Teora de Modelos y Simulacin

Enrique Eduardo Tarifa

Facultad de Ingeniera - Universidad Nacional de Jujuy

Anlisis de las Salidas

Introduccin
El propsito del anlisis de las salidas de un sistema es predecir el desempeo del sistema o
comparar entre dos o ms alternativas. Debido a la naturaleza estocstica del sistema, las
salidas sern aleatorias; esto requiere que los resultados sean tratados estadsticamente. Si el
desempeo del sistema se mide en base un parmetro , el procesamiento de los resultados de
varias simulaciones producir una estimacin m de dicho parmetro. El objetivo del anlisis
estadstico es determinar la varianza, una medida del error, de la estimacin; o bien,
determinar la cantidad de observaciones requeridas para lograr una precisin deseada.

Las tcnicas tradicionales de anlisis estadsticos se basan en la independencia de los datos.

Sin embargo, para la mayora de los sistemas los resultados de las simulaciones estn
correlacionados; por ejemplo, el costo de inventario en una semana dada depende del
inventario correspondiente a la semana anterior; el tiempo de espera de una persona en una
fila afectar al tiempo de espera de la persona que le sigue. En este captulo se estudiarn
tcnicas para superar este problema.

Medidas de desempeo
Considere que para una variable de salida o estado dada (por ejemplo: costos de inventario,
longitudes de fila, clientes servidos, tiempos de espera de cada cliente en la fila, etc.), el
simulador genera la siguiente secuencia de valores {Y1, Y2, ..., Yn}. Antes de tomar una
decisin, es necesario procesar estos valores para obtener una estimacin del valor medio y
una medida del error de esta estimacin.

La estimacin puntual del valor medio Y se hace calculando la media muestral Ym; sta
ltima, como se plante en un captulo anterior, puede ser basada en observaciones o basada
en tiempo. Para una muestra compuesta por n elementos, el promedio basado en
observaciones se calcula como sigue:
1 n
Ym = Yi (1)
n i =1

El promedio basado en tiempo, considerando que cada valor Yi tiene una duracin ti, se
calcula de la siguiente manera:
n
T = ti (2)
i =1

n
1
Ym =
T
Yi t i (3)
i =1

Teora de Modelos y Simulacin. Anlisis de las Salidas. 1

En el caso ideal, el estimador Ym ser no sesgado (unbiased); es decir, se cumplir:
E(Ym) = Y (4)

Sin embargo, por lo general el estimador tendr cierto sesgo (bias) b:

E (Ym ) = Y + b (5)

Lo deseable es contar con un estimador sin sesgo, o por lo menos con un sesgo pequeo.

Para la estimacin del intervalo de validez se requiere estimar la varianza del estimador
puntual. La varianza real del estimador puntual 2Ym es estimada con el estimador S 2Ym. En el
caso ideal, se cumplir:
2
E (S Ym ) = Ym
2
(6)

Sin embargo, por lo general el estimador tendr cierto sesgo B:

2
E (S Ym ) = B Ym
2
(7)

Lo deseable es que B sea igual a 1. Si ambos estimadores (Ym, S 2Ym) son no sesgados, el
siguiente parmetro cumple con la distribucin t para cierto nmero de grados de libertad f.
Ym Y
tf = (8)
S Ym

Por lo tanto, el siguiente intervalo contendr a Y con un nivel de confianza 100 (1- )%:
Ym t / 2 , f SYm Y Ym + t / 2 , f SYm (9)

Cuando el tamao de la muestra n es mayor que 30, el siguiente parmetro cumple con la
distribucin normal:
Ym Y
z= (10)
S Ym

En este caso, el intervalo de confianza es:

Ym z / 2 S Ym Y Ym + z / 2 SYm (11)

Tanto los valores de t y z estn disponibles en tablas en funcin de f y . El mayor problema

es obtener un estimador S2Ym no sesgado ya que los valores Y estn correlacionados.

Simulacin con terminacin

La simulacin con terminacin, o simulacin de estado transitorio o transiente, se lleva a cabo
hasta un tiempo tF, donde F es un evento especificado que detiene la simulacin. El sistema
simulado abre en el tiempo t0 bajo condiciones iniciales perfectamente especificadas y
cierra en el tiempo de parada tF.

Algunos ejemplos de este tipo de simulacin son:

Un banco abre a las 9:00 (t0) sin clientes y con 8 cajeros trabajando (estado inicial), y
cierra a las 14:00 (tF). El analista est interesado en modelar la interaccin entre los

Teora de Modelos y Simulacin. Anlisis de las Salidas. 2

 clientes y los cajeros durante todo el da, incluyendo el arranque y la parada del
sistema.
El analista est interesado en la hora pico del banco; entonces, la simulacin se
realizar desde las 10:00 (t0) hasta las 11:00 (tF). El estado inicial puede ser
especificado de dos maneras. En la primera, a partir de estimaciones del sistema real
se determinan la cantidad de clientes y cajeros que deberan estar presentes a las
10:00. En la segunda, el sistema se simula desde el estado inicial original conocido; es
decir desde las 9:00 hasta las 10:00 sin recolectar datos. Luego, este estado final se
toma como estado inicial de la simulacin de la hora pico.
Se desea estimar el tiempo tF en el cual un sistema de comunicaciones sin
mantenimiento dejar de funcionar. En el estado inicial todos los equipos son nuevos.
El estado final se presentar cuando fallen tanto los equipos principales como los de
relevos. En este caso, el tiempo final no se conoce con precisin, slo se conoce el
evento F.

Anlisis por repeticin

Considere una simulacin con terminacin que corre en el intervalo [t0, tF] y que produce la
siguiente secuencia de valores para una salida {Y1, Y2, ..., Yn}. Un caso especial, es cuando
slo se obtiene un valor por simulacin; por ejemplo, el tiempo de falla de un sistema de
comunicaciones, la duracin de una batalla, el resultado de un partido. Se desean estimar Y y
2Ym. Para eliminar el problema de la correlacin de los datos Y se aplicar el mtodo de las
repeticiones independientes. Este mtodo consiste en repetir R veces la simulacin, utilizando
un semilla distinta para generar los nmeros aleatorios, y eligiendo condiciones iniciales
independientes (lo que incluye el caso de todas las condiciones iniciales iguales). Sea Yri el
valor i de la observacin obtenida durante la simulacin r para i = 1, ..., n r y r = 1,..., R. Para
un valor fijo de r, es decir para una simulacin dada, los valores {Yr1, Yr2, ..., Yrn} estn
autocorrelacionados y persiste el problema para el tratamiento estadstico convencional. Sin
embargo para r s, los Yri, Ysj son estadsticamente independientes. Entonces, si para cada
simulacin r se calcula la media muestral (ya sea basada en observaciones o en tiempo) Ymr,
estos valores son estadsticamente independientes y, por lo tanto, se pueden aplicar las
tcnicas estadsticas convencionales

Aplicando tcnicas estadsticas convencionales, se obtienen los siguientes estimadores:

1 R
Ym = Ymr (12)
R r =1

(Ymr Ym)
1 2 1
= S Ymr =
2 2
S Ym (13)
R R (R 1) r =1

y el grado de libertad f es igual a R-1.

Como ejemplo, suponga que se hacen 4 simulaciones del servicio de mantenimiento de

aviones presentado en el captulo anterior. Para el caso de dos talleres, la utilizacin media del
taller 1 (promedio basado en tiempo) result ser 0.808, 0.875, 0.708 y 0.842. Entonces, los
estimadores son:
0 .808 + 0.875 + 0 .708 + 0.842
Ym = = 0.808 (14)
4

Teora de Modelos y Simulacin. Anlisis de las Salidas. 3

 (0 .808 0.808 ) 2 + ( 0.875 0.808 )2 + (0.708 0 .808 )2 + (0.842 0.808 ) 2
S 2
= = 0 .036 2 (15)
Ym
43

Para un nivel de confianza de 95% y grado de libertad 3, t0.025,3 = 3.18 (obtenido de tabla);
entonces, el correspondiente intervalo de confianza es:
Y = 0.808 3.18 0.036 (16)

Esto es, la utilizacin media real pertenecer al siguiente intervalo con un 95% de certeza:
0 .694 Y 0.922 (17)

Intervalo de confianza especificado

Frecuentemente se especifican el error tolerable y el nivel de confianza 100 (1-)% deseado
para la estimacin; entonces, se deber estimar la cantidad de repeticiones que sern
necesarias para alcanzar dicho objetivo. Suponga que inicialmente se realizan R0 repeticiones
(no menos de 4). Con estos resultados se estima S2Ymr0. Utilizando la definicin del intervalo
de confianza, ecuacin (9), y la definicin de S2Ym, ecuaci n (13), se obtiene:
t / 2 , R 1 S Ymr0
(18)
R

Si se resuelve esta desigualdad, se tiene que R es el menor nmero entero que cumple con
R R0 y con:
2
t S
R / 2 , R 1 Ymr0 (19)

Debido a que t/2,R-1 z/2, una estimacin inicial de R se obtiene con:

2
z S
R / 2 Ymr0 (20)

Determinado R, se proceder a realizar R-R0 simulaciones adicionales. Si el nuevo intervalo

de confianza es mayor que el especificado, se debern repetir los clculos tomando R como el
nuevo R0.

Para el caso analizado en la seccin anterior, se desea determinar la utilizacin media del
taller 1 con un error de 0.04 y 95% de certeza. Dado que ya se realizaron 4 simulaciones,
R0 = 4. Luego se puede estimar S2Ymr0 como:
0 = R0 SYm = 4 0 .036 = 0.00518
2 2 2
SYmr (21)

De la ecuacin (20), y tomando de tabla z0.025 = 1.96, surge que R debe ser mayor que:
1 .96 2 0 .00518
2
z S
R / 2 Ymr0 = = 12 .44 (22)
0.04 2

Los posibles candidatos son los nmeros enteros superiores a 12.44. En la Tabla 1 se muestra
la evaluacin para 13, 14 y 15. Como puede apreciarse, R = 15 es el menor entero que
Teora de Modelos y Simulacin. Anlisis de las Salidas. 4
satisface la desigualdad; por lo tanto, en principio sern necesarias R-R0 = 15-4 = 11
simulaciones adicionales para alcanzar la tolerancia requerida. Sin embargo, debido a que
S2Ymr0 fue estimado es necesario verificar que el nuevo intervalo de confianza obtenido con
las R simulaciones es menor que el error tolerado . Sin esto no es as, entonces se toma R
como el nuevo R0, se estima la nueva varianza S 2Ymr0, y se repiten los clculos anteriores para
estimar la nueva cantidad de simulaciones adicionales. Este procedimiento se repite hasta que
el intervalo de confianza sea menor que el error tolerable.

Tabla 1: Determinacin del nuevo R.

R 13 14 15
t0.025,R-1 2.18 2.16 2.14
2
t 0.025, R 1 S Ymr0
15.40 15.12 14.84

Simulacin sin terminacin

Un sistema sin terminacin es un sistema que funciona continuamente; por ejemplo: lneas de
ensamblaje, sistema de telfonos, hospitales, sistemas de computacin, etc. Si bien el sistema
real funciona continuamente, la simulacin necesariamente debe iniciar en un cierto tiempo
(t0) y debe terminar en otro (tF). Esto significa que se debern establecer un estado inicial y un
criterio para detener la simulacin, la determinacin de estos dos factores en forma adecuada
todava est en investigacin.

Generalmente, el inters est en el estado estacionario de estos sistemas, el cual no es

influenciado por el estado inicial. Sin embargo, cuando se desea estudiar el estado dinmico,
el sistema debe ser tratado como un sistema con terminacin. Por ejemplo, aunque es cierto
que un banco funciona todos los das, si el objeto de estudio es un da de operacin
incluyendo el arranque y la parada del sistema, se debe considerar el banco como un sistema
con terminacin. En cambio, si el inters est en otros aspectos del banco, tales como el flujo
de dinero, el sistema se debe considerar como un sistema sin terminacin. Por lo tanto, si una
simulacin ser o no con terminacin depende de tanto los objetivos del estudio como de la
naturaleza del sistema.

Considere que se realiza una simulacin para estimar el estado estacionario del sistema.
Suponga que se obtiene la siguiente secuencia de observaciones {Y1, Y2, ..., Yn}, las cuales
generalmente estn autocorrelacionadas. El valor medio Y de la variable Y en el estado
estacionario es definido como:
1 n
Y = lim Yi (23)
n n
i =1

con probabilidad 1, y el valor Y es independiente del estado inicial del sistema (Figura 1).

Teora de Modelos y Simulacin. Anlisis de las Salidas. 5

 Y

t0 tE tF t
Figura 1: Determinacin del estado estacionario.

Debido a que no es posible realizar una simulacin con n tendiendo a infinito, la misma
deber detenerse para un valor finito de n o tF. Estos valores debern elegirse cuidadosamente
considerando los siguientes aspectos:
El sesgo del estimador puntual debido al estado inicial artificial o arbitrario. Dicho
sesgo ser menor mientras ms grandes sean los valores elegidos para n o tF. Una
simulacin demasiada corta puede producir un sesgo severo en el resultado.
La precisin deseada del estimador puntual, medida por un estimador de la varianza.
Las restricciones de los recursos informticos.

Sesgo debido al estado inicial

Existen varios mtodos para reducir el sesgo producido por el estado inicial sobre las
estimaciones en el estado estacionario. El primer mtodo consiste en seleccionar como estado
inicial un estado representativo del sistema en funcionamiento continuo. A veces, este mtodo
se llama inicializacin inteligente. Algunos ejemplos son:
En un banco, iniciar con la cantidad de dinero, deudas y crditos que debera tener el
banco en condiciones de funcionamiento normal.
En un sistema de comunicaciones, iniciar con la cantidad de componentes fallados que
normalmente estn presentes.
En una simulacin de trnsito, iniciar con la cantidad y distribucin de automviles
que normalmente estn presentes.

Para obtener las condiciones de una inicializacin inteligente existen por lo menos dos
caminos. En el primero, si el sistema existe, se deben recolectar datos del mismo y seleccionar
el estado ms representativo de su funcionamiento; si el sistema no existe, es posible formular
un modelo simplificado resoluble analticamente, e iniciar la simulacin con esta solucin.

En el segundo camino, se divide la simulacin en dos partes, una de inicializacin desde el

tiempo t0 hasta tE, seguida por una fase de recoleccin de resultados desde tE hasta tF. Esto es,
la simulacin se inicia en el tiempo t0 con determinadas condiciones iniciales I0 y se ejecuta
hasta tE sin recolectar los resultados porque el nico objetivo de esta etapa es hacer que el
estado del sistema evolucione desde I0 hasta otro I representativo del estado estacionario. En
otras palabras, la distribucin de probabilidades de las variables en el estado I es igual a la
distribucin de probabilidades que ellas tienen en el estado estacionario. El resto del tiempo se
utiliza para recolectar los resultados.

La eleccin de tE es crtica, ya que debe ser elegido lo suficientemente grande como para que I
sea en realidad un estado representativo del estado estacionario; pero no muy grande, porque
se estara desaprovechando los recursos informticos. Si tE no es suficientemente grande, se
recolectarn datos del estado transitorio que originarn un sesgo en el anlisis del estado
Teora de Modelos y Simulacin. Anlisis de las Salidas. 6
estacionario. Lamentablemente, no existe un criterio establecido para determinar la cantidad
de datos que se deben eliminar para reducir el sesgo a un nivel aceptable. Los siguientes
puntos deben ser considerados cuando se va a elegir tE:
Para detectar el final del estado dinmico se pueden graficar las variables del sistema
en funcin del tiempo. En el estado estacionario la variacin de estas variables debe
estar dentro de una banda de normalidad. Para hacer ms suave las lneas, y as reducir
la banda de normalidad, se pueden graficar los promedios de los valores de las R
simulaciones correspondientes a cada tiempo o intervalo de tiempo (promedio de
ensambles). Debido a que estos promedios siguen la distribucin t es posible
determinar la banda de normalidad (intervalo de confianza) correspondiente a cada
punto, agregarla en el grfico, y determinar si el grfico es lo suficientemente preciso
o si ser necesario realizar simulaciones adicionales. ste es el mtodo recomendado.
Un grfico ms suave se puede obtener graficando los promedios mviles de los
promedios de los ensambles. La cantidad m de puntos anteriores a tomar para
promediar con el valor actual se determina experimentalmente.
No se recomienda graficar los promedios acumulados (desde t0 hasta t) debido a que
siempre se vuelve ms suave a medida que avanza el tiempo, haciendo posible que se
confunda el todava presente estado dinmico con el estacionario.
Por lo general, el inters est puesto en ms de una variable del sistema, como por
ejemplo: la longitud de colas, tiempos de espera, utilizacin de servidores, etc.
Lamentablemente, estas variables alcanzan el estado estacionario en distintos tiempos;
entonces, es necesario determinar un nico tE adecuado para todas ellas, este tiempo es
determinado por la variable ms lenta.

Anlisis por repeticin para el estado estacionario

Cuando el estado estacionario es correctamente determinado, el sesgo de los estimadores es
despreciable y puede aplicarse el mtodo de las repeticiones tal como se hizo con los sistemas
con terminacin. Sin embargo, si el sesgo no fue reducido lo suficiente, el mismo no ser
eliminado aumentando la cantidad de simulaciones R. En efecto, el sesgo no es afectado por
las repeticiones, y esto originar intervalos de confianza alrededor de un promedio sesgado.

Tambin es posible determinar la cantidad de simulaciones necesarias para alcanzar un

intervalo de confianza especificado tal como se hizo con los sistemas con terminacin. Sin
embargo, experimentalmente se estableci que ms de 25 simulaciones no aportan
informacin relevante; en todo caso, se debera volcar el esfuerzo en incrementar (tF-tE) a ms
de 10 (tE-t0). Este incremento se puede hacer ampliando tanto (tE-t0) como (tF-t0) por el factor
(R/R0).

Mtodo de los promedios batch para el estado estacionario

Una desventaja del mtodo de las repeticiones es que los datos del estado dinmico deben ser
eliminados en cada simulacin haciendo ineficiente la utilizacin de los recursos
computacionales. Este inconveniente puede ser superado realizando una nica simulacin
cuya duracin es por lo menos R (tF-tE)+t0. De esta manera, se elimina solamente una vez el
estado dinmico, el resto de la simulacin es dividido en R intervalos de duracin (tF-tE)
denominados batchs. Estos intervalos juegan el papel de las repeticiones, las variables sern
promediadas dentro de cada batch, y se supondr que los promedios as obtenidos son

Teora de Modelos y Simulacin. Anlisis de las Salidas. 7

independientes entre s. De esta manera, se puede determinar el intervalo de confianza para
cada variable de la misma manera que se hizo en las secciones anteriores.

Histograma
Hasta ahora se estudiaron tcnicas que ayudan a estimar el valor medio de Y (Y) y el
correspondiente intervalo de confianza. Sin embargo, esta informacin no es suficiente para
tomar una decisin. Suponga que aplicando estas tcnicas se estima que el costo medio anual
de reparacin de un sistema de comunicaciones es de $10000 100 con un 95% de nivel de
confianza. El resultado tiene una gran precisin, pero note que esta precisin refiere al valor
medio. Lo que se est planteando es que el costo medio anual estar entre $9900 y $10100 en
el 95% de los casos. Esta informacin es til para realizar planes a largo plazo donde los
costos realmente se promediarn. Sin embargo, no es de mucha utilidad cuando se est
planificando para un nico ao; en este caso, interesa conocer el intervalo de confianza del
costo anual y no del costo anual promedio. La diferencia es importante, mientras el costo
anual promedio est limitado al intervalo [$9900, $10100] en el 95% de los casos, no se tiene
informacin alguna sobre la varianza del costo anual. Puede ser que en un ao el costo sea
$1000 y que en el siguiente sea $19000, el promedio es $10000 que est dentro de lo
esperado; sin embargo, nada haca suponer que en un ao se debera enfrentar un costo de
$19000. Para obtener la informacin faltante es necesario estimar el intervalo de confianza no
slo del costo anual promedio sino tambin del costo anual.

La estimacin de un intervalo de confianza para Y no es tan simple como la estimacin de un

intervalo de confianza para Y debido a que generalmente no presenta una distribucin t ni
normal. La solucin ms directa para este problema es realizar R simulaciones independientes
y construir un histograma con los datos recolectados Yri. La determinacin de un intervalo con
un nivel de confianza 100 (1-)% se realiza seleccionando el intervalo ms crtico (depende
del caso) que contenga dicho porcentaje del total del rea del histograma. La Figura 2 muestra
el histograma del costo anual, el intervalo [0, Ymax] contiene el 95% del rea del histograma;
por lo tanto, se puede decir que para un ao dado el costo anual ser menor que Ymax con un
95% de certeza.

95%

5%

0 Ymax Y
Figura 2: Histograma del costo anual Y.

Teora de Modelos y Simulacin. Anlisis de las Salidas. 8

Comparacin entre dos sistemas
Suponga que se desean comparar dos sistemas; por ejemplo, en un sistema de colas, se desea
comparar dos disciplinas; en un sistema de inventarios, se desea comparar dos polticas de
ordenes. El objetivo del estudio ser establecer el valor medio y el intervalo de confianza del
valor Y1-Y2, donde Yi es el valor medio de la variable Y para el sistema i. Los casos
posibles son:
Si el intervalo de confianza de Y1-Y2 est totalmente a la izquierda del cero,
entonces existe una fuerte evidencia para la hiptesis Y1-Y2 < 0; o su equivalente,
Y1 < Y2.
Si el intervalo de confianza de Y1-Y2 est totalmente a la derecha del cero, entonces
existe una fuerte evidencia para la hiptesis Y1-Y2 > 0; o su equivalente, Y1 > Y2.
Si el intervalo de confianza de Y1-Y2 contiene al cero, entonces no existe evidencia
estadstica que afirme que un sistema sea mejor que el otro.

El intervalo de confianza con certeza 100 (1- )% para Y1-Y2 se define de la siguiente
manera:
Y 1 Y 2 = Ym1 Ym2 t / 2, SYm1Ym 2 (24)

donde Ym1 es el promedio obtenido de R1 simulaciones para el sistema 1. Similarmente, Ym2

es el promedio obtenido de R2 simulaciones para el sistema 2. t/2, se obtiene de la tabla de
distribucin t, es el grado de libertad. El clculo de SYm1-Ym2 depende de la forma en que se
realizan las simulaciones, en las secciones siguientes se analizarn los casos posibles.

Muestreo independiente con igual varianza

Para aplicar este mtodo las simulaciones de los dos sistemas deben ser independientes; para
ello, se utilizan distintas secuencias de nmeros aleatorios. Si se procede de esta manera, los
resultados de las simulaciones de los sistemas tambin son independientes entre s; por lo
tanto, la varianza de la diferencia se puede calcular como sigue:
Ymr
2
Ymr
2
S Ym1 Ym 2 = S Ym1 + SYm 2 =
2 2 2 1
+ 2
(25)
R1 R2

Las Ymri decrecen cuando se aumenta la duracin de las simulaciones; por lo tanto, es posible
regular la duracin de las simulaciones de ambos sistemas para cumplir con la igualdad
Ymr1 = Ymr2 = Ymr. Si esta condicin se cumple, se puede aplicar la distribucin t para
calcular el intervalo de confianza. El valor Ymr se puede estimar de la siguiente manera:
( R1 1) SYmr
2
1 + (R 2 1) SYmr 2
2
Sp2 = (26)
R1 + R 2 2

donde el grado de libertad es = R1+R2-2. Por lo tanto, la varianza de la diferencia es:

1 1
S Ym1Ym 2 = Sp + (27)
R1 R 2

Ahora ya se tienen todos los datos para calcular el intervalo de confianza definido por la
ecuacin (24). Cuando R1 = R2, este mtodo tambin se puede aplicar aunque no se cumpla
la igualdad Ymr1 = Ymr2. Si ninguna de estas igualdades se cumple se deber utilizar el
mtodo planteado en la seccin siguiente.
Teora de Modelos y Simulacin. Anlisis de las Salidas. 9
Muestreo independiente con varianzas diferentes
Cuando no se cumplen las condiciones para aplicar el mtodo anterior (las varianzas son
distintas y la cantidad de simulaciones tambin lo son) la varianza de la diferencia se debe
estimar como sigue:
2
S Ymr S2
SYm1Ym 2 = 1
+ Ymr2 (28)
R1 R2

mientras el grado de libertad se debe estimar con:

1 / R1 + SYmr 2 / R 2 )
2 2 2
(S Ymr
= 2 (29)
(S Ymr1 / R1) 2 /( R1 1) + ( SYmr
2
2 / R 2 ) /( R 2 1)
2

Un mnimo de 6 repeticiones R por sistema se recomienda para aplicar este mtodo.

Nuevamente, se cuenta con todos los elementos para calcular el intervalo de confianza
definido por la ecuacin (24).

Muestreo correlacionado
En este mtodo la misma secuencia de nmeros aleatorios es utilizada para simular ambos
sistemas. Por lo tanto, R1 debe ser igual a R2; esto es, R1 = R2 = R, y los resultados de ambos
sistemas para un mismo r estarn correlacionados. Sin embargo, se mantiene la independencia
entre los resultados de una simulacin con respecto a otra para un mismo sistema.

Cuando esta tcnica se aplica correctamente permite reducir la varianza de los resultados. Los
clculos necesarios para estimar el intervalo de confianza son:
Dr = Yr 1 Yr 2 (30)

1 R
Dm = Dr
R r =1
(31)

1 R
2
S Dr = ( Dr Dm)2
R 1 r =1
(32)

S Dr
SYm1Ym 2 = (33)
R

el grado de liberta es = R-1. Nuevamente se tienen todos los elementos para calcular el
intervalo de confianza definido por la ecuacin (24).

Este mtodo se debe aplicar con mucho cuidado debido a que la sincronizacin de los
nmeros aleatorios debe ser perfecta. Para lograr esto no es suficiente con utilizar la misma
semilla para ambos sistemas. Deben tomarse todos los recaudos para asegurar que un nmero
utilizado para algn propsito en el sistema 1 cumpla el mismo propsito en el sistema 2. Esto
se puede apreciar en el ejemplo del sistema de mantenimiento de un aeropuerto visto en el
captulo de sistemas estocsticos. En dicho ejemplo, los aviones que requeran mantenimiento
ingresaban en los mismos das en ambos sistemas (el de un nico taller y el de dos talleres).
El tiempo de reparacin de cada avin en el sistema 2 fue el mismo que se utiliz en el

Teora de Modelos y Simulacin. Anlisis de las Salidas. 10

sistema 1. ste es el tipo de sincronismo que debe lograrse para poder aplicar correctamente
el mtodo de muestreos correlacionados.

Algunos puntos que deben tomarse en cuenta para lograr la sincronizacin necesaria son:
Dedique una cadena de nmeros aleatorios para un dado propsito y utilice tantas
cadenas como sean necesarias. Asigne las semillas en el comienzo de cada simulacin,
no slo en la primera simulacin.
Para sistema con arribos externos, cada vez que se genere una entidad se debern
generar todos los nmeros aleatorios que utilizar la misma (tiempo de prximo
arribo, tiempo de utilizacin de servidores, etc.) y se debern almacenar estos nmeros
como atributos de dicha entidad para ser utilizados oportunamente. sta fue la
estrategia que se sigui en el ejemplo del sistema de mantenimiento del aeropuerto,
tanto los das de arribos como los tiempos de reparacin fueron calculados de
antemano y luego utilizados para ambos sistemas.
Se deber asignar una cadena de nmeros aleatorios para cada entidad que realiza una
actividad cclica; por ejemplo, una mquina que alterna entre dos estados.
Si la sincronizacin no es posible para alguna parte del modelo, utilice cadenas
independientes.

La Tabla 2 muestra los tiempos de inspeccin de calidad de artculos que arriban al puesto de
revisin con una cierta distribucin probabilstica. La columna 1 muestra los tiempos
correspondientes al sistema 1, la columna 2i muestra los tiempos obtenidos simulando en
forma independiente el sistema 2, y la columna 2c muestra los resultados obtenidos simulado
en forma sincronizada el sistema 2.

Tabla 2: Comparacin entre dos sistemas.

Simulaciones Tiempo promedio Diferencia observada
1 2i 2c D1,2c
1 29.59 51.62 29.55 0.04
2 23.49 51.91 24.26 -0.77
3 25.68 45.27 26.03 -0.35
4 41.09 30.85 42.64 -1.55
5 33.84 56.15 32.45 1.39
6 39.57 28.82 37.91 1.66
7 37.04 41.30 36.48 0.56
8 40.20 73.06 41.24 -1.04
9 61.82 23.00 60.59 1.23
10 44.00 28.44 41.49 2.51
Ym 37.63 43.04 0.37
S2Ymr 118.90 244.33 1.74
SYm1-Ym2 6.03 0.42

Para el caso de dos muestreos independientes se supuso que las varianzas no son iguales; por
lo tanto, la desviacin estndar se calcul de la siguiente manera:
2
S Ymr S2 118 .9 244 .33
S Ym1Ym 2 = 1
+ Ymr2 = + = 6 .03 (34)
R1 R2 10 10

y de la ecuacin (29) resulta = 17. La estimacin puntual es:

Ym1 Ym 2 = 37 .63 43 .04 = 5 .4 (35)

Para un nivel de confianza de 95%, t0.025,17 = 2.11, se tiene:

Teora de Modelos y Simulacin. Anlisis de las Salidas. 11
 Y 1 Y 2 = 5.4 2.11 6 .03 (36)

es decir:
18 .1 Y 1 Y 2 7.3 (37)

Debido a que el intervalo contiene al cero, no es posible sacar una conclusin categrica.

A fin de refinar el resultado, se analizarn los tiempos obtenidos de las simulaciones

sincronizadas. El estimador puntual es Dm = 0.4 min, la varianza de la muestra es S2Dr = 1.7
con grado de libertad = 9. De la ecuacin (33) resulta S Ym1-Ym2 = 0.4. Entonces, el intervalo
de confianza para un nivel del 95% es:
0.50 Y 1 Y 2 1.30 (38)

Nuevamente el intervalo contiene al cero, pero esta vez la precisin es mucho mayor y se
puede concluir que en realidad no existe una diferencia apreciable entre los tiempos de los dos
sistemas.

Teora de Modelos y Simulacin. Anlisis de las Salidas. 12