Simulacin de Sistemas

Anlisis de Resultados

Marcos Rivas Pea

 Objetivos de la Sesin

1. Aplicar el mtodo de intervalo de

confianza para las respuesta de la
simulacin
2. Resolver problemas de cmo empezar la
simulacin.
3. Determinar cundo deternerse de generar
nuevos datos

Marcos Rivas Pea

 Simulacin de Sistemas
Anlisis de Resultados
Tabla de Contenido

1. Estimacin de Parmetros
2. Teorema Central de Lmite
3. Estimacin de Intervalos
4. Anlisis de Resultados de la Simulacin.

Marcos Rivas Pea

 Recordando la Estadstica
Poblacin:
Es la recoleccin completa de todas las observaciones de
inters para el investigador
Parmetro:
Es una medida descriptiva de la poblacin total de todas las
observaciones de inters para el investigador.
Muestra:
Es una parte representativa de la poblacin que se selecciona
para ser estudiada
Estadstico:
Elemento que describe una muestra y sirve como una
estimacin del parmetro de la poblacin
Variable:
Es una caracterstica de la poblacin que se esta analizando en
un estudio estadstico.
Marcos Rivas Pea
 Medidas de Tendencia Central
La media:
Es la medida de tendencia central que normalmente es
considerada como el promedio.
Si tenemos 56, 67, 52, 45, 67, la media se calcula as:

__
56 67 52 45 67
X 57.4
5

Marcos Rivas Pea

 Medidas de Tendencia Central
La mediana:
La mitad de las observaciones estar por debajo de ella y
la otra mitad por encima.
n 1 5 1
Posicin de la mediana = 3
2 = 2

Para los datos ordenados, la mediana es 56 (la tercera

posicin).
Si tenemos: 35, 45, 52, 56, 67 y 67. (n es par),
promediamos los dos valores medios (52 + 56)/2 = 54

Marcos Rivas Pea

 Medidas de Tendencia Central
La moda:
Observacin que ocurre con mayor frecuencia.
Si tenemos 35, 45, 52, 56, 67, 67, la moda es 67
Si agregramos una observacin adicional de 56, el
conjunto de datos seria bimodal, con modas 56 y 67.

Marcos Rivas Pea

 Medidas de Dispersin
Miden que tanto se dispersan las observaciones alrededor de su
media.
El rango:
Es la diferencia entre la observacin mas alta y mas baja.
Su desventaja es que considera solo dos observaciones del total
de observaciones.

Marcos Rivas Pea

 Medidas de Dispersin
La Varianza:
Es el promedio de las desviaciones respecto a su media elevadas
al cuadrado
Varianza poblacional:
x1 x2 x3 ... xN
2 2 2 2
xi 2
2

N N
Varianza de una muestra:
2 2 2 2 2
__
__
__
__
__

x1 X x2 X x3 X ... xn X xi X
S
2
n 1 n 1

Marcos Rivas Pea

 Medidas de Dispersin
La Varianza:
Si tenemos: 87, 120, 54, 92, 73, 80 y 63
__
X 81.29
(87 81.29) 2 (120 81.29) 2 ... (63 81.29) 2
S
2
465.9
7 1

S 465.9 21.58

La media de los valores observados es de 81.29, con

tendencia a variar por arriba o debajo de dicha media en
21.58
Marcos Rivas Pea
 Estimacin de Parmetros
Parmetros poblacionales y Estadsticos Muestrales
Parmetros:
Histograma de la Poblacion
160

140 Media ()
120

Varianza( 2)

F recuencia
100

Datos 80

60
Desv. Est. ()
(Poblacin de Inters) 40

20

0
Etc.
-4 -2 0 2 4
Clases

Histograma de la Muestra
Inferencias
16
Muestreo 14

12
Estadsticos:
Frecuencia

10

8
Promedio ( X)
6
Muestras 4
Varianza muestral(S2)
2

0
-4 -2 0 2 4
Desv. Est. muestral(S)
Clases

Etc.
Marcos Rivas Pea
UMSNH - FIE
 Media Muestral
Suponga que x1,x2,...xn son variables aleatorias
independientes con la misma funcin de distribucin; es
decir, = E[xi] y 2 = var(xi), la cantidad:

Que es el promedio aritmtico de los n datos es la media

muestral.
Cuando no se conoce la media poblacional, con
frecuencia se toma la media muestral para estimarla.

Marcos Rivas Pea

 Varianza Muestral
En muchos problemas reales la varianza poblacional
se desconoce, para este tipo de situaciones, es
posible utilizar el siguiente estimador de la varianza.

Marcos Rivas Pea

 Teorema de limite central
Dado una variable aleatoria X , con media y varianza 2 ,
la
distribucin muestral de la media ( ), basada en muestras
aleatorias de tamao n , tiene las siguientes caractersticas:

1. La media de la distribucin muestral es .

2. La varianza de la distribucin muestral es 2 /n
3. Si la distribucin de la variable X es normal, entonces la
distribucin muestral tambin lo es.
4. Si la distribucin de la variable no es normal, la forma de
la distribucin muestral tiende a ser normal si el tamao
muestral n es mayor a 30 , para n menores sigue una
distibucin t n-1,1-/2

Marcos Rivas Pea

 Aplicaciones del teorema de limite central

Siendo X una V.A. con distribucin normal de media

y varianza 2 , la distribucin de
X
Z= / n

es normal con media = 0 y desvo estndar = 1

usualmente llamada z o normal tipificada.

Marcos Rivas Pea

 Aplicaciones del teorema del teorema de limite
central

Grficamente: para una normal tipificada (Z) , un intervalo de

confianza del 95% se puede representar como:

La probabilidad de que
una variable normal
95% tipificada tome valores en
el intervalo
[-1.96,1.96] es del 95%.

2.5%
2.5%

Marcos Rivas Pea

 Estimacin de Intervalos

En el enfoque de estimacin de intervalos, para un parmetro

no se estima un valor, sino un intervalo de la forma L U,
donde los valores extremos L, U dependen del valor numrico
del estadstico
X para una muestra en particular y de la
distribucin de muestreo.
Partiendo de la distribucin de muestreo para X , es posible
determinar valores de L, U tales que se cumpla lo siguiente:
P (L U) =1 Donde 0 < < 1
Es decir, se puede garantizar con una probabilidad de 1-
que la muestra elegida contendr el valor verdadero de
Al intervalo resultante L U se le conoce como el
intervalo de confianza del 100(1 ) % para el parmetro
desconocido .
Marcos Rivas Pea
 Estimacin de Intervalos
Ejemplo: Construccin repetida de un intervalo de confianza
para la media :

Si los intervalos de confianza

mostrados son del 95% significa
que si se construye un gran
nmero de ellos, el 95% de ellos
contendr a la media

Marcos Rivas Pea

 Intervalo para la media
Varianza Conocida

De acuerdo a lo anterior, podemos suponer que la variable

___

Z X
/ N
Tiene una distribucin N(0,1)

/2 /2

-z/2 z/2 Z

de la figura: P{-z/2 Z z/2 }=1-.

Con lo cual el intervalo de confianza del 100(1-)% para la media es
__ __

xz /2 / N
Marcos Pea
Rivas
x z /2/ N
 Intervalo para la media
Varianza Desconocida

Si no se conoce la varianza 2 de la poblacin, una posibilidad

es utilizar la varianza muestral S2 en las ecuaciones obtenidas
para estimar intervalos en el caso de varianza conocida

Este procedimiento funciona para muestras grandes (N>30),

por ello los intervalos de confianza anteriores se les suele
llamar intervalos de confianza para muestras grandes.

Marcos Rivas Pea

 Intervalos de Confianza
Ejemplo __
X
Supongamos que la simulacin se esta utilizando para analizar las
demoras en un proceso de produccin.
Cada replica independiente del modelo produce una respuesta
potencial de la distribucin de todas las posibles demoras. Una sola
salida, produce solo una muestra de la distribucin.
Asumamos que 100 puntos estimados del promedio de demora en un
proceso esta normalmente distribuido con una media de 40 y una
desviacin estndar de 12.

Cien muestras de esta distribucin pueden ser distribuidas como

siguen

Marcos Rivas Pea

 Intervalos de Confianza

39 43
35 39 43 47 Distribucin Normal
35 39 43 47 = 40
35 39 43 47 = 12
31 35 38 42 47 51
31 34 38 42 46 51
27 31 34 38 42 46 51 55
27 30 34 38 42 46 50 55
27 30 34 37 41 46 50 55
23 26 30 33 37 41 45 50 54 58
19 22 26 29 33 37 41 45 49 54 58 63
14 19 21 25 29 33 37 41 45 49 53 57 63 69
12 17 21 25 29 33 37 41 45 49 53 57 61 66

< 16 16-20 20-24 24-28 28-32 32-36 36-40 40-44 44-48 48-52 52-56 56-60 60-64 > 64

Marcos Rivas Pea

 Intervalos de Confianza
Los principios de inferencia estadstica, nos permiten hacer
estimaciones de una media verdadera y una varianza 2
Suponga que los siguientes valores son aleatoriamente
seleccionados de la distribucin mostrada en el grfico
anterior: 26, 31, 38, 49, 50 y 58.
Un punto estimado de es designado como:

__
26 31 38 49 50 58
X ( 6) 42
6
La varianza de la distribucin es aproximada como:
6 __

[ Xi X (6)] 2

S 2 ( 6) 1
152.4
6 1
Marcos Rivas Pea
 Intervalos de Confianza
Como la cantidad de datos (n=6) es menor que 30, usamos
un valor t de una distribucin t?, para construir el intervalo
de confianza para el punto estimado ,

Usamos =
10%
Un 90% de
certeza

L U

un intervalo de confianza nos dice con que certeza

(90%), el parmetro de la media verdadera esta contenida
dentro de nuestro intervalo calculado.
Marcos Rivas Pea
Media Muestral vs. Verdadera
_
u = 40 X = 42

Media Media
Verdadera Muestral
Marcos Rivas Pea
 Intervalos de Confianza
Qu son?
Un intervalo, expresado en el formato (min, max), el
cual provee un estimado realista del valor verdadero de
un parmetro del sistema particular.
La longitud del intervalo depende del tamao n
de la muestra.
Los niveles tpicos son: 90%, 95% y 99%.

Marcos Rivas Pea

Intervalos de Confianza

_
u = 40 X = 42
95%

90%

Media Media
Verdadera Muestral
Marcos Rivas Pea
 Intervalos de Confianza
El principio del intervalo de confianza puede ser
demostrado utilizando los nmeros descritos en la
distribucin normal anterior.
El siguiente ejercicio ilustra esta explicacin.
1) Coloque los nmeros de la distribucin normal en 100 papeles
pequeos.
2) Ponga los papeles en un contenedor.
3) Busque en el contenedor y extraiga seis papeles.
4) Registre el nmero mostrado en cada papel seleccionado.
5) Calcule un intervalo de confianza a un 90%, para los seis valores
obtenidos.
6) Retorne todos los papeles al contenedor.

Marcos Rivas Pea

 Intervalos de Confianza
Si ejecutamos los pasos tres al seis, 100 veces, podemos
esperar que 90 de los intervalos de confianza calculados,
contienen el parmetro de la media verdadera ( = 40 en
este ejemplo).
Desarrollar el siguiente ejemplo y verifique los resultados
para 10 repeticiones.

Marcos Rivas Pea

 Intervalos de Confianza
Valores __ Intervalo contiene a
Exp. X (6) S 2 (6) Intervalo
Seleccionados = 40?
1
2
3
4
5
6
7
8
9
10
Marcos Rivas Pea
Anlisis de Resultados

Marcos Rivas Pea

 ANLISIS DE RESULTADOS

En general es aconsejable realizar varias corridas

independientes para tomar varias muestras como respuestas
tanto para calcular la media como la varianza (y la desviacin
estndar).

Por lo tanto....
El anlisis estadstico de los experimentos de simulacin
requieren de varias respuestas independientes x1, ...,xn.

Cada una de estas muestras se obtienen a partir de alguno de

los siguientes mtodos.
Marcos Rivas Pea
 MTODOS MUESTREO RESULTADOS (1)

1.- Se realizan n corridas de simulacin.

Cada corrida con muestras de nmeros aleatorios
diferentes e independientes.
Cada corrida es una replicacin.

X1 X2 X3 X4

Marcos Rivas Pea

 MTODOS MUESTREO RESULTADOS (3)

3.- Mtodo batch means, usado en simulaciones de estado estacionario,

aquellos que llevan mucho tiempo en alcanzar ese estado.
Se corre el perodo Wam-up una sola vez; a partir de all se registran valores
de xi en intervalos sucesivos de tiempo de igual longitud, 1 ... n.
Riesgo: correlacin entre resultados sucesivos.

Warm-up period

X1 X2 X3 X4

Marcos Rivas Pea

 Nmero de Rplicas
Un mtodo esencial para mejorar la confiabilidad de los
resultados es ejecutar mltiples replicas independientes de la
simulacin.
Los resultados de mltiples rplicas del modelo deben ser
analizados con principios de inferencia estadstica para
realizar conclusiones validas.
El ejemplo anterior puede ser usado para demostrar el nivel
de confianza asociado al numero de replicas necesarias para
asegurar la exactitud de (un punto estimado de ) con
respecto a la media verdadera de la distribucin

Marcos Rivas Pea

 Nmero de Rplicas

La ecuacin para conocer el numero de replicas necesarias es:

2
tn1, / 2 S (n)
N
e
Donde:
N: Numero de replicas necesarias para lograr un nivel de exactitud deseado
S(n): Es un punto estimado de , basado en n replicas del modelo.
e: Denota la cantidad de error entre la media estimada y
t: Valor critico de la tabla t

Marcos Rivas Pea

 Nmero de Rplicas
Deseamos conocer cuantas replicas del modelo deben ser realizadas
para tener un 90% de confianza que nuestra media estimada no varia
de la media verdadera por mas de 9 das.

Media e=9 Media

Verdadera Muestral
Marcos Rivas Pea
 Nmero de Rplicas
Estimamos el valor de , seleccionando aleatoriamente seis valores de la
distribucin (en la simulacin esto equivale a realizar 6 replicas
independientes del modelo)
Si los valores seleccionados son 26, 31, 38, 49, 50 y 58
El estimado de la desviacin estndar es 12.3
Insertando estos valores en la ecuacin anterior, esto nos da N=8.
Implica que si aleatoriamente
__ seleccionamos 8 muestras de la distribucin y
calculamos un valor de X
Podemos
__ esperar que aproximadamente 90 veces de un total de 100, el
X de no variara de la media verdadera = 40, por mas de 9 das,
valor
verificar estos resultados en la siguiente tabla.
2 2
tn1, / 2 S (n) (2.015)(12.3)
N N 7.58 8
e 9

Marcos Rivas Pea
 Nmero de Rplicas
verificar los resultados anteriores en la siguiente tabla:
Rep. Valores Seleccionados __ Dentro del limite 9?
X (8) ( = 40)
1
2
3
4
5
6
7
8
9
10
Marcos Rivas Pea
 Ejemplo
Suponga que la simulacin de un proyecto de inversin
arroj los siguientes resultados:
12 8 5 3 7 5 3 29 27 9
15 22 7 21 3 15 26 17 8 13
18 13 18 17 5 3 4 7 13 19
11 16 13 13 9 8 7 13 15 12
13 12 14 14 20 22 11 12 18 11
17 4 23 8 15 7 18 19 24 15
19 24 12 7 18 15 13 8 21 4
9 17 11 15 21 18 15 28 13 3
14 19 19 18 4 27 21 4 5 8
10 21 25 21 7 2 8 9 7 11

Determinar un intervalo de confianza del 95 % (=5%)

para la tasa interna de retorno.

Marcos Rivas Pea

 Conclusiones
1. El mtodo de intervalo de confianza tradicional
se aplica slo cuando las variables que
interactuan en el sistema son independiente y el
sistema esta en estado estacionario
2. Para anlisar los resultados de la simulacin es
necesario realizar varias replicas.
3. Si los intervalos de confianza mostrados son del
95% significa que si se construye un gran nmero
de ellos, el 95% de ellos contendr el valor
buscado
Marcos Rivas Pea