Application of probabilistic algorithms for the logistic behavior analysis using the Monte Carlo method

  • Xavier Enrique Sánchez Castro Universidad de Guayaquil
  • Guillermo Valarezo-Guzmán Universidad de Guayaquil
  • Norman Ordoñez-Herrera Colegio Unidad Educativa Adolfo H. Simmonds
Keywords: Binomial Probability Distribution, Log-Normal Probability Distribution, Visual Basic Programming, Monte Carlo Simulation, Random Variables

Abstract

The objective of this research is to evaluate the number of people waiting in line at a taxi service station to minimize monetary losses due to abandonment in the waiting line. For this case, tools were used to simulate random values generated based on the chosen probability distributions, such as the lognormal probability distribution and the binomial probability distribution, generating statistical results of those probability distributions. The field of study where the data was collected to carry out this research is a taxi station located on Víctor Manuel Rendón and Pedro Moncayo streets in Guayaquil, where people wait for taxi service. Once the data is obtained, the inverse transform method is carried out applying the corresponding formulas probability distributions aforementioned, to generate accumulated data using the Monte Carlo method and later take it to the Visual Basic programming language in Excel. It is important to be clear that the proper use of administration and time management will make it possible to minimize losses.

Downloads

Download data is not yet available.

Metrics

Metrics Loading ...

References

Martínez, A. G. E., & Guerrero, G. D. L. N. S. (2016). Aplicación de funciones de distribución continuas para modelar la demanda de pasajeros en una línea de tren ligero. Con-taduría y administración, 61(1), 159-175.

Lojano, J. P., Rojas, Á., & Rojas, V. (2017). Un modelo híbrido de probabilidad de elección para la estimación de la demanda de Quitocable. Maskana, 8, 219-228.

Antonio-González, J., García-Salazar, J. A., Chalita-Tovar, L. E., Matus-Gardea, J. A., Cruz-Galindo, B., Sangerman-Jarquín, D. M., ... & Fortis-Hernández, M. (2012). Modelo de equilibrio espacial para determinar costos de transporte en la distribución de durazno en México. Revista mexicana de ciencias agrícolas, 3(4), 701-712.

Cevallos-Torres, L., & Botto-Tobar, M. (2019). Problem-Based Learning: A Didactic Strategy in the Teaching of System Simulation. Springer International Publishing.

Cevallos-Torres, L., & Botto-Tobar, M. (2019). Case study: Logis-tical behavior in the use of urban transport using the monte carlo simulation method. In Problem-Based Learning: A Di-dactic Strategy in the Teaching of System Simulation (pp. 97-110). Springer, Cham.

García, E. R., Ungson, Y., Burtseva, L., Valdez, B., Gonzalez, F., & Petranovski,(2016) “V. MÉTODOS DE SIMULACIÓN MONTE CARLO Y SU EMPLEO EN INGENIERÍA DE MATERIALES”.

Zapata, C. J., Piñeros, L. C., & Castaño, D. A. (2004). El méto-do de simulación de Montecarlo en estudios de confiabi-lidad de sistemas de distribución de energía eléctrica. Scientia et technica, 10(24), 55-60.

Mero, X. J., Peña, J., Villon, K. V., & Cevallos-Torres, L. (2019). Análisis de un modelo de inventario en productos perece-deros aplicando Algoritmo metaheurístico Tabú y simula-ción Montecarlo. Ecuadorian Science Journal, 3(1), 8-14.

López, M. V., & Mariño, S. I. (2002). Aplicación del método de Montecarlo para el cálculo de integrales definidas. In IV Workshop de Investigadores en Ciencias de la Compu-tación.

Cevallos-Torres, L., & Botto-Tobar, M. (2019). Monte carlo simu-lation method. In Problem-Based Learning: A Didactic Strategy in the Teaching of System Simulation (pp. 87-96). Springer, Cham.

Berenson, M. L., & Levine, D. M. (1996). Estadística básica en administración: conceptos y aplicaciones. Pearson Educa-ción.

Valencia-Nuñez, E. R., López, H. V. M., & Cevallos-Torres, L. J. (2018, April). Probabilistic Model for Managing the Arrival Times of Pre-Hospital Ambulances Based on their Geo-graphical Location (GIS). In 2018 International Conference on eDemocracy & eGovernment (ICEDEG) (pp. 103-109). IEEE.

Moncayo, K. C., Sanchez, A. G., Anton, P. R., & Cevallos-Torres, L. (2019). Modelo de simulación para la optimización del inventario de una distribuidora, basado en Simulación Monte Carlo y Algoritmo Metaheurístico Genético. Ecua-dorian Science Journal, 3(2), 33-38.

Castañeda, J. A., Perez, A., & Gil, J. F. (2002). Tamaño de muestra requerido para estimar la media aritmética de una distribución lognormal. Revista Colombiana de Esta-dística, 25(1), 31-41.

DEL PINO, José Mª Tamborero; LAPEÑA, Antonio Cejalvo (1990). NTP 418: “Fiabilidad: la distribución lognormal.” Cen-tro Nacional de Condiciones de Trabajo Vol. 1, N. 1, PP. 1-7.
Published
2020-09-30
Stats
Abstract 34
PDF (Español (España)) 29
How to Cite
Sánchez Castro, X. E., Valarezo-Guzmán, G., & Ordoñez-Herrera, N. (2020). Application of probabilistic algorithms for the logistic behavior analysis using the Monte Carlo method. Ecuadorian Science Journal, 4(2), 63-70. https://doi.org/10.46480/esj.4.2.82
Section
Research Paper
Share |