DISEÑO DE LA CALIDAD DE LA SIMULACIÓN

UNIDAD IV
COMPETENCIA A DESARROLLAR

 Simula y verifica los comportamientos aleatorios del proyecto de simulación.

 Define la manera de cuantificar los indicadores del desempeño del sistema simulado.
 Determina el tamaño necesario de la simulación para lograr una precisión estadística prestablecida.
 Ajusta patrones aleatorios a las muestras recolectadas.
ACTIVIDADES

 Esquema de las etapas de un proyecto de simulación 10%

 Ejercicios Método de Montecarlo 10%
 Ejercicios Intervalo de confianza y longitud de corrida 10%
 Tutoría 10%
 Examen 60%
VERIFICACIÓN Y VALIDACIÓN DE LOS MODELOS DE SIMULACIÓN

Gracias al avance tecnológico, en la actualidad existen en el mercado aplicaciones con

interfaces gráficas tan poderosas que permiten a muchos usuarios con inclinaciones
técnicas desarrollar modelos en el área de la simulación.
Por desgracia, en general, dichos usuarios, aunque aprenden a usar el lenguaje
relacionado y manejan algunos de los conceptos básicos, ponen muy poca atención al
análisis correcto de los resultados.
Así, muchos estudios son interpretados de manera errónea y es muy probable que
conduzcan, en consecuencia, a m alas decisiones.
VERIFICACIÓN Y VALIDACIÓN DE LOS MODELOS DE SIMULACIÓN
VERIFICACIÓN Y VALIDACIÓN DE LOS MODELOS DE SIMULACIÓN

Para empezar, debemos distinguir dos categorías entre los modelos de simulación:
modelos de categoría terminal y modelos no terminales o de estado estable.

A continuación se explica esta clasificación con más detalle.

VALIDACIÓN, VERIFICACIÓN Y CREDIBILIDAD

Un trabajo clásico en la literatura sobre la validación y credibilidad de los modelos de

simulación es el debido a Naylor y Finger , que plantea una metodología basada en un
proceso de tres pasos, aceptada por la mayoría de autores, cuyos ingredientes
principales vamos a glosar a continuación.
VALIDACIÓN, VERIFICACIÓN Y CREDIBILIDAD

 El primer paso es intentar desarrollar desde el principio un modelo que, de acuerdo con la
metodología de la modelización, se enfrente explícitamente al objetivo de ser bueno, es decir válido, y
que por lo tanto pueda resultar creíble, es decir razonable, a aquellos que lo han de utilizar.
 Ello comporta necesariamente involucrar a los usuarios desde el principio, es decir a aquellos que
están familiarizados con el sistema y que posteriormente se supone que han de convertir el modelo
en el soporte de su proceso racional de toma de decisiones, y mantener esta relación durante todo el
proceso de construcción y validación del modelo.
VALIDACIÓN, VERIFICACIÓN Y CREDIBILIDAD

El segundo paso consiste en verificar empíricamente las hipótesis en que se basa el modelo.

Un aspecto complementario de este paso es la posibilidad de realizar un análisis de sensibilidad, es decir

determinar si los resultados de la simulación cambian significativamente cuando se cambia el valor de un
parámetro, una distribución de probabilidad o el grado de detalle de un subsistema.

En caso de identificar que el resultado de la simulación es especialmente sensible a algún aspecto del
modelo habrá que tener especial cuidado en la modelización de ese aspecto
VALIDACIÓN, VERIFICACIÓN Y CREDIBILIDAD

 El último paso del proceso propuesto por Naylor y Finger consiste en determinar cuán
representativos son los resultados de la simulación.
 En el caso de la simulación de sistemas existentes, o similares a los existentes, este ejercicio puede
consistir en la comparación de dos conjuntos de datos, uno procedente del sistema real y otro del
modelo que lo simula. Si la comparación de los dos conjuntos de datos resulta ser «aceptable»
entonces se puede considerar «válido» al modelo del sistema.
VERIFICACIÓN Y VALIDACIÓN DE LOS MODELOS DE SIMULACIÓN
SIMULACIONES TERMINALES

Los modelos de tipo terminal tienen como característica principal la ocurrencia de un

evento que da por terminada la simulación.
Un ejemplo sería el siguiente: digamos que nos interesa conocer el tiempo que llevaría
procesar un lote de 10 piezas, el tiempo requerido para vender 100 periódicos, o el
número de clientes que se atiende en una cafetería entre las 8:00 y las 9:00 a.m.
El análisis estadístico recomendado para este tipo de simulaciones involucra la
utilización de intervalos de confianza y la determinación de la distribución de
probabilidad de la variable de salida.
INTERVALOS DE CONFIANZA

Si la variable aleatoria sigue una distribución normal, el intervalo de confianza está dado por:

En caso de que la variable aleatoria siga otro tipo de distribución, el intervalo de confianza es relativamente más
amplio, y se calcula como:
INTERVALOS DE CONFIANZA

En ambas ecuaciones:
INTERVALOS DE CONFIANZA

Ejemplo:

Los resultados de 10 réplicas de la simulación de un sistema de inventario promedio en almacén son 190.3, 184.2,
182.4, 195.6, 193.2, 190.5, 191.7, 188.5, 189.3, 188.4.
Determine el intervalo de confianza con un nivel de aceptación de 95%.
La media y la desviación estándar de la muestra son:
x = 189.41
S = 3.916
INTERVALOS DE CONFIANZA

Bajo la premisa de que el inventario promedio sigue una distribución normal, el intervalo de confianza se calcularía de
la siguiente forma:

el factor t(0.025,9) se obtiene de la tabla de distribución t

INTERVALOS DE CONFIANZA

Si la variable aleatoria no fuera normal, o si la suposición de normalidad se considerara inadecuada, el intervalo de

confianza se calcularía así:
INTERVALOS DE CONFIANZA

En consecuencia, si la variable aleatoria sigue una distribución normal y realizamos 100

réplicas del experimento, esperamos que el resultado de 95% de las mismas se
encuentre entre 186.08 y 192.73, a diferencia de lo que ocurriría en una variable no
normal, en donde después de 100 réplicas del experimento esperamos que 95% de ellas
se encuentren entre 183.87 y 194.94; lo cual implica mucho menos exactitud.
SIMULACIONES NO TERMINALES O DE ESTADO ESTABLE

A diferencia de los modelos anteriores, las simulaciones no terminales o de estado estable no involucran
una ocurrencia en el tiempo en que tengan que finalizar. Por ejemplo, si deseáramos conocer el número
de máquinas que deben instalarse en un sistema de producción cuya operación tiene que mantenerse
activa continuamente durante todo el año, podríamos modelar el sistema hasta que la variable de interés
llegara a un estado estable.
En este caso surge la necesidad de determinar la longitud de la corrida para asegurar la estabilización de
los resultados del modelo.
Veamos cómo satisfacer dicho requisito.
LONGITUD DE LAS RÉPLICAS

Para que el resultado de una variable aleatoria llegue al estado estable en una simulación no terminal, es
necesario garantizar que la longitud de la réplica, n, sea lo suficientemente grande para que la variación
entre réplicas no difiera de cierta exactitud, £ , el 100(1 - α)% de las veces.
 En caso de normalidad, el tamaño de corrida de la simulación se calcula como:
LONGITUD DE LAS RÉPLICAS

 Ejemplo:
Determine la longitud de la réplica para estimar, dentro de un rango de ±2, el valor de una variable normal con
desviación estándar 4 y un nivel de aceptación de 95% (nivel de rechazo de 5%).
Solución:
LONGITUD DE LAS RÉPLICAS

La figura representa los resultados de la simulación de seis réplicas independientes de longitud n = 16 de una variable
aleatoria con distribución normal y desviación estándar 4.
Como puede ver, los resultados finales de la variable aleatoria se encuentran dentro de la exactitud deseada. Dado el
nivel de aceptación de 95% (nivel de rechazo de 5%), si realizáramos 100 réplicas cabría esperar que cinco de ellas
estuvieran fuera de la exactitud deseada.
LONGITUD DE LAS RÉPLICAS

Si se tiene la certeza de normalidad pero se desconoce el valor de la desviación estándar, será necesario realizar una
corrida inicial de tamaño n ' para determinar un estimador de la desviación.
En este caso la longitud de la réplica se determina mediante.
LONGITUD DE LAS RÉPLICAS

Ejemplo:
Se realizó una corrida inicial de tamaño n ' = 10 para estimar la desviación estándar s = 13.21 de una variable normal.
Determine la longitud de la réplica para estimar el valor medio dentro de un rango de ±0.3 con un nivel de
aceptación de 95% (nivel de rechazo 5%).
Solución:
LONGITUD DE LAS RÉPLICAS
LONGITUD DE LAS RÉPLICAS

Cuando se desconoce el tipo de distribución de la variable aleatoria a simular o bien la suposición de

normalidad no existe, es preciso hacer uso del teorema de Tchebycheff para calcular la longitud de la réplica.
En este caso se utiliza:
LONGITUD DE LAS RÉPLICAS

Supongamos que la suposición de normalidad del ejemplo anterior no es válida, y consideremos la misma
información con r í = 10 y s= 1321. La longitud de la réplica para estimar el valor de la variable dentro de un rango
de ±0.3 con un nivel de aceptación de 90% (nivel de rechazo 10%) es: