Simulación de Eventos 

Simulación de Eventos
Discretos

Análisis de Salida
 Agenda
• ¿Qué es el Análisis de Salida?
• Ti
Tipos de Simulación
d Si l ió
• Variabilidad de los sistemas estocásticos de simulación
• Estimación Puntual
Estimación Puntual
• Estimación con intervalos de confianza
• Análisis de salida para Simulaciones Transientes – Con Terminación
• Intervalos de confianza con precisión específica (recordar)
 ¿Qué es el análisis de salida?
¿Qué es el análisis de salida?
• Puede definirse como la etapa en el proceso de estudio de un sistema en
l que se estima
la ti su desempeño.
d ñ

• En la medida en que hay entradas aleatorias al modelo, hay salidas

aleatorias (RIRO), he aquí la necesidad del análisis estadístico.

• Propósito:
– Si θ es el parámetro que mide el desempeño del sistema, la precisión
del estimador ˆ (resultado de un conjunto de experimentos de
simulación) se puede medir usando:
• El error estándar de ˆ.
• La anchura del intervalo de confianza para θ.
 ¿Qué es el análisis de salida?
¿Qué es el análisis de salida?
• Se quiere, mediante análisis estadístico:
– Estimar el error estadístico y/o el intervalo de confianza.
– Encontrar el número de observaciones necesarias para lograr una
precisión deseada.

• Situaciones a tener en cuenta:

– Autocorrelación.
– Influencia de condiciones iniciales. (inventario en la semana 1 y
backorders pueden influir en el desempeño de la semana 2)
 Tipos de Simulación
Tipos de Simulación
Simulación con Terminación (Transiente)
– Corre por un periodo específico de tiempo TE, donde E es el evento
específico que termina la simulación.
– La
L longitud
l it d de
d la
l simulación
i l ió debe
d b estar
t bien
bi definida
d fi id y debe
d b ser finita.
fi it
– Ej Banks: Un banco abre sus puertas a las 8:30 am (tiempo 0) sin clientes
y 8 de los 11 cajeros trabajando (condiciones iniciales), y cierra a las 4:30
pm (Tiempo TE = 480 minutos).
 Tipos de Simulación
Tipos de Simulación
Simulación sin Terminación
– Corre continuamente, o por lo menos por un periodo muy largo de
tiempo.
– Las
L condiciones
di i i i i l deben
iniciales d b ser especificadas
ifi d por ell analista.
li t
– Corre por un periodo de tiempo TE especificado por el analista.
– El objetivo es estudiar las propiedades del sistema en el largo plazo.
Propiedades que no deben ser influenciadas por las condiciones iniciales
del modelo (en teoría no influyen, en la práctica sí).
– Ej Banks:
B k Líneas
Lí d ensamble,
de bl centros
t de d llamadas,
ll d salasl de
d urgencias.
i

La escogencia del tipo de simulación depende del objetivo del estudio y 
del tipo de sistema.
El análisis de salida es distinto en cada caso.
 Variabilidad de los sistemas
estocásticos de simulación
• Al considerar variables aleatorias de entrada, los modelos consisten de una o 
más variables aleatorias de interés.

Un sistema M/G/1 con las siguientes características:
– Tasa de llegadas Poisson de 0.1 cliente por minuto; 
Tiempo de servicio Normal(= 9.5, 
Tiempo de servicio  Normal( 9 5 =1 1.75).
75)
– Desempeño del sistema: Número de entidades promedio en cola, LQ(t).
– Suponga que se corre una única simulación por 5,000 minutos
• Divida el intervalo [0, 5000) en 5 subintervalos iguales de 1000 
minutos.
• El número promedio de entidades en cola en cada intervalo (Yj) es:
El número promedio de entidades en cola en cada intervalo (Yj) es:
1 j ( 1000 )

1000 ( j  1 ) 1000
Yj  L Q ( t ) dt , j  1,...., 5
 Variabilidad de los sistemas
estocásticos de simulación
Replicación
Tiempo promedio en  Intervalo (minutos) (Lote) Batch, j 1, Y1j 2, Y2j 3, Y3j
cola para los lotes en  [0, 1000) 1 3,61 2,91 7,67
[1000, 2000) 2 3,21 9,00 19,53
tres replicaciones
tres replicaciones  [2000, 3000) 3 2,18 16,15 20,36
independientes [3000, 4000) 4 6,92 24,53 8,11
[4000, 5000) 5 2,82 25,19 12,62
[0, 5000) 3,75 15,56 13,66

A partir de la anterior tabla se puede observar la variabilidad inherente entre 
las replicaciones y dentro de cada replicación
las replicaciones y dentro de cada replicación.

p p Y1 , Y2 , Y3 , p

El promedio a través de las 3 replicaciones                  , puede tomarse como 
observaciones independientes,  pero promedios dentro de cada replicación, 
Y11, …, Y15, no.
 Estimación estadística de medidas 
de desempeño
Considere la estimación de un parámetro de desempeño, 
d l ó d á d d  (ó 
(ó ).
)

– Datos discretos
Datos discretos en el tiempo: [Y ] con media ordinaria: 
en el tiempo: [Y1, YY2, …, YYn], con media ordinaria: 

– Datos continuos en el tiempo: {Y(t), 0  t  TE} con media: 

 Estimación Puntual
Estimación Puntual
Datos discretos en el tiempo
Datos discretos en el tiempo
• El estimador de  calculado  a partir de los datos [Y1, Y2, …, Yn] se define 
como: n
1
ˆ  
Yi (discrete‐time, tally etc.)
n i 1

• Si el estimador es insesgado E (ˆ)  

Si el estimador es insesgado

Datos continuos en el tiempo
• En este caso el estimador está dado por:

1 TE
ˆ 
TE 
0
Y (t )dt (Continuous‐time, time‐persistent)
 Estimación con Intervalos de 
Confianza
• Si las
l observaciones
b i Yi están
tá distribuidos
di t ib id normalmente
l t o tienen
ti una
distribución aproximadamente normal entonces, como lo habíamos visto:

S 1 R
Y..  t / 2, R 1 con S 
2

R  1 i 1
(Yi.  Y.. ) 2
R
• Entre más replicaciones se haga más se disminuye el error entre Y.. y θ,
convergiendo a 0 a medida que R tiende a infinito.

• Tenga en cuenta que el intervalo de confianza es una medida de ERROR.

 Intervalo de Predicción
Intervalo de Predicción
• Si se quisiese dar un estimado del tiempo de ciclo promedio para un día
particular se podría optar por nuestro estimador,
particular, estimador pero debe tenerse en
cuenta que es poco probable que sea exacto.

• Los intervalos de predicción están diseñados para ser lo suficientemente

anchos como para contener el tiempo de ciclo promedio en un día particular.

• El intervalo está dado por: 1/ 2

 1
Y..  t / 2, R 1S 1  
 R
• A diferencia de un intervalo de confianza a medida que el número de
infinito la longitud del intervalo tiende a   z / 2
replicaciones tiende a infinito,

• Tenga
g en cuenta q
que el intervalo de p
predicción es una medida de RIESGO.
 Simulaciones Transientes – Con
Terminación
• El propósito común en simulación es estimar
1 n 
  E   Yi , para salidas discretas
 n i 1 
 1 TE 
 E 

 TE

0

Y (t )dt , para salidas continuas Y (t ),0  t  TE


• Para lograr esto generalmente se usa el método de replicaciones

independientes, en el que la simulación se repite R veces, cada una usando
condiciones iniciales independientes y diferentes conjuntos de números
aleatorios.
 Simulaciones Transientes – Con
Terminación
• Es preciso distinguir entre datos obtenidos al interior de una replicación y 
Es preciso distinguir entre datos obtenidos al interior de una replicación y
datos obtenidos a través de replicaciones 
(within‐replication ‐ across‐replication ).

• Across‐replication data  independientes (números aleatorios diferentes) e
id i
identicamente distribuidos (mismo modelo).
di ib id ( i d l )

• Within‐replication
Within data  No tiene las mismas propiedades.
replication data  No tiene las mismas propiedades.
 Estimación de IC con precisión
específica
• Recuerde que la longitud media H de un intervalo de confianza de 100(1 – )%
para la media , basado en la distribución t, está dado por:
S
H  t / 2, R 1 R es el número de replicaciones y 
R l ú d li i
R S es la desviación muestral.

• Asuma que se ha
A h observado
b d una muestra inicial
i i i l de
d tamaño
ñ R0 (independiente).
(i d di )
Esta muestra se usará para obtener un estimado inicial de S02

• Para encontrar la precisión deseada debe hallarse un tamaño de replicas R≥ R0

que satisfaga (ε es el error deseado):

S
H  t / 2, R 1 
R
 Estimación de IC con precisión
específica
• Resolviendo la desigualdad para R tenemos:
2
t S  PROBLEMA: R está en ambos 
R    / 2, R 1 0 
   lados de la desigualdad

• Dado que t/2, R 1  z/2

/2 R‐1 /2 entonces un estimado inicial de R está dado por:

2
z S 
R    / 2 0  , donde z / 2 correspond e a normal estándar.
  
• Con este estimado de R (cota inferior), se halla el R que cumpla con la
desigualdad original.
original
 Ejemplo
Se quiere estimar la utilización de un servidor con una precisión de ±0.04 puntos 
con una probabilidad de 0.95.  Se tomó una muestra inicial R0=4. Un estimado 
inicial de la varianza muestral es 0.00518.

El criterio de error es de = 0.04 y el nivel de confianza es de 1‐ = 0.95, por lo 

tanto, el tamaño de la muestra (número de replicaciones necesarias) debe ser de 
por lo menos:
2
 0.025 0  1.96 * 0.00518
2
z S
    12.14
  
2
0.04
Teniendo esta cota inferior se debe hallar el valor de R que cumpla con la 
desigualdad original
R 13 14 15
t 0.025, R-1 2.18 2.16 2.14
t / 2, R1S 0 /  2 15 39
15.39 15 1
15.1 14 83
14.83

Dado que R=15 es el menor entero que cumple la desigualdad original, deben 
realizarce R ‐ R0 = 11 replicaciones adicionales.