Universidad autónoma de Chiapas

Facultad de ingeniería
Campus I
TEORIA DE DECISIONES
UNIDAD II-III-IV

Carpeta de evidencias
Teoría de decisiones
Asesora: Ing. Diaz Palacios Erika

Gonzalez Morales Iam UNIVERSIDAD AUTONOMA

Matricula: C201145 DE CHIAPAS
6”C” APUNTES DE LAS EXPOCIONES
19/11/2022 Tuxtla Gutiérrez, Chiapas
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Contenido
Programa analítico curso ................................................................................................................ 3
Presentación................................................................................................................................... 6
Propósitos ...................................................................................................................................... 6
Introducción................................................................................................................................... 7
Unidad I:........................................................................................................................................ 8
Actividades............................................................................................................................. 9
Conclusión UI ....................................................................................................................... 11
Unidad II: .................................................................................................................................... 12
Cadenas de Márkov-Proceso Estocásticos-Matriz de transición ................................................ 13
Estados de una cadena de Márkov ....................................................................................... 14
Probabilidades de transición absolutas y de n pasos ............................................................. 15
Ejercicios resueltos ............................................................................................................... 17
Unidad III: ................................................................................................................................... 19
Línea de espera .................................................................................................................... 20
Características de Operación ................................................................................................ 21
Descripción de un sistema de colas ...................................................................................... 21
Terminología ........................................................................................................................ 24
Características principales para un sistema de uno o varios operadores. .............................. 25
Sistema de servicio............................................................................................................... 26
Línea de espera-Sistema de un solo servidor. ....................................................................... 27
Modelos de un servidor........................................................................................................ 28
Líneas de Espera-Líneas de Cola de Varios Servidores ........................................................... 28
Ejercicios resueltos ............................................................................................................... 30
Unidad IV: ................................................................................................................................... 32
Simulación ............................................................................................................................... 33
Importancia de la simulación en estudios de investigación de operaciones .......................... 34
modelo de simulación .......................................................................................................... 35
Campos de aplicación de una simulación .............................................................................. 35
Metodo de Montecarlo ............................................................................................................ 36
Características a tener en cuenta para la implementación o utilización del algoritmo ........... 37

1
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Muestras aleatoria generación de números aleatorios ......................................................... 38

Las dos grandes categorías de simulación son: ..................................................................... 38
SIMULACIÓN DE EVENTOS DISCRETOS .................................................................................. 38
CARACTERÍSTICAS DE LOS EVENTOS DISCRETOS. .................................................................. 39
SIMULACIÓN CONTINUA .......................................................................................................... 39
CARACTERÍSTICAS ................................................................................................................ 39
Aplicación en la ingeniería civil ............................................................................................. 40

2
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Programa analítico curso

Competencias Generales de la Unidad de Competencia que contribuyen al Perfil del

Egresado a. Instrumentales
Aplica estrategias de aprendizaje autónomo que le permitan la toma de decisiones
en los ámbitos personal, académico y profesional.
Utiliza los lenguajes lógico, formal, matemático, icónico, verbal y no verbal para
comprender, interpretar y expresar ideas y teorías.
Maneja las tecnologías de la información y la comunicación como herramienta para el
aprendizaje y trabajo colaborativo que le permitan su participación constructiva en la
sociedad. b. Personales y de interacción social Mantiene una actitud de compromiso y respeto
hacia la diversidad de prácticas sociales y culturales que reafirman el principio de integración
en el contexto local, nacional e internacional con la finalidad de promover ambientes de
convivencia pacífica.
Practica los valores promovidos por la UNACH: la verdad, la ética y el rigor científico, la
legalidad, libertad de cátedra y de investigación, la autonomía universitaria, el respeto, la
libertad, la paz, la justicia, la democracia, la pluralidad, la tolerancia, la equidad y la
solidaridad como valores universales de la convivencia humana.
Integradoras Construye propuestas innovadoras basadas en la comprensión holística de la
realidad para contribuir a superar los retos del ambiente global interdependiente.

3
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Competencias Específicas del Egresado de la Facultad de Ingeniería Campus I.

Distingue las partes de un sistema, componente o proceso, estableciendo las relaciones que
guardan entre sí, que le permita documentar la información obtenida en forma estructurada,
ordenada y coherente, incluyendo conclusiones propias.
Competencias Específicas de la Unidad de Competencia que contribuyen al Perfil
Profesional. Planea la infraestructura civil mediante alternativas de solución considerando
la optimización de los recursos naturales, económicos, humanos y del tiempo, con criterios
de sustentabilidad y herramientas tecnológicas.

4
Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

5
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Presentación
En esta materia se analizan sistemas desde el punto de vista
probabilista; se estudia la teoría de la decisión, los procesos de
Márkov, las líneas de espera y simulación, así como su aplicación a
sistemas reales.

Propósitos
Al terminar el curso, el alumno habrá analizado cuatro metodologías
para modelos estocásticos de la ingeniería de sistemas: el análisis de
decisión, cadenas de Márkov, líneas de espera y simulación. Aplicará
probabilidad, métodos numéricos y métodos de Montecarlo en la
toma de decisiones.

6
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Introducción
En la teoría de la decisión se dispone de muchas herramientas para que el usuario o la persona
que tiene que tomar una decisión pueda elegir o seleccionar la herramienta que más le
conviene o se adapta mejor a su situación particular.
Este compendio incluye algunas herramientas de teoría de decisiones, como cadenas de
Márkov, colas de espera y simulaciones conocidas. Tienen ciertos puntos o propiedades
dependiendo de la situación específica en la que se vayan a utilizar.
Es por ello que en este trabajo realicemos una investigación en base a los temas anteriormente
mencionados resaltando los puntos más importantes, así como de las formas en las que se
aplican en la ingeniería civil, para concluir resolveremos algunos ejercicios para reafirmar
nuestros conocimientos de los respectivos temas.

7
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Unidad I:
Análisis de decisión

Objetivos:
 Analiza y aplica la metodología de la toma de decisiones bajo
incertidumbre.
 Analiza y aplica la metodología de la toma de decisiones bajo riesgo.
 Entender las diferencias de un sistema con incertidumbre y uno con
certidumbre.
 Aplicar la metodología de decisiones para resolver problemas de la
ingeniería civil.

5
8
Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Actividades

9
Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

10
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Conclusión UI
La toma de decisiones es el proceso de elección entre alternativas o enfoques para hacer
frente a diferentes situaciones de la vida, que pueden representarse en diferentes contextos:
laboral, familiar, afectivo, empresarial (utilizando métodos cuantitativos facilitados por la
administración), etc., es decir, las decisiones se toman en cualquier momento, y la diferencia
entre ellas es el proceso o la forma en que se toma la decisión. La toma de decisiones implica
esencialmente elegir entre las opciones disponibles para resolver un problema actual o
potencial. Para tomar una decisión, independientemente de su naturaleza, es necesario
conocer, comprender, analizar y resolver el problema; en algunos casos, debido a que son tan
simples y mundanos, este proceso es implícito y se resuelve rápidamente, pero en otros casos,
las consecuencias de una elección correcta o incorrecta pueden poner en peligro la vida
cuando ocurre en un contexto donde el trabajo es importante. al éxito o fracaso de la
organización donde se necesita implementar un proceso más estructurado que pueda brindar
mayor certeza e información. resolver problemas.
Hay tres entornos para la toma de decisiones:
 Toma de decisiones con certidumbre: En el entorno de toma de decisiones con certidumbre,
quienes toman las decisiones conocen con certeza la consecuencia de cada alternativa u
opción de decisión, Naturalmente, elegirán la alternativa que maximice su bienestar o que dé
el mejor resultado.
 Toma de decisiones con incertidumbre: En la toma de decisiones con incertidumbre,
existen varios resultados posibles para cada alternativa y el tomador de decisiones no conoce
las probabilidades de los diferentes resultados, las probabilidades no se conocen
 Toma de decisiones con riesgo: En la toma de decisiones con riesgo, hay varios resultados
posibles para cada alternativa y el tomador de decisiones conoce la probabilidad de
ocurrencia de cada resultado, se conocen las probabilidades

Seis pasos en la toma de decisiones

1. Definir con claridad el problema que enfrenta.
2. Hacer una lista de las alternativas posibles.
3. Identificar los resultados posibles o los estados de naturaleza.
4. Numerar los pagos (típicamente las ganancias) de cada combinación de alternativas
y resultados.
5. Elegir uno de los modelos matemáticos de la teoría de las decisiones.
6. Aplicar el modelo y tomar la decisión.

11
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Unidad II:
Cadenas de Márkov

Objetivos:
 Identificar el procedimiento de Márkov.
 Manipular de forma adecuada las matrices decisión.
 Conocer los distintos estados de las cadenas de Márkov.
 Aplica los procesos de Márkov en problemas que evolucionan con el tiempo,
para obtener los valores de la matriz de probabilidades de transición.
 Analizar los procesos estocásticos para definir las matrices de Márkov.
 Estudiar y analizar los diferentes modelos estocásticos, poniendo énfasis en los
procesos logarítmicos y sus aplicaciones a problemas que se presentan en
investigaciones de operaciones de ingeniería.
 Construir la matriz de transición para cada una de las series y analizar la
eficacia del modelo.

12
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Cadenas de Márkov-Proceso Estocásticos-Matriz

de transición
La cadena de Márkov es un proceso estocástico, y se sabe que los procesos
estocásticos son fundamentales para comprender lo que es una Cadena de Márkov.
Los procesos estocásticos sirven no solo en la ingeniera, sino que también se
pueden llegar a utilizar en muchas otras ramas, como son por ejemplo en la
medicina, la mecánica, el análisis de datos, entre muchos otros más.
Un proceso estocástico se define como una colección indexada de variables
aleatorias {Xt}, donde el índice t toma valores de un conjunto T dado.
Un proceso estocástico {Xt} (t=0,1, 2, …, n) es una cadena de Márkov si presenta
la propiedad markoviana.
La matriz de transición tiene ciertas propiedades que se deben de respetar y cumplir
en una cadena de Márkov, las propiedades son las siguientes:

 Tiene que ser un numero finito de estados

 Probabilidades de transición estacionaria
 En su mayoría la matriz de probabilidad de transición es de orden 5x5
 La suma de las filas de las matrices debe de dar 1

13
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Estados de una cadena de Márkov

El proceso de Márkov o cadena de Márkov es una parte del proceso estocástico y como
herramienta basada en la probabilidad es importante en la toma de decisiones porque estudia
la evaluación de un sistema de prueba apropiado en un cierto intervalo de tiempo.
Un proceso aleatorio se define como un conjunto indexado de variables aleatorias {Xt},
donde el índice t toma un valor del conjunto T dado. Típicamente, se considera que T es el
conjunto de números enteros no negativos, y Xt representa el rasgo cuantitativo de interés en
el tiempo t.
Dichas decisiones se toman en diversas disciplinas y/o campos de estudio como la ingeniería,
la medicina, la gestión empresarial, etc.
Los estados en una cadena de Márkov como sabemos son o representa un sistema que varía
su estado a lo largo del tiempo, siendo cada cambio una transición del sistema. Y esta tiene
ciertas propiedades como son las siguientes:
 Es un proceso estocástico
 Presenta un número finito de estados
 Probabilidades de transición estacionarias
Una herramienta fundamental en el estudio de las cadenas de Márkov lo constituyen las
matrices de transición en n pasos: p(n) = p(n)ij, donde p(n)ij denota la probabilidad de que el
proceso pase del estado i el estado j en n pasos.
P(n)ij = P (Xn+m=j Xm=i)
Una matriz de transición para una cadena de Márkov de “n” estado es una matriz de nxn con
todos los registros no negativos y con la propiedad adicional de que la suma de los registros
de cada columna (o fila) es 1

14
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Los estados de las cadenas de Márkov, se clasifican de acuerdo a las propiedades de sus
probabilidades de transición. Los estados de una cadena de Márkov pueden ser las siguientes:

 Absorbente: un estado j es absorbente si está seguro de regresar a sí mismo en una

transición, es decir, pij=1
 Transitorio: un estado j es transitorio si puede llegar a otro estado, pero no puede
regresar desde otro estado. matemáticamente, esto sucederá si lím n->∞ : pij (n) =
0, para todas las I
 Recurrente: un estado j es recurrente si la probabilidad de ser revisitado desde otros
estados es 1. esto puede suceder si, y sólo si, el estado no es transitorio.
 Periódico: un estado j es periódico con periodo de t>1 si es posible un retorno sólo en t, 2t,
3t, … pasos. esto significa que pjj (n) = 0, cuando n no es divisible entre t

El estado transitorio (no estacionario) es aquel estado de un sistema donde los valores de las
variables involucradas en su estudio cambian a lo largo del tiempo, es decir, son dinámicas.
Esto quiere decir que van de un estado a otro, y no se quedan en ese mismo lugar.
Un estado j es recurrente si la probabilidad de ser revisitado desde otros estados es 1. Esto
puede suceder si, y sólo si, el estado no es transitorio.
Un estado j es periódico con periodo de t>1 si es posible un retorno sólo en t, 2t, 3t, …n t
pasos. Esto significa que pjj (n) = 0 cuando n no es divisible entre t.
Propiedades de las matrices de transición
Las cadenas de Márkov que se estudian en este capítulo tienen las siguientes propiedades:
1. Un número finito de estados.
2. Probabilidades de transición estacionarias.
3. En su mayoría la matriz de probabilidad de transacción es de orden sxs (matriz
cuadrada).
4. La suma de las filas de las matrices de transición debe dar 1.
También se supondrá que se conocen las probabilidades iniciales P {X0 = i} para toda i.

Probabilidades de transición absolutas y de n pasos

Dada la matriz de transición P de una cadena de Márkov y el vector de probabilidades iniciales a (0)
= {aj (0), j = 1, 2, n}, las probabilidades absolutas después de a(n)= {aj(n), j = 1, 2, n} después de n
(>0) transiciones se calculan como sigue:

15
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

La matriz Pn se conoce como la matriz de transición de n pasos. A partir de estos cálculos, podemos
ver que

Éstas se conocen como ecuaciones de Chapman-Kolomogorov.

Forma canónica y matriz fundamental. número medio de pasos por un estado. consideremos
cualquier cadena de Márkov arbitraria. reenumeramos los estados para poner los transitorios
primero. sí hay r estados absorbentes y t transitorios la matriz de probabilidades de transición
tendrá la siguiente forma canónica:

16
Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Ejercicios resueltos

17
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Conclusión UII
.
Una cadena de Márkov se define como una secuencia de variables aleatorias que representan
el estado de un determinado sistema en una secuencia de intervalos de tiempo, de modo que
el estado del sistema en el intervalo actual depende únicamente de su estado en el intervalo
inmediatamente anterior. del estado anterior.
En ingeniería vial, las cadenas de Márkov se utilizan principalmente en el desarrollo de
modelos probabilísticos para estimar el deterioro de los pavimentos y otros activos viales.
Tales aplicaciones son comunes en Estados Unidos y otros países desarrollados, pero México
no parece tener experiencia al respecto. Esto es un tanto paradójico porque, por un lado,
nuestro país carece de un modelo de descomposición adaptado a las condiciones de las
carreteras de nuestro país, por otro lado, la aplicación de las cadenas de Márkov es
relativamente sencilla, a pesar de que se necesita mucho para su uso extendido. información
histórica y en muchos casos esta información no está disponible.

18
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Unidad III:
Líneas de espera

Objetivos:
 Identificar cuando ocurre una línea de espera.
 Saber enfrentar un problema relacionado a las líneas de espera.
 Ejecutar de manera apropiada los cálculos de la teoría de colas.
 Conocer las variantes de una línea de espera.
 Aplica la metodología de líneas de espera a problemas de ingeniería civil.

19
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Línea de espera
La teoría de colas o líneas de espera es el estudio de la espera en las distintas modalidades.
Utiliza los modelos de colas para representar los tipos de sistemas de líneas de espera
(sistemas que involucran colas de algún tipo) que surgen en la práctica. Las fórmulas de cada
modelo indican cuál debe ser el desempeño del sistema correspondiente y señalan la cantidad
promedio de espera que ocurrirá en diversas circunstancias. Por lo tanto, estos modelos de
líneas de espera son muy útiles para
determinar cómo operar un sistema de colas
de la manera más eficaz. Proporcionar
demasiada capacidad de servicio para operar
el sistema implica costos excesivos; pero si no
se cuenta con suficiente capacidad de servicio
surgen esperas excesivas con todas sus
desafortunadas consecuencias. Los modelos
permiten encontrar un balance adecuado entre
el costo de servicio y la cantidad de espera.
La teoría de colas es el estudio matemático de las colas o líneas de espera dentro de un
sistema. Esta teoría estudia factores como el tiempo de espera medio en las colas o la
capacidad de trabajo del sistema sin que llegue a colapsar. Dentro de las matemáticas, la
teoría de colas se engloba en la investigación de operaciones y es un complemento muy
importante a la teoría de sistemas y la teoría de control. Se trata así de una teoría que
encuentra aplicación en una amplia variedad de situaciones como negocios, comercio,
industria, ingenierías, transporte y logística o telecomunicaciones.
Métodos de investigación de operaciones, el estudio matemático del modelado de sistemas
de colas para predecir su desempeño y determinar sus características para ayudar a los
gerentes a tomar decisiones. Una cola es una línea de espera y una teoría de colas es un
conjunto de modelos matemáticos que describen un sistema de colas en particular. Basados
en las cadenas de Márkov, estos procesos estocásticos "tienen propiedades específicas que
describen cómo se desarrollará el proceso en el futuro, con una probabilidad que depende
solo del estado actual en el que se encuentra el proceso y, por lo tanto, es independiente de
los eventos que han ocurrido actualmente.
La razón para usar estos modelos es buscar una comprensión de un proceso en particular.
Deben ser métodos estadísticos y operativos. Estadísticamente, porque se realizan pruebas
de hipótesis y se estiman características analizando datos de campo. La viabilidad se refiere
al diseño, prueba y control de problemas reales.
La teoría de colas permite modelar sistemas en los que existe una población de agentes
(también llamados clientes o usuarios) que demandan cierto servicio que es proporcionado
por uno o más servidores (también llamados recursos). Dado que puede haber más agentes

20
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

que recursos, pueden registrarse esperas desde que un agente llega al sistema hasta que el
servidor atiende su demanda, o incluso un agente puede ser rechazado del sistema al no haber
espacio donde esperar (esto es, una cola). La teoría de colas sirve para modelar procesos tales
como la llegada de datos a una cola en ciencias de la computación, la congestión en red de
computadoras o de telecomunicación, o la implementación de una cadena productiva en la
ingeniería industrial.

Características de Operación
A lo largo del tiempo se producen llegadas de clientes a
la cola de un sistema desde una determinada fuente
demandando un servicio. Los servidores del sistema
seleccionan miembros de la cola según una regla
predefinida denominada disciplina de la cola. Cuando un
cliente seleccionado termina de recibir su servicio (tras
un tiempo de servicio) abandona el sistema, pudiendo o
no unirse de nuevo a la fuente de llegadas. Supuesto por la mayoría de los modelos de colas
es el siguiente. Los clientes que requieren un servicio se generan en el tiempo en una fuente
de entrada. Luego, entran al sistema y se unen a una cola.
En determinado momento se selecciona un miembro de
la cola para proporcionarle el servicio mediante alguna
regla conocida como disciplina de la cola. Se lleva a
cabo el servicio que el cliente requiere mediante un
mecanismo de servicio, y después el cliente sale del
sistema de colas. Se pueden hacer muchos supuestos
sobre los distintos elementos del proceso de colas que se
analizarán a continuación. 1. Fuente de entrada (población potencial): Una característica de
la fuente de entrada es su tamaño.

Descripción de un sistema de colas

El comportamiento del sistema se describe a continuación: los clientes que llegan generan
una fuente de entrada al sistema de colas, una vez ingresados pasan a formar parte de la cola
y esperan hasta ser atendidos de acuerdo a las reglas de procesamiento, denominados
procedimientos de cola; el servidor seguirá el mecanismo de servicio para que el cliente
finalmente salga del sistema después de que se complete el servicio.

21
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Cola: La cola es donde los clientes esperan antes de recibir el servicio. Una cola se caracteriza
por el número máximo permisible de clientes que puede admitir. Las colas pueden ser finitas
o infinitas, según si dicho número es finito o infinito. El supuesto de una cola infinita es el
estándar de la mayoría de los modelos, incluso en situaciones en las que en realidad existe
una cota superior (relativamente grande) sobre el número permitido de clientes, puesto que
manejar una cota así puede ser un factor que complique el análisis.
Disciplina de la cola: La disciplina de la cola se refiere al orden en el que sus miembros se
seleccionan para recibir el servicio. En los modelos de colas se supone como normal a la
disciplina de primero en entrar, primero en salir, a menos que se establezca de otra manera.
Mecanismo de servicio El mecanismo de servicio consiste en una o más estaciones de
servicio, cada una de ellas con uno o más canales de servicio paralelos, llamados servidores.
Si existe más de una estación de servicio, el cliente puede recibirlo de una secuencia de ellas
(canales de servicio en serie). En una estación dada, el cliente entra en uno de estos canales
y el servidor le presta el servicio completo. Los modelos de colas deben especificar el arreglo
de las estaciones y el número de servidores (canales paralelos) en cada una de ellas. Los
modelos más elementales suponen una estación, ya sea con un servidor o con un número fi
nito de servidores.
Fuente de entrada: Representa la población potencial, es decir. el número total de clientes
que el sistema puede atender; los usuarios entrantes se conocen como grupo de entrada o
capacidad del sistema. La fuente de entrada puede ser finita o infinita, en otras palabras,
puede ser finita o infinita. Para facilitar el cálculo, por lo general se supone que el stock es
infinito, aunque no mientras sea lo suficientemente grande. Una población finita requiere un
análisis más complejo porque las colas de clientes limitan el número de llegadas posibles. Si
la tasa de llegada se ve significativamente afectada por los usuarios existentes, es útil
considerarla limitada: una cola congestionada impide que otros usen el servicio.
Poisson: La distribución de Poisson es una distribución de probabilidad discreta que modela
la frecuencia de un evento dado en un intervalo de tiempo dado dada la frecuencia media de
ese evento.

22
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

En otras palabras, la distribución de Poisson es una distribución de probabilidad discreta, y

solo conociendo los eventos y su frecuencia promedio de ocurrencia podemos saber la
probabilidad de que ocurran.
Mecanismo de servicio: El mecanismo de servicio incluye la asignación de estaciones.
Pueden provenir de múltiples canales de atención o servidores y tener una o más etapas o
puntos de atención. El modelo más simple asume un servidor con un paso de servicio. Si cada
paso requiere más de un servidor, lo llamamos canal de servicio paralelo dependiendo de:
canal único (una cola sirviendo datos a múltiples servidores) o multicanal (múltiples canales
con colas independientes). Los sistemas con canales de servicio en serie se utilizan cuando
no se pueden proporcionar todos los servicios en un solo lugar y los clientes deben recibirlos
de forma secuencial. También es posible que el sistema brinde retroalimentación cuando los
clientes ocupen la fila anterior.

23
Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Terminología

24
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Características principales para un sistema de uno o varios

operadores.
➢ Características de arribo:
La fuente de ingreso que genera los arribos o clientes para el servicio tiene tres características
principales:
• Tamaño de la población que arriba
• Patrón de llegada a la cola
• Comportamiento de las llegadas

➢ Tamaño de población:
El tamaño de la población puede ser:
• limitado (Ilimitado)
• infinito (finito)

➢ Patrón de arribo al sistema:

• Los clientes arriban a ser atendidos de una manera programada (un paciente cada 15
minutos) o de una manera aleatoria.
• Se consideran que los arribos son aleatorios cuando éstos son independientes de otros y su
ocurrencia no puede ser predicha exactamente.
• Frecuentemente en problemas de colas, el número de arribos por unidad de tiempo pueden
ser estimados por medio de la Distribución de Poisson que es una distribución discreta de
probabilidad.

➢ Comportamiento de los arribos:

La mayoría de los modelos de colas asume que los clientes son pacientes o sea que esperan
en la cola hasta ser servidos y no se pasan entre colas. Desafortunadamente, la vida es
complicada y la gente se reniega. Aquellos que se impacientan por la espera, se retiran de la
cola sin completar su transacción. Esta situación sirve para acentuar el estudio de la teoría de
colas y el análisis de las líneas de espera, ya que un cliente no servido es un cliente perdido
y hace mala propaganda de ese negocio.

25
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Sistema de servicio
El sistema de servicio suele describirse en términos del número de filas y la disposición de
las instalaciones:

➢ Número de filas.
Las filas de espera se diseñan en forma de una sola fila o filas múltiples. En general, se utiliza
una sola fila en mostradores de aerolíneas, cajas de los bancos y algunos restaurantes de
comida rápida, mientras que las filas múltiples son comunes en los supermercados y
espectáculos públicos como teatros o canchas de fútbol. Cuando se dispone de servidores
múltiples y cada uno de ellos puede manejar transacciones de tipo general, la disposición de
una sola fila mantiene a todos ellos uniformemente ocupados y proyecta en los clientes una
sensación de que la situación es equitativa. Estos piensan que serán atendidos de acuerdo con
su orden de llegada, no por el grado en que hayan podido adivinar los diferentes tiempos de
espera al formarse en una fila en particular. El diseño de filas múltiples es preferible cuando
algunos de los servidores proveen un conjunto de servicios limitado. En esta disposición, los
clientes eligen los servicios que necesitan y esperan en la fila donde se suministra dicho
servicio, como sucede en los supermercados es las que hay filas especiales para los clientes
que pagan en efectivo o para los que compran menos de 10 artículos.

26
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Línea de espera-Sistema de un solo servidor.

Las líneas de espera que cuentan con solo servidor es un sistema de colas que permita predecir
su actuación y determinar sus propiedades, con el fin de ayudar a los administradores en la
toma de decisiones.
Basado en las cadenas Márkov, que son procesos estocásticos que “tienen la propiedad
particular de que las probabilidades que describen la forma en que el proceso evolucionará
en el futuro dependen solo del estado actual en que se encuentra el proceso y, por lo tanto,
son independientes de los eventos que ocurrieron en el pasado”.
Esto se utiliza para poder comprender o llegar a entender de un proceso particular. Estos
tienen ciertas condiciones, como son los siguientes; deben de tener o poseer un enfoque
estadístico y operativo. Estadístico, porque se realizan pruebas de hipótesis y se estima
características mediante el análisis de los datos obtenidos en campo. Operativo se refiere al
diseño, pruebas y control del problema en la vida real.
El sistema de las líneas de espera con un servidor se puede describir de la siguiente manera,
los clientes que llegan generan una fuente de entrada para el sistema de colas, una vez dentro,
estos forman parte de la cola y esperan hasta ser atendidos según la regla que se maneje,
conocida como disciplina de cola; los servidores seguirán un mecanismo de servicio para que
finalmente el cliente abandone el sistema una vez servido.

27
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Modelos de un servidor
La teoría de colas, se refiere al estudio matemático de la formación, función y congestión de
las filas de esperas o colas
En esencia, una situación de colas consta de dos partes
 Alguien o algo que solicita un servicio, generalmente denominado cliente, trabajo o
solicitud
 Alguien o algo que completa o entrega los servicio, generalmente denominado
servidor

Líneas de Espera-Líneas de Cola de Varios Servidores

Las líneas de espera se presentan en nuestra vida diaria más de lo que uno cree, por ejemplo,
en un banco, en una tienda, entre otras más.
Las líneas de espera utilizan los modelos de colas. La estructura básica de las líneas de espera
es la siguiente:

28
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

En este diagrama se puede apreciar lo que es la fuente de clientes o también puede ser la
fuente de entrada, sigue lo que es la cola y el mecanismo de servicio, aunque en esta ultima
parte puede existir una regla de prioridad que hace ciertas excepciones para casos especiales
en la línea de espera.
Una cola de múltiples servidores; esto quiere decir que solo existe 1 cola, pero que hay varios
servidores disponibles, y los servidores pueden tener ciertas características especiales dado
el caso particular a tratar.
Este tipo de sistemas es muy utilizado en bancos o casas de empeño, y es muy eficiente para
este tipo de problemas, puesto que su utilidad llega a ser la mejor para dicha situación.

29
Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Ejercicios resueltos

30
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Conclusión III

Métodos de investigación de operaciones, el estudio matemático del modelado de sistemas

de colas, la predicción de su rendimiento y la determinación de sus características para ayudar
a la toma de decisiones de gestión. Una cola es una línea de espera, y una teoría de colas es
un conjunto de modelos matemáticos que describen un sistema de colas en particular.
Basados en las cadenas de Márkov, estos procesos estocásticos "tienen propiedades
específicas que describen cómo se desarrollará el proceso en el futuro, con una probabilidad
que depende solo del estado actual en el que se encuentra el proceso y, por lo tanto, es
independiente de los eventos que han ocurrido actualmente.
La razón para usar estos modelos es buscar una comprensión de un proceso en particular.
Deben ser métodos estadísticos y operativos. Estadísticamente, porque se realizan pruebas
de hipótesis y se estiman características analizando datos de campo. La operabilidad se
refiere al diseño, prueba y control de problemas reales.
teoría de colas es el estudio de los sistemas de colas en varios estados. Examinar estos
patrones ayuda a determinar la forma más eficiente de administrar los sistemas de colas. La
teoría de colas es el estudio matemático del comportamiento de las líneas de espera. Esto
sucede cuando un cliente llega a un sitio solicitando un servicio de un "servidor" con cierta
atención. Si el servidor no está disponible inmediatamente y el cliente decide esperar, se crea
una cola de espera. La investigación grupal nos ayuda a proporcionar una base teórica para
los tipos de servicios que podemos esperar de recursos específicos y las formas en que dichos
recursos pueden diseñarse para brindar un cierto nivel de servicio a nuestros clientes. Así
mismo tramaos siempre ser lo más exactos posibles en nuestros cálculos, aunque esto es
complicado ya que la mayoría de los cálculos, aunque nos darán resultados matemáticamente
correctos al aplicarlos a la realidad nos daremos cuenta que pueden llegar a ser inexactos ya
que son cálculos no deterministas, aun así, llegan a ser super útiles para poder aplacarlo a la
ingeniería.

31
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

con

Unidad IV:
Simulación

Objetivos:
 Identificar cuando ocurre una línea de espera.
 Saber enfrentar un problema relacionado a las líneas de espera.
 Ejecutar de manera apropiada los cálculos de la teoría de colas.
 Conocer las variantes de una línea de espera.
 Aplica el método de Montecarlo a la representación de sistemas de
ingeniería civil.

32
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Simulación

El desarrollo de la simulación con el avance de la tecnología a lo largo de los años, ha sido

de vital importancia para el estudio, calculo y entendimiento los diversos fenómenos en la
naturaleza y el cómo estos tenderán a comportarse bajo ciertas circunstancias en determinado
momento sin la necesidad de la experimentación física. La simulación implica usar una
computadora para imitar (simular)
La operación de un proceso o sistema completo. La simulación se distribuye
Un paso muy alto en la tecnología más utilizada. Más importante aún, porque es un
Herramientas donde su aplicación continúa creciendo rápidamente,
Esto se debe a que incluye 3 importantes factores a favor. Por ello, es importante el continuo
desarrollo y perfeccionamiento de métodos de simulación tal cual lo es el método de
Montecarlo.

La importancia de la simulación
Un sistema de colas básico se forma cuando una entidad no puede ser atendida de inmediato,
Entonces esa entidad forma una línea de espera hasta que sea procesada. La cola no incluye
A las entidades que ya están siendo procesadas. Uno o más servidores en el sistema de
Servicio son los que dan el servicio (Winston & Goldberg, 2005). En algunos sistemas de
Líneas, las entidades son personas. Sin embargo, en otros casos, por ejemplo, aeroplanos que
Esperan despegar en una pista, máquinas que esperan ser reparadas o alguna pieza que espera
En un proceso de manufactura. Por lo general, un servidor es un individuo. Sin embargo,
Podría ser una cuadrilla de empleados que trabaja juntas para atender a cada cliente. El
Servidor también puede ser una máquina, un vehículo, un dispositivo electrónico, etcétera.
En la mayoría de los casos, la línea es simplemente una fila ordinaria de espera. Sin embargo,
no es necesario que los clientes estén esperando en fila en una estructura física, que constituye
la instalación de servicio. Podrían estar en una sala de espera. Incluso podrían estar dispersos
en un área esperando.
que un servidor llegue a ellos, por ejemplo, las máquinas estacionarias que necesitan
reparación. Modelo  Elementos de un sistema de líneas de espera. Llegadas. A los lapsos
de tiempo entre llegadas consecutivas en un sistema de filas se llaman tiempos entre llegadas.
Hillier y Hillier (2016) exponen que es posible hacer dos cosas: 1. Estimar el número
esperado de llegadas por unidad de tiempo. Esta cantidad se conoce normalmente como la
tasa media de llegadas. 2. Estimar la forma de la distribución de probabilidad de los tiempos
entre llegadas. La media de esta distribución viene directamente del punto 1. La mayoría de
los modelos de filas suponen que la forma de la distribución de probabilidad de los tiempos

33
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

entre llegadas es una distribución exponencial, como indica Chase et al: “por lo general se
supone que el tiempo entre llegadas se distribuye de forma exponencial.

Conceptos básicos
IO: Abreviación de “Investigación de Operaciones”
Estocástico: Que opera en forma probabilística a través del tiempo, es decir, que
tiene un comportamiento no determinista.
Simular: Imitar la realidad
Discreto: Aquello cuyos elementos pueden contarse uno por uno separadamente,
como los números enteros, grafos y sentencias lógica, es decir, relacionado con los
números naturales y/o conjuntos numerables.
Determinista: Que está completamente determinado por sus condiciones iniciales.
Número pseudoaleatorio: Número generado en un proceso que parece producir
números al azar, pero no lo hace realmente. Los números pseudoaleatorios se
generan por un algoritmo completamente determinista

Importancia de la simulación en estudios de investigación de

operaciones
La simulación juega el mismo papel en muchos estudios de quirófano. No son, sin embargo,
el equipo OR no implementó el sistema por sí mismo, sino para participar en el diseño,
desarrollo u operación de programas algunos sistemas.
El rendimiento de los sistemas reales se simula
mediante la partición genera aleatoriamente
probabilidades para diferentes eventos. ocurre en
el sistema. Para todos estos modelos de
simulación se sintetiza el sistema y se
compilación por componente y por evento.
después el modelo utiliza sistemas simulados para
obtener observaciones estadísticas de rendimiento
del sistema varios eventos generados aleatoriamente.
Porque ejecutar una simulación a menudo requiere generación y procesamiento. La cantidad
de datos es grande y es inevitable realizar estos experimentos estadísticos simulados en la
computadora.

34
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Modelo de simulación
Si es necesario utilizar la simulación como parte de un estudio de IO, por lo general
antes y después de ciertas actividades.
En particular, primero se lleva a cabo un análisis teórico inicial para desarrollar un diseño
básico del sistema. Luego use la simulación para experimentar con un diseño específico para
medir el rendimiento real.
Una vez que se ha desarrollado y seleccionado un diseño detallado, se prueba el sistema en
sí. Personaliza hasta el último detalle en el diseño final.
Se necesita un modelo para preparar una simulación de un sistema complejo modelos de
simulación detallados para formular y describir cómo funciona el sistema y cómo debería
funcionar una simulación que consta de varios bloques de construcción básicos

Campos de aplicación de una simulación

La simulación casi siempre se usa cuando el sistema estocástico en cuestión es
demasiado grande
Complejo, por lo que su modelo analítico de análisis es satisfactorio. Lo
principal del método de análisis es que abstrae la naturaleza del problema y revela la
naturaleza del problema. estructura básica y proporciona información sobre las
relaciones causales internas sistema. Por lo tanto, si es posible crear un modelo analítico,
también es una idealización razonable problemas y soluciones satisfactorias, este
enfoque supera a las simulaciones. Sin embargo, muchos problemas
son demasiado complejos para ser resueltos analíticamente. Por lo tanto, aunque la
simulación tiende a ser un proceso relativamente costoso, a menudo es
La única forma práctica de resolver el problema.
La simulación casi siempre se usa cuando el sistema estocástico en cuestión es
demasiado grande
Complejo, por lo que su modelo analítico de análisis es satisfactorio.
Lo principal del método de análisis es que abstrae la naturaleza del problema y revela la
naturaleza del problema. estructura básica y proporciona información sobre las
relaciones causales internas sistema. Por lo tanto, si es posible crear un modelo analítico,
también es una idealización razonable. problemas y soluciones satisfactorias, este
enfoque supera a las simulaciones. Sin embargo, muchos problemas
son demasiado complejos para ser resueltos analíticamente. Por lo tanto, aunque la
simulación tiende a ser un proceso relativamente costoso, a menudo es
La única forma práctica de resolver el problema.

35
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Metodo de Montecarlo
Para poder hablar acerca del método de Montecarlo, se tiene que hablar acerca de la
simulación, la simulación con el avance de la tecnología ha llegado a un punto en el cual es
de suma y gran importancia.
El método Monte Carlo es un proceso matemático que consiste en generar una
secuencia de valores usando una muestra aleatoria distribuciones de probabilidad. El
método recibe su nombre en referencia al Casino de Montecarlo (Mónaco) porque es la
"capital del juego". Oportunidad" porque la ruleta es un simple generador de números
aleatorios y porque hay un elemento de aleatoriedad el método de modelado se basa en un
juego similar a la ruleta.

Ecuación de schrödinger
La ecuación de Schrödinger describe la evolución temporal de una partícula subatómica masiva de
naturaleza ondulatoria y no relativista. Ulam estaba particularmente interesado en el método
Montecarlo para evaluar integrales múltiples. Una de las primeras aplicaciones de este método a un
problema determinista fue llevada a cabo en 1948 por Enrico Fermi, Ulam y von Neumann cuando
consideraron los valores singulares de la ecuación de Schrödinger.

En los procesos estocásticos, se le conoce a esto como aquello que opera en forma de
probabilidad a través de tiempo, es decir, que tiene un comportamiento no determinista.
La simulación se necesita de una computadora, puesto que esta necesita imitar la realidad, la
simulación tiene 3 factores a su favor; es muy flexible, es poderosa y también es muy
intuitiva.
Es flexible porque se puede utilizar en muchos ámbitos de la vida, es poderosa porque se
resuelven problemas muy complejos en muy poco tiempo, en especial cuando se utiliza una
computadora muy poderosa, y es intuitiva porque al ir programando, se va dando las
instrucciones claras y así poder realizar la simulación como tal debe de ser, y así lograr que
sea fácil e intuitiva.
La simulación se necesita de varios cálculos, y va depender del problema, para saber o
realizar cierta cantidad de iteraciones.
La simulación tiene ciertos pasos a seguir, primero se hace un análisis teórico preliminar,
hacer las simulaciones y hacerlo o pasarlo a lo real para definir cosas finales.
La simulación sigue esta metodología:

 Definir el estado del sistema

 Identificar los estados posibles del sistema que pueden ocurrir
 Identificar los eventos posibles

36
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

 Contar con un reloj de simulación

 Un método para generar distinto eventos de manera aleatoria
 Una formula para identificar las transiciones de los estados que generan los diferentes
tipos de eventos.
El teorema del límite central o el teorema del límite central establece que bajo la condición
Muy generalmente, si "𝑆𝑁" es la suma de "N" variables aleatorias independientes,
Conocida y la varianza no es cero sino acotada, por lo que la función de distribución "𝑆𝑁"
Una "buena aproximación" de la distribución normal (también conocida como distribución
en forma de campana de Gauss). Por lo tanto, el teorema asegura que esto sucede cuando la
suma de estas variables Lo suficientemente aleatorio e independiente.

Características a tener en cuenta para la implementación o

utilización del algoritmo
1. El sistema debe ser descrito por una o más funciones de distribución de probabilidad
2. El proceso de generación de los números aleatorios es importante para evitar que se
produzca correlación entre los valores muestrales.
3. Establecer límites y reglas de muestreo para las probabilidades; conocemos qué valores
pueden adoptar las variables.
4. Establecer límites y reglas de muestreo para las probabilidades; conocemos qué valores
pueden adoptar las variables. Estimar con qué error trabajamos, cuánto error podemos
aceptar para que una corrida sea válida.
5. Paralelización y vectorización: En aplicaciones con muchas variables se estudia trabajar
con varios procesadores paralelos para realizar la simulación

Un algoritmo de simulación de Monte Carlo basado en la generación de números

Aleatorio basado en la distribución de frecuencia acumulada:
 Determinar variables aleatorias y sus funciones de distribución
oportunidad.
 Genera un número aleatorio distribuido uniformemente [0, 1].
 Repetir los dos primeros pasos tantas veces como muestras necesitemos
 Calcular la media, desviación estándar, error y realizar el histograma.
 Analizar resultados para distintos tamaños de muestra

37
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

 Determinar el valor de una variable aleatoria a partir de números aleatorios

generados según nuestra probabilidad.

Muestras aleatoria generación de números aleatorios

Definir el estado del sistema (como un número de clientes en un sistema de colas, Contar con
un reloj de simulación, localizado en alguna dirección del programa de simulación, que
registrará el paso del tiempo, Identificar los estados posibles del sistema que pueden ocurrir,
Un método para generar los eventos de manera aleatoria de los distintos tipos, Una fórmula
para identificar las transiciones de los estados que generan los diferentes tipos de eventos.
Permite anticiparse al proceso real, validarlo y obtener su mejor configuración. Los continuos
cambios y avances en la logística y los sistemas productivos hacen necesaria la realización
de mejoras y la toma de decisiones. La simulación es una buena herramienta de apoyo para
este tipo de acciones. Desde hace mucho tiempo, la técnica de simulación ha sido una
herramienta importante para el diseñador. Por ejemplo, la simulación del vuelo de un avión
en un túnel de viento es una práctica normal con los nuevos diseños. En teoría, se podrían
usar las leyes de la física para obtener la misma información sobre los cambios en el
desempeño del avión si cambian los parámetros, pero en sentido práctico, el análisis sería
muy complejo.

Las dos grandes categorías de simulación son:

Eventos discretos: En esta simulación los cambios en el estado del sistema ocurren de
manera instantánea en puntos aleatorios del tiempo como resultado de la ocurrencia de
eventos discretos
Eventos continuos: En una simulación continua los cambios en el estado del sistema
ocurren continuamente en el tiempo. Las simulaciones continuas suelen requerir
ecuaciones diferenciales para describir la tasa de cambio de variable

SIMULACIÓN DE EVENTOS DISCRETOS

● Por ejemplo, en un sistema de colas donde el estado del sistema es el número de
clientes en él, los eventos discretos que cambian este estado son la llegada de un
cliente o su salida cuando termina su servicio. En la práctica, la mayoría de las
aplicaciones de simulación son simulaciones de eventos discretos.
● La simulación de eventos discretos, es una herramienta de análisis que se difunde
rápidamente en el ambiente empresarial, comprobando su utilidad para apoyar la

38
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

toma de decisiones relacionadas con la planeación de la producción y los inventarios,

y con el diseño de los sistemas de producción y sus cadenas de suministro.
● El concepto de sistema de evento discreto tiene por finalidad identificar a sistemas en
los que los eventos que cambian el estado del mismo ocurren en instantes espaciados
en el tiempo, a diferencia de los sistemas cuyo estado puede cambiar continuamente
en el tiempo

CARACTERÍSTICAS DE LOS EVENTOS DISCRETOS.

 Las variables de entrada son discretas.
 Puede contener una o más entradas y salidas.
 Se basa en modelos computacionales.
 Apoyar la toma de decisiones para que sea rápida y segura
 La salida no se compra con la entrada.
 Se utiliza para evaluar el impacto de ciertas situaciones en ciertas decisiones.
 Estos son conceptos simples y fáciles.
 Pueden ser tangibles o intangibles.

SIMULACIÓN CONTINUA
Las simulaciones continuas suelen requerir
ecuaciones diferenciales para describir la tasa de
cambio de las variables de estado, por lo que el
análisis tiende a ser complejo.
Sin embargo, es útil saber que hay dos tipos de
complejidad: uno relacionado con los detalles y otro
relacionado con la dinámica. Esto último ocurre en
casos donde la relación causal es sutil y donde los
efectos de la intervención no son visibles en el
tiempo. La complejidad dinámica existe cuando una
misma acción tiene efectos diferentes a corto y largo
plazo. La complejidad dinámica ocurre cuando la misma actividad tiene un efecto en un punto
en el tiempo y un efecto diferente en otra parte del sistema.

CARACTERÍSTICAS
Estos son los que requieren infinitos grados de libertad para determinar con precisión. Una
viga deformada, en cambio, es un sistema continuo, porque para conocer su deformación es
necesario especificar el desplazamiento vertical en cada uno de sus puntos, dado en la forma
y(x). Su principal característica es que no se mide en un momento determinado, sino que se

39
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

evalúa sin desagregación. En particular, el tiempo continuo debería o no estar limitado al

tiempo medido de ciclo a ciclo, como el tiempo discreto que puede medirse, por ejemplo,
celda por celda.

Aplicación en la ingeniería civil

Modelar un modelo de sistema en funcionamiento o de construcción implica reproducir el
comportamiento de un sistema modelado real en una computadora. Se lograron varios
objetivos importantes durante el proceso de simulación.
 Identificar los elementos del sistema que son más sensibles al cambio.
 Probar nuestras suposiciones o respaldar nuestras decisiones para cambiar las
políticas que definen el comportamiento del sistema sin afectar directamente el
sistema real.
 Analizar el impacto a mediano y largo plazo de la implementación de cambios en el
sistema.
 Explicar los pasos a seguir de forma clara y específica.
 A través de la simulación, el sistema alcanzará un estado diferente del sistema en cada
unidad de tiempo correspondiente a cada cambio en sus parámetros.

Metodología de la simulación
El objetivo del modelo de simulación consiste, precisamente, en comprender, analizar y
mejorar las condiciones de operación relevantes del sistema.
Nos dice que se trata de un conjunto de elementos que se interrelacionan para funcionar
como un todo; desde el punto de vista de la simulación, tales elementos deben tener una
frontera clara. Cada uno de ellos puede dividirse en elementos que son relevantes para la
construcción de lo que constituirá su modelo de simulación;

 Entidades, estado del sistema,

 Eventos actuales y futuros
 Localizaciones, recursos
 variables y el reloj de la simulación
Elaboración del modelo de simulación
Una vez definido el problema bajo estudio se procede a generar un modelo de simulación
base. Una vez que se ha definido el sistema en términos de un modelo conceptual, la siguiente
etapa del estudio consiste en la generación de un modelo de simulación base.
Especificación de variables y parámetros.

40
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Un modelo de simulación permite lograr un mejor entendimiento de prácticamente cualquier

sistema. Para ello resulta indispensable obtener la mejor aproximación a la realidad.
Validación del modelo de simulación
El proceso de validación del modelo consiste en realizar una serie de pruebas al mismo,
utilizando información de entrada real para observar su comportamiento y analizar sus
resultados. Si el problema bajo simulación involucra un proceso que se desea mejorar, el
modelo debe someterse a prueba con las condiciones actuales de operación, lo que nos dará
como resultado un comportamiento similar al que se presenta realmente en nuestro proceso.
Programas y lenguajes de simulación
Las opciones van desde las hojas de cálculo, lenguajes de tipo general (C++), hasta
simuladores específicamente desarrollados para diferentes objetivos (como ProModel).
• En la actualidad la selección del lenguaje o simulador depende de los siguientes
factores:
1. Requerimientos de equipo
2. Capacidad de construcción y programación del modelo
3. Inclusión de herramientas
4. La animación del sistema
5. El costo y el tipo de licencia otorgada
6. Otras consideraciones, como la capacidad de empaquetamiento de los
modelos, la distribución a otros usuarios.
• Simuladores generales
‣ ProModel
‣ OR Brainware Decision Tools
‣ SIMNET II

41
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Modelo
Elementos de un sistema de líneas de espera. Llegadas. A los lapsos de tiempo entre llegadas
consecutivas en un sistema de filas se llaman tiempos entre llegadas. Hillier y Hillier (2016)
exponen que es posible hacer dos cosas:

1. Estimar el número esperado de llegadas por unidad de tiempo. Esta cantidad

se conoce normalmente como la tasa media de llegadas.
2. Estimar la forma de la distribución de probabilidad de los tiempos entre
llegadas. La media de esta distribución viene directamente del punto 1.
La mayoría de los modelos de filas suponen que la forma de la distribución de
probabilidad de los tiempos entre llegadas es una distribución exponencial, como indica
Chase et al: “por lo general se supone que el tiempo entre llegadas se distribuye de forma
exponencial”
 Modelos de líneas de espera. Según Sáez, (2012) “los datos (o variables) del
modelo pueden ser de dos tipos: cuantitativos y cualitativos…Los datos
cuantitativos son los que representan una cantidad en una escala numérica. A su
vez, pueden clasificarse como datos cualitativos discretos si se refieren al conteo
de alguna característica, o datos cuantitativos continuos si se refieren a una
medida (p.19).
 Modelado del sistema. Para identificar cuál es la distribución de probabilidad que
está siendo asumida para los tiempos de servicio y para los tiempos entre llegadas,
un modelo de filas para un sistema básico se suele nombrar en forma convencional
como explica Chase y Jacobs, (2014). Distribución de tiempos entre llegadas va
en 1, distribución de tiempo de servicio va en 2 y el número de servidores va en
3. A si es que resulta el orden general para el modelado de los distintos sistemas
de filas /1/2/3/.

42
Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Estructura metodológica

Diagrama de flujo

43
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Ejercicio resuelto
Supóngase un supermercado grande con muchas cajas de salida, en donde
los clientes llegan para que les marquen su cuenta con una tasa de 90 por
hora y que hay 10 cajas en operación. Si hay poco intercambio entre las
líneas, puede tratarse este problema como 10 sistemas separados de una
sola línea, cada uno con una llegada de 9 clientes por hora. Para una tasa de
servicio de 12 por hora.
Se supone una distribución Exponencial para las llegadas y para la capacidad
de atender.

• El cliente promedio espera 15 minutos antes de ser servido.

• En promedio, hay un poco más de dos clientes en la línea o tres en el sistema.
• El proceso completo lleva un promedio de 20 minutos.
• La caja está ocupada el 75 % del tiempo.
• Y finalmente, el 32 % del tiempo habrá cuatro personas o más en el sistema
(o tres o más esperando en la cola).
Simular el Ejercicio anterior en Promodel por 10 horas
= 9 clientes por hora Para promodel es 1/9=0.1
= 12 clientes por hora Para promodel es 1/12=0.83

44
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Módulo de Información General

Esta caja de dialogo permite darle un nombre al modelo a ser creado y especificar las
unidades de tiempo y distancia. Igualmente se puede elegir la librería de gráficos.
Módulo de estaciones: Estos representan las máquinas o personas que atienden, procesan,
transforman, etc. a las entidades. Consiguientemente, son estáticas dentro del sistema, ya
que no es de esperarse que una máquina se mueva de un lugar a otro.

45
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Resultados:
Name: Nombre de la localización y Entidades Scheduled Time (HR): Tiempo de la
simulación Capacity: Capacidad de cada una de las locaciones.
Total Entries: Total de entidades que recibió cada localización durante la simulación.
Avg Time Per Entry (MIN): Tiempo promedio de estación de las entidades en cada una
de las locaciones.
Avg Contents: Promedio de entidades que se quedaron en cola.
Maximum Contents: Contenido máximo de entidades que se quedaron esperando.
Current Contents: Número de entidades al momento de finalizar la simulación.
% Utilización: Porcentaje de utilización de cada localización.

Lq=Unidades en promedio en la cola = 2.25 Clientes en Promodel es Zona Fila Avg

Contents.
Wq= Minutos en promedio en la cola =15 minutos, en Promodel es Avg Time Per Entry
Zona Fila.

46
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Ls= Número de Unidades en promedio en el sistema= 3 Clientes en Promodel es la suma

de los dos Avg Contents. (Caja + Zona Fila)
Ws= Minutos en promedio en el sistema =20 minutos en Promodel es Avg Time Per
Entry la suma de los dos (Caja + Zona Fila)
Po= Probabilidad de que el sistema este ocupado =75% en Promodel se observa en %
Utilización

Conclusión IV
El método de simulación Monte Carlo (MSMC) es un método numérico para resolver
problemas mediante la simulación de variables aleatorias. MSMC ha sido ampliamente
utilizado para resolver problemas relacionados con la ingeniería civil. El método de
simulación Monte Carlo es un método ampliamente utilizado y relativamente fácil de
implementar para desarrollar análisis probabilísticos, pero tiene la desventaja de requerir
extensas simulaciones numéricas para obtener resultados confiables. En la literatura técnica
se pueden encontrar varias sugerencias para reducir el número de simulaciones requeridas,
como las técnicas de reducción de la varianza. El análisis, diseño, detallado y construcción
de una estructura de concreto reforzado son realizados para garantizar comportamientos
estructurales y sismorresistentes adecuados. Sin embargo, algunos aspectos del
comportamiento tales como la resistencia, la ductilidad y la capacidad de absorber y disipar
energía dependen de las propiedades mecánicas de los materiales estructurales. Usualmente
existe mucha incertidumbre debido a la variabilidad de dichas propiedades. Los análisis
probabilísticos son herramientas valiosas para evaluar el efecto de dicha variabilidad sobre
el comportamiento estructural y especialmente el comportamiento sismorresistente de la
estructura.

47
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Conclusión general
Los profesionales de cualquier campo de la ingeniería tienen que lidiar con el proceso de
toma de decisiones de manera regular. En general, tiene un enfoque científico basado en
aspectos como la estadística y la probabilidad. Por otro lado, en el proceso también se tienen
en cuenta aspectos humanos como experiencias pasadas, opiniones e incluso la intuición.
Los ingenieros civiles deben ser capaces de tomar decisiones adecuadas que beneficien a la
obra y a sus empleados. Esto requiere herramientas técnicas, intelectuales y personales.
Además de esto, existen métodos como los modelos aplicados que pretenden facilitar este
proceso.
El proceso de toma de decisiones tiene una gran variable, la incertidumbre. Esto se puede
determinar utilizando un modelo diseñado profesionalmente que le permite evaluar qué tan
bien se compara con las alternativas disponibles. Estos modelos tratan situaciones donde las
decisiones se proponen sin una estructura específica, lo que complica la evaluación de sus
riesgos y beneficios. A pesar de generar los modelos anteriores, la toma de decisiones
necesita combinar factores cuantitativos con consideraciones cualitativas. Los modelos
utilizados para facilitar el proceso de toma de decisiones tienen tres objetivos principales. El
primero es ayudar a comprender el problema y sus posibles soluciones. El segundo objetivo
es comunicar de manera efectiva ideas sobre posibles soluciones a los problemas. El tercero
es formular lineamientos para la implementación de las decisiones.
Como en todo proceso que se pretende ejecutar, una decisión debe tener una pregunta bien
definida además de un objetivo específico a alcanzar. De esta manera, se tiene una visión
clara de hacia dónde se deben dirigir los esfuerzos. Se utilizan datos como observaciones
personales, entrevistas y pronósticos para identificar el problema y las metas a alcanzar.
En las etapas finales, las decisiones o alternativas son evaluadas individualmente por el
equipo responsable de seleccionar la opción final. Aquí es donde se decide si la decisión debe
ser aceptada o rechazada. Finalmente, el ingeniero es responsable de organizar y supervisar
el plan de acción que se ejecutará en función de la decisión elegida.

48
 Universidad Autónoma de Chiapas
Facultad de Ingeniería Campus I

Bibliografía
Ackoff R. L. (1995) Fundamentos de Investigación de Operaciones Sasieni M. W. Editorial Limusa,
Grupo Noriega editores, S. A. de C. V.

Winston W. L. (1990) Investigación de Operaciones. Aplicaciones y Algoritmos. México. Grupo

Editorial Iberoamérica, S. A. de C. V., 1ª Edición.

Hillier, Frederick S. y Lieberman, Gerald J. (1997) Introducción a la Investigación de

Operaciones; sexta edición; México: Mc. Graw-Hill.
Taha, Hamdy (1995); Investigación de Operaciones quinta edición; México: Alfaomega.

49