UNIVERSIDAD GALILEO

ANALISIS ESTADISTICOS DE SIMULACIONES

CURSO: METODOS CUANTITATIVOS II
NOMBRE: ANGEL MANUEL ENRIQUEZ ZELADA
CARNET: 190008897
SECCION: “S1”
FECHA: 09/12/2022

INTRODUCCION
Los estudios de simulación se llevan a cabo con éxito cuando el problema a resolver
está formulado y claramente definido en el sentido que Kelton et al. (2008) sugieren
que la definición de un problema debe garantizar que la simulación sea
una herramienta adecuada para resolverlo. También se debe discutir si el
tiempo en que estarán disponibles sus soluciones coincide con el tiempo necesario
para completar el estudio, ya que la simulación no es una opción conveniente cuando
se requiere una respuesta rápida. Después de determinar que el problema se
resolverá mediante un estudio de simulación, se debe definir el problema, por
ejemplo: los objetivos de simulación que se incluirán en el modelo, su nivel
de detalle, la fidelidad de la animación, la entrada y salida de las variables de
interés, etc. Luego procedemos a la formulación y construcción del modelo, donde se
construye un modelo de simulación con un programa de computadora y también
se deben recopilar datos relevantes para su posterior análisis. Luego, el modelo
construido se prueba y válida para garantizar que esté libre de errores y represente
adecuadamente el sistema. Una vez asegurado esto, se puede experimentar con
el modelo donde las pruebas a realizar deben ser pertinentes a los objetivos de la
investigación. En esta etapa, se debe analizar la salida del modelo. Cuando se llega a
una solución al problema, se presenta y documenta la investigación.

Según Alexopoulos (2006), el principal objetivo de casi todos los estudios de

simulación es la estimación de parámetros para la mejora del rendimiento.
Sistemáticamente, esto se aplica a la estimación de parámetros porque las
entradas a un modelo de simulación a menudo son aleatorias y por lo tanto su
salida también es aleatoria y al realizar un estudio de simulación el investigador debe
tener habilidades estadísticas en todas las etapas relevantes de la recopilación de datos
de entrada y el análisis del modelo, validación, experimentos y análisis de resultados.

El propósito de este estudio es demostrar la importancia y utilidad de las estadísticas

en el diseño de estudios de simulación, particularmente en las etapas de análisis de
datos de entrada, validación de modelos y análisis de salida.
 IMPORTANCIA DE ANALISIS ESTADISTICOS DE SIMULACION
EXISTEN DOS TIPOS ANALISIS DE ENTRADA Y SALIDA

ENTRADA
Una vez identificadas todas las variables de interés en el modelo, se deben recolectar los
datos, se pueden utilizar 3 fuentes: directamente del sistema, referencia a registros
históricos o consulta con un experto. Leemis (2004) planteó que lo ideal
es desarrollar un

Los experimentos recuperan datos directamente del sistema; esto no siempre es posible
ya que el sistema puede no existir o puede ser muy costoso tomar muestras para
la recopilación de datos. Cuando hay datos disponibles, Leemis (2004) y Kuhl
et al. (2007) coinciden en que el procedimiento consiste en realizar pruebas
de independencia entre ellas, seguidas de análisis exploratorios (histogramas de
frecuencia, diagramas de caja y bigotes, entre otros); luego estime los parámetros de
interés y finalmente use una prueba de bondad de ajuste (χ2, Kolmogorov-Smirnov,
Anderson Darling) para ver a qué distribución de probabilidad se pueden
ajustar los datos. Si el tamaño de la muestra es insuficiente, sugieren que usar un gráfico
Q-Q es efectivo. En sistemas donde las llegadas de unidades dependen en gran medida
del tiempo, Nicol y Leemis (2014) y Kuhl et al. (2007) que esta situación
debe ser modelada por procesos de Poisson no homogéneos y que la parametrización de
estos procesos es el tema de investigación actual. .

Por otro lado, señalan Kuhl et al. (2007) que la tarea de relacionar las distribuciones
de probabilidad con las variables de entrada es difícil en ausencia de datos, ya que la
distribución depende de los expertos consultados, lo que puede ser uno de los
factores que conducen a la salida del modelo Otra razón de la discrepancia con la real . el
sistema podría ser que los expertos eligieran la distribución de probabilidad de los
parámetros o algunos valores inadecuados.

MODELO DE VALIDACION
Esta es una etapa crítica de la investigación porque los resultados del modelo se
utilizarán para tomar decisiones y luego resolver problemas, por lo que si los resultados
no son correctos, naturalmente llevará al investigador a tomar decisiones equivocadas. .
Cada modelo está diseñado para un propósito específico y su eficacia se atribuirá a ese
propósito; en este sentido, Sargent (2005) enfatiza que si el
modelo pretende responder diferentes preguntas, su validación debe enfocarse
en responder cada pregunta, ya que el modelo puede ser válido para varias variables de
salida y no para otras, el investigador debe asegurarse de que el modelo es válido para
estadística a un grupo que coincida con su propósito.

Los métodos para validar los modelos de simulación identificados por Sargent (2007)
incluyen:

• Animación: Se anima el comportamiento del modelo para visualizar el

comportamiento de los dispositivos, recursos y colas y ver cómo se corresponden con la
realidad.
Prueba de descomposición: implica cambiar los parámetros de las variables de
entrada para ver si el modelo responde como se esperaba.

• Comparación de los resultados del modelo con la realidad: si el sistema existe y los
resultados están disponibles, se puede utilizar, por supuesto
Utilizar estadísticas adecuadas a los objetivos del estudio de simulación.

• Para comparar los resultados del modelo con los de un sistema real, Kelton
et al. (2008) que se puede aplicar una prueba de bondad de ajuste a dos muestras para
determinar si ambas se pueden ajustar a la misma distribución. Otro enfoque es
construir un intervalo de confianza para la diferencia entre la media de los resultados
del modelo y la media del valor real, de modo que, si el intervalo incluye 0, se puede
concluir que el modelo es una representación adecuada del sistema.
• Método Delphi: seleccionar un conjunto de expertos y mostrarles el modelo
y sus resultados bajo ciertas condiciones. Estos expertos deben llegar por unanimidad
a conclusiones sobre la validez del modelo. Este método debe utilizarse cuando no se
dispone de suficientes datos reales.
• Prueba de Turing: implica presentar resultados reales y del modelo a un panel de
expertos, y si pueden decir cuáles son correctos y cuáles son del modelo, deben concluir
que el modelo no es apropiado, de lo contrario debe aceptar el modelo.

Según Wang (2013), las técnicas subjetivas (método Delphi, prueba de Turing)
deben usarse solo cuando las técnicas objetivas (pruebas estadísticas) no son
posibles, lo que sucede cuando no se dispone de datos.

SALIDA
Una vez que se valida el modelo de simulación, puede continuar experimentando con él,
pero primero debe decidir si está modelando un sistema finito o un sistema no finito,
porque dependiendo de la situación, puede usar diferentes formas de definir el calor.
período de actividad, duración de la ejecución de la simulación y
número requerido de iteraciones. Robinson (2005) menciona que se necesitan ciertas
habilidades estadísticas para responder estas preguntas y determinar si una opción es
mejor que otra. Tal como se define en la Ley (2007), un sistema de terminación es un
sistema que finaliza por un evento y se reinicia en las mismas condiciones en que se
inició antes, mientras que un sistema de no terminación es un sistema que no
funciona de forma intermitente.

En las simulaciones de terminación, Currie y Cheng (2013) mencionaron que, en

general, es más fácil analizar los resultados en comparación con las simulaciones
sin terminación porque no es necesario determinar el período de calentamiento. Esto
quiere decir que todos los valores obtenidos en la simulación se utilizan para obtener la
salida de interés, lo que demuestra que el resultado representa el estado transitorio
del sistema debido a que su distribución de probabilidad varía con el tiempo de
simulación y está sujeta al mismo origen. condiciones, tan correcto Elección significado

Las condiciones iniciales de simulación muestran:

• Al comienzo de la simulación, observe el sistema real y recopile valores para el número

de unidades en cada fila.
• Ejecute el modelo y asegúrese de que el número de entidades se ordene
inicialmente de acuerdo con el obtenido en el paso anterior.
 CONCLUSION

Para realizar con éxito estudios de simulación, los investigadores deben tener
conocimientos de estimación, prueba de hipótesis, prueba de bondad de ajuste, etc., ya
que en estos modelos las variables de entrada son aleatorias, los resultados obtenidos
también serán aleatorios y no influirán. Las acciones incorrectas pueden llevar a los
investigadores a tomar malas decisiones.

En términos de análisis de datos de entrada, el estudio de la incertidumbre asociada con

distribuciones y parámetros ha atraído mucho interés, en particular

Cuando no se disponía de datos suficientes, ya que se ha demostrado

que esta incertidumbre puede afectar significativamente a los resultados obtenidos. En la
validación de modelos, se recomienda utilizar la estimación o la prueba de hipótesis
antes de cualquier enfoque subjetivo, siempre que exista un sistema real y los datos estén
disponibles.

En cuanto al análisis de los resultados, dependerá de si es un sistema incompleto o un sistema

completo; aunque los valores son significativos, se han propuesto varios métodos que
permiten el análisis mediante estadística clásica. Todavía es interesante explorar métodos
para determinar el período de calentamiento en plantas sin terminar, ya que aún no se han
implementado métodos que funcionen correctamente en toda la diversidad de modelos de
simulación existentes.
 BIBLIOGRAFIA
Alexopoulos, C. (2006). A comprehensive review of methods for simulation output
analysis. Winter Simulation Conference, pp 168-178. Consultado desde:
https://dl.acm.org/citation.cfm?id=1218148

Corlu, C; Biller, B. (2013). A subset selection procedure under input parameter uncertainty.
Winter Simulation Conference. pp 463-473. Consultado desde: https://dl.acm.org/
citation.cfm?id=2676046

Currie, C; Cheng, R. (2013). A practical introduction to analysis of simulation output data.

Winter Simulation Conference. pp 328-
341. Consultado desde: https://www.informs-sim.org/wsc16papers/013.pdf