Aplicación de Algoritmos probabilísticos para el análisis del Comportamiento logístico empleando el método de Montecarlo
DOI:
https://doi.org/10.46480/esj.4.2.82Palabras clave:
Distribución Probabilidad Binomial, Distribución Probabilidad Log-Normal, Programación en Visual Basic, Simulación Montecarlo, Variables AleatoriasResumen
El objetivo de esta investigación es evaluar la cantidad de personas que esperan haciendo fila en una estación de servicio de taxis con la finalidad de poder minimizar pérdidas monetarias producto del abandono en la línea de espera. Para este caso se utilizaron herramientas que permiten simular valores aleatorios generados en base a las distribuciones de probabilidades escogidas, como es el caso de la distribución de probabilidad log normal y la distribución de probabilidad binomial generando resultados estadísticos de esas distribuciones de probabilidades. El campo de estudio donde se recogieron los datos para poder realizar esta investigación es una estación de taxis ubicada en las calles Víctor Manuel Rendón y Pedro Moncayo de la ciudad de Guayaquil, donde las personas esperan el servicio de taxi. Una vez obtenido los datos, se realiza el método de la transformada inversa aplicando las fórmulas correspondientes de las distribuciones de probabilidades mencionadas anteriormente, para luego poder generar datos acumulados usando el método de Montecarlo y posteriormente llevarlo al lenguaje de programación Visual Basic para Excel. Es importante tener claro que el uso adecuado de la administración y gestión de los tiempos hará posible minimizar perdidas.
Descargas
Referencias
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.
Descargas
Publicado
Número
Sección
Licencia
Los autores conservan los derechos sobre sus artículos y, por tanto, son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente su obra en sus sitios web personales o en repositorios institucionales, después de su publicación en esta revista, siempre que se proporcione la referencia bibliográfica que acredite su publicación original.
Cómo citar
