1. Traducción de Material Capacitación Simio LLC. Se traduce solamente
las explicaciones, manteniendo los comandos y nombre de las
variables en inglés. www.evirtual.cl - Capacitación

2. 






Ver los resultados.
Errores de simulación.
Análisis estadístico de los resultados.
Cálculo de los intervalos de confianza
Sistemas terminales.
Sistemas Estado estacionario.
Craer y correr experimentos.

3. 

Interactivo (insights, verificación/validación)
◦ Animation
◦ Trace
◦ Watch
◦ Dashboard
Experiment (predicción de KPI’s, comparación de
alternativas)
◦ Responses
◦ Pivot Table
◦ Reports

4. 

2D Animation (Top down view)
3D
◦ “H” para mostrar ayuda de navegación
◦ “R” para iniciar rotación, “Esc” para detener
◦ “w” para recorrer el lugar

View Ribbon
◦ Named Views
◦ Camera Placement

Animation too slow?
◦ Ajusta factor de velocidad para aumentar el valor.
◦ Asegure que Trace está turned off

5. 



Trace entrega un listado completo de todas las acciones
que ocurrieron mientras el trace estaba activado.
Column size se puede ajustar para sacar mejor
provecho del espacio disponible.
Filtering permite focalizar la atención en un
subconjunto.
Trace se sopia automáticamente a un archivo CSV.
◦ Se encuentra en la misma ubicación que el archivo projects
(SPF)
◦ Puede ser importado en Excel para sacar provecho del
ordenamiento y filtración.

Trace trabaja bien en combinación con setting Breaks y
usando Step para correr incrementalmente a través del
modelo.

6. 
Clic derecho en cualquier objeto para
agregar la Watch window
◦ Static objects
◦ Dynamic objects (mientras están en el sistema)

Expandir el árbol de cada item en la watch
window para mostrar los valores vigentes de
◦
◦
◦
◦
◦

States
Functions
Elements
Processes
Tokens
Trabaja bien con setting Breaks

7. 

Interactive (insights, verification/validation)
◦ Animation
◦ Trace
◦ Watch
◦ Dashboard
Experiment (predicting KPI’s, comparing
alternatives)
◦ Responses
◦ Pivot Table
◦ Reports

8. 



Use Responses para resaltar Key Performance
Indicators (KPIs).
Responses pueden ser cualquier expresión.
Datos completos está disponible en Results
window.
Estadísdtica de datos fuente pueden ser
exportados por la Results window.

9. 




Plots Response de valores para cada
escenario seleccionado.
Muestra una Response a la vez.
Puede encender o apagar las distintas
capas de datos.
Datos se muestran usando Simio
Measure Of Risk & Error (SMORE) Plots
Diferentes aspectos del SMORE Plot se
muestran al variar niveles de datos.

10. 

Mediciones de error nos indican cuán bien
son las estimaciones de las mediciones de
desempeño. Se puede reducir el error al hacer
más réplicas.
Mediciones del riesgo nos dice cuánto riesgo
se tiene con los resultados considerando la
variabilildad del desempeño del sistema. Se
puede reducir el riesgo solamente cambiando
el sistema.

12. 



1 Replication
 Single Response Value
2-5 Replications
 Maximum, Minimum, and Mean
6+ Replications
 Upper + Lower Percentiles, Median,
Mean Confidence Interval
Enough Reps for Statistically Valid
Results
 Confidence Intervals for Upper +
Lower Percentiles

13. 
Se peude ver la
dispersión de los
datos fuente vertical
u horzontalmente.

14. 



Organiza, resume, muestra, y explora los
datos.
Grouping: Arrastra las columnas a
diferentes posiciones para que los datos se
agrupen diferentemente.
Sorting: Click en triángulo en la cabecera de
la columna para alternar el ordenamiento
de la columna entre ascendente y
descendente.
Filtering: Click en el funnel en la cabecera
de la columna para un menu para
hablitar/deshabilitar el mostrar cualquier
campo en esa columna.

15. 
Interactive Detail – Para una réplica
◦ Use experimentos para obtener variabilidad de
datos.


Scenario Detail – Para cada Scenario y cada
estadístico, todos los objetos se presesntan
juntos para una fácil comparación.
◦ Look at throughput on Server1 vs. Server2
Scenario Comparison – Para cada estadística, los
resultados de todos los escenarios se presentan
juntos para cada comparación.

Look at Server1 throughput on Scenario1 vs Scenario2

16. 


Dado que todos los modelos tienen entradas
aleatorias, se deben interpretar los resultados
usando estadística.
Cada réplica de un modelo produce un
resultado diferente que es un estimado del
verdadero pero de comportamiento
desconocido.
Si se realiza solamente una réplica para un
largo arbitrario no hay forma de conocer cuán
cerca está el valore estimado del real.

17. Θ
Real
System
Error Modelo
(Representación)
μ
Model
Estimación error
X = (X1 + … Xn) / n


Error del modelo se manea con la
verificación/validación
Estimación error se maneja con análisis estadístico.

18. Θ
Real
System A
Real
System B
Error Modelo
μ
Model A
Model B
Estimación error
X = (XA1 – XB1 + … XAn - XBn) / n

Algunos errores del modelo se pueden cancelar.
◦ Example: Fallas pueden impactar en ambos sistemas de igual forma.
◦ Si el propósito es comparar sistemas, se necsitan menos detalles en el
modelo.
◦ Estimación de errorse mantiene crítico.

19. 


Se usan observaciones de las réplicas del
modelo para estimar el valor verdadero, pero
desconocido, del desempeño del modelo.
A mayor cantidad de réplicas, mejor es el
estimado.
Se usa métodos clásicos de estadística para
generar intervalos de confianza en los
estimados.

20. 
Se requiere las suposiciones IID
◦ Independent observations
◦ Identically distributed


Observations dentro de un modelo están
típicamente correlacionadas (not IID).
Observations que son registradas de las
réplicas con las mismas condiciones iniciales
son IID.

21. 
Se puede expresar un intervalo de confianza
para un estadística guardada como
Interval = SampleMean ± HalfWidth
HalfWidth = tValue * StdDev / Sqrt(NumberReplications)


Este intervalo “cubre” el valor verdadero pero
desconocido con media de acuerdo al nivel de
confianza especificado (e.g. 95%).
Para reducir el intervalo en la mitad, se
necesitan 4 veces la cantidad de réplicas.

22. 



Un sistema terminal tiene un inicio muy bien definido al
igual que las condiciones finales.
◦ Tienda abre vacía a las 9am, cierra a las 7pm.
Un steady-state system no tiene condiciones de término
y las condiciones iniciales no son relevantes después de
un periodo largo de tiempo.
◦ Departamento de emergencia de un hospital.
Sistemas que no tienen “Desocupado y vacío” cuando
cierran son típicamente steady state systems.
Algunos sistemas muestran ambos tipos de
comportamiento
◦ Call Center con llamadas por devolver del día
anterior.

23. 


Use las condiciones naturales de inicio y de fin del modelo.
Haga N (>= 5) réplicas del modelo, uy vea los resultados.
Si el half width (HW) basado en las N réplicas paraun KPI
importante es mayor mayor que el deseado half width (DHW),
calcule la cantidad de réplicas requeridas (NR) usando la
siguiente fórmula:
NR = N * (HW/DHW)2

Aumente N a NR en la tabla de experimentos y ejecute las
réplicas adicionales.

24. 

Inicialice el sistema en un estado aproximado al
estado estacionario (use corridas piloto para
estimar).
Haga N (>=5) réplicas largas del modelo y trate los
resultados como en en caso de término.
O

Haga una corridalarga y use la capacidad de Simio
de calcular automáticamente la half widths.

25. 


Use corridas piloto para estimar el tiempo por
réplica.
Haga uso de las tardes/fin de semana para
experimentos grandes.
Si se varían varias propiedades considere usar
un experimento full factorial para capturar la
interacción entre las propiedades

26. 
Visual Inspection
◦ Review Response Chart and pick the “best”

Simio Subset Selection Algorithm
◦ Breaks Scenarios down to two groups Possible Bests
and Rejects


Select Best Scenario Using KN Add-In
OptQuest for Simio Add-In

27. 


OptQuest se encarga de establecer los valores de las
propiedades, iniciar las réplicas, y recuperarlos resultados.
El Add-In agrega parámetros a todos los Controls que permiten
al usuario definir cómo OptQuest se mueve entre las variables de
entrada.
El usuario puede usar restricciones para limitar los valores de
entrada aún más y guiar el algoritmo a una solución óptima
◦ Por ejemplo, Input1 + Input2 + Input3 < 10


El experimento puede tener varias columnas Response. Pero una,
y solamente una, de las Responses puede ser el Objective
Function (Primary Response)
Una vez que los Controls, Constraints, y Objective Function han
sido definidos, OptQuest creará inteligentemente Scenarios para
cerrar en la solución óptima rápidamente y fácilmente (hace todo
el trabajo!).

29. 





Descarta un conjunto de Escenarios posibles en
uno definitivo como Mejor Escenario.
Compara Scenarios con igual cantidad de réplicas
usando una Indifference Zone
Determina si algunos candidatos son
definitivamente perores que el resto del grupo. Si
es así, el Escenario no se Chequea.
Los canditatos que se mantienen realizan uns
candidad de réplicas adicionales que está
determinado por el algoritmo.
Luego deja de chequear cualquier escenario que no
cupla con los requerimientos.
El proceso se repite hasta que haya solamente un
escenario o que haya corrido el máximo contidad
de réplicas.

30. 





Definir Controls, Responses, y Constraints
Correr OptQuest para Simio o manualmente
definir losvalores de Control para crear un
conjunto de Escenarios interesantes.
Correr una “cantidad mínima” de réplicas.
Use Simio’s Subset Selection algorithm para
eliminar los escenarios no-óptimos.
Uncheck los escenarios no óptimos.
Corra Select Best Scenario usando KN AddIn

33. 





Resultados pueden ser vistos de dos modos:
◦ Interactive para sistemas internos, verificación/validación.
◦ Experiments para predecir/comparar alternativas
Error = Model Error + Estimation Error
Classical statistics (intervalos de confianza) se usan para
medir/controlar el error estimado. El error estimado se reduce
proporcionalmente a la SQRT (cantidad de réplicas) .
Sistemas pueden ser término/estado estacionario .
Las réplicas entregan un método simple para correr y alargar los
experimentos.
Predicción del desempeño de un sistema simple requiere mayor
detalle de modelamiento que la comparación de sistemas.