Universidad Nacional de Asunción

Facultad Politécnica
Departamento de Ciencias Básicas

SIMULACIÓN

Lic. Roberto Paez

Lic. Heriberto Fabián González.

San Lorenzo - Paraguay

2.018
 Índice general

página
1. INTRODUCCIÓN 3
1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2. Simulación 5
2.1. Introducción a la simulación . . . . . . . . . . . . . . . . . . . . . . . 5
2.2. Definición de Simulación . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3. Ventajas e inconvenientes del uso de la simulación . . . . . . . . . . . 17
2.4. Los números aleatorios como métodos para incluir la incertidumbre en
los modelos de simulación . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4.1. Generación de números aleatorios . . . . . . . . . . . . . . . . 20
2.4.2. Método de los cuadrados medios . . . . . . . . . . . . . . . . . 21
2.4.3. Métodos congruenciales . . . . . . . . . . . . . . . . . . . . . . 22
2.4.4. Pruebas Estadı́sticas para los números Pseudo aleatorios . . . 23
2.5. ejemplos sencillos de simulación . . . . . . . . . . . . . . . . . . . . . 26
2.6. Etapas para realizar un modelo de simulación . . . . . . . . . . . . . 28
2.7. Observaciones de variables aleatorias . . . . . . . . . . . . . . . . . . 31
2.7.1. Generación de Variables aleatorias contı́nua . . . . . . . . . . 31
2.7.2. Generación de variables aleatorias discretas . . . . . . . . . . . 32
2.8. Evolución del tiempo en la Simulación . . . . . . . . . . . . . . . . . 34
2.8.1. Incrementos fijos de tiempo . . . . . . . . . . . . . . . . . . . 34
2.8.2. Incrementos variables de tiempo . . . . . . . . . . . . . . . . . 35
2.9. Las técnicas de simulación en los fenómenos de espera; en los modelos 36
2.10. Constitución de modelos - Ejercicios . . . . . . . . . . . . . . . . . . 36

3. Experimentos con Modelos de Sistemas Económicos 37

3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

4. Modelos de las Ciencias Administrativas 38

4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

5. Modelos Económicos 39
5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

6. Conclusión 40

REFERENCIAS BIBLIOGRÁFICAS 41
Capı́tulo 1

INTRODUCCIÓN

1.1. Introducción
La planeación e implementación de proyectos complejos en los negocios, indus-
trias y gobierno requieren de grandes inversiones, razón por la que es indispensable
realizar estudios preliminares para asegurar su conveniencia de acuerdo a su eficiencia
y ejecución económica para proyectos de cualquier tamaño. Una técnica para ejecutar
estudios piloto, con resultados rápidos y a un costo relativamente bajo, está basado
en la modelación y se conoce como simulación. El proceso de elaboración del modelo
involucra un grado de abstracción y no necesariamente es una réplica de la realidad;
consiste en una descripción que puede ser fı́sica, verbal o abstracta en forma, junto
con las reglas de operación. Más aún debido a que el modelo es dinámico, su respuesta
a diferentes entradas puede ser usada para estudiar el comportamiento del sistema
del cual fue desarrollado.

La simulación de sistemas ofrece un método para analizar el comportamiento

de un sistema. Aunque los sistemas varı́an en sus caracterı́sticas y complejidades,
la sı́ntesis de la formación de modelos, la ciencia de la computación, y las técnicas
estadı́sticas que representa este tipo de simulación constituye un conjunto útil de
métodos para aprender sobre estas caracterı́sticas y complejidades e imponerles una
estructura. Para comprender las caracterı́sticas técnicas de este enfoque y aplicarlas
a un problema real, es necesario familiarizarse con los conceptos que describen un
sistema y un modelo.

Es sabido que para diseñar y llevar a cabo experimentos de simulación en com-

putadoras uno debe tener conocimientos mı́nimos de estadı́sticas matemáticas, teorı́a
de la probabilidad, ecuaciones diferenciales, técnicas del diseño de experimentos y
programación de computadoras.

El objetivo del curso es proporcionar un tratado detallado de los métodos y pro-

cedimientos requeridos para planear y diseñar experimentos de simulación en com-
putadoras y de exponer la teorı́a en la cual se han basado estos métodos. Aunque gran
1.1. INTRODUCCIÓN 4

parte de los que vamos a ver en el curso, están relacionadas con la administración de
empresas, la economı́a y la investigación de operaciones, las técnicas descritas y la
teorı́a que las sustenta son de naturaleza general y es posible aplicarlas a experimentos
de simulación en campos muy diversos.

Además es finalidad de ésta materia es proporcionar a los estudiantes un buen

conocimiento de los principales modelos utilizados en la investigación operativa. Se
trata de un tema de largo alcance, orientado a comprender el funcionamiento de los
modelos matemáticos y a las técnicas de resolución de problemas reales cuyo objetivo
es la optimización en el uso de los recursos.
Capı́tulo 2

Simulación

2.1. Introducción a la simulación

Los métodos de Montecarlo y las técnicas de simulación de eventos discretos han si-
do usados por siglos, pero sólo se conocen evidencias explı́citas de su utilización desde
mediados del siglo XIX. Ellos se fundamentan en métodos de muestreo experimental
de variables aleatorias o de procesos estocásticos para efectuar tanto indagaciones
matemáticas o de otra ı́ndole, como la simulación de sistemas muy diversos.

Aún ası́, el avance sistemático de los métodos de Montecarlo y de la simulación

discreta se remonta a la segunda guerra mundial, y es entonces cuando se adopta el
nombre de Método de Montecarlo por la referencia a los juegos de azar y en particular
por aquellos que se juegan en los Casinos.

La técnica de la simulación ha sido una herramienta importante en el diseño

de sistemas, bien sea la simulación de vuelo, la simulación de una distribución en
planta, la simulación de un juego o la simulación de un proceso productivo. Mediante
la simulación, el Investigador de Operaciones obtiene los medios de observación y
experimentación que han sido la esencia de los métodos cientı́ficos. La construcción
y operación de un modelo de simulación, permite la observación del comportamiento
dinámico de un sistema en condiciones controladas, pudiendo efectuarse experimentos
para comprobar hipótesis acerca del sistema bajo estudio. El uso moderno de la
palabra simulación se debe a la popularización que hicieron Von Neumann y Ulam
del término .Análisis de Montecarlo”para estudiar problemas de difusión de neutrones
y a la rápida adaptación del mismo para resolver problemas no probabilı́sticos difı́ciles,
tales como integrales múltiples. Al popularizarse el uso de los computadores, surgieron
incontables aplicaciones y con ello un mayor número de problemas teóricos y prácticos,
ya que es posible experimentar con modelos matemáticos que describen algún sistema
de interés.
2.2. DEFINICIÓN DE SIMULACIÓN 6

2.2. Definición de Simulación

Antes de definir formalmente la simulación es importante mencionar los términos
básicos empleados dentro del concepto, para una mejor comprensión en el contexto
de su utilización:

Definición 2.2.1 Sistema es un conjunto de elementos que actúan interrelacionada-

mente con la finalidad de desarrollar funciones y actividades orientadas a alcanzar
uno o más objetivos trazados para el todo. Es decir, es una colección de entradas que
pasan a través de las fases de cierto proceso, produciendo respuestas.

Ejemplos 2.2.1
Sistema de manufactura

Sistema de Servicio

Sistema económico

Sistema financiero

etc.

Observación: 2.2.1
Los sistemas pueden ser representados por modelos, y

La simulación de sistemas se realiza a través de los modelos.

Existen muchas definiciones de la simulación, unas más apropiadas que otras,

dependiendo de la forma como se mire la simulación; algunas de las definiciones son
las siguientes:

Definición 2.2.2 Thomas H. Naylor da la siguiente definición:

”Simulación es una técnica numérica para conducir experimentos en una computa-

dora digital. Estos experimentos comprenden ciertos tipos de relaciones matemáticas
y lógicas, las cuales son necesarias para describir el comportamiento y la estructura
de sistemas complejos del mundo real a través de largos periodos de tiempo.”

Definición 2.2.3 Robert Shannon:

”Simulación es el proceso de diseñar y desarrollar un modelo de un sistema o

proceso real y conducir experimentos con el propósito de entender el comportamiento
del sistema o evaluar varias estrategias (dentro de lı́mites impuestos por un criterio
o conjunto de criterios) para la operación del sistema.”

Definición 2.2.4 Martin Shubick:

2.2. DEFINICIÓN DE SIMULACIÓN 7

”La Simulación de un sistema u organismo es la operación de un modelo (o

simulador) que es una representación del sistema. Este modelo puede sujetarse
a manipulaciones que serı́an imposibles de realizar en el sistema real, demasiado
costosas o poco prácticas. La operación del modelo puede estudiarse y de ese
estudio pueden inferirse las propiedades concernientes al comportamiento del
sistema o subsistema real”.

La simulación es, esencialmente, una técnica que enseña a construir el modelo

de una situación real junto con la realización de experimentos con el modelo.

El principal interés de la simulación se centra en el uso del computador, el cual ha

hecho que la simulación adquiera validez. Por lo tanto, estamos interesados en dar
una definición que esté de acuerdo con nuestro interés. Esa definición puede se la
siguiente:

Definición 2.2.5
”La simulación es una técnica numérica para realizar experimentos en un com-
putador digital, los cuales requieren ciertos tipos de modelos lógicos y matemáticos,
que describen el comportamiento de un negocio o sistema económico (o algún
componente de ellos) en periodo de tiempo real”.

”La simulación por computador también puede definirse como un método para
predecir las caracterı́sticas dinámicas de una organización y ası́ mejorar las
bases para el proceso de la toma de decisiones”.

La simulación es esencialmente una técnica de muestreo estadı́stico controla-

do(experimentación) que se emplea, conjuntamente con un modelo, para obtener
respuestas aproximadas para preguntas sobre problemas probabilı́sticos comple-
jos de múltiples factores.

Observación: 2.2.2
La simulación es una ayuda formal para la toma de decisiones, la cual es adapt-
able a las complejidades y cambios de los negocios modernos y que puede desar-
rollarse y comunicarse eficientemente.

La simulación es un desarrollo natural de la investigación de operaciones y gen-

eralmente se usa en aquellos casos en que las otras técnicas de la investigación
de operaciones han fallado.

Las técnicas de la investigación de operaciones usan modelos simbólicos y proce-

sos matemáticos deductivos para predecir los efectos de las soluciones alternati-
vas de un problema y determinar cuál es la mejor solución, o aproximadamente
la mejor.

La simulación de sistemas también puede definirse como ”La técnica de resolver

problemas siguiendo, sobre el tiempo, los cambios que ocurren en un modelo
dinámico del sistema”.
2.2. DEFINICIÓN DE SIMULACIÓN 8

Dado que la técnica de la simulación no intenta resolver analı́ticamente las ecuaciones

de un modelo, el modelo matemático construido para los propósitos de la simulación
es usualmente de naturaleza diferente de uno construido para solución por técnicas
analı́ticas. Cuando se construye un modelo para encontrar la solución analı́ticamente,
es necesario considerar el conjunto de restricciones impuestas por la técnica analı́tica
y evitar complicar demasiado el modelo. Un modelo de simulación puede construirse
más libremente.

Definición del modelo

Definición 2.2.6 El modelo es una representación o abstracción de una situación u

objeto reales, que muestra las relaciones (directas e indirectas) y las interrelaciones
de la acción y la reacción de causa y efecto. Como un modelo es una abstracción
de la realidad, puede parecer menos complicado que la misma. Para que sea comple-
to, el modelo debe ser representativo de aquellos aspectos de la realidad que están
investigándose.

Una de las razones básicas para el desarrollo de modelos es la de descubrir cuáles

son las variables importantes y pertinentes. El descubrimiento de las variables perti-
nentes está estrechamente asociado con la investigación de las relaciones que hay entre
las variables. Se utilizan técnicas cuantitativas como las estadı́sticas y la simulación
para investigar las relaciones que hay entre las muchas variables de un modelo.

Tipos de Modelos

Las diferentes clasificaciones de los modelos dan una idea adicional de sus carac-
terı́sticas esenciales, porque pueden describirse de muchos modos. Los modelos pueden
clasificarse por sus dimensiones, funciones, propósitos, temas o grados de abstracción.
La base más común es la de tipos de modelos, que incluye los tipos básicos: icónico,
analógico y simbólico (matemático).
1. Modelos icónicos

Un modelo icónico es una representación fı́sica de algunos objetos, ya sea en

forma idealizada o en escala distinta. Para expresarlo de otro modo, una re-
presentación es un modelo icónico hasta el grado en que sus propiedades sean
las mismas que tiene lo que representa. Son muy adecuados para la descripción
de acontecimientos en un momento especı́fico del tiempo. Por ejemplo, una
fotografı́a es una buena imagen de una fábrica, mientras que las operaciones
reales de una fábrica construida en términos de un pequeño modelo que fun-
cione, pueden ser demasiado costosas para construir y modificar a fin de estudiar
sus posibles mejoras. Otra caracterı́stica de un modelo icónico la constituyen
sus dimensiones, dos dimensiones (fotografı́a, plano y mapa), o tres dimensiones
(globo, automóvil y avión). Cuando un modelo sobrepasa la tercera dimensión,
como ocurre en muchos problemas de investigación de operaciones, es imposi-
ble construirlo fı́sicamente, y entonces pertenece a otra categorı́a de modelos
llamados simbólicos o matemáticos.
2.2. DEFINICIÓN DE SIMULACIÓN 9

2. Modelos analógicos

Los modelos analógicos pueden representar situaciones dinámicas y se usan más

que los icónicos, porque pueden mostrar las caracterı́sticas del acontecimiento
que se estudia. Las curvas de demanda, las curvas de distribución de frecuencia
en la estadı́sticas y los diagramas de flujo, son ejemplos de modelos analógicos.
A menudo un modelo analógico es muy adecuado para representar relaciones
cuantitativas entre las propiedades de los objetos de varias clases. Otra ventaja
de los modelos analógicos sobre los icónicos es que ordinariamente puede hacerse
que los primeros representen muchos procesos distintos del mismo tipo, lo que
se hace evidente en el flujo de trabajos en proceso y de productos terminados
de una fábrica. No podrı́a usarse eficazmente un modelo icónico para estudiar
los efectos de ciertos cambios en el control de calidad. Un diagrama de flujo es
un modelo analógico muy sencillo y eficaz en esas situaciones.

3. Modelos simbólicos (o matemáticos)

Nos interesan principalmente los modelos simbólicos que son verdaderas repre-
sentaciones de la realidad y toman la forma de cifras, sı́mbolos y matemáticas.
Comienzan como modelos abstractos que formamos en nuestra mente y que
luego se registran como modelos simbólicos. Un tipo de modelo simbólico o
matemático que se usa comúnmente en la investigación de operaciones es una
ecuación. Una ecuación es concisa, precisa y fácil de comprender. Sus sı́mbolos
no sólo son mucho más fáciles de manipular que las palabras, sino que se es-
criben más rápidamente. Además de éstos atributos, los modelos simbólicos se
prestan a las manipulaciones de las computadoras.

Tipos de modelos matemáticos

Como los modelos matemáticos son los que nos interesan principalmente, los
separaremos por categorı́as, lo que nos dará una base lógica para clasificar los
modelos básicos que se usan en la bibliografı́a de la investigación de operaciones.

a) Cuantitativos y cualitativos

La mayor parte del pensamiento relacionado con los problemas de nego-

cios comienza con los modelos cualitativos y llega gradualmente hasta un
punto donde pueden usarse modelos cuantitativos. La investigación de -
operaciones se ocupa de la sistematización de los modelos cualitativos y de
su desarrollo hasta el punto en que puedan cuantificarse. Esto no significa
que la metodologı́a de la I.O. pueda cuantificar situaciones cualitativas.
Hay muchos problemas que no pueden cuantificarse exactamente debido
a uno o más de los siguientes motivos: técnicas inadecuadas de medición,
necesidad de muchas variables, algunas variables desconocidas, relaciones
especiales desconocidas y relaciones con todas sus peculiaridades y excep-
ciones que son demasiado complejas para expresarse en forma cuantitativa.
2.2. DEFINICIÓN DE SIMULACIÓN 10

Sin embargo, mediante el empleo del análisis lógico, sistemas de clasi-

ficación, métodos de ordenamiento, teorı́a de conjuntos, análisis dimen-
sional y teorı́a de decisión, la investigación de operaciones puede hacer
que se apliquen al problemas ciertas técnicas muy útiles. Los problemas
de I.O. que se ocupan de las cualidades o propiedades de los componentes
se llaman modelos cualitativos.

Cuando construimos un modelo matemático e insertamos sı́mbolos para

representar constantes y variables (en gran parte números), llamamos a
esto un modelo cuantitativo. Se considera que una ecuación matemática
es un modelo de ese tipo, porque representa una abstracción de las rela-
ciones o condiciones entre constantes y variables. Las fórmulas, matrices,
diagrama o series de valores que se obtienen mediante procesos algebraicos
son ejemplos comunes de modelos matemáticos. De hecho la mayor parte
de los modelos de la investigación de operaciones puede describirse con
una serie de ecuaciones o desigualdades.
b) Probabilı́stico y determinı́stico

Los modelos pueden separarse en dos categorı́a: Probabilı́sticos y deter-

minı́sticos. Los modelos que se basan en las probabilidades y en las es-
tadı́sticas y que se ocupan de incertidumbres futuras se llaman probabilis-
tas. En realidad, nos ocupamos de la investigación de operaciones bajo
ciertas incertidumbres. Los modelos cuantitativos que no contiene consid-
eraciones probabilı́sticas se llaman modelos determinı́sticos. Son ejemplos
de ellos los siguientes: ganancia nula, inventario, programación lineal y
PERT. Ambos modelos se ocupan de acontecimientos o eventos presentes
y futuros, en los modelos deterministas se usan valores precisos y determi-
nados, mientras que esto no ocurre necesariamente en los probabilisticos.
En vez de ello hay una base de experiencia pasada para calcular la prob-
abilidad de que existan las condiciones pertinentes presentes y futuras en
la toma de decisiones con incertidumbre.
c) Descriptivo y de optimización

En algunas situaciones un modelo se construye sencillamente como de-

scripción matemática de una condición del mundo real. Esos modelos se
llaman descriptivos y en el pasado se han usado para poder aprender más
sobre algún problema. Además uno de esos modelos puede emplearse para
mostrar más gráficamente la situación, para ver en qué forma puede ar-
reglarse de nuevo y para determinar los valores de la misma que están
implı́citos en las circunstancias atenuantes, pero que no son claramente
visibles para el observador. Si hay selecciones el modelo las mostrará, y
puede ayudar al observador a evaluar los resultados de una selección so-
bre los de otra. El modelo descriptivo tiene la capacidad de solución. Sin
embargo, en ese modelo no se hace intento alguno para escoger la mejor
alternativa.
2.2. DEFINICIÓN DE SIMULACIÓN 11

Cuando se compara un modelo de optimización, se hace un esfuerzo con-

certado para llegar a una solución óptima cuando se presentan alternativas.
Es posible no llegar a una solución óptima cuando se usa un enfoque de-
masiado estrecho dentro de un problema de investigación de operaciones.
Cuando un modelo de optimización se usa en forma apropiada, suministra
la mejor alternativa de acuerdo con los criterios de entrada. Por consigu-
iente un modelo de optimización se ocupa de una respuesta óptima, mien-
tras que el modelo descriptivo no intenta seleccionar la mejor alternativa,
sino tan sólo describir las selecciones presente.
d ) Estáticos y dinámicos

Los modelos estáticos se ocupan de determinar una respuesta para una

serie especial de condiciones fijas que probablemente no cambiarán signi-
ficativamente a corto plazo. Un buen ejemplo de este tipo de programa
es la programación lineal, en la que las restricciones se fijan en términos
de los requerimientos de tiempo de los productos individuales y de las
horas disponibles por turno a corto plazo. Un modelo estático dará por
resultado la mejor solución basada en esa condición estática. Sin embargo,
la capacidad de producción y los requerimientos de tiempo de los pro-
ductos pueden cambiar finalmente y lo hacen ası́ debido a condiciones
internas y externas. Un modelo dinámico está sujeto al factor de tiempo,
que desempeña un papel esencial en la secuencia de las decisiones. Inde-
pendientemente de cuáles hayan sido las decisiones anteriores, el modelo
dinámico nos permite encontrar las decisiones óptimas para los perı́odos
que quedan todavı́a en el futuro. Por ejemplo, podrı́an haberse tomado
decisiones incorrectas con respecto a los departamentos de inventario y de
manufactura. Puede prepararse un programa óptimo de producción basado
en un modelo dinámico que considera los requerimientos futuros perı́odo
por perı́odo.
e) Simulación y no simulación

El advenimiento de las computadoras ha hecho una impresión muy du-

radera en las diversas zonas de la investigación de operaciones, y espe-
cialmente en los modelos de simulación. La simulación es un método que
comprende cálculos secuenciales paso por paso, donde puede producirse el
funcionamiento de problemas o sistemas de gran escala. En muchos casos
donde ocurren relaciones complejas, tanto de naturaleza predecible como
aleatoria, es más fácil preparar y pasar una situación simulada en una
computadora, que preparar y emplear un modelo matemático que repre-
sente todo el proceso que se estudia. No obstante, en otros casos donde
no se dispone de una solución analı́tica, se busca en la computadora una
respuesta que mejore constantemente mediante la solución en serie de las
alternativas, hasta que puede aproximarse una solución óptima. En un
modelo de simulación los datos de entrada pueden ser reales o generados.
Aunque algunos problemas se prestan para usar números aleatorios y datos
empı́ricos en los modelos de simulación, otros muchos se prestan para los
2.2. DEFINICIÓN DE SIMULACIÓN 12

modelos no simulados, como los de optimización. Estos, que pueden uti-

lizar o no la computadora, tienen técnicas preparadas especialmente para
sus soluciones respectivas. Un modelo construido a la medida (para una
solución especı́fica) es el mejor enfoque cuando la simulación no es com-
patible con el problema de investigación de operaciones que se estudia.

Elementos de los modelos de simulación

Los elementos principales a tener en cuenta en la elaboración de los modelos de

simulación son:

1. Componentes del sistema: son los procesos, subprocesos, subsistemas. Ellas de-
limitan el sistema.

2. Variables:

Exógenas: Son independientes o de entrada al modelo y son predetermi-

nadas.
Estado: Describen el estado del sistema en el tiempo.
Endógenas: Son dependientes y generadas por la interacción entre las vari-
ables exógenas, endógenas y de estado.

3. Parámetros: Pueden ser variables exógenas, y en este caso deben ser estimadas
para la operación de un modelo especı́fico.

4. Relaciones funcionales: Relacionan las distintas variables del modelo.

Ejemplos 2.2.2
1. Modelo de simulación estocástica - dinámica

Considérese la cola de vehı́culos en una estación de servicio, la cual cuenta

con un solo servidor. El tiempo entre llegadas de los clientes esta dado por una
variable aleatoria con parámetro λ, y la duración del servicio esta dada por otra
variable aleatoria con parámetro µ. La forma de atención es FIFO ( First In
First Out - Primero en llegar, primero en ser atendido).

Los elementos de este sistema son:

Componentes
• Proceso de llegada
• Proceso de servicio
Variables
• Llegada: tiempo promedio entre llegadas: V. exógena
• Servicio: Tiempo promedio del servicio: V. exógena.
• TSIM: Tiempo de simulación: V. exógena.
2.2. DEFINICIÓN DE SIMULACIÓN 13

• T SISi : Tiempo de los clientes en el sistema: V. endógena.

• NS: Número de clientes en el sistema: V. de estado.
• NC: Número de clientes en la cola: V. de estado.
Parámetros
• λ= Parametro de la funcion de distribucion del tiempo entre llegadas
• µ = Parametro de la funcion de distribucion del tiempo de servicio o
de atencion.
Relaciones funcionales: TPS = Tiempo promedio de los clientes en el sis-
tema. donde n
1X
TPS = T SISi
n i=1
siendo:

n=el número de clientes (vehı́culos) atendidos.

T SISi =el tiempo en el sistema de cada cliente i (vehı́culo i).

Para la construcción de un modelo de simulación, nótese que en este proble-

ma existen dos acontecimientos fundamentales para determinar la forma como
evoluciona la simulación: Una llegada y una salida del sistema.

2. Un modelo simple de un fenómeno de espera, de un solo canal y con estaciones

múltiples, para una empresa. El propósito del modelo es relacionar el tiempo
total que requiere una orden para pasar a través de n procesos, con la forma en
que llegan las órdenes y el tiempo que consume cada uno de tales procesos.

Los elementos de este sistema son:

Componentes
• Proceso de llegada
• Proceso de servicio
Variables
• Variables Exógenas
◦ ATi = el intervalo de tiempo entre la llegada de i−ésima orden y
la (i − 1)−ésima orden, donde i = 1, 2, . . . , m.
◦ STij = el tiempo de procesamiento para la i−ésima orden en el
j−ésimo proceso, de donde i = 1, 2, . . . , m. y j = 1, 2, . . . , n.
• Variables de estado
◦ W Tij = el tiempo que la i−ésima orden espera para entrar al
j−ésimo proceso, de donde i = 1, 2, . . . , m. y j = 1, 2, . . . , n.
◦ IDTij = el tiempo que el proceso j−ésimo permanece ocioso mien-
tras espera la llegada de la i−ésima orden , en donde i = 1, 2, . . . , m.
y j = 1, 2, . . . , n.
2.2. DEFINICIÓN DE SIMULACIÓN 14

◦ Tij = el tiempo total que la i−ésima orden está en el j−ésimo

proceso, de donde i = 1, 2, . . . , m. y j = 1, 2, . . . , n.
• Variable endógena
a) ◦ Ti = el tiempo total que la i−ésima orden está en el sistema; es
decir, el tiempo requerido para pasar a través de los n proceso.
Parámetros
• E(AT ) = el intervalo de tiempo esperado entre las órdenes.
• V ar(AT ) = la varianza del intervalo de tiempo entre las órdenes.
• E(STj ) = el tiempo esperado para el j−ésimo proceso, j = 1, 2, . . . , n.
• V ar(STj ) = la varianza del tiempo para el j−ésimo proceso, j =
1, 2, . . . , n.
Caracterı́sticas de Operación:
• f (AT ) = la función de densidad de probabilidad para el intervalo de
tiempo entre las órdenes.
• f (STj ) = la función de densidad de probabilidad para el tiempo de
procesamiento del j−ésimo proceso, j = 1, ..., n.
Identidades
• Para i = 1
◦ AT1 = 0
◦ W T11 = 0, W T12 = 0, . . . , W T1n = 0
Pn−1
◦ IDT11 = 0, IDT12 = ST11 , . . . , IDT1n = j=1 ST1j
◦ T11 = ST11 , T12 = ST12 , . . . , T1n = ST1n
• Para i = 2, 3, . . . , m
◦ las ecuaciones del tiempo se modifican como:
Ti1 = W Ti1 + STi1 , i = 1, 2, . . . , m
Ti2 = W Ti2 + STi2 , i = 1, 2, . . . , m
....... · · · ........
Tin = W Tin + STin , i = 1, 2, . . . , m

◦ Tiempo de espera o de ocio

DIF1 = Ti−1,1 − ATi
DIF2 = (Ti−1,1 + Ti−1,2 ) − (ATi + W Ti1 + STi1 )
....... · · · ......
DIFn = (Ti−1,1 + Ti−1,2 + . . . + Ti−1,n ) − (ATi + W Ti1 + STi1 + . . . +
W Ti,n−1 + STi,n−1 )

◦ W Tij = DIFj
◦ IDTij = −DIFj
Construcción de modelos

La mejor forma para iniciar la construcción de un modelo consiste en detallar to-

dos los componentes que contribuirán a la efectividad de la operación del sistema. Una
2.2. DEFINICIÓN DE SIMULACIÓN 15

vez que se ha completado la lista de elementos componentes, el paso siguiente consiste

en determinar si deben usarse esos componentes, lo que es difı́cil de hacer, porque es
casi imposible controlar el comportamiento de una sola variable debido a su relación
funcional con otras. En ocasiones una variable que se abandona porque se le con-
sideró insignificante, puede resultar importante más tarde para obtener una solución
correcta. Se recomienda que todos los datos disponibles se prueben experimental-
mente o con algún método estadı́stico para evitar esa dificultad. El paso adicional de
experimentación antes de escoger los elementos crı́ticos, aumenta la probabilidad de
tener un modelo correcto.

Una vez que se han escogido los elementos importantes, puede ser conveniente
combinarlos o dividirlos. Por ejemplo, los costos de recepción se combinan con las
compras de materias primas y con el costo de los fletes. Cuando se ha terminado
con cada elemento, es necesario determinar si es fijo o variable (controlable o no
controlable). Después de esa descomposición, el siguiente paso consiste en asignar un
sı́mbolo a cada elemento, en donde por lo menos un sı́mbolo represente la medida
de eficacia o ineficacia. Podemos construir una sola ecuación o una serie de ellas
expresar la eficacia del proceso o sistema. La(s) fórmula(s) resultante(s) es(son) un
modelo simbólico o matemático de los elementos que se estudian, lo que nos permite
valorar los resultados variando ciertos elementos dentro de las restricciones. Muchas
veces el modelo matemático final es bastante refinado.

Fundamentos Racionales de la simulación en computadoras

Las motivaciones e intereses para el estudio de sistemas socio-económicos y natu-

rales son muy diversos: desde la búsqueda por comprenderlos, pasando por el intento
de predecirlos, hasta la evaluación de alternativas para transformarlos.

En variedad de circunstancias se ha encontrado que la mejor manera para llevar

a cabo estos estudios e investigaciones es a través de la simulación.

El fundamento racional para usar la simulación en cualquier disciplina (sea en la

economı́a, en la investigación de operaciones). Es la búsqueda constante del hombre
por adquirir conocimientos relativos a la predicción del futuro.

Es más, cuando se está estudiando un sistema por medio de la investigación de

operaciones, es necesario usar la simulación en aquellas etapas que estén ocasionando
dificultades. Por tanto:

1. Existen situaciones en las cuales es imposible o extremadamente costoso obser-

var ciertos procesos en el mundo real.

Ejemplos 2.2.3

Antes de los primeros vuelos espaciales tripulados, realizados por los EE.UU
y la URSS, la NASA no poseı́a información de los efectos que tales vue-
los tendrı́an sobre los seres humanos, pues nadie lo habı́a experimentados
antes;
2.2. DEFINICIÓN DE SIMULACIÓN 16

El reporte de las ventas de una empresa en los próximos años;

Ingreso nacional bruto en los tres próximos años
los datos de la frecuencia de fallas de las máquinas en una fábrica que solo
ha guardado información de este tipo en forma limitada;
los efectos de la economı́a de una propaganda en rebajar los impuestos;
los efectos de una campaña de publicidad en las ventas totales de una
empresa.

2. Ciertos sistemas observados son tan complejos que es imposible describirlos

en términos de un conjunto de ecuaciones matemáticas, para las cuales sea
posible obtener soluciones analı́ticas que puedan emplearse para predecir el
comportamiento del sistema.

Ejemplo 2.2.1

La mayorı́a de los sistemas económicos se encuentran en esta categorı́a;

es casi imposible describir la operación de un negocio, una industria o la
economı́a de un paı́s en términos de unas cuántas ecuaciones simples;

3. Aunque pueda desarrollarse un modelo para describir un sistema de interés,

puede no ser posible obtener una solución al modelo por medio de técnicas
analı́ticas, y consecuentemente, tampoco se podrán realizar predicciones acerca
del comportamiento futuro del sistema.

Ejemplos 2.2.4

Sistemas complejos de fenómenos de espera o

Sistemas de inventarios

Aunque este enfoque no garantiza solución óptima o exacta al modelo que

describe el sistema, puede ser posible experimentar con un número de soluciones
y reglas de decisión alternativas para determinar qué soluciones y reglas de
decisión son más útiles para realizar predicciones acerca del comportamiento
del sistema.

4. Puede ser imposible o sumamente costoso realizar experimentos de validación

sobre el modelo matemático que describe el sistema. Es decir, no hay forma
de verificar si el modelo diseñado si representa el sistema real o si la solución
encontrada si corresponde realmente a la solución del problema que se tiene

Cuando un problema que por su complejidad no puede ser resueltos mediante las
fórmulas existentes, queda la alternativa de simular el problema. Se han simulado
puertos, aeropuertos, carreteras, grandes avenidas, la economı́a de un paı́s, empresas,
etc.
2.3. VENTAJAS E INCONVENIENTES DEL USO DE LA SIMULACIÓN 17

2.3. Ventajas e inconvenientes del uso de la simulación

Aunque la razón principal para escoger la simulación es la facilidad para vencer
las dificultades explicadas, hay otras razones o ventajas para su empleo, tales como:

La simulación hace posible estudiar y experimentar con las interacciones com-

plejas que ocurren en el interior de un sistema. A través de la simulación se
pueden estudiar ciertos cambios informativos, de organización o ambientales en
la operación de un sistema, al hacer alteraciones en el modelo y observar los
efectos de estas alteraciones en el comportamiento del sistema.

La observación detallada del sistema que se está simulando conduce a un mejor

entendimiento del mismo y proporciona sugerencias para mejorarlo.

La simulación puede usarse como un recurso pedagógico.

La simulación de un sistema complejo puede producir un conocimiento valioso

y profundo acerca de cuáles variables son más importantes que otras, y cómo
se relaciona entre sı́.

La simulación puede emplearse para experimentar con situaciones nuevas acerca

de las cuales se tiene muy poca o ninguna información, con el objeto de estar
preparados para cualquier eventualidad.

Para ciertos tipos de problemas estocásticos la secuencia de los eventos puede

ser muy importante, pues la información de los valores esperados y los momentos
suele no ser suficiente para describir el proceso. En estos casos, la simulación
puede ser la única forma satisfactoria de obtener la información requerida.

La simulación puede realizarse para verificar soluciones analı́ticas.

La simulación permite estudiar los sistemas dinámicos, ya sea en tiempo real,

comprimido o expandido.

Cuando se presenta nuevos componentes de un sistema, la simulación puede

emplearse para ayudar a descubrir los obstáculos y otros problemas que resultan
de la operación del mismo.

Desventajas de la simulación

Aunque la simulación es un planteamiento muy valioso y útil para resolver proble-

mas, no es una panacea para todos los problemas administrativos y presenta algunas
desventajas como:

Los modelos de la simulación para computador son muy costosos de constru-

ir y validar. En general, debe construirse un programa para cada sistema o
problema.

La corrida del programa de simulación una vez construido puede necesitar una
gran cantidad de tiempo de computador.
2.3. VENTAJAS E INCONVENIENTES DEL USO DE LA SIMULACIÓN 18

La principal desventaja de la simulación está dirigida hacia la gente, en vez de

la técnica. La gente tiende a usar la simulación cuando no es el mejor método
de análisis. Cuando las personas se familiarizan con la metodologı́a de la sim-
ulación, intentan emplearla en situaciones en que otras técnicas analı́tica son
más apropiadas.

Peligros y problemas en Simulación

Definir los lı́mites y nivel de detalles del sistema.

Subestimar el tiempo y costos involucrados en el proceso de modelación.

Fallar en la selección del más simple y económico de los modelos para el fin
establecido.

Ausencia o pérdida de metodologı́a estadı́stica.

Considerar como aproximados algunos atributos de un sistema que no existe.

Entendimiento superficial del sistema a ser modelado.

Poca destreza para comunicarse con administradores y staff que financiarán el

proyecto.

Áreas de aplicación de la Simulación

La simulación es una técnica que puede ser aplicada a una gran cantidad de áreas,
debido a que los avances tecnológicos y la disponibilidad de software que existen
actualmente, hacen de ella una herramienta muy útil. Los siguientes son algunos
ejemplos de las aplicaciones de la simulación en algunas áreas de estudio:

Sistema de colas.

Sistema de inventarios

Proyecto de inversión.

Sistemas económicos

Estados financieros.

Problemas industriales.

Problemas económicos

Problemas conductuales y sociales

Sistemas biomédicos

Sistemas Justo a tiempo

2.3. VENTAJAS E INCONVENIENTES DEL USO DE LA SIMULACIÓN 19

Sistemas de Logı́stica

Conclusiones sobre los conceptos básicos de simulación

1. La simulación es un proceso iterativo

Un experimento de simulación da el valor de los parámetros durante y al final de

la simulación. El análisis de los resultados sugiere modificaciones a la estrate-
gia, cambios tales como prioridades o reglas de secuencia. Ası́, paso a paso,
ganamos conocimiento sobre el sistema y su comportamiento hasta que se tiene
suficiente información para hacer recomendaciones finales sobre el sistema a ser
implementado.

2. La simulación no se usa normalmente para encontrar solución óptima del prob-

lema.

En contraste con simulación, una técnica de programación matemática, tal como

programación lineal, proporciona una solución óptima, sı́ existe. (la desventa-
ja de tal técnica, sin embargo, es que permanece estática para cada conjunto
de datos). puede parecer que la simulación es menos poderosa que la progra-
mación matemática u otro método matemático. sin embargo, la simulación es
una excelente técnica cuando otros métodos fallan.

3. Por otra parte no simule cuando se tenga las siguientes condiciones:

El problema puede resolverse usando .análisis de sentido común”.

El problema puede resolverse analı́ticamente (usando una forma cerrada).
Es más fácil cambiar o ejecutar experimentos directamente en el sistema
real.
El costo de la simulación excede el posible ahorro.
No hay recursos disponibles para el proyecto.
No hay tiempo suficiente para los resultados del modelo para usarse.
No hay información o ni siquiera datos estimados.
El modelo no puede ser verificado o validado
Las expectativas del modelo no pueden ser alcanzadas.
El comportamiento del sistema es demasiado complejo o no puede ser
definido.
2.4. LOS NÚMEROS ALEATORIOS COMO MÉTODOS PARA INCLUIR LA
INCERTIDUMBRE EN LOS MODELOS DE SIMULACIÓN 20

2.4. Los números aleatorios como métodos para incluir la

incertidumbre en los modelos de simulación
En simulación, las observaciones de una muestra R1 , R2 , ..., Rn , de una distribución
uniforme (0, 1) son conocidas como números aleatorios. Los números aleatorios poseen
1
una media de 0.5 y una desviación estándar de .
12
En realidad, en la simulación se utilizan números seudo-aleatorios; es decir, aque-
llos que tienen un comportamiento similar al de los números aleatorios. Esto, en un
sentido estadı́stico, equivale a que se pueda pensar que son seleccionados aleatori-
amente a partir de una distribución uniforme (0,1). Las funciones de densidad de
probabilidad y de distribución acumulada, de los números aleatorios, son:

0 si r ∈ / (0, 1)
fR (r) =
1 si r ∈ (0, 1)

 0 si r≤0
FR = x si r ∈ (0, 1)

1 si r≥1
Su valor esperado y varianza son respectivamente:
1
E(R) =
2
1
V ar(R) =
12

2.4.1. Generación de números aleatorios

Antes del gran desarrollo de los computadores, los números aleatorios se generaban
con métodos mecánicos y manuales, con elementos como balotas, cartas, ruletas,
entre otras. Estos métodos quedaron atrás con el avance de la tecnologı́a digital. En
general, pueden considerarse algunos métodos de generación de números aleatorios:
Los manuales, los mecánicos y los digitales.

Los métodos manuales y mecánicos son aquellos como loterı́as, baloteros, cartas,
naipes, etc. Estos métodos son utilizados aún en rifas o en casinos; pero han sido casi
completamente desplazados por los adelantos en la computación.

Con el tiempo, fue surgiendo la necesidad de utilizar grandes cantidades de números

aleatorios y los métodos tradicionales son solo prácticos para generar pequeñas can-
tidades de ellos. Surgieron entonces generadores con dispositivos electrónicos, uno
de los más conocidos - fundamentado en impulsos de sonido - fue desarrollado por
la Corporación RAND. No obstante, se encontraron problemas en los generadores
electrónicos por la dificultad en proporcionar y mantener un dispositivo fı́sico para
obtener los números cuando ellos son requeridos.

Para superar estos inconvenientes, se diseñaron métodos de generación de números

aleatorios basados en fórmulas recursivas. Estos números son realmente pseudo-aleatorios
2.4. LOS NÚMEROS ALEATORIOS COMO MÉTODOS PARA INCLUIR LA
INCERTIDUMBRE EN LOS MODELOS DE SIMULACIÓN 21

ya que a pesar de cumplir con muchı́simas pruebas de aleatoriedad son completamente

determinı́sticos por su misma concepción en fórmulas recursivas. Esta metodologı́a
tiene el inconveniente de que si usamos las mismas constantes y el mismo valor inicial,
siempre obtendremos la misma serie de números.

La forma de obtención de números aleatorios ha sido tema de investigación por

mucho tiempo, pero con el impulso y la disponibilidad de los computadores ha habido
mayor interés en el estudio de los métodos digitales.

La gran mayorı́a de algoritmos utilizados por los computadores modernos, para

la obtención de números aleatorios, no satisfacen algunas reglas de independencia
implı́citas en la obtención de muestras de una población. Sin embargo, los números
ası́ obtenidos cumplen propiedades estadı́sticas de aleatoridad ”fuertes”, lo cuál per-
mite su utilización generalizada para buena cantidad de problemas.

Los métodos digitales (ideados por Von Newman) más usados para la generación
de números aleatorios son los de los cuadrados centrales y los congruenciales.

2.4.2. Método de los cuadrados medios

El algoritmo para generación de números es el siguiente:
Se escoge un número entero cualquiera y se obtiene el cuadrado del mismo.
Se toman los dı́gitos centrales
Se divide el número obtenido por la potencia de 10 del número de dı́gitos
centrales que se determina.
Ejemplo 2.4.1
Cuando se considera en particular un número de tres cifras decimales la serie de
números pseudo-aleatorios se genera ası́: Iniciamos arbitrariamente con el número
456. A continuación se eleva al cuadrado y se obtiene 207936. Seguidamente, tomamos
los dı́gitos (4) centrales (0793) y lo elevamos al cuadrado. El siguiente número es
628849, se toma la parte central de cuatro dı́gitos que es (2884), y de esta forma
continuamos como se puede observar a continuación:
(456)2 = 207936 = 2 0793
|{z} 6 = 793
(793)2 = 628849 = 6 2884
|{z} 9 = 2884
(2884)2 = 8317456 = 08 3174
|{z} 56 = 3174
La serie que obtenemos es:
n = {456, 793, 2884, 3174}
Y los candidatos a números pseudo-aleatorios se obtienen dividiendo cada uno de los
elementos del conjunto anterior por 10.000, conformando ası́ el conjunto:
r = {0,0456, 0,0793, 0,2884, 0,3174}
2.4. LOS NÚMEROS ALEATORIOS COMO MÉTODOS PARA INCLUIR LA
INCERTIDUMBRE EN LOS MODELOS DE SIMULACIÓN 22

2.4.3. Métodos congruenciales

Los metodos congruenciales son generados a partir de la formula congruencial:

ni = f (ni−1 , . . . , ni−k )(M oduloM )

En donde, los ni son residuos modulo M . Como cada uno de los ni es uno de los
enteros 0, 1, 2, . . . , M − 1. Los candidatos a números seudo-aleatorios, ri , se obtienen
de:
ni
ri =
M
Los números ri asi generados se encuentran en el intervalo (0, 1), pero poseen una
ley de formación, lo cual contradice que tengan un caracter aleatorio. Sin embar-
go, dependiendo de la forma de la relación congruencial arriba expresada y de sus
parámetros, se pueden obtener series de números de comportamiento aleatorio en
un sentido estadı́stico. Por lo anterior, a las observaciones logradas a través de estos
métodos se les conocen por números seudo-aleatorios.

Dentro de los metodos congruenciales los de utilizacion mas frecuente son los
multiplicativos, los aditivos y los mixtos.

Los multiplicativos tienen la forma:

ni = a ∗ ni−1 (mod.M )
Los aditivos tienen la forma:

ni = (ni−1 + ni−2 )(mod.M )

Los mixtos tienen la forma:

ni = (a ∗ ni−1 + b)(mod.M )

Es de primordial importancia la forma de escoger de a, b, ni y M . Usualmente M

es seleccionado dependiendo del tamano de la palabra del computador en la forma
(2k−1 ). (K es el tamano de la palabra del computador o número de bits, el cual es en
muchos casos 32). De la acertada determinación de a, b y los ni iniciales se garantizan
series adecuadas de números seudo-aleatorios. Sin embargo, esto puede resultar trans-
parente para la mayorı́a de usuarios del computador por las funciones o subrutinas
que se proveen. Ampliación sobre los métodos congruenciales se pueden obtener en
los textos clásicos de Naylor y otros (1971) y Gottfried (1984), Karian y otros (1991).
A continuación se ilustra la forma de operación de los métodos congruenciales.

Ejemplo 2.4.2
Sea ni = (a × ni−1 + b)modulo100, n0 = 7, a = 13, b = 5, entonces

n1 = (13 × 7 + 5) mód 100 = 96 mód 100 = 96

n2 = (13 × 96 + 5) mód 100 = 1253 mód 100 = 53

2.4. LOS NÚMEROS ALEATORIOS COMO MÉTODOS PARA INCLUIR LA
INCERTIDUMBRE EN LOS MODELOS DE SIMULACIÓN 23

n3 = (13 × 53 + 5) mód 100 = 694 mód 100 = 94

n4 = (13 × 94 + 5) mód 100 = 1227 mód 100 = 27
n5 = (13 × 27 + 5) mód 100 = 356 mód 100 = 56
...
ni
Como ri = , entonces
M
r = {0,96, 0,53, 0,94, 0,27, 0,56}

El conjunto de números seudo-aleatorios pareciera que tuviera una distribución uni-

forme. La secuencia del conjunto se continúa hasta que se repita uno de los números
contenida en el mismo.

2.4.4. Pruebas Estadı́sticas para los números Pseudo aleato-

rios
En la sección anterior se presentaron diversos algoritmos para construir un con-
junto de números pseudoaleatorios, pero eso sólo es el primer paso, ya que el conjunto
resultante debe ser sometido a una serie de pruebas para validar si los números que
los integran son aptos para usarse en un estudio de simulación.

Los números pseudo-aleatorios necesitan satisfacer las propiedades estadı́sticas de

los números aleatorios, esto es, los generados por un instrumento aleatorio idealiza-
do. Los números deben ser seleccionados en forma independiente, a partir de una
distribución uniforme en el intervalo cerrado (0,1) y el orden de su secuencia debe ser
aleatorio.

Para verificar o rechazar la hipótesis de que un conjunto de observaciones sigue

una distribución teórica supuesta, generalmente se utiliza la prueba estadı́stica de
”bondad del ajuste”. Los métodos más usados para efectuar esta prueba son el de
Kolmogorov-Smirnov y la distribución Chi-cuadrado. Esta última se basa en com-
parar los Valores Numéricos Observados con los Valores Teóricos Esperados de la
distribución supuesta.

Algunas de las pruebas más usadas se presenta a continuación:

I. Prueba de Medias

Una de las propiedades que deben cumplir los números generados, es que el valor
esperado sea igual a 0,5, en caso de una Uniforme (0, 1). La prueba que busca
determinar lo anterior es la llamada prueba de medias, en la cual se plantean
las siguientes hipótesis:
H0 : µri = 0, 5
H1 : µri 6= 0, 5
2.4. LOS NÚMEROS ALEATORIOS COMO MÉTODOS PARA INCLUIR LA
INCERTIDUMBRE EN LOS MODELOS DE SIMULACIÓN 24

La prueba de medias consiste en determinar el promedio de los números gener-

ados mediante la ecuación siguiente:
n
1X
r= ri
n i=1

Posteriormente, se calcula los lı́mites inferior y superior con las ecuaciones sigu-
ientes:
 
1 √1
LIri = 2
−Z ×α
2 12n
 
1 √1
LSri = 2
+ Z α2 × 12n

Si el valor de r se encuentra entre los lı́mites de aceptación concluimos que no

se puede rechazar que el conjunto r tiene un valor esperado de 0, 5 con un nivel
de aceptación de 1 − α. En caso contrario se rechaza que el conjunto ri tiene
un valor esperado de 0, 5. Para el cálculo de los lı́mites de aceptación se utiliza
el estadı́stico Z α2 , el cual se determina por medio de la tabla de distribución
normal estándar.
II. Prueba de varianza

Otra de las propiedades que debe satisfacer el conjunto ri , es que sus números
1
tengan una varianza de . La prueba que busca determinar lo anterior es la
12
prueba de varianza, que establece las siguientes hipótesis:

1
H0 : σr2i =
12
2 1
H 1 : σr i =
6
12

La prueba de varianza consiste en determinar la varianza de los n números que

contiene el conjunto ri , mediante la ecuación siguiente:
Pn
− r)2
i=1 (ri
V (r) =
n−1
Después se calculan los lı́mites de aceptación inferior y superior con las ecua-
ciones siguientes:

χ2α/2,n−1
LSV (r) = 12(n−1)
χ21−α/2,n−1
LIV (r) = 12(n−1)

Si el valor de V (r) se encuentra entre los lı́mites de aceptación, decimos que no

1
se puede rechazar que el conjunto ri , tiene una varianza de , con un nivel
12
2.4. LOS NÚMEROS ALEATORIOS COMO MÉTODOS PARA INCLUIR LA
INCERTIDUMBRE EN LOS MODELOS DE SIMULACIÓN 25

de aceptación de 1 − α; de lo contrario se rechaza que el conjunto ri tiene una

1
varianza de .
12
III. Prueba de uniformidad: Frecuencia uniforme de los números

Una de las propiedades más importantes que debe cumplir un conjunto de

números ri es la uniformidad. Para comprobar su acatamiento se han desar-
rollado pruebas estadı́sticas como la prueba Chi-cuadrada y de Kolmogorov
- Smirnov. En cualquiera de ambos casos, para probar la uniformidad de los
números de un conjunto ri es necesario formular las siguientes hipótesis:

H0 : ri U (0, 1)
H1 : ri nosonunif ormes

Veamos a continuación la Prueba Chi-cuadrada

La prueba Chi-cuadrada busca determinar si los números del conjunto ri se dis-

tribuyen uniformemente en el intervalo (0, 1). Para llevar a cabo esta prueba es
necesario dividir
√ el intervalo (0, 1) en m subintervalos, en donde es recomend-
able que m = n . Posteriormente se clasifica cada número pseudo aleatorio del
conjunto ri en los m intervalos. A la cantidad de números ri que se clasifican
en cada intervalo se le denomina frecuencia observada Oi y a la cantidad de
números ri que se espera encontrar en cada intervalo se llama frecuencia esper-
n
ada Ei ; teóricamente, la ri es igual a m . A partir de los valores de Oi y de Ei
2
se determina el estadı́stico χ0 mediante la ecuación:

Pm (Ei −Oi )2
χ20 = i=1 Ei

Si el valor estadı́stico χ20 es menor al valor de tablas χ2( α, m − 1), entonces no se

puede rechazar que el conjunto de números ri sigue una distribución uniforme.
En caso contrario, se rechaza que ri sigue una distribución uniforme.

IV. Prueba de Independencia:

Recuerde que las dos propiedades más importantes que deben satisfacer los
números de un conjunto ri son uniformidad e independencia. Las pruebas de
independencia tratan de corroborar si los números en el intervalo (0, 1) son es-
tadı́sticamente independientes entre sı́, esto es, que no depende uno de otro,
en otras palabras, si parecen pseudo-aleatorios. Hay varios métodos, entre los
cuales están: La prueba de Poker , La prueba de corridas arriba y abajo, La
prueba de corridas arriba debajo de la media, La prueba de la longitud de las
corridas, La prueba de series. Para probar la independencia de los números de
2.5. EJEMPLOS SENCILLOS DE SIMULACIÓN 26

un conjunto ri primero es preciso formular las siguientes hipótesis:

H0 : los números ri son independientes

H1 : los números ri no son independientes

Prueba de corridas de arriba y abajo: El procedimiento de esta prueba

consiste en determinar una secuencia de números S que solo contiene unos y
ceros, de acuerdo con una comparación entre ri y ri−1 . Posteriormente se de-
termina el número de corridas observadas, C0 (una corrida se identifica como
la cantidad de unos o ceros consecutivos). Luego se calcula el valor esperado, la
varianza del número de corridas y el estadı́stico Z0 , mediante las ecuaciones:
µC0 = 2n−1 3
σC2 0 = 16n−2
90 
 C0 −µC0 
Z0 =  σ C 
0
Si el estadı́stico Z0 es mayor que el valor crı́tico Z α2 , se concluye que los números
del conjunto ri no son independientes. De lo contrario no se puede rechazar que
el conjunto ri sea independiente.

2.5. ejemplos sencillos de simulación

1. Un modelo de simulación. Juego del lanzamiento de la moneda

El objetivo es mostrar, mediante un problema sencillo, la naturaleza exper-

imental de la simulación y los casos en que debe usarse la simulación como
herramienta de último recurso. Es decir, se ilustrará mediante un juego de lan-
zamiento de monedas, en que forma se realiza una simulación, ejecutando los
mismos pasos que se realizarı́an en un juego real. El problema planteado es el
siguiente:

A usted le proponen el siguiente juego: Usted lanza una moneda y cuenta el

número de caras y sellos que va obteniendo. El juego se termina sólo cuando
la diferencia entre caras y sellos sea tres, no interesa cual sea mayor. En ese
instante usted recibe $ 8.00 por el juego, pero tiene que pagar $ 1.00 por cada
lanzamiento de la moneda que usted haya hecho. Le conviene a usted participar
en este juego?

El problema consiste en determinar si es favorable o no participar en este juego.

En principio diremos que es favorable participar en el juego si a la larga es-
peramos ganar, es decir, la utilidad esperada del juego es mayor o igual que
cero. Para obtener la respuesta ensayaremos diferentes soluciones, empezando
primero por una solución de tipo analı́tico, luego por la experimentación con el
sistema real, y finalmente por una solución tipo simulación
2.5. EJEMPLOS SENCILLOS DE SIMULACIÓN 27

2. Movimiento de una partı́cula

Una partı́cula se mueve en el siguiente cı́rculo. La partı́cula empieza en cero.

En cada punto en el cı́rculo la partı́cula dará un paso que puede ser a cualquier
punto adyacente en el cı́rculo. La probabilidad de que la partı́cula se mueva en
1
el sentido de las agujas del reloj o sentido contrario es . Usando la simulación
2
determine la distribución de frecuencia del número de pasos requeridos para
que la partı́cula vuelva al punto inicial.

7 1

6 2

5 3

3. Problema: La tienda del video

Considere una tienda de alquiler de videos, que compra las cintas de estreno a
$ 25.000 la unidad, las alquila a sus clientes a $ 5.000, y al fin de mes, revende
las cintas a otras tiendas de barrio a $ 5.000 la copia. La tienda ha estimado
que la demanda diaria por cintas de estreno tiene la siguiente distribución de
probabilidad:

Número de copias 0 1 2 3 4
Probabilidad 0,15 0,25 0,45 0,10 0,05

Suponga que las cintas duran en alquiler un dı́a, y que todos los clientes de-
vuelven las copias al siguiente dı́a. Cuántas copias de las cintas de estreno debe
ordenar la tienda cada mes?

4. Operación de embalse: Un modelo simple

Una represa se utiliza para generar energı́a eléctrica y para el control del flujo
de aguas. La capacidad de la represa es 4 unidades. La función de probabilidad
de la cantidad de agua que fluye a la represa en el mes es la siguiente:
2.6. ETAPAS PARA REALIZAR UN MODELO DE SIMULACIÓN 28

Cantidad 0 1 2 3
1 1 1 1
Probabilidad
6 3 3 6

Si el agua en la represa excede la capacidad máxima, el agua sobrante se bota

a través del vertedero, que es de flujo libre. Para generar energı́a se requieren
mensualmente una o dos unidades, con igual probabilidad, que se sueltan al fi-
nal de cada mes. Si en la represa hay menos de la cantidad requerida, se genera
energı́a con el agua disponible, es decir, se suelta toda el agua.

Se desea desarrollar un modelo de simulación de la operación de la represa para

determinar la distribución del nivel del embalse al final del mes, la cantidad
media de agua que se vierte y la demanda media que se satisface.

5. Se sabe que un jugador de basquetbol encesta 40 % de sus tiros. Si en un par-

tido hace 20 tiros, ¿cuál es la probabilidad de que enceste exactamente 9 veces?
Hay cálculos estándar que permiten obtener la respuesta (en Excel la instruc-
ción =DISTR.BINOM(9,20,0.4,FALSO) da como resultado 0.15973848). Hay,
sin embargo, otro método que, aunque en este caso no es necesario, a veces es el
único método de abordar un problema. En el caso planteado supondrı́a pedir al
jugador que jugara 10.000 partidos de 20 tiros para obtener una aproximación
del porcentaje de veces en las que encesta exactamente 9 veces. Como la prop-
uesta anterior es imposible para un ser humano, se podrı́a simular la situación
y obtener una estimación del resultado.

2.6. Etapas para realizar un modelo de simulación

A modo de resumen, para llevar a cabo la simulación del sistema se deben seguir
una serie de etapas, ampliamente identificadas y discutidas en la literatura cientı́fica
(Figura):

1. Formulación de la problemática y determinación de los objetivos: consiste en es-

tablecer de forma clara, cuál es el problema que se pretende abordar, qué objetivos
globales se desean alcanzar y con qué recursos será necesario contar para lograrlos
en el tiempo previsto.

2. Modelado del sistema: se trata de crear el diseño del sistema que permita su sim-
ulación por ordenador. El modelo deberá reflejar convenientemente la estructura
interna del sistema y sus caracterı́sticas, de modo que los resultados que se deriv-
en sean extrapolables al sistema real. Por ejemplo, resultará fundamental modelar
los fenómenos aleatorios del sistema mediante distribuciones estadı́sticas, como la
interrupción del tratamiento, la hospitalización por urgencias u otro evento. Para
llevar esto a cabo, serı́a interesante disponer de una serie histórica de observaciones
sobre el comportamiento de dichos fenómenos aleatorios, como los resultados de
un ensayo clı́nico, un metaanálisis o un registro de pacientes.
2.6. ETAPAS PARA REALIZAR UN MODELO DE SIMULACIÓN 29

3. Implementación del modelo en el ordenador. El modelo desarrollado desde el punto

de vista teórico ha de ser implementado en el ordenador a través de algún software
especı́fico. Más adelante, se describen las principales caracterı́sticas de cada una
de las herramientas informáticas disponibles.

4. Verificación del programa: comprobación de la correcta implementación del modelo

en el ordenador. Para ello, debemos comprobar que el programa resultante se
comporta según lo deseado, es decir, que los resultados deben ser coherentes para
las diversas combinaciones de variables de entrada(inputs) del modelo, y no ha
habido ningún error sintáctico a la hora de programar las diferentes instrucciones.

5. Validación del modelo. Consiste en comprobar que el modelo refleja convenien-

temente el mundo real. Para ello, se procede a comparar, para distintas combi-
naciones de variables de entrada, los resultados que produce el modelo con los
observables en el sistema real. En dicho proceso de validación es frecuente el uso
de técnicas estadı́sticas que permitan comparar dos conjuntos de datos16.

6. Diseño de la simulación y pruebas piloto. Una vez aceptado el modelo como válido,
el siguiente paso es diseñar las caracterı́sticas del experimento o experimentos de
simulación que se van a llevar a cabo, es decir, responder a preguntas como cuál
será el número de iteraciones, las variables de entrada empleadas, la conveniencia
de usar técnicas de reducción de la varianza. Suele ser de gran utilidad la realización
de pruebas piloto (simulaciones cortas) que proporcionen orientaciones sobre cómo
conviene afrontar el estudio y calcular el número de réplicas necesarias.

7. Ejecución de la simulación. Se procede a llevar a cabo la simulación establecida en

el paso anterior.

8. Análisis de resultados. Los resultados procedentes de un experimento de simulación

suelen requerir un análisis estadı́stico no trivial que permita obtener información
útil sobre el comportamiento analizado.

9. Documentación del experimento. Una vez finalizado el experimento, éste debe

ser convenientemente documentado, de modo que se fomente su credibilidad y la
validez de las conclusiones obtenidas.
2.6. ETAPAS PARA REALIZAR UN MODELO DE SIMULACIÓN 30

Inicio

Formulación y Objetivos

Modelado

Implementación en Ordenador

No
¿Programa verificado?

Si

No
¿Modelo Validado?

Si
Diseño y Pruebas Piloto

Ejecución Simulación

Análisis Resultados

Documentación

Fin

Figura 1: Los pasos de la simulación

2.7. OBSERVACIONES DE VARIABLES ALEATORIAS 31

2.7. Observaciones de variables aleatorias

Frecuentemente, para la simulación de sistemas se requieren observaciones de
variables aleatorias con distribución diferente a la Uniforme (0,1). Para la generación
de muestras u observaciones de variables aleatorias especı́ficas se utilizan diversos
métodos, siendo los más usados el de la Transformada Inversa y el del Rechazo, los
cuales presentamos en las siguientes secciones.

2.7.1. Generación de Variables aleatorias contı́nua

I. Método de la transformada inversa

El método de la transformada inversa para la obtención de variables aleatorias

se fundamenta en el siguiente teorema.

Teorema 2.7.1 Sean:

X: una variable aleatoria (Discreta o Continua)
fX : función de densidad de probabilidad (fdp), para el caso continuo, o función
de cuantı́a para el caso discreto
FX : función acumulativa o función de distribución
FX−1 : función inversa de la función acumulativa
n: número de observaciones a generar
ri : número aleatorio

Entonces, las muestras de la variable aleatoria X se pueden obtener de la sigu-

iente manera
Xi = Fx−1 (ri )
para i = 1, 2, . . . , n

Ejemplo 2.7.1

a) Sea X una variable aleatoria con función de densidad de probabilidad (fdp)

dada por:

ax si 0 ≤ x ≤ 3
f (x) =
0 ∀ otro caso
Se desea generar números al azar que sigan la distribución
b) Generar números aleatorios que sigan la distribución de probabilidad sigu-
iente 
x si 0 ≤ x ≤ 1
f (x) = 1
2
si 1 < x ≤ 2

II. Método del Rechazo

2.7. OBSERVACIONES DE VARIABLES ALEATORIAS 32

Se tiene una variable aleatoria X con función de densidad fx (x) definida en el

intervalo a ≤ x ≤ b, y ademas se conoce

M = máx fX (x), a ≤ x ≤ b
fX (x)
De esta manera podemos definir g(x) = M
; y por lo tanto, 0 ≤ g(x) ≤ 1

El metodo consiste en:

a) Generan r1 y r2 (dos numeros aleatorios)
b) Se define x = a + (b − a) × ri
c) Si r2 ≤ g(x) entonces x es observación. En caso contrario ir a 1.

Ejemplos 2.7.1
Se desea generar números al azar que sigan la siguiente distribución de proba-
bilidad.

2x si 0 ≤ x ≤ 1
a) f (x) =
0 ∀ otro caso
( 2x
si 0 ≤ x ≤ 3
b) f (x) = 9
0 ∀ otro caso
 2
3x si 0 ≤ x ≤ 1
c) f (x) =
0 ∀ otro caso

2.7.2. Generación de variables aleatorias discretas

I. El método de la transformada inversa

Se utiliza cuando se desea simular variables aleatorias de tipo discreto, como

la distribución Bernoulli, binomial, Poisson, etc. El procedimiento es similar al
continuo pero el valor de F (x) se encuentra acumulando las probabilidades de
los eventos individuales p(x). También en este caso, F (x) está definida en el
intervalo 0 a 1.
Metodologı́a
Paso 1: Calcular todos los valores de p(x) para la distribución propuesta.
Paso 2: Calcular la acumulada F (x) para cada valor de x.
Paso 3: Generar un valor ri . Verificar en F (x) a qué intervalo de x pertenece y
ese será el número aleatorio generado por la distribución propuesta.

Ejemplo 2.7.2
A partir de un generador de números aleatorios uniformes entre 0 y 1
se obtuvieron los valores 0.7814 y 0.5643. A partir de ellos simular una
variable aleatoria con distribución Bernoulli con p=0.25
2.7. OBSERVACIONES DE VARIABLES ALEATORIAS 33

Simular una variable aleatoria X tal que p1 = 0, 20, p2 = 0, 15, p3 = 0, 25,

p4 = 0, 40 donde pj = P (X = j)

II. La técnica de aceptación y rechazo

Suponga que tenemos un método eficiente para simular una variable aleato-
ria con función de masa de probabilidad {qj , j ≥ 0}. Podemos emplearlo co-
mo la base para simular a partir de la distribución que tiene función de masa
{pj , j ≥ 0} primero simulando una variable Y aleatoria con función de masa
{qj } y luego aceptar este valor simulado con una probabilidad proporcional a
pY
qY
.

Especı́ficamente, sea c una constante tal que

pj
≤c
qj
para toda j tal que pj > 0

Ahora tenemos la siguiente técnica, llamada método de rechazo o método de

aceptación y rechazo, para simular una variable aleatoria X con función de
masa pj = P {X = j}

Pasos del Método de rechazo

Paso 1: Simular el valor de Y , con función de masa de probabilidad qj .

Paso 2: Generar un número aleatorio U .
pY
Paso 3: Si U < cqY
, hacer X = Y y terminar. En caso contrario, regresar al
paso 1.

Ejemplo 2.7.3

Simular el valor de una variable aleatoria X que toma uno de los valores 1, 2, . . . , 10
con probabilidades respectivas 0, 11, 0, 12, 0, 09, 0, 08, 0, 12, 0, 10, 0, 09, 0, 09,
0, 10, 0, 10. Considerar q como la densidad uniforme discreta en 1, 2, . . . , 10.
Además elegir {qj }, elegir c como
pj
c = máx
qj

Ejercicios 2.7.1
1. Desarrolle un algoritmo para generar observaciones de una variable aleatoria
con la siguiente función de densidad:
 3
2
(x − 1)2 si 0 ≤ x ≤ 2
f (x) =
0 ∀ otro caso
2.8. EVOLUCIÓN DEL TIEMPO EN LA SIMULACIÓN 34

2. Utilice el método de la transformada inversa o el método del rachazo, para

encontrar la expresión que represente una observación de la siguiente función
de densidad: 
18x + 1 si 0 ≤ x ≤ 5
f (x) =
0 ∀ otro caso

3. Usando el método de aceptación y rechazo simular una v.a.d X con cuantı́a

i 1 2 3 4 5
pi 0,19 0,20 0,18 0,22 0,21

Sea Y v.a.d. uniforme

2.8. Evolución del tiempo en la Simulación

Con el conocimiento de los métodos de generación de observaciones de variables
aleatorias podemos construir modelos de simulación de una gran variedad de sistemas
sociales, económicos y naturales que frecuentemente observamos y que en muchas
ocasiones nos proponemos transformar.

Antes de construir los modelos es fundamental establecer la forma de evolución del

tiempo en la simulación. Es decir, tenemos que determinar los mecanismos que per-
mitan representar el progreso de los diferentes eventos o acontecimientos del sistema
que se desea simular.

Dependiendo del sistema que se busca simular y del objetivo del estudio, en este
capı́tulo se exhiben dos mecanismos para representar el avance del tiempo en los
modelos de simulación: incrementos fijos e incrementos variables de tiempo.

2.8.1. Incrementos fijos de tiempo

La evolución del tiempo se puede dar en minutos, horas, dı́as, etc. El método
consiste en avanzar una unidad el tiempo previamente establecido y actualizar los
acontecimientos ocurridos en el sistema simulado.

Ejemplo 2.8.1

Presentar un diagrama de un sistema en el que se utilizan valores unitarios para

efectuar incrementos fijos de tiempo. Se supone que ésta unidad es un mes, y se quiere
simular el comportamiento de la demanda de energı́a eléctrica en una empresa, el
costo total de la energı́a en un año y el gasto promedio mensual. Inicialmente se debe
conocer la distribución mensual de la demanda y el costo de cada kilovatio consumido.
2.8. EVOLUCIÓN DEL TIEMPO EN LA SIMULACIÓN 35

En este caso,se observa que el avance del tiempo se produce a través de la siguiente
formula recursiva que se inicia en cero:

P ERIODO = P ERIODO + 1
Este método de evolución de la simulación es especialmente apropiado cuando un
conjunto de situaciones o eventos transcurren en un intervalo fijo de tiempo clara-
mente establecido con patrones semejantes de comportamiento durante los todos los
periodos de tiempo. Este método también resulta adecuado cuando la forma de cal-
cular las variables sobre las cuales se quieren tomar decisiones se valoran de manera
diaria, semanal o mensual. Igualmente, este mecanismo para representar el avance en
la simulación es especialmente indicado cuando se tienen situaciones en las cuales se
efectúan una serie de rutinas repetidas durante un intervalo de tiempo.

Ejemplo 2.8.2 Otros que pueden resultar adecuados para su simulación a través de
incrementos fijos de tiempo, incluyen:

La simulación de sistemas de inventarios cuando los pedidos y los despachos se

efectúan de manera diaria.

La simulación de sistemas naturales o industriales de acumulación de materiales

o fluidos, en los cuales se presentan ingresos y egresos, de acuerdo con VAs
aleatorias, durante intervalos de tiempo fijos (dı́as, semanas o meses).

Similar al ejemplo de la demanda energı́a, existen muchos casos en las cuales

registramos utilidades, facturaciones, gastos, demandas o perdidas, semanales o
mensuales, que se comportan de acuerdo con VAs las cuales queremos observar
y transformar.

Cuando se busca evaluar la consecuencia de ensayos que se realizan durante

perı́odos consecutivos de tiempo (el tiempo no es realmente relevante sino los
resultados de los ensayos que tienen las mismas caracterı́sticas).

La simulación de los juegos de azar para evaluar estrategias y para determinar

los beneficios esperados de las mismas.

Existen muchos eventos que transcurren durante lapsos de tiempo que se extienden,
de manera irregular, durante varios perı́odos de tiempo, por lo cual resulta complicado
simularlos bajo el mecanismo de incrementos fijos de tiempo. En estas situaciones,
el mecanismo más apropiado puede ser el de incrementos variables de tiempo que
presentamos

2.8.2. Incrementos variables de tiempo

Bajo el criterio de incrementos variables de tiempo, el sistema evoluciona de acuer-
do con la ocurrencia del acontecimiento más próximo.

Ejemplo 2.8.3
2.9. LAS TÉCNICAS DE SIMULACIÓN EN LOS FENÓMENOS DE ESPERA;
EN LOS MODELOS 36

En una fábrica de confecciones se determinaron dos actividades: la llegada de tela

para cortar, y la confección de varias piezas. De acuerdo con el diagrama, se debe
establecer permanentemente si el acontecimiento más próximo es la llegada de tela
o la conclusión de la confección de una pieza (blusa, vestido, chaqueta, etc.). Si lo
próximo en ocurrir es la llegada de tela, se deben actualizar los estadı́sticos de tela
disponible y se procede a generar: a) un intervalo de tiempo hasta el arribo de un nuevo
lote de tela (LLTELA) y b) el tiempo que tardará hasta concluir la confección de una
pieza (TCONF), en caso de que algún confeccionista estuviese libre; inmediatamente
se calcula cuando ocurrirá la llegada del nuevo lote de tela (A=A+LLTELA).

Si lo próximo en ocurrir es la terminación de una pieza, se actualizan los es-

tadı́sticos de número de piezas confeccionadas y el tiempo que se ha empleado en
la confección de todas las piezas; se simula un nuevo intervalo de tiempo para dar
cuenta del tiempo que tardará en confeccionarse una nueva pieza (TCONF), en ca-
so de que se tuviese suficiente tela disponible; y se calcula el instante ocurrirá este
acontecimiento (B=B+ TCONF).

Si lo próximo es la terminación de la jornada de trabajo, se obtienen los totales

de los estadı́sticos sobre: Cantidad de tela cortada en la jornada.

Número de piezas confeccionadas.

Tiempo promedio empleado en la confección de cada pieza.
Otros.

Por último, se imprime el informe de resultados.

2.9. Las técnicas de simulación en los fenómenos de espera;

en los modelos

2.10. Constitución de modelos - Ejercicios

Capı́tulo 3

Experimentos con Modelos de

Sistemas Económicos

3.1. Introducción
Capı́tulo 4

Modelos de las Ciencias

Administrativas

4.1. Introducción

38
Capı́tulo 5

Modelos Económicos

5.1. Introducción

39
Capı́tulo 6

Conclusión

En este material nuestro propósito ha sido presentar un método práctico para el

desarrollo de los contenidos de la asignatura que de alguna manera nos ayudará a
optimizar el tiempo y de tal manera a profundizar las unidades correspondientes. Al
redactar este material no hemos querido y tampoco pretendemos que se le considere
como un libro de simulación sino como un material de apoyo; nos hemos colocados en
la situación de recopilar de las ofertas bibliográficas los contenidos requeridos para el
cumplimiento con el programa de estudio.

Este material representa un esfuerzo por entregar a los alumnos los contenidos del
curso sin necesidad de textos genéricos, de esos grandes volumenes de Investigación
de Operaciones o de simulación. Todos esos libros utilizados, contienen mucho más
que lo que este material pretenden. Sin duda pueden resultar ser buenos aliados de
los estudiantes, pero no siempre representan el ritmo o intensidad de la asignatura.

El material intenta presentar la materia en el orden y exigencia que se ha estable-

cido en los semestres que nos han tocado dictar esta asignatura.

Estimados alumnos, este material se pone a su disposición para ser usado, y

compartido. La clase será más fácil de seguir con el mismo a su lado y, además no se
pretende que sea definitivo por lo que esperamos enriquecerlos con sus comentarios y
crı́ticas.

Es muy importante conseguir que los estudiantes adquieran los conocimientos

necesarios para el estudio y solución de los problemas y en general para la toma de
decisiones.

40
Bibliografı́a

[1] Quintı́n Martı́n,Maria Santos,Yanira Sanana. Investigación Operativa,

Universidad de Salamanca.

[2] Hamdy Taha. Investigación de Operaciones. Séptima edición

[3] Leandro Pardo. Programación Lineal Continua - aplicaciones. Prácticas en la

Empresa.

[4] Robert Thierauf. Introducción a la Investigación de Operaciones.

[5] Wayne L. Winston. Investigación de Operaciones. Aplicaciones y algoritmos

[6] A Kaufmann. Métodos y modelos de la investigación de operaciones.

[7] Javier Garcı́a Cabanes. Técnicas de Investigación Operativa.

[8] Juan Prawda. Métodos y Modelos de Investigación de operaciones.

[9] Gould - Eppen - Schmidt. Investigación de operaciones en la Ciencia Admin-

istrativas.