SIMULACIN

UNIDAD 6 pg. 1

Unidad 6: planteo tctico y estratgico para simulacin. Validacin e

implantacin
Introduccin
El anlisis de las salidas de simulacin es necesario para conocer el comportamiento del sistema o para
comparar escenarios del sistema en estudio.
Las salidas de las simulaciones de sistemas discretos son variables aleatorias por cuanto en la simulacin se
generaron variables con distribuciones de probabilidad dadas mediante generadores de nmeros aleatorios. Un
generador de variables aleatorias producir salidas que difieren en sus valores porque se usan nmeros
aleatorios diferentes para obtenerlas.
Si en el sistema se mide una variable y, se obtendr el estimador de esa variable mediante varias corridas de
simulacin. La precisin del estimador puede determinarse mediante el error estndar o el intervalo de la
confianza de y. Sea un sistema de inventario y su costo por semana es la variable Y, con distribucin de
probabilidad desconocida. Si se corre una simulacin del sistema de inventario para 1 semana se obtiene una
observacin simple de una poblacin de todas las posibles observaciones de Y. Si se quiere incrementar el
nmero de observaciones se podran correr n semanas para obtener Y 1, Y2, Y3, .Yn pero este conjunto no
corresponde a una muestra aleatoria porque no son estadsticamente independientes. Es decir que el inventario
del fin de una semana es el inicial de la semana siguiente, y as el valor de Yi influye en el valor de Yi+1
producindose una dependencia y la secuencia de variables aleatorias Y 1, Y2, Y3, .Yn es auto
correlacionada. En ese caso no se pueden aplicar las inferencias de la estadstica clsica a las salidas de
simulacin y por lo tanto se debe modificar la experimentacin de la simulacin.
Las condiciones iniciales tambin pueden influir en las salidas y es importante especificarlas en el tiempo cero.
Esto es, el valor inicial al comienzo de la simulacin. Del ejemplo del inventario, la demanda en el da lunes al
inicio de la semana puede afectar el costo del inventario de esa semana. Este comportamiento se tiene en
cuenta en dos tipos de simulaciones segn el tiempo de simulacin: en estado estacionario y en estado
transiente. En el primer caso, se toman las salidas de simulacin para tiempos de corridas largos. En el estado
transiente interesan las primeras observaciones o el tiempo inicial hasta que alcance un estado estable. Es el
caso de clientes de un banco que ingresan cuando se abren las puertas para solicitar atencin de empleados
que recin inician el trabajo (encienden las mquinas, preparan los papeles, etc.). Luego de un perodo de
tiempo el ingreso, egreso y atencin alcanzan el estado estacionario, es decir, las salidas de simulacin no
difieren de un rango determinado.
Por esta razn tambin hay que considerar los puntos finales de simulacin y las variables de respuesta
obtenidas, para lo cual hay mtodos que intentan asegurar la validez de los resultados y minimizar los errores a
la hora de la toma de decisiones.
Una vez que se plantea y se programa un modelo de simulacin para representar el comportamiento de un
sistema es necesario comprobar que el programa realice lo correcto y que los resultados sean comparables con
datos del sistema real.
Entonces se debe verificar el programa atendiendo a las sentencias o comandos que se escribieron en el
lenguaje seleccionado para la simulacin, de manera que realice lo correcto.
Y luego de verificado el programa, se deben validar los resultados con datos disponibles del sistema real o con
elementos del mismo que hagan confiables a la simulacin realizada.
Para estas dos etapas presentes en todo esquema de simulacin hay mtodos que pueden aplicarse segn el
caso y la disponibilidad de informacin.

SIMULACIN

UNIDAD 6 pg. 2

Datos de salida de simulacin: estimacin de medias, variancias y correlaciones, intervalos de

confianza y test de hiptesis para las medias.
Una salida de simulacin es una estimacin de la performance o desempeo de un sistema. El valor de este
estimador cuantifica el comportamiento del sistema. Por ejemplo el tiempo de permanencia en un banco, desde
el ingreso del cliente hasta su salida habiendo sido atendido es el estimador del desempeo del sistema Banco.
Las salidas de simulacin son variables aleatorias porque se calculan a partir de generacin de otras variables
aleatorias de las entradas del modelo de simulacin. Una salida tiene un punto de estimacin ( ) y un
intervalo cuya longitud es una medida del error en la estimacin del punto.
El parmetro es una media comn, mientras que es una media ponderada en el tiempo.
Los datos de salida de la simulacin pueden ser de tiempo discreto, bajo la forma de { Y1, Y2, Y3, .Yn} para
estimar siendo n un ndice con valor discreto. Por ejemplo Yi puede ser la demora de un cliente i o el costo
total en la semana i.
Tambin pueden ser datos de tiempo continuo si los datos de salida de simulacin tienen la forma {Y(t), 0tTE}
para estimar debido a que t es un valor continuo. Por ejemplo Y(t) puede ser la longitud de cola en el tiempo t
o el nmero de rdenes atrasadas en un tiempo t.
Estimacin de medias
El estimador puntual de , basado en los datos { Y1, Y2, Y3, .Yn} est definido como

donde

1 n
Yi
n i 1

es la media muestral de una muestra de tamao n. En el lenguaje de simulacin puede

referirse como estadstico observacional, de tiempo discreto.

Se dice que el estimador puntual es insesgado para si su valor esperado es :
E( ) =
Sin embargo, en general sucede que
E( )
Y el sesgo del estimador

es E( ) - . Si bien es deseable disponer de datos no sesgado no siempre

es posible.
El estimado puntual de sobre los datos {Y(t), 0tTE}, donde TE es el tiempo de la corrida de simulacin est definido
como:
T

1 E

Y (t )dt
TE 0
Y se llama promedio en el tiempo de Y(t) en el intervalo [0,TE]. Los lenguajes de simulacin lo refieren como
estadstico de tiempo continuo, de cambio discreto o de tiempo persistente. Es deseable que sea un
estimador insesgado pero en general E( )

UNIDAD 6 pg. 3

SIMULACIN

Generalmente y son considerados como medidas medios de performance del sistema que est siendo
simulado. Tambin pueden aparecer otros estimadores particulares. Por ejemplo si se quiere estimar la
proporcin de das que se pierden ventas por falta de stock, se puede plantear

1, si falta stock da i
Yi
0 de otro modo
Con n igual al nmero total de das estimado en la primera ecuacin (6.1) la proporcin de das sin stock, o
de prdidas de ventas, es un estimador puntual de .
Sea la proporcin de veces en que la longitud de cola es mayor de 10 clientes. Si L Q(t) representa la longitud de
cola en el tiempo t, luego

1, si LQ (t ) 10
Y (t )
0 de otro modo
As es un estimador puntual de , la proporcin de veces en que la longitud de cola es mayor que 10 en el
tiempo de simulacin.
Las estimaciones de proporciones o probabilidades son casos especiales de estimadores de medias.
Otras medidas de performance o desempeo son los percentiles o cuantiles. Los cuantiles describen el nivel de
performance que puede ser entregados con una dada probabilidad p. por ejemplo supongamos que Y
representa la demora en cola en minutos que experimenta un cliente en un sistema de servicios. Luego el p0,85
cuantil de Y es el valor tal que
Prob {Y } = 0,85
es el 100 % o 85 percentil de demora de un cliente. En consecuencia el 85% de todos los clientes demorarn
minutos o menos. De otra forma un cliente tiene solo un 15 % de probabilidad de experimentar una demora
mayor de minutos. Una mediad ampliamente usada es la mediana que representa el 0,5 cuantil o 50 percentil.
El problema de estimar un cuantil es lo inverso del problema de estimar una proporcin o probabilidad. Para
estimar una proporcin est dado y la probabilidad p debe ser estimada. Sin embargo, para estimar un
cuantil, p est dado y hay que estimar .
El mtodo ms intuitivo para estimar un cuantil es formar un histograma de los datos observados de Y, y luego
encontrar un valor tal que el 100 % del histograma est a la izquierda o sea menor que . Por ejemplo si se
observan n=250 demoras de clientes luego un 85 percentil estimado se puede calcular como 0,85 x 250 213
de los valores observados que son menores o iguales a .
En el caso de datos continuos, el histograma brinda la fraccin de tiempo en que el proceso permanece en un
cada nivel posible por ejemplo, posibles valores de longitudes de cola. El proceso es igual al de datos discretos.
Estimacin del intervalo de confianza
Un intervalo de confianza mide el error de una media. Sea la varianza de la muestra con R repeticiones.

S2

1 n
(Yi Y ) 2

n 1 i 1

El intervalo de confianza usual asume que Yi est distribuida con una normal. Y el intervalo de confianza es:

Y t / 2,n 1

S
n

UNIDAD 6 pg. 4

SIMULACIN

Donde t/2, n-1 es el cuantil de la distribucin t con n-1 grados de libertad que corta /2 del rea de cada cola de
la distribucin.
El intervalo de confianza da los extremos o lmites donde puede estar
ms pequeo es el intervalo de confianza y menos error tendr Y .

Y . Mientras ms repeticiones se hagan

Sea un ciclo de tiempo promedio en un da particular. Un buen estimador es Y pero no es precisamente

exacto. Incluso , que es el centro de la distribucin no es probable que sea el real ciclo de tiempo de un da en
particular, porque diariamente estos ciclos de tiempo varan. Un intervalo de prediccin est diseado por otra
parte para contener el ciclo de tiempo de cualquier da en

Y t / 2,n 1S 1

1
n

La longitud del intervalo no tiene a cero si n aumenta (no disminuye), y en el lmite se transforma en
z/2
De esta forma, aunque se hagan muchas simulaciones, el ciclo de tiempo vara.
As un intervalo de prediccin como el que se explica es una medida del riesgo, mientras que un intervalo de
confianza es una medida del error. Se puede simular lejos del error con ms y ms corridas o repeticiones pero
nunca se puede simular lejos del riesgo, que es una parte inherente del sistema. Sin embargo podemos hacer
un mejor trabajo para evaluar riesgos con ms repeticiones.
Ejemplo: suponer que el promedio general del ciclo de tiempo promedio sobre 120 repeticiones de una
simulacin de manufactura es 5,8 horas, con una desviacin estndar muestral de 1,6 horas. Como t0,025, 119 es
1,98 un intervalo de confianza del 95 % para un ciclo de tiempo promedio diario esperado para una corrida
larga es 5,8 1,98 (1,6 120 ) o 5,8 0,29 hs. De esta forma la mejor estimacin de un promedio de corrida
larga para ciclo de tiempo diario promedio es 5,8 horas pero podra se en mas y en menos 0,29 hs de error en
este estimado.
Para un da particular y teniendo en cuenta el intervalo de prediccin es 5,8 1,98 (1,6 1 1 / 120 ) es 5,8
3,18 hs. Este ltimo valor refleja la variabilidad inherente en el ciclo de tiempo promedio diario y el hecho que se
quiere un 95 % de confianza de cubrir el ciclo de tiempo promedio real en un da particular antes que considerar
simplemente un promedio por corrida larga. Hay que tener la precaucin que el valor est estimado para un
promedio diario, no para productos individuales.

UNIDAD 6 pg. 5

SIMULACIN

Principios de modelos de simulacin vlidos.

El objetivo de la creacin de modelos es que estos sean vlidos y crebles para poder utilizarlos.
Para la simulacin es importante la verificacin del modelo que permite determinar que el programa
realiza lo que se propuso. Si no fuera as se realiza la correccin de los errores.
La verificacin chequea el traslado del modelo de simulacin conceptual (diagrama de flujo e
hiptesis) en un programa que ejecute correctamente lo pactado. El concepto es simple pero el
trabajo es tedioso.
La validacin es la determinacin si el modelo de simulacin conceptual representa exactamente al
sistema en estudio
Si un modelo est validado, las decisiones hechas con el modelo son similares a las de la experiencia
fsica. Es necesario tener credibilidad en el modelo ya que el programa se usa con confianza en
la toma de decisiones.
Ambas validacin y verificacin se pueden realizar en las distintas etapas del desarrollo de un
modelo de simulacin:

Validacin

Sistema

Verificacin

Modelo
Conceptual

anlisis y datos

Programa
Simulacin

programa

Validacin

de

Credibilidad

Resultados
"correctos"
disponibles

corrida

Resultados
implementados

resultados vendidos al gerente

Figura 6. 1: aplicacin de la validacin y verificacin en las etapas de la simulacin.

La validacin implica el contraste de los datos reales con el anlisis de las salidas de simulacin.
Busca la estimacin de las verdaderas medidas o respuestas. Se pretende aproximar el modelo lo
que ms se pueda al sistema real representado.
El problema es estadstico y depende de la longitud de la corrida (tiempo o nmero de entidades
simuladas) y del nmero de repeticiones de cada corrida de simulacin. Cabe recordar que son
necesarias como mnimo dos corridas de simulacin para obtener salidas de simulacin
promediadas, considerando la caracterstica aleatoria de los sistemas discretos.
La bondad del modelo debe aproximar su comparacin con el mundo real. Esto en general implica
dos etapas:
1. Que las hiptesis asumidas sean razonables (validacin).
2. Que las hiptesis estn correctamente implementadas en el modelo (verificacin).
Hay distintas categoras de modelos:

vlidos y no verificados
invlidos y no verificados (las hiptesis estn lejos de la realidad)
invlidos y verificados
vlidos y verificados

UNIDAD 6 pg. 6

SIMULACIN

Verificacin de programas de simulacin.

Hay distintas tcnicas para la verificacin de modelos de simulacin:

Diseo modular top-down (completo)

La modularidad es el modelado expresado en mdulos, que son subrutinas, subprogramas y procedimientos
individuales comunicados por interfaces que son el nmero de entradas o salidas o estructura de datos.
Interface + mdulo desarrollo y mantenimiento independientes.
Son pequeos problemas a resolver.
TOP-DOWN diseo jerrquico llevar el sistema a pequeos problemas.
Los mdulos con distintas funciones se subdividen en otros mdulos ms pequeos hasta un punto en que
sean simples de manejar.
Ejemplo: sena mdulos de un simulador de red para estudiar congestin de trfico, con un nmero de nodos
fuentes, un nmero de nodos intermedios y nodos destinos.

Nodo Fuente S1

Destino D1

Nodos intermedios
Nodo Fuente Si

Destino Di
R1

R2

Rm

Nodo Fuente Sn

Destino Dm

Figura 6. 2: estructura de un sistema de red

Los tamaos de paquetes y tiempos de servicio de varios nodos estn distribuidos aleatoriamente. Por ejemplo
2 LAN conectadas con m nodos intermedios.

Rm

R1
S1

..... Sm

10
MB

56 M B

D1

..... D m

10
MB
Figura 6. 3: representacin de mdulos de un sistema de red.

Se puede subdividir cada nodo como una subrutina, de manera de poder hacer mejor la verificacin .
Luego es ms fcil detectar los errores.
Correccin de errores (Debugging)
Hay varias formas de hacer la correccin de errores (debbuging):
1.
2.
3.
4.

Realizar la construccin del programa con modelos.

Comparar las formas de pensar el modelo con distintas personas.
Correr varios valores de parmetros y chequear salidas razonables.
Correr por trazas: la traza es el estado del sistema en un tiempo dado de simulacin. Cada vez que
ocurre un evento se imprime una lista para poder seguirla "a mano".

SIMULACIN

5.
6.
7.
8.

UNIDAD 6 pg. 7

Disponer de un modelo simplificado para chequear.

Observar una animacin de la salida del programa.
Escribir las salidas y comparar con datos histricos.
Usar un simulador en paralelo que ejecute el mismo modelo.

Tcnicas de verificacin de modelos

La inclusin de chequeos y salidas en el programa indican dnde est el error. Por ejemplo si la suma de las
probabilidades da 1 para ciertos eventos, el programa chequea esta condicin e imprime un mensaje de error.

Estructura caminar a travs de (walking through): Se explica el cdigo a otra persona o grupo. Si
no lo entienden se observa cuidadosamente dnde est el error.
Modelos determinsticos: Se usan funciones de distribucin conocidas para saber los resultados para su
correccin.
Casos simplificados de corridas: Se corren casos simples para saber si hay errores.
Traza: es una lista ordenada en el tiempo de eventos y sus variables asociadas. El nivel de detalle puede
ser la traza de eventos, de procedimientos, de variables. Las salidas de trazas son tiles para detectar
errores pero causan mucho overhead en el procesamiento.
Grficas on-line: Muestra lo que sucede durante la corrida. Demanda mucho tiempo pero es ms
informativo que la traza.
Test de continuidad: Se corre varias veces la simulacin para parmetros de entrada ligeramente
diferentes. Normalmente un pequeo cambio en la entrada provoca un pequeo cambio en la salida. Si no
se registra esto hay un error.

Test de degeneracin: Chequean el modelo para valores de parmetros que producen resultados
similares. Por ejemplo 2 fuentes con = 100 pps carga la red de la misma forma que 4 fuentes con = 50
pps. Si hay una diferencia debe explicarse o se debe a un error de programacin.
Independencia de la semilla: Semillas distintas dan resultados aproximadamente diferentes. Si no fuera
as, la semilla est afectando a la simulacin.

Validacin de modelos de simulacin. Procedimientos para comparar el mundo real.

En general no se necesita tener una correspondencia 1 a 1 entre el modelo y el sistema.
6

Por ejemplo: Se producen 10 latas de tomates al natural a velocidad constante. Cada lata es 1 entidad en el
modelo. En este caso el modelo es costoso y poco til. En cambio, si se hace un flujo continuo se logra la
optimizacin del modelo.
Los principios bsicos de la validacin y la verificacin son:
1. Una clara definicin de las entidades y salidas o respuestas (por ejemplo, si se calcula la velocidad de
procesamiento pero no el espacio ocupado).

SIMULACIN

UNIDAD 6 pg. 8

2. El buen entendimiento de la configuracin del sistema.

3. Entender y comprender las necesidades del cliente.
4. Usar "expertos" (especialistas y gerentes) y realizar anlisis de sensibilidad (cmo impactan las
variantes de los parmetros) para ayudar a determinar el nivel de detalle.
5. Seguir un nivel de detalle moderado.
6. Hacer el nivel de detalle consistente con el tipo de datos disponible.
7. Considerar que el nivel de detalle es funcin del tiempo y dinero, lo cual representa una restriccin.
8. Si el nmero de factores es grande es necesario contar con un modelo analtico para identificar
factores importantes.
Como tcnicas o mtodos para la validacin de un modelo de simulacin se mencionan las siguientes:

Es importante hacer una experimentacin, si es factible. En el caso de un sistema real se pueden medir
algunas de las variables de respuesta para comparar con los resultados del modelo de simulacin, por
ejemplo, el tiempo de espera en cola de los clientes en una caja en un banco.
La dificultad o facilidad de validacin depende de la disponibilidad de datos en el tiempo y en el espacio. No
siempre es posible medir variables de respuesta como en el caso mencionado en el punto anterior.
El modelo de un sistema complejo es una aproximacin al mundo real: a mayor detalle, mayor
aproximacin. Sin embargo en algunas ocasiones los errores aumentan segn el grado de detalles del
sistema modelado, como puede ser el de un modelo de demanda de transporte en una gran ciudad. En la
medida que se plantee un modelo complejo, los errores en las predicciones pueden ser mayores en relacin
a un modelo simple.

Un modelo vlido para un propsito no lo es para otro.

Se debe hacer la documentacin de las hiptesis del modelo.

Aseguramiento de una validez alta.

Para tener la seguridad de que el modelo tiene una validez alta se pueden hacer:
1. Charlas con "expertos". Los especialistas pueden orientar a un modelo de mayor validez cuando
aportan datos o conocimientos del sistema que despus se representan o se tienen en cuenta en el
modelo de simulacin. Adems se produce la tormenta de ideas o brain storming, que permite
aclarar en la mayora de los casos el estudio de un sistema. Por ejemplo se hacen simulaciones y se
presentan resultados de la simulacin y datos histricos o mediciones reales del caso de estudio a los
expertos sin que se distingan a priori cuales son unos y otros y ver si ellos pueden distinguir los
resultados (de la simulacin respecto a los datos reales). Un caso puede ser la observacin del grfico
de la velocidad de procesamiento de una red como una funcin de la probabilidad de prdida de
paquetes obtenida de una versin no vlida del modelo de simulacin de la red. Se simularon dos
alternativas y se mostraron en la figura. Para la alternativa 1 la velocidad decae cuando la probabilidad
de prdida aumenta. Para la alternativa 2, la velocidad mejora inicialmente, alcanza un mximo de 0,2 y
decae despus. Este ltimo caso es improbable porque la velocidad de la red no puede aumentar
cuando la probabilidad de prdida de paquetes es del 20 %. Este resultado puede deberse tanto a un
error en el programa de simulacin como a los datos de entrada. Por lo tanto el nico comportamiento
razonable es la alternativa 1. Un experto debe darse cuenta del error cometido en la alternativa 2.
2. Observaciones del sistema. Es indispensable observar el sistema tanto para saber representarlo en un
modelo como para capturar la informacin que permitir obtener los parmetros necesarios para
resolverlo. Asimismo luego de cumplidas estas etapas se vuelve a observar el sistema para chequear si
las hiptesis asumidas o la informacin capturada son correctas, como tambin para comparar los
resultados obtenidos del modelo.
3. Consideraciones de la teora existente. Una herramienta valiosa es conocer las investigaciones o
trabajos realizados sobre estudios de sistemas cuyos objetivos son comunes. Esto ayuda al ahorro de
tiempo y esfuerzo en el planteo y resolucin de modelos, para lo cual es fundamental disponer de la
bibliografa o publicaciones hechas sobre el tema.

SIMULACIN

UNIDAD 6 pg. 9

4. Resultados relevantes de modelos de simulacin similares. En este aspecto es importante el

comentario hecho en el punto anterior. Las publicaciones previas al planteo y resolucin de un modelo
de simulacin proveen de distintos enfoques, los cuales son factibles de adoptar para el caso del
estudio, siempre y cuando las situaciones sean similares.
5. Experiencia/intuicin. En la medida en que se trabaje y se avance en un modelo de simulacin se
adquiere la prctica y la experiencia, que ayudan a resolver las dificultades que puedan presentarse. La
intuicin tambin hace su aporte en la medida que se compruebe o se estudie con mayor profundidad
su validez.

Anlisis de los datos de salida de simulacin

Cuando se dispone de un modelo de simulacin verificado y vlido se usa para realizar experimentos.
Esto es, en lugar de producir cambios en el sistema real se los hace con los valores de los datos de entrada o
parmetros del modelo para ver cmo varan las respuestas y aplicar as la pregunta que pasara si... (what
if ).
Por ejemplo, en un sistema de stock, se puede variar el punto de reorden o el parmetro de la distribucin de
demanda para ver cmo vara el nivel de inventario. En un sistema de redes se puede cambiar la distribucin
de tamaos para ver cmo vara el nivel de congestionamiento de una red.
Toda simulacin de sistemas discretos utiliza variables aleatorias para estimar determinadas variables de
respuesta o salida. Entonces estas ltimas tambin son variables aleatorias sobre las cuales se debe tener
mucho cuidado en interpretarlas.
Para eso es imprescindible para quien hace una simulacin determinar la cantidad de repeticiones o corridas
que realizar con el modelo, dado que debe reproducir el comportamiento aleatorio que est representando,
como as tambin los valores de los datos de entrada y la precisin estadstica en las respuestas.
Las salidas de simulacin de un sistema discreto tienen el tratamiento de la estimacin de medias, variancias y
correlaciones, intervalos de confianza y eventualmente se puede hacer un test de hiptesis para las medias
para comparar distintas configuraciones del sistema simulado. En la unidad 2 se hizo una revisin de
probabilidad y estadstica para luego aplicar estos conceptos a los datos observados de un sistema real. Esos
mismos conceptos son aplicables para las salidas de simulacin.

Anlisis estadstico para resultados obtenidos mediante simulaciones.

Para analizar los datos se deben hacer una serie de suposiciones sobre los procesos y observaciones de los
mismos cuando se hace la recoleccin de datos. Si estas suposiciones son errneas tambin lo sern las
conclusiones que se hagan.
Cuando se analizan datos estadsticos por lo general se supone que:

Las observaciones recogidas son independientes.

Los procesos no varan en el tiempo por lo que los datos siguen una misma distribucin para
una variable.
Cuando la cantidad de observaciones es grande la media de la muestra es una variable
aleatoria con distribucin normal.

Bajo estas suposiciones se hacen las estimaciones de las medias y varianzas, como se vio al principio de esta
unidad, y se sacan conclusiones.

En la simulacin de eventos discretos las observaciones recogidas no siempre son independientes e

incluso no estacionarias (esto es no se llega al estado de equilibrio o estado estacionario). Eso hace
dudar que la media de la distribucin que siguen sea constante.

UNIDAD 6 pg. 10

SIMULACIN

Una solucin puede ser realizar ejecuciones con repeticiones y que sean independientes. En una computadora,
las repeticiones de una simulacin son diferentes a las que se hacen en otros mbitos y tienen las siguientes
caractersticas:
-

No hay problemas con la metodologa porque el modelo de simulacin escrito en un lenguaje de

programacin es el mismo toda vez que se ejecute.
Se debe tener cuidado con las condiciones iniciales y todas las ejecuciones deben tener las mismas.
Tambin todas las ejecuciones tienen que tener el mismo final de simulacin, segn sea ste un tiempo
T o una cantidad de tems procesados.

Determinacin del Tamao de Muestras

Cuando se quiere estimar una media con una exactitud de r % y un nivel de confianza de 100(1-) %, cul
es el nmero de observaciones n a realizar?
Dado un estimador

xz

, el intervalo de confianza (IC) para una muestra de tamao n es:

n
s
s
xz
n
n

xz

La exactitud deseada implica que el intervalo de confianza sea: x (1

r
r
); x (1
)
100
100

Entonces igualando las expresiones para el IC, se tiene:

x(1

r
s
)xz
100
n
z

s
r
x
100
n

100zs
n

rx

Ejemplo: si el tiempo medio de respuesta x es de 20 segundos y la desviacin estndar es de 5 segundos,

cuntas repeticiones hay que hacer para tener un tiempo de respuesta con una exactitud dentro de 1 segundo,
con el 95 % de confianza?
Exactitud requerida: 1 segundo en 20 segundos, por lo tanto, r = 5 %

x = 20
s=5
z = 1,96 (de tabla, para 1- = 95 y p = 1-/2 = 0,975)
100zs (100)(1,96)(5)
n
=

r x (5)( 20)
2

n = (9,8) = 96,04

UNIDAD 6 pg. 11

SIMULACIN

Sistemas con final definido y con final no definido.

terminantes

Simulaciones terminantes y no

Los sistemas dinmicos discretos pueden tener un final definido o no definido.

En el primer caso los eventos dejan de ocurrir en determinado momento, por ejemplo la atencin de un banco,
el dictado de un curso, etc.

Un banco: el banco abre cada da a las 8:00, sin clientes en el banco y cierra a las 15:00,
completando el servicio de los clientes que estn en el banco. Aqu la longitud de cada periodo es
diferente, pero cada periodo empieza siempre sin clientes en el sistema. El suceso de fin se
produce cuando sale el ltimo cliente. Posibles medidas de ejecucin pueden ser el tiempo medio
de espera de los clientes, as como la proporcin de llegadas en diferentes momentos del da.

Un aula de libre acceso: Cada periodo comienza cuando el aula se abre y termina cuando llega la
hora de cerrar. En este caso el suceso de fin siempre ocurre a la misma hora. Posible medidas de
ejecucin pueden ser el nmero medio de usuarios conectados al sistema en los diferentes
momentos del da, media del nmero de usuarios conectados.

En un sistema con final definido en un determinado momento de tiempo cesan de ocurrir los sucesos. Un
evento seala el final de un perodo, dicho suceso puede ocurrir siempre en el mismo tiempo durante cada
perodo o en un tiempo de ocurrencia aleatorio. Se conoce como perodo o poca al trnsito desde el comienzo
al suceso de fin.
En un sistema con final definido, el estado al finalizar un perodo no debe afectar al comienzo del siguiente
periodo. Hay que hacer una distincin entre el sistema y la simulacin de dicho sistema. Cada simulacin
(ejecucin del modelo) es un proceso con final definido, aunque el sistema al que representa lo sea o no.

Por contraste, en un sistema con final no definido, los sucesos discretos que dirigen el sistema no dejan nunca
de ocurrir. Slo existe un periodo indefinido y no existe un suceso de fin.
Los sistemas con final no definido son aquellos en que los eventos o sucesos que ocurren en el sistema no
terminan y no hay un evento que indique el fin.

Un aeropuerto: los aviones van aterrizando y despegando durante todo el da y no existe un momento
en que esta actividad cese. Si consideramos un periodo de un da, en el da siguiente la actividad no es
independiente sino que est conexionado con el da anterior. Posible medidas de ejecucin pueden ser
el tiempo entre aterrizajes.

Un hospital: los pacientes son atendidos, puede que ingresados y son dados de alta y estos sucesos no
acaban nunca de producirse, ni se pueden diferenciar periodos independientes en la actividad. Posibles
medidas de comportamiento son el tiempo medio que los pacientes estn en lista de espera, el tiempo
medio de estancia en el hospital.

Las simulaciones de sistemas con final definido se denominan terminantes y las de los sistemas que no lo
tienen final definido, no terminantes.

Comportamiento de estado estacionario y transiente de un sistema discreto.

Tambin los sistemas se clasifican en estado estacionario o en estado transiente, trminos que suelen
confundirse con los sistemas con final definido o no definido. En el primer caso se hacen referencias al
comportamiento del sistema mientras que en el ltimo caso se hace referencia a la naturaleza del sistema.
Cuando se analizan los resultados de una simulacin es necesario determinar si se tratan de datos del sistema
en el estado transiente o estacionario. Cuando se trata de este ltimo caso, se hace referencia a que no hay
cambios grandes en el estado del sistema, es decir, las distribuciones de probabilidad de las variables de
estado se estabilizan o son constantes en el tiempo.
Por ejemplo, un banco de sangre con una demanda que tiene una distribucin uniforme a lo largo del ao es un
sistema con final no definido (siempre hay demanda de sangre) y alcanza el estado estacionario.

SIMULACIN

UNIDAD 6 pg. 12

En cambio, un servicio de emergencias es un sistema con final no definido, y si a esto se le suma llamadas de
servicio que cambian a lo largo de la actividad del sistema, se trata de un sistema con estado no estacionario.

Anlisis de salidas para estado estacionario o transiente.

Eliminacin del Transiente
Toda corrida de simulacin debe eliminar el efecto del transiente, que es el perodo inicial de la simulacin
hasta que alcanza el estado estacionario (las salidas de simulacin son aproximadamente similares). Las
formas de hacerlo son:
1. Corridas largas: es un mtodo largo y costoso.
2. Inicializacin apropiada: si se dan valores a las variables cerca del estado estacionario, se reduce la
longitud del estado transiente.
3. Truncacin: La variabilidad de la respuesta en el estado estacionario es menor en que el estado
transiente. Esta variabilidad se mide en trminos de rangos ( mnimos y mximos observados).
Transiente

9
Nmero de observaciones
Sean n observaciones {x1, x2,......,xn}.
1.
2.

Se ignoran las l primeras observaciones y se calculan el mnimo y el mximo de las n-l

observaciones.
Se repite para l=1,2,......,n-1 hasta la observacin (l+1) que no es ni el mnimo ni el mximo. l en
este punto da la longitud de estado transiente. Pero ojo, puede dar datos incorrectos.

Ej.: Se consideran la siguiente secuencia de observaciones:

1,2,3,4,5,6,7,8,9,10,11,10,9,10,11,10,9.....

Ignorando la primer observacin (l=1) se tiene un rango desde 2 hasta 11. Como la segunda
observacin es igual al mnimo, la fase transiente es mayor que 1.

Ignorando las dos primeras observacin (l=2) se tiene un rango desde 3 hasta 11. Como la siguiente
observacin (3) es igual al mnimo, la fase transiente es mayor que 2.

Se contina as y se llega a l=9 con la secuencia (9,11), y la observacin 10 no es ni la mxima ni la

mnima. Entonces la longitud del transiente es 9 y las primeras 9 observaciones se descartan.

Eliminacin de los datos iniciales

Requiere estudiar el promedio total despus que algunas observaciones iniciales son borradas de la muestra.
En estado estacionario borrar algunas observaciones no cambia el promedio, pero la aleatoriedad en las
observaciones hace cambiar el promedio levemente an en estado estacionario.

Hacer corridas sin cambios en los parmetros de entrada salvo en la semilla, varias repeticiones.
Promediando a travs de las repeticiones resulta en una trayectoria ms suave.

Sean n repeticiones de tamao n cada una. xij es la observacin j en la repeticin i. j = 1,2,.....n (tiempo), i =
1,2,...m (repeticin).

UNIDAD 6 pg. 13

SIMULACIN

1- Promedio por observacin:

2- Promedio total:

xj

1 m
xij
m i 1

j 1,2,....n

1 n
xj
n j 1

Sea l =1 y seguir en 3.
3. Si el transiente es la longitud l, se borran las l observaciones desde la trayectoria media y se toma el
promedio desde n-l valores

xl

1 n
xj
n 1 j 1l

Ver el cambio relativo

xl x
x

Repetir variando l desde 1 hasta n-1. Graficar la media total y el cambio relativo como funcin de l. Hay un l
que aunque aumenta, el promedio se estabiliza, ese punto se conoce como punto de inflexin. Es el punto
de longitud del intervalo del transiente.

Promedio del movimiento de repeticiones independientes

Es similar al mtodo de borrado de datos iniciales. Se hace el clculo de la media a travs de una ventana
de intervalo de tiempo en lugar de una media total.
1) Se toma una trayectoria media:
2)

xj

1 m
xij
m i 1

j 1,2,....n

Se hace k=1

xj

k
1
x j 1
2k 1 l k

j k 1, k 2,..n k

3) Repetir 2 con k = 2,3....hasta convergencia o suavidad del grfico.

4) La inflexin del grfico da el intervalo transiente.

Medias batch
El procedimiento consiste en correr una simulacin muy larga y dividir en varios intervalos de igual duracin.
Cada parte es llamada batch o submuestra. La media es la media batch. El mtodo requiere estudiar la
variancia de estas medias batch como funcin del tamao batch.
Sea una corrida larga de N observaciones divididas en m batchs de tamao n.

N
m
n

[ ] es la truncacin del L valor entero

Por ejemplo: Se comienza con n=2. Se obtienen xij observaciones j del batch i.
1. Para cada batch se calcula

2. Luego se calcula la media

3. Se calcula la varianza

xi

Var ( x)

1 n
xij
n j 1

i 1,2,....n

1 m
xi
m i 1

2
1 m
xi x
m 1 i 1

UNIDAD 6 pg. 14

SIMULACIN

Se aumenta n y se repite desde las etapas 1 hasta 3 para n = 2,4,5...r. Se grafica la varianza como funcin del
tamao batch n.
La longitud del transiente se determina cuando el valor de n muestra una varianza que comienza a decrecer.
Suponer que la longitud del transiente es T. Si el tamao batch n es << T, los batchs iniciales dan una media
cuya variancia es pequea.
- A > n mayor varianza.
- A n > T la primera media es ligeramente diferente pero las siguientes comienzan a parecerse, por lo cual la
varianza disminuye.

Simulaciones terminantes
Hay simulaciones que nunca alcanzan el estado estacionario, siempre estn en estado transiente. Por ejemplo,
en una red la transferencia de pequeos paquetes, de 1 a 3 nunca interese para grandes archivos. Por lo que
se necesita estudiar el estado transiente. Eso implica las simulaciones terminales.
A veces suceden cosas parecidas a las condiciones finales. El sistema al final de la simulacin no interesa o no
alcanza al estado estacionario, por lo que hay que excluir esta informacin. El mtodo es similar a las
condiciones iniciales. Hay que tener cuidado con el manejo de las entidades al final de la simulacin.
Los tiempos de servicio: slo se consideran los que completaron el servicio.
Tiempos de espera: slo interesan los que completaron la espera y comienzan con la ejecucin.
La longitud de cola no es igual a la suma de las longitudes de cola en cada evento dividida por el nmero total
de eventos, sino es la longitud de cola ponderada en el tiempo:
Longitud promedio de cola Q =

1 T
Q (t )dt
T 0

Criterios de parada (stop)

Longitud de simulacin: se corre el simulador o el programa hasta alcanzar un intervalo de confianza deseado.
Si la media es

x y la varianza Var( x ) un 100(1-)% de la media es:

x z1 / 2Var ( x)

La varianza de la media de la muestra de n observaciones independientes es: Var( x ) = Var(x)/n .

Esto es cierto si las observaciones son independientes cosa que en simulacin no ocurre: las observaciones no
son independientes.
Si el tiempo de espera para el trabajo i es grande, para el trabajo i+1 es mucho ms grande an y viceversa.
Hay una correlacin entre las observaciones. Para estos casos se aplican tres mtodos: repeticiones
independientes, medias batch y regeneracin. Los dos primeros son parecidos a la eliminacin del transiente.

Repeticiones independientes
Se repite la simulacin con distintas semillas. La hiptesis es que las medias de repeticiones independientes
son independientes aunque las observaciones en una repeticin simple estn correlacionadas.
Se hacen m repeticiones de tamao n+n0 cada una donde n0 es la longitud de la fase transiente. Las primeras
n0 observaciones de cada repeticin se descartan.
1. Para cada repeticin se calcula

xi

1 n0 n
xij
n j n0 1

j 1,2,....n

UNIDAD 6 pg. 15

SIMULACIN

2. Luego se calcula la media total para todas las repeticiones

x
3. Se calcula la varianza de las medias repetidas

Var ( x)

1 m
xi
m i 1

2
1 m
xi x
m 1 i 1

4. Se calcula el intervalo de confianza para la respuesta media:

x z1 / 2Var ( x)
Se descartan las mn0 observaciones iniciales.
El intervalo de confianza (IC) es inversamente proporcional a
pero para reducir mn0 residuos, m debe ser pequeo, aprox. 10.

mn Por lo que a IC ms pequeo, si >m o >n,

La longitud de las repeticiones n debera incrementarse para aumentar el IC.

covarianza de medias batch sucesivas:

Cov( x, x i 1 )

El n correcto surge de la

1 m1
( x i x)( x i 1 x)
m 2 i 1

es una auto covarianza, por lo que m y n son miembros del mismo conjunto.
Se repite el anlisis hasta que hay un n donde la auto covarianza de las medias batch es pequea comparada
con sus varianzas.

Mtodos de la regeneracin
Por ejemplo sea una simulacin de escalado de una CPU simple. El inicio es una cola de trabajos vaca. A
menudo se vuelve al estado inicial (cola vaca). Despus de este estado no hay dependencia de la historia
previa. El tiempo de espera depende de los trabajos previos pero despus de un intervalo donde la CPU estuvo
vaca no depende de estos trabajos previos.
El sistema toma un nacimiento totalmente independiente de su vida previa. Por lo tanto hay una regeneracin.
Dnde se produce?
El punto de regeneracin es el instante en el cual el sistema entra en fase independiente. La duracin de
tiempo entre dos puntos de regeneracin es un ciclo de regeneracin. En cada ciclo las respuestas no estn
correlacionadas. El sistema regenerativo se puede analizar as: si el sistema tiene dos colas, se regenerara
cuando las dos estn vacas. A mayores colas, la regeneracin es ms rara y los ciclos son ms largos. El
sistema se torna no regenerativo, tienen memoria ms larga. El clculo de la varianza es ms complejo que los
dos mtodos anteriores. Los ciclos donde distintas longitudes. Los promedios de los ciclos son relaciones con
bases distintas (longitudes de ciclos.).
Suponemos que tenemos una simulacin regenerativa de m ciclos de tamaos n1, n2, ...,nm.
Las medias de los ciclos son

xi

1 ni
xij
ni j 1

La media total para todas las repeticiones

j 1,2,....n

1 m
xi
m i 1

UNIDAD 6 pg. 16

SIMULACIN

ni

En cambio se deben calcular las sumas de los ciclos:

yi xij
j 1

La media total es

yi

i 1
m

ni

i 1

Se hace la diferencia wi = yi ni x

i=1,2,....m

Sumas observadas sumas esperadas.

Se calcula la varianza de las diferencias

Var ( w) S w2

Se hace el clculo de la longitud media del ciclo:

El IC es

x z1 / 2

1 m
2
wi
m 1 i 1

1 m
ni
m i 1

Sw
n m

No requiere eliminar las observaciones transientes. No hay residuos pero...

Las longitudes del ciclo son impredecibles. No es posible planear el tiempo de simulacin de antemano.
Encontrar el punto de regeneracin no es fcil. Muchas tcnicas de reduccin de varianza no pueden usarse
porque las longitudes de los ciclos son variables.
Los estimadores de medias y variancias son parciales porque los valores esperados de una muestra aleatorio
no son iguales a la cantidad que se est estimando.
Otros mtodos son aproximacin autoregresiva y anlisis espectral.

Tcnica de reduccin de la varianza.

El control de corrientes de los nmeros aleatorios para introducir correlacin en las observaciones sucesivas de
tal forma que la varianza de los resultados va disminuyendo.