ANÁLISIS DE SALIDA

1 Jimena Pascual, PhD

Jimena Pascual, PhD
 Simulación Terminal vs. No terminal
Estación
de
pintura

materia prima producto terminado

Ejemplo de una estación de pintura

2 Análisis de Salida Jimena Pascual, PhD

 Simulación Terminal vs. No terminal
Estación
de
pintura

materia prima producto terminado

Ejemplo de una estación de pintura

3 Análisis de Salida Jimena Pascual, PhD

 Simulación Terminal vs. No terminal
Estación
de
pintura

materia prima producto terminado

Ejemplo de una estación de pintura

4 Análisis de Salida Jimena Pascual, PhD

 Simulación Terminal vs. No terminal
Estación
de
pintura

materia prima producto terminado

Ejemplo de una estación de pintura:

Podemos modelar este Sistema como un Sistema Terminal o No
Terminal dependiendo del objetivo que se desea evaluar

5 Análisis de Salida Jimena Pascual, PhD

 Simulación Terminal vs. No terminal
En simulación terminal modelamos un sistema para el
cual se conocen las condiciones de inicio y término.
• Para la estación de pintura esto corresponde a decir que el sistema
comienza a operar a las 8 AM y termina cuando se ha terminado
de pintar todos los objetos asignados a ese día (y se deja limpio
todo para el día siguiente)
• Las condiciones de inicio se refieren al estado del sistema.
 Para el ejemplo puede ser la cantidad de materia prima (objetos) que deben
ser pintados, y el estado inicial del servidor (pintor desocupado)
 Ello permite inicializar la simulación de manera específica
• El término puede referirse a una condición que se cumple o una
cantidad de tiempo, o a una combinación de ambas
• En conjunto las condiciones de inicio y término especifican el largo
de la réplica de simulación

6 Análisis de Salida Jimena Pascual, PhD

 Simulación Terminal vs. No terminal
En simulación no terminal o de estado estable, se busca
estudiar la operación estable del sistema para evaluar
medidas de desempeño de largo plazo, considerando que
el Sistema “no termina”
• Estable = en régimen = en estado esperado o habitual
• Para estos sistemas no es claro cómo se establece una condición
de inicio y término.
• Incluso si se conociera cómo iniciar el sistema, a veces
representar este estado inicial en el simulador es complejo.
• Y si el sistema “no termina”, ¿cuál debiera ser el largo de la
réplica de simulación?
• Ej. Se desea evaluar los quiebres de inventario de un producto
(pintura, repuestos para bicicletas, jarabe para la tos,…)

7 Análisis de Salida Jimena Pascual, PhD

Análisis de salida de Simulación Terminal
Cuando hacemos simulación terminal en cada réplica
estimamos un parámetro de la medida de desempeño en
función de las variables del proceso estocástico de salida.
Sea Y1 , Y2 ,... , Ym un proceso estocástico de salida
asociado a un modelo de simulación.
• Por ejemplo Yi puede ser el tiempo en cola del i-ésimo cliente
en un sistema de una cola y un servidor como el que estudiamos
en clases (ver ejemplo M/M/1)
• Y1, Y2,..., son variables aleatorias, en general, No independientes
y No estacionarias.
• Ejemplos de parámetros y sus estimadores m
puntuales:
Y
 tiempo en cola esperado: Y (m )   i
 tiempo en cola máximo: max(Yi) i 1 m

8 Análisis de Salida Jimena Pascual, PhD

Análisis de salida de Simulación Terminal
Dado que cada réplica o iteración se inicia con una semilla
diferente en el generador de números aleatorios, una muestra
de n réplicas para el parámetro de interés es una muestra
aleatoria IID.
Se puede estimar el valor esperado E(Y) y la varianza Var(Y) de
la medida desempeño como

Y  Y ( n )
 2
n
S (n )  
n Yj
Y (n )  
2 j

j 1 n j 1 n 1

La forma más común de estimar la precisión de Y (n ) como un

estimador de E(Y) es construir un intervalo de confianza para
E(Y).

9 Análisis de Salida Jimena Pascual, PhD

Análisis de salida de Simulación Terminal
Un intervalo de confianza para E(Y) es un intervalo con límites
aleatorios (dependientes de los datos) que se supone tiene la
probabilidad establecida p de contener, o cubrir, el valor esperado
(es decir, si construyo 100 intervalos de confianza, un p100% de
ellos debiera contener el valor de E(Y))
Un intervalo al 100(1 – a)% de confianza para E(Y) está dado por

S 2 n 
Y (n )  t n 1,1a / 2 NOTA: Construir
intervalo de confianza de
el

n esta manera asume que la

distribución subyacente es
donde t n 1,1a / 2 es el punto aproximadamente normal o
porcentual superior correspondiente f(x ) que la muestra es
suficientemente grande
a una probabilidad 1 - a/2 para una para aplicar el teorema del
distribución t con n – 1 grados de 1a/2 límite central
libertad
0 t n 1,1a / 2 x

10 Análisis de Salida Jimena Pascual, PhD

 Análisis de salida de Simulación No Terminal o de Estado
Estable
La estimación del valor esperado y precisión de una medida de
desempeño de un sistema no terminal es más compleja porque
requiere representar en el simulador un sistema en estado
estable
Como vimos en el caso del sistema de colas M/M/1, la
distribución de probabilidades de cada una de las variables
Y1 , Y2 ,... de un proceso estocástico de salida de un modelo de
simulación no son necesariamente iguales. El tiempo en cola del
primer cliente es siempre cero, pero el de otros clientes no, por
ejemplo.
Se puede mostrar que la distribución de probabilidades de las
variables Y1 , Y2 ,... dependen de las condiciones iniciales del
sistema

11 Análisis de Salida Jimena Pascual, PhD

 Análisis de salida de Simulación No Terminal o de Estado
Estable
Formalmente si fi/C(•) representa la distribución de
probabilidades de la v.a. Yi dado un conjunto de condiciones
iniciales denotado por C , se tiene que fi/C(•) depende
simultáneamente de i e C.
• fi/C (•) es también referida como la distribución transiente de Yi
dado C.
Si para cualquier conjunto de C de condiciones iniciales, y
para todo posible valor de y, fi/C (y) → f (y ) cuando i →
infinito, entonces se dice que f (•) es la distribución de
estado estable del proceso Y1, Y2,...

12 Análisis de Salida Jimena Pascual, PhD

 Análisis de salida de Simulación No Terminal o de Estado
Estable
En rigor la distribución de estado estable, si existe, se
obtiene solo en el límite. En la práctica, sin embargo, se
tiene con frecuencia que existe un índice k, tal que las
distribuciones transientes de Yk+1, Yk+2,..., son
aproximadamente las mismas. En este caso se denomina
Periodo Transiente al lapso de tiempo hasta la observación
Yk , y Periodo de Estado Estable al lapso de tiempo a partir
de la observación de Yk+1 .

Observa que una condición para que un proceso estocástico

esté en estado estable es que el efecto de las condiciones
iniciales en el comportamiento del proceso sea despreciable

13 Análisis de Salida Jimena Pascual, PhD

 Análisis de salida de Simulación No Terminal o de Estado
Estable
Yi
Tiempo en cola promedio

Cliente i

14 Análisis de Salida Jimena Pascual, PhD

 Análisis de salida de Simulación No Terminal o de Estado
Estable
Los conceptos anteriores se ilustran en las siguientes
figuras:

Figura tomada de Law (2015)

15 Análisis de Salida Jimena Pascual, PhD

 Análisis de salida de Simulación No Terminal o de Estado
Estable
La gráfica muestra
cómo converge la
media transiente,
E(Di), derivada en
Kelton y Law
(1985), del tiempo
en cola del i-ésimo
cliente en una cola
M/M/1, en función
de i y del número
inicial de clientes
en cola, s.

16 Análisis de Salida Jimena Pascual, PhD

 Análisis de salida de Simulación No Terminal o de Estado
Estable

Observa que el hecho que un sistema esté en estado

estable, No significa que Yk+1, Yk+2,.., tomarán el mismo
valor, sino que tienen la misma distribución de
probabilidades.

La distribución de estado estable f (•) no depende de las

condiciones iniciales, pero el tiempo que demora un
proceso en alcanzar el estado estable, en general sí
depende de C.

17 Análisis de Salida Jimena Pascual, PhD

 Análisis estadístico en simulación no terminal
En simulación no-terminal, las medidas de desempeño
de interés también corresponden a valores
característicos, por ejemplo el valor esperado, de las
distribuciones de estado estable de los diferentes
procesos estocásticos de salida. Tales valores son
denominados parámetros de estado estable.
En particular sea Y1, Y2,... un proceso estocástico con
salida fi/C (y) → f (y) cuando i → ∞, y sea Y la variable
aleatoria de interés en estado estable, es decir Y~ f (y )
entonces φ es un parámetro de estado estable del
proceso si es una característica de Y como por ejemplo
E(Y), Var(Y) ó P(Y ≤ y)
f j phi
18 Análisis de Salida Jimena Pascual, PhD
El Problema del Estado Transiente
Dado un proceso de salida Y1, Y2,..., y un parámetro de estado
estable φ , una dificultad para estimar φ es que en general fi/C(y)
es distinto de f (y), por tanto cualquier estimador de φ basado en
una realización del proceso estocástico (correspondiente a una
corrida de simulación) resultará en algún sentido “no
representativo”.
• Ejemplo, si φ = E(Y), la media muestral
m
Yi
Y (m )  
i 1 m

Resultará en un estimador sesgado de φ , para

cualquier valor finito de m.

19 Análisis de Salida Jimena Pascual, PhD

La causa de este problema es que en simulación de estado estable
las condiciones iniciales son seleccionadas en forma arbitraria, y no
necesariamente “coinciden” con las condiciones de estado estable.
• Por ejemplo, es común que los modelos de simulación de colas y servidores se
inicialicen completamente vacíos.

La técnica más recomendada para eliminar, o al menos disminuir, el

problema del estado transiente es el método de truncación. La idea
del método de truncación es eliminar un cierto número de
observaciones iniciales, supuestamente aquellas generadas durante
el periodo transiente.
• Por ejemplo, si φ = E(Y), se sugiere utilizar el estimador

m
Yi
Y (m, k )   mk
i  k 1

20 Análisis de Salida Jimena Pascual, PhD

El problema fundamental al utilizar el método de truncación, es
determinar los valores de m y k tal que Y (m, k )  E (Y )

Si k es muy pequeño, entonces Y (m, k ) puede ser aún muy sesgado,
si k es muy grande y m no es concordantemente grande,Y (m, k )
podría tener una varianza innecesariamente grande.

La técnica más simple para determinar k es el método gráfico

propuesto por Welch en 1981. El método busca detectar un índice k
tal que las distribuciones transientes de Yk+1, Yk+2 ,... , sean
aproximadamente las mismas. Esto es equivalente a detectar el
instante en que la curva E(Yi ), i= 1, 2,.... se aplana alcanzando un
valor cercano a E(Y). .
Esto es similar a la construcción de la línea de
tendencia de la diapositiva 14

21 Análisis de Salida Jimena Pascual, PhD

21
 Método de Welch para determinar k.
1) Realizar n réplicas independientes, cada una de largo m (grande).
Sea yj1, yj2,...,yjm la realización del proceso Y1, Y2,...,
correspondiente a la réplica j.
2) Calcular y  n y ji
i 
j 1 n
i  1,...m

 2 i 1
yk
  2i  1
3) Definir el promedio móvil i w

y i (w )   k i 1w
 yk
  i w
donde w  m/ 2  k i w 2w  1

La secuencia y1w , y 2 w ,.... se denomina promedio móvil

de ancho 2w + 1 de y1, y 2,....

22 Análisis de Salida Jimena Pascual, PhD

4) Graficar y i w, y elegir k como el índice tal que los
valores y k w  , y k 1w  ,...
parezcan haber convergido.
Observación: pueden utilizarse técnicas estadísticas para
verificar convergencia aproximada.
réplicas
1 y 11, y 12 , y 13 , y 14 ,, y 1,m 2 , y 1,m 1, y 1,m j1
Paso 1 2 y 21, y 22 , y 23 , y 24 ,, y 2,m 2 , y 2,m 1, y 2,m j2
       
n y n1, y n 2 , y n 3 , y n 4 ,, y n,m 2 , y n,m 1, y n,m jn
Paso 2 y 1 y 2 y 3 y 4  y m 2 y m 1 ym

Paso 3 y 1(0 )y 2 (1)y 3 (1) y m 1(1)

y i (w ) : Promedio móvil con ventana w 1
23 Análisis de Salida Jimena Pascual, PhD
 Paso 3
para w=3

y1 y2 y3 y4 y5 y6 y7 y 8 ... y m 7 y m 6 y m 5 y m4 y m 3 y m 2 y m 1 y m

y 1( 0 ) y 2 (1) y 3 ( 2 ) y 4 ( 3 ) y 5 ( 3 ) y 6 ( 3 ) ... ... ... y m  4 ( 3 ) y m 3 ( 3 )

y i ( 3 ) : Promedio móvil con ventana w  3

Paso 3
para w=5

y1 y2 y3 y4 y5 y6 y7 y8 y9 y 10 y 11 y 12 y 13 ...

y 1 ( 0 ) y 2 (1) y 3 ( 2 ) y 4 ( 3 ) y 5 ( 4 ) y 6 ( 5 ) y 7 ( 5 ) y 8 ( 5 ) ... ... ...

y i ( 5 ) : Promedio móvil con ventana w  5

24 Análisis de Salida Jimena Pascual, PhD

Recomendaciones
• Inicialmente hacer un número pequeño de réplicas (5 a 10). El
valor m debiera ser más grande que k (de lo que se pueda
anticipar que k podría ser), y también suficientemente grande
como para permitir la ocurrencia de eventos poco frecuentes
• Construir el gráfico de y i w  para distintos valores de w. Elegir
el gráfico con el w más pequeño en que la curva aparece
razonablemente “suave”.
• Si ningún valor genera una curva “razonablemente suave”, hacer
5 ó 10 réplicas adicionales y repetir el proceso
• Ante la duda, es mejor elegir un k demasiado grande antes que
uno demasiado pequeño.

25 Análisis de Salida Jimena Pascual, PhD

Las siguientes figuras muestran el efecto replicación y el efecto
promedio móvil en la determinación del estado estable
7

5
5 réplicas
independientes réplica 1
4 réplica 2
réplica 3
3
réplica 4
2 réplica 5

0
0 2000 4000 6000 8000 10000

promedio promedio móvil w=10

3.5 3.5
3.0 3.0
2.5
2.5
2.0
2.0
1.5
1.5
1.0
1.0
0.5
0.5
0.0
0 2000 4000 6000 8000 10000 0.0
0 2000 4000 6000 8000 10000

26 Análisis de Salida Jimena Pascual, PhD

 Observación: La aplicación del método de
truncación no es excluyente con cualquier otra
técnica orientada a disminuir el largo del periodo
transiente, por ejemplo eligiendo condiciones
iniciales “más cercanas” a las condiciones de
estado estable.

Observación: es común utilizar el método Welch

para detectar el inicio del estado estable, aún
cuando el parámetro de estado estable de interés
sea distinto del valor esperado.

27 Análisis de Salida Jimena Pascual, PhD

 Generación y análisis de datos de salida
Existen varios métodos de análisis para simulación no-terminal
• Replicación/Truncación
• “Batch means” (promedios de grupos)
7
6
5
x1 x2 x3 x4 x5
4
3
2
1
0
0 2000 4000 6000 8000 10000

• Variaciones del método “Batch means” (sobrepuestos, con espacios, con unas
pocas réplicas largas y grupos mixtos…)
• Métodos autoregresivo (Fishman) o de análisis expectral que proponen formas
de calcular Vaˆ r [Y (m)]
• Métodos regenerativos: identifican cuándo se regenera el proceso (cada ciclo es
independiente, i.e., aporta un x j )

28 Análisis de Salida Jimena Pascual, PhD

Replicación / Truncación

El método de Replicación/Truncación es el más

recomendado por varias razones.
• Tiene un buen comportamiento estadístico
• Es el más fácil de entender e implementar
• Aplica a todo tipo de parámetros
• Permite estimar varios parámetros simultáneamente
• Puede ser adaptado a diseños experimentales más complejos
El método se Replicación/Truncación es similar al usado
en simulación terminal, pero considera sólo las
observaciones obtenidas durante el periodo de estado
estable.
29 Análisis de Salida Jimena Pascual, PhD
Más formalmente, supongamos que se tiene un único
proceso de salida de interés, y se realizan n réplicas
independientes.
Sea Yj1, Yj2,... el proceso estocástico de salida asociada a la j-
ésima réplica, y sea φj un estimador del parámetro de
estado estable φ obtenido en la j-ésima réplica
φj se calcula sólo en función del proceso truncado Yj,k+1,
Yj,k+2,... m Y
• Por ejemplo si φ = E(Y), se tiene que j j  Y j   ji

k
i  k 1 m

La secuencia φ1, φ2,…. representa una muestra

aproximadamente IID, y por tanto pueden aplicarse técnicas
estadísticas clásicas para su análisis

30 Análisis de Salida Jimena Pascual, PhD

 Un intervalo del 100(1 – a)% de confianza para
E(Y) está dado por
S 2 n 
Y (n )  t n 1,1a / 2
n
donde
n Yj
Y (n )  
j 1 n

Y  Y ( n )
 2
n
(n )  
2 j
S
j 1 n 1

31 Análisis de Salida Jimena Pascual, PhD

Los valores numéricos de n y m utilizados en el método de
Replicación/Truncación no son los mismos que los respectivos
valores utilizados para determinar el inicio del estado estable. En
general, se espera que en el método se Replicación/ Truncación,
estos valores sean mucho más grandes.

Dado un largo de corrida m fijo, el número de réplicas n está

relacionado con el tamaño muestral y puede ser determinado
utilizando los métodos descritos para simulación terminal, y
otras técnicas estadísticas estándares. Típicamente se desea un
tamaño de muestra tal que la precisión del intervalo de
confianza sea adecuada y esa precisión está muchas veces dada
por la naturaleza del problema o de los objetivos de quien
requiere del estudio de simulación.

32 Análisis de Salida Jimena Pascual, PhD

La determinación de m es mucho menos formal, y en cierto
sentido arbitraria. Por ejemplo cuando φ = E(Y), se tiene por
definición queY j es un estimador aproximadamente
insesgado de E(Y), y por tanto E(Y j )  E (Y. )

La necesidad de replicar aparece por el hecho que Yj,k+1,

Yj,k+2,… es una secuencia de variables aleatorias auto-
correlacionada, y por tanto no se dispone fácilmente de un
estimador para Var (Y j ) . Sin embargo, se sabe que Var (Y j )
decrece en la medida que m-k crece. Por lo tanto, se tiene
que en la medida que m-k crece, decrece el número de
réplicas necesario para obtener un intervalo de confianza con
un nivel de precisión dado. En general se recomienda m >> k.

33 Análisis de Salida Jimena Pascual, PhD

Referencia bibliográfica:
A. Law (2015), Simulation Modeling and Analysis

34 Jimena Pascual, PhD