22/11/2017

Simulación de Sistemas
4. Técnicas de reducción de varianza

Integrantes:
Carruitero Valqui, Alonso
Cubas Hoyos, Eder
Delgado Gastelú, Misael
Fernández, Jhonatan
Retuerto, Richard
Docente:
Ing. Soto Soto
 Integrantes: Carruitero Valqui, Alonso Cubas Hoyos, Eder
Delgado Gastelú, Misael Fernández, Jhonatan Retuerto, Richard
Docente: Ing. Soto Soto

Simulación de Sistemas
4. Técnicas de reducción de varianza

La decisión de cuán precisos deben serlos datos de la simulación depende de la naturaleza del
problema, la importancia de la decisión y el grado de validez de los datos de entrada. Podemos
clasificar en dos tipos de reporte de salida de la simulación:

2.1 Estadísticas por observaciones

Reportan el número de ocurrencias de un determinado incidente. El reporte estadístico muestra el

número de observaciones por unidad de tiempo:

Ejemplo 1:

El número de entidades procesadas por hora, a través del sistema. Esto se obtiene contando todas las
entidades que abandonaron el sistema durante la simulación y dividiendo dicho valor entre el tiempo
de simulación.

Ejemplo 2:

El tiempo promedio que las entidades permanecen en el sistema. Cada vez que sale una entidad del
sistema se registra su tiempo de permanencia; es decir, restando la hora de salida menos la hora de
ingreso. Para obtener el tiempo promedio en el sistema simplemente se suman los registros de
permanencia individuales y el tiempo acumulado se divide entre el número de entidades que salieron
del sistema.

2.2 Estadísticas dependientes del tiempo

Reportan el valor de una variable de respuesta con relación al tiempo, es decir reportan valores
persistentes en el tiempo. Durante la simulación se mantiene el valor actual de la variable.

Ejemplo:

El número promedio de entidades en el sistema (WIP). En este caso, cada vez que una entidad ingresa
o sale del sistema el valor actual del contador se multiplica por el tiempo desde el último cambio, este
producto (entidad*tiempo) se va acumulando y el contador se actualiza. El indicador se obtiene al
finalizar la simulación, dividiendo el valor del producto acumulado entre el tiempo de la simulación.

2.3 Otras medidas particulares

Las estadísticas por observaciones y las dependientes del tiempo proveen información útil acerca del
comportamiento del sistema; sin embargo, se pueden obtener del reporte algunas medidas específicas
de los elementos del modelo. Veamos:

Por otro lado, se pueden obtener del reporte algunas medidas específicas de los elementos del modelo.

Estadísticas sobre entidades

Total de entidades que ingresaron y salieron del sistema, clasificadas por tipo

Número de entidades en proceso durante la simulación (Work in Process).

1
Integrantes: Carruitero Valqui, Alonso Cubas Hoyos, Eder
Delgado Gastelú, Misael Fernández, Jhonatan Retuerto, Richard
Docente: Ing. Soto Soto

Estadísticas sobre colas

Tiempo promedio, mínimo y máximo de permanencia en cola.

Tamaño promedio, mínimo y máximo de la cola.

3.- Determinación de numero de replicas

los resultados de una réplica del modelo de simulación representan solo una muestra del
comportamiento del sistema real. Un método esencial para mejorar la fiabilidad de los resultados es
ejecutar más de una réplica independiente, Múltiples e independientes réplicas del modelo son
siempre requeridas cuando se trabaja en simulación estocástica(aleatoria)

El análisis estadístico del reporte generado es un factor crítico para hacer conclusiones válidas. Los
valores obtenidos de las variables de interés se analizarán mediante intervalos de confianza y pruebas
de hipótesis para la comparación de escenarios

3.1.- muestra preliminares(N)

es fijar una cantidad de réplicas que representen una muestra piloto. Este número de réplicas
preliminares se define a criterio del analista y resultados servirán como punto de partida para la
obtención de algunos parámetros preliminares como la media y la deviación estándar, que se utilizarán
para la obtención de numero de réplicas y los intervalos de confianza

3.2.- Determinación del número de réplicas(N)

Los parámetros obtenidos al ejecutar el modelo con un numero de réplicas preliminares(n) nos
servirán para determinar el tamaño del experimento de simulación. La distribución por utilizar
depende del número de réplicas preliminares adoptado.

2
 Integrantes: Carruitero Valqui, Alonso Cubas Hoyos, Eder
Delgado Gastelú, Misael Fernández, Jhonatan Retuerto, Richard
Docente: Ing. Soto Soto

3.3.- Intervalo de confianza para u

Un conjunto de valores obtenido a partir de los datos muéstrales, en el que hay una determinada
probabilidad de que se encuentre el parámetro. A esta probabilidad se le conoce como el nivel de
confianza.

Este intervalo nos dirá que tan seguros podemos estar que el parámetro de la media verdadera u está
contenida dentro de nuestro intervalo calculado

3.4.- Teorema del Limite Central:

Dada una variable aleatoria cualquiera, si extraemos muestras de tamaño m (m>30 observaciones) y
calculamos los promedios muéstrales, entonces:

 dicho promedio tiene distribución aproximadamente normal.

 la media de los promedios muéstrales es la misma que la de la variable original
 la desviación típica de los promedios disminuye en un factor "raíz de m"(error de estándar)
 las aproximaciones anteriores se hacen exactas cuando m tiene a infinito

Este teorema justifica la importancia de la distribución normal. El objetivo de estas pruebas es

verificar que se aplica el Teorema del Limite Central(TLC) para el indicador del estudio. Dado que el
tamaño de la muestra m es el número de observaciones que hay en una réplica y N es el número de
repicas que el modelo necesita para alcanzar un nivel de confianza deseado, podemos afirmar en base
al Teorema del Limite Central que los N valores promedio que se logren producto de las N replicas,
conforman un conjunto de valores que se ajustaran a una distribución de probabilidad normal,
siempre que m sea grande (m>30 observaciones) por cada replica
3
Integrantes: Carruitero Valqui, Alonso Cubas Hoyos, Eder
Delgado Gastelú, Misael Fernández, Jhonatan Retuerto, Richard
Docente: Ing. Soto Soto

4
 Integrantes: Carruitero Valqui, Alonso Cubas Hoyos, Eder
Delgado Gastelú, Misael Fernández, Jhonatan Retuerto, Richard
Docente: Ing. Soto Soto

Interpretación:

La lectura del intervalo [10, 50] nos dice que, si realizamos, 100 experimentos con diferentes
secuencias de números aleatorios para cada uno, y considerando 33 réplicas por cada experimento, la
probabilidad de que ese intervalo contenga el valor de la media verdadera u es de 90%. La
probabilidad de que se salga de dicho intervalo es del 10%.

4. Técnicas de reducción de varianza

La generación de números aleatorios es una parte importante de las técnicas de simulación. El

generador de números Randon produce una secuencia cíclica de números aleatorios, que serán
utilizados por varias distribuciones, como la Uniforme, la Normal, Exponencial etc., las cuales guiaran
el proceso representado en el modelo de simulación, tales como arribos, tiempos de procesos , tiempos
de fallas u otros.

El generador de números aleatorios requiere de una semilla para comenzar a producir dichos
números; cada número producido le sirve al generador para producir el siguiente numero aleatorio y
así sucesivamente, hasta que se cumpla un ciclo (por lo menos dos billones de números) , luego el ciclo
se repite a través de la misma secuencia. Arena dispone de 99 secuencias de números aleatorios y por
defecto utiliza la secuencia 10.

El objetivo del proceso de secuencia común es reducir la varianza de los resultados obtenidos al
comparar escenarios. Desde que el uso de una secuencia determinada implica que todos los números
se generan en base a una misma semilla, esto crea cierta dependencia entre los valores. En este
sentido, este procedimiento intenta reducir dicha varianza, mediante el uso de diferentes secuencias
en las distribuciones de probabilidad, lo cual genera un mayor factor aleatorio y disminuye dicha
dependencia. Este concepto podemos en el siguiente esquema.

5
Integrantes: Carruitero Valqui, Alonso Cubas Hoyos, Eder
Delgado Gastelú, Misael Fernández, Jhonatan Retuerto, Richard
Docente: Ing. Soto Soto

Ejemplo:

El siguiente segmento de un modelo trabaja con la secuencia por defecto que es la 10 veamos

En el ejemplo anterior podemos observar que al iniciar la simulación se comenzaran a generar valores
aleatorios para los Arribos y para la Atención, de acuerdo con la secuencia 10. Los valores que se
generan de una misma secuencia no son completamente aleatorios, desde que se crean un nuevo valor
en base al valor anterior, por ello es que estos son llamados psuedosaleatorios. Asi el valor se crea en
distribución TRIA(2,4,6) del modulo Delay se hace a partir del ultimo valor generado por la
distribución EXPO(5) en el modulo CREATE con lo cual el concepto de “Independencia” entre un valor
y otro no se cumple. Para incluir una secuencia de números aleatorios en una distribución de
probabilidad debemos utilizar la alternativa Expresión:

6
 Integrantes: Carruitero Valqui, Alonso Cubas Hoyos, Eder
Delgado Gastelú, Misael Fernández, Jhonatan Retuerto, Richard
Docente: Ing. Soto Soto

La inserción de una secuencia adicional de números aleatorios quiebra o elimina la dependencia que se
genera cuando los valores creados por las distribuciones de probabilidad pertenecen a una misma
secuencia. Respecto al ejemplo anterior, para el arribo de los clientes consideramos la secuencia 4 y
para el proceso de servicio la secuencia 9.

4.1 TECNICA DE SECUENCIA COMUNES

Esta técnica utiliza las mismas series de números aleatorios en experimentos decisivos de comparación
de escenarios. Se debe caracterizar cada uno de los generadores de las variables aleatorias que vamos a
utilizar en la simulación mediante la identificación de una serie específica para cada tipo de fenómeno.

Se trata de introducir correlacion positiva entre las replicas. Si Z= X – Y

Var(Z) = Var(x) + Var(y) – Z COV(x,y)

7