Está en la página 1de 68

Profesor: Luis Yáñez Sandivari

Ing. Civil Industrial, USM


Magíster en Gestión Empresarial, USM
Dr © Sistemas de Ingeniería – Universidad de Chile
Hay 4 etapas en el desarrollo de un modelo a partir de los datos de
entrada:
1. Recolectar datos del sistema real
2. Identificar un distribución de probabilidad
3. Elegir y estimar los parámetros que determinen dicha distribución
4. Evaluar el nivel de ajuste de la distribución y los parámetros

Recolección de datos

• Una de las tareas más importante dentro de un estudio de


simulación
• Muchas veces la información disponible esta en un formato
distinto al que necesitamos para un estudio
• Aun cuando la estructura del modelo puede ser valida, si los
datos fueron mal recolectados, mal analizados o no son
representativos, se obtendrán malos resultados en la simulación.
Recolección de datos
Sugerencias generales:

• Utilizar un tiempo razonable en la planificación: por ejemplo considerar


una sesión de pre-observación, desarrollar formularios, detectar posibles
problemas.

• Intentar analizar la información mientras es recolectada: por ejemplo


verificar que los datos recolectados son adecuados para la distribución
supuesta. Analizar si los conjuntos de datos analizados son
homogéneos o no.
• Información censurada: la cantidad de interés no es
observada, por ejemplo tiempo de falla de una maquina
(puede ocurrir fuera del periodo de observación).

• Verificar si existe alguna relación entre 2 variables. Considerar


la posibilidad de que una secuencia de observaciones que al
parecer son independientes, no lo sean.

• Diferenciar entre datos de entrada y datos o información de


salida.
Selección de un modelo sin datos

A veces es necesario plantear un modelo de simulación sin


información o datos disponibles. Utilizar otras fuentes:

• Datos ingenieriles: a veces los productos o procesos tiene


información que proveen los propios fabricantes (por ejemplo
vida útil, rendimiento)

• Opinión de expertos: Pueden proveer de valores más


probables, optimistas, pesimistas (por ejemplo ventas)

• Simulación pura.
Identificar la distribución
Histogramas:

• Dividir los datos en intervalos


(usualmente del mismo
ancho)
• Encontrar la frecuencia de
ocurrencias para cada
intervalo
• Graficar las frecuencias

Si los datos son continuos el histograma corresponde a


la función de densidad de la distribución teórica. Si se
unen los puntos medios de cada
intervalo se debería obtener la forma de la función de
densidad
Identificar la Distribución
Estimación de parámetros
Estimación de parámetros
Estimación de parámetros
Estimación de parámetros
Estimación de parámetros
Estimación de parámetros
Estimación de parámetros
Estimación de parámetros
Estimación de parámetros
Estimación de parámetros
Test de ajuste Chi-cuadrado
Test de ajuste Chi-cuadrado
Test de ajuste Chi-cuadrado
Test de ajuste Chi-cuadrado
Test de ajuste Chi-cuadrado
Test de ajuste Chi-cuadrado
Test de ajuste Chi-cuadrado
Test Kolmogorov-Smirnov
Test Kolmogorov-Smirnov
Test Kolmogorov-Smirnov
Test Kolmogorov-Smirnov
Verificación y Validación

• Verificación: Construir el modelo correctamente. Se compara el


modelo conceptual con la representación computacional.

• Validación: Construir el modelo correcto. Confirmar que el


modelo es una representación adecuada del sistema real, con el
fin de tener confianza en los resultados

El objetivo es:

• Producir un modelo que represente lo más cerca


posible el sistema real.

• Incrementar en un nivel aceptable la credibilidad del


modelo
Construcción del modelo
Verificación de los modelos
Verificación de los modelos
Calibración y Validación
Calibración y Validación
Máxima verosimilitud
Análisis de salidas
Análisis de salidas
Naturaleza estocástica de los datos
Naturaleza estocástica de los datos
Estimación medidas de desempeño
Estimador Puntual
Estimador Puntual
Estimador Puntual
Estimador Puntual
Intervalos
Intervalos

VER: Hahn, G. J., y Meeker, W. Q., Statistical Intervals: A Guide for Practitioners(Los intervalos estadísticos: Una
guía para los usuarios) , Wiley-Interscience, John Wiley and Sons Inc., New York, N.Y., 1991.
Intervalos
Cuantiles

EJEMPLO
Análisis para simulaciones con término
Análisis para simulaciones con término
Análisis para simulaciones con término
Tabla t student
Análisis para simulaciones con término
Análisis para simulaciones con término
Análisis para simulaciones con término
Comparación y evaluación de sistemas alternativos
Comparación y evaluación de sistemas alternativos
Comparación y evaluación de sistemas alternativos
Comparación y evaluación de sistemas alternativos
Muestras independientes con igual
varianza
Muestras independientes con igual
varianza
Muestras independientes con igual
varianza
Muestras independientes con igual
varianza
Comparación y evaluación de sistemas alternativos

Números aleatorios comunes (CRN)


Comparación y evaluación de sistemas alternativos

Números aleatorios comunes (CRN)


Comparación y evaluación de sistemas alternativos

Números aleatorios comunes (CRN)


Comparación y evaluación de sistemas alternativos

Números aleatorios comunes (CRN)


Comparación y evaluación de sistemas alternativos

Números aleatorios comunes (CRN)


Comparación y evaluación de sistemas alternativos

Números aleatorios comunes (CRN)