Simulación

Tema 2: Simulación de eventos discretos.

Actividad 18
Conferencia: Diseño experimental en la
simulación. Análisis de resultados.
 Sumario

1. Los experimentos en la simulación.

2. Tipos de procedimientos en la
experimentación.
3. Orientación del trabajo independiente.
 Objetivo
• Describir una metodología del
diseño experimental en simulación,
a través de la explicación de
procedimientos estadísticos, para la
validación de los resultados.
 Introducción

Necesidad de experimentar en la simulación.

Los experimentos se realizan generalmente

para encontrar respuestas a preguntas del tipo
¿qué pasaría si?

¿Cuándo es lógica la formulación de tal tipo de

interrogante?
 Introducción
Preguntas así surgen en cualquier etapa del
ciclo de vida del sistema, tanto en la fase de
diseño, en cuyo caso el objetivo de las
respuestas es encontrar soluciones a las
diferentes alternativas de diseño, o investigar
los posibles efectos de las diferentes
configuraciones factibles; como en fases
posteriores (sistema ya implantado) cuando se
plantea la posibilidad de cambios o
modificaciones en el mismo para ampliar su
capacidad de operación o para adaptarlo a
nuevos requerimientos.
 Introducción
Las respuestas a esas preguntas formuladas,
y que son respondidas a partir de la
experimentación, constituyen soporte para la
toma de decisiones.

Así, es de interés que las respuestas sean

expresadas numéricamente, en términos de
los valores de las variables de salida que
representen las medidas de la utilidad, o de
rendimiento esperado, para la alternativa que
nos ocupa de diseño o de cambio del sistema.
 Situaciones que se presentan
¿Cómo se estudian, en un modelo de
simulación, los parámetros de interés?

Las ejecuciones (corridas) del modelo

proporcionarán las estimaciones de los
parámetros de interés. Desde un punto de
vista metodológico se distinguen las
situaciones:

●
Estimación de variables de respuesta.
• Estimación de efectos combinados.
• Comparaciones entre alternativas de diseño.
 Situaciones que se presentan
¿Cómo se procede con cada situación?

Para la estimación de variables de

respuesta se realizan repetidas corridas del
modelo correspondiente a una misma
configuración con diferentes muestras
aleatorias de entrada.

Variaciones en los resultados debido a las

variaciones aleatorias en las muestras
utilizadas.
 Situaciones que se presentan
La Estadística, y en particular las técnicas de
muestreo, permiten dar una respuesta correcta
a cuestiones del tipo:

¿Cuándo las diferentes estimaciones de los

parámetros de medida del rendimiento del
sistema son debidas a la configuración del
mismo y cuándo son ocasionadas por las
variaciones del muestreo?
 Procedimientos más utilizados
- Replicaciones independientes: generar
muestras independientes de números
aleatorios, o a partir de distintos generadores
o con un mismo generador, de ciclo muy
largo, que produzca muestras de base
independientes a partir de diferentes semillas.

- Lotes resultantes del fraccionamiento en

submuestras de una muestra de gran
dimensión generada con un generador de ciclo
muy largo.
 Procedimientos más utilizados

- Métodos regenerativos, que utilizan muestras

de dimensión variable resultantes de la
recogida de observaciones del sistema entre
dos pasos consecutivos por un punto o estado
de regeneración, lo que requiere previamente
la comprobación de que el sistema tiene
estados regenerativos y la identificación de los
mismos.
 Estimación de efectos
combinados

Los diseños experimentales que más se

utilizan en la práctica de la simulación suelen
ser el de variación de un factor cada vez,
los diseños factoriales globales, los
fraccionales, los de superficie de respuesta.
 Estimación de efectos
combinados

Para un diseño factorial con k factores y dos

niveles por factor se supone que los efectos
de interacción son explicados por el modelo
de regresión:
k k−1 k
y i =β0 + ∑ j=1 β j X ij + ∑ j=1 ∑h= j+1 β jh X ij X ih +εi
2
εi ∼ N (0, σ )
 Estimación de efectos
combinados

k efectos principales, o de primer orden, β j

k(k-1)/2 interacciones de dos factores, β jh

La interacción entre dos factores, el i y el j por

ejemplo, significa que el efecto del cambio en
el factor i depende del nivel del factor j.
 Estimación de efectos
combinados

La significación de los efectos principales y las

interacciones se determinan por medio del
análisis de la varianza:

En el caso de dos factores A y B, el modelo

propuesto supone que la relación entre la
variable de respuesta y los efectos de los
niveles de los factores viene dada por:
 Estimación de efectos
combinados

y ijk =β0 +αi +β j +βij +εijk

donde:
y ijk es el resultado de la combinación del
factor A al nivel i y el factor B al nivel j en su
replicación k-ésima;

β0 es el efecto medio global.

 Estimación de efectos
combinados
donde:
αi el efecto principal del factor A al nivel i;

β j el efecto principal del factor B al nivel j;

βij el efecto de la combinación del factor A
al nivel i con el factor B al nivel j;
εijk es la varianza no explicada por el
modelo.
 Estimación de efectos
combinados
¿Qué es lo normal en este tipo de experimento?

Debe ocurrir que haya efectos de las

interacciones, entonces se debe verificar si tales
efectos son significativos o no. Si no lo son, no
habría que proceder a estudiar los efectos
principales.
 Estimación de efectos
combinados
Como se aplica un análisis de varianza, el
planteamiento de las hipótesis nulas es:

H 0 (1): βij =0 ; ∀ i , ∀ j
(la interacción de A y B no tiene efectos)
H 0 (2): αi =0 ; ∀ i
(el factor A no tiene efectos)
H 0 (3): β j =0 ; ∀ j
(el factor B no tiene efectos)
 Estimación de efectos
combinados
Las correspondientes hipótesis alternativas son:

H 1 (1): βij ≠0 ; para algún i , j

H 1 (2): αi ≠0 ; para algún i
H 1 (3): β j≠0 ; para algún j
 Estimación de efectos
combinados
Regiones críticas:
H 0 (1): βij =0 ; para algún i , j
2
S AB
2
(n−1)
Rechazar H 0 (1) si : 2
> F (n−1) ;n (m−1)2 2

SE
2
n (m−1)
2 2 2 2 2
S =S −S −S −S
E A B AB
 Estimación de efectos
combinados
Si se rechaza H0(1), no tiene sentido verificar
H0(2) y H0(3).

En caso de que se acepte H0(1) entonces el

modelo se puede simplificar a:

y ijk =β0 +αi +β j +εijk

 Estimación de efectos
combinados

2
S
A
(n−1)
Rechazar H 0 (2) si : 2 2
> F (n−1);(n m−2n−1)
2

S E +S AB
2
n m−2n−1
 Estimación de efectos
combinados

2
S
B
(n−1)
Rechazar H 0 (3) si : 2 2
>F (n−1);(n m−2n−1)
2

S E +S AB
2
n m−2n−1
 Estimación de efectos
combinados

Si el análisis de la varianza ha demostrado,

para un conjunto de efectos (β1, β2, ..., βn),
que estos son significativamente diferentes;
entonces resulta pertinente compararlos entre
sí de manera que se puedan identificar las
combinaciones factor-nivel que proporcionan
los mejores resultados.
Tal estudio se lleva a cabo aplicando las
técnica clásicas del análisis estadístico de
comparaciones múltiples.
 Análisis de resultados
En un estudio de simulación, de forma
independiente de si el objetivo es la
determinación de la mejor alternativa, u
obtener una buena estimación de la variable de
respuesta; es necesario poder efectuar buenas
estimaciones de las variables de respuesta, así
como de la estimación de cuán buenas son las
estimaciones que estamos obteniendo.

Carácter aleatorio de los resultados

 Análisis de resultados
Una de las variantes

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
 Análisis de resultados
Observación
La obtención de un intervalo de confianza
requiere hipótesis subyacentes de normalidad
e independencia. En las condiciones de la
simulación ello exige que sea necesario
recoger un número de observaciones
suficientemente grande como para que las
condiciones del teorema del límite central nos
permitan ignorar la posible no normalidad;
 Análisis de resultados

que se utilice algún procedimiento que permita

superar las implicaciones de la falta de
independencia entre las muestras, y que se
utilice algún procedimiento que permita corregir
el posible sesgo causado por las condiciones
iniciales cuando se simulan estados
estacionarios.
 Análisis de resultados
En tales condiciones:
Sea m el número de ejecuciones de la
simulación e yi la observación de la variable de
rendimiento proporcionada por la i-ésima
simulación, i = 1, 2, ...., m, entonces:

m m
2
∑i=1 yi 2 ∑i=1 ( y i− ̄y )
̄y = ; S=
m m−1
 Análisis de resultados
Si las y i son independientes y están
idénticamente distribuidas entonces ̄y es un
estimador insesgado del rendimiento esperado
2
y S es un estimador insesgado de la
m
varianza.

Si además, las y i están normalmente

distribuidas, entonces un intervalo de confianza
para el rendimiento esperado viene dado por:
 Análisis de resultados

√
2
S
̄y ±k
m
donde k es la ordenada que da la probabilidad
(1-α)/2 en la cola de la distribución t de Student
con m-1 grados de libertad, siendo α el
coeficiente de probabilidad que determina la
región crítica para la aceptación del intervalo.
Conclusiones de la clase.

Orientación del trabajo independiente