Análisis de Resultados

Análisis de resultados
En un estudio de simulación tanto si se tiene como objetivo

la determinación de la mejor alternativa, como si el propósito es
simplemente obtener una buena estimación de la variable de respuesta, o
parámetro de rendimiento del sistema, es necesario
poder efectuar buenas estimaciones de las variables de respuesta,
así como de la estimación de cuán buenas son las estimaciones
que se obtienen, pues no se puede perder de vista el
carácter aleatorio de los resultados producidos por una simulación.
Los métodos a utilizar dependen de las características del
sistema y en especial de si se trata de sistemas con un horizonte
finito, es decir sistemas para los cuales llega un momento en que se
ha alcanzado cierto objetivo, se ha realizado una tarea, se ha llegado
a una condición a partir de la cual el proceso se repite, se ha
completado un ciclo, etc.; o de un sistema con un horizonte infinito
Ejemplos del primer tipo de situaciones pueden ser procesos productivos en los
que el horizonte temporal de fabricación de un producto esté
determinado de antemano, de gestión de inventarios con horizontes
temporales dados, etc., es decir sistemas cuyo ciclo de vida es finito, pero en
muchas otras situaciones no hay razones para suponer, al
menos en teoría, que hay un suceso especial cuya ocurrencia
determina el final de la simulación, se trata entonces de sistemas
para los que el horizonte temporal puede considerarse
indefinidamente largo, la cuestión entonces es si afectan o no las
condiciones iniciales, es decir si el sistema tiene o no estado
estacionario y si lo que nos interesa es estudiar el comportamiento
del sistema en la fase transitoria o en el estado estacionario.
El valor esperado de la variable de respuesta o medida del
rendimiento de un sistema estocástico se expresa habitualmente en
términos de un intervalo de confianza, relacionado intuitivamente con
la idea de precisión, que depende de las dimensiones y características
de la muestra de observaciones utilizada para realizar la estimación. La obtención
de un intervalo de confianza requiere hipótesis subyacentes de
normalidad e independencia, lo que en las condiciones de la
simulación exige que se haya de recoger un número de observaciones
suficientemente grande como para que las condiciones del teorema
del límite central permitan ignorar la posible no normalidad de
las observaciones, que se utilice algún procedimiento que permita
superar las implicaciones de la falta de independencia entre las
muestras, especialmente cuando se trata de simulaciones de estados
estacionarios, y que utilice algún procedimiento que permita corregir
el posible sesgo causado por las condiciones iniciales cuando se
simulan estados estacionarios.
El análisis del rendimiento esperado de un sistema con un
horizonte finito consiste habitualmente en obtener una estimación
puntual del mismo y un intervalo de confianza o estimación del error
cuadrático medio de dicha estimación puntual. La obtención de esta
estimación a partir de una muestra de observaciones producidas por
la simulación se realiza por medio de las técnicas habituales del análisis
estadístico,
En estas condiciones, si m es número de ejecuciones de la

Simulación, e yi es la observación de la variable de rendimiento proporcionada por
la i-ésima simulación, i = 1, 2, ...., m, entonces:
FORMULA
Si las yi son independientes y están idénticamente distribuidas
entonces y¯ es un estimador insesgado del rendimiento esperado y
s2/m es un estimador insesgado de la variancia. Si además las y i
están normalmente distribuidas, entonces un intervalo de confianza
para el rendimiento esperado viene dado por:
FORMULA
donde k es la ordenada que da la probabilidad (1-a)/2 en la cola de la
distribución t de Student con m-1 grados de libertad, siendo a el
coeficiente de probabilidad que determina la región crítica para
aceptación del intervalo.
Con respecto al análisis del estado estacionario, para satisfacer las condiciones
Que se establecieron anteriormente, sobre la eliminación de las posibles
influencias de los estados de partida, se han propuesto multitud de
procedimientos [27,28] que en esencia conducen a determinar cuál
es el número de observaciones iniciales que hay que desechar.
Resuelta esta cuestión el problema es entonces cómo proceder con
observaciones que no son independientes. Entre los métodos propuestos, estos
son los 3 más utilizados:
• Procedimientos por lotes
• Métodos Regenerativos
• Análisis Espectral
A) Procedimientos por lotes

Supongamos una secuencia de observaciones producidas por
la simulación {y1, y2, ..., ym}, posiblemente correlacionadas. Se define:
FORMULA
siendo b la dimensión de los lotes (definida posiblemente a partir de
un estudio estadístico previo) tal que m sea un múltiplo de b, y en
consecuencia n = m/b sea entero. Se realiza:
FORMULA
media del j-ésimo lote de observaciones de dimensión b. A partir de
aquí se procede calcular:
FORMULA
El objetivo de nuestro estudio de simulación es, en teoría, estimar
m=[ ]
®¥
limE y
i
iy var [y¯]. El método de los lotes estima m a partir del
estadístico y¯. De las definiciones se deduce que y¯ =x¯ . Si las
observaciones yi son independientes s2
x /m es un estimador insesgado
de var [y¯], pero como en general las observaciones procedentes de la
simulación están correlacionadas entonces:
FORMULA
Asumir la independencia es equivalente a despreciar el término
de covariancia, lo que en la práctica implica una infraestimación de var
[y¯] ya que las yi están correlacionadas positivamente. Otro estimador
insesgado bajo la hipótesis de independencia es s 2x
/m, aunque en el
caso de correlación de las yi este estimador también está sesgado lo
está menos que el anterior porque la correlación entre las x j tiende a
ser menor que entre las yi.
El método de los lotes en su versión de muestra de dimensión
fija opera de la manera siguiente:
1. Formar n lotes de observaciones xj.
2. Calcular x¯ y s2x.
3. Utilizar x¯ como estimador puntual de m.
4. Utilizar ¯x ¯ ± ksx / n como estimador del intervalo de confianza para m. (k
es el valor correspondiente de la distribución t de Student con n-1 grados de
libertad).
B) Métodos regenerativos
Se basan en que muchos sistemas tienen puntos de renovación o regeneración, a

partir de los cuales el comportamiento del sistema es independiente de su pasado.
El ejemplo típico es la llegada de un cliente a una cola cuando el sistema
está vacío. La idea propuesta y desarrollada por Iglehart, puede
interpretarse como una generalización del método de los lotes en la
que estos en vez de tener longitud fija tienen una longitud variable que
corresponde a la longitud del ciclo entre dos pasos consecutivos por
un punto de regeneración, si se hace que a cada ciclo entre dos puntos
de renovación sucesivos corresponda a una observación se obtiene un conjunto
de observaciones independientes y desaparece el sesgo
debido a las condiciones iniciales.
Desgraciadamente la consecución de la independencia tiene
un precio, el del sesgo de las estimaciones obtenidas. La aparición de
un sesgo en las estimaciones por el método regenerativo están
causadas porque en general los estimadores son cocientes de variables
aleatorias y en general el valor esperado de un cociente no es el
cociente de los valores esperados. Un ejemplo típico es la estimación
del cociente entre el tiempo total de espera en un sistema de colas
durante un ciclo y el número de clientes servidos durante ese ciclo.
Suponiendo que xi e yi denotan respectivamente el numerador y
el denominador del i-ésimo ciclo nuestro objetivo es estimar el cociente
E(xi) / E(yi) y su intervalo de confianza. Sea n el número de ciclos
simulados, definamos ¯x, ¯y, s2x, y s2y de la manera habitual. Se hace:
FORMULA
entonces es la estimación puntual sesgada de E(x i) / E(yi), y su intervalo
de confianza viene dado por:
FORMULA
siendo k la ordenada apropiada de la distribución normal.
Iglehart recomienda la utilización de
estimadores "jackknife" cuando las longitudes de los ciclos no son
muy largas, entonces si z˜ es el estimador jackknife de z¯ el intervalo
de confianza es:
FORMULA
donde:
FORMULA
Aunque los procedimientos regenerativos tienen toda una serie de
ventajas ya que no están afectados por los problemas transitorios iniciales,
producen observaciones independientes, son fáciles de aplicar, etc., no
están completamente libres de problemas ya que las longitudes de los ciclos
son desconocidas de antemano y estos pueden ser muy largos o muy
cortos y no siempre es fácil identificar los puntos de regeneración, o demostrar
que un tipo de punto dado es de regeneración para un sistema dado.
C) Análisis espectral
Dado que las observaciones producidas por la simulación

están correlacionadas se trata de producir estimadores que traten
explícitamente esta correlación. Una posibilidad estriba en recoger las
observaciones a intervalos discretos igualmente espaciados en el
tiempo. La secuencia de resultados así obtenida puede considerarse
la observación de una serie temporal para la cual se tiene:
FORMULA
Y bajo la hipótesis de que la secuencia {yt} es estacionaria covariante,
es decir, que Cj no depende de t:
FORMULA
si se sustituye Cj por Cj para estimar var [y¯ ] resulta que cuando las yt
son dependientes entonces Cj es un estimador muy sesgado de Cj,
en general el estimador truncado
FORMULA
es mucho mejor estimador de var [y¯] para m<<n. Una modificación de
este estimador se obtiene introduciendo una función de ponderación w m(j):
FORMULA
El origen de esta función de ponderación radica en el hecho de
que la densidad espectral f es la transformada de Fourier de la
secuencia covariante:
FORMULA
y si se comparan las expresiones para f(0) y Vm se observa que Vm es un estimador

natural truncado de 2p f(o)/n, aunque no muy bueno.

Análisis de Resultados

Cargado por

Copyright:

Formatos disponibles

Análisis de Resultados

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Análisis de Resultados

Cargado por

Copyright:

Formatos disponibles

Análisis de resultados

En un estudio de simulación tanto si se tiene como objetivo

En estas condiciones, si m es número de ejecuciones de la

A) Procedimientos por lotes

Se basan en que muchos sistemas tienen puntos de renovación o regeneración, a

Dado que las observaciones producidas por la simulación

y si se comparan las expresiones para f(0) y Vm se observa que Vm es un estimador

También podría gustarte