Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Facultad de Ingeniería
Escuela Ingeniería Mecánica Industrial
Investigación de Operaciones II
Segundo Semestre 2020
Inga. Nora Leonor García Tobar
DISEÑOS DE EXPERIMENTOS DE
SIMULACIÓN
GRUPO 6 SECCIÓN A+
Los estudios experimentales de efectos fijos son utilizados para estudiar el efecto de
ciertas variables controladas por el investigador, una de las diferencias fundamentales
entre este tipo de experimentos computacionales y los experimentos físicos es que
en los primeros se tiene mayor control sobre los factores que inciden sobre una
respuesta ya que estos factores son generados a partir de algoritmos estocásticos
predefinidos cuyos parámetros son especificados por el investigador.
Los modelos markovianos pueden jugar un papel muy importante en los estudios
que involucran datos longitudinales bien sea de manera prospectiva o retrospectiva.
El análisis de los resultados del presente estudio de simulación se llevará a cabo bajo
el enfoque de un diseño experimental de efectos fijos, facilitando la presentación e
interpretación de los resultados.
General
Desarrollar y explicar de manera amplia y entendible el tema de Diseños de
Experimentos de Simulación, de manera que se pueda entender la importancia y
utilidad de este.
Específicos
1. Comparar y evaluar los Sistemas de Muestras Independientes contra los
Sistemas de Muestras Correlacionadas.
2. Exponer de manera amplia los sistemas Múltiples, dentro de los cuales se
encuentran el Método de Bonferroni y los Modelos de Diseño Experimental.
3. Desarrollar ejemplos relacionados al tema de Diseños de Experimentos de
Simulación para permitir una mejor comprensión del mismo.
MARCO TEÓRICO
Existen diversos tipos de diseños experimentales de efectos fijos, para elegir alguno
de ellos se debe de tomar en cuenta la disponibilidad de recursos tales como el
tiempo. Una de las ventajas de estos estudios es que no requieren de muchas
unidades muestrales (más conocidas como unidades experimentales) o réplicas dado
que la fuente de variabilidad es controlada, garantizando las mismas condiciones en
cada corrida o ejecución del experimento. En total, un experimento arrojará (k x n)
observaciones, donde (k) es el número de tratamientos y (n) el número de réplicas.
Las herramientas estadísticas utilizadas para analizar los datos que resultan de un
experimento son muy conocidas y se basan en el análisis de varianza y en la regresión
múltiple o modelo lineal general.
Materiales y métodos
Lo más importante que hay que definir es qué se va a medir variables y respuestas
en función de qué (factores y bloques). Para la generación de este se establece los
pasos siguientes:
● Muestras Correlacionadas:
a) Procesar las mismas entidades en ambos escenarios
b) Analizar las propiedades de la Entidad a su llegada
La diferencia entre dos medias obedece Existen dos tipos, las varianzas
a una distribución normal desiguales e iguales
1) Iguales
I.C. para m1- m2
I.C. para m1- m2
Varianza combinada
Supuestos
Para muestras grandes n1 y n2 > 30 1.- Muestras independientes de
poblaciones normales
2.- Variancias desconocidas pero
La aproximación es buena, siempre que
ningún intervalo incluya el 0 o el 1 iguales
2) desiguales
I.C. para m1- m2
Muestras correlacionadas
De:
Una correlación positiva está generalmente inducida por el uso de los mismos
números aleatorios para generar entidades.
Comparación de Escenarios Múltiples
•Muestreo:
Fijo (tamaño de las muestras predeterminado)
Secuencial (se recogen suficientes datos en la muestra hasta que se alcanza
una precisión predeterminada)
Metas:
Estimación de cada parámetro (K intervalos de confianza)
Comparación de cada medida de funcionamiento c/r de un valor de control (K-
1 intervalos de confianza)
Todas las comparaciones posibles (K(K-1) /2 intervalos de confianza)
Selección del mejor (el más grande o el más pequeño)
El método de dos muestras-t requiere independencia entre Y1j’s e Y2j’s mientras que
el método de pares -t no requiere independencia entre Y1j’s e Y2j’s.
Por lo tanto, en el método de pares-t, números aleatorios pueden ser usados para
introducir correlación positiva entre las observaciones de los diferentes sistemas
como una forma de reducir la varianza.
En el método de pares-t, se debe cumplir que n1 = n2, mientras que en el método de
dos muestras n1 ≠ n2.
Ranking y Selección
Ejemplo de Factores
1. Tiempo Medio entre llegadas (Cuantitativa no controlable)
2. Tiempo Medio de servicio (Cuantitativa controlable o no)
3. Número de servidores (Cuantitativa controlable)
4. Disciplina de las colas (Cualitativa controlable)
5. Reorder point (Cuantitativa controlable)
6. Tiempo Medio entre demandas (Cuantitativa no controlable)
7. Distribución del tiempo entre demandas (Cualitativa no controlable)
Motivación y Terminología de DOE
Réplica - repetición de un experimento básico.
Tratamiento – una combinación específica de niveles de los factores.
Unidad Experimental - la unidad a la cual un tratamiento simple es aplicado (one
replication of the basic experiment).
Error Experimental - error entre dos unidades tratamientos experimentales
idénticos que producen resultados similares.
Confundido - el “mixing up” de dos o más factores de modo que es imposible
separar los efectos.
Aleatorización - Asignación aleatoria de tratamientos a las unidades
experimentales (assures independent distribution of errors)
Efecto Principal (de un factor) – una medida del cambio en una variable de
respuesta, debido al cambio de nivel del factor, promediando los efectos de todos
los factores restantes
Interacción es un efecto adicional (sobre la respuesta) debido a la influencia de
la combinación de dos o más factores.
Tipos de Diseños de experimentos Computacionales
•Diseño Completamente Aleatorizado
•Diseño en bloques Completamente Aleatorizado
•Diseño Factorial Completo
•Diseño Factorial Fraccionario
•Diseño Factorial Anidado
•Diseño de cuadrados latinos
•Diseño Jerarquizado
Diseño Factorial 𝟐𝒌
● Supongamos que tenemos k (k > 2) factores. Un diseño factorial 2k (2k factorial
design) requiere que dos niveles sean escogidos por cada factor, y que “n”
corridas de simulación (replicas) se ejecuten por cada una de las 2k posibles
combinaciones de niveles de los factores (design points). Para 3 factores,
podemos usar la Matriz de Diseño:
“+” se refiere a uno de los niveles de un factor y “-” se refiere al otro nivel.
Normalmente, para factores cuantitativos, el nivel más grande y más pequeño de cada
factor elegido.
CONCLUSIONES
1. Las muestras varian segun la cantidad de variables que se van a evaluar, por
lo que cada una de estas tienen diferentes caracteristicas, cada una presenta
sus ecuaciones a utilizar y especifica cual variable se utiliza en cada modelo.
Estas nos sirven exclusivamente par aun grupo de muestras que se relizan al
inicio, por lo que se debe conocer la definicion de cada una de estas para poder
utilizar las ecuaciones ya que tienen diferente valor a la hora de ser utilizadas.
2. Estas al igual que la anterior se diferencian segun las variables, por lo que se
debe de tomar en cuanta las caracteristicas para que la simulación se realice
de forma correcta. La simulación se pude utilizar para diferentes modelos por
lo que se debe de tener clara cada una de las variables que se utilizan y como
estas se dibidieron a lo largo del conteo para hacer el experimento.
3. Los ejercicios de simulación permiten que se comprenda mas cada una de las
ecuaciones que se presentan por lo que es necesario que se realicen ejercicios
de cada sistema para que la comprencion de los mismo sea mas facil. Conocer
estos problemas nos permite tener una vista mas amplia de lo que se esta
realizando y conocemos a detalle cada una de las variables y datos que se nos
presentan en el problema, de tal forma que es mas facil cuando tenemos que
hacer otros experimentos.
BIBLIOGRAFÍA