6.

ANÁLISIS DE
INFORMACIÓN DE
SALIDA
TALLER DE SIMULACIÓN
DE PROCESOS DE
MANUFACTURA Y
SISTEMAS DE SERVICIOS
Juan Pablo Castrellón Torres

2019
2
Agenda

1. Introducción
2. Tipos de Simulación
3. Variabilidad de los sistemas estocásticos de simulación
4. Estimación Puntual
5. Estimación con intervalos de confianza

6. ANÁLISIS DE INFORMACIÓN DE SALIDA

3

1.
Introducción
¿Qué es el análisis de información de salida?
4
1. Introducción

▸ Puede definirse como la etapa en el proceso de estudio

de un sistema en la que se estima su desempeño.

▸ En la medida en que hay entradas aleatorias al modelo,

hay salidas aleatorias (RIRO), he aquí la necesidad del
análisis estadístico

6. ANÁLISIS DE INFORMACIÓN DE SALIDA

5

Propósito
Si θ es el parámetro que mide el desempeño del
sistema, la precisión del estimador 𝜃෠ (resultado
de un conjunto de experimentos de simulación)
se puede medir usando:

෠
▸ Error estándar de 𝜃.
▸ La anchura del intervalo de confianza para θ.

6. ANÁLISIS DE INFORMACIÓN DE SALIDA

6
1. Introducción

▸ Se requiere, mediante análisis estadístico:

• Estimar el error estadístico y/o intervalo de confianza
• Encontrar el número de observaciones necesarias
para lograr una precisión deseada.

▸ Situaciones a tener en cuenta:

• Autocorrelaciones
• Influencia de condiciones iniciales. (Inventario en la
semana 1 y backorders pueden influir en el
desempeño de la semana 2)
6. ANÁLISIS DE INFORMACIÓN DE SALIDA
7

2.
Tipos de simulación
Simulación con Terminación, Simulación de Estado Estable
8
2. Tipos de Simulación

Simulación con terminación (Transiente)

▸ Corre por un periodo específico de tiempo 𝑇𝐸 , donde E es

el evento específico que termina la simulación.
▸ La longitud de la simulación debe estar bien definida y
debe ser finita.

Ej: Un banco abre sus puertas a las 8:30 a.m. (tiempo 0) sin
clientes y 8 de los 11 cajeros trabajando (condiciones
iniciales), y cierra a las 4:30 p.m. (Tiempo 𝑇𝐸 = 480 minutos).
6. ANÁLISIS DE INFORMACIÓN DE SALIDA
9
2. Tipos de Simulación

Simulación sin terminación (Estado Estable)

▸ Corre continuamente, o por lo menos por un periodo muy largo de

tiempo.
▸ Las condiciones iniciales deben ser especificadas por el analista.
▸ Corre por un periodo de tiempo 𝑇𝐸 especificado por el analista.
▸ El objetivo es estudiar las propiedades del sistema a largo plazo.
Propiedades que deben ser influenciadas por las condiciones iniciales
del modelo (en teoría no influyen, en la práctica sí).
▸ Ejemplo: Líneas de ensamble, centros de llamadas, salas de
urgencias.

6. ANÁLISIS DE INFORMACIÓN DE SALIDA

“
La escogencia del tipo de
simulación depende del objetivo de
estudio y del tipo de sistema. El
análisis de salida es distinto en
cada caso
11

3.
Variabilidad de los sistemas estocásticos
de simulación
12
3. Variabilidad de sistemas estocásticos

▸ Al considerar variables aleatorias de entrada, los modelos consisten de una o

más variables aleatorias de interés.

Un sistema M/G/1 con las siguientes características

▸ Tasa de llegada Poisson de 0.1 clientes por minuto; Tiempo de servicio Normal
(µ = 9.5, σ = 1.75).
▸ Desempeño del sistema: Número de entidades promedio en cola 𝐿𝑞 (𝑡)
▸ Suponga que se corre una única simulación por 5,000 min
• Divida el intervalo [0, 5000] en 5 subintervalos iguales de 1000 min.
• El número promedio de entidades en cola en cada intervalo (Yj) es

6. ANÁLISIS DE INFORMACIÓN DE SALIDA

13
3. Variabilidad de sistemas estocásticos

Tiempo promedio en cola

para los lotes en tres
replicaciones
independientes

A partir de la anterior tabla se puede observar la variabilidad inherente entre las

replicaciones y dentro de cada replicación.

El promedio a través de las 3 repilaciones 𝑌1. , 𝑌2. , 𝑌3. , puede tomarse como
observaciones independientes, pero promedios dentro de cada replicación,
𝑌11 , … , 𝑌15 , no.
6. ANÁLISIS DE INFORMACIÓN DE SALIDA
14
3. Variabilidad de sistemas estocásticos

Estimación estadística de medidas de desempeño

Considere la estimación de un parámetro de desempeño, θ (o 𝜙)

▸ Datos discretos en el tiempo: [𝑌1 , 𝑌2 , … , 𝑌𝑛 ] con medio ordinaria: θ

▸ Datos continuos en el tiempo: {Y(t), 0 ≤ t ≤ 𝑇𝐸 } con media: 𝜙

6. ANÁLISIS DE INFORMACIÓN DE SALIDA

15

4.
Estimación puntual
16
4. Estimación puntual

Datos discretos en el tiempo

▸ El estimador θ calculado a partir de los datos [𝑌1 , 𝑌2 , … , 𝑌𝑛 ] se define

como:

▸ Si el estimador es insesgado 𝐸 𝜃መ = 𝜃

6. ANÁLISIS DE INFORMACIÓN DE SALIDA

17
4. Estimación puntual

Datos continuos en el tiempo

▸ En este caso el estimador está dado por:

6. ANÁLISIS DE INFORMACIÓN DE SALIDA

18

5.
Intervalos de Confianza
19
5. Intervalos de Confianza

▸ Si las observaciones Yi están distribuidas normalmente o tienen una

distribución aproximadamente normal, entonces

S 1 n
Y..  t / 2,n 1
n con S 
2

n  1 i 1
(Yi.  Y.. ) 2

ത
▸ Entre más replicaciones se haga más se disminuye el error entre 𝑌..
y θ, convergiendo a 0 a medida que n tiende a infinito.
▸ Tenga en cuenta que el intervalo de confianza es una medida de
error.
6. ANÁLISIS DE INFORMACIÓN DE SALIDA
20
5. Intervalos de Confianza

Número de réplicas

▸ Despejando n de la ecuación anterior se obtiene el número de

réplicas requeridas para alcanzar el nivel de error calculado.

2 2
𝑡𝑛−1,𝛼Τ2 𝑠 𝑍𝛼Τ2 𝑠
𝑛≥ 𝑛′ ≥
𝑒 𝑒

6. ANÁLISIS DE INFORMACIÓN DE SALIDA

21
5. Intervalos de Confianza

Número de réplicas

6. ANÁLISIS DE INFORMACIÓN DE SALIDA

22
5. Intervalos de Confianza

Número de réplicas

6. ANÁLISIS DE INFORMACIÓN DE SALIDA

23
5. Intervalos de confianza

6. ANÁLISIS DE INFORMACIÓN DE SALIDA

24
5. Intervalos de Confianza

Número de réplicas

6. ANÁLISIS DE INFORMACIÓN DE SALIDA

25
5. Intervalos de confianza

A barber has categorized his customers according to the type of haircut desired. He has
determined that the time for a regular haircut is uniformly distributed between 15 and 20
minutes whereas the time for customers who desire a stylized haircut is exponentially
distributed with a mean of 20 minutes. The barber has determined that 60% of this
customers request a hair styling. Assuming that the time between customer arrivals is
triangularly distributed with mode of 20, a mínimum of 15 and a máximum of 40. Simulate
the system taking into account the collection of statistics on the time spent in the system
by each type of customer and by both types of customers collectivelly.

• Analyze the output data in such a way that you the determine the number of runs
needed in order to achieve with a Confidence level of 95% an error of 5% in the
estimation of time in system spent by customers (both types and collectivelly).

6. ANÁLISIS DE INFORMACIÓN DE SALIDA

26

GRACIAS!
Preguntas?
jpcastrellont@unal.edu.co