Capítulo 3

Etapas de un
Proyecto de
simulación

15/05/2019 Luis Cáceres M

 En general el proceso es...
Definición del Problema

Establecer Objetivos y Plan General del Proyecto

Conceptualización Modelo Recolección de Datos

Construcción del Modelo

no
¿Verificado?

no no
¿Validado?

Diseño de Experimentos

Corridas de Producción / Análisis de Resultados

si si
¿Más Corridas?

Reportes Preliminares, Documentar y Reportes Finales

15/05/2019 Luis Cáceres M
 En general el proceso es...
Definición del Problema Define el Problema a ser estudiado, incluyendo una declaración escrita del
objetivo.
Conceptualización
Modelo Abstraer el sistema en un modelo describiendo todos sus elementos, sus
características y sus interacciones (gráficos).
Recolección de Datos
Identificar, especificar y colectar datos en apoyo del modelo.
Construcción del
Modelo
Traducir el modelo conceptualizado utilizando los constructos de algún
Verificación y Validación lenguaje de simulación.

Conducir Experimentos
Establecer si el modelo ejecuta lo que postula y si existe una concordancia
entre el modelo y el sistema real.

Analizar Resultados Hacer corridas de simulación controladas. modificando los niveles de una
variable de control y manteniendo el resto exactamente igual. La variación en
la salida se atribuye a estos cambios.
Estudiar los resultados de la simulación para inferir nueva información y
hacer recomendaciones para la resolución del problema.

15/05/2019 Luis Cáceres M

 Definición del problema

• Partir con supuestos adecuados

• Trabajar en el Problema Correcto
• Manejar expectativas
• Preguntar Hábilmente
• Escuchar sin Juzgar
• Comunicar Abiertamente
• Pronosticar la Solución

15/05/2019 Luis Cáceres M

 Conceptualización Modelo

Establecer Objetivos • Partir de “atrás para

delante”
Identificar y Priorizar Preguntas
Claves • Fijar primero dónde se
quiere llegar para señalar
Salidas Requeridas para dar
la partida
Respuesta a Preguntas Claves

• Modelo se construye de
Establecer los Límites del “abajo-arriba”
Modelo y Restringir los detalles

Especificar las Entradas al

Modelo
15/05/2019 Luis Cáceres M
 Recolección de Datos

• Una vez que la propuesta ha sido aceptada, se debería

preparar un programa de requerimiento de datos.

• La conceptualización del modelo y la recolección de

datos son actividades que se realizan en paralelo.

• La conceptualización indica el tipo de datos que se

requieren y en que forma. Los datos recolectados
permiten, a su vez, refinar y reforzar el concepto del
modelo.

15/05/2019 Luis Cáceres M

 Construcción del Modelo

• El Modelo conceptual se traduce a un modelo

computacional utilizando lenguajes de propósito
general o bien paquetes de aplicación tales como
Arena, Extend, GPSS y otros.

• Se debe tener en cuenta que un paquete de aplicación

se ajusta mejor a los requerimientos del sistema real,
considerando las particularidades de cada lenguaje de
simulación (construir un modelo de simulación
aportando “constructos” adecuados al sistema)

15/05/2019 Luis Cáceres M

 Construcción del Modelo
• Foco en el Problema.
Construir el modelo no es la tarea princial; lo es encontrar la
solución correcta.
• Partir con un Modelo Simple
Agregar el detalle; no partir con él
• Frenar la complejidad
No permitir que el modelo se vuelva complicado compensando
un mal diseño, o tan complejo que va más allá de la
posibilidad de implantarlo
• Mantener Momentum
Es mejor muchos hitos intermedios que una fecha límite de
término.
• Revisiones.
Darse tiempo para realinear el proyecto.

15/05/2019 Luis Cáceres M

 ¿Verificado?

• Verificación se refiere al modelo operacional. ¿Está

funcionando adecuadamente?; esto es, ¿está
haciendo lo que se supone que debería hacer?

• ¿Los datos son los apropiados?, ¿son razonables?;

¿el modelo computacional refleja con exactitud el
modelo conceptual?

• No es razonable y altamente no recomendable esperar

llegar al final para hacer esta tarea. La construcción del
modelo operacional o simulador debe cumplir con
todas las especificaciones de aseguramiento de
calidad del desarrollo de software.

15/05/2019 Luis Cáceres M

 ¿Validado?

• En la validación se debe determinar si el modelo

conceptual es una representación apropiada del
sistema real; esto es, ¿refleja lo que se supone que
debe representar?. ¿Puede el modelo substituir al
sistema real para propósitos de experimentación?

• Esta actividad en realidad debe ser considerada como

un proceso contínuo; cada etapa debe verificarse :
¿está el problema claramente definido?; ¿el modelo
conceptual es razonable?; ¿son los datos de entrada
representativos de la realidad?

15/05/2019 Luis Cáceres M

 Diseño de Experimentos

• Para cada escenario que se simulará es preciso

establecer:

• el largo de la corrida de simulación,

• la puesta a punto del simulador (inicialización) y
• el número de réplicas para cada escenario

15/05/2019 Luis Cáceres M

 Corridas de Producción y
Análisis

• Las Corridas de Producción y su posterior análisis,

se utilizan para estimar las medidas de
desempeño de los distintos escenarios que se
están simulando.

15/05/2019 Luis Cáceres M

 ¿Más corridas?

• Basado en el análisis de las corridas que se han

completado, se debe determinar si se requieren
corridas adicionales o si es necesario estudiar otros
escenarios.
• Se requieren más corridas, cuando los resultados
estadísticos no permiten aceptar o rechazar una
hipótesis;
• Se requiere estudiar nuevos escenarios, para tener
una mayor comprensión del sistema bajo estudio lo
que obliga a menudo a estudiar otras situaciones.

15/05/2019 Luis Cáceres M

 Documentación y Reportes

• La documentación y reportes es necesaria por varias

razones obvias. Si el simulador se utilizará otra vez
con mayor o menor frecuencia por el mismo u otros
analistas es necesario saber qué hace y cómo lo hace.
Lo mismo ocurre si el simulador es un prototipo y debe
ser modificado en el futuro.
• Es importante documentar cada etapa del esfuerzo de
simulación junto con su ejecución; con esto se asegura
que nada quedará en el tintero. La otra razón es
entregar al cliente informes de avance en cada etapa y
obtener su aprobación, especialmente en la definición
del problema.

15/05/2019 Luis Cáceres M

 Documentación y Reportes

Dossier de documentos formales a entregar debe

contener a lo menos:
• Definición de Objetivos y Metas.
• Plan de Trabajo: (Carta Gantt o Pert)
• Supuestos para el Modelo
• Modelo Conceptual
• Registro de Cambios
• Modelo Operacional
• Datos de Prueba

15/05/2019 Luis Cáceres M

 Modelos probabilísticos.

Variable aleatoria
 Concepto.
 Variables discretas y continuas.
 Función de probabilidad (densidad) y función de distribución.
 Media y varianza de una variable aleatoria.

Modelos probabilísticos
 Bernoulli.
 Binomial.
 Normal.
 Aproximación de binomial a normal.

Lecturas recomendadas:
 Capítulos 15, 16 y 18 del libro de Peña y Romo (1997)
16
 Variable aleatoria
Concepto de variable aleatoria
• Se llama variable aleatoria a toda función que asocia a cada
elemento del espacio muestral, un número real.

• Se utilizan letras mayúsculas para designar las variables

aleatoria: X, Y, Z; y sus respectivas letras minúsculas para los
valores concretos de las mismas: x, y, z.

Variable aleatoria discreta Es la que solo puede tomar una

cantidad numerable de valores.

Variable aleatoria continua Es aquella que puede tomar infinitos

valores dentro de un intervalo de la recta real.

17
 Variable aleatoria

Función de probabilidad de una v.a. discreta: Es la función que asocia

a cada valor x de la v.a. X su probabilidad p.
 Los valores que toma una v.a. discreta X y sus correspondientes
probabilidades suelen disponerse en una tabla con dos filas o dos
columnas llamada tabla de distribución de probabilidad:
X x1 x2 ... xn
P(X=xi) p1 p2 ... pn

p1  p2  p3   pn  1
Toda función de probabilidad se verifica que
Función de distribución de una v.a. discreta: Sea X una v.a. cuyos valores
suponemos ordenados de menor a mayor. Se llama función de distribución
de la variable X a la función que asocia a cada valor de la v.a. la probabilidad
acumulada hasta ese valor, es decir,
F ( x )  P( X  x )
18
 Variable aleatoria

Media, varianza y desviación típica de una variable aleatoria discreta.

Se llama media o esperanza de una v.a. discreta X, que toma los
valores x1, ,x2, ....con probabilidades p1, p2,... al valor de la siguiente
expresión:  
 i
x P( X  x ) 
i i 
xp i i i

La varianza viene dada por la siguiente fórmula: 

2
  i ( xi   )2 pi
que puede calcularse mediante:
 2   i xi2 pi   2

Ejemplo: La distribución de probabilidad de una v.a. X viene dada por la siguiente

tabla: xi 1 2 3 4 5
pi 0.1 0.3 a 0.2 0.3

¿Cuánto vale P(X=3)?

Calcula la media y la varianza.
19
 Modelos probabilísticos
MMODELOS DISCRETOS
eModelo BERNOULLI: Es un experimento que tiene las siguientes
características:
En cada prueba del experimento sólo son posibles dos resultados: el
suceso A que llamaremos éxito y el suceso complementario, Ac,
llamado fracaso.
El resultado obtenido en cada prueba es independiente de los
resultados anteriores.
La probabilidad del suceso A es constante y no varía de unas
pruebas a otras.

20
 Modelos probabilísticos

MODELOS DISCRETOS

Modelo BINOMIAL:

Este experimento lo forman repeticiones de pruebas del tipo Bernoulli y recibe el

nombre de distribución binomial de parámetros n y p donde n es el número de
pruebas del experimento y p es la probabilidad del éxito.

Si denotamos por X la variable aleatoria binomial que representa el número de

éxitos obtenidos en las n del experimento, su función de probabilidad viene dada
por:
n r
P(Obtener r éxitos )  P ( X  r )    p (1  p )n r
r 
Media:   np
Varianza:  2  np(1  p)
21
 Modelos probabilísticos

EJEMPLO
Calcula la probabilidad de que una familia que tiene 4 hijos, 3 de ellos
sean varones.

EJEMPLO
La probabilidad de que un alumno de repita curso es de 0,3. Elegimos
20 alumnos al azar. ¿Cuál es la probabilidad de que haya
exactamente 4 alumnos repetidores?

EJEMPLO
La probabilidad de que un reloj salga de fábrica defectuoso es del 4
%. Halla: El número esperado de relojes defectuosos en un lote de
1000
22
 Variable aleatoria
FUNCIÓN DE DENSIDAD DE UNA V.A. CONTINUA:
La función de densidad de una v.a. continua cumple las siguientes
condiciones:
Sólo toma valores no negativos, f(x) ≥ 0.
El área encerrada bajo la curva es igual a 1.

Función de distribución. Como en el caso de la v.a. discreta, la función de

distribución proporciona la probabilidad acumulada hasta un determinado valor
de la variable, es decir,
F ( x )  P( X  x )
Cumple las siguientes condiciones:
Su valor es cero para todos los puntos situados a la izquierda del menor
valor de la variable.
Su valor es 1 para todos los puntos situados a la derecha del mayor valor
de la variable. 23
 Modelos probabilísticos
MODELO NORMAL o GAUSSIANO
Hay muchas v.a. continuas cuya función de densidad tiene forma de
campana.
Ejemplos:
• La variable peso en una población de personas de la misma edad y sexo.
• La variable altura de la población citada.
• Las notas de una asignatura (mito urbano).
Para expresar que una v.a. continua X, tiene una distribución normal de
media  y desviación típica  , escribimos:
X N (  , )

24
 Modelos probabilísticos
Distribución normal estándar
De las infinitas distribuciones normales, tiene especial interés la que tiene
media igual a 0 y desviación típica igual a 1, es decir, N(0,1). Esta
distribución recibe el nombre de normal estándar o tipificada.

Existen tablas que permiten calcular probabilidades de la distribución

N(0,1).

Por ello cuando tenemos una v.a. X que sigue una distribución normal de
media  y desviación típica  pasamos a otra variable Z que sigue una
distribución N(0,1) mediante la siguiente transformación:

X 
Z


25
 Modelos probabilísticos
Halla, en una distribución N(0, 1), las siguientes probabilidades:
(a ) P  z   0,2 (b ) P  z  1,27 (c ) P   0,52  z  1,03

P  z   0,2  P  z  0,2  0,5793

P  z  1,27  1  p  z  1,27  1  0,8980  0,1020

P   0,52  z  1,03   P  z  1,03   P  z   0,52

 P  z  1,03   1  P  z  0,52 
 0,8485   1  0,6985   0,5470

26
Modelos probabilísticos

27
Modelos probabilísticos

28
 Modelos probabilísticos

Aproximación de la distribución binomial mediante la normal

Cuando n es suficientemente grande el comportamiento de una

distribución binomial, X~B(n, p), es aproximadamente igual a una
distribución normal,


N np, np(1  p) 
Suele considerarse que la aproximación es buena cuando np>5 y nq>5

EJEMPLO
Se lanza una moneda correcta al aire 400 veces. Calcula la probabilidad de
obtener un número de caras comprendido entre 180 y 210, ambos inclusive.

29
Simulación de Monte Carlo

 Monte Carlo es básicamente un experimento de muestreo

cuyo propósito es estimar la distribución de un resultado
que depende de una o más variables probabilísticas.

 Es generalmente utilizado para evaluar el impacto esperado

de una decisión determinada y el riesgo relacionado con
esa decisión.
Beneficios de la simulación

1. Permite simular sin correr los riesgos asociados a la

implementación (responder a la pregunta what if?)

2. Es una técnica muy sencilla de utilizar y fácil de explicar

(interpretación de resultados).

3. Otorga un cierto nivel de confianza para la toma de decisiones.

Desventajas

1. El tiempo para desarrollar un modelo detallado se incrementa

con la dificultad del problema a resolver

2. Falta de respuestas concretas (es necesario repetir un

experimento varias veces como para poder repetir sus
resultados), en contraposición con ciertos modelos analíticos que
tienen sólo una solución correcta (sería lo ideal).
Distribuciones de probabilidad
Otras distribuciones de probabilidad
Posición, forma y dispersión

 Hay distribuciones de probabilidad discretas y continuas

 Cada distribución tiene sus propias características:

 La posición en base a una medida central que indique donde se
ubica la distrib. de la variable

 La dispersión: se refiere a la magnitud o al grado de concentración

de los valores de la variable en torno a la media

 La forma: deformaciones horizontales o verticales que presentan

los datos en su comportamiento
Normal - Triangular

NORMAL
 La distribución normal es continua, se observa en muchísimos
fenómenos naturales, es la más general, la de mayor utilización.

TRIANGULAR
 Es continua.
 Es definida mediante un valor mínimo, un valor máximo, y un
valor más probable.
 Es utilizada como una aproximación a la distribución normal
cuando no se tiene información en forma completa (aplica
rangos)
Poisson - Binomial

POISSON (discreta)
 Es aplicable a variables que suceden en un determinado período de
tiempo, como por ejemplo, el número de items que compra un
cliente en un día, las salidas por mes de inventario, los errores por
línea de programación de un código de software.
 Asume que el promedio es constante.

BINOMIAL (discreta)
 Está basada en la distribución de Bernoulli, que se caracteriza por ser
una distribución de una variable aleatoria con dos resultados posibles
(éxito o fracaso).
 La distribución binomial hace “n” replicas de las pruebas de Bernoulli
y puede utilizarse, por ejemplo, para campañas de venta
(telemarketing, etc.)
Lognormal - Exponencial

LOGNORMAL (continua)
 Tiene aplicación en funciones en las que altos valores de la variable tengan
muy poca probabilidad (y que tampoco puedan ser negativos), tales como
tiempos de proceso de tareas de producción, valores de acciones, valores
inmobiliarios, etc.

EXPONENCIAL (continua)
 Es representativa de hechos que ocurren aleatoriamente a través del
tiempo. Es por ejemplo utilizada para estimar desde el tiempo de arribo de
clientes (servicios) o el tiempo de falla de maquinarias, luces, y otro tipo de
instrumentos mecánicos o electrónicos
 Esta función no tiene memoria, es decir, un evento actual no tiene
incidencia sobre el próximo (pueden llegar 2 clientes, uno detrás del otro, o
ninguno, una maquina puede romperse tan pronto fue reparada...)
Menos frecuentes

GEOMÉTRICA

 Es una secuencia de la distribución de Bernoulli que describe el

número de intentos hasta el primer “suceso” o “falla”.
 Es aplicable a producción (número de partes hasta que ocurre una
falla).

WEIBULL

 Es utilizada para pruebas de fatiga y estrés en piezas o componentes,

tiempos de falla en equipamientos, etc.
Menos frecuentes (2)

BETA

 Mide variaciones entre el valor cero de la variable y sus positivos.

 No tiene mayores aplicaciones...

HIPERGEOMETRICA

 Similar a la binomial, pero utiliza un muestreo sin reposición.

 Se utiliza para el control de calidad.
Menos frecuentes (3)
GAMA
 Variables que impliquen el paso del tiempo en procesos que no sean
completamente aleatorios (tiempos para completar una tarea,
inventarios, insurance risk theory)

LOGISTIC
 Utilizada para medir el crecimiento de la población a través del tiempo.

PARETO
 Describe sucesos en los que una pequeña proporción de items
representa una gran proporción de la variable medida (control de
inventarios, rentabilidad por línea de productos, variación en índices
accionarios, etc.)
Menos frecuentes (4)

NEG. BINOMIAL
 Similar a la distribución geométrica, pero mide el numero de intentos
hasta la consecución del suceso (cantidad de llamados para que un
telemarketer cierre una venta)

EXTREME VALUE
 Describe el limite máximo de un suceso a través del tiempo (lluvia
por período, etc.)

CUSTOM
UNIFORME
Tests

“Skewness”
 Describe en que grado una distribución no es simétrica.
 Una distribución puede estar orientada hacia la izquierda
(negativamente) o hacia la derecha (positivamente).
 Hay que analizar si el valor es positivo o negativo.
 Mientras mas se acerque a cero, es mas simétrica.
 Mayor a 1 o menor a –1 es altamente asimétrica.
 Coeficientes normales de simetría podrían estar ubicados entre –0,5
y 0,5.
Resultados

P value >0,5
Kolmogorov – Smirnov<0,03
Anderson – Darling Test<1,5.
Resultados

P value >0,5
Kolmogorov – Smirnov<0,03
Anderson – Darling Test<1,5.
Bibliografía

Introduction to Simulation and Risk Analysis

James R. Evans – David L. Olson (Prentice Hall)