MSP - SIMULACIÓN

Número de Corridas de un Modelo de Simulación

Caso 1 Cuando la Variable analizada sigue una distribución Normal → Se aplica la T - Student

(con n-1 grados de libertad, siendo n el tamaño de la muestra).

Simulaciones No Terminales (De Estado Estable)

Tamaño de la Corrida Bajo el Supuesto de Normalidad

𝑆 2
𝑛 = [ (𝑡 𝛼
( ,𝑛−1) )]
∈ 2

Donde

S=Desviación Estándar

 = Nivel de Confianza (Rechazo)

= Error Permitido
n = Tamaño de la Corrida de Simulación

t = Valor calculado de la tabla t

n = número de intervalos

Caso 2 Cuando la Variable analizada NO sigue una distribución Normal

Donde

S = Desviación Estándar

 = Nivel de Confianza (Rechazo)

= Error Permitido
n = Tamaño de la Corrida de Simulación

A.MADRID 1
 MSP - SIMULACIÓN

ANALISIS DE LOS RESULTADOS DE UN PROCESO DE SIMULACIÓN

Intervalos de Confianza de un Proceso de Simulación

La validez y confiabilidad de los resultados de un proceso de simulación dependerán del número

de observaciones que se realizan, es decir, dependerán de la longitud (tamaño) de la corrida y del
número de corridas (réplicas). Por tanto, se debe hallar intervalos de confianza para las variables
del sistema que se están analizando.

Los intervalos de confianza dependerán si los resultados de simulación que se obtienen son
independientes o están correlacionados.

Por ejemplo, cuando se simula un sistema de colas, el tiempo de espera de un cliente en el sistema,
dependerá del número de clientes que este último cliente encontró al llegar al sistema, por tanto,
hay una correlación entre los tiempos de atención a los clientes (correlación entre ti y ti-1).
Entonces, los intervalos de confianza del sistema que se analiza dependerán si ocurren en un estado
estable o en estados transitorios.

1. Intervalos de confianza para Sistemas Estables cuyos resultados son independientes unos
de otros. Se utilizan los métodos tradicionales de intervalos de confianza.
2. Intervalos de confianza para Sistemas Transitorios con alta correlación en sus resultados.
A este caso se le denomina Simulación Regenerativa.

1. Intervalos de confianza para Sistemas Estables

Al inferir estimar un parámetro poblacional, este debe caer en un intervalo de confianza, un IC es

un rango de valores calculado de una muestra, en el cual se encuentra el verdadero valor del
parámetro, con una probabilidad determinada.

La probabilidad de que el verdadero valor del parámetro se encuentre en el intervalo construido se

denomina nivel de confianza, y se denota 1- . La probabilidad de equivocarnos se llama nivel
de significancia y se simboliza . Generalmente se construyen intervalos con confianza 1-
=95% (o significancia =5%). Menos frecuentes son los intervalos con =10% o =1%.

Para construir un intervalo de confianza, se puede comprobar que la distribución Normal Estándar
cumple XNormal (0, 1)

P(-1.96 < Z < 1.96) = 0.95

A.MADRID 2
 MSP - SIMULACIÓN

𝑋̅ −𝜇
Luego, si una variable X  N( , ), entonces 𝜎
∼ 𝑁(0,1) al 95% de las veces se cumple:

a. I.C. Cuando Ơ2 (varianza poblacional) es conocido y el tamaño de la muestra n es grande.

𝜎 𝜎
𝑃 (𝑋̅ − 1.96. ≤ 𝑢 ≤ 𝑋̅ + 1.96. ) = 1−𝛼
√𝑛 √𝑛
𝜎 𝜎
𝑢 𝜖 (𝑋̅ − 1.96. , 𝑋̅ + 1.96. ) => Intervalo de confianza para u.
√𝑛 √𝑛

2𝜎𝑍𝛼/2 3.92𝜎
Con una amplitud de intervalo: = (con 𝑍𝛼/2 = 1.96)
√𝑛 √𝑛

b. Cuando el tamaño muestral es pequeño, el intervalo de confianza requiere utilizar la distribución t de

Student (con n-1 grados de libertad, siendo n el tamaño de la muestra), en vez de la distribución normal
(por ejemplo, para un intervalo de 95% de confianza, los límites del intervalo ya no serán construidos
usando el valor 1,96

Entonces el IC estar dado por:

𝑆 𝑆
𝑃 (𝑋̅ − . 𝑡(𝑛−1,𝛼⁄2) ≤ 𝑢 ≤ 𝑋̅ + . 𝑡(𝑛−1,𝛼⁄2) ) = 1 − 𝛼
√𝑛 √𝑛
2𝑆.𝑡(𝑛−1,𝛼⁄2)
Con una amplitud de intervalo:
√𝑛

Con S2 es el estimador de la Varianza:

Dónde:
𝑛
2
(𝑋𝑖 − 𝑋̅)2
𝑆 =∑
𝑛−1
𝑖=1

A.MADRID 3
 MSP - SIMULACIÓN

Intervalos de Confianza para Modelos de Simulación

Caso 1 Cuando la Variable analizada sigue una distribución Normal → Se aplica la T - Student

(con n-1 grados de libertad, siendo n el tamaño de la muestra),

Caso 2 Cuando la Variable analizada NO sigue una distribución Normal

Donde

S = Desviación Estándar

 = Nivel de Confianza (Rechazo)

= Error Permitido
n = Tamaño de la Corrida de Simulación

r = Número de Réplicas.

A.MADRID 4
 MSP - SIMULACIÓN

Determinación de la Normalidad de Una Variable

Prueba de Hipótesis o Prueba de Bondad de Ajuste de la Variable Analizada
En SPSS
1. Ingresar los datos de la Variable analizada y asignarle el nombre de a la Variable Utilidad

2. Hacer Clic en Analizar, Estadísticos Descriptivos y Explorar

A.MADRID 5
 MSP - SIMULACIÓN

3. Agregar la Variable Utilidad a Lista de Dependientes

4. Hacer clic en la opción Gráficos y habilitar: Gráficos de normalidad con pruebas

A.MADRID 6
 MSP - SIMULACIÓN

5. Luego verificar los resultados de Salida la tabla de Prueba de Normalidad

Prueba de normalidad de la Variable Utilidad1

1. Hipótesis:
Ho: Las puntuaciones de Utilidad1 tienen una distribución normal
H1: Las puntuaciones del Utilidad1difieren de una distribución normal

2. Nivel de significancia:
=5%

3. Valor de la Prueba
Tamaño de la muestra n = 48
Como n = 48 > 30 se aplica Kolmogorov Smirnov = 0.163

4. Comparación de p y 

 = 0.003 < 0.05 = 

Observación: Si p > 0.05 la Variable Utilidad1 siguen una distribución Normal

5. Decisión
Rechazamos Ho de manera altamente significativa

6. Conclusión.
Las puntuaciones de la Variable Utilidad1 difieren de una distribución normal

 Aplicamos la formula del Caso 2 Cuando la Variable analizada NO sigue una distribución Normal

A.MADRID 7
 MSP - SIMULACIÓN

Análisis Con MINITAB

Paso 1. Pegar los datos en MInitab

Paso 2

Paso 3 elegir single y OK

A.MADRID 8
 MSP - SIMULACIÓN

Paso 4.

Paso 5.

A.MADRID 9
 MSP - SIMULACIÓN

Prueba de normalidad de la Variable Utilidad1

1. Hipótesis:
Ho: Las puntuaciones de Utilidad1 tienen una distribución normal
H1: Las puntuaciones del Utilidad1difieren de una distribución normal

2. Nivel de significancia:
=5%

3. Valor de la Prueba y Comparación de p y 

 < 0.05 =  la Variable Utilidad1 NO sigue una distribución Normal

4. Decisión
Rechazamos Ho de manera altamente significativa

5. Conclusión.
Las puntuaciones de la Variable Utilidad1 difieren de una distribución normal

 Aplicamos la formula del Caso 2 Cuando la Variable analizada NO sigue una distribución Normal

A.MADRID 10
 MSP - SIMULACIÓN

Tamaño de Corridas, Réplicas e Intervalos de confianza de un Modelo de

Simulación

Caso1: Distribución de probabilidad Empírica

En un restaurante de comida rápida se venden hamburguesas a S/. 18 cada uno y tienen un costo
de producción de S/. 7. Se requiere realizar un estudio de simulación para determinar la utilidad
esperada por hora que se puede obtener para el restaurante de comida rápida. Para ello el
administrador del restaurante registro el número de hamburguesas vendidas por hora durante
25 días (200hr) obteniéndose los siguientes datos:

N° de Hamburguesas N° de horas que se vendió

vendidas por hora dicho N° de hamburguesas
0 20
1 30
2 50
3 40
4 30
5 16
6 14

Determine lo siguiente:
a. Construya un modelo de simulación. Simule en Excel para 6 días de trabajo (48 horas, 8hr de
trabajo por día)
b. Elabore un gráfico de estabilidad de la utilidad considerando las 48 horas simuladas. En base
al gráfico determinar si la ¿V.A. llegó a un estado estable?
c. Realizar la prueba de hipótesis a la Utilidad donde se verifique si sigue una distribución
normal (Prueba de Bondad de Ajuste)
d. Calcular el número de corridas necesarias para que el modelo se estabilice, en caso de ser
necesario, adecuar el modelo desarrollado en el inciso a). Considerar un nivel de confianza
del 95% y un error de S/. 2
e. Realice 5 réplicas del caso anterior y calcular el intervalo de confianza de la utilidad esperada,
considerando un nivel de confianza del 95%.
f. Conclusiones y recomendaciones.

A.MADRID 11
 MSP - SIMULACIÓN

Caso 2 Presencia de Colas en el Muelle de

un Puerto de descarga de Barcos
Una empresa naviera desea simular los arribos de barcos y la descarga de sus contenedores en el muelle
portuario, para determinar cual es el numero promedio de barcos que se retrazan para ser descargados
para el siguiente día, los datos que tiene la empresa son los siguientes:

Barcos
Arribos de Probabilidad Probabilidad
Descargados
Barcos por día p(x) p(x)
por día
0 13% 1 5%
1 17% 2 15%
2 15% 3 50%
3 25% 4 20%
4 20% 5 10%
5 10%

Ademas se debe considerar = 10% y un error de 0.5 barcos. Con esta información determine:

a. Construya un Modelo de Simulación para 30 días de operación incluyendo en gráfico de

estabilidad.
b. Calcular en número de corridas necesarias para estabilizar la variable de interés.
c. Si fuera necesario adecuar el Modelo de la pregunta a.
d. Realice 10 réplicas del modelo y calcular el intervalo de confianza.
e. Conclusiones y recomendaciones.

A.MADRID 12