Departamento de Ingeniera Industrial

Universidad Catlica de la Santsima Concepcin

IND 5204 SIMULACIN

CLASE: ANLISIS DE SALIDAS (OUTPUT)
ESCENARIO NICO
Dra. Mara T. Bull

POR QU ANALIZAR LOS DATOS DE SALIDA?

POR QU ANALIZAR LOS DATOS DE SALIDA?

Por qu realizar el anlisis de los datos de salida?

Una corrida no necesariamente entrega la respuesta correcta
La varianza existe en los resultados de la simulacin entonces debemos ser
precavidos en la interpretacin de los resultados
Si las salidas de nuestro modelo son {Y1, Y2, Y3, }

{Y1, Y2, Y3, } pueden ser no independientes

{Y1, Y2, Y3, } pueden tener diferentes distribuciones, dependiendo de

diferentes factores

Los estimadores, intervalos de confianza deben ser calculados

Ejemplo:
Lance 2 dados para estimar su suma

Qu resultados obtiene?

Qu puede concluir con lanzar una vez los dados?

POR QU ANALIZAR LOS DATOS DE SALIDA?

SI USTED NO RECUERDA NADA DE ESTE

CURSO POR FAVOR RECUERDE
Analizar solamente los datos
de una nica corrida de un
modelo de simulacin es
SIEMPRE UNA MUY , MUY
MALA IDEA

RPLICAS DE SIMULACIN

Rplicas
Ejecute la simulacin y saque m muestras de cada ejecucin. Complete n ejecuciones
y11, y12, y13, , y1m;

(yij es conocida como un resultado de {Y1, Y2, Y3, })

y21, y22, y23, , y2m;

Note que las observaciones a travs de las filas no son

IID*, sin embargo las observaciones a travs de las

columnas si !

yn1, yn2, yn3, , ynm;

({y1i, y2i, y3i, , yni} dado que son IID. para cada Yi)

Estimators
n

j (m)

y
i 1

Puede no ser un estimador insesgado de la media

ji

m
n

y i (n)

y
j 1

ji

Es un estimador insesgado de E(Yi).

* IDD: Independientes y Idnticamente Distribuidas

SIMULACIN EN ESTADO ESTABLE VS

SIMULACIN EN ESTADO TRANSITORIO
Simulacin en Estado Estable
(Steady State)
El estado estacionario o de equilibrio
es el estado del sistema despus de
mucho tiempo - es decir, el estado del
sistema es independiente de las
condiciones iniciales de partida.
Una simulacin est en estado
estacionario (estable) si todas sus
colas estn en estado estacionario

Simulacin en Estado Transitorio -Transiente

( Transient)
Simulacin terminal, describen sistemas que
operan en perodos cortos de tiempo y que
muchas veces nunca alcanzan el estado
estacionario.
Interesa todo el perodo de simulacin.
Simulacin terminal: El perodo durante el cual
la respuesta del estado del sistema depende
de las condiciones iniciales de partida.

7
Fuente: http://www.fing.edu.uy/inco/cursos/simulacion/archivos/clases/clase07web.pdf

SIMULACIN EN ESTADO ESTABLE VS

SIMULACIN TERMINAL
Formalmente, considere la salida de un proceso estocstico
como Y1, Y2, ...
Entonces Fi (y|I) = P (Yi y|I) para i = 1, 2, ...,
Donde I representa las condiciones iniciales de partida.
En estado estacionario Fi (y|I) F (y) como i , eso es
cuando el tiempo tiende a infinito, la salida del proceso
estocstico se hace independiente de las condiciones de
partida.

SIMULACIN EN ESTADO ESTABLE VS

SIMULACIN TERMINAL
Ejemplo de Simulacin Terminal ( Transient)
A continuacin, se ha elaborado un grfico del tiempo promedio en el sistema
para un sistema M/M/1 ( = 0.90) . Las observaciones pertenecen a una sola
ejecucin de la simulacin y son tomadas cada 5 minutos. La condicin inicial
del sistema era vaca e inactiva.

SIMULACIN EN ESTADO ESTABLE VS

SIMULACIN TERMINAL
Entonces qu?
Por lo general (aunque no siempre),
estamos interesados en el estado
estacionario del sistema.

Hay dos formas de evitar este problema:

Ejecute el modelo para un tiempo muy
largo (costoso).
Cortar el estado transitorio (complicado).

30
25

Minutes

Si incluimos el estado transitorio, se

obtiene un resultado diferente que si se
excluye .

Avg Time in System

20
15
10
5
0
0

500

1000

1500

2000

2500

TNow

Promedio
incluyendo el
estado
transitorio

Promedio
excluyendo
estado
transitorio

10

SIMULACIN EN ESTADO ESTABLE VS

SIMULACIN TERMINAL
Generalmente utilizamos diferentes tcnicas para analizar los resultados de las
simulaciones, en funcin del tipo de modelo que estamos ejecutando.
TIPOS: SIMULACIN TERMINAL Y NO TERMINAL

Simulacin Terminal: Hay un evento "natural" que sugiere una longitud para cada
ejecucin.
Ejemplos
Un modelo de planificacin de inventario con un horizonte fijo.
Un contrato para construir cuatro plataformas petroleras en los astilleros de Halifax.
Simulacin no terminal: No hay un acontecimiento natural para terminar el modelo.
Ejemplos
Una planta que est abierta de 8 horas por da y nunca se vaca.

11

SIMULACIN EN ESTADO ESTABLE VS SIMULACIN

TERMINAL
La simulacin no terminal: No existe un acontecimiento natural que termine el
proceso de simulacin. En general, podemos estar interesados en una serie de
parmetros de rendimiento de los sistemas que no son de terminacin:

Parmetros de Estado Estable

M/M/1 Sistema: Duracin media cola

Parmetros del ciclo de estado estable

Fbrica: produccin por turno / por da / por mes

Otros estados: Existen sistemas que estn en constante cambio, por lo que no
existe el estado estacionario. Por ejemplo, un sistema en el que la tasa de
llegada est cambiando constantemente.

12

SIMULACIN TERMINALES: ESTIMANDO LA MEDIA

EL ANLISIS ESTADSTICO PARA LA SIMULACIN TERMINAL
Hacemos n repeticiones independientes con base en un modelo particular, y un
conjunto comn de condiciones iniciales. Para rplica j de ese modelo,
defina Xj = una variable aleatoria definida en la replicacin j-sima.
{X1, X2, ..., Xn} son independientes e idnticamente distribuidos.
Sea X la variable aleatoria de inters. Queremos estimar E(X).
Ejemplos
M/M/1: Tiempo de espera {D1,D2,...,Dm} promedio X=(D1+D2+ ... +Dm)/m.
Intuicin: Calcular la medida de inters (X) para cada rplica Xj, 1 j n.
Considere los resultados de cada ejecucin como una secuencia de las variables
aleatorias independientes {X1, X2, ..., Xn}.
Calcular E (X) como

1 n
Xj

n j 1

ANLISIS ESTADSTICO PARA LA

SIMULACIN TERMINAL
13

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
1 n
X ( n) X j
n j 1

Estimacin puntual de la media

Intervalo de confianza para la media

X (n) t n 1,1 / 2

S 2 ( n)
n

Donde S2(n) es la varianza de la muestra.

Este mtodo de determinacin del Intervalo de Confianza (IC) se conoce como el

procedimiento de tamao de muestra fija, ya que fijamos el tamao de la
muestra antes de realizar los clculos.

PROCEDIMIENTO DE TAMAO DE
MUESTRA FIJA
14

EJEMPLO 9.15
Para un sistema de inventario en particular, supongamos que queremos obtener la
media y el intervalo de confianza del 90% ( = 0,10) para el costo esperado en un
horizonte de planificacin de 120 meses. Hacemos 10 repeticiones de 120 meses.
Replication Avg Cost
1
129,35
2
127,11
3
124,03
4
122,13
5
120,44
6
118,39
7
130,17
8
129,77
9
125,52
10
133,75
Avg:
Var:

tn-1, 1-/2 t9, .95 = 1.833

X (n) tn 1,1 / 2

S 2 ( n)
n

126.07 1.833

23.55
10

126.07 2.81
[123.26,128.88]

126,07
23,55

Una advertencia acerca de los intervalos de confianza

https://www.youtube.com/watch?v=wGSutshZDiA
15

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
En 9.4.1 Law y Kelton muestran que los INTERVALOS DE CONFIANZA PUEDE SER
INEXACTOS SI EL NMERO DE RPLICAS ES PEQUEO, o LA FORMA DE LA
DISTRIBUCIN SUBYACENTE ES MUY DESIGUAL.
Utilizan un M/M/1 con = 0,9 y calculan el retraso medio en el sistema de las
primeros 25 clientes.
La media real de este modelo es conocido por ser 2,12.
A continuacin, llevan a cabo 500 experimentos usando diferentes nmeros de
rplicas (n = 5, 10, 20, 40) para construir intervalos de confianza del 90%.
Entonces determinaron la proporcin de estos experimentos en los que el intervalo
de confianza sugerido por la simulacin cubri la media real.
Nota: Recuerde que si estamos utilizando un intervalo de confianza del 90%, es de
esperar que el 90% de las veces la media real debe estar contenido dentro del
intervalo de confianza.

16

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
Prueba de Intervalo de Confianza

M/M/1
n
5
10
20
40

Coverage
.880+/- .024
.864+/- .025
.886+/- .023
.914+/- .021

E( Falla|Componente Nuevo)
n
5
10
20
40

Coverage
.708+/- .033
.750+/- .032
.800+/- .029
.840+/- .044

Para la prueba de M/M/1, L & K encontrado

que la IC generado a partir de la simulacin
tena ligeramente menos discriminacin de lo
que se supone.
Tambin ejecutaron una segunda prueba en una
simulacin de un sistema con tres
componentes en el que se miden el tiempo
hasta el fallo del sistema que el fallo es mnima
{G1, Max {G2, G3}}, donde Gi es el tiempo de
fallo del componente i.
La distribucin de la falla la asumieron Weibull (0,5,
1), la cual es muy desigual.

En pocas palabras: UnPROCEDIMIENTO

buen nmero (> 30) DE
es TAMAO DE
tpicamente necesario MUESTRA
para cumplirFIJA
el supuesto de
salidas normalmente distribuidas. Ms an si la
17
distribucin es muy desigual a la asumida

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
A veces vamos a querer ejecutar la simulacin de repeticiones "suficientes" para alcanzar un
determinado grado de precisin en el CI. La precisin es especificada con anterioridad con el fin
de encontrar un n que

| X (n) | .
donde es un nmero fijo.
Supongamos que ya hemos hecho n repeticiones del ensayo y que S2(n) esta cerca de la Var (X).

n ( ) min{i n : ti 1,1 / 2
*
a

Entonces aproximadamente necesitamos tener

lograr la precisin pre-especificado.

S 2 ( n)
}.
i

na* ( ) n repeticiones adicionales para

PROCEDIMIENTO PRECISIN FIJA :

ERROR ABSOLUTO
18

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
Ejemplo: Error Absoluto

Digamos que en nuestro ejemplo (9.15) se desea tener un error absoluto de no ms de 0,80
minutos con un nivel de confianza del 90%.

S 2 ( n)
n min i n : ti 1,1 / 2

i

*
a

S 2 ( n)
min i n : ti 1,.95

i

23.55
min i n : ti 1,.95
.10
i

Vemos que se necesita un total de 110

I
ti-1,.95
CI Half
observaciones.
Ya
hemos
recogido
20
1.729
1.87610
ya, queremos
30 simplemente
1.699 recoger
1.505100
40
1.685
1.293
ms.

Tratando
con valores
de i
diferentes

50
60
70
80
90
100
110

1.677
1.671
1.667
1.664
1.662
1.660
1.659

1.151
1.047
0.967
0.903
0.850
0.806
0.768

PROCEDIMIENTO PRECISIN FIJA :

ERROR ABSOLUTO
19

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
A veces vamos a querer ejecutar la simulacin de repeticiones "suficientes"
para alcanzar un nivel de precisin en relacin con nuestro media

Precisin relativa, encontrar n para que

| X ( n) |

donde es una proporcin fija.

S 2 ( n)
ti 1,1 / 2

Supongamos que ya hemos hecho n *

i
nr ( ) min i n :

repeticiones. Sea
1
X n

*
Luego necesitamos tener nr ( ) - n repeticiones adicionales para lograr la

precisin pre-especificado. '= /1- se llama el error ajustado

PROCEDIMIENTO PRECISIN :
ERROR RELATIVO
20

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
Intervalos de confianza: Ejemplo Error Relativo
Digamos que en el ejemplo (9.15), nosotros deseamos tener un error relativo de no
ms de 1% con una confianza del 90%.
Probando diferentes valores de i:

S 2 ( n)
ti 1,1 / 2

I
ti-1,.95
CI Half
i
*
nr min i n :

20
1.729
1.876
1
X n

30
1.699
1.505

40
1.685
1.293

23.55
t

i 1,.95
.01
i
min i n :

126.07
1

.01

23.55

min i n : ti 1,.95
1.27
i

50
60
70
80
90
100
110

1.677
1.671
1.667
1.664
1.662
1.660
1.659

1.151
1.047
0.967
0.903
0.850
0.806
0.768

Vemos quePROCEDIMIENTO
se necesita un total de 50
PRECISIN :
observaciones. Ya
hemos recogido
10, queremos
ERROR
RELATIVO
simplemente necesitamos 40 ms.
21

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
Una pregunta que surge en una simulacin terminal es la correcta seleccin de una condicin de
partida inicial.
1) Perodo de calentamiento
Ejecute el programa de simulacin por un tiempo, descartar todos los datos obtenidos hasta
el momento, y utilizar slo los datos recogidos despus de este punto.
Por ejemplo, decimos que estamos interesados en la simulacin de la operacin de un banco de
12:00-01:00.
Podramos comenzar la simulacin a las 9:00 sin clientes en el sistema y luego tirar todas las
estadsticas recopiladas antes de las 12:00.

2) Con una distribucin inicial especfica

Podramos pensar que con P{q(0)=j} = (1-j), hay clientes j en el sistema a partir de las
12:00. Podramos seleccionar al azar j para diferentes ejecuciones de la simulacin.

SELECCIONANDO CONDICIONES
INICIALES
22

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
EL ANLISIS ESTADSTICO DE LOS PARMETROS DE ESTADO ESTACIONARIO
Definir X = (Y1, Y2, , Ym). Nosotros estamos preocupados por lo que ocurre desde la 1ra vez
a la m. Por ejemplo, queremos estimar E(X) a travs de una ejecucin de la simulacin.
Pero, en general, se esperara que las observaciones al inicio de la ejecucin de la
simulacin sean poco representativa del estado estacionario y podra sesgar nuestra
simulacin a menos que realicemos una muy, muy, larga ejecucin de nuestra simulacin.
SOLUCIN: .

ESTADO ESTACIONARIO - Steady State

23

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
Por lo tanto, para reducir la longitud de las ejecuciones de nuestra simulacin, vamos a
establecer un "perodo de calentamiento" para nuestro modelo:
Idea: para borrar un nmero de observaciones desde el inicio de la carrera.
m

Un estimador de E(Y):

Y (m, l )

i l 1

, en la que {Y1, Y2, , Yl} no son usados.

ml

Ejemplos La cola M/M/1, a la espera de tiempo D1, D2, , Dm, D. Modelo de inventario, costo
total por mes C1, C2, , Cm, C.

Pregunta: Cmo determinar l?

ESTADO ESTACIONARIO Steady State

24

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
Mtodo de Welch de Ventana Mvil:
Haga n repeticiones y tome m observaciones (m es grande): Yj1, , Yjm
n
Haciendo
Yi Y ji / n
j 1

w
1
Se obtiene una secuencia de promedios
(2w 1) Yi s , if i w 1,..., m w;
s w
La Ventana Mvil: Una media mvil centrada en i: Y ( w)

i
i 1
1
Yi s , if i 1,..., w.
(2i 1) s
( i 1)

Graficar la secuencia. Elija l tal que el grfico es relativamente suave despus de este punto.
Pruebe diferentes valores de w. Cuando w es pequeo, el grafico puede ser "irregular". Cuando w
es grande, el grfico puede estar demasiado agregado.

ESTADO ESTACIONARIO Steady State

MTODO DE WELCH DE VENTANA MVIL
25

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
Ejemplo: Welch
Supongamos la siguientes salidas de las primeras 15 horas simuladas de un modelo en particular.

Replica
1
2
3
4
5
Promedio

1
0,76
0,83
0,80
0,72
1,34
0,89
m=
w=

Muestra
Lower I
Upper I
Media Mvil

1
1,00
1,00
0,89

2
0,78
0,82
1,28
1,25
3,36
1,50
15
2
2
1,00
3,00
1,50

3
2,18
0,75
1,38
2,52
3,67
2,10

4
2,73
3,70
2,97
5,20
3,68
3,66

5
4,12
1,44
1,70
2,68
2,61
2,51

6
6,24
2,38
2,37
3,52
3,14
3,53

Observaciones
7
8
9
7,48 6,00 11,84
2,90 2,86
3,74
0,86 5,04
1,32
1,95 5,54
1,90
5,87 1,10
0,97
3,81 4,11
3,95

4
2,00
6,00
2,66

5
3,00
7,00
3,12

6
4,00
8,00
3,52

7
8
5,00 6,00
9,00 10,00
3,58 3,84

10
9,00
3,38
1,76
3,19
1,70
3,80

11
10,52
3,38
0,76
3,19
1,70
3,91

12
10,22
3,38
0,76
3,00
1,89
3,85

13
3,00
4,00
5,00
6,00
1,00
3,80

14
2,10
4,83
7,32
3,01
1,98
3,85

15
2,08
3,82
6,10
4,40
2,70
3,82

9
10
7,00 8,00
11,00 12,00
3,92 3,93

11
9,00
13,00
3,86

12
13
10,00 11,00
14,00 15,00
3,84 3,85

14
0,00
0,00

15
0,00
0,00

Welch

3
1,00
5,00
2,13

ESTADO ESTACIONARIO Steady State

MTODO DE WELCH DE VENTANA MVIL
26

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
Ejemplo: Welch
Los estudiantes siempre tienen problemas con los subndices de Welch. Pero tenga en cuenta: El
promedio mvil no es ms que una media mvil de 2w centrado en i. Si i-w es menor que 1,
simplemente establecemos 1 como lmite inferior y ajustamos el lmite superior por lo que tenemos
una ventana simtrica. Nos detenemos en el punto en que el lmite superior (i + w) = m.
Rplicas
1
2
3
4
5
Promedio

1
0,76
0,83
0,80
0,72
1,34
0,89
m=
w=

Lower I
Upper I
Media Mvil

1
1
1
0,89

2
0,78
0,82
1,28
1,25
3,36
1,50
15
2
2
1
3
1,50

3
2,18
0,75
1,38
2,52
3,67
2,10

4
2,73
3,70
2,97
5,20
3,68
3,66

5
4,12
1,44
1,70
2,68
2,61
2,51

6
6,24
2,38
2,37
3,52
3,14
3,53

Observaciones
7
8
9
7,48 6,00 11,84
2,90 2,86
3,74
0,86 5,04
1,32
1,95 5,54
1,90
5,87 1,10
0,97
3,81 4,11
3,95

10
9,00
3,38
1,76
3,19
1,70
3,80

11
10,52
3,38
0,76
3,19
1,70
3,91

12
10,22
3,38
0,76
3,00
1,89
3,85

13
3,00
4,00
5,00
6,00
1,00
3,80

14
2,10
4,83
7,32
3,01
1,98
3,85

15
2,08
3,82
6,10
4,40
2,70
3,82

4
2
6
2,66

5
3
7
3,12

6
4
8
3,52

7
5
9
3,58

10
8
12
3,93

11
9
13
3,86

12
10
14
3,84

13
11
15
3,85

14
0
0

15
0
0

Welch

3
1
5
2,13

8
6
10
3,84

9
7
11
3,92

ESTADO ESTACIONARIO Steady State

MTODO DE WELCH DE VENTANA MVIL
27

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
Ejemplo: Welch
En este ejemplo, probablemente
seleccione t = 9 como el final del
perodo de calentamiento

Welch's Method
4.50
4.00
3.50

Metric

3.00
2.50
2.00
1.50
1.00
0.50
0.00
0

10

12

14

16

Smoothed Sample

ESTADO ESTACIONARIO Steady State

MTODO DE WELCH DE VENTANA MVIL
28

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
Mtodos para el calculo de medias
Supongamos que queremos determinar una cierta medida de una simulacin
Mtodo de replicacin / eliminacin
Medias por lotes
Autorregresivo
Espectral
Regenerativo
Series de tiempo estndarizadas

Cada procedimiento tiene algunas fortalezas y debilidades estadsticas.

El mtodo de replicacin / eliminacin es fcil y ampliamente utilizado asi

como tambin el mtodo de medias por lotes.

MEDIAS

29

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
Mtodo de replicacin / eliminacin:
Borramos lo transitorio y calculamos
un caso de nuestra mtrica sobre el
estado de equilibrio de una rplica

Transient

Steady State

Se realizan n repeticiones. A
continuacin promediamos nuestra
mtrica sobre las n ejecuciones de
la simulacin

Transient

Steady State

MEDIAS

30

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
Mtodo de replicacin / eliminacin:
Llevar a cabo una serie de ejecuciones o corridas de prueba para identificar el estado transitorio.
Hacer n repeticiones independientes adicionales. Elija la longitud de la ejecucin o corrida para
incluir m observaciones (donde m es mucho mayor que l, el nmero de observaciones recolectadas
durante el estado transitorio).
Eliminar (borrar) las estadsticas despus de lo transitorio para cada rplica
Registre la mtrica de inters para cada rplica
Utilizar estos resultados para estimar E(Y) promediando en las ejecuciones de la simulacin.
m'

Medida de Comportamiento

Xj

i l 1

m'l

Un estimador aproximadamente no-sesgado:

(1-)% intervalo de confianza:

ji

, 1 j n'.
X ( X 1 ... X n ' ) / n'

X (n' ) tn ' 1,1 / 2

S 2 ( n' )
n'

MEDIAS

31

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
Mtodo de Medias por Lotes:
Hacer una sola carrera larga y recoger los casos de una mtrica {Y1, Y2, , Ym}. Por lo
general, elimina el transitorio inicial.
Dividirlas en n lotes de longitud k: {Y1, Y2, , Yk}, {Yk+1, , Y2k}, ...
Tomar la media de cada lote como una nica observacin de la mtrica.
Si k es lo suficientemente grande, las medias de los lotes estarn aproximadamente nocorrelacionadas y el promedio de los lotes se distribuirn normal.
Tome el promedio de todos los lotes y reportar esto como E (Y).
Las medias por lotes ahorra tiempo en el sentido de que el estado transitorio slo tiene
que ejecutarse una vez.
Sin embargo, puede ser un poco difcil de determinar la longitud apropiada de los lotes.

MEDIAS

32

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
Mtodo de Medias por Lotes:

Transient

Steady State

Tomar el
promedio en cada
lote

Tomar el
promedio de los
promedios

MEDIAS

33

SIMULACIN TERMINALES:
ESTIMANDO LA MEDIA Y EL INTERVALO DE CONFIANZA
Steady State Cyclic

Si nosotros tomamos el promedio del ciclo,

podemos rasonablemente esperar que el
promedio del ciclo llegue a ser el estado
steady

Tiempo

Note que esta metrica

probablemente no
tenga a steady state

Podemos promediar los promedios de los ciclos para estimar la

medida de interes.

MEDIAS

34

ACTIVIDAD: RE-LEER ARTICULO

Titulo: Reducir Tiempos de Espera de Pacientes en el departamento de emergencias
de un hospital utilizando simulacin
Autores: Silvia V. Medina Len, Amalia Medina y Alvaro Gonzlez
Actividad:
1. Cmo dividen el comportamiento de la simulacin en estado transciende y
estacionario?
2. Explique claramente como verifican el modelo de simulacin

3. Explique claramente como validan el modelo de simulacin

35