Unidad IV.

Diseño de la Calidad de la Simulación

Simulación
Unidad IV. Diseño de la Calidad de la Simulación

1. Lista de los estimadores o medidas de desempeño a obtener de

la simulación.
Para definir la lista de los estimadores o medidas de desempeño que
serán evaluadas mediante el modelo de simulación es necesario
antes definir claramente los objetivos de la simulación.

Los objetivos de la simulación pueden ser agrupados en cinco

categorías generales:

A. Análisis de Desempeño: ¿Cuál es el desempeño global del

sistema en términos de la utilización de los recursos, tiempo de
flujo, tasa de producción de salida de productos terminados, etc.?
(Medidas de desempeño: utilización de los recursos, tiempo de
flujo, tasa de producción de salida de productos terminados,
tiempo que esperan los clientes o piezas en las colas?)
B. Análisis de capacidad y restricciones: Cuando el sistema se
empuja a que dé su máximo esfuerzo, ¿cuál es la capacidad de
producción total y en donde se encuentran los cuellos de botella?
(Medidas de desempeño: número de piezas producidas en toda la
simulación, tamaño de las colas, utilización de las máquinas).
C. Comparación de configuraciones: ¿Cómo la configuración de
un sistema cumple con las medidas de desempeño marcadas en
comparación a otra configuración?
(Medidas de desempeño: tiempo de espera de los clientes o las
piezas, número de piezas producidas por día, costo de producción
de las piezas, ganancias y utilidades).
D. Optimización: ¿Qué valor de las variables maximizan o minimizan
las medidas de desempeño establecidas?
(Medidas de desempeño: costos, ganancias, utilidades).
E. Análisis de sensibilidad: ¿Qué variables de decisión son las que
más influyen en las medidas de desempeño, y qué tanto influyen?
(Medidas de desempeño: número de obreros, número de
máquinas, tipo de máquinas, tasa de llegadas de los clientes).

1
 Unidad IV. Diseño de la Calidad de la Simulación

2. Identificación del estimador determinante o líder.

Dependiendo del objetivo de la simulación es la forma en que se elige

el estimador determinante (líder). Analice los siguientes ejemplos.

Objetivo del estudioEstimador líder o

Sistema de simulación medida de
desempeño líder
Sistema de Análisis de capacidad Cantidad de piezas
producción producidas por
semana.
Banco Comparación de Tiempo promedio
configuraciones (unifila que pasan los
contra múltiples filas) clientes en la fila(s).

3. Características estadísticas del estimador líder estableciendo su

nivel de precisión y calculando el número mínimo (óptimo) de
corridas necesarias en base a un intervalo de confianza.

En base al estimador líder es necesario definir la precisión del mismo

así como el número mínimo de réplicas que será corrido el modelo de
simulación para poder cumplir con la precisión, basados en un nivel
de confianza.

Si el estimador X es tal que |X−μ|= β , entonces se dice que X

tiene un error absoluto .

Suponga que se ha construido un intervalo de confianza para 

basado en un número fijo de replicaciones n. Si se asume que el
estimador de la varianza poblacional no cambia apreciablemente a
medida que el número de replicaciones se incrementa, una expresión
aproximada para el número total de replicaciones n*() requerido
para obtener un error absoluto de  es dado por:

{ √ }
2
( n)
¿ s
n ( β )= min i ≥n: t i −1 , α / 2 ≤β
i

2
 Unidad IV. Diseño de la Calidad de la Simulación

Ejemplo 1: Determinación del número de replicaciones óptimo.

Considere un banco con cinco cajeras y una cola que abre de las
9:00 A.M. a las 4:00 P.M. La siguiente tabla muestra los resultados
de 10 corridas piloto independientes que se obtuvieron al correr el
programa de simulación:

Replicación Gente atendida Promedio de demora en

la cola en minutos
1 484 1.53
2 475 1.66
3 484 1.24
4 483 2.34
5 455 2.00
6 461 1.69
7 451 2.69
8 486 2.86
9 502 1.70
10 475 2.60

Suponga que se desea estimar la demora promedio esperada con un

error absoluto de 0.25 minutos y un nivel de confianza del 90%.
Determine el número de replicaciones que se deberán realizar.

Datos:

X n= 2.03

2
n
S = 0.31

β=0.25

α=0.10

3
 Unidad IV. Diseño de la Calidad de la Simulación

Solución:

{
min i≥10 :t i−1 ,0.05
√ 0 .31
i
≤0.25 }

4
 Unidad IV. Diseño de la Calidad de la Simulación

5
 Unidad IV. Diseño de la Calidad de la Simulación

6
 Unidad IV. Diseño de la Calidad de la Simulación

4. Muestras definitivas y pruebas de bondad de ajuste.

Una vez que se ha recolectado la muestra definitiva de los datos
reales, es necesario ajustar esos datos a una distribución teórica
conocida (como por ejemplo la distribución exponencial, la normal,
etc.) Para realizar esto se realizan Pruebas de Bondad de Ajuste, las
cuales son pruebas de hipótesis estadísticas que indican qué tan
bien se ajustan los datos reales a alguna distribución conocida. En
este tipo de pruebas se define la hipótesis nula como:

Ho: Las Xi’s son variables aleatorias IID con función de distribución F.
Ha: Las Xi’s no son variables aleatorias IID con función de
distribución F.

7
 Unidad IV. Diseño de la Calidad de la Simulación

LA PRUEBA JI-CUADRADA DE PEARSON

La prueba Ji-Cuadrada puede pensarse como una comparación

formal entre un histograma creado a partir de datos observados, con
la función densidad o masa de una distribución de probabilidad
teórica conocida.

El Estadístico que usa la prueba Ji-Cuadrada es el siguiente:

k
( Oi−Ei )2
X =∑
2

i=1 Ei

Oi = Valor observado.
Ei = Valor esperado.

El Estadístico Ji-Cuadrada tendrá aproximadamente una distribución

de probabilidad ji-cuadrada en un muestreo repetitivo para “n”
grande. El número de grados de libertad es igual al número de
celdas, k, menos un grado de libertad por cada restricción lineal
independiente impuesta sobre los conteos observados de las celdas,
menos un grado de libertad por cada parámetro que se estime.

Una restricción lineal siempre está presente porque la suma total de

los conteos de las celdas tiene que ser igual a “n”, es decir n 1+
n2+...+nk = n.

La región de rechazo será entonces:

 2 >  2  ,k-1-p

en donde:
k = número de celdas.
p = número de parámetros estimados.

Nota: La distribución Ji-Cuadrada puede ser usada siempre y

cuando el valor esperado en cada celda sea mayor o igual a cinco.

8
 Unidad IV. Diseño de la Calidad de la Simulación

Comprendiendo la prueba Ji-Cuadrada

En el caso de la distribución exponencial la curva se ajusta muy bien.

k
( Oi−Ei )2
X =∑
2

i=1 Ei

En el caso de la distribución normal, la curva se ajusta muy mal.

Ejemplo 2: La prueba Ji-Cuadrada.

9
 Unidad IV. Diseño de la Calidad de la Simulación

Se registró el número de accidentes, X, por semana en cierto cruce

de caminos durante n=100 semanas, con los resultados que se
muestran en la siguiente tabla:

X Frecuencia
0 42
1 22
2 16
3 15
4 5

Pruebe la hipótesis nula de que la variable aleatoria X tiene una

distribución Poisson, suponiendo que las observaciones son
independientes. Utilice un valor de alfa=0.05.

Hipótesis:

Las probabilidades de las celdas, los valores esperados y los valores

observados son los siguientes:

10
 Unidad IV. Diseño de la Calidad de la Simulación

X Oi P(x) = (x e) / x! E(x) = n P(x)

Recuerde que cada valor esperado debe ser mayor o igual a cinco,
por lo que la tabla definitiva es la siguiente:

X Oi P(x) = (x e) / x! E(x) = n P(x)

El Estadístico de la Prueba es el siguiente:

La región de rechazo es la siguiente:

La decisión es la siguiente:

11
 Unidad IV. Diseño de la Calidad de la Simulación

La conclusión es la siguiente:

12
 Unidad IV. Diseño de la Calidad de la Simulación

LA PRUEBA KOLMOGOROV-SMIRNOV

La prueba Kolmogorov-Smirnov (K-S) compara una función de

distribución empírica (Fn(x)) tomada a partir de datos reales con una
función de distribución teórica hipotetizada (F*(x)). La prueba K-S
mide la distancia que se separa una de la otra buscando que la
distancia sea lo más pequeña posible para tener un buen ajuste.

La prueba K-S utiliza el siguiente estadístico de la prueba:

D+ = max {i/n – F*(Xi)} D- = max {F*(Xi) – (i-1)/n}

D = max {D+, D-}

F*(Xi) = Es la función de distribución teórica hipotetizada.

Para n>=20 una aproximación para los valores críticos de D, en los

cuales inicia la región de rechazo, son los siguientes:

D0.05 = 1.36 / SQRT(n)

D0.01 = 1.63 / SQRT(n)

Nota: Para poder aplicar la prueba K-S es necesario ordenar los

datos en orden ascendente.

13
 Unidad IV. Diseño de la Calidad de la Simulación

Ejemplo 3: La prueba K-S.

Se tomó una muestra de 20 datos del tiempo entre llegadas en
minutos de unos clientes a una tienda Oxxo. Prueba la hipótesis de
que estos datos siguen la distribución exponencial con una media
beta de 1.0, con un alfa=0.05, sabiendo que la fórmula de la función
de distribución exponencial es:

F(x) = 1-e-x/

Los datos se presentan a continuación ordenados en forma

ascendente:

0.01 0.11 0.20 0.33 0.36 0.38 0.46 0.58 0.87 1.07
1.07 1.20 1.91 2.01 2.27 2.84 3.10 3.92 4.65 4.74

Solución:

14
 Unidad IV. Diseño de la Calidad de la Simulación

i Xi F*(Xi) = 1-e-x/ i/n – F*(Xi) F*(Xi) – (i-1)/n

1 0.01 0.010 0.040* 0.010
2 0.11 0.104 -0.004
3 0.20 -0.031 0.081
4 0.33 0.281 -0.081 0.131
5 0.36 0.302 -0.052 0.102
6 0.38 0.316 0.066
7 0.46 0.369 -0.019 0.069
8 0.58 0.440 -0.040 0.090
9 0.87 0.581 -0.131 0.181
10 1.07 0.657 -0.157 0.207
11 1.07 0.657 -0.107 0.157
12 1.20 0.699 0.149
13 1.91 0.852 -0.202 0.252*
14 2.01 0.866 -0.166 0.216
15 2.27 0.897 -0.147 0.197
16 2.84 0.942 -0.142
17 3.10 -0.105 0.155
18 3.92 0.980 -0.080 0.130
19 4.65 0.990 -0.040 0.090
20 4.74 0.991 0.009 0.041

Estadístico de la prueba:

Región de rechazo:

Decisión:

Conclusión:

15
 Unidad IV. Diseño de la Calidad de la Simulación

5. Otras pruebas: La prueba Anderson-Darling.

Además de las pruebas Ji-Cuadrada y Kolmogorov-Smirnov para
ajustar los datos reales de un sistema a una distribución teórica
conocida, también existe la prueba Anderson-Darling, la cual es
similar a la prueba K-S ya que compara una función distribución
tomada a partir de datos reales (F n(x)) con una función de distribución
teórica hipotetizada (F(x)), pero dando mayor peso a las “colitas” de
la distribución.

Probablemente sí pasa la prueba:

Probablemente no pasa la prueba:

16