Académique Documents
Professionnel Documents
Culture Documents
1 INTRODUCCIÓN
En un proyecto de simulación, el uso final de los datos de entrada es impulsar la simulación. Este
proceso implica la recopilación de datos de entrada, el análisis de los datos de entrada y el uso del
análisis de los datos de entrada en el modelo de simulación. Los datos de entrada pueden ser obtenidos
de registros históricos de mamá o recopilados en tiempo real como una tarea en el proyecto de
simulación. El análisis implica la identificación de la distribución teórica que representa los datos de
entrada. El uso de los datos de entrada en el modelo implica especificar las distribuciones teóricas en
el código del programa de simulación. Este proceso se representa en la Figura 5. 1
Una pregunta común es por qué necesitamos incluso considerar ajustar los datos a una distribución
teórica si ya hemos recopilado valores de datos. La razón fundamental es que cuando el profesional
recopila datos, solo se recopila una muestra de la distribución real de datos. Si bien el profesional no
observó valores particulares, no significa que los valores de datos no observados no existan realmente
en el sistema. Si ajustamos con éxito los datos observados a una distribución teórica, entonces
cualquier valor de datos de la distribución teórica puede impulsar el modelo de simulación. Esta es
una situación mucho más realista que conducir la simulación con solo los valores de datos observados.
Una posible debilidad de este enfoque es que la distribución teórica puede generar periódicamente un
valor inusual que quizás nunca esté presente en el sistema real. Un ejemplo es un tiempo entre llegadas
con un valor muy largo "[aunque esto no sucede muy a menudo, el profesional debe estar consciente
de esta posibilidad. Si el modelo muestra un comportamiento inusual que podría haber sido el
resultado de una distribución teórica, luego el profesional puede actuar. Es importante subrayar que
este es un evento muy improbable y que es posible realizar muchos modelos de simulación durante
un período de años sin enfrentar esta situación.
La recopilación de datos de entrada a menudo se considera el proceso más difícil que implica la
realización de un proyecto de simulación y análisis de proyectos. Parte de esto es atribuible al hecho
de que el analista de simulación puede depender de individuos y operaciones fuera del control del
analista. esto es cierto independientemente de si los datos de entrada son de naturaleza histórica o se
recopilarán en tiempo real como parte del proyecto. En otras situaciones, los datos de entrada
requeridos pueden no existir. Esta situación es frecuente cuando el proyecto involucra el análisis de
nuevos equipos de capital.
Para ayudar al operador en el proceso de recopilación y análisis de datos, esta sección incluye una
discusión sobre:
· Registros históricos
· Especificaciones del fabricante
· Reclamaciones de proveedores
· Estimaciones del operador
· Estimaciones de gestión
· Captura automática de datos
· observación directa
Otro problema es que los datos históricos pueden no haberse recopilado teniendo en cuenta
específicamente un modelo de simulación. 'Ellis significa que los datos que realmente se necesitan
no están realmente disponibles. Con demasiada frecuencia, el profesional no se da cuenta de esto
hasta bien entrado en la traducción del modelo o incluso en la fase de validación del proyecto de
simulación. En ese momento, el proyecto puede estar tan comprimido que es imposible volver al
sistema real y recopilar los datos de entrada del modelo correctos. Debido a los problemas
potencialmente importantes asociados con el uso de registros históricos, el profesional debe pensar
detenidamente en cualquier sugerencia al respecto. Es el practicante quien recibirá el trabajo adicional
si este enfoque se vuelve amargo.
Llegada # Tamaño de lote Arr. Hora. Svc. Iniciar Svc. Fin Comentarios
Tenga en cuenta que hay un título específico para comentarios. A veces es necesario registrar una
característica de identificación sobre el cliente para realizar un seguimiento de cada evento
significativo en el proceso del cliente. A veces, la sección de comentarios se puede usar para incluir
el género, la edad, el origen étnico o el color de la ropa del cliente para ayudar en el proceso de
identificación.
El uso del enfoque de observación directa puede ser particularmente agotador y costoso cuando se
debe capturar una gran cantidad de datos sobre eventos que ocurren con poca frecuencia. Así es como
la fase de recolección de datos puede ganar su reputación como la parte más difícil del proceso de
simulación.
El uso de dispositivos de grabación de video ofrece otra posibilidad para recopilar datos cuando no
es necesario considerar los problemas de privacidad. La mayoría de los dispositivos de grabación de
video contienen pantallas de visualización móviles. Por lo tanto, es posible grabar diferentes procesos
sin que parezca demasiado obvio. Debido a que la reproducción se puede revisar un número infinito
de veces, con frecuencia es posible observar actividades que normalmente se hubieran perdido en
tiempo real.
Un segundo problema de recolección de tiempo es qué tipos de unidades usar. Para fines de cálculo,
puede ser difícil usar una unidad de tiempo tan pequeña como segundos. Es más fácil de entender
cuando se realiza una ejecución de simulación durante 8 horas o 480 minutos, no 28.800 segundos.
Si se tomara el término medio y se eligiera una unidad de tiempo de simulación de minutos, todos los
valores de los datos tendrían que recopilarse en la misma unidad de tiempo o convertirse en algún
punto. Por ejemplo, si los tiempos de servicio se tomaron en minutos y segundos, los segundos
eventualmente tendrían que convertirse en fracciones de minutos. Aunque la conversión de datos de
esta manera se puede realizar en una hoja de cálculo electrónica, también es posible adquirir lo que
se conoce como un cronómetro de minutos decimales. Este tipo de cronómetro especial registra los
minutos como minutos y los segundos como centésimas de minutos. Cuando se utiliza un cronómetro
decimal, los datos se recopilan en un formato de uso inmediato. Tenga esto en cuenta cuando el
proceso de conversión de la unidad de tiempo se vuelva demasiado engorroso.
Del mismo modo, la mayoría de los transportadores funcionan a una velocidad particular. 'La
velocidad está determinada por la velocidad del motor y el engranaje que impulsa la cinta
transportadora. Esto significa que la velocidad del transportador puede ajustarse a diferentes valores,
pero mientras el transportador está funcionando, funcionará a la velocidad establecida. Mientras el
transportador está funcionando, la velocidad cambiará solo si hay algún tipo de mal funcionamiento
o avería.
· Tiempos de intervalo
· Procesos de servicio Gistomer.
· tiempos de reparación
Los tiempos de intervalo de las entidades que entran en un sistema son casi siempre probabilísticos.
el intervalo entre la última entidad y la siguiente entidad puede ser corto, o tal vez largo. No se sabe
exactamente cuándo llegará la próxima entidad. Sin embargo, al recopilar una masa de datos entre
llegadas, es posible ver si los datos siguen algún tipo de distribución. Si el número de llegadas de
entidades en un período de tiempo dado es completamente aleatorio, resulta que el tiempo de llegada
entre entidades sigue realmente una distribución exponencial.
También se puede esperar que los tiempos de servicio al cliente sean probabilísticos. En otras
palabras, la cantidad de tiempo que lleva procesar a un cliente individual en un centro de servicio
variará dependiendo de lo que el cliente necesite. Además, cada vez que un ser humano participa en
un proceso de servicio, es probable que haya alguna variación en los tiempos de servicio. En términos
generales, en un proceso de servicio, una pequeña cantidad de clientes se procesará más rápidamente
que otros. Del mismo modo, un pequeño número de clientes puede tardar mucho más tiempo en ser
procesado. La mayoría de los clientes pueden tomar algún tiempo entre los dos extremos. El patrón
que describe el número de observaciones con respecto al tiempo de procesamiento crea una
distribución probabilística. Nuevamente, aunque hay cierta información disponible sobre el patrón
probabilístico que sigue el tiempo de procesamiento, el tiempo de procesamiento de un cliente
individual en el futuro no se puede predecir con certeza. Sin embargo, con frecuencia resulta que
muchos tiempos de servicio al cliente siguen una distribución normal porque el proceso es en realidad
una suma de un número de tiempos de subproceso más pequeños.
Al igual que con los tiempos de servicio, es probable que los tiempos de reparación sean de naturaleza
probabilística. Esto se debe a que es imposible predecir qué tipo de problema necesita ser reparado.
Si el problema no es grave, se esperaría que el tiempo de reparación fuera más corto. A la inversa, si
el problema es grave o requiere otras piezas, el tiempo de reparación será mayor.
Las llegadas por lotes suelen ocurrir en los sistemas de servicio y de tipo de entretenimiento. El
número de clientes en un lote puede asumir solo valores de números enteros. No es posible tener un
cliente fraccional. De manera similar, el número de trabajos procesados a través de una máquina antes
de que se produzca un desglose es un número entero. Los trabajos se completan o no se completan.
Las distribuciones continuas, por otro lado, pueden tomar cualquier valor en el rango observado. Esto
significa que los números fraccionarios son una posibilidad definida. Ejemplos de datos de tipo
continuo incluyen:
Obviamente, el tiempo entre las llegadas de entidades en un sistema puede tomar cualquier valor entre
0 e infinito independientemente de la unidad de tiempo utilizada. Esto definitivamente incluye valores
de tiempo fraccionados. Aunque algunos tiempos de servicio pueden observarse más a menudo que
otros, los tiempos de servicio también pueden tomar cualquier valor dentro del rango de tiempo
observado. Sin embargo, los tiempos de servicio pueden tener algún límite inferior específico por
debajo del cual no es posible observar. De manera similar, los tiempos de viaje para las entidades a
pie también pueden tomar cualquier valor dentro de un rango razonable.
5.6 DISTRIBUCIONES COMUNES DE DATOS DE ENTRADA
Debido a que el propósito de este manual no es hacer que el usuario sea un estadístico, sino un
practicante de simulación, la discusión de las distribuciones de probabilidad está restringida a los
tipos más comunes. Estos incluyen las distribuciones comunes:
• Bernoulli
• Uniforme
• Exponencial
• Normal
• Triangular
También hay una discusión limitada de las siguientes distribuciones menos comunes:
• Beta
• Gamma
• Weibull
Para un tratamiento más matemáticamente enfocado estadísticamente en esta materia, los
profesionales se dirigen a cualquiera de las muchas referencias respetadas sobre probabilidad y
estadísticas.