Fundamentos y Metodología de la Simulación de Sistemas: Transformación Inversa y Validación

Método de la Transformación Inversa para Variables Aleatorias

El método de la Transformación Inversa es una técnica fundamental para generar variables aleatorias a partir de una distribución deseada.

• r: Número aleatorio (uniformemente distribuido en [0, 1]).
• F⁻¹(r): Inversa de la función de distribución acumulada (FDA) deseada.
• X: Variable aleatoria deseada.

= inversa de la función de distribución acumulada deseada

Procedimiento

1. Encontrar la función de distribución acumulada, F(x).
2. Generar la inversa F⁻¹(r).
3. Generar una secuencia de números aleatorios r(i) (independientes e idénticamente distribuidos - i.i.d.).
4. Fijar Xᵢ = F⁻¹(rᵢ). Las Xᵢ son las variables aleatorias deseadas.

Tipos de Simulación según el Análisis de Salida

Simulación Terminal

Una simulación terminal es aquella en la que existe un evento natural E que determina la longitud de cada corrida. El evento E ocurre al tiempo que cumple con una de las siguientes propiedades:

1. El sistema está vacío.
2. Cuando ya no se puede obtener más información.
3. Es indicado por el usuario.

Simulación de Estado Estacionario

Es aquella para la cual no hay un evento natural E que especifique la longitud de una corrida. Ocurre cuando estamos diseñando un nuevo sistema o modificando uno existente, y estamos interesados en el comportamiento en estado estacionario del sistema cuando está funcionando "normalmente."

Errores Típicos en el Análisis de Salida de Simulaciones

Se identifican tres errores comunes al analizar los resultados de una simulación:

1. Analizar los datos entregados de una corrida de simulación usando las fórmulas [e.g., Ecuación (2)] asumiendo independencia, lo cual a menudo es incorrecto.
2. No tener un período de calentamiento (warm-up period) para los análisis de estado estacionario.
3. Determinar la precisión estadística de los estadísticos de salida de simulación mediante el uso de intervalos de confianza de manera inapropiada.

Dificultades Adicionales en el Desarrollo de Modelos de Simulación

El desarrollo de modelos de simulación puede enfrentar diversos obstáculos:

• Falta de tener bien definidos los objetivos.
• Fallas al no involucrar al equipo entero del proyecto desde el principio del estudio.
• Mal entendimiento de la simulación por parte de la gerencia.
• Falta de comunicarse con la gerencia en forma regular.
• Fallas al obtener buena información del sistema.
• Escaso conocimiento de la metodología de simulación, así como de estadística y probabilidades.
• Sustituir una distribución por su media.
• Opción incorrecta de las distribuciones de probabilidad de entrada (la normal o uniforme raramente serán las correctas).
• Modelado incorrecto de los tiempos muertos de las máquinas.

Validación y Credibilidad del Modelo de Simulación

¿Cuál es la importancia de que un modelo sea válido y creíble?

Para validar el modelo y para que sea creíble y confiable, es necesario calcular el número de réplicas adecuado para que cumpla con las características mencionadas. Esto se puede realizar mediante la herramienta Experimenter de Flexsim.

Su importancia radica en que si el modelo o la simulación no es capaz de proporcionar una representación válida del sistema, cualquier conclusión será errónea y de poca ayuda para la toma de decisiones.

Mencione y explique prácticas (técnicas) para la creación de modelos válidos

Existen diversas técnicas para asegurar la validez de un modelo:

• Entrevistas con expertos.
• Documentar el modelo conceptual.
• Llevar a cabo un análisis de sensibilidad.
• Utilizar métodos gráficos y estadísticos como pruebas de bondad de ajuste e intervalos de confianza.

Cuestiones Clave sobre Metodología de Simulación

¿Cuál es la diferencia fundamental entre simulación terminal y simulación de estado estacionario?

La diferencia principal radica en el criterio de finalización: una simulación terminal tiene un evento natural E que determina la longitud de cada corrida, mientras que la simulación de estado estacionario carece de dicho evento natural.

¿Por qué se menciona que el intervalo de confianza es un intervalo “aproximado” en el análisis de resultados de la simulación?

Se considera un intervalo aproximado porque los datos utilizados son muestrales y no se conoce la población total. Aunque es una buena aproximación si se hace correctamente, no es absolutamente exacto debido a la naturaleza estocástica y muestral de los datos de salida de la simulación.