Simulación

Tema 1: Introducción a la Simulación.

Generación de variables aleatorias.
Actividad 8
Conferencia: Técnicas de reducción de
varianza en un conjunto de números aleatorios
generados.
 Sumario

1. Selección de un procedimiento estadístico.

2. Técnica del muestreo estratificado.
3. Técnica de los números complementarios.
4. Orientación del trabajo independiente.
 Objetivo
• Describir algunas de las técnicas
de reducción de varianza, a
través de sus componentes
estadísticos, para lograr mejores
observaciones aleatorias.
 Bibliografía

"Introducción a la investigación de operaciones".

Editorial Félix Varela, La Habana, 2005 (Texto básico de
la asignatura) Tomo 3, Capítulo 21.

Epígrafe 21.3 “Diseño experimental para la

simulación” página 919.
 Introducción

¿Existe alguna diferencia entre las

herramientas estadísticas que se
emplean en la experimentación de
la simulación y las que se emplean
en la experimentación física?
Experimentación Experimentación
física simulada

- Pruebas de hipótesis - Da mayor importancia

sobre el valor a la optimización.
de un parámetro
poblacional. - Pruebas de decisión
múltiple.
- Igualdad de las
medias de varias - Procesos de
poblaciones. ordenamientos
completos o parciales.
Estos tipos de experimentaciones también
difieren en que:

Solo los experimentos simulados pueden

controlar la variabilidad del comportamiento de
las “partes” del sistema (por la posibilidad de
reproducir secuencias idénticas de eventos)

¿Pero, reproducir las mismas sucesiones de

números aleatorios no conduce a resultados
estadísticamente dependientes?
Entonces, por ejemplo, para comparar dos alternativas
se aparean los resultados del comportamiento del
sistema producidos por los mismos eventos (de
momento asumamos como evento al estadístico)

¿Varían las condiciones experimentales? No.

Por tanto, la diferencia entre ambos resultados se

convierte en información relevante para la muestra y el
sistema.
¿Qué podemos hacer con esa muestra?

Aceptar o rechazar la hipótesis de que la media

de esta diferencia es cero.
Obtener un intervalo de confianza para esta
media.

¿Cuál sería el proceder si, por ejemplo, se

rechaza la hipótesis planteada arriba?
 Técnicas de reducción de varianza

Técnicas para aumentar la precisión en una

simulación.

Observación: Gracias al desarrollo vertiginoso tanto

del hardware como del software, ha habido una
tendencia al incremento indiscriminado de la cantidad
de corridas de una simulación, y se descuida el tema
de la precisión.
Ejemplo:

2
Sea X ∼ N (0 ;(1.05) ) . Supongamos que no se
conoce la media y deseamos estimarla usando
simulación.

¿Cómo proceder?

Se generan algunas observaciones aleatorias de la

variable en estudio y luego se halla el valor medio de
las observaciones.
Como ya conocemos:

X=μ+σ Z ;

Z= √−2ln (r 1 )cos(2 π r 2 )
Observación: En este caso Z es un número aleatorio,
porque es la combinación de dos números aleatorios.

Vamos a generar 8 valores para Z, es decir, usando la

tabla de números aleatorios, seleccionamos 16
valores en ella, para a partir de estos generar los de Z.
 i zi X i=μ +σ Z i=1.05 Z i
1 0.434 0.456
2 0.676 0.710
3 0.450 0.472
4 -0.697 -0.732
5 0.056 0.059
6 -1.802 -1.892
7 0.660 0.693
8 0.735 0.771

8 x i 0.538
̂ X
μ= ̄ =∑ = =0.067
i=1 8 8
¿Es la media de la distribución cero?

¿Es posible mejorar la precisión en la

estimación?

Sí, aplicando una técnica de reducción

de varianza.
Técnica del muestreo estratificado

Ciertas partes de una distribución pueden

ser más críticas que otras para obtener
una estimación precisa, pero ello no lo
“considera” la generación de números
aleatorios.
Recordemos el gráfico de la distribución
normal.
 −1.892<−0.732<0.059<0.456<0.472<.
0.693<0.71<0.771

Solo dos valores de la variable son

negativos, además, de los 6 restantes,
uno es menor que 0.45
El muestreo estratificado divide la
distribución en porciones (estratos)

Cada estrato se muestrea por separado y

de forma no proporcional, con una
densidad mayor en los estratos más
críticos.

Para el ejemplo supongamos los estratos:

(-2;-1) ; (-1;0.5) ; (0.5;1)
 (−2 ;−1) ; (−1 ;0.5) ; (0.5 ;1)

1 t 2
−θ ) d θ
F X (t)= ∫
1.05 √ 2 π −∞
exp(
2×1.05
2

P(−2< X <−1)=0.213
P(−1< X <0.5)=0.442
P(0.5< X <1)=0.147

0< F X (t)<0.213
0.213< F X (t )<0.655
0.655<F X (t )<0.801
Estrato Porción de la Número aleatorio Elementos Ponderación de
distribución del estrato de la la muestra
muestra

0< F X (t )<0.213 ź i=0.213 zi 2/8

1 2 w i= =1.174
0.213

4/8
2 0.213<F X (t )< 0.655 ź i=0.213+ zi 0.442 4 w i=
0.442
=1.131

2/8
3 0.655<F X (t )<0.801 ź i=0.655+ zi 0.147 2 w i= =1.70
0.147
Estra Ponderación
to i zi źi X́ i de la X́ i / w i
muestra
1 0.434 0.092 0.097 1.174 0.083
1
2 0.676 0.144 0.151 1.174 0.129
3 0.450 0.412 0.432 1.131 0.382
4 -0.697 -0.095 -0.1 1.131 -0.088
2
5 0.056 0.238 0.250 1.131 0.221
6 -1.802 -0.583 -0.613 1.131 -0.542
7 0.66 0.752 0.790 1.7 0.464
3
8 0.735 0.763 0.801 1.7 0.471

8 x́ i /w i 1.120
̂ X
μ= ̄ =∑ = =0.14
i=1 8 8
Técnica de los números complementarios

La “suerte en el sorteo” puede provocar que

las observaciones aleatorias estén
sustancialmente a un lado de la media.
i zi Xi źi X́ i
1 0.434 0.456 2.093 2.198

2 0.676 0.71 1.331 1.397

3 0.45 0.472 1.931 2.027

4 -0.697 -0.732 -1.127 -1.184

5 0.056 0.059 0.047 0.05

6 -1.802 -1.892 -0.377 -0.396

7 0.66 0.693 0.246 0.258

8 0.735 0.771 0.36 0.378

 8 x i 0.538
̄ =∑
μ̂1= X = =0.067
i=1 8 8

8 x́ i 4.729
̄ =∑
μ̂2= X = =0.591
i=1 8 8

1 0.067+0.591
(μ̂1 + μ̂2 )= =0.329
2 2
Conclusiones de la clase.

Orientación del trabajo independiente.