Simulación y Análisis de Sistemas Con ProModel - E. García Dunna PDF

Simulacin y anlisis
de sistemas con ProModel
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
M x ic o A rg e n tin a B rasil C o lo m b ia C o s ta R ic a C h ile E c u a d o r

E spaa G u a te m a la P an am P e r P u e rto R ic o U ru g u a y V en ezu ela
Datos de catalogarn bibliogrfica
GARCA DUNNA EDUARDO, GARCA R EY ES H ERIBERTO y

CRDENAS BARRN LEOPOLDO EDUARDO
Sim ulacin y anlisis de siste m a s con ProModel
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:
Pablo Miguel Guerrero Rosas

e-mail: pablo.guerrero@pearsoned.com
Editor de desarrollo:
Bernardino Gutirrez Hernndez
Supervisor de produccin: Enrique Trejo Hernndez

Primera edicin, 20 0 6
D.R. 2 0 0 6 por Pearson Educacin de Mxico. S .A . de C.V.
AtJacomulco 500 -5 Piso
Colonia Industrial Atoto
5 3 5 1 9 , Naucalpan de Jurez, Edo. de Mxico
e-mail: editorial.universidades@pearsoned.com
Cmara Nacional de la Industria Editorial Mexicana. Reg. Nm. 1031.
Prentice Hall es una marca registrada de Pearson Educacin de Mxico. S.A . de C.V.
Reservados todos los derechos. Ni la totalidad ni parte de esta publicacin pueden reproducirse,
registrarse o transm itirse, por un sistema de recuperacin de informacin, en ninguna forma ni
por ningn medio, sea electrnico, mecnico, fotoqumico, magntico o electroptico, por foto
copia. grabacin o cualquier otro, sin permiso previo por escrito del editor.
El prstamo, alquiler o cualquier otra forma de cesin de uso de este ejemplar requerir tambin
la autorizacin del editor o de sus representantes.
ISBN: 970-26-0773-6
Impreso en Mxico. Prnted in Mxico.

1 2 3 4 5 6 7 8 9 0 - 0 9 0 8 0 7 06
PEARSON
E d u c a c i n
Contenido
Prlogo
ix
Captulo 1 Principios bsicos d e la sim ulacin

1.1
Introduccin a la sim ulacin
1.2
D efiniciones de sim ulacin
1.3
Ventajas y desventajas de la sim ulacin
1.4
Elem en to s clave para garantizar el xito de un m odelo de sim ulacin
1.5
Pasos para realizar un estudio de sim ulacin
1.6
Problem as
1
2
3
7
8
10
13
Captulo 2 Nmeros p seu d o aleatorios

21
Los nm eros pseudo aleatorios
22
Generacin de nm eros pseudo aleatorios
22.1
Algoritm o de cuadrados m edios
2 2 .2
Algoritm o de productos m edios
2 2 .3
Algoritm o de m ultiplicador co n stan te
2 2 .4
Algoritm o lineal
2 2 .5
Algoritm o congruencial m ultiplicativo
2 2 .6
Algoritm o congruencial aditivo
2 2 .7
Algoritm os congruenciales no lineales
23
Propiedades de los nm eros pseudo aleatorios en tre 0 y 1
2.4
Pruebas estadsticas para los nm eros pseudo aleatorios
24.1
Prueba de m edias
2 4 .2
Prueba de varianza
2 4 .3
Pruebas de uniform idad
2 4 .4
Pruebas de independencia
25
Problem as
17
18
18
20
21
22
23
25
26
27
28
31
31
32
34
37
48
Captulo 3 Variables aleatorias

3.1
D efinicin de variable aleatoria
3.2
Tip o s de variables aleatorias
3.3
D eterm inacin del tipo de distribucin de un conjunto de datos
3.3.1
Prueba Chi-cuadrada
3.3.2
Prueba de Kolm ogorov-Sm irnov
3.3.3
Prueba de Anderson-Darling
3.3.4
Ajuste de datos con Stat: :Fit
53
54
54
56
57
59
62
67
| Contenido
3.4
3.5
3.6
G eneracin de variables aleatorias

3.4.1
M todo de la transform ada inversa
3.4.2
Mtodo de convolucin
3.4.3
Mtodo de com po sici n
3.4.4
Mtodo de transform acin directa
Expresiones co m u nes de algunos generadores de variables aleatorias
Problem as
72
72
79
82
85
87
90
Captulo 4
Sim ulacin de variables aleatorias

4.1
Verificacin y validacin de los m odelos de sim ulacin
4.1.1
Sim ulaciones te rm in ale s
4.2
Sim ulaciones no term inales o de estado estable
4.2.1
Longitud de las rplicas
4.3
M odelos de sim ulacin
4.3.1
M odelo de una lnea de espera con un servid o r
4.3.2
M odelo de un proceso de ensam ble e inspeccin
4.3.3
M odelo de un sistem a de inventarios
4.4
Seleccin de lenguajes de sim ulacin
4.5
Problem as
105
106
106
109
109
113
113
117
121
124
126
Captulo 5
Sim ulacin con ProM odel

5.1
Introduccin al uso de ProM odel
5.2
Elem entos bsicos
5.3
Estructura de program acin en ProM odel
5.4
Construccin de un m odelo
5.4.1
M odelo M/M/1 de lneas de espera
5.4.2
M ejoram iento visual del m odelo
5.4.3
M odelado de un sistem a q ue incluye m s de un proceso
5.4.4
Inclusin de grficos de fondo en el m odelo
5.5
Caso integrador
5.6
Problem as
131
132
132
133
133
133
146
154
162
164
166
Captulo 6
Instrucciones d e ProM odel

6.1
Uso de la biblioteca de probabilidades
6.2
Recursos
6.3
Paros en los equipos
6.4
Reglas de ruteo
6.5
Ensam bles, acum ulacin y agrupam iento de piezas
6.6
Transporte entre estaciones
6.7
Caso integrador
6.8
Problem as
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
A m is podres M artha y Eduardo, o m i esposa

Carmen Alicia y a m is hijos Eduardo y Jo s Pablo.
Eduardo
A m is padres H eribertoy M ara de Jess, a m i esposa Cyntia

y a m is hijos Heriberto, Daniel Alejandro y Jo s Miguel.
Heriberto
A m i am ada esposa: Sara; p o r su am or y cario constante.

A m is valiosos tesoros: David Nahm , Italia Tatnay Zuriel Eluzai,
quienes so n la fuente de m i inspiracin.
A m is adorados padres: M ara Guadalupe Am ada y Rafael,
por su esfuerzo y dedicacin para hacer de m
un buen hom bre y profesionista.
A m is queridos herm anos: M ario Rafael, scar,
Viviana Guadalupe y Nora Alicia, p o r creer en m.
A los padres de m i esposa: Argelia y Cayetano p o r su apoyo.
Leopoldo Eduardo
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
Introduccin a la sim ulacin
1 .2
D efiniciones de sim ulacin
1 .3
Ventajas y desventajas de la sim ulacin
1 .4
Elem entos clave para garantizar el xito de un m odelo de sim ulacin
1 .5
Pasos para realizar un estudio de sim ulacin
1 .6
Problem as
[ C a p itu lo 1 Principios b sico s d e la sim ulacin
1.1 Introduccin a la sim ulacin

En aos recientes, el advenim iento de nuevos y m ejores desarrollos en el rea de la co m p u
tacin ha trado consigo innovaciones ig ualm ente im portantes en los terreno s de la tom a
de decisiones y el diseo de procesos y productos. En este sentido, una de las tcn icas de
m ayor im pacto es la sim ulacin.
Hoy en da, el analista tie n e a su disposicin una gran cantidad de softw are de sim u
lacin que le perm ite tom ar decisiones en tem as m uy diversos. Por ejem plo, determ inar la
m ejor localizacin de una nueva planta, disear un nuevo sistem a de trabajo o efectuar el
anlisis productivo de un proceso ya existen te pero q u e requiere m ejoras. Sin duda, la fa
cilidad que otorga a la resolucin de stas y m uchas otras problem ticas, ha hecho de la
simulacin una herram ienta cuyo uso y desarrollo se han visto significativam ente alenta
dos. Cada vez resulta m s sencillo encontrar paquetes de softw are co n gran capacidad de
anlisis, as com o m ejores anim aciones y caractersticas para generacin de reportes. En
general, dichos paquetes ya sea orientados a procesos, a servicio s o de ndole gene
ral nos proveen de una enorm e diversidad de herram ientas estadsticas q ue perm iten
un m anejo m s eficien te de la inform acin relevante bajo anlisis, y una m ejor presen ta
cin e interpretacin de la mism a.
El concepto de sim ulacin engloba soluciones para m uchos propsitos diferentes.
Fbr ejem plo, podram os decir q ue el m odelo de un avin a escala que se in tro d u ce a una
cmara po r d ond e se hace pasar un flujo de aire, puede sim ular los efectos q ue e xp e ri
m entar un avin real cuando se vea som etido a turbulencia. Por otro lado, algunos p a
quetes perm iten hacer la representacin de un proceso de fresado o tornead o : una vez
que el usuario establezca ciertas co nd icio nes iniciales, podr ver cm o se llevara a cabo
el proceso real, lo q ue le perm itira revisarlo sin necesidad de desperdiciar m aterial ni po
ner en riesgo la m aquinaria.
Entre los distintos tipos de procesos de sim ulacin q ue podem os u tiliz a re n este li
bro nos ocuparem os del q ue se basa en el uso de ecuaciones m atem ticas y estadsticas,
conocido com o sim ulacin d e eventos d iscreto s.Este proceso consiste en relacionar los
diferentes eventos q u e pueden cam biar el estado de un sistem a bajo estudio po r m edio
de distribuciones de probabilidad y condiciones lgicas del problem a q ue se est anali
zando. Por ejem plo, un proceso de inspeccin d ond e sabem os estadsticam ente q ue 0.2%
de los productos tie n e algn tipo de defecto puede sim ularse con facilidad m ediante una
sim ple hoja de clculo, considerando estadsticas de rechazos y productos conform es, y
asignando una distribucin de probabilidad con 0.2% de oportunidad de defecto para ca
da intento de inspeccin.
En el presente captulo abordarem os las definiciones bsicas de los co nceptos de la
simulacin de eventos discretos. En los siguientes se presentarn algunos otros elem en
tos relevantes, com o los nm eros pseudo aleatorios y las pruebas estadsticas necesarias
para co m p ro b ar esta aleatoriedad, la generacin de variables aleatorias y la caracteriza
cin de algunas distribuciones de probabilidad de uso com n e n la sim ulacin, lo cual
nos perm itir realizar una sim ulacin sencilla con ayuda de una hoja de clculo. Por lti
mo, describirem os la utilizacin de un softw are com ercial: Prom odel, una versin lim itada
del cual se incluye en este libro.
1.2 D efin icio nes d e sim u laci n |
1.2 D efin icio n es d e sim ulacin

Para poder realizar un buen estudio de sim ulacin es necesario entender los co nceptos
bsicos q ue com ponen nuestro m odelo.
Com enzarem os po r definir el concepto de sim ulacin d e eventos discretos com o
el conjunto de relaciones lgicas, m atem ticas y probabilsticas que integran el com porta
m iento de un sistem a bajo estudio cuando se presenta un evento determ inado. El objetivo
del m odelo de sim ulacin consiste, precisam ente, e n com prender, analizar y m ejorar las
condiciones d e operacin relevantes del sistema.
En la definicin anterior encontram os elem entos com o sistem a, m odelo y evento, de
b s cuales se desprenden otros conceptos im portantes dentro de una sim ulacin, po r lo
que a co ntinu acin abundarem os en cada uno de ellos.
La definicin bsica de sistem a nos dice q ue se trata de un conjunto de elem entos que
se interrelacionan para funcionar co m o un to d o ;desde el punto de vista de la sim ulacin,
tales elem ento s deben tener una fro n tera clara. Por ejem plo, po dem os hablar del sistem a
de atencin de clientes en un banco, del sistema de inventarios de una em presa o del siste
ma de atencin en la sala de em erg encia de un hospital. Cada uno de ellos pu ed e dividir
se en elem entos que son relevantes para la construccin de lo q ue constituir su m odelo
de sim u lacin;entre ellos tenem o s entidades, estado del sistema, eventos actuales y fu tu
ros, localizaciones, recursos, atributos, variables y el reloj de la sim ulacin.
Una entidad es la representacin de los flujos de entrada a un sistem a; ste es el ele
mento responsable de q ue el estado del sistem a cam bie. Ejem plo s de en tid ades pueden
ser los clien tes q ue llegan a la caja de un banco, las piezas q ue llegan a un proceso o el
em barque de piezas q ue llega a un inventario.
El estado del sistem a es la condicin que guarda el sistem a bajo estudio en un m om en
to determ inado; e s com o una fo to g rafa de lo q ue est pasand o en el sistem a en cierto
instante. El estado del sistem a se com pone de variables o caractersticas de operacin
puntuales (digam os el nm ero de piezas que hay en el sistem a en ese m om ento), y de va
riables o caractersticas de operacin acum uladas, o prom edio (como podra ser el tiem po
prom edio de perm anencia de una entidad en el sistema, e n una fila, alm acn o equipo).
Un evento es un cam bio en el estado actu al del sistem a; po r ejem plo, la entrada o sa
lida de una entidad, la finalizacin de un proceso en un equipo, la interrupcin o reactiva
cin de una operacin (digam os po r un descanso del operario), o la descom postura de
una m quina. Podem os catalogar estos eventos en dos tip o s:eventos actuales, q ue son
aquellos q ue estn sucediendo en el sistem a en un m om ento dado, y eventos futuros,
que son cam bios q ue se presentarn en el sistem a despus del tiem p o de sim ulacin, de
acuerdo co n una program acin especfica. Por ejem plo, im agine q ue cierta pieza entra a
una m quina para que sta realice un proceso. El evento actual sera precisam ente q ue la
entidad llam ada "pieza" se encuentra en la m quina. El evento futuro podra ser el m o
mento en q ue la m quina concluir su trabajo con la pieza y sta seguir su cam ino hacia
el siguiente proceso lgico, de acuerdo con la program acin: alm acenam iento, inspeccin
o entrada a otra m quina.
Las localizaciones son to d o s aquellos lugares en los que la pieza puede detenerse p a
ra se r transform ada o esperar a serlo. Dentro de estas localizaciones tenem o s alm acenes,
bandas transportadoras, m quinas, estaciones de inspeccin, etctera.
3
Los recursos son aquello s dispositivos d iferentes a las localizaciones necesarios

para llevar a cabo una operacin. Por ejem plo, un m ontacargas que transpo rta una pieza
de un lugar a otro: una persona q ue realiza la inspeccin en una estacin y to m a tu rn o s
para descansar; una herram ienta necesaria para realizar un proceso pero que no form a parte
de una localizacin especfica, sino que e s trasladada de acuerdo con los requerim ientos de
aquel.
Un atributo es u na caracterstica de una entidad. Por ejemplo, si la entidad e s un motor,
b s atributos seran su color, peso, tam ao o cilindraje. Los atributos son m u y tiles para
diferenciar entidades sin necesidad de g en erar una entidad nueva, y pueden adjudicarse
al m om ento de la creacin de la entidad, o asignarse y/o cam biarse durante el proceso.
Como indica su nom bre, las variables son condiciones cuyos valores se crean y m odifi
can p o r m edio de ecuaciones m atem ticas y relaciones lgicas. Pueden ser continuas (por
ejem plo, el costo prom edio de operacin de un sistem a) o discretas (por ejem plo, el n
mero de unidades que deber em pacarse en un contenedor). Las variables son m uy tiles
para realizar conteos de piezas y ciclos de operacin, as com o para determ inar caracte
rsticas de operacin del sistem a.
El reloj d e la sim ulacin e s el contador de tiem po de la sim ulacin, y su fun ci n c o n
siste en responder preguntas tales com o cunto tiem p o se ha utilizado el m odelo e n la si
m ulacin, y cunto tiem po en total se quiere q ue d ure esta ltim a. En general, el reloj de
sim ulacin se relaciona con la tabla de eventos futuros, pues al cum plirse el tiem p o prog am a d o para la realizacin de un evento futuro, ste se convierte en un evento actual. Reg esan d o al ejem plo de la pieza en la m quina, cuando el tiem po de proceso se cum pla, la
pieza seg uir su cam in o hasta su sig u ie n te lo ca liza ci n ; el reloj de la sim u laci n sim u
la precisam ente ese tiem po.
Podem os h ab lar de dos tip o s de reloj de sim u laci n: el reloj d e sim ulacin ab so
luto, q ue parte de cero y te rm in a en un tiem po total de sim ulacin definido, y el reloj de
sim ulacin relativo, q ue slo considera el lapso de tiem p o que transcurre entre dos
eventos. Por ejem plo, podem os decir q ue el tiem po de proceso de una pieza es relativo,
mientras que el tiem po absoluto sera el tiem po global de la sim ulacin: desde q ue la pieza
entr a ser procesada hasta el m om ento en el que term in su proceso.
Como se m encion antes, existen d istintos m odelos de sim ulacin q ue perm iten re
presentar situaciones reales de diferentes tipos. Podem os te n e r m odelos fsicos com o
el del avin que m encio nam o s en la seccin anterior o m odelos m atem ticos, a los cu a
les pertenecen los m odelos de sim ulacin de eventos discretos. Asim ism o, los m odelos
pueden diferenciarse segn el tipo de ecuacio nes m atem ticas q ue los com ponen. Por
ejem plo, se conoce com o m odelos continuos a aquellos e n los q ue las relaciones en tre
las variables relevantes de la situacin real se definen po r m edio de ecuaciones d iferen
ciales, dado q ue stas perm iten co no cer el com portam iento de las variables e n un lapso
de tiem po continuo. Problem as com o saber de q u m anera se transfiere el calor en un
m olde o determ inar cm o flu ye cierto m aterial dentro de una tubera, e incluso discernir
el com portam iento del nivel de un tanq ue de gasolina al paso del tiem p o m ientras el ve
hculo est en m archa, pueden sim ularse en estos trm inos.
Adem s de m odelos continuos te n e m o s m odelos discretos. En ellos el co m p o rta
miento q ue nos interesa analizar puede representarse po r m edio de ecuaciones evalua
das en un punto determ inado. Por ejem plo, si hacem os un m uestreo del nm ero de
4
1.2 D efin icio nes d e sim u laci n |
personas q ue llegaron a un banco e n un lapso de tiem po especfico, podem os sim ular es

ta variable co n ecuaciones ligadas a distribuciones de probabilidad que reflejen dicho
com portam iento.
Otro tipo de clasificacin e s el de los m odelos dinm icos o estticos. Los m odelos d i
nm icos son aquellos en los q ue el estado del sistem a q ue estam os analizando cam bia
respecto del tiem po. Por ejem plo, el nm ero de personas q ue hacen fila para entrar a una
sala de cine vara co n el tiem po. Por otro lado, los m odelos estticos representan un re
sultado bajo un conjunto de situaciones o condiciones determ inado; po r ejem plo, al lan
zar un dado los nicos valores q ue se pu ed e obtener son 1 ,2 ,3 ,4 ,5 o 6, de m anera q ue el
resultado de la sim ulacin ser uno de tales valores p o sib les;este tipo de sim ulacin ge
neralm ente se co no ce com o sim ulacin de M onte Cario.
Por ltim o, podem os hablar de m odelos determ insticos y m odelos probabilsticos, conocidos tam bin com o estocsticos. Los prim eros se refieren a relaciones co ns
tantes en tre los cam bios de las variables del modelo. Por ejem plo, si las cajas em pleadas
en un proceso contienen siem pre 5 productos, cada vez q ue se aada una caja al inven
tario ste se increm entar en 5 unidades. Si, po r el contrario, se da una distribucin de pro
babilidad en el proceso d e m anera q ue algunas cajas contienen 3 productos, otras 4 y as
por el estilo, el inventario se m odificar segn el nm ero de piezas de cada caja y, e n co n
secuencia, ser necesario un m odelo estocstico. En el caso de la sim ulacin de eventos
discretos hablarem os de m odelos m atem ticos, discretos, dinm icos, y q ue pueden in
cluir variables determ insticas y probabilsticas.
Ejem plo 1.1
Un taller recib e ciertas piezas, m ism as que son acum uladas en un alm acn tem poral en
donde esperan a ser procesadas. Esto ocurre cuando un operario transpo rta las piezas del
alm acn a u n torno. Desarrolle un m odelo q ue incluya el nm ero de piezas q ue hay en el al
m acn esperando a ser atendidas en tod o m om ento, y el nm ero de piezas procesadas
en el torno.
En la siguiente figura podem os observar cm o se vera un m odelo de sim ulacin pa
ra este ejem plo.
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.
1.3 V entajas y d e sv e n ta ja s d e la sim u laci n |
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
1.3 V en tajas y d e sv e n ta ja s d e la sim ulacin

Como hem os visto hasta ahora, la sim ulacin e s una de las diversas herram ientas con las
q ue cu e n ta el analista para to m a r d ecisio n es y m e jo ra r sus procesos. Sin em bargo, es
n ecesario d estacar que, com o to d a s las d em s o p cio n es de q ue disp onem o s, la sim u
lacin de eventos discretos presenta ventajas y desventajas que e s preciso tom ar en cuenta
al d eterm inar si es apta para resolver un problem a determ inado.
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.
1.4 Elem en to s clave para g aran tizar el xito

d e un m odelo d e sim ulacin
Independientem ente de los beneficios q ue co nlleva la sim ulacin, es im posible garantizar
que un modelo tendr xito. Existen ciertas condiciones clave que pueden traer problem as
si no se les po n e atencin al m om ento de usar la sim ulacin para la to m a de decisiones.
A continuacin destacarem os algunas de las causas po r las q ue un m odelo de sim ulacin
podra no ten er los resultados q ue se desean:
Tamao Insuficiente de la corrida. Como se m encion antes, para pod er llegar a co n
clusiones estadsticas vlidas a partir de los m odelos de sim ulacin es necesario q ue las
variables aleatorias de respuesta estn en estado estable. El problem a estriba en que,ge8
1.4 Elem en to s cla v e para g a ra n tiz a r e l x ito d e un m o d e lo d e sim u la ci n |
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.
1.5 Pasos para re aliza r un e stu d io d e sim ulacin

Debem os considerar q ue igual a com o ocurre con otras herram ientas de investiga
cin la realizacin de un estudio de sim ulacin requiere la ejecucin de una serie de ac
tividades y anlisis q ue perm itan sacarle el m ejo r provecho. A continuacin se m encionan
los pasos bsicos para realizar un estud io de sim ulacin, aunque en m uchas ocasiones se
r necesario agregar otros o suprim ir algunos de los aq u enum erados, de acuerdo con la
problem tica en cuestin.
1. Definicin del sistem a bajo estudio. En esta etapa es necesario conocer el sistem a a
modelar. Para ello se requiere saber q u origina el estud io de sim ulacin y establecer los
supuestos del m odelo: es co nven ien te definir co n claridad las variables de decisin del
modelo, d eterm in ar las interacciones entre stas y establecer con precisin los alcances y
lim itaciones q ue aquel podra llegar a tener.
Antes de concluir este paso es recom endable co n tar co n la inform acin suficiente
para lograr establecer un m odelo conceptual del sistem a bajo estudio, incluyendo sus
fronteras y to d o s los elem entos q ue lo co m po nen, adem s de las interacciones entre s
tos, flu jo s de productos, personas y recursos, as com o las variables de m ayor in ters para
el problem a.
2. Generacin del m odelo d e sim ulacin base. Una v e z q ue se ha definido el sistem a
en trm ino s de un m odelo conceptual, la siguiente etapa del estud io consiste en la gene
racin de un m odelo de sim ulacin base. No e s preciso q ue este m odelo sea dem asiado
detallado, pues se requiere m ucha m s inform acin estadstica sobre el com portam iento de
las variables de decisin del sistem a. La generacin de este m odelo es el prim er reto para
el program ador de la sim ulacin, to d a vez que d ebe trad u cir a un lenguaje de sim ulacin
10
1.5 Pasos para re alizar un e stu d io d e sim u laci n |
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
1.6 Pro b lem as |
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 e fin ici n d e l sistem a

M o d elo d e sim u laci n base
R ecoleccin y a n lisis d e d a to s
M odelo p re lim in a r d e sim u laci n
V erificaci n d e l m o delo
V alid aci n d e l m o d e lo
M o d e lo fin a l d e sim u laci n
iio
to rm
s riA n U
noc o
cron^ r inc
L/trltr
II llinIdLIUN
trbLtHldlKJb
A nlisis d e se n sib ilid a d
-------- --------- --------- -----
D o cu m e n taci n fin al
T ie m p o
Figura 1.3
Grfica de Gantt de un proyecto de simulacin
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)
Una lnea telef nica de atencin a clientes.

La recepcin de un hotel.
Un taller de tornos.
El proceso de pintura de un autom vil.
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
1.6 Pro b lem as |
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
de proceso es estable? Y si ahora se generan 200 nm eros? (Sugerencia: Para evitar

que se recalculen los nm eros aleatorios, e s necesario copiarlos y pegarlos usando un
pegado especial de slo valores.)
10. G enere en una hoja de clculo 100 nm eros con la fun ci n x = 5 + 10r.,d o nd e r es
un nm ero pseudo aleatorio entre cero y uno, o btenido a partir de la fun ci n A LEA
TORIO de la hoja de clculo. Suponga q u e e sto s valores son tiem p o s de atencin a
clientes en un banco. D eterm ine un prom edio m vil de estos valores co nfo rm e se va
realizando la atencin de los clien tes, y grafique ese prom edio. El tiem po prom edio
d e atencin a clien tes e s estable? Y si ahora se generan 200 nm eros?
16
CAPITULO 2
NMEROS
PSEUDO
ALEATORIOS
2.1
Los nm eros pseudo aleatorios
2 .2
Generacin de nm eros pseudo aleatorios

2 .2 .1
Algoritmo de cuadrados m edios
2 .2 .2
Algoritmo de productos m edios
2 .2 .3
Algoritmo de m ultiplicador co nstante
2 .2 .4
Algoritm o lineal
2 .2 .5
Algoritmo congruencial m ultiplicativo
2 .2 .6
Algoritmo congruencial aditivo
2 .2 .7
Algoritm os congruenciales no lineales
2 .3
Propiedades de los nm eros pseudo aleatorios en tre 0 y 1
2 .4
Pruebas estadsticas para los nm eros pseudo aleatorios
2 .5
2 .4 .1
Prueba de m edias
2 .4 .2
Prueba de varianza
2 .4 .3
Pruebas de uniform idad
2 .4 .4
Pruebas de independencia
Problem as
17
| C a p tu lo 2 Nm eros p se u d o aleato rio s
2.1 Los n m ero s p seu d o aleato rio s

Para poder realizar una simulacin que incluya variabilidad dentro de sus eventos, es preci
so generar una serie de nm eros q ue sean aleatorios po r s m ism os, y q ue su aleatoriedad
se extrapole al m odelo de sim ulacin q ue se est construyendo. Como pu ed e co m p ren
der, en la construccin del m odelo los nm eros aleatorios juegan un papel relevante.
As, una de las prim eras tareas q ue e s necesario llevar a cabo consiste en determ inar
si los nm eros que utilizarem os para "correr"o ejecutar la sim ulacin son realm ente alea
torios o n o ; por desgracia, precisar lo anterior co n absoluta certidum bre resulta m u y co m
plicado, ya q ue para ello tendram os q ue generar un nm ero infinito de valores que nos
perm itiera com probar la inexistencia de correlaciones entre ellos. Esto sera m u y costoso
y tardado, volviendo im prctico el uso de la sim ulacin aun co n las com putadoras ms
avanzadas.
A pesar de lo anterior, podem os asegurar con altos niveles de confiabilidad q ue el
conjunto de nm eros q ue utilizarem os en una sim ulacin se co m po rtan de m anera m uy
sim ilar a un conjunto de nm eros totalm ente aleatorios; po r ello es q ue se les denom ina
nm eros pseudo aleatorios. Casi tod as las aplicaciones com erciales tienen varios g enera
dores de nm eros pseudo aleatorios q ue pueden generar un conjunto m u y grande de
nm eros sin m ostrar correlacin en tre ellos. En el presente captulo discutirem os algunos
de los m todos de generacin de nm eros pseudo aleatorios, y precisarem os q u carac
tersticas deben ten e r para em plearlos com o una fu en te confiable de variabilidad dentro
de los m odelos. Asim ism o se m ostrarn algunas de las p rueb as m s co m u nes para co m
probar q u tan aleatorios son los nm eros obtenidos con dichos generadores.
2.2 G en eraci n d e nm eros p seu d o aleato rio s

Para realizar una sim ulacin se requieren nm eros aleatorios en el intervalo (0,1), a los
cuales se har referencia com o r,e s decir, una secuencia r = [r} , ry ry . . . , rn} q ue contiene
n nmeros, todos ellos diferentes;/? recibe el n o m b re de periodo o ciclo de vida del gene
rador q ue cre la secuencia r.
Los r constituyen la parte m edular de la sim ulacin de procesos estocsticos, y gene
ralm ente se usan para generar el com portam iento de variables aleatorias, tanto co ntinuas
como discretas. D ebido a q ue no es posible generar nm eros realm ente aleatorios, co nsi
deram os los r como nm eros pseudo aleatorios, generados por m edio de algoritm os determ insticos q ue requieren parm etros de arranque.
Para sim ular el com portam iento de una o m s variables aleatorias e s necesario co n
tar con un conjunto suficientem ente grande de r que perm ita, po r ejem plo, q ue la se
cuencia ten g a al m enos un periodo de vid a de n = 231 = 2 147 483 648. D e acuerdo con
L'Ecuyer141 una secuencia de r.c o n periodo de vida de n = 231 es relativam ente pequea;
de hecho, incluso una secuencia de r que co n ten g a un ciclo de vida de n = 2M se co n
sidera pequea. En la actualidad contam os ya co n generadores y procesadores capaces
de construir una secuencia de r con periodo de vida de n = 2200.
Probablem ente el lector se preguntar por qu d ebe interesarnos co nstru ir una se
cuencia de n m ero s r suficientem ente grande. A continuacin ilustrarem os la razn m e
diante un ejem plo. Suponga que querem os sim ular el tiem p o de atencin a clien tes en un
18
2 2 G e n e raci n d e n m e ro s p seu d o ale ato rio s [ "1
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,
en cualq uier otro valor
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
Que los nm ero s r generados sean discretos en lugar de continuos.

Q ue la m edia del conjunto sea m u y alta o m u y baja, e s decir, que est po r arriba o
por debajo de V 2.
Que la varianza del conjunto sea m u y alta o m u y baja, e s decir, q ue se localice por
arriba o por debajo del V 12 (la obtencin de estos valores se discute en la seccin 2.3).
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.
2.2.1 A lg o ritm o d e cu ad rad o s m edios

Este algoritm o no congruencial fu e propuesto en la dcada de los cuarenta del siglo xx
por Von N eum ann y M etr po lis111. Requiere un nm ero entero d etonador (llam ado sem i
lla) co n D dgitos, el cual es elevado al cuadrado para seleccionar del resultado los D dgi
tos del centro; el prim er nm ero r se determ ina sim plem ente anteponiendo e r o ." a esos
dgitos. Para o b tener el segundo r se sigue el m ism o procedim iento, slo q ue ahora se
elevan al cuadrado los D dgitos del centro q ue se seleccionaron para obtener el prim er r .
Este m todo se repite hasta o b tener n nm eros r. A continuacin se presentan con ms
detalle los pasos para generar nm eros co n el algoritm o de cuadrados m edios.
1. Seleccionar una sem illa (Xq) co n D dgitos (D > 3).
2 Sea X0 = resultado de elevar X0 al cuadrado; sea X , = los D dgitos del centro, y sea
r = 0D dgitos del centro.
3. Sea Y = resultado de elevar Xj al cuad rad o; sea X/+1 = los D dgitos del centro, y sea
r = 0 ) dgitos del centro para to d a /= 1 ,2 ,3 ,
4. Repetir el paso 3 hasta obtener los n nm eros r deseados.
Nota: Si no es 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 cuadrados m edios se p re se n ta d siguiente
ejem plo.
Ejem plo 2.1
Generar los prim eros 5 nm eros r a partir de una sem illa X0 = 5 735, de d ond e se puede
observar q ue D = 4 dgitos.
20
2.2.2 A lg o ritm o d e pro d ucto s m ed io s |
Solucin:
Y( = (5 735)2 = 32 890 225
X , = 8 902
r , = 0.8902
Y} = (8 902)2 = 79 245 604
X2 = 2 456
r2 = 0.2456
Y2 = {2 456)2 = 06031936
X3 = 0319
r3 = 0.0319
Y^ = (0319)2 = 101 761
X4 = 0176
r4 = 0.0176
Ya = (01 76)2 = 030976
X5 = 3 097
r5 = 0.3097
El algoritm o de cuadrados m edios g eneralm ente e s incapaz de generar una secuencia de

r. con periodo de vida n grande. Adems, en ocasiones slo es capaz de generar un nmero,
por ejem plo, si X0 = 1 000, entonces X , = 0000; r = 0.0000 y se dice q ue el algoritm o se de
genera con la sem illa de XQ = 1 000.
2.2.2 A lgoritm o d e p ro d u cto s m edios

La m ecnica de generacin de nm eros pseudo aleatorios de este algoritm o no congruencial es sim ilar a la del algoritmo de cuadrados m edios. La diferencia entre am bos radica en
que el algoritm o de productos m edios requiere dos sem illas, am bas con D dgitos;adem s,
en lugar de elevarlas al cuadrado, las sem illas se m ultiplican y del producto se seleccionan
los D dgitos del centro, los cuales fo rm arn el prim er nm ero pseudo aleatorio r = 0 D
dgitos. Despus se elimina una sem illa,y la otra se multiplica por el prim er nmero de D dgi
tos, para luego seleccionar del producto los D dgitos que conform arn un segundo nm e
ro r . Entonces se elim in a la segunda sem illa y se m ultiplican el prim er nm ero de D dgitos
por el segundo nm ero de D dgitos; del producto se obtiene el tercer nm ero r . Siem pre
se ir elim inando el nm ero m s antiguo, y el procedim iento se repetir hasta generar los
n nm eros pseudo aleatorios. A continuacin se presentan con m s detalle los pasos del
mtodo para generar nm eros con el algoritm o de producto medios.
1.
2
3.
4.
Seleccionar una sem illa (X0) con D dgitos (D > 3).

Seleccionar una sem illa (X ,) co n D dgitos (D > 3).
Sea Yq = X0*X 1;s e a X2 = los D dgitos del centro, y sea r = 0 D dgitos del centro.
Sea Y . = X * X ^ ; sea X/+2 = los D dgitos del centro, y sea r.+1 = 0 ) dgitos del centro
para tod a / = 1 ,2 , 3 , . .. , n.
5. Repetir el paso 4 hasta o b tener los n nm eros r deseados.
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
015) (5 734)= 28 756 010
x 2 = 7 560
r} = 0.7560
Yy = (5
734) (7 560) = 43 349 040
X 3 = 3 490
r2 = 0.3490
Y2 = (7
560)(3 490) = 26 384 400
X4 = 3 844
r3 = 0.3844
Y3 = (3 490) (3 844) = 13 415 560
X 5 = 4 155
r4 = 0.4155
Ya = (3 844) (4 155) = 15 971 820
X6 = 9 718
r5 = 0.9718
2.2.3 A lg o ritm o d e m u ltip licad o r constante

Este algoritm o no congruencial es sim ilar al algoritm o de productos m edios. Los siguien
tes son los pasos necesarios para generar nm eros pseudo aleatorios con el algoritm o de
m ultiplicador constante.
1.
2
3.
4.
Seleccionar una sem illa (X q) co n D dgitos (D > 3).

Seleccionar una co n stan te (a ) co n D dgitos (D > 3).
Sea Yq = a*XQ; sea X , = los D dgitos del centro, y sea r = 0.D dgitos del centro.
Sea Y = a*X; sea X+1 = los D dgitos del centro, y sea r M = 0 .D dgitos del centro
para tod a i = 1 ,2 , 3 , . .. , n.
5. Repetir el paso 4 hasta obtener los n nm eros r deseados.
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
YQ= (6 965) (9 803) = 68 277 895
X , = 2 778
r , = 0.2778
Yy = (6 965) (2 778) = 19 348 770
X 2 = 3 487
r2 = 0.3487
Y2 = (6 965) (3 487) = 24 286 955
X 3 = 2 869
r3 = 0.2869
Y3 = (6 965) (2 869) = 19 982 585
X4 = 9 825
r4 = 0.9825
Ya = (6 965) (9 825) = 68 431 125
X 5 = 4 311
r5 = 0.4311
2.2.4 A lg o ritm o lin e a l |
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
donde X( es la sem illa, a es la constante m ultiplicativa, c es una co nstante aditiva y m es el

m dulo; X0 > 0 ,a > 0 , c > 0 y m > 0 deben ser nm eros enteros. La operacin m od m " sig
nifica m u ltip licar X por a, sum ar c y dividir el resultado en tre m para obtener el residuo
X +y Es im portante sealar q ue la ecuacin recursiva del algoritm o congruencial lineal
genera una secuencia de nm eros enteros S = { 0 ,1 ,2 ,3 ,..., m - 1}, y q ue para obtener n
m eros pseudo aleatorios e n el intervalo (0,1) se requ iere la siguiente ecuacin:
X.
r= ~~
1 m - 1
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
X3 = (19*17 + 33) m od 100 = 56
r 3 = 56/99 = 0.5656
X4 = (19*56 + 33) m od 100 = 97
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
Bajo estas co n d icio n es se obtiene un periodo d e vida m xim o: N = m = 2g. Veam os un

ejem plo ms, tom and o en cuen ta lo anterior.
23
Ejem plo 2.5

G enerar suficientes n m e ro s en tre 0 y 1 con los parm etro s X0 = 6, k = 3, g = 3 y c = 7,
hasta en con trar el periodo de vida m xim o {N).
Como podem os ver, si se cum plen las condiciones q ue Banks, Carson, Nelson y Nicol
sugieren, se lograr el periodo m xim o A/ = m = 8. A continuacin se presenta el desarro
llo de la generacin d e los nm eros r.
y
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
Es im p o rtan te m e n cio n ar q u e el nm ero generado e n X8 = 6 es e xa cta m e n te igual a la

sem illa X y si co n tin u ra m o s generando m s nm ero s, stos se repetiran. A dem s sa
bem os q ue el alg o ritm o co ng ruencial lineal genera una secu encia de n m e ro s enteros
S = { 0 ,1 ,2 ,3 ,..., m - 1}. O bserve q ue en este caso se genera la secuencia S = {0 ,1 ,2 ,3 ,4 ,5 ,
6,7).
Ejem plo 2.6
Considerem os nuevam ente el ejem plo anterior, pero tratem os de violar de m anera arb i
traria alguna de las condiciones. Supongam os q ue a = 1 2 ;se sabe q ue a no es el resultado
de 1 + 4 k,d o n d e k es un entero. Veam os el com portam iento del algoritm o congruencial
lineal ante tal cam bio.
Solucin:
a = 1 + 4 (3 )= 13
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
2 2 .5 A lg o ritm o co n g ru e n cia l m u ltip lica tivo |
El periodo de vida en este caso e s N = 3, de m anera que, com o pu ed e ver, el periodo de vi

da m xim o no se logra. Como conclusin tenem o s q ue si no se cum ple alguna de las co n
diciones, el periodo de vida m xim o N = m n o se garantiza, por lo q ue el periodo de vida
ser m en o r q ue m.
2.2.5 A lg o ritm o congruencial m ultiplicativo

El algoritm o congruencial m ultiplicativo surge del algoritm o congruencial lineal cuando
c = 0. Entonces la ecuacin recursiva es:
X+t = (oX;) m od (m)
/ = 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
Ejem plo 2.7

G en e rar su ficien tes n m ero s e n tre 0 y 1 con lo s sig u ien tes parm etro s: X( = 17, k = 2 y
g = 5, hasta en co n trar el periodo o ciclo de vida.
Solucin:
7 = 5 + 8(2) = 21
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.
Ejem plo 2.8

Ahora bien, si violam os la condicin de q ue la sem illa sea un nm ero impar, digam os con
X0 = 12, tenem os:
Solucin:
X0 = 1 2
X , = (21*12) m od 32 = 28
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 .
2.2.6 A lgoritm o congruencial aditivo

Este algoritm o requiere una secuencia previa de n nmeros en te ro sX 1,X 2,X 3,X 4, ...,X n para
generar una nueva secuencia de nm eros enteros q ue em pieza en Xn+1,X m.2,X m.3,X n+4, . ..
Su ecuacin recursiva es:
X .= (X.L1 + X;._n)m od (m)
/ = n + 1, n + 2, n + 3 ,...,N
Los n m ero s r pueden ser generados m ediante la ecuacin

r .= x .l ( m - 1)
Ejem plo 2.9

Generar 7 nm eros pseudo aleatorios en tre cero y uno a partir de la sigu ien te secuencia
de nm eros enteros: 6 5 ,8 9 ,9 8 ,0 3 ,6 9 ; m = 100.
Sean X1 = 65, X2 = 89, X3 = 98, X4 = 03, X 5 = 69. Para generar rv r2, ry r4, ry r6 y r7 antes
es necesario g en erar X6, X7, X8, X^ X 10, X , 1, X , 2.
26
2 2 .7 A lgoritm os co n g ru e n cia le s n o lineales [
Solucin:
X6 = (X 5 + X1)m o d 100 = (60 + 6 5 )m o d 100 = 34
r , = 34/99 = 0.3434
X7 = (X6 + X2) m od 100 = (34 + 89) m od 100 = 23
r 2 = 23/99 = 0.2323
X8 = (X7 + X3) m od 100 = (23 + 98) m od 100 = 21
r 3 = 21/99 = 0.2121
X9 = (X8 + X4) m od 100 = (21 + 0 3 ) m od 100 = 24
r4 = 24/99 = 0.2424
X10= (X 9 + X5)m od 1 00 = (24 + 69) m od 1 0 0 = 9 3
rs = 93/99 = 0.9393
X\ i = (X10 + Xg) mod 100 = (93 + 34) m od 100 = 27

X12= ( X + X 7)m od 100 = (27 + 23) m od 1 0 0 = 5 0
2.2.7 A lgoritm os co n g ru en ciales no lineales

En esta seccin se analizarn dos algoritm os congruenciales no lineales: el congruencial
cuadrtico y el algoritm o presentado po r Blum , Blum y S h u b [2].
2.2.7.1 Algoritm o congruencial cuadrtico
Este algoritm o tie n e la siguiente ecuacin recursiva:
X^, = (oX? + bX + c) m od (m)
/ = 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.
Ejem plo 2.10

Generar, a partir del algoritm o congruencial cuadrtico, suficientes nm eros enteros has
ta alcanzar el periodo de vida, considerando los parm etros X0 = 13, m = 8, a = 26, b = 27
y c = 27. Como to d a s las condiciones estipuladas para los parm etros se satisfacen, es de
esperarse q ue el periodo de vida del generador sea N = m = 8, tal com o podr com probar
al revisar los clculos correspondientes, q ue se presentan a continuacin.
27
Solucin:
X , = (26*132 + 27*13 + 27) m od (8) = 4

X2 = (26*42 + 2 7 *4 + 27) m od (8) = 7
X3 = (26*72 + 2 7 *7 + 27) m od (8) = 2
X4 = (26*22 + 2 7 *2 + 27) m od (8) = 1
X5 = (26*12 + 27*1 + 27) m od (8) = 0
X6 = (26*02 + 2 7 *0 + 27) m od (8) = 3
X7 = (26*32 + 27*3 + 27) m od (8) = 6
Xg = (26*62 + 2 7 *6 + 27) m od (8) = 5
X9 = (26*52 + 27*5 + 27) m od (8) = 4
ft)r otro lado, el algoritm o cuadrtico genera una secuencia de nm eros en tero s S = {0,1,
2,3,
1}, al igual q u e el algoritm o co ng ruencial lineal.
Z 2 .7 .2 Algoritm o d e Blum , Blum y Sh u b 121
Si en el algoritm o congruencial cuadrtico a = \ ,b = 0 y c = 0 ,entonces se construye una
nueva ecuacin recursiva:
X+1 = (X 2)m o d (m)
/ = 0 ,1 ,2 ,3 .........n
La ecuacin anterior fu e propuesta po r Blum , Blum y Sh u b [2J com o un nuevo m to

do para generar nm eros que no tienen un com portam iento predecible.
2.3 P ro p ied ad es d e los n m ero s p seu d o aleato rio s entre 0 y 1

En la seccin anterior hablam os de cm o generar nm eros aleatorios usando diferentes
mtodos. Sin em bargo, de qu m anera se puede garantizar q ue tales nm eros son real
m ente aleatorios en tre 0 y 1?, cules son las caractersticas que los identifican?, cules son
sus parm etros? La respuesta a las preguntas anteriores es m u y im portante, dado q ue los
nm eros aleatorios sern utilizados e n la sim ulacin para generar los valores de cualquier
variable aleatoria. En gran m edida, conocer las propiedades q ue deben tener estos nm e
ros aleatorios garantiza una buena sim ulacin, po r ello, se enum eran a continuacin.
Media d e lo s aleatorios entre 0 y 1. En vista d e q ue estos nm eros deben te n e r la m is
ma probabilidad de presentarse, es preciso q ue su com portam iento m uestre una distri
bucin de probabilidad uniform e continua, con lm ite inferior cero y lm ite superio r uno.
La funcin de densidad de una distribucin uniform e e s la siguiente:
f{x) = !
b-o
28
azxzb;
en este caso,
a=0
b =1
2.3 Propiedades d e tos n m e ro s p seu d o aleatorios e n tre 0 y 1 |
Grficam ente se vera de la siguiente m anera:
Para o b tener la m ed ia de la distribucin m ultiplicam os la fun ci n de densidad po r x, y la

integram os en todo el rango de la m ism a distribucin de la sigu ien te m anera:
Sustituyendo los valores de a y b

fW -j
Por lo tanto, el valor esperado (es decir, la m edia de los n m e ro s aleatorios en tre 0 y 1) es
At = 0.5.
V arianza de los nm eros aleatorios. Partiendo de la m ism a distribucin uniform e c o n
tinua o btenem o s la varianza de la distribucin po r m edio de la ecuacin:
V(x) = a 2 = E (x 2) - fi 2
lo q ue nos da E{x2):
(x2)=a br -4a (x2)=^

3{b f- ah) l'
Al su stituir ten em o s que
(**)= 1
Por lo tanto,
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
Independencia. sta es una propiedad m u y im portante, e im plica q ue los nm eros alea

torios no deben te n e r correlacin entre s; es decir, deben ser independientes, de m anera
que puedan dispersarse uniform em ente dentro d e todo el espectro de valores posibles.
La fig ura 2.2a m uestra una grfica to talm en te dispersa en los valores posibles, y la figura
2 2 b presenta una acum ulacin de los valores en la parte central, lo cual quiere decir que
hay una correlacin entre los m ism os.
(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
2.4.1 Pru eb a d e m ed ias |
2 .4
P ru eb as e sta d stica s p ara los nm eros p se u d o aleato rio s

En la seccin 2.2 se presentaron diversos algoritm os para construir un conjunto r, pero
se es slo el prim er paso, ya que el conjunto resultante d ebe ser som etido a una serie de
pruebas para validar si los nm eros q ue lo integran son aptos para usarse en un estudio
de sim ulacin.
A continuacin se analizarn las pruebas estadsticas bsicas que se em plean gene
ralm ente para determ inar si un conjunto de nm eros pseudo aleatorios entre cero y uno
cum plen con las propiedades bsicas de indep end encia y uniform idad. El objetivo, en
otras palabras, es validar q ue el conjunto r realm ente est conform ado por nm eros alea
torios. Es im portante m encionar que las pruebas que se discutirn no son nicas; si desea
conocer otras, consulte Banks, Carson, Nelson y N ico l[1].
2.4.1 Prueba d e m edias

Una de las propiedades q ue deben cu m p lir los nm eros del conjunto r.,e s q u e el valor es
perado sea igual a 0.5. La prueba q ue busca determ inar lo anterior e s la llam ada prueba
de m edias,er\ la cual se plantean las siguientes hiptesis:
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:
Si el valor de r s e en cu entra entre los lim ites de aceptacin, concluim os q ue no se

puede rechazar q ue el conjunto r tiene un valor esperado de 0.5 con un nivel de aceptacin
de 1 - a .E n caso contrario se rechaza que el conjunto r. tien e un valor esperado de 0.5.
Para el clcu lo de lo s lm ites de acep taci n se u tiliza el estadstico m/2, el cual se
determ ina por m edio de la tabla de la distribucin norm al estndar (tam bin se puede
calcular dicho valor utilizando la fun ci n PROMEDIOA (o AVERAGE) m edia aritm tica
de Excel).
31
Ejem plo 2.11

Considere los 4 0 nm eros del conjunto r que se presenta a continuacin, y d eterm in e si
tienen un valor esperado de 1/2 con un nivel de aceptacin de 95 po r ciento.
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
El conjunto r contiene 4 0 nm eros, po r lo tanto, n = 40. Un nivel de aceptacin de

95% im plica q ue a = 5% . Enseguida procedem os a calcular el prom edio de los nm eros y
los lm ites de aceptacin:
1 n
40
7 = -r [0.04487 + 0.17328 + 0.57548 + 0.04901 + ...+ 0 .3 3 6 1 6 + 0.15885 + 0.37266 +

40
0.41453]
7 = 0.43250
L l'~ 2
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
S' ~ 2 + Z /2(v T 2 n ) ~ 2 + Z 05/2(\/T2(40)

Sf = 1 + (1.96)f ...-1 _ \ = 0.589461351
' 2
\v^2(40)/
Como el valor del prom edio: F = 0.43250 se encuentra en tre los lm ites d e aceptacin,
se concluye que no se pu ed e rechazar q ue el conjunto de 4 0 nm eros r tiene un valor es
perado de 0.5, con un nivel de aceptacin de 95 po r ciento.
2.4.2 Prueba d e varianza

Otra de la propiedades q ue d ebe satisfacer el conjunto r.,e s q ue sus nm eros teng an una
varianza de 1/12. La prueba q ue busca d eterm inar lo anterior es la prueba de varianza,q u e
establece las siguientes hiptesis:
H0: 0-2= 1/12
H yO -** 1/12
32
2 4 .2 Pru eb a d e v a ria n z a |
La p rueb a de varianza consiste en d eterm inar ia varianza de los n nm eros que co n

tiene el conjunto r , m ediante la ecuacin siguiente:
m = ,='
n -1
Despus se calculan los lm ites de aceptacin inferior y superior con las ecuaciones
siguientes:
2
//
_ â/2,n - 1
1 2 (n - 1)
2
LS
= ^ W 2'n_1
12 (n 1)
Si el valor de V[r) se en cu entra entre los lm ites de aceptacin, decim os q ue no se

puede rechazar q ue el conjunto r tiene una varianza de 1/12, co n un nivel de aceptacin
de 1 - a ;d e lo contrario, se rechaza q ue el conjunto r. tiene una varianza de 1/12.
Ejem plo 2.12
Realizar la prueba de varianza a los 4 0 nm eros r del ejem plo 2.11.
Considerando q ue n = 4 0 y a = 5% , procedem os a calcu lar la varianza de los nm e
ros, y los lm ites de aceptacin correspondientes:
40
5 > ,- n 2
V(r) = l='
n- 1
2 ^ - - 43250)2
40-1
V[r) = ^ [(0.04487 - 0.43250)2 + (0.17328 - 0.43250)2 + . . . + (0.37266 - 0.43250)2 +

(0 .4 1 4 5 3 -0 .4 3 2 5 0 )2]
V(r) = 0.08695062
i i
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
= * : a/2n: l = X \^ ?5* 39 = 2 36 543003 = 0.05054338

12(n - 1 )
12(39)
468
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
2.4.3 P rueb as d e uniform idad

Una de las propiedades m s im portantes que d ebe cum p lir un conjunto de nm eros r es
la uniform idad. Para com probar su acatam iento se han desarrollado pruebas estadsticas
tales co m o las p rueb as Chi-cuadrada y de Kolm ogorov-Sm irnov. En cualquiera de am bos
casos, para probar la uniform idad de los nm eros d e un conjunto r. es necesario form ular
las siguientes hiptesis:
H r ~ U ( 0,1)
H y no son uniform es
Vfeamos a continuacin cm o fun cio na cada una de estas pruebas.
2 4.3.1 Prueba Chi-cuadrada
La prueba Chi-cuadrada busca d eterm inar si los nm eros del conjunto r se distribuyen
uniform em ente en el intervalo (0,1). Para llevar a cabo esta prueba e s necesario d ivid ir el
intervalo (0,1) en m subintervalos,en donde es recom end able m = V. Posteriorm ente se
clasifica cada nm ero pseudo aleatorio del conjunto r.e n los m intervalos. A la cantidad
de nm eros r que se clasifican en cada intervalo se le deno m ina frecuencia observada (0 ; ),
y a la cantidad de nm eros r que se espera en co n trar en cada intervalo se le llam a fre
cuencia esperada (E ); te ricam en te, la r es igual n/m . A partir de los valores de Oj y E se
determ ina el estadstico
m ediante la ecuacin
o
m ( E .- Q )
E I;
Si el valor del estadstico Aês m e n o r al valor de tablas de X 2
a m_ v entonces no se
puede rechazar q ue el conjunto de nm eros r sigue una distribucin uniform e. En caso
contrario, se rech aza q ue r sigue una distribucin uniform e.
Ejem plo 2.13
Realizar la prueba Chi-cuadrada a los siguientes 100 nm eros de un conjunto r,c o n un n i
vel de confianza de 95 po r ciento.
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
la Chi-cuadrada ^ Q5 g= 16.9. En consecuencia, no se pu ed e rechazar que los n m e ro s r.

siguen una distribucin uniform e.
2.4.3.2 Prueba Kolm ogorov-Sm lrnov
Propuesta por Kolm ogorov y Sm irnov, sta es una prueba estad stica q u e tam b in nos
sirve para determ inar si un conjunto r cum ple la propiedad de uniform idad. Es recom en
d ab le ap licarla en co n ju n to s r pequeos, p o r e je m p lo , n < 20. El p ro ced im ien to es el
siguiente:
1. O rdenar de m enor a m ayor los nm eros del co n ju n to r .
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.
Ejem plo 2.14

Realizar la prueba Kolgom orov-Sm irnov, co n un nivel de confianza de 90% , al siguiente
conjunto r de 10 nm eros:
r = {0 .9 7 ,0 .1 1 ,0 .6 5 ,0 .2 6 ,0 .9 8 ,0 .0 3 ,0 .1 3 ,0 .8 9 ,0 .2 1 ,0 .6 9 }
El nivel de confianza de 90% im plica a = 10% .O rdenando los n m ero s r de m e n o r a
mayor, la secuencia es:
Q03
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:
Tabla 2.2 Clculos de la prueba Kolm ogorov-Sm irnov

3
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 | :
De acuerdo con la tabla de valores para la prueba Kolmogorov-Smirnov, el valor crtico

D01010 correspondiente a n = 10 es D01010 = 0.368, que resulta m e n o r al valor D = 1.04; por
lo tanto, se concluye que los nm eros del conjunto r no se distribuyen uniform em ente.
2 .4 .4 P rueb as d e ind ep end encia

Recuerde q ue las dos propiedades m s im portantes que deben satisfacer los nm eros de
un conjunto r son uniform idad e independencia. En la seccin anterior com entam os las
pruebas q ue buscan determ inar si los nm eros del conjunto r son uniform es. A continua
cin hablarem os de las pruebas estadsticas que tratan de corroborar si los nm eros en el
intervalo ( 0, 1 ) son independientes o, en o tras palabras, si parecen pseudo aleatorios.
Para p robar la independencia de los nm eros de un conjunto r. primero e s preciso
form ular las siguientes hiptesis:
H0:lo s nm eros del co n ju n to r son independientes
H y los nm eros del conjunto r no son independientes
2.4.4.1 Prueba d e corridas arrib a y ab ajo
El procedim iento de esta prueba consiste en determ inar una secuencia de nm eros (S)
que slo contiene unos y ce ro s,d e acuerdo co n una com paracin e n tre r y r.^ .Posterior
m ente se determ ina el nm ero de corridas observadas, CQ (una corrida se identifica com o
la cantidad de unos o ceros consecutivos). Luego se calcula el valor esperado, la varianza
del nm ero de corridas y el estadstico Z0, m ediante las ecuaciones:
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
O bserve q ue la secuencia S contiene n - 1 nm eros, en este caso 20. Esto se d ebe a

que el prim er nm ero r = 0 .8 9 no tie n e nm ero anterior co n el cual com pararlo. R ecu er
de q ue una co rrida se form a con unos consecutivos o ceros consecutivos. Por ejem plo los
prim eros dos ceros de la secuencia form an la prim er corrida, la cual se dice q ue tien e una
longitud de dos;el tercer nm ero de la secuencia, uno, form a la segunda corrida con longi
tud de u n o ;d esp u s siguen dos ceros, los cuales fo rm an la tercera corrida con longitud de
dos;despus sigue un uno, el cual fo rm a la cuarta co rrida con longitud de uno, etc.Siguiendo el proceso anterior se determ ina q ue el nm ero de corridas de la secuencia es C0 = 14.
Ejem plo 2.15
Realizar la prueba de co rrid as arriba y abajo con un nivel de aceptacin de 95% al siguien
te conjunto de nm eros r:
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
Realizarem os la asignacin de u no s y ceros po r rengln (o fila). Por lo tanto, la secu en

cia S es:
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
, _ ,16n - 29 _ 16(40) - 29 _ 6 788

c
90
90
C0 -M c0
Zo=
S ,
1 6 (4 0 )- 2 9
6.788
Com o el estadstico Z0 es m e n o r q ue el valor de tab la d e la norm al estn d ar para

Za/2 = Z 5%/2 = 1.96, se co ncluye q ue no se pu ed e rechazar que los nm eros del conjunto r.
son independientes. Es decir, de acuerdo con esta prueba, los nm eros son aptos para
usarse en sim ulacin.
Z 4 .4 .2 Prueba d e corridas arrib a y ab ajo d e la m edia
S procedim iento de esta prueba consiste en determ inar una secuencia de unos y ceros,
de acuerdo co n una com paracin en tre los nm eros del conjunto r. y 0.5. Posteriorm ente
38
2 4 .4 Pru eb as d e in d ep en d en cia
se determ ina el nm ero de corridas observadas, CQ, y los valores de nQy n y CQ es el n

mero de corridas en la secuencia, determ inado de la m ism a m anera q ue en la prueba de
corridas arriba y ab ajo ; n0 es igual a la cantidad de ceros en la secuencia, y n } es igual a la
cantidad de unos en la secuencia, cum plindose q ue n Q + n } = n . (Recuerde q ue una co
rrida se identifica com o la cantidad de unos o ceros consecutivos.) Luego se calcu la el va
lor esperado, la varianza del nm ero de co rrid as y el estadstico Z0 con las siguientes
ecuaciones:
= 2n0n ,(2 n 0n 1- n )
c
Z =
n * ( n - 1)
C0 - M r
Si el estadstico Z0 est fuera del intervalo: - z a s z0 s z ai se concluye q ue los nm eros

2
del conjunto r no son independientes. D e lo contrario no se puede rechazar que el co n

junto de r es independiente.
Considere la siguiente secuencia de 10 nm eros de un conjunto r:
r = {0 .6 7 ,0 .6 2 ,0 .0 5 ,0 .4 9 ,0 .5 9 ,0 .4 2 ,0 .0 5 ,0 .0 2 ,0 .7 4 ,0 .6 7 }
La secu encia de u no s y ceros se construye de la sigu ien te m anera: se asigna un uno
si el nm ero r es m ayor q ue o igual a 0.5. En caso contrario se asignar un cero. Sig uien
do esta regla, la secuencia de u no s y ceros es:
S = {1 ,1 ,0 ,0,1 ,0 ,0,0 ,1 ,1 }
El nm ero de corridas se determ ina de la m ism a m anera q ue en la prueba de corridas
arriba y abajo. En este caso se tien e q ue el nm ero de corridas de la secuencia S es CQ = 5.
Por otra parte, la secuencia tie n e 5 ceros y 5 unos, as q ue n Q= 5 y n 1 = 5.
Ejem plo 2.16
Realizar la prueba de corridas arriba y abajo, con un nivel de aceptacin de 95% , al si
guiente conjunto de nm eros 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
C a p tu lo 2 Nm eros p se u d o ale ato rio s
Construiremos la secuencia de unos y ceros por rengln quedando de la siguiente manera:

S = {1,0 ,0 ,1,0 ,1 ,1,1 ,0 ,1 ,0,0 ,1 ,1,0 ,1 ,0,0,1 ,0 ,0,1 ,0 ,0,0,
1 ,1 ,1 ,1 ,1 ,1 ,0 ,0 ,0 ,0 ,0 ,0 ,1 ,1 ,1 ,1 ,1 ,1 ,1 ,1 ,0 ,0 ,0 ,1 ,1 1
A partir de la secuencia anterior se determ ina q ue hay 21 corridas, 23 ceros y 27 unos.
Por lo tan to, CQ = 21, /70 = 23 y /i, = 27. A continuacin se presentan los clculo s del valor
esperado y de la varianza del nm ero de corridas:
* W
o
^
+1 =
2 (23) (27)
50
= 2n0r?,(2n0n , - n ) = 2 (23) (27) [2 (23) (27) - 50] = 12Q8542

c
n 2(n - 1 )
2 o= r f
0
c0
(50)2( 5 0 - 1)
= 21 ~ 2 5 3 4 = 1 2484146
12.08542
Como el valor d e Z 0 cae dentro del intervalo -1 .9 6 s Z 0 = -1 .2 4 8 4 1 4 6 2; 1.96, se dice

que no se pu ed e rechazar que los nm eros del conjunto r; son independientes con un n i
vel de confianza de 95% . D e acuerdo con esta prueba, el conjunto de n m e ro s r se pue
de u sa re n un estudio de sim ulacin.
Z 4 .4 .3 Prueba pker
Esta prueba consiste en visualizar el nm ero r con cinco decim ales (com o si fuera una m a
no del juego de pker, con 5 cartas), y clasificarlo como: to d o s diferentes (TD ), e xactam e n
te un par (1P), dos pares (2P), una tercia (T), una tercia y un par (TP), pker (P) y quintilla
(Q). Por ejem plo, si /. = 0.69651 se le clasifica com o par, porque hay dos nm eros 6. Ahora
bien, considerem os el caso de r. = 0.13031, el cual d ebe clasificarse com o dos pares (dos
nm eros 1 y dos n m e ro s 3). Finalm ente, r= 0.98898 d ebe clasificarse com o una tercia y
un par, p orque hay tre s n m ero s 8 y dos n m e ro s 9. La prueba p ker se pu ed e realizar
a n m ero s r co n tres, cu atro y cinco d ecim ales. Para r co n tre s d ecim ales slo h ay tres
categoras de clasificacin: todos diferentes (TD ), un par (1P) y una tercia (T). Cuando se
ODnsideran r con cuatro decimales se cuenta con cinco opciones para clasificar los nmeros:
todos diferentes (TD ), exactam ente un par (1P), dos pares (2P), una tercia (T) y pker (P).
Tabla 2.3 Prueba pker para nm eros con tre s decim ales
Categora
40
Probabilidad
Ei
Todos diferentes (TD)
0.72
0.72/7
Exactam ente un p ar (1P)
0.27
0.27/7
Tercia (T)
0.01
0.01/7
Tabla 2 .4 Prueba pker para nm eros con cuatro decim ales

Categora
Probabilidad
Ei
0.5040
0.5040n
Exactam ente un par (1P)
0.4320
0.4320/1
Dos pares (2P)
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
Todos d iferentes (TD)
0.3024
0.3024n
0.5040
0.5040/1
Dos pares (2P)
0.1080
0.1080/1
Una tercia y un p ar (TP)
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
c) Calcular el estadstico de la prueba

-
con la ecuacin
(E-O f
.
donde E es la frecu encia esp erad a de nm eros r en cada categora, y m representa la ca n

tidad de categoras o clases en las q ue se clasificaron los nm eros r, siendo m = 7, m = 5
y m = 3 los nm eros de categoras para la prueba pker con cinco, cuatro y tre s d ecim a
les, respectivam ente. Por ltim o:
d) Com parar el estadstico de x 2
Qcon X 2
a/n_}
Si x l es m enor q ue ^ m 1 , se d ice q u e no se puede rechazar la indep end encia de los n
m eros del conjunto r . En caso contrario la independencia de los nm eros del conjunto r
se rechaza.
Ejem plo 2.17

Realizar la prueba pker, con un nivel de aceptacin de 9 5 % ,a los siguientes 30 nm eros
entre cero y uno, con cinco decim ales.
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
Primero clasificam os cada nm ero del conjunto r, asignndole las claves q ue se

m encionaron antes. El resultado es el q ue se m uestra e n la tab la 2.6:
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:
Tabla 2.7 Clculos de la prueba pker

(/-0/>2
Categoras
*/
(0.3024) (30) = 9.072
0.12667
12
(0.5040)(30) = 15.12
0.64380
Dos pares (2P)
(0.1080) (30) = 3.24
0.01777
Una Tercia y un Par (TP)
(0.0090) (30) = 0.27
Tercia (T )
(0.0720)(30) = 2.16
1.56740
Pker (P)
(0.0045)(30) = 0.135
0.135
Q uintilla (Q)
(0.0001 )(30) = 0.003
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
Ejem plo 2.18

Realizar la prueba de series a los siguientes 30 nm eros, co n un nivel de confianza de 95
por ciento.
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)
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
Tabla 2.8 Clculos de la prueba de series

rv f t _ O .l2
Intervalo /
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
El valor de tab las y*
E. - n ~ 1 1
m
9
= 15.507 es m ayor q ue el error total de 7.935, po r lo cual no
0 .0 5 ,8
podem os rech azar la hiptesis de independencia.

45
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
E = (/i)(/3 )(/? a)'

E = (3)(0.7 - 0.6)(1 - (0.7 - 0.6)Y
(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
2 4 .4 Pru eb as d e ind ep end encU
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
Ejem plo 2.19

Realizar la prueba de huecos a los siguientes 30 nm eros, co n un nivel de co n fian za de
95% para el intervalo {a, fi) = (0 .8,1 .0 ).
0 .8 7 2
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
' ------------------------V -----------------------
10
El nm ero de ocurrencias de cada tam ao de hueco 0 (.,su correspondiente frecu en

cia esperada E y el clculo del estadstico de prueba se m uestran en la tabla 2.10.
Tabla 2.10 Ejem plo de la prueba de huecos
Tam ao del
hu eco /
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.
^----- = 2.5675 es m enor q ue el estads

^ podem os rechazar la hiptesis d e independen
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
5. G en ere la secuencia de aleatorios del generador congruencial x+1 = (71 x) m od(357)

con x0 = 167 y efecte lo q u e se indica:
a) Realice la prueba de co rrid as arriba y abajo.
b) Realice la prueba de corridas arriba y abajo de la m edia.
6. D eterm ine si la sigu ien te lista de 100 n m e ro s de 2 dgitos tie n e una distribucin u n i
frm e con un nivel de aceptacin de 90 po r ciento.
48
2 5 Pro b lem as | '
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
a) Calcule el error total existen te (C) entre lo real y lo terico.

b) Existe evidencia estadstica de falta de indep end encia de la secuencia de nm e
ros con un nivel de 90% de aceptacin?
22. Calcule la cantidad m nim a y m xim a de corridas q ue deben existir e n una secuencia
de 17 000 nm eros para concluir q ue son nm eros aleatorios co n un nivel de confian
za de 95 por ciento.
23. G en ere 100 nm eros pseudo aleatorios usando cualq uier hoja de clculo, y realice las
pruebas de corridas, uniform idad e independencia. Bajo este anlisis es posible c o n
siderar que el generador de nm eros aleatorios q ue tie n e la hoja de clculo usada es
confiable?
51
24. La siguiente tabla m uestra los resultados de la prueba de huecos co n

pus de clasificar los nm eros uniform es.
Tamao del hueco
Frecuencia observada
>3
25
Total
40
a = 0.1 des
a) Calcule el error total existente entre lo real y lo terico.

b) Se pu ed e considerar que esta m uestra e s pseudo aleatoria con un nivel de acep
tacin de 90 por ciento?
25. D eterm ine, m ediante la prueba de h ueco s,co n a = 0.5 y a = 0.8, si los 50 nm eros de
la tabla son independientes con un nivel de aceptacin de 90 po r ciento.
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
Definicin de variable aleatoria
3 .2
Tip o s de variables aleatorias
3 .3
Determ inacin del tipo de distribucin de un conjunto de datos
3 .4
3 .3 .1
Prueba Chi-cuadrada
3 .3 .2
Prueba de Kolm ogorov-Sm irnov
3 .3 .3
Prueba de Anderson-Darling
3 .3 .4
Ajuste de datos con Stat: :Fit
Generacin de variables aleatorias

3 .4 .1
Mtodo de la transfo rm ad a inversa
3 .4 .2
Mtodo de convolucin
3 .4 .3
Mtodo de com posicin
3 .4 .4
Mtodo de transform acin directa
3 .5
Expresiones co m u nes de algunos generadores de variables aleatorias
3 .6
Problem as
[ C a p tu lo 3 V ariables aleato rias
3.1 D efinicin d e v ariab le aleato ria

A lo largo de los captulos anteriores hem os m encionado q ue un m odelo de sim ulacin
p erm ite log rar un m ejo r entendim iento de p rcticam en te cualq uier sistem a. Para ello
resulta indispensable o b tener la m ejo r aproxim acin a la realidad, lo cual se consigue
componiendo el m odelo a base de variables aleatorias que interacten entre s. Pero, cmo
podemos d eterm inar q u tipo de distribucin tie n e una variable aleatoria? Cm o pode
m os usarla en el m odelo, una vez q ue conocem os su distribucin asociada? En este c a p
tulo com entarem os los m todos y herram ientas q ue pueden dar contestacin a estas
interrogantes clave para la generacin del modelo.
Podem os decir q ue las variables aleatorias son aquellas que tien en un co m p o rta
miento probabilstico en la realidad. Por ejem plo, el nm ero de clientes q ue llegan cada
hora a un banco d epend e del m om ento del da, del d a de la sem ana y de otros factores:
por lo general, la afluencia de clientes ser m ayor al m edioda q ue m u y tem prano po r la
m aana; la dem anda ser m s alta el viernes q ue el m ircoles; h abr m s clientes un da
de pago q ue un da norm al, etc. Dadas e sta s caractersticas, las variables aleatorias deben
cum plir reglas de distribucin de probabilidad com o stas:
la sum a de las probabilidades asociadas a to d o s los valores posibles de la variable

aleatoria x es uno.
La probabilidad de q ue un posible valor de la variables x se presente siem p re es
mayor q ue o igual a cero.
El valor esperado de la distribucin de la variable aleatoria es la m edia de la m is
ma, la cual a su vez estim a la verdadera m edia de la poblacin.
Si la distribucin de probabilidad asociada a una variable aleatoria est definida
por m s de un parmetro, dichos parm etros pueden obtenerse m ediante un e sti
mador no sesgado. Por ejem plo, la varianza de la poblacin a 2 puede ser estim ada
usando la varianza de una m uestra q ue es s 2. D e la m ism a m anera, la desviacin es
tndar de la poblacin, a , puede estim arse m ediante la desviacin estndar de la
m uestra s.
3.2 T ip o s d e v a ria b le s aleato rias

ft)dem os diferenciar las variables aleatorias de acuerdo con el tipo de valores aleatorios
que representan. Por ejem plo, si hablram os del nm ero de clientes q ue solicitan cierto
servicio en un periodo de tiem po determ inado, podram os en co n trar valores tales com o
0, 1 ,2 ,..., n ,e s decir, un com portam iento com o el q ue presentan las distrib uciones de pro
babilidad discretas. Por otro lado, si hablram os del tiem p o que tarda en ser atendida una
persona, nuestra investigacin tal vez arrojara resultados com o 1.54 m inutos, 0.028 horas
o 1.37 das, e s decir, un com portam iento sim ilar al de las distribuciones de probabilidad
continuas.Considerando lo anterior po dem os diferenciar e n tre variables aleatorias discre
tas y variables aleatorias continuas.
54
3.2 T ip o s d e variables ale a to ria s |
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
Algunas distribuciones discretas de probabilidad son la uniform e discreta, la de Bernoulli,

la hipergeom trica, la de Poisson y la binom ial (vea la fig ura 3.1). Podem os asociar a estas
u otras distribuciones de probabilidad el com portam iento de una variable aleatoria. Por
ejem plo, si nuestro propsito al analizar un m uestreo de calidad consiste en decidir si la
pieza bajo inspeccin es buena o no, estam o s realizando un experim ento con dos posibles
resultados: la pieza es buena o la pieza es mala. Este tipo de com portam iento est asocia
do a una distribucin de Bernoulli. Por otro lado, si lo que querem os es m odelar el nm ero
de usuarios q ue llam arn a un telfono de atencin a clientes, el tipo de com portam ien
to pu ed e llegar a parecerse a una distribucin d e Poisson. Incluso podra o currir q ue el
com portam iento de la variable no se pareciera a otras distribuciones de probabilidad co
nocidas. Si ste fuera el caso, es perfectam ente vlido usar una distribucin em prica que
se ajuste a las cond icio nes reales de probabilidad. Esta distribucin puede ser una ecua
cin o una sum a de trm ino s que cum plan co n las condiciones necesarias para ser co nsi
deradas una distribucin de probabilidad.
D istrib u ci n b in o m ial (A/ = 5, p = 0 .5 )

P ix )
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
Variables aleatorias continuas. Este tipo de variables se representan m ediante una

ecuacin q ue se conoce com o funcin de densidad de probabilidad. D ada esta condicin,
cam biam os el uso de la sum atoria po r la de una integral para co no cer la funcin acum u
lada de la variable aleatoria. Por lo tanto, las variables aleatorias continuas deben cum plir
b s siguientes parm etros:
55
| C a p tu lo 3 V ariables ale ato rias
P [x )> 0
P {x = a) = 0
co
| f(x ) = 1
-c o
P {a < x < b ) = P { a < x < b ) =
f(x )
Entre las distribuciones de probabilidad tenem o s la uniform e co ntinu a, la e xp o n en

cial, la norm al, la de W eibull, la Chi-cuadrada y la de Erlang (vea la fig ura 3.2). Al igual que
en el caso de las distribuciones discretas, algunos procesos pueden ser asociados a cier
tas distribuciones.
D istrib u ci n 2-Erlang co n m edia 10
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 D eterm inacin del tipo de distribucin de un conjunto de datos

La distribucin de probabilidad de los datos histricos puede determ inarse m ediante las
pruebas Chi-cuadrada, de Kolm ogorov-Sm irnov y de Anderson-Darling. En esta seccin se
56
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.
3.3.1 Prueba Chi-cuadrada

Se trata de una prueba de hiptesis a partir de datos, basada en el clculo de un valor lla
m ado estadstico de prueba, al cual suele com parrsele con un valor conocido com o valor
crtico, m ism o q ue se obtiene, generalm ente, de tablas estadsticas. El procedim iento ge
neral de la prueba es:
1. O btener al m eno s 30 datos de la variable aleatoria a analizar.
2. Calcular la m edia y varianza de los datos.
3. Crear un histogram a de m = V i? intervalos, y obtener la frecu encia observada en
cada intervalo Or
4. Establecer exp lcitam ente la hiptesis nula, proponiendo una distribucin de pro
babilidad q ue se ajuste a la form a del histogram a.
5. Calcular la frecuencia esperada, .,a partir de la funcin de probabilidad propuesta.
6. Calcular el estadstico de prueba:
/=!
7. D efinir el nivel de significancia de la prueba, a , y determ inar el valor crtico de la

prueba, X am_k_} (k es el nm ero de parm etros estim ado s en la distribucin pro
puesta).
8. 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.
Ejem plo 3.1
stos son los datos del nm ero de autom viles que entran a una gasolinera cada hora:
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
Determ inar la distribucin de probabilidad con un nivel de significancia a de 5 po r ciento.

El histogram a (vea la fig ura 3.3) de los n = 50 datos, considerando m = 11 intervalos,
la m edia m uestral de 15.04 y la varianza m uestral de 13.14, perm iten establecer la siguien
te hiptesis:
Hq: Poisson (A = 15) autom viles/hora
H } : Otra distribucin
57
H istogram a
12
A utom viles/h
Figura 3.3
Histograma de frecuencias
de la llegada de automviles
a la gasolinera
Com enzam os po r calcular la probabilidad de cada intervalo a partir de la fun ci n de

probabilidad de Poisson:
x 0 ,1 ,2 ,
i e x p -1 5
p (x ) = ^
x = 0 ,1 ,2 ,
Por ejem plo, para el intervalo 8-9

ic8p -15
p ( x = 8 ,9 ) =
1*;9p-15
= 0 .0 5 1 9
Enseguida calculam os la frecu encia esperada en cada intervalo, m ultiplicando la pro

babilidad p {x ) por el total de datos de la m uestra:
E = n p {x)
E = 5 0 p (x )
Y luego estim am os el estadstico de prueba:
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
A partir de los clculos anteriores se o btien e la tab la 3.1.

58
3.3.2 Pru eb a d e Ko lm o g o ro v-S m irn o v J '
Tabla 3.1 Clculos para la prueba Chi-cuadrada

Intervalo
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.
3 .3.2 Prueba d e Kolm ogorov-Sm irnov

Desarrollada en la dcada de los tre in ta del siglo XX,esta prueba perm ite al igual q ue la
prueba Chi-cuadrada d eterm inar la distribucin de probabilidad de una serie de datos.
Una lim itante de la prueba de Kolm ogorov-Sm irnov estriba en q ue solam ente se puede
aplicar al anlisis de variables co ntinu as. El procedim iento general de la prueba es:
1. O btener al m eno s 30 datos de la variable aleatoria a analizar.
2. Calcular la m edia y la varianza de los datos.
3. Crear un histogram a de m = V n intervalos, y obtener la frecu encia observada en
cada intervalo Or
4. Calcular la probabilidad observada en cada intervalo PO = O.Jn,e s to es, dividir la
frecuencia observada Of. entre el nm ero total de datos, n.
5. Acum ular las probabilidades PO para obtener la probabilidad observada hasta el
59
i-sim o intervalo, POA.

6. Establecer explcitam ente la hiptesis nula, proponiendo una distrib uci n de pro
babilidad q ue se ajuste a la form a del histogram a.
7. Calcular la probabilidad esperada acum ulada para cada intervalo, PEAt a partir de
la fun ci n d e probabilidad propuesta.
C = m x \PEA- POA\
i = 1 ,2 ,3 ,
...,m
9. D efinir el nivel de significancia de la prueba a , y d eterm inar el valor crtico de la

prueba, Daji (consulte la tabla de valores crticos de la prueba de Kolm ogorovS m irn o ve n la seccin de apndices).
m enor q u e el valor crtico no se pu ed e rechazar la hiptesis nula.
Ejem plo 3.2
Un estudio del com portam iento del tiem p o entre roturas de cierto filam ento, m edido en
m inutos/rotura, se m uestra a continuacin:
433
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
Determ inar la distribucin de probabilidad con un nivel de significancia a- de 5 po r ciento.

El histogram a (vea la fig ura 3.4) de los n = 50 datos con m = 8 intervalos, la m edia
m uestral de 4.7336 y la varianza m uestral de 12.1991 perm iten estim ar un parm etro de
form a de 1.38 y un parm etro de escala de 5.19, y establecer la hiptesis:
Hq: W eibull (**= 1 .3 8 ,/3 = 5.19) m inutos/rotura
H y Otra distribucin
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
del tiem po entre roturas
3.3.2 Pru eb a d e Ko lm o g o ro v-S m irn o v J '
Iniciam os el procedim iento calculando la probabilidad observada en cada intervalo:

n0 =_ ^
, =
_ , =
_ 1
f 12
2 13 ?9 6 6 2 1
I1!
1 n
50
150' 5 0 ' 5 0 ' 5 0 ' 5 0 ' 5 0 ' 5 0 ' 50J
para despus calcu lar la probabilidad observada acum ulada hasta el intervalo /.
S o ,.
S o , . _ (1
f1 2 25 34 4 0 4 6 4 8 4 9 501
P A =
- 50 _ 1 5 0 ' 5 0 ' 5 0 ' 5 0 ' 5 0 ' 5 0 ' 5 0 ' 50 J
n ,-n
n
{a 2 4 ' a 5 0 .......... 1}
Posteriorm ente calculam os la probabilidad esperada acum ulada de cada intervalo

PEA a partir de la fun ci n de probabilidad acum ulada deW eibull:
F {x ) = j
dx
F [x ) = 1 - e-[p)a
I
F {x ) = 1
\13B
9)
Por ejem plo, para el intervalo co n el lm ite superior de 8:

PEAa = F (x ) = 1 - e - ls ig )1*6 = 0.8375
Por ltim o, calculam os el estadstico de prueba
c = m x |POA - PFA\ = m x {|0 .2 4 - 0.23531, |0.50 - 0 .5 0 2 5 1,. . . , |1 - 11} = 0.0375
A partir de los clculos anteriores se o btien e la tab la 3.2:
Tabla 3.2 Clculos para la prueba de Kolm ogorov-Sm irnov
Intervalo
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.
3.3.3 Prueba d e A nderson-D arling

Dada a co n o ce r en 1954, esta prueba tie n e com o propsito co rro b o rar si una m uestra
de variables aleatorias pro viene de una poblacin con una distribucin de probabilidad
especfica. En realidad se tra ta de una m odificacin de la prueba de Kolm ogorov-Sm irnov,
aunque tiene la virtud de detectar las discrepancias en los extrem os de las distribuciones.
La principal desventaja de la prueba de A nderson-D arling estriba en q ue es necesario
calcular los valores crticos para cada distribucin. La prueba es m u y sensible en los extre
m os de la distribucin, po r lo q ue d ebe ser usada co n m ucho cuidado en distribuciones
con lm ite inferior acotado, y no es confiable para distribuciones de tipo de discreto. Ac
tualm ente es posible encontrar tablas de valores crtico s para las distribuciones norm al,
lognorm al, exponencial, log-logstica, de W eibull y valor extrem o tipo I. El procedim iento
general de la prueba es:
1.
2.
3.
4.
5.
O b tener n datos de la variable aleatoria a analizar.

Calcular la m edia y la varianza de los datos.
i = 1 ,2 , .. . , n
O rganizar los datos en fo rm a ascendente: Y
O rdenar los datos en form a d escend ente: Yn+} _ i = 1 , 2 , . . n
Establecer explcitam ente la hiptesis nula, proponiendo una distribucin de pro
babilidad.
6 . Calcular la probabilidad esperada acum ulada para cada nm ero Y, P EA iY J, y la
probabilidad esperada acum ulada para cada n m e ro ,PEA{Yn^} y),a partir de la fu n
cin de probabilidad propuesta.
A2 = -
n + l ^ ( 2 i - : ) [ : n P E A ( Y i) + 1n(1 - PEA (yn+1_ ; ) ]

n m 1
8. A justar el estadstico de prueba de acuerdo co n la distribucin de probabilidad
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).
m enor q ue el valor crtico no se pu ed e rechazar la hiptesis nula.
62
3.3.3 Pru eb a d e A n d erso n-D arling |
Tabla 3 .3 Estadsticos de prueba y valores crticos para la prueba de Anderson-Darling

Valores crticos a
Estadstico d e prueba
ajustado
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
+ *
Ejem plo 3.3

Los siguientes son los datos de un estudio del tiem po de atencin a los clien tes e n una
florera, m edido en m inutos/cliente:
9.400
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
Determ inar la distribucin de probabilidad con un nivel de significancia a de 5 po r ciento.

El histogram a (vea la fig ura 3.5) de los n = 50 datos, considerando m = 10 intervalos,
la m edia m uestral de 9.786 y la varianza m uestraI de 5.414 perm iten establecer la siguien
te hiptesis nula:
Hq: N orm al (1// = 10, < 7 = 2.0) m inutos/cliente
H y: Otra distribucin
En la tab la 3.4 se m uestran los resultados de los clculo s de cada uno de los pasos del
procedim iento siguiente:
En la colum na C1 se ordenaron los datos Y

i = 1 ,2 , .. . , 30 en fo rm a ascendente.
En la co lu m n a C 2 se organizaron los datos V'30+1+
/ = 1 , 2 , . . . , 30 en fo rm a des
cendente.
En la colum na C 3 se calcula la variable auxiliar 2 - 1
/ = 1,2, ...,3 0 del estadstico
de prueba.
En las colum nas C4 y C5 se calcula la probabilidad esperada acum ulada para cada
nm ero Y.: PEA iYJ de la colum na C1, y el com plem ento de la probabilidad espe
rada acum ulada para cada nm ero Yn + }: 1 - P E A {Y ^ _ ) de la co lum na C2 a par63
H istogram a
n
M inutos/cliente
Figura 3.5
del tiempo de servicio
en la florera
tir de la fun ci n de probabilidad propuesta, q ue en este ejem plo es una norm al

( 10 , 2 ).
Tom ando, por ejem plo, el rengln /' = 7 co n Y7 = 7.8266 de la co lu m n a C1 y Y2A =

10.0562 de la co lum na C2, y estandarizando am bos valores
zfe7=
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
se en cu en tra la probabilidad acum ulad a en la tab la norm al estnd ar. D e esta fo rm a te

nem os una PEA? = 0.1385 para z = -1 .0 8 6 7 y, para z = 0.0285 una PEA24 = 0.5112 y 1 PEA2A = 0.4888.
En las co lum nas C 6 ,C 7 y C 8 se desglosan los clculos del estadstico de prueba:
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
3.3.3 Pru eb a d e A n d erso n-D arling |
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
Replanteando una nueva hiptesis:

Hq: N orm al (1//x = 9.604, a = 2.0) m inutos/cliente
H y Otra distribucin
65
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
Con estos valores se encuentra la probabilidad esperada acum ulada en la tabla n o r

mal estndar: a z = -0.8887 le corresponde PEA? = 0.18707, y a z = 0.2261 PEA24 = 0.5894
y 1 - P E A 24 = 0.4106.
Calculando de nuevo el estadstico de prueba:
1
n + - 2 ( 2 - 1 ) [ ln P M ( y ;) + ln(1 - P^(yn+1 _ ,) ]
" - i
A l..
30
Al
30 + ^ 2 ( 2' /1
Al
30 + ( 1 ) [ - 3.749 - 3.6218] + ( 3 ) [ - 3.5961 - 3.6218] + . . . +
1 )['n P^(y.) + ln(1 - P M (/ n+1_ ) ]
(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.
Tabla 3.5 Clculos de la segunda hiptesis en la prueba de Anderson-Darling

C1
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
3.3.4 A ju ste d e d a to s co n S ta t: :Fit |
Tabla 3.5 (Continuacin)

5
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
______
3 .3.4 A juste d e d ato s con Stat: :Fit

La herram ienta Stat: :Fit de ProModel se utiliza para analizar y determ inar el tipo de distribu
cin de probabilidad de un conjunto de datos. Esta utilera perm ite comparar los resultados
entre varias distribuciones analizadas m ediante una calificacin. Entre sus procedim ientos
em plea las pruebas Chi-cuadrada; de Kolm ogorov-Sm irnov y de Anderson-Darling. Ade
ms calcula los parm etros apropiados para cada tipo de distribucin,e incluye informacin
estadstica adicional com o m edia, m oda, valor m nim o, valor m xim o y varianza, entre
otros datos. Stat: :R t se puede ejecutar desde la pantalla de inicio de ProModel, o bien desde
el com ando Stat: :Fit del m en Tools (vea la fig ura 3.6).
67
ins.t< 3ll m o d p l p<3ckc3QE>
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
3.3.4. A ju ste d e d a to s co n S ta t: :Fit |
Ejem plo 3.4

Los datos del nm ero de autom viles q ue entran a una gasolinera por hora son:
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
D eterm inar la distribucin de probabilidad co n un nivel de significancia a de 5 por

ciento.
Despus de introducir estos datos e n Stat: :Fit, despliegue el m en Statistlcs y selec
cione el com ando Descriptlve. Enseguida aparecer una nueva ventana con el nom bre
de Descriptive Statistics, en d ond e se m uestra el resum en estadstico de la variable (vea la
figura 3.8).
S t a t ::F it
D o c u i" c r .t 1
File Ed.t !np S S - Jlc to l l j '

d
& 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
Para d eterm inar el tipo de distribucin de probabilidad de los d ato s,seleccio ne el c o

m ando AutoFit del m en Fit en la pantalla principal de Stat: :Fit. A continuacin se des
plegar un cuadro dilogo sim ilar al q ue se ilustra e n la fig ura 3.9, e n el cual se tie n e que
seleccio n ar el tipo d e distrib uci n q ue se desea probar, si dicha d istrib uci n e s no aco
tada en am bos extrem os (unbounded), o si el lm ite inferior est acotado; en e ste ltim o
caso se pu ed e aceptar la propuesta de q ue la cota del lm ite inferior sea el dato m s pe
queo de la m uestra (low er b o u n d ),o seleccionar explcitam ente otro valor com o lm ite
inferior (assigned bound). Para este ejem plo seleccionam os una distribucin de tipo dis
creto: cfiscrete d istrib u tio n sy a q ue los datos de la variable aleatoria [autom viles/hora]
tienen esa caracterstica.
69
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
3.3.4. A ju ste d e d a to s co n S ta t: :Fit |
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
Ejem plo 3.5

stos son los datos de un estudio del tiem p o de atencin a los clientes en una florera, m e
dido en m inutos/cliente:
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
D eterm inar la distribucin de probabilidad con un nivel de significancia a de 5 por

ciento.
Dadas las caractersticas de la variable aleatoria a analizar, al desplegarse el cuadro de
dilogo A u to ::F it (vea la figura 3.9) debem o s activar la opcin continuous distributions.
El resum en de resultados q ue se ilustra en la figura 3.12 indica que la m uestra puede pro
venir de cualq uiera de las cuatro distribuciones listadas, resultado q ue coincide co n el
anlisis ejem plificado previam ente en la prueba de Anderson-Darling acerca de la norm a
lidad de los datos.
En la ventana Com parison Graph puede com pararse la fo rm a de la distribucin nor
mal (verde) y lognorm al (roja) propuestas po r Stat: :Fit, y la diferencia respecto del histo
gram a de frecuencias de la m uestra.
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
G en eraci n d e v a ria b le s aleato ria s

La variabilidad de eventos y actividades se representa a travs d e fu n cio n e s de densidad
para fen m enos continuos, y m ediante distrib uciones de probabilidad para fenm enos
de tipo discreto. La sim ulacin de estos eventos o activid ades se realiza con la ayuda de
la generacin de variables aleatorias.
Los principales m todos para generar las variables aleatorias son:
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.
3.4.1 M todo d e la transform ad a inversa

0 m todo de la transfo rm ad a inversa pu ed e utilizarse para sim ular variables aleatorias
o^ntinuas, lo cual se logra m ediante la fun ci n acum ulada f{x ) y la generacin de nm e
ros pseudoaleatorios r ~ U{0 ,1 ). El m todo consiste en:
1.
2.
3.
4.
72
D efinir la fun ci n de densidad F {x ) q u e represente la variable a m odelar.

Calcular la fun ci n acum ulada F{x).
D espejar la variable aleatoria x y obtener la fun ci n acum ulada inversa F{x)~} .
G enerar las variables aleatorias x, sustituyendo valores co n nm eros pseudoalea
torios r ~ U {0 ,1) en la fun ci n acum ulada inversa.
3.4.1 M to d o d e la tran sfo rm ad a inversa |
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
Esquematizacin del mtodo de la transformada inversa para variables continuas
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
Esquematizacin del mtodo de la transformada inversa para variables discretas

73
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
Igualando la funcin acum ulada F {x ) con el nm ero pseudoaleatorio r ~ U{0 ,1 ), y despe

jando x se obtiene:
x. = o + (b-a)F(x).
x = o + (b - o )r .
Ejem plo 3.6

La tem peratura de una estufa se com porta uniform em ente dentro del rango de 95 a
100C. Una lista de nm eros pseudoaleatorios y la ecuacin x= 95 + 5r nos perm iten m o
delar el com portam iento de la variable aleatoria q ue sim ula la tem peratura de la estufa
(vea la tabla 3.6).
Tabla 3.6 Sim ulacin de las tem peraturas de una estufa

M edicin
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
se o btien e la funcin acum ulada

F(x) = J \e~ d x
0
74
1 - e_A'
para
x >0
Igualando la funcin acum ulada F {x ) con el nm ero pseudoaleatorio r ~ 1/(0,1), y

despejando x se obtiene:
X; = - i ln(1 - F { x ) .)
x = ~ \
ln(1 -r)
Ejem plo 3.7

Los datos histricos del tiem po de servicio en la caja de un banco se com portan de form a
exponencial con m edia de 3 m inutos/cliente. U na lista de nm eros pseudoaleatorios
r ~ U{0 ,1 ) y la ecuacin generadora exponencial x = -3ln(1 - r) nos perm iten sim ular el
com portam iento de la variable aleatoria (vea la tabla 3.7).
Tabla 3.7 Sim ulacin del tiem p o de servicio en la caja de un banco

Tiem po d e servicio (mln)
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
se calculan las probabilidades para x = 0 y x = 1, para obtener

X
P(X)
1-p
Acum ulando los valores de p [x ) se obtiene:

X
P(X)
1-p
75
Generando nm eros pseudoaleatorios r. ~ 1/(0,1) se aplica la regla:
*/ =
si
r . e ( 0 ,1 - p )
x =0
si
r e (1 - p , 1)
x= 1
Ejem plo 3.8

Los datos histricos sobre la frecuencia de paros de cierta m quina m uestran q ue existe
una probabilidad de 0.2 de q ue sta fa lle ( x = 1), y de 0.8 de q ue no fa lle ( x = 0) en un da
determ inado. G enerar una secu encia aleatoria q ue sim ule este com portam iento.
A partir d e la distribucin de probabilidad de la variable aleatoria de Bernoulli con
m edia 0.8,
P (x) = (O ^ O .S )1-*
para
x = 0,1
se calculan las probabilidades puntuales y las acum uladas para x = 0 y x = l , y s e obtienen

los datos ilustrados en la tab la 3.8:
Tabla 3.8 Clculo de las probabilidades acum uladas
de las fallas de la m quina del ejem plo 3.8
X
P(X)
0.8
0.2
P[X)
0.8
La regla para generar esta variable aleatoria estara dada por:

si
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:
siel nm ero pseudoaleatorio es m enor q ue 0. 8, la m quina no fallar, y

siel nm ero pseudoaleatorio es m ayor q ue 0.8, o currir la falla (vea la tabla 3.9).
Tabla 3.9 Sim ulacin de las fallas de la m quina
76
Da
*/
Evento:
la m quina
0.453
no falla
0.823
falla
0.034
no falla
0.503
no falla
0.891
falla
Ejem plo 3.9

El nm ero de piezas q ue entran a un sistem a de produccin sigue una distribucin de
Poisson con m edia de 2 piezas/h. Sim ular el com portam iento de la llegada de las piezas
al sistem a.
A p a rtir de la distribucin de probabilidad de la variable aleatoria de Poisson con
m edia 2,
p<x) = ^ x T
para
x = 0 - 1' 2' 3' -
7xe~2
p { x ) =
para
x = 0 , 1 ,2 ,3 ,...
se calculan las probabilidades puntuales y las acum uladas para x = 0 , 1 , 2, . . . , y se obtie

nen los datos de la tab la 3.10.
Tabla 3.10 Clculo de las probabilidades acum uladas para el ejem plo 3.9
X
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

0
1
2
3
4
5
6
7
8
9
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
Con una lista de n m e ro s pseudoaleatorios r ~ 1/(0,1) y la regla a n te rio r es posible

sim ular la llegada de las piezas al sistem a de produccin, con los resultados consignados
en la tabla 3.11.
Tabla 3.11 Sim ulacin de la llegada de piezas al sistema,
con variables aleatorias de Poisson
Hora
Plezas/h
0.6754
0.0234
0.7892
0.5134
0.3331
Ejem plo 3.10

La tabla siguiente m uestra la dem anda diaria de cepillos dentales en un superm ercado.
Simular el comportam iento de la demanda mediante el mtodo de la transform ada inversa.
Da
D em anda
A partir de la inform acin histrica se calculan las probabilidades p u n tu ales y las

acum uladas para x = 0 ,1 ,2 ,3 (vea la tabla 3.12).
Tabla 3.12 Clculo de las probabilidades acum uladas
para el ejem plo 3.10
x
p {x )
P [x )
0.1111
0.1111
0.2222
0.3333
0.3333
0.6666
0.3333

0
1
*; = 2
.3
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 |
Tabla 3 .1 3 Sim ulacin de la dem anda de cepillos dentales
D a
D em anda
diaria
,
0.213
0.345
0.021
0.987
0.543
3.4.2 M todo d e convolucin

En algunas distribuciones de probabilidad la variable aleatoria a sim ular, Y, pu ed e gene
rarse m ediante la sum a de o tras variables aleatorias X de m anera m s rpida q ue a travs
de otros m todos. Entonces, el m todo de convolucin se pu ed e expresar com o:
Y = X} + X 2 + . . . + X k
Las variables aleatorias d e cuatro de las distrib uciones m s conocidas (de Erlang, n o r
mal, binom ial y de Poisson) pueden ser generadas a travs de este m todo, com o se ver
a continuacin.
Distribucin de Erlang
La variable aleatoria /(-Erlang con m ed ia 1/A puede producirse a partir de la generacin
de k variables exponenciales con m edia 1/k\\
Y = X } + X 2+ ... + X 4
y = ~cAln(1 - r , ) - /cAln(1 ~ r2>~
Y=
ln(1 - r *)
[ln(1 - r ,) + ln(1 - r2) + . . . + ln(1 - rkj]
V '= - [ 'r ( (1 - r , )(1
. . . (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)
Despejando X,te n e m o s que

12
x= N t=
80
(r) - 6
a+
1 4 .2 M to d o d e co n v o lu ci n |
Ejem plo 3.12

El volum en de lquido de un refresco sigue una distribucin normal con m edia de 12 o n
zas y desviacin estndar de 0 .4 onzas. G enerar 5 variables aleatorias con esta distribucin
para sim ular el proceso de llenado.
12
N; =
- e (T+ fA
7=1
N; =
(0 .4)+ 12
Tabla 3.15 Sim ulacin del volum en de llenado de refrescos

(ejem plo 3.12)
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
Distribucin binom ial

La variable aleatoria binom ial con parm etros N y p puede ser generada a travs de la su
m a de N variables aleatorias con distribucin de Bem oulli co n parm etro p.
Y = B = BE] + B E 2 + .. . + BE n ~ BI{N,p)
Ejem plo 3.13
Al inspeccionar lotes de tam ao N = 5, la probabilidad de q ue una pieza sea defectuosa
es 0.03. Sim ular el proceso de inspeccin para determ inar el nm ero de piezas defectuo
sas por lote.
Este proceso sigue una distribucin binom ial con N = 5 y p = 0 .0 3 , y ser sim ulado
m ediante la generacin de variables aleatorias de Bernoulli con p = 0.03, de acuerdo con
el procedim iento sealado en la seccin anterior, d ond e BE = 0 representa una pieza en
buen estado y BEj = 1 una pieza defectuosa. (O bserve los resultados en la tab la 3.16.)
0
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
3.4.3 M todo d e com posicin

0 m todo de com posicin conocido tam bin com o m todo m ixto perm ite generar
variables aleatorias x cuando stas provienen de una fun ci n de densidad f x que puede
expresarse com o la com binacin co nvexa de m distribuciones de probabilidad f{x ). En
tonces, la com binacin convexa se pu ed e expresar com o:
m
fM
f(x)lA(x)
donde:
si
1
si
$ A
Algunas de las distribuciones m s conocidas q ue pueden expresarse com o una co m

binacin convexa son: triangular, de Laplace y trapezoidal. El procedim iento general de
generacin es el siguiente:
1. Calcular la probabilidad de cada una de las distrib uciones f(x).
2 Asegurar q ue cada fun ci n f.(x) sea funcin de densidad.
3. Obtener, m ediante el m todo de la transform ada inversa, las expresiones para ge
nerar variables aleatorias de cada una de las distrib uciones f{x).
4. G enerar un nm ero pseudoaleatorio r que perm ita definir el valor d e lA{x).
5. Seleccionar la funcin generadora correspondiente a la fun ci n f.(x).
6. G enerar un segundo nm ero pseudoaleatorio r y sustituirlo en la funcin g enera
dora anterior para o b tener Y.
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
calcular la probabilidad de cada uno de los segm entos de la funcin
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 )
Expresando la fun ci n com o una com binacin convexa se obtiene:

m
2
H x ) = ^ i m /am = 2
/=!
/=!
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
Luego, despejando x y sustituyendo r en F{x) obtenem os:
a + (c - a ) V r
x=
b
(b - c ) V r ^
Por ltim o , al expresar la ecuacin an terio r in cluyend o la fun ci n in d icad o ra lA{x)

tenem os que:
(c - o )
a + (c - a ) V r
51
x=
b = )
(c - a )
b
( b
- c)
51
'l*
(b - a )
Ejem plo 3.14

Generar una m uestra de 5 variables aleatorias con distribucin triangular a partir de los
parmetros: valor m nim o 5, m oda 10 y valor m xim o 20.
(c - a )
a + (c - a ) V r
51
x=
b
(,b - c ) V w
{b = 7 T )
(c - q)
;
si
' j *
Sustituyendo <7= 5 ,c = 1 0 y b = 20 obtenem os:

84
( b - a )
3.4.4 M todo d e transfo rm aci n d ire c ta |
si
5 + (5 ) V )
X =
20
( io ) V T ^ .
SI
Al generar una secuencia de nm eros pseudoaleatorios se obtiene la secuencia de

variables triangulares q ue se lista en la tabla 3.17:
Tabla 3.17 Sim ulacin de variables aleatorias triangulares

x = 5 + 5 V r
Variable
1
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
3 .4.4 M todo d e transform acin directa

Utilizado para generar variables aleatorias norm ales, este m todo se basa en el teorem a
de Pitgoras. En la fig ura 3.15 se m uestra la relacin e n tre las variables involucradas en l.
Figura 3.15
Generacin de variables
aleatorias z ~ N(0,1)
Geom tricam ente,

z 2 = h sen 0
z2 =
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
3.5 Exp re sio n e s co m u n e s d e alguno s g enerad o res d e variab le s ale a to ria s |
De m anera q ue si producim os los nm eros pseudoaleatorios uniform es 0.43 y 0.75,

el volum en del lquido generado para alguna de las botellas sera:
N .=
[( V - 2ln(1 -
0.4 3) )sen(277(0.75))] (0.4) + 12 = 11.575 onzas
3.5 E x p re sio n e s co m u nes d e alg u n o s g en erad o res

de v a ria b le s aleato ria s
En la tabla 3.18 se presentan los generadores de variables aleatorias de las distribuciones
de probabilidad m s usuales.
Tabla 3.18 Generadores de variables aleatorias

Distribucin
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

D istribucin
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
3.5 Exp re sio n e s co m u n e s d e alguno s g enerad o res d e variab le s ale a to ria s |

Distribucin
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.
Paso 2 : Si la T ' = > e_A,e n to n c e s hacer

N = N + \, T = T , calcular o tro r
y regresar al paso 1.
Si V < e ~x,e n to n c e s la variable
generada est dada por: P . = N.
Para generar la sigu ien te variable de
Poisson, regresar a la fa se de
inicializacin.
89
[ C a p tu lo 3 V ariables aleato rias
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
2. A partir de la prueba Chi-cuadrada determ ine, co n un nivel de confianza de 90% , q u

tipo de distribucin siguen los datos.
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
3. D eterm ine,con un nivel de confianza de 90% , qu tipo de distribucin siguen los d a

tos; utilice la prueba Chi-cuadrada.
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
3.6 Pro b lem as | '
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
8. U tilice la prueba de Anderson-Darling para determ inar, con un nivel de confianza de

90%, q u tipo de distribucin siguen los datos.Com pruebe con Stat: :Fit.
-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
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
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
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
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
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
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
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-?
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.
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
'
tos; use la prueba de Kolm ogorov-Sm irnov y com pruebe con Stat: :Fit.
0
3
11
11
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
29. A partir de la prueba Chi-cuadrada, determ ine co n un nivel de confianza de 90% qu

tipo de distribucin siguen los datos.
2
0
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
qu tipo de distribucin siguen los d ato s.C o m pruebe con Stat: :Fit.
2
1
tos. Utilice la prueba de Kolm ogorov-Sm irnov y com pruebe con Stat: :Fit.
100
'
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-?
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).
39. G enere, m ed ian te el m todo de la transfo rm ad a inversa, 100 n m e ro s aleatorios

para la siguiente distribucin de probabilidad.
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
b) f { x) = 3 6 x2 e_12x>
c)
f { x) = 4 x 3e~xA
para
para
'
x >0
x >0
41. Genere, co n el m todo de la transfo rm ad a inversa, variables aleatorias con densidad

f{x) usando los nm eros aleatorios 0 .6 4 2 ,0 .2 2 5 ,0 .1 3 4 ,0 .1 7 6 ,0 .9 5 4 y 0.245.
3/4
0< x< 1
1/4
1 <!x< 2
f { x) =
42. O btenga el valor de la variable aleatoria que se generara m ediante el m todo de

com posicin al utilizar los nm eros aleatorios 0.5623 y 0.9825 co n la funcin de den
sidad siguiente:
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
1 < x < 3.828
b)fM =
para
7 < x < 13
c ) /(x) = | x
para
1 < x < 1.527
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
47. Utilizando cualquier hoja de clculo, g enere 100 variables aleatorias

a)
b)
c)
d)
exponencialm ente distribuidas co n A = 3.

norm alm ente distribuidas con m e d ia 10 y varianza 4.
uniform em ente distribuidas con lm ite inferior igual a 10 y lmite superior igual a 30.
triangularm ente distribuidas con lm ite inferior = 5, valor m s probable = 10 y l
mite superio r = 15.
e) con distribucin binom ial y parm etros N = 5, p = 0.3, q = 0.7.
f) con distribucin de Poisson, con A = 3.
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
Verificacin y validacin de los m odelos de sim ulacin

4.1.1
4.2
Sim ulaciones no term inales o de estado estable

4.2.1
4.3
Sim ulaciones term inales

Longitud de las rplicas
M odelos de sim ulacin

4.3.1
M odelos de una lnea de esp era co n un servidor
4 .3 .2
Modelo de un proceso de ensam ble e inspeccin
4.3.3
Modelo de un sistem a de inventarios
4 .4
Seleccin de len gu ajes de sim ulacin
4.5
Problem as
105
[ C a p tu lo 4 Sim ulaci n d e variables aleatorias
4.1 Verificacin y v a lid a ci n d e los m odelos d e sim ulacin

Gracias al avance tecnolgico, en la actualidad existen en el m ercado aplicaciones con interfases g rficas tan poderosas q ue perm iten a m uchos usuarios co n in clinacio n es t c
nicas desarrollar m odelos e n el rea de la sim ulacin. Por desgracia, en general dichos
usuarios aprenden a usar el lenguaje relacionado y m anejan algunos d e los conceptos b
sicos, pero ponen m u y poca atencin al anlisis correcto de los resultados. As, m uchos
estudios son interpretados de m anera errnea y e s m u y probable que conduzcan, en co n
secuencia, a m alas decisiones.
Entre otras, el fenm eno q ue acabam os de describir o curre po r razones co m o stas:
en prim er lugar, el falso sentido de seguridad q ue desarrolla el usuario por el sim ple hecho
de conocer el lenguaje utilizado en el rea; la facilidad de uso del softw are de sim ulacin
actual y su capacidad para desarrollar grficos y anim aciones y, sobre todo, la dificultad
im plcita en el anlisis estadstico de la inform acin. Es m u y com n encontrar personas
que despus de sim ular un sistem a estocstico aseguran de m anera bastante ingenua que
el resultado de la variable de respuesta es un valor nico por ejem plo, que el nm ero de
piezas que se acum ulan ante una m quina e st n slo el prom edio de la variable d e ja n
do de lado un com pleto anlisis estadstico de dicha variable. Para evitar q ue el lector se
convierta en uno de eso s usuarios, a continuacin se discutirn los aspectos m nim os que
deben cuidarse en el anlisis de las variables de salida.
Para em pezar debem os distinguir dos categoras en tre los m odelos de sim ulacin:
m odelos de categora term inal y m odelos no term inales o de estado estable. A co ntinu a
cin se explica esta clasificacin con m s detalle.
4.1.1 Sim u lacio n es term in ales

Los m odelos de tipo term inal tien en com o caracterstica principal la o currencia de un
evento que da por term inad a la sim ulacin. Un ejem plo sera el siguiente: digam os que
nos interesa conocer el tiem p o q ue llevara procesar un lo te de 10 piezas,el tiem p o reque
rido para vender 100 peridicos, o el nm ero de clientes q ue se atiende en una cafetera
entre las 8:00 y 9:00 a.m . El anlisis estadstico recom endado para este tipo de sim ulacio
nes involucra la utilizacin de intervalos de confianza y la determ inacin de la d istribu
cin de probabilidad de la variable de salida.
4 1.1.1 Intervalos d e confianza
Debido a la naturaleza aleatoria de los resultados de este tipo de m odelos, es necesario
determ inar su distribucin de probabilidad y su intervalo de confianza en las diferentes
rplicas. En la seccin 3.3 del captulo anterior se discute cm o obtener la distribucin de
probabilidad de una variable aleatoria; po r lo tanto, aq u nos ocuparem os de los in terva
los de confianza.
Si la variable aleatoria sigue una distribucin norm al, el intervalo de confianza est
dado por:
IC = x ~ y T (*0/2,r-1)
106
'
X +
(*0/2,^
4.1.1 Sim ulacio nes te rm in a le s | '
En caso de q ue la variable aleatoria siga otro tipo de distribucin, el intervalo de co n

fianza es relativam ente m s amplio, y se calcula com o:
IC = | x -
V ra /2
'
" ' V r a j2
En am bas ecuaciones:
r = Nmero de rplicas
a = Nivel de rechazo
' /=1
,1/2
Ejem plo 4.1

Los resultados de 10 rplicas de la sim ulacin de un sistem a de inventario prom edio en
un alm acn son 1 9 0 .3 ,1 8 4 .2 ,1 8 2 .4 ,1 9 5 .6 ,1 9 3 .2 ,1 9 0 .5 ,1 9 1 .7 ,1 8 8 .5 ,1 8 9 .3 ,1 8 8 .4 . D eterm i
nar el intervalo de confianza con un nivel de aceptacin de 95 po r ciento.
La m edia y la desviacin estndar de la m uestra son:
x = 189.41
s = 3.916
Bajo la prem isa de q ue el inventario prom edio sigue una distribucin norm al, el in
tervalo de confianza se calculara de la siguiente form a:
IC =
V r
IC = 189.41 - ^ H ( a25,9> -
189-4 1 + y =
(W
IC = 189.41 - ^ 4 ^ (2.685)
189.41 +
(2.685)
Vio
Vio
'
Vio
IC = [186.08 - 192.73] piezas prom edio en el alm acn

Si la variable aleatoria no fuera norm al, o si la suposicin de norm alidad se conside
rara inadecuada, el intervalo de confianza se calculara as:
IC = x -
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 ) .
IC = [181.57 - 197.24] piezas prom edio en el alm acn

En consecuencia, si la variable aleatoria sigue una distribucin norm al y realizam os
100 rplicas del experim ento, esperam os q ue el resultado de 95% de las m ism as se e n
cuentre en tre 186.08 y 192.73, a diferencia de lo q ue ocurrira en una variable no norm al,
en donde tras 100 rplicas del experim ento esperam os que 95% de ellas se encuentren
entre 181.57 y 197.24, lo cual im plica m ucho m eno s exactitud.
Ejem plo 4.2
Un cliente ha solicitado la entrega de un pedido de 100 artculos. Como analistas, deseam os
conocer un valor estim ado del tiem p o prom edio de en treg a del pedido, y un intervalo
de confianza co n un nivel de 90 po r ciento.
Toda vez q ue este problem a exig e una sim ulacin de tipo term inal, debem os desa
rrollar un m odelo y realizar suficientes rplicas independientes para o b tener la d istribu
cin de probabilidad y el intervalo de confianza que nos interesan. Con este propsito
realizam os 30 rplicas, obteniendo los siguientes resultados del tiem p o de entrega del
producto, m edido en das transcurridos desde la form ulacin del pedido.
9.57
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
En la fig ura 4.1 se m uestran el histogram a del tiem po de entrega y el resultado de la

prueba de bondad de ajuste.
f(x)
D istribucin p erso nalizad a
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)
Tom ando en cuen ta la evidencia estadstica de norm alidad, as co m o la m edia y la des

viacin estndar de la m uestra, calculam os el intervalo de confianza:
x = 7.14
s = 2.12
108
4 2 .1 Lo n g itu d d e las r p licas |
I C= 7 .1 4 -
V 3 (owo) ' 7'14 + V i o <fao5'3o)
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
Sim u lacio n es no term in ales o d e e sta d o estab le

A diferencia de los m odelos anteriores, las sim ulaciones no term inales o de estado esta
ble no involucran una ocurrencia en el tiem p o en q ue tengan que finalizar. Por ejem plo,
si deseram os co no cer el nm ero de m q uinas q ue deben instalarse en un sistem a de
produccin cuya operacin tie n e q ue m antenerse activa co ntinu am en te durante tod o el
ao, podram os m odelar el sistem a hasta q ue la variable de in ters llegara a un estado es
table. En este caso surge la necesidad de determ inar la longitud de la corrida para asegurar
la estabilizacin de los resultados del m odelo. Veam os cm o satisfacer d icho requisito.
4.2.1 Longitud d e la s rp licas

Para que el resultado de una variable aleatoria llegue al estado estable en una sim ulacin
no te rm in a le s necesario garantizar q ue la longitud de la rplica, n ,se a lo suficientem ente
grande para q ue la variacin e n tre rplicas no difiera de cierta exactitud, e , el 100(1 - a ) %
de las veces.
En caso de norm alidad el tam ao de corrida de la sim ulacin se calcula com o:
Ejem plo 4.3

D eterm inar la longitud de la rplica para estim ar, dentro de un rango de 2, el valor de
una variable normal con desviacin estndar 4 y un nivel de aceptacin de 5 po r ciento.
Solucin:
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
4 2 .1 Lo n g itu d d e las r p licas |
Rplica d e lo n g itu d 9920
105
103
101
99
Figura 4.3
97
95
1
1001
2001
3001
4001
5001
6001
7001
8001
9001

prom edio de la variable
aleatoria norm al;exactitud
deseada de 0.045o-
Ejem plo 4.5

Supongam os q u e la suposicin de norm alidad del ejem plo anterior no es vlida, y co n si
derem os la m ism a inform acin con n' = 1 0 y s = 13.21.La longitud de la rplica para estim ar
el valor de la variable dentro de un rango de 0.3 con un nivel de aceptacin de 90% es:
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
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-).
Ejem plo 4.6

Determ inar la longitud de la rplica para estim ar, dentro de un rango de 0.5 con un n i
vel de aceptacin de 90% , el valor prom edio de una variable co n a = 8. Se desconoce la
distribucin de probabilidad de la variable.
Solucin:
Ejem plo 4.7

Determ inar la longitud de la rplica, de m anera q ue el estim ado del valor prom edio de
una variable con distribucin de W eibull y desviacin estndar o no difiera en m s de 1/4
de la desviacin estndar, con un nivel de rechazo de 5 po r ciento.
Solucin:
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
4.3.1 M odelo d e un a lnea d e esp era co n un se rvid o r
10 rplicas d e va ria b le s ale ato rias W eibull

va lo res fin ale s m n im o 54.41, m x im o 54.57
Figura 4.5
aleatoria d e W eibuII; exactitud
deseada de 0.25o-
4.3
M odelos d e sim ulacin

Con el propsito de dar una idea de cm o desarrollar un m odelo de sim ulacin y de qu
m anera em p lear los co nceptos expuesto s a lo largo del presente captulo, a continuacin
se presentan algunos ejem plos program ados en un program a de h o ja de clculo.
4.3.1 M odelo d e una lnea d e espera con un servid o r

Ejem plo 4.8
El tiem po que transcurre en tre la llegada de ciertas piezas a una estacin de inspeccin
sigue una distribucin exponencial co n m edia de 5 m inutos/pieza. El proceso est a car
go de un operario, y la duracin de la inspeccin sigue una distribucin norm al co n m e
dia de 4 .0 y desviacin estndar de 0.5 m inutos/pieza. Calcular el tiem p o prom edio de
perm anencia de las piezas en el proceso de inspeccin.
Para solucionar el problem a anterior se debe:
1.
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
Tiem po en el sistem a d e inspeccin (7)
Entidades
Piezas
Eventos
Tiem po de llegada (2)

Fin de la inspeccin (5)
Evento secundario
Inicio de la inspeccin (3)
A ctividades
Tiem po e n tre llegadas (1)

Tiem po de inspeccin (4)
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)
El tiem po entre llegadas es una variable aleatoria, sim ulada utilizando el ge

nerador R A N D () o A LEA TO R IO () de la hoja de clculo de Excel y la funcin
generadora de variables exp o n enciales E = - 5 ln (l - r).
El evento tiem po de llegada de la pieza co rrespo nde al valor acum ulado de la
co lum na (1).
Tom ando en cu e n ta q ue solam ente existe un operario encargado de la tarea,
el inicio de la inspeccin puede o currir cuando la pieza entra al sistem a, en c a
so de q ue el operario est ocioso (2 ),o bien cuando term ina de inspeccionar
la pieza anterior (5).
El tiem po de inspeccin es una variable aleatoria norm al con m e d ia 4 y des
viacin estndar 0.5, generada m e d ian te la funcin interna norm al a cu m u
lada inversa (NORMINV o DISTNORMINV) y com o probabilidad el generador
de nm eros aleatorios R A N D () o A LEA TO RIO ().
El fin de la inspeccin se calcula sum ando el tiem p o de inspeccin (4) al tiem
po de inicio de la inspeccin (3).
La variable tiem po en inspeccin se calcula, finalm ente,co m o la diferencia en
tre el tiem p o de llegada (2) y el fin de la inspeccin (5).
Si bien no fo rm a parte del objetivo del ejem plo, tam bin es posible d eterm i
nar el tiem po de espera de una pieza antes de ser inspeccionada, ya q ue es
igual a la diferencia entre el tiem p o de inicio de inspeccin (3) y el tiem po de
llegada de la pieza (2).
Esta ltim a co lu m n a p erm ite calcular el tiem po prom edio de inspeccin c o
mo prom edio m vil: cada vez q ue una nueva pieza e s sim ulada, el tiem po
prom edio de inspeccin se recalcula.
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
4.3.1 M odelo d e un a lnea d e esp era co n un se rvid o r
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)
La grfica de estabilizacin q ue se obtuvo a partir de la co lum na 8 (Tiem po p ro m e

dio en inspeccin) se m uestra en la fig ura 4.6. D icha grfica nos indica q ue el tam ao de
la rplica es lo suficientem ente grande para asegurar la convergencia del resultado. Cabe
sealar q ue esta grfica de estabilizacin corresponde a una rplica diferente a la de la ta
bla de eventos.
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.
G rficas d e e sta b iliza ci n

R p lic a ! R p lic a 2
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
Al replicar el experim ento 50 veces se obtienen los resultados q ue se listan en la ta

bla 4.3. Para com prender el com portam iento de la variable es necesario analizar estad s
ticam ente esta inform acin.
Tabla 4.3 Resultados de 50 rplicas del experim ento

10.44
12.63
11.06
12.01
13.49
10.57
10.97
13.75
12.97
12.36
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
Media: 12.18 m inutos/pieza.

Desviacin estndar: 1.76 m inutos/pieza.
4.3.2 M odelo d e un p ro ce so d e e n s a m b le e in sp e cci n |
Intervalo de confianza co n 1 - a = 0.95: [11.66,12.69] m inutos/pieza.

Valor m nim o en la m uestra: 9.69 m inutos/pieza.
Valor m xim o en la m uestra: 17.09 m inutos/pieza.
Coeficiente de asim etra (skew ness): 0.08177.
Cu rto sis:-0 .0 71 .
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 )
Histograma de las rplicas

(obtenido con Stat: :Fit)
4.3.2 M odelo d e un p ro ceso d e ensam ble e inspeccin

Ejem plo 4.9
D os barras m etlicas de diferente longitud son unidas m ediante un proceso de soldadu
ra para form ar una barra de m ayor longitud. La longitud del prim er tipo de barra sigue
una distribucin uniform e entre 45 y 55 cm . La longitud del segundo tipo de barra sigue una
distribucin 4-Erlang con m e d ia de 30 cm . Las especificaciones del producto final son de
8010 cm . D eterm inar el porcentaje de barras fuera de especificacin.
Para la solucin del ejem plo se requiere:
Identificacin de los elem entos:
V ariable d e estado
Cantidad d e barras fuera d e especificacin
Entid ades
Barras
Evento
Com paracin co n tra especificaciones

0: Dentro de especificaciones
1: Fuera de especificaciones
A ctividades
M edicin de la longitud de la barra 1

M edicin de la longitud de la barra 2
Soldadura de las barras 1 y 2
117
Construccin de la tabla de eventos.
Tabla 4 .4 Relacin entre los elem ento s (ejem plo 4.9)

C
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
= IF (F 6 < G 6 ,1 ,IF (F 6 > H 6 ,1 ,0 ))
= S U M ($ I $ 5 :I6 )/ C 6
H 3 0 / 4 )* L N (R A N D ()
=D 7+E7
70
90
= IF (F 7 < G 7 ,1 ,IF (F 7 > H 7 ,1 ,0 ))
= S U M ($ I $ 5 :I7 )/ C 7
H 3 Q / 4 )L N (R A N D 0
=D 8+E8
70
90
= IF (F 8 < G 8 ,1 ,IF (F 8 > H 8 ,1 ,0 ))
= 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 ))
= -(3 0 / 4 )-L N (R A N D < )
!
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.
Sim ulacin de sistem a.
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
4.3.2 M odelo d e un p ro ce so d e e n s a m b le e in sp e cci n |
Tabla 4.5 Sim ulacin del proceso (en Excel)
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
Construccin de la grfica de estabilizacin.
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.
G rfica d e e stab iliza ci n
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.
Al replicar el experim ento 4 2 veces, m odificando slo la secuencia de nm eros pseu

do aleatorios, se obtienen los resultados de la tab la 4.6.
Tabla 4.6 Resultados de 4 2 rplicas del experim ento

0.50
0.52
0.50
0.51
0.51
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
Anlisis estadstico de la variable de estado:
El anlisis del resultado de las rplicas de la tabla 4 .6 realizado con ayuda de la he

rram ienta S ta t::F itd e ProM odel perm ite concluida travs de una prueba de bondad de
ajuste, q ue la Probabilidad de que un ensam ble e st fuera de especificaciones sigue una dis
tribucin de Erlang con estos parm etros: localizacin, 0, fo rm a 31.5, y escala, 0 .517 (vea la
figura 4.10).
P (Fuera d e e sp e cifica cio n e s)

0 .4 0 r
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)
Adem s, la variable de respuesta tien e los siguientes estadsticos:
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.
4 .3 .3 M odelo d e un sistem a d e in ve n tario s | _ j
Coeficiente de asim etra: -0.124.

Cu rtosis: 0.014.
4.3.3 M odelo d e un sistem a d e inventarios

Ejem plo 4.10
La dem anda de azcar en una tien d a sigue una distribucin exponencial con m edia de
100 kg/da. El dueo de la tien d a revisa el inventario cada 7 das, y hace un pedido a la
planta igual a la capacidad de la bodega m eno s la cantidad de azcar que tien e disponi
ble en e se m o m ento ; la entrega e s inm ediata. La dem anda no surtida po r falta de existen
cias representa ven tas perdidas. La capacidad de alm acen am iento de la bodega es de
700 kg. El costo de ordenar es de $1 000/orden. El costo de faltante es de $ 6/k g y el costo
de llevar el inventario es de $1/kg. D eterm inar el com portam iento del inventario a lo lar
go del tiem p o y el costo prom edio/da para un horizonte de dos m eses.
Para la solucin del ejem plo se requiere:
Identificacin de los elem entos:
Variable d e estado
Inventario en el alm acn
Entidades
Clientes
Evento
Dem anda
Ventas
Entrega de m aterial po r parte del proveedor
Actividades
Clculo d e los costos
Construccin de la tabla de eventos.
Tabla 4.7 Tablas de eventos para el ejem plo 4.10

9
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
(a) Relacin entre los elem entos

121
'
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:
B: Contador de los Das transcurridos.

C: En esta co lum na se sim ulan las Entregas de m aterial: cada siete das se restable
ce el inventario en un nivel de 700 kg. Los valores se calculan com o la d iferencia en
tre la Capacidad del alm acn y el Inventario final del da anterior. El uso de la funcin
residuo o m dulo (MOD) perm ite co ntrolar q ue la entrega se realice cada vez que
el Da (colum na B) sea m ltiplo de siete.
D: El Inventario a l inicio del da se calcula sum ando el Inventario final del da ante
rior y las Entregas de m aterial po r parte del proveedor.
E: La D em anda es una variable aleatoria con distribucin exponencial y m e d ia de
100 kg. Se sim ula m ediante el generador RAND( )o ALEATORIO() de la hoja de clcu
lo y la ecuacin generadora , = - 7 ln (1 - r)
122
F: Las Ventas representan la cantidad q ue le fu e entregada al cliente, y se calcula

como el valor m nim o en tre el Inventario a l inicio del da y la Demanda.
G : El Inventario a l final del da se calcula restando las Ventas (colum na F) del Inven
tario inicial del da (colum na D), verificando previam ente q ue no exista faltante.
H : En esta co lu m n a la fun ci n residuo o m dulo (MOD) perm ite increm entar en
$1 000 el Costo de ordenar cada v e z q ue llegue una orden a la tienda.
I: Se calcula el inventario prom edio d urante el da, y el resultado se m ultiplica por
$ 1 /kg.
J : En caso de no cub rir la Dem anda, el Costo de faltante se calcula m ultiplicando la
dem anda no surtida en ese da po r el costo de faltante por unidad, q ue en el ejem
plo e s de $ 6/kg.
K : El Costo to ta l se determ ina m ediante la sum a de las co lum nas Costos de inven
tario, Faltante y Ordenar.
L: La form a de calcular esta co lum na perm ite te n e r el Costo to ta l com o prom edio
mvil: cad a vez q ue se sim u la un nuevo da, el costo se recalcula. Con esta co lum
na se analiza la estabilidad de la variable inventario prom edio.
4 .3 .3 M odelo d e un sistem a d e in ve n tario s | _ j
Sim ulacin de sistema:
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
Figura 4.11 Simulacin del sistema de inventarios (realizada en Excel)

123
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
4.4 Selecci n d e len g u ajes d e sim u laci n

En un principio, los program as de sim ulacin se elab oraban utilizando algn lenguaje
de propsito general, como ASSEM BLER, FORTRAN, ALGOL o LP/1. A partir de la dcada de
1960 hacen su aparicin los lenguajes especficos para sim ulacin q ue perm iten a analis
tas y program adores desarrollar m odelos de una fo rm a m s rpida, g racias a m dulos es
tandarizados. En aquella p o ca surgieron lenguajes com o GPSS, GASP, SIMSCRIPT, SLAM,
SIMAN y SSED. En la ltim a dcada del siglo pasado la aparicin de las interfases grficas
revolucionan el campo de las aplicaciones en esta rea, y ocasionaron el nacim iento de los
sim u lado res, con los cuales se ha facilitado enorm em ente la program acin de los m odelos.
En el terreno prctico, es im portante utilizar la aplicacin q ue m ejo r se adece al t i
po de sistem a a sim ular, ya que de la seleccin del lenguaje o sim ulador d epender el
124
4 .4 Seleccin d e le n g u aje s d e sim u laci n |
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
PASION Sim ulation
PIMSS
System
ProcessModel
ProModel
Proplanner
Man ufactu ring
Process
M anagem ent
Softw are
ProVision
Reso u rce M anager
SAIL
SansGUI M odeling
and Sim ulation
Environm ent
SAS Softw are
Show Flow
SIGMA
SIMPROCESS
SIMUL8
SLIM
Supply Chain
Builder
VisSim
Visual Sim ulation

Environm ent
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
4 .5 Pro b lem as | '
b) Calcule un intervalo de confianza para el nm ero de viajes que se pueden hacer

en un da.
c) Slo hay espacio para cargar un cam in a la vez. Si la em presa necesita realizar al
m enos 10 entregas po r da, qu recom endaciones dara para lograrlo? Justifiq ue
su respuesta y establezca sus supuestos.
14. A una estacin de gasolina q ue cu e n ta con una sola bom ba llegan clientes a una ta
sa de 10 po r hora co n distribucin exponencial. Esto s clientes son atendidos po r el
operador de la bom ba, q ue les da el servicio y les cobra. El tiem p o de servicio se dis
trib uye exponencialm ente con m edia de 4 m inutos por cliente.
a) D eterm ine el nm ero prom edio de clien tes en el sistema.
b) D eterm ine el porcentaje del tiem p o que el operador est ocupado.
c) D eterm ine el tiem p o prom edio de perm anencia en la fila.
15. Por un proceso de co ntro l de calidad pasan cajas de m anera co nstante, para inspec
cionar al azar cierto nm ero de productos de una caja seleccionada tam bin arbitra
riam ente. La probabilidad de seleccionar una caja para inspeccin es de 30% ; de las
cajas q ue se revisan, en 50% de los casos se revisa slo un producto, e n 30% 2 produc
tos y en el 20% restante 3 productos. Se sabe q ue la probabilidad de q ue una caja
contenga uno o m s productos defectuosos es de 2% , y q ue la probabilidad (en por
centaje) de que este producto sea encontrado d urante la inspeccin es de (10 X n
mero de productos inspeccionados).
a) Sim ule 100 cajas q ue pasan por el proceso de control de calidad.
b) D eterm ine el nm ero de cajas q ue contendrn productos defectuosos al ser ins
peccionadas.
c ) D eterm ine cuntas cajas co n productos defectuosos no fueron detectadas. Si el
costo de q ue una caja con productos defectuosos salga al m ercado es de $20/caja, determ ine el costo total en el q ue se incurrira.
129
CAPTULO 5
SIMULACIN
CON PROMODEL
5.1
Introduccin al uso de ProModel
5.2
Elem entos bsicos
5.3
Estructura de program acin en ProModel
5 .4
Construccin de un m odelo
5.4.1
Modelo M /M /l de lneas de espera
5.4.2
M ejoram iento visual del m odelo
5.4.3
Modelado de un sistem a q ue incluye m s de un proceso
5.4 .4
Inclusin de grficos de fondo en el m odelo
5.5
Caso integrador
5.6
Problem as
[ C a p tu lo 5 Sim ulaci n co n ProM odel
5.1 Introduccin al uso d e ProM odel

ProModel es uno de los paquetes de softw are co m ercial para sim ulacin m s usados en
el m ercado. Cuenta con herram ientas de anlisis y diseo que, unidas a la anim acin de
los m odelos bajo estudio, perm iten al analista conocer m ejo r el problem a y alcanzar re
sultados m s confiables respecto de las decisiones a tom ar.
Bsicam ente, este producto se en fo ca a procesos de fabricacin de uno o varios pro
ductos, lneas de en sam b le y de transform acin, entre otros. La m ism a com paa de desa
rrollo ofrece o tros paquetes, com o MedModel y ServiceM odel, diseados para sim ulacin
de sistem as m dicos y de servicios, respectivam ente. Sin em bargo, aunque no es su espe
cialidad, podem os realizar buenas sim ulaciones de operaciones de servicio usando Pro
Model, tal com o se ver a lo largo de este captulo.
Para conocer las noticias m s recientes sobre nuevos productos y casos de aplica
cin, visite la pgina Web http://www.prom odel.com , la cual tam bin pone a su disposicin
dem os de sus artculos e inform acin referente a los m ism os.
5.2 Elem en to s b sico s

En ProModel podem os distinguir una serie de m dulos q ue perm iten al analista hacer un
estudio m s com pleto sobre el m odelo q ue q uiere sim ular. Cada uno de estos m dulos
cuenta con herram ientas de trabajo q ue hacen de ProModel uno de los m ejo res paque
tes de sim ulacin q ue existen en el m ercado. A continuacin darem os una breve descrip
cin d e cada uno de ellos.
ProM odel. & el rea de trabajo donde se definirn el m odelo y todos sus com ponentes.
En este m dulo se program a todo lo q ue tie n e q ue ver co n las relaciones en tre las varia
bles del m odelo, tanto contadores com o relaciones lgicas, flujos, actividades y ciclos de
produccin, po r ejem plo.
Editor grfico. El ed ito r grfico de ProModel cu e n ta con una serie de bibliotecas que
perm iten dar una m ejo r presentacin visual a los m odelos realizados. Adem s cu e n ta con
la capacidad de im portar y crear las im genes necesarias para representar con m ayor pro
piedad el problem a a sim ular. Incluso pueden im portarse d ibujos hechos con algn so ft
ware para dicho propsito.
Resultados. ProModel cuenta con una interfaz de resultados q ue facilita la adm inistra
cin, el m anejo y el anlisis d e la inform acin. En e ste m dulo se pueden ver los re sulta
dos de to d as las variables del m odelo. A lg un as d e ellas se reportan de m anera
autom tica, y otras se obtienen bajo solicitud expresa del analista. Adem s, el m dulo
perm ite la interaccin con program as de hoja de clculo, com o Excel.
Stat: :Fit. El software incluye una herram ienta estadstica llam ada Stat::Fit (algunas de
cuyas funciones se com entaron ya en el captulo 3), q ue p erm ite hacer pruebas de bo n
dad de aju ste sobre datos m uestra, produciendo inform acin m u y im po rtante para d eter
m inar las distrib uciones aso ciad as a las variables aleato rias del m odelo. Adem s,
constituye una gran ayuda si se desconoce cm o alim entar distribuciones com plejas de
la biblioteca de ProM odel en el m odelo de sim ulacin.
132
5.4.1 M odelo M/M/1 d e lneas d e e s p era |~~|
Editor d e tu rn o s. El ed ito r de tu rn o s p erm ite asignar tu rn o s de trabajo a los elem entos

del m odelo que lo requieran, po r ejem plo, descansos program ados, com o el tiem p o de
com ida.
Sim runner. sta e s una herram ienta m u y til en el anlisis posterior del m odelo. Con ella
se pueden disear experim entos destinados a conocer el impacto de factores crticos que se
generan a partir de la variacin en los valores de las variables aleatorias seleccionadas para
ello. Asim ism o, perm ite discernir cul e s la m ejo r com binacin de factores para obtener el
m xim o beneficio al m ejorar un proceso.
Referencias y Ayuda. Estos m dulos de ProM odel facilitan el uso y la program acin del
software.
5.3 Estru ctu ra d e p ro g ram acin en ProM odel

En ProM odel, la program acin para la sim ulacin constituye slo una parte del proceso
de construccin del m odelo ya que, com o se ha m encionado, el software tam bin cuen ta
con diversas herram ientas d e anim acin, po r ejem plo q ue el analista d ebe aprender
a m anejar para obtener los m ejores resultados.
A fin de ayu d a rle a lo g rar una co m prensi n integral acerca del uso de ProM odel,
en este cap tulo u tilizare m o s vario s e je m p lo s q ue nos llevarn de lo m s sim p le a lo
m s com plejo. A pesar de lo anterior, esta obra no pretende cub rir de m anera exhaustiva
todos y cada uno de los e le m e n to s q ue com ponen el producto. Si desea o b tener m s
d etalles respecto de su fu n cio n a m ie n to , le re co m end am o s co nsu ltar los m a n u a le s de
referencia q u e acom p a an al paquete.
5.4 Construccin d e un m odelo

En esta seccin com enzarem os nuestro anlisis de algunas de las instrucciones de pro
gram acin del paquete. Para em pezar, com entarem os algunos m odelos bsicos de lneas
de espera.
5.4.1 M odelo M/M/1 d e ln eas d e espera

Un m odelo sencillo de lneas de espera podra describirse co m o aquel en d ond e el tiem
po en tre llegadas y el tiem po de servicio son exponenciales. Considerarem os que el o r
den de atencin (clientes en espera de algn servicio, piezas involucradas e n un proceso de
ensam ble, etc.) sigue la estructura "prim ero q ue llega, prim ero en recibir atencin" Por
otro lado, darem os po r sentado q ue tanto la capacidad de clientes (o piezas) que puede
haber en el sistem a analizado en un tiem po determ inado com o la poblacin q ue pue
de requerir del servicio, son infinitas.
Ejem plo 5.1
Una prensa cuen ta co n un sistem a autom atizado de carga y descarga de piezas. Al siste
m a llegan piezas de diferentes caractersticas cada 5 m inutos, con distribucin exp o n e n
cial. La prensa tarda 4 m inutos, tam bin co n distribucin exponencial, e n te rm in a r su
133
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
Adem s de Locations, el m en Build agrupa to d o s los com andos referentes a la co ns

truccin de elem entos dentro del diseo de nuestro sistem a: Entities (entidades), Path
N etw orks (rutas de m ovim iento de los recursos o entidades), Resources (recursos), Arrlvals (llegadas de en tid ad es al sistem a) y Processing (la program acin de la sim ulacin en
s m ism a),entre otros.
{Nota: Al igual q ue m uchos otros program as, ProModel ofrece la posibilidad de acceder a
sus com andos tanto a travs de los m e n sco m o m ediante m to d os abreviados de te cla
do. Para co no cer dichos m todos, abra cualq uiera de los m e n s y observe la referencia a
134
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:
Seleccionar la fila en q ue reside dentro de la ventana Locations.

O prim ir la tecla Supr (o Delete).
D esm arcar la casilla de verificacin New de la ventana G raphics y seleccio n ar el
nuevo icono.
135
IJ g lx
ft ,
|>
Bu*)
Q U f-,
! ->
w m to w
C p
H .t,
< * >
& T < ...
S t* .
Informacin sobre las localizaciones de nuestro m odelo
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
rea de trabajo para d efinir la
* *
L iflL J
configuracin del m odelo

X
*
& f.
* -
ten tara de grficos
K
<*
a >

4
2T
Figura 5.2
Definicin d e localizaciones en ProModel
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
Definicin de localizaciones en Layout
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.
Tanto la definicin de entidades com o su edicin se lleva a cabo m ediante procedi

m ientos parecidos a los q ue se realizaron co n las localizaciones. Es posible m odificar el
grfico seleccionado para cam biar sus dim ensiones y su color, y definir, com o se describe
a continuacin, varios grficos para una m ism a entidad:
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.
(Nota: Al igual q ue e n el caso de las localizaciones, si m an tiene m arcada la casilla de veri

ficacin N ew definir nuevas en tid ades co n cada seleccin de cono q ue haga.)
137
P in M o d c l f |fm pfc >3
**
m od
H fld
8M S*~W" Q'-'px lo* W4XVK- *>
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:
Abra el m en Build y haga c lic en el com ando Arrivals. A continuacin se desple

gar la ven tan a A rriv a ls (vea la fig u ra 5.5). En ella d efinirem o s la fre cu e n cia de
llegadas para nuestra pieza.
P io M u d n l
I mod
Figura 5.5
138
Definicin de llegadas de la entidad al sistema
Para seleccionar la entidad oprim a el botn Entity. Luego especifique a q u locali

zacin llegar la entidad; en este caso ser a una localizacin llam ada "fila": haga
d ic en el botn Location para que se desplieguen tod as las localizaciones q ue de

finim os previam ente.
Ahora determ ine, en la co lum na Q ty Each ,cuntas piezas llegarn cada vez q ue se
cum pla el tiem p o e n tre llegadas;en este caso determ inam os una (1) a la vez.
Prosiga su trabajo, especificando esta vez el tiem p o de ocurrencia del prim er e ve n
to de llegada en la co lum na First Tme.
En la co lu m n a O ccurrences debe indicarse el nm ero de repeticiones del evento
de llegada. En e ste caso especifique infinite (o sim plem en te inf), lo cual im plica
que se adm itir un nm ero infinito de eventos de llegada.
En la co lu m n a de Freq u ency especifique la distribucin del tiem p o en tre llegadas;
en este caso m anejarem os un valor exponencial con m edia de 5 m inutos: e(5) min.
{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:
Seleccione la entidad correspondiente en la ventana Processing, ya sea haciendo

clic en el botn Entity o escribiendo d irectam ente el nom bre de la entidad en el
cam po de dicha co lum na.
Para program ar la localizacin de llegada de la entidad (en este caso la localizacin
llam ada "fila"), haga clic en el botn Location; debajo se desplegarn tod as las lo
calizaciones definidas.
Dado que en esta localizacin la pieza slo espera a q ue la prensa e st disponible, no

se program a nada en la co lum na O peration. A continuacin definirem os la ruta de sali
da en la ventana Routing f o r
En este caso la entidad de salida es n uevam ente la pieza, por lo q ue se es el n o m

bre q ue escribim os e n la co lum na Output.
139
0 destino de la pieza es la prensa, as q ue seleccionam os dicha localizacin en la

colum na Destnation.
La siguiente co lum na, Rule, indica la regla de m ovim iento; el valor predeterm ina
do aq u es FIRST 1,1o q ue significa q ue la entidad avanzar tan pronto se te n g a ca
pacidad disponible en la localizacin de destino.
La ltim a colum na, Move Logic, determ ina el m ovim iento lgico de salida; e n es
te caso dejarem os en blanco el cam po. Una vez co m pletad a, la prim era lnea de
program acin deber quedar com o se ilustra en la fig ura 5.6.
Figura 5 .6
Definicin d e la primera lnea de program acin
Para continuar es preciso definir el proceso q ue se llevar a cabo con la pieza en la

prensa. Una vez ms, com enzarem os po r establecer q ue la entidad cuyo co m po rtam ien
to nos interesa es la pieza, q ue la localizacin en la que se encuentra es la prensa y q ue el
proceso ocupa un tiem po especfico de esta localizacin: 4 m inutos prom edio con distri
bucin expo nencial. Para conocer los co m and o s de program acin necesarios para espe
cificar lo anterior, haga clic en el botn O peraton de la ventana Process. Enseguida se
desplegar la ventana O peration (vea la fig ura 5.7), en d ond e se escribir la lgica del
proceso.
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
Definicin de la segunda lnea de programacin
O bserve que, al definir el segundo registro, la ventana de la ruta de salida em pieza de

cero. Esto significa q ue la ventana de program acin nos perm ite ver los procesos de las
piezas de m anera secuencial, aunque la ventana correspondiente a la ruta de salida del
proceso slo m ostrar la program acin correspondiente a la lnea seleccionada en la ven
tana del procesam iento.
Finalizada la program acin, nos q ued a po r definir el tiem po de sim ulacin. Para ello:
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 * -
C '-* " 0 > v y \ lt> < 0 \ n o c * -* J ! l t o ^ - y O i ' n r t
| M e t a ' T H e
Figura 5.9
Reporte de datos generales d el m odelo (ficha General)
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
< u n d ? fre d v b w >
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
Reporte estadstico de las localizaciones (ficha Locations)
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.
Tabla 5.1 Com paracin entre los resultados tericos

y los obtenidos m ediante sim ulacin
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%
1 fe la sum a d e piezas d e a m b a s lo calizacio nes; lo m ism o su ce d e e n e l caso

d el tie m p o to ta l d e p e rm a n e n cia e n e l siste m a .
Fichas Locations States Single/Tank y Locations States Multi

En la prim era de estas fichas se presenta la inform acin de las localizaciones que tienen
capacidad de uno (conocidas com o de capacidad unitaria), y la segunda la de aquellas
que pueden contener m s de una entidad a la vez d urante la sim ulacin (denom inadas
de m ulticapacidad; vea las fig u ras 5.11 y 5.12). En nuestro ejem plo tenem o s una de cada
tipo: la localizacin "fila" tie n e capacidad infinita, m ientras q ue la localizacin "prensa" tie
n e capacidad de uno.
En esta seccin del reporte podem os encontrar inform acin referente al porcentaje
de tiem p o vaco, parcialm ente ocupado, lleno y no disponible respecto del tiem po dispo
nible para cada localizacin con capacidad m ayor a uno. En e ste caso, la localizacin "fila"
se encuentra 37.29% del tiem p o vaca, 6 2 7 1 % del tiem po con al m enos una pieza y nunca
llena ni no disponible, pues le asignam os capacidad infinita y no se program aron eventos
q ue lim itaran el acceso y/o salida d e las e n tid a d e s a esta lo calizaci n. Por otro lado, la
localizacin "prensa" es de capacidad unitaria, as que el reporte inform a el porcentaje de
tiem po q ue la prensa estuvo procesando alguna pieza (79.28% del tiem p o ), el porcentaje
de tiem po dedicado a actividades de preparacin (en este ejem plo no existen), el porcen
taje de tiem p o q ue la prensa estuvo inactiva debido a q ue no haba piezas q ue procesar,
143
^ 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
Reporte de localizaciones con capacidad unitaria (es decir,
con capacidad para una sola entidad)
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
Reporte de localizaciones con m ulticapacidad (es decir,
con capacidad para varias entidades)
el porcentaje de tiem p o q ue la localizacin espera a q ue un recurso u otra entidad lle

guen para iniciar el proceso (por ejem plo, en las situaciones e n q ue hay ensam bles o
cuando la prensa requiere de un dado especial para procesar la pieza), el porcentaje de
tiempo en que la localizacin no est realizando trabajo alguno ya que la capacidad de su
localizacin destino est llena , y finalm ente el porcentaje de tiem po en el q ue la locali
zacin se encuentra no disponible.
Ficha Failed Arrivals
Esta ficha (vea la fig ura 5.13) lista las entidades de cada m odelo, e indica si alguna de ellas
no pudo en trar al sistem a en la localizacin definida en A rriv als.Esto pu ed e suceder, por
ejem plo, cuando la localizacin de llegada tie n e una capacidad finita. Si sta se com pleta
y una entidad desea o cu p ar un espacio en la localizacin, al no poder encontrarlo es des
truida y elim inada del sistem a. Esta inform acin es til, po r ejem plo, cuando se analizan
sistemas de lneas de esp era co n capacidad fin ita y se desea saber el porcentaje de clie n
tes q ue no pudieron ser atendidos.
144
r|T1 eemplo3_l Jdb - Output Viewei 3DR - |

33
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
Failed Airivals for eemplo3_1

Entity
ame
Location
ame
P ie z a
fila
Figura 5.13
Total
Failed
Estadstica de entidades
no ingresadas
(Ficha Failed Arrivals)
0 .0 0
Ficha Entity A ctivity

Esta ficha del reporte refleja las estadsticas de cada entidad definida en el m odelo. Como
se observa en la fig ura 5.14, en este caso slo tenem o s la entidad llam ada "pieza"La infor
m acin reportada es la entidad, el total de entidades q ue salieron del sistem a (en este
ejem plo 28521), las entidades que se encuentran en el sistem a al fin alizar la sim ulacin
(3), el tiem po prom edio de perm anencia en el sistem a (19.36 m inutos, q u e e s el m ism o
q ue se inform a en la ficha Locations), el tiem po prom edio q ue la entidad pas en un tras
lado o m ovim iento de una localizacin a otra (m ism o que no se program en nuestro m o
delo), el tiem po prom edio q ue la entidad esp era a otra entidad para un ensam ble o a un
recurso para ser procesada o transportada (por ejem plo, po r un m ontacargas), el tiem po
prom edio que se encuentra en procesam iento o viajando en un transpo rtad or y, final
m ente, el tiem p o q ue no pu ed e a va n za r d ebido a q ue la lo calizaci n destino est to
talm ente ocupada (15.36 m inutos, el tiem po prom edio de espera en la fila).
[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
Estadsticas de la actividad d e las entidades en el sistema (ficha En tity Activity)
Ficha Entity States

En esta ficha del repo rte (vea la figura 5.15) podem os encontrar un resum en de los datos
de la ficha En tity Activity, pero en trm inos porcentuales. Por ejem plo, com o en este caso
la entidad "pieza" pasa slo 4 m inutos en operacin, el repo rte indica q ue pas 20.68% del
tiem po total de perm anencia en el sistem a (19.36 m inutos), m ientras q ue estuvo bloquea
da para co n tin u ar su cam ino a la localizacin destino el tiem po restante, 15.36 m inutos
(es decir, 79.32% del tiem p o total).
145
'["l eem plo3_1 .id b - O utp ut V ie w e r 3 D R - [R e p o rt fo r e em plo3_1 ]

U
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
E n tity S t a t e s for eiem p lo3_1
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
Figura 5.15 Estadstica porcentual de la actividad de las entidades

(ficha Entity States)
5.4.2 M ejoram iento visual del m odelo

ProModel perm ite in crem en tar la capacidad visual del m odelo m ediante un conjunto de
herram ientas especficas para dicho propsito. En esta seccin hablarem os sobre cm o
utilizarlas, basndonos una vez m s en el m odelo q ue se co nstru y para el ejem plo 5.1.
Ejem plo 5.2
Nuestro trabajo en esta seccin se basar en el ejem plo 5.1, aunque le harem os algunas
m o d ificacio nes con el o b jetivo de m e jo ra r su p resen taci n al m om ento de e je c u ta r la
sim ulacin. Adem s, tra tare m o s de o b te n e r in fo rm aci n re le va n te para el to m a d o r de
decisiones y/o para el program ador del modelo.
Para com enzar, determ inarem os la cantidad de piezas q ue h ay en el alm acn en c u a l
quier m om ento dado. Esto se pu ed e hacer de dos form as:
146
Abra el m en Build y haga c lic en el com ando Locatons.

En la ventana Graphics, haga c lic en el icono predeterm inado para la fun ci n de
contabilizacin de entidades en una localizacin ( 0 0 ). (Es im po rtante resaltar que
debe desm arcar la casilla de verificacin New para pod er integrar e ste co ntador a
la localizacin q ue deseem os editar.)
Vaya a la colum na Cap. del registro de la localizacin q ue desea m odificar (en este
caso "fila"), y cam b ie su capacidad a 50.
Seleccione los iconos correspondientes en la ventana Graphics, com o se m uestra
en la fig ura 5.16.
/p re g u e una barra q ue ilustre la capacidad utilizada del total (es po r eso q ue c a m
biam os la capacidad de la localizacin a 50; si la hubiram os m antenido en infinito
no aparecera registro alguno en la barra). Para ello em plearem os el icono prede
term inado, la barra de color azul q ue se en cu entra debajo del icono 00 en la ven
tana Graphics. Si al m om ento de co lo car la barra de capacidad n o v e la escala, abra
el m en V iew y haga clic en el com ando Refresh Layout para actualizar la vista del
modelo. Al hacerlo su pantalla deber lu cir com o se ilustra e n la fig ura 5.16.
5.4.2 M ejoram ien to v isu a l d el m o delo |
4.
Y*~
H*.
view
P re n s a
oooooo
Figura 5.16
Determ inacin d e la cantidad de piezas en una localizacin
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
Colquese en el prim er cam po (ID) y m odifique el nom bre de la variable.

Cam bie al cam po de la segunda co lum na (Type) para definir el tipo de variable,
que pu ed e ser en te ra (integer) o real; en este caso la variable e s entera.
En el cam po de la siguiente colum na, Inicial Valu, determ ine co m o 0 el valor ini
cial de la variable.
Toda vez que queremos que el icono de esta variable aparezca en la simulacin, haga
clic en la co lum na Icn y despus haga clic n uevam ente en el lugar en d ond e quie
re q ue aparezca el co n tad o r (vea la fig ura 5.18).
V * .
Figura 5.18
lo
w * *
H *
Determinacin de los parmetros de la variable que contabiliza piezas totales
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
corresponde al proceso q ue se realiza en la localizacin "prensa" Esta lnea de pro

gram acin har q ue cada vez q ue una pieza term in e su proceso de 4 m inutos con
distribucin exponencial en la p re n sa se contabilice com o una pieza term inad a. La
program acin deber quedar com o se m uestra en la fig ura 5.19.
Prensa
Ir
>n
Figura 5.19
Uso de la instruccin ENTRIES()
Si corriram os la sim ulacin en este m om ento, podram os ver q ue tanto el contador

com o la barra reflejan la cantidad de piezas q ue se encuentran en un m om ento d eterm i
nado en el alm acn definido en la sim ulacin. Sin duda el m odelo ya sim ula el problem a
que estam os ejem plificando, a pesar de q ue lo nico q ue hem os hecho e s agregar un par
de grficos q ue hagan m s en te n d ib le lo q ue pasa.
La segunda m o d ificaci n q ue h arem o s co n sistir en cam b iar el tie m p o d e sim u
lacin, de m anera q ue su ejecucin no sea m u y larga. Suponga q ue q uerem o s cam biar la
duracin del m odelo a slo 30 das. Para ello:
D espliegue el m en Sim ulation y haga clic e n el com ando Options, com o se

m uestra en la fig ura 5.20.
149
^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
Acceso a las opciones de la sim ulacin
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 Disable Time Series
( Standard F gaich Mean
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
permite determ inar

diversos parm etros
de la sim ulacin
Una interrogante im po rtante para el to m ad o r de decisiones e s si las variables del m o

delo estn en estado estable o todava se encuentran en un estado transitorio. Como se
mencion en el captulo anterior, si querem os evitar la variabilidad q ue ofrecen los re su l
tados del estado transitorio, e s necesario que nuestras soluciones se basen en las estads
ticas del estado estable.
Una opcin de m u cha utilidad para obtener estadsticas estables, consiste en definir
un tiem p o transitorio o de preparacin (w arm up) dentro del m odelo. Como probable
m ente recordar, la grfica de estabilizacin que m encionam os en captulos anteriores
nos m uestra q ue los valores de las variables de respuesta en el estado transitorio suelen
describir una alta variabilidad. Para evitar que el efecto de esta variacin se diluya y po d a
mos obtener respuestas estables, es necesario contar con m ayor tiem po de ejecucin. De
finir un periodo de warm up im plica ejecutar el m odelo d urante cierto tiem po, despus del
cual las estadsticas regresarn a cero. Gracias a ello se elim inarn los registros correspon
dientes a las variables de respuesta en el estado transitorio, y se conservar nicam ente
150
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:
Corra la sim ulacin y, m ientras sta se encuentra en ejecucin, abra el m en Infor

m ation y haga c lic en el com ando D yn am ic Plot. Al realizar esta seleccin apare
cer una ventana con las diferentes estadsticas q ue ProModel recopila de m anera
autom tica.
Com o en este caso deseam os vincular el grfico dinm ico con una localizacin, ha
ga c lic en el botn Locations. Luego seleccio ne la localizacin "prensa" y d eterm i
n e la estadstica del porcentaje de utilizacin (Utilization % ). La grfica resultante
puede ser m odificada tal com o si se tratara de un grfico de Excel.
Si desea guardar el grfico dinm ico para utilizarlo en futuras ocasiones, agrguelo a
la configuracin de esta m anera:
D espliegue el m en Inform ation, abra el subm en D yn am ic Plot y haga c lic en el

com ando Conflgurations. En ese m om ento aparecer una ventana en la que po
dr asignar un n o m b re al grfico q ue acaba de crear, y guardarlo para em plearlo
en alguna oportunidad posterior (por ejem plo, nos ser til en la solucin del
ejem plo 5.2). La sintaxis general del grfico dinm ico es la siguiente:
DYNPLOT "nom bre del grfico dinm ico"
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:
Abra el m en Build y elija el com ando General Inform ation.Enseguida se desple

gar en su pantalla el cuadro de dilogo correspondiente (vea la fig ura 5.22).
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
Finalm ente, en l podem os especificar eventos o caractersticas iniciales y finales del m o

delo. Por ejem p lo ,es posible desplegar un m ensaje de advertencia que anuncie el inicio
o el trm ino de la sim ulacin. Sin em bargo, po r el m om ento slo activarem os el grfico
dinm ico al com ienzo de la sim ulacin. Siga e sto s pasos:
Haga c lic en el botn Initialzaton Logic para desplegar la ventana de program a

cin co rrespo n diente (vea la fig ura 5.23).
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:
Primero dim ensionarem os el sistem a actual. Abra el m en View y haga clic en el

com ando Views.
Initialization L o g ic
Figura 5.23
\fentana de program acin
_]
L in e : 2
152
para la lgica inicial

del m odelo
Enseguida haga clic en la opcin A dd del cuadro de dilogo q ue aparece.

Escriba un nom bre especfico para la vista, y haga clic e n OK. Ahora el botn Set
Vlew del m en V iew est disponible para seleccionar la vista q ue acaba de definir.
Haga clic en l.
Para desplegar la vista, abra el m en Vlew , elija el subm en V lew s y haga clic en el
nom bre de la vista q ue defini en el paso anterior. Otra o pci n es ejecutar la vista
m ediante el m todo abreviado de teclado q ue aparece al lado de su nom bre, el
cual se co m p o n e de la tecla Ctrl y un nm ero q ue corresponde al nm ero de la vis
ta, en este caso Ctrl+1.
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 |
: - & L ilL B 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
Ejem plo 5.2 term inado
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
equipo, el tiem p o q ue tarda en reparase, la probable generacin de piezas defectuosas en

el proceso, los niveles de retrabajo o de utilizacin de los recursos, etc.Evid en tem en te, e n
tre m s apegado a la realidad queram os que resulte nuestro m odelo, m s cantidad de
ajustes tend rem o s q ue hacer; sta e s la razn po r la q ue un buen m odelo de sim ulacin
toma tiempo en ser construido. No obstante, es preciso tom aren cuenta, en todo momento,
que de nada sirve un m odelo grficam ente perfecto si no se tien en bu eno s datos estads
ticos de entrada.
5.4.3 M odelado d e un sistem a q u e in clu ye m s d e un proceso

Ejem plo 5.3
A un sistem a arriban 2 tip o s de piezas. La prim era es un engrane q ue llega a una estacin
de rectificado d ond e se procesa po r 31 m inutos; la distribucin de probabilidad asocia
da a las llegadas de e ste engrane a la fila de la rectificadora es una distribucin normal
con tiem p o prom edio de 13 m inu to s y desviacin estndar de 2 m inutos. La segunda pie
za es una placa de m etal q ue llega a una prensa co n una distribucin de probabilidad e x
ponencial co n m edia de 12 m inutos. La prensa procesa un engrane cada 3 m inutos con
distribucin exponencial. Al term inar sus procesos iniciales, cad a una de estas piezas p a
sa a un proceso autom tico de lavado q ue perm ite lim piar 2 piezas a la vez de m anera in
dependiente; este proceso, con distribucin constante, tarda 10 m inutos. Finalm ente, las
piezas son em pacadas e n una estacin q ue cu e n ta con 2 operadores, cada uno de los c u a
les em paca un engrane en 51 m inuto y una placa en 72 m inutos. Se sabe q ue los tie m
pos de transporte en tre las estaciones es de 3 m inutos con distribucin exponencial. No
hay alm acenes en tre cada proceso: slo se tie n e espacio para 30 piezas antes de la p ren
sa y 30 antes de la rectificadora. Asum a q ue cada da de trabajo es de 8 horas. Sim ule es
te sistem a por 4 0 das, indicando el m om ento en q ue se inicia y se te rm in a la sim ulacin.
Esquem atzacin inicial d el m odelo
Antes de com enzar a definir el m odelo en ProModel, es conveniente analizar el problem a.
0 prim er paso consiste en esquem atizar el sistem a, com o se m uestra en la fig ura 5.25.
Definicin d e localizaciones
Recordem os q ue el m odelado en ProModel co m ienza po r la definicin de las localizacio
nes fsicas de nuestros procesos, en e ste caso:
1. La fila de llegada para la rectificadora, con capacidad para 30 piezas.
2. La fila de llegada para la p rensa,co n capacidad para 30 piezas.
3. El proceso de rectificado, con capacidad para una pieza.
4. El proceso de prensado, con capacidad para una pieza.
5. El proceso de lim pieza, con capacidad para lim piar dos piezas de m anera in dep en
diente.
6. El proceso de em paque, en el q ue participan dos operadores independientes.
154
5.4.3 M od elado d e un siste m a q u e incluye m s d e un p ro ce so |
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
U n ifo rm e (7,2) placa
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
Esquema del sistema a m odelar en el ejem p lo 5.3
En este m odelo aparece un nuevo tipo de localizacin, ya q ue debem os definir filas

de entrada. En m uchos sistem as se tien en bandas o transportadores q ue se encargan de
desplazar las piezas de un proceso a o tro ;en otros casos, co m o el de las in stitucio nes ban
cadas, hay solam ente una fila, d ond e cada cliente espera a ser atendido. ProModel perm i
te sim ular estos detalles.
Por ejem plo, para definir una fila:
Abra el m en B uild y elija Locations.

Seleccione el icono q ue parece una escalera horizontal ([ m i ) en la ventana G ra
p h ic s^ haga clic en la posicin de la ventana Layout donde q uiere q ue aparezca
la fi la de rectificado. Si m u eve el curso r del ratn al realizar este procedim iento, una
flecha indicar q ue est definiendo la fila; coloqese en el lugar donde q uiere que
term in e la fila y haga d oble clic. Es im po rtante m encionar q ue si slo hace un clic
en la posicin final, seguir construyendo la m ism a fila ;e sta caracterstica es m uy
til para definir en una sola localizacin bandas o transportadores que pasen por
tod a la planta o po r varios procesos.
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
Asegrese de q ue est m arcada la casilla de verificacin de la opcin Queue.

R ecuerd e q ue el icono es slo una rep resentaci n visual, a s q u e p u e d e decidir,
en la seccin Style, si el icono aparecer slido (Solid), com o banda de rodillos
(Roller) o slo com o una lnea (Line).
Si desea que el icono no aparezca al m om ento de ejecutar la sim ulacin, m arque
la casilla de verificacin de la opcin Invisible During Sim ulation.
Adems de estas caractersticas, el cuadro de dilogo perm ite definir otras, com o
el color de borde y de relleno del icono (m ediante los bo to nes Border Color y Fill
Color) y su longitud (Length),en metros.
Al term in ar de definir las caractersticas de la fila de rectificado, haga clic en el bo
tn OK.
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:
D efina una operacin de em p aq u e y, al term inar, co lo q u e un 2 en la co lum na Units

de la ventana Locations. D espus d e aceptar este cam bio aparecer una segunda
localizacin, idntica a la q ue definim os originalm ente.
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
li-lc -ic iid ic n r .e 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 de localizaciones para el ejemplo 53
O b serve que, au n q u e las filas aparecen com o ln e a s en el m odelo, e n la ve n tan a Lo

cations siem pre lucirn com o bandas de rodillos.
157
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
Definicin de llegadas de las entidades (ejem plo 5.3)
Definicin del proceso: uso d e la opcin View Text

A continuacin definirem os la lgica de procesam iento de la sim ulacin. Para ello ejecu
te el com ando Processing del m en Build.
Para program ar las operaciones y rutas de am bas entidades (engranes y placas), pro
cederem os com o se indic en el ejem plo 5.1, pero prim ero es co nveniente te n e r un es
quem a del proceso secuencial de cada una de ellas. Es en este tipo de situaciones donde
herram ientas com o los diagram as de operacin resultan tiles para realizar una p ro gra
m acin m s eficiente.
Recuerde q ue el tiem p o de transporte e n tre procesos es de 3 m inutos, co n d istribu
cin exponencial. Por lo tanto, en cada ruta q ue im plique m ovim iento de un proceso a
158
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:
Abra el m en File y haga c lic en el com ando View T e x t. Enseguida se desplegar

en la pantalla to d a la inform acin q ue h em o s incluido hasta el m om ento e n el m o
delo. Esto e s m u y til, sobre tod o en problem as en los que se requiere m u cha pro
gram acin. En la fig ura 5.29 se m uestra la parte correspondiente al procesam iento
q ue desplegar el com ando V iew T e x tT o m e est inform acin com o referencia pa
ra verificar si ha program ado la secuencia de los procesos y las rutas de m anera
adecuada.
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
Instrucciones d e procesam iento del ejem p lo 5.3
159
Uso d e la instruccin DISPLAY

A partir de los pasos que hem os seguido hasta e ste m om ento, el m odelo deber poder
ejecutarse sin problem as. Sin em bargo, an no hem os incluido el m ensaje de inicio y de
fin de la sim ulacin q ue se nos pidi. Para hacerlo:
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.
U na v e z q ue haya program ado el m e nsaje de inicio, deber hacer lo propio con el

m ensaje de finalizacin de la sim ulacin.
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.)
La instruccin DISPLAY es m u y til para program ar m ensajes de alerta dentro de la

sim ulacin, o para realizar interaccin con el usuario del m odelo. Sin em bargo, tie n e el in
conveniente de que detiene la sim ulacin, po r lo que e s im portante utilizarla nicam ente
cuando el m ensaje sea relevante. Por otro lado, si el program ador desea colocar co m en
tarios dentro de la program acin, puede hacerlo en los espacios reservados para las notas
del modelo. Adem s, si se considera necesario, es posible usar com entarios en la p ro gra
macin de las operaciones y rutas de las entidades, usando cualquiera d e las siguientes
opciones al com ienzo del rengln:
// texto de un solo rengln
# texto de un solo rengln
I* texto en varios reng lo nes */. En este caso es necesario definir el inicio del co
m entario y la finalizacin del m ism o; e s po r ello q ue se utilizan dos sm bolos
La sintaxis general de la instruccin DISPLAY es:
DISPLAY m ensaje{, < expres n >},
Nuestro m odelo se encuentra casi term inado. Slo nos falta incluir el tiem po q ue de
seam os sim ular el sistema.
Definicin del tiem po d e sim ulacin
En el p lan team ien to del p ro blem a se estab leci q ue cada d a tie n e 8 ho ras h b ile s de
trabajo.Tam bin se e stip u l q ue el m o d elo del sistem a abarcara 4 0 das, po r lo q ue el
160
tiem po total de sim ulacin ser de 320 horas. D los pasos pertinentes para determ inar
estos parm etros com o sigue:
Abra el m en Sim ulation y haga clic en el com ando O ptions.En el cuadro de di

logo q ue se despliega, esp ecifiqu e 320 H r. en el cam po Run H o u rs.Ten g a cuida
do de no d eterm inar 40 day, porque si lo hace el m odelo sim ular el sistem a por
4 0 das de 24 ho ras cada uno.
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
D oyou want to see the results?

(MOTE: There were e n % arrival tailures
due to insufficent capacity)
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
5.4.4 Inclusin d e g rficos d e fo nd o en el m odelo

En algunos casos podra ser necesario m odelar procesos sobre un plano real de una p lan
ta o de un rea de trabajo, en especial con m iras a m ejorar la presentacin visual de la
sim ulacin. En ProM odel esto es p o sib le po r m edio de un cam b io del grfico de fondo
del modelo. Veam os cm o fun cio na esto en el ejem plo siguiente.
Ejem plo 5.4
Tom ando com o base el ejem plo 5.1, m o d ifiq ue el fondo de la sim ulacin y ag reg ue un
cdigo de colores a la prensa, para saber cundo est trabajand o y cundo se encuentra
ociosa. Sim ule este sistem a po r 4 0 das.
Para comenzar, harem os las m odificaciones pertinentes en las localizaciones: agregar
un cdigo de co lo res a la prensa, para identificar sus periodos activos e inactivos:
Abra el m en Build y haga c lic en el com ando Locatons.

Seleccionam os el icono de la prensa en la ventana Layout.
Desm arque la casilla de verificacin de la opcin New en la ventana Graphics.
Seleccione el icono del punto azul !__ en la ventana Graphics, y arrstrelo hasta
colocarlo a un lado de la prensa.
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
5.4.4 Inclusin d e g r fico s d e fo n d o e n e l m o d e lo '
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
Abra el m en Build, elija el subm en Background Graphics, y haga clic en el c o

m ando Behind G rid (vea la fig ura 5.32).
| n m p t a :< _ ! a c i l
SIT.J**. (Mu
Figura 5.32
h*,
Primer paso para la insercin de una imagen de fondo en el rea de trabajo
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:
Abra el m en Edt y elija Im port G raphic. A continuacin se desplegar un cuadro

de dilogo Open, sim ilar al habitual en los program as de plataform a W indow s.
Localice el archivo q ue le interese en la unidad y carpeta de su com putadora en
donde est alm acenado (en ProM odel los form atos predeterm inados para im por
tacin son BMP y WMF, aunque adm ite otros form atos). Seleccinelo y haga clic en
el botn OK. El archivo grfico se abrir de inm ediato com o fondo de la sim ulacin
(las im genes im portadas g eneralm ente aparecen en la esquina superior izquier
da del rea de trabajo).
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
oil 11he PioMoilcI Shnilcut PanelI

E*.
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"
Im portacin de una im agen de fondo a la sim ulacin
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 aso integ rad or

Se tien e una lnea de em paque a la que llegan piezas cada 2 m inutos con distribucin ex
ponencial. Esta lnea cu e n ta con cinco procesos, que se describen a continuacin:
1. Recepcin d e m ateriales. Cuenta con un espacio ilim itado de alm acenam iento.
En este lugar se reciben las piezas q ue llegan al sistem a, y luego stas pasan a un
proceso de lavado. El traslado de las piezas de una estacin a otra tarda 3 m inutos
con distribucin exponencial.
2. Lavado de la pieza. La lavadora tiene capacidad para lim piar 5 piezas a la vez. El
tiempo de proceso de cada pieza se distribuye norm alm ente con media de 10 m inu
tos y desviacin estndar de 2 minutos. De aqu pasan a un proceso de pintura, antes
del cual llegan a un almacn con capacidad para un mximo de 10 piezas. El tiem po
de traslado entre estas estaciones es de 2 m inutos con distribucin exponencial.
164
5.5 C a s o in te g ra d o r |
131 L a v o u l
Figura 5.34
El fo n d o d e esta s im u la c i n u tiliza un a rc h iv o g r fic o en fo rm a to B M P para m e jo rar
su p re se n ta ci n
3. Pintura. En el rea d e pintura se tie n e capacidad para p in tar 3 piezas a la vez.

El tiem p o de pintado tie n e una distribucin triangular de (4 ,8 ,1 0 ) m inutos. Poste
rio rm en te las p ie za s pasan a un horno, el cual cu e n ta co n un alm acn q ue tien e
capacidad para 10 piezas. El tiem p o de transp o rte entre estos procesos est u nifo r
m em ente distribuido con lim ite inferior de 2 m inu to s y superior de 5 m inutos.
4. Horno. En el horno se seca la pintura. El horno slo puede procesar una pieza a la
vez. La duracin del proceso es de 3 1 m inutos. D e aqu son transpo rtad as a dos
m esas de inspeccin visual. No existe un alm acn entre el horno y las m esas de ins
peccin. El tiem po de transporte en tre estas estaciones es de 2 1 m inutos.
5. Inspeccin. En cada m esa hay un operario q ue realiza la inspeccin de 3 e le m e n
tos en cada pieza. La revisin de cada elem ento tarda 2 m inutos con distribucin
exponencial. Al finalizar este proceso, las piezas salen del sistema.
Realice lo siguiente:
a)
b)
c)
d)
e)
sim ule el sistem a po r 90 das de 24 ho ras cada uno;

ejecute 3 rplicas de la sim ulacin;
analice el archivo de resultados del m odelo;
obtenga un intervalo de confianza para el nm ero de piezas producidas;
determ ine, en una tabla, las utilizaciones de tod as las localizaciones del modelo.
165
Anlisis del m odelo

Cada una de las siguientes preguntas es independiente, y tienen co m o base el m odelo
original. Respndalas con base en el anlisis de sus resultados.
1. Dnde se encuentra el cuello de botella de este sistem a?
2 Qu sugerencias hara para m ejorar el sistem a?
3. El hecho de q ue una entidad se encuentre en estado de bloqueo significa q ue la
pieza ha term inado sus operaciones en la localizacin actual pero no pu ed e avanzar
a la siguiente, puesto q ue no hay espacio para colocarla. D e acuerdo con esto, con
sidera q ue es g rave el problem a de bloqueo de las piezas? En q u localizaciones?
Qu se pu ed e hacer para m ejorar la situacin? Haga los cam bio s q ue co nsidere
necesarios al modelo, y ejectelo nuevam ente para determ inar la m ejora po rcen
tual respecto del nm ero de piezas term inadas.
4. Si pudiera lograr una m ejora de 10% en el tiem p o de proceso de alguna de las es
taciones, en cul de ellas sera y po r qu?
5. Es necesario q ue alguno de los alm acen es sea m s g rande? Cul y po r q u ra
zones?
6. Considera necesario co lo car un alm acn entre el horno y las m esas de inspec
cin? De q u capacidad?
7. Cada pieza deja una utilidad de $5 y n ing un a de las inversiones debe recuperarse
en m s de 3 m eses. Cul sera su recom endacin si se est analizando la posibili
dad de com prar otro hom o con la m ism a capacidad y q ue cuesta $ 100 , 000 ?
8. Cul sera su recom endacin si lo q ue se desea com prar e s otra lavadora de la mis
ma capacidad y con un costo d e $ 1 00 000?
9. Valdra la pena contratar otro operario para la inspeccin? El costo de esta o pera
cin e s de $50 000.
10. Con base en su conocim iento del sistem a, haga com binaciones de los incisos a n
teriores y trate de obtener la m ayor cantidad de piezas con el m nim o costo de in
versin.
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.
3. Un sistem a de pintura consta de dos procesos en serie: pintura y horneado. El tiem po

de pintura es de 10 m inutos/pieza, y el tiem po de horneado es de 6 m inutos/pieza.
Para el proceso hay dos pintores y un horno. La tasa de entrada e s de 7 piezas/hora
(pieza tipo 1) y de 3 piezas/hora (pieza tipo 2). El tiem p o para m overse de un proceso
a otro e s de 30 segundos. Sim ule el sistem a 5 das para determ inar:
a) la utilizacin de cada operacin.
b) tiem po prom edio de perm anencia de las piezas e n todo el proceso.
c) tiem po prom edio de espera de las piezas antes del pintado y antes del horneado.
4. A un centro de copiado llegan tre s tip o s de trabajos. Si un trabajo no pu ed e ser inicia

do inm ediatam ente, espera en una fila com n hasta que est disponible alguna de
las tre s copiadoras. El tiem p o de copiado y la tasa de entrada de los trabajos son co
mo sigue:
Tipo de
trabajo
T asa d e entrada
(trabajos/h)
Tiem po d e cop iad o

(m in/trabajo)
12
15
16
Despus del proceso de copiado los trabajos son inspeccionados po r un em pleado

en un tiem po de 3 ,6 ,1 0 m inutos para los trab ajos 1 ,2 y 3, respectivam ente. Sim ule el
sistem a en ProModel durante 50 horas, y determ ine:
o) la utilizacin del em pleado y de las copiadoras en la situacin propuesta.
b) nm ero de em pleados y copiadoras m nim os necesarios para asegurar el flujo
constante de los trabajos.
167
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
c) si el co sto de te n e r a un clie n te h acien d o fila e s de $ 5/clie n te prom edio-hora,

determ ine el costo de operacin de e ste sistem a.
9. Un banco est diseando su rea de cajas, y d esea d eterm inar cun tas ventanillas de
be colocar. Despus de hacer un anlisis estadstico, la em presa sabe que sus clientes
llegan con un tiem po m edio de 3 m inutos co n distribucin e xp o n e n cial;asim ism o ,se
sabe a partir de inform acin de o tras sucursales del m ism o banco q ue cada ca
jera tarda un tiem po prom edio de 8 m inutos con distribucin exponencial en aten
der a un cliente. La em presa planea utilizar una sola fila d ond e se ubicaran to d o s los
clientes, para despus pasar a la prim era caja desocupada.
Si el costo de ten e r un cajero es de $15 po r hora, y adem s se sabe q ue po r polti
ca de la em presa el costo de q ue un cliente est esperando a ser atendido es de
$8/cliente-hora, determ ine:
a) el nm ero ptim o de cajero s de acuerdo con el costo. Tom ando en cuen ta este
nmero de cajeros, determ ine tam bin la probabilidad de q ue el sistem a est va
co, la utilizacin de los cajeros, el tiem p o prom edio en el sistem a, el tiem p o pro
m edio en la fila y el nm ero prom edio de clientes en el sistem a.
b) realice este m ism o anlisis considerando q ue cada caja tie n e su propia fila y que
las llegadas se distribuyen proporcionalm ente al nm ero de cajas; es decir, las lle
gadas a cad a fila son iguales al nm ero to tal de llegadas, dividido entre el nm e
ro de cajas.
c) Cul de los dos m odelos sera m ejo r y a q u atribuye este resultado?
d) Cul sera el costo de utilizar el m odelo original de una sola fila y evitar, al m ism o
tiempo, que 70% de los clientes hagan fila?
10. A un sistem a llegan piezas de acuerdo con una distribucin uniform e de entre 4 y 10
minutos. Las piezas son colocadas en un alm acn con capacidad infinita, d ond e espe
ran a ser inspeccionadas po r un operario. El tiem po de inspeccin tien e una d istribu
cin exponencial con m edia de 5 m inutos. D espus de la inspeccin las piezas pasan
a la fila de em paqu e,co n capacidad para 5 piezas. El proceso de em paque est a car
go d e un operario q ue tarda 8 m inutos con distribucin exponencial en em pacar ca
da pieza. Posteriorm ente las piezas salen del sistema.
a) Sim ule el sistem a po r 4 0 horas.
b) Identifique dnde se encuentra el cuello de botella.
c) G enere vistas para cada uno de los procesos po r separado.
d) Increm entar el espacio en el alm acn cu esta $5/sem ana; aum entar 10% la veloci
dad de em paque cu esta $15/sem ana;el co sto de incluir otro operario para q ue se
reduzca el tiem po de em p aq u e a 5 m inutos con distribucin e x p o n e n c ia le s de
$20/sem ana.Cada unidad producida d eja una utilidad de $0.40 .Con base en esta
inform acin, determ ine q u m ejoras podran hacerse al sistem a para increm entar
su utilidad sem anal.
11. A u n torno llegan barras cada 3 m inu to s con distribucin expo nencial. A h se proce
san de acuerd o con una distribucin norm al con m edia de 5 m inu to s y desviacin
estndar de 1 m inuto. Posteriorm ente pasan a un proceso de inspeccin. La capaci
169
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
Sim ule el sistem a po r 30 das de 8 horas de trabajo cada uno.

Incluya un co ntador y una grfica de barra para las piezas en el alm acn.
Incluya un indicador de actividad para el torno.
Realice 3 rplicas y obtenga un intervalo de confianza para el nm ero de piezas
que salieron del sistema.
CAPTULO 6
INSTRUCCIONES
DE PROMODEL
6.1
Uso de la biblioteca de probabilidades
6.2
Recursos
6.3
Paros en los equipos
6.4
Reglas de ruteo
6.5
Ensam bles, acum ulacin y agrupam iento de piezas
6.6
Transporte entre estaciones
6.7
Caso integrador
6.8
Problem as
[ C a p tu lo 6 In stru ccio n es d e ProM odel
6.1 U so d e la b ib lio teca d e p ro b ab ilid ad es

La biblioteca de distribuciones de probabilidad de ProModel p erm ite sim ular la variabili
dad de los procesos. En la tabla 6.1 se listan las distribuciones de probabilidad incluidas
en ProM odel y la form a de program ar cada una de ellas.
Tabla 6.1 Funciones de probabilidad disponibles e n ProModel
D istribucin d e
probabilidad
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
hr: m edio rango
172
Uniform e discreta
a: m nim o
b: m xim o
De Weibull
W (ct,P)
cr: form a
3: escala
6.1 U so d e la b ib lio teca d e p ro b ab ilid ad es |
Ejem plo 6.1

A un proceso llegan tre s d iferentes tip o s de pieza. El proceso consta de dos operaciones
en serie: lavado e inspeccin. Antes de cada operacin existen alm acenes de producto en
proceso, con capacidad prcticam ente infinita. Se dispone de una lavadora y de dos ins
pectores en paralelo. Los datos de tiem p o en tre llegadas y tiem p o s de proceso para cada
tipo de pieza son los siguientes:
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).
Uso de fun cio nes de probabilidad
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.
ProModel - EJEMPL04.1.M0D - [Process]

File
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 )
Figura 6.3 Programacin de las funciones de probabilidad del

tiem po de proceso
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
Uso del constructor de lgica para

programar funciones d e probabilidad
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
Sintaxis del programa para el ejem plo 6.1
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
Layout del sistema de manufactura (ejemplo 6.2)
Iniciarem os la construccin del m odelo definiendo los siguientes elem entos:
imi
En la ventana Locatons (Build / Locations) active la ventana de edicin q ue se

ilustra en la fig ura 6.7, y defina las localizaciones Lathe, Mili, Pallet 1 y Pallet2.
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.
Definicin de las localizaciones y su capacidad
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
\fentana de edicin para la definicin de la entidad Barra
En la ventana A rrvals (Build / Arrivals) especifique un nm ero infinito de ocurren

cias para la entidad Barra, con un tiem po entre llegadas de 6 m inutos al Palletl (vea
la fig ura 6.9). (Al definir un nm ero de ocurrencias infinito, es necesario q ue el m ode
lo de simulacin se detenga m ediante la determinacin de un tiem po de corrida.)
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
M odelado de las llegadas de material
En la ventana Resources (Build / Resources) defina el recurso M achinist y la can

tidad del recurso q ue se tie n e (vea la fig ura 6.10).
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.
\fentana de edicin para la definicin de recursos
En la ventana Processing (Build / Processing), cree la ruta de produccin d e las

barras a travs del to rn o y la fresadora, incluyendo en dichas localizaciones la cap
tura del recurso co n la instruccin G ET M a ch in ist, y su liberacin con la instruccin
FR EE M a c h in is t despus del tiem p o de proceso. La fig ura 6.11 m uestra una parte
de la program acin d e la ruta.
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
Ruta de produccin de las barras
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
Definicin de la duracin de la corrida de simulacin
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
a ak i k a k i k t * ak i k aB ak l a a k i ) aB ak i"k i k a k ' k ak aB a a a aB ak k aB ak i B a B i k aB ak i k aB ak aB n a ak aB ak i'k aa ak i k a a ak aB aB i k aB ak a k aB ak iB aB ak aB rta ak aB ak ak aB ak i B a B i k aB ak ik aB ak
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
* . *. . . ..-m. .. ...B .a. i.. ..k ..k. aB

a . ak
m
. ia*. *...B r..t i..k .*
*..k ..k. Bs r.t .. CB .k. a. r.at rt
aa iB
a . .a
... ak
mi ..k. i ..a . m
E n t i t i es
* * * * ** * * * * *** ** * ** ** * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * *
...
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 > ... . .
.. .. .. ..
-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
La programacin completa de la simulacin (contina)
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
La programacin completa de la simulacin (continuacin)
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
M a c h ^ 10C ^ ^ 144Q O j ^ ^ ^ ^ 481C ( ^ ^ ^ ^ ^ 2e ^ ^ ^ ^ ^ ^ Q O C ^ ^ ^ ^ ^ ^ a O ( ^ ^ ^ ^ C ) 0^ ^

Figura 6.14
If lili/ a t io n
9500 J
fteportede resultados del uso de localizaciones y recursos

181
6.3 Paros en los e q u ip o s

Un paro provoca que un recurso o localizacin q ued e inhabilitada para operar, o fuera de
servicio. D esde el punto de vista de la sim ulacin, un paro puede representar fallas, des
cansos, m antenim ientos preventivos (en cuyo caso se necesitarn uno o m s recursos), in
terrupciones program adas o cam bios de turno.
U na localizacin puede quedar fuera de servicio en funcin del tiem p o de sim ulacin
(Clock), por tiem po de uso (Usage), po r nm ero de entidades procesadas (Entity) o por un
cambio en el tipo de entidad a procesar (Setup). Los paros se procesan de m anera inde
pendiente, po r lo q ue diferentes paros pueden ocurrir sim ultneam ente en una m ism a lo
calizacin (excepto aquellos q ue se deban a cam bios de tipo de entidad).
Por su parte, un recurso puede quedar fuera de servicio solam ente en funcin del
tiempo de sim ulacin (Clock) o por tiem p o de uso (Usage).
Otro m todo para definir paros por descansos o tu rn o s consiste en utilizar el editor
de tu rn o s (Shift Editor). Este procedim iento tie n e la ventaja de p erm itir paros en tod o un
cyupo de localizaciones.
Para definir un paro en una localizacin o en un recurso:
Abra el m en Build y haga clic en el com ando Locations (o R eso urces,segn el

caso) para desplegar la ventana de edicin q ue se m uestra en la fig ura 6.15 (por su
puesto, si est definiendo un paro en un recurso, la ventana m ostrar el nom bre
Resources en la barra de ttulo).
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...
Programacin de diferentes tip os d e paro en las localizaciones
Haga clic en el botn leyenda DTs y elija, en el m en contextual q ue aparece, el t i

po de paro q ue desea programar. Enseguida se abrir una ventana de edicin sim i
lar a la q ue se ilustra e n la fig ura 6.16.
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
Clock downtimes for Lathe

F re q u e n e y
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
Determinacin de parmetros de un paro en una localizacin
Prority. Representa la prioridad relativa q ue ten d r el paro. D e m anera predeterm inada,

la prioridad e s 99. Si los paros ocurren hasta q ue la entidad que est e n posesin de la lo
calizacin sale de ella, el rango de prioridades es de 0 a 99. Si un paro ocurre m ientras la
localizacin est ocupada, interrum piendo el proceso de la entidad, el rango de priorida
des es de 100 a 999.
Scheduled. Perm ite indicar si los paros son program ados o no. Los paros program ados
se deducen del tiem po total de sim ulacin para el clculo estadstico de los resultados.
List. En caso de te n e r varias unidades de un m ism o recurso, este parm etro p erm ite se
leccionar el nm ero de la unidad al q ue se aplica el paro.
Node. En caso de recursos dinm icos, representa el nodo, dentro de su ruta, d ond e debe
esperar el recurso m ientras el paro est activo.
Logic. Perm ite program ar los eventos y actividades q ue ocurren durante el paro. En este
campo es posible u tilizar las instrucciones GET, FREE, WAIT, USE, GRAPHIC y JOIN TLY GET.
D isable. Perm ite deshabilitar tem po ralm ente el paro, sin te n e r q ue eliminarlo.
Ejem plo 6.3

Considere un sistem a de m anufactura sim ilar al del ejem plo 6.2, con dos m quinas e n se
rie para los procesos de torneado y fresado. El tiem po de torneado es de 3 m inutos/pie
za, y el de fresado es de 2.7 m inutos/pieza. Para operar am bas m quinas se ha contratado
a un solo operario. La tasa de entrada es 10 piezas/hora.
El torno tien e una frecu encia de fallas exponencial de 4 00 m inutos, y para su re p a
racin se necesita un m ecnico. El tiem p o de reparacin es de 10 3 m inutos, con dis
tribucin uniform e. El operario de produccin descansa 5 m inutos co n distribucin
exponencial cada 120 m inutos de trabajo. Sim ule el sistem a por 24 horas para determ inar
el im pacto de las fallas y los descansos en la utilizacin del equipo y del personal.
Partiendo de los elem entos definidos en el m odelo del ejem plo anterior:
Abra el m en Build y e lija R esources para acceder a la ventana de edicin corres

pondiente (vea la fig ura 6.17).
Defina com o recurso al m ecnico q ue har las reparaciones del torno. En cuanto al
recurso M achinist, haga c lic e n el botn DTs para editar sus descansos.
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
Edicin de los descansos d e M achinist y adicin del recurso M ecnico
Abra la ventana Locations (Build / Locations). Seleccione la localizacin Lathe

(vea la fig ura 6.18), haga c lic en el el botn DTs y luego en Clock (del m en contextual) para ed itar las fallas del equipo. En este caso la prioridad de 999 p erm ite que
la m quina falle an teniendo una entidad en proceso.
[1] -
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
P a lle t2
in f
None
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
Ed icin de los descansos de M a c h in is t y uso del recurso M e c n ic o para hacer la reparacin
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).
Report for fallasv6

G e n e ia l
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
Report for fallasvo

G e n cta '
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
Im pacto de los paros en la utilizacin de los recursos y las localizaciones
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
Acceso a las reglas d e ruteo
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
If Send. Selecciona la localizacin q ue solicite una entidad para un proceso de envo

(requiere el uso de la instruccin SEND).
Untll Full. Selecciona la localizacin hasta q ue est llena.
Random . Selecciona aleatoriam ente y en form a u nifo rm e alguna de las localizaciones
disponibles.
Most A vailable. Selecciona la localizacin q ue te n g a la m ayor capacidad disponible.
If Load Request. Selecciona la localizacin q ue solicite una entidad para un proceso de
carga (requiere el uso de la instruccin LOAD).
Longest Unoccupied. Selecciona la localizacin que te n g a el m ayor tiem po desocupada.
If Em pty. Selecciona la localizacin solam ente cuando est vaca, y continuar seleccio
nndola hasta q ue est llena.
Probabillty. Selecciona la localizacin de acuerdo co n un porcentaje asignado.
User Condition. Selecciona la localizacin q ue satisfaga una condicin booleana especi
ficada po r el usuario.
Continu. Se m antiene en la localizacin para realizar operaciones adicionales.
As A ltrn ate. Selecciona la localizacin com o alternativa si est disponible y n ing un a de
las reglas anteriores se cum ple.
As Backup. Selecciona una localizacin co m o respaldo si la q ue tie n e preferencia est
descom puesta.
D ependent. Selecciona una localizacin solam ente si la ruta inm ediata anterior ya fue
ejecutada.
Quantlty. Es un cam po adicional q ue p erm ite definir el nm ero de unidades q u e saldrn
de esta localizacin por cada unidad que entre. Esta instruccin se utiliza para procesos de
corte y separacin.
Ejem plo 6.4
0 proceso de m anufactura ilustrado en la fig ura 6.21 consta de 2 tornos y 1 alm acn d on
de las piezas esperan antes de ser procesadas. Los tiem p o s de proceso son de 12 y 15 m i
nutos/pieza en los to rn o s 1 y 2, respectivam ente. La tasa de entrada a este proceso es de
6 piezas/hora co n distribucin de Poisson. Sim ule el proceso.
S I Layout - Student Versin
Figura 6.21
Esquematizacin
de un proceso de torneado
186
Para em pezar, d efinirem os las localizaciones Almacn, Torno_ 1y Torno_2 e n la ven

tana Locations (Build / Locations). Especifique la capacidad de dichas localizacio
nes com o se m uestra en la fig ura 6.22.
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
Definicin d e capacidad de las localizaciones
D efina la entidad Pieza en la ventana En titie s (Build / Entitles), com o se m uestra

en la fig ura 6.23.
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)
D espliegue la ventana Processing (Build / Processing) para crear la ruta de pro

duccin de las piezas a travs de cualquiera de los 2 torno s (vea la fig ura 6.25).
187
w a ie 12
Figura 6.25
Seleccin del to rn o donde se procesar la pieza
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).
Haga clic en el botn Rule de la ventana Routing fo r para desplegar el cuadro de

dilogo Routing Rule (figura 6.26), en donde podr seleccionar alguna de las re
glas de ruteo para el registro activo, e n e ste caso para Torno_ 1.
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
(
Seleccione en este cuadro
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.
Repita los pasos anteriores para el torno 2, tenien d o cuidado de q ue la opcin

Start New B lock est desm arcada en este caso. Elija Probability y escriba 0.7 en
el cam po de texto. La figura 6.27 m uestra parte de este procedim iento.
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
Seleccin del torno en funcin de porcentajes
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
I99 999 99 99" 99 99999999999 *999999999999 9999999999999 99

Mi u t e s
Feet
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
Sintaxis com pleta de la program acin para el ejem plo 6.4 (c o n t i n a )
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 Â
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
Sintaxis com pleta de la program acin para el ejem plo 6 .4 (c o n t i n u a c i n )
6.5 En sa m b les, acu m u laci n y ag ru p a m ien to d e p ie za s

Un gran nm ero de procesos de produccin incluyen operaciones de separacin, e n sa m
ble, agrupam iento y unin. A continuacin se resum en varias de las fun cio nes q ue ProMo
del tie n e para m odelar este tipo de procesos.
Instruccin ACCUM
La instruccin ACCUM, cuya sintaxis general es:
ACCUM <Cantidad>,
retrasa el proceso de las en tid ad e s h asta q ue cierta cantidad del m ism o tip o se haya
acum ulado en algn lugar del m odelo. U na vez q ue se han acum ulado, se p erm ite a todas
ellas continuar en fo rm a separada. Si la entidad a procesar se define con el parm etro
ALL, tod as las entidades, sin im portar su tipo, entran en el proceso de acum ulacin. Esta
instruccin no conso lida las entidades (vea la fig ura 6.29).
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
Figura 6.29 Ejemplo de un proceso de manufactura de 12 minutos, que inicia cuando

se han acumulado 5 piezas en la mquina
Instruccin G RO U P
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
Ejem plo de un sistema de produccin de 10 m inutos/lote, con agrupacin previa
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
ProM odel - d e sa g ru p a r. MOD

File
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
Lote $> M aquina
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
Ejem plo de un sistema de produccin d e 10 m inutos/lote, agrupando previam ente
5 piezas en el alm acn y desagrupando despus del proceso
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
|_-_ ||_ n J|_ X | M R outing for c a ja
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
Figura 6.32 Ejemplo de un sistema de empaque en un almacn, combinando 10 piezas/caja

(incluye parte de la sintaxis de programacin del modelo)
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
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
Alm acn Caja

Operario
Figura 6.33
Proceso d e em paque para el ejem p lo 6.5
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
Programacin de la instruccin JOIN
195
El segundo proceso a program ar es para la en tid ad Pieza, y consiste e n m odificar la

regla de ruteo hacia la localizacin Operario. En la figura 6.35 se m uestra cm o llevarlo a
cabo m ediante la seleccin de la o pci n If Joln Request en el cuadro de dilogo Routing
Rule.
Figura 6.35
Programacin de la regla de ruteo If Jo in Request
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
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
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.
ProModel - Ejem plo LOAD.MOD - [Norm al R un]

|*3
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
Esquematizacin de la sim ulacin d e un proceso de unin y separacin d e entidades
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
Programacin de la instruccin LOAD
El segundo proceso a program ar es para la entidad Piezas, y consiste en m od ificar la

regla de ruteo d esd e el A lm acen_de_piezas hacia la localizacin Carga. La fig ura 6.39 ilus
tra c m o se lleva esto a cabo m ediante la seleccin de la opcin If Load Request en el
cuadro de dilogo Routing Rule.
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 !
Programacin de la regla de ruteo If Load Request
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 ]
Mil Routing for Piezas Descarga
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
Sintaxis com pleta de la program acin para el ejem p lo 6.6.
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
Separacin de entidades m ediante la opcin de cantidad disponible en el cuadro
de dilogo Routing Rule
Ejem plo 6.7

A la cortadora de la fig ura 6.43 llegan rollos a una tasa de 5 po r hora. El proceso de corta
do es de 30 segundos, y de cada rollo se obtienen 10 lm inas, las cuales se envan al si
guiente proceso a travs de una banda transportadora.
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
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
Sintaxis general del programa de modelado para el ejemplo 6.7
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
Uso de la instruccin SPUT para el ejem plo 6.7
Instruccin ROUTE
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.
ProM odel - R u teo . MOD - [N o rm al R u n ]

j f T I Pile
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
6.5 E n sa m b le s, acu m u laci n y a g ru p a m ie n to d e piezas [ :
D efina las localizaciones Entrada, Separacin, Banda_ 1, Ban da_2 y Banda_3 en la

ventana Locations (Build / Locations), siguiendo el esquem a de la fig ura 6.47.
D efina la entidad Gear en la ventana Entities (Build / Entities), especificando tres
form as d iferentes para q ue cada entidad pueda diferenciarse po r su color (revise el
procedim iento descrito en el ejem plo 5.3 de la seccin 5.4.3).
Abra la ventana Attibutes (Build / Attributes) para definir el atributo Ruta que
identifique la trayectoria q ue seguir cada tipo de pieza (vea la fig ura 6.48).
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*
C la sa iica tio r..
In teger
Ene
Identificacin del atributo RUTA
En la ventana User Distributions (Build / U ser Distributons), defina una tab la si

m ilar a la q ue se m uestra en la fig ura 6.49 para d eterm inar la m ezcla de producto
donde la variable Tipo_de_pieza tom ar los valores 1 ,2 ,3 , de acuerdo con los po r
centajes definidos.
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
Figura 6.49
Definicin de la distribucin de usuario T ip o _d e_p ie za
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
Asignacin de atributos a la entidad
Abra la ventana Processing (Build / Processing) para definir la ruta de la entidad

Gear a travs de las localizaciones.Tenga cuidado al crear el proceso de separacin
que se ilustra en la fig ura 6.51; observe q ue en la localizacin Separacin existen
tres posibles rutas de salida, identificadas en el cam po B lk como 1 ,2 ,3 . Para lo g rar
lo es necesario m arcar la casilla de verificacin de la opcin Start a New B lock en
el cuadro de dilogo Routing Rule.
Figura 6 .5 1
Segm ento d e la ruta de la localizacin Separacin
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
u a rtiE s s ssffKasissns a i K rtS B S S is s E s s n in s s S S K ssn sK n sssn sK sn ssiS B iin ssn sB 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;~EÊ-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
Sintaxis completa de la programacin del modelo para el ejemplo 6.8
207
6.6 Tran sp o rte en tre estacio n es

En ProModel, el m odelado del transporte de entidades a travs de un sistem a se lleva a
cabo gracias a los recursos dinm icos y a la creacin de rutas de transpo rte. El procedi
miento es el siguiente:
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 .
Ejem plo 6.9

Al inicio del da entran 100 barriles de 200 litros a un alm acn de m aterial en proceso. Es
tos barriles deben ser transportados hacia un proceso de inspeccin, en donde el operario,
llamado Casimiro, inspecciona el producto en 5 m inutos con distribucin exponencial. De
bido al tam ao de los barriles, un m ontacargas d ebe realizar el m ovim iento del producto
desde el alm acn hasta d ond e se en cu entra Casimiro. El tiem po de transporte es de 2 a 3
m inutos con distribucin uniform e.O bserve el esquem a del problem a en la fig ura 6.53.
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:
Definir en la ventana Locations (Build / Locations) dos localizaciones: Alm acn y

Casimiro.
Especificar en la ventana Entities (Build / Entities) la entidad Barril.
Definir en la ventana Arrivals (Build / Arrivals) las caractersticas de las llegadas
del Barril al Almacn.
En la ventana Path NetWork (Build / Path NetWork), active una ventana de edi
cin para especificar la trayectoria por d ond e se m over el recurso. Al crear la ruta
deber establecer los valores de los siguientes parmetros:
Graphic. Perm ite seleccio n ar el color de la trayecto ria, y sta ser visible o no d u
rante la sim ulacin. Si e s una gra viajera perm itir especificar sus colores, la sep a
racin del p u en te y la representacin grfica.
208
6 .6 T ra n sp o rte e n tre e sta cio n e s | '
am e. Nom bre de la trayectoria.

T yp e Set. Perm ite definir la posibilidad de rebasar dentro de la trayectoria. Selec
cio ne la opcin Crane si la trayecto ria es una gra viajera.
T/S. Frm ite determ inar si el m ovim iento e s con base en el tiem po o e n la velocidad.
Paths. Perm ite crear y ed itar la trayecto ria y sus nodos.
Interfaces. Perm ite asociar los n odos co n las localizaciones.
M apping. Perm ite realizar el m apeo de d estinos y rutas.
Nodes. Se crean autom ticam ente al crear la trayectoria.
Para c re a r la ruta y sus nodos:
Haga clic en el botn Paths de la ventana Path Networks.

Haga c lic con el botn izquierdo del ratn sobre el punto del layout d ond e desee
m arcar el inicio de la ru ta. Haga clics sucesivos para d eterm inar cam bios de direc
cin. Haga clic con el botn derecho del ratn en el punto d ond e quiera fijar un n o
do. Si desea seg uir agregando nodos, repita el proceso anterior a partir del ltim o
nodo q u e haya determ inado (vea la fig ura 6.54).
D efina el resto de las caractersticas de la trayectoria. Com o e n este ejem plo desea
m os m over el recurso de acuerdo con el tiem po, active la opcin Tim e en la co lu m
na T/S y, en la ventana de edicin Paths, establezca un tiem p o U (2 .5 ,0.5) en tre el
nodo N 1 y N2 en la colum na Time.
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
En la fig ura 6.56 vem os finalizado el proceso de creacin de la trayectoria. Los c rc u

los sealan la aso ciaci n;en el layout sta se identificar m ediante una lnea punteada en
tre el nodo y la localizacin.
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
Definicin final d e la ruta
Casimiro
Para continu ar el m odelado del problem a:
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
Ctefinicin d el recurso M ontacargas
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
Retum Hom e If Idle
r R eso u fc*
B re a k : |(none)
Motion
C losest R esource
r u a s
O ffS h ift: 1(none)
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
Especificaciones d el recurso y su asociacin con la ruta
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
MOVE H:CH Montacargas THEN FBEE
Figura 6.59
D estinaci n..
Casimiro
Ourput.
B a r r il
Crie i
Segm ento d e la program acin d e la captura, uso y liberacin d el recurso dentro
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
Sintaxis com pleta del m odelo para el ejem p lo 6.9 (c o n t i n a )
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
Sintaxis com pleta d el m odelo para el ejem p lo 6.9 (c o n t i n u a c i n )
213
6.7 C aso integ rad or

La em presa EH LE,S.A . se dedica a la fabricacin y en sam b le de circuitos electr nico s (PCB)
para la industria autom otriz, y desea instalar una nueva celda flexib le de m anufactura
donde se puedan ensam blar 22 nuevos tip o s de circuitos electrnicos. Las operaciones
para fabricar y ensam blar son las siguientes:
1.
2
3.
4.
5.
6.
7.
&
9.
10.
11.
Carga de la tarjeta en el contened or (CTC).

Lim pieza (Ll).
Corte con cizalla (CCZ).
Taladrado de orificio s (TO).
Copia de patrones (CP).
Ataque qum ico (AQ).
Deposicin electroltica (DE).
Inspeccin (IN).
Insercin de co m p o n entes (IC).
Soldadura, lim pieza y pruebas (SLP).
Descarga del circuito del contened or (D CQ .
La lnea de ensam ble pu ed e trabajar de 1 a 3 turnos en funcin de la dem anda de los

clientes. Los productos se m ueven e n co ntenedores a travs de la celda, y cada proceso se
lleva a cabo sobre el contenedor. Existe solam ente una banda transportadora po r donde
se m ueven los contenedores, de m anera q ue es im posible que uno rebase a otro. A ctu al
m ente la em presa cuen ta con 350 co ntenedores y desea saber cuntos asignar a la celda
para el transp o rte y m anejo de m ateriales. El diagram a 1 m uestra el flujo de la celda.
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
Diagrama de flujo de la lnea de fabricacin y ensamble
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 |
Cantidad m xim a d e contenedores

perm itidos en la estacin
Estacin
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
Ataque qum ico
Deposicin electroltica
Inspeccin
Insercin de com ponentes
Soldadura
Lim pieza y pruebas
10
Descarga del circuito

del contenedor
En el diagram a 2 se presenta, en form a esquem tica, el proceso de produccin, in

cluyendo los tiem p o s de proceso y los tiem p o s de transp o rte en cada etapa (todos los
tiem pos estn en m inutos y po r contenedor). Casi to d o s estos tiem p o s son constantes, ex
cepto las estaciones m arcadas co n la expresin f (f), ya q ue el tiem po de proceso en esas
operaciones d epend e de cada tipo de producto y fam ilia. En algunos casos, com o en el de
Taladrado, existen 2 com ponentes de tiem po, uno constante y otro q ue d epend e del pro
ducto.
Diagrama 2
Tiem pos de proceso y transporte (m inutos/contenedor)
215
La celda pu ed e procesar 22 tip o s de productos diferentes, aunque en un program a

de produccin de un da tpico de trabajo se pueden fabricar solam ente e n tre 8 y 12 tipos
d stintos de circuitos. Esto se d ebe a la distribucin de probabilidad de la dem anda diaria de
cada producto. La co lu m n a 2 d e la tab la 6.2 m uestra e sa s d istrib u cio n e s; po r ejem plo,
del producto 1 se pueden program ar e n tre 8 y 10 circuito s con distribucin u nifo rm e; del
Tabla 6.2
Programa de produccin y definicin de fam ilias

Operacin
Tipo
de
circuito
Cantidad
a producir
p o r d a
U = Uniform e
P = Poisson
CTC
ccz
TO
DE
DCC
Fam ilia a la q ue pertenece el circuito

1
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 |
producto 2 se pueden program ar en prom edio 12 circuito s con distribucin de Poisson, y

as sucesivam ente. El departam ento de Adm inistracin de la Produccin enva este pro
gram a a Produccin un d a antes, d e tal m anera q u e Produccin acerca el m aterial y lo de
ja disponible desde el inicio del turno , para com enzar a procesarlo d urante el da.
Los circuitos se han agrupado por familias, de acuerdo con su tiempo de proceso en cada
etapa. Por ejemplo, segn la tabla 6.2, el circuito tipo 1 pertenece a la fam ilia C en el proceso
de Carga, a la fam ilia A en el proceso de Corte, a la fam ilia A e n el proceso de Taladrado, a la
fam ilia B e n el proceso de Deposicin y a la fam ilia C en el proceso de Descarga.
Los contenedores estn vacos al inicio de cada tum o, em piezan a cargarse con los di
ferentes productos y, al finalizar la produccin, deben quedar vacos nuevam ente.
En to d o s los casos, la co m p o n ente aleatoria del tiem p o de proceso, f (f), se expre
sa con una fu n ci n de densidad Erlang con un va lo r esp erad o (t) y un parm etro de
form a k, com o se m uestra en la tab la 6.3 para cada una de las fam ilias y procesos. Por
ejem plo, to d o s los productos q u e pertenezcan a la fam ilia A en el proceso de Carga te n
drn un valor esperado de 7.55 m inutos, co n k = 3, etctera.
Tabla 6.3
Fam ilias y distribucin de probabilidad de los tiem p o s

de proceso:/c-Erlang(f) e n m inutos/contenedor
O peracin
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
(MTBF) Tiem po en tre fallas en Lim pieza, en m inutos/falla
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
(MTBF) Tiem po en tre fallas en Insercin, en m inutos/falla
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
(MTTR) Tiem po de reparacin en Lim p ieza,en m inutos/falla
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
(MTTR) Tiem po de reparacin en Insercin, en m inutos/falla
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
D entro de la em presa se ha generado una serie de preguntas, ya q ue se vislum bra

en un futuro cercano un increm ento co nsiderable en la dem anda de productos. Pa
ra contestar tales interrogantes desarrolle en ProM odel un m odelo de sim ulacin estads
ticam ente vlido, que perm ita determ inar:
a) La operacin en q ue se presenta un cuello de botella.
b) La hora de term inacin del program a de produccin diario, considerando la varia
cin en la dem anda de un da para otro, con un nivel de 90% de confianza.
c) La cantidad ptim a de contenedores q ue d ebe asignarse a la celda. Es posible ju s
tificarla m ediante una grfica donde se relacione el nm ero de contenedores asig
nados co n tra la produccin diaria lograda, observando a partir de q u punto la
produccin prcticam ente no se increm enta.
d) El inventario prom edio de co ntenedores e n cada operacin.
e) El tiem p o de perm anencia prom edio de los co ntenedores en cada operacin.
f) El tiem po prom edio de perm anencia de un contenedor e n la celda de m anufactura.
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
T iem p o prom edio d e servicio (min/cliente)
Exponencial con m edia 1.8
2-Erlang co n m edia 1.8
4-Erlang co n m edia 1.8
Normal co n m edia 1.8 y varianza 0.2
1.8
219
Sim ule el sistem a en ProModel y calcule, para cada escenario:

a) la utilizacin del cajero.
b) el nm ero prom edio de clientes e n espera.
c) si en todos los casos el tiem p o prom edio de servicio e s el m ism o, a q u facto r se
deben las diferencias (si e s q ue existen)?
d) Qu diferencia existe entre el prim ero y el ltim o escenarios?
3. A una ferretera con dos d ependientes y una fila llegan 56 clientes/hora con d istribu
cin de Poisson. El tiem p o de servicio es exponencial co n m edia de 2 m in/cliente. Si
m ule el sistem a hasta lograr el estado estable y calcule:
a) la utilizacin de los dependientes.
b) el tiem po prom edio de espera en la fila.
4. U na tien d a de aparatos electr nico s vende 2 tip o s de m icrocom putadoras: la E-GD
y la H-GR. El tiem po e n tre llegadas es exponencial co n m edia de 45 m inutos/cliente.
Se trata de una tien d a pequea, po r lo que solam ente requiere un em pleado para
atender a los clientes de acuerdo con un esquem a "prim ero en llegar, prim ero en sa
lir" 25% de los clientes q ue entran no realizan com pra alguna, y utilizan al em pleado
durante 15 m inutos exactam ente; 50% de los clientes q ue entran compran una com pu
tadora tipo E-GD, y el tiem po q ue les lleva realizar la transaccin sigue una distribucin
uniform e de en tre 31 y 36 m inutos; 25% restante entra a la tienda y com pra la co m p u
tadora tipo H-GR. El tiem po q ue se requiere para la venta e n este caso sigue una dis
tribucin exponencial con m edia de 70 m inutos. Sim ule 8 horas y determ ine:
a) la utilizacin del em pleado.
b) el tiem po prom edio q ue un cliente tie n e q ue esp erar antes de ser atendido.
5. Un sistem a de produccin cuenta con 10 to m o s. El tiem po de operacin de cada to r
no sigue una distribucin de probabilidad exponencial co n m edia de 96 horas, des
pus del cual ocurre una falla y tie n e que ser enviado a m antenim iento. El tiem p o de
reparacin es exponencial con m edia de 72 horas. El tiem po de traslado de los torno s
entre produccin y m antenim iento es u nifo rm e,co n parm etros de 60 15 m inutos.
Se desea sim ular el sistem a hasta alcanzar el estado estable, con 1 , 2 , 3 , 5 , . . . , 10 m e
cnico s para d eterm inar en cada caso la utilizacin de los m ecnicos y el nm ero pro
m edio de tornos en espera de reparacin.
6. La em presa LECA R d isp o n e de 100 telares. El tiem p o de operacin de cad a te la r a n
te s de q ue ocurra una rotura sigue una d istrib uci n de probabilidad expo nencial, y
el te la r se d etien e en esp era de q ue un obrero re p are la rotura y reinicie la o pera
cin. El tiem p o de reparacin es de 2-Erlang con m edia de 5 m inutos. El tiem p o pro
m edio en tre ro turas d epend e de la ca lid a d del hilo, de acuerdo co n lo s siguientes
escenarios:
220
Escenario
Calidad
d el hilo
Tiem p o prom edio entre roturas

(min/rotura)
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
se estim a en $1 O/hora-troqueladora, y el costo de m antener una lmina en inventario se

estim a en $0.500/hora-lm ina. Sim ule el sistem a para d eterm inar el inventario pro
m edio de lm inas y el costo total/hora.
10. A un proceso de troquelado llegan lm inas de acuerdo co n una distribucin de Poisso n co n 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 para m ateria
prim a con capacidad de 5 lm inas;si una lm ina llega y no pu ed e entrar al proceso o
al alm acn de m ateria prim a, d ebe ser enviada a otro lugar de la planta para la reali
zacin del troquelado. El costo de operacin de las m quinas se estim a en $1 O/horatro q u e la d o ra ; el costo d e m a n te n e r una lm in a e n in ven ta rio se estim a en
$0.500/hora-lm ina, y el costo de enviar a las lm inas hacia otro lugar es de $0.800
por lm ina. Sim ule el sistem a para d eterm inar el inventario prom edio de lm inas en
el alm acn antes de troquelado, y el costo total/hora.
11. A u n centro de m aquinado llegan tre s diferentes tip o s de pieza. A ntes del centro e xis
te un alm acn de producto e n proceso, co n capacidad prcticam ente infinita. El tie m
po de operacin y la tasa de entrada de las piezas son las siguientes:
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
el sistem a 5 das para determ inar:

a) la utilizacin de cada operacin.
b) el tiem po prom edio d e perm anencia de las piezas en todo el proceso.
c) el tiem po prom edio de espera de las piezas antes de pintura y antes del horneado.
14. A un cen tro de copiado llegan tre s tip o s de trabajos. Si un trabajo no pu ed e ser inicia
do inm ediatam ente, espera en una fila com n hasta que est disponible alguna de
las tres copiadoras con las que cuen ta el centro. El tiem po de copiado y la tasa de en
trada de los trabajos son com o siguen:
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)
Despus del proceso de copiado los trabajos son inspeccionados po r un em pleado

en un tiem p o exponencial con m edia de 3 ,6 ,1 0 m inutos para los trabajos 1 ,2 y 3, res
pectivam ente. Sim ule el sistem a en ProModel d urante 50 horas, y determ ine:
a) la utilizacin del em pleado y las copiadoras en la situacin propuesta.
b) el nm ero de em pleados y copiadoras m nim os necesarios para asegurar el flujo
de los trabajos.
15. Un tipo de pieza entra a una lnea de produccin. El proveedor en treg a en fo rm a ex
ponencial con m edia de 2 m in/pieza. La lnea co nsta de 3 operaciones con una m
quina en cada operacin. Los tiem p o s de proceso son:
O peracin
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
C a p tu lo 6 In stru ccio n es d e ProM odel
Se ha decidido q ue la produccin se realice en la m quina 1 las prim eras 3 horas del

turno, en la m quina 2 las 3 horas siguientes, y en la m quina 3 las 2 ltim as horas. Por
razones de program acin, la m quina 1 inicia siem p re a las 8:15 a.m . Los tiem p o s de
perforado en cada m quina se m uestran a continuacin:
Mquina
Tiem po prom edio d e proceso

(segundos/pieza)
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 salirÊI 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
Tiem po prom edio d e proceso

(horas/pieza)
Constante (4.9)
Exponencial (4)
Uniform e (4.7 0.3)
Se tie n e un m ontacargas para to d o s los m ovim ientos entre estaciones. El tiem p o de

traslado entre estaciones es 3-Erlang con m edia de 30 m inutos/intercam biador. La
anim acin d ebe in cluir un co ntador de las piezas producidas.
I. Sim ule en ProModel el proceso de 500 intercam biadores 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.
e) Recom endara te n e r otro m ontacargas? Ju stifiq u e su respuesta.
II. Sim ule el m odelo con un escenario d ond e el m o n tacarg as fa lle en fo rm a e xp o
nencial cada 15 ho ras de trabajo y sea reparado con una distribucin norm al con
m edia de 30 m inu to s y desviacin estndar de 5 m inutos. En e ste caso, sera apro
piado te n e r dos o m s m ontacargas? Justifiq ue su respuesta.
20. Un prom edio de 10 personas/hora con distribucin d e Poisson intentan entrar al jacuzzi de un hotel. En prom edio, cada persona perm anece 20 m inutos con distribucin
exponencial. En el jacuzzi existen solam ente 6 espacios, po r lo q ue si u na persona lle
ga y estn ocupados todos los lugares, se retira enojado y no regresa. Sim ule el pro
ceso d urante 100 horas.
a) Cul es la utilizacin del jacuzzi?
b) En prom edio cuntas personas se encuentran en el jacuzzi?
c) En prom edio cuntas personas po r hora n o pueden usar el jacuzzi?
d) Cuntos lugares debera te n e r el jacuzzi para asegurar q ue 9 5% de las personas
que llegan puedan entrar?
21. D eterm ine m ediante ProModel el nm ero de m quinas q ue requiere un sistem a pa
ra procesar las piezas, teniendo com o restriccin m antener una utilizacin en tre 60 y
80% . Las piezas llegan de acuerdo co n una distribucin de Poisson, co n m edia de 1.5
clientes por m inuto. Cuando una pieza entra y to d a s las m q uinas estn ocupadas,
perm anece en una sola fila com n a las m quinas. El tiem po de proceso sigue una
distribucin exponencial co n m edia de 3 m inutos. Incluir dentro de los resultados los
valores de la utilizacin, tiem p o de esp era prom edio y nm ero de piezas prom edio
en espera.
22. El diagram a m uestra el proceso y ruta de las piezas dentro de una celd a de m anufac
tura. Todas las piezas deben entrar y salir de la celda a travs de la m quina de carga
225
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
El tiem p o de proceso en cada operacin es:

O peracin
(m in/peza)
AS/RS
1.000
CORTE
0.465
ESCUADRE
0.500
REPROCESO
6.666
Sim ule en ProM odel y d eterm in e para cada operacin:

a) la utilizacin.
b) el nm ero m xim o de piezas.
c) el nm ero prom edio de piezas.
23. En el sistem a cerrado q ue se m uestra en el diagram a se m antienen siem pre 20 piezas
en proceso. Cada pieza entra desde una banda principal a travs de un robot de tra n s
ferencia, y d ebe visitar las 2 estaciones d e rectificado antes d e regresar al ro b o t de
transferencia para ser enviada de nuevo hacia la lnea principal. Las piezas se m ueven
a trav s de bandas transportadoras. (O bserve el diagram a siguiente.)
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
Los tiem p os de produccin son:
O peracin
Tiem po de proceso
(m in/pieza)
Robot
Normal (4,1)
Rectificado 1
Normal (6 ,0.3 )
Rectificado 2
Exp o nencial (4)
Transporte
entre estaciones
Sim ule d urante 200 horas y determ ine:

a) la produccin por hora.
b) la utilizacin de las estaciones.
c) el inventario prom edio en proceso en cada estacin.
d) el tiem po prom edio de perm anencia de las piezas en el sistem a cerrado.
24. Cinco cam iones son utilizados para transpo rtar concreto de un lugar a otro. Solam en
te se tie n e una tolva de carga, y el tiem p o para hacerlo sigue una distribucin expo
nencial con m edia de 20 m inutos. El tiem p o para transpo rtar el concreto y regresar
por m s m aterial sig u e una d istrib uci n exp o n encial con m edia de 180 m inutos.
Sim ule el m ovim iento de los cam iones para contestar:
a) en prom edio, cunto esp era un cam in en la fila de la tolva?
b) qu fraccin del tiem p o no se utiliza la tolva?
c) si se han program ado 500 viajes, cunto tiem p o tom ar hacerlos?
25. A un sistem a de produccin de la em presa EH YPSA llegan piezas de tipo 1 cada 5 3
minutos, y piezas tipo 2 cada 3 2 m inutos. Las piezas tipo 1 pasan por lim pieza en
un tiem p o de 8 3 m in u to s; al salir, 25% d eben lim piarse de nuevo, y el 75% restan
te sale del sistem a para su venta. Las piezas tipo 2 pasan prim ero po r verificacin en
un tiem po de 9 3 m inutos, y despus por lim pieza en un tiem p o de 3 1 m inutos.
Al salir de lim pieza, 5% deben lim piarse de nuevo, y el 95% restante sale del sistem a
para su venta. Sim ule el sistem a 1 m es y determ ine el nm ero m nim o de operarios
de verificacin y lim pieza q ue perm itan m axim izar la produccin por hora. Indique el
nmero de piezas de cada tipo q ue se produjeron d urante el mes.
26. En el hospital HELEED, los pacientes entran a las salas de em erg encia a una tasa Pois
son con m edia de 4 persona/hora: 80% de los pacientes entran d irectam ente a una
de las 5 las salas; el 20% restante son llevados co n una secretaria para un proceso de
registro de datos. El tiem p o en registro es de 5 0.5 m inutos/paciente, pasando pos
terio rm ente a las salas de em ergencia. Se tie n e de guardia a dos m dicos en las salas
de em ergencia, y stos tardan en revisar a los pacientes un tiem p o 3-Erlang con m e
dia de 30 m inutos/paciente. Despus de este tiem p o el paciente es trasladado a otras
reas del hospital, de acuerdo con su estado.
227
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
[ | A nexo 1 D istribu cio nes d e pro b ab ilid ad
A.1 D istrib u cio n es co n tin u as

D istribucin d e Erlang
Codificacin
Funcin de densidad
k-Er[M )
f{x)=
Para
Distribucin
acum ulada
f(x ) = i _ r ^
Parmetros
Parm etro de localizacin: 0

Parmetro de fo rm a: k
p a ra
x > 0
Parmetro de escala: \ > 0

A
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 '
A n e xo 1 D istrib u cio nes d e p ro b ab ilid ad | '
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
A nexo 1 D istribu cio nes d e p ro b ab ilid ad
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
e -x z /ig { x/f ]'
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
(e " ! - ij e 2'1* " '

*)
Lo g n o rm al (4 ,0 .7 9 2 )
235
A nexo 1 D istribu cio nes d e pro b ab ilid ad
D istribucin norm al
Codificacin
Funcin de densidad
N[fiL,<r2)
f(x) =
e-(x-/*PA2o-?)
para
xilino-
Distribucin
acum ulada
Parmetros
Parm etro de localizacin: x

Parmetro de escala: a > 0
Rango
( - 00 , 00 )
Media
Vrianza
termal (10, 2)
fW
236
X > ^X)
D istribucin trian g u lar

---------------------------Codificacin
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
a y b son nm eros reales, co n a < b;

Parmetro de localizacin: a
Parmetro de escala: b - a
Valor m nim o: a
Valor m xim o: b
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
Parm etro d e lo ca liza ci n :
Parm etro d e escala: p > 0

Parm etro d e fo rm a : a > 0
R ango
[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
A .2 D istrib ucio nes d iscretas

D istribucin d e B ernoulli
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
B ern o ulli (0.7)

P W
0.70
[-
0.35
0.00
-1
.0
0.0
1.0
2.0
3.0
4.0
5.0
240
D istribucin binom iai
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 )
Bin o m ial (5,( )-5)
pM
0.35
0.17
nnn
-1 .0
0 .0
1.0
2.0
3.0
4 .0
5.0
241
D istribucin geom trica
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
_i____ .____ ______.__

6 .0
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
A > 0 e s un nm ero entero
Media
Varianza
Fb isso n (4)
PM
243
D istribucin uniform e discreta
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
/' y j son nm eros enteros, co n / < j

Parmetro de localizacin: i
Parmetro de escala: j -
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
Anexo 2 Rep ortes e sta d stic o s e n ProM odel
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 Multi
Location States S i n g b / T a n k
Resour 4
General foi Ejemplo 4.1
ame
Valu
R u n D a te /T im e
21/04/2005 13:22:00
M o d d Path/File \ t : W c h i y o s d e programa^ProModeN ModesSEJEMPLO4 .1 .M 0 D

Model Title
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
< |
Entity Activity for ejemplo4.1

ame
Total
Exits
Curient A vg T ime 1n A vg Time In

Qty In
System
Moye
System
(MIN) Logic (MIN)
Pieza A
0.00
0.00
Pieza B
2216.00
3.00
Pieza C
0.00
0.00
0.00
11.31
0.00
Avg Time Avg Time In A vg Time

W ait F 01
Operation B locked
R es(M IN )
(MIN)
(MIN)
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
9.01
2.30
0.00
0.00
Incluye la inform acin q ue se describe a continuacin:
246
Total Exlts. Nmero de en tid ades q ue abandonaron el sistem a.

Current Q ty In Sy ste m . Nm ero de en tid ad e s q ue p erm anecen en el sistem a al
finalizar la sim ulacin.
Avg T im e In System (MIN). Tiem po prom edio q ue las entidades perm anecieron
en el sistem a sim ulado.
A nexo 2 Rep ortes estad sticos e n P ro M o d el |
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:
Total Cost. Costo total de las entidades.

% Total Cost. Porcentaje del costo de una entidad activa respecto del costo total
de las entidades.
Entity States By Percentage

Report for ejem plo4.1
Loca l ion S l ates M ulti
Local! o n S lal e s S ingle/T a nk
R esour ces
R esource
S la
Entity States for ejemplo4.1

ame
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
O frece la siguiente inform acin:
% 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
| Anexo 2 Reportes e sta d stic o s en ProM odel
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
Loe a tion S tatos M ult i
F a ile d Arrivals: for ejem plo4.1

En tity
am e
L o c a tio n
am e
T o tal
Fa ile d
Pieza B
A lm a c n 1
0.00
Esta ficha ofrece los siguientes datos:
Entity am e. Nom bre de la entidad.

Location am e. Localizacin d ond e ocurre la llegada de la entidad.
Failed A rrivals. N mero de entidades q ue no entraron a la localizacin po r falta de
capacidad.
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
L o c a tio n C o stin g for d e a e rc o
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
Aqu podr o b tener la inform acin q ue se lista a continuacin:
248
Operation Cost. Costo del tiem po de operacin.

% O peration Cost. Porcentaje del co sto de la localizacin, respecto de la sum a de
los costos de operacin.
Resource Cost. Costo po r el uso de un recurso q ue opera dentro de la localizacin.
% Resource Cost. Porcentaje del costo de un recurso en la localizacin, respecto
de la sum a de los costos del resto de los recursos.
Total Cost. Costo de operacin m s costo del recurso.
% Total Cost. Porcentaje del costo to tal de la localizacin respecto de la sum a de
tos costos totales de las localizaciones.
Location States By Percentage (M ltiple Capacty)

R ep o rt fo r e je m p lo 4 .1
General
Locations
Location States Muiti!
Location States Single /Tank
Resources
Location States Multi foi ejemplo4.1

ame
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
En esta ficha encontrar los siguientes datos:
Scheduled T im e. Porcentaje de tiem p o en operacin.

% Em pty. Porcentaje de tiem po q ue la localizacin estuvo vaca.
% Partially O ccupied. Porcentaje de tiem p o q ue la localizacin estuvo parcial
m ente llena.
% Full. Porcentaje de tiem po q u e la localizacin estuvo llena.
% Down. Fbrcentaje de tiem po que la localizacin estuvo no disponible po r paros
no program ados.
Location States By Percentage (Sin g le Capadty/Tank)

R ep o rt f o r e je m p lo 4 .1
Locations
Location States Multi
f Locatio n S tate s S ingle/T a n i i
R esources
R esource <
Location States Single/Tank for ejemplo4.1

Scheduled
Time (MIN)
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
Con esta inform acin:

Scheduled T im e .Tiem po total program ado.
% O peration. Porcentaje de tiem p o q ue la localizacin estuvo en operacin.
% Setup. Porcentaje de tiem p o q ue la localizacin estuvo en preparacin.
% Idle. Porcentaje de tiem po que la localizacin estuvo ociosa porfalta de entidades.
% W aiting. Porcentaje de tiem p o q ue pas la entidad esperando un recurso u otra
entidad para agruparse, unirse, etctera.
% Blocked. Porcentaje de tiem p o q ue las entidades perm anecieron bloqueadas
en la localizacin.
% Down. Porcentaje de tiem po po r paros no program ados.
249
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
La ficha Locations le ofrece esta inform acin:
Scheduled T im e (MIN). Tiem po total program ado de la localizacin.

Capacity. Capacidad de la localizacin.
Total Entrles. Total de entidades q ue entraron a la localizacin.
Avg Tim e Per Entry (MIN). Tiem po prom edio de perm anencia en la localizacin.
Avg Contents. Nmero prom edio de en tid ades en la localizacin.
M ximum Contents. Nmero m xim o de en tid ades en la localizacin en el tran s
curso de la sim ulacin.
Current Contents. Nmero de entidades e n la localizacin al final de la sim ulacin.
% Utllization. Porcentaje de utilizacin.
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
La ficha Logs da al usuario los datos q ue se listan a continuacin:
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
N ode E n trie s fo i ejem plo4.1

1
P a th
am e
----- T-v^v.-^.-------Node
am e
T o ta l
E n trie s
B lo c k e d
E ntries
Node Entries presenta estos datos:
Path am e. N om bre de ia trayectoria.

Node am e. Nmero del nodo.
Total Entries. Total de entradas de un recurso a u n nodo.
Blocked Entries. Nmero de veces q ue el nodo estuvo bloqueado por otro recurso.
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
N onU se Usage Cost

Cost
Dollars
Z Usage T otal Cost

Cos
Dolais
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
Esta ficha indica:
N onUse Cost. Costo atribuible al ocio del recurso.

% N onUse Cost. Porcentaje del costo de ocio del recurso respecto de la sum a de
los costos de ocio de to d o s los recursos.
U sage Cost. Costo po r usar el recurso.
% U sage Cost. Porcentaje del costo de utilizacin del recurso respecto de la sum a
de los costos de utilizacin de todos los recursos.
Total Cost. Costo de utilizacin m s costo de ocio.
% Total Cost. Porcentaje del costo total del recurso respecto de la sum a de los cos
tos de todos los recursos.
251
Resource States By Percentage

R e p o rt fo r d e a e rco
- 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
Incluye la siguiente inform acin:
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
La ficha Resources presenta estos datos:
Units. Nmero de recursos.

Scheduled T im e (MIN). Tiem po program ado para utilizar el recurso.
N um ber of Tim es Used. Nmero de ocasiones q ue se utiliz el recurso.
Avg Tim e Per U sage (MIN). Tiem po prom edio de utilizacin del recurso.
Avg Tim e Travel To U se (MIN). Tiem po prom edio po r viaje del recurso.
Avg Tim e Travel To P ark (MIN). Tiem po prom edio para dirigirse al nodo base.
% Blocked In Travel. Porcentaje de tiem po que el recurso estuvo bloqueado al fi
nal del viaje.
% Utilization. Fbrcentaje de utilizacin del recurso.
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
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
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
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
Finalm ente, la ficha Variables ofrece la siguiente inform acin:
Total Changes. Total de cam bios de valor de la variable.

A verage T im e Per C h a n g e . El tiem p o pro m ed io e n tre ca m b io s de va lo r de la
variable.
M nim um Valu. Valor m nim o de la variable en el transcurso de la sim ulacin.
M xim um Valu. Valor m xim o de la variable en el transcurso de la sim ulacin.
Current Valu. Valor de la variable al fin alizar la sim ulacin.
Avg Valu. Valor prom edio de la variable a lo largo del tiem po.
253
AN EXO 3
DISTRIBUCIONES
DE
PROBABILIDAD
255
'
| A nexo 3 D istribu cio nes d e pro b ab ilid ad
P ro b ab ilid ad es acu m u lad as para la d istrib u ci n Norm al Estnd ar
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
Fuen te : Va lores calcu la d o s co n Excel.
256
Z
0.00
3.80
Valores crticos para la d istrib u ci n f-student
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
Fuen fe: f l o r e s calcu la d o s co n Excel.
257
'
Valores crtico s para la d istribucin X 1
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 )
Valores crticos para la d istrib u ci n X 2 (co n tin u a ci n )
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
Fuen fe: Va lores calcu la d o s co n E x c e l
259
Valores crtico s d e la d istribucin F con a = 0.05

G rados d e libertad p ara e l d e n o m in a d o r
X
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 :
N&lores calcu la d o s co n ExceL
Valores crtico s d e la d istribucin F con a = 0.1

G rados d e libertad p ara e l d e n o m in ad o r
X
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
Valores crticos d e la prueba d e Kolm ogorov-Sm irnov

v
grados
d e lib ertad
1
2
0 .9 5 0
0.975
â =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 ,
T h e Jo u rn a l o f t h e A m erican Statistical A sso c ia tio n .v o l. 4 6 , p p .7 0 (1951).
261
'
Estad stico s de prueba y valo res crtico s para la prueba

de A nderson-D arling
Valores crticos
a
Distribucin
Parm etros conocidos

n>5
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
Kelto n , W .D . S i m u l a t i o n M o d e i i n g a n d A n a l y s i s , 3 a .e d .( p p .3 6 8 , M cG raw H ill (2000).
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
Valores calcu la d o s a p a rtir d e la ecu aci n d e a p ro x im a c i n d e Lanczo s

Para va lo re s d e x no ta b u la d o s, u sa r la relaci n T ( x + 1) = x r ( x )
P a ra
va lo re s natu rales d e x ,u s a r T (x ) = x ( x - 1)!
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 .
SIAM N o .an a l. ser. B.( v o l . l , p p .68-96 (1964).
263
P ro b ab ilid ad es acu m u lad as d e la d istrib u ci n Poisson

Media
X
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
Fuente: \& lores calcu la d o s co n E xce l.
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 )
Probabilid ad es acu m u lad as d e la d istrib u ci n Poisson (co n tin u a ci n )

M edia
X
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
Fuen fe: Va lo res calcu la d o s co n E x c e l
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
Ensambles, acum ulacin, 190

Entidad, 3
Entidades, 6
Entities, 134
Entity, 138
Entity Activity, 246
Entity Activity, fich a, 145
Entity States, fich a , 145
ENTRIES, 148
Erlang ,56,88
Estado
del sistem a, 3
desventajas, 8
estable, 7
transitorio, 7
ventajas, 8
Evento, 3
secundario, 113
(vento s, 6
Exactitud, 111
Excel, 119
Exponencial, 56,88
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
Referencias y ayuda, 133

Reglas d e ruteo, 185
Reloj de la sim ulacin, 4
Replica o corrida, 6
Rplicas, 12,19
Reportes, 246
Residuo, 122
Resources, 134,252
Resultados, 132
RDUTE (bloque de ruteo), 204
Rule, 185
Run hours, 141
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.

Simulación y Análisis de Sistemas Con ProModel - E. García Dunna PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Simulación y Análisis de Sistemas Con ProModel - E. García Dunna PDF

Uploaded by

Copyright:

Available Formats

Simulacin y anlisis

de sistemas con ProModel

M x ic o A rg e n tin a B rasil C o lo m b ia C o s ta R ic a C h ile E c u a d o r

Datos de catalogarn bibliogrfica

GARCA DUNNA EDUARDO, GARCA R EY ES H ERIBERTO y

Pablo Miguel Guerrero Rosas

Bernardino Gutirrez Hernndez

Supervisor de produccin: Enrique Trejo Hernndez

Impreso en Mxico. Prnted in Mxico.

Captulo 1 Principios bsicos d e la sim ulacin

Captulo 2 Nmeros p seu d o aleatorios

Captulo 3 Variables aleatorias

G eneracin de variables aleatorias

Sim ulacin de variables aleatorias

Sim ulacin con ProM odel

Instrucciones d e ProM odel

A m is podres M artha y Eduardo, o m i esposa

A m is padres H eribertoy M ara de Jess, a m i esposa Cyntia

A m i am ada esposa: Sara; p o r su am or y cario constante.

Introduccin a la sim ulacin

D efiniciones de sim ulacin

Ventajas y desventajas de la sim ulacin

Elem entos clave para garantizar el xito de un m odelo de sim ulacin

Pasos para realizar un estudio de sim ulacin

[ C a p itu lo 1 Principios b sico s d e la sim ulacin

1.1 Introduccin a la sim ulacin

1.2 D efin icio nes d e sim u laci n |

1.2 D efin icio n es d e sim ulacin

[ C a p itu lo 1 Principios b sico s d e la sim ulacin

Los recursos son aquello s dispositivos d iferentes a las localizaciones necesarios

1.2 D efin icio nes d e sim u laci n |

personas q ue llegaron a un banco e n un lapso de tiem po especfico, podem os sim ular es

[ C a p itu lo 1 Principios b sico s d e la sim ulacin

1.3 V entajas y d e sv e n ta ja s d e la sim u laci n |

1.3 V en tajas y d e sv e n ta ja s d e la sim ulacin

[ C a p itu lo 1 Principios b sico s d e la sim ulacin

1.4 Elem en to s clave para g aran tizar el xito

1.4 Elem en to s cla v e para g a ra n tiz a r e l x ito d e un m o d e lo d e sim u la ci n |

[ C a p itu lo 1 Principios b sico s d e la sim ulacin

1.5 Pasos para re aliza r un e stu d io d e sim ulacin

1.5 Pasos para re alizar un e stu d io d e sim u laci n |

[ C a p itu lo 1 Principios b sico s d e la sim ulacin

1.6 Pro b lem as |

D e fin ici n d e l sistem a

-------- --------- --------- -----

Grfica de Gantt de un proyecto de simulacin

[ C a p itu lo 1 Principios b sico s d e la sim ulacin

Una lnea telef nica de atencin a clientes.

1.6 Pro b lem as |

[ C a p itu lo 1 Principios b sico s d e la sim ulacin

de proceso es estable? Y si ahora se generan 200 nm eros? (Sugerencia: Para evitar

Los nm eros pseudo aleatorios

Generacin de nm eros pseudo aleatorios

Algoritmo de cuadrados m edios

Algoritmo de productos m edios

Algoritmo de m ultiplicador co nstante

Algoritmo congruencial m ultiplicativo

Algoritmo congruencial aditivo

Algoritm os congruenciales no lineales

Propiedades de los nm eros pseudo aleatorios en tre 0 y 1

Pruebas estadsticas para los nm eros pseudo aleatorios

Pruebas de uniform idad

| C a p tu lo 2 Nm eros p se u d o aleato rio s

X , = (26132 + 2713 + 27) m od (8) = 4