HERRAMIENTAS MATEMÁTICAS VI: MODULO 3

4. Modelos de líneas de espera (colas) – Modelo probabilístico aleatorio.

Esperar es una actividad desagradable y fastidiosa realizada en diversos ámbitos de la vida. Se espera en un banco, en
un restaurante, en un negocio, en un aeropuerto, en un hospital, en un semáforo. No solo los humanos esperan,
también esperan partes para ser ensambladas, vehículos para ser reparados, aviones para aterrizar, frutos para
madurar. Algunas esperas son ineludibles, otras evitables, otras factibles de ser reducidas.

Reducir los tiempos de espera suele ser posible implementando mecanismos que le den celeridad a la atención como,
por ejemplo, la incrementación de los puntos de atención. Esto trae aparejados costos. Encontrar el equilibrio entre
el costo de acelerar el servicio y disminuir el tiempo de espera de clientes es el objetivo del estudio del fenómeno de
colas.

Una línea de espera (o cola) se forma cuando alguna unidad (persona, maquinaria) requiere servicio y este no se
proporciona en forma instantánea.

SISTEMA DE LINEAS DE ESPERA

Haciendo referencia a todos los COMPONENTES que conforman las líneas de espera tenemos: Unidades que solicitan
servicios, la línea de espera propiamente dicha, instalaciones de servicios (canales) y las unidades que restan después
de recibir el servicio

Estos modelos NO Pretenden resolver un problema de línea de espera, sino que describen el sistema de líneas de
espera al calcular las características de operación de la línea. Estas características se calculan especificando los
parámetros del sistema de líneas de espera: Tasa de llegada (forma en que las unidades llegan para ser atendidas) y
tasa de servicio (forma en que se maneja el servicio real)

4.1 Fenómeno de colas

El tiempo de espera es un factor relevante ya que en muchos casos supone gastos innecesarios y complicaciones
provocando malestar en quienes deben esperar para ser atendidos. Por otra parte, la incorporación de nuevos puntos
de atención para disminuir la espera soluciona el problema de forma parcial ya que durante el tiempo en que la
cantidad de clientes en fila se reduce, esos puntos permanecen ociosos.

El estudio del fenómeno de colas consiste en cuantificar medidas de desempeño representativas tales como la
cantidad de personas que esperan, el tiempo en fila de cada una, tiempo de atención, cantidad de puestos de atención,
etc. El objetivo de ese estudio es, entonces, optimizar el desempeño de un sistema que puede resumirse en:
 Mejorar el uso de los recursos.
 Disminuir el tiempo de espera.
 Agilizar la atención.

UNVM: El objetivo del modelo es la DESCRIPCIÓN DEL SISTEMA. La optimización debe ser llevada a cabo por el usuario
variando los parámetros del sistema para obtener diferentes conjuntos de características de operación. El que se
ajusta en forma más estrecha a las necesidades del usuario define la mejor estructura del sistema.
Es un modelo DESCRPITIVO. Es un modelo estocástico /probabilístico ya que los parámetros no se conocen con
certidumbre.
Parámetros: Tasa de llegada y tasas de servicios: se describen a través de la distribución de probabilidad
Son estáticos y no lineales debido a que se supone que los parámetros no varían con el tiempo y los cambios en las
características de operación NO SON PROPORCIONALES a los cambios en los parámetros del modelo.

4.2 Elementos de un modelo de colas

Si bien en las líneas de espera o de cola se habla de un cliente que desea ser atendido, a la hora de estudiar el fenómeno
se deben considerar también los demás elementos que lo componen. A grandes rasgos, puede decirse que los clientes
salen de una fuente, entran a una instalación o sistema donde desean ser atendidos. Allí pueden ser atendidos por un
servidor de inmediato o puede que deban esperar junto a otros clientes hasta que eso ocurra. Una vez atendido, el
cliente sale de la instalación o del sistema.
Los actores principales en una situación de colas son el cliente y el servidor. Los clientes llegan a una instalación
(servicio) desde de una fuente. Al llegar, un cliente puede ser atendido de inmediato o esperar en una cola si la
instalación está ocupada. Cuando una instalación completa un servicio, “jala” de forma automática a un cliente que
está esperando en la cola, si lo hay. Si la cola está vacía, la instalación se vuelve ociosa hasta que llega un nuevo cliente.

a) Fuente de llegada
Así se denomina a la fuente generadora de los clientes que entrarán en sistema. Si se trata de un comercio, la fuente
de llegada estará constituida por todos los potenciales clientes de ese comercio; si es una cabina de peaje, todos los
vehículos que transitan sobre la ruta conformarán la fuente de llegada.

Para estudiar un modelo de colas, es preciso tener en cuenta las características que definen a la fuente de llegada:
 Tamaño de la fuente: hace referencia al número de potenciales clientes que entran al sistema para hacer uso
del servicio. Puede ser finito o infinito según haya o no restricciones respecto a la cantidad de clientes que
pueden llegar al sistema. Es infinito cuando no hay límite para el número de llegadas.

 Dimensión de la llegada: con esto se hace alusión al modo en que ingresan los clientes al sistema de colas y
puede ser individual, de uno en uno, o en grupos.

 Control de llegadas: puede haber o no control sobre las llegadas. Por ejemplo, para cobros en un banco suele
haber condicionamientos como los números de documentos de los clientes o para inscripciones en
establecimientos educativos u oficiales se deben sacar turnos vía web o respetar los días habilitados para tal
fin. En la mayoría de los casos, no hay control de llegada ya que los clientes son atendidos sin
condicionamientos como en cualquier comercio o en la sala de emergencias de un hospital.

 Distribución de las llegadas: hace referencia al tiempo comprendido entre clientes consecutivos o por la
cantidad de clientes por unidad de tiempo. Esta distribución puede ser constante o aleatoria.

 Tasa de llegadas: es el promedio de clientes que entran al sistema por unidad de tiempo.

b) Filas
Las filas se forman por los clientes que esperan para ser atendidos sin tomar en cuenta a aquellos que ya están siendo
atendidos. Las particularidades de las filas que se analizan son las siguientes:

 Número de filas: es la manera en que se agrupan los clientes para esperar ser atendidos. Pueden hacerlo en
una fila simple, es decir, independiente del número de prestadores del servicio, o varias filas que se
corresponden con los puestos de atención habilitados.
  Longitud de la fila: así se denomina a la cantidad de potenciales clientes que pueden formarlas y puede ser
finita o infinita siendo esta la de la mayoría de los modelos porque no hay límite para la cantidad de clientes.

 Disciplina de la fila: por esto se entiende al criterio con el que se selecciona al cliente que será atendido.
Generalmente se hace por orden de llegada y cuando es así la disciplina se denomina FCFS por su sigla en
inglés que significa “primero en llegar, primero en ser atendido” (first come, first served).
Otra manera de establecer el orden de atención es por prioridades, como es el caso de la atención prioritaria
en bancos y supermercados que tienen ancianos o mujeres embarazadas o con niños en brazos. En los
hospitales, el sector de emergencias selecciona los pacientes a atender según la gravedad de su situación.
Menos usada para también posible es la atención aleatoria, este es el caso en el que el orden de atención es
definido por quien presta el servicio y puede ser al azar.

c) Mecanismo de servicio
Como mecanismo de servicio se entiende al modo en el que es ofrecido el servicio de atención a clientes y sobre él
se hacen las siguientes consideraciones:
 Etapas del servicio: es la cantidad de fases que supone el proceso de atención.
a) Etapa única: tiene solo una entrada al punto del servicio y una salida del punto de servicio (0 0 0 SS 0
0 0 0) Ejemplo: compra de algún producto en un comercio
b) Etapas múltiples: se da si la salida del primer punto de servicio se convierte en la entrada a un segundo
punto de servicio. La salida de la primera etapa es la entrada para la segunda y así sucesivamente para
todas las etapas. Ejemplo: abordar un avión check in. (0 0 0 SS 0 0 0 SS 0 0 0 SS)

 Dimensión del servicio: hace referencia a la cantidad de clientes que son atendidos por cada vez. Aunque la
mayoría es de forma individual o simple, como en un banco o una oficina, también puede ser en grupo, como
tomar un ascensor o realizar una visita guiada.

 Distribución del tiempo de espera: aunque en la mayoría de los casos es aleatoria, también puede ser
constante. En el primer caso, las distribuciones habituales son la exponencial y la de Erlang.

 Tasa de servicio: por ella se entiende al promedio de clientes atendidos por cada servidor en una unidad de
tiempo. Esta tasa de servicio puede ser dependiente o no de la cantidad de clientes en el sistema

La teoría de filas contribuye a la resolución de diferentes tipos de situaciones de espera. Aunque inicialmente la teoría
resolvía modelos con una única fila siendo atendida por un solo servidor, pronto se amplió a varios servidores.
Los clientes en un sistema de filas no necesariamente son personas. Puede tratarse de una máquina para ser reparada,
productos por ser distribuidos, vehículos en espera en un peaje. Por otro lado, un servidor no siempre es una sola
persona. Puede ser un grupo que realiza un trabajo en conjunto, como un equipo de médicos que está operando, un
equipo de mantenimiento de una maquinaria, etcétera. Inclusive, un servidor puede ser un objeto como una
computadora.

Terminología y notación
Para el trabajo con elementos de un sistema de colas se establecen notaciones propias para los conceptos usados
mediante términos y símbolos.
 Estado del sistema: formado por el número de clientes en el sistema de fila, es decir, clientes que esperan en
la fila más los clientes que están siendo atendidos por los servidores.
 Longitud de la fila: número de clientes que esperan atención.
 N(t): número de clientes en el sistema en el tiempo (EN EL SISTEMA COMPLETO)
 Pn(t): probabilidad de que exactamente n clientes estén en el sistema de filas en el tiempo.
 s: número de servidores.
 λn: tasa media de llegada de nuevos clientes cuando n clientes están en el sistema (número esperado de
entradas por unidad de tiempo).
 μn: tasa media de servicio para todo el sistema cuando hay n clientes en él (número esperado de clientes que
están finalizando su atención por unidad de tiempo).
Veamos un caso de modelo de filas en la empresa Omega.
Para la entrega de sus productos, cada cliente de Omega pasa primero por la caja y luego de obtener su factura y
remito de compra, entra en la sección despacho donde hace una única fila para que su compra le sea entregada. A
través de un estudio se supo que la tasa de llegada es de catorce clientes por hora mientras que la tasa de servicio es
de dos clientes cada cinco minutos. La probabilidad de que no haya clientes en fila ni esperando en la fila de despacho
se calculó en 0.13. En un determinado momento de análisis hay 8 clientes en la fila de despacho y uno está siendo
atendido.
Para llamar a cada dato por su nombre diremos que:
 Estado del sistema de despacho: 9 (8 clientes en fila y uno siendo atendido)
 Longitud de la fila: 8 clientes
 P0(t): 0.13 (sistema ocioso porque no hay clientes siendo atendidos ni esperando)
 s: 1
 λ60: 14 (en 60 minutos = 1 hora) – tasa de llegada es de 14 clientes x hora
 60: 24 (2 clientes cada 5 minutos, 24 en 60 minutos)

4.3 Papel de la distribución exponencial. Distribución exponencial negativa

Una característica que define el sistema de líneas de espera es la aleatoriedad. Tanto el tiempo que transcurre entre
la llegada de los clientes como el tiempo de servicio son aleatorias, esto significa que la llegada de un nuevo cliente es
independiente del tiempo transcurrido desde la llegada del último, del mismo modo, el tiempo de atención de uno de
ellos es irrelevante para calcular el tiempo que puede llevar la atención del otro.

Tanto el tiempo de llegada como el de atención se cuantifican con distribuciones de probabilidad. Para sistemas reales
de líneas de espera, estas distribuciones pueden asumir cualquier valor no negativo. Para que una distribución permita
representar la información de la situación real y sea simple desde el punto de vista matemático para trabajar
cuantitativamente con ella, es preciso encontrar la distribución adecuada

En la mayoría de las situaciones de colas, las llegadas ocurren al AZAR.

Aleatoriedad significa que la ocurrencia de un evento (ejemplo la llegada de un cliente o la terminación de un servicio)
es INDEPENDIENTE del tiempo transcurrido desde la ocurrencia del último evento.

Los tiempos aleatorios entre llegadas y de servicio se describen cuantitativamente por medio de una DISTRIBUCIÓN
EXPONENCIAL
f(t) = λ.e-λt, t > 0

La distribución exponencial describe un fenómeno totalmente aleatorio. Por ejemplo, si en este momento la hora es
8:20 A.M. y la última llegada fue a las 8:02 A.M., la probabilidad de que la siguiente llegada ocurra a las 8:29 es una
función sólo del intervalo de las 8:20 a las 8:29, y es totalmente independiente del tiempo que ha transcurrido desde
la ocurrencia del último evento (8:02 a 8:20).

Así, la función “f” cuya variable independiente es el tiempo (t) se define como el producto de la tasa de llegadas λ por
la exponencial negativa e-λt. Nótese que la nominación de “exponencial negativa” hace referencia al exponente
negativo del número y lo cual significa, matemáticamente, que es equivalente a

Tratándose de tasas y valores de tiempo, este cociente no admite valores menores que cero.
Se dice que una variable aleatoria T tiene una distribución exponencial con parámetro α si su función densidad de
probabilidad está definida por:

Si T tiene una distribución exponencial, entonces las probabilidades de que T sea mayor, igual o menor que un cierto
valor t es:

La varianza y el valor esperado de la variable T son:

Propiedades de la Distribución Exponencial

La distribución exponencial tiene características definidas a través de sus propiedades, que coinciden con las
características de los modelos de filas o colas. Es por eso que se justifica su implementación para describirlos y
cuantificarlos.

Propiedad 1: Función estrictamente decreciente

La función fT(t) es estrictamente decreciente, es decir, por definición de función decreciente, para t1 < t2 se cumple
fT(t1) > fT(t2).

Una consecuencia de esta propiedad se trasmite a las probabilidades considerando el tiempo (t) y el incremento de
tiempo ∆t. Se tiene que:

P{0 ≤ T ≤ ∆t} > P{t ≤ T ≤ t + ∆t}, para todo ∆t, t > 0.

La probabilidad está dada por el área bajo la curva de la función fT(t) en los intervalos indicados: (0, ∆t) y (t,t + ∆t).
Como la longitud de los intervalos es igual (la longitud es ∆t) y la función es mayor en el primer intervalo (f T[t] es
estrictamente decreciente), se tiene que la primera área es mayor.

En un sistema de colas, si la variable T representa el tiempo entre llegadas de clientes, esta propiedad es consistente
con el fenómeno aleatorio de llegadas. Las situaciones que no satisfacen esta propiedad son aquellas en las que los
potenciales clientes demoran su ingreso y así permiten que otro cliente entre primero.

Vale aclarar que en los casos en los que T represente el tiempo de servicio, esta propiedad es posible en algunas
situaciones. En un sistema de colas donde el servicio requerido es prácticamente idéntico para cada cliente y cada
servidor realiza la misma serie de operaciones, el tiempo de servicio será muy próximo al tiempo esperado, lo que
implica que la distribución exponencial no sería una buena aproximación a esta situación. Por otro lado, en situaciones
donde las tareas requeridas de los servidores varían de cliente a cliente, por ejemplo, una fila en una caja de
supermercados o una fila en un servicio de emergencias, esta propiedad de la distribución exponencial es razonable.
Propiedad 2: Falta de memoria
Esta propiedad garantiza que la distribución de probabilidad se mantiene igual en cualquier instante del tiempo, lo
cual implica que la ocurrencia de un evento tiene la misma probabilidad, independientemente de cuánto tiempo haya
pasado desde la ocurrencia del anterior. Ese tiempo entre eventos simbolizado con ∆t, no altera el valor de las
probabilidades. Si se aplica al modelo de líneas de espera, y la variable T es el tiempo entre llegada de clientes, esta
propiedad puede entenderse de la siguiente manera: el tiempo de llegada del próximo cliente es totalmente
independiente del tiempo de llegada del cliente anterior, lo cual es una característica general del sistema de colas.

Cuando la variable T es el tiempo de servicio, esta propiedad es factible de aplicar a aquellos casos en los que los
servidores difieren en el tiempo de atención de cliente a cliente, como puede ocurrir en la caja de un supermercado.
En general, esta propiedad se expresa como:

P{T > t + ∆t| T > ∆t} = P{T > t}.

La interpretación o lectura de la anterior igualdad es: “La probabilidad de ocurrencia de un evento en el
tiempo T posterior al momento t incrementado en ∆ pero anterior a T es la misma que la probabilidad de ocurrencia
del evento en ese tiempo T posterior al momento t”.

La demostración de la validez de esta propiedad es la siguiente:

por definición de probabilidad condicional: T>∆t.

El segundo miembro de la igualdad puede reemplazarse por:

Reduciendo el cociente a una potencia única de“e, y aplicando propiedades, resulta igual a e-αt, lo que es igual a P{T >
t}.

De la cadena de igualdades, tomando la primera y la última resulta:

P{T > t + ∆t| T > ∆t} = P{T > t} que es lo que se quería demostrar.
Propiedad 3: Variables discretas con distribución de Poisson
Por definición, se dice que una variable aleatoria discreta tiene una distribución de Poisson si su distribución de
probabilidad es dada por:

Se considera la variable T que indica los tiempos consecutivos entre los eventos y tiene distribución exponencial con
parámetro α. Entonces, la función X(t) arrojará el número de clientes (que entran al sistema o que concluyen su
servicio) en un intervalo de tiempo de longitud t. Entonces se cumple que:
Es decir, la variable X(t) tiene una distribución de Poisson con parámetro αt.
Vale observar que P{X(t) = 0} = e−αt, que es precisamente la probabilidad de que el primer evento ocurra después del
tiempo t.

La media de la distribución de Poisson es dada por E{ X(t) } = αt, lo que significa que el número de eventos esperado
por unidad de tiempo es α (tasa media).
 Si la variable T representa el tiempo entre llegadas con distribución de probabilidad exponencial de parámetro
α, X(t) representa el número de llegadas en un intervalo de tiempo (t) con tasa media de llegada α. Esto puede
entenderse como: “Las llegadas en un sistema de colas con tiempo entre llegadas dados por una distribución
exponencial suceden de acuerdo con una distribución de Poisson”. Generalmente se dice que estos modelos
tienen llegada de Poisson.

 Cuando la variable T es el tiempo de servicio con distribución exponencial de parámetro α, la función X(t)
representa el número de servicios terminados por un servidor continuamente ocupado en un cierto intervalo
de tiempo de longitud t.

Veamos un caso de distribución exponencial en la empresa Omega.

Según cálculos del equipo técnico, se sabe que en una de las sucursales de Omega los clientes llegan con una tasa α
de 8 clientes por hora. En primera instancia, se quiere calcular la probabilidad de que llegue el primer cliente antes de
las 08:15am, sabiendo que el comercio abre sus puertas al público a la hora 08:00 am.

En este caso, se calcula P{X(t) = 0} = e−αt fórmula en la que α vale 0.35 y t=0.25 ya que la tasa está dada en unidad de
tiempo igual a horas y 15 minutos es ¼ de hora.

Resolviendo resulta:
P{X(t) = 0} = e−αt = e−0.35*0.25 = e−0.0875 = 0.9162
Como la probabilidad es cercana a uno, se concluye que es altamente probable que llegue un cliente a la sucursal en
cuestión antes de los 15 minutos de apertura al público

Propiedad 4: Probabilidad equivalente a un producto

Para una variable aleatoria T con distribución exponencial de parámetro α, se cumple que para valores ∆t pequeños,
P{T ≤ t + ∆t | T > t} ≈ α∆t.

Nótese que cuando el incremento del tiempo tiende a cero, T se acerca a t y en esos casos la probabilidad se aproxima
al producto de la tasa por el incremento pequeño de tiempo. Aplicado al caso en que la variable sea tiempo entre
llegadas o tiempo de servicio, esta propiedad nos da una aproximación de la probabilidad de que el próximo evento
ocurra en el intervalo de tiempo pequeño ∆t.

Veamos un caso de distribución exponencial de fallas en la producción de un artículo de la empresa Omega.

Según los registros, una máquina de fabricación de perfilados en madera presenta una falla cada 5 horas en promedio
y se ha notado que la distribución del tiempo de esas fallas responde al modelo exponencial. Se desea calcular la
probabilidad de que la falla ocurra entre la medianoche y el horario de apertura a los clientes que es a la hora 08:30am.
La tasa de fallas promedio de la máquina es de λ= 1/5 fallas por hora.

La distribución exponencial del tiempo para una falla se calcula con la función:
f(t) = 0,2.e-0,2.t , t > 0
Interpretación de las propiedades
Estas propiedades de la distribución exponencial son satisfechas por el tiempo entre llegadas y el tiempo de servicios
para muchos sistemas de colas. Las fórmulas y equivalencias vistas serán usadas en todo tipo de resoluciones de
modelos de líneas de espera, que serán modelados por los procesos de nacimiento y muerte puras que se desarrollarán
en próximas lecturas.

4.4 Modelos de nacimiento y muerte puros

Cuando se estudian modelos de líneas de espera, se asume que las llegadas y las salidas de los clientes ocurren de
acuerdo con el proceso de ingreso y egreso del sistema que de ahora en más se denominarán nacimiento y muerte
(para el sistema en cuestión). El término nacimiento hace alusión a la entrada de un nuevo cliente al sistema de fila,
mientras que el término muerte significa (en este contexto) la salida de un cliente atendido

El proceso de nacimiento y muerte describe el estado del sistema, en forma probabilística, a través de la función N(t)
que devuelve el número de clientes en el sistema a medida que el tiempo (t) aumenta. Este proceso supone que los
nacimientos y las muertes individuales suceden de forma aleatoria y dependen solo del estado actual del sistema

Se estudiará el proceso de nacimiento y muerte en base a las siguientes tres suposiciones:

 Dado un estado de sistema N(t) = n en el que t representa al tiempo y n a la cantidad de clientes en el sistema,
la distribución de probabilidad actual del tiempo restante hasta el nacimiento siguiente (llegada del nuevo
cliente) es exponencial con parámetro λn.

 Dado un estado de sistema N(t) = n en el que t representa al tiempo y n a la cantidad de clientes en el sistema,
la distribución de probabilidad actual del tiempo restante hasta la próxima muerte (salida de un cliente
atendido) es exponencial con parámetro λn.

 Solamente un nacimiento o una muerte pueden ocurrir cada vez.

De esta manera, analizar el sistema de líneas de espera se transformará en el análisis del proceso de nacimiento y
muerte. Se asume que el sistema se encuentra en un estado estable, es decir, independiente del estado inicial y del
tiempo transcurrido. Este estado se logra después de que el sistema haya funcionado un cierto tiempo. Este supuesto
está fundamentado en la complejidad analítica que conlleva describir el comportamiento de un sistema de colas en
su inicio o fase transitoria del sistema. Así mismo, la mayoría de los sistemas de cola alcanzan un estado estable de
funcionamiento lo que garantiza que el proceso realizado represente fielmente la situación.

4.4.1 Modelo de nacimiento puro

Se acuerda en llamar modelos de nacimiento puros a aquellos sistemas de líneas de espera en los que solo se permiten
llegadas, es decir, solo ingresan nuevos clientes al sistema de colas. Para citar ejemplos, puede considerarse la emisión
de certificados de estudios, el ingreso de libros a una biblioteca, las llegadas de colectivos a una estación, etcétera.

Los modelos de nacimiento puro presentan tiempo entre llegadas con distribución de probabilidad exponencial de
parámetro λ. Por lo tanto, será P0 (t) la probabilidad de que no haya entradas en el sistema en un intervalo de tiempo
t. Esta probabilidad está dada por:

P0 (t) = P {T ≥ t}, que por definición es igual a 1 − P{T < t}, luego:
P0 (t) = 1 − (1 − e−λt) = e−λt.
Por la relación entre la distribución exponencial y la de Poisson, se tiene entonces que la probabilidad de que
ocurran n llegadas en el intervalo de tiempo t es:
Luego, la probabilidad de que lleguen cuatro clientes en el transcurso de esos diez minutos es inferior al 1%.

¿Se desea calcular también la probabilidad de que llegue un cliente entre las 10:30 h y las 10:35 si se sabe que el último
cliente ingresó a la hora 10:28?
Por la propiedad de la falta de memoria de la distribución exponencial, que el último cliente haya ingresado a las 10:28
es irrelevante para los cálculos. Por lo tanto, solo interesa lo que pasa en el intervalo de 10:30 a 10:35, es decir, durante
cinco minutos. Por lo tanto:

OBSERVACIÓN:
En los cálculos de probabilidades con distribución exponencial del modelo de Poisson, la base de la potencia del primer
factor es igual al exponente negativo de e del segundo factor y se calcula como λt.

Se debe tener especial cuidado en que tanto λ como t estén expresados en la misma unidad de tiempo, ya que caso
contrario, es preciso transformar una de ellas a la unidad de la otra.

Para chequear algunos conceptos vistos en este modelo de nacimientos puros, completemos las sentencias:
En la fórmula:

4.4.2 Modelo de muerte pura

Se analizan ahora los clientes que quedan en el sistema transcurrido el tiempo t. Para ello, se supone que en el sistema
hay N clientes en el tiempo t = 0 y que ya no se permiten más ingresos al sistema de colas. Se tiene también una tasa
media de servicio con distribución exponencial a la que se notará con μ.

Se denotará como Pn (t), a la probabilidad de que queden n clientes remanentes en el intervalo de tiempo. Es este
también un caso de probabilidades con una distribución truncada de Poisson cuya fórmula resulta:

Esta fórmula calculada para n=0 resulta:

Observe que la primera fórmula es idéntica a la usada para nacimientos puros en las que se sustituye “λ“ por:

(tasa de llegada por tasa de salida) y “n” por “(N-n)”, es decir, el número de clientes en sistema se sustituye por la
diferencia entre los clientes que hay cuando comienza a correr el tiempo y los que quedan de remanente después de
transcurrido el tiempo.
Por otra parte, P0 (t) representa la probabilidad de que el sistema esté ocioso. Este término se utiliza para denominar
a aquellos sistemas en los que ya no quedan clientes para ser atendidos (n=0). Esta probabilidad será la
complementaria de la suma de las probabilidades de que queden 1, 2, etc., n clientes en sistema. Esto es así por ser
excluyentes los sucesos de que queden 0, 1, etc., N clientes. Como la suma de las probabilidades es la unidad, vale
que: 1 = P0 (t) + P1 (t) + … + PN (t).

Muertes puras en una sucursal de venta al público de Omega

Faltando diez minutos para el horario de finalización del horario de comercio, en la sucursal de venta al público de
Omega, se encuentran ocho clientes en sistema. Se sabe que la tasa de atención del cajero es

Se desea calcular la probabilidad de que resten solo cinco clientes en sistema para comenzar el cierre de cajas.
Como hay ocho clientes (N=8) y son cinco los remantes (n=5), resulta N-n=3. Por otra parte, si

reemplazando en la fórmula de la distribución de Poisson, se tiene:

En consecuencia, la probabilidad de que resten solo tres clientes en sistema al horario de cierre es algo más que el
21%.

Modelos generales basados en nacimientos y muertes puros

Un modelo general de sistema de colas basado en el proceso de nacimiento y muerte asume que las tasas, tanto de
tiempo entre llegadas como de tiempo de servicio, dependen del estado del sistema, o sea, de la cantidad de clientes
en el sistema fila. Por ejemplo, si un supermercado tiene muchos clientes en un determinado tiempo, las tasas del
tiempo entre llegadas y tiempo de servicio serán diferentes según haya menos clientes.

Para este análisis general, se aplica la siguiente notación:

 n: cantidad de clientes en el sistema fila.
 λn: tasa del tiempo entre llegadas cuando el sistema tiene n clientes.
 μn: tasa del tiempo de servicio cuando el sistema tiene n clientes.
 Pn: probabilidad de que el sistema de fila (en estado estable) tenga n clientes.

Si un sistema de colas en estado estable tiene n clientes en el sistema, entonces solo puede cambiar al estado n + 1
cuando haya una llegada con tasa λn, o al estado n − 1 cuando un cliente finalice su servicio con una tasa de μ n. El
estado 0 solo puede cambiar al estado 1, es decir, si no hay clientes. Lo único que puede ocurrir es que llegue uno
nuevo con tasa λ0. Nótese que μ0 no está definida, ya que, en un sistema con ningún cliente, nadie puede salir del
sistema

Para estudiar el desempeño de un modelo de colas, se considera al sistema en estado estable. En esta situación, las
medidas a tener en cuenta son:
 W = tiempo esperado de espera en el sistema.
 Wq= tiempo esperado de espera en la fila.
 L = cantidad esperada de clientes en el sistema.
 Lq = cantidad esperada de clientes en la fila (longitud esperada de la fila).
Si se denota con Pn a la probabilidad de que el sistema (en estado estable) tenga n clientes, entonces se tiene:

Aquí s es la cantidad de servidores ocupados. La relación entre los tiempos esperados y la cantidad esperada está dada
por la fórmula de Little:
L = λ̅.W y Lq = λ̅Wq
"λ̅” es la tasa media de entrada a largo plazo y está dada por la siguiente fórmula:

4.5 Modelo general de Poisson

Como se ha visto en lecturas anteriores, para describir el tiempo de llegadas o de salidas de un sistema se utiliza la
distribución exponencial en modelos que se han dado en llamar de nacimiento puro y de muerte pura. Las propiedades
que satisfacen los procesos de estos modelos están en estrecha relación con los modelos de Poisson por lo que una
distribución define automáticamente a la otra, de modo que ambas pueden implementarse indistintamente.
Las particularidades que cada modelo tenga y lo distinga de los demás se sintetizan en el siguiente apartado.

Para unificar criterios acerca de las particularidades que define un sistema de colas de Poisson se acuerda la notación:
(a/b/s):(d/e/f), en la que cada componente representa:
 a = distribución de probabilidad de tiempo entre llegadas;
 b = distribución de probabilidad de tiempo de servicio;
 s = cantidad de servidores en paralelo (1,2, ...);
 d = disciplina de la fila;
 e = cantidad máxima del sistema (finita o infinita);
 f = tamaño de la fuente (finita o infinita).

Las distribuciones (a y b) utilizadas en los distintos modelos son:
 M = distribución de Poisson (o su equivalente, distribución exponencial);
 D = tiempo constante;
 Ek= distribución de Erlang;
 GI = distribución general de tiempo entre llegadas;
 G = distribución general de tiempo de servicio.

Para la disciplina de la fila (d), se tiene:

 PLPS = primero en llegar, primero en ser servido;
 P = prioritario;
 SOAL = atención aleatoria;
 DG = disciplina general.

Por ejemplo, la interpretación de un sistema definido por: (M/D/3):(P/30/∞) será:

 M = tiene distribución exponencial para tiempos entre llegadas,
 D = tiempos constantes para los tiempos de servicio,
 3 = 3 servidores en paralelo;
 P = la disciplina de fila es por prioridades,
 30 = la cantidad máxima del estado del sistema es de 30 clientes,
 ∞ = la fuente de llegada es infinita.
Para proceder al estudio de los distintos sistemas de colas modelados por un proceso de nacimiento y muerte, es
decir, con combinaciones de llegadas de nuevos clientes y finalización de servicio de otros clientes, se parte del
supuesto de que los tiempos entre llegadas y los tiempos de servicios tienen distribuciones de probabilidad
exponencial.
Tabla 1: Ejemplo de significado de los componentes
MODELO INTERPRETACIÓN
Sistema con distribución exponencial para el tiempo de
llegadas, distribución constante para el tiempo de servicio,
(M/D/2):(SOAL/20/∞) con 2 servidores. La atención es aleatoria con una
capacidad máxima de 20 personas en el sistema y fuente
de llegada infinita.
Sistema con distribución constante para el tiempo de
llegadas y para el tiempo de servicio, con 1 solo servidor.
(D/D/1):(PLPS/∞/∞) La atención es “primero en llegar, primero en ser
atendido” con capacidad máxima de personas en sistema y
fuente de llegada infinitas.
Sistema con distribución de Erlang para el tiempo de
llegadas y distribución general del tiempo de servicio, con 1
(Er/G/1):(SOAL/50/∞) solo servidor. La atención es aleatoria con una capacidad
máxima de 50 personas en el sistema y fuente de llegada
infinita.

Sistema con distribución exponencial para el tiempo de

llegadas y de servicio, con 1 solo servidor. La atención es
(M/M/1):(P/∞/∞)
prioritaria con capacidad máxima de personas en sistema y
fuente de llegada infinitas.

Sistema con distribución exponencial para el tiempo de

llegadas y distribución general del tiempo de servicio, con 1
(M/G/1):(DG/10/120)
solo servidor. La atención es de disciplina general con una
capacidad máxima de 10 personas en el sistema y fuente
de llegada de 120 clientes.

Modelo de atención al público de Omega

Se desea representar mediante un modelo de colas de Poisson el proceso de atención a clientes de Omega sabiendo
que no puede definirse la fuente de llegadas de ellos, pero el local tiene una capacidad máxima de 25 personas y hay
4 puestos de atención.

Además, se sabe que tanto el tiempo de llegadas como el de atención responde a un modelo exponencial, siendo
atendidos los clientes en la medida en la que éstos ingresan al local.
Por lo tanto, se tiene para el modelo (a/b/s):(d/e/f) ➨ (M/M/4):(PLPS/25/∞):
 a = M distribución exponencial de probabilidad de tiempo entre llegadas;
 b = M distribución exponencial de probabilidad de tiempo de servicio;
 s = 4 cantidad de servidores en paralelo;
 d = PLPS disciplina de la fila “primero en llegar, primero en salir”;
 e = 25 cantidad máxima de clientes en sistema;
 f = ∞ tamaño de la fuente (infinita).
4.5.1 Colas de Poisson especializadas: medidas de desempeño de estado estable. Modelo de un solo servidor.

Modelo de varios servidores

Colas de poisson especializadas
Se analizarán en este apartado algunos modelos de Poisson usados con frecuencia en los estudios de líneas de espera.

Modelos (M/M/s):(DG/∞/∞)
Estos son modelos de un sistema de colas con distribución exponencial para tiempo entre llegadas y para tiempo de
servicio, con tasas medias de entrada y salida constantes, es decir,
λn = λ y μn = μ para n = 0,1,2, ...

Modelos con un servidor (s = 1)

Se definirá primero el cociente de tasas con ρ por lo que

Se puede suponer que ρ < 1, ya que si la tasa de llegada fuera mayor que la de servicio (μ > λ), el sistema colapsaría
debido a que la fila crecería sin límites.
La ecuación para Pn es entonces:
Pn = ρnP0, para n = 1,2, ...
El valor de P0 está dado por:

Como P0 = 1 - ρ , reemplazando en la fórmula anterior resulta:

Pn = ρn . (1 – ρ) para todo n.
Luego, la cantidad de clientes esperados en el sistema de filas es:

Y la longitud esperada de fila es entonces:

Finalmente, el tiempo medio esperado del servicio y el tiempo medio esperado en la fila son:

La complejidad de las fórmulas aumenta considerablemente a medida que se desarrolla el proceso. Para evitar distraer
la atención de los conceptos fundamentales con demostraciones algebraicas, se omiten los pasos de equivalencias
expresándose directamente las igualdades relevantes para futuros cálculos. Para quien desee seguir dichas
demostraciones, se sugiere remitirse al capítulo 18 de Investigación de Operaciones del autor Hamdy Taha.
Servicios especiales de Omega
La empresa Omega ofrece un servicio especial a carpinteros de ensamblado de piezas de madera. Aproximadamente
cada cinco días se recibe una tarea con distribución exponencial entre los tiempos de llegada y se demora 4 días en
realizar el ensamble, también con distribución exponencial.
Se desea calcular la probabilidad de que el operario a cargo del ensamblado no tenga trabajo.

Con esos datos se tiene que

de lo que resulta

La probabilidad de que no tenga tarea se entiende como sistema ocioso y se calcula con P 0:

Se desea conocer también el ingreso promedio mensual que trae ese servicio sabiendo que por cada pieza ensamblada
se cobra $750.
El cálculo será entonces igual al producto del precio por la cantidad de ensambles mensuales:

Vale aclarar que como las tasas están dadas en días como unidad de tiempo, se debe multiplicar por 30, que son los
días promedio que tiene un mes.

Modelos con más de un servidor (s > 1)

Hasta ahora se ha visto que las tasas de frecuencia de tiempo entre llegadas y tiempo de servicio por servidor son,
respectivamente, λ y μ. Como ahora son“(s) servidores funcionando en paralelo, s>1, la tasa de servicio será
proporcional a la cantidad de servidores. Por lo tanto:

Las probabilidades están dadas ahora por:

Recordando que ∑ Pn = 1 y asumiendo que

el valor de P0 es:

La longitud esperada de la fila del sistema es:

También, en este modelo se aprecia la creciente complejidad de las fórmulas. Las justificaciones algebraicas pueden
encontrarse en el capítulo 18 de Investigación de operaciones, libro del autor Hamdy Taha.

Modelos (M/M/s):(DG/N/∞)
Se parte ahora del supuesto de que el modelo de colas tiene un número máximo para la cantidad de clientes en el
sistema. En este modelo, cuando la cantidad de clientes en el sistema de fila es N, no se permiten nuevas entradas.

Modelos con un servidor (s = 1)

Las tasas de llegadas y de tiempo de servicio están dadas por:

Sabiendo que

las probabilidades resultan

n
 Pn = ρ . P0 si n ≤ N,
 Pn = 0 si n > N.

Considerando que
se obtiene el valor de P0:

Si ocurriere que λ ≥ μ, lo cual es posible porque el número de clientes tiene un máximo de N, valen las siguientes
fórmulas para calcular Pn:

Finalmente, la cantidad esperada de clientes en fila es:

Modelos con más de un servidor (s > 1)

Se supone que la cantidad de servidores es menor o igual que la cantidad máxima de clientes permitida, o sea, s ≤ N.
La longitud de la fila es en esta situación N − s. La tasa de tiempo entre llegadas es λ y la tasa de salida por servidor es
μ, siendo

luego:

Las probabilidades están dadas ahora por:

El valor de P0 es:

Para más detalles sobre estos conceptos, leer el capítulo 18 de Investigación de Operaciones del autor Hamdy Taha.

Probabilidad de sistema ocioso para Omega

En otra de las sucursales de venta al público de Omega que tiene 3 cajas de atención, se trabaja con una tasa de llegada
λ= ¼ y una tasa de salida μ=½, ambas con distribución exponencial. La cantidad máxima de clientes al que se le permite
entrar al salón de ventas es de 15, son atendidos con una disciplina general de filas y el ingreso está abierto a cualquier
persona.

Se desea calcular la probabilidad de que el sistema esté ocioso cuando falta un cuarto de hora para cerrar y aún quedan
4 clientes en el sistema.
Con estos datos, se tiene un modelo (M/M/3):(DG/15/∞).
Se desea calcular P0 sabiendo que n=4, N=15, ρ= ¼: ½=½.
Se utiliza la fórmula:

Reemplazando resulta:
Con esto se tiene que hay casi un 60% de probabilidades que ya no haya clientes en el sistema pasados 15 minutos

Módulo 4

5. Modelos de simulación
En los módulos anteriores se han analizados modelos como representaciones de una parte de la realidad que es
factible de ser descrita de manera teórica, en la mayoría de los casos, a través de fórmulas o enunciados matemáticos.
Al representar una situación real mediante un modelo analítico, se asumen hipótesis como relaciones entre
componentes, validez entre variables, propiedades, igualdades, que hacen posible trabajar en el modelo las
complejidades del caso real.

Sin embargo, no todo es posible de ser representado mediante modelos matemáticos. Algunos casos de alta
complejidad o sujetos a aleatoriedad, entre otras causas, se intentan simular mediante situaciones para facilitar la
toma de decisiones.

¿Qué es una simulación?

En el primer módulo, se definió modelo a la conversión de una situación real de cualquier índole que contenga objetos
o sucesos, relaciones entre ellos, fijas o variables, mediante objetos matemáticos que los representen conservando
las condiciones, restricciones, conexiones y relaciones entre los objetos originales. Experimentar con el modelo
matemático permite arribar a soluciones en la teoría que luego podrán ser implementadas en el caso real.
Intentando ahora una definición para simulación, puede decirse que es una técnica que imita un sistema real y supone
el proceso de construir o diseñar un modelo de ese sistema que permita experimentar con él para estudiar y analizar
su comportamiento.

A diferencia de los modelos matemáticos con soluciones exactas, los procesos de simulación requieren ser ejecutados,
es decir, reproducidos muchas veces variando los valores de ingreso, generalmente por medio de computadoras para
generar muestras que permitan medir su desempeño
Un ejemplo de simulación se utiliza en el diseño de un avión. Se realizan simulaciones en túneles de viento para analizar
su diseño, modificándolo y analizando los resultados hasta aproximarse a los resultados esperados. Realizar este tipo
de estudios con modelos reales de aviones sería extremadamente costoso y altamente peligroso.

Razones para la simulación

Como se expresó anteriormente, no siempre es posible, para encontrar una solución, crear un modelo que represente
fielmente la parte de la realidad que se desea imitar. Algunas de las siguientes razones son las que argumentan esta
imposibilidad.

El sistema real no existe

Suelen darse situaciones que intentan implementar innovaciones en un sistema que ya funciona pero que podría
mejorarse. Para ello, puede simularse un nuevo proyecto o parte del sistema que requerirá ser analizado y evaluado
antes de ser construido efectivamente. Simulando al modelo real es posible determinar su desempeño y funcionalidad.
Un ejemplo de esta situación es la construcción de satélites orbitales, para lo que se construye en primera instancia
un modelo simulado. Otro ejemplo es la instalación de nuevos semáforos en una ciudad o el cambio de sentido de una
calle. Basándose en análisis y simulaciones del flujo de autos, puede determinarse el impacto de esas modificaciones.

Experimentar con el sistema real es inviable

Generalmente por cuestiones económicas o de seguridad, es imposible construir un nuevo sistema sin la certeza de
que su implementación dará los resultados esperados. La construcción de un nuevo embalse sobre el cauce de un río
es simulada previamente para analizar todo el proceso que eso supone, así como su impacto en el ecosistema, en las
economías regionales, etc.

La complejidad de la situación real

Suele ocurrir que para la modelización de la situación no pueden establecerse relaciones matemáticas cerradas entre
las variables o, en el caso de poder hacerlo, no hay un método para encontrar una solución analítica. Es el caso de la
creación de maquinarias que fabriquen un producto en particular.
El sistema real evoluciona muy lento o muy rápido en el tiempo
Para estudiar modificaciones, en algunos sistemas, suele usarse previamente una modelización ya que las
repercusiones suelen ser muy lentas, lo que dificulta su análisis, o muy rápidas haciendo imposible el control de las
consecuencias en caso de que estas sean indeseadas. Un ejemplo de ello lo constituye el lanzamiento al mercado de
una nueva droga o medicamento.

Clasificación de modelos
Los modelos de simulación se pueden clasificar de diferente forma si se consideran ciertos criterios. A continuación,
se mencionan los más conocidos

 Modelos de simulación estáticos / dinámicos

Un modelo estático es aquel en el que el sistema admite una representación en un tiempo determinado o,
directamente, es independiente del tiempo. Los modelos de simulación dinámicos, en contrapartida, son aquellos que
evolucionan con el tiempo.

 Modelos de simulación determinísticos / estocásticos

Un modelo de simulación será determinístico si ninguno de sus componentes es probabilístico. En cambio, cuando
alguna de las variables es aleatoria, se dice que el modelo de simulación es estocástico. La mayoría de los modelos son
de esta clase

 Modelos de simulación discretos / continuos

Un modelo de simulación discreto cambia (o evoluciona) en tiempos separados, es decir, se mantiene igual durante
un intervalo de tiempo y luego evoluciona o se transforma. Los modelos de simulación continua sufren variaciones en
todo momento.
Comparada con los modelos exactos, la simulación tiene como ventaja que tanto su teoría como su implementación
son relativamente simples. Además, en la mayoría de las situaciones, son muy pocas las simplificaciones que se
requieren para la construcción del modelo. Sin embargo, la principal desventaja de los modelos de simulación es que
no son una técnica de optimización. Pueden compararse resultados en los que se han ido modificando ciertos datos
de entrada, lo que permite elegir el mejor entre ellos, pero no se indica cuál sería la solución óptima entre todos los
resultados posibles.

Clasificación de algunos modelos de simulación para situaciones de Omega

ESTÁTICO: Creación de una nueva máquina ensambladora de armarios
DINÁMICO: Reestructuración del sistema de entrega de mercadería a clientes
DETERMINÍSTICO: Redistribución de las áreas asignadas a almacenamiento
ESTOCÁSTICO: Lanzar un nuevo producto al mercado
DISCRETO: Elegir las fechas para licencias de los empleados
CONTINUO: Decidir los retiros de dinero en efectivo de las cajas de cobro

Ejemplo de simulación de juegos

Consideremos el siguiente caso de simulación aplicado a juegos: tirar una moneda ideal hasta que salgan 3 cruces o 3
caras consecutivas.
Se denota con A a una cara y por Z una cruz al resultado de cada tirada. Algunas secuencias podrían ser: AZZZ,
AZAZAAZZAAA, ZZZ, etc. Se agregan las siguientes reglas:
 Por cada tiro de la moneda, se pagan $50.
 Al finalizar una ronda, (obtención de 3 caras o 3 cruces) se cobran $400.
 No puede retirarse del juego en el medio de una ronda.

Con estas reglas algunas secuencias arrojarían los siguientes resultados:

 AZAZZZ: se ganan $150, pues se tiraron cinco veces y se ganó una ronda (400–5*50)
 ZZZ: se ganan $250 pues se tiraron 3 veces y se ganó una ronda (400-3*50)
 AAZAZZAZAZAAA: se pierden $250 pues se tiraron trece veces y se ganó una ronda (400-13*50)
Es este un caso en el que se puede simular el juego, es decir, jugar sin involucrar dinero hasta que sea claro si conviene
jugar o no.

La justificación teórica de esta afirmación se basa en la ley de los grandes números que es un teorema fundamental
de la teoría de la probabilidad. Esta indica que si un mismo experimento se repite muchas veces (tendiendo al infinito),
la frecuencia de que suceda un cierto evento tiende a ser una constante y esa constante será la probabilidad de que
ocurra dicho evento.

5.1 Estructura de un modelo de simulación

La aplicación de un proceso de simulación requiere la implementación de una serie de pasos.

1) Definir el problema: el proceso de simulación comienza con el enunciado del problema que se tiene. Debe ser
claro y entendido por todo el equipo de investigación de operaciones. En este paso inicial, se define el objetivo
del estudio y se determina lo que se espera del proceso de simulación. Es la etapa en la cual también se definen
los tiempos disponibles para el proyecto, el plan de experimentación, las variables que se van a considerar y
los fondos necesarios.

2) Definir los objetivos y planear el estudio: se define el objetivo del estudio, es decir, cuáles son las preguntas
que pretendemos responder con la simulación. Una vez determinado el objetivo, se define el plan de acción,
que incluye:
a. Personas involucradas
b. Costo del estudio
c. Tiempo disponible
d. Medidas para evaluar el desempeño del estudio
3) Formular el modelo: se requiere entender y comprender el funcionamiento y comportamiento del sistema
real para determinar cuáles son las variables involucradas y cuál es la relación entre ellas

4) Recolectar datos: la cantidad y naturaleza de los datos dependen del tipo de sistema que se va a simular.
Pueden ser datos históricos, datos recientes obtenidos del sistema real o datos generados por algún programa
de computación.

5) Traducir el modelo: en este paso, el modelo es escrito en un lenguaje de computación por medio de algún
software existente o por la creación de un programa específico.

6) Verificación: es la etapa donde se asegura que el modelo no tenga errores del tipo lógico. Se comprueba que
el modelo haga lo que se supone y se espera que haga.

7) Validación: en este paso se comprueba la exactitud del modelo, es decir, cuán cerca está del sistema real. Se
comparan los resultados obtenidos con datos históricos, con sistemas similares, o con la información del
sistema real. Esta etapa suele incluir la incorporación de un especialista para ayudar a determinar la validez
del modelo.

8) Diseño experimental: en esta etapa se determina qué configuraciones o alternativas van a ser simuladas. Se
debe decidir la duración de cada ejecución del programa de simulación y la cantidad de ejecuciones por ser
realizadas.

9) Ejecución y análisis: es ejecutado el modelo de simulación. Los datos producidos son recolectados y luego
analizados. Los resultados son usados para medir el desempeño del modelo.

10) Documentación y comunicación: por un lado, debe realizarse un documento técnico, es decir, referido al
funcionamiento del programa de simulación. Este informe es muy útil a la hora de aplicarlo nuevamente o
para realizar algunas modificaciones. Por otro lado, también se confecciona un documento que detalla todo
el proceso, justifica las decisiones tomadas y comunica los resultados obtenidos de la simulación.

11) Reconozcamos los pasos del proceso de simulación del departamento de ingeniería de Omega para crear una
máquina de automatización de ensambles:

Tabla 1: Proceso de simulación del departamento de ingeniería de Omega para crear una máquina de
automatización de ensambles

Acciones consideradas
Pasos

Se especifican los detalles de las funciones de la máquina necesaria

Definir el problema para automatizar el ensamble de piezas de un determinado
artículo.
Se define como objetivo simular la creación de la máquina,
Definir los objetivos y planear el
considerando las personas involucradas para su creación, el costo
estudio
del estudio, el tiempo disponible para cada etapa del proyecto, así
como las medidas a implementar para evaluar su desempeño.
Se analiza el funcionamiento y comportamiento del sistema actual
de ensambles realizado por los operarios para determinar cuáles
Formular el modelo
son las variables involucradas y cuál es la relación entre ellas.
 Acciones consideradas
Pasos

Se recolectan datos históricos y datos recientes de los procesos

Recolectar datos
manuales de ensambles de los distintos artículos.

Se escribe el modelo en un lenguaje de computación, por medio de

Traducir el modelo softwares apropiados para el diseño de maquinaria industrial.

Se verifica que el modelo no tenga errores del tipo lógico

chequeando que el modelo haga lo que se supone y se espera que
Verificación
haga.

Se comprueba la exactitud del modelo para estimar el grado de

aproximación al sistema real. Se comparan los resultados obtenidos
con datos históricos del trabajo manual bajo la supervisión de
Validación
encargados del área capacitados para determinar la validez del
modelo.

Se determina qué configuraciones o alternativas van a ser

simuladas, cuánto tiempo llevará la ejecución de las simulaciones,
Diseño experimental
cuántas ejecuciones del experimento se realizarán, etc.

Se ejecuta el modelo de simulación y se recolectan datos para

Ejecución y análisis analizar su desempeño.

Se confecciona un documento técnico que describa el

funcionamiento del programa de simulación. También se arma un
Documentación y comunicación documento con los detalles del proceso, justificación de cada
decisión tomadas y comunicación de los resultados obtenidos de la
simulación.

5.2 Simulación Montecarlo

Cuando se estudia simulación es el Método de Montecarlo uno de los primeros que debe analizarse. Como precursor
de la simulación actual y base de otros muchos métodos es este uno de los esquemas de modelado que estima valores
estocásticos o determinísticos con base en un muestreo aleatorio y que más se ha usado en la creación de modelos.

La simulación de Montecarlo es un método estadístico utilizado para resolver problemas matemáticos complejos a
través de la generación de variables aleatorias, su objetivo principal es imitar el comportamiento de variables reales
para, en la medida de lo posible, analizar o predecir cómo van a evolucionar.

Le debe el nombre al famoso casino del principado de Mónaco, capital de los juegos de azar y a sus ruletas como
modelos generadores de números aleatorios. Fue creada alrededor de 1944, durante la segunda guerra mundial, para
la simulación directa de problemas probabilísticos de hidrodinámica concernientes a la difusión de neutrones
aleatorios en material de fusión, proceso necesario en la creación de la bomba nuclear. Se terminó de perfeccionar
cuatro años más tarde, siendo implementada para resolver problemas que van desde la física hasta el análisis del flujo
del tránsito en una avenida, convirtiéndose hoy en una herramienta científica usada en problemas que no pueden
tratarse analíticamente, o en los que la experimentación es costosa, toma demasiado tiempo o es imposible.
Consiste en la generación de muestras aleatorias, cada una de ellas compuesta de n valores de variables, es decir, se
generan muestras X compuestas por x1, x2, …, xn. A ellas se aplica algún procedimiento o función matemática para
obtener otros valores de la variable de salida Y= (y1, y2, …, yn) que pueden considerarse como la imagen de X por alguna
función g: Y=( y1, y2, …, yn) = g(x1, x2, …, xn) = g(X).

Después de una serie de experimentos de este tipo, se obtiene una muestra de la variable Y que permite realizar
análisis estadísticos.

Así, en la mayoría de las situaciones, la simulación de Montecarlo requiere tres pasos:

 Generar muestras aleatorias de la variable de entrada X
 Obtener los valores de salida Y del modelo;
 Realizar análisis estadístico de la muestra de los valores de salida Y.

Muestreo aleatorio de las variables de entrada (X)

Una vez definido el modelo del sistema real, el siguiente paso se centra en las variables de entrada X = (x 1, x2, ... , xn).
Estas pueden ser muy diferentes unas de otras y cada una toma valores de acuerdo con su definición. Cada una de las
variables aleatorias tiene asociada una función de densidad acumulativa, que se denota con F xi y que pueden diferir
mucho unas de otras, teniendo, por ejemplo, distribuciones de probabilidad continuas o discretas
Dentro de esta etapa, hay dos pasos:

 El primer paso es generar variables aleatorias que estén uniformemente distribuidas en el intervalo (0, 1). Para
cada variable xi se genera un valor zi aleatorio obtenido del intervalo (0, 1). Este valor zi satisface la siguiente
condición:

Fxi (xi) = zi para algún xi, donde Fxi es la densidad acumulativa de la variable x i..
Así, se obtiene una muestra aleatoria de valores z = (z 1, z2, ... , zn ).

 El segundo paso es transformar los valores zi en valores de las variables aleatorias de entrada por medio de
las distribuciones de probabilidad de cada variable xi, es decir, hallar los valores de los xi′s. Para realizar esto,
hay varias opciones tales como el método de la inversa, el método de convolución y el de composición. En
esta lectura, solo se desarrollará el método de la inversa.

 Método de la inversa. Se basa en encontrar explícitamente la función inversa de densidad Fxi , es decir,
hallar Fxi -1 para cada función. Este método es útil para las distribuciones exponenciales y uniforme.
Por ejemplo, si la variable xi tiene distribución exponencial dada por
fxi(t) = λe−λt, t > 0;

Luego, su función de densidad acumulativa es:

Obtención de los valores de salida y del modelo

Luego de generar N muestras aleatorias, el paso siguiente es obtener los valores de la variable de salida.
Se denota con Xj = (X1j, , X2j, ... , Xn j) a los valores de la variable de entrada X respecto de la muestra j = 1,2, ... , N.

Por lo tanto, Yj = g(Xj) genera una muestra de N elementos de la variable de salida, con la cual puede realizarse el
análisis estadístico.

Información probabilística de la variable de salida

Una vez obtenida la muestra de la variable de salida Y, se está en condiciones de hacer el análisis estadístico para
extraer informaciones sobre el modelo.

Los análisis estándar son:

 Media o promedio:

 Mediana: valor central de los diferentes valores Yj cuando están ordenados de menor a mayor.
 Desvío estándar:

 Varianza:

 Error promedio estándar:

Ejemplos de aplicación de la simulación de Montecarlo

1. Este primer ejemplo, se calcula aproximadamente el área de un círculo inscripto en un cuadrado usando la
simulación de Montecarlo como se muestra en la figura 1.
El círculo tiene centro en (4, 4) y es de radio 4. Un punto (x ; y) pertenece a él si cumple la ecuación:
(x − 4)2 + (y − 4)2 = 16.

¿Podrás identificar cada acción planteada en la primera columna como perteneciente a alguno de los 3 pasos de la
simulación de Montecarlo?
1. Generar muestras aleatorias de la variable de entrada X:
A) Generación aleatoria de las variables uniformemente distribuidas en el intervalo (0;1) z= (z1,z2…, zn)
B) Cálculo de la función inversa a la función de densidad Fxi-1
C) Obtención de la función de densidad acumulativa Fxi (xi) =zi para algún xi
2. Obtener los valores de salida Y del modelo: Creación de la función g que asigne a cada variable de entrada X
el correspondiente valor Y tal que: g(Xj)=Yj para j=1, … n
 3. Realizar análisis estadístico de la muestra de los valores de salida Y
 Aproximación del error promedio estándar MSD.
 Estimación del promedio de la muestra Ȳ.
 Cálculo de la varianza σ.

Ejemplos de aplicación de la simulación de Montecarlo

1. Este primer ejemplo, se calcula aproximadamente el área de un círculo inscripto en un cuadrado usando la
simulación de Montecarlo como se muestra en la figura 1. El círculo tiene centro en (4, 4) y es de radio 4. Un
punto (x ; y) pertenece a él si cumple la ecuación:

(x − 4)2 + (y − 4)2 = 16.

Figura 1: círculo inscripto en el cuadrado

El círculo está inscripto en un cuadrado de lado 8, con vértices en (0;0), (8;0), (8;8) y (0;8).
Si, dados n puntos aleatorios del cuadrado, m de ellos están dentro del círculo, entonces, con n lo suficientemente
grande, resulta:

Los puntos aleatorios del cuadrado tienen que ser igualmente probables. Si denotamos un punto p = (x ; y), las
coordenadas x e y se representan por las distribuciones uniformes

Denotando con X1 la variable aleatoria de la coordenada x y con X2 la variable aleatoria de la coordenada y, las
funciones de densidad acumulativa son iguales para las dos variables:
La función inversa es, en este caso, muy simple de calcular:

En este caso, haciendo una simulación con solo 20 números aleatorios para X1 y otros 20 para X2, obtenidos
uniformemente en el intervalo (0;1), se puede armar la siguiente tabla:

Tabla 1: simulación de Montecarlo para el cálculo del área del círculo

Como puede observarse analizando los datos expuestos en la tabla 1, de veinte números aleatorios generados,
dieciséis pertenecen al círculo por lo que la superficie de este podría aproximarse a:

Área del círculo

Área del cuadrado

Analíticamente, se puede calcular dicha superficie haciendo:

Área del círculo = π . r2 = 3,1459 . 16 = 50,26.

Si bien el error es del 17%, este disminuye considerablemente elevando de igual manera la cantidad de números
aleatorios generados.

Sugerencia: compruebe la veracidad de lo enunciado armando una sencilla tabla en Excel colocando 100 valores
aleatorios de entrada. Notará que la cantidad de puntos que pertenecen al círculo se aproxima al 78% mientras que
el error se aproxima a 0.

Todo el procedimiento anterior es un experimento de todo el proceso de simulación de Montecarlo. La aproximación

m es el primer valor obtenido para la variable de salida. Variando la cantidad de puntos n, se generan las diferentes
muestras N, las cuales generarán N valores para la variable de salida Y haciendo posible así realizar el análisis
estadístico.

2. En un segundo ejemplo, se desea calcular la razón entre dos variables aleatorias. La variable X 1 sigue una distribución
normal con una media de cinco y con desviación de 0,2. La variable X2 tiene una distribución exponencial de parámetro
cuatro.
La función por estimar es

Según los datos de las variables, la distribución normal con media de cinco y desviación de 0.2 está dada por:

Su función de probabilidad acumulativa es entonces la integral de ella por lo que resulta:

Para obtener los valores asociados a esta usaremos la tabla de distribución normal estándar. La variable X 2 tiene una
distribución de probabilidad dada por:
−4x
f(x) = 4e
Con función de densidad acumulativa dada por:

Como se ha visto antes, esta función tiene inversa:

Generando valores aleatorios z1 y z2 en el intervalo (0,1) se obtienen los valores de X1 y X2 asociados a ellos y de éstos,
finalmente, el valor del cociente entre ellos que arroja el valor de la variable de salida Y. La tabla 2 muestra un ejemplo
con diez valores aleatorios.
 Tabla 2: simulación de Montecarlo para calcular la razón entre dos variables

Con los valores obtenidos, se puede calcular la información de parámetros estadísticos de la variable de salida Y:
 Media de la variable de salida Y: Ȳ = 33,3024.
 Desviación estándar de la variable de salida Y: s = 20,9905.
 Varianza de la variable de salida Y: σ = 440,6010.
 Error medio estándar:

(Nótese que el error es alto, este disminuye considerablemente cuando el valor de N aumenta acercándose más al
valor real).

Tabla 3: Valores estadísticos que pueden obtenerse de los valores de salida de una muestra aleatoria
Vida útil del generador con paneles solares de Omega
Omega dispone de un generador alimentado con energía solar. Para su correcto funcionamiento necesita que al menos
dos de los cinco paneles solares disponibles funcionen correctamente. Se desea calcular la vida útil esperada (φ) del
generador (el tiempo promedio de funcionamiento hasta que falla, usualmente conocido como MTTF - Mean Time To
Failure).

Cada panel solar tiene una vida útil aleatoria que está uniformemente distribuida en el rango [1000 h, 5000 h] con un
valor promedio de 3000 h. Para estimar por Montecarlo el valor de φ, se harán n experimentos, cada uno de los cuales
consistirá en sortear el tiempo de falla de cada uno de los paneles solares del generador y observar cual es el momento
en el cuál han fallado cuatro de los mismos. Esta es la variable aleatoria que dará el tiempo promedio de
funcionamiento del generador.

El valor promedio de las n observaciones permite hacer una estimación de φ.

La siguiente tabla muestra 6 experimentos realizados por Montecarlo generando aleatoriamente valores de z1a z6
(N=6), en cada uno de ellos se calcula, también aleatoriamente, las horas de funcionamiento de cada panel hasta el
registro de la falla. Como se necesitan al menos dos paneles para que el generador funciones, se considerará que este
deje de funcionar cuando el cuarto panel deje de hacerlo, de ello se deduce que las horas de funcionamiento del
generador estarán dadas por el segundo mayor registro de las horas de funcionamiento de los paneles.

Tabla 4: Experimentos realizados por Montecarlo

Con esto se concluye que el generador tendrá una vida útil aproximada de 3849 horas, aunque para que la simulación
tenga sentido, debe repetirse un número considerable de veces para lograr valores más cerca del real valor esperado.

5.3 Tipos de simulación

Las simulaciones se construyen para responder a problemáticas muy variadas. En esta lectura, concretamente, se
analizarán aquellos sistemas reales cuyo comportamiento puede representarse como una función de tiempo. Las
ocurrencias de los sucesos en ese transcurso de tiempo pueden ser clasificados como eventos discretos y eventos
continuos. Las similitudes y diferencias que caracterizan a cada tipo será material de estudio de los próximos
apartados.

Modelos continuos
La simulación de modelos continuos se utiliza para aquellos sistemas con variables que cambian continuamente con
el correr del tiempo. Para este tipo de modelos, la herramienta más útil la constituyen las ecuaciones diferenciales, ya
que con ellas se pueden describir las interacciones entre los diferentes elementos del sistema. Un ejemplo clásico de
modelo continuo es el estudio de la evolución de un fármaco en un organismo o las resistencias de circuitos eléctricos
expuestas a distintas condiciones.

Modelos discretos
Los modelos discretos son los más usados para el estudio de líneas de espera; con ellos se pueden determinar algunos
datos tales como tiempo de espera promedio en una fila o la longitud de la cola. Estas medidas cambian sólo cuando
un cliente entra o sale del sistema, por lo que pueden simularse los cambios en puntos discretos específicos del tiempo
(eventos de llegada y salida).

La mayoría de los sistemas reales evolucionan (cambian) a lo largo del tiempo, pero en los sistemas discretos, ese
cambio se produce un número contable de veces en el tiempo, es decir, modifican su estado en tiempos particulares
(fijos o aleatorios) y se mantienen constantes en ciertos intervalos de tiempo

5.4 Elementos de la simulación de evento discreto

Para estudiar un sistema de eventos discretos se establece un modelo que lo represente y que facilite el cálculo del
desempeño de sus variables, lo que se traduce en hacer posible estimar algunas medidas. Si se trata de la prestación
de un servicio, por ejemplo, esas medidas serán, entre otras, la longitud de la fila, el tiempo de espera de cada cliente,
el tiempo de servicio, el promedio de tiempo en fila de cada cliente, etc. Es necesario aclarar que los elementos de
una simulación se generalizan usando términos preestablecidos para el caso, si se habla de “fila”, por ejemplo, no
necesariamente se hace referencia a la agrupación de personas, una detrás de otra, esperando para ser atendidas,
pueden estar sentadas o agrupadas de otra manera, e incluso ni siquiera estar presentes en el lugar donde serán
atendidas; relevante es el hecho de que están “esperando” para recibir un servicio que es prestado en un orden
determinado.
Definición genérica de evento
Directa o indirectamente, todas las simulaciones de eventos discretos describen situaciones de colas. En estas
simulaciones los clientes llegan a un lugar para obtener un servicio, si es necesario aguardan en la cola y, finalmente,
reciben el servicio antes de salir del lugar.

Como tal, cualquier simulación de evento discreto, independientemente de la complejidad del sistema que describe,
se reduce a tratar con dos eventos básicos: llegadas y salidas
Para estas simulaciones, se definen los eventos básicos acordando denominar “llegada” al ingreso de un cliente al
sistema, y “salida” el egreso de un cliente del sistema.

Generación de números aleatorios

Los números aleatorios desempeñan un rol básico en los procesos de simulación, ya que para modelar un sistema se
comienza por crear objetos, individuos o eventos con características particulares que los determina y sobre las cuales
se harán los análisis pertinentes. Esas características que serán los valores de las variables de entrada deben ser
aleatorias para que permitan, de algún modo, imitar el comportamiento real del sistema. En esta generación de datos
o valores de variables, tienen su participación los números aleatorios, ya que a través de ellos se caracteriza un objeto
o evento de la simulación.

Un número aleatorio, perteneciente a un conjunto de ellos, debe cumplir las siguientes propiedades:
 todos los números del conjunto tienen la misma probabilidad de ser elegidos;
 la elección de un número es totalmente independiente de la elección anterior.

Por ejemplo, arrojar un dado ideal genera un número aleatorio entero entre 1 y 6. Hacer girar una ruleta genera un
número aleatorio entero entre 0 y 36.

En los modelos de simulación se generan números aleatorios uniformemente distribuidos en el intervalo (0, 1) y luego
son transformados en valores de las variables aleatorias del sistema mediante sus funciones de probabilidad
acumulada

La simulación consideró desde sus orígenes el trabajo con números aleatorios; un asunto aparte fue la generación de
ellos bajo el requisito de que cumplan las propiedades anteriormente mencionadas.
Según estudios psicológicos, la mención de números por parte de un individuo no es aleatoria. Lo que estos estudios
sostienen es que existe una tendencia al generarlos, que refleja algún rasgo, creencia o características inherentes a
ese individuo, por lo que se perdería la aleatoriedad.

Con el nacimiento de los métodos de simulación se originaron también técnicas y herramientas para generar números
aleatorios que van desde la construcción de tablas, pasando por mecanismos eléctricos de creación de valores
aleatorios, hasta los sistemas que se usan en la actualidad.

No obstante, aún los métodos más novedosos para la generación de números aleatorios parten de datos iniciales y
son generados a través de programas determinísticos.

Números pseudoaleatorios
Los métodos de generación de números aleatorios están basados en algoritmos determinísticos que suponen algún
proceso matemático. Por consiguiente, los números generados no son absolutamente aleatorios. Sin embargo, para
los fines prácticos, estas secuencias de números generados se comportan como si fueran aleatorios, y se los denomina
pseudoaleatorios (
Un método generador de números pseudoaleatorios está formado por:
 un conjunto finito de números, que denotamos con X;
 un elemento x0 ∈ X, denominado elemento inicial o semilla;
 una función T: X → X, denominada función de transición;
 un conjunto finito de posibles observaciones, denotado por U; y
 una función G: X → U, denominada función de salida.
El funcionamiento de un método generador puede resumirse en el siguiente proceso:
Se selecciona un elemento x0 del conjunto X y se genera una sucesión de números dada por xn+1 = T(xn). Estos valores
determinan un número pseudoaleatorio dado por un+1 = G(xn+1).

Debido a que el conjunto X es finito, en algún momento ocurrirá que uj = ui para algún valor j > i, de lo que resulta
uk+j = uk+i para todo k > 0.
Se denomina período del sistema al menor entero p, tal que se satisface xp+k = xk para todo k ≥ τ > 0 para un cierto
número τ.

Se verán a continuación dos métodos de generación de números pseudoaleatorios que aclararán estos conceptos.

Método de los cuadrados medios

El método de los cuadrados medios fue desarrollado por los matemáticos J. von Neumann y N. Metropolis a mediados
del siglo XX. Consiste en la elección de un número al azar x0 con una cantidad par de cifras, es decir, un número con
2n cifras.

El cuadrado de dicho número tiene 4n cifras (en caso de que no se consiga esto, se agregan ceros a la izquierda). El
valor x1 es definido como el número de 2n cifras obtenido al seleccionar las 2n cifras centrales del cuadrado de x 0. Es
decir,

x0 → x02 = a x1 b → x1.
La función G: X → U es definida por:

De esta manera, construimos una secuencia de números pseudoaleatorios.

Una de las desventajas de este método es que puede volverse cíclico después de una secuencia corta, esto significa
que la cantidad de ui generados puede tender prontamente a cero finalizando así el período.

Omega necesita simular clientes, para lo cual comienza por generar una primera serie de 10 números aleatorios por
el método de los cuadrados medios.

Se comienza por determinar la semilla, x0, debe ser un número que tenga una cantidad par de cifras.
Suponga x0 = 3547, como tiene 4 cifras, n=2 y de ello resulta:

→ x02 = 35472 = 12581209 → x1 = 5812

Nótese que los dos primeros números del cuadrado (12) son representados por a en el método, los dos últimos (09)
por b, y las cuatro cifras centrales (5812) pasan a formar el nuevo número x1 que al elevarlo al cuadrado generará x2 y
así sucesivamente.

Para este caso, el número aleatorio u1 se obtiene del cociente entre x1 y 102.n por lo que u1 =

En la tabla siguiente, se aprecian más pasos de este proceso de generación de números aleatorios.

Tabla 1: Pasos para el proceso de generación de números

Más adelante en la lectura, se verá el uso de estos números para definir potenciales clientes de Omega.

Método congruencial
El método congruencial lineal, introducido por Lehmer en 1951, comienza con un valor inicial x0 y los valores siguientes
se generan por recursión de la fórmula:
xn = [a.xn−1 + b] mod m.

Los números a, b y m son enteros positivos y se denominan, respectivamente, el multiplicador, el incremento y el

módulo. Sobre este último concepto, es necesario recordar que al calcular el módulo m de un número entero n, se
obtiene otro número entero menor que m e igual al resto de n:m.
Los números aleatorios se definen como:

Obsérvese que los valores de xi son estrictamente menores que m por lo que ese cociente arroja números
comprendidos entre 0 y 1.
Si bien la cantidad de números xn es finita e igual a m, eligiendo un valor suficientemente grande de m se obtiene una
secuencia densa en el intervalo [0, 1).

Se genera una segunda serie de números aleatorios por el método congruencial.

Se definen, en primera instancia, los valores enteros de a, b, m y x0.

Con a = 5, b = 1, m = 9 y x0 = 1, se genera la siguiente secuencia.

Tabla 2: Datos de secuencia

Obsérvese que sólo fue posible generar 6 números aleatorios distintos, cantidad menor que la máxima posible que
era 9.

Para garantizar la existencia de un ciclo completo, es decir, que se generen m números aleatorios distintos, los valores
previos deben cumplir las condiciones enunciadas en el siguiente teorema.

Teorema: El método congruencial tiene período completo si, y solo si, se satisfacen las siguientes condiciones:
1. los números b y m son coprimos, es decir, no tienen divisores comunes;
2. si un número primo p divide a m, entonces p divide a “a – 1”;
3. Si 4 divide a m, entonces 4 divide a a – 1.

Sobre estas condiciones es preciso aclarar su interpretación a la hora de elegir los valores que garanticen el ciclo
completo.
En primer lugar, se sugiere elegir el valor de m igual o mayor que la cantidad de números aleatorios distintos que se
quiera generar. Si m no es múltiplo de 4, por consecuencia lógica, la condición 3) no tiene valor por no ocurrir el primer
condicionante. Para que se cumpla la condición 2) se buscan los factores primos de m, se elige uno de ellos, se lo
multiplica por cualquier natural y se hace a igual al siguiente de ese producto. Para la selección de b basta con armarlo
con factores que no dividan a m. El valor inicial de x0 es irrelevante para el ciclo del método.

Se genera una vez más la segunda serie de números aleatorios por el método congruencial, que contenga 10 números
aleatorios distintos

Para conseguir 10 números aleatorios distintos cuidando las condiciones del teorema, se elige m=10, como 10 no es
múltiplo de 4 la condición 3) no vale. Los factores primos de 10 son 2 y 5 por lo que a-1 debe ser divisible por 2 y por
5 también. Haciendo a igual a 2.10+1=11 ya se cumple la condición 2). Finalmente para que se cumpla 1) se
elige b igual a 3, 7, 11 que no son factores de 2 ni de 5, por lo que son coprimos con 10.

Así, una posible combinación sería:

a = 11 ; b = 3 ; m = 10 ; x0 = 1.
Tabla 3: Obtención de 10 números aleatorios
En este caso, al hacer m=10, los números obtenidos tienen un solo decimal; en caso de ser necesarios más decimales
se recomienda elegir m≠10.

5.5 Mecánica de la simulación discreta

Como se ha visto en las lecturas de este módulo, las simulaciones de eventos discretos son las más usadas para el
estudio de líneas de espera. En ellas, los datos se modifican sólo cuando un cliente entra o sale del sistema, por lo que
pueden simularse los cambios en puntos discretos específicos del tiempo (eventos de llegada y salida). Se verán, a
continuación, los mecanismos para hacer avanzar la variable que represente al tiempo, generando la ocurrencia de los
eventos.

Los modelos de simulación de eventos discretos estudian sistemas reales que sufren transformaciones, evolucionando
en el tiempo, y modificando su estado en la medida que ocurra algún evento. Esto hace que su naturaleza sea dinámica,
por lo que se vuelve imprescindible la introducción de una variable que simule un reloj

Este instrumento de simulación debe registrar tanto el valor actual del tiempo que ha transcurrido desde que comenzó
su funcionamiento, como el tiempo comprendido entre la ocurrencia de los sucesos o eventos. El reloj de simulación
no tiene necesariamente las unidades de tiempo de un reloj habitual, sino que ellas son determinadas por las unidades
de las variables propias del sistema modelado.

Existen dos mecanismos para hacer avanzar el tiempo en un proceso de simulación: intervalos de tiempos variables e
intervalos de tiempos fijos

Intervalos de tiempos variables

Este mecanismo para hacer avanzar el tiempo es el más utilizado tanto en los ensayos manuales, como en la mayoría
de los lenguajes de simulación. Permite generar un mecanismo de intervalos de tiempos fijos, como otros casos en los
que el mecanismo de intervalos de tiempo es variable

El mecanismo de intervalos de tiempos variables inicia el reloj de simulación en cero (0), y después determina los
tiempos en los que ocurren eventos futuros. Una vez que comienza a estar en funcionamiento, el reloj de simulación
avanza hasta que su tiempo coincide con el tiempo del evento más próximo dentro de los eventos futuros. Cuando
eso ocurre, las variables del estado del sistema se actualizan, se registran los valores necesarios (los que son de interés
para el estudio del sistema) y se determinan los momentos (nuevos) de ocurrencia de los futuros eventos.
Seguidamente, se avanza el reloj de simulación hasta el (nuevo) evento más próximo, repitiéndose los procesos que
se mencionaron. Este proceso de avanzar el reloj finaliza cuando alguna condición de parada es satisfecha.
Simulación de revisión de productos en el área “control de calidad de omega” (primera parte)

Para ilustrar lo visto anteriormente, se observa lo que ocurre en el área de control de calidad de omega, que tiene un
solo operario y a la cual llegan productos en intervalos de tiempo aleatorios. Se desea estimar el tiempo promedio que
un producto espera en la cinta hasta que sea controlado.

Para este caso, el estado de las variables está formado por:

 servidor = operario (libre u ocupado);
 número de productos en la fila (cinta); y
 tiempo de llegada de cada producto que espera en la fila.

El estado del servidor determina si el artículo que llega es controlado inmediatamente o debe unirse a la fila. Cuando
se termina de controlar el artículo, y hay más productos en la fila, el servidor volverá a estar ocupado; mientras que,
en el caso contrario, queda libre. El tiempo de llegada es usado para determinar el tiempo de espera que transcurre
hasta que el producto es controlado.

Este sistema tiene dos eventos. El primero, es la llegada de un artículo que cambia el estado del operario (servidor) de
libre a ocupado cuando no hay artículos esperando, o incrementa en 1 la cantidad de artículos en fila.
El otro evento del sistema es la salida del artículo controlado dejando el servidor libre si no hay artículos en fila o
disminuyendo en 1 el número de la fila.

Notación y proceso
Para hacer referencia a los elementos fijos y variables de un sistema de simulación discreto se utilizará la siguiente
notación:
 Ti: tiempo de llegada del cliente i-ésimo. Por definición, T0 = 0.
 Ai = Ti − Ti−1: intervalo de tiempo entre las llegadas de los clientes (i − 1)-ésimo e i-ésimo.
 Si: tiempo que el servidor pasa atendiendo al cliente i-ésimo.
 Di: tiempo de espera en la fila del cliente i-ésimo.
 ci = Ti + Di + Si: tiempo que necesita el i-ésimo cliente para completar el servicio y salir del sistema.
 ei: tiempo de ocurrencia del evento i-ésimo (de cualquier tipo). Es el i-ésimo valor del reloj de simulación,
excluyendo e0 = 0.

Figura 1: Diagrama de un modelo de simulación de eventos discretos

Las cantidades definidas previamente generan variables aleatorias. En caso de ser conocidas las distribuciones de
probabilidad de los tiempos de llegadas Ai y de los tiempos de servicio Si se denota como FA y FS a sus respectivas
funciones de probabilidad acumulada.
En el momento inicial e0 el servidor se encuentra libre y el tiempo T1 que pasa hasta que ocurre la primera llegada es
determinado generando A1 a partir de la función FA y sumando 0 (tiempo inicial). Luego, el reloj de simulación avanza
desde e0 hacia el tiempo del evento más próximo e1 = T1. Como el cliente que llega en este momento es el primero,
inmediatamente pasa a ser atendido por el servidor (no hace fila), por lo que su tiempo de espera en la fila es D 1 = 0.
El servidor pasa ahora a estar ocupado.

El tiempo del servicio completo del primer cliente c1 es determinado generando S1 a través de FS y sumándolo a T1. A
continuación, se computa el tiempo de llegada del segundo cliente T2 = T1 + A2, donde el tiempo A2 es generado por la
función FA.

Para el paso siguiente, hay dos opciones. Si c1 ≤ T2 significa que el primer cliente completó el servicio antes de la llegada
del nuevo cliente, por lo que el reloj de simulación avanza de e1 a c1. Si T2 < c1, el reloj de simulación avanza de e1 para
e2 = T2 (como puede observarse en la Figura 1), y significa que llega el segundo cliente mientras el primero continúa
siendo atendido. Como el servidor se encuentra ocupado, este segundo cliente produce un incremento en el número
de personas en la fila y pasa así de 0 a 1. El tiempo en el que llega este segundo cliente se registra.

El tiempo de llegada del tercer cliente es computado como T3 = T2 + A3, donde A3 es generado a partir de la función de
probabilidad acumulada FA.

Si c1 < T3 (como en la Figura 1), significa que el primer cliente ya completó su servicio, por lo que se retira del local, y
que el segundo pasa ahora a ser servido, lo que hace que el número de personas en la fila caiga de 0 a 1.
Así, el reloj de simulación pasa de e2 para e3 = c1 . Así quedan determinados el tiempo de espera en la fila del segundo
cliente, dado por D2 = c1 − T2, y el tiempo de servicio completo, dado por c2 = c1 + S2, donde S2 es generado por FS.
En el caso que T3 ≤ c1, el reloj avanza del evento e2 hacia el evento más próximo e3 = T3, y el tercer cliente incrementa
la fila de 1 a 2 personas.

Este proceso continúa de esta manera hasta que se alcance alguna situación específica o tiempo de simulación
determinado.

Simulación de lista de espera de productos en el área “control de calidad de omega” (segunda parte)
Continuando en esta segunda parte con lo visto anteriormente en el área de control de calidad de omega, se considera
un sistema en el que hay un solo operario (servidores = 1) y el tiempo entre llegadas de artículos a controlar tiene una
distribución exponencial con media de 10 minutos. El operario demora entre 5 y 10 minutos en completar un control,
distribuidos de manera uniforme. La disciplina de la fila de este sistema es FCFS, es decir, primero en llegar, primero
en ser atendido (controlado).

El objetivo del modelo de simulación es calcular las siguientes medidas de desempeño de esta área:
 la utilización promedio del área de control de calidad;
 la cantidad promedio de productos en la fila; y
 el tiempo promedio que un artículo espera en la fila hasta ser controlado.

Se denominará X1 a la variable aleatoria que representa los tiempos entre llegadas, y X2 a la variable aleatoria que
representa el tiempo de servicio. Luego, dado un número aleatorio z en el intervalo (0, 1), se tiene que:
X1 = −10 ln(z);
X2 = 5 + 5z.
Se implementa el método de la inversa para encontrar las inversas de las funciones de probabilidad acumulada
FX1 (exponencial) y de FX2 (uniforme).

Los valores arbitrarios del intervalo (0, 1) fueron generados arbitrariamente y son los que se exponen en la Tabla 1. Se
realizará la simulación hasta la llegada del producto número 5.
 Tabla 1: Valores aleatorios para X1 y X2
X1 X2
0.0598 0.3529
0.5869 0.3455
0.6733 0.3646
0.1281 0.4871
0.7968 0.4871
T será la variable de reloj de simulación mientras que se parte del supuesto general que el primer producto llega en el
tiempo T = 0.

 Llegada del producto número 1 en el tiempo T1 = 0. El tiempo de llegada del segundo producto es generado
por la inversa de la función FX1 usando el primer valor de z1 de la Tabla 1 resulta T2 = 0 + (−10 ln(0,0598)) =
28,18.

Como es el primer producto, el servidor está libre, por lo que comienza de inmediato su atendimiento. El tiempo de
atendimiento está dado por:
c = 5 + 5 × 0,3529 = 6,76.
Después de estos primeros cálculos, se estima que la salida del primer producto se produce a los 6,76 minutos y la
llegada del segundo se produce a los 28,18 minutos. De estos dos eventos, el más próximo es la salida del primer
producto. Por lo tanto, e2 = 6,76.

 El evento más próximo es la salida del primer producto en el instante c1 = 6,76. Producida la salida, el servidor
queda libre por lo que se registra el tiempo que el servidor permaneció ocupado: 6,76. Luego, el único futuro
evento posible es la llegada del segundo producto.

 Llegada del segundo producto en el tiempo T2 = 28, 18 minutos. El tercer producto llegará entonces en el
tiempo:
T3 = T2 + (−10 ln(z)) = 28,18 − 10 ln(0,5869) = 33,51.
Como el servidor está libre, el segundo producto comienza a ser atendido en el momento en que entra al sistema. Su
tiempo de salida está dado por:
c2 = T2 + S2 = 28,18 + (5 + 5 × 0,3455) = 34,91.
De los futuros eventos posibles (llegada del tercer producto o salida del segundo), el más próximo es la llegada de un
nuevo producto al sistema. Luego, e3 = T3.

 Llegada del tercer producto en el tiempo T3 = 33, 51. El cuarto producto llegará:
T4 = T3 + (−10 ln(z)) = 33,51 − 10 ln(0,6733) = 37,46.
Hay ahora dos nuevos posibles eventos futuros: la salida del segundo producto y la llegada del cuarto. Como c 2 < T4,
el evento más próximo es la salida del segundo producto, por lo que e4 = c2.

 La salida del segundo producto se produce en el tiempo: c2 = 34, 91. En ese momento, el producto 3 pasa a
ser atendido, por lo que el tiempo de espera fue D3 = c2 − T3 = 34,91 − 33,51 = 1,40.

El tiempo de salida del tercer producto es:

c3 = T3 + S3 = 33,51 + (5 + 5 × 0,3646) = 40,33.
Los dos eventos futuros posibles son la salida del tercer producto o la llegada del cuarto. Como T4 < c3, el evento más
próximo es la llegada del cuarto producto. Así, e5 = T4.

 Llegada del cuarto producto en el tiempo T4 = 37, 46. El quinto sucede en el tiempo:

T5 = T4 + (−10 ln(z)) = 37,46 − 10 ln(0,1281) = 58,00.

Los futuros eventos posibles son la salida del tercer producto y la llegada del quinto. Como c 3 < T5, el evento más
próximo es la salida del tercer producto del sistema. Luego, e6 = c3.
  Salida del tercer producto en el tiempo c3 = 40, 33. El cuarto producto comienza a ser atendido, por lo que su
tiempo de espera fue:
D4 = c3 − T4 = 40,33 − 37,46 = 2,87.
El tiempo de salida del cuarto producto es:
c4 = T4 + S4 = 37,46 + (5 + 5 × 0,4871) = 44,89.
Como c4 < T5, el evento más próximo es la salida del cuarto. Por lo tanto, e7 = T4.

 Salida del cuarto producto en el tiempo T4 = 44, 89. El evento más próximo es la llegada del quinto producto
en el tiempo T5 = 58,00, por lo que e8 = T5.

 Llegada del quinto producto en el tiempo T5 = 58, 00. El último evento que resta es la salida del último
producto, cuyo tiempo está dado por:
c5 = T5 + S5 = 58,00 + (5 + 5 × 0,2346) = 64,17.
Luego de estos cálculos, es posible responder las preguntas del comienzo.

 La utilización promedio de las instalaciones está dada por el tiempo que el servidor (operario) estuvo ocupado,
dividido por el tiempo total de la simulación. El tiempo total de la simulación fue 64,17. Por lo tanto:

(Utilización promedio de las instalaciones) =

 La longitud promedio de la cola está dada por la suma de los tiempos de espera, por la cantidad de productos
en espera, dividido por el tiempo total de simulación (Taha, 2004); por lo que, en este caso, solo el tercer y
cuarto producto estuvieron en la cola, y fueron los únicos de ella. Así se tiene que:

(Longitud promedio de la cola) =

 Por último, el promedio de espera es:

Componentes y organización de un modelo de simulación de un evento discreto

Los modelos de simulación de eventos discretos se aplican a una gran variedad de sistemas reales. A pesar de la
diversidad de aplicaciones, la mayoría tiene los siguientes componentes:
 Estado del sistema: es el conjunto de las variables de estado que son necesarias para describir el sistema en
un determinado tiempo
 Reloj de simulación: variable que registra el tiempo actual de la simulación (Kelton y Law, 1991).
 Lista de sucesos: lista que contiene los tiempos de los futuros posibles sucesos.
 Estadística del sistema: son las variables destinadas a recolectar la información estadística sobre el desempeño
del sistema.
 Rutina de inicialización: subprograma para iniciar la simulación en el instante cero.
 Rutina de tiempo: subprograma que determina el próximo evento almacenado en la lista de suceso y hace
avanzar el reloj al tiempo en que se produce dicho evento.
 Rutina de sucesos: subprograma que actualiza la lista de sucesos después de haber ocurrido un evento.
 Librería de rutinas: conjunto de subprogramas usados para generar observaciones aleatorias de las
distribuciones de probabilidad, que corresponden a los eventos aleatorios del sistema.
  Generador de informes: subprograma que calcula las estimaciones a partir de las estadísticas, de las medidas
de desempeño del modelo y genera un reporte cuando la simulación finaliza.
 Programa principal: es un subprograma que invoca a la rutina de tiempo para determinar el próximo evento.
Luego llama a la rutina de sucesos correspondiente para actualizar el estado del sistema. El programa principal
chequea el fin de la simulación y llama al generador de informes cuando la simulación ha finalizado.

Mecanismo de intervalos de tiempos fijos

En los mecanismos de intervalos de tiempos fijos, el reloj de simulación avanza exactamente un valor ∆t de tiempo, el
cual es determinado apropiadamente de acuerdo al modelo. Después de cada avance del reloj de simulación, se debe
verificar si se produjo algún evento en el intervalo de tiempo ∆t inmediatamente anterior. Si se produjo algún evento
en ese intervalo previo, se considera que ocurrió el fin del intervalo de tiempo, y la actualización del estado y las
estadísticas se realizan con base en esta consideración.

La simulación de eventos discretos, utilizando un mecanismo de intervalos de tiempos fijos, tiene dos desventajas
importantes. La primera es que se genera un error al considerar que los eventos suceden al final de cada intervalo de
tiempo. Se genera así una dificultad al analizar el desempeño del modelo. La segunda desventaja se da cuando, en el
intervalo de tiempo se produce más de un evento, donde hay que decidir cuál se considera primero. En este caso, se
podría disminuir el tamaño del intervalo de tiempo ∆t, pero esto implicaría un mayor costo operacional de la
simulación

Repasemos la descripción de algunos componentes de una simulación

ESTADO DEL SISTEMA: Conjunto de las variables de estado que son necesarias para describir el sistema en un
determinado tiempo
ESTADÍSTICA DEL SISTEMA: Variables que recolectan información estadística sobre el desempeño del sistema
RUTINA DE TIEMPO: Subprograma que determina el próximo evento almacenado en la lista de sucesos, y hace avanzar
el reloj hasta el tiempo en que ese evento se produce
RUTINA DE SUCESO: Subprograma que actualiza la lista de sucesos después de haber ocurrido un evento