1

Actividad No. 10: Trabajo Colaborativo No. 2 Curso Simulacin

Por: Jenny Pinzn Cd. 51983541 Neisbi Liseth Pirabn Parra C.C: 46451821 Hermes Bernal Piza Cd. 13.906.793 Charlie Bueno Ramos Cd. 15441673 Janner Alfonso Pareja Gutirrez Cd. 7.574.518

Grupo: 299310_1

Presentado a: Ing. Wilson Almanza Manigua

Universidad Nacional Abierta y a Distancia Escuela de Ciencias Bsicas Tecnologa e Ingeniera Noviembre de 2011

Contenido
INTRODUCCIN .............................................................................................................................. 3 PROPSITO ....................................................................................................................................... 4 MAPA CONCEPTUAL DE LA UNIDAD II DEL CURSO DE SIMULACIN ............................. 5 CUESTIONARIO ............................................................................................................................... 9 CONCLUSIONES ............................................................................................................................ 15 BIBLIOGRAFA............................................................................................................................... 16

INTRODUCCIN
Este trabajo presenta el desarrollo de la actividad N 10 del curso de Simulacin correspondiente a la Unidad II denominada Simulacin con herramientas de programacin y tiene como propsito fomentar el trabajo en grupo y hacer una profundizacin de cada uno de los captulos incluidos en esta unidad. Inicialmente presenta un mapa conceptual basado en la Unidad II del curso de Simulacin que destaca sus captulos y lecciones y, adicionalmente, resalta algunos conceptos tiles para la comprensin de los temas tratados. El desarrollo de esta actividad resulta provechoso ya que permite un reconocimiento de las temticas y crea un contexto general para la profundizacin de las mismas. Seguidamente se presenta el desarrollo de un cuestionario cuyo objetivo es aclarar conceptos claves y fundamentales de estadstica para aplicarlos a procesos de simulacin. Adems se incluyen de ejercicios prcticos utilizando Excel con el fin de conocer sus aplicaciones en el rea de simulacin. En general este trabajo muestra de manera prctica cmo la simulacin es una herramienta muy poderosa para el anlisis de sistemas complejos en las probabilidades y variables aleatorias. Prcticamente cualquier sistema puede ser simulado al obtener estimaciones numricas de los parmetros, entender su lgica y conocer las distribuciones de las variables aleatorias.

PROPSITO
Hacer un reconocimiento de la unidad. Conocer las aplicaciones de Excel en los temas Simulacin. Aplicar y conocer los conceptos de lneas de espera, sistemas dinmicos y lneas de espera. Comprender cada uno de los conceptos que involucran todas las metas de aprendizaje propuestas en el mdulo y aplicar lo aprendido en el ejercicio profesional.

MAPA CONCEPTUAL DE LA UNIDAD II DEL CURSO DE SIMULACIN

Se presenta a continuacin algunas generalidades de las lecciones del captulo 4:

De las lecciones del captulo 5:

Y de las lecciones del captulo 6:

CUESTIONARIO
1. Simulacin del lanzamiento de una moneda basada en la simulacin de Montecarlo Este ejercicio se presenta desarrollado en el archivo de Excel adjunto a este trabajo.

2. Qu diferencia existe entre una variable discreta y una variable continua? La diferencia esencial entre estas variables es que mientras para la variable discreta se dan separaciones entre valores observables sucesivos, la contina toma valores a lo largo de todo un intervalo de valores de manera continua. Es decir que entre dos valores observables que puede tomar una variable discreta, hay por lo menos un valor no observable (que entre dos valores prximos puede tomar a lo sumo un nmero finito de valores) y en los valores de una variable continua dichos valores son observables (puede tomar los infinitos valores de un intervalo). Ejemplo de una variable discreta es el nmero de equipos de ftbol en un campeonato que pueden ser 10 12, pero no 10.5. Ejemplo de variables continuas son la estatura de un grupo de personas, el peso, etc. Dadas las anteriores caractersticas, un atributo esencial de una variable continua es que, a diferencia de una variable discreta, nunca se la puede medir exactamente. Con una variable continua debe haber inevitablemente un error de medida. Un importante principio sobre variables continuas es que siempre se registran en forma discreta, quedando la magnitud de la distancia entre valores registrables adyacentes determinada por la precisin de la medicin.

3. Para qu estudios de simulacin sern tiles las variables aleatorias discretas? Las variables aleatorias juegan un papel muy importante en los modelos de simulacin. Por ejemplo, dentro de los modelos de algunos retrasos en SimJava2 como pausa () o un proceso (), los cuales no tienen valores deterministas, sino que usan variables aleatorias; de igual forma, cuando se debe hacer una eleccin en el comportamiento de una entidad se hace probabilsticamente. En estos casos se ha de incluir el muestreo de una distribucin de probabilidad para extraer un valor que cada vez alcanza la conducta de la entidad.

10

En general las variables se utilizan para caracterizar el comportamiento del sistema / modelo, las medidas de desempeo o los parmetros de salida, tambin son variables aleatorias (por ejemplo, una medida podra ser el nmero de paquetes perdidos por milln en una red de comunicacin, o el medio de espera tiempo para un acceso a un disco. En general, cada ejecucin del modelo de simulacin ofrece una sola estimacin de estas variables aleatorias). En la simulacin de eventos discretos, los objetos o componentes de un modelo de simulacin de eventos discretos se conocen como entidades (objetos discretos), cada uno separado del otro, y que poseen unos atributos, que pueden ser cualidades, caractersticas o propiedades que afectan a la conducta de las entidades dentro del modelo. Los tipos de modelos ms importantes de simulacin de eventos discretos se pueden clasificar en: Manufactura Servicios Manipulacin de materiales Redes Negocios Los Sistemas de Manufactura abarcan procesos de produccin en los que, a partir de materias primas, se obtienen productos comerciales tras su procesamiento. Estos modelos sirven para la toma de decisiones en aspectos como el nivel de inventario, programacin de cuotas de produccin o la satisfaccin de los encargos de clientes. Los sistemas de manufactura se pueden clasificar en: Modelos de flujo: tpico de sistemas en serie. Modelos de taller: tpico de sistemas con procesos alternativos segn la disponibilidad de recursos. Modelos flexibles: tpico de sistemas con procesos en paralelo. Algunos criterios de evaluacin de este tipo de sistemas pueden ser: Tiempo de elaboracin. El tiempo invertido en la fabricacin de un producto desde que es encargado hasta que es servido. Tiempo de fabricacin. Es la parte del tiempo de elaboracin que involucra nicamente la transformacin de las materias primas en el producto.

11

Numero de encargos pendientes de ser procesados a partir de las longitudes de buffers. Tiempo de proceso. El tiempo concreto de una actividad. Tasa de utilizacin. Relacin entre el tiempo de proceso y el tiempo total disponible. Tasa de produccin. Nmero de unidades producidas por unidad de tiempo. Tasa de defectuosos. Nmero de unidades defectuosas sobre la produccin total. Cuello de botella. Actividad crtica que tiene la mayor tasa de utilizacin. Trabajo en progreso. Capacidad de produccin en un instante dado. Entrega dentro de plazo. Porcentaje de producto entregado dentro del plazo solicitado. El objetivo de los Modelos de Servicios, los cuales representan la prestacin de servicios, suele ser satisfacer la demanda de un conjunto de clientes cuando esta se produce. Algunos ejemplos de este tipo de modelos son: Servicios financieros: en bancos, entidades de crdito. Servicios sanitarios: en hospitales, mutuas, clnicas dentistas. Tiendas y comercios: almacenes, talleres de reparacin, supermercados. Servicios varios de gas, telfono, televisin, proveedor Internet. Servicios profesionales: contables, asesores fiscales, gestaras, abogados. Transporte y reparto: sistemas de correos, lneas areas, ferrocarril. En este tipo de modelos el personal disponible juega un papel importante y se suelen planteas modelos para ajustar plantillas o mejorar los procesos con vistas a reducir costes y satisfacer a los clientes. En este sentido, algunos de los criterios que se suelen estudiar son: Tiempo de atencin: tiempo transcurrido entre la llegada de un cliente y su salida. Tiempo de espera: parte del tiempo de atencin en que el cliente est esperando ser atendido por el personal. Longitud de cola: longitud de la cola de espera. Tiempo de servicio: tiempo efectivo en que el cliente es servido. Tasa de utilizacin: tiempo en que el suministrador del servicio est ocupado frente al tiempo que est disponible. Tasa de servicio: numero de clientes que son atendidos por unidad de tiempo. Porcentaje de clientes que se pierden por efecto de presentar colas largas. Porcentaje de clientes que desisten por exceso de tiempo de espera. Costo de los recursos empleados en el proceso.

12

Los modelos de manipulacin de materiales bsicamente representan el traslado de unos recursos de una ubicacin a otra para su procesamiento. Por lo general se les puede considerar submodelos dentro de modelos de manufactura. Este tipo de modelos se aplican para la velocidad en los transportes, la longitud del traslado, la capacidad del medio de transporte, los buffers necesarios antes y despus del transporte, la posibilidad de transporte en el retorno de los viajes. As los criterios que se pueden utilizar para evaluar estos sistemas son: Tiempo invertido en el transporte Tiempo de respuesta, tiempo en que el elemento transportador est disponible a partir de que se le solicita. Tiempo efectivo de transporte del material. Capacidad de carga. Tasa de utilizacin. Porcentaje de tiempo que un elemento transportador est en uso. Tasa de produccin. Nmero de elementos que pueden ser desplazados por unidad de tiempo. Porcentaje de saturacin o bloqueo. Porcentaje de tiempo en que el material no puede ser transportado por falta de capacidad de procesamiento en el centro receptor. Cuello de botella. Movimiento con una tasa de utilizacin elevada. En los Modelos de redes, estn como los ms representativos los sistemas de comunicacin, donde estn incluidos, por ejemplo, el telfono o los ordenadores. Algunos de los criterios que pueden resultar tiles en el estudio de estos modelos son: Duracin del envo de un mensaje. Tiempo que tarda un mensaje en ser transmitido. Establecimiento de conexin. Tiempo que se tarda ene establecer una conexin. Longitud de buffer: capacidad de almacenamiento de mensajes en origen, destino o en partes intermedias. Tasa de utilizacin de la red: porcentaje de tiempo en que la red est en uso. Los Modelos de Negocios se concentran bsicamente en el anlisis de sistemas con base a la ingeniera de procesos con la que se articula una actividad econmica. Algunos de estos procesos pueden representar el desarrollo de un nuevo producto, el flujo de produccin, la adquisicin del producto, poltica de personal. Debido a la falta de informacin por parte de las empresas y al escaso control de los procesos principales de una empresa resulta difcil

13

establecer criterios universales para evaluar este tipo de procesos siendo uno de los objetivos de estos modelos justamente el proponer medidas objetivas de control que mejoren la organizacin del negocio.

4. Se lanza de manera continua un par de dados legales, hasta que todos los posibles resultados 2,3,....,12 hayan aparecido al menos una vez. Desarrolle un estudio de simulacin para estimar el nmero esperado de lanzamientos necesarios. Suponiendo la posibilidad de que ocurra un suceso (un resultado de inters como en este caso, lanzar dos dados hasta que todos los posibles resultados hayan aparecido) y que las repeticiones de los intentos de obtener el resultado no afectaran a la probabilidad de intentos posteriores, en ese caso, se puede probar que, como promedio, se necesitan 1/p intentos para obtener el resultado. Como al lanzar dos dados se generan aleatoriamente 36 resultados (formas en que se combinan los lados para dar los once posibles resultados: 2, 3, 4, 5, 6, 7, 8, 9, 10, 11 y 12), la probabilidad de obtener un resultado determinado, por ejemplo el dos (1, 1), es 1/36, por lo tanto, de promedio (media) se necesitarn 1/(1/36) 36 lanzamientos para obtener un dos. As mismo, para obtener un 7 ((1,6), (2,5), (3,4), (4,3), (5,2) (6,1)), la probabilidad es 6/36 y, por tanto, la media de lanzamientos sera 1(6/36). [Ver tabla 1].

Tabla 1. Tabla de doble entrada que muestra los resultados posibles al lanzar dos dados. Tomada de http://www.amolasmates.es/pdf/cidead/3_eso/apuntes/teoria%20pro babilidad.pdf.

14

Teniendo esto presente, el primer lanzamiento de dos dados (legales en este caso), necesariamente da un nmero que no ha salido antes. Tras haber obtenido el primer resultado de la suma de sus caras (sea cual sea), la probabilidad de obtener un resultado diferente es 10/36 (pues el total de las sumas posibles es once), pues se desea que salga una de las 10 sumas que no haya salido. El nmero medio de lanzamientos adicionales hasta que una segunda suma (diferente) haya salido es 1(10/36) 36/10. Despus de obtener dos resultados diferentes, la probabilidad de obtener una tercera suma diferente a las dos primeras es 9/36, y as, la media de lanzamientos necesarios para obtenerla es 1(9/36) 36/9. Si se contina as hasta que las 11 sumas posibles hayan aparecido al menos una vez y sumando los resultados se tiene que hacen falta (1 + 36/10 + 4 + 9/2 + 36/7 + 18/3 + 36/5 + 9 + 12 + 18 + 36) 106,442 106 lanzamientos de media para obtener los once posibles resultados de las sumas (al menos una vez). El desarrollo de este ejercicio se muestra en el archivo de Excel adjunto a este trabajo.

7. Realizar el siguiente ejercicio. El siguiente ejercicio se debe plantear a partir de una columna de nmeros aleatorios que, utilizados por la funcin buscarh o buscarv, calcula un resultado terico de la experiencia estudiada. Para ello en la funcin utilizada se debe buscar en una tabla obtenida a partir de las frecuencias absolutas acumuladas deducidas de la experiencia histrica disponible. Obtenido un nmero adecuado de resultados podemos hallar el valor medio, realizar grficos. Ejercicio. Un dado de seis caras est trucado de forma que la probabilidad de obtener 1, 2, 3, 4 y 5 es la misma (sucesos equiprobables), mientras que la probabilidad de obtener un 6 es doble que la de obtener un 1. Realizar una simulacin de doscientas tiradas, construye una tabla de frecuencias absolutas y realiza un grfico que ilustre los resultados obtenidos en el experimento. R/El desarrollo de este ejercicio se muestra en el archivo de Excel adjunto a este trabajo.

15

CONCLUSIONES
La realizacin de la actividad presentada permiti la familiarizacin con las temticas de la unidad y obtener una visin amplia de lo que implican los modelos de simulacin desde su historia y desarrollo hasta sus aplicaciones prcticas como lo son el flujo de transporte, el sistema de inventarios y la repercusin que tiene en los problemas complejos de la sociedad donde convergen no slo las tcnicas de trabajo sino la estructura interna, las relaciones existentes entre el personal que trabaja en determinado proyecto y el nivel de madurez de la propia organizacin que lo desarrolla, particularmente en la empresas de desarrollo de software. En este trabajo tratamos de desarrollar el contenido del curso perteneciente a la unidad 2 y sus respectivos captulos, graficndolo en el mapa conceptual, ya que es de gran importancia para nosotros como estudiantes de la Universidad Nacional Abierta y a Distancia UNAD conocer plenamente como estn estructuradas todas las materias que conforman nuestro pensum universitario como lo es en este caso el curso de Simulacin. La distincin entre variables discretas y variables continuas permite una distribucin de los datos en categora que es de gran utilidad para organizar los procedimientos estadsticos. Las variables aleatorias discretas tienen una amplia utilidad en estudios de simulacin entre los que se destacan los modelos de manufactura con los cuales se pueden estudiar el nivel de inventario, la produccin, entre otros. La simulacin se utiliza ampliamente para ilustrar conceptos tericos, as como para proporcionar soluciones cuando los resultados tericos no estn disponibles o son demasiado difciles de aplicar.

16

BIBLIOGRAFA
Almanza, W. Mdulo de Simulacin. (2009). UNAD. Aula virtual UNAD. <http://campus03.unadvirtual.org/moodle/course/view.php?id=149>. Clculo del valor esperado y cmo beneficia a la banca en los juegos de azar. 10 de 2011. <http://www.eyeintheskygroup.com/Azar-Ciencia/Ventaja-Matematica-Juegos-de-Azar/CalculoValor-Esperado-Juegos-de-Azar.htm> Conceptos de estadstica. 10 de 2011. <http://www.monografias.com/trabajos30/conceptos-deestadistica/conceptos-de-estadistica.shtmlEstadstica. 10 de 2011. <http://www.tuveras.com/estadistica/estadistica01.htm> Domnguez, E. Elementos de Simulacin. Sistemas y Modelos. Coleccin Papeles de Trabajo. 10 de 2011. http://externos.uma.es/cuadernos/pdfs/papeles22.pdf Fauln, J.,Juan, A. Simulacin de Monte Carlo con Excel. 10 de 2011. <http://www.uoc.edu/in3/emath/docs/Simulacion_MC.pdf> Hojas de clculo. Excel. 10 de 2011. <http://centros5.pntic.mec.es/ies.salvador.dali1/html/materiales/hojadecalculo/hojadecal culo.htm#LANZAMIENTO%20DE%20DOS%20DADOSMtodo de Montecarlo. 10 de 2011. <http://es.wikipedia.org/wiki/M%C3%A9todo_de_Montecarlo> Matemtica educativa. 10 de 2011. <http://matematicaeducativa.blogspot.com/2007/05/probabilidades.html> Probabilidad. 11 de 2011. <http://www.amolasmates.es/pdf/cidead/3_eso/apuntes/teoria%20probabilidad.pdf > Simulacin. 10 de 2011. <http://web.udl.es/usuaris/MatFDiE/OptiSim/MonteCarlo.pdf> Variable discreta y variable continua. 10 de 2011. <http://es.wikipedia.org/wiki/Variable_discreta_y_variable_continua> Velasco, G., Prior M.. Probabilidad y estadstica para ingeniera y ciencias. 10 de 2011. <http://books.google.com.co/books?id=0VYkub0HvJwC&pg=PA117&lpg=PA117&dq=cuantas+ve ces+hay+que+tirar+los+dados+para+obtener&source=bl&ots=hdNubanSsC&sig=V6NBAHSuRFJB t4Ng64N1H0sLXc&hl=es&ei=69muTpu5Jafw0gGAj41P&sa=X&oi=book_result&ct=result&resnum=8&ved =0CEgQ6AEwBzgU#v=onepage&q&f=false>

17

Video: Simulacin del lanzamiento dos dados. 10 de 2011. <http://www.youtube.com/watch?v=YWLQxUY2wyA> Video: Simulacin lanzamiento dados. 10 de 2011. 10 de 2011. <http://www.youtube.com/watch?v=1_9orYZKcrA&feature=related>