Elementos Simulacion PDF

E LEMENTOS
DE
N
SIMULACI O
Un enfoque pr
actico
con Witness
Marzo 2012
Universidad Polit
ecnica de Madrid
Alvaro Garca S
anchez
Miguel Ortega Mier
David Izquierdo Delgado
Indice general
Indice general
PROLOGO
A qui
en va dirigido el libro
C
omo utilizar el libro
No es un tratado exhaustivo de c
omo utilizar Witness
No es un libro de teora de simulaci
on
De qu
e tipos de sistema se ocupa el libro
Explicar el formato del texto: cuadros grises, cuadros blancos, m
as?
Sobre los materiales. Nomenclatura de los archivos, c
omo est
an organizados,
etc.
Tipografas Criterio de tipografa:
Nombres de archivos Modelo.mod,Libro.xls
palabras resevadas de Witness PULL, PUSH
Palabras correspondientes a c
odigo: ((LOGNORML(2,0.2)))
Rutas para seguir men
us: Men
u / Submen
u /Subsubmen
u
Nombre de elementos en Witness Maquina001
Captulo 1
A LA SIMULACION
INTRODUCCION
1.1.
Introducci
on
Este libro se ocupa, con un car

acter eminentemente pr
actico, de las estapas
que hay que realizar para desarrollar un estudio de simulaci
on discreta. En este
captulo se presentan los conceptos fundamentales sobre esta t
ecnica a modo
de marco general para el conjunto de problemas y t
ecnicas que se abordan en
el resto de los captulos.
En primer lugar, se justica la necesidad de recurrir a la simulaci
on para estudiar determinados problemas (1.2). A continuaci
on, se presenta un ejemplo
sencillo realizado con una hoja de c
alculo para ilustrar c
omo opera un modelo de simulaci
on discreta (4.2). Sin embargo, un modelo de simulaci
on es m
as
complejo que lo que se presenta en ese ejemplo, por lo que en el epgrafe 1.4
se explica de qu
e elementos consta un modelo de simulaci
on completo. M
as
adelante, en el apartado 1.5, se explica con qu
e se alimenta y qu
e se obtiene de
un modelo de simulac
on. Adem
as, junto con los aspectos relacionados con la
programaci
on, un estudio de simulaci
on implica otras actividades, las cuales
se presentan en el apartado 1.6. Finalmente, en el apartado 1.7 se describen
las alternativas disonibles para constuir un modelo de simulaci
on.
1.2.
Estructura del
captulo
Por qu
e simular
La utilizaci
on de modelos facilita el estudio de muchos sistemas. Generalmente, frente a la alternativa a ensayar directamente sobre el sistema estudidado,
resulta menos costoso y menos arriesgado elaborar un modelo del sistema y
estudiar su comportamiento mediante el an
alisis de ese modelo. Por ejemplo,
para el estudio del comportamiento de un edicio es recomendable elaborar
un modelo de la estructura correspondiente. A partir del an
alisis del modelo
se pueden establecer las caractersticas de las vigas, los pilares, etc. para poder garantizar que la estructura cumplir
a los requisitos establecidos para su
correcto funcionamiento.
La utilidad de
los modelos
A LA SIMULACION
Captulo 1. INTRODUCCION
Igualmente, el redise
no de una lnea de montaje de autom
oviles o la modicaci
on de la operaci
on de una empresa logstica se pueden estudiar mediante
modelos. Aunque la elaboraci
on de un modelo puede ser relativamente costosa, con frecuencia, resulta menos costosa que los posibles costes derivados de
una decisi
on poco acertada.
Existen modelos de muy diferente naturaleza, tan diferentes entre s como los
modelos fsicos y los modelos de simulaci
on discreta. La naturaleza de dichos
problemas condiciona la idoneidad de los modelos utilizados y de las t
ecnicas
apropiadas para explotar dichos modelos.
Existen multitud
de modelos
Los problemas que se plantean en Ingeniera de Organizaci

on consisten, en
con car
acter muy general, obtener un buen (y si se puede, el mejor) funcionamiento de un sistema que opera con recursos limitados y sujeto a diferentes
restricciones. Por ejemplo, la Ingeniera de Organizaci
on se ocupa de la asignaci
on de recursos a tareas, del redise
no de instalaciones, de la programaci
on
de actividades, etc.
La Ingeniera de
Organizaci
on
Estos problemas se pueden abordar mediante modelos exactos. La Programaci

on Lineal, la Teora de Colas, la Programaci
on Din
amica son ejemplos de
modelos para cuyo tratamiento existen t
ecnicas exactas. Los modelos de este tipo permiten representar en t
erminos analticos tanto el problema como el
objetivo que se persigue con su estudio. Para muchos de estos modelos existen
t
ecnias que permiten obtener la mejor soluci
on para el problema estudiado. En
general, los m
etodos exactos son preferibles frente a otros.
Los m
etodos
exactos
A LA SIMULACION
UN MODELO EXACTO
Una empresa fabrica bicicletas y triciclos. Con la venta de una bicicleta obtienen un benecio de 10 unidades monetarias (um) y con la de un triciclo 5
um. Como es natural, cada bicicleta necesita dos ruedas y cada triciclo tres.
Tanto las bicicletas como los triciclos necesitan el mismo tipo de manillar.
Si la empresa dispone de semanalmente de 100 ruedas y de 30 manillares,
cu
al es la producci
on que le reporta un mayor benecio?
Si se denen x1 como el n
umero de bicicletas producidas semanalmente y
x2 el de triciclos, el benecio se puede computar como 10x1 + 5x2 .
Por otro lado, el consumo de ruedas ser
a 2x1 + 3x2 y no puede superar las
100 ruedas disponibles, con lo que deber
a cumplirse 2x1 + 3x2 100.
Igualmente, para los manillares deber
a cumplirse x1 + x2 30.
ltimo, se debe cumplir que x1 , x2 0.
Por u
El modelo siguiente es un modelo de Programaci
on Lineal, para cuya resoluci
on existen t
ecnicas de resoluci
on exactas, como el m
etodo del Simplex, que
permiten obtener la mejor soluci
on al problema.
max z =10x1 + 5x2

sujeto a:
2x1 + 3x2 100
(1.1)
x1 + x2 30
x1 , x2 0
Este es es un ejemplo muy sencillo de modelo de Programaci
on Lineal, pero
exiten otros modelos de naturaleza diferente
Sin embargo, en ocasiones, no es posible construir modelos abordables con

m
etodos exactos. A veces, no es posible representar de la operaci
on del sistema en t
erminos analticos o no es posible hacerlo en t
erminos sucientemente
sencillos. En otras ocasiones, los modelos exactos son tan complejos que no
es posible obtener soluciones en tiempos de computaci
on razonables. En estas
ocasiones, la simulaci
on de eventos discretos puede ser muy interesante.
Cu
ando
recurrir a la
simulaci
on?
La simulaci
on es especialmente adecuada en sistemas:
altamente complejos (donde no son v
alidos los modelos exactos),
de car
acter dn
amico (es decir, el sistema estudiado evoluciona con el
tiempo) y
con fen
omenos de car
acter estoc
astico.
Existen muchos tipos de simulaci
on y en muchas disciplinas. La din
amica de
sistemas o el m
etodo de Montecarlo, por ejemplo, son tipos de simulaci
on
aplicados a problemas de Ingeniera de Organizaci
on.
Varios tipos de
simulaci
on
A LA SIMULACION
La simulaci
on de eventos discretos se caracteriza, fundamentalmente, por la
existencia de eventos (llegada de un cliente, nalizaci
on de la reparaci
on de
una m
aquina), que desencadenan el cambio del estado de los elementos del
sistema (asignaci
on de un vendedor al cliente, liberaci
on del operario para
realizar otras tareas) y desencadenan nuevos eventos para los cuales se calcula
el instante en el que se producir
an (llegada del nuevo cliente, nueva avera de
la m
aquina). Como resultado de lo anterior, en la simulaci
on discreta el estado
del sistema cambia de forma discreta con el tiempo y no existen funciones que
dependan explcitamente del tiempo.
Eventos y
estados
A continuaci
on, en la secci
on (4.2), se presenta un ejemplo sencillo de simulaci
on discreta mediante la utilizaci
on de una hoja de c
alculo y, m
as adelante,
(en la secci
on 1.4) se presentan los elementos especcos de un modelo de
simulaci
on discreta.
Conviene se
nalar que los modelos de simulaci
on son de car
acter descriptivo.
Esto signica que permiten reproducir el comportamiento del sistema pero,
por s solos, no ofrecen soluciones buenas u
optimas con respecto a alg
un
criterio. Los modelos normativos, como la Programaci
on Lineal, permiten describir el comportamiento del sistema y s guan el proceso de b
usqueda de soluciones. Por ello, es importante la intervenci
on del analista para la explotaci
on
de un modelo de simulaci
on. Tambi
en, en ocasiones, se combina la simulaci
on
con t
ecnicas para la b
usqueda de soluciones en lo que se conoce, en ingl
es,
como Simulation Optimization.
1.3.
Un ejemplo sencillo
En este epgrafe se presenta un problema sencillo que puede ser tratado mediante el desarrollo de un modelo de simulaci
on basado en una hoja de c
alculo.
Este tipo de simulaci
on se conoce como M
etodo de Montecarlo, en el que se utilizan los n
umeros aleatorios distribuidos entre 0 y 1 para resolver problemas
en los que aparecen fen
omenos tanto de car
acter aleatorio como determinista.
Modelos
descriptivos
A LA SIMULACION
Un dep
osito que contiene carb
on atiende una demanda diaria de cantidad
variable, de manera que cada da se expide con un cami
on con una carga de
entre 70 y 130 Tm. A partir de datos hist
oricos se ha establecido la frecuencia
de ocurrencia para los distintas cantidades exedidas, que guran en la tabla
siguiente.
Salidas (Tm)
% casos observados
70
7
80
10
90
18
100
28
110
21
120
10
130
6
El aprovisionamiento del dep

osito se realiza por medio de trenes que
transportan una cantidad de carb
on constante, pero que llegan a intervalos
de tiempo variables (variando entre los 2 y los 8 das). Las frecuencias de
ocurrencia de los diferentes valores para el intervalo de tiempo entre llegadas
guran en la tabla siguiente.
Tiempo entre llegadas (das)

% casos observados
2
5
3
13
4
17
5
27
6
23
7
10
8
5
Teniendo en cuenta los patrones de demanda y del intervalo entre trenes, se

ha jado el lote con el que cada tren alimenta el dep
osito en 500 Tm. Por otra
parte, para cubrirse frente la aleatoriedad de la demanda y del tiempo entre
llegadas de los trenes, a primeros de a
no se puede comprar a un suministrador exterior una cierta cantidad que permite comenzar el a
no con un nivel de
inventario inicial.
La demanda no se puede diferir, es decir, la demanda que no se atiende un
da no se sirve otro da, se trata de demanda perdida.
El coste de almacenaje (CA) es 0,2 u.m./(da y Tm) y el coste de carencia (CC)
es 100 u.m. cada da que se produce una carencia, es decir, este coste es independiente de la cantidad no servida.
Se trata de determinar el nivel inicial de inventario que permita minimizar el
coste total.
Este problema es sencillo y se podra abordar de forma exacta mediante la

aplicaci
on de la Teora de Colas. A modo de introducci
on, a continuaci
on, se
presenta un modelo de simulaci
on, realizado con Excel, bastante simple con
el que poder estudiar el comportamiento del sistema para diferentes valores
del nivel se stock inicial. El archivo Ejemplo1-1.xls est
a elaborado para facilitar la construcci
on dicho modelo y poder llegar al resultado, disponible en
Ejemplo1-1 Solucion.xls
A LA SIMULACION
Como en cualquier modelo (y en particular si es de simulaci

on), es necesario
realizar hip
otesis acerca del sistema. En primer lugar, se admite que la frecuencia relativa de los casos observados es igual a la probabilidad de que ocurra
cada valor. Es decir, se espera que la probabilidad de que la demanda de carb
on
correspondiente a un da cualquiera sea de 80 Tm es 0.1.
Hojas de c
alculo
y simulaci
on
Para reproducir el comportamiento del sistema se admite que el tiempo avanza

en intervalos de tiempo constantes e iguales a un da. As, para simular la
evoluci
on del sistema se obtendr
a el estado del sistema a lo largo de los 365
das de un a
no.
Hip
otesis del
modelo
El archivo consta de dos hojas:

una con las distribuciones (((Distribuciones))) y
otra con la simulaci
on (((Simulacion)))
Estructura del
archivo .xls
La hoja ((Distribuciones)) contiene la informaci

on necesaria para generar valores de las variables aleatorias correspondientes a la llegada de trenes y a la
demanda diaria, conforme a las probabilidades que se han admitido como v
alidas. En la gura 1.1 aparecen las celdas correspondientes a la generaci
on de
la demanda diaria. Las tres primeras columnas contienen la siguiente informaci
on: la funci
on de probabilidad (primera columna), la funci
on de distribuci
on
(segunda columna) y los posibles valores que puede tomar la variable aleatoria
(tercera columna).
A partir de esas tres columnas, hay otras dos columnas dispuestas de tal manera que mediante la funci
on de Excel ((CONSULTARV)) (o ((BUSCARV)) para
versiones anteriores a Oce 2010) y a partir de un valor aleatorio entre 0 y
1 es posible generar valores de la demanda consistentes con la funci
on de
probabilidad (ver cuadro 1.3).
Generaci
on de
n
umeros
aleatorios
PENDIENTE: poner capti

on al cuadro, que aparece referenciado como cuadro 1.3
((CONSULTARV)) EN EXCEL
FUNCION
La
((CONSULTARV(Valor buscado;Matriz buscar en;-
funci
on
Indicador columnas;Ordenado))) busca en una tabla el Valor buscado

en
la
primera
columna,
situada
m
as
la
izquierda,
ve el valor que est

a en la la del Valor buscado
na
para
situada
los
en
datos
la
de
posici
on
la
hoja
Indicador columnas.
Distribuciones,
al
devuel-
en la colum-
De
esta
invocar
((CONSULTARV(0.59;Distribuciones!G19:H26;2;VERDADERO))),
la
se
manera,
funci
on
busca
en la primera columna de las celdas sombreadas de la gura 1.1 el primer

valor que supera 0.59 y devuelve el valor que est
a situado a su derecha: 100.
A LA SIMULACION
10
Figura 1.1: datos hist

oricos para la demanda diaria (en Tm).
La hoja ((Simulaci
on)) contiene la informaci
on relativa a la evoluci
on del sistema. Por un lado, a modo de resumen, en la parte superior (gura 1.2) aparece
el valor del stock inicial (que es objeto de decisi
on) y los costes del stock, de las
carencias y la suma de los dos para un posible a
no de operaci
on del sistema.
Figura 1.2: resumen del comportamiento del sistema.
El resto de la hoja contiene la informaci

on relativa a la simulaci
on del sistema.
Existen cuatro grupos de columnas, que permiten estudiar diferentes aspectos.
Contador de tiempos (columna A), donde se registran los enteros entre 1
y 365, de manera que cada la contiene la informaci
on correspondiente
a cada uno de los de los 365 das del a
no.
Llegada de trenes (columnas B-E), que contiene el da en en las que llegar
a el siguiente tren, informaci
on con la cual se actualiza el valor del
stock cuando corresponde.
Generaci
on de la demanda (columnas F y G), en las que se genera la
demanda diaria de carb
on.
Evoluci
on del stock (columnas H-J), donde se calculan los valores del
stock.
C
omputo de los costes (columnas K y L, que permite calcular los costes
de stock y los costes de carencia.
Existen tantas las como das m
as una la inicial en la que se genera la informaci
on relativa a la llegada del primer tren. Cada la contiene la informaci
on
correspondiente a los trenes, la demanda, el stock y los costes de ese da.
La simulaci
on
propiamente
dicha
A LA SIMULACION
11
Las columnas B-E, sombreadas en azul, reproducen el la informaci

on relativa
a la llegada de trenes.
La primera la sirve para realizar la inicializaci
on del modelo. Para generar
cu
ando tendr
a lugar la llegada del primer tren. Para ello, tal y como se explica
en el epgrafe 3.5 del captulo 3, se genera un n
umero aleatorio entre 0 y 1,
con lo que se genera el tiempo hasta la llegada del primer tren. Este mismo
proceso habr
a que realizarlo cada vez que llegue un tren. El evento llegada
de un tren desencadena el siguiente evento llegada de tren. En la columna
B guran los n
umeros aleatorios necesarios para generar los intervalos entre
trenes y en la columna C guran los valores de los intervalos correspondientes
a los n
umeros aleatorios generados.
La columna D almacena el instante (no intervalo) en el que llegar
a el siguiente
tren. Para el caso del primer tren, ese instante coincide con el valor del intervalo (porque el instante inicial es 0). Para el resto de trenes, cada vez que llega
un tren se calcula el instante en el que llegar
a el siguiente como el da actual
m
as los das correspondientes al intervalo entre llegadas, valor generado en la
columna C. Cuando no hay llegada de tren, el da en el que llegar
a el siguiente
tren no se modica.
ltimo, la columna E indica si el da correspondiente llega o no llega tren.
Por u
Si llega, ser
a necesario modicar el valor del stock y generar la llegada del
siguiente tren.
Figura 1.3: llegada de trenes.
Por ejemplo, el la gura 1.3 se observa que el da 5 llega un tren. Cuando eso
ocurre, se genera un nuevo valor para la pr
oxima llegada (columna D), el da
11. Para ello, primero se genera un n
umero aleatorio entre 0 y 1 (columna B),
a partir del cual se obtiene el n
umero de das hasta el siguiente tren (columna
C), en este caso es 5. Finalmente, el da en el que llegar
a el siguiente tren se
obtiene como el da actual (5) m
as el n
umero de das hasta el siguiente tren
(6). En las las siguientes, el valor de dicha columna no cambia hasta que el
contador de das (columna A) tiene el valor 11. Cuando esto es as, se realiza
la misma operaci
on nuevamente.
Llegada de
trenes
A LA SIMULACION
12
Las columnas F y G, sombreadas en amarillo, permiten generar la demanda.

Todos los das existe una demanda. Para cada da (cada la) se genera, primero
una n
umero aleatorio entre 0 y 1 (columna F ), y con ese valor, se genera un
valor de la demanda (columna G)
Las columnas H-J, sombreadas en gris, reproducen la evoluci
on del stock.
Consta de tres columnas que permiten registrar:
el stock te
orico, columna H, como resultado de la diferencia entre lo que
entra al dep
osito y lo que sale, y que puede ser negativo;
el stock real, columna I, que es el m
aximo entre el stock te
orico y 0; y
la existencia de carencia o no, columna J; se produce una carencia si el
stock te
orico es menor que el real (es decir, cuando el stock real es igual
a 0 y no se ha podido atender la demanda de ese da).
Generaci
on de
la demanda
Evoluci
on del
stock
Las columnas K y L, en color salm

on, computan los de cada da.
Costes de stock, columna K. Para cada da se puede calcular el coste del
stock como el proucto del stock del dep
osito multimplicado por el coste
unitario por da y Tm de carb
on.
Costes de carencia, columna L. Cuando se producen una carencia (gura
un SI en la columna J se computa el coste de carencia, de 100 um.
C
omputo de los
costes
Las celdas B6 contiene el coste para la simulaci

on de u
no completo, que es la
suma de todos los costes de stock (computados en B4) y todos los cotes de
carencia (computados en B5).
En las opciones de Excel, se ha activado la opci
on de actualizaci
on manual. Se
puede modicar esta opci
on accediendo a Herramientas/Opciones/Calcular,
tal y como se puede observar en la gura 1.4. Al pulsar F 9 se generan
nuevos valores aleatorios en todas las celdas que contengan la expresi
on
((ALEATORIO())).
An
alisis
A LA SIMULACION
Figura 1.4: opciones de Excel. Calcular autom

atica o manualmente.
Pulsando repetidamente F 9 se obtienen diferentes valores de los costes. Adicionalmente, se puede modicar la celda correspondiente al stock inicial B3
y obtener, igualmente, diferentes valores del coste para dicho stock inicial.
Realizando esto, se pueden comprobar varias cosas. En primer lugar, para un
determindado valor del stock inicial, cada vez que se actualizan los valores de
los n
umeros aleatorios, se producen eventos en instantes diferentes y, por lo
tanto, los costes son diferentes. Adem
as, en general, para valores elevados del
stock inicial se obtienen costes de carencia altos y costes de stock reducidos.
Al contrario, si el stock inicial es elevado, el coste de carencia es reducido a
costa de asumir un coste de stock mayor
Se ha reproducido el comportamiento del sistema durante un a
no. Cada vez
que se modican los n
umeros aleatorios se obtiene un posible comportamiento del sistema durante un a
no, se dice que realiza una replicaci
on. A pesar
de poder observar varios fen
omenos, como los que se han comentado, existen
algunas cosas que no quedan resueltas:
Para alimentar el modelo, la probabilidad de que cada variable aleatoria
tome un determinado valor es igual a la frecuencia relativa con la que se
ha observado dicho valor, pero es esto v
alido?
Los valores de las variables aleatorias se he realizado a partir de la funci
on ((ALEATORIO())), es correcto?
Una s
ola replicaci
on puede no ser representativa del comportamiento
del sistema, y como no es posible saberlo, realizar una sola replicaci
on
es insuciente. Es necesario realizar varias repliaciones, pero cu
antas?
Incluso sabiendo el n
umero de replicaciones adecuado, basta con obtener la media de los costes de todas las repliaciones?
En este caso, interesara comparar los costes para diferentes valores del
stock inicial. Basta comparar las medias obtenidas para un conjunto de
replicaciones?
13
A LA SIMULACION
Las cuestiones anteriores son algunos ejemplos de los aspectos que hay que
tener en cuenta al realizar un estudio de simulaci
on. A lo largo de los captulos
del libro se abordan las cuestiones m
as importantes para realizar de forma
correcta un estudio de simulaci
on.
14
Algunas
cuestiones
pendientes
El ejemplo planteado es un caso sencillo de simulaci

on discreta en el que la
realizaci
on de determinados eventos desencadena otros y modica el estado
de los elementos del sistema. Por ejemplo, el evento llegada de un tren genera
otro evento (la llegada del siguiente tren) y modica el estado de un elemento
(el stock se incrementa en 500 Tm. En el siguiente epgrafe se describen todos
los elemntos de un modelo de simulaci
on discreta.
1.4.
Elementos de un modelo de simulaci

on
Los problemas que se abordan mediante simulaci

on discreta son m
as complejos que el sistema del ejemplo anterior. En esos sistemas hay m
as elementos,
m
as eventos y m
as estados. Por ejemplo, un puesto en una lnea de montaje
puede estar en diferentes estados: ocioso, trabajando, averiado, esperando a
un operario, etc. Igualmente, puede haber diferentes eventos: avera del puesto, n de operaci
on, comienzo de operaci
on, n de reparaci
on, etc. La generaci
on de eventos y la modicaci
on de estados son aspectos nucleares de la
simulaci
on de eventos discretos. En el siguiente apartado se presentan todos
los elementos de un modelo de simulaci
on de eventos discretos.
Eventos y
estados
Para gobernar de forma sistem

atica estos cambios, un modelo de simulaci
on
consta de (ver [1], p
ag. 9):
El estado de sistema, es decir, un conjunto de variables que permitan
describir el estado de los diferentes elementos del sistema
El reloj de la simulaci
on, que es un contador que guarda registro del
instante en el que se encuentra la simulaci
on.
La lista de eventos, donde se almacenan los eventos que deben tener
lugar y cu
ando deben ocurrir (por ejemplo, la lista de eventos puede
contener la inforamci
on siguiente cuando el reloj de la simulaci
on tome
el valor 32.27 el llegar
a una nueva llamada al sistema).
Un procedimiento de inicializaci
on, es decir, un programa para que el
estado del modelo de simulaci
on sea el deseado.
Un procedimiento de actualizaci
on del reloj, para gobernar c
omo avanza
el reloj de la simulaci
on.
Un procedimiento para la generaci
on de eventos, para generar eventos a
partir de la ejecuci
on de eventos previos y del cambio de estado de los
elementos del sistema.
Procedimientos para la generaci
on de valores de variables aleatorias.
Elementos de un
modelo de
simulaci
on
A LA SIMULACION
15
Un generador de informes, que por defecto ofrece informaci

on sobre el
comportamiento del sistema (contadores, niveles de ocupaci
on, etc.)
El programa principal, que gobierna la ejecuci
on de todo el modelo e
invoca, cuando corresponde, a cada uno de los elementos interiores.
El ejemplo anterior, a pesar de ser muy sencillo, incluye una versi
on poco sosticada de algunos de estos elementos. Por ejemplo, la celda que contiene el
valor del stock inicial forma parte de la inicializaci
on. Las columnas donde se
almacenan tanto la demanda como el siguiente da en el que se producir
a una
llegada de tren act
uan como las variables de un modelo de simulaci
on. Por
ltimo, la primera columna hace las veces del reloj de la simulaci
u
on, y para
cada lnea se puede observar el estado del sistema.
Todos los paquetes de simulaci
on comerciales incluyen estos elementos y facilitan enormemente el desarrollo y la explotaci
on de modelos de simulaci
on.
En particular, en el captulo 2, se presentar
a la forma que adoptan estos elementos para el caso de Witness.
1.5.
Variables de entrada. Variables de salida. Par

ametros
El ejemplo del apartado 4.2 se ha presentado un modelo que podra utilizarse

para determinar el nivel del stock inicial necesario para conseguir el mnimo
valor posible de los costes de stock y de carencia. Y para ello, se dispona la
informaci
on relativa los comportamientos tanto de la demanda y como de la
llegada de trenes. Toda la informaci
on anterior se puee clasicar de la siguiente manera.
Datos de entrada, que son aquellos datos que sirven para alimentar el
modelo, dentro de los cuales se pueden distinguir dos tipos.
Los datos relativos a los trenes y a la demanda, sobre los cuales el
decisor no tiene control. Para este problema, la demanda es algo
que no se puede mociar, como tampoco la cantidad de carb
on y
el tiempo entre llegada de los trenes
El valor de stock inicial, sobre el cu
al el decisor s tiene control. De
hecho, el estudio se realiza para determinar el valor del stock inicial
m
as adecuado.
Datos de salida, que son los datos que se obtienen al ejecutar el modelo,
que son los costes de stock y de carencia.
Estos tres grupos de datos aparecen en cualquier estudio de simulaci
on y se
denominan, respectivamente, variables de entrada, par
ametros y variables de
salida (gura 1.5)
Variables y
par
ametros
para el ejemplo
de la hoja de
c
alculo
A LA SIMULACION
Variables de entrada
MODELO
16
Variables de salida
Parmetros de diseo
Figura 1.5: variables y par

ametros.
En general, los datos que alimentan y los que se obtienen de un modelo se

denen de la siguiente manera.
Variables de entrada. Las variables de entrada son todos aquellos datos
de entrada sobre los cuales el decisor no tiene control. Por ejemplo: la
frecuencia con la que llegan las llamadas de a un centro de atenci
on
telef
onica, el tiempo entre averas de una m
aquina, la demanda de un
determinado prodcuto, etc.
Par
ametros. Los par
ametros son aquellos datos de entrada sobre los cuales el decisor tiene control. Tpicamente, en un estudio de simulaci
on se
trata de obtener un conjunto de valores de los par
ametros (es decir, una
conguraci
on del sistema) satisfactoria o buena de acuerdo con alg
un
criterio. Por ejemplo: el n
umero de puestos de atenci
on al cliente en una
ocina, la cantidad de operarios con los que se cuenta en el sistema, el
orden en que se realiza un conjunto de operaciones (el emabarque a un
avi
on), etc.
Variables de salida. Las variables de salida son todos aquellos valores
que permiten conocer la bondad del funcionamiento del sistema estudido. Como se ha dicho, con el desarrollo de un estudio de simulaci
on se
pretende obtener una buena soluci
on con respecto a alg
un criterio. Los
valores de las variables de salida permiten evaluar el sistema. Por ejemplo: el benecio derivado de una nueva instalaci
on, el nivel de saturaci
on
de los controladores a
ereos, la productividad de una lnea de montaje,
etc.
ltimo, conviene notar que seg
Por u
un el estudio del que se trata un mismo
elemento puede ser o bien una variable de entrada o bien un par
ametro. Por
ejemplo, en el dise
no de las instalaciones de un nuevo aeropuerto, la tasa de
averas de las m
aquinas que realizan el escaneado de las maletas puede ser
un par
ametro, ya que en ese tipo de estudio se pueden emplear diferentes tipos de m
aquina, cada una de ellas con su tasa de averas correspondiente. Sin
embargo, en el redise
no de las operaciones de control de equipaje de un aeropuerto existente (salvo si existe la posibilidad de invertir en nuevas m
aquinas),
el dato de la tasa de averas es una variable de entrada.
Deniciones y
ejemplos
A LA SIMULACION
Para desarrollar de forma correca un estudio completo de simulaci

on, es importante, en cada caso, identicar cu
ales son las variables de cada tipo y cu
ales
son los par
ametros. A continuaci
on se presentas todas las etapas que componen un estudio.
1.6.
Etapas de un estudio de simulaci

on
Hasta el momento se han presentado algunos aspectos esenciales de la simulaci

on discreta y se ha construido un primer ejemplo sencillo. El peque
no
ejercicio de modelado con la hoja de Excel representa s
olo una etapa de todas
las que componen un estudio de simulaci
on. En la gura 1.6 se presentan un
posible conjunto de etapas en las que se separan todas las tareas del estudio. A pesar de que la gura las muestra de forma secuencia, es frecuente que
los resultados de una etapa o la adquisici
on de nueva informaci
on obliguen a
volver a alguna etapa previa.
DE
O E
DE
O
DEL
EM
E O D DE
D O
MODELO
O E
L
MODELO
OM
O
MODELO
O M
O
E
LO
D E O DE
E E ME O
DO ME
M L
E L
DO
Figura 1.6: etapas de un estudio de simulaci

on.
La denici
on del sitema y de los objetivos que se persiguen con el estudio es
una primera tarea que condiciona el resto del estudio. La denici
on del sistema
pasa por establecer cu
ales son los elementos que son parte del sistema y cu
ales
no.
17
A LA SIMULACION
Por otro lado, los objetivos que se persiguen con el estudio de simulaci
on condicionan la selecci
on de variables de salida y el nivel de detalle del modelo. Por
ejemplo, un modelo de un operador logstico que quieres realizar un estudio
para determinar el tama
no de la ota de camiones es muy diferente un modelo
para establecer la forma de operaci
on de los muelles de un almac
en. Mientras
en el segundo caso ser
a neceario reproducir con detalle los movimientos del
material destinado a la manutenci
on de la mercanca, en el segundo no lo ser
a.
Igualmente, las variables de salida de uno y otro modelo ser
an diferentes.
18
Denici
on del
sistema y de los
objetivos
Para poder continuar es necesario recopilar informaci

on relevante para la
construcci
on del modelo, relativas a las variables de entrada, a los posibles
valores de los par
ametros, respecto a la forma en la que opera el sistema o las
formas en las que puede operar, etc.
La realizaci
on de cualquier modelo de un sistema real exige asumir ciertas
hip
otesis simplicadoras. Lo deseable es disponer de un sistema sencillo y que
represente sucientemente bien el sistema estudiado. El conjunto de hip
otesis
que se realizan al respecto del funcionamiento del sistema se conoce como
modelo conceptual. Por ejemplo, el tiempo de realizacion de una tarea por
parte de un opeario de una linea de montaje no es perfectamente determinista
y, sin embargo, se puede admitir como v
alido que s lo es. Igualmente, a pesar
de que un proceso qumico es continuo, en un estudio se puede realizar un
tratamiento discreto, admitiendo que todas las cantidades de productos se
pueden representar en t
erminos de paquetes de 100 m3 .
Recogida de
datos
En un estudio de simulaci
on es habitual que participen profesionales muy diltimo que aprueba y toma decisiones a partir del
ferentes: el responsable u
modelo, la persona que va a emplearlo cuando sea necesario, programador
del modelo, el interlocutor entre el programador y el decisor, etc. Los conocimientos sobre programaci
on y simulaci
on de todos los participantes es muy
dispar. Por ello y para garantizar que todas las partes comparten las directrices del trabajo que hay que realizar, se construye un modelo comunicativo,
que puede ser interpretado, modicado, utilizado, etc. por los participantes en
el proyecto.
Modelo
conceptual
La gura 1.7 ofrece un posible modelo comunicativo en el que se explicitan algunas de las hip
otesis del modelo. Por ejemplo, se admite que la demanda tiene
lugar despu
es de que llegue el tren, el da en el que llega un tren. Podra haberse admitido el orden inverso, y habra tenido efectos sobre el resultado de la
simulaci
on. Este modelo comunicativo no contiene expresiones matem
aticas,
pero podra haberlo includo. Dependiendo de los participantes en el estudio,
convendr
a utilizar diferentes elementos en el modelo comunicativo.
Modelo
comunicativo
A LA SIMULACION
19
Inicializacin
Stock inicial
Costes
Actualizacin del reloj

de la simulacin
s
Aumento del stock en
500 Tm
Llega tren?
no
Generacin de la
demanda
no
s
Hay stock para atender

la demanda?
no
Actualizacin del nivel

de stock de acuerdo
con la demanda
Cmputo del coste de

carencia
Nivel del stock a 0
Cmputo del coste del
stock
Se ha simulado un
ao?
Informe con
costes
Figura 1.7: ejemplo de modelo comunicativo.
Una vez denido el estudio que se quiere realizar (habiendo realizado las etapas anteriores), es necesario construir el modelo inform
atico. Dado que la
simulaci
on de sistemas complejos implica la realizaci
on de numerosos c
alculos, es absolutamente necesario desarrollar un programa que reproduzca el
comportamiento previsto por el modelo conceptual, alimentarlo con las variables de entrada adecuadas y con el que examinar diferentes valores de los
par
ametros.
Cuando se dispone del modelo inform
atico, es el momento de realizar su explotaci
on. Para ello es necesario denir diferentes experimentos con los que
evaluar diferentes alternativas y extraer conclusiones al respecto del funcionamiento del sistema estudidado.
Modelo
inform
atico
A LA SIMULACION
20
Tras haber realizado el estudio correctamente, es el momento de tomar decisiones consistentes con el an
alisis realizado gracias al modelo.
Explotaci
on y
dise
no de
experimentos
Finalemente, y como en proyectos de otra naturaleza, es neceario documentar el trabajo realizado. Para poder explotar de forma correcta el modelo en
ocasiones sucesivas, para poder introducir modiciaciones consistentes con
posibles cambios del sistema modelado, etc. conviene documentar de forma
exhaustiva el trabajo realizado. De no ser as, es altamente probable que el
modelo no sea de utilidad en el futuro.
Documentaci
on
e implantaci
on
de resultados
A lo largo de todo el proceso hay tres aspectos esenciales y que aparecen

reejados en la gura 1.6, de los cuales depende el
exito de un estudio de
simulaci
on
Validaci
on. Se dice que un modelo es v
alido si ofrece una representaci
on correcta para los objetivos perseguidos. Para que un modelo sea
v
alido debe comportarse como la realidad. En la gura 1.6 aparece en
dos puntos del proceso. Por un lado, el modelo conceptual debe ser adecuado para el sistema estudiado. Es decir, las hip
otesis admitidas deben
ser aceptables. Sin embargo, algunas la validez de esas hip
otesis no se
puede contrastar en esa etapa del proceso, sino que es necesario disoner
del modelo de simulaci
on construido y, entonces, comparar el comportamiento del sistema real con los resultados que ofrece el modelo de
simulaci
on. En el caso de que no exista el sistema, no es posible hacer
esto, porque no existe sistema real con el que comparar, por lo que conviene utilizar otras estrategias de validaci
on.
Vericaci
on. La vericaci
on de un modelo consiste en depurar el modelo,
es decir, garantizar que el modelo se comporte como nostros queremos
que lo haga. El modelo debe ser consistente con el modelo conceptual
y, por lo tanto, con el modelo comunicativo donde est
a especicado.
ltimo, para que un estudio de simulaci
Credibilidad. Por u
on se realice
con
exito, es necesario que sea creble, es decir, que la personas responsables del sistema concedan cr
edito a dicho modelo. Es relativamente
frecuente encontrar buenos estudios de simulaci
on que no cuentan con
el apoyo de los directivos o de los responsables que deberan hacer uso
de ellos y de sus resultados. En esos casos, el modelo resulta in
util.
En este libro, a lo largo de los captulos, se presentan los aspectos m

as imporantes de las etapas que se han comentado. En cada caso, se ofrecen las
t
ecnicas m
as frencuentemente utilizadas, primero con una introducci
on te
orica y despu
es con ejercicios de aplicaci
on pr
actica.
Vericaci
on,
validaci
on y
credibilidad
A LA SIMULACION
Algunos aspectos quedan fuera de o que se puede abordar en un texto de

la naturaleza de este. Por ejemplo, la credibilidad de un modelo es de difcil
tratamiento si no es es un caso real. Igualmente, la validaci
on de un modelo
pasa por disponer de un sistema del cu
al obtener datos para contrastar en
qu
e medida los resultados que ofrece el modelo de simulaci
on correspondiente
se ajustan a aquellos datos.
1.7.
Software para la elaboraci

on
La etapa central de un estudio de simulaci

on es la construcci
on del modelo
inform
atico. Existen diferentes alternativas para desarrollar el modelo.
Hojas de c
alculo (como en el epgrafe 4.2). Las hojas de c
alculo, aun
cuando pueden incluir alg
un tipo de macro para modelar situaciones mas
compleas, permiten abordar sistemas poco sencillos y son demasiado
pobres para represenar medianamente complejas.
Software de prop
osito general. Lenguajes de programaci
on como C++,
C#, Java, etc. permiten construir cualquier modelo de simulaci
on, por
complejo que sea.
Software especco. En los comienzos de la simulaci
on discreta existan
lenguajes de programaci
on desarrollados para la construcci
on de modelos de simulacion, algunos de los cuales existen y se siguen utilizando,
como GPSS o GPSS/H. Actualmente existen entornos de simulaci
on basados en lenguajes parecidos y que incluyen elmentos especcos y un
entorno gr
aco para la construcci
on de modelos. Adem
as, ofrecen m
as
prestaciones, como por ejemplo, m
odulos de representaci
on en 3D, de
an
alisis de datos o paquetes de optimizaci
on. Witness, Arena, Promodel o Simul8 son algunos de ejemplos de estos tipos de entornos.)
21
A LA SIMULACION
Hojas de clculo
Para casos muy sencillos
Lenguajes de propsito general

C++, C#, Java
Lenguajes de simulacin
Coste del software
Esfuerzo de programacin
Entornos de simulacin
Witness
Arena
Promodel
Simul8
Figura 1.8: alternativas de software para el desarrollo de modelos de simulaci

on.
Tal y se indica en la gura 1.8 existe un compromiso entre el precio de la soluci

on adoptada para construir el modelo y el esfuerzo necesario para construir
un modelo de simulaci
on. Los entornos de simulaci
on son relativamente caros
pero facilitan enormemente la construcci
on de elementos.
Todos los ejercicios pr
acticos que empleados en este libro (salvo el de este
captulo) se han desarrollado usando Witness 2008, herramienta desarrollada
por Lanner Group, a cuyo estudio se dedica el captulo siguiente.
1.8.
Resumen
La utlizaci
on de modelos facilita el estudio de muchos sistemas. En general, los
m
etodos exactos son preferibles, pero en muchos casos no es posible formular
modelos exactos o no es posible resolverlos. Principalmente en estos casos, la
simulaci
on discreta consituye una herramienta muy valiosa.
La simulaci
on de eventos discretos se caracterza por la descripci
on del sistema estudiado en t
erminos del estado de sus elementos, que cambia con la
ocurrencia de eventos, que, a su vez, desencadenan nuevos eventos. Mediante
un modelo inform
atico se incorporan estos aspectos, para lo cual se dispone
de diferentes alternativas. Sin embargo, la parte de construcci
on del modelo
inform
atico es s
olo una de las etapas de las que consta un estudio de simulaci
on, que comienza con la denici
on del sistema y de los objetivos del estudio
y naliza con la implementaci
on de los resultados y la documentaci
on del tra-
22
A LA SIMULACION
bajo realizado.
En los captulos que siguen se presentan las t
ecnicas m
as importantes para
la realizaci
on de un estudio de simulaci
on de eventos discretos correspondientes a las etapas descritas en el epgrafe 1.6. Cada captulo consta de una
introducci
on de car
acter te
orico con la presentaci
on de los aspectos esenciales. Despu
es, se proponen ejemplos de aplicaci
on sencillo desarrollados en
Witness.
23
A LA SIMULACION
dd
24
Captulo 2
DE MODELOS CON WITNESS
CONSTRUCCION
2.1.
Introducci
on
Para la construcci
on existen diferentes alternativas,
tal y como se coment
o en 1.7. Una de ellas, consiste en utilizar entornos especcos de simulaci
on. Estos entornos son m
as caros que las herramientas de
programaci
on de car
acter general. Como contrapartida, facilitan enormemente
la tarea de contrucci
on, vericaci
on y explotaci
on de los modelos. En primer
lugar, incorporan elmentos especcos para construir los modelos. En segundo, disponen de m
ultiples funcionalidades para generar valores de variables
aleatorias, realizar animaciones, analizar los valores de las variables de salida,
etc.
Witness es uno de estos entornos profesionales, desarrollada por Lanner
Group Ltd, Witness permite construir modelos de forma sencilla y ofrece todas
herramientas para poder crear modelos complejos y representar multitud de
sistemas reales.
Witness
El el apartado siguiente, 2.2, se presenta el conjunto de m

odulos que acompa
nan a Witness y que permiten realizar diferentes tareas relacionadas con el
desarrollo de un estudio de simulaci
on. En el apartado 2.3 se describen los
aspectos fundamentales relativos a la manera en la que se construyen los modelos usando Witness. A continuaci
on, los elementos que permiten constuir
modelos se presentan en el epgrafe 2.4. Finalmente, en los apartados 2.5 - 2.9
se desarrollan cinco modelos sencillos que ilustran todo lo anterior.
Estrucutra del
capitulo
Este captulo no pretende ser un manual exhaustivo orientado al aprendizaje

de Witness. El objetivo es, por un lado, dar a conocer los aspectos fundamentales que permitan entender e, incluso, elaborar todos los modelo que se utilizan
en es texto. Adem
as, este captulo permite una primera toma de contacto con
Witness.
Objetivo del
captulo

Captulo 2. CONSTRUCCION
Para aprender m
as sobre la programaci
on con Witness, recomendamos la lectura del documento Getting Started (referencia PENDIENTE), la consulta de la
ayuda de Witness y de los ejemplos que se proporcionan en la carpeta Demo
en el directorio de instalaci
on de Witness. Para conocer m
as sobre la aplicaci
on de Witness a diferentes situaciones, recomendamos visitar la p
agina de
Lanner, http://www.lanner.com/.
2.2.
26
Para
profundizar
Witness 2008
Con Witness es posible desarrollar y explotar modelos de simulaci

on. Para extender las posiblidades, Lanner ofrece un conjunto de m
odulos que se pueden
utilizar junto con Witness, que son las siguientes.
Witness Scenario Manager. Este m
odulo facilita la explotaci
on de los resultados de los modelos elaborados. Permite, de forma sencilla, gestionar
el n
umero y la longitud de las replicaciones, el tiempo de calentamiento.
Facilita el estudio de diferentes conguraciones, es decir, de diferfentes valores de las caractersticas de un modelo. Por ejemplo, es sencillo
evaluar el tiempo medio de los clientes en una cola, para diferentes escenarios corresondientes a diferentes n
umero de personas que atienden
la cola. Admem
as, permite obtener de forma sencilla intervalos de conanza para diferntes valores. La informaci
on que obtiene del modelo se
puede exportar a otro software (hoja de c
alculo, software de estadstica)
para realizar an
alisis m
as avanzados.
Witness Optmizer. Con este m
odulo es posible gobernar la b
usqueda
de soluciones buenas para el modelo estudiado mediante algoritmos de
b
usqueda ecientes. Por ejemplo, el tiempo que tarda un donante en
realizar todo el proceso de donaci
on en un hospital puede depender,
del n
umero de profesionales de cada tipo (administrativos, enfermeros,
m
edicos) del n
umero de camas, del reparto de tareas entre el personal,
etc. Generalmente, el n
umero de combinaciones es muy elevado y resulta inviable evaluar toda las combinaciones. El m
odulo Witness Optmizer
incluye diferentes algoritmos para explotar combinaciones y encontrar
buenas soluciones.
Witness Presentation Manager. Este m
odulo permite presentar de forma
muy visual los resultados de un modulo de simulaci
on, con diferentes tipos de elementos parecidos al cuadro de mandos de una m
aquina. De
esta manera, se puede disponer de forma muy visual la informaci
on relevante del comportamiento del sistema, tanto durante su ejecuci
on como
al nal de la misma.
Realidad Virtual. El modelo de realidad virtual permite constuir animaciones en tres dimensiones de los modelos de Witness. Esto puede permitir disponer de una visi
on m
as realista del comportamiento del sistema.
En particular, los resonsables del sistema para el que se desarrolla el
Witness Suite

27
modelo de simulaci
on pueden establecer m
as sencillamente la analoga
entre el modelo y su sistema.
ltimo, con el m
Documentor. Por u
odulo Documentor se puede generar
un archivo .rtf que permite recopilar de forma sistem
atica toda la informaci
on de los elmentos de un modelo y de su comportamiento. Como
se ver
a a lo largo del texto, el c
odigo en un modelo de simulaci
on aparece
en diferentes elementos y algunas caractersticas pueden no quedar bien
documentadas. Este m
odulo facilita esta tarea.
Adem
as, Lanner ofrece herramientas de simulaci
on de car
acter especco para
algunas actividades, por ejemplo, para el sector farmac
eutico. De todo el conjunto de productos, Witness es la herramienta m
as importante. A continuaci
on
se presenta la l
ogica para constuir modelos.
2.3.
Otros productos
C
omo construir modelos
Al arrancar Witness desde el men

u de Inicio, se abre el archivo StartUp.mod
por defecto, cuyo aspecto es el de la gura 2.1. Este archivo se encuentra en la
carpeta \ Demo, dentro de la carpeta de instalaci
on de Witness
En esa primera pantalla se puede ver lo siguiente.
La ventana de Selecci
on de elementos, a la izquierda, que contiene tres
pesta
nas, una de ellas, Modelo contiene diferentes tipos de elementos
para construir el modelo.
La Ventana 1, que ocupa la mayor parte de la pantalla, que es una de las
ventanas en las que aparece la representaci
on gr
aca del modelo.
La ventana de los Elementos predenidos, que contiene varias pesta
nas.
Por defecto, aparece selccionada la pesta
na B
asico con algunos de los
elementos de Witness.
Un conjunto de barras de herramientas con botones para acceder a diferentes funciones
Una peque
na ventana con un reloj anal
ogico que indica el instante en el
que se encuentra la simulaci
on.
El entorno

28
Figura 2.1: aspecto de Witness al abrir el archivo StartUp.mod.
La l
ogica general con la que se construyen los modelos es la siguiete. Existen
entidades que circulan por el modelo. Las entidades pueden represetar muchos elementos de un sistema real; por ejepmlo, piezas de un taller de mecanizado, personas un centro comercial, llamadas telef
onicas. Estas entidades se
pueden transformar, agrupar, separar, almacenar, transportar, etc. Las piezas
en un taller mec
anico pueden ser torneadas, pulidas, etc. Los clientes de un
centro comercial pueden acumularse y esperar en las colas de las cajas. Las
llamadas telef
onicas pueden ser atendidas, rechazadas, acumuladas en una
cola de llamadas, transferidas entre departamentos, etc.
Entidades o
piezas
El resto de los elementos actividades, colas, caminos, etc gobiernan el control del ujo de las entidades mediante lo que se conoce como reglas. Por
ejemplo, cuando un viajero (entidad) ha terminado de realizar la facturaci
on
en un aeropuerto, debe haber alguna regla que conduzca a ese cliente hacia el
control de suguridad. La sintaxis de Witness permite constuir una regla equivalente a empujar al viajero a la cola del control de seguridad. Igualmente,
habr
a que introducir alguna regla del tipo empujar el equipaje del viajero a la
zona de manutenci
on de equipajes.
Reglas
Adem
as, para completar la l
ogica del modelo, generalmente hay que utilizar
acciones, que modican el estado de los elementos. Por ejemplo, tras nalizar
la facturaci
on del viajero, una acci
on puede actualizar el contador que registra
cu
antos viajeros han realizado la facturaci
on para ese vuelo en particular. Para
Acciones

29
ello habra que introducir alguna acci

on del tipo incrementar el contador del
n
umero viajeros en una unidad.
2.4.
Tipos de elementos
Los modelos se construyen a partir de elementos de diferente tipo. Caracterizando de forma correcta el comportamiento de estos elementos, se puede
constuir un modelo que, en conjunto, represente de forma correcta el sistema estudiado. Congurar los elementos, signica, por un lado, indicar c
omo
funcionan y, por otro, c
omo se relacionan con el resto de los elmentos del
modelo.
Elementos
nicamente en la nomenExisten dos ediciones de Witness, que se diferencia u

clatura de los elementos. Por ejemplo, el elemento de tipo pieza en la edici
on
de fabricaci
on es equivalente al elemento tipo entidad de la edici
on de servicios. Ambos elementos son id
enticos y s
olo se diferencian en el nombre. Igualmente, las versiones de edici
on y fabriaci
on tienen algunas funciones id
enticas pero con diferente nombre. Por ejemplo, la funci
on ((NPARTS)) y ((NENTS))
devuelven el mismo valor. En cualquier caso, un modelo construido con una
edici
on se puede abrir, modicar y ejecutar con la otra. En el texto se emplean
ambas terminologas, en cada caso la que resulte m
as natural.
Servicios y
fabricaci
on
Los elmentos se pueden dividir en tres grandes grupos atendiendo a su naturaleza:
Seg
un su
naturaleza
Elementos de tpo fsico. Son elementos pueden representar elementos

existente en un sistema real. Por ejemplo, los elementos de tipo pieza
o entidad (seg
un la edici
on) pueden representar muchos elementos de
un sistema real, como se ha comentado. Los elementos de tipo m
aquina
o actividad realizan alg
un tipo de operaci
on con las entidades y permiten representar, por ejemplo, un torno, una planta de fabricaci
on entera, un puesto de atenci
on al p
ublico... Un buffer o cola son lugares
donde se almacenan entidades y pueden representar, por ejemplo, un
area de almacenamiento de producto intermedio, una cola de personas

a la espera de ser atendidas, un lugar donde se somete a un proceso
de enfriamiento a las piezas que llegan. Otros elementos de tipo fsico
son: las cintas transportadoras, los recursos, las vas, los vehculos, los
caminos, etc. En los modelos de este texto, los elementos de este tipo
que se han utilizado son piezas, m
aquinas, buffers y caminos. Estos
elementos tambi
en pueden no representar elementos fsicos del sistma
real. Por ejemplo, una actividad puede servir para computar el valor de
determinadas variables cada cierto tiempo.
Elementos
fsicos

30
Elementos de tipo l
ogico. Son los elmentos que permiten gestionar la
informaci
on y la l
ogica del modelo. En particular, en este texto se utlizan:
variables, atributos, distribuciones (tanto predenidas como denidas
por el usuario) y funciones (de usuario y predenidas).
Elementos
logicos
Elementos de tipo gr
aco. Son elementos que permiten visualizar gr
acamente alg
un aspecto del modelo, como, por ejemplo, la evoluci
on del
tiempo medio de entrega de pedidos o el n
umero de productos enviados
a los clientes. En los modelos que siguen se han utilizado diagramas de
tarta e histogramas.
Elementos
gr
acos
Los elementos tambi

en se pueden clasicar seg
un la forma en la que se almacenan, que condiciona la forma en la que se utilizan. Estos tipos de elementos
est
an organizados en cuatro carpetas, cuyo contenido se puede visualizar en
la ventana de Seleci
on de elementos (gura ).
Seg
un c
omo se
almacenan
Figura 2.2: tipos de elementos.
La carpeta Tipo contiene todos los tipos de elementos b

asicos a partir de
los cuales se pueden contruir los modelos en Witness. Estos elementos
est
an disponibles en su versi
on m
as simple, es decir, sin ning
un tipo
de caracterizaci
on. Por ejemplo, existe un elemento variable, pero no
est
a congurada como variable entera, real, etc.
Carpeta Tipo
La carpeta Sistema almacena un conjunto de elementos especiales. Por

ejemplo, el elemento TIME que almacena el tiempo del reloj de la simulaci
on, el elemento WORLD que permite introducir piezas al modelo.
Carpeta Sistema
En la carpeta Predenidos existen diferentes tipos de elementos, organizados por grupos, que aparecen, tambi
en, en diferentes pesta
nas en la
ventana de Elementos predenidos. Cuando se selecciona una pesta
na en
esta ventana, los elementos correspondientes se muestran en la carpeta
verde Predenidos. Los elementos predenidos, son elementos que pueden tener alg
un grado de conguraci
on. Por ejemplo, una variable puede
estar denida como un vector de cinco componentes de tipo entero. Estos elementos est
an disponibles para, a partir de ellos, crear elementos
id
enticos en el modelo. Por ejemplo, si una actividad representa una caja
en un centro comercial, es posible denir un elmento predenido tipo
Carpeta
Predenidos

31
actividad para representar una caja y, con ella, como se muestra m

as
adelante, crear tantas cajas como sean necesarias en uno o varios modelos.
ltimo, la carpeta Simulaci
Por u
on contiene los elementos de la simulaci
on
propiamente dicha, es decir, aquellos que representan, efectivamente, el
comportamiento del sistema real. Esta carpeta, por defecto, est
a vaca,
ya que el archivo StartUp.mod est
a vaco. Para introducir elementos de
la simulaci
on se pueden emplear los elementos de la carpeta Tipo o de la
carpeta Predenidos.
Para introducir elementos en el modelo y caracterizar la forma en la que funcionan, hay que realizar tres pasos: denir, congurar y representar cada uno
de los elementos.
Denir. Esta operaci
on consiste en introducir elementos en el modelo,
es decir, en la carpeta, Simulaci
on. Existen dos formas de introducir un
elemento en el modelo. La primera consiste en hacer uso de los elementos predenidos. Para ello hay que hacer clic con el bot
on principal en
un elemento de la ventana Elementos predenidos y hacer clic de nuevo
(sin arrastar) en la Ventana 1. De esta manera se crea un elemento en la
carpeta Simulaci
on que es id
entico al elemento predenido correspondiente, con el mismo nombre seguido de 001, por elemplo, Pieza001,
como en la gura 2.3.
Figura 2.3: denici

on de elementos a partir de elementos predenidos.
La segunda manera consiste en hacer clic con el bot

on secundario del
rat
on y, en men
u contextual que aparece, seleccionar la opci
on Denir.
Carpeta
Simulaci
on
Introducci
on de
elementos. Tres
pasos
Denir

32
Figura 2.4: denici

on de elementos.
Se abre una nueva ventana, como la de la gura 2.4, en la que hay que
introducir el nombre y seleccionar el tipo de elemento en el cuadro desplegable Tipo de elemento. Para algunos tipos de elementos hay que introducir alg
un dato m
as. En este segundo caso, se puede seleccionar (arriba)
si el elemento se crea como elemento de la simulaci
on o como elemento
predenido (para ser reutilizado de nuevo de la manera anterior).
Congurar Una vez que se ha denido el elemento, ya se puede congurar, es decir, establecer cu
al es su comportamiento. Esto signica,
por ejemplo, determinar cu
anto dura la realizaci
on de una actividad,
con qu
e frecuencia se producen las averas, c
omo entran y salen las
entidades de las colas, etc. La conguraci
on tambi
en incluye la introducci
on de las reglas que gobiernan el movimiento de las entidades y
las acciones que modican los estados del sistema. Para congurar un
Congurar
elmento se puede hacer de dos maneras. La primera, haciendo doble clic

en el nombre correspondiente en la ventana de Selecci
on de elementos
o bien haciendo clic con el bot
on secundario y seleccionando la opci
on
Congurar.
Representar La representaci
on de un elemento no es un paso estrictamente necesario para que el elemento funcione dentro del modelo. De
hecho, se podra construir un modelo sin ning
un tipo de repres
entaci
on
gr
aca. Sin embargo, la animaci
on de la representaci
on gr
aca proporciona informaci
on tanto durante la construci
on como durante la explotaci
on
del modelo. Los elementos creados a partir de elementos predenidos incorporan la representaci
on gr
aca del elemento utilizado. Por ejemplo,
Representar

al crear el elemento Pieza001, la representaci

on gr
aca incorpora dos cosas: el nombre de la entidad y un smbolo (un crculo rojo) con el que
aparecer
an representadas las entidades de ese tipo en todo el modelo
(gura 2.3. Tanto la representaci
on de elementos que no han sido creados a partir de los elementos predenidos como la actualizaci
on de la
representaci
on de cualquier elemento se puede hacer de la siguiente manera. Haciendo clic con el bot
on secundario sobre el elemento (bien en su
nombre dentro de la carpeta Simulaci
on o en cualquiera de sus elementos representados) y eligiendo Representar dentro del men
u contextual,
se muestra la ventana de la gura 2.5
Figura 2.5: representaci

on de elementos.
La ventana de representaci
on permite, bien dibujar nuevos elementos en
la representaci
on o bien actualizar los elementos existentes. Al seleccionar Dibujar en el primer men
u desplegable, en el segundo se pueden
encontrar todos los elementos de representaci
on que se pueden a
nadir y
que dependen del tipo de elemento. Cuando se selecciona Actualizar, en
segundo men
u desplegable, aparecen los elementos de representaci
on ya
existentes y que se pueden modicar. En el caso de la pieza Pieza001, se
puede actualizar el smbolo, haciendo clic en el bot
on situado m
as a la
izquierda (con el icono de un l
apiz) y aparece una nueva ventana como
la de la gura 2.7.

on de elementos.
33

34
En los ejemplos siguientes, se realizan estas tres operaciones para introducir diferentes tipos de elementos en un modelo de simulaci
on sencillo,
se indica c
omo ejecutar el modelo y c
omo obtener alguna informaci
on
preliminar sobre el resultado de la simulaci
on.
2.5.
Ejemplo 1
Construir un modelo para representar un torno que tornea redondos

de acero y tarda 5 minutos por pieza. Siempre existen redondos para
tornear y, una vez procesados, se expulsan fuera del sistema.
En este ejemplo, se presentan los siguientes aspectos de Witness:

m
aquinas de tipo simple,
piezas pasivas,
reglas ((PULL)), ((PUSH)) y ((WAIT)),
ejecuci
on paso a paso,
representaci
on del ujo de elementos.
Resumen
Para crear este modelo solo son necesarios dos elementos, uno de tipo
pieza para representar los redondos y otro de tipo m
aquina simple para
representar el torno.
En primer lugar, hay que denir un elemento pieza, por ejemplo, haciendo uso de los elementos predenidos, como se ha indicado en el
apartado anterior. Entrando en la ventana de conguraci
on (gura 2.9)
es posible modicar el nombre del elemento.
Piezas pasivas

35
Figura 2.7: ventana de conguraci

on de la pieza Redondo.
Las piezas pasivas son aquellas que s

olo entran en el modelo porque
alg
un elemento del modelo hace que entren. En este caso, cada vez que
el torno termine de realizar una operaci
on, obtendr
a una nueva pieza
Redondo del elemento de sistema WORLD y la introducir
a en el modelo.
La ventana de conguraci
on de un elemento tiene algunas pesta
nas especcas y otras que son comunes a todos los elementos: General, Acciones, Costes, Notas e Informes.
La pesta
na General de una pieza permite introducir el nombre de la
pieza (Redondo), el tipo (pasiva, en este caso) y permite congurar aspectos relativos a los eventos correspondientes a la entrada y a la salida
del sistema de cada pieza.
A contiunuaci
on, hay que introducir una m
aquina a partir de los elementos predenidos. La conguraci
on de este nuevo elemento (gura 2.8)
tambi
en presenta varias pesta
nas (com
unes y especcas). Por ejemplo,
la pesta
na General, permite denir algunos aspectos b
asciso como el
nombre (Torno) o el tipo. Las m
asquinas simples toman las piezas de
una en una, las procesan y pasan a otro elemento del sistema. Existen
otros tipos de m
aquinas que, por ejemplo, producen piezas a partir de
una dada o trabajan con lotes. Torno es una m
aquina simple.
M
aquinas
simples

36

on de la m
aquina Torno.
Adem
as, en la pesta
na General se pueden congurar aspectos relativos
a la entrada, a la salida de las piezas, y al proceso que son sometidas. En
particular, se puede congurar la regla de entrada de la m
aquina haciendo clic en el bot
on Desde....
Figura 2.9: regla de entrada de Torno.
La regla que aparece por defecto es ((WAIT)). Esta regla signica que
Torno no trata de conseguir piezas de entrada, sino que s
olo procesa
piezas si alg
un otro elemento hace que le lleguen. Tecleando la regla
((PULL from Redondo out of WORLD)), como en la gura 2.9, Torno introducir
a una pieza Redondo en el modelo e, inmediatamente, la comenzara a tornear.
Regla ((PULL))

37
Una vez que Redondo tiene una pieza puede comenzar su ciclo, cuya
duraci
on se indica dentro del cuadro de texto Duraci
on. En este caso,
el valor es 5. De esta manera, se admite que una unidad del reloj de la
simulaci
on simula el transcurso de un minuto de la realidad, y ser
a necesario mantener la consistencia a lo largo de todos los valores que se
introduzcan en el modelo.
Tiempo de ciclo
ltimo, si la conguraci
Por u
on de Torno se deja en este punto, lo que
ocurrir
a es que tras tornear el primer Redondo, quedar
a bloqueada y no
realzar
a m
as operaciones, debido a que no tiene asignada una relga de
salida y no hay ning
un otro elemento en el modelo que trate de tomar
el Redondo de Torno. Por eso es necesario introducir una regla de salida
haciendo clic en Hacia.... En este caso, con la regla ((PUSH to SERVED)) el
torno, tras nalizar el proceso de torneado, expulsa la pieza fuera del
modelo (al elemento de sistema SERVED) y est
a en condiciones de coger
una nueva pieza y repetir el ciclo.
Regla ((PUSH))
Existe una forma que facilita la comporobaci

on de que las reglas se
han editado correctamente. Activando la opci
on Flujo de elementos del
men
u Ver, haciendo clic en Aceptar, se puede muestra lneas que enlazan los elementos de acuerdo con las reglas del modelo. En este caso,
el aspecto del modelo tras activa el Flujo de elementos es el de la gura
2.10.
Flujo de
elementos
Figura 2.10: Ejecuci

on del modelo Paso a paso.
Con esto el modelo ya tiene los dos elementos y est

a congurado para funcionar como se desea. Este modelo, ya construido, corresponde al
archivo Ejemplo2-1.mod. Existen diferentes formas de ejecuci
on del modelo. Una de ellas es la opci
on Paso a paso. Al ejecutar el modelo de esta
manera se ejecutan los eventos uno tras otros y se muestra la evoluci
on
del estado del sistema en una nueva ventana: la Ventana de interacci
on.
Ejecuci
on paso
a paso

38
En la gura 2.10 se puede ver la barra de herramientas Ejecutar, en la

que aparece el bot
on Paso a paso dentro de un marco rojo. Al hacer clic
en
el varias veces, aparecen mensajes en la Ventana de interacci
on, en las
que se describe la entrada de la primera pieza Redondo a Torno en el
instante 0,00. Despu
es, simplemente, se actualiza el contador de tiempo
y no se produce ning
un evento hasta que no naliza la operaci
on de
torneado en el instante 5,00. En ese instante, Torno naliza con la pieza
que estaba procesando, la expulsa a SERVED y toma inmediatamente una
nueva pieza para procesar.
Figura 2.11: Representaci

on gr
aca del modelo con Flujo de elementos.
2.6.
Ejemplo 2
Modicar el modelo anterior para representar lo siguiente. Los redondos

llegan a un stock previo al torno con un tiempo entre llegadas que se
distribuye seg
un una exponencial de media 8 minutos. El proceso de
torneado no es determinista, sino que sigue una distribuci
on normal
logartmica de media 5 minutos y desviaci
on tpica de 0,2.

buffers,
distribuciones,
opci
on ejecutar,
opci
on ejecuci
on ralentizada e
informes de Witness.
Resumen

39
Para modicar el modelo solo es necesario introducir un nuevo elemento

de tipo buffer para el stock de redondos a la espera de ser procesados.
El archivo Ejemplo2-2.mod contiene el modelo correspondiente a este
ejemplo, construido tal y como se indica a continuaci
on.
En primer lugar, hay que a
nadir un elemento de tipo buffer al modelo, por ejemplo, utilizando los elementos predenidos. Accediendo a la
Ventana de conguraci
on del elemento, aparecen las pesta
nas de este
tipo de elemento. En particular, en la pesta
na General es posible modicar el nombre (para llamarlo Cola), establecer el n
umero de entidades
que puede albergar y los aspectos relativos a la entrada, la salida y la
permanencia de las piezas en el buffer (gura 2.12).
Figura 2.12: ventana de conguracion del elemento Cola.
Por defecto, las piezas entran por detr

as y salen por delante, y no hay
ning
un requisito con respecto al tiempo de permanencia en el buffer,
con lo que la disciplina de cola por defecto es FIFO. Se pueden establecer
condiciones tanto en la entrada como en la salida, para que las piezas
entren o salgan seg
un alguna condici
on, por ejemplo. Tambi
en se puede
establecer un tiempo m
aximo o un tiempo mnimo de permanencia. Por
ejemplo, esto permite representar el hecho de que los clientes que llevan
m
as de 10 minutos esperando en una cola abandonan el sistema.
Buers

A diferencia del modelo anterior, ahora las piezas entran al sistema de

forma aut
onoma, de acuerdo con un tiempo entre llegadas. Para ello, es
necesario modicar la conguraci
on de Redondo y convertirla en pieza
activa, con lo que la Ventana de conguraci
on muestra un aspecto diferente, como el de la gura 2.13.
40
Piezas activas
Figura 2.13: ventana de conguracion de Redondo, pieza activa.
Para congurar una pieza activa, hay que establecer, entre otras cosas,
el n
umero m
aximo de llegadas de ese tipo, el instante en el que llega la
primera, el tama
no de lote y la regla de salida, es decir a qu
e elemento
ltimo hay
trata de acceder cuando llega al modelo. Para congurar esto u
que acceder a las reglas de salida, haciendo clic en el bot
on Hacia... En
este caso, estas piezas llegan a Cola, por lo que la regla sera: ((PUSH to
Cola)).
Adem
as, hay que indicar, para Redondo, cual es el intervalo entre llegadas en el cuadro de texto correspondiente de su Ventana de conguraci
on. Este valor no es determinista, sino que es una variable aleatoria:
una exponencial de media 8 minutos. Witness permite generar variables
aleatorias de diferentes tipos. En este caso, el valor para el el Intervalo
entre llegadas es ((NEGEXP(8))).
Aleatoriedad.
Distribuciones
Una vez construido el modelo, se puede ejecutar como se present

o en
el ejercicio anterior para comprobar su evoluci
on paso a paso. Alternativamente, se puede utilizar la opci
on Ejecutar, mediante la cual, se pone
en marcha el modelo y se muestra c
omo se modica la representaci
on
gr
aca de los elementos a medida que transcurre el tiempo. Adem
as, se
puede jar un valor para el tiempo durante el cu
al ejecutar el modelo.
Ejecuci
on Run

41
Para ello, tal y como se puede ver en la gura 2.14, hay que dejar pulsado
el bot
on que contiene el icono de un reloj, a su derecha teclear el instante
en el que el modelo se detendra y, nalmente, pulsar en el bot
on Ejecutar
(un tri
angulo negro apuntando hacia la derecha).
Figura 2.14: ventana de conguracion de Redondo, pieza activa.
Adicionalmente, se pueden representar gr

acamente los movimientos de
las entidades entre los diferentes elementos. Al pulsar en el bot
on que
contiene un icono de un mu
neco se activa esta opci
on, ejecuci
on ralentizada, y con la barra de desplazamiento que est
a a su derecha se establece
la velocidad con las que las entidades se mueven.
Ejecuci
on
ralentizada
Una vez el modelo se ha ejecutado hasta el instante 100, se pueden obtener informes de tipo est
andar de los elementos del modelo. Para ello,
en la ventana de selecci
on de elementos se pueden marcar todos los elementos, hacer clic con el bot
on secundario y seleccionar Estadsticas.
Informes
Figura 2.15: informes est

andar del modelo.

42
De esta manera se muestra una ventana parecida a la de la gura 2.15.

Por ejemplo, para el elemento Cola se indica cu
antas entidades han
entrado (15), cu
antas han salido 13, el n
umero medio 0,46, el tiempo
medio de permenencia, 3,08, etc. Para conocer las estadsticas de otros
elementos, basta con hacer clic en los botones que tienen echas hacia
la izquierda y hacia la derecha. Para cada elmeentos se ofrece diferente
tipo de informaci
on. Por ejemplo, para las m
aquinas se indica el n
umero
de operaciones o el porcentaje de timpo que han permanecido en cada
uno de los posibles estados.
Conviene notar que los resultados que se obtienen con la ejecuci
on del
modelo dependen de los n
umeros aleatorios que se utilicen para generar
los distintos eventos. Por eso, los n
umeros obtenidos pueden ser diferentes. En el captulo 6 se comenta m
as detalle el efecto de los n
umeros
aleatorios sobre el an
alisis de los datos de salida.
2.7.
Ejemplo 3
Adem
as de las piezas que llegaban antes (redondos de tipo A), ahora
llega tambi
en otros redondos (de tipo B) con otras caractersticas. Al
llegar al sistema, cada tipo se almacena de forma independiente antes
de ser torneado. Los nuevos redondos llegan seg
un una exponencial de
media 18 minutos. Cuando el torno termina una operaci
on, toma un
redondo del stock que contenga m
as piezas.
Ambos tipos de piezas pueden ser o bien de calidad alta (el 20 %) o alta
(80 % baja), de manera que el tiempo de tornado depende de la calidad y
del tipo de redondo. En particular, los tiempos de torneado son variables
normales logartmicas conlas medias y las desviaciones de la siguiente
tabla:
Pieza A
Pieza B
c. baja
(5,0, 0,10)
(4,5, 0, 12)
c. alta
(6, 0,15)
(5,2, 0,16)
Se pide modicar el modelo para representar esta nueva situaci

on.
Informes y
aleatoriedad


atributos de sistema y atributos de usuario,
sentencias de control ((IF... ELSE... ENDIF)),
funciones de predenidas y funciones de usuario,
ejecuci
on acelerada,
acciones de elementos,
modicaciones de la representaci
on de los elementos.
43
Resumen
Para modicar el modelo solo es necesario introducir cuatro nuevos

elementos: una nueva entidad, un nuevo buffer, un atributo y una
funci
on.
El archivo Ejemplo2-3.mod contiene el modelo correspondiente a este
ejemplo, construido tal y como se indica a continuaci
on.
En primer lugar, para distinguir los dos tipos de redondo, se puede renombrar el elemento Redondo y llamarlo RedondoA, as como llamar
ColaA a Cola. A contnuaci
on, hay que denir una nueva entidad, RedondoB, y un nuevo buffer, ColaB. Tambi
en es necesario que las reglas
de salida de RedondoA y RedondoB sean ((PUSH to ColaA)) y ((PUSH to
ColaB)), respectivamente.
Para distiguir unas piezas de otras durante la animaci
on, se puede modicar el aspecto con el que aparece RedondoB. Para ello, se puede acceder
a la Representaci
on (similar a la gura ). Se puede modicar el color (y
cambiar el rojo por el verde, por ejemplo) y mantener el icono de una
peque
no crculo.
Cambio de la
representaci
on

44
Figura 2.16: denici

on del atributo Calidad.
Tambi
en es necesario denir un atributo. Tal y como se ha explicado ya con otros elementos, se puede denir un atributo de tipo cadena
de caracteres con el nombre Calidad (ver gura ). Cuando se dene el
atributo Calidad, cada entidad que entra al modelo tiene asociada una
cadena de caracteres, que se puede leer y modicar. Un atributo opera
como una tarjeta adhesiva liagada a cada entidad donde se almacena
informaci
on especca de dicha entidad, en este caso, la calidass cada
redondo. Cuando un redondo deba ser torneado, el tiempo que dure la
operaci
on depender
a del valor de este atributo.
Atributos de
usuario
Cuando un RedondoA o un RedondoB entra al modelo, hay que asignar

un valor a su atributo Calidad, a trav
es de las Acciones al crear cada
pieza, a las que se puede acceder a trav
es de la ventana de conguraci
on
de RedondoA y de RedondoB (gura 2.17).
Acciones a crear

45
Figura 2.17: acciones al crear RedondoA.
Para asignar un valor a Calidad, se genera un valor aleatorio entre 0 y 1

mediante la funci
on predenida ((RANDOM()))
Funciones
predenidas.
RANDOM()
Cuando el valor devuelto por ((RANDOM())) es menor que 0.2 Calidad

toma el valor alta (lo que ocurre el 20 % de los casos) y toma el valor
baja el resto de los casos. Para esto se utiliza una sentencia ((IF... ELSE...
ENDIF)) tal y como aparecen en la gura 2.17.
Sentencia IF
Una posible forma de incorporar en el modelo la manera seg

un la cual se
toman redondos de las respectivas colas, es utilizando una sentencia ((IF))
junto con la funci
on ((NENTS())), que devuelve el n
umero de entidades
dentro del elemento al que se aplica la funci
on.
Funciones
predenidas.
NENTS()

46
Figura 2.18: nueva regla para Torno.
De esta manera, cuando Torno queda libre, si hay m

as piezas en ColaA
o en ColaB y toma una del que tenga m
as, o de ColaA si la cantidad es la
misma.
La duraci
on del tiempo de torneado depende de la calidad y del tipo de
redondo. Por ello, lo que se puede hacer es crear una funci
on que devuelva el valor deseado dependiendo de los atributos correspondientes
y en la Duraci
on de Torno, llamar a esta funci
on con la informaci
on de
la pieza procesada.
Figura 2.19: Pesta

na General de TiempoTorno.
Funciones de
usuario

47
Por lo tanto, hay que denir una funci

on, TiempoTorno. Esta funci
on
devuelve un valor real a partir de dos par
ametros, uno de tipo cadena
(llamado CalidadPieza) y otro de tipo nombre (TipoPieza (ver gura 2.19).
El cuerpo de la funci
on es el c
odigo que se ejecuta con los valores de
los par
ametros. La funci
on incluye sentencias de tipo ((RETURN)) con las
que se indica el valor devuelto por la funci
on.
Figura 2.20: Cuerpo de TiempoTorno.
TYPE es un atributo de sistema de todas las entidades que almacena

el tipo de entidad. Para las entidades RedondoA, TYPE toma el valtimo, en la Duraci
lor RedondoA. Por u
on de Torno, se puede introducir
((TiempoTorno (Calidad,TYPE))). De esta manera se invoca a la funci
on
TiempoTorno con los valores de los atributos Calidad y TYPE y se obtiene un valor de acuerdo con el c
odigo del cuerpo de la funci
on TiempoTorno.
Atributos de
sistema. TYPE

Para nalizar este ejemplo, se puede ejecutar el modelo con la opci

on de
Ejecuci
on acelerada. Como en el ejemplo anterior, se
nalando una instante para nalizar la simulaci
on, se puede omitir la animaci
on gr
aca, de
manera que s
olo se consumen recursos de computaci
on para la generaci
on de eventos y para la actualizaci
on de los estados de los elementos.
Para ello, se puede utilizar el bot
on con dos tri
angulos apuntando hacia
la derecha (bot
on de Ejecuci
on acelerada).
2.8.
48
Ejecuci
on
acelerada
Ejemplo 4
Una vez que los redondos son torneados, se acumulan en una zona de
almacenamiento intermedio. Para llegar hasta ese punto desde el torno,
siguen una trayectoria en la que se tarda 5 minutos.
Los pal
es torneados se agrupan en pal
es de cinco en cinco, del mismo
tipo (no necesariamente de la misma calidad). Existen dos m
aquinas que
montan los pal
es, una con redondos A y la otra con redondos B, y tardan
en montar cada pal
e exactamente 10 minutos, desde el momento en el
que los cinco redondos han entrado en la m
aquina. En ocasiones, con
un 1 % de probabilidad, al montar el pal
e, el procedimiento no realiza de
forma correcta, y ese pal
e se debe desechar.
Modicar el modelo del ejemplo anterior para representar la situaci
on
anterior. Adem
as:
nico elemento,
representar los elementos ColaA y ColaB como un u
(Cola), con cantidad 2 y
sustituir la regla de entrada del torno por una regla de tipo ((MOST
ENTITIES)).

los elementos de tipo camino,
las m
aquinas de tipo ensambladora
las reglas ((PERCENT)) y ((MOST ENTITIES)),
las funciones ((CHANGE)) y ((ELEMENT))
gesti
on de elmentos con cantidad superior a 1,
El archivo ejemplo2-4.mod contiene una propuesta para representar
la situaci
on descrita. Este modelo incorpora tres nuevos elementos: un
camino, una m
aquina, un buffer y dos nuevas piezas.
Resumen

49
Primero, como se ha hecho en los ejercicios anteriores, hay que denir:

una m
aquina, que tendr
a el nombre slPaletizadora,
un buffer, con el nombre de ColaPaletizadora,
dos nuevas entidades, llamadas PaleA y PaleB y
un camino, con el nombre CaminoAPale.
Nuevos
elementos
En primer lugar, se puede renombrar el elemento ColaA, llamarlo Cola

y modicar su cantidad, de manera que sea 2. Al hacer todo esto, la representaci
on de este elemento se modica y aparecen dos echas, una
correpondiente al lugar donde aparecer
an acumuladas las entidades del
primer elemento de Cola y otro donde aparecen las del segundo elemento.
Cantidad de un
elemento
Ahora, es posible referirse a cada uno de los dos elementos con la sintaxis cola(1) y
Cantidad de un
elemento
, en denitiva, al tener un elemento con cantidad superior a 1 es parecido

a tener un vector de elementos con todas las componentes ind
enticas.
Cantidad de un
elemento
Para ser consistente con el cambio de notaci

on, hay que mocar las
reglas de salida de las piezas RedondoA y RedondoB. Ahora ser
an, respectivamente, ((PUSH to Cola(1))) y ((PUST to Cola(2))).
Cantidad de un
elemento
La regla de entrada del torno, que antes utilizaba una sentencia ((IF)) se
puede modicar por la siguiente regla ((MOST ENTITIES Cola(1), Cola(2))),
lo cual signica que Torno, al quedar libre, evaluar
a en cu
al de los dos
elementos (Cola(1) y Cola(2)) hay m
as entidades y, de aqu
e que tenga
m
as, coger
a una.
Regla MOST
ENTITIES
El elemento ColaB ya no es necesario, porque ahora Cola(2) hace la funci

on de stock de redondos de tipo B a la espera de ser torneados. Una
forma de eliminar un elemento consiste en hacer clic con el bot
on secundario sobre su nombre o sobre alg
un alg
un elemento de representaci
on
del mismo y elegir la opci
on Eliminar del men
u contextual que aparece.
S
olo es posible eliminar elementos que no est
en referenciados en ninguna otra parte del modelo.
Eliminar
elementos
Los caminos permiten conectar dos elementos, de tal manera que al desplazarse las entidades entre esos dos elementos, pueden hacerlo siguiendo ese camino. Los aspectos m
as importantes de la conguraci
on
de un camino son los dos elementos que conecta y el tiempo de tr
ansito
entre estos dos elementos.
Conguraci
on
del camino

50
Tal y como aparece en la gura 2.21, el tiempo de recorrido es 5 minutos

y conecta los elmentos Torno (elemento de origen) y ColaPaletizadora
(elemento de destino)
Figura 2.21: Conguraci

on de CaminoAPale.
Para que las piezas transiten por el camino, es necesario modicar la

regla de salida del Torno ((PUSH to Cola using Path)). Si no se modica la
sintaxis, el desplazamiento se realiza de forma inmediata.
((Using Path))
Con respecto a la m
aquina que agrupa los redondos, como toma 5 redondos y devuelve un pal
e, se trata de una m
aquina de ensamblado. En
la ventana de conguraci
on de Paletizadora se puede indicar el Tipo, y
en la cantidad de entrada, indicar 5. El tiempo de ciclo es de 10 minutos.
ltimo, como existen 2 m
Por u
aquinas que montan los pal
es, la cantidad
de este elemento debe ser 2.
Conguraci
on
Paletizadora
Paletizadora tiene cantidad igual a 2, pero no operan de forma id

entica,
sino que Paletizadora(1) monta pal
es de RedondoA y Paletizadora(2) de
RedondoB. Para poder introducir esta distinci
on en el c
odigo, una alternativa consiste en hacer uso de la variable de sistema N. Esta variable
opera de la siguiente manera: cada uno de los elementos que forman Paletizadora tiene asociado un valor de N, para Paletizadora(1), N = 1 y
para Paletizadora(2), N = 2.
Variable N

51
Figura 2.22: regla de entrada de Paletizadora.
Por eso, con la regla de la gura 2.22, Paletizadora(1) s

olo busca
entidades de tipo RedondoA y Paletizadora(2) s
olo busca entidades
de tipo RedondoB
Para que efecivamente, la regla anterior funcione correctamente es necesario modicar la opci
on de Salida de ColaPaletizadora y que sea Cualquiera. Con la opci
on Primero, s
olo podra salir la primera entidad (ya
fuera por delante o por detr
as, seg
un la conguraci
on), y si esa entidad
no coincide con la que uno de los elementos de Paletizadora trata de
retirar, no podra continuar montando el pal
e.
La regla de salida de Paletizadora se puede construir con una sentencia
de tipo ((IF)). Sin embargo, Witness proporciona una regla m
as compacta que opera tal y como se desea en este caso. Con ((PERCENT SERVED
99.00 ,LOST 1.00 )), todas las piezas salen del sistema, el 99 % se dirigen
a SERVED y el resto a LOST. Si fuera necesario, se pueden poner otros
destinos (m
as de dos), que pueden ser diferentes elementos del modelo.
Regla PERCENT
ltimo, dado que la piezas que salen de Paletizadora ya no son rePor u

dondos, sino que son pal
es, conviene reejar ese cambio en el modelo.
Con la funci
on CHANGE es posible cambiar un tipo de pieza en otra. Tal
y como aparece en la gura se puede realizar el cambio en las acciones
al nalizar el ciclo de Paletizadora
Funci
on
CHANGE

52
Figura 2.23: acciones al nalizar el ciclo de Paletizadora.
2.9.
Ejemplo 5
Modicar el modelo del ejemplo anterior de la siguiente manera.

Generalizar el tama
no de los pal
es, de forma que el la cantidad de
ensamblado de Paletizadora dependa de una variable.
Representar en una serie temporal el pal
es servidos por hora.
Representar en un diagrama de tarta la proporci
on de tiempo
que Paletizadora(1) ha estado montando pal
es y el tiempo que ha
estado sin operar.
Representar gr
acamente el n
umero de redondos de tipo A y de
tipo B que contiene ColaPaletizadora.
Detener la ejecuci
on del modelo cuando, en total, han entrado al
modelo 200 redondos

elementos de representaci
on gr
aca: serie temporal y diagrama
de tarta,
variables,
funciones predenidas ((NCREATE)), ((NSERVED)), ((STOP)) y
acciones de inicializaci
on.
Resumen
En primer lugar, para que el n

umero de redondos que componen un
pal
e no sea neceariamente 5 se puede hacer lo siguiente. En primer lugar, haciendo uso de los elementos predenidos se puede denir una
variable de tipo entero (VInteger en la pesta
na Variables), con el nombre Tama
noPale. Despu
es, en Paletizadora, en vez de asignar a la cantdad
Variables

53
de entrada el valor 5, se puede introducir el nombre de la variable Tama

noPale.
Si se ejecuta el modelo con esa modicaci
on, se producir
a un error por
el hecho de que, por defecto, las variables se inicializan a 0, y una
m
aquina de ensamblado no puede operar con una cantidad de entrada
igual a 0. A trav
es del men
u (Modelo / Acciones de inicializaci
on) se puede acceder a una ventana en la que se pueden introducir todas aquellas
acciones que se deben realizar antes de comenzar la ejecuci
on del modelo. En este caso se puede introducir, por ejemplo, la acci
on ((Tama
noPale
= 6)). Se podra solicitar por pantalla al usuario, mediante un cuadro de
di
alogo, que indicara el valor de Tama
noPale, o se podra leer desde un
archivo .xls o desde un .mdb.
Acciones de
inicializaci
on
Las series temporales permiten representar gr

acamente al evoluci
on de
alg
un valor del modelo mediante un eje de coordenadas, donde en las
abscisas se representa el tiempo y en las ordendadas los valores observados. Haciendo uso del elemento predenido Serie temporal en
la pesta
na de Informes se puede crear un elemento de este tipo con el
nombre PalesMontados.
Serie temporal
Para representar el n
umero de pal
es servidos por hora, es necesario
computar todos los que se han servido hasta el momento y dividirlo
por el n
umero de horas transcurridas. Para conocer el n
umero de elementos PaleA y PaleB servidos, se puede utilizar la funci
on ((NSERVED))
y el n
umero de horas trascurridas es ((TIME/60)), de manera que las dos
magnitudes que hay que represenar son ((NSERVED(PaleA)/(TIME/60))))
Y ((NSERVED(PaleA)/(TIME/60)))). Estas expresiones son las que deben gurar en los campos Gr
af.1 y Graf.2 del histograma (como en la gura
2.24).
NSERVED

54

on de PalesMontados.
Se puede modicar la representaci

on de PalesMontados y actualizar el
elemento de representaci
on Serie temporal, y acceder a la ventana de
representaci
on. Existen diferentes valores que permiten modicar el aspecto de la serie temporal. Con los valores que aparecen en la gura
2.25 es aspecto de PalesMontados es adecuado.

on de PalesMontados.
Representaci
on
de series
temporales

55
Se puede denir un diagrama de tarta a partir de los elementos predenidos y renombrarlo como TasaPaletizadora. Al hacer esto aparece
ya una primera representaci
on gr
aca de ese elemento.
Diagrama de
tarta
Con el Diagrama de tarta se pueden mostrar diferentes magnitudes,

este caso, la proporci
on del tiempo que Paletizadora(1) ha estado ocupada y la que ha estado operando. La forma de obtener estos valores es
mediante la fucci
on ((PUTIL)). Por ejemplo, la expresi
on ((PUTIL (Paletizadora(1),1))) devuelve la proporci
on del tiempo que Paletizadora(1) ha
estado estado en el estado de disponible, mientras que ((PUTIL (Paletizadora(1),2))) devuelve la proporci
on del tiempo que ha estado operando.
En la ayuda de Witness se pueden consultar los diferentes estados en los
que se puede encontrar cada uno de los diferentes elementos.
Funci
on PUTIL.
Estados de un
elemento
Las dos expresiones anteriores deben aparecer en la conguraci

on de
TasaPaletizadora1, tal y como aparece en la gura 2.26. En este caso, el
diagrama cuenta con dos sectores, pero se pueden a
nadir m
as haciendo
clic en el bot
on que tiene el icono de un rect
angulo con lnea discontinua.
Figura 2.26: conguraci

on de TasaPaletizadora1.

Para completar la representaci

on gr
aca, se puede mostrar el n
umero de
piezas de cada tipo que contiene ColaPaletizadora. Para ello se puede
denir una variable de tipo entero con cantidad igual a 3 con el nombre
de RedondosEnCola. Esta variable tiene tres componentes. La primera
almacenar
a el n
umero total de piezas en ColaPaletizadora, la segunda
el n
umero de redondos de tipo A y la tercera los de tipo B.
56
Variables
Cada vez que una entidad entra o sale de ColaPaletizadora se modica

el n
umero total de entidades en ese elemento y el n
umero que contiene
de alguno de los dos tipos de entidades, por lo que habr
a que introducir
acciones al entrar y accones al salir de ColaPaletizadora para actualizar
los valores de la variable RedondosEnCola.
Las funci
on ((NENTS)) devuelve el n
umero de entidades del elemento al que se aplica. ((NENTS(ColaPaletizadora))) devuelve el n
umero de
entidases en ColaPaletizadora. Por otro lado, para conocer el n
umero de entidades de un determinado tipo se puede utilizar la funci
on
((NENTS2)). ((NENTS(ColaPaletizadora, RedondoA, 0))) devuelve el n
umero de entidades RedondoA que hay en ColaPaletizadora. De la manera
an
aloga se puede proceder con RedondoB.
Funciones
NENTS y
NENTS2
Figura 2.27: acciones al entrar de ColaPaletizadora.
ltimo, para detner el modelo cuando ha entrado el redondo n

Por u
umero
200 es necesario evaluar cual es el n
umero total de entidades que ha
entrado cada vez que entra una nueva. Por ello, es necesario ampliar las
acciones al crear de las dos entidades RedondoA y RedondoB. La funci
on ((NCREATE)) devuelve el n
umero de entidades de un determinado
tipo que han sido creadas. Por otro lado, la funci
on ((STOP)) detiene la
ejecuci
on del modelo. Si se incluyen las acciones de la gura 2.28 en las
acciones al entrar de RedondoA y de RedondoB, el modelo se detiene
NCREATE. STOP

cuando entra el redondo n

umero 200.
Figura 2.28: ampliaci

on de acciones al crear de RedondoA y RedondoB.
2.10.
Bla, bla
Resumen
57
Captulo 3
REPASO DE ESTADISTICA
3.1.
Introducci
on
Como se coment
o en 1.2, la mayora de los sistemas que se estudian
mediante simulaci
on presentan fen
omenos de car
acter estoc
astico. Para garantizar la validez de los resultados obtenidos es necesario tener
presente las caractersticas que presentan estos fen
omenos y aplicar las
t
ecnicas estadsticas apropiadas. La necesidad de aplicar estas t
ecnicas
se pone de maniesto a largo de todo un estudio de simulaci
on (ver gura 3.1). A continuaci
on se comentan los aspectos m
as importantes.
En primer lugar, para alimentar de forma correcta un modelo con
los valores correspondientes a las variables de entrada (ver 1.5) es
necesario, primero, analizar de forma correcta los datos hist
oricos
del sistema estudiado para caracterizar los fen
omenos a los que se
reeren dichos datos.
Adem
as, es necesario generar valores de las variables de entrada de
acuerdo con los resultado del an
alisis anterior para poder reproducir un comportamiento consistente con el comportamiento real del
sistema.
Para validar del modelo se deben emplear t
ecnicas para comparan
los resultados que ofrece el modelo con los datos hist
oricos del
sistema real.
Dado que, generalmente, las variables de entrada son estoc
asticas,
las variables de salida tambi
en lo son. Para una determinada conguraci
on de un sistema, se debe caracterizar correctmente el comportamiento de una variable de salida. Una primera caracterizaci
on
consiste en una estimaci
on puntual del valor esperado (junto al de
un intervalo de conanza de dicha estimaci
on).
Generalmente, en un estudio de simulaci
on se eval
uan diferentes
conguraciones alternativas, por lo que es necesario identicar si
hay diferencias siginicativas entre los comportamientos de dichas
conguraciones.
La estadstica a
lo largo de un
estudio de
simulaci
on
Captulo 3. REPASO DE ESTADISTICA
59
Adicionalemnte, puede ser interesante evaluar la inuencia de determinados factores sobre el funcionamiento del sistema. Para ello
es adecuado realizar un dise
no de experimentos con varios factores.
Validacin
EM
E L
Anlisis de resultados
Generacin de
variables aleatorias
MODELO
...
O
Test de ajuste
Experimentacin
Figura 3.1: la simulaci

on est
a presente en muchas etapas de un estudio de
simulaci
on
Este captulo no pretende ser un amplio tratado de estadstica. El objetivo

es proveer al lector de una gua clara y concisa (en la mayora de los
casos sin entrar en demostraciones) de los principios de estadstica y
probabilidad necesarios para desarrollar un estudio de simulaci
on.
3.2.
Variables aleatorias en simulaci

on
Los estudios de simulaci

on emplean tpicamente variables aleatorias, es
decir, variables cuyos valores vienen determinados por el azar. Tanto
en el caso de las variables de entrada como en el de las variables de
salida, generalmente lo que se estudia es una muestra nita de una poblaci
on innita y el objetivo es inferir las propiedades de la poblaci
on
a partir de dicha muestra. El objetivo es modelar el comportamiento de
un fen
omeno mediante una funci
on de distribuci
on que establece una
relaci
on entre lo observado (muestra) y lo desconocido (poblaci
on).
Muestra y
poblaci
on
El conjunto de posibles valores que puede tomar la variable estudiada

se conoce como espacio muestral, mientras que el valor que toma en un
caso concreto se conoce como valor puntual u observaci
on. A lo largo los
captulos que componen este texto, las variables aleatorias se denotan
mediante letras may
usculas (X, Y , Z) mientras que las observaciones se
representan mediante letras min
usculas (x, y, z).
Notaci
on
Dos variables aleatorias X e Y son independientes cuando el conocimiento de los valores que toma una de ellas no aporta informaci
on respecto de los valores de la otra, y son dependientes en el caso contrario.
En otros t
erminos, la probabilidad de que la variable X tome el valore x
no est
a condicionado por el valor que tome la variable Y . Adem
as de esta
clasicaci
on, las variables aleatorias pueden dividirse en dos categoras
que se explican a continuaci
on: discretas y continuas.
3.2.1.
60
Variables
aleatorias
independientes
Variables aleatorias discretas
Se dice que una variable aleatoria es discreta cuando puede tomar un

n
umero contable de valores. Algunos ejemplos de variables aleatorias
discretas son: el resultado del lanzamiento de una moneda al aire, cuyo
resultado puede ser cara o cruz o la nota entera correspondiente a la
calicaci
on de un examen, que puede tomar valores enteros entre 0 y 10.
Denici
on
El comportamiento de una variable discreta se puede caracterizar mediante dos funciones: la funci
on de probabilidad (de car
acter puntual) y
la funci
on de distribuci
on (de car
acter acumulativo).
Caracterizaci
on
de una variable
discreta
Funci
on de probabilidad
La funci
on de probabilidad de una variable discreta, que se deonta
por p(x), representa la probabilidad de que X tome un valor concreto
x, es decir:
p(xi ) = P (X = xi )
(3.1)
Si S representa el espacio muestral, debe cumplirse la siguiente propiedad:

p(xi ) = 1
(3.2)
i/xi S
Funci
on de distribuci
on
Una forma equivalente de caracterizar el comportamiento de X es
a partir de la funci
on de distribuci
on, F (x), que en cada punto xi
representa la probabilidad de que la variable tome un valor menor o
igual que xi . Es decir:
F (xi ) = P (X xi )
(3.3)
Si X puede tomar los valores x1 , x2 , , xn , la siguiente expresi

on indica
como calcular F (x) a partir de p(x):
F (xi ) =
i
p(xj )
61
(3.4)
j=1
F (x) cumple las siguientes propiedades:

a) 0 F (x) 1 para todo x.
b) F (x) debe ser no decreciente en su dominio (es decir, si x1 < x2 ,
entonces F (x1 ) F (x2 )).
c) lm F (x) = 1 y lm F (x) = 0
x
3.2.2.
Variables aleatorias continuas
Se dice que una variable aleatoria es continua cuando en un intervalo

puede tomar un n
umero innito e incontable de valores. Algunos ejemplos de este tipo de variables son: el volumen de agua que contiene un
recipiente o la tiempo entre llegadas de dos autobuses a una determinada estaci
on.
Funci
on de densidad
Es equivalente a la funci
on de probabilidad en el caso de variables
aleatorias discretas. Se denota por f (x) y cumple las siguientes
propiedades:
a) f (x) 0

b)
f (x)dx = 1
Estrictamente, la probabilidad de que una variable tome un valor exacto

es cero (por ejemplo, que una pieza mida 15,456324841... cm), y debe estudiarse la probabilidad dentro de un intervalo de valores (por ejemplo,
entre 15,450 cm y 15,455 cm). El conocimiento de la funci
on de densidad
permite calcular, por integraci
on, la probabilidad de que X pertenezca a
un determinado intervalo:
x0
x1
P (X x0 ) =
f (x)dx
;
P (x0 X x1 ) =
f (x)dx
x0
Funci
on de distribuci
on
La funci
on de distribuci
on de una variable aleatoria X, que se denota
por F (x), al igual que en el caso discreto, representa la probabilidad de
que la variable X tome un valor menor o igual que x, es decir:
F (x1 ) = P (X x1 )
Denici
on
62
La relaci
on entre la funci
on de distribuci
on y la de probabilidad se establece mediante la siguiente expresi
on (an
aloga a 3.4):
F (x1 ) = P (X x1 ) =
f (x) =
x1
f (x)dx
dF (x)
dx
(f (x) F (x))
(3.5)
(F (x) f (x))
(3.6)
Adem
as, se verican las siguientes propiedades:
a) lm F (x) = 0
x
b) lm F (x) = 1
x
c) Es no decreciente en su dominio (si x1 < x2 , entonces F (x1 )

F (x2 )).
3.2.3.
Medidas caractersticas de una variable aleatoria
Las funciones anteriores permiten suciente para caracterizar el comportamiento de una variable. Existen otras medidas que permiten disponer de informaci
on derivada de dichas funciones que, entre otras cosas,
permite disponer de informaci
on m
as elaborada. A continuaci
on, se presenta un conjunto de medidas que complementan a f (x) y F (x). Las
m
as importantes son las de centralizaci
on, que indican la tendencia del
valor medio de los datos, y las de dispersi
on, que miden su variabilidad.
Medidas de centralizaci
on
La medida de centralizaci
on m
as utilizada es la media, , o esperanza matem
atica, E(X). Se obtiene a partir de la suma de los posibles
valores que puede tomar la variable aleatoria ponderados por sus
respectivas posiblidades:

variables discretas
xi p(xi )
= E(X) =
(3.7)
xf (x)dx
variables continuas
Otra medida de centralizaci

on es la mediana, xme . Representa el valor
para el cual las probabilidades de que X sea mayor y de que sea menor
que xm son id
enticas. Su expresi
on matem
atica es la siguiente:
revisar denicion
xme =
PENDIENTE
F (x) 0, 5
variables discretas
F (x) < 0, 5
variables continuas
(3.8)
revisar denicion
Una medida menos utilizada es la moda, xmo , que representa el valor
m
as frecuente de X y su expresi
on matem
atica es 3.9:
xmo /f (xmo ) =
63
PENDIENTE
(3.9)
Medidas de dispersi
on
La medida de dispers
on m
as utilizada es la varianza. Se denota
on de X de los valores de X en torno a la media,
por 2 y mide la dispersi
E(X), como muestra la gura 3.2. Se calcula de la siguiente manera:
= Var(X) =

2
(xi ) p(xi )
variables discretas
(x )2 f (x)dx
variables continuas
(3.10)
La varianza cumple las siguientes propiedades:

1. Var(X) 0.
2. Var(cX) = c 2 Var(X).
n
n
3. Var( i=1 Xi ) = i=1 Var(Xi ), si las variables Xi son independientes.
Otra forma habitual de caracterizar la dispersi
on es mediante la desvia
ci
on est
andar, denida como = 2 . Conocer la media y la desviaci
on
tpica de una variable aleatoria permite calcular la proporci
on de una distribuci
on que est
a situada entre k , siendo k una constante positiva,
mediante la acotaci
on de Tchebychev:
P ( k X + k ) 1 1/k2
(3.11)
Por ejemplo, la probablidad de que la variable X tome un valor perteneciente al intervalo 3 es de, al menos, el 89 % y para 4 es de, al
menos, el 94 %.
Interpretaci
on
de la varianza:
la desviaci
on
tpica
2
baja
2
alta
(a)
(b)
Figura 3.2: funciones de densidad de una variable continua con varianza alta
(a) y baja (b)
Medidas de relaci
on lineal de dos variables
Al estudiar dos variables aleatorias, X e Y , puede interesar conocer si existe una relaci
on lineal entre ellas. La covarianza permite
cuanticar dicha relaci
on y se dene como sigue:
Cov(X, Y ) = E[(X X )(Y Y )] = E[XY ] X Y
(3.12)
donde X y Y son los valores de las medias de X e Y , respectivamente.

La interpretaci
on de su valor es la siguiente:
Si X e Y son independientes, su covarianza es nula. No se cumple lo contrario, es decir, la covarianza nula no indica, en general,
independencia (salvo en el caso de que ambas variables sigan una
distribuci
on normal).
Si Cov(X, Y ) > 0, se dice que X e Y est
an correlacionadas positivamente. En este caso, si x > X en una determinada observaci
on,
existe una tendencia a que y > Y , y si x < X la tendencia es
y < Y . Cuando Cov(X, Y ) < 0 se dice que est
an correlacionadas
negativamente y la tendencia es la contraria a la del caso anterior
(x > X y < Y ; x < X y > Y )
La covarianza no es una medida adimensional, lo cual representa un incoveniente ya que varia al cambiar las unidades de medida de las variables.
Por ejemplo, la covarianza es diferente si X e Y representan longitudes
en cm que si se hace en m, por lo que, aunque su signo aporta informaci
on, su valor absoluto es difcil de interpretar.
64
65
Para eliminar este inconveniente se dene el coeciente de correlaci

on
como:
Cov(X, Y )
(x, y) =
(3.13)
X Y
Una medida
adimensional de
la dependencia
Se puede demostrar que 1 (X, Y ) 1 y su signo tiene el mismo

signicado que el de Cov(X, Y ). Adem
as, cuanto m
as cerca est
e (X, Y )
de 1, mayor es la correlaci
on positiva entre X e Y . Del mismo modo,
cuanto m
as se acerca (X, Y ) a -1, mayor es la correlaci
on negativa.
3.2.4.
Media y varianza de una combinaci

on lineal de variables aleatorias
La obtenci
on de un intervalo de conanza para la media de una variable de
salida es el an
alisis m
as sencillo de un modelo de simulaci
on. La obtenci
on
de dicho intervalo se basa, entre otras cosas, en la expresi
on de la meida y la
varianza correspondientes a variable aleatoria, Y , denida como una combinaci
on lineal de n variables aleatorias independientes, X1 , X2 , , Xn :
Y = k1 X1 + k2 X2 + + kn Xn
A continuaci
on se expresan las principales medidas de Y en funci
on de las de
X1 , X2 , , Xn :
Media:
E(Y ) = k1 E(X1 ) + k2 E(X2 ) + + kn E(Xn ) =
n
ki E(Xi )
(3.14)
i=1
Varianza:
Var(Y ) = k21 Var(X1 ) + k22 Var(X2 ) + + k2n Var(Xn ) =
n
k2i Var(Xi )
(3.15)
i=1
Varianza de sumas y diferencias de dos variables

La varianza de una variable Z denida como la suma o la diferencia de
X e Y puede calcularse mediante las siguientes expresiones:
Z = X + Y Var(Z) = Var(X) + Var(Y ) + 2Covar(X, Y )
(3.16)
Z = X Y Var(Z) = Var(X) + Var(Y ) 2Covar(X, Y )
(3.17)
3.2.5.
66
Estimadores de m
axima verosimilitud
En muchas ocasiones, se desea caracterizar alg

un fen
omeno, que corresponde a una variable aleatoria, de la cual se conocen algunas observaciones. Por
ejemplo, el tiempo que se tarda en realizar el montaje de un subconjunto en
una planta de fabricaci
on no es determinista, sino que es de car
acter aleatorio.
En este caso, puede interesar caracterizar el comportamiento de dicho tiempo
en t
erminos de una variable aleatoria. Si se admite, por ejemplo, que el tiemo
sigue una exponencial, ser
a necesario estimar cu
al es el par
ametro de dicha exponencial. En general, interesa estimar los par
ametros de la variable aleatoria
de la que se pueda tratar a partir de un conjunto de observaciones.
Justicaci
on
Dado un conjunto de n observaciones x1 , x2 , ..., xn , y dada una funci

on de
distribuci
on, , con un par
ametro, , la funci
on de m
axima verosmilitud, L(),
se dene como
Funci
on de
m
axima
verosimilitud
L() = p (x1 ) p (x2 ) p (xn )
(3.18)
si es discerta, donde p (x1 ) es la funci

on de probabilidad de , o bien se
dene como
L() = f (x1 ) f (x2 ) f (xn )
(3.19)
si es continua, donde f (x1 ) es la funci

on de densidad de , o bien se dene
como
La funci
on de verosimilitud, indica, para cada valor del par
ametro , cu
al es la
probabilidad de que obtener ese conjutnto valores x1 , x2 , ..., xn . El estimador
m
aximo verosmil es aquel valor de que hace m
aximo el valor de la funci
on
, es decir, la probabilidad de que se obtengan los valores xi .
Interpretaci
on
Por ello, para obtener el valor de , hay que resolver la siguiente ecuaci
on:
Procdeimiento
dL()
=0
d
(3.20)
En el caso de que existiera m

as de un par
ametro, el razonamiento sera an
alogo, pero con una funci
on de varias variables, en cuyo caso, habra que igualar
a cero las derivadas parciales con respecto a cada uno de los par
ametros.
En las funciones que se presentan m
as adelante se indica cu
ales son los estimadores de m
axima verosimilitud de los par
ametros correspondientes.
M
as de un
par
ametro
3.3.
Variables aleatorias frecuentes en simulaci

on
En esta secci
on se presentan las variables aleatorias m
as frecuentemente empleadas en simulaci
on, y se ofrece una breve descripci
on de sus propiedades.
Se han agrupado en dos bloques: continuas y discretas. Para cada una de ellas
se indica lo siguiente:
Principales aplicaciones de la distribuci
on.
Funci
on de densidad (variables continuas) o de probabilidad (discretas).
Funci
on de distribuci
on.
Descripci
on de sus par
ametros.
Rango de valores que puede tomar la variable.
Media, varianza y moda.
Estimadores m
aximo-verosmiles de sus par
ametros.
Comentarios acerca de la distribuci
on.
3.3.1.
Distribuciones continuas
Uniforme
Posibles
aplicaciones
U(a, b)
Se emplea cuando una variable toma valores en un
rango nito de valores equiprobables.
Sirve como primera aproximaci
on cuando se conoce el
rango de valores de una variable pero no se tiene informaci
on acerca de su distribuci
on.
Densidad
Distribuci
on
f (x) =
F (x) =
ba
si a x b
resto de casos
xa
ba
si x < a
si a x b
si x > b
Par
ametros
a y b son n
umeros reales con a < b.
Rango
[a, b]
Media
a+b
2
67
Varianza
(b a)2
12
Moda
Todos los valores en (a, b) son equiprobables.
Estimadores
= m
= mn xi , b
ax xi
a
1in
1in
f (x)
1/(a b)
Figura 3.3: funci

on de densidad de U(a, b)
Triangular
Posibles
aplicaciones
Densidad
Distribuci
on
triang(a, b, m)
Modelo aproximado en ausencia de datos.
f (x) =
F (x) =
2(xa)
(ba)(ma)
2(bx)
(ba)(bm)
si a x m
si m x b
resto de casos
(xa)2
(ba)(ma)
(bx)2
(ba)(bm)
si x < a
si a x m
si m x b
si x > b
68
Par
ametros
a, b y m n
umeros reales con a < m < b.
Rango
[a, b]
Media
a+b+m
3
Varianza
a2 + b2 + m2 ab am bm
18
Moda
Estimadores
Dado que se emplea en ausencia de datos, los estimadores no son relevantes.
f (x)
2/(b a)
0
0
Figura 3.4: funci

on de densidad de triang(a, b, m)
69
Exponencial
Posibles
aplicaciones
Exp()
Tiempo entre llegadas de clientes o piezas a un sistema.
Tiempo entre averas de un equipo.
No resulta apropiada para tiempos de espera.
Densidad
Distribuci
on
f (x) =
F (x) =
1 x/
si x 0
resto de casos
x/
1 e
si x 0
resto de casos
Par
ametros
>0
Rango
[0, ]
Media
Varianza
Moda
Estimadores
= x(n)
Comentarios
Es un caso de especial de Gamma(1, ) y Weibull(1, ).
70
f (x)
1
0.8
0.6
0.4
0.2
0
0
7 x
Figura 3.5: funci

on de densidad de Exp(1)
Gamma
Posibles
aplicaciones
Densidad
Distribuci
on
Gamma(, ))
Tiempo para completar una tarea. Por ejemplo: duraci
on de un servicio o de una reparaci
on.
1 x/
x
e
si x > 0
()
f (x) =
0
resto de casos
F (x) =
1
x/
j=0
1 e
(x/)j
j!
si x > 0
resto de casos
donde () es la funci

on gamma completa denida por
() =
t z1 et .
Par
ametros
>0y>0
Rango
[0, ]
Media
Varianza
Moda
( 1) si 1, 0 si < 1 .
Estimadores
71
1. Exp()=Gamma(1, ).
Comentarios
2. lm f (x) =
x
si < 1
si = 1
si > 1
f (x)
1.2
1
0.8
1
2
=1
0.6
=2
0.4
=3
0.2
0
1
Figura 3.6: funci

on de densidad de Gamma(, 1) para algunos valores de
Normal
Posibles
aplicaciones
N(, 2 )
Variables que representan la suma de otras variables.
Variables con distribuci
on sim
etrica (por ejemplo,
tiempos de ciclo)
Dependiendo de los par
ametros empleados, la funci
on
puede devolver valores negativos.
Densidad
Distribuci
on
f (x) =
1
e
x 2 2
(x)2
2 2
si x > 0
resto de casos
No tiene expresi
on analtica.
72
Par
ametros
(, ) , > 0
Rango
[0, ]
Media
Varianza
Moda
n
Estimadores
i=1
xi
2 =

n1 2
S (n)
n
1. Si la correlaci
on lineal entre dos variables distribuidas normalmente es nula, tambi
en son independientes.
Comentarios
2. A la funci
on N(0, 1) = (x) se conoce como normal est
andar y se encuentra tabulada. Es sencillo
obtener el valor de cualquier normal a partir de
ella mediante la siguiente relaci
on:
N(, 2 ) = (
x
)
(3.21)
3. Si X N(, 2 ), entonces eX sigue una distribuci

on lognormal.
f (x)
0.5
0.4
0.3
0.2
0.1
-3
-2
-1
Figura 3.7: funci

on de densidad de N(0, 1)
3 x
73
Lognormal
Posibles
aplicaciones
LN(, 2 )
Su principal aplicaci
on se da en variables que son el
producto de un gran n
umero de variables aleatorias
(por ejemplo, la producci
on total de un sistema en el
que hay varias categoras de piezas).
Tiempo para completar una tarea. Tiene una forma
similar a gamma(, ) o weibull(, ), pero con su
m
aximo m
as cerca de x = 0.
Modelos aproximados donde no hay muchos datos.
Densidad
f (x) =
1
e
x 2 2
(ln x)2
2 2
si x > 0
resto de casos
Distribuci
on
No tiene expresi
on analtica.
Par
ametros
e > 0 y > 0
Rango
[0, ]
Media
e+
Varianza
e2+
Moda
Estimadores
2 /2
2 /2
2 /2
n
Comentarios
(e 1)
ln xi
n
i=1
2 =
n
i=1
2
ln xi
n
1. Se dice que una variable X se distribuye seg

un
una lognormal(, 2 ) cuando se cumple:
X LN(, 2 ) ln X N(, 2 )
Es decir, si x1 , x2 , , xn se distribuyen seg
un
una lognormal, ln x1 , ln x2 , , ln xn lo hacen
seg
un una normal. Esta relaci
on afecta a: la
hip
otesis de qu
e distribuci
on sigue una muestra,
la estimaci
on de par
ametros y tests de bondad,
entre otras cosas.
74
2. Mientras que en Excel (y en la mayora de las

aplicaciones inform
aticas) los par
ametros de
la funci
on son los indicados anteriormente, en
Witness representa E(X) y 2 representa
2
Var(X). Por tanto, si (e , e2 ) y (w , w
) son los
par
ametros en Excel y Witness respectivamente,
la relaci
on entre ellos es la siguiente:
n
w = e
w =

i=1
xi
e2 =
w
= e2e +e /2 (ee 1)
f (x)
1
n
i=1
w
xi
n
3
2
0.8
0.6
1
2
=1
0.4
0.2
Figura 3.8: funci

on de densidad de LN(0, 2 )
Weibull
Posibles
aplicaciones
Weibull(, )
Tiempo para completar alguna tarea.
Intervalo entre dos averas de un equipo.
Tiempo de vida de un dispositivo.
Modelos aproximados donde no hay muchos datos.
Densidad
f (x) =
1 (x/)
si x > 0
resto de casos
75
Distribuci
on
F (x) =
(x/)
1 e
si x > 0
resto de casos
Par
ametros
>0,>0
Rango
[0, ]
Media
Varianza
Moda
Estimadores
2
1
1

1 1/
si 1
si < 1
Se deben cumplir las siguientes 2 ecuaciones1 :

n
i=1 xi ln xi
n
i=1 xi
Comentarios
1 la
n
i=1
xi
1
=
n
ln xi
n
i=1
1/
1. La distribuci
on Weibull(2, ) tambi
en se conoce como distribuci
on de Rayleigh, denotada por
Rayleigh()
si < 1
2. lm f (x) = 1 si = 1
0 si > 1
primera de ellas debe resolverse num

ericamente (ver [1], p
ag. 286)
76
f (x)
1.4
=3
1.2
1
=2
0.8
0.6
=1
0.4
= 0,5
0.2
0
0
Figura 3.9: funci

on de densidad de Weibull(, 1).
3.3.2.
Distribuciones discretas
Bernoulli
Posibles
aplicaciones
Bernoulli(p)
Suceso aleatorio con dos posibles valores.
Base de otras distribuciones discretas (binomial,
geom
etrica, binomial negativa...)
Probabilidad
Distribuci
on
1 p si x = 0
p(x) = p
si x = 1
0
resto de casos
0
si x < 0
F (x) = 1 p si 0 x < 1
0
si x 1
Par
ametros
p (0, 1)
Rango
0, 1
Media
77
p(1 p)
Varianza
0y1
Moda
si p <
1
2
si p =
1
2
si p >
1
2
= x(n)
p
Estimadores
1. La distribuci
on Bernoulli(p) representa un experimento con dos posibles resultados:
exito (1) o
fracaso (0). A este tipo de experimentos se les conoce por ensayos de Bernoulli.
Comentarios
2. Si X1 , X2 , , Xt son t variables aleatorias independientes distribuidas seg

un Bernoulli(p), entonces X1 + X2 + + Xt se distribuye seg
un una
Binomial(t, p).
3. Si X representa el n
umero de fracasos antes de
observar el primer
exito en ensayo de Bernoulli,
X geom(p). El numero de facrasos antes de observar el s-
esimo
exito se distribuye seg
un una
binomial negativa con par
ametros s y p.
p(x)
1p
0
Figura 3.10: funci

on de probabilidad de Bernoulli(p) con p > 0, 5.
78
Binomial
Posibles
aplicaciones
Binomial(n, p)
N
umero de fallos en un lote de piezas.
Tama
no de un lote de piezas o de un grupo de personas.
Cantidad de piezas de un pedido.
Probabilidad
p(x) =

t
x
tx
x p (1 p)
si x 0, 1, , t
0
resto de casos

t
donde
es el coeciente binomial expresado por:
x

t
t!
=
x
x!(t x)!
Distribuci
on
0
si x < 0

x t
i
1i
F (x) =
si 0 x t
i=0
i p (1 p)
0
si x > t
donde
x representa el mayor n
umero entero menor
que x.
Par
ametros
t entero positivo, p (0, 1)
Rango
0, 1, , t
Media
tp
Varianza
tp(1 p)
p(t + 1) 1
p(t + 1) si p(t + 1) es entero
Moda
p(t + 1)resto de casos
Estimadores
=
p
x(n)
t
79
1. Si X1 , X2 , , Xt son t variables aleatorias independientes distribuidas seg

un Bernoulli(p), entonces X1 + X2 + + Xt Binomial(t, p).
Comentarios
2. Es sim
etrica si y solo si p = 1/2.
3. Binomial(1, p)=Bernoulli(p).
p(x)
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
8 x
Figura 3.11: funci

on de probabilidad de Binomial(8, 0, 2).
Geom
etrica
Posibles
aplicaciones
geom(p)
N
umero de piezas inspeccionadas antes de encontrar
la primera defectuosa.
Tama
Probabilidad
p(x) =
p(1 p)
si x 0, 1,
resto de casos
80
F (x) =
Distribuci
on
x+1
1 (1 p)
si x 0
resto de casos
Par
ametros
p (0, 1)
Rango
0, 1,
Media
1p
p
Varianza
1p
p2
Moda
Estimadores
=
p
1
x(n) + 1
1. Si X representa el n
umero de fracasos antes de
observar el primer
exito en ensayo de Bernoulli,
X geom(p).
Comentarios
2. Es el equivalente a una distribuci

on exponencial
en el caso de variables discretas.
p(x)
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
Figura 3.12: funci

on de probabilidad de geom(0,5).
8 x
81
Poisson
Posibles
aplicaciones
Poisson()
N
umero de eventos que ocurren en u intervalo de
tiempo cuando esos eventos suceden de uno en uno y
con una tasa constante.
Tama
Probabilidad
Distribuci
on
p(x) =
F (x) =
x
e
x!
si x 0, 1,
resto de casos
si < 0

x
Par
ametros
>0
Rango
0, 1,
Media
Varianza
Moda
Estimadores
i
i=0 i!
si x 0
si es entero
resto de casos
=x
82
1. Si la distribuci
on Poisson() describe el n
umero
de eventos por unidad de tiempo, la distribuci
on
exp(1/) representa el tiempo que transcurre entre dos eventos sucesivos.
Comentarios
2. Si X1 , X2 , , Xn son variables aleatorias independientes distribuidas seg

un Poisson(i ) respectivamente, entonces X1 + X2 + + Xn se
distribuye seg
un una Poisson(1 + 2 + + n ).
p(x)
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
Figura 3.13: funci

on de probabilidad de Poisson(0,2).
3.4.
3.4.1.
Estimaci
on de la media y de la varianza
Estimaci
on puntual
En muchos casos, sobre todo cuando se estudian variables de salida, no es

necesario conocer con profundidad como se comporta una variable aleatoria
X y basta con obtener informaci
on al respecto de sus caractersticas principales: la media y la varianza. En este apartado se explica como estimar estas
propiedades de X.
83
84
Se supone que se dispone de una muestra x1 , x2 , , xn compuesta por valores independientes id

enticamente distribuidos de X, donde y 2 son, respectivamente, la media y la varianza de la poblaci
on de dicha variable. Para
estimar se puede emplear la media de la muestra expresada por:
n
xi
(3.22)
= x(n) = i=1
n
Estimaci
on de la
media de una
variable
aleatoria
es un estimador centrado o insesgado de , es decir, independientedonde

mente del tama
no de la muestra:
=
E()
La estimaci
on de la varianza de X se puede realizar a partir de la varianza de
la muestra:
n
2
[xi x(n)]
2 = S2 (n) = i=1
(3.23)
n1
Estimaci
on de la
varianza de una
variable
aleatoria
que es un estimador centrado, es decir E(S2 (n)) = 2 .
aun siendo un estimador centrado, en k muestras

Por la propia denici
on de ,
toma k valores que, en general, son diferentes. En unos casos, los valores
tambi
anteriores est
an m
as cerca de que en otros. Esto se debe a que
en es
una variable aleatoria, que depende de los valores observados en la muestra,
cuya varianza Var[x(n)] se expresa por:
Var [x(n)]
n
n

1
1
Var
xi = 2 Var
xi
n i=1
n
i=1
n
1
Var(xi )
n2 i=1
1
2
2
n
=
n2
n
(porque xi son independientes)

(3.24)
Dado que E[x(n)] = , cuanto menor es el valor de su varianza mayor es su

precisi
on como estimador, es decir, menor es la distancia esperada entre x(n)
y el verdadero valor de . El valor de Var[x(n)] se puede estimar aplicando la
ecuaci
on 3.23 en la expresi
on anterior:
[x(n)] =
Var
S 2 (n)
=
n
n
[xi x(n)]
n(n 1)
i=1
(3.25)
Por todo ello, no se puede garantizar que la media de una muestra tome un
valor cercano a . Lo que s es cierto es que, en general, a medida que aumenta
se acerque a . El m
el tama
no de la muestra es m
as probable que
etodo m
as
como estimador de es acompa

habitual de evaluar la precisi
on de
nar al
valor puntual de un rango de valores dentro del cual se encuentra con una
probabilidad determinada. A ese rango de valores se le conoce por intervalo
de conanza y se trata con m
as detalle en el siguiente apartado.
Un estimador
puntual no es
suciente...
3.4.2.
Intervalos de conanza para la media
Como se ha visto anteriormente, junto al valor del estimador de la media conviene dar un intervalo de valores entre los cuales se encuentre con una probabilidad alta, conocido como intervalo de conanza. A partir de ahora, cuando
se habla de un intervalo de conanza para con un nivel de conanza 1
se hace referencia a un intervalo [a, b] que cumple que el 100 (1 ) % de los
intervalos as construidos contienen al verdadero valor de (a y b dependen
de la muestra analizada).
A continuaci
on, se indica c
omo construir un intervalo de conanza para el
valor esperado de una variable aleatoria X a partir de un conjunto de n observaciones x1 , x2 , , xn .
Sean y 2 los valores de la media y la varianza de X respectivamente. Para
ello se dene una nueva variable aleatoria Zn mediante la siguiente expresi
on:
Zn =
|x(n) |

2 /n
(3.26)
y se denota por Fn (z) a la funci

on de distribuci
on de dicha variable. A continuaci
on se enuncia el teorema central del lmite:
Teorema 1 Fn (z) (z) cuando n , independientemente de la distribuci
on que siga la variable aleatoria X, donde (z) es la funci
on de distribuci
on
normal con par
ametros = 0 y 2 , tambi
en conocida como normal est
andar
(ver apartado 3.3).
Seg
un este teorema, si n es lo sucientemente grande, Zn se aproxima a
una distribuci
on normal est
andar. Pero la aplicaci
on del teorema anterior para
construir un intervalo para tiene un inconveniente: generalmente no se conoce 2 . Sin embargo, como S2 (n) converge a 2 a medida qu crece n, el teorema
central del lmite sigue siendo cierto si en la expresi
on 3.26 se sustituye 2 por
2
S (n) como sigue:
|x(n) |
Zn =
S2 (n)/n
(3.27)
on N(0,1) para valores elevados

La variable Zn as denida sigue una distribuci
de n. Como se conoce su distribuci
on, se puede construir un intervalo [a, b]
donde P (a z b) = 1 . Si el intervalo [a, b] se construye centrado en
x(n), entonces a = z1/2 y b = z1+/2 que tienen el siguiente signicado
(ver gura 3.14):
P (Z < z1/2 ) = 1 /2
P (Z > z1/2 ) = 1 /2
85
86
f (x)
P (z
area sombreada) = 1
z1/2
x(n)
z1/2
Figura 3.14: funci

on de densidad normal est
andar
Estos valores se pueden consultar en la tabla 1. Para valores altos de n se
cumple la siguiente expresi
on:
Cambiar tabla 1 por un comando ref.
PENDIENTE

x(n)
P z1/2 2
z1/2
S (n)/n
P x(n) z1/2
S 2 (n)
x(n) + z1/2
n
S 2 (n)
n
(3.28)
Por lo tanto, para valores altos de n, con una probabilidad de (1), est
e pertenecer
a al intervalo:

S 2 (n)
(3.29)
x(n) z1/2
n
El intervalo de conanza para = E(X) se construye a partir de la expresi
on
anterior:

2
2
x(n) z1/2 S (n) , x(n) + z1/2 S (n)
(3.30)
n
n
Su interpretaci
on es la siguiente: si se dispone un n
umero elevado de muestras de n observaciones, con n lo sucientementegrande, construyendo un
n
umero elevado de intervalos de conanza con un nivel (1 ) para cada una
de estas muestras, la proporci
on de intervalos que contienen a es aproximadamente (1 ).
El problema de las expresiones anteriores es que se considera que n es sucientemente grande. Normalmente, n toma un valor demasiado peque
no para
aplicar el teorema central del lmite. Si se considera que X sigue una distribuci
on normal, entonces la variable denida por la siguiente expresi
on
87
Cu
ando n es
sucientemente grande?
|x(n) |

S2 (n)/n
se distribuye seg
un una distribuci
on t con n 1 grados de libertad y se puede
calcular un intervalo para de la siguiente manera:

x(n) tn1,1/2
S 2 (n)
n
(3.31)
donde el valor tn1,1/2 se puede consultar en la tabla 2. En general, se considera que para n 30 se puede aplicar el teorema central del lmite.
Eliminar tabla 2 y poner comando ref
PENDIENTE
En realidad, lo m
as frecuente es que X no se distribuya normalmente. En estos casos la armaci
on de que el intervalo dado por la expresi
on 3.31 cubre
el 100 (1 ) % de las casos se hace a
un m
as aproximada, sobre todo si X
sigue una distribuci
on asim
etrica. A pesar de ello, como tn1,1/2 > z1/2 , el
intervalo proporcionado por la expresi
on 3.31 es mayor que el que se obtiene
mediante 3.29, por lo que, generalmente, es m
as probable que cubra el nivel de
conanza (1 ) y se puede considerar como v
alido. Por este motivo se recomienda emplear la expresi
on 3.31 para construir el intervalo de conanza para
la media de una variable aleatoria. En el captulo 6 se aplica este procedimiento
de manera pr
actica mediante el c
alculo de varios intervalos de conanza para
anlalizar variables de salida.
Y si X no sigue
una distribuci
on
normal?
3.5.
Generaci
on de valores de variables aleatorias
Los sistemas estudiados mediante simulaci

on, tpicamente, incluyen fen
omenos de car
acter estoc
astico. Como es necesario reproducir el comportamiento
de esos fen
omenos, es necesario generar valores que se comoporten de forma consistente con dicho comportamiento. Por ejemplo, si se conoce que el
intervalo entre la llegada de dos clientes a una gasolinera sigue una exponencia de media 52 segundos, es necesario generar valores que se comorten de
esa manera. Una manera de obtener esos valroes es, primero, generar n
umeros
aleatorios entre 0 y 1 (U (0, 1)) y, con ellos, generar los valores deseados. A
continuaci
on se presenta una forma de obtener valores de variables aleatorias.
3.5.1.
88
Generaci
on de n
umeros aleatorios para U(0,1)
Existen numerosos m
etodos para generar valores de una variable aleatoria. La
mayora de ellos se basan en la utilizaci
on de n
umeros aleatorios, denidos
como valores independientes de una muestra uniforme continua en el intervalo (0,1). Si se considera una muestra de n n
umeros aleatorios, se denota
por ri el i-
esimo de estos valores. De su denici
on se deducen las siguientes
propiedades:
La probabilidad de que ri tome un valor concreto es independiente de
los valores que toma en el resto de la muestra.
Todos los puntos tienen la misma probabilidad de aparecer.
Si se considera una muestra de N observaciones y se divide el intervalo
(0,1) en n subintervalos de igual longitud, el n
umero esperado de observaciones en cada intervalo es N/n.
En los sistemas reales, los n

umeros aleatorios aparecen de manera natural y se
pueden aprovechar esos fen
omenos para conseguir secuencias de valores ri .
Por ejemplo, las primeras tablas de n
umeros aleatorios construidas en Espa
na
se obtuvieron a partir de la secuencia de n
umeros premiados en la lotera nacional. Otra posibilidad consiste en generarlos con alg
un m
etodo que no es, de
hecho, aleatorio. En la pr
actica, existen diversas t
ecnicas para obtener secuencias de valores ri . A diferencia de lo que ocurre en la naturaleza, estos n
umeros
no son aleatorios ya que al conocerse el m
etodo mediante el cual son generados, la secuencia est
a perfectamente determinada. No obstante, se pueden
obtener valores que cumplen las principales propiedades de los n
umeros aleatorios: uniformidad e independencia. Por ello, son conocidos como n
umeros
pseudo-aleatorios y, a efectos pr
acticos, se pueden considerar n
umeros aleatorios (en adelante, salvo especicaci
on previa, se consideran aleatorios).
N
umeros
aleatorios y
pseudoaleatorios
Por lo tanto, una alternativa a la generaci

on de n
umeros aleatorios es construir tablas de valores ri que se almacenen en el ordenador. El principal inconveniente es que, debido a la gran cantidad de valores necesarios, ocuparan
mucha memoria de almacenamiento (por ejemplo, Witness incluye cerca de
3 1057 n
umeros aleatorios). La generaci
on de n
umeros aleatorios resuelve este problema ya que, en la mayora de los casos, se generan mediante algoritmos
sencillos que permiten generar n
umeros aleatorios cuando son necesarios, con
un uso mucho m
as eciente de los recursos de computaci
on.
Si existen en la
naturaleza,
por
qu
e generarlos?
Uno de los m
etodos m
as utilizados para la generaci
on de n
umeros aleatorios
es el llamado de congruencia lineal. Con este m
etodo se obtiene una muestra
de n
umeros aleatorios en el intervalo de n
umeros naturales [0, m 1] mediante un c
alculo recurrente, en el cual un nuevo n
umero aleatorio se obtiene
ltimo generado aplicando la siguiente expresi
a partir del u
on:
zi = (a zi1 + b)mod(m)
donde el valor inicial z0 se denomina semilla, a es la constante multiplicativa,
c es el incremento, y m es el m
odulo2 , todos ellos enteros no negativos. El
i-
esimo n
umero aleatorio entre 0 y 1 se obtiene a partir de zi de la siguiente
manera:
zi
ri =
m
Los n
umeros aleatorios as generados tienen las siguientes propiedades:
La precisi
on de ri est
a limitada por 1/m, es decir, los posibles valores de
ri son: 0/m, 1/m, , m 1/m.
El n
umero de valores diferentes que se pueden generar es nito y, como
m
aximo, igual al valor del par
ametro m.
Ejemplo 1.1: generaci
on de n
umeros aleatorios mediante el m
etodo de congruencia lineal con z0 = 53, a = 13, b = 38 y m = 100.
z1 = (a z0 + b)mod(m) = (13 53 + 38)mod(100) = 727mod(100) = 27

r1 =
z1
100
27
100
= 0, 27
z2 = (13 27 + 31)mod(100) = 89
r2 =
89
100
= 0, 89
vdots
Cabe destacar que la selecci

on de los par
ametros del generador afecta considerablemente a las propiedades ideales y a la longitud del ciclo. Para obtener
m
as informaci
on acerca de el generador congruente lineal o de otros m
etodos
de generaci
on de n
umeros aleatorios se recomienda consultar [1].
2 La
operaci
on (x)mod(y) da como resultado el resto de la divisi
on de x entre y.
89
M
etodo de
congruencia
lineal
90
Los programas de simulaci

on incorporan o bien algoritmos para generar n
umeros aleatorios, o listas de estos n
umeros. Por ejemplo, el paquete de simulaci
on
Witness no genera valores ri cuando los necesita, si no que incorpora una lista
de n
umeros aleatorios organizados en series y subseries (para m
as informaci
on acerca de este tema se recomienda consultar la ayuda de Witness).
N
umeros
aleatorios en los
programas de
simulaci
on
Revisar si esto es cierto o no
PENDIENTE
3.5.2.
Generaci
on de valores de variables aleatorias
Hasta ahora se ha visto un m

etodo para generar valores de una variable aleatoria que se distribuye uniformemente en el intervalo (0,1). Sin embargo, en
general, las variables aleatorias necesarias para construir un modelo de simulaci
on tienen distribuciones diferentes de la uniforme. A continuaci
on, se
explica uno de los numerosos m
etodos existentes para generar valores de una
variable aleatoria, cuya funci
on de distribuci
on es conocida: el m
etodo de la
transformada inversa.
C
omo se
utilizan los
n
umeros
aleatorios?
La idea en la que se fundamenta el m

etodo de la transformada inversa es la
siguiente: generar un n
umero aleatorio ri entre 0 y 1, y evaluar la inversa de la
funci
on de distribuci
on, F (x), en ese punto. La gura 3.15 ilustra gr
acamente
como se aplica el m
etodo. Se puede demostrar que los valores generados de
esta manera se distribuyen seg
un F (x) y que si los valores ri son independientes entre s, tambi
en lo son los valores xi . Los n
umeros aleatorios introducen
la aleatoriedad que permite imitar el comportamiento estoc
astico de ciertos
fen
omenos, mientras que mediante el m
etodo de la transformada inversa se
consigue que los valores generados se distribuyan seg
un una funci
on concreta.
M
etodo de la
transformada
inversa
En el cuadro 3.12 se indica c

omo aplicar el m
etodo anterior a varias funciones
de distribuci
on utilizadas frecuentemente en simulaci
on. En dichas expresiones, r indica siempre un n
umero aleatorio (U (0, 1)), y x el valor de la variable
aleatoria que se desea generar.
Aplicaci
on para
algunas
funciones
Los paquetes de simulaci

on permiten controlar la generaci
on de n
umeros aleatorios para garantizar que los valores generados sean independientes. En particular, Witness permite al analista elegir qu
e subserie de n
umeros aleatorios
se utilizan en cada variable. Mediante el control de la generaci
on de n
umeros
aleatorios es posible obtener mejores resultados computacionales, como se explica en el captulo 9 dedicado a la presentaci
on de t
ecncias de reducci
on de
la varianza.
Programas de
simulaci
on
F (x)
1
0.8
ri
0.6
0.4
0.2
0
0
xi
Figura 3.15: m
etodo de la transformada inversa para una funci
on continua
91
U(a,b)
x = a + (b a)r
Exp()
x = ln r
1. v1 = 2r1 1
v2 = 2r2 1
2. w = v12 + v22
3. Si w < 1 volver al paso 1. Si w 1:
N(0,1)

y = 2 ln w/w
x1 = v1 y
x2 = v2 y
4. Si N(, 2 ), hacer:
x = + x
weibull(, )
x = ( ln r )1/
x = xj tal que se cumpla la siguiente expresi

on:
Funciones
discretas
j1
i=1
p(xi ) r
j
p(xi )
i=1
Cuadro 3.12: generaci

on de variables aleatorias de varias funciones de distribuci
on mediante el m
etodo de la transformada inversa.
92
Captulo 4
LISIS DE DATOS DE ENTRADA
ANA
METER OTRAS FORMAS DE ALIMENTAR EL MODELO EN WITNESS: .PAR, DISTRIBUCIONES
4.1.
Introducci
on
Uno de los elementos de los que depende la calidad de un estudio de simulaci

on es la calidad de los datos con los que se alimenta dicho modelo. Como
se explic
o en el apartado 1.5, las variables de entrada son aquellos datos de
entrada sobre los que el decisor no tiene control. Sin embargo, las variables de
entrada no pueden tomar cualquier valor. Para representara de forma correcta
el comportamiento del sistema, conviene caracterizar bien c
omo se comportan
las variables de entrada y generar valores de acuerdo con esa caracterizaci
on
Por ejemplo, si en el reside
no de la distribuci
on en planta de un taller no se
disonen de datos correctos respecto a la composici
on de la demanda de ese
taller, el resultado puede ser muy poco v
alido, bien infradimensionando o bien
sobredimensionando las instalaciones.
En los sistema objetos de estudio, genralmente no se conoce en t
erminos
analticos o precisos el comportamiento de las variables de entrada. En ocasiones s se dispone de datos hist
oricos en m
as o menos cantidad (no as si
el sistema no existe). A partir de los datos hist
oricos o de alguna otra manera conviene establecer de forma adecuada el comportamiento de las variables
de entrada. En este captulo se muestran diferentes formas de alimentar un
modelo de simulaci
on y se presentan t
ecnicas para obtener distribuciones que
permitan alimentar bien el modelo.
Cuando se dispone de datos hist
oricos del sistema estudiado, existen tres posibles maneras de alimentar el modelo de simulaci
on corresondiente: con los
propios datos hist
oricos, con una funci
on de distribuci
on emprica o con una
funci
on de distribuci
on te
orica.
1. La primera posibilidad consiste en alimentar al modelo con los datos
hist
oricos tal y como se han recogido. Por ejemplo, si se estudia el modelo de un muelle de descarga de camiones, en la simulaci
on se utilizan
Formas de
alimentar un
modelo de
simulaci
on

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
los valores observados correspondientes a la operaci

on de descarga, de
manera que cada operaci
on de descarga tiene una duraci
on id
entica a
una operaci
on real que tuvo lugar en alg
un momento.
Figura 4.1: alimentaci

on del modelo mediante datos hist
oricos
2. Una segunda alternativa consiste en construir una distribuci

on emprica
a partir de los datos hist
oricos y, con ella, generar valores de la variable de entrada. Para ello, se divide el espacio muestral en intervalos (o
valores puntuales en caso de las variables discretas) y se asigna a cada
uno de ellos una probabilidad proporcional a la frecuencia con la que
aparecen en la muestra hist
orica. A diferencia de la alternativa anterior,
esta permite obtener un n
umero innito de valores comprendidos entre
el m
aximo y el mnimo de los valores hist
oricos.

on del modelo con datos obtenidos de una distribuci
on
emprica
ltima alternativa consiste en obtener una distribuci

3. La u
on te
orica, mediante un test de ajuste, que caracterice de forma aceptable el comportamiento de la variable de entrada. Por ejemplo, dada una muestra del
n
umero de clientes que llegan a una tienda en una hora, se comprueba
si el n
umero de clientes que llegan en cada intervalo de tiempo se puede
caracterizar sucientemente bien mediante una distribuci
on de Poisson.

on del modelo con datos obtenidos mediante una distribuci
on te
orica
La primera alternativa no es muy interesante desde el punto de vista de la explotaci

on del modelo de simulaci
on ya que presenta las siguientes desventajas.
Se dispone de un n
umero limitado de valores para utilizar durante la
ejecuci
on el modelo, por lo que se podr
an obtener un n
umero limitado
94

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
95
de valores de salida que, adem

as, s
olo representan algunas situaciones
de todas las posibles.
Por otro lado, ya se conoce la respuesta del sistema en esos casos debido
a que han ocurrido en la realidad. Por lo tanto, en el mejor de los casos
obtendremos un conjunto de resultados parecidos a lo que sucedi
o en el
sistema real.
Sin embargo, los datos hist
oricos son muy valiosos para la validaci
on del modelo, es decir, para conrmar que el modelo representa de forma adecuada el
sistema estudiado, contrastando los resultados obtenidos en la simulaci
on con
lo ocurrido en el sistema real.
En el caso de formar una distribuci
on emprica con las observaciones se pueden generar todos los valores entre los el menor y el mayor valor. Por lo tanto,
en t
erminos de su utilidad para la explotaci
on del modelo no presentan los
inconvenientes que aparecen con la alimentaci
on del modelo con los datos
hist
oricos. Las principales desventajas de este m
etodo son dos.
Distribuci
on
emprica
Debido a la aleatoriedad del fen

omeno observado, la muestra puede presentar irregularidades, sobre todo si se han recogido pocos datos.
Al emplear una distribuci
on emprica solo se pueden generar valores
dentro del rango de los datos recogidos, y quiz
a la probabilidad de obtener valores fuera de ese rango no sea cero.
El uso de una funci
on te
orica presenta ventajas sobre el uso de una distribuci
on emprica, sobre todo si el n
umero de datos no es muy elevado.
Distribuci
on
te
orica
Se obtiene una funci

on consistente en todo el rango, sin posibles irregularidades.
Mediante distribuciones te
oricas se pueden generar valores fuera de los
lmites de los datos observados durante el periodo de muestreo.
Es m
as compacta y f
acilmente modicable en el caso de querer estudiar
el efecto de cambios en las condiciones de entrada.
ltima suele ser la mejor opci
Por todo lo anterior, esta u
on y s
olo en caso de no
encontrar una distribuci
on te
orica que se ajuste bien a los datos hist
oricos se
justica el uso de funciones empricas.
A continuaci
on, se muestra c
omo alimentar con distribuciones empricas un
modelo de simulaci
on construido con Witness. A continuaci
on se presenta el
proceso de ajuste de los datos hist
oricos a distribuciones te
oricas. En la secci
on 4.3 se indican los pasos del ajuste y en un cuadro se resume el proceso.
En la secci
on ?? se explica como hacer este ajuste usando una hoja de c
alculo
ltimo apartado se resuelve
mediante un ejemplo pr
actico. Para nalizar, en el u
el mismo problema usando una aplicaci
on especca.
Estructura del
captulo

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
fr elativa
0.4
0.3
0.2
0.1
0
0
2.5
7.5
7.5
(a) Distribuci
on emprica
fr elativa
0.4
0.3
0.2
0.1
0
0
2.5
(b) Distribuci
on te
orica

on gr
aca para una muestra de 50 datos de la funci
on
emprica y de una posible funci
on te
orica.
4.2.
Ejemplo 1. Distribuciones empricas en Witness
A partir de los datos correspondientes al tiempo entre llegadas del ejemplo

4.2 del capitulo 1, construir una funci
on de distribuci
on emprica en Witness.
Tiempo entre llegadas (das)

% casos observados
2
5
3
13
4
17
5
27
6
23
7
10
8
5
96

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
Witness dispone de un tipo de elemento, llamado distribuci

on para introducir variables aleatorias empricas. Se puede crear un elemento de tipo con la opci
on Denir (como en la gura 4.5). Existen diferentes tipos de
distribuciones, seg
un devuelva un n
umero entero, un n
umero real o un
nombre y seg
un sea discreta, continua o se dena de acuerdo a una curva de
probabilidad acumulada. En este caso, se trata de una distribuci
on discreta
que devuelve valores enteros.
97
Elemento
Distribuci
on
Figura 4.5: denici

on de la distribuci
on TiempoEntreCamiones.
Esta funci
on se puede congurar introduciendo los datos correspondientes a
las frecuencia obsevada para cada uno de los valores de la variable tiempo
entre camiones. As, se pueden introducir todos los pares Valor-Peso, 2 5,
3 13, ..., 8 5. La suma de todos los pesos no tiene que ser necesariamente
100. La gura 4.6 muestra c
omo el aspecto de la ventana de conguraci
on tras
introducir todos los datos.
Conguraci
on

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
98

on de la distribuci
on TiempoEntreCamiones.
Una vez denida y congurada la distribuci

on, se puede utilizar en el modelo, de la misma manera que, por ejemplo, se utiliza la distribuci
on predenida ((NEGEXP(10))). Como se ha comentado, tal y como se ha denido la
distribuci
on no es posible obtener valores menores que 2 ni mayores que
8. Por otro lado, modicar una distribuci
on emprica exige un poco m
as de
trabajo que modicar una funci
on te
orica. Por eso, en la medida de lo posible,
es preferible utilizar distribuciones te
oricas, para lo cual es necesario realizar
un test de ajuste a partir de los datos hist
oricos, tal y como se indica en el
pr
oximo epgrafe.
4.3.
Utilizaci
on
Tests de ajuste
Tal y como se ha discutido, cuando es posible, conviene alimentar el modelo

con distribuciones te
oricas. Para ello, es necesario disponer de un conjunto de
n datos hist
oricos, x1 , x2 , , xn correspondientes a una variable de entrada,
X. El objetivo es ajustar el comportamiento de X a una funci
on de densidad
(o probabilidad en el caso de que X sea discreta) poder generar valores con
los que ejecutar el modelo. Para ello, en primer lugar se estudia la manera en
la que se distribuyen los valores de la muestra para establecer una hip
otesis
como la siguiente:
H0 :
H1 :
La variable X se ajusta a la distribuci

on de probabilidad f (x)
con par
ametros , , .
La variable X no se ajusta a la distribuci
on anterior.
Contraste de
hip
otesis

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
El siguiente paso es comprobar, mediante un test de ajuste, si la hip

otesis
H0 es cierta. Si no se puede demostrar que sea falsa, se acepta como cierta.
Para realizar estos tests se establece un nivel de conanza, , que representa
on se presenta de
la probabilidad de rechazar H0 siendo cierta. A continuaci
forma detallada todo el procedimiento.
99

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
1. Comprobar la independencia de los datos hist

oricos. Se agrupan los datos en pareacamente si los
jas (xi , xi+1 ) y se representan en el espacio XY. Se puede apreciar gr
datos est
an correlacionados (ver gura 4.7).
2. Identicar la distribuci
on. Se divide el rango de las observaciones en k intervalos
on se construye un
de igual amplitud (se recomienda k > n). A partir de esta divisi
histograma donde la altura de cada barra representa la frecuencia relativa con la que
aparecen los valores de la muestra en ese intervalo. A partir del aspecto de esta gr
aca
se eligen las posibles distribuciones para el ajuste.
3. Estimar los par
ametros. Para ello se aconseja emplear los estimadores m
aximo
verosmiles. En el captulo dedicado a repaso de estadstica se detalla ampliamente
como llevar a cabo este paso para cada distribuci
on (ver 3.2.5).
4. Formular la hip
otesis del test. Se formula la hip
otesis nula conforme a la elecci
on
de la distribuci
on y la estimaci
on de sus par
ametros.
Test de la 2
Test de Kolmogorov-Smirnov
4. Dividir el rango de las observaciones

en k intervalos. Es aconsejable que estos
intervalos sean equiprobables para la funci
on f (x) considerada. En este caso la probabilidad de que una valor de la variable X
pertenezca a cada intervalo es p = 1/k y se
recomienda tomar k tal que np > 5
5. Construir el estadstico:
2 =
k

(Ni npi )2
npi
i=1
(4.1)
donde Nj es el n
umero de observaciones
pertenecientes al intervalo i-
esimo y pi es
la probabilidad (seg
un la funci
on te
orica
elegida) de que un valor pertenezca a ese
mismo intervalo.
6. Aplicar el criterio de decisi
on. No se rechaza H0 si:
2
2 < km1,1
2
donde km1,1
es el valor obtenido en la
tabla 3, el nivel de conanza y m representa el n
umero de par
ametros estimados.
4. Ordenar las observaciones en orden

creciente (asignando a x(1) el menor valor
de xi y a x(n) el mayor).
5. Calcular la funci
on de distribuci
on
emprica de la muestra, Fn (x), que se dene como:
0, si x x(1) ,
Fn (x) = ni , si x(i) x x(i+1) , (4.2)
1, si x X
(n)
6. Calcular para cada observaci

on x(i) :
ax
Di = m
% %
%&
$%
% %
%
%
%Fn (X(i1) ) F(X(i) )% , %Fn (X(i) ) F(X(i) )%
7. Aplicar el criterio de decisi
on. No se rechaza H0 si:
D(, n) m
ax Di
donde D(, n) es un valor obtenido en la
tabla 4 y el nivel de conanza.
100

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
Cu
ales son las tabla 3 y 4 (a la que se reere el cuadro resumen del test)
Figura 4.7: diagrama de dispersi

on de una muestra no correlacionada y de otra
correlacionada linealmente
4.4.
Ejemplo 2
En este apartado se presentan un ejemplo en el que se emplea una hoja de

c
alculo para reproducir todos los c
alculos resumidos anteriormente.
En este apartado, se presenta el an
alisis de un conjunto de datos hist
oricos,
y se realizan los dos tests de ajuste presentados haciendo uso de Excel para
reproducir los c
alculos.
Para seguir la explicaci
on se recomienda trabajar sobre los siguientes archivos:
Ejemplo2-1.xls, que contiene los datos de partida y las hojas necesarias para reproducir todos los c
alculos.
Ejemplo2-1 solucion.xls, donde est
an todos c
alculos ya hechos.
4.4.0.1. Primer paso: comprobaci
on de la independencia
En la hoja ((Datos)) del archivo Ejemplo2-1.xls se muestran los valores de las
500 observaciones que se analizan en este ejemplo. De acuerdo con el cuadro
de la secci
on 4.3, en primer lugar, hay que comprobar la independencia de las
observaciones. Para ello hay que hacer lo siguiente.
1. Agrupar los valores en parejas (xi , xi+1 ) para formar puntos en el espacio XY, de manera que queden n 1 puntos (x1 , x2 ), (x2 , x3 ), ,
(xn1 , xn ). Para ello, lo que hay que hacer es copiar en dos columnas
adyacentes los valores observados de tal modo que cada xi tenga a su
derecha el valor xi+1 .
101
PENDIENTE

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
2. Representar gr
acamente estos puntos para decidir, de manera visual, si
la muestra est
a compuesta por datos independientes. Para ello, es necesario crear un gr
aco en Excel: ( Gr
aco / Tipo de gr
aco / XY (Dispersi
on)
).
En la gura 4.8 se muestra el resultado de este proceso. No se observa que

los puntos se agrupen de acuerdo con ninguna relaci
on particular, y se puede
admitir que los datos de la muestra son independientes.
xi+1
200
150
100
50
0
0
50
100
150
200 xi
Figura 4.8: ejemplo de gr

aco de dispersi
on XY
4.4.0.2. Segundo paso: identicaci

on de la funci
on de probabilidad
A continuaci
on hay que identicar, mediante un histograma, a qu
e posibles
funciones pueden asociarse los datos de la muestra. Para construir dicho histograma hay que agrupar las observaciones en k intervalos de igual amplitud.
Una orientaci
on a la hora de elegir el k es escoger un valor cercano a n. En
este caso se ha elegido dividir en 20 intervalos ( 500 = 22, 36) cuya longitud
es:
172, 93 0, 01
= 8, 646
20
Para completar el histograma se recomienda seguir los siguientes pasos:
1. Ordenar los datos en orden creciente y copiarlos en la hoja
((Identicaci
on funci
on)).
2. Encontrar el n
umero de datos de la muestra que pertenecen a cada intervalo. Mediante la funci
on matricial de Excel ((FRECUENCIA)) (ver cuadro
102

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
4.4.0.2 o la ayuda de Excel) se obtiene el n

umero de valores pertenecientes a cada intervalo. Para obtener la frecuencia relativa se divide cada
uno de estos valores entre el tama
no de la muestra, n = 500.
3. Representar las frecuencias relativas en un histograma como el de la
gura 4.9 ( Gr
aco / Tipo de gr
aco / Columnas ).
Figura 4.9: tabla de frecuencias e histograma en Excel
La forma del histograma sugiere como variables potencialmente interesantes,

entre otras, una distribuci
on lognormal o una exponencial. En adelante se analizan cada una de estas posibilidades, comparando los resultados para ambos
casos.
103

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
FRECUENCIA EN EXCEL
FUNCION
La funci
on ((FRECUENCIA(datos;grupos))) calcula la frecuencia con la que se
repiten los valores de un rango en un conjunto de datos. Se trata de una
funci
on matricial, ya que da como resultado un conjunto de valores en forma
de matriz. Por lo que su uso es diferente al de una funci
on normal. Para
introducirla en una celda, hay que seguir los siguientes pasos.
1. Seleccionar las celdas donde se quieren obtener las frecuencias observadas para cada intervalo.
2. Introducir ((=frecuencia()).
3. Seleccionar las celdas donde se encuentran los datos de la muestra.
4. Introducir ((;)).
5. Seleccionar las celdas donde se encuentran los lmites superiores de
los intervalos.
6. Mantener pulsadas las teclas Ctrl+May
usculas+Enter.
Como resultado se obtienen las frecuencias absolutas con las que se repiten
las observaciones en cada rango de valores.
Para este caso concreto, la expresi
on es ((FRECUENCIA(B2:B501;F6:F25))).
4.4.0.3. Tercer paso: estimaci

on de par
ametros
Dependiendo de la funci
on considerada, se deben estimar par
ametros diferentes. En la secci
on 3.3 pueden encontrarse estimadores m
aximo verosmiles
para las distribuciones te
oricas m
as comunes. En este caso, los estimadores
son:
Lognormal (LN(, 2 ))
n
2 =
ln xi
n
i=1
n
i=1
Exponencial (exp())
= x(n)
2
ln xi
n
Cuadro 4.1: estimadores MLE para lognormal y exponencial

Mediante estas expresiones se obtienen los par
aemtros corresponeientes a la
2
=
= 2, 62 y = 1, 89, y el correspondiente a la exponencial
lognormal,
26, 09.
4.4.0.4. Cuarto Paso: test de ajuste
Test 2
104

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
En primer lugar se realiza el test 2 para la hip

otesis lognormal y despu
es para
la exponencial. En el primer caso, la formulaci
on de la hip
otesis es la siguiente:
H0 :

on de probabilidad
LN(2, 62, 1, 89).
H1 :
La variable X no se ajusta a la hip

otesis anterior.
A continuaci
on se presenta como realizar el contraste 2 de H0 paso a paso:
1. Calcular la amplitud de los intervalos. Se divide la funci
on en k intervalos equiprobables y para cumplir la recomendaci
on np > 5 se toman
20 intervalos (p = 1/k = 0, 05 np = 500 0, 05 = 25 > 5). Los intervalos se constituyen de tal manera que la probabilidad de que una variable
que se distribuya seg
un una LN(2, 62, 1, 89) tome valor dentro de
el sea
p = 1/20 = 0, 05.
2. Calcular el extremo superior e inferior de cada intervalo. Para cada
intervalo i hay que evaluar la inversa de la funci
on de distribuci
on en
x = 0, 05 (i 1) y en x = 0, 05 i. La inversa de una distribuci
on
de probabilidad se obtiene despejando la variable x en la funci
on de
distribuci
on:
y = F (x) x = F 1 (y)
En el caso de la lognormal, no se puede despejar directamente debido a la forma de la funci
on de distribuci
on. Excel dispone de la funci
on ((DISTR.LOG.INV(probabilidad;media;desv-est
andar))) que proporciona directamente el valor de x tal que P (X < x) = probabilidad. La expresi
on para calcular los extremos del intervalo i es la siguiente:
lmite inferior DISTR.LOG.INV(0,05 * (i-1) ;2,62;RAIZ(1,89))
lmite superior DISTR.LOG.INV(0,05 * i ;2,62;RAIZ(1,89))
Procediendo de este modo se obtienen unos intervalos como los del cuadro 4.2.
3. Calcular el n
umero de observaciones pertenecientes a cada intervalo.
Se lleva a cabo aplicando de nuevo la funci
on matricial ((FRECUENCIA)),
esta vez con los lmites superiores obtenidos en el paso anterior. El resultado se muestra en la columna Ni del cuadro 4.1.
4. Calcular el estadstico 2 mediante la ecuaci
on 4.1.
2
para = 0,9, = 0,95, y = 0,99.
5. Obtener el nivel crtico km1,1
Para ello se emplea la funci
on de Excel ((PRUEBA.CHI.INV(probabilidad ;
grados-de-libertad))), donde probabilidad toma el valor 1 (n
otese que
el n
umero de grados de libertad es 20-1-1=18).
105
2 , lognormal

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
Intervalo Limite
inferior
Limite
superior
Frecuencia observada (Ni )
Frecuencia esperada (npi )
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1,43
2,36
3,30
4,32
5,43
6,67
8,08
9,69
11,55
13,72
16,31
19,44
23,31
28,22
34,68
43,64
57,05
79,90
131,66
30
21
18
16
25
20
22
15
21
20
37
27
27
33
32
38
40
30
25
3
25
25
25
25
25
25
25
25
25
25
25
25
25
25
25
25
25
25
25
25
0,00
1,43
2,36
3,30
4,32
5,43
6,67
8,08
9,69
11,55
13,72
16,31
19,44
23,31
28,22
34,68
43,64
57,05
79,90
131,66
106
(Ni npi )2
npi
1,00
0,64
1,96
3,24
0,00
1,00
0,36
4,00
0,64
1,00
5,76
0,16
0,16
2,56
1,96
6,76
9,00
1,00
0,00
19,36
2 = 60, 56
Cuadro 4.2: intervalos equiprobables, frecuencias y estadstico
hip
otesis lognormal
Comparando el estadstico experimental con el nivel crtico (cuadro 4.4) se

rechaza la hip
otesis de que la muestra siga una distribuci
on lognormal con
= 2, 62 y
2 = 1, 89 con un nivel de conanza 90 %.
par
ametros
Alternativamente, se puden formular las hip
otesis correspondientes a la distribuci
on exponencial:
H0 :

on de probabilidad
Exp(26, 09).
H1 :
La variable X no se ajusta a la hip

otesis anterior.
Al contrario que en el caso anterior, la inversa de la exponencial se puede despejar directamente y no existe una funci
on en Excel para calcularla. Por tanto,
para obtener los extremos de los intervalos debe introducirse la expresi
on matem
atica que se obtiene despejando de su distribuci
on de distribuci
on:
y = F (x) =
1 ex/
si x 0
otros casos
2 , exponencial

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
x = F 1 (y) = ln(1 p)
(4.3)
donde p es el valor en el que se eval

ua dicha funci
on. Procediendo como en el
caso anterior se obtiene un cuadro como 4.3:
Intervalo Limite
inferior
Limite
superior
Frecuencia observada (Ni )
Frecuencia esperada (npi )
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1,33
2,74
4,24
5,82
7,50
9,30
11,23
13,32
15,59
18,08
20,83
23,90
27,38
31,41
36,16
41,99
49,49
60,07
78,15
28
31
24
35
28
19
18
21
34
24
22
20
24
15
29
21
31
24
24
28
25
25
25
25
25
25
25
25
25
25
25
25
25
25
25
25
25
25
25
25
0,00
1,33
2,74
4,24
5,82
7,50
9,30
11,23
13,32
15,59
18,08
20,83
23,90
27,38
31,41
36,16
41,99
49,49
60,07
78,15
(Ni npi )2
npi
0,36
1,44
0,04
4,00
0,36
1,44
1,96
0,64
3,24
0,04
0,36
1,00
0,04
4,00
0,64
0,64
1,44
0,04
0,04
0,36
2 = 22, 08
Cuadro 4.3: intervalos equiprobables, frecuencias y estadstico
hip
otesis exponencial
Como el estadstico 2 es menor que 18,0,99 (cuadro 4.4), se deduce que la

= 26, 09
hip
otesis de que la muestra sigue una distribuci
on exponencial con
no se puede rechazar al nivel 99 % por lo que, seg
un este test de ajuste, esta
distribuci
on podra ser sucientemente buena para alimentar al modelo de
simulaci
on al que se reeren los datos hist
oricos disponibles.
107

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
18,0,9
18,0,95
18,0,99
25,989
28,869
34,805
Lognormal
2 = 127, 6
RECHAZADA
RECHAZADA
RECHAZADA
108
Exponencial
2 = 22, 08
ACEPTADA
ACEPTADA
ACEPTADA
Cuadro 4.4: criterio de decisi

on del test 2 .
Test de Kolmogorov-Smirnov
Igual que con es test anterior, en primer lugar se realiza el contraste correspondiente a la distribuci
on lognormal. El procedimiento para realizar el test
de Kolmogorov-Smirnov es el que sigue.
K-S, lognormal
1. Ordenar los valores de la muestra en orden creciente y copiarlos en el

lugar correspondiente de la hoja ((Test K-S)). A partir de ahora, x(1) es el
ltimo.
primero de estos valores y x(n) el u
2. Calcular la funci
on Fn (x) en cada punto x(i) . En la celda i-
esima de la
columna Fn (x) se calcula el valor de esta funci
on para x(i) ) mediante la
expresi
on:
i
Fn =
500
3. Obtener Di para cada valor xi . Para ello, se calculan en cada x(i) las dos
siguientes expresiones1 :
%
%
a) %Fn (x(i1) ) F (x(i) )%
%
%
b) %Fn (x(i) ) F (x(i) )%
y en cada punto Di toma el mayor de los valores anteriores.
4. Obtener el valor del estadstico de contraste D(, n) de la tabla 4. En
el cuadro 4.5 se muestran los valores de D(0, 9, 500), D(0, 95, 500) y
D(0, 99, 500) con los que se compara m
a x Di .
Referencias a la tabla 4
Como D > D(0, 9, 500), se rechaza la hip
otesis de que la muestra sigue una
distribuci
on lognormal con par
ametros = 2, 62 y 2 = 1, 89 (ver cuadro 4.6).
1 para
evaluar LN(, 2 ) en x en Excel se emplea la expresi

on ((DISTR.LOG.NORM(x; , ))).
PENDIENTE

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
109
x(i)
Fn (x(i) )
F (xi )
%
%
%Fn (x(i1 ) F (xi )%
%
%
%Fn (x(i ) F (xi )%
Di
0,01
0,002
0,000
0,002
0,002
0,03
0,004
0,000
0,002
0,004
0,004
0,05
0,006
0,000
0,004
0,006
0,006
0,08
0,008
0,000
0,006
0,008
0,008
0,23
0,010
0,001
0,007
0,009
0,009
..
.
..
.
..
.
..
.
..
.
..
.
..
.
496
127,34
0,992
0,947
0,043
0,045
0,045
497
128,19
0,994
0,948
0,044
0,046
0,046
498
136,26
0,996
0,953
0,041
0,043
0,043
499
158,80
0,998
0,963
0,033
0,035
0,035
500
172,93
1,000
0,967
0,031
0,033
D = m
ax Di = 0, 087
Cuadro 4.5: test de Kolmogorov-Smirnov para la hip
otesis LN(2, 62, 1, 89).
D0, 9, 500
D0, 95, 500
D0, 99, 500
0,055
0,061
0,073
Lognormal
D = 0, 124
RECHAZADA
RECHAZADA
RECHAZADA
Exponencial
D = 0, 044
ACEPTADA
ACEPTADA
ACEPTADA
Cuadro 4.6: criterio de decisi

on del test K-S.
Procediendo de manera an
aloga para la hip
otesis exponencial2 se obtiene que
seg
un este test no se puede rechazar con un nivel de conanza del 99 % que la
muestra siga una distribuci
on Exp(26, 9). Por lo tanto, al igual que sucede en
el test 2 , se rechaza la hip
otesis lognormal y se acepta la exponencial.
K-S, Exponencial
Cabe destacar que, aunque en este caso coincidan, los resultados de los dos
tests pueden ser diferentes. En estos casos se puede recurrir a otros tests como
Anderson-Darling (ver Law 2001 [1], p
ags. 351-352).
Comentarios
2 para
evaluar exp() en x en Excel se emplea la expresi

on ((DISTR.EXP(x; 1/;VERDADERO)))).

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
4.5.
Ejemplo 3. Test de ajuste empleando Bestt
A continuaci
on muestra una herramienta, Bestt, que permite realizar un test
de ajuste para el conjunto de datos anterior, x1 , x2 , , x500 . Bestt, desarrollado por Palisade, forma parte del paquete @Risk, del cual es posible descargar
versiones de prueba desde la p
agina de Palisade (www.Palisade.com)
Para obtener los resultados del test, hay que realizar lo siguiente.
1. Introducir los datos de entrada. El programa permite analizar tres tipos
de datos: muestras, curvas de densidad o curvas de distribuci
on (Fitting /
Input Data Options...) Igualmente, permite elegir entre variables discretas
o continuas. En este caso, el tipo de datos coincide con la conguraci
on
por defecto (muestra de una variable continua). Para introducir los 500
datos, basta con copiar directamente desde Excel y se pegar sobre la
columna Sample.
2. Seleccionar la funci
on para realizar el ajuste. Bestt permite hacerlo de
dos maneras: o bien se especica la funci
on que se desea ajustar y sus
par
ametros, o se deja que sea el programa el que estime los par
ametros
de las funciones que elija el usuario. Esto se selecciona en (Fitting / Specify Distributions to Fit...) En este ejemplo se deja que el programa estime
los par
ametros y compare las siguientes funciones: beta, exponencial,
gamma, lognormal23 , normal, triangular, uniforme y weibull.
3. Realizar el ajuste. Para realizar el ajuste se elige Run Fit en el men
u Fitting.
4. Interpretar los resultados. Despu
es del paso anterior se abre una ventana como la de la gura 4.10. En ella se pueden distinguir tres bloques de
informaci
on.
a) A la izquierda se enumeran las distribuciones seleccionadas
en orden creciente de bondad del ajuste seg
un tres tests: 2 ,
Kolmogorov-Smirnov y Anderson-Darling. El test se selecciona en
la pesta
na desplegable de la parte inferior del bloque.
b) En la parte central aparece una gr
aca que compara el histograma
de la muestra con las funci
on te
orica. Adem
as se pueden seleccionar otros tres tipos de gr
acos: Dierence, que muestra la diferencia en cada punto entre la muestra y la funci
on te
orica, P-P, donde
se representa la probabilidad de la funci
on emprica de la muestra frente a la funci
on de densidad considerada (interesa que sea
lo m
as lineal posible), y Q-Q, donde se representan los percentiles
3 Best tiene dos formatos para esta funci
on y este es el que coincide con el utilizado en este
texto.
110

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
de la muestra frente a los de la inversa de la funci

on de densidad
considerada.
c) En la parte derecha aparece un informe de las caractersticas principales de la funci
on ajustada como son: valor de los par
ametros
estimados, rango, media, varianza... Seleccionando la opci
on GOF
se muestran los resultados de los 3 tests de ajuste.
Figura 4.10: ventana de resumen de los resultados del ajuste en Bestt
Los resultados de cada test se presentan en el cuadro 4.7. No existe una regla para decidir qu
e test es mejor en cada caso. Cada uno tiene sus ventajas
e inconvenientes por lo que una buena opci
on es estudiar los resultados de
los tres conjuntamente. En este caso, por ejemplo, no hay ninguna raz
on para
pensar que la muestra no se ajusta a una Exp(26,08), ya que los resultados de
los tres para esta funci
on son aceptables. Aunque tambi
en es razonable aceptar que se distribuye seg
un una Beta(0,88 , 27,35), que es la que proporciona
un ajuste mejor seg
un los test 2 y K-S.
111

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
Orden
K-S
A-D
1o
beta
beta
exp
2o
exp
exp
lognormal
3o
lognormal
lognormal
normal
4o
normal
normal
uniforme
triangular
triangular
beta
6o
uniforme
uniforme
triangular
Cuadro 4.7: orden de las funciones en funci

on de la bondad del ajuste.
La estimaci
on de los par
ametros se realiza mediante una versi
on mejorada de
los estimadores m
aximo verosmiles (para obtener m
as informaci
on acerca de
ello ver la ayuda del programa). En algunas funciones los par
ametros de Bestt
no coinciden con los presentados en la secci
on 3.3, por lo que es conveniente
consultar la ayuda para saber que representan exactamente en cada.
4.6.
Resumen
Alimentar un modelo de simulaci

on de la forma correcta es un requisito imnico) para realizar un an
prescindible (aunque no el u
alisis correcta del sistema
estudiado.
Existen tres formas de alimentar un modelo. Con datos hist
oricos, con datos
generados a partir de una distribuci
on emprica y con datos generados a trav
es
de una distribuci
on te
orica.
Con los datos hist
oricos es posible realizar la validaci
on del modelo. Sin emgargo, como el n
umero de valores de los datos hist
oricos no suele ser muy
tiles para explorar diferentes conguraciones y evaluar
grande, no resultan u
el comportamiento del sistema para tomar una decisi
on.
Al utilizar variables aleatorias se resuelve el problema anterior. Sin embargo,
generalmente, es preferible utilizar distribuciones te
oricas. Por un lado, permiten generar valores dentro de un rango m
as amplio, son m
as manejables y
permiten evitar los errores derivados de las observaciones hist
oricas atpicas.
Para alimentar un modelo con una funci
on de distribuci
on te
orica, es necesario
realizar un test de ajuste, tal y como se realizado, primero con Excel y, despu
es,
con Bestt.
112

Captulo 4. ANALISIS
DE DATOS DE ENTRADA
En el siguiente captulo se presentan diferentes estrategias de vericaci

on y
validaci
on, para lo cual es necesario disponer de buenos datos de entrada, tal
y como se ha presentado en este captulo.
113
Captulo 5
Y VALIDACION
DE MODELOS
VERIFICACION
PENDIENTE: REVISAR CALIDAD IM
AGENES
5.1.
Introducci
on
Para que un modelo sea de utilidad debe estar bien hecho. Esto signica dos
cosas: primero, debe estar bien programado y, segundo, debe representar bien
la realidad. Al proceso que garantiza que un modelo est
a bien programado, se
le denomina vericaci
on, mientras que el que se reere a la representaci
on
adecuada del sistema estudiado, se denomina validaci
on.
Dicho de otra manera, en t
erminos de las etapas de un estudio de simulaci
on,
la vericaci
on garantiza que el modelo inform
atico es coherente con el modelo
comunicactivo desarrollado, que es reejo del modelo conceptual. Por su parte, la validaci
on garantiza el modelo conceptual representa de forma correcta
el sistema estudiado para los objetivos jados. En la gura 5.4, el t
ermino valiltimo y aparece tambi
daci
on aparece reejando esto u
en en la etapa de explotaci
on. La explicaci
on es que si se desea comparar los resultados que ofrece
el modelo con los del sistema real (cuando existe) es necesario disponer del
modelo inform
atico construido para comprobar que, efectivamente, es v
alido.
Finalemente, la credibilidad de un modelo est
a relacionada con la conanza
que se deposita en
el en t
erminos de la puesta en pr
actica de las conclusiones
que se obtienen a partir de su an
alisis.
PENDIENTE: mejorar calidad figura
Deniciones
Y VALIDACION
DE MODELOS
Captulo 5. VERIFICACION
DE
O E
115
DE
O
DEL
EM
E O D DE
D O
MODELO
O E
L
MODELO
OM
O
MODELO
O M
O
E
LO
D E O DE
E E ME O
DO ME
M L
E L
DO
Figura 5.1: vericaci

on, validadaci
on y credibilidad en un estudio de simulaci
on.
Un modelo no vericado difcilmente puede ser v

alido. Sin embargo, un modelo
bien vericado no necesariamente es v
alido, ya que un modelo puede estar
muy bien programado para representar un modelo conceptual muy alejado
del sistema real.
A lo largo del captulo se presentan algunas t
ecnicas relativas a la vercaci
on y
la validaci
on de modelos, se plantean algunos ejemplos sencillos para ilustrar
c
omo vericar modelos y se presentan las caractersticas m
as importantes de
Witness para facilitar la vericaci
on de modelos.
5.2.
C
omo vericar un modelo
A continuaci
on se presentan algunas t
ecnicas de car
acter general para vericar
modelos (consultar Law para profundizar m
as).
Emplear, cuando sea posible, una estructura modular. Al construir un
modelo conviene identicar subsistemas independientes, modelarlos y
vericarlos por separado. Adem
as, estos subsistemas se pueden repetir
en un modelo o se pueden reutilizar para otros modelos, de forma que si
se dispone de un m
odulo bien vericado, se podr
a reutilizar con buenos
resultados. Por ejemplo, al modelar una planta de montaje de autom
oviles, puede ser interesante modelar de forma independiente, el montaje
en bruto, la secci
on de pintura y el montaje nal, depurar cada m
odulo
T
ecnicas de
vericaci
on
Y VALIDACION
DE MODELOS
por separado y, nalmente, construir el modelo con todos los elementos.

Es recomendable elaborar los modelos con un grado creciente de detalle, comenzando con modelos sencillos e incrementando la complejidad
a medida que se comprueba que el modelo est
a bien programado en cada caso. En el ejemplo anterior, en una primera aproximaci
on, la linea
nica
auxiliar que prepara los motores puede representarse como una u
actividad, tras comprobar que el modelo es correcto, se puede sustituir
esa actividad por un conjunto de actividades que representen los puestos
de dicha linea.
La participaci
on de varias personas puede facilitar la detecci
on de errores, el intercambio de impresiones al respecto de c
omo elaborar el modelo de forma m
as ecaz y eciente, etc. Por otra parte, esto facilitar
a que
el modelo sea m
as legible, ya que si varias personas deben trabajar sobre
el mismo c
odigo, ser
a m
as sencillo que este se elabore de tal manera que
sea f
acilmente inteligible por otros programadores.
Si se dispone de suciente informaci
on, se puede ejecutar el modelo asignando valores a los par
ametros para los cuales se conocen los resultados que deberan obtenerse. Por ejemplo, un sistema de espera, para
determinadas pautas para los tiempos de servicio y para las llegadas de
los clientes puede modelarse con teora de colas. Por ello, si se alimenta
el modelo de acuerdo con esos suspuestos, se podran comparar con los
resultados te
oricos. Tras vericarlo, se deberan introducir los valores
origninales.
Para conocer en detalle c
omo se comporta el modelo, se puede realizar
un seguimiento de los eventos a medida que se ejecutan y as comprobar
que el modelo inform
atico reproduce el comportamiento deseado.
Tambi
en se pueden utilizar hip
otesis simplicadoras, para las cuales
se conoce el comportamiento del sistema y comprobar si el resultado
es correcto. Una forma sencilla puede ser establecer todos los tiempos
como deterministas y observar si el comportamiento es el esperado.
Los entornos de simulaci
on comerciales ofrecen la posiblidad de crear
una animaci
on, cuya observaci
on puede permitir identicar posibles
errores del modelo. Por ejemplo, al representar el movimientos de las
traspaletas en un almac
en, puede ocurrir que existan colisiones que no
se identiquen si no es a trav
es de la representaci
on gr
aca de sus movimientos.
La generaci
on de n
umeros aleatorios debe ser consistente con las distribuciones seleccionadas y, en general, se deben generar valors independientes. Por ello, se puede comprobar que la media y la varianza de los
valores generados corresponden a los espeardos y, adicionalmente, se
puede realizar alg
un test de independencia de los valores generados.
116
Y VALIDACION
DE MODELOS
En general, las herramientas comerciales ofrecen herramientas especcas para realizar la vericaci
on, lo cual constituye una ventaja con respecto a los lenguajes de programaci
on general a la hora de construir un
modelo.
En el siguiente apartado se muestran algunos ejemplos de vericaci

on para
modelos sencillos construidos con Witness y, adem
as, se comentan las herratiles para la depuraci
mientas especcas de este entorno que resultan u
on.
5.3.
Ejemplos de vericaci
on
Los ejemplos que se muestran en este epgrafe son sencillos, con lo cual, muchas de las comprobaciones pueden parecer triviales, pero en modelos comtiles.
plejos, son extremadamente u
5.3.1.
Ejemplo 1
El siguiente ejemplo ilustra la estrategia de vericaci

on consistente en congurar el modelo con datos de entrada para los cuales se conoce el resultado
te
orico.
Un centro de atenci
on telef
onica recibe dos tipos de llamadas: llamadas VIP y
llamadas normales. Los tiempos entre llegadas de dichas llamadas siguen dos
exponenciales, de medias 20 y 1.5 minutos, respectivamente. A medida que
nica cola.
las llamadas llegan quedan en una u
Existen cuatro operadores de nivel 1 que atienden las llamadas de la cola, de
manera que las lamadas VIP tienen preferencia sobre las llamadas normales.
Tiempo de atenci
on de las llamadas sigue una exponencial de media 4 minutos, independientemente del tipo de llamada.
Despu
es se derivan a otros operadores especcos. El tiempo que permanecen despu
es en el sistema sigue una normal logartmica de media 6 minutos
y desviaci
on tpica 0.5.
Se pide constuir el modelo, realizar una analoga con la teora de colas y comprobar que el modelo es correcto.
El archivo Ejemplo5-1.mod ofrece un posible modelo para representar el sistema anterior. Este modelo consta de los siguientes elementos:
LlamadaVIP y LlamadaNormal, elementos tipo entidad activa con un intervalo entre llegadas de ((NEGEXP(20))) Y ((NEGEXP(1.5))), respectivamente.
117
Y VALIDACION
DE MODELOS
LlamadasEnEspera es una cola donde se almacenan todas las llamadas,

donde la opci
on de salida es ((Cualquiera)), para permitir que el elemento
que representa a los operadores de nivel 1 pueda atender las llamadas
VIP de forma preferente.
La actividad OperadoresNivel1, con cantidad igual a 4, mediante la regla ((PULL from LlamadaVIP out of LlamadasEnEspera, LlamadaNormal
out of LlamadasEnEspera)) atienden primero las llamadas VIP y, al nalizar, las envan al resto del sistema.
La cola RestoSistema tiene un tiempo de permanencia m
aximo de
((LOGNORML (6,0.5))) para representar el tiempo durante el cual las llamadas permancen a
un en el sistema. Finalmente, tras ese tiempo, las
llamadas se expulsan del modelo.
Seg
un la Teora de Colas, si n servidores en paralelo cuyos tiempos de servicio
siguen exponenciales de media atienden a clientes que llegan seg
un una
exponencial de media , su nivel de ocupaci
on, , viene dado por la expresi
on
siguiente:
=
(5.1)
En el caso del ejercicio, no existe la llegada de un s

olo cliente, sino dos diferentes, que siguen distribuciones exponenciales. En una hora, por t
ermino
medio, llegan 3 llamadas VIP y 40 llamadas normales, es decir, 43 llamadas en
conjunto. El tiempo entre llamadas (independientemente del tipo) es 60
43 , que
es el valor de para la expresi
on 5.1. Por otra parte, n = 4 y = 4, por lo que
el tiempo medio de ocupaci
on esperado ser
a:
=
4
60
4 43
= 71,67
(5.2)
Una posible forma de comprobar si esto es as es la que se ofrece en el archivo

Ejemplo5-1 solucion.mod. La soluci
on consiste en lo siguiente.
Existe un nuevo elemento, de tipo Diagrama de tarta, con dos sectores, uno con el valor ((PUTIL(OperadoresNivel1,2))) (para mostrar la proporci
on del tiempo durante el cual los operadores de nivel 1 han estado
ocupados) y el otro con el complemento a 100 de dicho valor. En la gura 5.2 aparece la ventana de conguraci
on del diagrama de tarta. Para
generar nuevos sectores es necesario hacer clic en el bot
on sobre el cual
est
a el cursor en dicha gura.
PENDIENTE mejorar calidad imagen
118
Y VALIDACION
DE MODELOS

on del diagrama de tarta
Se han creado nuevos elementos en la representaci

on del elemento
OperadoresNivel1. El m
as importante es el elemento de representaci
on
de tipo expresi
on, para representar ((PUTIL(OperadoresNivel1,2))).
Figura 5.3: tasa de ocupaci

on de OperariosNivel1
La gura 5.3 muestra el valor de la tasa de ocupaci

on de OperadoresNivel1
cuando se ha ejecutado el modelo durante un tiempo relativamente grande y,
se observa, que el valor obtenido (71.59 %) es muy pr
oximo al valor esperado
seg
un la teora de colas (71,67 %).
119
Y VALIDACION
DE MODELOS
El tiempo de servicio no suele ser exponencial. Incluso el tiempo entre las llegadas de los clientes podra no seguir una distribuci
on exponencial. En este
caso, una posible forma de proceder sera modicar el modelo e introducir
distribuciones exponenciales, comprobar que el resultado es correcto para esa
conguraci
on y, despu
es, volver a introducir las distribuciones originales. Se
entiende que si los valores son correctos cuando las distribucinoes son exponenciales, la l
ogica del modelo es correcta y los seguir
a siendo al cambiar las
expresi
on de los tiempos de servicio y del tiempo entre llegadas de clientes.
5.3.2.
Ejemplo 2
Otra manera de vericar el modelo es examinar qu

e eventos y en qu
e instante
se producen cuando se ejecuta el modelo.
Conrmar mediante la Ventana de interacci

on que, efectivamente, tal y como
est
a programado el modelo, las llamadas VIP se atienden preferentemente.
Una posible propuesta, correspondiente al modelo del archivo Ejemplo5-2

solucion.mod, consiste en los siguiente:
Modicar el c
odigo en acciones al entrar y en acciones al salir de LlamadasEnEspera para registrar y mostrar la cantidad de llamadas de cada
tipo que existe cuando entra y cuando sale, respectivamente, una llamada a la cola LlamadasEnEspera.
Ejecutar el modelo Paso a paso
Analizar el resultado en la Ventana de interaccion
La gura 5.4 muestra el c
odigo correspondiente a las acciones al entrar. Este c
odigo opera de la siguiente manera. Si la llamada que entra es Normal
(((TYPE=LlamadaNormal))) se imprime una cadena de caracteres donde aparece
un texto seguido del n
umero de entidades que hay en el Cola de un determinado tipo (utilizando la funci
on ((NENTS)), ver el apartado 2.7).
IF TYPE = LlamadaNormal
PRINT "\n" + "Llamadas VIP en espera " + NENTS2 (ELEMENT,LlamadaVIP,0)
PRINT "Llamadas normales en espera " + STR (NENTS2 (ELEMENT,LlamadaNormal,0))
ELSE
PRINT "\n" + "Llamadas VIP en espera " + STR (NENTS2 (ELEMENT,LlamadaVIP,0))
PRINT "Llamadas normales en espera " + NENTS2 (ELEMENT,LlamadaNormal,0)
ENDIF
Figura 5.4: acciones al entrar del elemento LlamadasEnEspera
120
Y VALIDACION
DE MODELOS
121
El c
odigo correspondiente a las acciones al salir es de naturaleza similar, con la
nica diferencia de que hay que restar una unidad al valor obtenido mediante
u
((NENTS)) para el tipo de pieza que sale de ColaLlamadas.
La instrucci
on ((Print)) muestra en la Ventana de interacci
on aquello que le
sigue.
((PRINT \n)) introduce un retorno de carro y permite separar texto el lneas

diferentes.
((PRINT \f)) borra todo el contenido de la Ventana de interacci

on
La gura 5.5 muestra parte de lo que se puede visualizar en la Ventana de

interacci
on. En el instante 16.73 llega una llamada VIP , entra en LlamadasEnEspera y se muestra por pantalla el contenido del este elemento. Como hay
una llamada VIP, esta es la primera que debera salir en cuanto un operador
se desocupe. Efectivamente, en 16.90 el segundo operador queda libre y de las
cuatro llamadas que hay en cola, la que se atiende es la llamada VIP.
Acciones de
entrada y salida
Para este caso, se puede comprobar visualmente el comportamiento del sistema. Sin embargo, en sistemas m
as complejos no es tan sencillo y la ejecuci
on
til.
del modelo siguiendo la ejecuci
on de eventos puede ser muy u
Figura 5.5: an
alisis de los eventos en la Ventana de Interacci
on
5.3.3.
Ejemplo 3
Otra estrategia de depuraci

on es el an
alisis detallado de la animaci
on. En los
ejercicios anteriores, se ha hecho uso de las herramientas de car
acter gr
aco para mostrar informaci
on, como por ejemplo, al utilizar un diagrama de
tarta o introduciendo la representaci
on gr
aca del valor de una variable.
Ejecuci
on paso
a paso
Y VALIDACION
DE MODELOS
A modo de ilustraci
on, en el archivo Ejemplo5-3.mod se muestra un ejemplo
muy sencillo de una intersecci
on de carreteras en T, representadas por elementos de tipo camino. Los coches entran al modelo desde tres localizaciones
en los extremos de la T y se dirigen a alguno de los otros dos extremos. Simplemente, al representar los coches con iconos sencillo, se puede comprobar
que la animaci
on permite identicar visualmente colisiones entre esos iconos.
Una representaci
on m
as detallada, permitira evaluar esas posbiles colisiones
para casos m
as realistas.
5.3.4.
Ejemplo 4. Funcionalidades de Witness
En este apartado se presentan algunas funcionalidades adicionales de Witness

que facilitan la vericaci
on de modelos.
En una parte de una planta pintan y secan productos para servidos a otra parte de la f
abrica. Los productos que hay que pintar llegan a un almac
en previo
a la zona de pintado seg
un una exponencial de media 4 minutos.
El proceso de pintado puede realizarse con tres calidades: baja, media y alta.
Las proporciones en las que deben pintar productos con estas calidades son
20, 40 y 40 %, respectivamente.
Igualmente, los productos son de tres tama
nos: peque
no, mediano y grande,
en proporciones del 15, 50 y 35 %. Los tiempos de pintado siguen distribucinoes lognormales de par
ametros (, ) dependientes del tama
no y de la
calidad, y son los que se indican en la siguiente tabla
t. peque
no
t. mediano
t. grande
c. baja
(2,0, 0,22)
(2,3, 0, 2)
(2,5, 0,2)
c. media
(2,5, 0,30)
(2,6, 0,24)
(2,8, 0,30)
c. alta
(3,0, 0,3)
(3,2, 0,30)
(3,6, 0,35)
El tiempo de secado es de 30 minutos y es independiente de las caractersticas

del producto. Los productos se transportan a la siguiente
area de trabajo en
pal
es completos de cinco unidades, donde los pal
es puede estar formados por
productos de diferente tipo.
Una posible forma de representar el sistema descrito es el correspondiente al

archivo Ejemplo5-4.mod, cuyas caractersticas son las siguientes:
Tama
no y Calidad son dos atributos de tipo cadena de caracteres, donde se registrar
an las caractersticas de los productos que se pintan.
Producto es una entidad que llega al sistema seg
un una distribuci
on
((NEGEXP(4))). En las Acciones a la entrada hay un c
odigo que asigna valores a los atributos anteriores de acuerdo con las proporciones dadas.
122
Y VALIDACION
DE MODELOS
ColaPintura y ColaEnvio son dos colas que almacenan, respectivamente,

las entidades a la espera de ser pintadas y las piezas pintadas y secas.
Secado es un un colas con tiempos de permanencia m
aximo y mnimo e
iguales a 30 minutos. Esto junto con la regla de salida ((PUSH to ColaEnvio)) hace que las entidades, una vez que han pasado 30 minutos en este
cola se dirijan a ColaEnvio a la espera de salir del sistema.
TiempoPintura es una funci
on que devuelve el valor del tiempo de pintado, en funci
on de dos argumentos Cal y Tam.
Pintura es una actividad que representa el proceso de pintado. El
tiempo de ciclo se obtiene invocando la funci
on interior con los valores de los atributos del Producto que se va a pintar.
Figura 5.6: regla de entrada para Envio
ltimo, Envio es una actividad que permite retirar cinco unidades

Por u
de Producto cuando est
an cinco o m
as disponible. Para ello, la Regla de
entrada es ((PULL from ColaEnvio)) cuando se cumple ((IF NENTS (Envio)
+ NENTS (ColaEnvio) >= 5)) (ver la gura 5.6).
5.3.4.1. Acciones inmediatas
1. Mostrar en la Ventana de interacci

on diferentes valores del tiempo de
ciclo dePintura y comprobar que los valores parecen correctos.
2. Analizar el contenido del cola Secado. En particular, detener el modelo
cuando haya m
as de dos productos en este almac
en y mostrar en la
Ventana de interacci
on el valor del atributo Calidad para el producto
situado en la segunda posici
on del cola Secado.
3. Modicar el valor del atributo Calidad del una pieza almacenada en
ColaPintura.
Witness dispone de un tipo de acciones conocidas como Acciones inmediatas.

Con estas acciones se puede ejecutar c
odigo cuando el modelo est
a detenido.
Para ejecutar Acciones inmediatas, es necesario utilizar la barra de herramientas Modelo, que tiene el aspecto de la gura 5.7. Si esta barra no est
a visible, se
puede mostrar haciendo clic en Ver / Barras de Herramientas / Modelo.
123
Y VALIDACION
DE MODELOS
124
En el cuadro de texto se puede teclear el c

odigo de la acci
on. Al hacer clic en el
icono situado inmediatamente a la izquierda del cuadro de texto (con un rayo)
se ejecuta dicho c
odigo. Alternativamente, se puede hacer clic en Ejecutar /
Acciones inmediatas.
Figura 5.7: barra de herramientas Modelo
Mediante la instrucci
on ((Print)) es posible mostrar en la Ventana de interacci
on
aquello que sigue a dicha expresi
on. Por ejemplo, al ejecutar ((Print TiempoPintura(grande,alta))) varias veces, se obtiene una secuencia de valores como
los que se muestran en la gura 5.8, que no parecen inconsistentes con los
valores esperados.
Figura 5.8: resultado de la acci

on ((Print)).
Tambi
en se pueden utilizar las Acciones inmedaitas para modicar el estado
de alg
un elmento del sistema. Para comprobar esto, se recomienda ejecutar el
modelo hasta que haya, por ejemplo, dos entidades en Secado. La expresi
on
((Nombre Elemento at Numero Entero:Nombre Atributo)) se reere al valor del
atributo Nombre-Atributo de la pieza situada en la posici
on Numero-Entero
del elemento Nombre-Elemento.
En particular, ((Secado at 2:Calidad)) se reere al atributo Calidad de la pieza
situada en la segunda posici
on de Secado. Si en la ventana de Acciones inmediatas se teclea ((Print Secado at 2:Calidad)) aparecer
a en la Ventana de interacci
on
el valor de dicho atributo.
Alternativamente, para conocer el contenido de un elemento, se puede utilizar la opci
on Examinar. En concreto, haciendo clic con el bot
on derecho en
cualquier elemento aparece un men
u contextual que contiene la opci
on Examinar.... Al seleccionar esta opci
on para Secado, aparece una ventana con el
contenido de dicho elemento, tal y como aparece en la gura 5.9
print
Y VALIDACION
DE MODELOS
Figura 5.9: opci

on Examinar...
La gura 5.9 muestra el contenido de Secado. Su estado es normal y contiene dos entidades Producto, en las posiciones 1 y 2 respectivamente. Para
cada una de las entidades, se indican, entre otras cosas, los valores de sus
atributos y, entre ellos, Calidad y Tama
no.
ltimo, mediante las Acciones inmediatas es posible modicar el estado de
Por u
alg
un elemento del modelo. Siguiendo el ejemplo previo, al teclear ((Secado at
2:Calidad=alta)) se accede al atributo Calidad de la entidad situada en la
segunda posici
on de Secado y se modica su valor para que sea alta.
En denitiva, para obtener informaci
on del modelo en un determinado instante
se puede utilizar la instrucci
on ((Print)) combinanda con las Acciones inmediatas y la Ventana de interacci
on. Tambi
en se puede modicar el estado de los
elementos mediante las Acciones inmediatas.
5.3.4.2. Acciones de usuario
Otra forma de ejecutar c
odido en un instante determinado, con el modelo detenido, es mediante las Acciones de Usuario. La cadena de caracteres que se
puede escribir en las Acciones inmediatas tiene un lmite, por lo que no sirve
para comprobar el comportamiento de un conjunto de acciones relativamente
grande.
Haciendo uso de las Acciones de usuario imprimir por pantalla los valores de
los atributos Calidad y Tama
no de las entidades que est
an en Secado.
125
Y VALIDACION
DE MODELOS
Seleccionando la opci
on Modelo / Acciones de usuario se abre una ventana
similar a otras ventanas en las que se introducen acciones.
Figura 5.10: c
odigo de las Acciones de usuario
Si se introduce y ejecuta el c
odigo de la gura 5.10 se mostrar
a en la Ventana
de Interacci
on el contenido de Secado: el n
umero de entidades y dos de los
atributos de esas entidades, tal y como se puede observar en la gura 5.11.
Para ejecutar estas acciones hay que hacer clic en el icono situado a la izquierda, en la barra de herramientas Modelo (con los iconos de un rayo y un icono).
Alternativamente, se puede hacer clic en Ejecutar / Acciones de usuario.
Figura 5.11: resultado tras la ejecuci

on de las Acciones de usuario.
5.3.4.3. Archivos .trc. Registro en archivo

Se puede disponer de un archivo .trc que ofrece el resultado que se obtiene
en la Ventana de interacci
on cuando se ejecuta el modelo Paso a paso. Esto
se puede hacer de dos maneras, bien haciendo clic en el icono que se muestra
en la gura 5.12 o bien activando la opci
on Ejecutar / Registro en archivo
Figura 5.12: activaci

on y desactivaci
on de generaci
on de archivo .trc
126
Y VALIDACION
DE MODELOS
Al activar esta opci

on se solicita el nombre del archivo al que se enviar
a la
informaci
on. Una vez activado, se puede ejecutar el modelo hasta un determinado instante. El resultado es un archivo como Ejemplo5-4-3.trc.
5.3.4.4. Archivo .log. Registro de piezas y uidos
Se puede generar un archivo .log en el que se registran todas las mocicaciones relativas a las entidades y a los fluidos del modelo. La activaci
on de
esta opci
on tambi
en se puede hacer de dos maneras, bien haciendo clic en el
icono que se muestra en la gura 5.13 o bien activando la opci
on Ejecutar /
Registro de piezas y uidos

on y desactivaci
on de generaci
on de archivo .log.
Operando de forma similar al caso anterior, se puede generar un archivo como

Ejemplo5-4-4.log. Este archivo ofrece la informaci
on a cada entidad que se
ha generado. La gura 5.14, por ejemplo, muestra la informaci
on correspondiente a una entidad de tipo Producto. Esta entidad se creo en el instante 0,
fue empujada a ColaPintura, de donde fue capturada por Pintura(1), as hasta
ser enviada fuera del sistema en el instante 68.34. Adicionalmente, se indica
el tiempo que ha permanecido en el modelo (que en este caso coincide con el
valor del instante en el que se enva fuera del sistema).
Adicionalemnte, al nal del archivo .log se puede encontrar un resumen de la
informaci
on de las entidades del modelo.
Figura 5.14: contenido del archivo .log.
5.3.4.5. Archivo .txt. Seguimiento de variables

Existe un tercer tipo de archivo que devuelve informaci
on al respecto de c
omo
ha evolucionado el sistema y que muestra los diferentes valores que toman
algunas o todas las variables denidas en el modelo.
127
Y VALIDACION
DE MODELOS
128
Crear una variable que registre el n

umero de entidades que se han servido de
tipo calidad alta y tama
no grande. Comprobar que representa la proporci
on
esperada, dadas las probabilidades con las que llegan ese tipo de productos.
Una posilbe forma de computar la cantidad y la proporci

on de entidades de
tipo Producto que son grandes y de calidad alta es la siguiente (y que gura en
el archivo Ejemplo5-4-5.mod).
Crear dos variables: Contador, de tipo entero, y Proporcion, de tipo
real.
En las acciones al salir de Envio se actualiza Contador si la entidad que
se sirve es grande y con calidad de pitado alta. Y en cualquier caso, se actualiza Proporcion como ((Proporcion = Contador/NCREATE(Producto))).

on y desactivaci
on de generaci
on de archivo .txt
Una vez creadas las variables, para obtener el archivo de seguimiento de

variables, hay que activar esa opci
on, bien haciendo clic en el bot
on de la gura
5.15 o mediante Ejecutar / Seguimiento. Adem
as, es necesario seleccionar las
variables de las cuales se va a realizar el seguimiento, accediendo al fomulario
que se muestra en la gura 5.16.
Figura 5.16: selecci

on de las variables para hacer su seguimiento
Informaci
on del
archivo .log
Y VALIDACION
DE MODELOS
Despu
es de hacer todo lo anterior se puede ejecutar el modelo durante un
tiempo determinado y se obtiene un archivo como Ejemplo5-4-5.txt, del
que se ofrece un fragmento en la gura 5.17.
Figura 5.17: contenido del archivo de Seguimiento .txt
5.3.4.6. Depurador
Witness ofrece tambi
en la herramienta del Depurador, que sirve para ejecutar el c
odigo de manera que sea m
as sencillo evaluar si ha sido programado
correctamente.
A modo de ejemplo, se puede utilizar el depurador para comprobar c
omo se
ejecuta el c
odigo de la funci
on TiempoPintura. Para activar el depurador, es
necesario activar la opci
on Detener y abrir depurador al entrar, tal y como
aparece en la gura 5.18.

on del depurador.
129
Y VALIDACION
DE MODELOS
Despu
es de activar el depurador, al ejecutar el modelo, cuando sea invocada la
funci
on se motrar
a un formulario como el de la gura 5.19. A la derecha aparecen algunos botones que permiten gobernar el avance de la ejecuci
on del c
odigo. Por ejemplo, se puede ejecutar el c
odigo Paso a paso y comprobar cu
ales
instrucciones se ejecutan y cu
ales no. Adem
as, se muestran la informaci
on local del c
odigo que se est
a ejecutando, que en este caso son los argumentos
de la funci
on Tam y Cal, de manera que, en este caso, se puede comprobar si
el valor devuelto por la funci
on es el deseado de acuerdo con los valores de
dichos argumentos. Adicionalmente, se puede realizar el seguimiento de otros
valores
Figura 5.19: depurador para el cuerpo de la funci

on TiempoPintura.
5.3.4.7. Estructura modular

ltimo, otra pr
Por u
actica que facilita la construcci
on de modelos bien vericados es mediante el uso de m
odulos, que, una vez vericados, se pueden
reutilizar bien en un mismo modelo o bien en diferentes modelos.
Crear un m
odulo con Pintura, Secado, ColaEnvio y Envio y duplicar estos elementos.
130
Y VALIDACION
DE MODELOS
La forma m
as sencilla para crear un m
odulo consiste en seleccionar los elementos que se desea que formen parte del m
odulo en y hacer clic en el bot
on
como el de la gura 5.19. A continuaci
on, Witness solicita el nombre del nuevo m
odulo. En el archivo Ejemplo5-4-7.mod a este m
odulo se le ha dado el
nombre PinturaSecado.
Figura 5.20: bot

on para crear m
odulos
Al igual que se puede hacer con cualquier elemento que forma parte del modelo de simulaci
on, es posible clonar m
odulos. Seleccionando el elemento, en este caso el m
odulo PinturaSecado, con Elementos / Clonar se genera un m
odulo
id
entico al anterior, pero con un nombre distinto, PinturaSecado01, como se
muestra en la gura 5.21.
Figura 5.21: elementos de la simulaci

on tras clonar el m
odulo.
Los m
odulos se pueden almacenar como archivos de tipo .mdl, a
nadirlos al
conjunto de elementos predenidos y reutilizarlos en nuevos modelos donde
ese m
odulo forme parte de los elementos predenidos. Se recomienda consular
la ayuda de Witness para conocer las diferentes maneras de crear y gestionar
m
odulos.
5.3.4.8. Documentor
Uno de los aspectos m
as importantes para mantener un modelo bien vericado es disponer de una buena documentaci
on del mismo. Como se ha podido
comprobar, el c
odigo de un modelo de Witness aparece en diferentes elementos y, dentro de cada elemento, en diferentes ventanas. El m
odulo Documentor
permite recopilar toda esta informaci
on de manera sistem
atica en un archivo
de texto .rtf.
131
Y VALIDACION
DE MODELOS
Figura 5.22: ventana para congurar el informe .rtf
Para ello, se puede acceder al men

u (Modelo / Documentor...) y aparece una
ventana como la de la gura 5.22. El informe que se genera puede contener
informaci
on de car
acter general, como el nombre del modelo, las notas, las
acciones de inicializaci
on, etc. y tambi
en informaci
on relativa a cada uno de los
elementos. De cada uno de los elementos del modelo, se puede elegir documentar diferentes aspectos, como las caractersticas generales (pesta
na General de
la conguraci
on), las reglas. etc.
En la imagen 5.22 se muestra la ventana para obtrener un informe correspondiente al modelo del elemplo 5.3.1 y en la imagen
Figura 5.23: fragmento de un informe .rtf correspondiente a la entidad LlamadaNormal.
132
Y VALIDACION
DE MODELOS
5.4.
133
Validaci
on y credibilidad
La validaci
on de un modelo consiste en el proceso mediante el cual se garantiza la adecuaci
on de este al sistema estudiado para los objetivos propuestos.
Por la propia naturaleza de la tarea, no es posible ofrecer, de manera sencilla, ejemplos de car
acter pr
actico como el resto de los que se proponen en
este libro. A continuaci
on se citan algunas t
ecnicas para mejorar la validez de
losmodelos construidos (para m
as detalle, consultar Law).
Es necesario recopilar informaci
on de calidad y de las fuentes adecuadas. En ocasiones esto puede signicar hablar con las personas que trabajan en el sistema estudiado. Por ejemplo, para conocer el detalle de
la operaci
on de un stock intermedio en una lnea de montaje, puede ser
muy interesante preguntar al encargado de esa operaci
on en la propia
planta. En otras ocasiones, ser
a necesario preguntar a los gestores del
sistema en cuesti
on.
Cuando la informaci
on no est
a disponible puede ser adecuado tomar medidas de la operaci
on del propio sistema o revisar literatura existente al
respecto, bien de car
acter te
orico o bien a trav
es de trabajos de naturaleza similar.
Los directivos o responsables de la decisiones relacionadas con el modelo deben estar implicados en el proceso. En la medida en la que esto
sea as, los objetivos estar
an mejor denidos, se dispondr
a de acceso a
m
as y mejor informaci
on, etc.
Es muy valioso explicitar las hip
otesis del modelo y documentarlas de
forma exhaustiva. Existen muchos motivos por los cuales se deben documentar los modelos. En primer lugar, dado que existen diferentes participantes en un estudio de simulaci
on, si se explicitan las hip
otesis, es
posible que alguno de ellos identique asunciones no v
alidas. Como es
posible que diferentes personas programen el c
odigo, de esta manera se
evitan inconsistencias en el desarrllo del modelo. Igualmente, cuando se
modica un modelo previamente desarrollado, conviene tener presentes
todas las hip
otesis que se admitieron cuando se construy
o inicialmente,
para comprobar si esas hip
otesis siguen siendo v
alidas o no.
Se deben utilizar t
ecnicas cuantitativas para validar el modelo. Por ejemplo, cuando se generan n
umeros aleatorios para fen
omenos que son independientes, conviene garantizar que esto sea as. Para ello, se pueden
realizar tests sobre los valores correspondientes a dichos fen
omenos.
Por otro lado, para aspectos relativamente importantes del modelo es
interesante realizar un an
alisis de sensibilidad. Por ejemplo, el an
alisis
de sensibilidad se puede referir al nivel de detalle. Si se representa un
conjunto de procesos qumicos, se puede discretizar el problema y representar todo el uido en paquetes de determinado volumen. El an
alisis
Conguraci
on
del informe
Y VALIDACION
DE MODELOS
134
de sensibilidad permitira obtener un tama

no adecuado de los paquetes
sin un consumo de recursos de computaci
on demasiado elevado.
Cuando el modelo est
a nalmente construido hay que analizar los resultados nales con detalle. Es posible constrastar los resultados del
modelo con datos hist
oricos del mismo. Para esta tarea es adecuado alimentar al modelo con datos hist
oricos, y comparar los valores de las
variables de salida que ofrece el modelo con los que se dieron en la realidad. En caso de que el sistema no exista, conviene discutir los resultados
con expertos, conocedores del comportamiento de sistemas parecidos al
estudiado o, incluso, comparar los resultados de ese modelo con el de
otros de naturaleza parecida y que hayan sido validados previamente.
La animaci
on puede ser de gran utilidad para realizar el estudio, ya que
puede permitir observar la evoluci
on del modelo y que las personas que
pueden contribuir a la validaci
on del modelo dispongan de m
as informaci
on.
ltimo, la credibilidad de un modelo consiste en la conanza que depositan
Por u
en ese modelo las personas responsables de tomar decisiones. Queda fuera del
alcance de este texto discutir en profundidad c
omo construir modelos crebles,
aunque es una tarea de gran importancia. Algunas de las pautas relativas a la
validaci
on tambi
en contribuyen positivamente a la credibilidad de un modelo.
Por ejemplo, la implicaci
on de los directivos o la aprobaci
on por parte de alg
un
experto con cr
edito para los directivos pueden concederle m
as credibilidad
ltimo, conviene se
al modelo. Por u
nalar que un modelo podr
a ser tanto m
as
creble cuanto m
as v
alido sea, aunque no existen garantas de que un modelo
perfectamente validado resulte creble.
5.5.
Resumen
Los procesos de vericaci

on y validaci
on garantizan, respectivamente, que un
modelo de simulaci
on est
a bien programado y que un modelo representa de
forma adecuada el sistema estudiado para los objetivos propuestos. Existen
diferentes t
ecnicas, algunas de las cuales se han presentado brevemente en
este captulo. En particular, se han mostrado algunos ejemplos de vericaci
on
y se han presentado las herramientas m
as importantes de las que dispone
Witness para realizar las tareas de vericaci
on.
Validaci
on
Un modelo bien vericado y validado se pueden explotar para ayudar a la

toma de decisiones. Para ello, es necesario realizar el an
alisis de las variables
de salida de forma rigurosa, que es a lo que se dedica el captulo siguiente.
T
ecnicas para la
validaci
on
Captulo 6
LISIS DE DATOS DE SALIDA. ANA
LISIS
ANA
DE UNA ALTERNATIVA
6.1.
Introducci
on
En un estudio de simulaci
on, cuando se dispone de un modelo bien construido
y alimentado con datos de entrada correctos, es posible realizar la explotaci
on
del modelo. Realizar el an
alisis de comportamiento de las variables de salida
de forma correcta es especialmente importante, ya que de ese an
alisis depender
an las decisiones que se adopten. El prop
osito m
as frecuente de un estudio
de simulaci
on suele ser analizar el comportamiento de un sistema (para una
conguraci
on determinada) o comparar dos o m
as conguraciones alternativas para dicho sistema. En este captulo se trata el primer caso, y en el captulo
7 se aborda c
omo realizar la comparaci
on de alternativas.
Durante la simulaci
on, para reproducir el comportamiento del sistema estudiad se usan valores aleatorios de las variables de entrada, que siguen distribuciones conocidas (por ejemplo, la frecuencia de llegada de clientes a un banco
puede seguir una exponencial). Los resultados de la simulaci
on dependen de
estos valores y, debido a ello, las variables de salida tambi
en son aleatorias
pero con el inconveniente de que en este caso no se conoce su distribuci
on.
Es necesario
analizar con
rigor los datos
de salida
Existen dos errores que se cometen con frecuencia en relaci

on con la naturaleza estoc
astica de los sistemas que se analizan mediante simulaci
on. El primero
consiste en analizar el comportamiento durante un solo periodo de tiempo, es
decir, realizar una sola replicaci
on. Por ejemplo, sera erroneo extraer conclusiones sobre el funcionamiento de un puerto mediante en an
alisis del modelo
durante un solo mes. Los datos correspondientes a ese mes pueden no ser representativos. Es necesario realizar varias replicaciones y obtener informaci
on
signicativa a patir de ellas. El segundo error consiste en realizar la experimentaci
on de forma poco rigurosa y estadsticamente err
onea. Por ejemplo, si
existe correlaci
on entre los datos obtenidos en una replicaci
on y los datos de
la anterior, en an
alisis que se propone aqu no tiene validez y las conclusiones
pueden ser equivocadas.
Dos errores
comunes
Captulo 6. ANALISIS
DE DATOS DE SALIDA. ANALISIS
DE UNA ALTERNATIVA
136
En primera aproximaci
on, se puede caracterizar una variable aleatoria mediante un valor puntual acompa
nado de un intervalo de conanza que mida el
error de esta estimaci
on. Tambi
en se pueden realizar an
alisis de otra naturaleza para caracterizar aspectos diferentes del valor esperado para las variables
de salida, como, por ejemplo, la probabilidad de que ocurra un determinado fen
omeno (la probabilidad de que se produzca, por ejemplo, un rotura de
stock).
Caracterizaci
on
de un sistema
A lo largo del resto del captulo se presenta c

omo realizar el an
alisis de una
alternativa. En primer lugar, en la secci
on 6.2 se presenta la diferencia entre
le r
egimen permanente y el r
egimen transitorio. En la sigiente secci
on, 6.3, se
describen los tipos de simulaci
on atendiendo al tipo de an
alisis que requiere
cada una de ellas: las simulaciones con terminaci
on, cuyo an
alisis se presenta
con detalle en la secci
on 6.4 y las simulaciones sin terminaci
on, a las que se
dedica la secci
on 6.5. En la secci
on 6.6 se proponen dos ejemplo, uno para
cada tipo de simulaci
on. Finalmente, se resumen las ideas m
as importantes
del captulo en la secci
on 6.7.
Estructura del
captulo
6.2.
R
egimen transitorio y r
egimen estacionario
Para ilustrar el concepto de r

egimen permanente, vamos a emplear un ejemplo
sencillo. Imaginemos una lnea de montaje de electrodom
esticos. Una variable
de salida para en un estudio de simulaci
on de dicha lnea podra ser la producci
on de electrodom
esticos. Podramos, en particular, considerar las variables
de salida Yi como el n
umero de productos nalizados en la hora i-
esima. Existen varias consideraciones importantes al respecto de estas variables.
Yi en una variable aleatoria, es decir, la producci
on de durante la hora i
no es un valor determinista. Dado que la evoluci
on del sistema depende
de fen
omenos aleatorios, la producci
on en cada hora no se puede determinar de forma inequvoca. Sin embargo, s que existe una funci
on de
distribuci
on para las variables Yi , FYi (y) = p(Yi y).
Siempre existen condiciones inciales del sistema, I. Para este ejemplo, las
condiciones iniciales podran ser: el contenido de la lnea al comienzo de
la simulaci
on, el tiempo restante hasta la siguiente avera de cada una
de las m
aquinas, etc. La producci
on horaria depender
a de las condiciones iniciales del sistema durante un determinado periodo de tiempo. En
efecto, si la lnea est
a inicialmente vaca, la producci
on correspondiente
a las primeras horas ser
a menor que si est
a llena.
Tpicamente, a patir de cierto instante, el comportamiento de Yi no depende de las condiciones iniciales y, adem
as, no cambia con el tiempo.
Es decir, FYi (y) = FYi1 (y), lo que siginica que el comportamiento de
la variable de salida se ha estabilizado. Es decir, la funci
on de distribuci
on de la variable de salida no cambia. Esto no siginica que el valor de
la variable de salida ya no se modique. Para cada valor de i, una vez
Comportamiento
de las variables
de salida
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
137
estabilizado el comportamiento de Y , se obtendr

a un posible valor de
acuerdo con la funci
on de distribuci
on FY (y)
{PENDIENTE: poner figura con evoluci
on de las Fs y referencia a ella en el texto}
En los sistemas en los que, efectivamente, el comportamiento de las variables
se estabiliza a partir de un cierto instante, se puede distinguir entre el r
egimen transitorio y el r
egimen permanente. El r
egimen transitorio es el tiempo
durante el cual las funciones de distribuci
on de Yi cambian con el tiempo. El
r
egimen permanente se alcanza una vez que dichas variables aleatorias ya no
se modican con el tiempo. El r
egimen transitorio s depende de las condiciones iniciales. El tiempo en el que se tarda en alcanzar el r
egimen permanente
depende de las condiciones iniciales, pero no as el r
egimen permanente propiamente dicho.
6.3.
R
egimen
transitorio y
r
egimen
permanente
Tipos de simulaci
on
La importancia relativa y el tratamiento de los regmenes transitorio y estacionario dependen del tipo de simulaci
on. En este sentido, existen dos tipos de
simulaci
on: simulaci
on sin terminaci
on y simulaci
on con terminaci
on.
Una simulaci
on con terminaci
on es aquella en la que el nal de la misma
est
a denido por un evento interno que sucede en t = TE y, por lo tanto,
tiene una duraci
on denida en el intervalo temporal [0, TE ]. Tpicamente, tras
este instante el sistema es devuelto un estado determinado, a partir del cual
vuelve a comenzar a operar. Por ejemplo, la operaci
on de la sucursal de un
banco puede ser una simulaci
on terminaci
on, donde al nal de cada joranada
el banco se vaca y al da siguiente se comienza de nuevo con la sucursal vaca.
Simulaciones
con terminaci
on
Por otro lado, una simulaci

on sin terminaci
on es aquella en la que no hay
un evento que marque el n de la misma y en la que el inicio tampoco suele
una parte representativa del mismo. Las simulaciones sin terminaci
on pueden
ser de tres tipos. Con r
egimen permanente, en las que, como se ha comentado
antes, el comportamiento de las variables de salida se estabiliza y a partir
de cierto instante ya no vara. Con r
egimen permanente peri
odico, en que se
puede observar un comportamiento cclico de las variables de salida. Otros
tipos en los que no se puede hablar de ning
un r
egimen permanente ni cclico.
Simulaciones sin
terminaci
on
En este texto nos ocuparemos de las simulaciones sin terminaci

on y las similuaciones con terminaci
on y con r
egimen permanente.
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
Los problemas especcos de los que depende el an

alisis de las simulaciones
con terminaci
on son dos: establecer las condiciones inciales y caracterizar las
variables de salida.
Condiciones inciales. Para obtener resultados ables, es necesario representar, con la herramienta de software correspondiente, las condiciones
iniciales a partir de las cuales opera el sistema.
Estimaci
on de media y de otros par
ametros. Tpicamente, en un primer
an
alisis se obtiene una estimaci
on de la media de la variable de salida
estudiada y un intervalo de conanza para la misma. Por supuesto, se
pueden realizar an
alisis m
as amplios.
En el caso de las las simulaciones sin terminaci
on, los problemas son los siguientes.
Estimar cu
ando se ha alcanzado el r
egimen permanente para deterimnar cu
al es el tiempo de calentamiento durante el cual se debe correr el
modelo y a partir del cual se deben tomar resultados.
Estimaci
on de media y de otros par
ametros, como en el caso de las simulaciones con terminaci
on. En este caso, como se comentar
a, existen dos
alternativas.
138
An
alisis de las
simulaciones
conn
terminaci
on
An
alisis de las
simulaciones sin
terminaci
on
A continuaci
on se trata detalladamente c
omo realizar estos dos tipos de an
alisis, explicando c
omo caracterizar los resultados de la simulaci
on.
6.4.
An
alisis de los datos de salida de simulaciones con terminaci
on
Partiendo de n replicaciones de un modelo con terminaci

on, donde cada una
empieza con las mismas condiciones iniciales y termina con el evento E, la independencia de estas replicaciones depende de la independencia de los n
umeros aleatorios usados en cada una de ellas. Por simplicidad, se supone a parnicamente interesa el resultado de una variable del motir de ahora que u
delo Y , donde el valor tomado en cada replicaci
on se expresa mediante yj
(j = 1, , n). A continuaci
on se detalla c
omo llevar a cabo el an
alisis de este
tipo de simulaciones.
6.4.1.
Estimaci
on de par
ametros
Generalmente, la primera forma de caracterizar un sistema es mediante la estimaci

on del valor esperado (media) de la variable de salida estudiada, Y . Realizando n replicaciones independientes, se obtiene una muestra y1 , , yn
cuya media Y (n) es un estimador sin sesgo del valor esperado de la variable de salida. Sin embargo, aunque sea un estimador sin sesgo, como se ha
Estimaci
on de la
media
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
139
obtenido a partir de una muestra nita de valores, se desconoce c

omo de cerca est
a Y (n) de Y . Por este motivo conviene acompa
nar a este valor de un
intervalo de conanza cuya expresi
on es:
Y (n) tn1,1/2
donde Y (n) =
n
i=1
yi
y S2 =
n
i=1
S 2 (n)
, Y (n) + tn1,1/2
n
S 2 (n)
n
(6.1)
(yi Y (n))
n1
La probabilidad de que Y est

e contenido en el intervalo anterior es cercana
a 1 (tanto m
as cuanto m
as cerca est
e Y de una distribuci
on normal). En
general, se obtienen mejores resultados con variables que siguen una distribuci
on sim
etrica y con valores de n altos (consultar el captulo 3, de repaso de
estadstica).
Cuanto mayor es el nivel de conanza, 1 , mayor es la amplitud del intervalo que acompa
na al valor puntual y, por lo tanto, menor la precisi
on de la
estimaci
on de la variable deseada. Explicado de otra manera, para un determinado n
umero n de observaciones de la variable de salida, cuanto mayor es la
amplitud del intervalo mayor ser
a la probabilidad de que dicho intervalo contenga, efectivamente, a la media. Para aumentar esta precisi
on, o lo que es lo
mismo reducir la amplitud del intervalo para un determinado, existen dos
alternativas:
Intervalo de
conanza para
la media
Obtener una
precisi
on
concreta
Aumentar el n
umero de observaciones de la variable de salida, es decir,
aumentar el n
umero de replicaciones n.
Reducir la varianza de la muestra. Este punto es ampliamente descrito
en el captulo 9
A continuaci
on se explica c
omo determinar el n
umero de replicaciones necesarias para estimar Y con un error de precisi
on concreto.
Estimaci
on de la media con un determinado error absoluto m
aximo
El error en la estimaci
on de la media es = |Y (n) Y |, por
2lo que el error
absoluto m
aximo de la estimaci
on de la media es tn1,1/2 S (n) . En efecto,
si la media pertenece al intervalo de conanza dado por la expresi
on 6.1, en
el peor de los casos, el error m
aximo se comete si la media Y es igual a uno
de los dos extremos del intervalo, en cuyo caso, el error cometido al estimar la
media con Y (n) es igual a la semiamplitud del intervalo. Por lo tanto el n
umero
de replicaciones necesarias, na (), para obtener un error absoluto m
aximo en
la estimaci
on, :
na () = min i n tal que

ti1,1/2
S 2 (n)
(6.2)
N
umero de
replicaciones
para obtener un
error absoluto
m
aximo
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
140
Para calcular na () hay que seguir los siguientes pasos:

1. Realizar n 2 replicaciones y calcular S 2 (n).
2. Para ese valor de S 2 (n), iterar incrementando i hasta encontrar un valor
que cumpla

ti1,1/2
S 2 (n)
3. Una vez encontrado ese valor de i, realizar na () n replicaciones adicionales. Con las na () observaciones de Y , calcular un intervalo como
el de la expresi
on 6.1
La precisi
on de 6.2 depende de la efectividad de S 2 (n) como estimador de
V ar (Y ), por lo que n debe ser sucientemente alto.
Estimaci
on de la media con un determinado error relativo m
aximo
Alternativamente se puede perseguir un intervalo de conanza con un error
relativo m
on Y (n) tiene un error relativo
%aximo, que %viene dado por la expresi
%
%
, donde %Y (n) Y % / |Y | = . Para encontrar el n
umero de replicaciones
necesarias para obtener esa precisi
on se calcula:
2
S (n)
ti1,1/2

i
na () = min i n tal que
(6.3)
1
Y (n)
N
umero de
replicaciones
para obtener un
error relativo
m
aximo
El proceso para obtener una estimaci

on de Y , con un error relativo y un
nivel de conanza 1 , es el siguiente:
1. Realizar n 2 replicaciones y calcular S 2 (n).
2. Para ese valor de S(n)2 , calcular na (), seg
un 6.3.
3. Realizar na () n replicaciones adicionales y tomar Y (na ()) como
estimador puntual de Y con un intervalo de conanza:

+
*
S 2 (na ())
S 2 (na ())
, Y (na ()) + tna ()1,1/2
Y (na ()) tna ()1,1/2
na ()
na ()
Estimaci
on de otros par
ametros
Hay casos en los que interesa estudiar otros valores relativos al comportamiento del sistema diferentes al valor esperado de una variable. Por
ejemplo, si se analiza el funcionamiento de una cola, puede interesar, adem
as
del tiempo medio de espera, conocer en profundidad como se distribuye esa
espera: la probabilidad de que el tiempo en cola supere un valor concreto, la
tasa de ocupaci
on de los puestos de servicio, etc. En otro caso, por ejemplo,
puede ser interesante conocer la probabilidad de que un pedido se rechace
porque el sistema de fabricaci
on est
e saturado.
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
141
Aunque queda fuera del alcance de este texto revisar en profundidad este tipo
de an
alisis, a continuaci
on, a ttulo ilustrativo, se comenta un ejemplo. Para
estimar la probabilidad p de que una variable Y tome alg
un valor dentro del
intervalo B, es decir, P (Y B) basta con realizar n replicaciones independientes, con las que se obtiene una muestra y1 , yn . Sea S el n
umero de observaciones que caen dentro del intervalo B. La variable S se distribuye seg
un
una binomial de par
ametros p y n. El valor de p y su intervalo de conanza
asociado (con un nivel 1 ) se estima mediante las expresiones:
Estimaci
on del
par
ametro de
una distribuci
on
binomial
S
n

p(1
p)
p(1
p)
p
z1/2
z1/2
,p
n
n
=
p
(6.4)
donde z1/2 es la probabilidad de que una variable que se distribuye seg

un
un normal est
andar sea menor que 1 /2.
6.4.2.
Elecci
on de las condiciones iniciales
Como se indica en la secci

on 6.3, la elecci
on de las condiciones iniciales es
una parte importante en el an
alisis de simulaciones con terminaci
on, ya que
el comportamiento durante el r
egimen transitorio es relevante para el an
alisis.
En algunos casos las condiciones iniciales est
an bien denidas y su elecci
on
no constituye un problema. En ejemplo de la sucursal bancaria, al comienzo de
cada jornada no hay clientes ni en las colas de espera ni en los puestos. Pero en
otros casos esta elecci
on no es tan sencilla. Por ejemplo, si se pretende estudiar
el funcionamiento de la ocina bancaria solo entre las doce del medioda y el
cierre de la misma. A continuaci
on se explican dos m
etodos para la elecci
on
de las condiciones iniciales, ilustradas con el ejemplo anterior.
El primero de ellos consiste en comenzar la simulaci
on desde un estado previo conocido y ejecutar el modelo hasta el instante a partir del
cual se desea realizar el an
alisis del modelo. En el ejemplo del banco,
se simulara desde la apertura de la ocina hasta el cierre, pero solo
se tendran en cuenta los tiempos de espera a partir las 12:00 pm. Este
m
etodo presenta dos desventajas: la primera de ellas es el coste de un
tiempo de simulaci
on ya que el modelo corre durante un tiempo solo
para que est
e las condiciones iniciales adecuadas a partir del instante
inicial del periodo que se desea analizar; la segunda desventaja es que
no ofrece garantas de que el estado a partir del cual comienza la toma
de datos sea representativo de las verdaderas condiciones iniciales del
sistema.
El problema de
establecer las
condiciones
iniciales
Comenzar
desde un estado
previo conocido
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
El segundo m
etodo consiste en recoger datos del estado de las variables
en el sistema real y modelar las condiciones iniciales a partir de las distribuciones de probabilidad que mejor se ajusten a los mismos. De este
modo, las condiciones iniciales de cada replicaci
on vendr
an determinadas por variables aleatorias independientes. Aplic
andolo al ejemplo, se
tratara de tomar muestras en el sistema del n
umero de clientes a las
12:00 pm, e intentar ajustar estos datos mediante una funci
on de probabilidad para, posteriormente, al iniciar cada replicaci
on generar valores
de dichas variables con los cuales congurar el estado inicial del modelo.
6.5.
142
Reproducir el
estado inicial a
patir de datos
hist
oricos
An
alisis de los datos de salida de simulaciones sin terminaci
on
En las simulaciones sin terminaci

on, las condiciones iniciales y la duraci
on de
la simulaci
on no son relevantes para la evaluaci
on del comportamiento del
sistema y, generalmente, interesa el comportamiento durante el r
egimen estacionario. En estos casos, hay que aislar la parte de la simulaci
on perteneciente
al r
egimen transitorio, que depende del estado inicial del modelo, para no incluirla en el an
alisis. Si no se hace as, dado que el valor esperado de la variable
de salida es diferente en el r
egimen transitorio con respecto al estacionario, la
estimaci
on obtenida tiene un sesgo respecto al verdadero valor esperado durante el r
egimen estacionario. Independientemente de las condiciones iniciales
elegidas, pasado un tiempo, la simulaci
on converge al r
egimen estacionario sin
afectar al valor esperado, aunque el tiempo que tarda en converger s depende
de las condiciones iniciales. Por lo tanto, es necesario identicar el r
egimen
transitorio y ejecutar el modelo durante un periodo de tiempo hasta que el
comportamiento de la variable de salida (y en particular su valor esperado) se
estabilice. Cuando se alcanza este momento, a partir del estado en el que se
encuentra el modelo, se comienza la toma de datos de las variables de salida
para el an
alisis del sistema. El tiempo durante el cual hay que correr el modelo
antes de tomar datos se conoce como tiempo de calentamiento del modelo.
El problema del
tiempo de
calentamiento
Si se denomina Y(j) a la variable aleatoria que caracteriza el comportamiento

de la variable de salida Y en el j-
esimo valor observado en la simulaci
on, el
objetivo es encontrar:
Y = lm E(Y(j) )
Expresi
on
matem
atica del
problema
Si se dispone de un conjunto de m valores de la variable de salida Y ,

y(1) , , y(m) , correspondientes a los instantes
el valor

1, 2, , m, estimar
de Y a patir de la media de todos esos valores Y (m) =
m
y(j)
m
j=1
es claramen-
te err
oneo ya que existen observaciones que pertenecen al r
egimen transitorio
y, por lo tanto, no corresponden a valores de la variable aleatoria Y una vez su
comportamiento de ha estabilizado.
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
143
Un estimador menos sesgado que el anterior consistira en eliminar todos

aquellos valores que pertenecen al r
egimen transitorio. Es decir, obtener el
siguiente estimador, donde l representa el conjunto de observaciones que pertenecen al r
egimen permanente:
m
Y (m, l) =
j=l+1
y(j)
ml
(0 l m 1)
Y (m, l) es un estimador de Y menos sesgado que Y (m) al haber eliminado las

observaciones dependientes de condiciones iniciales. El problema del tiempo
de calentamiento consiste, entonces, en determinar l, es decir cuanto tarda el
sistema en alcanzar aproximadamente el r
egimen estacionario.
Convierte se
nalar, que la elecci
on de un valor demasiado elevado para l se
traduicira en una menor eciencia de computaci
on, ya que se descartaran
valores de la variable de salida que s pertenecen al r
egimen permanente, con lo
que se estara empleando un tiempo de computaci
on mayor del estrictamente
necesario para obtener un estimador de la media. Por otro lado, la elecci
on de
un valor de l demasiado peque
no hara que el estimador fuera sesgado, que
es, precisamente, lo que se trata de evitar. Por ello, es importante disponer de
una t
ecnica que permita obtener un valor de l sucientemente grande como
para evitar el incluir observaciones del r
egiment tansitorio pero sin incurrir en
elevados tiempo de computaci
on.
6.5.1.
Errores en el
c
alculo del
tiempo de
calentamiento
C
alculo del tiempo de calentamiento
El m
etodo de Welch es un m
etodo sencillo, de car
acter gr
aco, que permite
determinar el tiempo de calentamiento. En general, es difcil determinar l ya
que, a pesar de que con la evoluci
on de la simulaci
on E(y(j) ) Y , cualquier
muestra analizada y(1) , y(2) , est
a compuesta por valores aleatorios y esta
tendencia, generalmente, no se aprecia de forma ntida (ver gura 6.1).
El m
etodo de
Welch
Captulo 6. ANALISIS
DE UNA ALTERNATIVA

on de una muestra y(j) .
El m
etodo de Welch se basa en contrarrestar esta aleatoriedad estudiando, en
vez de una sola muestra, el promedio de las observaciones de varias replicaciones. En lo que sigue, se denota con yi(j) a la j-
esima observaci
on de la
replicaci
on i-
esima (i = 1, , n y j = 1, , m). El m
etodo de Welch consta
de cuatro pasos:
1. Realizar n replicaciones (n 5) de longitud m, donde m debe ser grande
en relaci
on al valor esperado de l.
2. Obtener:
n
y (j) =
yi(j)
n
i=1
para i = 1, 2, , m. La serie y (1) , y (2) , , y (n) tiene un valor esperado E(Y (j) ) = E(Y(j) ) y varianza V ar (Y (j) ) = V ar (Y(j) )/n.
3. Para alisar las oscilaciones de alta frecuencia de y (1) , y (2) , (pero
manteniendo la tendencia de su evoluci
on) se dene la media m
ovil
y (j) (w) como:
y (j) (w) =
w
s=w y (j+s) ,
si j = w + 1, , m w,
si j = 1, , w
2w+1
j1
s=(j1) y (j+s)
,
2j1
(6.5)
4. Representar Y (j) (w) para j = 1, 2, , m w y darle a l el valor de j

para el que la serie y (1) (w), y (2) (w), parezca converger (ver gura
6.3).
144
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
145
Figura 6.2: c
alculo de la media m
ovil para w = 1.
{PENDIENTE.Ampliar la figura, cambiar el PIE para que quede mejor ilustrado}

on gr
aca de una media m
ovil (w = 20).
Al aplicar este m
etodo es recomendable:
10 replicaciones con m mucho mayor que el valor previsto
Realizar 5 o
para l. En particular, m debe ser lo bastante grande para permitir que
ocurran eventos poco frecuentes (p.e. averas en las m
aquinas).
Representar Y (i) (w), aumentando el valor de w hasta que la curva aparezca razonablemente lisa. A partir de esta gr
aca elegir l.
Si no se encuentra ning
un w que alise la gr
aca lo suciente, aumentar
el n
umero de replicaciones y repetir el proceso desde el paso 2.
El principal inconveniente de este m
etodo es que el n
necesarias para elegir l puede ser relativamente alto si la variable Y presenta
mucha variabilidad. A esto hay que sumar que la elecci
on de l no se realiza de
una manera objetiva.
Recomendaciones
para el m
etodo
de Welch
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
6.5.2.
Estimaci
on de par
ametros
Para estimar el valor esperado de una variable de salida, existen dos alternanica replicaci
tivas: realizar varias replicaciones o realizar una u
on de mayor
longitud. A continuaci
on se presentan estas dos alternativas.
M
ultiples replicaciones
Una primera forma de obtener estimaci
on de par
ametros consiste en lo que
se denomiena m
etodo de replicaci
on/eliminaci
on, que consiste en realizar n
replicaciones independientes de longitud m, descartando la parte correspondiente al tiempo de calentamiento en cada una de ellas. Los datos restantes se
analizan como en el caso de simulaciones con terminaci
on (ver apartado 6.4).
Suponiendo que se realizan n replicaciones de longitud m cada una (donde m
es mucho mayor que l), se dene yi como:
m
yi =
j=l+1
yi(j)
ml
on acomcon i = 1, 2, , n, entonces E(yi ) Y y para dar una estimaci

pa
nada de un intervalo de conanza al (1 ) para la variable de salida se
emplea la siguiente expresi
on:

2 (n)
2 (n)
S
S
Y (n) tn1,1/2
, Y (n) + tn1,1/2
(6.6)
n
n
donde Y (n) y S 2 tiene la misma expresi
on que en 6.1.
{PENDIENTE. Cambiar figura, que ponga Y may
uscula}
146
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
Figura 6.4: estimaci

on de par
ametros en simulaciones sin terminaci
on. M
etodo
de m
ultiples replicaciones.
Replicaci
on u
nica
nica s
En el m
etodo de replicaci
on u
olo se hace una replicaci
on pero con un
tama
no muy superior a las anteriores. Una vez eliminadas las primeras l observaciones, se agrupan los datos restantes en k lotes de longitud m que se
analizan de la misma forma que en el m
etodo replicaci
on/eliminaci
on. Por lo
tanto, la duraci
on total de la replicaci
on es l + k m (ver gura 6.5). Como
ventaja, solamente hay que eliminar un tiempo de calentamiento que tiene la
misma duraci
on que el eliminado en cada una de las replicaciones anteriores.
{PENDIENTE. Cambiar figura, que ponga Y may
uscula}
147
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
148
Figura 6.5: estimaci

on de par
ametros en simulaciones sin terminaci
on. M
etodo
nica.
de replicaci
on u
La dicultad de este m
etodo se encuentra en la elecci
on de m, por la siguiente
raz
on. Dado que el comienzo de cada conjunto de datos est
a obtenido a partir
de la situaci
on en la que qued
o el modelo despu
es del conjunto de datos inmediatamente anterior, existe correlaci
on entre los valores de la variable de salida
de un lote y del inmediatamente anterior. Cuanto mayor es el valor de m, m
as
debil es la correlaci
on, de manera que para valores relativamente grandes, la
correlaci
on es despreciable y el an
alisis propuesto es v
alido. El problema consiste, por lo tanto, en escoger un valor de m sucientemente elevado para que
la correlaci
on no sea apreciable pero no tan elevado como para que el esfuerzo computacional resulte ineciente. Para obtener m
as informaci
on acerca de
c
omo elegir k se recomienda consultar Banks, 2000.
6.6.
Ejemplos de aplicaci
on
A continuaci
on se proponen dos ejemplos. En el primero, se estima la media
y la probabilidad de que una variable de salida tome valores dentro de un
determinado intervalo. En el segundo se calcula el tiempo de calentamiento
para un sistema dado.
El inconveniente
de realizar una
nica
u
replicaci
on
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
6.6.1.
149
Ejemplo 6.1: an
alisis de los datos de salida de un estudio de
simulaci
on sin terminaci
on
Una sucursal bancaria abre a las 9:00 de la ma

nana y cierra sus puertas a
las 14:00, pero la sucursal no termina el servicio hasta que son atendidos
todos los clientes que est
an dentro en el momento del cierre. La ocina
tiene tres puestos de servicio: dos cajas, donde se atienden las operaciones
m
as r
apidas, y una mesa, donde se llevan a cabo los servicios de mayor
importancia que, adem
as, requieren m
as tiempo. Los clientes se pueden
agrupar en tres tipos, cuya caracterizaci
on viene dada por la tabla siguiente:
Tiempo entre llegadas (min)

Tiempo servicio caja (min)
Tiempo servicio en mesa (min)
Cliente A
Exp(4)
Gamma(6,1)
-
Cliente B
Exp(20)
Gamma(4,2)
Gamma(3,5)
Cliente C
Exp(50)
Gamma(6,5)
Se pide estimar:
el tiempo medio que los clientes pasan en la cola, acompa
nado de un
intervalo de conanza al 90 % con un error relativo m
aximo para la
estimaci
on de la media menor del 15 %;
la probabilidad de que el servicio se extienda m
as all
a de las 14:00.
Calcular el valor puntual acompa
nado de un intervalo de conanza al
90 %.
Para resolver el ejemplo, inicialmente se realizan 20 replicaciones del modelo,

y a partir de S 2 (n) de esta muestra se calcula el n
umero total de replicaciones
necesarias para conseguir la precisi
on pedida. Con los valores de la variable
de salida obtenidos se estima el valor esperado del tiempo de espera, acompa
nado de su intervalo de conanza. Para completar el ejemplo se calcula la
probabilidad de que en un da concreto haya clientes esperando a ser servidos
a la hora de cerrar las puertas.
Para seguir la resoluci
on del ejemplo se recomienda trabajar sobre los siguientes cheros:
Ejemplo1-1.mod: contiene el modelo del sistema en Witness.
Ejemplo6-1.xls: es la hoja de c
alculo donde se propone resolver el
ejemplo.
Ejemplo6-1 experimento1.xpt: archivo preparado para obtener 20 replicaciones independientes.
Ejemplo6-1 experimento2.xpt: archivo preparado para obtener las replicaciones adicionales.
Planteamiento
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
150
Ejemplo6-1 solucion.xls: muestra c

omo debe quedar la hoja de
c
alculo una vez resuelto el ejemplo.
El experimento
El primer paso es abrir el modelo Ejemplo1-1.mod. Se compone, principalmente, de:
Tres elementos de tipo entidadpara modelan los tres tipos de clientes.
Tres elementos actividadpara los puestos de servicio.
Un elemento colaque representa la cola antes del servicio.
La variableTcierre, que registra la hora en la que se termina de atender
ltimo cliente.
al u
A continuaci
on se debe abrir el experimento Ejemplo1-1 experimento.xpt
(Modelo / Experimento / Abrir...) y se puede ejecutar la simulaci
on (Modelo /
Experimento / Ejec. acel.)
Salida csv modelo
Al realizar el experimento, se vuelcan los informes del experimento en un archivo csv (en este caso Ej611.csv, tal y como est
a congurado el archivo xpt).
Tal y como est
a congurado el modelo, en este csv de salida solo se guardan
los informes de dos elementos: la cola y la variable Tcierre.
Archivos
disponibles
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
151
La ayuda de Witness ofrece la informaci

on que los archivos csv contienen
para cada tipo de elemento. Para acceder a esta informaci
on, tras abrir la
ayuda (F1), hay que seleccionar la pesta
na de Buscar y realizar una b
usqueda del t
ermino csv. El sistema de ayuda ofrece un conjunto de entradas: CSV
output for buers, CSV output for carrieres, etc.
Seleccionando cada una de las entradas se puede acceder la explicaci

on del
contenido del csv, como, por ejemplo, al de las entidades (parts).
El tiempo medio que los elementos entidad pasan en un elemento tipo cola
se almacena en la columna n
umero 13 del archivo de salida csv. Esta informaci
on se utiliza para obtener el tiempo medio que los clientes pasan en la
lticola en cada replicaci
on. Con la variable Tcierre se registra la salida del u
mo cliente para comprobar si la duraci
on de esa replicaci
on es mayor de 300
minutos (columna 9 del chero csv).
Contenido del
archivo csv
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
El an
alisis estadstico
Se recomienda seguir los siguientes pasos:
1. Importar el archivo Ej611.csv en la primera hoja del chero (Datos /
Obtener datos externos / Importar datos ...) de manera que el primer dato
quede en la celda A1. Para hacerlo correctamente, marcar ((Delimitados))
en la primera ventana del asistente; en la segunda ((Coma)) como separador y en la tercera, dentro de la opci
on ((Avanzadas)), seleccionar como
separador decimal (( . )) y como separador de miles (( , )).
2. Ordenar los datos importados, primero por ((columna E)) y despu
es de
((columna B)) (Datos / Ordenar). De esta manera queda agrupada la informaci
on de Cola y la de Tcierre y, a su vez, quedan ordenadas por orden
creciente de replicaciones.
3. Copiar los 20 valores del tiempo medio de espera en la hoja ((C
alculo rep.
adicionales)) (columna 13 del csv, ((columna M)) una vez importado).
4. Rellenar esta hoja de acuerdo con el contenido del cuadro 1 6.1. Como el
cociente entre la semiamplitud del intervalo y la estimaci
on de la media
(0.2) es mayor que 1 = 0,15 es necesario realizar replicaciones adicionales.

5. Para hallar el n
umero de replicaciones necesarias se aplica la expresi
on
ti1,0,95 (S 2 (n)/i)
6.2. En particular, se trata de evaluar el valor del cociente
,
Y (n)
donde se admite que Y (n) y S 2 (n), obtenidas con las n primeras replicaciones, son buenas estimaciones de la media y de la varianza de Y ,
respectivamente. Examinando diferentes valores de i, se obtiene que, si
la varianza se mantiene, es suciente realizar un total de 25 replicaciones:
ti1,0,95 (S 2 (n)/i)
i
Y (n)
21
24
25
0.194
0.180
0.176
6. Realizar cinco nuevas replicaciones (cargando el experimento

Ejemplo6-1 experimento2.xpt ) y repetir los pasos anteriores.
Con cuatro replicaciones podra ser suciente, ya que para n = 24, se
alcanza exactamente el valor de 0.18, pero con
animo conservador se
realiza una replicaci
on adicional a las que en teora son estrictamente
necesarias. El cociente entre la semiamplitud del intervalo y la estimaci
on de la media es igual a 0.18, por lo que el nuevo intervalo cumple con
el requisito establecido en t
erminos del error relativo m
aximo admitido.
1 A la hora de calcular t
ametros de esta funci
on
n1,1/2 hay que tener en cuenta que los par
en Excel son ((DISTR.T.INV(,grados de libertad)))
152
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
Funci
on en Excel(n=20)
Valor(n=20)
Valor(n=25)
Y (n)
PROMEDIO(D14:D33)
4.98
4.98
S 2 (n)
VAR(D14:D33)
6.56
7.00
t49,0,95
DISTR.T.INV(0.1;19)
1.73
1.71
D7*RAIZ(D6/20)
0.99
0.91
Limite sup.
D5-D8
3.99
4.08
Limite inf.
D5+D8
5.97
5.89
Semi-ampl/Promedio
D8/D5
0.20
0.18
Semi-amplitud intervalo
153
Cuadro 6.1: resultado del an

alisis estadstico del ejemplo 6.1.
Seg
un el an
alisis realizado, con un 90 % de probabilidad, el valor esperado para
el tiempo medio de espera de los clentes est
a comprendido en el intervalo
[5,10, 6,75].
Para completar el ejemplo, hay que estimar la probabilidad de que queden
clientes por servir a las 14:00. Si en una replicaci
on el valor de la variable
Tcierre es mayor que 300 minutos (tiempo transcurrido desde las 9:00 a las
14:00), el banco presta servicio despu
es de cerrar sus puertas. En primer lugar,
se copian los valores de la variable Tcierre en las 25 replicaciones anteriores
en la hoja ((Probabilidad cierre)). En segundo lugar, se calcula el n
umero de
veces que Tcierre>300 (funci
on de Excel ((CONTAR.SI(B8:B68;>300)))). Seg
un
la expresi
on 6.4 se obtiene:
9
S
=
= 0,36
n
25

p)
0,36 0,64
p(1
z1/2
= 0,36 1,64
= 0,36 0,16
p
n
25
=
p
Se estima que la probabilidad de que en un da el banco cierre m

as tarde de las
14:00 se encuentra en el intervalo [0,20, 0,52], con un 90 % de probabilidad.
La funci
on en Excel para calcular z0,95 es ((DISTR.NORM.ESTAND.INV(0.95))).
Probabilidad de
queden clientes
a las 14h
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
6.6.2.
Ejemplo 6.2: an
alisis de los datos de salida de un estudio de simulaci
on con terminaci
on. C
alculo del tiempo de calentamiento
Se pretende estimar el n
umero medio de piezas producidas por hora en un
peque
no taller de fabricaci
on. El taller consta de un centro de mecanizado y
un centro de inspecci
on colocados en serie como muestra la gura 6.6. Se sabe
que los pedidos llegan a la f
abrica con un tiempo entre llegadas que sigue una
distribuci
on exponencial de media 1.3 minutos. El tiempo de procesado en el
centro de mecanizado puede aproximarse mediante una distribuci
on uniforme en el intervalo [0,65, 0,7] minutos, mientras que el tiempo necesario para
inspeccionar una pieza es uniforme en el intervalo [0,75, 0,8] minutos. El 90 %
de las piezas inspeccionadas se aceptan como v
alidas, mientras que el 10 %
restante deben ser mecanizadas de nuevo. El centro de mecanizado a veces
se avera. El tiempo entre cada dos averas consecutivas sigue una distribuci
on exponencial de media 6 horas. El tiempo de reparaci
on es uniforme en
el intervalo [8, 12] minutos. Si el centro de mecanizado est
a procesando una
pieza cuando ocurre una avera, esta se termina de mecanizar cuando acaba
la reparaci
on.
A partir de los datos anteriores se pide proporcionar un intervalo de conanza al 95 % que contenga el valor esperado del n
umero de piezas producidas
por hora calculando, previamente, el tiempo de calentamiento del modelo.
Figura 6.6: esquema del taller de fabricaci

on.
Se trata de una simulaci

on sin terminaci
on de un sistema del que interesa, b
asicamente, su comportamiento una vez alcanzado el r
egimen permanente. Por lo tanto,
el primer paso para estimar la producci
on media por hora en r
egimen estacionario,
alculo del tiempo de calentamiento, expresado por el n
umero de
Y , consisten en el c
horas l que hay que dejar pasar para superar el r
egimen transitorio. Una vez que se
conozca l, se puede estimar el valor esperado de la variable de salida acompa
nado de
un intervalo de conanza.
154
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
155
Para abordar el problema que se recomienda utilizar los archivos siguientes:

Ejemplo6-2.mod: contiene el modelo del sistema en Witness.
Ejemplo6-2 Experimento.xpt: es el experimento para realizar 10 replicaciones de 160 horas (9600 minutos) de duraci
on de manera que en el archivo csv
de salida se recojan datos cada 60 minutos).
Ejemplo6-2.xls: es la hoja de c
alculo donde se propone abordar el problema.
Ejemplo6-2 solucion.xls: muestra c
omo debe quedar la hoja de c
alculo una
vez resuelto el ejemplo.
El experimento
Planteamiento
Primero, es necesario obtener la muestra yi(j) (donde yi(j) representa el n

umero de piezas producidas en la hora j-
esima en la replicaci
on i-
esima, i = 0. , 10 y
j = , 160). A partir de esa muestra se obtendr
an los valores de y (j) y, nalmente,
los valores alisados y(j) (w). Para ello, se deben seguir los siguientes pasos.
1. Abrir el archivo Ejemplo1-2.mod.
2. Cargar el experimento Ejemplo1-2 experimento.xpt y ejecutarlo (Modelo /
Experimento / Ejec. acel.)
3. Los datos de la simulaci
on se almacenan en el chero Ej62.csv. Importar dicho
archivo a la hoja ((CSV)) del archivo Ejemplo6-2.xls.
(a) Datos / Ordenar
(b) Datos / Filtro / Autoltro
Figura 6.7: ordenar y ltrar los datos del ejemplo en Excel.

C
alculo del tiempo de calentamiento: m
etodo de Welch
1. Ordenar los datos de la hoja ((CSV)) primero por el instante al que corresponden
los datos (columna D) y despu
es por replicaci
on (columna C), como en la gura
6.7(a).
Archivos
disponibles
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
2. Copiar los 10 160 valores de yi(j) en el lugar correspondiente de la hoja

((Tiempo de calentamiento)). Estos valores se encuentran en la columna 8 (ver
ayuda de Witness para achivos csv corresondientes a entidades). La columna C
on de entidades
de la hoja ((Tiempo de calentamiento)) debe contener la producci
de tipo pieza cada hora para cada una de las replicaciones. Por ejemplo, el rango
C4:C13 debe contener la producci
on de entidades durante la primera hora para
las diez replicaciones (C4 contendr
a la producci
on para la primera hora de la
primera replicaci
on y C13 contendr
a la producci
on para la primera hora de la
d
ecima replicaci
on). Igualmente, el rango C14:C23 contendr
a la producci
on de
entidades durante la segunda hora para las diez replicaciones, y as sucesivamente con las 160 horas.
3. Calcular, en las celdas sombreadas de la columna D, 2 el promedio, para cada
hora j, del n
umero de piezas producidas en las 10 replicaciones (y(j) ). De esta
manera se obiene la media para los grupos de valores correspondientes a los
rangos C4:C13 (primera hora, j = 1), C14:C23 (segunda hora), C24:C33 (tercera
hora), etc.
4. Filtrar las celdas no vacas (gura 6.7(b)) y copiar los 160 valores y(j) en la
columna G.
5. Calcular, seg
un la expresi
on 6.5, la media alisada del conjunto y(j) aumentando
w hasta apreciar con claridad el paso de r
egimen transitorio a estacionario. En
concreto, tomar w = 5, w = 10 y w = 15. y representar gr
acamente dichos
valores (gura 6.8).
Figura 6.8: medias alisadas para w = 5, w = 10 y w = 15.
A patir del gr
aco correspondiente a y (j) (15) (w = 15) se puede admitir que tras 25
horas para que el sistema ha alcanzardo el r
egimen permanente. Es decir, l = 25.
2 funci
on
en Excel ((=SI(B5=B4;;PROMEDIO(C5:C14))))
156
Captulo 6. ANALISIS
DE UNA ALTERNATIVA
Estimaci
on del valor esperado
Para estimar el n
umero de piezas producidas por hora, solo se tienen en cuenta los valores yi(j) con i = 1, , 10 y j = 26, , 160:
1. Ordenar los datos de la hoja CSV primero por replicaci
on y despu
es por hora
(al contrario que para el tiempo de calentamiento).
2. Copiar los 10 135 valores de yi(j) en el lugar correspondiente de la hoja
((Estimaci
on de la producci
on)).
3. Calcular, para cada replicaci
on, el promedio de las piezas producidas en una
hora. Copiar los valores obtenidos en la columna yi
4. Para concluir el an
alisis, completar un cuadro como 6.2.
Funci
on en Excel
Valor
Y (n)
PROMEDIO(H13:H22)
59.58
S 2 (n)
VAR(H13:H22)
0.49
t9,0,975
DISTR.T.INV(0.05;9)
2.26
H5*RAIZ(H4/10)
0.50
Lmite sup.
H3-H6
59.07
Lmite inf.
H3+H6
60.08
Semi-amplitud intervalo
Cuadro 6.2: resultados del an

alisis estadstico del ejemplo 6.2.
Como conclusi
on del an
alisis, el valor esperado del n
umero de piezas que se producen
por hora se encuentra en el intervalo [59,07, 60,08], con una probabilidad de 95 %.
6.7.
Resumen
En an
alisis riguroso y de un modelo de simulaci
on es de gran importancia. Existen
diferentes formas de caracterizar el comportamiento de sistema. Uno de los aspectos
m
as importantes es estimar el valor esperado de las variables de salida y construir un
intervalo de conanza para dicho valor. Exiten dos tipos de simulaci
on que requieren
an
nalisis especcos: las simulaciones con terminaci
on (en las que hay que determinar
las condiciones iniciales de la simulaci
on) y las simulaciones sin terminaci
on (para las
cuales, si existe un r
egimen permanente, es necesario estimar el tiempo de calentamiento).
Este capitulo se ha dedicado al an
alisis de una conguraci
on. En otras ocasiones, es
necesario comparar el comportamiento de un sistema para diferentes conguraciones,
que es a lo que se dedica el captulo 7.
157
Captulo 7
LISIS DE DATOS DE SALIDA.
ANA
DE VARIAS ALTERNATIVAS
COMPARACION
7.1.
Introducci
on
En el captulo anterior se ha explicado la importancia de completar el estudio de simulaci

on de un sistema con un an
alisis estadstico para extraer conclusiones correctas.
En este captulo se explica c
omo llevar a cabo ese an
alisis cuando se comparan varios
sistemas con el objetivo de identicar el mejor. Este tipo de estudios tienen una gran
importancia ya que una de las utilidades de la simulaci
on es ayudar a tomar la decisi
on
de qu
e alternativa implementar cuando se tienen varias opciones.
Una manera intuitiva de tratar este problema es ejecutar los modelos durante un tiempo determinado y, dependiendo de si interesa un valor alto o bajo de la variable de
salida, elegir el que tenga mejor respuesta. Pero, al igual que sucede en el caso de esnica, la salida de estos modelos es un fen
tudiar una conguraci
on u
omeno estoc
astico
y no hay garantas de que la alternativa elegida por este m
etodo sea la adecuada.
En este captulo se presentan varios m
etodos para resolver problemas de comparaci
on de conguraciones alternativas. En la secci
on 7.2 se trata el caso de comparar
dos alternativas mediante el intervalo de conanza de la diferencia de sus variables
de salida. En la secci
on 7.3 se discute c
omo hacer la comparaci
on cuando se tienen
m
as de 2 alternativas. Estos conceptos se ponen en pr
actica en la secci
on 7.4 mediante la resoluci
on de dos ejercicios sencillos. Para nalizar el captulo, se proponen 2
problemas acompa
nados de su soluci
on.
7.2.
Comparaci
on de dos conguraciones alternativas
En esta secci
on se explica c
omo comparar dos alternativas suponiendo que se eval
ua
nica variable de salida1 . A partir de ahora y1i
su comportamiento a trav
es de una u
representa el valor en la i-
esima replicaci
on de la variable de salida en la primera alternativa (Y1 ) y que su valor esperado es 1 = E(Y1 ) (2 = E(Y2 ) para la segunda
alternativa). La comparaci
on se hace a partir de una nueva variable aleatoria, Z, denida como la diferencia de la variable de salida en las alternativas 1 y 2, Z = Y1 Y2 .
1 cuando
se quiere estudiar el comportamiento de m

as de una variable simult
aneamente, el
problema se conoce como decisi
on multicriterio y su resoluci
on se escapa del objetivo de este
texto. Para m
as informaci
on se recomienda consultar la referencia Law, 2001
Captulo 7. ANALISIS
DE DATOS DE SALIDA. COMPARACION
El problema de comparar las dos alternativas consiste entonces en calcular el signo

de E(Z) = = 1 2 . Construyendo un intervalo de conanza para esa variable se
considera que existe una diferencia signicativa entre ambas conguraciones si dicho
intervalo no contiene al cero.
A continuaci
on se explica detalladamente este proceso suponiendo que se trata
de un modelo de simulaci
on con terminaci
on (ver secci
on ??). En el caso de que
interese el comportamiento en estado estacionario se procede de forma similar pero
teniendo en cuenta el problema del tiempo de calentamiento de cada conguraci
on
por separado.
omeno a lo largo
NOTA: Y1 e Y2 son variables aleatorias que representan un fen
de una replicaci
on completa. Por ejemplo, y1i puede ser el tiempo medio de espera de
los barcos que quieren amarrar en un puerto a lo largo de un da (considerando que
la duraci
on de cada replicaci
on es de un da), pero no el tiempo que tiene que esperar
nico barco.
un u
En caso de querer comparar dos conguraciones que se representan mediante modelos

de simulaci
on con terminaci
on se aconseja seguir los siguientes pasos:
1. Obtener un conjunto de observaciones independientes [(y11 , , y1n ) ,
(y21 , , y2n )]. Se consigue haciendo n replicaciones independientes de cada
modelo.
2. Calcular (z1 , , zn ), donde zi = y1i y2i .
3. Construir un intervalo de conanza para a partir de (z1 , , zn ):

S 2 (n)
z(n) tn1,1/2
n
donde:
n
z(n) =
i=1
zi
n
y
S 2 (n) =
i=1
(7.1)
[zi z(n)]2
n1
Si Z est
a normalmente distribuida, la probabilidad de que est
e contenido en este
intervalo es de (1 ); en el resto de casos esta probabilidad se aproxima para valores
altos de n (teorema central del lmite, secci
on 3.4.2). Por tanto, si el intervalo no contiene a 0, la probabilidad de que el valor esperado de ambas alternativas sea diferente
es de 1 . En este caso se considera que la diferencia es signicativa y seg
un su
signo se elige la m
as favorable.
7.3.
Comparaci
on de varias alternativas
En la secci
on 7.2 se explica como comparar dos alternativas mediante el intervalo de
conanza de su diferencia. Pero es frecuente encontrar problemas donde se barajen
m
as de dos alternativas y en este caso el proceso de selecci
on es m
as complejo.
159
Captulo 7. ANALISIS
Una manera intuitiva de resolver el problema es hacer varios intervalos de conanza

comparando todas las alternativas dos a dos. Pero este m
etodo tiene una limitaci
on: si
se forman k intervalos de conanza Is para las variables s , donde el nivel de conanza
en cada uno de ellos es s , puede demostrarse que la probabilidad de que se cumplan
todos simult
aneamente est
a limitada por la desigualdad de Bonferroni:
P (s Is para todos = 1, 2, , k) 1
k
(7.2)
s=1
Por lo tanto si queremos que el nivel de conanza asociado a k intervalos sea al menos
1, el nivel de conanza de cada intervalo particular se debe elegir de manera que se
k
cumpla s=1 s = . Si se toma el mismo valor para todos ellos, s = /k. Por ejemplo,
suponiendo que se quieren comparar 5 alternativas mediante este m
etodo es necesario
hacer 10 intervalos Iij (donde i y j representan las alternativas comparadas). Para
conseguir que el nivel de conanza de la elecci
on sea 90 %, es decir que la probabilidad
de que se cumplan simult
aneamente todos los Iij sea del 90 %, y considerando que se
toma el mismo nivel de conanza:
10 ij = ij =
0, 1
= 0, 01
10
por lo que el nivel de conanza de cada intervalo individual es 99 %. El resultado es

que los intervalos son m
as amplios y posiblemente no signicativos, ya que es m
as
probable que contengan a 0. Esto hace que este m
etodo sea poco aconsejable.
A continuaci
on se exponen dos m
etodos: el primero de ellos para comparar varios
sistemas respecto a uno que se considera la referencia, y el segundo para seleccionar
la mejor alternativa cuando se dispone de varias.
7.3.1.
Comparaci
on de varias alternativas frente a una referencia
A partir de ahora se supone que se tienen k alternativas y se pretende comparar su

rendimiento con una de ellas que se toma como referencia (por ejemplo, porque es
la que actualmente existe y se estudia la posibilidad de reemplazarla por otra del
conjunto). En este caso, y siempre que k no sea muy grande, se puede aplicar el m
etodo
anterior construyendo k 1 intervalos de conanza para las diferencias 2 1 ,3
on 7.2, para que la probabilidad de que
1 , k 1 . Teniendo en cuenta la ecuaci
todos ellos se cumplan simultaneamente sea al menos 1 , el nivel de conanza de
los intervalos individuales debe ser 1 /(k 1). La interpretaci
on de los resultados
obtenidos es la siguiente: si ning
un intervalo contiene el valor 0, la probabilidad de
que todas las alternativas sean signicativamente diferentes a la de referencia es al
menos 1 . Por el contrario, si el intervalo Ii contiene el valor 0 se puede decir que
no existe diferencia signicativa entre la alternativa i y a la de referencia.
Otra forma de aplicar este m
etodo, adem
as del caso en el que se quiera contrastar
posibles alternativas frente a una existente, es comparar varias alternativas tomando
como referencia la que tenga una media menor (o mayor, depende de que se busque).
De este modo se comprueba si la alternativa aparentemente mejor realmente es signicativamente diferente al resto.
160
Captulo 7. ANALISIS
7.3.2.
Clasicaci
on y selecci
on de la mejor alternativa
Hasta ahora se ha explicado c

omo comparar varias alternativas entre s cuando el
n
umero de opciones disponibles es mayor de dos. El objetivo de esta secci
on es m
as
ambicioso: se expone un m
etodo para elegir la mejor alternativa de k posibles con un
nivel de conanza determinado.
es de la alternativa j en la replicaci
on i y sea j = E(Yji ).
Sea Yji la variable de inter
Para aplicar este m
etodo es necesario que los valores Yji se hayan obtenido a partir de
replicaciones independientes para cada sistema y que se distribuyan normalmente2 .
on a partir
Debido a la aleatoriedad de Yji no se puede asegurar al 100 % que la elecci
de una muestra sea la correcta, pero si es posible jar una probabilidad de acierto
alculos para discernir
P . Del mismo modo, no tiene sentido complicar en exceso los c
qu
e alternativa es la mejor si la diferencia entre las 2 mejores es muy peque
na. Por
tanto es aceptable jar un d tal que si la alternativa elegida es 1 , la diferencia entre
esta y cualquier otra no supere dicho valor (es decir, i 1 d para todo i). En resumen, aplicando este m
etodo se puede armar que, con probabilidad P , la diferencia
de las medias de la alternativa elegida y la mejor del conjunto no supera el valor
d .
Planteamiento del
m
etodo
El m
etodo se estructura en dos etapas claramente diferenciadas: en la primera, a
partir de los resultados de n replicaciones, se busca el n
necesarias para elegir una alternativa. En la segunda se realizan las replicaciones
adicionales necesarias y, a partir de una media ponderada de los resultados de las
replicaciones de las dos etapas, se elige la mejor. A continuaci
on se enumeran los
pasos para aplicarlo.
Aplicaci
on
Primera etapa
1. Realizar n0 replicaciones independientes de las k alternativas y calcular la media
y la varianza de cada muestra obtenida:
(1)
y j (n0 )
n 0
=
i=1
yji
n0
n 0
y
Sj2 (n)
i=1
(1)
[yji y j (n0 )]2

n0 1
Se recomienda que como mnimo n0 = 20.

2. Calcular el n
umero total de replicaciones, Nj , necesarias para llevar a cabo la
selecci
on:
-

, 2 2
h1 Sj (n0 )
(7.3)
ax n0 + 1,
Nj = m
(d )2
donde x es el mayor entero menor o igual que x y h1 es una constante tabulada que se puede consultar en la tabla 5.
Segunda etapa
2 Aunque esta u
ltima suposici
on parezca un problema no lo es en realidad ya que no es muy
sensible ante peque
nas variaciones
161
Captulo 7. ANALISIS
1. Realizar las Nj n0 replicaciones que faltan para alcanzar Nj y calcular su

media:
Nj
(2)
Y j (Nj n0 ) =
i=n0 +1
Yji
Nj n0
(7.4)
2. Calcular los pesos Wj1 y Wj2 para i = 1, 2, , k:

Wj1

/
/
(Nj n0 )(d )2
Nj
n0
0
1+ 1
1
=
Nj
n0
h21 Sj2 (n0 )
Wj2 = 1 Wj1
(7.5)
(7.6)
3. Calcular la media ponderada de cada alternativa:

(2)
j (Nj ) = Wj1 Y (1)
X
j (n0 ) + Wj2 Y j (Nj n0 )
j (Nj ).
4. Finalmente se elige la alternativa con menor (o mayor) X
Los valores de P y d son elecci
on del analista y depender
an de los objetivos del
a el
estudio de simulaci
on. Logicamente, cuanto mayor sea P y menor d mayor ser
coste de computaci
on pero mejores los resultados obtenidos.
162
Captulo 7. ANALISIS
7.4.
on
7.4.1.
Ejemplo 4.1: comparaci

on de dos alternativas
La empresa municipal de transportes de una ciudad se plantea internalizar

el servicio de mantenimiento de sus vehculos. El ingeniero responsable del
proyecto, despu
es de recoger toda la informaci
on necesaria y analizar el problema, considera dos posibles soluciones para el taller de reparaciones (gura
7.1):
1. Un puesto de inspecci
on y dos de reparaci
on.
nico de reparaci
2. Dos puestos de inspecci
on y uno u
on.
La llegada de vehculos al taller se puede modelar mediante una distribuci
on
exponencial de media 1 hora. El tiempo medio de inspecci
on de cada autob
us
se aproxima a una distribuci
on uniforme entre 0,5 y 1,1 horas mientras que
el tiempo de reparaci
on lo hace seg
un una gamma de par
ametros = 2, 2 y
= 1. A partir de los datos hist
oricos se estima que el 30 % de los vehculos
que se revisan necesitan alguna reparaci
on, mientras que el resto sale del
taller sin ser sometidos a ninguna otra operaci
on. Todas las colas siguen una
disciplina FIFO.
Dado que el coste de un centro de inspecci
on y de uno de reparaci
on
es muy parecido, se decide seleccionar la alternativa en la que el tiempo
medio que los vehculos pasan en el taller sea menor. Si fuese el encargado
de tomar la decisi
on, qu
e alternativa elegira?
Figura 7.1: conguraciones alternativas para el taller del ejemplo 4.1
La variable de salida es el tiempo medio que cada vehculo pasa en el sistema una vez que la simulaci
on alcanza el estado estacionario. Para resolver el
problema, se toma como tiempo de calentamiento 720 horas (se deja su c
alculo como ejercicio) y se realiza un experimento como el que se muestra en el
cuadro 7.1. La resoluci
on del problema consiste, b
asicamente, en obtener un
intervalo de conanza (en este caso al 99 %) de la diferencia de la variable de
salida en cada modelo, Y1 e Y2 .
El ejemplo se desarrolla siguiendo los siguientes archivos:
Planteamiento
163
Captulo 7. ANALISIS
N
Tiempo de calentamiento
Longitud de cada replicaci
on
Variable de salida
40
720 horas
4000 horas
Tiempo medio en el sistema
Cuadro 7.1: caractersticas del estudio de simulaci

on. La duraci
on de replicaci
on no incluye el tiempo de calentamiento
Ejemplo4-1a.mod : contiene el modelo de la primera alternativa en Witness.

Ejemplo4-1b.mod : contiene el modelo de la segunda alternativa en Witness.
Ejemplo4-1.xls : es la hoja de c
alculo donde se debe resolver el ejemplo.
Ejemplo4-1 experimento.txt : Preparado para obtener 40 replicaciones independientes de longitud 4000 horas y un tiempo de calentamiento
de 120 horas.
Ejemplo4-1 solucion.xls : muestra como debe quedar la hoja de
c
(a) Alternativa 1
(b) Alternativa 2
Figura 7.2: modelo en Witness de las dos alternativas

El experimento
El primer paso es obtener las dos muestras (y11 , y12 , , y140 ) e
(y21 , y22 , , y240 ) a partir de las que se eval
uan las conguraciones
alternativas. Estos valores se obtienen del informe del elemento ((Autobus)) del
archivo de salida CSV de la simulaci
on. Se deben seguir los siguientes pasos:
1. Abrir el modelo de la primera alternativa, Ejemplo4-1a.mod , y cargar
el experimento Ejemplo4-1 experimento.txt (Model / Experiment
/ Open).
164
Captulo 7. ANALISIS
2. Seleccionar Ejemplo4-1a.mod como el modelo de ejecuci

on del experimento (Model / Experiment / Dene / Situations).
3. Importar los datos del archivo ((Ej4-1.csv)) en la hoja ((CSV alternativa 1))
del archivo Ejemplo4-1.xls .
4. Los tiempos medios de espera en la cola se guardan en la columna N. Ordenar los datos por n
umero de replicaci
on ( Datos / Ordenar / Columna
B) y copiarlos en el lugar correspondiente de la hoja ((Comparaci
on de
alternativas)).
5. Repetir el proceso para la segunda conguraci
on (Ejemplo4-1b.mod).
An
alisis estadstico
1. Calcular, en la hoja ((Comparaci
on de alternativas)), la diferencia de los
valores de salida en las dos alternativas en cada replicaci
on (zi ).
2. Completar el an
alisis calculando un cuadro como 7.2.
Funci
on Excel
Valor
z(n)
PROMEDIO(F13:F52)
0,68
S 2 (n)
VAR(F13:F52)
0,04
t39,0,995
DISTR.T.INV(0,01;39)
2,71
Semi-longitud del
intervalo 99 %
F6*RAIZ(F5/60)
0,07
Lmite superior
F4+F7
0,61
Lmite inferior
F4-F7
0,75
Cuadro 7.2: resultado de la comparaci

on de las dos alternativas. El an
alisis es
signicativo.
Seg
un este an
alisis, el valor esperado de la variable Z = Y1 Y2 se encuentra en
el intervalo (0, 61, 0, 75) con una probabilidad del 99 % y su estimaci
on puntual
= 0, 68 . Como el objetivo es elgir la alternativa con menor valor esperado
es
y seg
un este an
alisis, conviene poner en funcionamiento la segunda alternativa
(2 centros de inspecci
on y uno de reparaci
on).
165
Captulo 7. ANALISIS
7.4.2.
Ejemplo 4.2: comparaci

on de varias conguraciones alternativas
Un sistema de fabricaci
on esta compuesto por 5 m
aquinas iguales que trabanijan de manera independiente. La m
aquinas operan continuamente con la u
nico mec
ca excepci
on de las paradas por averas y en la actualidad un u
anico
se encarga de las reparaciones de todas las m
aquinas. El tiempo que cada
m
aquina funciona sin tener una avera puede aproximarse a una distribuci
on
exponencial de media 8 horas y la duraci
on de una reparaci
on se asemeja a
una exponencial de media 2 horas.
El mec
anico encargado de las reparaciones ha sugerido a su superior que el
coste de mantenimiento se reducira si la plantilla de mec
anicos se ampliase,
ya que considera que es muy frecuente que m
as de una m
aquina est
e averiada a la vez. Ante esta situaci
on el departamento de mantenimiento decide
hacer un estudio de simulaci
on para comparar la respuesta del sistema cuando vara el n
umero de mec
anicos, hasta un m
aximo de 4. Se considera que los
nicos costes de mantenimiento son el coste por parada de las m
u
aquinas (55
/hm
aquina) y el coste de la mano de obra de reparaci
on (10/horamec
anico). Se pide hacer un estudio de simulaci
on para averiguar cu
al es el n
umero
optimo de mec
anicos para minimizar dicho coste.
nica
En este caso, se consideran 4 conguraciones alternativas donde la u
diferencia entre ellas es el n
umero de mec
anicos. Al igual que en el ejercicio
anterior interesa el comportamiento durante el estado estacionario y para ello
basta con tomar un tiempo de calentamiento de 200 horas (se deja su c
alculo
como ejercicio). El coste de mantemiento, que es la variable de salida que hay
que comparar, se calcula de la siguiente manera:
Y = Tpar ada 55 + Thor as nmecanicos 10
En primer lugar, se compara el sistema actual de un solo mec
anico con el resto
de alternativas mediante intervalos de conanza individuales (apartado 7.3.1).
Despu
es se utiliza el m
etodo explicado en 7.3.2 para clasicar las alternativas
y seleccionar la mejor.
A continuaci
on se presentan los archivos que acmpa
nan al enunciado:
Ejemplo4-2.mod : contiene el modelo del sistema en Witness.
Ejemplo4-2a.xls : es la hoja de c
alculo donde se debe resolver el ejemplo tomando el sistema actual como referencia.
Ejemplo4-2a solucion.xls : muestra como debe quedar la hoja de
c
alculo anterior una vez resuelto el ejemplo.
Planteamiento
166
Captulo 7. ANALISIS
Ejemplo4-2b.xls : es la hoja de c
alculo donde se debe resolver el ejemplo mediante el m
etodo de selecci
on de la mejor alternativa.
Ejemplo4-2b solucion.xls : muestra como debe quedar la hoja de
c
alculo anterior una vez resuelto el ejemplo.
Ejemplo4-2a experimento.txt : Preparado para obtener 40 replicaciones independientes de longitud 4000 horas y un tiempo de calentamiento de 200 horas.
Ejemplo4-2b experimento1.txt : Preparado para obtener las replicaciones adicionales en el m
etodo de selecci
on de una alternativa de la
conguraci
on 1.
etodo de selecci
on de una alternativa de la
conguraci
on 2.
etodo de selecci
on de una alternativa de las
conguraciones 3 y 4.
Figura 7.3: modelo en Witness del sistema del ejemplo 4.2.
SISTEMA ACTUAL COMO REFERENCIA
El experimento
Para cambiar el n
umero de mec
anicos (y as cambiar de alternativa), se modica la propiedad ((Quantity)) del elemento mecanicos. En la variable Tparada
se almacena el n
umero total de horas que las m
aquinas han estado paradas
debido a una avera una vez superado el tiempo de calentamiento, que es el
nico valor que se extrae de cada replicaci
u
on.
167
Captulo 7. ANALISIS
Los pasos para realizar obtener los datos de la simulaci

on son los siguientes:
1. Abrir el modelo Ejemplo4-2.mod y comprobar que el n
umero de
mec
anicos es 1.
2. Abrir el experimento Ejemplo4-2a experimento.txt (Model / Experiment / Open) y ejecutarlo (Model / Experiment / Batch).
3. Importar los datos del archivo Ej4-2.csv en la hoja ((CSV alternativa 1))
del archivo Ejemplo4-2a.xls .
4. El tiempo total que han estado paradas las 5 m
aquinas en cada replicaci
on se guarda en la columna I. Ordenar los datos por n
umero de replicaci
on ( Datos / Ordenar / Columna B) y copiarlos en el lugar correspondiente de la hoja ((Comparaci
on de alternativas)).
5. Repetir el proceso anterior cambiando el n
umero de mec
anicos (2, 3, y
4).
C
alculo del coste de mantenimiento
A primera vista se aprecia que el tiempo de parada se reduce considerablemente al pasar de 1 mec
anico a 2. Tambi
en se observa que al aumentar
el n
umero de mec
anicos a 3 y 4, aunque tambi
en se produce una reducci
on,
el efecto no es tan alto. A pesar de ello, lo que realmente interesa es la
repercusi
on en el coste de mantemiento. Los siguientes pasos son:
1. Calcular el coste de mantenimiento de cada replicaci
on en la columna
y1i . Por ejemplo, para la y11 , el coste de mantenimiento (expresado en
miles de ) se calcula de la siguiente manera:
y11 = (976, 33 55 + 800 1 10)/1000 = 61, 70
2. Repetir el proceso anterior cambiando el n
umero de mec
anicos (2, 3, y
4) para obtener el coste de mantemiento en el resto de conguraciones
(y2i , y3i e y4i ).
An
alisis estadstico
La comparaci
on se realiza sobre la diferencia de las alternativas (2, 3 y
4) con la de referencia (1). Para ello se deben seguir los siguientes puntos:
1. Calcular las diferencias z2i = y2i y1i , z3i = y3i y1i y z4i = y4i y1i .
Estos valores representan el coste de mantenimiento en miles de euros.
168
Captulo 7. ANALISIS
2. Realizar para cada una de estas diferencias un intervalo de conanza al

97 %, de manera an
aloga al ejemplo anterior. Los resultados se presentan
en el cuadro 7.3.
Funci
on Excel alternativa 1
z2i
z2i
z2i
-14,15
-8,26
-0,44
z(n)
PROMEDIO(M13:M32)
S 2 (n)
VAR(M13:M32)
8,34
10,41
10,51
t19,0,985
2,35
2,35
2,35
Semi-longitud
del intervalo 99 %
M6*RAIZ(M5/60)
0,07
0,98
0,98
Lmite superior
M4+M7
0,61
-9,24
-1,42
Lmite inferior
M4-M7
0,75
-7,28
0,54
Cuadro 7.3: intervalos individuales al 97 % para las comparaciones con el sistema actual. Valores en miles de euros
Los dos primeros intervalos no contienen al cero y son negativos por lo que
se puede decir que hay una mejora signicativa al tener un total de 2
o 3
mec
anicos en plantilla. Por otro lado, con estos datos no se pude armar que
exista una diferencia signicativa entre el sistema actual y tener 4 mec
anicos.
NOTA: la probabilidad de que se cumpla cada una de las armaciones
anteriores por separado es del 97 % mientras que la probabilidad de que se
cumplan conjuntamente es del 90 %.
DE LA MEJOR ALTERNATIVA
SELECCION
Con el m
etodo anterior se sabe que el coste de mantenimiento al contratar
m
as mec
anicos se reduce, pero no permite elegir entre tener 2
o 3 mec
anicos.
Dado que el coste de mantenimiento ronda los 60.000, parece suciente tomar d = 1,000; para P se elige 90 %. A continuaci
on se aplica el m
etodo de
selecci
on visto en 7.3.2.
Primera etapa
Para la primera etapa se pueden aprovechar los valores de yji obtenidos anteriormente. Por tanto n0 = 20 y se siguen los siguientes pasos:
1. Copiar la matriz de valores 3 20 de yji en la hoja ((Primera etapa)) del
archivo Ejemplo4-2b.xls .
Conclusi
on
169
Captulo 7. ANALISIS
2. Calcular la media y la varianza de cada muestra yji :
y ( 1)j (20)
Sj2 (20)
68,79
19,72
54,63
3,66
60,53
1,86
68,34
1,88
3. Obtener de la tabla h1 el valor de h21 . Para k = 5, n0 = 20 y P = 0, 90,

h1 = 2, 583.
4. Calcular Ni , que representa el mayor valor3 entre n0 + 1 (21 en este caso)
y el valor de la expresi
on 4 :
h2 S 2 (n )
1 j 0
(d )2
Para cada alternativa, Nj toma los siguientes valores:

3
j
n0
h21 Sj2 (n0 )

(d )2
21
4
Nj
replicaciones adicionales
131,55
132
112
21
24,40
25
21
12,42
21
21
12,57
21
5. Realizar, para cada alternativa, las replicaciones adicionales necesarias para la segunda etapa. Para ello ejecutar los experimentos
Ejemplo4-2b experimento1.xls para
1
mec
anico,
Ejemplo4-2b experimento2.xls para 2 mec
anicos y Ejemplo4-2b
experimento4.xls para 3 y 4 mec
anicos e importar los datos generados en las hojas ((CSV adicional j )).
6. Calcular para los valores obtenidos en las nuevas replicaciones el coste
de mantenimiento como se hizo en para las 20 replicaciones originales.
3 la
funci
on de EXCEL ((MAX(n1; n2; ))) devuelve el valor m
aximo del conjunto n1, n2,
calcular x puede emplearse, entre otras, la funci
on ((MULTIPLO.SUPERIOR(x;1)))
4 para
170
Captulo 7. ANALISIS
Segunda etapa
1. Calcular las medias de las nuevas observaciones:
j
1
2
3
4
(2)
y j (Nj 20)
69,96
55,21
58,75
66,64
2. Calcular los pesos W1i y W2i a partir de la ecuaci

on 7.6 (ver cuadro 7.4).
3. Calcular el coste medio ponderado de cada alternativa.
Primera etapa
no mec.
1
2
3
4
(1)
y i (20)
68,79
54,63
60,53
68,34
Si2 (20)
19,72
3,66
1,86
1,88
Segunda etapa
Ni
132
25
21
21
(2)
y i (20)
69,96
55,21
58,75
66,64
W1i
0,17
0,86
1,13
1,13
W2i
0,83
0,14
-0,13
-0,13
i
y
69,76
54,71
60,76
68,56
Cuadro 7.4: intervalos individuales al 97 % para las comparaciones con el sistema actual
Como se aprecia en el cuadro 7.4, la mejor opci

on es tener en plantilla 2
mec
anicos (con una probabilidad del 90 %).
Conclusi
on
171
Captulo 8
O DE EXPERIMENTOS Y SUPERFICIES
DISEN
DE RESPUESTA
8.1.
EL MODELO HA CAMBIADO Y HAY QUE REPETIR TODA LA

Y CAMBIAR IMA
GENES Y TODO
EXPERIMENTAICON
8.2.
Introducci
on
Un estudio de simulaci
on se puede realizar para evaluar un conjunto de alternativas ya conocidas. Por ejemplo, para el dise
no de una gasolinera se pueden
estudiar varias conguraciones para la disposici
on de los surtidores y de los
productos que se sirven en cada uno. En estos casos, el an
alisis que se debe
realizar debe ser conforme lo que se ha presentado en el captulo 7.
Sin embargo, en otros estudios las alternativas pueden estar menos claramente denidas. Por ejemplo, puede ser interesante estudiar cu
al es el tama
no de
lote de transferenciam
as ventajoso en un taller, es decir, el n
umero de piezas
que componen cada lote, de tal manera que hasta que no se procesan todas
las piezas de ese lote en una parte del taller, no se enva el conjunto a la siguiente etapa. Pueden existir, de hecho, diferentes factores que condicionan el
comportamiento del sistema. En este caso, el inter
es puede ser buscar un conjunto de valores para dicho par
ametros que de lugar a un comportamiento del
sistema sucientemente bueno (si no el mejor). Sin embargo, evaluar todas las
posibles combinaciones de todos los factores puede ser computacionalmente
inviabel, por el elevadsimo n
umero de alternativas. En este captulo se presenta, primero, una metodologa para evaluar la inuencia de los par
ametros,
para conocer si su inuencia es signicativa (dise
no de experimentos), y, despu
es, una forma de obtener un modelo del propio modelo de simulaci
on para
poder precedir el comportamiento del modelo y elegir una buena combinaci
on
de factores (supercie de respuesta).
Naturaleza de
las alternativas
DE EXPERIMENTOS Y SUPERFICIES DE RESPUESTA

Captulo 8. DISENO
173
Cuando se realizan dise

nos de experimentos, se habla de factores y de respuestas. Los factores son aquellos datos de entrada que condicionan los valores de las variables de salida y cuyo efecto se pretende estudiar. Los factores
generalmente se reeren a los par
ametros del modelo de simulaci
on, es decir,
a aquellos datos sobre los que el decisor tiene contro. Sin embargo, una variable de entrada podra ser un par
ametro (por ejemplo, puede ser interesante
realizar un an
alisis de sensibilidad y evaluar el comportamiento del sistema
frente a diferentes valores de la demanda).
Factores
En una lnea de montaje, un factor puede ser el tama

no de los stocks intermedios; el un centro de atenci
on telef
onica, el n
umero de teleoperadores de los
que se dispone en cada nivel; en un supermercado, la disciplina de colas que
se adopta en las cajas.
Ejemplos
Por otra parte, la respuesta del sistema es el valor que toma la variable de
salida considerada. Cuando existen varios factores que pueden condicionar la
respuesta del sistema, el objetivo es evaluar el efecto de estos factores para
alcanzar una combinaci
on de sus valores que ofrezca una buen valor de la
respuesta.
Respuestas
Cuando s
olo hay un par
ametro que modicar, evaluar su efecto pasa por ejecutar el modelo para cada uno de los posibles valores de ese par
ametro (o para
un conjunto de valores) y emplear las t
ecnicas presentadas en el captulo 7.
Un solo
par
ametro
Cuando existen m
as de dos par
ametros, factores de ahora en adelante, una
posible estrategia podra consistir en jar el valores de todos los par
ametros
menos uno, Fi . A continuaci
on, modicar el valor de Fi y evaluar si tiene un
impacto signicativo sobre la respuesta del sistema. Este enfoque tiene dos
deciencias:
Varios factores
primero, es muy poco eciente, porque si el n

umero de factores es relativamente algo, el n
umero de combinaciones que hay que estudiar es muy
alto y hace que el an
alisis sea computacionalmente inviable;
segundo, este an
alisis s
olo permite evaluar el efecto de la modicaci
on
de cada factor por separado, pero no evalua las interacciones. Por ejemplo, aumentar la plantilla o aumentar la capacidad de la maquinaria en
una planta, por separado, no permitan aumentar la producci
on, pero al
hacerlo de forma conjunta s se obtenga un incrementos signicativo.
En el siguiente epgrafe se presenta una manera de salvar estas dos deciencias, mediante el dise
no de un conjunto de experimentos que permiten, de
forma m
as eciente, estudiar el efecto de cada uno de los factores y, tambi
en,
el de sus intreacciones.

Captulo 8. DISENO
8.3.
174
Dise
nos factoriales
En este epgrafe se explica c

omo realizar un dis
neo factorial 2k . Existen otros
dise
nos de experimentos m
as complejos, que quedan fuera del alcance de este
texto.
Para realizar el dise
no de experimentos, se siguen los siguientes pasos:
1. Se identifcan k factores y se seleccionan dos niveles para cada unos de
ellos. Se suele representar con signo menos al nivel inferior de los factores y signo m
as para el valor superior de los factores.
2. Se estudia el valor de la respuesta para cada una de las posibles combinaciones de valores, que en total son 2k . En un entorno determinista,
bastara con calcular una vez la respuesta para cada combinaci
on. En
un modelo de simulaci
on con fen
omenos estoc
asticos es necesario realizar varias replicaciones (n) para cada combinaci
on. Por ejemplo, Para un
estudio con tres factores, la tabla 8.3 muestra todas las posibles combinaciones.
3. Se identica el efecto de cada uno de los factores y de sus interacciones.
Cuadro 8.1: Combinaciones de factores para un dise

no factorial 23 .
Combinaci
on c
1
2
3
4
5
6
7
8
F1
F2
+
+
+
+
F3
+
+
+
+
Rc
R1
R2
R3
R4
R5
R6
R7
R8
A continuaci
on se presenta c
omo se pueden calcular los efectos a partir de
las respuestas Rc , con c = 1, ..., 2k obtenidas al realizar los diferentes experimentos. Primero, se admitir
a que el sistema es determinista, con lo cual la
respuesta que se obtiene al analizar una determinada combinaci
on de factores
es siempre el mismo. Despu
es se extiende la metodologa al caso estoc
astico.
Procedimiento
general

Captulo 8. DISENO
El efecto principal del factor Fi , que se denota por ei , mide el efecto en la

respuesta al modicar modicar el factor Fi del nivel al nivel +, mientras el
resto de factores mantienen sus niveles. En particular, los valores de e1 , e2 y
e3 vendran dado por la expresiones 8.1
e1 =
(R2 R1 ) + (R4 R3 ) + (R6 R5 ) + (R8 R7 )

4
e2 =
(R3 R1 ) + (R4 R2 ) + (R7 R5 ) + (R8 R6 )

4
e3 =
(R5 R1 ) + (R6 R2 ) + (R7 R3 ) + (R8 R4 )

4
R1 + R2 R3 + R4 R5 + R6 R7 + R8
4
1
2
e13 =
1
2
e23 =
1
2
(R4 R3 ) + (R8 R7 )
(R2 R1 ) + (R6 R5 )
2
2
(R6 R5 ) + (R8 R7 )
(R2 R1 ) + (R4 R3 )
2
2
(R7 R5 ) + (R8 R6 )
(R3 R1 ) + (R4 R2 )
2
2
Regla sencilla
(8.2)
Existe la posiblidad de que la inuencia de un factor Fi dependa del nivel de

otro factor Fj , es decir, que exista interacci
on entre ellos. La interacci
on entre
estos dos factores se calcula como la diferencia entre el efecto del factor Fi
cuando Fj est
a en su nivel + y el efecto del factor Fi cuando Fj est
a un su
nivel , en ambos casos mateni
endose al mismo nivel el resto de los factores.
Por convenci
on, se divide esta diferencia, entre dos, tal y como aparece en las
expresiones 8.3.
e12 =
Efectos
principales
(8.1)
Existe una forma sencilla de computar los efectos principales con ayuda de
la tabla 8.3. Por ejemplo, si se reordenan los t
erminos que aparecen en e1 en
la expresi
on 8.1, se puede obtener la expresi
on 8.2, en la que cada respuesta
aparece con el signo con el que aparece el nivel del F1 en dicha tabla.
e1 =
175
Interacciones
ij

(8.3)

De nuevo, existe una forma sencilla de computar estos efectos. En la tabla 8.3
se muestran tres nuevas columnas, en particular, aparece una nueva con la
cabecera F1 F2 , donde, para combinaci
on de factores aparece el producto del
signo correspondiente al nivel del factor F1 por el signo correspondiente a F2 .
Aplicando estos signos a cada una de las respuestas Rc , se obiene la expresi
on
Regla sencilla

Captulo 8. DISENO
176
8.4 que es la misma que se obtendra ordenando la que aparece en 8.3

e12 =
R1 R2 R3 + R4 + R5 R6 R7 + R8
4
(8.4)
Cuadro 8.2: Tabla para construir los efectos principales y ls interacciones de

los factores para un dise
no factorial 23
Combinaci
on c
1
2
3
4
5
6
7
8
F1
F2
+
+
+
+
F3
+
+
+
+
F1 F2
+
+
+
F1 F3
+
F2 F3
+
+
+
+
F1 F2 F3
+
+
Rc
R1
R2
R3
R4
R5
R6
R7
R8
ltimo, para este ejemplo, se puede evaluar el efecto de la interacci

Por u
on de
los tres factores, que se dene como la semidiferencia entre la interacci
on de
los factores F1 y F2 cuando el factor F3 est
a en su nivel + y la interacci
on de
los factores F1 y F2 cuando el factor F3 est
a en su nivel , tal y como se puede
ver en la expresi
on 8.5.
e123 =
1
2
(R8 R7 ) + (R6 R5 )
(R4 R3 ) + (R2 R1 )
2
2

(8.5)
Reorganizando la expresi
on anterior, se puede comprobar que los signos de la
on e123 ,
columna F1 F2 F3 permiten reconstruir de forma sencilla la expresi
asignando a cada t
ermino Rc el signo que indica aquella columna.
e123 =
R1 + R2 + R3 R4 + R5 R6 R7 + R8
4
Interacciones
ijk
Regla sencilla
(8.6)
En este ejemplo s
olo hay tres factores, de manera que no existen interacciones
de nivel superior. Sin embargo en dise
nos con 4, 5, etc factores se podran denir de forma an
aloga y evaluar, todas y cada una de las posibles interacciones.
M
as
interacciones

Captulo 8. DISENO
Tpicamente, en un modelo de simulaci

on cada vez que se calcula Rc para una
combinaci
on de factores se obtiene un valor dierente. La forma de abordar un
estudio con respuestas estoc
asticas es la siguiente.
1. Realizar n replicaciones para cada combinaci
on de factores. As Rcn sera
la respuesta del sistema para la replicaci
on r -
esima de la combinaci
on c
(r = 1, ..., n y c = 1, ..,2k ).
2. Estimar tantos valores de ei , eij . etc. como replicaciones: eir , eijr , etc.
con r = 1...n. Por ejemplo, para el efecto principal del factor F1 en un
dise
no 23 y realizando 10 replicaciones (k = 3, n = 10), se obtendran 10
valores e1r :
e1r =
R1r + R2r R3r + R4r R5r + R6r R7r + R8r

4
(8.7)
Eso mismo se podra realizar con el resto de factores y con sus interacciones.
3. Caluclar, para cada factor y para cada una de sus interacciones, un intervalo de conanza con un determinado nivel de conanza. La expresi
on
corresponde al intervalo para el mismo efecto principal F1 .
e1 (n) tn1,1/2
Se21 (n)
, e1 (n) + tn1,1/2
n
Se21 (n)
n
(8.8)
donde:
e1 (n) =
n
Se21 ( n)
r =1
n
e1r
r =1
2
(e1r e1 (n))
n1
(8.9)
.
En el siguiente apartado se propone un ejercicio para elaborar un dise
no de
experimentos con dos factores para una poltica de gesti
on de stocks.
177
Car
acter
aleatorio de Rc

Captulo 8. DISENO
8.4.
178
Ejemplo 1
Una empresa mayorista sirve productos a sus cliente, que son minoristas. La
empresa compra productos a un proveedor, los almacena, y de ah sirve a sus
clientes.
La demanda diaria agragada para todos los minoristas sigue una distribuci
on
uniforme entre 240 y 260 productos.
El Lead time del proveedor sigue una lognormal de media 2 das y desviaci
on
tpica 0.5.
Existe relacionados con la gesti
on de stocks para atender la demanda son los
siguientes.
Coste unitario de stock o de almacenamiento: 1 unidad monetaria (um)
por unidad de producto (up) y por da.
Coste de carencia 10 um por unidad de producto no servido.
Coste de emisi
on de un pedido: 250 um.
d
La demanda no atendida en un da determinado se pierde, es decir, la empresa
no entrega productos con retraso.
La poltica que se quiere evaluar consiste en pedir un lote de productos al
proveedor cuando el stock disponible, que es la cantidad de productos en el
almac
en m
as la cantidad de productos pendientes de recibir, cae por debajo
de un determinado nivel. Las diferentes formas que puede adptar esta poltica
se caracteriza mediante los dos par
ametros siguientes:
el tama
no de pedido, Q y
el nivel de reaprovisionamiento, s, que es el valor tal que cuando el
stock disponible es inferior a
el, se lanza un pedido al proveedor.
Se pide realizar un dise
no de experimentos para analizar el efecto de los factores s y Q.
Para realizar este an

alisis, se recomienda el uso de lo siguientes archivos:
Ejemplo8-1.mod, que contiene un modelo para representar la poltica
estudiada,
Ejemplo8-1.xls, con lo que se facilita reproducir los c
alculos que siguen a continuaci
on.
Ejemplo8-1 solucion.xls, donde se puede encontrar el an
alisis realizado.
Ejemplo8-10R.xpt, para facilitar la realizaci
on de las replicaciones de
las diferentes combinaciones de factores.
Material
disponible

Captulo 8. DISENO
8.4.1.
El modelo
El modelo que se ofrece en Ejemplo8-1.mod, y cuya representaci

on gr
aca se
muestra en la gura 8.1, est
a contruido de la siguiente manera:
En primer lugar, existen dos variables de tipo entero: s y Q que son los
par
ametros del modelo, los factores del dise
no de experimentos.
Dos piezas, Producto y NoServido, representan, respectivamente, las
unidades de producto servidas y las unidades de producto no servidas.
El buffer Stock representa el stock fsico del que dispone la empresa.
Desde este buffer se retiran los productos para atender la demanda y
es adonde llegan los productos que entrega el proveedor.
La M
aquina Clientes reproduce el comportamiento de la demanda. Cada da genera un valor de la demanda. Y con ese valor, trata de retirar unidades de producto de Stock. Cuando no hay sucientes, obtiene
piezas NoServido de ((WORLD)). Al nal de cada operaci
on (de cada da)
se computan los costes (esto se comenta con m
as detalle m
as adelante).
El buffer StockProveedor permite reproducir el lead time del proveedor. Cuando un Producto enviado desde el proveedor al stock del cliente,
permanece un tiempo en este buffer correspondiente al lead time.
La m
aquina Proveedor gobierna la resposici
on del stock. Cuando la cantidad de Productos que hay en Stock m
as la cantidad de productos que
hay en StockProveedor cae por debajo del valor de s, se lanza un pedido
de tama
no Q, que Proveedor genera y empuja hacia StockProveedor.
Adem
as, existen todos las variables para calcular los costes de cada
tipo y el coste total y las variables correspondientes a los valores de la
demanda y del lead time.
Para representar la evoluci
on del stock fsico y del stock disponible, hay
un histograma que se actualiza cada da simulado.
ltimo, en Acciones de inicializaci
Por u
on es donde se da valores a los
par
ametros y donde se genera el primer valor de Demanda.
179

Captulo 8. DISENO
180

on gr
aca correspondiente al modelo.
Para computar los costes, se calculan los tres costes: carencia, emisi
on y almacenamiento como con el c
odigo de la gura . En particular:
El coste de almacenamiento (CosteStock) se calcula como sigue. El producto del n
umero medio de Productos en Stock por el valor de TIME es
igual a la suma, para todas las piezas producto del tiempo que ha permanecido cada una de ellas en Stock. Al multiplicar el valor anterior por
el coste unitario de almacenamiento, se obtiene el coste total de almacenamiento hasta el instante TIME.
El costes de carencia se computa, simplemente, como el n
umero de
piezas de tipo NoServido por el coste unitario de carencia, ya que cada vez que se deja de atender la demanda de un Producto se genera una
pieza de tipo NoServido.
El coste de emisi
on se calculan como el producto de las veces que se
ha realizado un pedido (que es igual al n
umero de ciclos de la m
aquina
Proveedor por el coste unitario de emitir un pedido.
El coste total se actualiza cada da calculando la suma de los tres costes
anteriores.
Figura 8.2: c
odigo para el c
omputo de los costes.
C
omputo de los
costes

Captulo 8. DISENO
8.4.2.
181
Experimentaci
on
Si el problema fuera determinista, se puede demostrar (PENDIENTE, buscar

referencia) que el tama
no de lote
optimo, Q es igual a la siguiente expresi
on:

Q =
2 D CE CA + CC
CA
CC
Estimaciones
preliminares
(8.10)
Si el problema fuera determinista con los valores medios, entonces D = 250.

Los datos correspondientes a los costes son CE = 200, CC = 10 y CA = 1,
por lo que, de acuerdo con la expresi
on , el tama
no de lote econ
omico
optimo
sera, redondeando, Q = 331.
Estimaci
on de Q
Por otro lado, si el lead time del proveedor fuera determinista e igual a 2 das,
el nivel de reaprovisionamiento sera igual a la demanda correspondiente a ese
periodo, es decir, s = 2 250 = 500.
Estimaci
on de s
Para determinar el efecto de los factores s y Q, se pueden estudiar dos valores

para cada factor, uno inferior y otro superior al valor te
orico que se habra
obtenido en el caso no estoc
astico. Estos valores se muestran en el cuadro
8.4.2.
Niveles de s y Q
Cuadro 8.3: combinaciones de los factores s y Q.
Q()
Q(+)
s()
450
R1
R2
315
345
s(+)
550
R3
R4
ltimo, se puede construir la tabla correpondiente a estas combinaciones

Por u
de factores tal y como se muestra en el cuadro .
Cuadro 8.4: tabla con los experimentos para los factores s y Q.

Combinaci
on c
1
2
3
4
+
+
sQ
+
Rc
R1
R2
R3
R4

Captulo 8. DISENO
182
En primer lugar, como se trata de un modelo de simulaci

on sin terminaci
on,
hay que calcular en tiempo de calentamiento. Se deja al lector como ejercicio
que lo calcule. Empleando el m
etodo de Welch, se comprueba que un tiempo de
calentamiento de 60 das es suciente para alcanzar el r
egimen permanente.
Con respecto a la longitud de las replicaciones, es razonable estudiar los costes
asociados a un periodo de un a
no. Con ello, cada replicaci
on tendr
a un tiempo
de calentamiento de 60 das y una duraci
on (una vez alcanzado el r
egimen
permanente) de 365 das.
Tiempo de
calentamiento y
longitud de las
replicaciones
Lo primero que hay que hacer es realizar un conjunto de diez replicaciones

(n = 10) para cada una de las combinaciones de factores. Para eso hay que
hacer los siguiente:
Replicaciones
1. Abrir el archivo Ejemplo8-1.mod, y modicar las Acciones de inicializaci

on para jar los valores deseados de s y Q.
2. Abrir el libro Ejemplo8-1.xls y seleccionar la hoja Experimentos y
superficie.
3. Abrir (si no est
a ya abierto) el archivo de experimentaci
on Ejemplo8-1
10R.xpt.
4. Ejecutar el archivo anterior (Modelo / Experimento / Ejec. acel.)
5. Importar el contenido del archivo Exp.csv a una hoja auxiliar.
6. Seleccionar los valores correspondientes a la variable CosteTotal para
cada replicaci
on y copiarla en las celdas con fondo azul del libro de Excel,
en la la que corresponda seg
un la combinaci
on de factores estudiada.
Im
agenes del xls
PENDIENTE
A continuaci
on, hay que calcular los efectos principales y la interacci
on de
los dos efectos para las diez replicaciones, para lo cual se puede usar zona
sombreada de color amarillo. En la gura , por ejemplo, se han introducido
las f
ormulas, de manera que los valores 63,55, 41,67 y 22,71 se calculan a
partir de los valores para la primera replicaci
on de cada combinaci
on: 293,18,
250,05, 260,99 y 240,57. Por ejemplo: 63,55 = 293,18 + 250,05, 260,99 +
240,57.
C
alculo de es ,
eQ y eSQ

Captulo 8. DISENO
183
Figura 8.3: c
alculo de los efectos para cada replicaci
on
Una vez que se dispone de los valores de los efectos para cada replicaci
on,
se puede calcular un intervalo de conanza para cada uno de ellos, como se
muestra en la gura 8.4. Para ello, de la misma manera que en el captulo 6,
se calcula estiman la media y la varianza, se establece un nivel de conanza
y se obtiene la semiamplitud del intervalo, con lo que, nalmente, se pueden
calcular los extremos superior e inferior del intervalo.
Intervalos para
es , eQ y eSQ
Figura 8.4: intervalos de conanza para los efectos
Los intervalos que se han obtenido para los efectos principales y para la interacci
on de los dos factores son:
An
alisis de
resultados
es (68,78, 53,51)
eQ (43,20, 16,74)
(8.11)
esQ (10,89, 6,59)

Se puede concluir que cuando s que existe PENDIENTE.
Intepretaci
on

Captulo 8. DISENO
Cuidado con
8.5.
184
PENDIENTE
Supercies de respuestas
Como se ha mostrado en los apartados anteriores, con el dise

no de experimentos se puede evaluar si el efecto de los factores (F1 , F2 , ..., Fk ) y los efectos
de sus interacciones sobre la respuesta del modelo (R) son signicativos o no.
Un paso m
as puede consiste en disponer de un metamodelo: un modelo que
relacione el valor de los factores con el valor de la respuesta del modelo de
simulaci
on, de la forma E[R] = (F1 , F2 , ..., Fk )
Un metamodelo
Con un metamodelo bien construido es posible
Optimizaci
on
1. predecir el comportamiento del sistema para diferentes valores de los

factores (especialmente interesante cuando el la ejecuci
on de un modelo
lleva mucho tiempo) y
2. buscar los valores de dichos factores que proporcionen un valor
optimo
de la respuesta.
A partir del dise
no de experimentos con dos factores a dos niveles del ejemplo
anterior, se puede construir un primer modelo de regresi
on de primer orden
de la siguiente forma:
E [R(s, Q)] = 0 + s xs + Q xQ + sQ xs xQ
(8.12)
Donde las variables xs y xQ se denen de la siguiente manera:

2(s s)
s
2(Q Q)
xQ =
Q
xs =
(8.13)
y s y Q representan, respectivamente, la media corresondiente a los dos niveles

para el factor s y el factor Q; y s y Q representan, respectivamente, la
diferencia entre los dos valores de los factores s y Q.
Las deniciones de xs y xQ son tales que cuando s y Q toman, respectivamente
el valor correspondient al nivel en el dise
no de experimentos (en el ejemplo
(450 y 315), xs y xQ toman el valor 1. Cuando s y Q alcanzan el nivel +, xs y
xQ toman el valor 1
Modelo de
regresi
on

Captulo 8. DISENO
185
Al sustituir las expresi

on de xs y xQ en 8.17, se obtiene un modelo donde la
respuesta es funci
on de los valores de s y Q:
E [R(s, Q)] = 0 + s
2(s s)
2(Q Q)
2(s s) 2(Q Q)
+ Q
+ sQ
(8.14)
s
Q
s
Q
Se puede demostrar que los mejores estimadores de los valores de 0 , s , Q

y sQ son los siguientes (ver Montgomery [?]):
Estimadores
0 = R F (n)
s = es (n)
2
e
(n)
Q
Q =
2
e
(n)
sQ
sQ =
(8.15)
Donde es (n), eQ (n) y esQ (n) son los valores medios de las respuesta correspondientes a las cuatro combinaciones de los niveles de los factores al realizar
n replicaciones. R F (n) es el valor medio de la respuesta para todas las combinaciones y para las n replicaciones.
El metamodelo anterior es un modelo de regresi
on de primer orden. Sin embargo, no existen garantas de que la supercie se ajuste bien al verdadero
comportamiento de la respuestas dentro de los valores correspondientes a los
niveles y + de los factores. Para comprobar si, efectivamente, la aproximaci
on es v
alida, una alternativa consiste en reproducir la propia supercie de
respuestas reales del modelo y comparar con las previsiones que se pueden
realizar con el metamodelo. Obviamente, precisamente es esto de lo que se
prentende huir con la construcci
on de la supercie.
Validez de la
supercie
Figura con el punto C y comentarios
PENDIENTE
Como soluci
on alternativa, se puede estudiar en qu
e medida el metamodelo
predice bien el comportamiento del sistema para el punto central C, denido
por s = s y Q = Q. Con las n replicaciones realizadas para construir la supercie de respuesta se puede realizar la predicci
on del metamodelo, E[R(s, Q)]
que cuando s = s y Q = Q toma el valor E[R(s, Q)] = RF (n). Por otro lado,
se pueden realizar n repliaciones del modelo para el punto central, RC (n).
Se podra calcular la diferencia entre RC (n) y RF (n). Sin embargo esta sera
una posible observaci
on de la variable aleatorio D(n) = RF (n) RC (n), que
mide la diferencia entre el comportamiento del modelo y del metamodelo, y
comprobar si esta diferencia es signicativa, para lo cual hay que construir un
intervalo de conanza para la media de D(n).
Comprobaci
on

Captulo 8. DISENO
Para obtener un intervalo de conanza para la media de la variable D(n) =

RF (n) RC (n). Para ello es necesario, obtener m observaciones de RF (n) y
otras tantas de RC (n) y obtener un intervalo de conanza a partir de estos
valores. Si el intervalo contiene al 0, no existe diferencia signicativa entre los
valores que ofrecen el modelo y el metamodelo para el punto C: la curva se
considera sucientemente buena.
186
Diferencia
signicativa
Para cada dos de los 2 m valores anteriores, se puede calcular D j (n) como
j
j
la diferencia entre los valores del modelo RC (n) y del metamodelo RF (n), con
j = 1, ..., m, de manera que el intervalo para la media de D(n) = RF (n)RC (n),
con un nivel de conanza vendra dado por la expresi
on siguiente:
.
.
/ 2
/ 2
/S
/S
(m)
0 Dj (n)
0 Dj (n) (m)
, D(n) + tm1,1/2
D(n) tm1,1/2
m
m
(8.16)
Para cada una de los m valores anteriores es necesario realizar n replicaciones

para cada una de las combinaciones de lo factores (4) y para el punto C. Es
decir, hay que realizar m n 5 repliaciones.
En el caso de que se identicara que hay diferencia signicativa entre el modelo
y la supercie para el punto C, habra que evaluar la posibilidad de contruir
un modelo de regresi
on de segundo orden o cuadr
atico, de la forma siguiente:
2
E [R(s, Q)] = 0 + s xs + Q xQ + sQ xs xQ + ss xs2 + QQ xQ
Otras
supercies
(8.17)
Para obtener los coecientes ss y QQ es necesario denir nuevas combinaciones de los valores de los factores adicionales a las utilizadas para la supercie
de primer orden. Para conocer c
omo construir la supercie, se recomienda
consultar Montgomery [?].
ltimo y admitiendo que la supercie fuera adecuada es posible explotar
Por u
el modelo para buscar
optimos locales cercanos a los puntos correspondientes
a las combinaciones de las factores estudiadas.
Incluso si la supercie no es sucientemente buena se puede hacer lo siguiente.
A partir de la expresi
on corresondiente al modelo de regresi
on de primer orden
sin el t
ermino no lineal, E [R(s, Q)] = 0 + s xs + Q xQ ) se puede, operando,
expresar la supercia en funci
on de los factores s y Q, E [R(s, Q)] = 0 +s xs +
Q xQ ) . A continuaci
on se puede proceder de la siguiente manera.
A partir del punto central C, identicar la direcci
on en la que disminuye
m
as r
apidamente el valor de la respuesta: (s , Q ) (gradiente).
Explotaci
on del
metamodelo

Captulo 8. DISENO
187
Desplazarse desde el punto considerado (inicialmente C) hacia otro punto seg

un la direcci
on anteior (o a un lugar punto pr
oximo, dada la condici
on de integralidad de s y Q).
Ejecutar el modelo para esa conguraci
on. Si el el valor de la respuesta es
signicativamente menor, continuar avanzando en esa direcci
on. En caso
de que no sea as, realizar de nuevo un dise
no factorial en el entorno del
ltimo punto evaluado. A continuaci
u
on avanzar de acuerdo con el nuevo
gradiente hasta que no se pueda reducir el valor de la respuesta.
Detener el proceso cuando al obtener una supercie de respuestas se
obtiene una supercie plana.
8.6.
Ejemplo 2
Para la situaci
on del ejemplo 1:
Obtener una supercie de respuesta, tanto dependiendo de xs y sQ y
de s y Q
Comprobar el comportamiento de la supercie para el punto C (xs = 0
y xQ = 0).
Para realizar este ejercicio, adem

as del material disponible para el ejercicio
anterior, se puede utilizar el archivo Ejemplo8-1 100R.xpt para facilitar la
j
realizaci
on de las replicaciones que permiten obtener las diferencias RC (n) y
j
RF (n)
En primer lugar, para obtener la expresi
on de la supercie 8.17, hay que obtener la estimaci
on de 0 , s , Q y sQ de acuerdo con las expresiones 8.15. Para
ello, en la la 20 de la hoja Experimentos y superficie hay que introducir
las f
omulas, que se reeren a los efectos de los factores calculados en las celdas P13:P15. Haciendo esto se obtienen los valores 0 = 263,65,s = 30,57,
Q = 14,99 y sQ = 1,08, de manera que la supercie, en funci
on de xs y
de xQ tiene la forma siguiente:
E [R(s, Q)] = 263,25 30,57xs 14,99xQ 1,08xs xQ
(8.18)
Estimaci
on de
las s
Supercie en
funci
on de xs y
xQ

Captulo 8. DISENO
Para poder hacer predicciones a partir del metamodelo, si se utiliza la expresi

on anterior, es necesario obtener los valores de xs y sQ a partir de s y Q.
2(s 500)
s 500
2(s s)
=
=
s
100
50
2(Q 330)
Q 330
2(Q Q)
=
=
xQ =
Q
30
15
188
Valores de xs y
sQ
xs =
(8.19)
En t
erminos del archivo de Excel, se puede hacer los siguiete:
Introducir en las celdas correspondientes C
alculos auxiliares
Introducir en las celdas corresopndientes a Valores de loo factores algunos puntos que se desee evaluar. En la hoja con la soluci
on aparecen los
v
ertices y el centro del cuadro de la gura PENDIENTE. Para cada par de
valores de s y Q, obtener los valores de las variables xs y sQ en las celdas
Variables Auxiliares.
Finalmente, en la la Previsi
on del metamodelo se puede construir la expresi
on de la respeusta prevista para cada par de valores de los factores.
Adicionalmente, existen algunas celdas de fondo blando para poder evaluar en qu
e medida la predicci
on fue correcta. Se trata de un c
alculo de
car
acter acad
emico. En un estudio de un modelo complejo, se realzara
una comprobaci
on del punto central, C a trav
es de un intervalo de conanza. En este caso se ilustra la diferencia para varias observaciones.
Para hacer esto hay que realizar lo siguiente:
Modicar las Acciones de inicializaci
on del modelo para que las variables s y Q tomen los valroes deseados.
Abrir y ejecutar el experimento contenido en Ejemplo1-10R.xpt,
con lo que se dispondr
a de 10 valores de la respuesta del modelo.
Importar los dat0s del archivo csv resultante a la hoja de c
alculo
(la hoja CSV tiene incorporada la b
usqueda de datos). Copiar los
valores de las 10 observaciones de CosteTotal a la columna correspondiente en la hoja Experimentos y superficie.
Figura 8.5: previsiones realizadas con la supercie.
Predicciones

Captulo 8. DISENO
189
Alternativamente, se puede obtener la supercie en funci

on de los valores de
s y Q, operando a partir de los valores de xs y xQ y se podran realizar previsiones, igualmente, con esta expresi
on.
Supercie en
funci
on de s y Q
E [R(s, Q)] = 662,095 0,138s 0,282Q 0,001sQ
(8.20)
Para la comprobaci
on de la validez de la supercie hay que caluclar un intervalo de conanza para la variable D(n) = RF (n) RC (n). La hoja Comprobacion
punto C est
a dise
nada para facilitar la tarea.
Comprobaciones
Existen 10 cuadros azules, cada uno correspondiente las m = 10 observacioj

j
nes de RF (n) y las m = 10 observaciones de RC (n). Cada cuadro contiene
cinco las corresondientes a cuatro combinaciones de los factores de experimentaci
on. Los cuatro primeros, correspondientes a un dise
no 22 y la quinta
corresondiente al punto C. Cada cuadro tiene adem
as tantas columnas disponibles como las replicaciones que hay que realizar en cada caso (n = 10). Para
j
j
cada cuadro, es posible obtener los valores de RF (n) y RF (n)
Estructura hoja
Comprobacion
punto C
En la parte superior aparecen tres las corresondientes a los diferentes valoj

j
res de RF (n), RC (n) y D j (n), a partir de los cuales obtener el intervalo de
conanza y comprobar si existe diferencia signicativa o no.
Figura 8.6: C
alculo de RF1 (10) y RC1 (10).
Para obtener el intervalo, se recomienda hacer lo siguiente:

1. Seleccionar una combinaci
on de factores y modicar las Acciones de inicializaci
on.
2. Abrir y ejecutar el experimento Ejemplo8-1 100R.xpt e importar los
datos del archivo .csv generado.
3. Emplear los datos corresondientes a las diez primeras replicaciones para
j = 1, las diez siguientes para j = 2 y as sucesivamente hasta j = m.
Para ello, copiar los valores en
4. Hacer todo lo anterior para las cinco combinaciones.
j
j
5. Para cada valor de j = 1, ..., m, calcular RC (10) y RF (10)
Procedimiento

Captulo 8. DISENO
190
6. Con los valores anteriores, en las celdas superiores, construir un el intervalo de conanza para la media de D(10), como se ha hecho en otras
ocasiones para otras variables.
Figura 8.7: Diferenicias entre RF (10) y RC (10).
El intervalo obtenido en el archivo Ejemplo8-1 solucion.xls es (7,11, 7,86),

que no contiene al 0, con lo que s existe diferencia signicativa entre la estimaci
on realizada con la supercie para el punto C y el comportamiento del
sistema para ese valor. Para disponer de una supercie m
as el a la realidad
2
2
sera necesario introducir los t
erminos en xs y xQ , y habra que estimar nuevos coecientes. Para ello se deben realizar c
alculos parecidos a los que se han
presentado en este captulo y se remite al lector al texto Montgomery [?] para
profundizar m
as.
8.7.
Resumen
El an
alisis del comportamiento de un sistema puede estar condicionado por
los varores de diferentes datos de entrada. Es decir, la respuesta del sistema
(variable de salida) puede depender de varios datos de entrada (variables de
entrada o par
ametros). Mediante el dis
neo de experimentos se puede estudiar
de forma ecaz y eciente la existencia o no de inuencia signicativa del valor
de dichos factores sobre la respuesta del sistema. El caso m
as sencillo es el del
k
dise
no factorial 2 donde se estudian k factores, para cada uno de los cuales
se consideran dos posibles niveles (alto y bajo).
Si los modelos son muy pesados, y su ejecuci
on lleva mucho tiempo, puede
resultar interesante disponer de un metamodelo que permita predecir el comportamiento del modelo para diferentes valores de los factores sin necesidad
de realizar replicaciones. En primera aproximaci
on, un modelo de regresi
on de
primer orden puede ser suciente. Si no lo fuera, se pueden construir metamodelos de orden superior, que son m
as eles al modelo pero exigen un mayor
tiempo de computaci
on.
An
alisis de los
resultados
Captulo 9
DE LA VARIANZA
REDUCCION
9.1.
Introducci
on
Como se ha dicho en captulos anteriores, el resultado de alimentar un modelo con entradas aleatorias son salidas tambi
en aleatorias. Por tanto, para
extraer conclusiones correctas, es necesario aplicar t
ecnicas estadsticas para
caracterizar estos datos de salida. Pero la mayora de los modelos complejos
requieren una gran cantidad de recursos para ser simulados (tanto en tiempo
de computaci
on como espacio para almacenar datos) y las t
ecnicas estadsticas generalmente se basan en la realizaci
on de m
ultiples replicaciones. Por
este motivo, en algunos casos, el coste de un an
alisis estadstico es demasiado
alto en relaci
on a los resultados que se obtienen (medidos por la amplitud del
intervalo de conanza).
La calidad de los resultados se puede medir seg
un la amplitud del intervalo de
conanza que acompa
na al valor estimado, expresado por:

y(n) tn1,1/2
S 2 (n)
n
(9.1)
Uno de los caminos para aumentar la eciencia de la simulaci

on es mejorar
la programaci
on para conseguir modelos que requieran menos recursos para
su ejecuci
on. De este modo, con el mismo esfuerzo de computaci
on, se puede
aumentar el n
umero de replicaciones (n) por lo que el intervalo anterior se
estrecha. Otro camino se dirige a mejorar la , es decir, que los datos de salida
de la simulaci
on tengan una varianza menor. Si se consiguen datos con menor varianza, S 2 (n) disminuye y el intervalo de conanza ser
a m
as estrecho.
Por tanto la precisi
on de los resultados crece sin aumentar la duraci
on de la
simulaci
on. Al conjunto de t
ecnicas empleadas para lograr este prop
osito se
les conoce como t
ecnicas de reducci
on de la varianza (en ingl
es de ((Variance
nica manera de
Reduction Techniques)), VRT ) y su aplicaci
on puede ser la u
tiles de un proyecto.
obtener resultados u
C
omo mejorar
la eciencia
DE LA VARIANZA
Captulo 9. REDUCCION
192
Como se explica m
as adelante, la forma de aplicar estas t
ecnicas depende de
cada modelo en particular y no se puede saber de antemano los benecios
en la reducci
on de la varianza de aplicarlas. Como consecuencia, la mayora
de las estas t
ecnicas necesitan un estudio previo para saber si su aplicaci
on
contribuye a una mejora en la eciencia de los recursos o si, por el contrario,
conllevan una p
erdida de rendimiento.
Las VRT no
siempre
funcionan!
En la secciones 9.2 y 9.3 se desarrollan brevemente los fundamentos de dos

t
ecnicas de reducci
on de la varianza (n
umeros aleatorios comunes y variables
antit
eticas). Estas t
ecnicas se desarrollan de forma pr
actica en la resoluci
on de
un problema real mediante simulaci
on (secci
on 9.4).
Estructura del
captulo
9.2.
9.2.1.
N
umeros aleatorios comunes
Fundamentos
La primera de las t
ecnicas de reducci
on de la varianza que se expone en este captulo se conoce como n
umeros aleatorios comunes (en
ingl
es ((Common Random Numbers)), CRN ) y se aplica para comparar
dos o m
as conguraciones alternativas. Se basa en la idea de estudiar el comportamiento de las alternativas bajo ((condiciones de simulaci
on similares)), es
decir, aliment
andolas con entradas lo m
as parecidas posible. De este modo,
se asegura que las diferencias en los datos de salida se deben principalmente al comportamiento de los modelos y no a uctuaciones en el valor de las
variables de entrada.
A partir de ahora se considera que se quieren comparar dos alternativas (1
y 2) en funci
on del comportamiento de una variable de salida (Y1 e Y2 ). Se
denota por y1i e y2i los valores de estas variables en la i-
esima replicaci
on. La
comparaci
on se lleva a cabo a trav
es de una nueva variable, (Y ), que representa
la diferencia de las anteriores, Y = Y1 Y2 , y que toma los valores yi = y1i
y2i ). El an
alisis se realiza mediante el siguiente intervalo:
n
n
yi
y1i y2i
= i=1
y(n) = i=1
n
n

y(n) tn1,1/2 S 2 (n)
Para m
as informaci
on acerca de este intervalo se recomienda ver el captulo
6 de este texto. Por tanto, para mejorar la precisi
on del an
alisis es necesario
reducir la varianza de y(n), que se puede expresar mediante la expresi
on (ver
el apartado 3.2.4):
V ar [y(n)] =
V ar (y1i ) + V ar (y2i ) 2Cov(y1i , y2i )

V ar (yi )
=
n
n
(9.2)
DE LA VARIANZA
Por tanto, si se consigue que los valores de cada par (y1i , y2i ) se correlacionen
positavemente, V ar [y(n)] se reduce, y el intervalo de conanza se estrecha.
Se puede conseguir esta correlaci
on si en cada replicaci
on i se usan los mismos
n
umeros aleatorios para generar1 las variables de entrada de ambas alternativas. De este modo se simulan situaciones similares en ambos modelos por
lo que es de esperar que las salidas tambi
en est
en relacionadas. Cada n
umero aleatorio ri (0, 1) se utiliza para generar variables equivalentes en las dos
alternativas.
Ejemplo 5.2.1 Una empresa decide instalar un sistema telef
onico de atenci
on al
cliente (a partir de ahora SAT). Para ello cuenta con dos propuestas y realiza un
estudio de simulaci
on para elegir aquella que ofrezca un tiempo total medio de
llamada menor. En ambos modelos existen dos variables de entrada: tiempo entre llamadas (T ) y duraci
on de cada llamada (D). Si cada replicaci
on se naliza
tras 100 llamadas, ser
an necesarios 100 valores tj y otros 100 dj (donde j toma
valores entre 1 y 100) que se generan a partir de 200 n
umeros aleatorios. Para
aplicar CRN se utilizan los mismos 200 n
umeros aleatorios en ambas alternativas
de manera que cada pareja (y1i , y2i ) comparte los 100 valores (tj , dj ). Si en una
replicaci
on el conjunto d1 , , d100 , por ejemplo, toma valores altos tanto y1i
como y2i tender
an a ser mayores y de este modo se introduce una correlaci
on
positiva en cada par.
9.2.2.
Sincronizaci
on
La mayor dicultad de aplicar esta t

ecnica reside en conseguir utilizar los mismos n
umeros aleatorios con el mismo prop
osito en ambas conguraciones. Si
se utiliza el n
umero aleatorio ri (0, 1) en la primera alternativa con un prop
osito determinado debe utilizarse con ese mismo prop
osito tambi
en en la segunda. A diferencia del ejemplo anterior, cada conguraci
on puede necesitar un
n
umero diferente de ri (0, 1), y si se quieren hacer n replicaciones se complica
localizar donde se ha empleado cada n
umero aleatorio. Para solucionar este
problema la mayora de los programas de simulaci
on agrupan sus n
umeros
aleatorios en series numeradas a las que se puede acceder selectivamente. De
este modo se puede sincronizar el uso de los n
umeros aleatorios empleando
una serie concreta con un el mismo prop
osito en las dos conguraciones. Este
m
etodo de sincronizaci
on se conoce como series dedicadas.
1 ver
secci
on 3
193
DE LA VARIANZA
Ejemplo 5.2.2 En el cuadro 9.2.2 se organiza el uso de los n

umeros aleatorios
para el caso del SAT del ejemplo anterior en el caso de hacer 10 replicaciones. Se
utilizan los primeros 100 n
umeros de cada serie para generar 100 valores de tj o
de dj .
Rep.
1
2
3
4
5
6
7
8
9
10
9.2.3.
Conguraci
on 1
t
d
Serie 10 Serie 20
Serie 11 Serie 21
Serie 12 Serie 22
Serie 13 Serie 23
Serie 14 Serie 24
Serie 15 Serie 25
Serie 16 Serie 26
Serie 17 Serie 27
Serie 18 Serie 28
Serie 19 Serie 29
Conguraci
on 2
t
d
Serie 10 Serie 20
Serie 11 Serie 21
Serie 12 Serie 22
Serie 13 Serie 23
Serie 14 Serie 24
Serie 15 Serie 25
Serie 16 Serie 26
Serie 17 Serie 27
Serie 18 Serie 28
Serie 19 Serie 29
Estudio preliminar
Como se ha dicho anteriormente, no se sabe de antemano si con la aplicaci

on
de esta t
ecnica se mejora la precisi
on del an
alisis o por el contrario empeora.
Adem
as, en el caso de funcione, no se sabe que mejora se puede esperar. Por
tanto, si es posible, se recomienda hacer un peque
no estudio preliminar para
til. En el caso de dos conguraciones alternatiasegurar que su aplicaci
on es u
vas los pasos son:
1. Realizar n replicaciones de cada modelo aplicando CRN. Se obtienen y1i
e y2i .
2. Calcular para cada replicaci
on yi = y1i y2j y Sy2 (n).
3. Hacer n replicaciones de cada modelo sin aplicar CRN y calcular Sy2 1 (n)
y Sy2 2 (n).
4. Si Sy2 (n) < Sy2 1 (n) + Sy2 2 (n) se recomienda usar CRN.
9.3.
9.3.1.
Variables antit
eticas
Fundamentos
La t
ecnica de variables antit
eticas (en ingl
es ((Antithetic Variables)) , AV ) es
nica conguraci
aplicable al an
alisis de resultados de una u
on. La idea b
asica
(1)
(2)
es estudiar el promedio de la salida de dos replicaciones (yi , yi ), agrupadas de tal modo que si la salida en una de ellas tiene un valor bajo, se
194
DE LA VARIANZA
compense con un valor alto en la otra (es decir, que est

en correlacionadas negativamente). El promedio de estas parejas tiene el mismo valor esperado que
la salida del modelo pero con una varianza menor. Esta idea se fundamenta
matem
aticamente de la siguiente manera:
(1)
mi =
yi
(2)
+ yi
2
E(M) = E
(1)
V ar [m(n)] =
Y (1) + Y (2)
2

=
Y + Y
= Y
2
(2)
(1)
(2)
V ar (yi ) + V ar (yi ) + 2Covar (yi , yi )

V ar (mj )
=
n
n
(1)
(2)
y, por tanto, cuanto mayor sea la correlaci

on negativa entre yi e yi menor
es la varianza de m(n). Como E(M) = E(Y ), M(n) es un estimador sin sesgo
de = E(Y ) y los resultados del an
alisis de M son aplicables a Y . Como ventaja, tiene una varianza menor por lo que se obtiene un intervalo de conanza
m
as estrecho.
9.3.2.
Aplicaci
on
Para conseguir esta correlaci

on se utilizan n
umeros aleatorios complementarios en las replicaciones que forman cada par. As, si se emplea rk para generar
(1)
el valor de una variable de entrada en Yi , se utiliza 1 rk para su equivalen(2)
te en Yi
. Suponiendo que las variables se generan mediante el m

etodo de la
(1)
transformada inversa, si rk genera un tiempo de servicio alto en Yi

(2)
, 1 rk ge-
nera uno bajo en Yi . Haciendo lo mismo con todos los valores de entrada de
cada pareja se consigue la correlaci
on negativa buscada. A las variables generadas a partir de los n
umeros aleatorios originales se les denomina regulares
mientras que a las generadas a partir de sus complementarios se les conocen
como antit
eticas. La mayora de programas de simulaci
on permiten elegir con
qu
e tipo de variables alimentar al modelo. Para aplicar AV es necesario utilizar
series dedicadas para cada prop
osito, empleando las mismas series para obte(1)
(2)
ner yi e yi pero seleccionando el modo ((variables regulares)) y ((variables
antit
eticas)) respectivamente.
195
DE LA VARIANZA
Rep.
1
2
3
4
5
6
7
8
9
10
Y (1)
Variables: regulares
t
d
Serie 10
Serie 20
Serie 11
Serie 21
Serie 12
Serie 22
Serie 13
Serie 23
Serie 14
Serie 24
Serie 15
Serie 25
Serie 16
Serie 26
Serie 17
Serie 27
Serie 18
Serie 28
Serie 19
Serie 29
Y (2)
Variables: antit
eticas
t
d
Serie 10
Serie 20
Serie 11
Serie 21
Serie 12
Serie 22
Serie 13
Serie 23
Serie 14
Serie 24
Serie 15
Serie 25
Serie 16
Serie 26
Serie 17
Serie 27
Serie 18
Serie 28
Serie 19
Serie 29
Cuadro 9.1: aplicaci

on de AV para una de las conguraciones del ejemplo 5.2.1
9.4.
on
9.4.1.
Ejemplo 5.1: aplicaci

on de CRN
La sucursal de un banco decide cambiar su cajero autom

atico y debe elegir
entre dos alternativas: un cajero modelo Zippy o dos modelo Klunky. Aunque
el primer modelo Zippy permite realizar las operaciones m
as r
apidamente
que el Klunky, su coste es aproximadamente el doble, por lo que no se
considera el coste como criterio de decisi
on. El director encarga un estudio
de simulaci
on al departamento de asesora y desarrollo de la sede central
para elegir la alternativa que reduzca el tiempo que los clientes esperan para
ser atendidos, ya que considera que este es el punto m
as molesto para ellos.
La llegada de clientes a la sucursal puede aproximarse a una distribuci
on de Poisson con un ratio de un cliente por minuto. Seg
un los datos
recogidos en otras sucursales del grupo, el tiempo de servicio por cliente
de un cajero Zippy se puede aproximar a una exponencial con media 0,9
minutos. El comportamiento de los cajeros Klunky es similar pero con media
1,8 minutos cada uno. Se considera que en las dos alternativas se forma una
nica cola de tipo FIFO. Se elegir
u
a la alternativa que tenga un tiempo medio
de espera en cola menor para los 100 primeros clientes. Si fuese el analista al
que se encarga dicho trabajo, qu
e alternativa aconsejara instalar?
Fuente: Law A, 2001
196
DE LA VARIANZA
197
En primer lugar se resuelve el ejemplo anterior sin aplicar ninguna t

ecnica de
reducci
on de la varianza y despu
es se resuelve aplicando CRN. Como conclusi
on se comparan los resultados obtenidos por ambos m
etodos. Por tanto, el
objetivo de esta secci
on es doble: por un lado, exponer de manera pr
actica
como aplicar el m
etodo CRN y, por otro, demostrar el gran benecio que en
algunos casos supone aplicar este tipo de t
ecnicas.
Objetivos del
ejemplo
En la gura 9.1 se muestra un esquema del procedimiento para resolver el

problema. Se dene la variable Y como la diferencia entre el tiempo medio
de espera de los 100 primeros clientes en la alternativa 1, Y1 , y en la 2, Y2 ,
es decir, Y = Y1 Y2 . A partir de 100 replicaciones de cada alternativa se
calcula un intervalo de conanza al 90 % para E(Y ). Si E(Y ) > 0 en todo el
intervalo, se considera que el tiempo de espera de la primera alternativa es
signicativamente mayor que el de la segunda, en cuyo caso se elige la segunda
alternativa. Si, por el contrario, E(Y ) < 0, es de esperar que los clientes pasen
menos tiempo en cola en la alternativa 1, por lo que esta ser
a la elegida. Si el
intervalo de conanza contiene al cero, la diferencia entre ambas alternativas
se considera no signicativa.
Planteamiento
Figura 9.1: esquema del procedimiento para obtener un intervalo de conanza

para E(Y ).
El problema del ejemplo puede resolverse analticamente aplicando teora de

colas (para m
as informaci
on acerca de esta disciplina se recomienda consultar
Saaty, 1983). De este modo se obtiene que los valores esperados del tiempo medio de espera de los 100 primeros clientes en las dos alternativas son:
E(Y1 ) = 4, 13 y E(Y2 ) = 3, 70. Por lo tanto, se debe elegir la alternativa 2 ya que
la espera de cada cliente se reduce en 0,43 minutos de media respecto a la alternativa 1. Mediante estos valores se pueden evaluar los resultados obtenidos
mediante simulaci
on.
El resultado se
conoce de
antemano...
DE LA VARIANZA
A continuaci
on se presentan los archivos necesarios para seguir la resoluci
on
de este ejemplo:
Ejemplo5-1a.mod : contiene el modelo la alternativa de 1 en Witness.
Ejemplo5-1b.mod : contiene el modelo la alternativa de 2 en Witness.
Ejemplo5-1 Experimento.txt : con este experimento se consiguen
100 replicaciones independientes.
Ejemplo5-1 solucion.xls : muestra como debe quedar la hoja de
c
(a) Vista del modelo en Witness de la alternativa 1
(b) Datos / Filtro / Autoltro
Figura 9.2: vista del modelo en Witness de la alternativa 2
198
DE LA VARIANZA
199
Primer experimento (sin aplicar CRN)

Si se desconocen las t
ecnicas de reducci
on de la varianza, la simulaci
on
se realiza sin controlar el uso de semillas, es decir, del mismo modo que
en los ejemplos de los captulos anteriores. Los pasos para realizar las 100
replicaciones independientes de la primera alternativa son los siguientes:
1. Abrir el modelo Ejemplo5-1a.mod.
2. Cargar el experimento Ejemplo5-1 Experimento.txt (Model / Experiment / Open).
3. Ejecutar el experimento (Model / Experiment / Batch).
4. Importar los datos del archivo generado Ej5-1.csv en la hoja ((CSV
1)) del archivo Ejemplo5-1.xls .
5. Ordenar los datos importados seg
un el n
umero de replicaci
on (columna
B).
6. En la columna M se almacenan los tiempos medios de espera en cola, y1i .
Copiarlos en la columna correspondiente de la hoja ((An
alisis CRN)).
A continuaci
on se describe el proceso para obtener los tiempos medios de
espera de la segunda alternativa, y2i :
1. Abrir el modelo Ejemplo5-1b.mod .
2. Cargar el experimento Ejemplo5-1 Experimento.txt (Model / Experiment / Open).
3. Seleccionar el modelo Ejemplo5-1b.mod en (Model / Experiment / Dene).
4. Proceder como en el caso anterior para llevar los datos generados al lugar
correspondiente de la hoja ((An
alisis CRN)).
Segundo experimento (aplicando CRN)
Las semillas de Witness se organizan en series y subseries tal y como muestra
la gura 9.3. Hay un total de 400.000 series, divididas a su vez en 10.000 subseries. Cada subserie contiene 7, 5x1047 n
umeros aleatorios. Estos n
umeros aleatorios se usan como semillas para generar valores de las variables aleatorias
del modelo (ver secci
on 3.5). Se puede controlar el uso de semillas asignando
series concretas las funciones. La sintaxis para hacerlo es la siguiente:
FUNCION(par
ametros, serie)
FUNCION(par
ametros, serie,subseries)
Los argumentos serie y subserie son opcionales, es posible asignar la serie y la
subserie, solamente la serie o ninguna de las dos. Si no se especica ninguna
Semillas en
Witness
DE LA VARIANZA
200
de las dos, Witness asigna autom

aticamente una serie que no se emplea en
ninguna otra funci
on (para obtener m
as informaci
on acerca del uso de semillas
se recomienda consultar la ayuda de Witness)
Como se explica en la secci
on 9.2, la base de la t
ecnica CRN es la sincronizaci
on. En los dos modelos se utilizan n
umeros aleatorios con los mismos
prop
ositos: generar tiempos entre llegadas de nuevos clientes y generar duraciones de servicio. La sincronizaci
on se consigue asignando la misma serie en
las dos alternativas, para cada uno de estos prop
ositos.
Figura 9.3: estructura de las series de semillas en Witness.
Los pasos para resolver el ejemplo aplicando CRN son los siguientes:
Primera alternativa:
1. Abrir el modelo Ejemplo5-1a.mod .
2. Asignar una serie a la funci
on mediante la que se generan los tiempos
entre llegadas de clientes. Para ello, sustituir, por ejemplo, POISSON(1)
por POISSON(1,100) en Cliente / Inter arrival time.
on mediante la que se generan las duraciones de los servicios. Para evitar qu
e se solapen2 las series utilizadas en
esta funci
on y la anterior hay que dejar como mnimo 100 series entre
ambas (tantas como replicaciones). Por tanto, sustituir, por ejemplo, NEGEXP(0.9,200) por NEGEXP(0.9,200)) en Zippy / Cycle Time.
4. Guardar los cambios
Experimento.txt .
cargar
el
experimento
Ejemplo5-1
5. Seleccionar el modelo Ejemplo5-1a.mod en (Model / Experiment / Dene).

7. Importar los datos del archivo Ej5-1.csv generado en la hoja ((CSV CRN
1)) del archivo Ejemplo5-1.xls .
un el n
umero de replicaci
on (columna
B).
2 Debido a la estructura del archivo Ejemplo5-1 Experimento.txt , al cambiar de replicaci
on tambi
en se cambia de serie. Por ejemplo, si en una funci
on se emplea la serie 50 en la
replicaci
on 1, al pasar a la replicaci
on 2 se emplea la serie 51
Como asignar
las series para
aplicar CRN en
el ejemplo
DE LA VARIANZA
201
9. Como en el experimento anterior, los tiempos medios de espera en cola

se almacenan en la columna M. Copiarlos en el lugar correspondiente de
la hoja ((An
alisis CRN)).
Segunda alternativa:
1. Abrir el modelo Ejemplo5-1b.mod .
2. Asignar las mismas series que en la alternativa anterior (cambiar POISSON(1) por POISSON(1,100) en ((Cliente)) y NEGEXP(1.8,200) por NEGEXP(1.8,200) en los elementos ((Klunky1)) y ((Klunky2))).
3. Guardar los cambios
Experimento.txt .
cargar
el
experimento
Ejemplo5-1
4. Seleccionar el modelo Ejemplo5-1b.mod en (Model / Experiment / Dene).

6. Proceder como en el caso anterior para copiar los datos generados al
lugar correspondiente de la hoja ((An
alisis CRN)).
El an
alisis de los datos
Una vez que se tienen los datos y1,1 , , y1,100 e y2,1 , , y2,100 , se
calculan los 100 valores de Y . Se obtienen dos conjuntos de 100 de yi , que
representan la diferencia del tiempo medio de espera de los 100 primeros
clientes en la replicaci
on i aplicando CRN y sin aplicarlo. A partir de estos
valores se obtiene un cuadro como 9.2 donde se presentan los resultados del
an
alisis.
NOTA: Existe una fuerte correlaci

on entre y1i e y2i (0,72) a pesar de no
haberla inducido intencionadamente. Se debe a que con la asignaci
on autom
atica de Witness se consigue una sincronizaci
on parcial debido a la
sencillez del modelo. Para apreciar este concepto se presentan los resultados
para un experimento donde las series se han escogido intencionadamente
para que y1i e y2i sean completamente independientes.
Como se menciona en el planteamiento del ejemplo, si se resuelve el mismo
problema analticamente se obtiene que E(Y1 ) = 4, 13 y E(Y2 ) = 3, 70, por lo
que E(Y ) = 0, 43. De este modo se pueden evaluar los resultados obtenidos
mediante los dos m
etodos:
Si no se aplica CRN el valor estimado de la diferencia en ambas alternativas es 0,16 , mientras que si se aplica CRN este valor coincide con el
valor esperado, 0,43.
Conclusiones
DE LA VARIANZA
Funci
on Excel
Independ.
Sin CRN
Con CRN
0,72
0,16
0,43
4,88
0,08
y(n)
PROMEDIO(F14:F113)
S 2 (n)
VAR(F14:F113)
19,94
t99,0,95
DISTR.T.INV(0,1;99)
2,26
Semi-amplitud
al 90 %
F7*RAIZ(F6/60)
0,74
0,37
0,05
Lim. inferior
F5-F8
0,02
-0,32
0,37
Lim. superior
F5+F8
1,47
0,63
0,49
Covar(y1i , y2i )
COVAR
(D16:D115;E16:E115)
1,43
6,05
11,16
(y1i , y2i )
COEF.DE.CORREL
(D16:D115;E16:E115)
0,13
0,72
1,00
Proporci
on de
aciertos
CONTAR.SI
(F16:F115; > 0 )/100
56 %
55 %
96 %
NO
NO
SI
Resultado
signicativo
Cuadro 9.2: resultados estadsticos de la aplicaci

on de CRN
Al aplicar CRN la varianza de yi se reduce de 4,88 a 0,08, es decir un

98,41 %. Esta reducci
on repercute en la semi-longitud del intervalo de
conanza, que pasa de 0,37 a 0,05, una reducci
on del 87 %.
Si no se aplica CRN solo el 55 % de los valores yi son positivos, mientras
que aplicando CRN esta cifra se eleva hasta el 95 %. De esta cifra se deduce que, en el caso de realizar menos replicaciones, si no se aplica CRN
la probabilidad de cometer una elecci
on equivocada es mayor.
Esta reducci
on de la varianza es consecuencia del aumento de la covarianza que pasa de 6,05 a 11,16. Analizando este aspecto adimensionalmente, el coeciente de correlaci
on pasa de 0,72 a 1,00. Los gr
acos 9.4
y 9.5 ayudan a comprender la mejora experimentada.
Adem
as, como conclusi
on nal, si no se aplica CRN los resultados obtenidos
son no signicativos por lo que no se podra elegir una de las alternativas. Es
un ejemplo de como, a partir de CRN, se pueden extraer resultados relevantes
de un proyecto que, de otra manera, no se podra.
202
DE LA VARIANZA
Figura 9.4: gr
aco de correlaci
on entre Y2i (eje vertical) e Y1i (eje horizontal)
Figura 9.5: comparaci

on del valor de los pares (Y1i , Y2i ) ordenados por replicaci
on
9.4.2.
Ejercicio 5.2: Aplicaci

on de AV
Despu
es de ver los resultados del estudio de comparaci
on de ambas alternativas, el director del banco del ejercicio 11.1 decide optar por la segunda
alternativa, instalar dos cajeros Klunky. Debido a los buenos resultados
obtenidos en el primer estudio decide encargar otro estudio para asegurarse
de que el servicio prestado ser
a correcto en t
erminos del tiempo de espera.
Cu
al sera su estimaci
on del tiempo medio que pasar
an los clientes en
la cola antes de poder utilizar uno de los cajeros? El resultado debe
expresarse en forma de un intervalo de conanza al 90 %.
203
DE LA VARIANZA
204
Al igual que en el ejemplo anterior, en primer lugar se resuelve el problema como si

no se conociese ninguna t
ecnica de reducci
on de la varianza y despu
es se resuelva
aplicando una t
ecnica de reducci
on de la varianza, en este caso AV. Para nalizar, se
comparan los resultados obtenidos por los dos caminos anteriores.
nica alternativa, por lo que el problema consiste en
En este caso solo se considera una u
estimar el tiempo medio de espera del servicio (como en el caso anterior se consideran
solo los 100 primeros clientes). Para observar la reducci
on de la varianza resultante de
aplicar AV , se lleva a cabo el estudio de simulaci
on mediante dos experimentos con
la misma duraci
on:
Planteamiento
El primero de ellos consta de 200 replicaciones sin controlar la asignaci

on de
n
umeros aleatorios. Los valores obtenidos se analizan como 200 observaciones
del tiempo medio de espera. El resultado se da en forma de un intervalo de
conanza al 90 % para la media de esta variable.
En el segundo, se realizan 100 pares de replicaciones aplicando AV. Promediando los dos resultados de cada par, se obtienen 100 observaciones de una variable
que tiene la misma media que la del experimento anterior, pero menor varianza.
Si se construye un intervalo a partir de estos datos tambi
en res v
alido para el
valor esperado del tiempo medio de espera.
Como se coment
o en el ejemplo anterior, este problema se puede resolver analticamente y el valor esperado de la variable de salida es E(Y ) = 3, 70. La comparaci
on de
los dos m
etodos se hace en funci
on del valor puntual obtenido y de la amplitud del
intervalo de conanza al 90 % que lo acompa
na.
Los archivos necesarios para seguir la resoluci
on de este ejemplo son los siguientes:
Ejemplo5-2.mod : coincide con el modelo Ejemplo5-2.mod .
Ejemplo5-2 Experimento1.txt : es el experimento para conseguir 200 replicaciones sin aplicar CRN.
Ejemplo5-2 Experimento2.txt : es el experimento para conseguir 200 replicaciones aplicando CRN. En las 100 primeras replicaciones se emplean valores
regulares de las semillas y de la 101 a la 200 se emplean los valores antit
eticos.
Ejemplo5-2 solucion.xls : muestra como debe quedar la hoja de c
alculo una
vez resuelto el ejemplo.
Experimento 1 (sin aplicar AV)
Si no se aplica ninguna t
ecnica de reducci
on de la varianza, la manera habitual
de llevar a cabo el estudio de simulaci
on es hacer un n
umero n de replicaciones
independientes y tratar cada observaci
on como un valor de la variable de salida. Para
hacer un experimento con 200 replicaciones independientes de la alternativa elegida
hay que seguir los siguientes pasos:
1. Abrir el modelo Ejemplo5-2.mod .
2. Cargar el experimento Ejemplo5-2 Experimento1.txt (Model / Experiment /
Open).y ejecutarlo (Model / Experiment / Batch).
Ya se sabe el
resultado...
DE LA VARIANZA
3. Importar los datos del archivo generado Ej5-2.csv en la hoja ((CSV)) del
archivo Ejemplo5-2.xls .
un el n
umero de replicaci
on (columna B).
5. Copiar los tiempos medios de espera (columna M) en la columna correspondienalisis de los datos)).
te de la hoja ((An
Experimento 2 (aplicando AV)
Para aplicar la t
ecnica AV se realizan 100 pares de replicaciones (200 en total)
(1)
(2)
de las que se obtienen 100 parejas (yi , yi ). Para obtener cada pareja se utilizan
las mismas series de n
umeros aleatorios, pero en el primer caso con valores regulares
y en el segundo con antit
eticos. Esta diferencia se indica en la denici
on de los experimentos, dentro de los archivos Ejemplo5-2 Experimento1.txt y Ejemplo5-2
Experimento2.txt (gura 9.6).
Figura 9.6: ejemplo de denici

on en Witness de un par de replicaciones:
(1)
(2)
(Y8 , Y8 )
A continuaci
on se enumeran los pasos para ejecutar correctamente el experimento:
1. Abrir el modelo Ejemplo5-2.mod .
on mediante la que se generan los tiempos entre
llegadas de clientes, tal y como se hizo en el ejemplo anterior (por ejemplo,
POISSON(1) por POISSON(1,100)).
3. Del mismo modo, asignar una serie a la funci
on mediante la que se generan las
duraciones de los servicios. Para evitar qu
e se solapen sustituir, por ejemplo,
NEGEXP(0.9,200) por NEGEXP(0.9,200).
4. Cargar el experimento Ejemplo5-2 Experimento2.txt (Model / Experiment /
Open).y ejecutarlo (Model / Experiment / Batch).
5. Importar los datos del archivo generado Ej5-2.csv en la hoja ((CSV AV))
del archivo Ejemplo5-2.xls .
205
DE LA VARIANZA
206

un el n
umero de replicaci
on (columna B).
7. Copiar los tiempos medios de espera (columna M) en la columna correspondienalisis de los datos)), teniendo en cuenta que las 100 primeras
te de la hoja ((An
(1)
replicaciones son los valores obtenidos mediante semillas regulares, yi y de la
(2)
101 a la 200 los obtenidos mediante semillas antit
eticas, yi .
El an
alisis de los datos
Para analizar los datos del primer experimento se calcula directamente un intervalo de conanza de su media al 90 %. En el segundo experimento. Por otro lado,
en el segundo experimento el intervalo ed conanza se calcula para el conjunto de
(1)
(2)
valores obtenidos promediando cada par (yi , yi ). En el cuadro 9.3 se presentan
los intervalos obtenidos mediante los dos m
etodos.
Sin AV
Con AV
y(n)
PROMEDIO(D14:D213)
4,11
PROMEDIO(H14:H113)
4,04
S 2 (n)
VAR(D14:D213)
9,08
VAR(H14:H113)
3,79
t99,0,95
1,65
DISTR.T.INV(0,1;99)
1,66
Semi-amplitud
al 90 %
D7*RAIZ(D6/100)
0,64
H7*RAIZ(H6/100)
0,42
Lim. inferior
F5-F8
3,47
H5-H8
3,62
Lim. superior
F5+F8
4,75
H5+H8
4,46
Covar(y1i , y2i )
COVAR
(F15:F114;G15:G114)
-4,53
(y ( 1)i , y ( 2)i )
COEF.DE.CORREL
(F15:F114;G15:G114)
-0,38
Pron
ostico
acertado
SI
SI
Cuadro 9.3: resultados estadsticos de la aplicaci

on de AV
Adem
as, se observa que aunque en ambos casos el valor real esperado (Y = 3, 70)
est
a contenido en el intervalo de conanza, el valor puntual se acerca m
as en el caso
de aplicar AV.
DE LA VARIANZA
207
Captulo 10
Y SIMULACION
OPTIMIZACION
10.1.
La simulaci
on: una t
ecnica descriptiva
10.2.
Simulaci
on y optimizaci
on
10.3.
Ejemplo

Elementos Simulacion PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Elementos Simulacion PDF

Cargado por

Copyright:

Formatos disponibles

E LEMENTOS

Este libro se ocupa, con un car

Los problemas que se plantean en Ingeniera de Organizaci

Estos problemas se pueden abordar mediante modelos exactos. La Programaci

max z =10x1 + 5x2

Sin embargo, en ocasiones, no es posible construir modelos abordables con

El aprovisionamiento del dep

Tiempo entre llegadas (das)

Teniendo en cuenta los patrones de demanda y del intervalo entre trenes, se

Este problema es sencillo y se podra abordar de forma exacta mediante la

Como en cualquier modelo (y en particular si es de simulaci

Para reproducir el comportamiento del sistema se admite que el tiempo avanza

El archivo consta de dos hojas:

La hoja ((Distribuciones)) contiene la informaci

PENDIENTE: poner capti

((CONSULTARV(Valor buscado;Matriz buscar en;-

Indicador columnas;Ordenado))) busca en una tabla el Valor buscado

ve el valor que est

en la primera columna de las celdas sombreadas de la gura 1.1 el primer

Figura 1.1: datos hist

Figura 1.2: resumen del comportamiento del sistema.

El resto de la hoja contiene la informaci

Las columnas B-E, sombreadas en azul, reproducen el la informaci

Figura 1.3: llegada de trenes.

Las columnas F y G, sombreadas en amarillo, permiten generar la demanda.

Las columnas K y L, en color salm

Las celdas B6 contiene el coste para la simulaci

Figura 1.4: opciones de Excel. Calcular autom

El ejemplo planteado es un caso sencillo de simulaci

Elementos de un modelo de simulaci

Los problemas que se abordan mediante simulaci

Para gobernar de forma sistem

Un generador de informes, que por defecto ofrece informaci

Variables de entrada. Variables de salida. Par

El ejemplo del apartado 4.2 se ha presentado un modelo que podra utilizarse

Figura 1.5: variables y par

En general, los datos que alimentan y los que se obtienen de un modelo se

Para desarrollar de forma correca un estudio completo de simulaci

Etapas de un estudio de simulaci

Hasta el momento se han presentado algunos aspectos esenciales de la simulaci

Figura 1.6: etapas de un estudio de simulaci

Para poder continuar es necesario recopilar informaci

Actualizacin del reloj

Hay stock para atender

Actualizacin del nivel

Cmputo del coste de

Figura 1.7: ejemplo de modelo comunicativo.

A lo largo de todo el proceso hay tres aspectos esenciales y que aparecen

En este libro, a lo largo de los captulos, se presentan los aspectos m

Algunos aspectos quedan fuera de o que se puede abordar en un texto de

Software para la elaboraci

La etapa central de un estudio de simulaci

Lenguajes de propsito general

Coste del software

Figura 1.8: alternativas de software para el desarrollo de modelos de simulaci

Tal y se indica en la gura 1.8 existe un compromiso entre el precio de la soluci

El el apartado siguiente, 2.2, se presenta el conjunto de m

Este captulo no pretende ser un manual exhaustivo orientado al aprendizaje

DE MODELOS CON WITNESS

Con Witness es posible desarrollar y explotar modelos de simulaci

DE MODELOS CON WITNESS

Al arrancar Witness desde el men

DE MODELOS CON WITNESS