Professional Documents
Culture Documents
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.
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
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)
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
(Ymr Ym)
1 2 1
= S Ymr =
2 2
S Ym (13)
R R (R 1) r =1
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)
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)
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.
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).
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.
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.
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.
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.
95%
5%
0 Ymax Y
Figura 2: Histograma del costo anual Y.
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)
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
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
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
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.
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
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.
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.