Anlisis de Resultados Simulacin 2011

1

Anlisis de resultados Simulacin
Tipos de simulacin
Simulaciones terminales: Se deben realizar cuando en el sistema real existe un evento natural que
indica el fin de una fase a partir de la cual las actividades del sistema se terminan se obtienen las VR (referidas a
un tiempo) y el sistema inicia una nueva fase, con las mismas condiciones iniciales antes determinadas.
(Repeticin de corridas).
Simulaciones estacionarias: Se realiza cuando el sistema real opera en forma continua, sin un evento
natural que determine una fase. Las VR no estn referidas a un tiempo. (Repeticin de corridas y media de
lotes)
Intervalos de confianza (IC): Rango de valores entre los cuales se estima que estar cierto valor desconocido con
una cierta probabilidad de acierto. Este intervalo se calcula a partir de los datos de una muestra y el valor
desconocido es un parmetro poblacional.
La probabilidad de xito en la estimacin se representa con 1- y se denomina nivel de confianza. Se
denomina error aleatorio al valor de , medida en la que puede fallar la estimacin.
Suponga que realiza n replicas independientes (ya que c/u se realiza con diferentes numero aleatorios)
de una simulacin terminal. Suponga se calcula una nica VR X. Y los Xj son variables aleatorias definidas para la
rplica j con j = 1,2,n, entonces los Xj son variables aleatorias IID. Si deseamos obtener un IC para la media =
E(X) se puede calcular de la siguiente manera:
- Hacer n (n >= 30) replicas independientes y obtener los X1, X2, Xn (VA IID)
- Establecer el nivel de confianza 100(1- )% (en general 90 o 95%).
- Calcular la media muestral y la varianza muestral:
y el IC =
- t n-1, 1-/2 es el valor crtico de la distribucin t (o t de student) al 100(1- /2)% de confianza
y n-1 grados de libertad. (Precision con la q

Un intervalo ms amplio tendr ms posibilidades de acierto (mayor nivel de confianza), mientras ms
pequeo el intervalo, mas aumentan sus posibilidades de error. Se debe precisar el intervalo de manera que el
cero no que de contenido en l, sino no se puede concluir.

Variables de respuesta como VA IID
Debido a que las muestras son aleatorias, las estimaciones de una corrida particular podran diferir en
gran medida con el comportamiento caracterstico del modelo.

Mtodo para obtener la cantidad de observaciones (n) que se necesitan para obtener con una precisin
especificada.
- Precisin absoluta: Si la estimacin de es tal que entonces se dice que tiene un error absoluto
de |.
Entonces se cumple que:

El total de rplicas requerida para obtener un error igual a | es:

Anlisis de Resultados Simulacin 2011
2

La exactitud de esta expresin depende de que tan cerca esta la varianza estimada S2(n) de la Var (X).
- Precisin relativa: Si la estimacin de es tal que => tiene un error relativo de al estimar a .
Por lo tanto tenemos la siguiente expresin: Donde:
y
Procedimiento secuencial
El objetivo es un estimador de con un error relativo 0 < < 1 y con un nivel de confianza al 100(1-)%.
Y sea: la semi-amplitud del intervalo de confianza habitual calculado.
El procedimiento secuencial es el siguiente:
1. Realizar n0 rplicas de simulacin y fijar n= n0.
2. Calcular
3.
4. Caso contrario incrementar la cantidad de rplicas en r0 rplicas y volver al paso 2.

Determinacin del sesgo inicial (Welch)
Al estimar la esperanza matemtica en el estado estacionario: , puede ocurrir que
Para ello se define un mtodo llamado eliminacin n del sesgo inicial que consiste en eliminar una
cierta cantidad de observaciones del principio de la corrida y utilizar solamente observaciones remanentes.
La tcnica ms utilizada para establecer el tamao del sesgo inicial es el mtodo grafico de Welch.
l es el tamao del sesgo inicial, en unidades de tiempo. m es la longitud de cada rplica en unidades de
tiempo. Yji es la i-sima observacin de la j-esima rplica.
La determinacin del sesgo inicial se aplica solamente en las simulaciones de tipo estacionario. En las
simulaciones de tipo terminal es necesario tener en cuenta las condiciones iniciales.

Repeticin de corridas o rplicas
Mtodo para obtener una estimacin puntual y por intervalo de confianza para la media = E(X), donde
X es una variable aleatoria obtenida con los pasos definidos a continuacin
Pasos:
- Realizar n corridas independientes en una simulacin de tipo terminal.
- En el caso de estimar la media de una nica VR calcular: La media muestral (un estimador
puntual insesgado de ) y su intervalo de confianza al 100 (1-o). (Entre cuyos valores esta ).
- Sea Xj los valores de la variable aleatoria de la j-sima rplica, comparables y IID, con j=1 a n.
- En un estudio estacionario se obtienen mejores resultados con el mtodo Media de lotes.

Media de lotes
El propsito de esta tcnica es obtener observaciones independientes para calcular intervalos de
confianza. Se basa en una corrida larga y por lo tanto el perodo transiente o sesgo inicial se produce una nica
vez.
Descripcin del mtodo:
- Suponga que tiene Y1, Y2, , una variable que es IID con E(Yi) = para toda i
Anlisis de Resultados Simulacin 2011
3

- las primeras l (ele) observaciones se eliminan y se trabaja con Yl+1, Yl+2,
- Si existe, en general Yl+1, Yl+2, ser IID si l (ele) es suficientemente grande.
- Suponga que realiza una corrida de simulacin de longitud m y divide las observaciones
resultantes en Y1, Y2, Ym a partir de n lotes de longitud k, con m = n.k Entonces el lote 1 consiste de las
observaciones Y1, Y2, Yk, el lote 2 contiene las observaciones Yk+1, Yk+2, Y2k, etc.
- Se calcula el IC de la siguiente manera: Donde: media de lotes: gran media muestral: Varianza:
; ; y

IC para la diferencia de medidas de rendimiento
Sean Xi1, Xi2, Xin con i= 1,2; una muestra de ni IID observaciones para i y sea i = E(Xij) la esperanza
matemtica. Se desea construir un intervalo de confianza para ,=1 2
Dependiendo de la independencia entre X1j y los X2j se seleccionar uno de los mtodos:
Muestras apareadas:
- Sean n1 = n2 la cantidad de observaciones de los sistemas 1 y 2 (es posible descartar
observaciones para igualar esta cantidad).
- Se pueden aparear de manera de calcular Zj = X1j - X2j para j=1,1,2..n
- Zj son VA IID y E(_) = ,
- Calcular:

Muestras independientes (Welch)
- Se requiere que los X1j sean independientes de los X2j. Ademas n1 puede ser distinto de n2. Y
Var(X1j) = Var(X2j) (Si no, se puede degradar la convergencia hacia el IC, se puede atenuar haciendo n1 = n2).
- Calcular: - Calcular los grados de libertad estimados:

- Considerar si la variable es mejor por tener valores ms bajos o por tener valores ms altos.
- Si el IC incluye al cero, no se puede rechazar la H0 de que las medias son iguales. (De ser
necesario reducir el tamao del IC aumentado las observaciones (aplicando precisin absoluta/relativa)

Ranking y seleccin
Se describirn a continuacin los mtodos para comparar varios sistemas entre si.

1. El mejor de k sistemas: Selecciona uno de k sistemas como el mejor en algn sentido.
- Xij VA de la j-sima replica de -simo sistema y sea i = E(Xij). Se asume que los Xij son independientes.
- El objetivo es encontrar un sistema con la menor esperanza matemtica i1
- Debido a la aleatoriedad de las observaciones Xij no podremos estar seguros de haber hecho una
correcta seleccin, pero podemos expresarlo en base a la probabilidad de haberlo hecho correctamente (P*).
- es decir P(correcta seleccion) >=P*
Anlisis de Resultados Simulacin 2011
4

- ademas i2 i1 >= d* - donde P* > 1/k y d* > 0 siendo d* un parmetro
- El procedimiento provee la certeza de que con probabilidad de al menos P*, la esperanza matemtica
del sistema seleccionado no ser mayor que i1 + d*
- Los valores de P* y d* son establecidos por el analista
- Consiste en un muestreo en 2 fases para cada uno de los k sistemas
Primera fase
- Se realizan n0 2 rplicas de cada k sistema y se definen las medias y las varianzas mustrales.

- Se calcula el tamao de la muestra Ni necesaria para para los i sistemas de la siguiente manera:
Donde: h1 es una constante que se obtiene de la
tabla 10.11 del libro de Law y Kelton (pg. 606).


- Se procede a realizar las Ni - n0 rplicas del sistema i (con i=1,2,K,k). Se obtiene de esta
manera los las medias mustrales de la segunda fase.
Segunda fase
- Se calcula: - Se calculas los pesos:

- Finalmente se calculan las medias con los pesos calculados:

- El mtodo indica seleccionar como el mejor a aquel que tenga el Xi(Ni) de menor valor.
- Se aconceja trabajar con un n0 20
- En la tabla de 10.11: Siendo P* = 0.90; n0 = 20 y k = 10 h1 = 3,182

2. Un subconjunto m de k sistemas: Selecciona un subconjunto m de k sistemas, de manera que este el mejor.
- Se procede de igual solo que Ni se calcula con h2 (en vez de h1) a partir de la tabla 10.12.
- Los sistemas seleccionados sern los m que obtengan los m menores valores de Xi(Ni).

3. Los mejores m de k sistemas: Selecciona los mejores m de k sistemas.
- Se procede de igual solo que Ni se calcula con h3 (en vez de h2) a partir de la tabla 10.13.
- Los sistemas seleccionados sern los m que obtengan los m menores valores de Xi(Ni).

Nmeros aleatorios comunes
Si tenemos los valores de las medias muestrales de los 2 sistemas a comparar, la varianza de
la diferencia ser:
Si se utilizan variable aleatorias comunes, habr una correlacin entre y la varianza de la
diferencia se ver reducida si el trmino de la covarianza es positiva.