VII.

SIMULACIÓN

7.1 INTRODUCCIÓN

Es una técnica que permite realizar experimentos sobre una representación de un sistema
(modelo).
Un modelo es una representación o abstracción de una situación o fenómeno reales. Algunos
tipos de modelos: Icónicos, Diagramáticos (Analógicos), Matemáticos. Los de tercer tipo son los
que más se utilizan en la simulación.

¿Por qué es necesaria la simulación? Se hace porque:

 El tiempo para ver los resultados probablemente sea muy amplio como para hacer un
experimento.
 La inversión al hacer un experimento puede ser alta.
 Existe un riesgo al hacer un experimento real.

La simulación puede ser utilizada en transporte, electricidad y electrónica, procesos de fabricación,

distribución de tráfico aéreo y terrestre, análisis de fallas de sistemas, mantenimiento de sistemas
y en los negocios en general.

¿Para qué sirven los modelos?

1. Auxiliares en el razonamiento: Facilitan la visualización de la naturaleza y comportamiento del

sistema. Indican los parámetros para identificar las fuentes de problemas.
2. Auxiliares en la comunicación: Ayudan a divulgar los sistemas, por ejemplo: una red interna
para dar a conocer normas, instructivos, procesos, etc.
3. Predictores: Ayudan a pronosticar, por ejemplo: monitorear la ejecución del presupuesto en
meses posteriores.
4. Medios de control: Realizan monitoreo, seguimiento o comparación, por ejemplo: los aparatos
que indican una emergencia (alarmas), medidores de magnitudes físicas (masa, velocidad,
volumen, temperatura, etc.). En todos ellos se establece un estándar que indica el
funcionamiento normal.
5. En el adiestramiento: lenguajes, software, juegos.
6. Para buscar alternativas hipotéticas (uso de software especializado, ej.: simulador de
procesos)
7. Para diseñar y mejorar el sistema: mejora continua.
8. Para evaluar cursos alternativos de acción que proporcionen soluciones consistentes.

Pasos de una simulació n

1. Formular el modelo que representa el sistema a ser investigado. Por ejemplo: diagramas de
procesos, flujogramas, diagramas de redes, organigramas.

UES/FIA/EII/IOP215 Pá gina 1
2. Validar el modelo: Tomar muestras, comprobar, interpretar, decidir. Algunas veces el modelo
deber ser estadísticamente comprobable que es el correcto o el más adecuado.
3. Diseñar el experimento: ¿Qué se desea medir? ¿Cuántos resultados se necesitan? ¿Cómo
probará los resultados? La información disponible es una forma de indicar que el modelo es
correcto.
4. Desarrollar el programa para el computador. Para obtener información en forma ágil y
oportuna.
5. Generar los números aleatorios. Son números al azar que son los que permiten realizar las
pruebas.
Nuestro énfasis se centrará en el último de los pasos mencionados.

7.2 GENERACIÓN DE NÚMEROS ALEATORIOS

La generación de números aleatorios son aquellos procedimientos que se utilizan para generar
datos que siguen alguna distribución de probabilidad a través de la toma de números al azar. Los
procedimientos a aplicar dependerán de la existencia o no de una función conocida que permita
generar los números aleatorios. Cuando no existe la función, se utiliza el Método de Montecarlo
que aplica a distribuciones de probabilidad discretas, mientras que si se conoce la función se
pueden generar variables aleatorias para distribuciones de probabilidad continuas.

MÉTODOS PARA LA GENERACIÓN DE NÚMEROS ALEATORIOS

1. Método del medio del cuadrado (o de los dígitos centrales de un cuadrado)

Este método se utiliza para generar números aleatorios enteros
Pasos:
1) Seleccionar un número cualquiera de 4 dígitos, de preferencia que sea mayor
que 3536.
2) Elevar al cuadrado ese número. Si el cuadrado del número tiene menos de 8
dígitos, se debe rellenar con ceros a la izquierda.
3) Seleccionar los cuatro dígitos centrales del cuadrado del número. Esos cuatro
dígitos se convierten en el primer número aleatorio.
4) Elevar al cuadrado el primer número aleatorio que se generó.
5) Repetir los pasos 3 y 4 cada vez que se desee un número aleatorio hasta
obtener el total necesario.

Ejemplo: Obtenga 5 números aleatorios de 4 dígitos partir del número 3536:

2. Método de números al azar fraccionarios

Se utiliza para generar números aleatorios decimales para variables aleatorias con
distribución de probabilidad conocida.

Pasos:

UES/FIA/EII/IOP215 Pá gina 2
 1) Seleccionar un número “x” que posea una cantidad cualquiera de dígitos,
menor que 9.
2) Seleccionar un número “y” que también posea una cantidad cualquiera de
dígitos, menor que 9. Es preferible que este segundo número posea menos
dígitos que el primero o a lo sumo igual.
3) Multiplicar el primer número por el segundo (xy ).
4) Seleccionar una fracción o número decimal pequeño “z”. Multiplicar el
producto del paso 3 por el número “z” ( xyz).
5) Seleccionar la porción decimal como el primer número aleatorio decimal.
6) Multiplicar el producto “xy” obtenido en el paso 3 por el número “y” del paso
2,( xyy= xy 2).
7) Multiplicar el producto del paso 6 por el número decimal “z” del paso 4,
(xy ¿¿ 2 z) ¿
8) Seleccionar la parte decimal como el siguiente número aleatorio.
9) Multiplicar el producto del paso 7 por el número “y” del paso 2,( xy 3 z ) .
Continuar con el paso 8.
10) El producto del paso 9 se multiplica por el numero “y” tantas veces como sea
necesario hasta obtener la cantidad deseada de números al azar decimales o
fraccionarios ( xy n z ).
Un resumen de los pasos anteriores es el siguiente:
Producto Nº Aleatorio
xyz 1º
2
xy z 2º
3
xy z 3º
. .
. .
. .
n
xy z enésimo
Ejemplo. Obtenga diez números decimales de dos dígitos a partir de los números
x=4681, y=325 , z=0.03 :
Nota: Se puede aproximar el segundo dígito siguiendo las reglas o se deja sin aproximar.

3. Método de números al azar de tablas

Utilizar tablas prediseñadas de números aleatorios y escoger de ahí la cantidad de

números aleatorios. Se debe establecer primero el procedimiento de elección de los
números y mantenerlo hasta obtener la cantidad deseada. Este método aplica más que
todo a números enteros, aunque también puede funcionar con números decimales.

7.3 MÉTODO DE MONTECARLO

UES/FIA/EII/IOP215 Pá gina 3
Se usa para resolver problemas que dependen de la probabilidad en los que la experimentación
física es no factible y donde es “imposible” la creación de una fórmula exacta. Este consiste en una
simulación con técnicas de muestreo, es decir que en vez de obtener muestras de una población
real se obtiene un “duplicado” técnico de la población real. La no factibilidad de la
experimentación puede deberse a una inversión muy alta o porque es muy riesgosa.
Algunos campos de aplicación

 Inventarios
 Proyectos de inversión
 Inspecciones para el control de calidad
 Programación de recursos (humanos o materiales)
 Líneas de espera
 Programación de proyectos
 Secuencia de trabajo en una planta
 Mantenimiento
 Flujo de tránsito

EJEMPLOS.

1. Simulación de un problema de inventarios.

Un comerciante minorista de quesos tiene la siguiente política de inventario: si su inventario al

final del día es cero, ordena 30 libras de queso de un mayorista cercano, las cuales le son
entregadas al minorista al inicio del siguiente día. La demanda en cualquier día se muestra en
la tabla. Simule el inventario para un periodo de 10 días, comenzando con un inventario de 30
libras de queso. Si la utilidad por cada libra de queso es de $0.50 ¿Cuál es la ganancia del
minorista en los 10 días y cuál es la perdida por escasez en el inventario?

x 10 20 30 40 50
P(x ) 0.05 0.20 0.40 0.30 0.05
SOLUCIÓN

x P ( x) Σ P (x) Rango
10 0.05 0.05 01 – 05
20 0.20 0.25 06 – 25
30 0.40 0.65 26 – 65
40 0.30 0.95 66 – 95
50 0.05 1.00 96 - 00

Tipo: Variable aleatoria discreta (V.A.D.) sin distribución de probabilidad: Método de Montecarlo.
Semilla Generadora de datos para la demanda: 4217

4217

UES/FIA/EII/IOP215 Pá gina 4
 Dí Inventario Nº Aleatorio Demand Inventario Unidades Unidades ¿Hacer
a Inicial p/demanda a Final Vendidas en escasez pedido?
1
2
3
4
5
6
7
8
9
10

Ganancia total = Unidades vendidas * Ganancia unitaria

= x 0.5=$ .00 en 10 días.

Ganancia no percibida = Unidades en escasez * Ganancia unitaria

= x 0.5=$ .00 en 10 días.

2. Simulación de un problema de ingeniería económica.

Una empresa está considerando realizar una inversión en un equipo que tenga una ganancia
esperada alta con respecto al valor presente de los gastos iniciales. El problema se origina dada la
serie de situaciones del proyecto en las fuentes de riesgo o incertidumbre:

 Inversión del proyecto

 Vida del proyecto
 Ganancia esperada

Sus respectivas distribuciones de probabilidad son:

Inversión Probabilida Duración Probabilida Ganancia Probabilida

($) d (años) d ($) d
p(x) p(x) p(x)
10000 0.80 7 0.4 2000 0.1
8000 0.05 9 0.1 4000 0.4
12000 0.15 5 0.1 3000 0.4
8 0.2 5000 0.1

UES/FIA/EII/IOP215 Pá gina 5
 6 0.2

Se asume que el equipo tiene un valor residual bajo al final de su vida, por lo que puede
considerarse igual a cero. La tasa de interés aplicada es de 10% anual. Para efectos de decisión se
considerará el análisis beneficio-costo. Realice una simulación de seis pruebas para encontrar el
radio beneficio-costo promedio y tomar la decisión de aceptar o no el proyecto.

r B/ C =
Ingresos
=
P
G( )
A
=
G
[
( 1+ i)n−1
i(1+i)
n
] r <1 → No se acepta
r =1→ Indiferente
Egresos I I
r >1 → Se acepta
Procedimiento de solución:

1. Ordenar los datos de I (inversión) ,G(ganancia) y n( período de tiempo) en forma

ascendente y encontrar los rangos de cada uno.
2. Utilizar una semilla generadora a partir de la cual se obtendrán números aleatorios para la
inversión ( I) .
3. Utilizar otra semilla generadora a partir de la cual se obtendrán números aleatorios para la
ganancia (G).
4. Utilizar otra semilla generadora a partir de la cual se obtendrán números aleatorios para el
tiempo (n).
5. Obtener el valor presente de cada anualidad las veces que sea requerido.
6. Calcular el radio beneficio – costo para cada iteración.
7. Cuando se tenga las iteraciones necesarias, calcular el radio promedio (r ):

r=
∑r
Nº de iteraciones
8. Teniendo el radio promedio, tomar la decisión de acuerdo a los parámetros:
(r <1 , r=1 ó r >1)

SOLUCIÓN

Ordenando los datos:

I P( x ) Σ P ( x) Rango
8000 0.05 0.05 01-05
10000 0.80 0.85 06-85
12000 0.15 1.00 86-00

G P( x ) Σ P ( x) Rango
2000 0.1 0.1 01-10
3000 0.4 0.5 11-50
4000 0.4 0.9 51-90

UES/FIA/EII/IOP215 Pá gina 6
 5000 0.1 1.0 91-00

n P( x ) Σ P (x) Rango
5 0.1 0.1 01-10
6 0.2 0.3 11-30
7 0.4 0.7 31-70
8 0.2 0.9 71-90
9 0.1 1.0 91-00
Utilizando tres semillas generadoras de datos para I, G y n:

I G n
5789 3648 7592

Efectuando las pruebas:

Iter.
Nº
Aleat.
para I
I
Nº Aleat.
para G
G
Nº Aleat.
para n
n
r=
G
[ (1+i)n−1
i(1+i)n ]
I

[ ]
7
(1.1) −1
3
1 0.1(1.1)7
r= =¿
10

[ ]
8
(1.1) −1
4
2 0.1(1.1)8
r= =¿
10

[ ]
8
(1.1) −1
3
3 0.1(1.1)8
r= =¿
10

[ ]
7
(1.1) −1
2
4 0.1(1.1)7
r= =¿
10

[ ]
5
(1.1) −1
2
5 0.1(1.1)5
r= =¿
8

[ ]
6
( 1.1) −1
5
6 0.1(1.1)6
r= =¿
10

Calculando el radio promedio:

UES/FIA/EII/IOP215 Pá gina 7
 r=
∑ ri =
1.4605+ 2.1340+1.6005+0.9737+0.9477+ 2.1776 ❑
= =¿
Nº Iter . 6 6

Tomando la decisión:

r =¿ 1∴ SE ACEPTA EL PROYECTO

3. Generación de números para un rango definido por una distribución binomial.

()
b ( x , n , p )= n p q
x
x n−x

x = Variable aleatoria, n = tamaño de la muestra, p = probabilidad de éxito, q = probabilidad de

fracaso,()
n
x
= las combinaciones de n sobre x (n elementos tomados de x en x ).

Una empresa manufacturera elabora cierto artículo del cual se obtienen lotes buenos y lotes
malos. El procesamiento de lotes malos está en función de los artículos defectuosos. Si se
inspeccionan 100 artículos, la empresa desea conocer mediante simulación la probabilidad de
encontrar lotes malos. Se acepta como fracción defectuosa 5% y se considera un lote malo aquel
que posee 4 artículos defectuosos o más. Realice diez pruebas.

Tipo: Unidades discretas: V.A.D. (Método de Montecarlo)

x=V . A . Para el número de artículos defectuosos; n=¿tamaño de muestra = 100

p=0.05=¿Probabilidad de encontrar artículos defectuosos

q=1− p=1−0.05=0.95 = Probabilidad de no encontrar artículos defectuosos

Lote malo = 4 o más artículos defectuosos ⟹ Prob . ( Lote malo )=1− prob .(lote bueno)

3 3
p ( lote bueno )=∑ Pn= p 0+ p1 + p2 + p3=∑ b(x , 100 ,005)
x=0 x=0

( )
P0= 100 (0.05)0 (0.95)100 =0.
0

1( )
P1= 100 ( 0.05 ) ( 0.95 ) =0.
1 99

2( )
P2= 100 ( 0.05 ) ( 0.95 ) =0.
2 98

( )
P3= 100 (0.05)3 (0.95)97=0.
3

UES/FIA/EII/IOP215 Pá gina 8
 3

∑ b( x ,100 , 0.05)=0.= p (lote bueno )

x=0

p ( lote malo )=1−0.=0.

Semilla: 7531

7531

Lote P( x ) Σ P (x) Rango* Frecuencia

Buen
0.2579 0.2579 01-26 IIII = 4
o
Malo 0.7421 1.0000 27-00 IIIII I = 6
*Rango definido en función del tamaño de la muestra (100)

Casos favorables ❑
Frecuencia de lotes malos¿ = =0. (Existe un % de posibilidad de encontrar
Casos posibles 10
lotes malos)

4. Generación de números para un rango definido por una distribución Poisson.

El director de una estación de bomberos desea saber el número de llamadas que pueden ocurrir
para efectos de programación de las unidades. Se tiene un registro del número de llamadas por
hora de donde se sabe que la media es de 3 llamadas por hora durante 1000 observaciones y que
siguen una distribución de Poisson. Realice una simulación para 10 llamadas.

λ=3 llamadas/hora Tipo: Unidades discretas: V.A.D. (Método de Montecarlo)

n=1000 observaciones x=V . A . p/¿ de llamadas

λx e− λ
P ( x) =
x!

Semilla: 7816

7816

UES/FIA/EII/IOP215 Pá gina 9
 ( ) λx e− λ 30 e−3
Ejemplo de cálculo de P x = → P ( 0 )= =0.049787
x! 0!

x P( x ) Σ P ( x) Rango Nº Aleat. x
0 0.0498 0.0498 001-050 089
1 0.1494 0.1992 051-199 806
2 0.2240 0.4232 200-423 028
3 0.2240 0.6472 424-647 078
4 0.1680 0.8152 648-815 614
5 0.1008 0.9160 816-916 773
6 0.0504 0.9664 917-966 799
7 0.0216 0.9880 967-988 872
8 0.0081 0.9961 989-996 038
9 0.0027 0.9988 997-000 147
10 o
0.0012 1.0000 Σ
más

x=
∑ xi =❑ = , por lo tanto, se necesitan llamadas por hora para programar
Nº Iter . 10
unidades.

5. Simulación de un problema de colas

El gerente de producción de una compañía que se especializa en metales atribuye al ineficiente

sistema de manejo de materiales como uno de los problemas del cuello de botella que se está
generando como un resultado del incremento de la demanda. El actual sistema consiste en un
montacargas que transporta materia prima del almacén al primer puesto de trabajo, entre los
puestos de trabajo intermedios y del último puesto de trabajo al almacén de producto terminado.
La disciplina de servicio es: primero que llama al operador del montacargas, primero que es
atendido (PEPS). Recientemente ha existido espera por el servicio, en consecuencia existe pérdida
de tiempo de los empleados en los puestos de trabajo en espera del material o que sea retirado.
Para analizar este problema con más detalle, el gerente de producción lo lleva al departamento de
Gerencia de Operaciones. El primer paso fue identificar métodos alternativos y ellos decidieron
evaluar dos alternativas:

 Mantener el actual sistema (un montacargas)

 La adición de un nuevo montacargas

A través de muestreo se han tomado 100 horas de observación. La evaluación se realizará con el
criterio del radio beneficio-costo. La vida útil de un montacargas se estima en 5 años.

UES/FIA/EII/IOP215 Pá gina 10
Procedimiento de solución

1. El beneficio será el ahorro en costo en toda la vida del segundo montacargas pasado al
año cero (valor presente). El ahorro en costo se calculará así:
a. Estimar el costo de espera de servicio por unidad de tiempo. Se considera que es
de $0.30 / minuto.
b. Por simulación se establecerán los costos de espera al año para un montacargas.
c. Por simulación se obtendrán también los costos de espera al año para los dos
montacargas.
d. La diferencia calculada de los literales c y b (c-b) si es negativa, por tratarse de
costos, se traduce en un ahorro (beneficio).
2. El radio beneficio/costo será igual al ahorro en costos (beneficio) con dos montacargas
entre la inversión (costo) del segundo montacargas.

DATOS

Costo de cada montacargas = $10,000

12meses
Salario del operario del montacargas = $400/mes X =$ 4800/año
1año

Costos de espera de servicio = $0.30/min

Vida útil de cada montacargas = 5 años

Tasa de interés = 10% anual

Días laborales al año = 250 días/año

Horas laborales diarias = 8 horas

Hora de inicio cada día: 8:00 a. m.

Beneficio Ahorro en costos con 2 montacargas

r= =
Costo Inversión en el segundo montacargas

PROBLEMA DE MANEJO DE MATERIALES

Sistema actual: 1 montacargas

Alm. Alm.
1 2 ... n
M.P. P.T.

UES/FIA/EII/IOP215 Pá gina 11
La simulación requiere que la distribución de frecuencia para el tiempo entre arribos y el tiempo
de servicio sea determinada por muestreo. Se tomaron 100 datos y los resultados son los
siguientes:

Tiempo entre arribos (min)

Tiemp
Frecuencias (fr)
o Σ fr Rango
(Nº ocurrencias)
(t)
3 5 5 01-05
4 10 15 06-15
5 14 29 16-29
6 27 56 30-56
7 31 87 57-87
8 10 97 88-97
9 3 100 98-100
100

Tiempo de servicio (min)

Tiemp
Frecuencias (fr)
o Σ fr Rango
(Nº ocurrencias)
(t)
4 10 10 01-10
5 25 35 11-35
6 35 70 36-70
7 20 90 71-90
8 10 100 91-100
100
V.A.: Nº de ocurrencias por unidad de tiempo ≡ V.A.D. ∴Método de Montecarlo.

Procedimiento para la simulación

1. Utilizar una semilla generadora para el tiempo entre arribos.

2. Utilizar otra semilla generadora para el tiempo de servicio.
3. Generar un número al azar de dos dígitos para los arribos.
4. Identificar el tiempo entre arribos, asociado al número al azar.
5. Identificar la hora de arribo.
6. Determinar la hora a la que inicia el servicio.
7. Generar un número al azar de dos dígitos para los servicios.
8. Identificar el tiempo de servicio asociado al número al azar.
9. Determinar la hora cuando el servicio finaliza.
10. Calcular el tiempo de espera (tiempo de inicio de servicio - tiempo arribo)
11. Calcular el tiempo de ociosidad (tiempo de inicio de servicio dato actual - tiempo de fin de
servicio dato anterior)

UES/FIA/EII/IOP215 Pá gina 12
 12. Repetir pasos del 3 al 11 hasta completar el tiempo estipulado de simulación o el número
de pruebas requeridas.

Simulación para un montacargas.

Semilla generadora para tiempos entre arribos: 6347. Semilla para tiempos de servicio: 7123

Tiempo
Nº al Hora Inicio Nº al Tiempo Fin de Tiempo Tiempo
entre
azar arribo servicio azar servicio servicio espera ociosidad
arribos
28 8:05 8:05 73 8:12
44 8:11 8:12 71 8:19
08 8:15 8:19 33 8:24
83 8:22 8:24 16 8:29
77 8:29 8:29 99 8:37
96 8:37 8:37 58 8:43
77 8:44 8:44 16 8:49
76 8:51 8:51 17 8:56
46 8:57 8:57 61 9:03
61 9:04 9:04 46 9:10
72 9:11 9:11 77 9:18
49 9:17 9:18 33 9:23
54 9:23 9:23 79 9:30
80 9:30 9:30 92 9:38
03 9:33 9:38 87 9:45
04 9:36 9:45 20 9:50
09 9:40 9:50 03 9:54
24 9:45 9:54 84 10:01
85 9:52 10:01 14 10:06
37 9:58 10:06 74 10:13
88 10:06 17
03 10:09 26

De la simulación para un montacargas durante 2 horas se obtiene:

min horas min

T espera = min en 2 horas: x8 =
2horas dia dia

min dias min

En un año: x 250 =, 000
dia año año

min $ 0.30 $
Costo de espera anual: , 000 x =
año min año

Costo de ociosidad: va incluido en el salario del operador.

UES/FIA/EII/IOP215 Pá gina 13
 Simulación para dos montacargas

Semilla generadora para los tiempos entre arribos: 6839

Semilla generadora para los tiempos de servicio: 7658

Montacargas I Montacargas II
Tiempo Tiempo Ocio Tiempo
Nº al Hora Nº al Ocio
entre de Inicio Fin Inicio Fin sidad de
azar arribo azar sidad
arribos Servicio espera
77 8:07 64 8:07 8:13 - -
19 8:12 49 - - - 8:12 8:18
58 8:19 58 8:19 8:25 - - -
29 8:24 96 - - - 8:24 8:32
97 8:32 76 8:32 8:39 - - -
72 8:39 28 8:39 8:44 - - - -
49 8:45 18 8:45 8:50 - - -
19 8:50 63 8:50 8:56 - - - -
19 8:55 47 - - - 8:55 9:01
65 9:02 07 9:02 9:06 - - -
86 9:09 15 9:09 9:14 - - -
12 9:13 58 - - - 9:13 9:19
16 9:18 42 9:18 9:24 - - -
65 9:25 73 9:25 9:32 - - -
77 9:32 25 9:32 9:37 - - - -
22 9:37 85 9:37 9:44 - - - -
62 9:44 68 9:44 9:50 - - - -
92 9:52 22 9:52 9:57 - - -
58 9:59 53 9:59 10:05 - - -
92 10:07 96
71 11
56 68

De la simulación para dos montacargas durante2 horas se obtiene:

Tiempo de espera = 0 -> Costo de espera anual = 0

Comparación situación propuesta versus situación actual para determinar las diferencias en costos

S. P. S. A.

Cop = _ Cop = =

Cesp= Cesp =

UES/FIA/EII/IOP215 Pá gina 14
 ∑¿

r B/ C =
[
G
( 1+i )n−1
][
i ( 1+i )n
=
( 1.1 )5−1
]
0.1 ( 1.1 )5 ( 3.7908 )
= =¿
I ❑ ❑

Por lo tantor B/ C = $ ¿ 1 , entonces conviene adquirir un segundo montacargas

6. Simulación de una red CPM-PERT:

La tabla que se muestra a continuación resume las actividades para realizar un proyecto. Se desea
encontrar a través de simulación la duración promedio del proyecto y el índice crítico. Realice 6
pruebas.

Actividad Dependencia Duración

A - 5
B - 12
C A 15
D - 14
E B 18
F C 9
G D,E,F 8

Para resolver este tipo de problemas se puede desarrollar el siguiente procedimiento:

1. Dibujar el diagrama de red.

2. Determinar las distribuciones de probabilidad de duración de cada actividad y el
rango de números para la simulación.
3. Generar números al azar para cada actividad, para conocer las duraciones
simuladas
4. Obtener la ruta crítica y la duración del proyecto.
5. Repetir los pasos 3 y 4 hasta obtener el número de pruebas requeridas.
6. Calcular el índice crítico, que será igual al porcentaje en que una actividad es
crítica, es decir, el número de veces que es crítica entre el número de pruebas.
Índice crítico = # veces que la operación es crítica / # total de pruebas

7. Calcular la media y la desviación para la longitud o duración del proyecto.

UES/FIA/EII/IOP215 Pá gina 15
Tipo: Unidades discretas: V.A.D. (Método de Montecarlo). Red original

C
2 4

5 6 155 20 21

15 F
A

5 9

1 D 5 G 6

30 30 38 38
0 0 14 8

B
12 E
22
2 3 18
22
12
22
2
12
2

Cada actividad posee diferentes duraciones y sus respectivas probabilidades:

“C” “D”
t P(t) ∑ P( t) Rango t P(t) ∑ P( t) Rango
11 0.1 0.1 01-10 13 0.15 0.15 01-15
12 0.2 0.3 11-30 14 0.80 0.95 16-95
13 0.4 0.7 31-70 15 0.05 1.00 96-00
14 0.2 0.9 71-90
15 0.1 1.0 91-00

“E” “F”
t P(t) ∑ P( t) Rango t P(t) ∑ P( t) Rango
17 0.05 0.05 01-05 7 0.05 0.05 01-05
18 0.90 0.95 06-95 8 0.15 0.20 06-20
19 0.05 1.00 96-00 9 0.60 0.80 21-80
10 0.15 0.95 81-95
11 0.05 1.00 96-00

UES/FIA/EII/IOP215 Pá gina 16
 “G”
t P(t) ∑ P( t ) Rango
7 0.25 0.25 01-25
8 0.50 0.75 26-75
9 0.25 1.00 76-00

Se utilizará una semilla generadora para cada actividad

#s aleatorios para las pruebas (cada prueba equivale a una red CPM)
Semilla Actividad 1 2 3 4 5 6
3579 A
9354 B
6321 C
3538 D
6523 E
9572 F
7136 G

Registro de duraciones de actividades obtenidas a través de simulación (cada columna es una

prueba y hay que hacer la red CPM para cada una)

Prueba
Actividad 1 2 3 4 5 6
A 5 6 5 3 4 5
B 12 12 12 10 12 11
C 15 13 12 12 11 11
D 14 14 14 13 14 13
E 18 18 18 18 18 18
F 9 9 10 9 8 8
G 9 7 7 7 8 8

Registro de actividades críticas y duración del proyecto en cada prueba

Actividad
Prueba A B C D E F G Duración
1
2
3
4

UES/FIA/EII/IOP215 Pá gina 17
 5
6

∑ di ; n = # de pruebas simuladas
i=1
Duración promedio=
n

Duración promedio= +++ ++¿ = ❑ =37.17 aprox . 37.2u . t . ¿

6 6

Frecuencia crítica de la actividad

Índice crítico=
n

Índice crítico actividades B , E , G= ❑ =1

6

Índice crítico actividades A ,C , D , F= ❑ =0

6

{
Desviación del proyecto= Duración mayor−Duración promedio
Duración promedio−Duración menor

Desviación del proyecto= −¿

−¿ {
±
±

7.4 GENERACIÓN DE NÚMEROS ALEATORIOS PARA UNA DISTRIBUCIÓN CONOCIDA

El objetivo es generar números al azar en una forma de cualquier distribución conocida. Primero
se generan números decimales al azar (“ y ”). Después se iguala la función acumulada de
probabilidad al número “ y ” generado al azar, luego se despeja la variable aleatoria de la función
de probabilidad. De este despeje se obtiene la ecuación que servirá para obtener los números
aleatorios.

Se presentan a continuación las ecuaciones de algunas distribuciones continuas de probabilidad

muy comunes:

Distribución Exponencial Negativa:

−t t
1
f ( t )= e β 2
; μ= β , σ =β 2
; F ( t )= ∫ f (t) dt= y ; t=−β ln ⁡(1− y)
β −∞

Distribución Normal:

UES/FIA/EII/IOP215 Pá gina 18
 [√]
n
n ∗σ
σ 2
f ( x )= y ; x= ∑ y i + μ−
√ n
12
i=1 n
12

Distribución Gamma:
k
ln (1− y i)
x=∑
i=1 −kα

1
Media de la distribución: μ= , k = parámetro de variabilidad, α = parámetro de la distribución
α

EJEMPLOS

1. Generación de variables aleatorias para una función de probabilidad.

Genere 5 variables aleatorias para la siguiente función de distribución de probabilidad:

2
f ( x )= x , si 0 x 9
81

Tipo: Unidades continuas: V.A.C. (No aplica el Método de Montecarlo)

a. Verificar si es función de probabilidad: 0 ≤ f ( x ) ≤ 1

[ ]
∞ 9 2 9
2 2 x 1 1
F ( x )= ∫ f ( x ) dx=1.0 →∫ x dx= = [ 92−02 ] = [ 81−0 ] =1
−∞ 0
81 81 2 0 81 81

b. Igualar la función de probabilidad acumulada al número generado al azar “y”

La función acumulada está definida en el intervalo 0 ≤ f ( x ) ≤ x . Al integrar aparecerá la

variable aleatoria “x”. Después de integrar F ( x ) se igualará a “y” para obtener la ecuación
a partir de la cual se generarán los valores de la variable aleatoria.

[ ]
x x x
2 2 x2 1 2 2 1 2
F ( x )= ∫ f ( x ) dx= y →∫ x dx= = [ x −0 ]= [ x ]
−∞ 0
81 81 2 0 81 81
x
x2
Como F ( x )= ∫ f ( x ) dx= y → y= 81
→=→=√ → x=√
−∞

c. Generar los números aleatorios “ y ” utilizando el “Método de números al azar

fraccionarios”. Luego sustituir en la ecuación x=9 √ y

Valores a usar para generar los números decimales: x = 857, y = 2, z = 3.3 x 10−5

UES/FIA/EII/IOP215 Pá gina 19
 n Nº Aleatorio x=9 √ y
xy z y
857 (2¿¿1)(3.3 x 10 )¿
−5
x=9 √ ❑=2.1412
−5
857 (2¿¿ 2)(3.3 x 10 )¿ x=9 √❑=3.0267
857 (2¿¿ 3)(3.3 x 10−5 )¿ x=9 √ ❑=4.2804
857 (2¿¿ 4)(3.3 x 10−5)¿ x=9 √ ❑=6.0541
857 (2¿¿5)(3.3 x 10−5)¿ x=9 √❑=8.5618

2. Simulación de un problema de inventarios. Un comerciante minorista de quesos tiene la

siguiente política de inventario: si su inventario al final del día es cero, ordena 7 libras de
un mayorista cercano, las cuales le son entregadas al minorista al inicio del día siguiente.
La demanda en cualquier día está determinada por x=9 √ y , donde x es la variable
aleatoria para la demanda, y es un número fraccionario generado al azar. Simule el
inventario para un periodo de 10 días, comenzando con un inventario de 7 libras. Si la
utilidad por cada libra de queso es de $0.50 ¿Cuál es la ganancia del minorista en los 10
días?, ¿cuál es la pérdida por exceso en el inventario? y ¿cuál es la pérdida por escasez en
el inventario?

Nota: El queso que no se vende el mismo día se pierde su venta

Tipo: Unidades continuas: V.A.C. (No aplica el Método de Montecarlo)

Valores a usar para generar los números decimales: x = 654, y = 3, z = 5 x 10−4

n Producto Nº Aleatorio x=9 √ y

xy z obtenido y
−4
654 (3¿¿ 1)(5 x 10 ) ¿ 0.981 x=9 √ ❑=8.91
654 (3¿¿ 2)(5 x 10−4 ) ¿ 2.943 x=9 √ ❑=8.73
654 (3¿¿ 3)(5 x 10− 4) ¿ 8.829 x=9 √ ❑=8.20
−4
654 (3¿¿ 4 )( 5 x 10 )¿ 26.487 x=9 √ ❑=6.30
654 (3¿¿ 5)(5 x 10− 4) ¿ 79.461 x=9 √ ❑=6.10
−4
654 (3¿¿ 6)(5 x 10 )¿ 238.383 x=9 √ ❑=5.55
−4
654 (3¿¿ 7)(5 x 10 ) ¿ 715.149 x=9 √❑=3.49
−4
654 (3¿¿ 8)(5 x 10 )¿2145.447 x=9 √ ❑=6.04
654 (3¿¿ 9)(5 x 10−4 )¿6436.341 x=9 √ ❑=5.25
654 (3¿¿ 10)(5 x 10− 4)19309.023
¿ x=9 √ ❑=1.27

El número aleatorio “ y ” se ha aproximado a dos dígitos decimales para simplificar el

proceso

UES/FIA/EII/IOP215 Pá gina 20
 Dí Nº al Inventario Inventario Unidades Unidades en Unidades a
Demanda
a azar Inicial Final Vendidas escasez ordenar
1 8.91
2 8.73
3 8.20
4 6.30
5 6.10
6 5.55
7 3.49
8 6.04
9 5.25
10 1.27

Ganancia total por ventas = Unidades vendidas * Ganancia unitaria

= x 0.5=$ en 10 días.

Ganancia no percibida por exceso = Unidades en exceso en inventario * Ganancia unitaria

= x 0.5=$ en 10 días.

Ganancia no percibida por escasez = Unidades en escasez * Ganancia unitaria

= x 0.5=$ en 10 días.

UES/FIA/EII/IOP215 Pá gina 21