Distribuciones de Probabilidad

Continuas:
n

Uniforme- Triangular
n

Exponencial
n

Tiempos de llegada de clientes o procesos.

Gamma-Weibull
n

Tiempo para completar un trabajo (servicio o reparaciones)

Tiempo de fallas

Normal
n

Varia en un rango y no se sabe mucho ms acerca de la

variable.

Variaciones alrededor de una media (medida de piezas)

Law & Kelton (Cap. 6)

SPGR

Nmeros Aleatorios
n

Base para generar variables aleatorias

son los nmeros aleatorios.
Generadores de nmeros aleatorios se
caracterizan por una semilla.
Utilizar diferentes semillas para
diferentes variables.

SPGR

Manejo del Tiempo de la

Simulacin

Mecanismos de Manejo del

Reloj
n

Debido al aspecto dinmico de la

simulacin discreta, se debe mantener
un registro del tiempo durante la
ejecucin del modelo de simulacin:
reloj de simulacin.
Dos mtodos clsicos para el manejo
del reloj:
n

Fixed I ncrement

Next-Event

SPGR

Contina ....

Mecanismos de Manejo del

Reloj
Fixed-Increment

Tiempo
Eventos
Next-Event

Tiempo
Eventos
SPGR

V. Anotaciones sobre Medidas

de Desempeo en un Modelo
de Simulacin Discreta

SPGR

Contadores Estadsticos
n

Contadores que dependen del nmero

de entidades en el sistema
n

Tiempo de demora de las piezas en cola

Contadores que dependen del tiempo

de la simulacin
n

Nmero de Piezas en Cola

Utilizacin de una mquina

SPGR
continua ...

Contadores Estadsticos
Contadores que dependen del n mero de entidades (piezas) se calculan
como un promedio de la variable de inters.
n

d$ ( n ) =

Di

i =1

Ejemplo: Demora promedio en cola se calcula promediando

las demoras de cada pieza que llega a la mquina.
SPGR
continua ...

Contadores Estadsticos
Los contadores que dependen del tiempo de la simulaci n se calculan
ponderando los diferentes valores de la variable por el porcentaje del
tiempo en el cual ocurre dicho valor.

q(n) =

i pi

i= o

Ejemplo: El nmero de piezas en cola en frente a una mquina se

calcula ponderando la longitud de la cola por el
tiempo que se mantuvo dicha longitud.
SPGR
continua ...

Contadores Estadsticos

Cola

q (n) =

i pi =
i= o

i*T

i =0

T (n )

T (n)

Q (t )

T (n)
Q(t)

4
3
2
1
tiempo
T(n)

SPGR

Ejemplo No. 1:
Representacin I nterna de
un Modelo de Simulacin de
una Cola de un Banco.
Desarrollado por Germn Riao M .
SPGR

Estudios de Simulacin.

SPGR

Pasos en un Estudio de
Simulacin.
Formulacin del problema y
planeacin del estudio
Definicin del modelo y
recoleccin de datos

No

Vlido?
Si

Construccin del programa

Pruebas Piloto

No

Vlido?
Si

SPGR
continua ...

Pasos en un Estudio de
Simulacin.(...)
Diseo de Experimentos

Corridas del Modelo

Anlisis de Datos de Salida

Conclusiones e implementacin
de resultados
SPGR

1. Formulacin del problema.

Especificar claramente los objetivos generales del
estudio y los resultados especficos que se esperan
obtener - gerencia puede no saberlo.

Lmites del sistema.

Medidas de desempeo para comparar diferentes

configuraciones.

Configuraciones que se van a estudiar.

Software de simulacin.

Reunin para las metas que se buscan.

Un slo modelo puede no dar todas las respuestas.

SPGR

2. Definir el modelo y recoger

datos.

Recoger informacin de los procedimientos y la

lgica de operacin del sistema.
n

Una persona o documento no es suficiente

Algunas personas tiene informacin insuficiente

Los procedimientos pueden no estar formalizados

Recoger datos (si es posible) para especificar los

parmetros del modelo y las distribuciones de
probabilidad de entrada.
Delinear la informacin anterior en un
documento de supuestos
Recoger datos (si es posible) del desempeo del
sistema (para el paso 6).

SPGR
continua ...

2. Definir el modelo y recoger

datos

El nivel de detalle debe depender de:

n

Objetivos del proyecto

Disponibilidad de informaci n

Preocupacin por la credibilidad

Restricciones computacionales

Medidas de desempeo

Opiniones de expertos acerca del sistema

Restricciones de tiempo y dinero

No debe haber una correspondencia uno a uno

entre el modelo y el sistema
I nteraccin con la gerencia ( y otras partes
claves del proyecto) de forma permanente.

SPGR
continua ...

En la definicin del modelo...

n

Determinar claramente el nivel de

resolucin !
Alta Resolucin

Baja Resolucin

SPGR
continua ...

En la definicin del modelo...

n

Grado de diferenciacin dentro del

modelo !
Clientes

Cobrar
cheque

Prstamo

Hay un
tocador?

SPGR
continua ...

En la definicin del modelo...

n

Mayor complejidad no siempre resulta

en mayores beneficios!
Curva de Laffer
Complejidad

Utilidad
SPGR
continua ...

En la definicin del modelo...

n

Comenzar con un modelo simple e ir

adicionando los elementos que
agreguen precisiones importantes ...

CRUNCH!!
SPGR

3. Validacin y mejoramiento
de la credibilidad
n

Realizar una caminata estructurada por el

modelo conceptual utilizando el documento
de supuestos antes de presentar el modelo a
todo el personal de la empresa.
n

n
n

Asegura que los supuestos del modelo estn

completos y correctos.
Promueve el sentido de compromiso del modelo.
Se realiza antes de empezar la programacin para
evitar reprogramacin.
SPGR
continua ...

Un buen modelo debe ...

n

Estar orientado hacia los objetivos.

Fcilmente entendible.

Flexible, fcil de modificar y actualizar.

Robusto. Permanecer vlido bajo una gran variedad

de condiciones.

Fcil de implementar.

Comunicar claramente los resultados.

No incluir m s detalle del que sea necesario

Describir los principales fenmenos con una precisin

aceptable.
SPGR

4. Construccin de un
programa de computador y
verificacin
n

Decidir si utilizar un software de uso

general o un software de simulacin.
Debug del programa para asegurar
que refleje el modelo conceptual.
Usar animacin para mejorar la
credibilidad.
SPGR

5. y 6. Pruebas piloto y
validacin del modelo
n

Hacer que expertos en el sistema

analicen los resultados numricos y las
animaciones de las pruebas piloto para
asegurar su racionalidad.
Anlisis de sensibilidad para determinar
factores importantes del modelo.
Comparar el desempeo del modelo y
del sistema real (si existe).
SPGR

7.,8.,9. Disear, Realizar y Analizar

las corridas de simulacin.
n
H

Decidir cuales configuraciones del sistema van a ser simuladas.

Como un modelo de simulacin solamente produce estimadores
estadsticos del desempeo del sistema, el analista debe
especificar para cada configuracin del sistema la eleccin
adecuada de:
n

Condiciones I niciales

Longitud de cada corrida del modelo

Longitud del periodo de calentamiento

Nmero de corridas independientes del modelo

Determinar medidas de desempeo absolutas y/ o determinar la

mejor configuracin para cada una de las medidas de
desempeo utilizadas.

SPGR

10. Documentar, presentar y

usar los resultados.
n

Documentar los supuestos, el programa

de computador y los resultados para
futuros proyectos.
Presentar los resultados del proyecto usar animacin, grficas y una discusin
sobre el proceso de
construccin/ validacin.
SPGR

Simulacin en Sistemas de
Manufactura

SPGR

Aumento en la utilizacin de
herramientas de simulacin ...
n

n
n

Aumento de la competitividad, implica una

mejor comprensin de la complejidad del
sistema productivo de una empresa.
Costos computacionales ms bajos.
Mejoramiento en el software de simulacin ha
reducido los tiempos de desarrollo de los
modelos.
Animacin ha permitido una mayor
comprensin y utilizacin de la simulacin por
parte de los dueos del sistema.
SPGR

Beneficios de la simulacin en
sistemas de manufactura
O

Visin global del ambiente de manufactura que

permite evaluar el efecto en el tiempo de los cambios
locales que se realizan en el sistema.
Aumentar el throughput (partes producidas por
unidad de tiempo).

Reducir el inventario en proceso (WI P).

Aumentar la utilizacin de maquinaria y trabajadores.

Aumentar el nmero de ordenes despachadas a

tiempo a los clientes.

SPGR
continua ...

Beneficios de la simulacin en
sistemas de manufactura
n

Reducir la inversin de capital o los costos de

operacin.
Brinda un seguro de que un diseo del sistema
operar como se espera.
I nformacin recolectada para construir el modelo de
simulacin mejora la comprensin del sistema.
Un modelo de simulacin generalmente hace
reflexionar a los involucrados en el sistema de
produccin acerca de limitaciones que daban por
supuestas (el ambiente de manufactura como
elemento de control).
SPGR

Aspectos de manufactura
sobre los cuales la simulacin
ha sido exitosa ...
n

Necesidades de equipo y personal

n
n

n
n

Nmero y tipo de mquinas para un objetivo particular

Nmero, tipo y ubicacin de gr as, bandas transportadoras,
transportadores y otro equipo de soporte.
Localizaci n y tamao de inventarios de seguridad.
Evaluacin del cambio en el volumen o la mezcla de
productos.
Evaluacin del efecto de una nueva pieza de equipo (e.g.
robot) en una lnea existente.

Evaluacin de la inversin de capital

Requerimientos de mano de obra

SPGR
continua ...

Aspectos de manufactura
sobre los cuales la simulacin
ha sido exitosa ...
n

Evaluacin de desempeo
n

Anlisis de throughput

Anlisis de tiempo de proceso

Anlisis de cuellos de botella

Evaluacin de procedimientos operativos

n

Secuenciacin de produccin

Polticas de componentes y materias primas

Estrategias de control

Anlisis de confiabilidad

Polticas de control de calidad

SPGR

Medidas de desempeo
n

Throughput

Tiempo en el sistema

Tiempo en cola de las partes.

Tiempos de transporte

Tiempos de entrega (e.g. No. ordenes retrasadas)

WI P

Utilizacin de personal y maquinaria

Tiempos muertos de maquinaria

Partes defectuosas o reprocesadas

SPGR

Fuentes de Aleatoreidad en
sistemas de manufactura
n

Tiempos entre llegadas de partes, trabajos o

materias primas al sistema
n

En algunos casos puede ser conocido: programa de

produccin.

Tiempos de procesamiento o ensamble de las partes

Tiempos de operacin entre fallas o daos

n

Baja disponibilidad y precisin de datos

Tiempos de reparacin (downtimes)

n

Reloj

Operacin

Tiempos de alistamiento de m quinas

n

Cambios de piezas

ANLI SI S DE DATOS
ENTRADA.

SPGR

Anlisis de Datos de Entrada

Y la estad
estadstica?

Porqu
Porqu
preocuparse?

Cmo lo hago?
SPGR

Objetivos Generales
n

Reforzar los conceptos generales de

estadstica.
I dentificar la problemtica asociada con la
recoleccin y anlisis de datos.
Estar en capacidad de analizar datos de
entrada para la construccin de modelos de
simulacin.
Familiarizarse con Stat: :Fit como herramienta
de anlisis de datos.
SPGR

I . Cmo incluir la
variabilidad en un modelo
de simulacin?

Cmo analizar la variabilidad?

n

En un modelo de simulacin que tiene

componentes aleatorios, se debe incluir
explcitamente la variabilidad de los
datos que lo alimentan.
Teora de Probabilidad: Desarrollo de la
teora de juegos de azar en el siglo
XVI I I .
SPGR

Experimentos Aleatorios
n

Experimento aleatorio: es un proceso cuyo resultado

no se conoce con certeza.
Cada vez que se realiza un experimento aleatorio
arroja un nico valor.
El conjunto de valores posibles de un experimento
aleatorio se puede determinar.
Ejemplos de experimentos aleatorios:
n
n
n

Lanzar una moneda.

Si una pieza va a salir defectuosa o no de una operacin.
Tiempo que demora un operario realizando un trabajo sobre
una pieza.
SPGR

Probabilidad y Variables
Aleatorias
n

Probabilidad: medida de certeza de los posibles resultados

(eventos) de un experimento aleatorio.
n

Ej: P[ Defectuosa] = 0.4, P[ No Defectuosa] = 0.6

Variable aleatoria: es un nmero que caracteriza un

experimento aleatorio.
n

Ej: Defectuosa - 1 , No Defectuosa - 0

Ej: Tiempo de Operacin entre 5 -30 minutos

Las variables aleatorias se caracterizan a travs de una funcin

de probabilidad (densidad).

4 Si se conoce la funcin de probabilidad de una variable

aleatoria, se puede calcular la probabilidad de ocurrencia de
cualquier evento del experimento aleatorio asociado.
SPGR

Distribuciones de Probabilidad
Distribucin Poisson

Distribucin Exponencial (l)

0.19

1.03

0.09

0.51

0.00
0.0

2.6

5.2

7.8

10.4

13.0

0.00
0.0

2.8

4.1

5.5

6.9

Distribucin Erlang(c,d)

Distribucin Normal(a,b)
0.4

0.04

0.2

0.02

0.0
-3.09 -2.47 -1.85 -1.24 -0.62 0.00 0.62 1.24 1.85 2.47 3.09

1.4

0.00
0.0

14.8

29.6

44.4

59.2

74.0
SPGR

Distribuciones de Probabilidad
Discretas:
n

Bernoulli
n

Uniforme Discreta
n

Variable aleatoria con dos salidas posibles.

Salidas igualmente probables

Poisson
n

Nmero de eventos que ocurren en un

intervalo de tiempo (tamao de lotes
aleatorios, demandas).
SPGR

Distribuciones de Probabilidad
Continuas:
n

Uniforme- Triangular
n

Exponencial
n

Tiempo para completar un trabajo (servicio o

reparaciones)
Tiempo de fallas

Normal
n

Tiempos de llegada de clientes o procesos.

Gamma-Weibull
n

Varia en un rango y no se sabe mucho ms acerca de

la variable.

Variaciones alrededor de una media (medida de piezas)

Law & Kelton (Cap. 6)

SPGR

Solucin ...
n

Los programas de simulacin utilizan las

funciones de probabilidad y las funciones de
densidad de probabilidad para modelar los
componentes aleatorios durante la ejecucin
del modelo.
Si se conocen las funciones de probabilidad
de las diferentes variables aleatorias
involucradas en el sistema, se puede incluir la
variabilidad en el modelo de simulacin.
Determinar la distribucin de probabilidad .
SPGR

I I I . Cmo determinar la
distribucin de probabilidad?

Cul es la distribucin?
n

Para determinar la distribucin es

deseable tomar datos del experimento
aleatorio siempre que sea posible.
Estadstica: Orgenes en estudios
demogrficos para descripcin de
poblaciones y asentamientos humanos.
Conceptos bsicos ...
SPGR

Estadstica Descriptiva
n

Primeras aplicaciones de
estadstica consistieron en la
presentacin de la
informacin en forma de
tablas y grficas.

100
80
60
40

Mtodos descriptivos son de

gran utilidad y son muy
difundidos en la actualidad.

20
0

Actualmente son un
componente muy pequeo de
la estadstica.

Mquina 1

Mquina 2

SPGR

I nferencia I nductiva.
Progreso de la ciencia generalmente le es
atribuido a la experimentacin.
Datos de
Experimentos

Generalizaci n
Generalizaci

Anlisis de
An
Resultados

Conclusiones

El desarrollo de la estad
estadstica en los ltimos a
aos ha
sido encaminado en el desarrollo t
tcnicas para
generalizar las conclusiones de datos experimentales.
SPGR

I nferencia Estadstica
Poblaci n: Un conjunto de elementos
Poblaci
sobre los cu
cu les se desea obtener cierto
tipo de informaci
informaci n (variables aleatorias).
Muestra: Un subconjunto
de la poblaci
poblaci n. Muestra
aleatoria (datos) .

I nferencia Estadstica: Usar la informacin de la

muestra para concluir acerca de la poblacin,
midiendo el grado de certeza de esas
generalizaciones.
Ej: Distribucin de los datos.

SPGR

Estimacin Puntual
Objetivo: Determinar el valor de un
parmetro de la distribucin a partir de la
muestra.
n

Parmetro: es un valor que d informacin

acerca del comportamiento aleatorio de la
poblacin.
Estimador: es una funcin (estadstica) de la
muestra que me permite obtener un valor
numrico que se aproxima al parmetro.
SPGR

Estimacin Puntual.
Propiedades de un buen estimador:
n

I nsesgamiento: Si el valor esperado del

estimador es el parmetro de la poblacin.
Eficiencia: Si es el que posee la menor
varianza de un conjunto de estimadores.
Suficiencia: Si guarda toda la informacin de
la muestra.
Consistencia: A medida que el tamao de la
muestra aumenta es mejor la estimacin del
parmetro de la poblacin.

SPGR

Estimacin Puntual.
n

Estimadores ms comunes:
M uestra

Poblaci
Poblaci
n

Media Muestral
x =

x 1 + x 2 +L+ x n
n

Varianza Muestral
s2 =

( xi x )
n1

Media Poblacional
Ej:: Tiempo promedio de
Ej
ejecuci n de cierta tarea.
ejecuci

Varianza Poblacional
Ej: Variabilidad del
Ej:
tiempo de revisi
revisi n de una
SPGR
pieza.

Pruebas de Hiptesis
n

n
n

Adicionalmente a encontrar valores para

parmetros de inters, la estadstica
permite responder preguntas (hiptesis)
acerca de los parmetros de la
poblacin y acerca de su relacin con
otras variables.
Obtener conclusiones de los datos.
Tomar decisiones de acuerdo con los
resultados.

SPGR

Pruebas de Hiptesis
n

Hiptesis Estadstica: Es una suposicin

acerca de una poblacin.
Prueba Estadstica de Hiptesis : es una regla
que determina la validez de una hiptesis
estadstica. Las reglas se construyen
utilizando la informacin de la muestra, e.g.,
n

Rechace la hiptesis si el promedio de pacientes

sin secrecin es menor que el promedio de
pacientes con secrecin.

Hiptesis Nula e Hiptesis Alterna

SPGR

Tipos de Error en una

Prueba de Hiptesis
n

Error de Tipo I : Rechazar la hiptesis

nula, siendo que es verdadera
Error de Tipo I I : Aceptar la hiptesis
nula, siendo que es falsa.
Situacin Real
Accin

H o es verdadera

Acepta H o

1-
( Nivel de Confianza)

Rechaza Ho

Ho es falsa

1-
(Potencia)

SPGR

Procedimiento para pruebas

de hiptesis.
n
n

Plantear las hiptesis nula y alterna

Determinar el estadstico de prueba (funcin
de la muestra).
Determinar la regin crtica (valores del
estadstico de prueba que llevan al rechazo
de la hiptesis nula).
Calcular el valor del estadstico de prueba con
base en la muestra.

Tomar la decisin estadstica.

I nterpretar.

SPGR

Ejemplos de Hiptesis ...

H0 : 1 = 2
El tiempo promedio de operacin de la pieza A es igual al tiempo
de operacin de la pieza B

H1 : 1 < > 2
Los tiempos de operacin promedios son diferentes

Este tipo de pruebas sirven para verificar si los

grupos a estudiar tienen las mismas caracter sticas

Pruebas dependen del nmero de datos disponibles

SPGR

Ejemplos de Hiptesis ...

H0
La distribucin de mis datos es exponencial

H1
La distribucin de mis datos no es exponencial
n

Pruebas dependen del nmero de datos

disponibles
SPGR

Solucin ...
n
n

Tomar datos aleatoriamente.

Utilizar la estadstica para analizar los
datos.
Estimar los parmetros de las
distribuciones.
Realizar pruebas de hiptesis para
determinar la distribucin !!!
SPGR

I V. La I mportancia de un Buen
Anlisis de Datos de Entrada

Porqu preocuparse?
Un momento! Estoy muy
ocupado para analizar datos!

SPGR

Porque ... los errores son

costosos
n

El modelo no se comporta como el

sistema real.
Las conclusiones a las cuales se llega,
pueden estar completamente erradas.
Errores en la toma de decisiones
pueden ocasionar prdidas importantes!

SPGR

Error: Reemplazar por la

media
Promedio 32 piezas por da

Tiempo promedio
de operacin 30 minutos

Tiempo promedio entre piezas: 15 minutos

SPGR

Contina ...

Error: Reemplazar por la

media
Utilizando
Utilizando
la Media

Tiempos Exponenciales

Utilizaci
Utilizaci
n Operarios

97%

6868
-71%

Tiempo en Sistema (prom.

(prom.)
)

30

28.92

Tiempo Espera (prom.)

5.43

38.87

.32

Desempe
Desempe
o

(max
max.)
.)
Nmero Pzas Espera (prom.)
(max
max.)
.)
Tiempo de Operaci
Operacin

8 hr
hr/15
/15 min

8 hr
hr/57
/57 min
SPGR

Error: Escoger la distribucin

equivocada

Exponencial
Logstica
Beta

Normal
Poisson

Gamma

SPGR

Contina ...

Error: Escoger la distribucin

equivocada
Utilizando
Utilizando
Tiempos Exponenciales Tiempos Normales

Desempe
Desempe
o

Utilizaci
Utilizaci
n Operarios

6868
-71%

9393
-100%

Tiempo en el sistema(prom
sistema(prom.)
.) 28.92

75.46

Tiempo Espera (prom.)

5.43

45.43

38.87

133.97

.32

(max
max.)
.)
Nmero Pzas Espera (prom.)
(max
max.)
.)
Tiempo de Operaci
Operacin

8 hr
hr/57
/57 min

8 hr
hr/16
/16 min
SPGR

V. Procedimiento para el
Anlisis de Datos de
Entrada.

I ntroduccin
Si se dispone de datos de las variables de inters entonces
se puede escoger uno de los siguientes mtodos
para escoger las distribuciones de entrada:
n

Usar los valores directamente

Escoger una distribucin emprica

Escoger una distribucin terica.

Pruebas de Hiptesis.
SPGR

Usar Datos Directamente.

Ventajas
n

Cada observacin se le asigna el valor de la variable,

entonces refleja fielmente la realidad
Recomendado para validaciones de resultados.

Desventajas
n

Se necesitan muchos datos para alimentar las

corridas.
nicamente se reproduce el comportamiento
histrico.
SPGR

Ajustar Distribucin Emprica

Ventajas
n

Permite generar un nmero mayor de valores.

Desventajas
n

Solamente se pueden generar valores dentro del

rango de la variable.
Pueden ser muy irregulares cuando se tienen pocas
observaciones.
Requieren muchos datos para capturar el
comportamiento real de la variable.
SPGR

Ajustar Distribucin Terica

Ventajas
n

Permite generar una gama grande de valores de la

variable de inter s.
Es una forma compacta de representar los datos.

Desventajas
n
n

Estadstica.
Se encuentra limitado a un nmero finito de
distribuciones.
SPGR

Pasos para ajustar una

distribucin ...
16

51
9

54
22

3 27
8

10
43

43

12

SPGR

Anlisis Descriptivo Bsico.

n
n

Descriptivas
n

Media Muestral, Moda, Mediana

Varianza, coeficiente de variacin.

Mnimo, Mximo.

Sesgo (Skewness), Kurtosis.

Grficos.
n

Serie.

Correlogramas.

Histogramas

P-P, Q-Q Plots.

Histograma
0.4

Estimadores.

0.2

Test de Bondad de ajuste.

0.0
-4.0 -3.2 -2.4 -1.6 -0.8 0.0 0.8 1.6 2.4 3.2 4.0

SPGR

Serie.
80
Valor

70
60
50
40
30
20
10
0
0

20

40

60

80

100
Dato

SPGR

Serie
70
60

Valor

50
40
30
20

10
0
0

20

40

60

80

100

120

Dato

SPGR

Correlograma.
$

0.5

+
+

+
+ +

+
+
+

+
+

-0.5

-1

SPGR

Correlograma.
$
1

j
+
+

0.5

+
0

+
+

+
+

+
+

-0.5

-1
SPGR

Scatter Plot.
Xi +1
Xi +1

Xi
Xi
SPGR

Histograma.
0 Si bk x < b0
h(x) =
hj Si bj 1 x < b j j= 1,2...k
hx

Nmero de I ntervalos (k):

n

k= 1+ Log

k= (4n) 2/ 5 .

5 datos por intervalo.

n.

b0 b1

bj

SPGR

Test.
n

Test de Aleatoreidad: se utiliza para

probar si los datos de una muestra son
aleatorios entre s.
Test de Homegeneidad: se utiliza para
probar si un o ms conjuntos de datos
tomados en diferentes tiempo o distancia
son iguales.
n

Ejemplo: en un sistema de atencin, los

tiempos de servicio son independientes del
da, del operario.

SPGR

bk

 Probability Plots (P-P Plots).

Quantile Plots (Q-Q Plots).
1
q

Fn(x)
F$ (x)

SPGR

Probability Plots (P-P Plots).

P-P Comparison Between Input Distribution and
Normal(1.00,1.02)

Normal

1.0
0.8
0.6
0.4
0.2
0.00.0

0.2

0.4

0.6

0.8

1.0

P-P Comparison Between Input Distribution and Erlang(6.56,0.47)

+ -2.11

Erlang

1.0
0.8
0.6
0.4
0.2
0.0
0.0

0.2

0.4

0.6

0.8

1.0

SPGR

 Quantile Plots (Q-Q Plots).

Q-Q Comparison Between Input Distribution and
Normal(1.00,1.02)

Normal

4.0
3.2
2.4
1.6
0.8
0.0
-0.8
-1.6
-2.4
-3.2
-3.2 -2.4 -1.6 -0.8 0.0 0.8

1.6 2.4 3.2

4.0

Q-Q Comparison Between Input Distribution and

Erlang(6.00,0.56) + -2.11
4.0
3.2
2.4
1.6
0.8

Erlang

0.0
-0.8
-1.6
-2.4

SPGR

-3.2
-4.0
-4.0

-3.2

-2.4

-1.6

-0.8

0.0

0.8

1.6

2.4

3.2

4.0

Comparacin Grfica
Comparison of Input Distribution and
Erlang(6.00,0.56) + -2.11
0.4

Input

0.2

Erlang

Comparison of Input Distribution and

Normal(1.00,1.02)
0.0
-3.2

-2.4

-1.6

-0.8

0.0

0.8

1.6

2.4

3.2

4.0

0.4

Input

0.2

0.0
-2.4

Normal

SPGR
-1.6

-0.8

0.0

0.8

1.6

2.4

3.2

4.0

Pruebas de hiptesis
H0 :
La distribucin es f(x)
H1 :
La distribucin no es f(x)
Rechace Ho ssi el valor p < 0.05 (0.10)

Chi-cuadrado
n

Cambia de acuerdo con el nmero de

intervalos

SPGR

Contina ...

Pruebas de hiptesis
n

Ms de una distribucin puede resultar

significativa (no se rechaza).
Las diferentes pruebas pueden arrojar
diferentes distribuciones significativas.
Complementar la decisin con el anlisis
descriptivo y grfico.
Sentido com n !!!
SPGR

Cuando no se tienen datos ...

n

En muchas ocasiones no se dispone de datos.

Entrevistas.

Determinar si son hechos o percepciones

Unidades

No sugerir valores

Mirar valores extremos

Generalmente se ajustan distribuciones triangulares

(m nimo, moda, m ximo) o betas

Utilizar sentido comn.

Sensibilidad.
n

Error: Utilizar demasiado la triangular!!!

SPGR

Cmo lo hace ProModel

?.
Funciones de distribucin
Acumulada.
F(X)
1,2
1
0,8
0,6
0,4
0,2
0
0

Ttulo del eje

SPGR

Nmeros Aleatorios
n

Base para generar variables aleatorias

son los nmeros aleatorios.
Generadores de nmeros aleatorios se
caracterizan por una semilla.
Utilizar diferentes semillas para
diferentes variables.
En ProModel se dispone de 100 semillas
diferentes (100 generadores
SPGR
diferentes).

Pasos para ajustar datos

en Stat: : Fit
n

Alimentar los datos (manualmente,

copiar-pegar, o importar texto)

Auto-ajustar las curvas

Examinar los resultados

Exportar la mejor a ProModel

110

Stat::Fit
Stat::Fit
u

Abrir Stat::Fit del men Tools de

ServiceModel.

Abrir un grupo de datos (o proyecto de

Stat::Fit) del men File o del botn Tool.

Seleccionar Statistics - Descriptive para ver

ms informacin sobre los datos.

Click en el botn de Auto::Fit y confirmar el

tipo de distribucin y los parmetros.

SPGR

Stat::Fit
Stat::Fit
u

Revisar las opciones de ajustes y la

aceptacin o rechazo de la hiptesis nula.

Seleccionar la distribucin para ver qu tan

bien ajusta.

Click el botn Export, seleccionar una

distribucin y copiar al clipboard.

Pegar (paste) la distribucin (en formato

ServiceModel) en el modelo.

SPGR

Stat::
Stat::
Fit
Fit

Seleccionar
Seleccionar el
elconjunto
conjunto de
dedatos
datos
yy estadsticas
descriptivas
estadsticas descriptivas

SPGR

Stat::
Stat::
Fit
Fit

Click
Click Auto::Fit
Auto::Fit yy seleccionar
seleccionar el
el tipo
tipo
de
distribucin
y
parmetro
de distribucin y parmetro
SPGR

Stat::Fit
Stat::Fit

Seleccionar
Seleccionar una
una
distribucin
distribucin
aceptada
aceptada yyver
ver que
que
tan
tan bien
bienajusta
ajusta
SPGR

Stat::Fit
Stat::Fit
Seleccionar
Seleccionar la
la
distribucin
distribucin yy
copiar
copiar el
el
formato
formato al
al
clipboard.
clipboard.
Despus
Despus
pegarlo
pegarlo en
en
ServiceModel.
ServiceModel.
SPGR

Stat::Fit

117

Resultados del Stat: : Fit

118

Datos Reales vs.

Distribucin Seleccionada

119

Referencias
n

Harnett y Murphy, I ntroduccin al

Anlisis Estadstico
Mood, Graybill y Boes, I ntroduction to
the Theory of Statistics
Law y Kelton , Simulation Modeling and
Analysis

SPGR

EJEMPLO.
Sistema de Cmputo.

Anlisis y ajuste de datos de

entrada. Conexiones de
usuarios
n

Determinar las funciones de distribuci n que m s se ajusten

a la tasa de arribos de las sesiones
Mtodo:
n

Tanteo.

Batch Arrival.

n
n

Anlisis de la independencia de los datos entre las

observaciones de cada una de las muestras.
Pruebas de homogeneidad entre las diferentes muestras.
Determinaci n de las funciones de distribuci n que mas
se ajustan a la tasa de llegadas de las sesiones y a la
duracin de las mismas utilizando Best Fit .
SPGR

Cantidad de arribos diarios

n

Histograma de cantidad de arribos

Lunes 7am-7pm
500

400

300

200

100

Std. Dev = 10942.75

Mean = 45123.7
N = 3537.00

0
26833.3

41500.0
34166.7

56166.7
48833.3

63500.0

LULLE

Histograma de cantidad de arribos Jueves 7am-7pm

500

400

300
200

100

Std. Dev = 10952.33

Mean = 46080.6
N = 3589.00

0
26833.3

41500.0
34166.7

56166.7
48833.3

63500.0

SPGR

JUELLE

Conexiones de usuarios.
Anlisis y ajuste de datos de
entrada.

n
n

Tiempo en segundos

Tanteo:
n TI EMPO PROMEDI O ENTRE ARRI BOS

7:00 - 8:00
24.61

Lunes = 25.5

Viernes =

8:00 - 4:30
11.03 seg

Lunes = 10.74

Viernes =

4:30 - 7:00
15.58

Lunes = 15.20

Viernes =

CANTI DAD DE ARRI BOS DI ARI OS

Se tienen aproximadamente 3500 arribos

SPGR

I ndependencia
n

Scatter plot . Lunes - Tiempo entre

arribos
30 0

LUT ENT_1

20 0

10 0

0
0

1 0 0

2 0 0

3 0 0

L U T E N T

SPGR

I ndependencia.
u Correlograma: Lunes
LUTE N 122
1,0

,5

0,0
L m i t e s c o n fi d e n c i a l

ACF

-, 5

es

-1 , 0

C o e fi c ie n t e
1

3
2

5
4

7
6

9
8

11
10

13
12

15
14

16

N d e r e ta r d o s
SPGR

Homogeneidad.
n

Test de Kruskal-Wallis

M uestra: Lunes, M artes, M iercoles , Jueves, Viernes.

8:00 - 4:30
Corrected for Ties.
Chi- Square D.F. Significance Chi- Square D.F. Significance
0.0757
4
0.9945
0.0790
4
0.9942

M uestra: Lunes, M artes, M iercoles , Jueves, Viernes.

7:00 - 8:00
Corrected for Ties.
Chi- Square D.F. Significance Chi- Square D.F. Significance
3.241
4
0.5182
3.251
4
0.5167
SPGR

Conexiones de usuarios:
funciones de distribucin
Tiempo entre arribos: Lunes-Viernes ( 7am - 8 am )
Comparison of Input Distribution and PearsonVI(1,92;2,52;9,90)

0.08
Input

0.04

PearsonVI

0.00
0.0

0.5

1.0

1.5

2.0

2.5

Values in 10^2
SPGR

Conexiones de usuarios:
funciones de distribucin
Tiempo entre arribos: Lunes-Viernes ( 7am - 8 am )

SPGR

Conexiones de usuarios:
funciones de distribucin
Tiempo entre arribos: Lunes-Viernes ( 8 am - 4:30pm )
Comparison of Input Distribution and Expon(11,21)

0.10
Input

0.05

Expon

0.00
0.1

1.6

3.0

4.5

5.9

7.4

Values in 10^1
SPGR

Anlisis y ajuste de datos de

entrada. Programas y servicios
n

Toma de datos:
n

Lunes 7 a Viernes 11 de abril (7am 7pm)

Fuente: archivos binarios +
depuradores

Datos requeridos:
n

Comandos ms probables

Probabilidad de ejecutarlo

Tiempo de duracin en el sistema

SPGR

COMANDOS MAS
FRECUENTES
n

Comandos ms frecuentes son : pine, finger, talk, telnet, y

gopher

COMANDO PROBABI LI DAD

n

pine

0.66403626

finger

0.23817132

talk

0.05947761

t elnet

0.04861904

gopher

0.02990185

SPGR

Tiempos en el sistema:
Anlisis de autocorrelacin
Pine
1.0

DLUNES

.5

ACF

0.0
Confidence Limits

-.5
-1.0

Coefficient
1

3
2

5
4

7
6

9
8

11
10

13
12

15
14

16

Lag Number
SPGR

Tiempos en el sistema: Anlisis de

homogeneidad
Demasiados datos = > grficas y descriptivas
n
n

Viernes ( PI NE) :
Mean
363.741
Mode .190

Lunes ( PI NE) :

Mean
392.729
Mode
.220
Histogram
n

Frequency

2000

1000

Std dev
662.283
Minimum
.060
Std. Dev = 662.28
Mean = 392.7
N = 3907.00

115.000

Std dev
608.329
Variance 370064.214
Minimum
.040 Maximum 7613.440

3000

Median

Median

131.920

Histogram
3000

Variance 438618.176
2000
Maximum
8883.200
Frequency

1000

Std. Dev = 608.33

Mean = 363.7
N = 3982.00

.0
00 .0
90 00 .0
85 00 .0
80 00 .0
75 00 .0
70 00 .0
65 00 .0
60 00 .0
550 00 .0
55 00 .0
4 00 .0
40 00 .0
35 00 .0
30 00 .0
25 00 .0
20 00 .0
15 000
10 0.
500
0.

.0
00 0
7 50 0.
0
7 00 0. 0
6 50 0.
0
6 00 0.
0
5 5 0. 0
0
5 00 0.
0
4 50 0.
0
4 00 0. 0
3 50 0. 0
3 00 0.
0
2 50 0. 0
2 00 0. 0
1 50 0.
1 00 .0
50
0
0.

DLUNES

DVIERNES

SPGR

Tiempos en el sistema: Ajuste de

distribucin
n

Programa Best Fit

Pine
Comparison of Input Distribution and
PearsonVI(0.34,3.43e+3,3.85e+6) + -4.05e-7

0.003
Input

0.002
PearsonVI

0.000
0.0

1.8

3.6

5.3

7.1

8.9

Values in 10^3

A ceptada por los tests de D-W y K-S en primer lugar, y en

segundo por el Chi cuadrado

SPGR

SERVI CI OS PRI NCI PALES

n

Fuentes:
n

Logs
Administradores

Monitoreo

Servicios principales
n

http (WEB)

tacacs (Autenticacin)

popper (Consulta Mail)

sendmail (Envo y recepcin mail)

Procedimiento similar al anterior

SPGR