones obtenidas son estadsticam ente vlidas? Por qu? Cul
e s la diferencia de co ncluir usando los intervalo s de confianza de cad a rplica y em
plear el intervalo de confianza global para las 5 rplicas?
2 D espus de realizar una sim ulacin de 5 rplicas se obtuvieron los siguientes valores
en estado estable para el nivel de ingresos prom edio m ensual de una com paa:
1 236,1 324,1 289,1 302 y 1 265. D eterm ine el intervalo de confianza para establecer
el verdadero valor del nivel de ingresos prom edio m ensual de la com paa.
3. A un operario le llegan ciertas piezas para que las inspeccione; la revisin se desarrolla
de acuerdo con la distribucin de tiem p o f = 3 r S i el operario recib e un lote de 10
126
4 5 Pro b lem as | :
piezas, sim ule cunto tiem p o tardar en revisar el lote. Utilice los siguientes nm eros
aleatorios: 0.6251, 0.5948, 0.6674, 0.2807, 0.9359, 0.1655, 0.1189, 0.7857, 0.4783,
0.9987.
4. Se tien e un proceso de fabricacin de refrigeradores. La dem anda diaria de este pro
ducto est norm alm ente distribuida. La dem anda prom edio e s de 80 refrigeradores
por da, con una desviacin estndar de 10 refrigeradores diarios. Se desea saber cul
es la m ejor poltica de produccin, considerando 60, 70, 80, 90 y 100 refrigeradores
por da. El co sto po r faltante es de $8/refrigerador po r da, y el costo de te n e r un refri
gerador en el inventario es de $5/refrigerador po r da.
a) Se le pide realizar 5 corridas de 100 das para cada poltica.
b) Obtenga el costo prom edio po r da de cada poltica, y un intervalo de confianza
para ese prom edio diario.
c) D eterm ine,con base en sus resultados, cul de las polticas seleccionadas es la que
debe im plem entar la em presa.
5. Un cilindro con dim etro
ser insertado en un agujero con dim etro xr Si x } sigue
una distribucin norm al con m edia de 1.5 cm y varianza de 0.0016, y x2 una d istribu
ci n 2-Erlang y una m edia de 2.5 c m ,sim u le en una hoja de clculo la insercin de 500
cilindros y determ ine m ediante el estim ador la probabilidad de q ue haya interferencia
(es decir, q ue cilindro pequeo no en tre en el agujero).
6. Una barra de longitud x } ser unida m ediante soldadura a otra de longitud x 2. Si x} si
gue una distribucin normal con m edia de 30 cm y varianza de 0.81, y x 2 una distri
bucin Erlang con k = 2 y una m edia de 15 cm , sim ule la soldadura de 3 00 barras,
tom ando en cuen ta q ue la especificacin superior de diseo es d e 50 cm . Tam bin
determ ine el estim ador de la probabilidad de q ue una barra est fuera de especifi
cacin.
7. Un proceso consta de 2 etapas: la prim era tie n e una duracin de t} m inutos y la se
gunda dura t2 m inutos. Si t1 sigue una distribucin normal con m edia de 30 m in y va
rianza de 10 m in, y t2 una distribucin 3-Erlang y una m edia de 20 m in, y si el tiem po
mximo de produccin perm itido de este proceso es de 55 m in, sim ule en una hoja
de clculo la produccin de 1 000 piezas y estim e la probabilidad de q ue una pieza
consum a m s tiem po del perm itido.
8 Un tirador de flecha se encuentra entrenando para las prxim as olim piadas. El blan
co a q ue le dispara consiste en un cuadrado de 10 cm x 10 cm . Un equipo de investi
gadores m idi el com portam iento histrico de su pulso, y llegaron a la conclusin de
q ue la desviacin de cada disparo respecto del centro es norm al (<x = 3) cm en el eje
y", y uniform e(-12, + 12) en el e je "x" Sim ule en una hoja de clculo 500 disparos (por
rplica) del tirad o r y calcule:
a) La probabilidad de dar en el blanco sim ulando slo una rplica.
b) El intervalo de confianza a un nivel de 90% de la distancia entre el punto donde
peg el disparo y el centro del blanco, usando 10 rplicas.
127
9. En el cierre de la novena entrada del 7o ju e g o del Clsico de Otoo en el Yankee Stadium , Kevin Brow n, lanzador de los Padres de San Diego, se en fren ta a Chili Davis, b a
teador del equipo contrario. Los Padres de San Diego m antienen una m nim a ventaja
de 1 a 0. Con casa llena, 2 o uts y 1 bola en la cuen ta del bateador, Davis recib e la se
al de esperar. El rbitro ha estado m anteniendo una zona d e strike de 4 0 cm x 40 cm.
Estadsticam ente, Kevin B ro w n lanza la pelota respecto del centro de la zona de stri
ke co n una desviacin norm al (cr = 10) cm en el eje "y "y uniform e(-30, +30) en el eje
"x^Simule en una hoja de clculo hasta q ue el bateador q ued e elim inado, y calcule:
a) El porcentaje de strikes al sim ular slo una rplica.
b) El intervalo de confianza a un nivel de 95% de la distancia entre el punto po r d o n
de pas el lanzam iento y el centro de la zona de strike, usando 100 rplicas.
Nota: Con 3 strikes (strike = lanzam iento en la zona de 4 0 x 40) acum ulados, el batea
dor pierde; co n 4 bolas (bola = lanzam iento fuera de la zona) el bateador gana.
10. La llegada de clientes a un banco con 2 cajeras y una fila tien e una distribucin de
Poisson con m edia de 4 0 personas/h. Sim ule en una hoja de clculo este proceso d u
rante 8 h y determ ine el tiem po prom edio en el sistem a, sabiendo q u e el proceso de
servicio e s exponencial con m edia 4 .4 m inutos/cliente.
11. Se tie n e un proceso al cual llegan piezas con una distribucin de probabilidad. Estas
piezas pasan po r un proceso de inspecci n d ond e un operario las revisa, tard and o
6 2 m inutos po r pieza. El porcentaje de rechazos q ue se tien e es de 15%, y las piezas
defectuosas son elim inadas. Asum iendo que el inspector siem pre tie n e piezas dispo
nibles para revisar, sim ule e ste sistem a d urante 100 piezas.
a ) Realice 5 corridas y determ ine, po r m edio de un intervalo de confianza, el valor
prom edio de piezas defectuosas q ue se generarn en el sistem a.
b) Considera q ue los resultados o b ten id o s de la sim ulacin son confiables? Por
qu?
12. A un centro de m aquinado llegan diversas piezas para ser procesadas. Cada pieza se
trabaja bajo los siguientes tiem p o s: 30% tarda 2 m in ;co n distribucin expo nencial, el
35% tarda 3 1 m in ; 20% tarda 4 min. D e m anera constante, 15% se distribuye de
acuerdo con una distribucin norm al con m edia de 5 m in, y con una desviacin es
tnd ar de 1 min. Por otra parte, 5% del total de las piezas m aquinadas son retiradas
com o producto no conform e, y enviad as al rea de reproceso.
a ) Sim ule el sistem a hasta obtener 100 piezas buenas.
b) Realice 5 replicas y calcule un intervalo de confianza para el tiem po necesario p a
ra com pletar las 100 piezas.
c ) Considera q ue los resultados obtenido s en el inciso c tienen validez? En caso de
que no los considere vlidos, qu sugiere para m ejorar sus conclusiones?
13. Un cam in de reparto tarda 30 10 m inutos en ser cargado, 20 5 m inutos en ser
descargado y 4 0 m inutos con distribucin exponencial en trasladarse, ya sea de su
base al lugar de entrega, o del lugar de entrega a su base.
a) Sim ule el sistem a po r 10 horas y realice 5 replicas.
128
129
CAPTULO 5
SIMULACIN
CON PROMODEL
5.1
5.2
5.3
5 .4
Construccin de un m odelo
5.4.1
5.4.2
5.4.3
5.4 .4
5.5
Caso integrador
5.6
Problem as
132
trabajo con cada pieza, considerando carga, proceso y descarga. Asum iendo q ue se pue
de ten er cualquier cantidad de piezas esperando a ser procesadas, sim ular el proceso por
100 das.
Un prim er anlisis del problem a nos perm ite ver q ue nuestro sistem a incluye diferentes
elem entos a considerar. D ebem os su po n er q ue las piezas llegan a una fila de espera, des
pus son procesadas e n la prensa y abandonan, po r ltim o, el rea de trabajo con destino
hacia algn otro alm acn y/o proceso. Dado que lo q ue ocurra con ellas al salir de la p ren
sa no nos interesa de m om ento, el sistem a bajo anlisis concluye cuando se term inan las
piezas en la prensa. Una vez identificados e sto s detalles, procederem os a realizar la pro
gram acin para sim ular el proceso en ProModel.
El prim er paso, po r supuesto, consiste en ejecutar el softw are para com enzar a tra
bajar en la definicin del sistem a q ue deseam os m odelar. Una vez q ue se despliegue la
ventana del program a, em pezarem os po r construir las localizaciones, e s decir, una repre
sentacin de todos aquellos lugares fsicos d ond e las piezas sern trabajadas o esperarn
su turno para ser procesadas. En este caso el sistem a cuen ta slo con una fila o alm acn
tem poral, y co n la prensa en d ond e se realizar el trab ajo . Para d e fin ir d ich as lo ca liza
ciones, ab ra el m en Build y haga clic en el com ando Lo catio n s,com o se m uestra en la
figura 5.1.
i
JE*
P i c M i k I ii I
II . t y o u l
S tu d r n l V f io o n l
lo *
CM *N
S evn a t
W r*
M *>
Mtodos
abreviados
de teclado
l.iglx
J f i J _
C M -K
E to c e iu f l
C W -P
ji(<afc
C W -6
S tfti
M lifc u le !
C M .l
V * * * ' . |g b M I|
c -e
fin a r .
C M -Y
M I0 1
CW *M
n*l
C M .S
< E U n u r t
G a o * al in o m iO m
cw *<
C |
Figura 5.1
El com ando Locations del m en Build nos perm ite com enzar a crear
h s localizaciones para nuestro m odelo
las teclas correspondientes a la derecha de cada com ando [vea la fig ura 5.1]. Por ejem plo,
para ejecutar el com ando Locations oprim a sim ultneam ente las teclas Ctrl y L.)
Una vez q ue ejecu te el com ando Locations aparecern tre s ventanas en la pantalla: Loca
tions, Graphics y Layout (vea la fig ura 5.2). En la prim era definirem os las caractersticas
de las localizaciones y en la segunda las de los grficos; la tercera ventana co nstituye el
rea en donde determ inarem os la configuracin general del m odelo.
Gracias a la interfaz grfica del program a, para definir cada una de las localizaciones
podem os proceder de dos m aneras. La prim era consiste en escribir d irectam ente en los
cam pos de la ventana Locations la inform acin correspondiente a cada localizacin:
nom bre, capacidad de atencin, nm ero de unidades, estado, reglas y dem s datos rela
cionados. La otra es m s intuitiva y aprovecha los botones del rea Graphics y la caracte
rstica de "arrastrar y co lo car"EI procedim iento e s com o sigue:
Haga clic en uno de los ico no s del rea G raphics y, sin soltar el botn del ratn,
arrstrelo hasta la ventana Layout y libere el botn. D e esta m anera h abr creado
una nueva localizacin. El icono correspondiente tendr un nom bre preasignado en
el cam po am e de la ve n tan a Lo catio ns. Para ca m b ia r el nom bre, sim plem en te
seleccinelo y escriba. Para quitar la seleccin del icono actu al, slo elija un nuevo
icono y repita la operacin.
Para sealar los lugares a d ond e querem os q ue lleguen las entidades, haga c lic en
el icono predefinido de localizacin (un crculo rojo con una equis blanca j j T ) y, sin
soltar el botn del ratn, arrstrelo hasta la posicin deseada en la ventana Layout.
Para agregar texto a las localizaciones, haga c lic en el botn de texto de la ventana
G raphics (Ao). Este texto pu ed e editarse con slo hacer d oble c lic sobre l.
Aunque para este prim er ejem plo no es necesario, se puede alim entar el m odelo con
m s inform acin respecto de las localizaciones; po r ejem plo, su capacidad de atenci n a
entidades, el nm ero de localizaciones iguales, si se tom arn en cuen ta los tiem p o s de
descom postura, etctera.
{Nota: Es im po rtante sealar q ue los grficos nicam ente constituyen un elem ento visual
de apoyo, y no la sim ulacin en s mism a.)
En el caso particular de nuestro ejem plo, debem o s co nsiderar q ue to d a pieza q ue llegue
puede esp erar a ser atendida. Para ello definirem os una localizacin a la q u e llam arem os
"fila" y le asignarem os una capacidad infinita en el cam po Cap. escribiendo infinite,o sim
plem ente inf, para cada localizacin.
Si po r alguna razn deseram os cam biar el icono de una localizacin,todo lo q ue hay
que hacer es:
IJ g lx
ft ,
|>
Bu*)
Q U f-,
! ->
w m to w
C p
H .t,
< * >
S t* .
i ir
W
No*
0 ?
P
*
i A
A
uu
o >
Aa
T*
E d il
* *
E ra s e |
A J
%a
1 n
*
31 i
* *
L iflL J
*
& f.
* -
K
<*
a >
4
2T
Figura 5.2
Otra posibilidad consiste en hacer clic con el botn derecho del ratn en el icono que
define la localizacin en la ventana Layout.Enseguida aparecer un m en co ntextu al con
ODmandos para editar o elim inar la localizacin y borrar, incluso, to d a la inform acin refe
rente a ella. Por ejem plo, si selecciona el com ando Edit G rap hic podr m odificar el tam a
o y color del icono seleccionado, pero no la localizacin en s m ism a. Para usar un grfico
diferente que identifique la localizacin, tendr que borrar el actual y rem plazado po r el
nuevo.
(/Vota:Si olvida desm arcar la casilla de verificacin New de la ventana Graphics, al reali
zar cualq uiera de las acciones anteriores estar creando m s localizaciones de las n ecesa
rias [en el caso d e nuestro ejem plo, dos]. Para elim inar aquellas q ue no le sean tiles,
seleccione la fila apropiada en la ventana Locations, abra el m en Edit y haga clic en el
com ando Delete.)
Para continuar, definirem os la localizacin q ue representar la prensa. Igual q ue antes, se
leccione un icono cualq uiera en la ventana Graphics. Gracias a la in terfaz grfica de Pro
Model pu ed e anexar una posicin sobre el icono, de m anera que "se vea" q ue la pieza
llega a la prensa; para ello, em plee el botn I H - U na vez concluidas estas definiciones
prelim inares, la ventana Layout podra lu cir co m o se ilustra en la fig ura 5.3.
136
P io M o d iH
I |m p to 3
I m od
_i*l*
f.*
>
~ c i~
E C 'i
E ra s
Vlew
P re n s a
# .
. * *
K
r*
_L
Figura 5.B
Una vez definida la configuracin del proceso, pasarem os a definir la entidad que re
presentar la pieza en proceso. Para ello:
Abra el m en B uild y haga clic en el com ando Entities. Una vez ms, en la panta
lla aparecern tre s ventanas: Enttes, Entity Graphics y Layo ut,cuyo propsito es
m u y sim ilar al de sus eq uivalen tes en el caso de la definicin de localizaciones.
D esm arque la casilla de verificacin New de la ventana Entity G rap hics.En seg ui
da aparecern n uevo s lugares para definir m s ico no s q ue identifican la m ism a en
tid ad ; una vez seleccionado el icono, su pantalla ser sim ilar a la q ue se ilustra en la
fig ura 5.4.
**
m od
H fld
Figura 5.4
Definicin d e entidades
Una vez definidas las entidades determ inarem os su frecu encia de llegadas a nuestro m o
delo. Para ello:
P io M u d n l
I mod
Figura 5.5
138
{Nota: Si desea conocer las opciones predeterm inadas de las distribuciones de probabili
dad q ue ofrece ProModel, despliegue la ayuda del program a haciendo clic en el m en
H elp,co nsu lte el tem a Functions y elija la opcin Probabilty Distributions.)
Finalm ente com pletarem os nuestro m odelo definiendo la lgica de la sim ulacin; para
ello abra el m en Buld y elija Processing. En esta ocasin se desplegarn dos ventanas
en las q ue program arem os de m anera secuencial el proceso q ue sigue la pieza en el sis
tem a: Process y Routing for. En la prim era definirem os las operaciones q ue se harn so
bre la entidad, y en la segunda indicarem os la ruta secuencial e n el proceso. Al analizar
una vez m s el ejem plo, ver q ue po dem os dividir el proceso en los siguientes pasos:
1. La pieza llega a la fila para esperar su turno de procesam iento. Cuando se cum pla
la condicin sobre el estado de la prensa, la pieza abandonar la fila y seguir su
ruta hacia la localizacin "prensa"
2. La pieza llega a la prensa, donde se le procesa d urante un tiem p o prom edio de 4
m inutos,con distribucin exponencial. Una vez term inado el proceso en la prensa,
la pieza abandona esta localizacin; su sigu ien te paso es salir del sistema.
Cada uno de estos pasos deber program arse de m anera independiente, es decir, en
un registro separado. Em pezarem os po r definir la llegada de las piezas a la fila. Para ello:
Figura 5 .6
Cortar
Imprimir
Copiar
Com pilar
Construir
lgica
Figura 5 .7
La ventana O peration
permite program ar
las operaciones
140
Haga clic en el icono de m artillo para com enzar la construccin lgica. Al hacerlo se
abrir otra ventana, q u e contiene todos los com andos de program acin existentes.
ProModel har una sugerencia de com andos q ue podran resultar tiles. Al colocar el
cursor del ratn sobre cada uno de ellos se m ostrar una sugerencia en pantalla con una
breve descripcin de su utilizacin.
El com ando q ue pu ed e ser de utilidad en nuestro caso e s WAIT, q ue im plica una es
pera de la entidad en cierto m om ento (por ejem plo, para realizar una operacin).Toda vez
que querem os m anejar un tiem p o exponencial de 4 m inutos, la instruccin co m p leta se
r WAIT E(4) mln. La sintaxis general del com ando e s la siguiente:
WAIT <undades d e t ie m p o
Procedam os a d efin ir la ruta de salida de este registro. En este caso la entidad de sa
lida es la pieza, y su destino es salir del sistem a. Finalm ente la program acin d ebe lu cir c o
mo se ilustra en la fig ura 5.8.
Figura 5.8
Abra el m en Sim ulation y haga c lic en el com ando Options. Enseguida se abrir
la ventana correspondiente, e n cuyo cam po Run hours escribirem os 100 day. En
el cam po N um ber of R eplications podem os determ inar el nm ero de veces que
deseam os co rrer el m odelo, es decir el nm ero de replicas. En e ste caso slo reque
rirem os de una repeticin.
El m odelo est term inad o . Para ejecutarlo, lo nico q ue tie n e q ue hacer es desplegar
el m en Sim ulation y hacer clic en el com ando Save & Run. Una vez q ue est co rrind o
se la sim ulacin, podr si as lo desea ajustar su velocidad co n la barra q ue aparece
en la parte superior de la ventana, o can celar la anim acin m ediante el com ando Animation O ff del m en Options.
141
Al term in ar la sim ulacin de los 100 das se desplegar un cuadro de m ensaje confir
m ando la finalizacin del tiem p o program ado. Si desea ver los resultados, haga clic e n el
botn Yes (estos resultados pueden com pararse con los que se o b tien en tericam ente
m ediante las ecuaciones m atem ticas de lneas de espera para un m odelo M/M/1). Ense
guida se abrir una ventana co n varias fichas q ue m uestran los resultados estadsticos de
la sim ulacin (vea la fig ura 5.9). Los datos pueden leerse y graficarse de inm ediato con las
herram ientas q ue ofrece ProModel, o guardarse en archivos con form ato de Excel para
personalizarlos posteriorm ente. En am bos casos podrem os encontrar la sigu ien te infor
macin relevante (las cifras pueden variar dependiendo de los nm eros aleatorios que
haya utilizado d urante la sim ulacin).
TTO
y* *
&
lo *
j n
:y
Lo z& K C i
G rw J
-I f f lx
H tfi
i *
&
i a
lo c j& m S W c M if li
&
< 9
r *
l o c 3 x . S ta te s S in ^ e / T a r *
(ir d e tr e d rte w
R e v jjc e :
* |
R e s a r c e S ta te s
|J
H c te E m W i
F s e d A in v r f i
Z r lt y b c M y
E r W y S la l e s
V a > a t>e s
(i a u n a l lo e w m p lo 3 _ 1
am e
V a lu
R u .D * .'T m .
a y a M M IO Z IM p rn
M c t o ' P lh / F * -
| M e t a ' T H e
Figura 5.9
Ficha General
Los datos q ue despliega esta ficha indican q u archivo se us para o b tener los resultados,
as co m o la fecha y hora en la que se realiz la sim ulacin.
Ficha Locations
En esta seccin (vea la fig ura 5.10) se presenta la informacin de cada una de las localizacio
nes, las horas simuladas, su capacidad (en este caso la capacidad infinita se representa con
999999), el nm ero total d e entidades q ue entraron durante la sim ulacin, el tiem po prome
dio de estancia de las en tid ades en cad a localizaci n, el nm ero prom edio de piezas, el
nm ero m xim o de entidades, el nm ero actual de en tid ades al m om ento de fin alizar la
simulacin y el porcentaje de utilizacin de cada una de las localizaciones.Tam bin se pue
den re visar las estad sticas in d ep en d ien tes de cad a localizacin con capacidad unitaria
com o la prensa y de aquellas que tienen capacidad m ayor a uno com o la de la fila.
e je n p lo 3 _ 1
77-1 F t e
V ie w
id b - O u t p u t V ie w e i 3 D R - (R e p o it f o i e je m p lo 3 _ 1 J
T o o ls
W ndcw
H e lp
I ( * &
G e n e r
a & &
| lo c a to n s
L o c a tio n S t a t e ; M u i
V*
L o c a tt c n S ta te s S r> g le / T a
rk
R e s o u ic e s
R e s o u e e S ta te ;
H o d e E n tre s
F a le d A r iiv a ls
E r M y A c lw * >
I o r a l m n x lo i e ie m p lo 3 _ 1
S c h e d u lc d
Nem e
T im e
T o ta l
A v g T im c P e
C a P a c ,,V
E n t iie ;
E n l i y (M IN )
A v g C o n te n ti
M x im u m
Cunen!
C o n te n ;
C o n te n !;
X U lilu e tw n
flt
1440Q 99999900:
2 8 5 2 4 00
1536
3 04
4 1 .0 0
2 .0 0
o rr
P ie n s a
144030 0 0
2 8 5 2 2 .0 0
4 .0 0
0 79
1 .0 0
1.03
7 9 .2 8
Figura 5.10
142
(M IN )
i 00
La ficha Locations tam bin incluye inform acin respecto de los parm etros de un sis
tem a de lneas de espera, com o: la utilizacin de la prensa (P), q ue e s un porcentaje de la
operacin; el nm ero prom edio de clientes en el sistem a (L), q ue es el Avg Contents de
la fila m s el Avg Contents de la prensa; el nm ero prom edio de clientes en la fila (Lq),
que es el Avg Contents de la fila; el tiem po promedio de perm anencia en el sistema (W ),q u e
es la sum a de los Avg tim e p er Entry de la fila y de la prensa, y el tiem po prom edio de
perm anencia en la fila (W q), q ue es nicam en te el tiem p o de la fila.
Si com param os estos resultados con los tericos, verem os q ue son m u y sim ilares (vea
la tab la 5.1). La diferencia puede deberse a q ue la sim ulacin no ha llegado a estado esta
ble, o a la variabilidad natural del modelo. En cualquier caso, e s recom end able graficar la
variable o variables de respuesta q ue se desea comparar.
Parm etro
Resultado
terico
Resultado d e
la sim ulacin
4 piezas
3.83 p ie za s1
Lq
3.2 piezas
3.04 piezas
20 m inutos
19.35 m inutos
Wq
16 m inutos
15.35 m inutos
80%
79.28%
^ j ] e e m p lo 3 _ 1 .id b
1 f| F ile
V ie w
^ b
G e n e ra l
O u tp u t V ie w e r
T o o ls
W in d o w
H e lp
L o c a tio n S t a te s Multi
L o c a tio n
S ta te s
(MIN)
0 p e r a tio n
1 4 4 0 0 0 .0 0
7 9 .2 3
T im e
P re n sa
Figura 5.11
V ie w s :
u n d e tin e d view>
L o c a t io n S ta te s S ing le / T a n k j
S in g le / T a n k
S c h e d u le d
a m e
- [R e p o r t f o r e e m p lo 3 _ 1 ]
f e i2 - m
a u i
L o c a tio n s
3 D R
f o r e e m p lo 3 _ 1
S e tu p
Id le
0.00
F e s o u r c e s
W a it in g
0.00
2 0 .7 2
B lo c k e d
D o w n
0.00
0.00
1' | T 1
e e m p lo 3 _ 1 .id b
&
t a > .e
I G e n e ra l
SU
L o c a tio n s
O u tp u t V ie w e r 3 D R
faa
'
a m e
[R e p o it
fo r
e je m p lo 3 _ 1 l
\OC '
j L o c a t io n S ta le s
L o c a tio n
S ta te s
uiti i
M u lti
V ie w s : |
L o c a tio n S t a te s S in g le /T a n k
fo r
R eso u r
e e m p lo 3 _ 1
, n
S c h e d u le d
T im e (M IN )
<undefine<
. .
O c C u p ,e d
Fu||
6 2 .7 1
0 .0 0
D m lm
'
lila
Figura 5.12
1 4 4 0 0 0 .0 0
3 7 .2 9
0 .0 0
F ile
V ie w
T o o ls
B
G e n e ra l
W in d o w
L o c a tio n s
H e lp
t-C'
L o c a tio n S t a t e s Multi
Location
ame
P ie z a
fila
Figura 5.13
Total
Failed
Estadstica de entidades
no ingresadas
(Ficha Failed Arrivals)
0 .0 0
[X
c jc n p lo 3 _ 1
id b - O u tp u t V ie w e i
3DR - [ R e p o i l
lo i e je m p lo 3 _ 1 |
U
u n u
G ene*al
Lccabons
i f c * l_ *
L c c a b o n S ie t e s M u t i
13 -vi
Vewi |
L c c a b o n S to te s S r g W T j r k
undefned v*w>
R e s o iic e s
R e s a j t c c S ie t e s
N o d e E n trte s
F a ifc d A i n v e 's
[ E n l i l y Acbvi
E n t it y A c l i v i l y l o i e je m p lo 3 _ 1
Nam c
P ie z a
To ta l
C u n e n ! Q t y In
A v g T n e In
A v g T im e In M o v e
A v g T im e W a ll F o i
A v g T i m e In
A v g T im e
E x il*
S y ste m
S y s te m (M IN )
L o g ic (M IN )
R e s (M IN )
O p e t o lio n (M I N )
O lo c k e d (M IN )
1 9 .3 6
0 00
0 00
4 .0 0
15 36
2 8 5 2 1 .0 0
Figura 5.14
3 00
F ile
V ie w
T o is
W in d o w
H e lp
m u m
neral
L o c a tio n s
Views:
L o c a tio n S t a t e s Multi
undefinei
L o c a tio n S t a t e s S in g le / T a n k
R eso u
am e
Pieza
In M ove
Lo g ic
0 .0 0
W a it Fo r
Res
0 .0 0
In O p e ratio n
B lo c k e d
2 0 .6 8
7 9 .3 2
146
4.
Y*~
H*.
view
P re n s a
oooooo
Figura 5.16
La o tra m anera de llevar a cabo este procedim iento consiste en utilizar una variable
e igualarla al com ando predeterm inado CONTENTS(f/a) para contabilizar los contenidos
de las localizaciones.
Para agregar el nm ero de piezas procesadas utilizarem os una variable. Para ello:
Abra el m en Build, haga c lic en el subm en M ore Elem ents y elija Variables
(global). Enseguida se desplegar en pantalla la ventana de definicin de varia
bles, m ism a que se ilustra en la fig ura 5.17.
| i]
Ic e n
H p s a s _to t
7 y p t...
n>
In te g e r
I n i c i a l v a l a
0
S ta tt ...
Tm e
Senes,
I
jie z a s
v . ,
E
....
to ta le s p re n s a
Figura 5.17
La ventana Variables (global) nos servir para d efinir las variables del m odelo
147
Nuestro propsito e s definir los parm etros de la variable pzas_to t. Para ello:
FM
V * .
Figura 5.18
lo
w * *
H *
El siguiente paso consiste en especificar q ue la variable cam b ie cada vez q ue entre una
pieza a la prensa. Esto se logra programando esta accin com o una operacin que se ejecu
tar al m om ento de que la pieza term ine de ser procesada en la prensa. Para lograrlo:
148
Elija el com ando Processing del m en B u lld .E n este caso aadirem os la in stru c
cin p zas_to t = ENTRIES(Prensa) en el segundo registro de la program acin, que
Prensa
Ir
>n
Figura 5.19
^y * E n sy *a. cB a
i m
f l u
loofe W f * w
h **.
hJoW P oa i W t :
Sseonoi
ttftunm
Figura 5.20
A co ntinu aci n se abrir el cuadro de dilogo Sim ulation O ptions (vea la figura
5.21), en donde es posible m od ificar varias opciones de la sim ulacin. Por lo p ro n
to, cam bie el valor del cuadro de texto Run hours a 30 days y haga clic en OK.
m u la t io n
O p tio n s
Output Path
Biowse
c< n o d e l 2 0 0 1 \ o u Ip i
Ctock Precisin
Define run length by
Time Only
F WeekV Time
F Celendai Dale
r Waimup Penod
M odifique
a q u el
tiem p o de
sim ulacin
f
Run hours:
Output Reporting
F Penodc
Indica una
sola rplica
Number ol Retficalions
Reo
OK
Cancel
Help
r~ Disable Anmation
F Disable ost
Figura 5.21
El cuadro de dilogo
T Pause al Slart
Simulation Options
f~ Disney Noles
el valor final de las variables de respuesta, lo cual im plica m enos tiem p o de sim ulacin y,
por consiguiente, m e n o r inversin de tiem po de com putadora y m enor costo. Esto es m uy
til en casos en los que el sistem a se encuentra vaco en el arranque. Si se da un tiem po
transitorio m ientras el sistem a se llena, ese tiem p o sera el q ue colocaram os de warm up.
Le sugerim os colocar un tiem p o de un da para com parar resultados entre los m odelos
con y sin tiem po transitorio. La sim ulacin term inar cuando se cum plan 31 das: uno
transitorio que no ser tom ado en cu e n ta al generar las estadsticas, y 30 q ue s aportarn
datos para obtener los prom edios fin ales de las variables de respuesta.
Ahora nos falta co lo car algn elem ento q ue m uestre la utilizacin de la prensa en to
do m om ento. Esto nos servir para determ inar si la variable de respuesta q ue deseam os
conocer la utilizacin del equipo se encuentra en estado estable o an en estado
transitorio.Con dicho propsito incluirem os lo que se conoce com o un grfico dinm ico.
Para construirlo:
Si desea guardar el grfico dinm ico para utilizarlo en futuras ocasiones, agrguelo a
la configuracin de esta m anera:
Una vez guardado el grfico dinm ico pod rem os activarlo al inicio de la sim ulacin.
Para ello m odificarem os lo que se co no ce co m o lgica inicial del m odelo:
Este cuadro de dilogo nos perm ite acceder a una opcin para co lo car notas q ue id enti
fiquen el m odelo. (Para crearlas, haga c lic en el botn Model Notes, y para activarlas, des
pliegue el cuadro de dilogo Sim ulation O ptions [Sim ulation/Options] y m arque la
casilla de verificacin D isplay Notes.)
El cuadro de dilogo m uestra adem s la ruta de la biblioteca de grficos q ue actual
m ente se est usando en el m odelo, y perm ite definir las unidades de tiem p o y distancia.
151
G e n e ra l In lo im a lio n
lite: f
G ra p h c b a r/ .
M o d e l E jo te s
| C A P r o g r a m F l e s 'P i c M o d e l \ G I b \ P f i O M O D S . G L B
U n ts
I m e U n s
B io w s e
Logc
D is fa n c e U n s
C Seconds
& M in e e s
f H c y is
G
C
In ia lie a t c n L o g c .
Feet
M e te rs
T e i m i n a l c n L o g ic ..
^Davs
Figura 5.22
QK
C rc e l
det
El cu ad ro de dilogo
General Information
Esta ventana e s sim ilar a la de O peration (vea la fig ura 5.7). En ella co lo carem o s la ins
truccin DYN PLO T"nom bredel grfico"Una vez introducida la in stru cci n ,cierre la ven
tana. Si ejecuta en este m om ento la sim ulacin, el grfico dinm ico aparecer desde el
inicio, m ostrando su periodo transitorio y perm itiendo observar si la variable graficada es
t estable o no.
D urante la ejecucin es posible que el grfico oculte la sim ulacin de nuestro siste
ma. Para evitarlo podram os m odificar el tam ao del grfico, aunque con ello sacrificara
m os su calidad. O tra solucin consiste en definir una vista donde el sistem a se m uestre
alineado hacia el lado contrario a d ond e aparece el grfico dinm ico. Para lograrlo:
Initialization L o g ic
Figura 5.23
\fentana de program acin
_]
L in e : 2
152
Dado q ue la vista deber ser activada al inicio de la sim ulacin, regrese a la ventana
Initializaton Logic y escriba,en el siguiente rengln despus de la instruccin del grfi
co dinm ico: VIEW "nom bre d e la vista". D e esta m anera la vista se activar al com ienzo
de la sim ulacin, al igual q ue el grfico dinm ico. El resultado de estas acciones podra
verse com o se ilustra en la fig ura 5.24. La sintaxis general de la instruccin VIEW es:
VIEW "nom bre d e la vista"
m u -
*!-!!!lU I-l
S to ti lo P to l C h l |
X O
X O
X O
1200 1 S 00
1600
2100
2 4 (0
U ic o n %
2 7 (0
T ir e ( W d M i
Figura 5.24
Como pudim os ver en este ejem plo, increm entar el potencial grfico de nuestro m o
delo es relativam ente sencillo. Pero las herram ientas de ProM odel no slo estn destina
das a m ejorar la interpretacin visual del m o d elo ;tam bin nos perm iten integrar m uchos
otros elem entos con propsitos distintos, po r ejem plo: la tasa de descom posturas de un
153
U n ifo rm e (5,1) e n g ra n e
Engrane
U nifo rm e (3,1)
R ectificado
C o n sta n te 10
Lim pieza
Em p aq ue
Fila
t e r m a l (13,2)
Tran sp o rte e n tre estacio n e s
e x p o n e n cia l (3)
Exp o n e n cial (3)
Placa
t e h a y inventario s
Prensa
Fila
E xp o n e n cia l (12)
Figura 5.25
Podra o currir q ue al definir nuestra fila el icono apareciera com o una banda de rodi
llos m s que com o una fila; sin em bargo, es im po rtante q u e el m odelo sepa q ue se ha de
finido una fila y no una banda, pues al m om ento de la sim ulacin tra ta cada elem ento de
m anera diferente. Le recom endam os q ue co nsu lte la ayuda de ProM odel para conocer to
das las caractersticas q ue se pueden asignar a una fila y a una banda. Por lo pronto, una
buena fo rm a de asegurarse de q ue la localizacin es una fila (queue) y no una banda
(conveyor), haga d oble c lic e n ella desde la ventana La yo u t;enseguida se desplegar el
cuadro de dilogo Conveyor / Q u eue (vea la fig ura 5.26), e n donde adem s, podr co n
trolar varias caractersticas de la localizacin:
155
Figura 5.26
Definicin de las caractersticas
de una fila
Repita el procedim iento para d eterm inar la localizacin de la prensa. (Recuerde que
ambas filas tienen una capacidad de 30 piezas solamente.) Luego defina la prensa y la recti
ficadora de la m ism a m anera q ue definim os otros procesos en los ejem plos anteriores.
A continuacin d efinirem os la lavadora, seleccionando para ello el icono q ue desee
mos q ue la represente. Para una m ejor visualizacin, coloque 2 iconos de posicionam iento
sobre el icono que representar a la lavadora (recuerde q ue sta tie n e capacidad de lim
piar dos piezas a la vez y de m anera independiente).
Por ltim o, defina los operadores de ensam ble. D e acuerdo con la descripcin, en el
proceso participan d o s operadores q ue realizan la m ism a operacin, pero de m anera in
dependiente. O bserve que, en el caso de la lavadora, un m ism o equipo tie n e capacidad
para realizar 2 procesos de lavado, m ientras que ahora tenem o s dos operarios q ue reali
zan la m ism a operacin de em paque.
Para definir esto en el m odelo podem os proceder de dos m aneras. La prim era consiste
en especificar a cada operador de em paque com o una nueva localizacin;sin em bargo, a
156
nivel de program acin tendrem os q ue determ inar rutas de entrada y salida para cada uno
de ellos. La segunda opcin e s m s prctica: se trata de establecer q ue el proceso de e n
sam ble tie n e 2 unidades de capacidad, una po r cada operador. Para lograrlo:
Si desea cam biar de posicin dicha localizacin, hgalo; esto no afectar el modelo.
Es im portante m encionar q ue si la definicin del proceso im plica m s de un icono, es po
sible m o ver todos los iconos de esa localizacin a la vez si se tom an de la lnea punteada
q ue aparece en su contorno.
Esta m anera de definir localizaciones ig uales facilita la program acin y p erm ite se
guirlas tratan d o de m an era in d ep e n d ie n te , lo cual resulta m u y til cu an d o querem os
simular, por ejem plo, un banco con 10 cajeros q ue realizan las m ism as operaciones.
Al term inar estas definiciones, el m odelo se ver com o se m uestra en la fig ura 5.27.
P io M o d c l
w n n ilo .1
i m i x l |1 | c o ( ik > II .1 v r a i n w i b (I)
C*>.
Yi i
S
h d i l i t U
A
la p a tfu .
B u l...,.
T im
imx
T ie
S a lle s
T iu
S a r i
O ld a a t
tema
t j .
S a n
0 ld t
Kone
T l* e
S e n il
o i
> ...
!!
c r ...
r # c t i tiC A d o r a
O ld e s c
O ld e s c
T la . S a rla a
0 1 d .it ,
Ti m
S a rla i
O ld e s c
T i* a
S a ila *
O ld e s t
2 la s a s
r in t
U flL
*
-a *
p
o
1
t
4h S
fla
4 S >
EOt
&
Vlew / *
E ia s e
f e
* 3
*
lU
Figura 5.27
>j
iT
Definicin d e entidades
0 sigu ien te paso en ia construccin d e nuestro m odelo ser la definicin de las en tid a
des. Para ello es necesario desplegar la ventana apropiada m ediante el com ando Entities
del m en Bud.En este problem a ser necesario definir dos entidades: una q ue represen
te el engrane y otra que represente la placa.
Com enzarem os po r definir el engrane seleccionando el grfico para dicho propsito.
Como se m encion e n el ejem plo 5.1, para m ejorar el aspecto visual po dem os agregar
una segunda grfica. Despus repetim os el m ism o proceso para la placa.O bserve q ue en
la parte inferior de la ventana G raphics aparecen unas dim ensiones bajo el concepto
Cnveyor O n ly :e st s dim ensiones son las que to m ara la pieza si entrara a alguna locali
zacin definida com o banda y no com o fila. Uno de los pro blem as q ue podran presentar
se al m om ento de sim ular el m odelo, es q ue estas dim ensiones sean dem asiado grandes,
lo q ue ocasionara q ue las piezas no pudieran ser contenidas en la banda. Al m om ento de
definir el m odelo es im po rtante considerar que el sim ulador tom ar en cuen ta las d im en
siones fsicas de las piezas definidas en la opcin Conveyor O n ly en caso de entrar a una
banda; sin em bargo, las ignorar cuando en tre n a una fila.
Definicin d e llegadas
El sigu ien te paso en la construccin del m odelo es la definicin de los arribos o llegadas
de las piezas al sistem a; para ello, abra el m en Build y haga c lic en el com ando Arrivals.
Al especificar los parm etros, recuerde q ue las llegadas de los engranes tienen d istri
bucin norm al con m edia de 13 m inu to s y desviacin estndar de 2 m inutos, m ientras
q ue las de las p lacas tie n e n d istrib uci n e xp o n encial con m e d ia d e 12 m inutos. U na
vez d efinid as am b as llegad as, la ven tan a A rrivals deber lu cir com o se m uestra en la
figura 5.28.
Figura 5.28
otro ser necesario program ar ia instruccin m o vefo r E(3) en la co lum na Move Logic de
la ventana Routing. La sintaxis general de esta instruccin es:
M OVE FO R <tiempo>,
donde el tiem p o pu ed e ser una constante, una distribucin de probabilidad, una variable
o un atributo num rico.
Para ilustrar la programacin de am bas piezas en este modelo, em plearem os una op
cin de ProModel que perm ite visualizar la m ayor parte de la inform acin. Siga estos pasos:
O bserve q ue en este ejem plo hem os utilizado el com ando GRAPHIC #, m ism o que
perm ite cam biar la grfica de la entidad po r otra determ inada al m om ento de definir las
entidades. El sm bolo # representa la posicin q ue tie n e la grfica dentro de la lista de gr
ficos definidos para esta entidad. Vea tam bin c m o se usa la instruccin M OVE FO R en
cada caso dond e se requiere un transp o rte de un proceso a otro. Finalm ente, observe que
se program aron prim ero las tra ye cto ria s del e n g ran e y p o sterio rm en te las de la placa.
ProModel perm ite definir cualquier proceso y ruta sin im portar el orden cronolgico. Sin
em bargo, co n el propsito de lograr una m ejor lectura de la program acin, se recom ien
da proceder com o se m uestra en este ejem plo. D e esta m anera, si po r algn m otivo fuera
necesario m odificar la program acin, ser m s sencillo insertar y elim inar lneas para darle
un orden secuencial a la sintaxis de nuestro modelo.
P roce ssin g
P rocess
E n tity
L ocation
Engrane
Engrane
Engrane
F ila _ re ctifica d o ra
R ect i f ica d ora
la v a d ora
Engrane
p la ca
p la ca
p la ca
Em paque
F ila _ p re n sa
Prensa
la v a d ora
p la ca
Em paque
Figura 5.29
O p era tion
w a it u < 3 ,l>
w a it 10
G ra p h ic 2
w a it u < 5 ,l>
w a i t E< 3 >
w a it 15
G ra p h ic 2
w a it u < 7 ,2 >
R ou tin g
H lk
Output
D e stin a tion
R u le
Move
L og ic
1
1
Engrane
Engrane
R e ctifica d o ra
la v a d ora
F IR S T 1
F IR S T 1
mov e
fo r
E< 3 >
1
1
1
1
Engrane
Engrane
p la ca
p la ca
Enpaque
EX I T
Prensa
la v a d ora
FIRST
FIRST
FIRST
F IR S T
1
1
1
1
move
fo r
E< 3 >
mov e
fo r
E< 3 >
p la ca
Enpaque
PIRST 1
move
fo r
E< 3 >
p la ca
EX IT
FIRST 1
159
Abra el m en Build y haga c lic en el com ando G eneral Inform ation para desple
gar el cuadro de dilogo correspondiente (vea la fig ura 5.22).
Haga clic en el botn Initllization Logic y, en la ventana q ue aparece, escriba la ins
truccin DISPLAY "Inicio de la Sim ulaci n".Esta instruccin desplegar una ven
tana de m ensaje q ue detendr la sim ulacin hasta q u e hagam os clic en uno de los
botones incluid os en ella: si hacem os c lic en Cancel, la sim ulacin no se ejecutar;
si hacem os clic en O K la sim ulacin com enzar.
Vuelva a desplegar el cuadro de dilogo General Inform ation,y ahora haga clic en
el botn Term ination Logic.
Cuando se abra la ventana Term ination Logic, coloque n uevam ente el com ando
DISPLAY, pero esta vez con un m ensaje de finalizacin de la sim ulacin. (Recuerde
colocar el texto en tre com illas dobles.)
tiem po total de sim ulacin ser de 320 horas. D los pasos pertinentes para determ inar
estos parm etros com o sigue:
Estam os listos para guardar y ejecutar el m odelo. Abra el m en Sim ulation y haga
clic en el com ando Save & Run. V erifique que el m odelo se ejecu te sin problem as.
Entidades que no pudieron entrar al sistem a
Una de las problem ticas q ue pueden presentarse al m om ento de m odelar un sistem a, ra
dica en q ue la capacidad de las localizaciones de llegada resulte insuficiente para recibir
todas las piezas q ue llegan al sistem a.Cuando esto ocurre, ProModel g enera, al final de la
sim ulacin, un m ensaje de advertencia com o el que se ilustra en la fig ura 5.30 (en espa
ol, el m ensaje dice:"Q uiere ver los resultados? [NOTA: Se presentaron fallas en la llega
da de en tid ades debido a capacidad insuficiente])."
Simulation Complete
13
Yes
No
Figura 5.30
Aviso de llegadas fallidas
En este ejem plo se espera q ue se presente esta situacin. Es posible, sin em bargo, que
no sea as.Todo depende de la com putadora que se est m anejando, y tam bin del n
mero de veces q ue se ejecute la sim ulacin, dado que al ejecutarse en repetidas ocasio
nes, los n m ero s aleatorios q ue se utilizan para el m odelo cam bian, m odificando a su vez
los resultados finales.
O bserve q ue el m e nsaje de la fig ura anterior no estipula cuntas entidades no pudie
ron ser sim uladas. Para conocer el dato preciso, co nsu lte la inform acin de la ficha Faled
Arrivals en el reporte de resultados, d ond e se m ostrar el nm ero de piezas q ue no p u
dieron en trar al sistema.
En cualq uier caso, a fin de evitar la ocurrencia de este tipo de problem a se sugiere al
lector q ue cam bie la capacidad de las filas de entrada. Dicho increm ento no dism inuye de
m anera lineal el nm ero de piezas q ue no pudieron ser sim uladas. Incluso si se increm en
ta 300% la capacidad actual de las filas, el m odelo seguir presentando entidades q ue no
pudieron ser sim uladas. El analista d ebe evaluar si es m ejor ten er filas m s grandes q ue
ocupan m s espacio o m odificar algunos de los procesos, de m anera q ue las piezas
puedan flu ir m ejor po r el sistem a.
161
El icono cam biar de co lo r autom ticam ente d urante la sim ulacin, indicando el es
tado de la prensa: ser azul si est ociosa, verde cuando est realizando alguna operacin
y rojo cuando no est disponible (en e ste caso, cuando se p resen te el even to del m ante
nim iento preventivo).
El siguiente paso consiste en cam biar el fondo de la sim ulacin. Podem os hacerlo de
dos m aneras; la prim era consiste en m od ificar as el fondo del rea de trabajo:
Abra el m en Vlew , elija el subm en Layout Settn g s,y haga clic en el com ando
Background Color (vea la fig ura 5.31).
Seleccione el color q ue desee en la ventana q ue se despliega, y haga clic en el bo
tn O K ;e l cam bio se reflejar de inm ediato en el rea de trabajo.
Figura 5.31
162
Siga esta ruta para cam biar el color d e fondo d el rea d e trabajo d e la sim ulacin
El otro m todo para m od ificar el fondo del rea de sim u laci n nos perm ite, ade
ms, co lo car una im agen co n fo rm ato BMP, WMF, GIF o PC X . Esto fa cilita la im portacin
de archivo s de AutoCad, po r ejem plo, perm itiendo trab ajar sobre el plano de una planta
real. En este caso es recom endable colocar el fondo antes de com enzar a definir las locali
zaciones, ya q ue de otra m anera stas podran quedar desfasadas de su lugar si se hiciera
una m odificacin de tam a o al plano, exig iendo invertir m s tiem p o en su reubicacin.
Para pod er in se rta r el arch ivo grfico co m o fondo:
K i u M ih I o I
| n m p t a :< _ ! a c i l
SIT.J**. (Mu
Figura 5.32
h*,
Enseguida se desplegar en la pantalla una interfaz grfica q ue nos p erm ite insertar
im genes de fondo, o incluso disear nuestros propios fo nd o s para el rea de trabajo (vea
la fig ura 5.33). Sin em bargo, en este ejem plo ilustrarem os slo cm o insertar una im agen
con form ato BMP.
Una vez que en tre al rea de im portacin y generacin de im genes de fondo:
En ocasiones el grfico im portado resulta m u y pequeo, por lo que tendr que agran
darlo m anualm ente.Para ello,seleccinelo,coloque el cursor del ratn en una de sus esqui
nas, haga clic y, sin soltar el botn del ratn, arrastre hasta lograr el tam ao deseado. Es
im portante sealar que, en el caso de los archivos BMP en particular, un increm ento de ta
mao im plica tam bin m ayor distorsin d e la im agen.
163
6 ^1
Qi
no
lo *
& * >
, -
H ilo
H 0E
* pj o |
* *
>
p E$1
12
u
%
m
<* i & *
4
%
P.
*
2
l 1 &
*
5
E
i -t t
n n
.r
nn C
& 1
1 ;
o
<s
P re n s a
Figura 5.33
-U"
Una vez com pletada la im portacin podram os ver un fondo com o el q ue se m uestra
en la fig ura 5.34. En este caso se coloc un grfico predeterm inado de W indow s com o
fondo del sistem a.
Con esto concluim o s las m odificaciones visuales requeridas en el ejem plo 5.4.
5.5 C a s o in te g ra d o r |
131 L a v o u l
Figura 5.34
su p re se n ta ci n
5.6 Problem as
1. A un centro de m aquinado llegan tres diferentes tip o s de piezas. Antes del centro
existe un alm acn de producto en proceso, co n capacidad prcticam ente infinita. El
tiem po de operacin y la tasa de entrada de las piezas son las siguientes:
166
Tipo de
pieza
T asa d e entrada
(pezas/h)
T iem p o d e m aquinado
(m in/pieza)
10
Sim ule este sistem a en ProModel durante 100 horas, y determ ine:
a) la utilizacin del centro de m aquinado.
b) nm ero total de piezas producidas.
c) tiem po prom edio de espera de las piezas en el alm acn.
d) nm ero prom edio de piezas en el alm acn.
2 A un operario de lim pieza le entregan cada hora 60 piezas sim ultneam ente. El tie m
po de lim pieza es de 50 segundos/pieza. Sim ule el proceso anterior d urante 500 h o
ras para determ inar:
a) la utilizacin del operario.
b) tiem po prom edio de perm anencia de las piezas en todo el proceso.
c) tiem po prom edio de espera de las piezas antes de ser lim piadas.
Tipo de
trabajo
T asa d e entrada
(trabajos/h)
12
15
16
5. Cierto tipo de pieza e n tra a una lnea de produccin; el proveedor entrega las piezas
en g rupos de 5 cada 10 m inutos. La lnea co nsta de 5 operaciones, con una m quina
dedicada a cada operacin. Los tiem p o s de proceso son:
O peracin
Tiem po
(min/pza)
0.5
0.25
0.125
El tiem p o para m overse e n tre estaciones es de 0.0625 m inutos. La anim acin d ebe in
cluir un contador de las piezas producidas. Sim ule en ProM odel el proceso de 1 000
piezas para determ inar:
a) tiem po total de sim ulacin.
b) utilizacin de cada operacin.
c) tiem po de espera an tes de la prim era operacin.
d) % del tiem p o q ue la pieza est bloqueada.
6. A un cajero automtico llegan clientes cada 10 minutos con distribucin exponencial. El
tiem po que tarda cada cliente e n hacer sus m ovim ientos bancarios se distribuye expo
nencialm ente con m edia de 4 minutos. Lleve a cabo lo que se indica a continuacin:
a) Si se desea q ue el cajero no te n g a m s de 5 clientes haciendo fila en un m o m en
to d eterm inado , qu re co m end aci n hara al banco, basnd o se en una sim u
lacin de una sem ana de 4 0 horas de trabajo?
b) Realice un anlisis de sensibilidad variando el tiem po prom edio de servicio del c a
jero, y determ ine cul es el tiem po m xim o q ue un clien te d ebe tardar para q ue la
fila de espera no exceda 5 clientes en ningn m om ento.
c) Program e un grfico dinm ico q ue m u estre la utilizacin del cajero autom tico
durante la sim ulacin. Qu observaciones pu ed e hacer respecto de la grfica de
estabilizacin generada?
7. A un centro de copiado llegan clie n te s cada 5 m inutos, con distribucin exponencial.
A h son atendidos po r un operario co n un prom edio de servicio de 6 m inutos con dis
tribucin exponencial. Slo hay espacio para tres personas en la fila ; si llega alguien
ms, se le enva a otro centro de copiado. Sim ule el sistem a a partir de esta in fo rm a
cin y determ ine:
a) Cul es el nm ero prom edio de clientes q ue esperan en la fila?
b) Cul es la utilizacin del centro de copiado?
c) Si cada cliente q ue se va le cuesta $5 al centro de copiado, a cunto asciende la
perdida esperada?
8. Un centro de servicio cuen ta con 3 cajeros. Los clientes llegan en prom edio a razn
de 60 por hora con distribucin de Poisson. El tiem p o prom edio q ue se requ iere p a
ra atender a un clie n te e s de 2 m inutos con distribucin exponencial. Los clientes h a
cen una sola fila y no hay lm ite para su longitud. Haga lo siguiente:
a) sim ule el sistem a po r 4 0 horas.
b) determ ine la utilizacin de los cajeros.
168
dad del alm acn previo al torno es de 10 piezas. Por otro lado, a una fresadora llegan
placas cada 5 1 m inutos. El tiem po de proceso de las placas e n la fresadora se dis
trib uye triangularm ente (2 ,4 ,7 ). D espus, las placas pasan a inspeccin. La capacidad
del inventario antes de la fresadora e s de 10 piezas. En el proceso de inspeccin se
cuen ta co n espacio disponible para alm acenar 15 piezas, m ientras q ue el tiem po de
inspeccin es de 4 2 m inutos para las barras y de 6 1 para las placas.Tras la ins
peccin, las piezas salen del sistem a. Considere un tiem po de transporte entre e sta
ciones de 2 m inutos, con distribucin constante.
a) Sim ule el sistem a por 4 0 horas para determ inar la capacidad m nim a de cad a in
ventario, de m anera q ue tod as las piezas q u e lleguen al sistem a se procesen y no
exista bloqueo po r falta de capacidad.
b) Cul es la diferencia en el nm ero de piezas producidas entre el m odelo original
y el m odelo m ejorado?
c) Coloque m ensajes de inicio y fin de la sim ulacin.
d ) Cam bie las grficas de am bas piezas despus de ser procesadas.
12. A una lnea de em ergencias m dicas llegan llam adas norm alm ente distribuidas con
un tiem p o m edio en tre llam adas de 6 m inutos, y desviacin estndar de 1.5 m in u
tos. El tiem p o de atencin de cada llam ada es de 10 m inutos con distribucin expo
nencial. Se desea determ inar el nm ero de lneas necesarias para q ue po r lo m enos
80% de los clientes no tenga q ue esp erar a ser atendido. Sim ule el sistem a po r 7 das
de 24 horas cada uno para responder las siguientes preguntas.
a) Cuntas lneas telef nicas se necesitan para cum p lir co n la meta?
b) Si el costo de cada lnea e s de $150/sem ana, cul e s el costo de operacin po r se
mana?
c) Cul es el costo de incrementar el porcentaje de clientes atendidos sin espera a 90%?
d) Cul sera el nm ero de llam adas en esp era q ue se te n d ra e n el caso a)? Cul se
ra en el caso c)?
e) Si el costo de cada clien te en lnea de espera es de $40/cliente, qu opcin sera
mejor, o )o c )?
13. A una em presa llegan piezas con m edia de 8 m inutos y distribucin expo nencial. Las
piezas entran a un alm acn con capacidad para 50 unidades, d ond e esperan a ser
procesadas en un torno. A h son torneados po r 3 m inutos con distribucin exp o n en
cial. El tiem p o de transportacin del alm acn al to rn o tie n e una distribucin normal
con m edia de 4 m inutos y desviacin estndar de 1 m inuto. Posteriorm ente, las piezas
son transportadas a una estacin de inspeccin donde se encuentran 2 operarios, cada
uno trabajando de m anera independiente. La inspeccin tarda 6 2 m inutos por pieza.
El tiem p o de transp o rte entre el torno y los operarios es de 4 1 m inutos.
a)
b)
c)
d)
170
CAPTULO 6
INSTRUCCIONES
DE PROMODEL
6.1
6.2
Recursos
6.3
6.4
Reglas de ruteo
6.5
6.6
6.7
Caso integrador
6.8
Problem as
Codificacin en
ProM odel
Parm etros
Beta
B ( l . a , , a ^ a, b)
a ,: form a
cr2: form a
a: m nim o
b: m xim o
Binomial
Bl (N, p)
N: intentos
p: probabilidad
k-Erlang
E R (/ t,k )
le form a
/: m edia
Exponencial
E (m)
j i : m edia
Gamm a
G { c t .f i)
cr: form a
/3: escala
Geom trica
GEO (p)
p: probabilidad
Lognormal
L (1 ,/,< r2)
//,: m edia
cr2:varianza
Normal
N (/ 1 , cr)
x: m edia
cr: desviacin
De Poisson
P (/i)
fi: m edia
De Pearson V
P5 (1( a ,/3 )
cr: form a
fi: escala
De Pearson VI
P6 (1 , a v a 2, p )
a } : form a
cr2: form a
f3: escala
Triangular
T (a, b, c)
a: m nim o
c m oda
b: m xim o
Unifom e
U (/ ,h r)
ix\ m edia
172
Uniform e discreta
a: m nim o
b: m xim o
De Weibull
W (ct,P)
cr: form a
3: escala
Tiem p o entre
llegadas
Tiem po d e proceso
(min/pieza)
Pieza
(m in/pieza)
Lavado
Exponencial(6)
Uniform e (3 2)
-------------------------------*
Inspeccin
.
Normal (8 ,2)
Exponencial(9)
3-Erlang (4)
Triangular (3 ,5 ,7 )
Exponencial(8)
D e W eibull (0 ,2 ,3 )
D e W eibull (9 ,1 ,4 )
Para em pezar, d efinirem o s las 4 lo calizacio nes, co m o se m uestra en la fig ura 6.1
(recuerde que esto se hace m ediante el com ando Build / Locatons).
Inspeccin
Figura 6.1
Diseo d el ejem plo 6.1
Ahora determ inarem os las entidades correspondientes a los tres tip o s de piezas
(Build / Entitles), y el tiem p o exponencial e n tre llegadas, utilizando para ello la colum na
Frequency de la ventana A rrivals (Build / Arrivals), com o se m uestra en la fig ura 6.2.
173
Enseguida program arem os las tres d iferentes rutas y cada uno de los tiem p o s de pro
ceso, utilizando la colum na O peration de la ventana Processing (Build / Processing). La
figura 6.3 m uestra parte del proceso y la fo rm a de program ar las distribuciones de p ro ba
bilidad.
Edt
View
Z n t i t y ___
P l*2 a _A
Build
Simulation
Output
L ocatzon
Tools
Window
Help
O p era tion .
M m acn_l
Lavadora
P i*z a _A
\ l m a c e n _2
P iez a _A
In sp ector
Po.eza_5
A lm a cen _l
Peza_3
Lavadora
P ieza _3
ft.lmacer ._2
Preza_S
In sp ector
P iez a _C
M m acen_l
P iez a _C
Lavadora
P iez a _C
U n actn _;
P iez a _C
In sp ector
WAIT U < 3 , 2 )
/
/
WAIT N < 8 , 2)
/
/
WAIT 3 A 4 , 3
WAIT T ( 3 , 5 , 7 )
\
\
WAIT W( 2 , 3 )
\
\
WAIT 9 + W ( 1 , 4 )
En caso de q ue no re cu erd e la fo rm a de program ar alg una de las fun cio nes, haga
clic en el botn O peration de la ventana Processing para h ace r uso del co nstru cto r de
lgica, q ue p erm ite acced er a la ventana de dilogo Logic B u ild e r con slo h ace r clic
en el icono del m artillo. Luego haga c lic en la opcin D istrib ution F u n ctio n sd e la sec
cin Lo g ic E le m e n ts para d esp leg ar las d iferen tes fu n cio n e s de pro b ab ilid ad (vea la
figura 6.4).
174
6 2 R ecursos |
Logic Builder
Gam m a R e ti* m a random valu accordm g to a sa tistica l
distnbution
Distiibution Functions
A L L fu n d io n s
M ays
Attnbutes
Called D o w rm e s
ConvcreonPuncbona
Beta
Bmomial
Eriang
Exponential
Gamma
Geometnc
In v e rse G a u sa a n
Lognormal
Normal
Pearson5
Pearson6
Figura 6.4
Para consultar el texto com pleto del program a q ue hem os creado en ProM odel para
el ejem plo 6.1; abra el m en File y elija V e w T e xt.EI resultado deber ser sim ilar al que
se ilustra en la fig ura 6.5.
6.2 Recursos
Los recursos son m ecanism os q ue requieren las entidades para com pletar una operacin,
y se caracterizan principalm ente po r te n e r una disponibilidad lim itada. En ProModel en
contram os dos tipos de recursos:
Recursos estticos. Son aquellos sin una ruta de m ovim iento y que, po r lo tanto, perm a
necen inm viles. Se utilizan principalm ente para m odelar recursos necesarios para llevar
a cabo una tarea dentro de una localizacin (por ejem plo, el operador de una m quina).
Tam bin pueden em plearse en m s de una localizacin, o bien para m o ver en tid ades de
una localizacin a otra, siem p re y cuando la ausencia de m ovim iento no sea un factor re
levante en el m odelo.
175
F o r i r e t t e d L i s t i n g o M b d e l:
C : \ A r c h i v o a d e p r o g r a a a \ P r d * o d e l\ M b d e l3 \ E J 5 K E L 0 4 .1 .M 3 D
T im e U n i t a :
D i3ca n e e U n it a :
K in n x e 3
Feet
L c c a t io n a
Came
C ap U n i t 3
S C a ta
T ir r e
T ir r e
T ir r e
T ir r e
T ra e
T!fj&
A Ir a a c e n _ l
IN F 1
le v a d o r a
1
1
A lm a c e n _ 2
in f 1
2
In s p e c t o r
1
In s p e c t o r . 1 1
1
In a p e c t o r . 2 1
1
R u le a
S e r ie
S e r ie
S e r ie
S e r ie
S e r ie
S e r ie
a
a
a
s
a
a
Coat
O Id e a t ,
O Id e a t ,
O Id e a t ,
O ld e s t ,
O Id e a t ,
O Id e a t ,
F ir s t
F n t it ie 3
ame
Spee
P ie s a _ A
P ie z a _ 3
P ie z a C
150
ISO
(fp m )
S ta ta
Coat
T im e S e r i e a
T im e S e r i e s
T ia e S a r is =
150
P r o c e s s in g
P ro c e sa
E n t it y
L c c a t io n
P ie z a _ A
P ie z a A
P ie z a _
P ie z a _ A
P ie z a _ B
P ie z a _ 3
P ie z a _ B
P ie z a _ 3
P ie z a _ C
P re za ~ C
P ie z s _ C
P ie z a _ C
A la & c e n _ l
Lavad ora
A lm a c n 2
In s p e c t o r
ft lt n B c e n _ l
L a v a d o ra
A lm a c n 2
In 3 p e c to r
A lm a c e n _ l
Lavad ora
A lm a c n 2
In a p e c t o r
S o u t in g
C p e r a t ic n
WATT < 3 ,2
WATT N < ,2 >
W A II 3 R ( 4 , 3 )
WATT T ( 3 r 5 r 7 )
W A IT W<2,31i
WATT 9 + W < l r 4 )
Ji
O u tp u t
D e s t in a t ic n
S u le
1
1
1
1
1
1
1
1
1
1
1
1
P ie
P ie
P ie
P ie
P ie
P ie
P ie
P ie
P ie
P ie
P ie
P ie
L a v a d o ra
A lm a c n 2
In s p e c t o r
" K IT
L a v a d o ra
A lm a c e n _ 2
In s p e c t o r
FKTT
L a v a d o ra
A lm a o e n _2
In s p e c t o r
ZXET
F IS S T 1
F IS S T 1
F IS S T 1
f ip s t i
F I3 S T 1
f is s t i
F IS S T 1
F IS S T 1
F IS S T 1
f is s t i
F IS S T 1
F IS S T 1
za_A .
z a A_
za_A
za JA
za 3
za_3
za B
za_3
za C
za ~ C
za_C
z a ._ C
Kove Lo g ic
i.
A r r iv a ls
E n t it y
L o c a t i en
P ie z a _ A
P ie z a _ 3
P ie z a C
A 3 a n ace n _ 1 1
A lm a c e .ri_ 1 1
A lm a c n 1 1
Figura 6.5
176
B lk
Q ty Z a c h
F i r 3 t T im e O c c u r r e n c e s F r e q u e n c y
0
0
0
IN F
IN F
IN F
E {6 )
3 19)
F (8 )
L o g ic
6 2 R ecursos |
Recursos dinm icos. Son aquellos q u e se m ueven a travs de una red de rutas (Path
Networks). Estos recursos perm iten transpo rtar en tid ades e n tre localizaciones, para m o
delar, po r ejem plo, un m ontacargas que m ueve contenedores de una m quina a un alm a
cn, un operario q ue tie n e q ue operar dos o m s m quinas; en estos casos, el tiem p o de
traslado entre las m quinas im pacta los resultados del modelo.
Las instrucciones m s co m u nes relacionadas con el uso de un recurso son GET, FREE,
USE y MOVE WITH. A nalicem os a continuacin dos de las m s utilizadas.
Instruccin G ET
La sintaxis general de esta instruccin es:
G E T {<Cantidad>} <recurso> {^ p rio rid ad 1 > {,<prioridad 2>}} {A N D o O R {Canti
dad} <recurso> {,< prioridad 1 > {,<prordad2>}}}
La instruccin G ET captura un recurso o com binacin de recursos, d e acuerdo con
cierta prioridad especificada. Si ya se tien e un recurso capturado previam ente, la entidad
tratar de capturar un recurso adicional.
Ejem plos:
G ET H erram ental
G ET 1 Operario, 2 ,2 5
G ET Gra 1,20 AND {G rua2,\0 OR Polipasto,20,70)
G ET 2 Cajas, AND (Pegam ento OR Cinta)
Instruccin FREE
La sintaxis general es:
FR EE <{cantidad} recurso 1 > ,...
FR EE libera recursos previam ente capturados con las instrucciones GET o JOINTLY GET.
Ejem plos:
FR EE pallet
FR EE Juan, Paco, Luisa
FR EE 4 Tornillos, 3 Tuercas
FR EE all
Ejem plo 6.2
Considere el sistem a de m anufactura q ue se ilustra en la fig ura 6.6, el cual consta de dos
procesos en serie: torneado y fresado de barras en las m q uinas llam adas Lathe y Mili, res
pectivam ente. El tiem p o de torneado es de 3 m inutos/pieza, y el de fresado es de 2.7 m i
nutos/pieza. Para operar am bas m q uinas se ha contratado a un solo operario llam ado
M achinist. Las barras esperan antes de cada proceso en alm acenes denom inados Palletl
y Pallet2. La tasa de entrada es de 10 piezas/hora. Sim ule el sistem a po r 24 horas para de
term inar la utilizacin del equipo y del personal.
177
fl Layout
P a lle n
Figura 6.6
L a th e
P a lle t2
imi
Locations
Icn
ame
D Ts. . .
None
M ili
None
P a lle e l
In f
None
P a lle tl
in f
Nene
Figura 6.7
U n ica
L a-che
1
1
Cap.
En la ventana En titie s (Build / Entites) defina la en tid ad Barra (vea la fig ura 6.8).
lllll Entities
ame
3arra
Figura 6.8
178
Speed
p m )
150
6 2 R ecursos |
Illii A r r i v a l s
E n tity ...
B arra
P a lle tl
F ig u r a 6 .9
L o c a tio n ...
Q ty
each... 1
F irst
T im e
D ccurzeneea
IN F
Frequency
6
lll R e s o u r c e s
Icn
Naxr.e
O n its
M a ch in ist
F ig u r a 6 .1 0
D Ts. .
H one
S ta te...
3 '/ U n it
S pecs...
N o N etW ork.
m
E n t i t y ___
L o c a tio n ...
Barra
P a lletl
Barra
Lathe
3arra
P a llt2
3arr
M ili
O p e r a tic n ...
p lk
AD
O n t p o t ___
Barra
De s t i r . a t
R u le. . .
P a llet2
FIRST 1
30DFREE M a c h i n i s t |
GET M a c h i n i i t
______________
O p e r a tio n
GET M a c h i n i s t
KAIT 3
FREI M a c h i n i s t
Paft2
Une: 1
F i g u r a 6 .1 1
179
Fbr ltim o, abra el m en Sim ulation y haga c lic e n el com ando Options para des
plegar el cuadro de dilogo q ue se m uestra en la fig ura 6.12. En el cuadro de texto
de este cuadro establezca la longitud de la corrida de sim ulacin en 24 horas.
Simulation Options
O u tp u t P a th :
|c A p ro m o d 4 \o u tp u t
B ro w se .
Q o c k P re c isi n
D e fin e ru n le n g th by:
T im e O n ly
I-
W e e k ly Tim e
10.001
C a le n d a r D ate
W a im u p Period
Wairn u p
h o u rs :
R u n h o u rs :
Figura 6.12
Seco n d
|2 4
M inute
H our
D ay
Para consultar el resultado de los pasos anteriores, abra el m en File y haga clic e n el
com ando V iew Text. En la fig ura 6.13 h em o s resaltado, m ediante un crculo, el uso de las
instrucciones G ET y FREE.
^ A WW^
... . . . . . .. x
A ^ ^ V v A
W V V ^
^ -W V V W
A ^
-.W a*V ^
V V WV ^ ^ wV
^ A
^ A
V v A
WV Vfc .V
^
A -W V V -V W W vV V W V
^
. . . . . m- . . . . ... . . ................ . < ... . . . . . . . . . . . . . . . ... . . . . . . . . . X . * . . . . . . . . . . .................. . . . . c . . . . ... X . . . . . . . . . . ... . . . . . . . . ... .............. . . . .
V V V W
wv
. . . . . . . . . . ..
L o c a t io n s
ame
cap
L a th e
M ili
P a lle n
P a lle t ?
u n it s
in f
in f
l
1
sta ts
T im
T im
T im
T im
e
e
e
e
R u le s
S e r ie
s e r ie
s e r ie
s e r ie
s
s
s
s
co st
O ld e s t .
o ld e s t .
o ld e s t .
o ld e s t i
.
.
k ..
k <
k .. ...
B i ..
.. .k. B
B ...
k
S...
B .ak. a.
..
> .a*
k iB
...
Cmi ...
.. .. mi .
B. ak
B .k .k ik iB
~ B
. rt *fc
. . aB
. . ak
. . rfk
. . B ak B
. B . . B
. . . . . k .B k .k. B > . . ...
*
..
ame
sp e e d
B a rra
15 0
. * . . . . . . . . . . . ... . .
. . . . *i-
(fp m )
sta ts
T im e
mi . .
co st
s e r ie s
.. .. .. ..
-k
.. .
mmi
. k . . . . ... . > . . . . .
. *
Res
am e
u n its
Machi ni s t 1
sta rs
se a rch
Ent
se a rc h
By unir
None
oldest
P a th
M o t io n
. . . . k. . .
Figura 6.13
co st
Empty: 15 o fpm
Ful 1:
180
. . . . . . V . . ... >
R e so u rc e s
150
fp m
6 2 R ecursos |
P r o c e s s in g
P r o c e s s
E n t 1t y
L o c a t Io n
Barra
p a llen
B a rra
L a th e
O p e r a t io n
/
i*
\
M achi n i
G E T
WAIT
s t
Pallet2
B a rra
M ili
a c h i n i s e
wait
2 .7
f r
e e
a c h i n
B lk
o u tp u t
D e s t in a t io r i R u i e
Barra
Lathe
FIRST
F R E E M a c h in i s t 1
Barra
R o u t i n g
B a rra
Barra
p al 1 e t2
M ili
F IR S T
FIRST
B a rra
EXIT
F IR S T
st/
j^s-srtrts-^^srr-^ns-srtrAir-rrts-rrtrstrr x r s :# r t ! r 3 S !::: s f f t s * 3 S S t i* ! * s S 3 i! S S M
*
Arrivals
Entity
L o c a t i o n Qty each
F i r s t Time o cc u rr en ce s Frequency
Barra
Ballet 1
Figura 6.13
INF
L og ic
Ejecute el m odelo. O bserve q ue no se presenta ningn tipo de m ovim iento del recur
so, ya q ue no se trata de un recurso dinm ico. Esto se d ebe a que, al definir el recurso Mach in ist,eI parm etro de la co lum na Specs de la ventana Resources se conserv com o No
NetWork (vea la fig ura 6.10). M s adelante em plearem os recursos en com binacin con
Path N etw orks para p erm itir la visualizacin de recursos e n m ovim iento.
Finalm ente, revise el reporte de resultados de la sim ulacin. Para ello:
Abra el O utput y haga clic en el com ando View Statistics. La ventana q ue se desple
gar ser sim ilar a la q ue se m uestra en la fig ura 6.14. Como pu ed e observar, el recurso ha
sido utilizado un total de 95% del tiem po, 50% del cual corresponde al torno y 4 5% a la
fresadora.
I5^~
R e p o rt fo r re c u rs o
G e n e ia l
l r * o n S la t e i M u b
L o c a lic e s
l o c a l i o n S ta te s S r g W T a n k
R e io u c e i
R e i o u e e S ta te s
N o d -E n ln e s
F a le d A m v a b
E rM y A c b v ily
Locatons fo iccuito
" nm p
S c h e d u le d
C a p a c it
lim e (M IN )
T o ta l
E n r e *
A v g lim e
E n iy
Pe
Avg
(M IN )
C o n te n *
M x im u m C o n t e n *
C un e n
C o n e n tt
la t b e
1440 0 0
1 00
241 C0
299
050
IC O
100
M il
144000
1 00
2 4 0 CO
270
0 .4 5
100
000
P rfe tl
H 4 0 00
999999
2 4 1 CO
OCO
0.00
IC O
000
P d lc i2
1440 0 0
993SQ9
2 4 0 CO
O CO
IC O
000
0.00
R e p o rt (o r re c u rs o
Genw al
Locebcns
L o c a to n S ia te iM u h
lo c a b a n S ta le s S in g t e / I a n l
R e iO iic e t
R e i o t x c e S ta te s
N o d s E n tn w
F a le d A m v d b
E rM y A c b v ily ,
Reeouices loilecuito
m c
u n ,
S c h e d u le d
N u m b e i T im e *
A v g lim e P e
T m e (M IN )
U te d
U * a g e (M IN )
A v g I une T la v e l l o
U ie
(M IN )
A vg
T im e T i a v e l T o
P a ik (M I N )
X B lo c k e d
In
T ia v e l
If lili/ a t io n
9500 J
Illli Locations
Icn .
gHjiji
Cap.
Nazr.e
U n ica
D T a . . ................. il
Clock...
L ache
None
M ili
Non.e
P a lle c l
in f
N one
Setu p ...
P a lle c2
in f
None
Called...
E n try ...
Figura 6.15
U sag e...
Las ventanas de edicin de paros co ntienen un conjunto de co lum nas d ond e pode
m os especificar los valores de los siguientes parmetros:
Frequency. Representa el tiem po q ue transcurre en tre paros consecutivos.
First tim e. Representa la hora en que ocurre el prim er paro; si se deja en blanco, el par
metro to m ar el valo r asignado en el cam po Frequency.
182
6 3 Paros e n los e q u ip o s |
Illi
600
F i r s t T in t
20
m 0 (n )fx )
P r io r it y
99
S c h e d u le d ..
No
. j
L o g ic . . .
w a i t 25
D i s a b le
No
_
Figura 6.16
183
R e s o u rc e s
ame
- 'n ic a
M a ch in ist
11
M ecan ice
Stacs
D a . . .
Specs. . .
S e a rch ..
L o g ic ...
? t a ..
sage
By n it
No Networi Non*
Nor.e
By U nir
No N e t v o r Nor.e
N otes. . .
HI L
Frequency
r i r e t Tim e P r i o r i t y
120 a i n
L iet
L o g i c . ..
WATT E ( S
99
D isa b le
a ln
No
---------------------------------------- 1
Figura 6.1 7
L o c a tio n s
ame
U n its
Lathe
C lock ,
Tim e S e i O l d e s t
M ili
None
Tim e S e : O l d e s t
----
P a lle tl
in f
None
Tim e S e : O l d e s t
P a lle t2
in f
None
Tim e S e : O l d e s t
C lo c k
d o w n tim e s
Frequency
400
fo r
S tats
R u le s. . .
Tim e
N otes. . .
ni -
L a th e
F irst
20
D Ts. . .
Cap.
P rio rity
999
S ch e d u le d ...
No
L o g i c ...
D isa b le
GST K e c a n i c o D n jo
GET M e c n i c o
WAIT U < 1 0 , 3)
FRZZ M e c n i c o
Une: 1
Figura 6.18
184
6.4 Reglas d e ru te o |
Abra el reporte de resultados (O utput / View Statistics) para verificar las estads
ticas del nuevo recurso M ecn ico,y el im pacto de los paros en las estadsticas de
M achinist, Lath e y M ili (vea la fig ura 6.19).
Locabcns
L o c a b c n S ie t e s M if li
L o c a lic e S ta te s S in g t e / T a n k
R e s cu tce s
R e s c u i c e S ta te s
N o d e E rt e s
F a le d A m v a h
E f* ty A c trv * y
L o c a t i o n s l o i la H a s v 6
S c h c d u lc d
Ndm e
C a p a c it
T r n ie (M IN )
T o la l
A v o T im c P e
E n liie i
E n t .y (M IN )
A v g C o n te n *
M x im u m
Cunen!
C o n te n *
C o n te n *
la t h e
1440 0 0
1 00
24000
5 .5 4
092
1 00
1 CO
M il
14401
100
23900
284
0 47
100
IC O
P e lW I
1440 0 0
999999
24100
383
0 84
200
IC O
P a lt
1440 0 0
999993
2 3 9 .0 0
000
0 1
100
OCO
* U
I c c a W 's
L o c a tio n S t a t e s M U t
L o c a tio n S ta te s S m g le / Ia n k :
R esouces
R c itc e S ta te s
U o d c E tV ie s
F a lo d A m v a l-
E rtity A c t rv fy
n x
R c s o u i c c s fo r fa lla s v 6
am e
U n ts
S c h c d u lc d
N u m b e r T im e s
A v q T im e P e r
A y o T im e T r a v c l T o
T n r (M IN |
Used
U i a g e (M IN )
U s e (M IN )
P a rk (M IN )
481 0 0
283
OCO
400
1000
000
000
M achnst
IC O
1 4 4 0 CO
M acaneo
1co
1440 (0
Figura 6.19
A v g T i
e T ra v c l T o
OCO
6 .4 R eglas d e ruteo
La ventana de edicin q ue se ilustra en la fig ura 6.20 m uestra una de las herram ientas dis
ponibles en ProM odel. Rule perm ite gran versatilidad en la creacin del proceso al c o n s
truir las rutas de las entidades. Para desplegar la ventana correspondiente, abra el m en
Build y haga clic en el com ando Processing.
ProModel - ULTIMO-1.MOO
ooS
Wnon
lili Routing for PIEZA1 LLEGADA
S n tliy
Operation
PIIZA1
PISZA1
Figura 6.20
La colum na Rule perm ite seleccionar la condicin que se d ebe cum p lir para que una
entidad sea transferida desde la localizacin actual (definida e n la co lum na Location)
hasta la localizacin sigu ien te (definida en la co lum na Destination).
Al oprim ir el botn R ule se abre el cuadro de dilogo Routing Rule. En l se puede
seleccionar cualquiera de las siguientes reglas de ruteo:
First availab le. Selecciona la prim era localizacin q ue te n g a capacidad disponible.
By tu rn . Rota la seleccin e n tre las localizaciones q ue estn disponibles.
If Join Request. Selecciona la localizacin q ue solicite una entidad para un proceso de
unin (requiere el uso de la instruccin JOIN).
185
Figura 6.21
Esquematizacin
de un proceso de torneado
186
6.4 Reglas d e ru te o |
lllll L o c a t io n s
Ic n
|
lo m o
%
%
*
O n its
D Ts . . .
l|
:1
None
X o rn o _2
None
A lr .s e en
in f in it e
Nene
Figura 6.22
Cap.
Mame
HUI Entities
| Ic n
Speed
ame
j P ie z a
Figura 6.23
(fpm )
150
Definicin de la entidad
A continuacin program arem os las llegadas de la Pieza aI Alm acn. Abra la ventana Arri
vals (Build / Arrivals) y especifique los parm etros que se m uestran en la fig ura 6.24.
M A rriv a ls
E n t i t y ___
P ieza
Figura 6.24
L o c a d o r.. ..
A lm acn
Q ty e a c h ...|
F i r s t . Tim e
O ccurrenees
INF
Frequency
( 10) rain
Entrada d e m ateria prima (Pieza) a l p unto inicial del proceso (Alm acn)
187
w a ie 12
Figura 6.25
Como pu ed e ver en la fig ura 6.25, en el cam po Rule ap arece,d e m anera p redeterm i
nada, el valor FIRST para am bas salidas. En este caso la regla de ruteo indica q ue la pieza
deber m overse al prim er torno que se encuentre disponible. Si am bos estn disponibles,
el to rn o 1 ser la opcin elegida. El "1 "a la derecha del prim er FIRST indica el valor del
campo Q uantity del cuadro de dilogo Routing R ule (vea la fig ura 6.26).
Routing Rule
I ? S ta it New B lo ck
(Quantity 11
N ew Entity
F iis t Availab le
C M ost Availab le
B y T uin
'
andom
If Jo in R e q u e st
C |f L o a d R equ est
Lo n g e st U n o ccu p ied
If Send
C |f Empty
T Until Full
Probablity:
U se r Conditiorr.
Figura 6.26
Continu
(
A Ipin j p
OK
de dilogo la regla de
Cancel
Help
transferencia entre
bcalizaciones
Por ejem plo si desea cam biar la regla de m anera q ue 30% de las piezas sean proce
sadas en el to rn o 1 y el resto en el torno 2:
188
Abra prim ero la ventana Routing Rule para el torno 1, seleccionam os la opcin
Probabillty, y escriba 0.3 en el cuadro de texto correspondiente. Haga c lic e n OK.
6.4 Reglas d e ru te o |
R o u t in g o r P ie z a
A lm a c n
M o x l A v o ilo b lr
F * * t A v a l l o b le
By T u n
M ondom
II J o in R e q u e s I
II Lo a d R equest
II Scnd
L o n g e t l U n o c c u p ie d
U n lil
FuH
I I m p ty
P io b a b ilily :
0 7 0 0 0 0 0
U s c i C o n d ilio n
A s A ll m a le
A s Backup
O K
Figura 6.27
Cancel
D ependeni
H e lp
Podem os seleccionar de m anera sim ilar cualq uier otra regla de ruteo. La sintaxis
de program acin del e je m p lo (m an ten ien d o la regla p ro b ab ilstica) se m uestra e n la
figura 6.28:
F o r a n a t t e d L i s t i n g o f Mod e l :
c : \Pr*oMod4\model s \ r u t a s . m o d
9
3
Tim e U n its :
D istance u n its:
Locations
53aiS39a!!9a33Sia3ffSS3!9a3ai!SalffS39 9 ffa3!Sai!E33!T?8r9l!i!9SSIi!
ame
cap
um ts
stats
Torno_l
Torno_2
l
1
l
i
Tm e s e r ie s o l d e s t .
Tim e S e r e s O ld e s t .
Almacn
In fin ite
Time s e r i e s o l d e s t .
Figura 6.28
Rules
SS-fBSlSiKSa
cost
189
n n ttfim
- 5 * ^rtSi i *
** a
tu
***
?*3ift^*5irt-tt S
T
S
E n t i t i es
r:
ame
sp eed
P ie z a
is o
(fp m )
sta ts
T im e
co st
s e r i es
V
A.. V
A
V
^
VA
^
"
v^
V
V
W
^
V
k
V
"
kV
V
^
k
A
A
A
A
A
A
A
A
A
A
A
A
A
A
A
A
A
A
...
k
k
-k
k
k
.kk
k
.k
k^
k
C
S
kW
.A
k
k
.k
k
.V
.k
k
kk
k
k
k
kk
. k
kA
k
.^
k
kk
k
k
k
k
-k
kAA A AA A
kA
k
k
k
kA
.kA
k
k
k
kA
k
k
-A
k
kA
k
k
kkA
k
kA
k
k
k
k
k
kA
k
k
k
kA
k
kk
k
k
kA
k
k
k
k
.A
k
k
k
k
k
k
k
kA
k
k
.A
k
kA
k
k
k
k
k
kA
k
k
k
k
k
kA
k
k
k
kA
k
k
k
k
.A
k
kA
k
k
..
.W
k
5
.
..
.-
P r o c e s s i ng
^
W
k
V ^^ k
A
*
ka k
Vk
*
V
A
VAA
.k
VA-AA AA W
Ak
VAA AV
A A AA AA A AA A AA
AAV
A
AAk
^
A AA A AA A AA A A
-A AA A AA A V
A AA A ^A
ti 1
<
A t
t ti t
t I* tt-
t ti t
l
#
l ta
t
t
t
t ti *
l
ti*
,a
t tt
t
*
ti
tt
t t
t*
i
tt
t
tt ti
P ro c e ss
E n t it y
L o c a t io n o p e r a t io n
P ie z a
A lm a c n
P ie z a
P ie z a
Torn o _i
T o rn o _2
*o uti n g
s i le
i
w a .it
w a tt
12
is
1
1
o u tp u t
P
P
P
P
ie
ie
ie
ie
z
z
z
z
D e s t in a t io n R u le
a
a
a
a
M ove
T o rn o _i
T o rn o _2
E X IT
0 .3 0 0 0 0 0
0 .7 0 0 0 0 0
F I R .5 T 1
e x it
f ir s t
A rri val 5
^
Ak
*
V
^^^^
VAA
k
A A AA k
^
A A A-AA AA AA A AA k
*
V
tt I*
t
t
t
t i*
-
t
ts
.
l
t
t
t
.
l t.
t
i*
tttt
t
tt
.tt t
t
E n t it y
L o c a t io n
Q ty
P ie z a
A lm a c n
Figura 6.28
each
F ir s t
T im e o c c u r r e n c e s
IN F
F re q u e n c y
EC1Q 3
L o g ic
m o
190
6.5 E n s a m b le s ,a c u m u la c i n y a g ru p a m ie n to d e p ie z a s [ :
Ejem plos:
ACCUM 5
ACCUM 10
B
File
P ro M o d e l -
Edit
View
a c u m u la r . M O D
B Jd
Sm ulaton
Output
Tools
Wmdow
Help
Proce
E n ricy . . .
L c c a c r o n . ..
P iez a
lzacer.
P ieza
M aquina
O p era cin . . .
O O a c c u n S D O w a i t 12
a ccu in 5
w a i c 12
Une: 1
A lm a c n
M a q u in a
Instruccin G RO U P
La sintaxis general de esta instruccin es:
GRO U P <Cantldad> AS <Nueva entidad>,
y su propsito e s realizar una unin tem poral de entidades de un m ism o tipo (a m enos
que se utilice com o parm etro la palabra A L L ,e n cuyo caso pu ed e u n ir en tid ades de di
ferente tipo ). Las entidades agrupadas se m antienen en ese estado hasta q ue encuentran
una instruccin U N G RO U P. Si se utiliza la o pci n A S , la entidad resultante de la unin
puede ten er un nom bre diferente (vea la fig ura 6.30).
Ejem plos:
GROUP 10
GROUP 10 AS Am igos
GROUP PRODO AS Lote
191
P ro M o d e l -
File
Edit
View
a g r u p a r .M O D
Bu id
Smulabon
Output
Tools
q r o u p 5 aa
Wndow
Help
M a q u in a
lo ca
Maquina
P r o c e s s in g
R o u t in g
E n t it y
L o c a t io n
O p e r a t io n
P ie z a
L o te
L o te
R ln a c e n
A ln a c e n
M a q u in a
g ro u p 5
Figura 6 .3 0
u a it
10
B lk
as
O u tp u t
D e s t in a t io n
R u le
M a q u in a
EX IT
F IR S T 1
F IR S T 1
lo t e
de 5 piezas en el alm acn (incluye la sintaxis de program acin com pleta del proceso)
Instruccin UNGROUP
La instruccin UNGROUP tie n e la siguiente sintaxis general:
UNGROUP
0 objetivo de esta instruccin es separar las entidades agrupadas previam ente con la ins
truccin GROUP. Las entidades son desagrupadas de acuerdo con el esquem a "prim ero
en entrar, prim ero en salir"a m enos q ue se indique lo contrario co n la expresin U FO (vea
la fig ura 6.31).
Ejemplos:
UNGROUP
UNGROUP LIFO
192
6.5 E n s a m b le s ,a c u m u la c i n y a g ru p a m ie n to d e p ie z a s [ :
Edit
View
Build
Simulation
O jtp u t
Tools
lllll Process
Window
1*1
E n tity .
L o c a tio n ..
P iez a
Alrr.a c e n
L ote
A lm a cn
L ote
M a quin a
P iez a
M aquina
lllll
g r o u p 5 aa
w a it
R o u tin g fo r
O utpu t. . .
O p era tion .
J a a tin a tion ..
P u le .
lo te
10 u n g r o u p
DE
( Jp eratio n
E|Bs||/,|||'?l
w a it
Heto
10 u n g r o u p
Almacn
Maquina
Lme 1
R o u t in g
E n t it y
L o c a t io n
O p e r a t io n
P ie z a
A lm a c n
A lm a c n
M a q u in a
M a q u in a
g ro u p 5 a s
Lote
L o te
P ie z a
Figura 6.31
B lk
O u tp u t
D e s t in a t io n
R u le
Lote
M a q u in a
F IR S T
P ie z a
EX IT
F IR S T
lo te
w a i t 1 0 u n g ro u p
Instruccin COMBINE
La sintaxis general de la instruccin es:
COMBINE <Cantidad> AS <Nueva entidad>
Su propsito es realizar una unin definitiva de entidades de un m ism o tipo, a m enos que
se utilice com o parm etro la palabra A L L ,e n cuyo caso puede u n ir entidades de d iferen
te tipo. La entidad resultante m an tie n e el n o m b re y atrib uto s de la ltim a entidad co m
binada; si se utiliza el parm etro A S, la entidad resultante de la unin pu ed e te n e r un
nom bre diferente (vea la fig ura 6.32).
Ejem plos:
COMBINE 10
COMBINE 50 AS Lote
193
P ro M o d e l - c o m b in a r . M O D
F ile
E d t
V ie w
B u i 'd
S m u la b o n
O u tp u t
T o o ls
1*1
lllll P ro ce s s
r.~icy. . .
Locacin. . .
P iez a
A lm a c n
ca ja
A lm a c n
H e lp
OperaCi.cn. . .
com bine
O ucpuc. . .
10 a s c a j a
A lm acn
J e a cin a cio n ..
ZXIT
ca ja
R u le ...
F IR S T 1
- nx
O peratio n
jt k
W rx to w
Almacn
Une i
P r o c e s s in g
P ro c e ss
E n t it y
L o c a t io n O p e r a t io n
P ie z a
c a ja
A lm a c n
A lm a c n
c o m b in e
R o u t in g
B lk
O u tp u t
D e s t in a t io n
R u le
c a ja
EX IT
F IR S T 1
10 a s c a ja
Instruccin JOIN
Con la sintaxis general:
JOIN <Cantidad> < Entidad a e n sa m b la ra
la instruccin JOIN ensam bla entidades de cierto tipo a la entidad actual. Las entidades a
ensam blar provienen de otra localizacin, y se dirigen m ediante la regla de ruteo IF JOIN
REQUEST. Una vez ensam bladas, las entidades pierden su identidad y atributos.
Ejemplos:
JOIN 24 Refrescos
JOIN Varioble_ 7 Cojas
Ejem plo 6.5
Como se ilustra en la fig ura 6.33, un operario em paca cajas de 25 piezas cada una. El tie m
po de em paque e s e xp o n encial de 1 m inuto. Las tasas de entrada por hora son co n stan
tes, de 1 500 en el caso de las piezas, y de 60 en el de las cajas.
194
6.5 E n s a m b le s ,a c u m u la c i n y a g ru p a m ie n to d e p ie z a s [ :
A 'i P ro M o d el - En sa m b le .M O D - [N o rm a l R u n ]
Ip ] File
Simula to n
Options
Information
Window
In te ra ct
Help
2168
Alm acn Pieza
Figura 6.33
Para com enzar, defina las localizaciones Alm acn_Caja, A lm acn_Pieza y Operario
en la ventana Locations (Build / Locations).
Especifique las entidades Caja_vaca, C a ja JIe n a y Pieza en la ventana Entities
(Build / Entities).
En la ventana A rrivals (Build / Arrivals) determ ine las entradas al sistem a, de la Ca
j o n a d a al Alm acn_Caja, y de la Pieza al Alm acn_Pieza.
En la ventana Processing (Build / Processing), cree la ruta de cada tipo de entidad.
Para m o d elar la unin de las entidades son necesarios dos procesos: uno para la en
tidad principal, C aja_v^ ca,y otro para la entidad secundaria, Pieza. El prim er proceso se
ilustra en la figura 6.34; en l harem os uso de la instruccin JOIN para indicar q ue la en ti
dad actual, C a ja _va d a , e n la localizacin Operario solicita 25 entidades Pieza para llevar a
cabo la unin. La entidad resultante de este proceso se identifica co m o C a ja JIe n a ,y es e n
viada al exterior.
JOIN
25
PiasaOCWAIT
O p e r a tio n
A d d R o u tin g
Figura 6.34
195
Figura 6.35
La sintaxis de program acin del ejem plo 6.5 se ilustra e n la fig ura 6.36.
Instruccin LOAD
La instruccin LOAD, cuya sintaxis general es:
LOAD <Cantidad> IFF <Condicin> IN <Tiempo>,
agrupa tem poralm ente entidades de cierto tipo a la entidad actual. Las entidades a agru
par provienen de o tra localizacin, y se dirigen m ediante la regla de ruteo If Load Re
quest. Las entidades agrupadas m antienen su identidad y atributos, y se separan cuando
encuentran una instruccin UNLOAD.
Ejemplos:
LOAD 5
LOAD 10 IFF T ip o > 2
LOAD 2 IFF Peso > 3 IN 5 min
LOAD 5 IN 10 min
Instruccin UNLOAD
La sintaxis general de esta instruccin es:
UNLOAD <Cantdad> IFF <Expresin>,
y su propsito e s perm itir que una entidad descargue o desagrupe otras entidades pre
viam ente agrupadas po r una instruccin LOAD o GROUP si se cu m p le la condicin espe
cificada.
Ejemplos:
UNLOAD 10
UNLOAD 2 IFF entityQ = Pieza
196
6.5 E n s a m b le s ,a c u m u la c i n y a g ru p a m ie n to d e p ie z a s [ :
E je m p lo 6 .6
Un proceso requ iere m o ve r m aterial en co n ten ed o res de un lu g ar a otro. Cada c o n te
nedor d ebe llevar 5 piezas. El tiem p o para cargar el contened or es d e 1 m inuto. Los co n
tenedores se m ueven a travs de una banda transportadora en 30 segundos. Al final de
197
este m ovim iento se separan y cada entidad contina po r separado en bandas tran sp o rta
doras independientes. Vea la esquem atizacin de este problem a en la fig ura 6.37.
F ie
S m u la o n
Op&ons
In fo r m a tio n
W m dow
In te ra c t
H e lp
Banda pallis
Almacn de pallis
Banda
Descarga
Carga
Almacn de p e ; .1
Banda p e sa s
Figura 6 .3 7
Para este ejem plo, antes q ue nada e s necesario definir las siete localizaciones q ue se
m uestran en la fig ura 6.37 (alm acn de piezas, alm acn de pallets, carga, banda, banda palets, descarga y banda piezas), las dos entidades q ue se m ueven a travs del sistem a {pallet
y piezas), y la inform acin sobre la llegada del m aterial al sistema. Estos elem entos y sus
caractersticas se describen m s adelante en la sintaxis de program acin del modelo.
D e la m ism a fo rm a q ue en el caso de la instruccin JO IN , para lograr la unin o car
ga se requieren dos procesos: uno para la entidad principal, Pallet, y otro para la entidad
secundaria, Piezas.
El prim ero de dichos procesos se m uestra en la fig ura 6.38. En l se hace uso de la ins
truccin LO A D para indicar q ue la entidad actual, Pallet, solicita en la localizacin Carga 5
entidades para llevar a cabo la unin, incluyendo el tiem po necesario para hacerlo. La en
tidad resultante de este proceso es enviada hacia la banda transportadora Banda.
Operation
A d d R o u tin g
Figura 6 .3 8
198
6.5 E n s a m b le s ,a c u m u la c i n y a g ru p a m ie n to d e p ie z a s [ :
fo r P ie z a s A lm a c e i
Oucput---
D e s t in a c i n ..
Carga
R o u t i n g R u le
v
S t a i l N e w B lo c k
g u a n lily f T
N e w I n lit y
F ir s t A v a lla b le
B y T u in
Figura 6 .3 9
II J o m
'
H S cn d
U rq u e !
Una vez transportado el Pallet por la banda, se lleva a cabo el proceso de separacin
o descarga m ediante la instruccin U N LO A D ,d e m anera q ue cad a entidad sea enviada a
su siguiente proceso (vea la fig ura 6.40).
MI
lili Process
Eneiey...
L o c a t io n .. .
P a lla r
D esca rga
P a lle t
-](
jjn lo a d
^ / ^ 3 a r .d = _ p a l^ a t s
w a it 30
SCO
seo
Operation
1
*
O p e r a tio n .
O u t p a t ____
Pallan
D e s tin a ci n ...
S a r .d a
p a lla r a
|- ||P ] [
Q H D D
-
j Tools
n x
N e w P ro c e s s
A d d
lllll Process
R o u tin g
l 7l
M f n jfx ]
O bserve la sintaxis de program acin co m p leta para el m odelo del ejem plo 6.6 e n la
figura 6.41.
199
F o r r r e t t e d L i s r i n g o f M o d e l:
C : \ P ro N b d 4 \2 ro d e l a \ E j a r p i o LOAD. MCD
T im e I * i i r a :
D is r a n e e U n ir :
j.
M in u t e 3
Feet
L c c a t ic n s
ame
Cap
U n ir s S ta ta
A im a c e n _ a p a l i a r a
A lm a c en d e _ p ie z a 3
Banda
D e sc a rg a
C a rg a
3an d a_p a l l e r 3
B an d a_p . Le z a s
IN F IN IT E 1
IN F IN IT E 1
IN F IN IT B 1
1
1
1
1
IN F IN IT E L
IN F IN IT E L
lim e
T im e
T im e
T im e
lim e
T im e
T im e
R u le s
S e r ie s
S e r ie s
S e r ie s
S e r ie s
S e r ie s
S e rre s
S e r ie s
O ld e a t ,
O ld e s t ,
O ld e s t ,
O ld e s t ,
0 id e 3 t ,
O ld e s t ,
O ld e s t ,
C o st
9
9
FTFO
*
9
F IF O ,
F IF O ,
E n r ir ia 3
Narre
Sp sed
P ie z a s
P a lle t
150
150
(fp m )
S ta ts
C o st
T im e S e r i e s
T im e S e r i e s
P r e c e s s in g
P r c c e as
F n t it y
l o c a t i n
P a lla r
P a lle r
P a lle t
P a lle r
P a lle t
P ie z a s
P ie z a s
P ie z a s
A lm a c n d a p a l l a r a
C a rg a
Banda
D e sc a rg a
B a n d a _ p a lle t s
A lm a c n d a p i e z a s
le s c a r g a
3 a n d a _ p ie z a a
R c u t in g
O p e r a t ie n
LOAD 5 IN 1 m in
W A IT 30 a e c
u n lo a d 5
w a i t 30 a a c
w a i t 30 a e c
3 1 k C u tp u t
Ce a t i n a t i o n
R u le
i
1
1
1
1
1
1
1
C a rg a
Banda
C e a c a rg a
3a n d a _ p a lle t s
EX IT
C a rg a
3 a n d a _ p ie z a s
F X IT
F IR S T 1
F IR S T 1
F IR S T 1
F IR S T 1
F IR S T 1
LOAD
1
F IR S T 1
F IR S T 1
P a lia r
P a lle t
P a lle t
P a lle t
P a lle t
P ie z & 3
P ie z a s
P ie z a 3
A r r iv a ls
F n t it y
L c c a r ie n
Q ty e a c h
F ir s t
P la z a 3
P a lle r
A lm a c n d e p i e z a s
A lm a c n d e _ p a l l e t s
10 0 0
200
Figura 6.41
200
T im e O c c u r r e n c e s F r e q u e n c y
1
1
1
1
L o g ic
6.5 E n s a m b le s ,a c u m u la c i n y a g ru p a m ie n to d e p ie z a s | :
Instruccin SPLIT
La sintaxis general de la instruccin SPLIT es:
SPLIT <Cantldad> AS <N ueva entidad>
su propsito es d ivid ir una entidad en varias entidades, y asignar a cada una de ellas (de
m anera opcional) un nuevo nom bre. Las entidades resultantes de la divisin m antienen
b s m ism os atributos q ue la entidad original.
Ejem plos:
SPLIT 10
SPLIT 20 AS Botella
SPLIT V ariab le_4 AS Lm inas
El uso de esta instruccin se recom ienda solam ente cuando existan operaciones adi
cionales a las entidades dentro de la localizacin actual. En caso contrario e s m ejor utili
zar la estructura de reglas de ruteo que se ilustra en la fig ura 6.42 para definir la cantidad
de entidades a separar.
B u le
V id r io
n acen
de v ld r i
V id r io
R o u t in g R u le
S t a i t N e w B lo c k
Q u a n tity
.a y o u t
F i ix l A v d ild b le
M o x t A v d Jd b le
New Piocess
B y lu in
Random
Add Routing
I I Jo in R c q u c s t
II lo a d R c q u c s t
II S en d
L o n g e x l U n o c c u p ie d
U n l i l F u ll
II E n p ty
Entity
IVtdrio
P io b d b ilit y .
U i e i C u n d it io r i
C o n tin u o
Figura 6.42
201
iiiiiiii iiii
Salida
Entrada
Cortadora
Figura 6.43
Proceso d e corte
0 m odelo requiere d e fin ir3 lo calizacio nes:Entrada,co n capacidad in fin ita ;Cortadora,co n
capacidad 1, y Salida, co n capacidad infinita. A dem s,es preciso especificar dos entidades,
llam adas Rollo y Lm ina, y las llegadas de rollos al proceso co n un tiem p o e n tre llegadas
de 12 m inutos. La descripcin co m p leta de los elem entos m encionados se en cu entra en
la sintaxis de program acin del modelo, que se presentar m s adelante.
0 punto im portante de este m odelo se ilustra e n la figura 6.44, y ocurre al crear la ru
ta de proceso cuando el Rollo, despus de un tiem po de operacin de 30 segundos, se
transfiere hacia la localizacin Salida. Es e n el cuadro de dilogo Routing Rule donde de
term inam os el valor de la variable Q uantity en 10.
R u le
R o llo
R o llo
R o u t i n g R u le
'
C Most A v o t a b e
C By Tum
r * JonReojea
f Lo a d Reaues
Longest U n o c c u a e d
If S e n d
C U rtIF u l
R andom
r f Empty
E n tra d a
Figura 6.44
202
U s o d e l p a r m e t r o Q u a n t it y p a r a s im u la r p r o c e s o s d e c o r t e y s e p a r a c i n
6.5 E n s a m b le s ,a c u m u la c i n y a g ru p a m ie n to d e p ie z a s [ :
La sintaxis de program acin com pleta del ejem plo 6.7 se m uestra en la fig ura 6.45.
3
3
F o r m a t t e d L i s t i n g o f Mo del
c : \ A r c h i v o s de programa\ProModel\Models\cortadora.MOD
15
**
f
8
a. m
i.1AA m
A A A .1
t
e
a
te
it
ei't
e
il
a l iteak te iteak
t
e
a l te
kaa
t
e
te
te
t
e
v
kate
te
t
e
a
ka
t
e
t
e
ka
t
e
a
ka
t
e
t
e
v
kaa
t
e
te
t
e
t
e
v
kate
te
kate
a
kate
te
kaa
t
e
te
t
e
v
kate
t
ete
v
k te
te
kaa
t
e
v
kate
te v
kaa
t
e
a
k
t
e
a
ate
a
a
.v
a
a
a
a
aa
a
v
a
a
a
vte
v
aa
a
v
a
a
a
a
.v
a
a
a
a
v
a
a
a
a
.a
a
v
a
a
a
a
.v
a
a
a
a
-v
a
a
a
ate
a
aa
a
C
a
vte
a
a
.
a
a
a
S
a
a
a
a
-v
a
v
a
a
a
v
a
a
a
Time Units:
D i s t a n c e u n i ts :
In i t i a l i z a t io n L o g ic :
M i u te s
Feet
ANIMATE 5
M
Va
'a
va
\a
k
a
k
t
ea
k
a
va
t
e
t
e
t
ea
e
a
V
t
e
a
e
a
>
t
e
V
t
ea
t
e
a
4
V
a
t
e
a
a
a
.a
a
a
.t
a
a
.a
a
a
.t
a
a
aa
a
a
aa
a
a
a
a
a
a
a
a
a
a
-a
a
a
>
a
aa
a
>
a
a
a
If
M V
Locations
II
a
t
e
a
V
^ a
t
e
a
V a
t
e
a
t
ea
t
e
a
V
l . * *
u . a te i *
ame
a i i i ite la a i
sta ts
Time s e r i e s O ld e s t .
Time S e r i e s O ld e s t .
Time s e r i e s o l d e s t !
in fin ite
salida
in fin ite
A m i m i (k ak i. i k >k m
. .k m
. m . m i A ak m i mk ak A ak 1
.
n . a i ia te a i
u n its
Entrada
ai n
R u le s
a i ia n
ai n n
a a i
a i a i a i a n
co st
fifo .
.
fifo .
mk ak mkak
t
e
t
e
kate
te
kate
te
kaate
k
t
e
kate
ki ate
ka
t
e
te
t
eate
ka
t
e
te
kate
ki ate
te
k. ate
k
t
eate
kaate
t
e
kaate
te
ka
t
e
v
ki ate
te
k
t
e
a
a
a
a
.v
a
a
a
.ate
a
ate
a
vv
a
a
a
vv
a
v
a
aate
a
a
a
a
.v
a
va
a
aate
a
vv
a
v
a
v
a
a
a
vv
a
a
a
a
-v
a
va
a
a
a
i-v
a
v
a
i
a
a
a
vv
a
v
a
a
.ate
a
aate
a
vv
a
a
a
i-v
a
v
a
a
a
vvk
v. ate
a
v
a
a
a
a
3
f fflflfffl TfSrlflft^fTftflftfTif
ame
Speed (fpm)
Rol
1 5 0
l o
** a i n
cap
C o rta d o ra
Lamina
ai n
E n t it ie s
S ta t s
T im e
T im e
1 5 0
"
Cost
S e r ie s
s e r ie s
a
t
e
-
k a
e
a
8
te
ate
t
e
te
ak
a
k
ak
.8a
t
e
ak
k
t
e
a
t
e
tv
e
tv
e
.a
te
te
t
e
a
i
k
te
te
te
t
e
t
e
t
e
te
t
e
t
e
k
ti
e
a
t
k
a
tv
e
k
te
te
k
te
k
a
t
e
t
e
k
a
t
e
t
e
te
tv
e
te
k
te
a
k
t
e
ta
e
k
t
e
a
k
t
e
a
at
ate
a
a
aate
a
a
a
S
a
aate
? ak
aa
a
v
a
aate
a
aate
a
a
a. te
a
a
a
a
v
aate
a
a
i ate
a
aa
a. ate
a
a
a
.a
a
a
a
i,
v
a
a
a
a
a
v
v
a
a
a
a
ite
v
a
a
v
a
a
a
a
a
v
a
a
v
a
a
a
a
a
v
v
a
a
vte
a
va
a
a
a
v
v
.
a
a
ie
,
v
a
a
a
.
a
S
a
v
v
a
a
v
a
a
a
a
a
a
.
v
a
a
v
a
i.
a
a
a
v
a
a
ite
a
v
v
a
a
v
v
a
a
a
a
.
v
a
a
v
a
a
a
P r o c e s s in g
( f f
P ro c e ss
E n t it y
L o c a t io n
R o llo
E n tra d a
Rol 1o
cortadora
L a m in a
s a lid a
O p e r a t io n
wait
30 sec
R o u t in g
Move L o g i c
E - l I c
O u tp u t
D e s t in a t io n
R u le
R o llo
c o rta d o ra
fir s t
Lamina
salida
first
io
L a m in a
e x it
fir s t
a
te
^
^
V
^
^
a
k
A
te
k
>
A
a
>
a
k
A
te
a
te
A
V
a
V
A
te
.V
a
te
A
V
a
te
^
V
k
te
A
V
a
te
a
te
a
V
^
A
te
a
te
a
te
a
>
^
te
A
te
w
V
k
te
A
V
a
te
A
^
A
w
V
a
te
^
V
a
te
A
te
a
te
A
a
V
a
te
A
te
a
V
k
k
A
V
a
te
A
a
V
<
te
.A
k
te
k
te
a
V
k
te
w
te
te
^
^
a
te
A
V
A
a
V
k
te
a
te
V
k
te
.m
\te
A rrivals
a. a
. a. a. a. a.a
a .
.. a. ... a. a. a. a
aa
a
. a. a
a
a
ka
aa
a.. .. .. a
a... .. .a a
a
.a
a. .. a
a.a
*.a a. a
.a
aa
a
. a. .aa
aa
a
v.. a
t
e
ak a
a.a.. a
a
a. .aa
aa
a. .. .tea
aa
aa
a
-.. .. a
a
.a
a.aa. a
a.av
aa
a.. a
aa
a.. .. .. a
.
Entity
L o c a t i o n Qty each
F i r s t Time o cc u rr en ce s Frequency
Rollo
Entrada
Figura 6.45
INF
Logic
12 min
Como se m encion anteriorm ente, tam bin e s posible m odelar e ste proceso co n el
uso de la instruccin S P L IT . Para hacerlo se deben realizar cam bio s solam ente en la ruta
del proceso. En la figura 6.46 se m uestra la parte del program a q ue sufre m odificaciones.
203
z~zz
::z z : r - . r : r
-r-r
zz
:: z r z z
:r ;r
P r o c e s s i ng
r : r : r
-.r zz
zz
. r
: r zr
P ro c e ss
E n t it y
L o c a c i n
o p e r a t io n
output
D e s t in a t io n
Rollo
cortadora
Rollo
Entrada
R o llo
c o rta d o ra
L ami na
L ami na
cortadora
L ami na
salida
s a lid a
L a m in a
EX I T
Figura 6.46
R o u t i ng
E lle
30 se c
S p lit 10 as
:: z r z r z z z r z z z z z r z z : r : r
R u le
M ove L o g ic
FIRST 1
w a it
L a m in a
FIRST 1
1
F IR S T
Instruccin ROUTE
La sintaxis general de esta instruccin es:
ROUTE <Bloque de ruteo>
La instruccin ROU TE enva la entidad hacia el proceso especificado po r el nm ero del
bloque.
Ejemplos:
ROUTE 2
ROUTE Tipo_de_pieza
Ejem plo 6.8
Sim ule el proceso de separacin de tres tip o s de pieza (vea la fig ura 6.47): 20% de las pie
zas son de tipo 1; 50% son de tipo 2, y el resto son de tipo 3. El tiem po de transporte es de
3 m inu to s en las bandas de en trada; d e 3 m inu to s en las bandas de salida de las piezas
tipo 1 y 3, y de 5 m inutos en la banda de de salida de las piezas tipo 2. El tiem p o entre
llegadas al sistem a es de 1 m inuto/pieza, distribuido exponencialm ente.
S'nulaOon
Options
-I
Informa to n
Window
In tera ct
Help
Entrada
Figura 6.47
204
P ro c e s o d e s e p a r a c i n d e m a t e r ia le s
i ProModel
F ie
E C it
- Ruteo. MOD
V ie w
B u id
S im u la t io n
O u tp u t
To 6 s
W ndow
H e lp
MI Attributes
ID
T y p ...
R u ta
Figura 6.48
K*
In teger
Ene
Edt
BuW
Sm Uaxn
O u tp jt
T o c fe
W V x to w
~*fc,
XD
7 ip o _ d ._ p i.x a
Type- - -
D u c t.s e
C u a u la s iv e . . .
Ko
l i l i T r th ll-
U>i
T ip < i_ r tr -_ i0 M
P e rc e r.e g e
T a b la . . .
D c f ir .c d
i a u n
V a lu
S tu d e n t V e r s i n S tu d e n t V e r s i n
S tu d e n t V e r s i n S tu d e n t V e r s i n
S tu d e n t V e r s i n S tu d e n t V e r s i n
Figura 6.49
Haga clic en el botn Logic de la ventana Arrivals (Build / Arrivals) para desple
gar la ventana Logic y asignar a h los atributos de cad a pieza (vea la fig ura 6.50).
Indique, en la colum na Freq uen cy de la m ism a figura, el tiem p o e n tre llegadas:
exponencial con m edia de 1 m inuto/pieza. Al llegar cualq uier pieza se evaluar la
funcin Tipo_de_pieza, y se asigna un valor al atributo RUTA y a la fo rm a de la en
tidad (graphic RUTA).
Estos valores perm anecern com o caracterstica de la entidad hasta q ue sea
destruida.
205
Figura 6 .5 0
Figura 6 .5 1
La sintaxis co m p leta de la program acin para el ejem plo 6.8 se m uestra en la fig ura 6.52.
206
6.5 E n s a m b le s ,a c u m u la c i n y a g ru p a m ie n to d e p ie z a s [ :
L o c a t io n s
ame
cap
units s ta ts
Rules
cos
separacin i
Time s e r i e s o l d e s t , .
B an d a_i
5 an d a _2
in f in it e
IN F IN IT E
T im e
T im e
Banda_3
in finite
Time s e r i e s o l d e s t .
E n tra d a
IN F IN IT E
T im e
s e r ie s
S e r ie s
S e r ie s
o ld e s t . f if o .
O ld e s t . F IF O .
fifo .
O ld e s t . F IF O :
s-B sftisiis-B n ifrts-Esa s-Ei s-tissittitK S-B iriiSiss-B sitR a ie n sis En sB issitis-itiS ssn n -ffisi-B r tsssassa en is
E ntities
!!S ;S E :3 ti!!i5 i!:!!:r!i5 i!E i!i!P !E S !!S !!is a E !3 S !tn !ir!s c E its i!is i!i!3 S 3 !a 5 S !!E 5 5 J3 S !iiE 5 2 !iB i!
ame
speed (f p ir Q
stats
cost
Gear
15 0
Time s e r i e s
15
P r o c e s s in g
P ro c e ss
R o u t in g
E n t it y
L o c a t io n
o p e r a t io n
B lk
O u tp u t
D e s t in a t io n
G ear
G ear
E n tra d a
S e p a r a c i n
w a it 3
RO U TE R U T A
l
1
G ear
G ear
s e p a r a c i n
Ean d a_l
R u le
f ir s t
M ove
L o g ic
F IR S T
Gear
eanda_2
first
G ear
B a n d a_3
f ir s t
Gear
Banda_i
wait 3
Gear
exit
first
G ear
B an d a_2
w a it 5
G ear
e x it
f ir s t
Gear
Banda_3
wait 3
Gear
exit
first
r S S S E E S S E E S a E E E S E S S E S E E E E n E E E I S I f E E E E E E E E S E E E E E E S E E S E S S S E E E E S E E E E S E E S E S E B n i E E E S S
Arrivals
E E E S E I E n E S S E E S E E E n E B n E E S E E E E S E E a E n E E E E S E S S E S E E a E S E S a E E a E S S E B E E E E a E S a E E E S B S E B S E E
E n t it y
L o c a t io n Q ty
Gear
Entrada
each
F ir s t
T im e o c c u r r e n c e s
INF
F re q u e n c y
EC l)
L o g ic
RUTA=Tpo_de_piezaO
g r a p h ic RUTA
* 3 - r t * S S T t S *
t r t ^ s
i ^ -i t T t it i^ S t -it r t t t
- ? * t t b r t t * > ^ i ^ t t * t
A t t r ib u t e s
E E E S S I S E E E E S E S E E E n S E E E S E E E E E E S E n E E E E E E E E E E E E E S E S E E E E B E E E I S S E E E E E S B E E E E B E E E E E E E
ID
Typ
c ia s s ific a t io n
R u ta
in t e g e r
E n t it y
~E~E^~Er-E-^~-E"E-E~-:~ErT~r~-E-"~Ert;E~E-t~Tr;-E-Er;Er;~E^E-E~Er;E-^r;E-Er:-Er;E-E~~r;~^r;E-Er;-E-rr;^:T:r:~ r;~
*
U se r D is t r ib u t io n s
*
ID
Type
T ip o _ d e _ p ie r a D is c r e t a
Figura 6.52
c u m u la t iv e
P e rc e n ta g e
v a lu
no
20
50
1
2
30
207
Definir la ruta y sus propiedades en la ventana Path NetWork (Build / Path NetWork).
Determ inar el recurso en la ventana Resource (Build / Resource), y asociarlo con
la ruta creada previam ente.
Program ar en la ventana Processing (Build / Processing) la captura del recurso
con la instruccin G E T ,e l uso del recurso con las instrucciones M O VE W IT H o MOV E FO R, y la liberacin del recurso con la instruccin FR E E .
Figura 6.53
Esquem atizacin
del ejem plo 6.9
Tom ando com o base el esquem a de la fig ura 6.53, resulta claro q ue debem os:
208
ProM odel - E JE M P L 0 4 .3 .M 0 D
F ie
E d it
V ie .\
B u id
S m u la O o n
O u to u t
To o te
W in d o w
M eb
I I I Path Networks
T ra n s p o rte e n tre e s t a c io n e s
A lm acn
Figura 6.54
Haga clic
con el botn
derecho del
ratn
Haga clic
con el botn
izquierdo
C re a c i n d e la r u t a d e l m o n t a c a r g a s
209
Term inado este proceso, haga clic en el botn In te rfa c e s para ab rir el cuadro de
dilogo q ue se m uestra e n la fig ura 6.55. Asocie cada nodo con su localizacin res
pectiva: en este caso, asocie el nodo N 1 co n Alm acn, y el nodo N2 con Casimiro.
illii I n t e r f a c e s
[1 1
N c d e
l x
L o c a c i n
A lm acn
U
N 2
C a a i i n i r o
Fig u ra 6 .5 5
Registre en este cuadro de dilogo
la interfaz entre cada nodo y la
localizacin asociada
i ProModel - E JE M P L 0 4 .3 .M 0 D
F ile
E d it
V ie w
B u id
S m u 'a t io n
O u tp u t
T o o te
A n d o w
H e b
mu*
M
Transporte en tre estaciones
cf
Almacn
Fig u ra 6 .5 6
210
Casimiro
Abra la ventana Resources (Build / Resources) para esp ecificar el recurso M onta
cargas y la cantidad de unidades que co n tie n e (vea la fig ura 6.57).
Figura 6.57
Haga clic en el botn Sp ecs (identificado m ediante un crculo en la fig ura 6.57) pa
ra asociar el recurso con la ruta. Enseguida se abrir el cuadro de dilogo Specificatlons (vea la fig ura 6.58), en d ond e deber seleccionar la ruta por la q ue se
m over el recurso M ontacargas. En este ejem plo, la Ruta tendr asociado un nodo
que ser la base del recurso ;tam bin determ inarem os si cuando dicho recurso e s
t ocioso deber regresar a ese punto. Asim ism o podem os especificar otras pro
piedades, co m o velocidad de m ovim iento, aceleracin, desaceleracin, etc. (En este
ejem plo dichos cam pos quedan en blanco, ya q ue el m ovim iento en tre los nodos
se defini en funcin del tiem p o y no en fun ci n de la velocidad.)
Abra la ventana Processing (Build / Processing) para crear la ruta considerando
tos detalles de la fig ura 6.59, q ue consisten en la captura del recurso en el Almacn,
su m ovim iento hacia Casimiro, y su liberacin final.
211
Specifications
N odes
P a th NetWork:
H o m e:
| NI
r R eso u fc*
B re a k : |(none)
Motion
C losest R esource
r u a s
Longest Waiting
.1
i C* L o n a e s l idle
C losest Entity
M in Attribute
d
r
M ax Attribute
OK
Figura 6.58
S p e e d (Empty):
fpm
Sp eed (Full):
fpm
A ccelerate
fpss
D ecelerale
fpss
Pick-up Tim e:
S e co n d s
Deposit Tim e:
S e co n d s
Cancel
Help
ni - In
a r r il Almacer
E n t it y .. .
B a r r il
-o catio n. .
Almacn
Oporatior.. . .
GS7 Montacargas
B a r r il
Casimiro
HAIT E 5>
Operalion
h
-'H
GE? Montacargas
une
Bul*.
r ip s i i
Move L o g ic ...
MOVE WITK Kont *
E)(DB
Move Logic
Figura 6.59
D estinaci n..
Casimiro
Ourput.
B a r r il
Crie i
del proceso
La sintaxis de program acin del m odelo para el ejem plo 6.9 se m uestra en la fig ura 6.60.
L c c a t ic n s
N arre
C ap U n it s S t a t s
iL lm a e en
C a s im ir o
IN F 1
1
1
Figura 6.60
212
j*
R u le s
T im e S e r i e s O l d e s t ,
T im e S e r i e s O l d e s t .
C o st
,
.
F ir s t
F n t it ie s
Narre
Speed
B a r r il
150
tfp n )
S ta ts
A.
Coat
T im e S e r i e s
P a t h N e t t r o r lia
tr
Narre
Type
T /S
F rc a n
To
B I
D i s t / T im e
R u ta
P a a a in g
T im e
NI
N2
B i
U { 2 .5 ,0 . 5 )
*1
N et
N ode
Ir> c a t i n
R a ta
NI
N2
A lm a c n
C S 3 im ir c
Narre
n its
L ic r- ta c a r g a s 1
S ta ts
B y U n it
Speed F a c to r
In te rfa c e s
Ai
R e so u rce s
A.
Rea
S e a rc h
Bnt
S e a r c h P a th
M o t io n
Cost
C e s e s t O ld e s t R u ta
H orre: N I
P r o c e s s in g
A.
P ro ce sa
R o u t in g
E n t it y
I r :c a t i n
O p e ra t i e n
31k
O u tp u t
D e s t i n a t i o n R u le
N ove L c g i
B a r r il
a lm a c n
G BT K c n t a c a r g a a
B a r r il
C a s im ir o
F IR S T 1
MDVZ W ITH
K o n ta e a rg
IH F N R Z F
3 a r r il
C a s i m i r o TIA I T E ( 5 )
B a r r il
F X IT
F IR S T 1
<*
A r r iv a la
*!
E n t it y
L c c a t ic n
Q ty Each.
F ir s t
B a r r il
A lm a c n
100
Figura 6.60
T im e O c c u r r e n c e s F r e q u e n c y
L o g ic
213
L im p ie z a
D e s ca rg a
C a rg a
------------------------------------
C o rte
------------------------------------
L im p ie z a y
T a la d r a d o
---------------------------------
C o p ia d e
p ru e b a s
p a tr n
In s e r c i n d e
S o ld a d u ra
co m p o n e n te s
In s p e c c i n
D e p o s ic i n
A ta q u e
e le c t r o lt ic a
q u m ic o
------------------ 1
_____1
Diagrama 1
En cada una de las estacio nes solam ente se puede procesar un contenedor a la vez,
excepto en Lavado y Lim pieza; adem s, existen lugares de esp era lim itados de acuerdo
con los siguientes parmetros:
214
6 7 C a so integ rad o r |
En esp era
En proceso
Carga de la tarjeta
en el contened or
Lim pieza
Corte co n cizalla
Taladrado de orificios
Copia de patrones
Deposicin electroltica
Inspeccin
Soldadura
10
Diagrama 2
215
Tipo
de
circuito
Cantidad
a producir
p o r d a
U = Uniform e
P = Poisson
CTC
ccz
TO
DE
DCC
U (8-10)
P(12)
P(14)
P(12)
P(12)
U (23-27)
P(4)
U(0-2)
P(8)
10
U (20-30)
11
P(5)
12
P(1)
13
P(1)
14
P(13)
15
P(5)
16
216
______ U(2-3)___________
A
A
U(1-2)
A
---------A
19
U(0-4)
20
P(2)
21
U(2-3)
22
U(0-3)
17
P(2)
18
6 7 C a so integ rad o r |
Tabla 6.3
CTC
c cz
TO
DE
DCC
3-Er(7.55)
2-Er(6.37)
4-Er(3.91)
3-Er(3.12)
1-Er(9.45)
3-Er(7.70)
2-Er(12.1)
4-Er(6.56)
3-Er(4.44)
4-Er(9.36)
2-Er(8.28)
2-Er(6.96)
2-Er(3.64)
2-Er(8.12)
3-Er(8.82)
1-Er(2.27)
3-Er(6.15)
4-Er(8.52)
E
2-Er(8.02)
Con el propsito de m odelar correctam ente la celd a y disearla tom and o en cuenta
todos los factores, se ha decidido in cluir el com portam iento de las fallas y el tiem p o de re
paracin de las estaciones de Lim pieza e Insercin de com ponentes. Las tab las 6 .4 ,6 .5 ,6 .6
y 6.7 m uestran los co m po rtam iento s histricos de m q uinas sim ilares a las q ue se desea
instalar. Las fallas en el resto de los equipos son despreciables.
217
Tabla 6 .4
144.58
16238
156.07
158.88
156.20
159.20
164.52
163.47
162.24
156.55
147.81
160.84
150.95
161.59
162.62
154.24
15531
159.86
16535
160.61
148.81
163.69
156.03
154.46
159.01
159.17
158.80
149.89
152.04
15939
154.93
151.48
151.57
154.49
156.82
163.19
156.67
158.04
161.51
15536
14938
161.79
160.45
160.52
1 5432
159.79
158.38
151.09
159.86
152.91
156.73
156.07
159.80
147.14
157.08
159.91
16132
161.08
153.76
155.70
160.50
161.15
157.82
163.80
160.10
16032
150.71
1 6135
154.19
146.04
154.19
156.13
166.73
150.44
163.32
156.10
167.30
150.09
153.58
157.50
153.25
161.83
158.62
159.87
165.06
16Z57
164.22
157.25
155.42
16031
158.61
163.26
154.16
160.51
158.68
162.83
162.44
161.66
153.06
156.41
154.97
162.96
165.15
155.87
155.02
160.53
161.51
164.42
162.64
157.49
Tabla 6.5
39038
340.79
353.86
375.09
387.54
376.53
368.91
364.23
380.81
382.50
352.23
353.55
366.98
387.21
381.95
366.98
372.79
373.68
368.01
37133
334.49
346.45
344.52
384.61
33335
351.04
354.60
350.01
310.28
387.16
36633
379.57
37632
373.21
388.54
356.29
325.38
320.72
346.07
324.70
380.62
379.65
360.09
330.05
387.11
410 .69
352.58
383.61
365.38
358.24
33437
386.09
34736
388.19
347.10
310.49
379.52
33438
353.17
356.86
332.71
358.20
35632
336.09
384.46
349.54
347.12
363.04
357.66
362.61
351.00
406 .17
326.97
311.41
345.02
37839
390.65
333.74
350.43
332.19
373.34
370.81
374.81
387.64
361.44
360.25
384.13
386.91
372.00
343.56
355.54
354.69
368.34
340.94
319.74
377.43
387.61
379.29
32239
383.20
Tabla 6.6
6.28
24.89
5135
10.58
4.91
2936
3.13
4.02
0.69
34.10
4.44
23.85
19.33
36.39
13.50
2.72
8.35
33.61
23.50
3.67
30.66
16.96
4.01
29.91
4Z99
332
8.07
1Z02
24.44
36.41
54.85
3130
23.95
17.92
3.91
10.32
5.25
7.15
24.54
14.78
22.95
7.28
1.30
Z08
10.60
21.08
113.92
24.26
36.74
838
12.06
4 6.0 7
20.42
7.53
Z41
0.89
11.72
532
8.70
6 0.5 5
9.83
15.74
5.23
Z18
19.01
10.24
1.99
0.06
1Z75
4 .5 9
4.51
13.01
9.06
9.68
18.81
3.09
0 .1 7
6.85
15.59
8 .2 4
28.26
7.28
631
1039
4 3.1 0
9.33
4.70
26.90
6.98
6531
17.86
26.64
35.21
0.01
6Z72
7.94
18.47
19.49
20.52
31.61
Tabla 6.7
16.73
16.50
17.67
15.16
17.84
19.15
17.23
1639
16.35
14.68
17.70
16.12
14.94
16.89
17.97
15.91
18.01
1739
17.72
15.97
18.37
1 83 4
18.28
16.29
15.40
16.83
16.92
18.18
16.08
1534
(contina)
218
Tabla 6.7
(continuacin)
15.29
15.19
17.19
16.36
16.89
14.87
17.25
17.27
14.97
18.05
16.14
17.09
17.97
1635
1735
17.69
15.86
1636
17.48
16.87
1539
17.82
16.40
17.99
17.26
16.00
16.68
1732
16.28
16.49
18.08
16.98
16.51
16.84
17.40
15.08
1434
1730
16.94
16.77
17.73
17.55
16.71
16.49
16.21
15.81
16.24
18.20
15.94
16.70
17.20
15.24
15.99
16.85
18.57
17.89
15.58
16.11
17.24
15.22
16.66
16.83
16.25
16.00
15.10
14.49
17.79
15.09
16.94
16.84
6.8 Problem as
1. Un inspector recibe siem p re 120 piezas/hora. El tiem po prom edio de inspeccin es
uniforme, en tre 20 y 30 segundos/pieza. Sim ule el sistem a en ProM odel, y calcu le la
utilizacin del inspector y el nm ero m xim o de piezas acum uladas antes del proce
so d e inspeccin.
2. Un cajero autom tico recib e 30 clientes/hora con distribucin de Poisson. Existen 5
escenarios posibles:
Escenario
1.8
219
220
Escenario
Calidad
d el hilo
Optimista
Prim era
40
Promedio
Segunda
20
Pesimista
Dudosa
Cree un m odelo de sim ulacin para cada escenario, y determ ine el nm ero de obre
ros q ue deben asignarse a la reparacin de roturas con el objetivo de m an tener en
operacin los telares 95% del tiem po.
7. A una biblioteca llega un prom edio de 52 personas/ao con distribucin de Poisson,
para pedir prestado cierto libro. La persona q ue logra encontrarlo lo regresa en pro
medio 2 das despus, con distribucin expo nencial. Las personas que solicitan el li
bro pero no lo reciben po r estar en prstam o, se van y nun ca regresan. Sim ule el
proceso durante un ao ,co n 1 ,2 ,3 y 4 ejem plares del libro, y determ ine en cada caso
el nm ero esperado de personas q ue podrn leer el libro.
8. A la operacin de em pacado de bolsas de detergente entran bolsas a una velocidad
de 20 por m inuto. Cuando las bolsas entran al sistem a son colocadas en una banda
q ue las transpo rta hasta la m esa de un operario de em paque. El tiem po de transpor
te en la banda es de 20 segundos/bolsa. Una vez q ue la bolsa llega al final de la ban
da, cae por gravedad hacia una m esa d ond e se va acum ulando con otras. Un operario
tom a las bolsas de la m esa y las introduce en una caja co n capacidad de 30 unidades;
el tiem p o q ue le lleva al operario to m ar una bolsa y colocarla dentro de la caja e s de
1 segundo/bolsa. Una vez q ue la caja se llena, el operario la lleva al alm acn de cajas;
all la deja y recoge una caja vaca para repetir el procedim iento de llenado. El tiem po
que le tom a en llevar la caja llena y trae r una vaca sigue una distribucin e xp o n en
cial con m edia de 3 m inutos.
Sim ule el sistem a anterior en ProM odel, para obtener la grfica del nm ero de bol
sas en la m esa, el nm ero prom edio de bolsas y el tiem po prom edio de espera en la
mesa a lo largo del tiem po.
9. A un proceso de troquelado llegan lm inas, de acuerdo con una distribucin de Pois
son con prom edio de 82 lm inas/m in. Se cu e n ta con 7 troqueladoras, cada una de las
cuales es capaz de procesar una lm ina en 5 segundos. Hay un alm acn de grandes
dim ensiones para m ateria prim a, de m anera q ue to d a s las piezas q ue no puedan ser
troqueladas inm ediatam ente podrn esperar ah. El costo de operacin de las m quinas
221
Tipo de
pieza
Tasa d e entrada
Poisson
(piezas/hora)
T iem p o d e m aquinado
exponencial
(min/pieza)
10
Sim ule el sistem a en ProM odel durante 100 horas, y determ ine:
a) la utilizacin del centro de m aquinado.
b) el nm ero total de piezas producidas.
c) el tiem po prom edio de espera de las piezas en el alm acn.
d) el nm ero prom edio de piezas en el alm acn.
12. A un operario de lim pieza le entregan cada hora 60 piezas en fo rm a sim ultnea. El
tiem po de lim pieza e s uniform e, d e 50 10 segundos/pieza. Sim ule el proceso ante
rior durante 500 ho ras para determ inar:
a) la utilizacin del operario.
b) el tiem po prom edio de perm anencia de las piezas en todo el proceso.
c) el tiem po prom edio de espera de las piezas antes de ser lim piadas.
13. Un sistem a de pintura tien e dos procesos e n serie: pintura y horneado. El tiem po de
pintura es exponencial, de 10 m inutos/pieza, y el de horneado es triangular (3 ,6 ,1 5 )
m inutos/pieza. Para am bos procesos hay dos pintores y un horno. La tasa de entrada
es de 7 piezas/hora en el caso de la pieza tipo 1, y de 3 piezas/hora en el caso de la
pieza tipo 2. El tiem p o para m overse de un proceso a otro es de 30 segundos. Sim ule
222
Tipo d e trabajo
Tasa d e entrada
(trabajos/hora)
T iem p o d e copiado
(min/trabajo)
Exponencial (12)
Poisson (8)
Normal (15,2)
16
3-Erlang (1)
Tiem po
Constante
Exponencial
Uniform e
(min/pieza)
(2)
(1)
(0.5 0 .1 )
El tiem p o para m o verse en tre estacio nes e s de 0.0625 m inutos. La anim aci n debe
incluir un contador de las piezas producidas. Sim ule e n ProModel el proceso de 500
piezas para determ inar:
a) el tiem po total de sim ulacin.
b) la utilizacin de cada operacin.
c) el tiem po de espera antes de la prim era operacin.
d) % del tiem po q ue la pieza estuvo bloqueada.
16. A un proceso de perforado llegan piezas a partir de las 8:00 a.m. El tiem p o en tre lle
gadas es exponencial, con m edia de 30 segundos/pieza. La perforacin se puede rea
lizar en cualquiera de las 3 m quinas existentes; sin em bargo, debido al tam ao del
transform ador de energa elctrica, las m quinas no pueden trabajar sim ultneam ente.
223
Mquina
Exponencial (20)
Exponencial (10)
U niform e (15 5)
Realice un m odelo e n ProModel para sim ular 30 das de 8 horas cada uno, y obtenga:
a) la produccin al final de cada uno de los das.
b) la distribucin de probabilidad de la produccin diaria.
17. A una oficina llegan 2 tip o s de clien tes. La tasa de llegadas de los clientes tipo I sigue
una distribucin uniform e (100-150) m inutos/cliente; la tasa del segundo tipo sigue una
distribucin constante con m edia de 120 m inutos/cliente.Solam ente existe un servidor,
q ue tien e que atender a am bos tip o s de clientes de acuerdo con un esquem a de "pri
mero en llegar, primero en salir^EI tiem po que tarda en atender a los clientes tipo I sigue
una distribucin exponencial con m edia de 25 minutos/cliente, m ientras q ue el tiem po
d e servicio del segundo tipo de clien tes sigue una distribucin 2-Erlang con m ed ia de
35 m inutos/cliente. Sim ule hasta q ue hayan sido atendidos 500 clientes de tipo II y
determ ine:
a) el tiem po to tal de sim ulacin.
b) el nm ero de clie n te s tipo I que fuero n atendidos.
c) el tiem po prom edio de estancia en la oficina po r cada tipo de cliente.
d) el nm ero m xim o de clie n te s en la oficina.
18. En un banco hay 2 cajas, cada una con su propia fila de tam ao infinito: la caja 1 para
clien tes "rpidos"con tiem p o de 2 m inutos, y la caja 2 para clientes "lentos"con tie m
po de 16.4 m inutos, en am b o s casos co n distribucin exponencial. Los clien tes "len
tos" y "rpidos" llegan de acuerdo co n una funcin exponencial, co n m edia de 8 y 20
m inutos/cliente, respectivam ente. Algunos das, en particular, solam ente viene a tra
bajar 1 cajera q ue tie n e q ue atender am b as filas segn la siguiente secuencia cclica:
5 clien tes "rpidos" y 2 clientes "lentos" El tiem p o para m overse entre las cajas e s de
0.33 m inutos. Sim ule en ProM odel el proceso po r 80 horas, y determ ine:
a) el nm ero prom edio de clientes e n espera en cada fila.
b) la secuencia p tim a de atencin para m inim izar el tiem p o prom edio de espera,
considerando am bos tipos de clientes.
19. Intercam biado res de calo r entran a u n sistem a de lim pieza en fo rm a expo nencial, con
m edia de 5 horas/pieza. El proceso consta de 3 operaciones con una m quina e n c a
da operacin. Los tiem p o s de proceso son:
224
Operacin
Constante (4.9)
Exponencial (4)
y descarga (AS/RS). Los nmeros en las flechas dentro del diagrama representan el por
centaje de flujo que es enviado a otros e q u ip o s; por ejem plo, 10% de lo q ue entra a
co rte se enva al AS/RS,85% a escuadre,y 5% a reproceso. Un sistema de control autom
tico m antiene siempre 10 piezas dentro del sistema. (Observe el diagrama siguiente.)
A S/R S
Corte
Escuadre
0.8S
0.05
Reproceso
(m in/peza)
AS/RS
1.000
CORTE
0.465
ESCUADRE
0.500
REPROCESO
6.666
R e c tif ic a d o 1
R e c tif ic a d o 2
R o b o t de
transferencia
226
O peracin
Tiem po de proceso
(m in/pieza)
Robot
Normal (4,1)
Rectificado 1
Normal (6 ,0.3 )
Rectificado 2
Transporte
entre estaciones
Realice un m odelo en ProM odel para sim u lar 3 rplicas de 4 8 horas de la situacin a n
terior y determ inar, con un intervalo de confianza, de 95 por ciento:
a) el tiem po prom edio de espera de los pacientes en el proceso de registro.
b) el nm ero m xim o de clientes que estuvieron en todo el hospital.
c) la utilizacin de los m dicos, las salas de em erg encia y la secretaria.
27. C ie rta pieza requiere 2 operaciones: soldadura e n 6 m inutos, y esm erilado en 6.4 m i
nutos. La llegada de piezas es uniform e en tre 10 y 15 m inutos/pieza. Existen alm ace
nes de tam ao infinito antes de cada operacin. Se tie n e solam ente un operario para
hacer am bas operaciones, de acuerdo con la siguiente secuencia cclica: 5 piezas en
soldadura y 5 piezas en esm erilado. El tiem p o para m overse e n tre las m quinas es de
1 m inuto. Sim ule en ProModel el proceso 4 80 horas, y determ ine el tiem p o prom edio
de espera de las piezas en los alm acenes an tes de cada operacin.
28. U na m quina em pacadora es alim entada po r dos bandas transportadoras. Por la pri
m era entran dulces a una razn constante de 2 000 dulces/hora. Por la segunda e n
tran bolsas. La m quina em paca 50 dulces po r bolsa y co lo ca el producto em pacado
en una tercera banda, para su transportacin hacia el alm acn de producto te rm in a
do. El tiem p o total de em paque e s de 20 segundos. La velocidad de las bandas es de
150 pies por m inuto. Cada 3 horas la em pacadora se d etien e para ajuste y lim p ieza;el
tiem po para llevar a cabo estas operaciones es exponencial con m edia de 10 m in u
tos. M ientras la em pacadora e s ajustada, las bolsas y los dulces siguen entrando al sis
tem a. Desarrolle un m odelo en ProM odel y determ ine la tasa prom edio de entrada de
las bolsas.
29. A la oficina de la SRE llegan clien tes para recibir su pasaporte a una tasa de Poisson
con m ed ia de 18 clientes/hora. Al entrar tom an una ficha q ue perm ite atenderlos en
el orden de llegada: 90% de los clien tes entran d irectam ente a la sala de espera, y el
resto llena prim ero algunas form as en un tiem po uniform e (6 2) m inutos. Existen 2
servidores para atender a los clien tes d e la sala de espera; el tiem p o prom edio de
atencin es exponencial con m edia de 6 m inutos.
La sala de espera dispone de 4 0 sillas. Si un clie n te llega y tod as las sillas estn o cu
padas, perm anece de pie y se sienta cuando se d eso cu pa alguna de ellas.
Cada vez q ue se expiden 10 pasaportes, el servidor deja de atender la fila y c o n
d uce a los clientes atendidos a la parte posterior, despus de lo cual sigue atend ien
do la fila; el tiem po e n ir y venir sigue una funcin exponencial con una m edia de 5
m inutos.
Haga un m odelo en ProModel para sim ular durante 8 horas la situacin actual, de
m anera que, al finalizar la sim ulacin, se indique en pantal la los siguientes resultados:
a) el tiem po prom edio de espera en la fila.
b) el nm ero prom edio de personas sentadas.
c) el nm ero prom edio de personas de pie.
d) el nm ero m xim o de personas en la sala de espera.
e) la utilizacin de los servidores.
228
30. En la com paa PESYPINSA, las piezas entran a un proceso de pintura a una tasa de
Poisson con m edia de 1.0 piezas/m in. Antes de pintarse, las piezas deben ser pesadas
en cualq uiera de las dos bsculas existentes: el tiem p o en la bscula es uniform e, de
(2 0.5) m inutos. Existe una persona q ue realiza la operacin de pintura en 12 m in u
tos por pieza, con distribucin exponencial.
Hay tam bin un pintor de reserva, que entra a proceso cada vez que el nm ero de
piezas en el alm acn de producto en proceso e n tre las bsculas y la pintura excede
de 10, y perm anece trabajando d urante 1 hora, despus de lo cual deja de pintar y re
gresa a su posicin d e pintor d e reserva.
Haga un m odelo en ProM odel para sim ular durante 8 horas la situacin actual, de
m anera que, al finalizar la sim ulacin, se indique en pantalla:
a) el tiem po prom edio de espera en el alm acn de pintura.
b) el nm ero m xim o de piezas q ue se llegaron a acum ular en tod o el sistem a.
c) la utilizacin de la bscula y de los pintores.
31. La em presa M O LG A D ECo. fabrica m oldes y desea sim ular en ProM odel una p arte de
su proceso. Los m oldes inicialm ente se encuentran en el alm acn de m ateria prima,
en cantidad suficiente para no d etener la produccin po r falta de m aterial. La prim e
ra operacin es una lim pieza con chorro de arena, co n duracin de 4 m inutos. Ense
guida, uno de seis inspecto res verifica la dim ensin de los m o ldes; cada inspector
tarda 3-Erlang con m edia de 18 m inutos e n la verificacin. Posteriorm ente los m oldes
son transportados a un horno en lotes de 5, utilizando una gra viajera. El tiem p o de
transporte es de 6 m inutos, y la em presa cuen ta con dos g r a s para este m o vim ien
to. En el horno se cargan 4 lotes para iniciar el proceso d e calentam iento ;este tiem po
es de 1 hora. Al salir del horno, los m oldes se enfran al aire libre en 3 1 hora. Una vez
term inado el proceso, se em pacan en cajas de 25 m oldes. El tiem po de em p aq u e es
trian g u lar de (2 ,3 ,6 ) m inutos/caja, y los m oldes se transpo rtan en co ntened o res de
8 cajas cada uno hasta el rea de producto term inado en un AGV. El tiem p o requeri
do para este m ovim iento es de 10 m inutos.
Se trabajan tre s tu rn o s de 8 horas cada uno. M odele la operacin durante un m es
para:
a) d eterm inar la utilizacin de los equipos, el inventario prom edio en proceso y el
tiempo de perm anencia de un m o lde en el sistema.
b) detectar problem as y proponer el aum ento o dism inucin de recursos.
c) determ inar, para la solucin propuesta, la utilizacin de los equipos, el inventario
prom edio en proceso y el tiem po de perm anencia de un m olde en el sistem a.
229
AN EXO 1
DISTRIBUCIONES
DE
PROBABILIDAD
A .1
Distribuciones co ntinuas
A .2
Distribuciones discretas
231
Codificacin
Funcin de densidad
k-Er[M )
f{x)=
Para
Distribucin
acum ulada
f(x ) = i _ r ^
Parmetros
p a ra
x > 0
Rango
[0,=)
Media
( i)
Varianza
Q
fOO
Erlang (0,3,5)
6 .0 0
x 10~2
3.00
0 .0 0
^
0. 0
2.0
4 .0
X
232
i
6 .0
i
8 .0 x 1 0 '
D istribucin exponencial
Codificacin
E( 1 /A )
Funcin de densidad
Ae-A*
si
x> 0
f(x) =
0
Distribucin
acum ulada
en otro caso
1 - e_Ax
si
x>
F(x) =
0
en otro caso
Parm etros
Parmetro de escala:
Rango
\ >0
A
[0/ )
Media
1
A
Varianza
1
A2
Exp o n e n cial (2)
f(x)
0.50
0.25
0.00
CLO
2.0
4 .0
6 .0
8 .0
10.0
233
Distribucin gam m a
Codificacin
Funcin de densidad
G [a ,p )
f(x )~
para
x>0
T {a)
Distribucin
acum ulada
para a no entera
F{x) =
1
Parmetros
Parmetro de form a: a
Parmetro de escala: /3 > 0
Rango
[0,co)
Media
aP
Vrianza
CP*
Hx)
para a entera
G a m m a (3 .8 6 ,5 .2 5 )
5.00
x 10~2
2.50
n nn
/
0 .0
0 .2
0 .4
0 .6
X
234
i
0 .8
i
1.0
1.2x1o2
D istribucin lognorm al
Codificacin
Funcin de densidad
LN{p,<r2)
f(x) =
riln a 2
Distribucin
acum ulada
Parm etros
Parmetro de escala: /a
Parmetro de form a: a > 0
Rango
Media
[0,0=)
q/x+o2/!
Varianza
Lo g n o rm al (4 ,0 .7 9 2 )
235
D istribucin norm al
Codificacin
Funcin de densidad
N[fiL,<r2)
f(x) =
e-(x-/*PA2o-?)
para
xilino-
Distribucin
acum ulada
Parmetros
Rango
( - 00 , 00 )
Media
Vrianza
termal (10, 2)
fW
236
X > ^X)
T [ a , b f c)
Funcin de densidad
2 { x - a)
/1
w
\
(b - a ) ( c - o)
ci
si
* xir<e*cran <
2 ( 6 - x)
tu
\tu
\
(b - a )(b - c)
Sl
c<x<b
(x ~ a ) 2
.
( b - a ) ( c - a)
Sl
0<X<C
f(x) = ,
Distribucin
acum ulada
'
m
=.
1
(b - x ) 2
7L
\tu
\
( b - a ) ( b - c)
Parmetros
Parmetro de localizacin: a
Parmetro de escala: b - a
Parmetro de fo rm a: c
Valor m nim o: a
Valor m xim o: b
Moda: c
Rango
[a,b]
Sl
c^x<b
Media
- (o + b + c)
Varianza
1o
(a2 + b 2 + c2 - a b - a c - be)
T r ia n g u la r ( 1 , 7 ,3 )
fW
0 .3 5
0 .1 7
0 .0 0
C1.0
2 .0
4 .0
6 .0
8 .0
1 0 .0
237
D istribucin uniform e
Codificacin
U [a,b)
Funcin de densidad
!
b-a
f(x) =
Distribucin
acum ulada
F(x) =
si
a<x<b
en otro caso
s0
si
*~ a
b-a
1
x<a
si
si
a<x<b
b<x
Parm etros
Rango
la,b]
Media
\ ( a + b)
Varianza
U n if o r m e (5 ,1 0 )
fM
0.20
0.10
0.00
02
0 .4
i
0 .6
i
0 .8
X
238
i
1 .0
i
1 .2
1 .4 x 1 0 '
D istribucin d e W eibull
Codificacin
Fu n ci n d e d ensid ad
a p - {x - y ) * ' e - ( * j f l
f(x) =
0
D istrib u ci n
a cu m u lad a
0
P arm etro s
x >0
en o tro caso
l- e 'C V )
f(x) =
si
si
x> 0
en o tro caso
[y, )
M edia
y + p T V + a r')
V arian za
/32 m
+ 2 -l ) - r 2d + - 1)
Weibull (4,2,1)
fM
1.00
0.50
0.00 '
4. 0
4.5
5.0
5.5
i
6.0
i i
6.5
i
7.0
239
Codificacin
Distribucin de
probabilidad
PM =
1 -P
0
0
1-p
1
II
U-
Distribucin
acum ulada
BEip)
Rango
{0 ,1 }
Parm etros
p e (0,1)
Media
Varia nza
p(1 - p )
si
x =0
si
x= 1
en otro caso
si
si
si
x< 0
0<x<1
x> 1
0.70
[-
0.35
0.00
-1
.0
0.0
1.0
2.0
3.0
4.0
5.0
240
Codificacin
BIIN'P)
Distribucin de
probabilidad
P (x ) =
Distribucin
acum ulada
si
x = o ' 1' 2......... N
otro caso
si
x <0
Sx<1
si
A/l
F(x) =
S
1
Rango
{0 ,1 ............N]
Parm etros
>1
es un nm ero entero
p e (0,1)
M edia
N p
Varianza
N p O -p )
pM
0.35
0.17
nnn
-1 .0
0 .0
1.0
2.0
3.0
4 .0
5.0
241
Codificacin
Distribucin de
probabilidad
Distribucin
acum ulada
G E ip )
rp (i-p )x
p (x ) =
{ 0
x = o , i , ...
otro caso
f 1 - ( 1 -p)LxJ+i
x = 0 ,1 , . . .
[ 0
otro caso
Rango
{0 ,1,...}
Parmetros
P 6 (0 ,1)
Media
(1 - P )P " '
Vrianza
(1 ~p)p-2
G eo m trica (0.5)
pM
0.50
0.25
0.00
-2.10
0 .0
2.0
4 .0
X
242
8 .0
i
10.0
D istribucin d e Poisson
Codificacin
P( A)
Funcin de densidad
si
x = 0 ,1 ,2 ,..
P(x)
otro caso
Distribucin
acum ulada
si
x <0
F(x) =
x> 0
Rango
{0 ,1,...}
Parmetros
Media
Varianza
Fb isso n (4)
PM
243
Codificacin
Distribucin
de probabilidad
U D ihj)
1
p{x) =
7-/+1
o
Distribucin
acum ulada
x e {/,/ + 1 , . . . , j ]
en otro caso
0
F(x) =
si
si
x </
si
< x< j
si
X > ]
LxJ-;+i
j - i +1
i
Rango
{/,/ + 1
j)
Parmetros
Media
\ V + l)
Varianza
U nifo rm e discreta ( 1, 6)
PU>
0 .2 0
0.10
0.00
0.0
244
1.0
2.0
3.0
4.0
5.0
6.0
7.0
AN EXO 2
REPORTES
ESTADSTICOS
EN PROMODEL
Los reportes q ue genera ProModel contienen los resultados num ricos de la sim ulacin,
presentados en un form ato de h o ja de clculo.
El reporte co n tien e la inform acin separada en las siguientes fichas:
General
R e p o rt f o r e je m p lo 4 .1
General
Locations
Location States S i n g b / T a n k
Resour 4
ame
Valu
R u n D a te /T im e
21/04/2005 13:22:00
En la ficha General se encuentran los datos generales del modelo, com o nom bre, fe
cha de ejecucin y ruta del archivo.
Entity A ctivity
R e p o rt f o r e je m p lo 4 . 1
R e s ou rc es
Re s o u rc e States
H o d e E n t rie s
Failed Arrivals
f Entity Activity]
Entity States
< |
Total
Exits
Pieza A
0.00
0.00
Pieza B
2216.00
3.00
Pieza C
0.00
0.00
0.00
11.31
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
9.01
2.30
0.00
0.00
246
Avg Tim e In M ove Logic (M IN).Tiem po prom edio q ue las entidades perm anecie
ron viajando e n tre las localizaciones.
Avg Tim e Wait For Res (MIN). Tiem po prom edio q ue las entidades perm anecie
ron esperando un recurso u otra entidad.
Avg Tim e In O peration (MIN). Tiem po prom edio q ue las entidades perm anecie
ron en operacin o en una banda transportadora.
Avg Tim e Blocked (M IN).Tiem po prom edio q ue las entidades perm anecieron es
perando una localizacin desocupada.
Entities Costing
Esta ficha incluye datos com o los siguientes:
R esour ces
R esource
S la
1n Move
Logic
Wait For
Res
%, In Operation
Pieza A
Pieza B
Pieza C
0.00
0.00
0.00
0.00
0.00
0.00
% Blocked
.1
0.00
0.00
79.70
20.30
0.00
0.00
% In Move Logic. Porcentaje del tiem po q ue las entidades perm anecieron viajan
do en tre localizaciones.
% Wait For Res. Porcentaje del tiem po q ue las entidades perm anecieron esp eran
do un recurso u otra entidad.
% In O peration. Fbrcentaje del tiem p o prom edio q ue las entidades perm anecie
ron en operacin o en una banda transportadora.
% Blocked. Porcentaje del tiem po prom edio q ue las entidades perm anecieron es
perando una localizacin desocupada.
247
Failed A rrival
m R e p o r t fo r e je m p lo 4 .1
G en eral
Loca l ions
L o c a tio n
am e
T o tal
Fa ile d
Pieza B
A lm a c n 1
0.00
Locations Costing
R e p o rt fo r d e a e rc o
N o d e E n tr ie s
Failed Arrivals
E ntity Actvity
Entity Sietes
Variables
{ Location Costini 4
am e
0 peration
Cost
D ollars
Aisl 1
0.00
0.00
30.89
4.62
30.89
4.62
Aisl 2
0.00
0.00
34.36
5.13
34.36
5.13
Aisl 3
0.00
0.00
45.93
6.86
45.93
6.86
Aisl 4
0.00
0.00
30.04
4.49
30.04
4.49
Aisl 5
0.00
0.00
40.87
6.11
40.87
6.11
Aisl 6
0.00
0.00
26.65
3.98
26.65
3.98
Aisl 7
0.00
0.00
40.10
5.33
40.10
5 .9 9
X O peration
C ost
R e s o u rc e
C o st
D o la is
X R e s o u rc e
C o st
T o tal
Cost
D ollars
X T o tal
Cost
248
Locations
Resources
Scheduled
Time [MIN)
Empty
Part Occupied
A lm a c n 1
19200.4 0
82.91
17.09
A lm a c n 2
19200.4 0
39 .3 8
0.62
Full
Down
0.00
0.00
0.00
0.00
R esources
R esource <
Operation
Setup
Idle
Waiting
Blocked
Down
19200.40
46.15
53 .8 5
0.00
lnspector.1
19200.40
41.32
Inspector. 2
19200.40
16.59
Inspector
38400.80
28.95
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
wame
Lavadora
58 .6 9
0.00
83.41
0.00
71 .0 5
0.00
Locatons
R e p o rt fo r e je m p lo 4 .1
Ge n e ra l
L o c a tio n s
L o c a tio n S t a t e s M ulti
L o c a tio n S t a te s S in g le / T a n k
R e so u rc e s
R e s o u r c e S t a te
Lo ca tio n s fo i ejemplc4.1
----------------- r-
Schedu led
Time
(MIN)
Capacita
A lm a c n 1
1 9 2 0 0 .4 0
9 3 9 9 9 9 .0 0
2 2 1 9 .0 0
L a v a d o ra
1 9 2 0 0 .4 0
1 .0 0
2 2 1 8 .0 0
A lm a c n 2
1 9 2 0 0 .4 0
9 9 9 9 9 9 .0 0
In s p e c to r. 1
1 9 2 0 0 .4 0
In s p e c to r. 2
1 9 2 0 0 .4 0
In s p e c to r
3 3 4 0 0 .8 0
ame
1.00
1.00
2.00
pera
A vg
Contents:
Mximum
Contents
Cunent
Contents
Utilization
2 .2 5
0 .2 6
5 .0 0
4 .0 0
0 .4 6
1 .0 0
1.00
1.00
4 6 .1 5
2 2 1 7 .0 0
0 .0 5
0.01
2.00
0 .0 0
0 .0 0
1 5 8 4 .0 0
5.01
0.41
1 .0 0
1.00
4 1 .3 2
6 3 3 .0 0
5 .0 3
0 .1 7
1 .0 0
0 .0 0
1 6 .5 9
2 2 1 7 .0 0
5 .0 2
0 .2 9
2.00
1.00
2 3 .9 5
T o tal
* v9 j e
0 .0 0
Logs
QS
R e p o r t fo r e je m p lo 4 .1
R e s o u rc e S ta te s
M o d e E n t r ie s
F a ile d A r r iv a ls
E n t it y A c t iv it y
E 4
L o g s for ej&mplo4.1
..
am e
N um bei
O b se rv a tio n s
Mnimum
V a lu
Mximum
V a lu
A vg
V a lu
250
Number O bservatio ns. Nmero de en tid ades que ejecutaron la instruccin LOG
durante la sim ulacin.
M nimum Valu. El m nim o valor de tiem p o registrado po r la instruccin LOG.
M ximum Valu. El m xim o valor de tiem p o registrado por la instruccin LOG.
Avg Valu. El valor prom edio de tiem po registrado po r la instruccin LOG.
Node Enfries
1
R e p o r t f o r e je m p lo 4 .
I R e s o u r c e S ta le s
| N o d e E n trie s :
f x
Fa ile d A n iv a ls
----- T-v^v.-^.-------Node
am e
T o ta l
E n trie s
B lo c k e d
E ntries
Resource Costing
Report fo r deaerco
N o d e E n t r ie s
F a ile d A r r iv a ls
E n tity A c t iv it y
E n tity S t a t e s
V e n a b le s
L o c a t io n C o stin g
jf<
R e s o u r c e C o stin g for d e a e rc o
Z T otal
Cost
Units
NonUse Cost
Dolais
Filler.1
1 .0 0
0 .8 0
0 .4 5
9 9 .1 8
1 2 .1 0
9 9 .9 8
1 0 .0 4
F ille r.2
1 .0 0
0 .4 5
9 9 .0 8
1 2 .0 9
9 9 .8 8
1 0 .0 3
F ille r.3
1 .0 0
0.00
0.00
0 .4 5
9 8 .8 8
1 2 .0 7
9 9 .8 8
1 0 .0 1
F ille r.4
1 .0 0
0.81
0 .4 6
9 9 .8 3
1 2 .0 9
9 9 .8 3
1 0 .0 2
F ilie r.5
1 .0 0
0 .8 3
0 .4 7
9 9 .1 3
1 2 .1 0
9 9 .8 6
1 0 .0 3
Fillet
5 .0 0
4 .0 4
2 .2 8
4 9 5 .2 9
6 0 .4 5
4 9 3 .3 3
5 0 .1 2
C hecker
1 .0 0
1 1 .3 9
6 .4 4
8 7 .7 9
1 0 .7 1
9 9 .1 8
ame
9 .9 6 v
251
- f5<
L o c a t io n S t a t e s S in g le / T a n k
R e so u rc e s
R e s o u rc e S ta te s;
N o d e E n trie s
F a ile c 4
l l l
R e s o u r c e S t a t e s fo r d e a e ic o
S c h e d u le d
Tim e
(M IN )
X In U se
Filler.1
6 0 0 .0 0
9 8 .6 0
.......
0 .6 0
F ilb t .2
6 0 0 .0 0
9 8 .6 0
F ille r .3
6 0 0 .0 0
9 8 .5 7
F ilb r .4
6 0 0 .0 0
F ille r.5
6 0 0 .0 0
am e
Filiar
C hecker
X T ra v e l X T ra v e l T o
X Id le
Down
0 .0 0
0 .8 0
0 .0 0
0 .6 0
0 .0 0
0 .8 0
0 .0 0
0 .6 2
0 .0 0
0 .8 0
0 .0 0
9 8 .6 3
0 .5 7
0 .0 0
0.81
0 .0 0
9 8 .6 0
0 .5 7
0.00
0 .8 3
0.00
3 0 0 0 .0 0
9 8 .6 0
0 .5 9
0.00
0.81
0.00
6 0 0 .0 0
8 5 .1 4
3 .4 7
0.00
1 1 .3 9
0.00
To U se
P a rk
Scheduled Tim e (MIN). Tiem po total q ue el recurso fu e program ado para estar
disponible.
% In U se. Porcentaje de tiem p o que el recurso fu e utilizado.
% Travel To U se. Porcentaje de tiem p o q ue el recurso fu e utilizado en m o vim ien
tos en tre localizaciones.
% Travel To Park. Porcentaje de tiem p o que el recurso estuvo viajando a su nodo
base.
% Id le. Porcentaje de ocio del recurso.
% Down. Porcentaje q ue el recurso estuvo no disponible a causa de paros no pro
gramados.
Resources
H
R e p o rt fo r d e a e rco
L o c a tio n S ta te s S in g le /T a n k
* ]
} R e s o u rc e s i
R e s o u r c e S ta te s
N o d e E ntr ie s
F a i led A rriv a ls
E n t it y A ci
R e s o u r c e s fo r d e a e rc o
am e
S c h e d u le d
Tim e
(M IN )
Num ber
T im e s
U se d
A v g Tim e
Per U sag e
(M IN )
A v g Tim e
T ia v e l To
U s e (M IN )
A y g Tim e
%
T ra v e l T o B lo c k e d
P a r k (M IN ) In T ra v e l
0.00
0.00
99.20
0.00
0.00
99.20
0.00
0.00
99.20
99.19
A
U llllZ allO n
1.00
1.00
600.00
33.00
F ille r.2
600.00
33.00
17.93
17.93
Filler.3
1 .0 0
6 0 0 .0 0
34.00
17.40
Filbr.4
1.00
6 0 0 .0 0
31.00
19.09
0.11
0.11
0.11
0.11
0.00
0.00
Fille r.5
1 .0 0
600.00
31.00
1 9 .0 8
0.11
0.00
0.00
99.17
Filler
5 .0 0
3000.00
1 62.00
1 8 .2 6
0.11
C h e c ...
1 .0 0
600.00
134.00
3.81
0.16
0.00
0.00
0.00
0.00
99.19
88.61
Filler.1
252
U n its
Variables
EH R e p o r t f o r d e a e r c o
1 E ntity A c t iv it y
E ntity S (a te s
V a r ia b le s !
L o c a t io n C o stin g
R e s o u r c e C o stin g
E n tity D
V a ria b le s for d e a e rc o
T o tal
Change
s
A v g Time
Per
C h a n g e ...
Mnimum
V a lu
Mximum
V a lu
Current
V a lu
In v e n to ry A is l 1
6 9 .0 0
8 .5 6
2 8 9 1 .0 0
3 6 0 0 .8 0
2 6 8 1 .0 8
3 2 6 1 .0 5
In v e n to ry A s le 2
86.00
6.88
2 6 7 8 .0 0
3 6 0 0 .8 0
2 6 7 8 .0 8
3 1 3 9 .7 9
am e
Avg
V a lu
In v e n to ry A is l 3
1 0 8 .0 0
5 .5 0
2 3 3 4 .0 0
3 0 0 0 .0 0
2 3 0 4 .0 0
2 9 8 4 .0 3
In v e n to ry A is l 4
7 0 .0 0
8 .4 6
2 6 8 3 .0 0
3 6 8 0 .8 0
2 8 3 3 .0 8
3 2 3 4 .8 3
In v e n to ry A is l 5
1 0 7 .0 0
5 .5 8
2 4 5 7 .0 0
3 6 8 0 .8 0
2 4 5 7 .0 8
3 0 1 9 .4 4
6 0 .0 0
9 .9 7
2 3 7 4 .0 0
3 6 0 0 .0 0
2 9 9 2 .0 0
3 2 5 4 .7 4
In v e n to ry A s le 7
1 1 7 .0 0
512
2 3 0 7 .0 0
3 6 0 0 .0 0
2 3 0 7 .0 8
2 9 3 0 .7 6
In v e n to ry A is l
253
AN EXO 3
DISTRIBUCIONES
DE
PROBABILIDAD
255
'
0.01
0.02
0.03
0 .0 4
0.05
0 .0 6
0.07
0.08
0 .0 9
0.00
0.5000
0.5040
0.5 0 80
0.5120
0.5 1 60
0.5199
0.5 2 39
0.5279
0.5319
0.5 3 59
0.10
0.5398
0.5438
0.5 4 78
0.5517
0.5 5 57
0.5596
0.5636
0.5675
0.5714
0 .5 753J
0.10
0.20
030
0.5793
0.6179
0.5832
0.6217
0.5871
0.6 2 55
0.5910
0.6293
0.5 9 48
0.6331
0.5987
0.6368
0.6 0 26
0.6 4 06
0.6064
0.6443
0.6103
0.6480
0.6141
0.6 5 17
0.20
030
0.40
0.6554
0.6591
0.6 6 28
0.6664
0.6 7 00
0.6736
0.6 7 72
0.6808
0.6844
0.6 8 79
0.40
0.50
0.6915
0.6950
0.6 9 85
0.7019
0.7 0 54
0.7088
0.7 1 23
0.7157
0.7190
0.7 2 24
0.50
0.60
0.7257
0.7291
0.7 3 24
0.7357
0.7 3 89
0.7422
0.7 4 54
0.7486
0.7517
0.7 5 49
0.60
0.70
0.7580
0.7611
0.7642
0.7673
0.7704
0.7734
0.7 7 64
0.7794
0.7823
0.7 8 52
0.70
0.80
0.90
0.7881
0.8159
0.7910
0.8186
0.7939
0.8 2 12
0.7967
0.8238
0.7 9 95
0.8 2 64
0.8023
0.8289
0.8051
0.8 3 15
0.8078
0.8340
0.8106
0.8365
0.8 1 33
0.8 3 89
0.80
0.90
1.00
0.8413
0.8438
0.8461
0.8485
0.8 5 08
0.8531
0.8554
0.8577
0.8599
0.8621
1.00
1.10
1.20
0.8643
0.8665
0.8 6 86
0.8708
0.8 7 29
0.9749
0.8 7 70
0.8790
0.8810
0.8 8 30
1.10
0.8849
0.8869
0.8 8 88
0.8907
0.8925
0.8944
0.8 9 62
0.8980
0.8997
0.9 0 15
1.20
1.30
1.40
0.9032
0.9192
0.9049
0.9207
0.9 0 66
0.9 2 22
0.9082
0.9236
0.9 0 99
0.9251
0.9115
0.9265
0.9131
0.9 2 79
0.9147
0.9292
0.9162
0.9306
0.9 1 77
0.9 3 19
1.30
1.40
1.50
0.9332
0.9345
0.9357
0.9370
0.9 3 82
0.9394
0.9 4 06
0.9419
0.9429
0.9441
1.50
1.60
0.9452
0.9463
0.9474
0.9484
0.9 4 95
0.9505
0.9 5 15
0.9525
0.9535
0.9545
1.60
1.70
0.9554
0.9564
0.9 5 73
0.9582
0.9591
0.9599
0.9 6 08
0.9616
0.9625
0 .9 6 3 3 J
1.70
1.80
0.9641
0.9649
0.9656
0.9664
0.9671
0.9678
0.9 6 86
0.9693
0.9699
0.9706
1.80
1.90
2.00
0.9713
0.9772
0.9719
0.9778
0.9726
0.9 7 83
0.9732
0.9788
0 .9 7 3 8
0.9 7 93
0.9744
0.9798
0.9750
0.9 8 03
0.9756
0.9808
0.9761
0.9812
0.9 7 67
0.9 8 17
1.90
ZOO
Z10
0.9821
0.9826
0.9830
0.9834
0.9 8 38
0.9842
0.9 8 46
0.9850
0.9854
0.9857
Z10
2.20
0.9861
0.9864
0 .9 8 6 8
0.9871
0.9 8 75
0.9878
0.9881
0.9884
0.9887
0.9 8 90
2.20
2.30
0.9893
0.9896
0.9 8 98
0.9901
0.9 9 04
0.9 9 06
0.909
0.9911
0.9913
0.9 9 16
2.30
2.40
2.50
0.9918
0.9938
0.9920
0.9940
0.9922
0.9941
0.9925
0.9943
0.9 9 27
0.9 9 45
0.9929
0.9946
0.9931
0.9 9 48
0.9932
0.9949
0.9934
0.9951
0.9 9 36
0.9 9 52
Z40
2.50
2.60
0.9953
0.9955
0.9 9 56
0.9957
0.9 9 59
0.9960
0.9961
0.9962
0.9963
0.9 9 64
2.60
2.70
0.9965
0.9966
0.9967
0.9968
0.9969
0.9970
0.9971
0.9972
0.9973
0.9 9 74
2.70
2.80
0.9974
0.9975
0.9 9 76
0.9977
0.9 9 77
0.9978
0.9 9 79
0.9979
0.9980
0 .9 9 8 1 1
2.80
2.90
0.9981
0.9982
0.9982
0.9983
0.9984
0.9984
0.9 9 85
0.9985
0.9986
0.9986
2.90
3.00
3.10
0.9987
0.9990
0.9987
0.9991
0.9 9 87
0.9991
0.9988
0.9991
0.9 9 88
0.9 9 92
0.9989
0.9992
0.9 9 89
0.9 9 92
0.9989
0.9992
0.9990
0.9993
0.9 9 90
0 .9 9 9 3 J
3.00
3.10
3.20
0.9993
0.9993
0.9994
0.9994
0.9 9 94
0.9994
0.9 9 94
0.9995
0.9995
0.9 9 95
3.20
3.30
3.30
0.9995
0.9995
0.9 9 95
0.9996
0.9 9 96
0.9996
0.9 9 96
0.9996
0.9996
0.9 9 97
3.40
0.9997
0.9997
0.9997
0.9997
0.9 9 97
0.9997
0.9 9 97
0.9997
0.9997
0.9 9 98
3.40
3.50
3.60
0.9998
0.9998
0.9998
0.9998
0.9 9 98
0.9 9 99
0.9998
0.9999
0.9 9 98
0.9 9 99
0.9998
0.9999
0.9 9 98
0.9 9 99
0.9998
0.9999
0.9998
0.9999
0.9 9 98
0.9 9 99
3.50
-.
3.60
3.70
0.9999
0.9999
0.9 9 99
0.9999
0.9 9 99
0.9999
0.9 9 99
0.9999
0.9999
0 .9 9 9 9 J 3.70
3.80
0.9999
0.9999
0.9 9 99
0.9999
0.9 9 99
0.9999
0.9999
0.9999
0.9999
0.9 9 99
3.90
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
3.90
4.00
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
4.00
256
Z
0.00
3.80
ta
v g a d o s de
libertad
*0.10
*0.05
^0025
1
2
3.078
6.314
12.706
1.886
2.920
4.303
1.638
2.353
3.182
1.533
2.132
2.776
*001
31.821
*0005
*0.001
63.657
3 18.309
6.965
9.925
22327
4.541
5.841
10.215
3.747
4 .6 0 4
7.173
1.476
2.015
Z571
3.365
4 .0 3 2
5.893
1.440
1.943
2.447
3.143
3.707
5.208
7
8
1.415
1.397
1.895
1.860
2.365
2.306
2.998
2.896
3.499
3.355
4 .7 8 5
4.501
1.383
1.833
2.262
2.821
3.250
4 .2 9 7
11
1.372
1.363
1.812
1.796
2.228
2.201
2.764
2.718
3.169
3.106
4 .1 4 4
4 .0 2 5
12
13
1.356
1.782
2.179
2.681
3.055
3.930
1.350
1.771
2.160
2.650
3.012
3.852
14
1.345
1.761
2.145
2.624
2.977
3.787
15
1.341
1.753
2.131
2.602
2.947
3.733
16
1.337
1.746
2.120
2.583
2.921
3.686
17
1.333
1.740
2.110
2.567
2.898
3.646
18
19
1.330
1.328
1.734
1.729
2.101
2.093
2.552
2.539
2.878
2.861
3.610
3.579
20
1.325
1.725
2.086
2.528
2.845
3.552
1.323
1.721
2.080
2.518
2.831
3.527
22
1.321
1.717
2.074
2.508
2.819
3.505
23
24
1.319
1.318
1.714
1.711
2.069
2.064
2.500
2.492
2.807
2.797
3.485
3.467
1316
1.708
2.060
2.485
2.787
3.450
26
1.315
1.706
2.056
2.479
2.779
3.435
27
1.314
1.703
2.052
2.473
2.771
3.421
28
1.313
1.701
2.048
2.467
2.763
3.408
29
1.311
1.310
1.699
1.697
2.045
2.042
2.462
2.457
2.756
2.750
3.396
3.385
40
1.303
1.684
2.021
2.423
2.704
3.307
1.299
1.676
2.009
2.403
2.678
3.261
60
1.296
1.671
2.000
2.390
2.660
3.232
70
80
1.294
1.292
1.667
1.664
1.994
1.990
2.381
2374
2.648
2.639
3.211
3.195
90
1.291
1.662
1.987
2.368
2.632
3.183
100
cc
1.290
1.660
1.984
2.364
2.626
3.174
1.282
1.645
1.960
2.326
2.576
3.090
257
'
X 2a
X 2a
v grados d e
libertad
1
2
S
4
* 2oo25
*X 0.01
* 0.005
2.706
3.841
5.024
6.635
7.879
10.828
4 .6 0 5
5.991
7.378
9.210
10.597
13.816
6.251
7.815
9.348
11.345
12.838
16.266
7.779
9.488
11.143
13.277
14.860
18.467
9.236
11.070
12.833
15.086
16.750
20.515
12.592
14.067
14.449
16.013
16.812
18.475
18.548
20.278
22.458
24.322
13.362
15.507
17.535
20.090
21.955
26.124
27.877
14.684
16.919
19.023
21.666
23.589
10
15.987
18.307
20.483
23.209
25.188
29.588
11
17.275
19.675
21.920
24.725
26.757
31.264
12
18.549
21.026
23.337
26.217
28.300
32909
19.812
22.362
24.736
27.688
29.819
34.528
14
21.064
23.685
26.119
29.141
31.319
36.123
15
22.307
24.996
27.488
30.578
32.801
37.697
16
23.542
26.296
28.845
32.000
34.267
39.252
17
18
24.769
27.587
30.191
33.409
35.718
40.7 90
25.989
28.869
31.526
34.805
37.156
42312
19
27.204
30.144
32.852
36.191
38.582
43.8 20
20
28.412
31.410
34.170
37.566
39.997
45.3 15
21
29.615
32.671
35.479
38.932
41.401
46.7 97
22
30.813
33.924
36.781
40.2 89
42.7 96
48.2 68
23
24
32.007
33.196
35.172
36.415
38.076
39.364
41.6 38
42.9 80
44.181
45.5 59
49.7 28
51.179
25
34.382
37.652
40.6 46
44.3 14
46.9 28
52.620
26
27
28
35.563
36.741
38.885
40.1 13
41.9 23
43.1 95
45.6 42
46.9 63
48.2 90
49.6 45
54.052
55.476
37.916
41.3 37
44.461
48.2 78
50.993
56.892
29
39.087
42.5 57
45.7 22
49.5 88
52.336
58.301
30
40.2 56
43.7 73
46.9 79
50.892
53.672
59.703
73.402
40
51.805
55.758
59.342
63.691
66.7 66
50
63.1 67
67.5 05
71.420
76.154
79.490
86.661
60
74.397
79.082
83.2 98
88.3 79
91.952
99.607
85.5 27
90.531
95.023
100.425
104.215
112317
124.839
90
96.578
101.879
106.629
112.329
116.321
107.565
113.145
118.136
1 24.116
128.299
137.208
118.498
124.342
129.561
135.807
140.169
149.449
P a ra v >
258
0.001
10.645
12.017
55
80
\
** 0.05
6
7
y2
*A 0.10
100 u s a r * 5 ,,, = 0 .5 ( Z 0 + V 2 v - 1 ) 2
(c o n t i n a )
X 2a
X 2o
v g ad o s de
lib e r t a d
X
A 20.90
* 2o.9S
* 0.975
*X 0.99
n .9 9 5
* 0.999
1
2
0 .0 1 6
0.004
0.001
0.000
0 .0 0 0
0 .0 0 0
0 .2 1 1
0.103
0.051
0 .0 2 0
0 .0 1 0
0 .0 0 2
0.584
1.064
0.352
0.711
0.216
0.484
0.115
0.297
0 .0 7 2
0 .2 0 7
0 .0 2 4
0.091
1.610
1.145
0.831
0.554
0.412
0 .2 1 0
2.204
1.635
1.237
0.872
0 .6 7 6
0.381
Z833
2.167
1.690
1.239
0 .9 8 9
0 .5 9 8
3.490
2.733
2.180
1.646
1.344
0 .8 5 7
1.152
4
5
6
7
9
4 .1 6 8
3.325
2.700
2.088
1.735
10
4 .8 6 5
3.940
3.247
2.558
Z156
1.479
11
12
5.578
4.575
3.816
3.053
2.603
1.834
6 .3 0 4
5.226
4.404
3.571
3.074
2.214
7.042
5.892
5.009
4.107
3.565
2.617
14
7.790
6.571
5.629
4.660
4 .0 7 5
3.041
15
8.547
7.261
6.262
5.229
4.601
3.483
16
9.312
7.962
6.908
5.812
5.142
3.942
17
18
10.085
8.672
7.564
6.408
5.697
4 .4 1 6
10.865
9.390
8.231
7.015
6 .2 6 5
4 .9 0 5
19
11.651
10.117
8.907
7.633
6 .8 4 4
5.407
20
12.443
10.851
9.591
8.260
7.434
5.921
21
13.240
11.591
10.283
8.897
8 .0 3 4
6.447
22
14.041
12.338
10.982
9.542
8.643
6 .9 8 3
23
14.848
15.659
13.091
13.848
11.689
12.401
10.196
10.856
9.260
9.886
7.529
8 .0 8 5
25
16.473
14.611
13.120
11.524
10.520
8 .6 4 9
17.292
15.379
13.844
12.198
11.160
9.222
27
18.114
16.151
14.573
12.879
11.808
9.803
28
29
18.939
19.768
16.928
17.708
15.308
16.047
13.565
14.256
12.461
13.121
10.391
10.986
30
20.599
18.493
16.791
14.953
13.787
11.588
40
29.051
26.509
24.433
22.164
20.707
17.916
50
37.689
34.764
32.357
29.707
27.991
24.674
60
46.459
43.1 88
40.4 82
37.485
35.534
31.738
70
80
55.329
64.278
51.739
60.391
48.7 58
57.153
45.4 42
53.540
43.2 75
51.172
39.036
46.5 20
73.291
69.1 26
59.196
54.155
82.358
77.929
65.6 47
74.777
61.7 54
100
70.065
67.3 28
61.9 18
P a ra v
> 100 u s a r X , a = 0 .5 ( Z a + V 2 V - 1 ) 2
259
10
15
20
30
50
100
161.45
18.51
10.13
7.71
6.61
5.99
532
5.12
4.96
4 .5 4
4.35
4.17
4 .0 3
3.94
199.50
19.00
9.55
6.94
5.79
5.14
4 .4 6
4.26
4.10
3.68
3.49
3.32
3.18
3.09
L0
"O
2
01
E
3
c
13
2
2.
"O
215.71
19-.16
9.28
6.59
5.41
4.76
4 .0 7
3.86
3.71
3.29
3.10
2.92
2.79
2.70
224.58
19.25
9.12
6.39
5.19
4.53
3.84
3.63
3.48
3.06
2.87
2.69
2.56
2.46
230.16
19.30
9.01
6.26
5.05
4.39
3.69
3.48
3.33
2.90
2.71
2.53
2.40
231
233.99
1933
8 .9 4
6.16
4.95
4.28
3.58
337
3.22
2.79
2.60
2.42
2.29
2.19
238.88
19.37
8 .8 5
6.04
4.82
4.15
3.44
3.23
3.07
2.64
2.45
2.27
Z13
2.03
240.54
19.38
8.81
6.00
4.77
4.10
3.39
3.18
3.02
2.59
2.39
2.21
2.07
1.97
10
241.88
19.40
8 .7 9
5.96
4.74
4.06
335
3.14
2.98
2.54
235
2.16
2.03
1.93
<n
TJ
15
245.95
19.43
8 .7 0
5.86
4.62
3.94
3.22
3.01
2.85
2.40
2.20
2.01
1.87
1.77
s
O
20
248.01
19.45
8 .6 6
5.80
4.56
3.87
3.15
2.94
2.77
2.33
2.12
1.93
1.78
1.68
30
250.10
19.46
8 .6 2
5.75
4.50
3.81
3.08
2.86
2.70
2.25
2.04
1.84
1.69
1.57
50
251.77
19.48
8 .5 8
5.70
4.44
3.75
3.02
2.80
2.64
2.18
1.97
1.76
1.60
1.48
100 253.04
19.49
8 .5 5
5.66
4.41
3.71
2.97
2.76
2.59
2.12
1.91
1.70
1.52
139
Fuen te :
10
15
20
30
50
100
39.86
8.53
5.54
4.54
4.06
3.78
3.46
3.36
3.29
3.07
2.97
2.88
2.81
Z76
4 9.5 0
9.00
5.46
4.32
3.78
3.46
3.11
3.01
Z92
2.70
2.59
Z49
Z 41
2.36
53.59
9.16
539
4.19
3.62
3.29
2.92
2.81
Z73
Z49
Z38
2.28
2.20
Z14
55.83
9.24
5.34
4.11
3.52
3.18
2.81
Z69
2.61
236
Z25
Z14
Z06
2.00
57.24
9.29
5.31
4.05
3.45
3.11
2.73
Z61
Z52
Z27
2.16
Z05
1.97
1.91
58.20
9.33
5.28
4.01
3.40
3.05
2.67
Z55
2.46
Z 21
2.09
1.98
1.90
1.83
59.44
937
5.25
3.95
3.34
2.98
2.59
2.47
2.38
Z12
2.00
1.88
1.80
1.73
59.86
938
5.24
3.94
3.32
2.96
2.56
2.44
Z35
Z09
1.96
1.85
1.76
1.69
10
6 0.1 9
939
5.23
3.92
3.30
2.94
2.54
2.42
232
Z06
1.94
1.82
1.73
1.66
15
6 1.2 2
9.42
5.20
3.87
3.24
2.87
2.46
234
2.24
1.97
1.84
1.72
1.63
1.56
20
6 1.7 4
9.44
5.18
3.84
3.21
2.84
2.42
230
2.20
1.92
1.79
1.67
1.57
1.49
30
6Z26
9.46
5.17
3.82
3.17
2.80
2.38
Z25
2.16
1.87
1.74
1.61
1.50
1.42
50
6 2.6 9
9.47
5.15
3.80
3.15
2.77
2.35
2.22
Z12
1.83
1.69
1.55
1.44
135
100
63.01
9.48
5.14
3.78
3.13
Z75
232
Z19
2.09
1.79
1.65
1.51
139
1.29
o
T3
2
01
E
3
c
13
m
2
2.
"O
ai
s
"O
2
0
260
grados
d e lib ertad
1
2
0 .9 5 0
0.975
^a =O01
0.995
0 .7 7 6
0.842
0.929
0 .6 4 2
0.708
0.828
0 .5 6 4
0.624
0.733
0 .5 1 0
0.565
0.669
0 .4 7 0
0.521
0.618
0 .4 3 8
0.486
0.577
0.411
0.457
0.543
0 .3 8 8
0.432
0.514
0 .3 6 8
0.410
0.490
0 .3 5 2
0.391
0.468
10
11
P a ra
=005
-----------------------
12
0338
0375
0.450
13
0 .3 2 5
0.361
0.433
14
15
0 .3 1 4
0 .3 0 4
0.349
0.338
16
17
0 .2 9 5
0 .2 8 6
0328
0.318
18
0 .2 7 8
0.309
0.371
19
0 .2 7 2
0.301
0363
20
0 .2 6 4
0.294
0.356
0.418
0.404
---------------------- ----------------0.392
0.381
25
0 .2 5 0
0.270
0.320
30
0 .2 2 0
0.240
0.290
35
40
0 .2 1 0
0 .1 9 3
0.230
0.215
0.270
0.258
45
0 .1 8 2
0.203
136
0.243
1.63
va lo re s
m ayores a 35
F u e n te :
132
T
I F
M assey, F. J . T h e K o l m o g o r o v - S m i r n o v T e s t f o r G o o d n e s s o f F i t ,
261
'
Valores crticos
a
Distribucin
Estadstico de prueba
ajustado
0.1
0.05
0.025
0.001
A2
n
1.933
2.492
3.070
3.857
0.632
0.751
0.870
1.029
1.070
1.326
1.587
1.943
0.637
0.757
0.877
1.038
0.563
0.660
0.769
0.906
Normal
< H -5 )
Exponencial
* ( +s)
Weibull
^ ( 1 + = V )
Log-logistica
4 +-vs)
F u e n t e : La w , A .M .y
262
Valores d e la funcin G am m a
x
r(x )
1.00
1.01
1.0000000
0 .9 9 43 2 59
1.25
1.26
0.9064025
0.9043971
1.02
0 .9 8 88 4 42
1.27
0.9025031
1.03
0 .9 8 35 5 00
1.28
0.9007185
1.04
0 .9 7 84 3 82
1.29
0.8990416
1.05
0 .9 7 35 0 43
1.30
1.06
0 .9 6 87 4 36
131
1.07
0.9641520
132
1.08
0 .9 5 97 2 53
1.33
1.09
0 .9 5 54 5 95
1.34
T (x )
1.50
1.51
0 .8 8 62 2 69
0 .8 8 65 9 17
1.75
1.76
0.9190625
0.9213749
1.52
0 .8 8 70 3 88
1.77
0.9237631
1.53
0 .8 8 75 6 76
1.78
0.9262273
1.54
0.8881777
1.79
0.9287675
0.8974707
1.55
0 .8 8 88 6 83
1.80
0.9313838
0.8960042
1.56
0 .8 8 96 3 92
1.81
0.9340763
0.8946405
1.57
0 .8 9 04 8 97
1.82
0.9368451
0.8933781
1.58
0.8914196
1.83
0.9396904
0.8922155
1.59
0 .8 9 24 2 82
1.84
0.9426124
1.10
0 .9 5 13 5 08
135
0.8911514
1.60
0 .8 9 35 1 53
1.85
0.9456112
1.11
0 .9 4 73 9 55
1.36
0.8901845
1.61
0 .8 9 46 8 06
1.86
0.9486870
1.12
0 .9 4 35 9 02
137
0.8893135
1.62
0 .8 9 59 2 37
1.87
0.9518402
1.13
0 .9 3 99 3 14
1.38
0.8885371
1.63
0 .8 9 72 4 42
1.88
0.9550709
1.14
0.9364161
1.39
0.8878543
1.64
0 .8 9 86 4 20
1.89
0.9583793
1.15
0 .9 3 30 4 09
1.40
0.8872638
1.65
0 .9 0 01 1 68
1.90
0.9617658
1.16
0.9298031
1.41
0.8867647
1.66
0 .9 0 16 6 84
1.91
0.9652307
1.17
0 .9 2 66 9 96
1.42
0.8863558
1.67
0 .9 0 32 9 65
1.92
0.9687743
1.18
0 .9 2 37 2 78
1.43
0.8860362
1.68
0 .9 0 50 0 10
1.93
0.9723969
1.19
0 .9 2 08 8 50
1.44
0.8858051
1.69
0 .9 0 67 8 18
1.94
0.9760989
1.20
0 .9 1 81 6 87
1.45
0.8856614
1.70
0 .9 0 86 3 87
1.95
0.9798807
1.21
0 .9 1 55 7 65
1.46
0.8856043
1.71
0 .9 1 05 7 17
1.96
0.9837425
1.22
0 .9 1 31 0 59
1.47
0.8856331
1.72
0 .9 1 25 8 06
1.97
0.9876850
1.23
1.24
0 .9 1 07 5 49
0.9085211
1.48
1.49
0.8857470
0.8859451
1.73
1.74
0 .9 1 46 6 54
0 .9 1 68 2 60
1.98
1.99
0.9917084
0.9958133
2.00
1.0000000
F u e n t e : A P r e c is i n A p r o x i m a t i o n o f t h e G a m m a F u n c t i o n , J .
263
0 .0 1
0.9 9 00
0.9 5 12
0.9 0 48
0.8 1 87
0.7408
0.6 7 03
0.6 0 65
1
2
1.0000
0.9 9 88
0.9 9 53
0.9 8 25
0.9631
0.9 3 84
0.9 0 98
1.0000
0.9 9 98
0.9 9 89
0.9964
0.9921
0.9 8 56
0.9769
1.0000
0.9 9 99
0.9997
0.9 9 92
0.9 9 82
0.9966
1.0000
1.0000
0.9 9 99
0.9 9 98
0.9996
1.0000
1.0000
1.0000
0 .0 5
0 .1
0.2
0 .3
0 .4
0.5
0 .6
0 .7
0 .8
0.5488
0.4 9 66
0.4 4 93
0.4 0 66
0.8781
0.8 4 42
0.8088
0.7 7 25
0.9 6 59
0.9 5 26
0.9371
0.9 9 42
0.9 9 09
0.9 8 65
0.9 9 92
0.9 9 86
0.9 9 77
0.9 9 99
0.9 9 98
0.9 9 97
1.0000
1.0000
1.0000
1 .9
0 .9
Media
X
1.1
1 .2
1.3
0.3 6 79
0.3 3 29
0.3 0 12
0.2 7 25
1
2
0 .7 3 58
0.6 9 90
0.6 6 26
0.6 2 68
0.9 1 97
0.9 0 04
0.8 7 95
0.8571
1.4
1.5
1 .6
1 .7
1 .8
0.2466
0.2231
0.2 0 19
0.1827
0.1 6 53
0.1 4 96
0.1 3 53
0.5918
0.5 5 78
0.5 2 49
0.4932
0.4 6 28
0.4 3 37
0.4 0 60
0.8335
0.8 0 88
0.7 8 34
0.7572
0.7 3 06
0.7 0 37
0.6 7 67
0.8571
0.9 8 10
0.9 7 43
0.9 6 62
0.9 5 69
0.9463
0.9 3 44
0.9 2 12
0.9068
0.8 9 13
0.8 7 47
0.9 9 63
0.9 9 46
0.9 9 23
0.9 8 93
0.9857
0.9 8 14
0.9 7 63
0.9704
0.9 6 36
0.9 5 59
0.9 4 73
0.9 9 94
0.9 9 90
0.9 9 85
0.9 9 78
0.9968
0.9 9 55
0.9 9 40
0.9920
0.9 8 96
0.9 8 68
0.9 8 34
0.9 9 99
0.9 9 99
0.9 9 97
0.9 9 96
0.9994
0.9991
0.9 9 87
0.9981
0.9 9 74
0.9 9 66
0.9 9 55
7
8
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.999
0.999
0.999
1.000
1.000
1.000
2 .5
3 .5
4 .5
0.0821
0.0 4 98
0.0 3 02
0.0 1 83
0.0111
0.0 0 06
1
2
0 .2 8 73
0.1991
0.1 3 59
0.0 9 16
0.0611
0.0 4 04
0.0 2 66
0.5 4 38
0.4 2 34
0.3 2 08
0.2381
0.1736
0.1 2 47
0.0 8 84
0.7 5 76
0.6 4 72
0.5 3 66
0.4 3 35
0.3423
0.2 6 50
0.2 0 17
0.8 9 12
0.8 1 53
0.7 2 54
0.6 2 88
0.5321
0.4 4 05
0.9 5 80
0.9161
0.8 5 76
0.7851
0.7029
0.6 1 60
6
7
0.9 8 58
0.996
0.9 6 65
0.988
0.9 3 47
0 .9 7 3
0.8 8 93
0.949
0.8311
0 .9 1 3
0.999
0.996
0 .9 9 0
0.979
1.000
0.999
0 .9 9 7
0.992
1.000
0 .9 9 9
0.997
0 .9 9 3
1.000
0.999
0 .9 9 8
0 .9 9 5
0.989
0 .9 8 0
0.966
0.947
0.921
1.000
0 .9 9 9
0 .9 9 8
0.996
0.991
0.984
0.973
0.957
1.000
0 .9 9 9
0.998
0 .9 9 6
0.993
0.987
0.978
1.000
0.999
0 .9 9 9
0.997
0.994
0.990
1.000
0 .9 9 9
0.999
0 .9 9 8
0.995
1.000
1000
0.999
0.998
1.000
0.999
Media
10
11
12
13
14
15
16
17
18
264
5.5
6 .5
0.0041
0.0025
0.0 0 15
7
0.0 0 09
0.0174
0.0 1 13
0.0 0 73
0.0 0 47
0.0620
0.0 4 30
0.0 2 96
0.0 2 03
0.1512
0.1 1 18
0.0 8 18
0.0591
03575
0.2851
0.2 2 37
0.1 7 30
0.1321
0.5 2 89
0.4457
0.3 6 90
0.3 0 07
0.2 4 14
0.7 6 22
0 .8 6 7
0.6 8 60
0.809
0.6063
0 .7 4 4
0.5 2 65
0.673
0.4 4 97
0.599
0.3 7 82
0.525
0 .9 6 0
0 .9 3 2
0.894
0 .8 4 7
0.792
0.729
0.662
0 .9 8 3
0 .9 6 8
0.946
0 .9 1 6
0.877
0.830
0.776
0 .9 8 6
0.975
0 .9 5 7
0.933
0.901
0.862
*
0.0 0 67
7.5
1.000
[c o n tin a )
10
11
14
0.0 0 03
*
0.0001
0.0 0 00
0.0000
0.0 0 00
1
2
0.0 0 30
0.0 0 12
0.0 0 05
0.0002
0.0001
0.0 0 00
0.0 0 00
0.0 1 38
0.0 0 62
0.0 0 28
0.0012
0.0 0 05
0.0 0 02
0.0001
15
16
0.0 0 00
0.0 0 00
18
20
0.0 4 24
0.0 2 12
0.0 1 03
0.0049
0.0 0 23
0.0011
0.0 0 05
0.0 0 02
0.0001
0.0000
0.0 9 96
0.0 5 50
0.0 2 93
0.0151
0.0 0 76
0.0 0 37
0.0 0 18
0.0 0 09
0.0 0 04
0.0001
0.0 0 00
0.1 9 12
0.1 1 57
0.0671
0.0375
0.0 2 03
0.0 1 07
0.0 0 55
0.0 0 28
0.0 0 14
0.0003
0.0001
6
7
03134
0.453
0.2 0 68
0.324
0.1301
0.220
0.0786
0 .1 4 3
0.0 4 58
0 .0 9 0
0.0 2 59
0.054
0.0 1 42
0.032
0.0 0 76
0.018
0.0 0 40
0 .0 1 0
0.0010
0.003
0.0 0 03
0.001
0.5 9 25
0.4 5 57
0.3 3 28
0.2320
0.1 5 50
0.0 9 98
0.0621
0.0 3 74
0.0 2 20
0.0071
0.0021
0.7 1 66
0.5 8 74
0.4 5 79
0.3405
0.2 4 24
0.1 6 58
0.1 0 94
0.0 6 99
0.0 4 33
0.0154
0.0 0 50
10
0.8 1 59
0.7 0 60
0.5 8 30
0.4599
0.3 4 72
0.2 5 17
0.1 7 57
0.1 1 85
0.0 7 74
0.0304
0.0 1 08
11
12
0.8881
0.8 0 30
0.6 9 68
0.5793
0.4 6 16
0.3 5 32
0.2 6 00
0.1 8 48
0.1 2 70
0.0549
0.0 2 14
0.9 3 62
0.8 7 58
0.7 9 16
0.6887
0.5 7 60
0.4631
0.3 5 85
0.2 6 76
0.1931
0.0917
0.0 3 90
13
0.9 6 58
0.9261
0.8 6 45
0.7813
0.6 8 15
0.5 7 30
0.4 6 44
0.3 6 32
0.2 7 45
0.1426
0.0661
14
0.9 8 27
0.9 5 85
0.9 1 65
0.8540
0.7 7 20
0.6751
0.5 7 04
0.4 6 57
03675
0.2081
0.1 0 49
15
0.9 9 18
0.9 7 80
0.9 5 13
0.9074
0.8 4 44
0.7 6 36
0.6 6 94
0.5681
0.4 6 67
0.2867
0.1 5 65
16
0.9 9 63
0.9 8 89
0.9 7 30
0.9441
0.8 9 87
0.8 3 55
0.7 5 59
0.6641
0.5 6 60
0.3751
0.2211
17
18
0.9 9 84
0.9 9 93
0.9 9 47
0.9 9 76
0.9 8 57
0.9 9 28
0.9678
0.9823
0.9 3 70
0.9 6 26
0.8 9 05
0.9 3 02
0.8 2 72
0.8 8 26
0.7 4 89
0.8 1 95
0.6 5 93
0.7 4 23
0.4686
0.5622
0.2 9 70
0.3 8 14
19
0.9 9 97
0.9 9 89
0.9 9 65
0.9907
0.9 7 87
0.9 5 73
0.9 2 35
0.8 7 52
0.8 1 22
0.6509
0.4 7 03
20
0.9 9 99
0.9 9 96
0.9 9 84
0.9953
0.9 8 84
0.9 7 50
0.9521
0.9 1 70
0.8 6 82
0.7307
0.5591
21
1.0000
0.9 9 98
0.9 9 93
0.9977
0.9 9 39
0.9 8 59
0.9 7 12
0.9 4 69
0.9 1 08
0.7991
0.6 4 37
22
0.9 9 99
0.9 9 97
0.9990
0.9 9 70
0.9 9 24
0.9 8 33
0.9 6 73
0.9 4 18
0.8551
0.7 2 06
23
24
1.0000
0.9 9 99
1.0000
0.9995
0.9998
0.9 9 85
0.9 9 93
0.9 9 60
0.9 9 80
0.9 9 07
0.9 9 50
0.9 8 05
0.9 8 88
0.9 6 33
0.9 7 77
0.8989
0.9317
0.7 8 75
0.8 4 32
25
0.9999
0.9 9 97
0.9 9 90
0.9 9 74
0.9 9 38
0.9 8 69
0.9554
0.8 8 78
26
1.0000
0.9 9 99
0.9 9 95
0.9 9 87
0.9 9 67
0.9 9 25
0.9718
0.9221
27
0.9 9 99
0.9 9 98
0.9 9 94
0.9 9 83
0.9 9 59
0.9827
0.9 4 75
28
29
1.0000
0.9 9 99
1.0000
0.9 9 97
0.9 9 99
0.9991
0.9 9 96
0.9 9 78
0.9 9 89
0.9897
0.9941
0.9 6 57
0.9 7 82
30
0.9 9 99
0.9 9 98
0.9 9 94
0.9967
0.9 8 65
31
1.0000
0.9 9 99
0.9 9 97
0.9982
0.9 9 19
1.0000
0.9 9 99
0.9990
0.9 9 53
33
0.9 9 99
0.9995
0.9 9 73
34
35
1.0000
0.9998
0.9999
0.9 9 85
0.9 9 92
36
0.9999
0.9 9 96
37
1.0000
32
0.9 9 98
38
0.9 9 99
39
0.9 9 99
40
1.0000
265
NDICE
A
ACCUM (cantidad), 190
Aceptacin y rechazo, 72
Actividades, 10
Agrupa m iento, 190
Ajuste d e datos, 67
Aleatorio, 50
Algoritm o
congruencial aditivo, 26
congruencial cuad rtico,27
congruencial m ultiplicativo, 25
de Blum , B lum y Shub, 28
de cuadrados m edios, 20
de m ultiplicador constante, 22
de productos m edios, 21
lineal, 23
Algoritm os congruenciales no lineales, 27
Anlisis
de datos, 1 1
de sensibilidad, 12
Anderson-Darling, 56
prueba, 53,62
Arena, 125
Arrivals, 134,138
As Altrnate, 186
As Backup, 186
Atributo, 4
Atributos, 6
Autof it, 69
Autom atic Fitting, 70
AutoMod, 125
B
Banks,Carson, Nelson y Nicol, 25
B e rn o u lli,5 5 ,89
Biblioteca d e probabilidades, 172
Binom ial, 5 5 ,8 9
Build, 134
B y turn , 185
c
Ciclo, 48
COMBINE (cantidad) AS (nueva entidad), 193
Com posicin, 53
CONTENTS, 147
Continu, 186
Continuous distributions, 71
Convergencia, 115
Convolucin, 53
Corrida, 8 ,1 1 0
Corridas arriba y abajo, prueba, 3 7 ,3 9
Crystal Bal 1,125
Cuadrados m edios, 21
CH
Chi-cuadrada, 3 4 ,3 5 ,5 3 ,5 6
prueba, 3 4 ,5 7
D
D. H. Lehmer, 23
Definicin, 10
Dependent, 186
Descriptive, 69
Discrete distributions, 69
Discretos, 20
DISPLAY, 160
DISPLAY "mensaje" {(expresin)}, 160
DISTNORMINV, 114
Distribucin
binom ial, 81
de Bernoulli, 75
de Erlang,79
exponencial, 74
norm al, 80
triangular, 9 ,8 3
uniform e, 19,74
Distribuciones
continuas, 231
discretas, 55,231
Docum entacin, 13
DYNPLOT, 151
DYNPLOT"nom bre d el grfico dinm ico" 151
E
Editor
de turnos, 133
grfico, 132
Ensam ble e inspeccin, 117
267
| ndice
H
Hipergeom trica, 55
Histograma, 57
Hoja de clculo, 48
i
If Em pity, 186
If Join Request, 185
If Load Request, 186
If Send, 186
IFF (condicin), 196
IN (tiem po), 196
Independencia, 19,30
Instruccin, 191
Instrucciones
ACCUM, 190
COMBINE, 193
FREE, 177
GET, 177
JOIN, 194
LOAD, 196
ROUTE, 204
SPUT, 201
UNGROUP, 192
UNLOAD, 196
Intervalos d e co nfianza, 12,106
Inventario, 121
260
Failed Arrival, 248
fich a, 144
R e , 68
First available 185
First Ti mes, 139
Fit, 69
Flexsim , 125
FORTRAN, 124
Frecuencia
esperada, 34
observada, 34
FREE, 177,208
Frequency, 139
Funcin de densidad de probabilidad, 55
j
JOIN (cantidad) (entidad a ensam blar), 194
Gam m a, 88 ,2 6 3
GASP, 124
GE, 208
Generacin, 10
de variables aleatorias, 72
Generadores de variables aleatorias, 53
General, 246
fich a, 142
Kolmogorov-Smirnov, 3 4 ,5 3 ,5 6 ,2 6 1
prueba, 59
F,
268
GET, 177
GPSS, 124
Grfica
de dispersin, 44
de estabilizacin, 115
de G antt, 13
GRAPHIC #,159
GROUP (cantidad) AS (nueva entidad), 191
L
L'Ecuyer, 18
Lanczos,263
Law, A. M. y Kelton, W . D., 262
Lmite central, teorem a, 80
n d ice |
Lm ites de aceptacin, 33
Lnea de espera, 113
LOAD (cantidad), 196
Localizaciones, 3 ,6
Location, 249
Locations, 250
fich a, 143
Locations States Si ngle/Tank, fich a , 143
Locations States M ulti, fich a , 143
Locations Costing, 248
Log-logstica,62
Log norm al, 6 2 ,8 9
Logs, 250
Longest U noccupied, 186
Longitud de la rplica, 109,110
M
M/M/1 de lneas d e espera, 133
Massey, F. J., 261
M edia, 20
de los a leatorios entre 0 y 1,28
Mtodo
de com posicin, 82
de convolucin, 79
de la transform ada inversa, 72
de transform acin directa, 85
M odelo, 10,131
Modelos, 4
continuos, 4
de sim ulacin, 113
determ insticos,5
dinm icos, 5
discretos, 4
estticos, 5
estocsticos, 5
probabilsticos,5
Mdulo (M OD), 122
Most Available, 186
MOVE FOR, 208
(tiem po), 159
MOVE WITH, 208
N
Normal, 56
estndar, 256
NORMINV, 114
Number of Replications, 141
Nmero de corridas, 39
Nmeros pseudo aleatorios, 18
O
Occurences, 139
P
Par, 40
Paros en los equipos, 182
Path Networks, 134
Friodo de v id a , 48
Fisson, 5 5 ,5 7 ,8 9 ,2 6 4
Pker, 40
prueba, 40
Probabilidad
esperada acum ulada, 61
distribuciones, 11
Probability, 186
Processing, 134
ProModel, 9 1 ,1 3 1,1 32
Propiedades de los nm eros pseudo aleatorios
entre 0 y 1,28
Prueba
chi-cuadrada, 3 4 ,5 6 ,5 7
de Anderson-Darling, 53,62
de corridas arriba y abajo, 37,39
de corridas arriba y abajo de la m edia, 38
de huecos, 46
de Kolm ogorov-Sm irnov, 3 5 ,3 6 ,5 9
de m edias, 31
de series, 43
de varianza, 31
pker, 40
de independencia, 37
Pruebas, 19
de uniform idad, 34
estadsticas para los nm eros pseudo
aleatorios, 31
Pseudo aleatorios, 78
nm eros, 17,1 8
Pzas_tot=ENTRIES (prensa), 148
Q
Qty Each, 139
Quantity, 186
Q uintilla, 40
R
fe n d , 50
Random , 186
Recoleccin y anlisis de datos, 11
Recursos, 4 ,1 7 5
269
| ndice
s
Semilla, 20
Sensibilidad,anlisis, 12
SIMAN, 124
SIMPROCESS, 125,126
Simrunner, 133
SIMSCRIPT, 124
Sim ulacin, 1 ,2 ,9
de eventos discretos, 2
reloj, 4
Sim ulaciones
no term inales o de estado estable, 109
term inales, 106
Sim ulation, 141
Sistema, 3 ,6
de inventarios, 121
estado del, 6
SLAM, 124
SPUT (cantidad) AS (nueva e ntid ad ), 201
SSED, 124
S ta f:: Fit, 5 3 ,6 7 ,9 1 ,1 3 2
Statistics, 69
T
Tabla d e eventos, 113
Taylor, 125
Tchebycheff, teorem a, 110
Teorema del lm ite central, 8 0
Tercia, 40
270
Tools, 67
Transform acin directa, 53
Transformada inversa, 53
Transporte, 208
Triangular, 87
f-Student, 257
u
UNGROUP, 192
Uniformidad, 19
UNLOAD (cantidad) IFF (expresin), 196
Until Full, 186
U serC ondition, 186
v
O lid a c i n , 12
O lo r exterm o tip o 1, 62
f r ia b le
aleatoria, 54
de respuesta, 9
f r ia b le s , 6,253
aleatorias, 19
continuas, 55
discretas, 55
C r ia n z a , 20
de los nm eros aleatorios, 29
O rifica ci n , 11
y validacin, 106
Visual Basic, C++, 125
VIEW, 152
"nombre de la vista" 153
View s, 152
O n Neumann y M etrpolis, 20
w
WAIT, 141
(unidades de tiem p o), 141
W eibull, 56,88
Witness, 125,126
X
X2, 8 8 ,2 5 8 ,2 5 9
Todos los das surgen nuevos y m ejores desarrollos en el rea de la com puta
cin, los cuales traen consigo innovaciones igualm ente im por-tantes en el te r
reno de la tom a de decisiones y el diseo de procesos y productos. Una de
las tecnologas que mayores perfeccionam ientos ha recibido p o r parte de la
com putacin es la simulacin, concepto que engloba soluciones para m lti
ples p ro p s ito s
En este lib ro nos ocuparem os de la sim ulacin de sistemas, q u e es la parte
terica basada en ecuaciones m atem ticas y estadsticas Este proceso con
siste en relacionar los diferentes eventos que pueden cam biar el estado de
un sistema bajo estudio, p o r m edio de distribu cion es de probabilidad y con
diciones lgicas del problem a que se est analizando. Al final del libro se in
cluye un caso de estudio integrador.
Como indica el ttu lo, a lo largo del texto se describe el uso de un software
comercial diseado expresamente para la sim ulacin: ProModel, del cual se in
cluye una versin estudiantil en el CD que acompaa al libro.