Mejoramiento de los tiempos de arribo y salida en un sistema de transporte público masivo aplicando un modelo computacional y Simulación Montecarlo

Autores/as

  • Jonathan P. Cárdenas-Ruperti Universidad Técnica “Luis Vargas Torres” de Esmeraldas
  • Luis A. Padilla-Alvarez Universidad Técnica “Luis Vargas Torres” de Esmeraldas
  • Olga L. León-Santillan Consultora Independiente

DOI:

https://doi.org/10.46480/esj.4.1.94

Palabras clave:

Distribución de probabilidad Uniforme, simulación Montecarlo, números aleatorios

Resumen

El presente trabajo tiene como objetivo simular el arribo y salida de las unidades de transporte para poder mejorar la calidad del servicio y el tiempo de espera que toma cada unidad de transporte público para realizar el recorrido completo aplicando el método de simulación de Montecarlo. Debido a la falta de buses para poder abastecer a toda la comunidad que utiliza este medio de transporte y las recientes quejas de los moradores debido a que no hay un bus que circule por ese lugar, se propondrá la adquisición de nuevas unidades, para cumplir esta demanda. En este proyecto se simula el tiempo de salida de los buses de la Cooperativa Albosau línea 47. Para poder realizar esta simulación, se utiliza una distribución uniforme, en la cual el tiempo medio de salida de cada bus va a ser tomado un viernes en la estación del bus. Para poder obtener el tiempo de espera entre cada salida de bus, se utiliza el Método de Montecarlo, en donde se genera números aleatorios en programa elaborado en Python, para de esta manera conocer el tiempo estimado del proceso y para saber si es conveniente adquirir unidades nuevas. Como resultado, se redujeron los tiempos promedios de llegada y salidas de los buses de esta cooperativa. Así mismo se pudo determinar, mediante una distribución uniforme, los tiempos promedios en cada uno de los procesos de salida y llegada de todos los buses, incluyendo los que ya cuenta la cooperativa de transporte.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

Domínguez, D. S. C. (2014). SIMULACIÓN SIMULACIÓN.

Rodrıguez-Aragón, L. J. (2011). Simulación, método de montecarlo. Recuperado de: https://previa. uclm. es/profesorado/licesio/docencia/mcoi/tema4_guion. pdf.

Ledesma, E. F. R., Gonzaga, E. A., & Romero, T. E. R. (2007). Conceptos básicos de los generadores de números aleatorios (RGN) y pseudoaleatorios (PRGN). COLDPower: el agente inteligente mexi-cano de mercadeo de energía.

Astaiza, L. G. (1983). Los números aleatorios y la ingeniería. Ingeniería e Investigación, (7), 55-60.

Gimenez Palomares, F. (2018). Método congruencial para la generación de números seudoaleatorios.

Reza, M., & Garcia, E. (2015). Metodo de la transformada inversa.

Gimenez Palomares, F. (2017). DISTRIBUCIÓN UNIFORME.

Baltazar, F., & López, S. (2017, abril 26). Simulación Estocástica. UNAM, 195.

Dagpunar, J. (1988). Principios de generación de variables aleatorias. Oxford: ClaredonPress.

Faulin, J. (2008) , Simulación Montecarlo con Excel. enero 20, 2018, Recuperado de: http://www.uoc.edu/in3/emath/docs/Simulacion_MC.pdf (Enero, 2009).

Fuentelzas, C. (2004). Cálculo del tamaño de la muestra. Matronas Profesión, 5, pp.1-3.

García, E., García, H. & Cárdenas, L. (2006). Simulación y Análisis de Sistemas con ProModel. México: Pearson.

Hillier, F., & Lieberman, G. (2010). Introducción a la Investigación de Operaciones. México: McGraw-Hill.

Kelton, W. David y otros (2008). Simulación con Software ARENA. McGraw-Hill – México, pp. 35-38.

Mancilla Herrera, A. M. (2011). Simulación Herramienta para el estudio de sistemas reales. Revista Científica Ingeniería y Desarrollo, (6), 104-112.

Rios, D., & Rios, S. (2000). Simulación, métodos y aplicaciones. Ed. Alfa Omega. Colombia.

Rodríguez, L. (2011). Simulación, Método de Montecarlo. Universidad de Castilla-La Mancha.

Salinas, A. (2004). Métodos de muestreo. Redalyc, VII, 121-123.

Schmidt, J., & Taylor, R. (1970). Simulación y análisis de Sistemas Industriales. McGraw-Hill.

Terrazas, R. (1988). Simulación de Sistemas; Publicaciones de la Facultad de Ciencias y Tecnología, serie técnica; UMSS. Cochabamba-Bolivia.

Cevallos-Torres, L. y Botto-Tobar, M. (2019). Estudio de caso: Aprendizaje basado en proyectos para evaluar distribuciones de probabilidad en el área médica. En Aprendizaje basado en problemas: una estrategia didáctica en la enseñanza de la simulación de sistemas (págs. 111-122). Springer, Cham.

Descargas

Publicado

2020-03-31

Número

Sección

Artículo de investigación

Cómo citar

[1]
J. P. Cárdenas-Ruperti, L. A. Padilla-Alvarez, and O. L. León-Santillan, “Mejoramiento de los tiempos de arribo y salida en un sistema de transporte público masivo aplicando un modelo computacional y Simulación Montecarlo”, Ecuad. Sci. J, vol. 4, no. 1, pp. 57–61, Mar. 2020, doi: 10.46480/esj.4.1.94.

Artículos similares

1-10 de 130

También puede Iniciar una búsqueda de similitud avanzada para este artículo.