Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Elementos Simulacion PDF
Elementos Simulacion PDF
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
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
La Ingeniera de
Organizaci
on
Los m
etodos
exactos
A LA SIMULACION
Captulo 1. INTRODUCCION
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.
(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
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
Captulo 1. INTRODUCCION
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
Captulo 1. INTRODUCCION
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
2
5
3
13
4
17
5
27
6
23
7
10
8
5
A LA SIMULACION
Captulo 1. INTRODUCCION
Hojas de c
alculo
y simulaci
on
Hip
otesis del
modelo
Estructura del
archivo .xls
Generaci
on de
n
umeros
aleatorios
((CONSULTARV)) EN EXCEL
FUNCION
La
funci
on
la
primera
columna,
situada
m
as
la
izquierda,
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
A LA SIMULACION
Captulo 1. INTRODUCCION
10
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.
La simulaci
on
propiamente
dicha
A LA SIMULACION
Captulo 1. INTRODUCCION
11
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
Captulo 1. INTRODUCCION
12
Generaci
on de
la demanda
Evoluci
on del
stock
C
omputo de los
costes
An
alisis
A LA SIMULACION
Captulo 1. INTRODUCCION
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
Captulo 1. INTRODUCCION
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
1.4.
Eventos y
estados
Elementos de un
modelo de
simulaci
on
A LA SIMULACION
Captulo 1. INTRODUCCION
15
1.5.
Variables y
par
ametros
para el ejemplo
de la hoja de
c
alculo
A LA SIMULACION
Captulo 1. INTRODUCCION
Variables de entrada
MODELO
16
Variables de salida
Parmetros de diseo
Deniciones y
ejemplos
A LA SIMULACION
Captulo 1. INTRODUCCION
1.6.
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
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
Captulo 1. INTRODUCCION
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
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
Captulo 1. INTRODUCCION
19
Inicializacin
Stock inicial
Costes
s
Aumento del stock en
500 Tm
Llega tren?
no
Generacin de la
demanda
no
s
no
Se ha simulado un
ao?
Informe con
costes
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
Captulo 1. INTRODUCCION
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
Vericaci
on,
validaci
on y
credibilidad
A LA SIMULACION
Captulo 1. INTRODUCCION
1.7.
21
A LA SIMULACION
Captulo 1. INTRODUCCION
Hojas de clculo
Para casos muy sencillos
Lenguajes de simulacin
Esfuerzo de programacin
Entornos de simulacin
Witness
Arena
Promodel
Simul8
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
Captulo 1. INTRODUCCION
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
Captulo 1. INTRODUCCION
dd
24
Captulo 2
DE MODELOS CON WITNESS
CONSTRUCCION
2.1.
Introducci
on
Para la construcci
on de modelos de simulaci
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
Estrucutra del
capitulo
Objetivo del
captulo
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
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
El entorno
28
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
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
Servicios y
fabricaci
on
Seg
un su
naturaleza
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
Seg
un c
omo se
almacenan
Carpeta Tipo
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
Carpeta
Simulaci
on
Introducci
on de
elementos. Tres
pasos
Denir
32
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
Representar
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.
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
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
M
aquinas
simples
36
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....
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))
Flujo de
elementos
Ejecuci
on paso
a paso
38
2.6.
Ejemplo 2
Resumen
39
Buers
40
Piezas activas
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
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).
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
42
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)
Informes y
aleatoriedad
43
Resumen
Cambio de la
representaci
on
44
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
Acciones a crear
45
Funciones
predenidas.
RANDOM()
Sentencia IF
Funciones
predenidas.
NENTS()
46
Funciones de
usuario
47
Atributos de
sistema. TYPE
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)).
Resumen
49
Nuevos
elementos
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
Cantidad de un
elemento
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
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
((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
Variable N
51
Regla PERCENT
Funci
on
CHANGE
52
2.9.
Ejemplo 5
Resumen
Variables
53
Acciones de
inicializaci
on
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
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
Funci
on PUTIL.
Estados de un
elemento
56
Variables
Funciones
NENTS y
NENTS2
NCREATE. STOP
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
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
3.2.
Muestra y
poblaci
on
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
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)
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)
F (xi ) =
i
p(xj )
61
(3.4)
j=1
3.2.2.
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
3.2.3.
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
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)
(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)
64
65
Una medida
adimensional de
la dependencia
3.2.4.
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
(3.16)
(3.17)
3.2.5.
66
Estimadores de m
axima verosimilitud
Justicaci
on
Funci
on de
m
axima
verosimilitud
(3.18)
(3.19)
Interpretaci
on
Por ello, para obtener el valor de , hay que resolver la siguiente ecuaci
on:
Procdeimiento
dL()
=0
d
(3.20)
M
as de un
par
ametro
3.3.
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
Estimadores
= m
= mn xi , b
ax xi
a
1in
1in
f (x)
1/(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
f (x)
2/(b a)
0
0
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
70
f (x)
1
0.8
0.6
0.4
0.2
0
0
7 x
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
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
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)
f (x)
0.5
0.4
0.3
0.2
0.1
-3
-2
-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
74
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
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
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
76
f (x)
1.4
=3
1.2
1
=2
0.8
0.6
=1
0.4
= 0,5
0.2
0
0
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
p(x)
1p
0
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
Rango
0, 1, , t
Media
tp
Varianza
tp(1 p)
p(t + 1) 1
Moda
Estimadores
=
p
x(n)
t
79
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
Geom
etrica
Posibles
aplicaciones
geom(p)
N
umero de piezas inspeccionadas antes de encontrar
la primera defectuosa.
Tama
no de un lote de piezas o de un grupo de personas.
Cantidad de piezas de un pedido.
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
p(x)
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
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
no de un lote de piezas o de un grupo de personas.
Cantidad de piezas de un pedido.
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
p(x)
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
3.4.
3.4.1.
Estimaci
on de la media y de la varianza
Estimaci
on puntual
83
84
(3.22)
= x(n) = i=1
n
Estimaci
on de la
media de una
variable
aleatoria
=
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
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
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
Un estimador
puntual no es
suciente...
3.4.2.
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)
(3.27)
85
86
f (x)
P (z
area sombreada) = 1
z1/2
x(n)
z1/2
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
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.
N
umeros
aleatorios y
pseudoaleatorios
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
100
27
100
= 0, 27
z2 = (13 27 + 31)mod(100) = 89
r2 =
89
100
= 0, 89
vdots
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
N
umeros
aleatorios en los
programas de
simulaci
on
PENDIENTE
3.5.2.
Generaci
on de valores de variables aleatorias
C
omo se
utilizan los
n
umeros
aleatorios?
M
etodo de la
transformada
inversa
Aplicaci
on para
algunas
funciones
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/
j1
i=1
p(xi ) r
j
p(xi )
i=1
92
Captulo 4
LISIS DE DATOS DE ENTRADA
ANA
4.1.
Introducci
on
Formas de
alimentar un
modelo de
simulaci
on
Captulo 4. ANALISIS
DE DATOS DE ENTRADA
94
Captulo 4. ANALISIS
DE DATOS DE ENTRADA
95
Distribuci
on
emprica
Distribuci
on
te
orica
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
4.2.
2
5
3
13
4
17
5
27
6
23
7
10
8
5
96
Captulo 4. ANALISIS
DE DATOS DE ENTRADA
97
Elemento
Distribuci
on
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
4.3.
Utilizaci
on
Tests de ajuste
Contraste de
hip
otesis
Captulo 4. ANALISIS
DE DATOS DE ENTRADA
99
Captulo 4. ANALISIS
DE DATOS DE ENTRADA
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
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.
0, si x x(1) ,
1, si x X
(n)
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)
4.4.
Ejemplo 2
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)
).
150
100
50
0
0
50
100
150
200 xi
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
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))).
2 =
ln xi
n
i=1
n
i=1
Exponencial (exp())
= x(n)
2
ln xi
n
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
H1 :
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
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
H1 :
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)
Intervalo Limite
inferior
Limite
superior
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
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
K-S, lognormal
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
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
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
Captulo 4. ANALISIS
DE DATOS DE ENTRADA
4.5.
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
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
4.6.
Resumen
112
Captulo 4. ANALISIS
DE DATOS DE ENTRADA
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
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
Captulo 5. VERIFICACION
116
Y VALIDACION
DE MODELOS
Captulo 5. VERIFICACION
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.
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
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
Captulo 5. VERIFICACION
(5.1)
4
60
4 43
= 71,67
(5.2)
118
Y VALIDACION
DE MODELOS
Captulo 5. VERIFICACION
119
Y VALIDACION
DE MODELOS
Captulo 5. VERIFICACION
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
120
Y VALIDACION
DE MODELOS
Captulo 5. VERIFICACION
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.
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
Ejecuci
on paso
a paso
Y VALIDACION
DE MODELOS
Captulo 5. VERIFICACION
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.
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)
122
Y VALIDACION
DE MODELOS
Captulo 5. VERIFICACION
123
Y VALIDACION
DE MODELOS
Captulo 5. VERIFICACION
124
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.
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
Y VALIDACION
DE MODELOS
Captulo 5. VERIFICACION
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
Captulo 5. VERIFICACION
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.
126
Y VALIDACION
DE MODELOS
Captulo 5. VERIFICACION
127
Y VALIDACION
DE MODELOS
Captulo 5. VERIFICACION
128
Informaci
on del
archivo .log
Y VALIDACION
DE MODELOS
Captulo 5. VERIFICACION
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.
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.
129
Y VALIDACION
DE MODELOS
Captulo 5. VERIFICACION
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
Crear un m
odulo con Pintura, Secado, ColaEnvio y Envio y duplicar estos elementos.
130
Y VALIDACION
DE MODELOS
Captulo 5. VERIFICACION
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.
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.
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
Captulo 5. VERIFICACION
132
Y VALIDACION
DE MODELOS
Captulo 5. VERIFICACION
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
Captulo 5. VERIFICACION
134
5.5.
Resumen
Validaci
on
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
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
Estructura del
captulo
6.2.
R
egimen transitorio y r
egimen estacionario
Comportamiento
de las variables
de salida
Captulo 6. ANALISIS
DE DATOS DE SALIDA. ANALISIS
DE UNA ALTERNATIVA
137
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
Simulaciones sin
terminaci
on
Captulo 6. ANALISIS
DE DATOS DE SALIDA. ANALISIS
DE UNA ALTERNATIVA
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
6.4.1.
Estimaci
on de par
ametros
Estimaci
on de la
media
Captulo 6. ANALISIS
DE DATOS DE SALIDA. ANALISIS
DE UNA ALTERNATIVA
139
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
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, :
ti1,1/2
S 2 (n)
(6.2)
N
umero de
replicaciones
para obtener un
error absoluto
m
aximo
Captulo 6. ANALISIS
DE DATOS DE SALIDA. ANALISIS
DE UNA ALTERNATIVA
140
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
Captulo 6. ANALISIS
DE DATOS DE SALIDA. 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)
6.4.2.
Elecci
on de las condiciones iniciales
El problema de
establecer las
condiciones
iniciales
Comenzar
desde un estado
previo conocido
Captulo 6. ANALISIS
DE DATOS DE SALIDA. 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
El problema del
tiempo de
calentamiento
Expresi
on
matem
atica del
problema
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 DATOS DE SALIDA. ANALISIS
DE UNA ALTERNATIVA
143
j=l+1
y(j)
ml
(0 l m 1)
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 DATOS DE SALIDA. ANALISIS
DE UNA ALTERNATIVA
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)
144
Captulo 6. ANALISIS
DE DATOS DE SALIDA. ANALISIS
DE UNA ALTERNATIVA
145
Figura 6.2: c
alculo de la media m
ovil para w = 1.
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
umero de replicaciones
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 DATOS DE SALIDA. 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
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 DATOS DE SALIDA. ANALISIS
DE UNA ALTERNATIVA
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 DATOS DE SALIDA. ANALISIS
DE UNA ALTERNATIVA
148
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 DATOS DE SALIDA. 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
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 %.
Planteamiento
Captulo 6. ANALISIS
DE DATOS DE SALIDA. ANALISIS
DE UNA ALTERNATIVA
150
Archivos
disponibles
Captulo 6. ANALISIS
DE DATOS DE SALIDA. ANALISIS
DE UNA ALTERNATIVA
151
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 DATOS DE SALIDA. 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
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
152
Captulo 6. ANALISIS
DE DATOS DE SALIDA. 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
0,36 0,64
p(1
z1/2
= 0,36 1,64
= 0,36 0,16
p
n
25
=
p
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 DATOS DE SALIDA. 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.
154
Captulo 6. ANALISIS
DE DATOS DE SALIDA. ANALISIS
DE UNA ALTERNATIVA
155
Planteamiento
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 DATOS DE SALIDA. ANALISIS
DE UNA ALTERNATIVA
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 DATOS DE SALIDA. 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
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
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
DE VARIAS ALTERNATIVAS
Captulo 7. ANALISIS
DE DATOS DE SALIDA. COMPARACION
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
DE VARIAS ALTERNATIVAS
Captulo 7. ANALISIS
DE DATOS DE SALIDA. COMPARACION
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
7.3.1.
Comparaci
on de varias alternativas frente a una referencia
160
DE VARIAS ALTERNATIVAS
Captulo 7. ANALISIS
DE DATOS DE SALIDA. COMPARACION
7.3.2.
Clasicaci
on y selecci
on de la mejor alternativa
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
umero de replicaciones
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)
161
DE VARIAS ALTERNATIVAS
Captulo 7. ANALISIS
DE DATOS DE SALIDA. COMPARACION
Y j (Nj n0 ) =
i=n0 +1
Yji
Nj n0
(7.4)
/
/
(Nj n0 )(d )2
Nj
n0
0
1+ 1
1
=
Nj
n0
h21 Sj2 (n0 )
Wj2 = 1 Wj1
(7.5)
(7.6)
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
DE VARIAS ALTERNATIVAS
Captulo 7. ANALISIS
DE DATOS DE SALIDA. COMPARACION
7.4.
Ejemplos de aplicaci
on
7.4.1.
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
DE VARIAS ALTERNATIVAS
Captulo 7. ANALISIS
DE DATOS DE SALIDA. COMPARACION
N
umero de replicaciones
Tiempo de calentamiento
Longitud de cada replicaci
on
Variable de salida
40
720 horas
4000 horas
Tiempo medio en el sistema
(a) Alternativa 1
(b) Alternativa 2
164
DE VARIAS ALTERNATIVAS
Captulo 7. ANALISIS
DE DATOS DE SALIDA. COMPARACION
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
165
DE VARIAS ALTERNATIVAS
Captulo 7. ANALISIS
DE DATOS DE SALIDA. COMPARACION
7.4.2.
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
DE VARIAS ALTERNATIVAS
Captulo 7. ANALISIS
DE DATOS DE SALIDA. COMPARACION
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.
Ejemplo4-2b experimento2.txt : Preparado para obtener las replicaciones adicionales en el m
etodo de selecci
on de una alternativa de la
conguraci
on 2.
Ejemplo4-2b experimento3.txt : Preparado para obtener las replicaciones adicionales en el m
etodo de selecci
on de una alternativa de las
conguraciones 3 y 4.
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
DE VARIAS ALTERNATIVAS
Captulo 7. ANALISIS
DE DATOS DE SALIDA. COMPARACION
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
DE VARIAS ALTERNATIVAS
Captulo 7. ANALISIS
DE DATOS DE SALIDA. COMPARACION
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
DISTR.T.INV(0,03;19)
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
DE VARIAS ALTERNATIVAS
Captulo 7. ANALISIS
DE DATOS DE SALIDA. COMPARACION
y ( 1)j (20)
Sj2 (20)
68,79
19,72
54,63
3,66
60,53
1,86
68,34
1,88
h2 S 2 (n )
1 j 0
(d )2
n0
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
DE VARIAS ALTERNATIVAS
Captulo 7. ANALISIS
DE DATOS DE SALIDA. COMPARACION
Segunda etapa
j
1
2
3
4
(2)
y j (Nj 20)
69,96
55,21
58,75
66,64
(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
Conclusi
on
171
Captulo 8
O DE EXPERIMENTOS Y SUPERFICIES
DISEN
DE RESPUESTA
8.1.
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
173
Factores
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
8.3.
174
Dise
nos factoriales
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
e1 =
e2 =
e3 =
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)
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
176
R1 R2 R3 + R4 + R5 R6 R7 + R8
4
(8.4)
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
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
e1r =
(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
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.
Material
disponible
8.4.1.
El modelo
179
180
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
8.4.2.
181
Experimentaci
on
Q =
2 D CE CA + CC
CA
CC
Estimaciones
preliminares
(8.10)
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
Niveles de s y Q
Q()
Q(+)
s()
450
R1
R2
315
345
s(+)
550
R3
R4
+
+
sQ
+
Rc
R1
R2
R3
R4
182
Tiempo de
calentamiento y
longitud de las
replicaciones
Replicaciones
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
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
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)
Intepretaci
on
Cuidado con
8.5.
184
PENDIENTE
Supercies de respuestas
Un metamodelo
Optimizaci
on
(8.12)
(8.13)
Modelo de
regresi
on
185
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
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
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
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)
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
187
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).
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:
(8.18)
Estimaci
on de
las s
Supercie en
funci
on de xs y
xQ
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.
Predicciones
189
Supercie en
funci
on de s y Q
(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
Estructura hoja
Comprobacion
punto C
Figura 8.6: C
alculo de RF1 (10) y RC1 (10).
Procedimiento
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.
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)
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!
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)] =
(9.2)
DE LA VARIANZA
Captulo 9. REDUCCION
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
secci
on 3
193
DE LA VARIANZA
Captulo 9. REDUCCION
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
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
Captulo 9. REDUCCION
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)
(2)
9.3.2.
Aplicaci
on
te en Yi
, 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
Captulo 9. REDUCCION
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
9.4.
Ejemplos de aplicaci
on
9.4.1.
196
DE LA VARIANZA
Captulo 9. REDUCCION
197
Objetivos del
ejemplo
Planteamiento
El resultado se
conoce de
antemano...
DE LA VARIANZA
Captulo 9. REDUCCION
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.xls : es la hoja de c
alculo donde se debe resolver el ejemplo.
Ejemplo5-1 solucion.xls : muestra como debe quedar la hoja de
c
alculo una vez resuelto el ejemplo.
198
DE LA VARIANZA
Captulo 9. REDUCCION
199
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
Captulo 9. REDUCCION
200
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.
3. Asignar una serie a la funci
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
Como asignar
las series para
aplicar CRN en
el ejemplo
DE LA VARIANZA
Captulo 9. REDUCCION
201
cargar
el
experimento
Ejemplo5-1
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.
Conclusiones
DE LA VARIANZA
Captulo 9. REDUCCION
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
202
DE LA VARIANZA
Captulo 9. REDUCCION
Figura 9.4: gr
aco de correlaci
on entre Y2i (eje vertical) e Y1i (eje horizontal)
9.4.2.
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
Captulo 9. REDUCCION
204
Planteamiento
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.xls : es la hoja de c
alculo donde se debe resolver el ejemplo.
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
Captulo 9. REDUCCION
3. Importar los datos del archivo generado Ej5-2.csv en la hoja ((CSV)) del
archivo Ejemplo5-2.xls .
4. Ordenar los datos importados seg
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).
A continuaci
on se enumeran los pasos para ejecutar correctamente el experimento:
1. Abrir el modelo Ejemplo5-2.mod .
2. Asignar una serie a la funci
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
Captulo 9. REDUCCION
206
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
DISTR.T.INV(0,1;199)
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
DE LA VARIANZA
Captulo 9. REDUCCION
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