4.

6 Análisis de entradas: especificaciones de parámetros y distribuciones del modelo

Existen muchos detalles que debe especificar por completo con la finalidad de definir
un modelo de simulación que funcione. Probablemente piense primero en los aspectos
lógicos del modelo, como qué entidades y recursos son, cómo entran las entidades y
quizá cómo dejan el modelo, los recursos que se requieren, los caminos que siguen,
etc. Estas clases de actividades podrían llamarse modelación estructural puesto que
preparan la lógica fundamental de cómo quiere que se vea y qué haga el modelo.
4.6.1 Entradas deterministas contra aleatorias
Un tema fundamental en la modelación es si va a modelar una cantidad de entradas
como una cantidad determinista (no aleatoria), o si va a modelar como variable
aleatoria siguiendo alguna distribución de probabilidad. A veces está claro que algo
debería ser determinista, como el número de operadores de revisión, aunque puede
ser que quiera variar los valores de ejecución a ejecución para ver qué efecto tienen en
el desempeño.
Pero a veces no hay tal claridad y sólo se podría considerar como un consejo de lo que
se deba hacer para que parezca más realista y válido posible. En temas anteriores se
vio el “análisis sensitivo” para medir qué tan importante es una entrada en particular
para su resultado, lo que podría indicar qué tanto necesita preocuparse por si debe
modelarlo como determinista o aleatorio
Puede que sea la mejor opción desestimar la aleatoriedad de las entradas, ya que esto
parece ser más sencillo y tiene ventaja de que los resultados del modelo no son
aleatorios. Sin embargo, esto puede ser bastante peligroso desde el punto de vista de
la validez del modelo, porque con frecuencia es la aleatoriedad en sí misma la que
conduce a un comportamiento importante del sistema que con certeza uno debería
captar en el modelo de simulación.
4.6.2 Recopilación de datos
Uno de los pasos bastantes claros en la planeación de un proyecto de simulación
debería ser identificar qué datos necesita para apoyar el modelo. Encontrar los datos y
prepararlos para usarlos en su modelo puede adquirir mucho tiempo, ser costoso y
con frecuencia, frustrante; y la disponibilidad y calidad de los datos pueden influir en el
enfoque que tome de la modelación y en nivel de detalle que capte en el modelo.
Existen muchos tipos de datos que es necesario recopilar. La mayoría de los modelos
requieren una buena dosis de información que incluya demoras en el tiempo: tiempos
entre llegadas, tiempos de proceso, tiempos de recorrido, programas de trabajo del
operador, etc. En muchos casos también necesitará estimar probabilidades, tales como
el porcentaje producido de una operación, las proporciones de cada tipo de cliente o la
probabilidad de que un cliente tenga un teléfono de tonos. Si se modela un sistema en
donde el movimiento físico de las entidades entre estaciones será representado en el
modelo, también se requerirán los parámetros de operación y el bosquejo físico del
sistema de manejo de material.
Si el sistema que se modela existe (o es similar a un sistema real en algún otro lado), se
puede pensar que el trabajo es más fácil, puesto que debería haber muchos datos
disponibles. Sin embargo, lo que probablemente encontrará es que los datos que
obtenga no serán los que necesite.
En cualquier caso, conforme se decide qué y cuántos datos recopilar, es importante
mantener en mente las siguientes pistas de ayuda.

 Análisis de sensibilidad: El análisis de sensibilidad puede usarse incluso muy

temprano en un proyecto, para evaluar el impacto de los cambios de los datos
en los resultados del modelo.
 Hacer corresponder el detalle del modelo con la calidad de los datos: Un
beneficio de entender pronto la calidad de los datos de entrada es que esto
puede ayudar a decidir qué tanto detalle incorporar en la lógica del modelo.
 Costo: Debido a que puede ser caro recopilar y preparar datos para usarlos en
un modelo, puede decidir usar estimados peores para algunos datos.
 Basura que entra, basura que sale: Si no se ingresan datos adecuados
concernientes a elementos críticos del modelo, no se podrá dar un gran voto de
confianza en la confiabilidad de las conclusiones del modelo.
4.6.3 Uso de datos
Si se tienen datos históricos (por ejemplo, un registro de interrupciones y tiempos de
reparación para una máquina), o si se sabe qué parte del sistema trabajará (por
ejemplo, programas de operadores planeados), hay que seguir enfrentando decisiones
que conciernen cómo incorporar los datos en el modelo. La elección fundamental está
en si se pueden usar los datos directamente o si hay que ajustar una distribución de
probabilidad a los datos existentes. La decisión de qué acercamiento se puede orientar
con base tanto en temas teóricos como en consideraciones prácticas.
Arena tiene herramientas incluidas para cuidar de las mecánicas de usar los datos
históricos en el modelo a desarrollar.
Ajuste de distribuciones de entradas vía el analizador de datos de entrada (Input
Analizer)
Con los datos previamente obtenidos se puede seleccionar la distribución por si misma
con Input Analyzer.
Se estima los parámetros de distribución.
Las distribuciones se pueden diferenciar en dos tipos

 Teóricas: Generan muestras con base a la formulación matemática

 Empíricas: Dividen los datos reales en grupos y calculan la proporción de los
valores en cada grupo.
Las distribuciones se dividen: continuas y discretas.

 Continuas: se usan para representar duraciones de tiempo en un módulo.

  Discretas: se usan para describir el número de eventos que ocurre en un
intervalo de tiempo o variar en tamaño de lotes.
Entre más observaciones (multimodal) exista en el estudio, mejor análisis de
distribución se obtendrá.
Está diseñada para ajustar distribuciones para datos observados, proporcionar
estimados de sus parámetros, y medir que tan bien se ajustan los datos.
Se requieren cuatro pasos para usar el Analizador de datos de entrada para ajustar una
distribución de probabilidad a los datos para usarlos como una entrada en el modelo:
1. Crear un archivo de texto que contenga los valores de los datos,
2. Ajustar una o más distribuciones a los datos.
3. Seleccionar qué distribución quiere usar.
4. Copiar la expresión generada por el Analizador de datos de entrada en el
campo apropiado en el modelo de Arena.
Para abrir el Analizador:

 Herramientas > Analizador de datos de entrada

 Archivo > Nuevo o el botón nuevo (Página blanca).
 Archivo > Archivo de datos > Usar existente.
Se puede utilizar una distribución teórica en automático ajustando todas las
distribuciones aplicables.
Se puede utilizar una distribución empírica ajustando manualmente.
Las otras dos medidas de ajustes de distribución a los datos son las pruebas de
hipótesis de bondad de ajuste Chi Cuadrada y Kolmogorov Smirnov.
Sin datos
Cuando no hay datos por cualquier razón, el usuario dependerá de algunas
suposiciones o adivinanzas arbitrarias (datos adecuados).
Se puede tomar en cuenta algún tipo de sensibilidad de los resultados para las
entradas adecuadas.
Si los datos representan una demora de tiempo se usará una distribución de
probabilidad para captar la variabilidad como su incertidumbre. Se selecciona la
distribución y después necesitará proporcionar los parámetros apropiados en base a
los estimados y a la evaluación de la variabilidad en el proceso.
Si los tiempos varian de forma independiente, su estimación de la media no es tan
grande y hay mucha variabilidad en ellos (se recomienda una distribución
exponencial).
Si los tiempos representan una actividad donde hay un tiempo “más parecido” con
alguna variación de ellos, se necesita una distribución que pueda capturar los procesos
con grados de variabilidad chicos y grandes, con parámetros fáciles de entender
(Distribución triangular).

Procesos de llegada no estacionarios

Representa de forma válida el comportamiento del sistema.
Modelo de probabilidad especifico -> Proceso Poisson no estacionario -> Refleja
patrones de llegada de tiempo variable-
Hay que estimar la función de razón de los datos -> en este caso el método “Constante
por segmentos”.
Arena debe seguir el patrón establecido al generar las llegadas al respectivo modelo.
Datos de entrada multivariados y correlacionados
No todas las variables aleatorias son generadas independientes entre ellas. Si el
modelo lo ignora puede generar un modelo no válido y el resultado con sesgo.
Algunos métodos ven las variables aleatorias asociadas como un vector aleatorio que
tiene una unión de distribución multivariada que ajustan valores de la cual generan.