UNIVERSIDAD NACIONAL TORIBIO RODRIGUEZ DE MENDOZA DE

AMAZONAS

FACULTAD DE INGENIERIA Y CIENCIAS AGRARIAS

ESCUELA PROFESIONAL DE INGENIERÍA AGROINDUSTRIAL

TEMA: Diseño de experimentos de simulación

CURSO: Simulación de Procesos Agroindustriales

DOCENTE: Ñañez Campos, Oscar

ESTUDIANTES: Carranza Carranza, Luz Clarita

Portocarrero Guadalupe, Clever Jhordyn

Rodríguez Aguilar, Branny Ronaldo

Valqui Rojas, Iraida Patricia

CICLO: VII

FECHA: 02/12/2021

CHACHAPOYAS-PERÚ

2021
 ÍNDICE

INTRODUCCIÓN..................................................................................................3

DESARROLLO DEL TEMA.................................................................................4

Diseño de experimentos de simulación............................................................4

Estimaciones de variables de respuesta.......................................................5

Estimación de efectos combinados...............................................................5

Comparaciones entre alternativas de diseño................................................5

Diseño de experimentos y superficie de respuesta..........................................8

Tipos de diseño de experimentos computacionales.......................................10

Diseño factorial 2k............................................................................................10

Etapas al elaborar un experimento de simulación..........................................11

RESUMEN..........................................................................................................13

CONCLUSIONES...............................................................................................14

BIBLIOGRAFÍA..................................................................................................15
INTRODUCCIÓN
Los estudios de simulación, aplicado en diferentes áreas de la investigación,
son de gran importancia y utilidad para conocer la conducta de ciertos
fenómenos bajo diferentes escenarios virtuales propiciados por el investigador
a través de algún software especializado.

Los estudios experimentales son utilizados para estudiar el efecto de ciertas

variables controladas por el investigador, sobre una o varias variables
respuesta que representen un fenómeno de interés. Esta metodología es la
empleada para probar causalidad al fijar los niveles de las variables
explicativas, en este caso llamadas factores, y evaluar los cambios generados
sobre las variables respuestas. Existen diversos tipos de diseños
experimentales; elegir alguno de ellos depende de la disponibilidad de recursos
como el tiempo. En total, un experimento arrojará observaciones, dependiendo
del número de tratamientos y el número de réplicas. Las herramientas
estadísticas utilizadas para analizar los datos que resultan de un experimento
son ampliamente conocidas y muchas de ellas se basan en el análisis de
varianza y en la regresión múltiple o modelo lineal general.

Se puede observar que cada tratamiento conformado por la combinación de los

diferentes niveles de los factores, genera un escenario en particular. Cuando
dicho escenario incumbe a una situación virtual, causada por algún software
especializado, se habla de los estudios de simulación. Dichos estudios son muy
comunes en la investigación estadística; un ejemplo de ello es cuando se
quiere estudiar el efecto del tamaño muestral en la estimación de cierto
parámetro. Normalmente el análisis de los datos que resultan de un estudio de
simulación se limita a la descripción de los mismos por medio de gráficos y
tablas que contienen medidas de tendencia central y dispersión de la variable
respuesta para cada uno de los diferentes escenarios simulados, sin pasar
luego por un análisis inferencial. Los análisis realizados son muy descriptivos y
no es común emplear técnicas inductivas para establecer diferencias
significativas entre los diferentes tratamientos.
DESARROLLO DEL TEMA
Diseño de experimentos de simulación
La simulación es una técnica numérica que sirve para realizar experimentos en
una computadora, dichos experimentos incluyen ciertos tipos de relaciones
matemáticas y lógicas, las cuales describen el comportamiento de la estructura
de sistemas del mundo real (Coss, 1994). La simulación también sirve para
imitar y mejorar diferentes sistemas. Los estudios de simulación son empleados
en diferentes estudios de investigación y son útiles para conocer el
comportamiento de ciertos fenómenos mediante diferentes escenarios virtuales
otorgados por el investigador mediante algún software especializado. (Salazar
& Zapata, 2009)

En los experimentos de simulación se tiene mayor control sobre los factores

que intervienen sobre una respuesta puesto que los factores son generados
mediante algoritmos predefinidos y sus parámetros son definidos por el
investigador (Cardona et al., s. f.). Por otro lado, realizar un diseño
experimental de simulación tiene la ventaja de no requerir unidades
experimentales físicas, más bien simula una situación y se controla sobre
éstas, variando los factores que intervienen en el proceso, pero las unidades
experimentales serán los escenarios que corresponden a una situación virtual
(Bello, 2019).

Un estudio de simulación busca respuestas a preguntas sobre el sistema objeto

del estudio a través de la información que le proporcionan los experimentos con
el modelo del sistema.

Los experimentos buscan respuestas a preguntas del tipo ¿Qué pasaría si?,
preguntas que pueden plantearse en cualquier etapa del ciclo de vida del
sistema, tanto en la fase de diseño, en donde el objetivo de las respuestas es
encontrar soluciones a las diferentes alternativas de diseño, o investigar los
posibles efectos de las diferentes configuraciones factibles; como en fases
posteriores con un sistema ya implantado, cuando se plantea la posibilidad de
cambios o modificaciones en el sistema ya existente para ampliar su capacidad
de operación o adaptarlo a nuevos requerimientos.
Las respuestas que buscamos mediante los experimentos sirven de soporte
para tomar una decisión racional sobre el sistema, por lo que se busca que las
respuestas puedan expresarse numéricamente, en términos de los valores de
las variables de respuesta que representan las medidas de utilidad o el
rendimiento esperado para la alternativa que necesita de diseño o de cambio
de sistema. Por ejemplo, en sistemas de colas donde se busca dimensionar las
unidades de servicio identificando cual es el número de canales de servicio que
permiten un rendimiento óptimo del sistema, ejemplos de funciones de utilidad
o variables de medida del rendimiento pueden ser, índices que relacionen el
tiempo medio de espera o la longitud media de la cola, con el nivel de
utilización de los servidores, o funciones de coste que engloben el coste de
espera, el cual es decreciente cuando se aumenta el número de servidores, o
los servidores existentes se reemplazan por otros más eficientes.

Las alternativas de diseño, o variante de configuración del sistema, constituirán

una variante del modelo de simulación con las que se realizarán experimentos,
para lo cual, debemos ejecutar el modelo introduciendo como datos las
muestras aleatorias de las distribuciones de probabilidad correspondientes, las
ejecuciones del modelo proporcionan estimaciones de los parámetros de
interés.

Desde un punto de vista metodológico, se distinguen varios tipos de situación:

1. Estimaciones de variables de respuesta.

2. Estimación de efectos combinados.
3. Comparaciones entre alternativas de diseño.

En lo que respecta a estimaciones de variables de respuesta, ejecutar varias

veces el modelo correspondiente a una misma configuración con diferentes
muestras aleatorias de input, proporcionará variaciones en los resultados
debido a las variaciones aleatorias en las muestras utilizadas. Para poder
asegurar la validez de las estimaciones, y la validez de las respuestas del
estudio de simulación, se debe establecer el momento en el que las diferentes
estimaciones de los parámetros de medida del rendimiento del sistema son
aptas a la configuración del sistema y cuando son ocasionadas por las
variaciones del muestreo.
Para establecer el momento adecuado, la metodología de la estadística y las
técnicas de muestreo, son las herramientas más adecuadas para responder
estas cuestiones, siendo los procedimientos más utilizados:

a) Replicaciones independientes, se generan muestras independientes

de números aleatorios, ya sea a partir de distintos generadores o de un
mismo generador de ciclo muy largo, que produzca muestras de base
independientes a partir de diferentes semillas.
b) Lotes, resultan del fraccionamiento en submuestras de una muestra de
gran dimensión generada con un generador de ciclo muy largo.
c) Métodos regenerativos, utilizan muestras de dimensión variable que
resultan de la recogida de observaciones del sistema entre dos pasos
consecutivos por un punto o estado de regeneración, lo que requiere la
comprobación previa de que el sistema tiene estados regenerativos y la
identificación de los mismos.

Otro aspecto que se debe tener en cuenta, para garantizar la calidad de

las estimaciones de las variables de respuesta desde el punto de vista
estadístico, es la utilización de estimadores insesgados y de varianza mínima,
en especial el último mencionado si después las estimaciones se van a utilizar
para efectuar comparaciones. Para conseguir estos objetivos, se recurre a
técnicas de reducción de varianza, diseñadas para incrementar la precisión de
la estimación de las variables de respuesta y facilitar las comparaciones, entre
las técnicas más empleadas en simulación figuran el muestreo estratificado, el
muestreo selectivo, la utilización de variables de control y las variables
antitéticas.

La utilización de variables de control es una técnica muy discutida en las

aplicaciones de simulación discreta, su objetivo es inducir una correlación
negativa entre las sucesivas simulaciones de una misma configuración del
sistema. Una implantación muy sencilla de esta técnica consiste en ejecutar
una de las simulaciones a partir de la muestra { u1 , u2 ,u3 , … } de números
aleatorios uniformemente distribuidos en (0,1), y la segunda, la antitética a
partir de la muestra complementaria { 1−u1 , 1−u 2 , 1−u3 , … } , con la idea de que
esta muestra asegure una correlación negativa entre las respuestas de las dos
simulaciones. En este caso si X 1 , es la estimación de la variable respuesta
obtenida en la primera simulación, y X 2 es la segunda, la antitética, entonces
es un estimador insesgado de E(x).

Que al ser comparada con la varianza de dos ejecuciones no correlacionadas

debe ser menos si las ejecuciones están correlacionadas negativamente. Este
efecto no siempre se consigue en la simulación de sistemas discretos, en
especial si son complejos, debido a las complicadas transformaciones que esos
modelos llevan a cabo con las variables de entrada, lo cual hace que no
siempre se conserve en el output la correlación negativa del input, por eso se
debe tener cuidado al usar muestreo antitético y asegurarse previamente que
las correlaciones negativas entre las variables de entrada se conservan en las
de salida.

Al momento de recoger las observaciones producidas a la hora de ejecutar la

simulación, no hay que olvidar el carácter intrínseco de la simulación discreta,
como la simulación de un sistema con estados discretos puede interpretarse
como un seguimiento de la evolución del sistema entre sus estados, teniendo
en cuenta el carácter aleatorio del input, la evolución se considera como un
proceso estocástico y ante esto se perciben dos tipos de situación: la que
corresponde a la fase transitoria del proceso y la del estado estacionario.

La fase transitoria, dependerá de las condiciones iniciales, mientras que la

estacionaria, si el sistema la tiene y llega a ella, es independiente de su estado
de partida.

Según los objetivos del estudio de simulación y el tipo de sistema, se debe

distinguir entre ambas fases, si lo que se quiere es estudiar el comportamiento
del sistema en la situación estacionaria debemos proceder a un proceso previo,
donde no se recogerán observaciones, en esta parte el sistema atraviesa la
fase transitoria y entra en la estacionaria, a partir de la cual se procede a
recoger observaciones.
En general, la configuración o las alternativas de diseño de un sistema
complejo dependen de muchos factores, por ejemplo, en los sistemas de colas
las variables de decisión, o factores de diseño, pueden ser el número de
servidores, las características de los mismos que afecten por ejemplo al tipo de
distribución de los tiempos de servicio, o, dentro de un mismo tipo, a los
parámetros de la distribución, como puede ser el caso de los tiempos medios
de servicio (más rápidos o más lentos), política de gestión, por prioridades, etc.
En este caso, se tendrán varios inputs controlables que afectan a la respuesta
del sistema, de tipo cuantitativo (número de sirvientes, tiempo medio de
servicio, etc.), o cualitativo (prioridades), que operan a diferentes niveles. Por lo
tanto, en el estudio de simulación se deberá identificar el efecto de cada factor,
las interacciones entre factores, etc.

El diseño de experimentos en Estadística proporciona herramientas adecuadas

para proceder en estos casos. En el caso de los experimentos de simulación se
trata siempre de experimentos controlados, es decir, la impredecibilidad se
origina por la aleatoriedad del muestreo, y no por el modelo, que el analista
conoce.

Los diseños experimentales que más se utilizan en la práctica de la simulación

suelen ser el de variación de un factor cada vez, los diseños factoriales
globales, los fraccionales, los de superficie de respuesta, etc. En la práctica se
tiende a evitar los diseños factoriales completos. Siempre que sea posible, se
debe utilizar diseños fraccionarios que pueden proporcionar la misma
información con menos observaciones (Barceló, 1996).

Diseño de experimentos y superficie de respuesta

¿Cuándo debemos utilizar diseño de experimentos?

Se debe emplear cuando existan muchas alternativas a considerar, por

ejemplo, un gran número de niveles, varios tipos o un gran número de
parámetros para un sistema propuesto.

Cuando se tienen dos tipos básicos de variables que vendrían a ser factores y
respuestas. Los factores son parámetros de entrada de un modelo de
simulación, y pueden ser controlables o no controlables, así como cuantitativos
o cualitativos. Las respuestas son las salidas del modelo de simulación y tienen
naturaleza incierta.

Cuando se tiene un problema básico como encontrar los mejores niveles o

valores de los parámetros en términos de las respuestas.

El diseño de experimentos nos dice que alternativas debemos simular

(experimentar), para así obtener la información deseada con la menos cantidad
de simulaciones (corridas).

Para solucionar un problema básico de diseño de experimentos se debe tener

en cuenta algunas dificultades, como la existencia de múltiples factores,
múltiples respuestas, una respuesta incierta o ruido y las limitaciones que
pueden afectar al sistema.

Algunos ejemplos de factores pueden ser:

 Tiempo Medio entre llegadas (Cuantitativa no controlable)

 Tiempo Medio de servicio (Cuantitativa controlable o no)
 Número de servidores (Cuantitativa controlable)
 Disciplina de las colas (Cualitativa controlable)
 Tiempo Medio entre demandas (Cuantitativa no controlable)
 Distribución del tiempo entre demandas (Cualitativa no controlable)

Algunos ejemplos de respuestas pueden ser:

 Tasa media de producción diaria

 Tiempo medio para los pacientes en el Sistema
 Nivel medio de inventario
 Número de clientes que esperan más de 15 minutos

En el diseño de experimentos se debe tener en cuenta:

a) Réplica, viene a ser la repetición del experimento.

b) Tratamiento, es una combinación específica de niveles de los factores.
c) Unidad experimental, es la unidad a la cual se le aplica un tratamiento
simple.
d) Error experimental, es el error entre dos unidades de tratamientos
experimentales idénticos que producen resultados similares.
 e) Confundido, es el “mixing up” de dos o más factores de modo que es
imposible separar los efectos.
f) Aleatorización, es la asignación aleatoria de tratamientos a las
unidades experimentales.
g) Efecto principal de un factor, es una medida del cambio en la variable
de respuesta, debido al cambio de nivel del factor, promediando los
efectos de todos los factores restantes.
h) Interacción, es un efecto adicional sobre la respuesta debido a la
influencia de la combinación de dos o más factores.

Tipos de diseño de experimentos computacionales

 Diseño Completamente Aleatorizado

 Diseño en bloques Completamente Aleatorizado

 Diseño Factorial Completo

 Diseño Factorial Fraccionario

 Diseño Factorial Anidado

 Diseño de cuadrados latinos

 Diseño Jerarquizado, etc.

Diseño factorial 2k
Supongamos que tenemos k (k > 2) factores. Un diseño factorial 2k requiere
que dos niveles sean escogidos por cada factor, y que “n” corridas de
simulación (réplicas) se ejecuten por cada una de las 2 k posibles
combinaciones de niveles de los factores. Para 3 factores, podemos usar la
Matriz de Diseño:

Factor 1 Factor 2 Factor 3

Niveles Nivel Nivel Nivel Respuesta
de los
factores
1 - - - O1
2 + - - O2
3 - + - O3
4 + + - O4
 5 - - + O5
6 + - + O6
7 - + + O7
8 + + + O8

El + se refiere a uno de los niveles del factor y – se refiere al otro nivel. Para
factores cuantitativos, es el nivel más grande y el más pequeño de cada factor
elegido.

Etapas para elaborar un experimento de simulación

Definición del sistema: consiste en conocer detalladamente las

interacciones entre variables y sus restricciones, también busca obtener
las medidas de efectividad ayudando a tener claro lo que se busca con
la simulación y definir un objetivo.

Formulación del modelo: consiste en definir cada componente dentro

del modelo que se va a simular, se determina la secuencia, de lo que
debe de llevar como un diagrama de flujo.

Colección de datos: es importante obtener los datos relevantes, puesto

que así seria eficiente el modelo de simulación.

Implementación del modelo en computadora: se analizan las

posibilidades para pasar el modelo planteado a un modelo en
computadora utilizando algún lenguaje de programación.

Validación del modelo: se analiza el modelo y los resultados, así

mismo medir la eficiencia del modelo y verificar si realmente se obtiene
los resultados planeados.

Experimentación: sirve para generar datos necesarios para interpretar

los resultados, después de obtener los datos es posible utilizar algunas
herramientas estadísticas para validar los resultados. En esta etapa se
propone el diseño de experimentos para planear la serie de pruebas que
se van a llevar a cabo. Lo cual ayudará a identificar cuales de los
factores utilizados y a que nivel, tiene mayor efecto sobre la variable de
respuesta.

Interpretación: estudia y analiza los resultados para tomar decisiones,

las cuales serán tomadas en cuenta de acuerdo con lo recolectado en el
diseño de experimentos y utilizando las técnicas estadísticas mediante
un software para buscar una optimización del modelo.

Documentación: es la parte donde se plasma el uso del modelo para

facilitar el uso o implementación de la investigación. Donde se debe
incluir los problemas durante su desarrollo, los cambios generados, las
decisiones que ayudan a mejorar el estudio y las ideas o
recomendaciones que puedan a ayudar a mejorar (Bello, 2019).
 Estimación de efectos combinados
Se ejecuta el modelo introduciendo
como datos las muestras aleatorias Comparaciones entre alternativas de diseño
RESUMEN de las distribuciones de probabilidad
para estudiar el efecto de correspondientes proporcionando
ciertas variables controladas estimaciones de los parámetros de
Estimaciones de variables de respuesta.
por el investigador, sobre interés Tipos de situación
una o varias variables
respuesta que representen Por ello Se ejecuta varias veces el modelo
un fenómeno de interés. correspondiente a una misma configuración
una variante del modelo de con diferentes muestras aleatorias.
simulación con las que se Tipos de procedimientos
Para conocer el realizarán experimentos
útil
comportamiento de  Replicaciones independientes.
ciertos fenómenos constituye  Lotes
mediante diferentes sirve  Métodos regenerativos
DISEÑO DE EXPERIMENTOS DE SIMULACIÓN
escenarios virtuales
otorgados por el
investigador mediante Tipos de diseño Etapas para realizar un experimento de
busca Se usa cuando
algún software. simulación

existe muchas  Diseño factorial 2k

Respuestas a preguntas alternativas a  Diseño Completamente  Definición del sistema
considerar, por  Formulación del modelo
sobre el sistema objeto del ejemplo, un gran Aleatorizado
 Colección de datos
estudio a través de la número de niveles,  Diseño en bloques  Implementación del modelo
varios tipos o un en computadora
información que le Completamente Aleatorizado
gran número de  Validación del modelo
proporcionan los parámetros para un  Diseño Factorial Completo  Experimento
experimentos con el sistema propuesto.  Diseño Factorial Fraccionario  Interpretación
modelo del sistema.  documentación
 Diseño Factorial Anidado
 Diseño de cuadrados latinos
 Diseño Jerarquizado, etc.
CONCLUSIONES

Se puede apreciar las ventajas de emplear la metodología del diseño

experimental en los estudios de simulación. Al realizar el análisis de los
resultados de la simulación por medio de métodos inferenciales, se puede
concluir con cierto nivel de significancia sobre los efectos que los factores
ejercen sobre la variable respuesta.

Aparentemente, aplicar este tipo de análisis mejora la calidad de las

conclusiones y la presentación de los resultados de los estudios de simulación.
Por otro lado, considerar estudios de simulación bajo el enfoque de diseños
factoriales, sería viable por poder estudiar muchos factores a la vez
optimizando de tal manera el tiempo que se invierte en la corrida de las
simulaciones.

Se concluye, que, para elaborar un experimento de simulación, es de mucha

importancia tener en cuenta las etapas que presenta, como la definición del
sistema, la formulación del modelo, la colección de datos, esto por describir los
principales, que al final colaboraran para la obtención de un experimento
óptimo.

Como conclusión obtenida del presente trabajo permiten establecer que al unir
varias metodologías o un experimento de simulación se pueden identificar
claramente los factores que inciden en los retrasos de los procesos, además de
permitir incorporar en una empresa o alguna organización, nuevas y mejores
políticas de producción que aumenten el rendimiento de la misma.
BIBLIOGRAFÍA
Barceló, J. (1996). Simulación de sistemas discretos (primera). Isdefe.

Bello, R. (2019). Optimización del trabajo en proceso mediante el diseño de

experimentos y escenarios de simulación. Tecnológico Nacional de

México.

Cardona, J. E., Arenas, A., González, D., & Cárdenas, M. V. (s. f.). Diseño de

experimentos vía simulación: Aplicación didáctica a un sistema de colas.

12.

Coss, R. B. (1994). Simulación: Un enfoque práctico. Editorial Limusa.

Salazar, J. C., & Zapata, A. B. (2009). Análisis y diseño de experimentos

aplicados a estudios de simulación. 9.