Simulacin

Anlisis de resultados
UTN - Simulacin 2011
Prof. Lic. Alfredo Lascano
Agenda
Introduccin
Tipos de simulacin
Simulaciones terminales
Simulaciones estacionarias
Intervalos de confianza
Variables de respuesta como VA IID
(independiente e idnticamente distribuidas)
Precisin absoluta
Precisin relativa

Agenda
Procedimiento secuencial
Determinacin del sesgo inicial (Welch)
Repeticin de corridas o rplicas
Media de lotes
Muestras apareadas
Muestras independientes (Welch)
Ranking y seleccin
Nmeros aleatorios comunes
Introduccin
En muchos estudios de simulacin se dedica
una gran cantidad de tiempo y dinero en el
desarrollo del modelo y en la programacin,
pero poco tiempo en analizar apropiadamente
los datos de salida de la simulacin, es decir,
los valores de las variables de respuesta.

Pasos de
elaboracin del
modelo
(matemtico y
algoritmo)
Anlisis de los
resultados
Tipos de simulacin
Simulaciones terminales
Se deben realizar simulaciones de tipo terminal cuando en el sistema real existe
un evento natural que indica el fin de una fase, jornada, etapa, etc. a partir de la
cual las actividades del sistema se terminan y el sistema inicia una nueva fase,
con las mismas condiciones iniciales. Este evento determina un perodo
necesario para obtener una observacin de las VR.
Las condiciones iniciales deben ser determinadas
Las variables de respuesta estn referidas a un tiempo:
Nmero de clientes en cola promedio en el tiempo (por da)
Demora promedio por cliente (por da)
Utilizacin promedio de los servidores (por da)
Nota: aunque las variables de respuesta no lo expresen, es claro que est referidas al
tiempo de operacin y que no pueden ser extrapoladas (sus interpretaciones) a otros
perodos u horarios.
Ejemplos
Un banco que abre a las 10 y cierra a las 15 hs.
Un supermercado que abre de 8 a 12 y de 16 a 21
Tipos de simulacin
Simulaciones estacionarias
Se realiza simulaciones de tipo estacionarias cuando el sistema real
opera en forma continua, sin un evento natural con perodo establecido
que determine una fase (o jornada, etapa, etc.).

Las variables de respuesta no estn referidas a un tiempo:
Nmero de clientes en cola promedio en el tiempo
Demora promedio por cliente
Utilizacin promedio de los servidores
Nota: es posible que se requiera que las variables de respuestas estn referidas
a un tiempo, (cantidad de unidades producidas por hora) en estos casos la
simulacin sigue siendo estacionaria pero los contadores estadsticos para esas
variables se inicializan cada vez que ha finalizado el perodo al que se refiere la
misma.
Ejemplos
Un pozo petrolero
Una pastera
Tipos de simulacion y tipos de diseo de experiencia
Tipos de
simulacin
Diseo de la experiencia
Terminal Repeticin de corridas
Estacionaria Repeticin de corridas
Media de lotes
Intervalos de confianza I
Se trata de un par de nmeros que determinan un rango de
valores entre los cuales se estima que estar cierto valor
desconocido con una cierta probabilidad de acierto.

Este par de nmeros determinan un intervalo, que 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

En esta contexto se denomina error aleatorio al valor de que
es una medida en la que puede fallar la estimacin.




Intervalos de confianza II
Suponga que realiza n replicas independientes de una
simulacin terminal, donde cada replica termina al ocurrir el
evento natural de fin y que inici con las mismas condiciones
iniciales.
La independencia de las replicas est dada porque cada una de
ellas se realiza con diferentes nmeros aleatorios.
Suponga que hay que calcular una nica variable de respuesta
X (por ejemplo demora promedio por cliente (por da))
Se asume que las X
j
son variables comparables para diferentes
rplicas
Los X
j
son variables aleatorias definidas para la replica j con
j = 1,2,n
Entonces
Los Xj son variables aleatorias independientes e
idnticamente distribuidas (IID)




Intervalos de confianza III
Si deseamos obtener un intervalo de confianza para la
media = E(X) donde X es la variable aleatoria que
cumple con ser IID, entonces se puede calcular un
intervalo de confianza de la siguiente manera:

Hacer n (n >= 30) replicas independientes y obtener los
X1, X2, Xn las cuales son VA IID

Calcular la media muestral y la varianza muestral

Establecer el nivel de confianza 100(1-alfa)%

En general se establece en 90 o 95%




Intervalos de confianza IV

Calcular






libertad. de grados 1 - n con y confianza de
)% 2 / - 100(1 al student) de t (o n t distribuci
la de crtico valor el es
) ( muestral media
1
)] ( [
) ( muestral varianza
: Donde
) (
) (
2 / 1 , 1
1
2
1
2
2
2 / 1 , 1
o
o
o

=
=

n
n
i
i
n
i
i
n
t
n
X
n X
n
n X X
n S
n
n S
t n X
El nivel de confianza y la amplitud del intervalo varan
conjuntamente, por lo tanto
un intervalo ms amplio tendr ms posibilidades de
acierto (mayor nivel de confianza), mientras que para
un intervalo ms pequeo, que ofrece una estimacin
ms precisa, aumentan sus posibilidades de error.
Si el intervalo de confianza incluye al cero, no se
puede concluir y por lo tanto se debe precisar el
intervalo de manera que el cero no que de contenido
en l.
Si en la comparacin de dos alternativas los
intervalos de los parmetros comparable se
superponen, tampoco se puede concluir y se debe
operar de igual manera que lo anterior.


Intervalos de confianza V
Condiciones iniciales
Son los valores que deben tener las variables
de estado del sistema, como inicio de cada
perodo. Por ejemplo la cantidad de clientes
en cola, el estado del servidor. Estas CI se
determinan para iniciar cada corrida con ese
estado de manera que el estado de ocio no
afecte

Variables de respuesta I
Una forma incorrecta de utilizar simulacin muy
frecuente es hacer una corrida de una longitud
arbitraria y tratar a las estimaciones resultantes
como el verdadero comportamiento caracterstico
del modelo.
Debido a que las muestras aleatorias de
distribuciones de probabilidad son usadas
habitualmente para hacer funcionar un modelo de
simulacin a travs del tiempo, las estimaciones de
una corrida particular podran diferir en gran medida
con el comportamiento caracterstico del modelo.
Variables de respuesta II
Una de las razones por las cuales el anlisis
de las variables de respuestas no ha sido
conducida de manera apropiada es que

el proceso de salida (las variables de
respuesta) de practicamente todas las
simulaciones son no estacionarias y estn
autocorrelacionadas
Y por lo tanto las tcnicas estadsticas clsicas
que asumen que las mismas son variables
IID, no pueden ser aplicadas directamente.

Obteniendo una precisin especificada
La precisin dada en un intervalo de
confianza, tal como se lo ha visto hasta
ahora, queda determinada por la
semiamplitud del intervalo, es decir
2
1,1 / 2
( )
( )
Precisin con la que ( ) estima el valor de
n
S n
X n t
n
X n
o

Obteniendo una precisin especificada

La pregunta que corresponde hacerse es

Cuntas observaciones (n) se necesitan para
obtener con una precisin especificada o
nivel de error?

Para ello se definen 2 mtodos llamados
precisin absoluta y precisin relativa
_
Precisin absoluta




El procedimiento indica hacer tantas replicas de simulacin
hasta obtener una semiamplitud de 100(1 )% en el intervalo
de confianza calculado sea menor o igual a
donde > 0.
Entonces se cumple que


Si la estimacin de es tal que
entonces se dice que tiene un error absoluto de
X
X
X
|
|
=
1 ( semi-amplitud semi-amplitud)
( semi-amplitud)
( )
P X X
P X
P X
o

|
~ s s +
= s
s s
Precisin absoluta
Es decir






*
*
1,1
tiene un error absoluto de como
mximo con una probabilidad de 1
Una expresin aproximada para el total de
replicas ( ), requerida para obtener un
error igual a es
( ) min tal que
i
X
n
n i n t
o
o o
|
o
|
|
|

= >
2
/ 2
2
( )
la exactitud de esta expresin depende de, qu tan
cerca est la varianza estimada ( ) de ( )
S n
i
S n Var X
|


s
`

)
Precisin absoluta






Ejemplo
Si desea estimar la demora promedio por cliente con un error
absoluto de 0,25 minutos y con un nivel de confianza del 90%, a
partir de 10 replicas, se obtiene lo siguiente:



Respondiendo a
Cuntas observaciones (n) se necesitan para obtener X con una
precisin especificada o nivel de error
para este caso se debe decir que se requieren 16
observaciones para obtener un estimador de mu (X raya) con
una precisin de 0,25 minutos.


*
1,0.95
0.31
( ) min 10 tal que 0.25 16
i
n i t
i
o
|



= > s =
`

)
Precisin absoluta






Ejemplo
Si desea estimar la demora promedio por cliente con un error
absoluto de 0,25 minutos y con un nivel de confianza del 90%, a
partir de 10 replicas, se obtiene lo siguiente:



Respondiendo a
Cuntas observaciones (n) se necesitan para obtener X con una
precisin especificada o nivel de error
para este caso se debe decir que se requieren 16
observaciones para obtener un estimador de mu (X raya) con
una precisin de 0,25 minutos.


*
1,0.95
0.31
( ) min 10 tal que 0.25 16
i
n i t
i
o
|



= > s =
`

)
Precisin relativa
Si el estimador es tal que

entonces decimos que tiene un
error relativo de al estimar a
X
X
X

=
Precisin relativa
2
( )
1,1 / 2
*
Por lo tanto tenemos la siguiente expresin
( ) min tal que '
( )
S n
i
i
t
n i n
X n
o

= > s
`

)
Cantidad de
replicas que debo
hacer
) 1 /( '
)) 1 /( / ( 1
Donde

o
=
s = X P
Precisin relativa
Ejemplo
Suponga que se desea estimar la demora
promedio con un error relativo de 10% y al
90% el nivel de confianza.
Para 10 rplicas tenemos

09 . 0 ) 1 . 0 1 /( 1 . 0 ' donde
27 09 . 0
03 . 2
que tal 10 min ) 10 . 0 (
/ 31 . 0 95 . 0 , 1 *
= + =
=
)
`

s > =

i i
t
i n
Procedimiento secuencial
El procedimiento consiste en generar una
nueva replica cada vez, para obtener una
estimacin de con un especificado error
absoluto o relativo , que toma solamente
tantas replicas como sea necesarias en cada
ciclo.
El procedimiento asume que los X
i
son una
secuencia de variables aleatorias IID.
El objetivo es obtener un estimador de con
un error relativo (gama) con 0 < < 1 y con
un nivel de confianza al 100(1-)%.




Procedimiento secuencial
Elija un nmero inicial de replicas n, con
n30
Y sea


La semi-amplitud del intervalo de confianza
habitual calculado.
2
1,1 / 2
( )
( , )
n
S n
n t
n
o
o o

=
Procedimiento secuencial
El procedimiento secuencial es el siguiente
1. Realizar n
0
replicas de simulacin y fijar n= n
0
2. Calcular
3.
4. Caso contrario incrementar la cantidad de
rplicas en r
0
rplicas y volver al paso 2
n
X X X X n X ,..., , , de partir a ) , ( y
3 2 1
o o
parar. y de puntual estimador como usar entonces ' / ) , ( Si o o X X n s
Determinacin del sesgo inicial
9.5.1) Apartado
547 y 546 545, pginas Kelton y Law de libro del fotocopias (Ver deletion) data - (initial
iniical sesgo del n eliminaci llamada Tambin Welch. de grfico mtodo el es
inicial sesgo del tamao el establecer para utilizada ms tcnica La
perodo?. este
de tamao el determinar cmo es pregunta La inicial". sesgo "
denominado perodo al en correspond eliminadas nes observacio
Las . estimar para remanentes nes observacio las utilizar
manera esta de y corrida, la de principio del nes observacio
de cantidad cierta una eliminar en consiste mtodo El
inicial" sesgo del
n eliminaci " llamado mtodo un define se ello Para
) ( que es ocurrir puede que problema El
) ( como define se cual la
io estacionar estado el en matemtica esperanza la estimar Al
lim

_
_
=
=

n
n
n
E
E
Determinacin del sesgo inicial
Algunos trminos usados
warmup period -> perodo de calentamiento
l (letra ele) es el tamao del sesgo inicial, en
unidades de tiempo
m (eme) es la longitud de cada rplica en unidades de
tiempo
Y
ji
es la i-sima observacin de la j-esima rplica.
Ver ejemplo en UTN_IntervaloDeWelch_V2.0.xls
El mtodo
Determinacin del sesgo inicial
Por ejemplo, si hago n=10 rplicas y cada rplica
tiene una logitud de 100 meses y los valores de Y
son de observaciones la variable de respuesta
demora promedio por cliente.
El valor Y
4,25
= 12 es la observacin obtenida en
la rplica 4 en el mes 25 de dicha variable de
respuesta.
Y
i
(w) es la media movil donde
w es la cantidad de observaciones a promediar
cuado se calcula Y
i

w | m/2 (piso de m dividido 2)


Determinacin del sesgo inicial
La determinacin del sesgo inicial se aplica
solamente en las simulaciones de tipo estacionario
en la que es posible hacer corridas largas y el
sistema bajo estudio es del tipo continuo como
una fbrica o un puerto.
En las simulaciones de tipo terminal es necesario
tener en cuenta las condiciones iniciales, cuando
se desea estudiar un sistema en el horario pico.
Repeticin de corridas I
Mtodo utilizado 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 la
que cada corrida es finalizada por un evento E natural y que comienzan
con las mismas condiciones iniciales.
La independencia de las corridas se obtiene gracias a la utilizacin de
diferentes secuencias de nmeros aleatorios en cada una.
En el caso de estimar la media de una nica variable de respuesta:
Sea Xj los valores de la variable aleatoria de la j-sima rplica con j=1 a n
Donde los Xj son comparables entre las distintas rplicas y por lo tanto son
IID (independientes e idnticamente distribuidas).

Nota: se usa el trmino replica y corrida de forma indistinta
Repeticin de corridas II
Calcular









De esta manera se obtiene (1) un estimador puntual insesgado de
Y un intervalo de confianza (2) al 100(1-) por ciento entre cuyos
valores se encuentra .

Este mtodo tambin se puede aplicar en un estudio estacionario,
aunque se obtienen mejores resultados con el mtodo Media de lotes.
n
X
n X
n
i
i
=
=
1
) (
n
n S
t n X
n
) (
) (
2
2 / 1 , 1 o

(1)
(2)
Media de lotes I
El propsito de esta tcnica es obtener observaciones
independientes para calcular intervalos de confianza, segn las
tcnica vistas anteriomente.
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 Y
1
, Y
2
, , una variable que es IID con
E(Y
i
) = para toda i
Asuma adems que las primeras l (ele) observaciones han sido
eliminadas y se est trabajando con Y
l+1
, Y
l+2
,
Si existe, en general Y
l+1
, Y
l+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 Y
1
, Y
2
, Y
m

a partir de n lotes de longitud k, con m = n.k
Entonces el lote 1 consiste de las observaciones Y
1
, Y
2
, Y
k,
el
lote 2 contiene las observaciones Y
k+1
, Y
k+2
, Y
2k
, etc.
Media de lotes II
Se calcula el intervalo de confianza de la siguiente manera
n
n S
t k n Y
n
) (
) , (
2
2 / 1 , 1 o

) ( como calculada lotes de media la es ) (

muestral media gran la es
) (
) , ( Y

1
)] , ( Y ) ( [
lotes de media la es ) (
lote cada tiene que nes observacio de cantidad la es k
manera siguiente la de calculada varianza la es ) (
1 menos lotes de cantidad la es 1
) , ( Y por o reemplazad es ) (
: donde
1
1
2
1
2
n X k j Y
n
k j Y
k n
n
k n k Y
k
Y
k Y
n S
n
k n n X
n
j
n
i
i
k
i
ji
j

=
=
=
=

IC para la diferencia de medidas de rendimiento

Sean X
i1
, X
i2
, X
in
con i= 1 a 2 una
muestra de n
i
IID observaciones para el
sistema
i
y sea
i
= E(X
ij
) la esperanza
matemtica

Se desea construir un intervalo de confianza
para
Dependiendo de la independencia entre X
1j
y
los X
2j
se seleccionar uno de los mtodos:
Muestas apareadas
Muestras independientes
2 1
, =
Muestras apareadas I
Sean n
1
= n
2
la cantidad de observaciones de
los sistemas 1 y 2
Para los cuales es posible descartar
observaciones para igualarla esta cantidad.
Se pueden aparear estas observaciones X
1j
y
X
2j
de manera de calcular Z
j
= X
1j
- X
2j
para
j=1,1,2..n
De esta manera los Z
j
son variables
aleatorias IID y
la cantidad para la cual se desea
construir el intervalo de confianza

, = ) (x E
Muestras apareadas II
Se procede a calcular el IC t-apareado de la
siguiente manera
Calcular






)] ( [ * ) (
2 / 1 , 1
n Z Var t n Z
n o

n
Z
n Z
n
j
j
=
=
1
) (
) 1 (
)] ( [
)] ( [
1
2

=

=
n n
n Z Z
n Z Var
n
j
j
,
Si los Z
j
son normalmente distribuidos el intervalo de
confianza es exacto, es decir, que converge a con
probabilidad 1 -

Muestras Independientes I (Mtodo de Welch)
En este mtodo se requiere que los X
1j
son
independientes de los X
1j

Adems n
1
puede ser distinto de n
2

Tambin se debe cumplir que Var(X
1j
) =
Var(X
2j
)
Si esta igualdad no se cumple se puede
tener degradacin de la convergencia de los
valores hacia el IC, aunque esto se puede
atenuar haciendo que n
1
= n
2
.
Se utiliza el mtodo propuesto por Welch
Cuando los X
ij
son normalmente distribuidos

Muestras Independientes II (Mtodo de Welch)
Calcular

i
n
j
ij
i
i
n
X
n X
i

=
=
1
) (
1
)] ( [
) (
1
2
2

=

=
i
n
j
i
i
ij
i i
n
n X X
n S
i
) 1 /( ] / ) ( [ ) 1 /( ] / ) ( [
] / ) ( / ) ( [

estimados libertad de grados los Calcular

2
2
2 2
2
2 1
2
1 1
2
1
2
2 2
2
2 1 1
2
1
+
+
=
n n n S n n n S
n n S n n S
f
2
2
2
2
1
1
2
1
2 / 1 ,

2 2 1 1
) ( ) (
* ) ( ) (
n
n S
n
n S
t n X n X
f
+
o
Muestras Independientes III
Calcular

i
n
j
ij
i
i
n
X
n X
i

=
=
1
) (
1
)] ( [
) (
1
2
2

=

=
i
n
j
i
i
ij
i i
n
n X X
n S
i
) 1 /( ] / ) ( [ ) 1 /( ] / ) ( [
] / ) ( / ) ( [

estimados libertad de grados los Calcular

2
2
2 2
2
2 1
2
1 1
2
1
2
2 2
2
2 1 1
2
1
+
+
=
n n n S n n n S
n n S n n S
f
2
2
2
2
1
1
2
1
2 / 1 ,

2 2 1 1
) ( ) (
* ) ( ) (
n
n S
n
n S
t n X n X
f
+
o
Muestras Independientes III
Calcular

i
n
j
ij
i
i
n
X
n X
i

=
=
1
) (
1
)] ( [
) (
1
2
2

=

=
i
n
j
i
i
ij
i i
n
n X X
n S
i
) 1 /( ] / ) ( [ ) 1 /( ] / ) ( [
] / ) ( / ) ( [

estimados libertad de grados los Calcular

2
2
2 2
2
2 1
2
1 1
2
1
2
2 2
2
2 1 1
2
1
+
+
=
n n n S n n n S
n n S n n S
f
2
2
2
2
1
1
2
1
2 / 1 ,

2 2 1 1
) ( ) (
* ) ( ) (
n
n S
n
n S
t n X n X
f
+
o
Muestras Independientes IV
Para concluir sobre los valores que asume el IC,
se deber tener en cuenta si la variable en
estudio es considerada como mejor por tener
valores ms bajos (ej: demora promedio) o por
tener valores ms altos (ej: cantidad de material
procesado despus de ejecutado un proceso).
Adems se deber considerar que si el IC
incluye al cero, no se puede rechazar la H
0
de
que las medias son iguales.
De ser necesario se podra reducir el tamao del
IC tomando una cantidad mayor de
observaciones (aplicando precisin
absoluta/relativa)

IC para comparar ms de 2 sistemas
Para comparar medidas de rendimiento de ms de un
sistema es necesario calcular ICs sobre los mismos y
trabajar con ellos para obtener un nivel de confianza
general de todos los ICs cubriendo sus respectivos
objetivos al nivel de confianza 1-
Segn la desigualdad de Bonferroni, si se desea
comparar c intervalos de confianza, se calcula cada IC
en forma separada a un nivel de significancia igual a 1-
/c
De esta manera el nivel de significancia global ser 1-
Por ejemplo si c = 10 intervalos, y se calculan los IC
separadamente a un nivel de confianza del 99 por
ciento, se obtendr un nivel de confianza global del 90
por ciento.
Para mayores valores de C implica que los intervalos de
confianza individuales se volvern un poco ms
amplios.
Comparacin con un estndar I
Suponga que tiene un sistema estndar y desea
compararlo contra k alternativas
Indicado como 1 al estndar nombraremos 2, 3,
4,K al resto de las alternativas.
El objetivo es obtener k-1 intervalos de
confianza para las k-1 diferencias
2
-
1
,
3
-
1
,
,,
k
-
1
con un nivel de significancia general
de 1-.
Se construyen c=k-1 intervalos de confianza a
un nivel de significancia igual a 1- /(k-1)

Comparacin con un estndar II
De esta manera se puede decir que, con un
nivel de confianza de al menos (1- ):
para todo i=1k cada sistema i difiere del
estndar si el IC para
i
-
1
no incluye al cero y
que el sistema i no tiene diferencias significativas
con el estndar si el IC mencionado incluye al
cero.

Comparacin de todos los pares
Se trata de comparar cada sistema con cada
otro de manera de detectar y calificar toda
diferencia de a pares.
Una forma de tratar este problema es crear IC
para las diferencias de
i2
-
i1
para todo i1 e i2
entre 1 y k, con i1<i2
la cantidad de IC estar dado por k(k-1)/2
y sern calculados a un nivel de significancia
igual a (1-)/(k(k-1)/2) de manera de tener un
nivel de significancia global de 1-.

Ranking y seleccin
Se describirn a continuacin los mtodos para
comparar varios sistemas entre si.
1. El mejor de k sistemas
Su objetivo es seleccionar uno de k sistemas
como el mejor en algn sentido.
2. Un subconjunto m de k sistemas
Su objetivo es seleccionar un subconjunto m de
k sistemas, de manera que est contenido en m
el mejor en algn sentido.
3. Los mejores m de k sistemas
Su objetivo es seleccionar los mejores m de k
sistemas.

El mejor de k sistemas I
Sean X
ij
variables aleatorias de inters obtenidas de
la j-sima replica de -simo sistema
y sea
i
= E(X
ij
)
se asume que los X
ij
son independientes de cada
otra, por ejemplo entre replicas para una alternativa
dada son independientes y la corridas para
diferentes alternativas son tambin independientes
(igual en los 2 mtodos restantes).
El objetivo es encontrar un sistema con la menor
esperanza matemtica
i1
Debido a la aleatoriedad de las observaciones X
ij
no
podremos estar absolutamente seguros de haber
hecho una correcta seleccin, pero deberemos
poder expresarlo en base a una probabilidad de
haberlo hecho correctamente.

El mejor de k sistemas II
Esa probabilidad la denotamos con P*
es decir P(correcta seleccin) P*
adems
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

El mejor de k sistemas III
El procedimiento para resolver este problema
fue propuesto por Dudewicz y Dalal (1975)
Consiste en un muestreo en 2 fases para cada
uno de los k sistemas
Primera fase
Se realizan n
0
2 rplicas de cada k sistema y
se definen las medias y las varianzas
muestrales de la primera fase.


0
1
0
) 1 (
0
) (
n
X
n X
n
j
ij
i

=
=
1
)] ( [
) (
0
1
2
0
) 1 (
0
2
0

=

=
n
n X X
n S
n
j
i
ij
i
El mejor de k sistemas IV
Primera fase (cont.)
Se calcula el tamao de la muestra N
i
necesaria
para para los i sistemas de la siguiente manera;


)
`

(
(
(

+ =
2
0
2 2
1
0
*) (
) (
, 1 max
d
n S h
n N
i
i
(
606) (pg. Kelton y Law de libro del
10.11 tabla la de obtiene se que constante una es y
real nmero al igual o
mayor es que chico ms entero el es : donde
1
h
x
x
El mejor de k sistemas V
Primera fase (cont.)
Se procede a realizar las N
i
n
0
rplicas del
sistema i (con i=1,2,,k)
Se obtiene de esta manera los las medias
muestrales de la segunda fase.
Segunda fase

Se calculan los pesos de la siguiente manera
0
1
0
) 2 (
0
) (
n N
X
n N X
i
N
n j
ij
i
i
i

=

+ =
k i W W
n S h
d n N
N
n
N
n
W
i i
i
i
i i
i
,..., 2 , 1 para 1 y
) (
*) )( (
1 1 1
1 2
0
2 2
1
2
0 0 0
1
= =
(
(

|
|
.
|

\
|

+ =
El mejor de k sistemas VI
Segunda fase (cont.)
Finalmente se calculan las medias con los
pesos calculados

El mtodo indica seleccionar como el mejor a
aquel que tenga el de menor valor
La seleccin de P* y de d* depende de los
objetivos del analista y de las particularidades
del sistema bajo estudio
Al especificarlo puede tener implicancias en el
costo de obtener N
i
observaciones, asociadas
con un valor grande de P* o un valor chico de d*
) ( ) ( ) (
0
) 2 (
2 0
) 1 (
1
n N X W n X W N X
i
i
i
i
i i
i
+ =
) (
i
i N X
El mejor de k sistemas VII
Se aconceja trabajar con un n
0
20
Un valor menor puede implicar obtener pobres
estimaciones de la varianza de la primera fase
Por otro lado si n
0
es muy grande podramos
tener una cantidad de rplicas en exceso
innecesarias para algunos de los sistemas.
En la tabla de 10.11 se pueden obtener el valor
de h
1
de la siguiente manera:
Siendo
P* = 0.90
n
0
= 20
k = 10
h
1
= 3,182
Un subconjunto m de k sistemas
Es mtodo se puede utilizar cuando hay un
gran nmero de k sistemas alternativos para
comparar y se desea individualizar aquellos
que pueden ser descartados como los que no
obtienen mejoras en base a cumplir con el
objetivo del problema.
Se procede de igual manera que para el
mtodo anterior solo que para el clculo de N
i

se calcula h
2
(en vez de h
1
) a partir de la tabla
10.12 del mismo libro.
Los sistemas seleccionados sern los m que
obtengan los m menores valores de

) (
i
i N X
Los m mejores de k sistemas
Es mtodo permite seleccionar los m mejores
sistemas de k sistemas pero sin un orden o
ranking.
Es aplicable cuando se desea conocer los
mejores m sistemas porque elegir el mejor
puede llevar a que no sea bueno en otras
carctersticas.
Se procede de igual manera que para el
mtodo anterior solo que para el clculo de N
i

se calcula h
3
(en vez de h
2
) a partir de la tabla
10.13 del mismo libro.
Los sistemas seleccionados sern los m que
obtengan los m menores valores de

) (
i
i N X
Nmeros aleatorios comunes I
Al realizar el anlisis de los resultados de una
simulacin calculamos la media muestral
para una variable establecemos un intervalo de
confianza o realizamos un test de hiptesis sobre
ese valor.
La eficiencia de este mtodo depende de la
varianza asociada con el estimador.
Grandes valores de la varianza, harn necesarias
ms observaciones para alcanzar el nivel de
confianza especificado y significa mayor cantidad de
corridas e incremento en los costos de cmputos.
Los mtodos que se aplican para este problema se
denominan tcnicas de reduccin de varianza.
Si bien existen muchos de estos mtodos nos
focalizaremos aquel llamado nmeros aleatorios
comunes.

X
Nmeros aleatorios comunes II
El mtodo es aplicable cuando se desea
comparar 2 sistemas estableciendo las
diferencias entre ellos debido a cambios en
algunos de sus parmetros. En estos casos es
apropiado compararlos sometindolos a las
mismas situaciones.
En un sistema M/M/1 sera someter a los dos
sistemas a la misma secuencia de eventos
arribos y partidas. Adems se deben establecer
las mismas condiciones iniciales.
Esto implica que deben ser usados los mismos
nmeros aleatorios que generan los valores de
las variables que permiten calcular la ocurrencia
de los eventos.

X
Nmeros aleatorios comunes III
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.

2
1
y x x
) , cov( 2 ) var( ) var( ) var(
2 1 2 1 2 1
x x x x x x + =
2
1
y x x