Capitulo 5 Simulación de Los Centros de Operaciones

Diseo del Centro
de Operaciones
Captulo 5
Simulacin de los Centros de
Operaciones
Kleber Barcia V.
CONTENIDO
5.1 Simulacin con SIMUL8

5.2 Anlisis de Datos de Entrada
5.3 Verificacin y Validacin de Modelos
5.4 Anlisis de Datos de Salida
5.5 Aplicaciones Prcticas
5.6 Caso de Estudio
Kleber Barcia V.
Captulo 5
5.1 Simulacin con SIMUL8

Seleccin de un software de simulacin
Entre los principales criterios estn:
1.
2.
3.
4.
No concentrarse en un solo requisito (ejemplo: de fcil

manejo).
La rapidez de ejecucin es importante.
Los programas, avisos y demostraciones del vendedor
resuelven problemas modelos, pero no siempre
problemas reales.
Pdale al vendedor que le resuelva una pequea
porcin del problema como demostracin
Kleber Barcia V.
Captulo 5
Seleccin de un software de simulacin

Compare las checklists con yes y no. Por
ejemplo, existe variacion en la cantidad de entities
entre los paquetes o el tiempo de corrida de una
simulacion es limitado y depende del precio.
6. En simulaciones complejas es necesario que el
paquete pueda interactuar con cdigos o rutina
escritas en lenguaje externo como: FORTRAN, C++
o AutoCAD. Es importante que el paquete evite la
escritura de lgica de programas en lenguaje
externo.
7. Es importante el compromiso entre un modelo grfico
y un lenguaje de simulacin, esto refleja la flexibilidad
del software.
Nota: Revisar las tablas 4.1, 4.2, 4.3, 4.4 y 4.5
5.
Kleber Barcia V.
Captulo 5
Paquetes de simulacin
La caractersticas comunes de los paquetes de
simulacin son:
1.
Interaccin grfica con el usuario
2.
Animacin.
3.
Coleccin automtica de respuestas para medir el
resultado del sistema.
4.
Los resultados son mostrados en forma grfica o
tabular interactivamente mientras corre la
simulacin.
5.
La mayora de los paquetes incluyen anlisis
estadsticos con intervalos de confianza.
Kleber Barcia V.
Captulo 5
Paquetes de simulacin
Arena
AutoMod
QUEST (Queuing Event Simulation Tool)
Extend
Micro Saint
ProModel
Witness
Taylor ED (Enterprise Dynamics)
Simul8
Kleber Barcia V.
Captulo 5
Simul8
Es un producto de la Corporacin SIMUL8.

SIMUL8 utiliza dinmica de simulacin discreta , lo que
hace posible ofrecer resultados claros y concretos.
SIMUL8 implementa una doble va de interfaz con Visual
Basic , lo que deja espacio para la creacin de modelos
de caractersticas avanzadas, usa Visual Logic
SIMUL8 facilita la comunicacin con otros paquetes de
software tales como Microsoft Access , Excel y Visio.
SIMUL8 se puede utilizar para modelar fabricacin ,
cuidado de la salud , centros de servicio, cadena de
suministro, lnea de ensamblaje, manipulacin de
material, sistemas de almacenamiento, etc.
Kleber Barcia V.
Captulo 5
5.2 Anlisis de Datos de Entrada
Los modelos de entrada proveen los datos de los modelos de

simulacin.
Los outputs son tan importantes como los inputs.
Los 4 pasos para el desarrollo de un modelo de entrada:
Coleccionar datos de los sistemas reales

Identificar una distribucin de probabilidad para
representar los procesos de entrada
Escoger los parmetros para la distribucin
Evaluar la distribucin y los parmetros escogidos
mediante el mtodo de bondad de ajuste
Kleber Barcia V.
Captulo 5
Prueba de Bondad de Ajuste
Prueba hiptesis sobre la distribucin de los datos de entrada

usando:
Prueba Kolmogorov-Smirnov
Prueba Chi-square
Prueba Anderson-Darling
No existe una distribucin correcta en un sistema real.
Kleber Barcia V.
Captulo 5
Prueba Chi-Square
[Prueba de Bondad de Ajuste]
Valido para tamaos de muestras grandes

02
i 1
(Oi Ei ) 2
Ei
Frecuencia
observada
Frecuencia esperada
Ei = n*pi
donde pi es la prob. Terica
del ith intervalo.
Sugerencia Mnimo = 5
Distribucin chi-square con k-s-1 grados de libertad, donde s = #

de parmetros de la distribucin
Kleber Barcia V.
Muestra, n
Numero intervalo de clases, k
20
No use test chi-square
50
5 to 10
100
10 to 20
> 100
n1/2 to n/5
Captulo 5
10
Prueba Chi-Square
[Prueba de Bondad de Ajuste]
_
Ejemplo de la llegada de vehculos (continuacin):
x 3.64
H0: la variable aleatoria tiene distribucin Poisson.
H1: la variable aleatoria no tiene distribucin Poisson.
xi
Observed Frequency, Oi
Expected Frequency, Ei
0
1
2
3
4
5
6
7
8
9
10
> 11
12
10
19
17
19
6
7
5
5
3
3
1
100
2.6
9.6
17.4
21.1
19.2
14.0
8.5
4.4
2.0
0.8
0.3
0.1
100.0
(Oi - Ei)2/Ei
7.87
0.15
0.8
4.41
2.57
0.26
11.62
Ei np( x)
e x
n
x!
Combinado porque
Ei es pequeo
27.68
Grados de libertad k-s-1 = 7-1-1 = 5

De la Tabla A.6, la hiptesis se rechaza con = 0.05
02 27.68 02.05,5 11.1

Kleber Barcia V.
Captulo 5
11
Prueba de Bondad de Ajuste
Prueba Kolmogorov-Smirnov
Prueba Anderson-Darling
p-value para pruebas estadsticas

Grandes p-value: buen ajuste
Pequeos p-value: pobre ajuste
Stat::fit
Kleber Barcia V.
Captulo 5
12
5.3 Verificacin y Validacin de Modelos
Verificacin Asegurar que el modelo

conceptual represente adecuadamente el
modelo computarizado (entradas y salidas)
Validacin Construir correctamente el

modelo (representacin exacta del sistema
real)
El objetivo del proceso de validacin es:

Producir
un modelo que represente, en lo posible, el

comportamiento real de un sistema
Aumentar
Kleber Barcia V.
la credibilidad del modelo

Captulo 5
13
Construccin del modelo,

Verificacin & Validacin
Kleber Barcia V.
Captulo 5
14
Verificacin
Sugerencias:
Hacer
revisar el modelo de otro experto.
Hacer
un diagrama de flujo que incluya las posibles

acciones lgicas que el sistema pueda realizar
cuando ocurra un evento.
Revisar
los resultados y comprobar su concordancia

con las entradas
Imprimir
los parmetros de entrada al final de la

simulacin para comprobar que no se han realizado
cambios inadvertidos.
Kleber Barcia V.
Captulo 5
15
Herramientas de Verificacin
Sentido comn
Una
revisin general del modelo en busca de

inconsistencias en el mismo
Documentacin
Una
manera de aclarar la lgica del modelo y verificar

si esta completo
Uso de un localizador
Una
impresin detallada de la simulacin a travs del

tiempo
Kleber Barcia V.
Captulo 5
16
Validacin
Kleber Barcia V.
Captulo 5
17
Validacin
Ningn modelo es una representacin perfecta de un

sistema
El
modelador debe considerar entre mejorar la

exactitud del modelo versus el costo del esfuerzo de
continuar la validacin.
Pasos a seguir:
Construir
Validar
un modelo realista
las asunciones del modelo
Comparar
las transformaciones en la entrada-salida del

modelo con los datos del sistema real
Kleber Barcia V.
Captulo 5
18
Modelo Realista
[Validacin]
Asegure un alto grado de realismo: El modelador debe

participar desde la conceptualizacin hasta la
implementacin
En caso de ser necesario utilizar anlisis de

sensibilidad
Ejemplo:
en la mayora de los sistemas de cola, si

se incrementa la razn de arribo de los clientes, se
espera que tambin aumente la utilizacin del
servidor y la longitud de cola.
Kleber Barcia V.
Captulo 5
19
Validar Asunciones del Modelo

[Validacin]
Dos tipos de asunciones:
Estructurales: como opera el sistema.
De datos: Precisin de los datos y sus consideraciones

estadsticas.
Ejemplo de un banco: clientes en cola y ventanillas de

atencin.
Asunciones estructurales: Clientes esperando en una sola

lnea versus muchas lneas. Servicio FIFO versus
prioridad.
Asunciones de datos: tiempo entre arribos de clientes,

tiempo de servicio. Verificacin de datos con el gerente
del banco. Prueba de bondad de ajuste de los datos
Kleber Barcia V.
Captulo 5
20
Comparar Transformaciones de Entrada-Salida

[Validacin]
Ejemplo de un auto-banco:
Existe una sola ventana de atencin.
Coleccin de datos: 90 clientes entre 11 a.m. y 1 p.m. viernes
Tiempos de servicio observados {Si, i = 1,2, , 90}.
Tiempos entre arribos observados {Ai, i = 1,2, , 90}.
El anlisis de datos nos permite concluir que:
Kleber Barcia V.
Tiempos entre arribos: distribuidos exponencialmente con l

= 45
Tiempos de servicio: N(1.1, 0.22)
Captulo 5
21
La Caja Negra
[Ejemplo Auto-Banco: Comparar Transformacin I-O]
El modelo fue desarrollado en base a las consultas con el gerente

del banco y los empleados
Las asunciones del modelo fueron validadas
El resultado del modelo se lo observa como una caja negra:
Variables de salida, Y
Variables de entrada
Variables no
controlables,
X
Arribos Possion
l = 45/hr: X11, X12,
Tiempos de servicio,
N(D2, 0.22): X21, X22,
Variables de
decisin
controladas,
D
D1 = 1 (un cajero)
D2 = 1.1 min
(media tiempo servicio)
D3 = 1 (una cola)
Kleber Barcia V.
Modelo
caja negra
f(X,D) = Y
Captulo 5
Inters principal:
Y1 = utilizacin del cajero
Y2 = tiempo espera prom.
Y3 = mx. long. cola
Inters secundario:
Y4 = razn arribo observada
Y5 = tiempo servicio prom.
Y6 = dev. est. muestral del
tiempo de servicio.
22
Comparacin con Datos del Sistema Real

Necesitamos datos reales para la validacin.
Los resultados reales deben recogerse en el mismo periodo de

tiempo (de 11am a 1pm el mismo viernes)
Necesitamos comparar el tiempo de espera promedio del

modelo Y2 con el tiempo de espera observado Z2:
Tiempo de espera prom. observado, Z2 = 4.3 minutos, se

considera como la media poblacional m0 = 4.3.
Una vez que corra la simulacin con las variables de entrada X1n y
X2n, Y2 debe ser similar a Z2.
Necesitamos decidir el nmero de rplicas estadsticas

independientes a realizar en el modelo. Seis rplicas de 2 horas
de duracin.
Kleber Barcia V.
Captulo 5
23
Prueba de Hiptesis
Prueba de la hiptesis nula:

medicin de resultados
Replicas
Y4
Arribos
por hora
y5
Minutos
y2
Minutos
51
1.07
2.79
H 0: E(Y2 ) 4.3 minutos
40
1.12
1.12
H1: E(Y2 ) 4.3 minutos
45.5
1.06
2.24
50.5
1.10
3.45
53
1.09
3.13
49
1.07
2.38
Media
2.51
Des. Est.
0.82
Kleber Barcia V.
Captulo 5
Si H0 no es rechazada,
entonces, no hay razn
para considerar el
modelo invalido
Si H0 es rechazada, el
modelo es rechazado y
el modelador debe
mejorarlo
24
Prueba de Hiptesis
Conduccin de la prueba t:
1 n
= 0.05
Y2 Y2i 2.51 minutes
n i 1
n=6
n
(Y
i 1
2i
Y2 ) 2
n 1
0.81 minutes
Clculo de la prueba estadstica:

Y2 m0 2.51 4.3
t0
5.24 t / 2,n1 2.571 (para 2 colas)

S/ n
0.82 / 6
Tabla A.5
Entonces, se rechaza H0. Se concluye que el modelo es

inadecuado.
De igual forma se puede comparar otros resultados
Y1 Z1, y Y3 Z3
Kleber Barcia V.
Captulo 5
25
Prueba de Hiptesis
[Ejemplo Auto-Banco Revisado]
t0
Replicas
Y2 m0
4.78 4.3
0.710 t ,n1 2.571

S/ n
1.66 / 6
Y4
Arribos
por hora
y5
Minutos
y2
Minutos
51
1.07
5.37
40
1.11
1.98
45.5
1.06
5.29
50.5
1.09
3.82
53
1.08
6.74
49
1.08
5.49
Media
4.78
Des. Est.
1.66
Kleber Barcia V.
Captulo 5
Entonces, no se rechaza
H0. Se concluye que el
modelo es adecuado
No se sabe si el modelo es
fuerte o dbil
26
Error Tipo I y II
Error tipo I ():
Error de rechazar un modelo valido.
Error tipo II (b):
[Comparar Transformacin I-O]
Error de aceptar un modelo como valido cuando es

invalido.
Para validacin, la Potencia de la prueba es:
La Probabilidad de detectar un modelo invalido = 1 b
Si la potencia de prueba tiende a 1, es mejor
El modelador debe buscar un b pequeo
Kleber Barcia V.
Captulo 5
27
Error tipo II
El valor de b depende de:
Tamao de la muestra, n
La diferencia, d, entre E(Y) y m:
E (Y ) m
Para escoger el tamao de la muestra se utilizan las Curvas

Caractersticas de Operacin (OC curve), Tabla A.10 y A.11
Del ejemplo anterior, suponga que el modelador desea estar

seguro un 90% (Potencia de prueba = 0.9) de que la media de
tiempo de espera E(Y2) difiere de m en 1 minuto:
E (Y ) m
1
0.60
1.66
Con 0.05 de la Tabla A.10
b d b 0.6 0.75 para n 6
Kleber Barcia V.
Captulo 5
28
Error tipo II
Si queremos b d 0.10, entonces n 30

Curvas Caractersticas de Operacin (OC curve),
1.0
0.8
= 0.05
0.6
n=6
0.4
n = 30
0.2
0
Kleber Barcia V.
0. 6
Captulo 5
3
29
5.4 Anlisis de Datos de Salida
Tipos de Simulacin
Simulacin Terminal:
Terminal vs. No-terminal

Corre un tiempo especfico TE, donde E es un evento especfico
donde termina la simulacin.
Empieza en tiempo 0.
Termina en tiempo TE.
Ejemplo de un banco: Abre a las 8:30 a.m. (tiempo 0) sin

clientes al inicio y 8 de los 11 cajeros trabajando
(condiciones iniciales) y cierra a las 4:30 p.m. (Tiempo TE
= 480 minutos).
Se considera terminal porque el objeto de inters es un
da de trabajo.
Kleber Barcia V.
Captulo 5
30
Tipos de Simulacin
Simulacin No-terminal:
Corre
continuamente o por un largo periodo de

tiempo.
Ejemplo: lneas de ensamble que paran con poca
frecuencia, sistemas telefnicos, salas de emergencia
de hospitales.
Las condiciones iniciales las define el analista.
Se analiza las propiedades del sistema en estado
estable (largo plazo).
La condicin de terminal o no-terminal depende:

Del
objetivo del estudio de simulacin.

De la naturaleza del sistema.
Kleber Barcia V.
Captulo 5
31
Naturaleza Estocstica de los Datos de Salida
La salida de un modelo esta dada por una o ms variables

aleatorias.
Ejemplo: Cola M/G/1:
Razn
de arribo Poisson = 0.1 por minuto;

tiempo de servicio ~ N(m = 9.5, =1.75).
Medicin del sistema: longitud de cola promedio a
largo plazo, nmero promedio de clientes, LQ(t).
Suponemos que corremos una simulacin de 5,000
minutos
Kleber Barcia V.
Dividimos el intervalo de tiempo [0, 5000) en 5 subintervalos de 1000 minutos c/u.

El nmero promedio de clientes en cola es Yj para cada
sub-intervalo.
Captulo 5
32
Naturaleza Estocstica de la Datos de Salida
Se realizan 3 rplicas independientes para cada sub-intervalo:

Sub-Intervalo
(minutos)
[0, 1000)
[1000, 2000)
[2000, 3000)
[3000, 4000)
[4000, 5000)
[0, 5000)
Grupo, j
1
2
3
4
5
Y1j
3,61
3,21
2,18
6,92
2,82
3,75
Rplicas
Y2j
2,91
9,00
16,15
24,53
25,19
15,56
Y3j
7,67
19,53
20,36
8,11
12,62
13,66
Existe variabilidad en una simulacin estocstica dentro de una

rplica y a travs de diferentes rplicas.
Los promedios de las 3 rplicas, Y1. , Y2. , Y3. , pueden ser
considerados como observaciones independientes, pero
Los promedios dentro de una rplica, Y11, , Y15, son
observaciones dependientes.
Kleber Barcia V.
Captulo 5
33
Mediciones del Sistema
Datos de tiempos discretos: [Y1, Y2, , Yn], con media: q

n
1
q Yi
n i 1
Sin sesgo:E (q) q
Sesgado: E (q) q
Datos de tiempos continuos: {Y(t), 0 t TE} con media: f
f
TE
TE
Y (t )dt
E (f) f
Sesgado:
Sin
Kleber Barcia V.
sesgo o poco sesgo:

Captulo 5
34
Estimacin del Intervalo de Confianza

[Mediciones del Sistema]
Suponga que el modelo tiene una distribucin normal con una

media q y varianza 2
Sea
Yi el tiempo de ciclo promedio de las partes

producidas en la ima rplica de la simulacin.
El tiempo de ciclo varia da a da, pero en el largo plazo
el promedio de los promedios tiende a q.
La varianza de la muestra a travs de la R rplicas es:
1 R
2
S
(
Y
Y
)
i.
..
R 1 i 1
2
Kleber Barcia V.
Captulo 5
35
Estimacin del Intervalo de Confianza

[Mediciones del Sistema]
El intervalo de confianza (CI) es:
Y.. t / 2, R 1
S
R
Interpretacin:
sabemos cuan lejos estaY..

de q. El CI intenta
limitar el error.
Un CI de 95%, nos dice con que confianza podemos
Y..
decir que el valor de
que esta en el intervalo no
tiene error.
Mientras ms rplicas realicemos, menor es el error (R
debe tender a infinito).
No
Kleber Barcia V.
Captulo 5
36
C.I. con Error Definido
Asuma que se ha observado una muestra inicial de tamao R0

(independiente) rplicas.
Se obtiene la estimacin inicial S02 de la poblacin de varianza
2.
Entonces, se calcula un R mnimo con el estimador z y un alfa
dado:
2
Rmin
Luego
z S
/ 2 0 , z / 2 is the standard normal distribution.

se toma R>Rmin y se calcula:

t / 2, R 1S0
Y.. t / 2, R 1
Kleber Barcia V.
S
R
Captulo 5
37
C.I. con Error Definido
Ejemplo: Servicio al cliente: estimar la utilizacin del agente r

durante 2 horas de trabajo.
Rplicas iniciales R0 = 4
Calculo de varianza S02 = (0.072)2 = 0.00518.
Criterio del error = 0.04, intervalo de confianza = 0.95,
entonces Rmin es :
2
2
z0.025S0 1.96 * 0.00518
12.14

2
0.04

Calculo del R final:

R
t 0.025, R-1
t / 2,R1S0 / 2
13
14
15
2,18
2,16
2,14
15,39
15,1
14,83
R = 15 es el valor mnimo que satisface la desigualdad

Entonces R - R0 = 11. Se necesitan 11 replicas adicionales.
Kleber Barcia V.
Captulo 5
38
Anlisis de Respuesta en Simulacin Estable
Mtodos para reducir el sesgo (encontrar el warm-up time):

Inicializacin
inteligente.
Divisin de la simulacin en una fase de inicio y otra
fase de coleccin de datos.
Divisin en dos fases:

Fase
de inicio, desde tiempo 0 hasta T0.

Fase de coleccin de datos, desde T0 hasta T0+TE.
Despus de T0 el sistema debe representar un estado
estable.
Inicio estado estable
O
To
To+TE
Recoleccin de datos TE
Kleber Barcia V.
Captulo 5
39
Sesgo Inicial (Warm-up Time)

[Simulacin en estado estable]
Ejemplo: Modelo M/G/1: Se tomaron un total de 10 rplicas

independientes.
Cada
rplica empieza en un estado inicial 0.

Tiempo de simulacin para cada rplica = 15,000
minutos.
Variable de respuesta: tamao de cola, LQ(t,r) (tiempo
t de la replica r).
Intervalos de 1,000 minutos
Grfico de las variables de respuesta entre replicas:
1 R
Y. j Yrj
R r 1
Kleber Barcia V.
Captulo 5
R repeticiones
40

Permite observar el sesgo inicial
Kleber Barcia V.
Captulo 5
41

Media acumulada (despus de eliminar r rplicas):
Tiempo
1
Y.. (n, d )
nd
j d 1
.j
Intervalo
Media
Media Acumulada
Media Acumulada r= -1
Media Acumulada r= -2
1000
4.03
4.03
2000
5.45
4.74
5.45
3000
8.00
5.83
6.72
8.00
4000
6.37
5.96
6.61
7.18
5000
6.33
6.04
6.54
6.90
6000
8.15
6.39
6.86
7.21
7000
8.33
6.67
7.11
7.44
8000
7.50
6.77
7.16
7.45
9000
9.70
7.10
7.48
7.77
10000
10
11.25
7.51
7.90
8.20
11000
11
10.76
7.81
8.18
8.49
12000
12
9.37
7.94
8.29
8.58
13000
13
7.28
7.89
8.21
8.46
14000
14
7.76
7.88
8.17
8.40
15000
15
8.76
7.94
8.21
8.43
42

Kleber Barcia V.
Captulo 5
43
Comparacin de dos Diseos
Ayuda a obtener la mejor respuesta y el intervalo de confianza

de la diferencia de medias q1 q2.
Ejemplo de inspeccin de vehculos:
Una estacin realiza 3 trabajos: (1) cheque de frenos, (2)
cheque de luces y (3) cheque de la direccin.
Arribo de vehculos: Poisson con razn = 9.5/hora
Sistema actual:
Una persona realiza las inspecciones en cada sitio

Tiempo de servicio de los 3 trabajos: distribuido
normalmente con medias 6.5, 6.0 y 5.5 minutos,
respectivamente
Captulo 5
Kleber Barcia V.
44
Sistema alternativo:
Cada persona se especializa en un trabajo.

Un vehculo entra al servicio cuando el anterior ha salido
La media del tiempo de servicio disminuye 10% (5.85, 5.4,
y 4.95 minutos).
Respuesta a medir: La media del tiempo de servicio
Se toman las rplicas
Kleber Barcia V.
Captulo 5
45

Se
considera el warm-up time para evitar sesgo

q1 = E(Y1r ), r = 1, , R1;
q2 = E(Y2r ), r = 1, , R2
Se calcula el intervalo de confianza de la diferencia de
medias q1 q2
Anlisis:
Si c.i. esta a la izquierda del 0, existe fuerte evidencia de

Ho: q1 q2 < 0 (q1 < q2 ).
Si c.i. esta a la derecha del 0, existe fuerte evidencia de
Ho: q1 q2 > 0 (q1 > q2 ).
Si c.i. contiene al 0, no existe evidencia de que un
sistema es mejor que el otro.
Kleber Barcia V.
Captulo 5
46
El c.i. para q1 q2 tiene la forma:
Y.1 Y.2 t / 2, s.e.(Y.1 Y.2 )
Existen 3 tcnicas:
Muestras independientes con varianzas iguales
Muestras independientes con varianzas desiguales
Nmeros aleatorios comunes
Kleber Barcia V.
Captulo 5
47
Muestras Independientes con Varianzas Iguales

[Comparacin de 2 sistemas]
Usa random number streams diferentes e independientes en

los 2 sistemas
El
valor compartido de 2 is:
2
2
(
R
1
)
S
(
R
1
)
S
1
2
2
S p2 1
,
R1 R2 2
Error
estndar:
donde R R -2 grados de libertad

1
2
s.e. Y.1 Y.2 S p
Kleber Barcia V.
Captulo 5
1
1
R1 R2
48
Muestras Independientes con Varianzas Desiguales

Error estndar:
s.e. Y.1 Y.2
Con grados de libertad:
S12 S 22
R1 R2
2
1
2
1
/ R1 S
2
2
/R
/ R1 / R1 1 S / R2 / R2 1
2
2
2
, redondeado al entero
Mnimo nmero de rplicas recomendado: R1 > 7 y R2 > 7
Kleber Barcia V.
Captulo 5
49
Nmeros Aleatorios Comunes (CRN)

Para cada rplica se usa el mismo nmero aleatorio en ambos

sistemas
Sin
embargo el par (Yr1 ,Ys2 ) es mutuamente

independiente Sample variance of the differences
1 R
1 R 2
2
2
S
D
R
D
r
r
R 1 r 1
R 1 r 1
2
D
donde Dr Yr1-Yr 2
Standard error:
Kleber Barcia V.
1 R
y D Dr , con grados de libertad R - 1
R r 1
s.e.(D ) s.e. Y.1 Y.2

Captulo 5
SD
R
50
Comparicin de Varios Sistemas
Mtodo Bonferroni
Ventaja: Los modelos deben correr con nmeros aleatorios
comunes
Desventaja: mientras mas comparaciones, mayor es el
intervalo de confianza
Se deben realizar mximo 20 comparaciones
_
_
_
D.i t i / 2, R 1se D.i q1 qi D.i t i / 2, R 1se D.i

_
TAREA 7 CAPTULO 5
Kleber Barcia V.
Captulo 5
51

Capitulo 5 Simulación de Los Centros de Operaciones

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Capitulo 5 Simulación de Los Centros de Operaciones

Uploaded by

Copyright:

Available Formats

Diseo del Centro

5.1 Simulacin con SIMUL8

5.1 Simulacin con SIMUL8

No concentrarse en un solo requisito (ejemplo: de fcil

Seleccin de un software de simulacin

Es un producto de la Corporacin SIMUL8.

5.2 Anlisis de Datos de Entrada

Los modelos de entrada proveen los datos de los modelos de

Coleccionar datos de los sistemas reales

Prueba de Bondad de Ajuste

Prueba hiptesis sobre la distribucin de los datos de entrada

No existe una distribucin correcta en un sistema real.

[Prueba de Bondad de Ajuste]

Valido para tamaos de muestras grandes

Distribucin chi-square con k-s-1 grados de libertad, donde s = #

Numero intervalo de clases, k

No use test chi-square

[Prueba de Bondad de Ajuste]

Grados de libertad k-s-1 = 7-1-1 = 5

02 27.68 02.05,5 11.1

Prueba de Bondad de Ajuste

p-value para pruebas estadsticas

5.3 Verificacin y Validacin de Modelos

Verificacin Asegurar que el modelo

Validacin Construir correctamente el

El objetivo del proceso de validacin es:

un modelo que represente, en lo posible, el

la credibilidad del modelo

Construccin del modelo,

revisar el modelo de otro experto.

un diagrama de flujo que incluya las posibles

los resultados y comprobar su concordancia

los parmetros de entrada al final de la

revisin general del modelo en busca de

manera de aclarar la lgica del modelo y verificar

impresin detallada de la simulacin a travs del

Ningn modelo es una representacin perfecta de un

modelador debe considerar entre mejorar la

las asunciones del modelo

las transformaciones en la entrada-salida del

Asegure un alto grado de realismo: El modelador debe

En caso de ser necesario utilizar anlisis de

en la mayora de los sistemas de cola, si

Validar Asunciones del Modelo

Dos tipos de asunciones:

Estructurales: como opera el sistema.

De datos: Precisin de los datos y sus consideraciones

Ejemplo de un banco: clientes en cola y ventanillas de

Asunciones estructurales: Clientes esperando en una sola

Asunciones de datos: tiempo entre arribos de clientes,

Comparar Transformaciones de Entrada-Salida

Existe una sola ventana de atencin.

Coleccin de datos: 90 clientes entre 11 a.m. y 1 p.m. viernes

Tiempos de servicio observados {Si, i = 1,2, , 90}.

Tiempos entre arribos observados {Ai, i = 1,2, , 90}.

El anlisis de datos nos permite concluir que:

Tiempos entre arribos: distribuidos exponencialmente con l

El modelo fue desarrollado en base a las consultas con el gerente

Comparacin con Datos del Sistema Real

Necesitamos datos reales para la validacin.

Los resultados reales deben recogerse en el mismo periodo de

Necesitamos comparar el tiempo de espera promedio del

Tiempo de espera prom. observado, Z2 = 4.3 minutos, se