1

4
Los estudios de
simulacin

"

"

4.1. Diseo de experimentos de simulacin

experimental de la simulacin, subrayando el papel de los model

de simulacin, sujetos del experimento, como sustitutos de la realida
Un estudio de simulacin segn la metodologa que hem
establecido busca respuestas a preguntas sobre el sistema obje
del estudio a travs de la informacin que le proporcionan l
experimentos con el modelo del sistema. Los experimentos busca
en general, respuestas a preguntas del tipo qu pasara s
preguntas que pueden plantearse en cualquier etapa del ciclo
vida del sistema, tanto en la fase de diseo, en cuyo caso el objeti
de las respuestas es encontrar soluciones a las diferentes alternativ
de diseo, o investigar los posibles efectos de las diferent
configuraciones factibles; como en fases posteriores, con un sistem
ya implantado, cuando se plantea la posibilidad de cambios
modificaciones en el sistema existente para ampliar su capacidad
operacin o para adaptarlo a nuevos requerimientos.

En general las respuestas que buscamos mediante l

experimentos servirn de soporte a una decisin racional sobre
sistema, por lo que nos interesar que las respuestas queden expresad
numricamente, en trminos de los valores de las variables de respues
que representen las medidas de la utilidad, o del rendimiento esperad
para la alternativa que nos ocupa de diseo o de cambio del sistem
As, por ejemplo, en sistemas de colas cuyo objeto sea dimensionar l

'

'

&

&

'

&

&

&

'

'

'

&

Los estudios de simulac

servicio que permiten un rendimiento ptimo del sistema, ejemplos

tales funciones de utilidad o variables de medida del rendimiento pued
ser, ndices que relacionen el tiempo medio de espera (o la longit
media de la cola) con el nivel de utilizacin de los servidores, o funcion
de coste que engloben el coste de la espera (decreciente cuando
incrementa la eficiencia del servicio) y el del servicio (creciente cuan
se aumenta el nmero de servidores, o los servidores existentes
reemplazan por otros ms eficientes).

Las alternativas de diseo, o variante de configuracin del sistem

constituirn una variante del modelo o escenario de simulacin con l
que realizaremos los experimentos. Para ello ejecutaremos el mode
introduciendo como datos las muestras aleatorias de las distribucion
de probabilidad correspondientes tal como hemos descrito en el Captu
2. Las ejecuciones del modelo nos proporcionarn las estimaciones
los parmetros de inters. Desde un punto de vista metodolgico hem
de distinguir varios tipos de situacin:
Estimacin de variables de respuesta.
Estimacin de efectos combinados.
Comparaciones entre alternativas de diseo.

Con respecto a la estimacin de variables de respuesta,

longitud media de una cola, el tiempo medio de espera, el porcenta
de ocupacin de los servidores, por ejemplo, ejecutaremos repetid
veces el modelo correspondiente a una misma configuracin c
diferentes muestras aleatorias de input, lo que proporciona
variaciones en los resultados debido a las variaciones aleatorias
las muestras utilizadas. Ahora bien, para poder asegurar la validez
nuestras estimaciones, y en definitiva la validez de las respuestas d
estudio de simulacin, hemos de estar en condiciones de establec
cundo las diferentes estimaciones de los parmetros de medida d
rendimiento del sistema son debidas a la configuracin del sistema
cundo son ocasionadas por las variaciones del muestreo.

<

<

>

particular la de las tcnicas de muestreo, la que nos permitir dar u

respuesta correcta a este tipo de cuestiones. No es este el lugar pa
extendernos sobre el tema, nos limitaremos a apuntar algunas de l
tcnicas ms utilizadas en el mbito de los estudios de simulacin,
lector interesado puede encontrar una informacin detallada en text
generales de Estadstica y Teora de Muestras, o en los especficos
Kleijnen, Statistical Techniques in Simulation [29], y Statistical Too
for Simulation Practitioners [30], de las que la primera constituye
estos momentos un clsico de las tcnicas estadsticas en simulaci
Nos limitaremos a comentar aqu que los procedimientos ms utilizad
son los de:

Replicaciones independientes: generando muestr

independientes de nmeros aleatorios bien a partir de distint
generadores o un mismo generador, de ciclo muy largo, q
produzca muestras de base independientes a partir
diferentes semillas.

Lotes (Batch Means) resultantes del fraccionamiento

submuestras de una muestra de gran dimensin genera
con un generador de ciclo muy largo.

Mtodos regenerativos, que utilizan muestras de dimensi

variable resultantes de la recogida de observaciones d
sistema entre dos pasos consecutivos por un punto o esta
de regeneracin (por ejemplo el estado con las colas vac
en un sistema de colas), lo que requiere previamente
comprobacin de que el sistema tiene estados regenerativ
y la identificacin de los mismos.

Otro aspecto que tambin hay que tener en cuenta, pa

garantizar la calidad de las estimaciones de las variables de respues
desde el punto de vista estadstico, es la necesidad de utiliz
estimadores insesgados y de variancia mnima, de espec

importancia estos ltimos si despus la estimaciones se van a utiliz

para efectuar comparaciones. Una manera de conseguir est
objetivos consiste en recurrir a las tcnicas de reduccin de varianc
diseadas especficamente para incrementar la precisin de
estimacin de las variables de respuesta y facilitar las comparacione
entre las tcnicas de reduccin de variancia ms utilizadas
simulacin figuran el muestreo estratificado, el muestreo selectiv
la utilizacin de variables de control y la variables antitticas.

+X

1
2

Esta ltima es una tcnica muy discutida en lo que respecta

sus aplicaciones a la simulacin discreta, su objetivo es inducir u
correlacin negativa entre las sucesivas simulaciones de una mism
configuracin del sistema. Tocher [37], propuso una implantacin m
sencilla de esta tcnica consistente en ejecutar una de las simulacion
a partir de la muestra {u 1 , u 2, u 3 , ...} de nmeros aleatori
uniformemente distribuidos en (0, 1), y la segunda, la antittica a par
de la muestra complementaria {1-u1, 1-u2, 1-u3, ...}, con la idea de q
esta muestra complementaria asegure una correlacin negativa en
las respuestas de las dos simulaciones. En este caso si X1 es
estimacin de la variable de respuesta obtenida en la prime
simulacin, y X2 en la segunda, la antittica, entonces:

es un estimador insesgado de E(x), y:

1

( )= [

var X

( )+ ( )+

var X

var X

2 cov X , X
1

)]

que al ser comparada con la variancia de dos ejecuciones

correlacionadas debe ser menor si las ejecuciones est
correlacionadas negativamente. Este efecto esperado no siempre
consigue en la simulacin de sistemas discretos, especialmente
son complejos, debido a las transformaciones complicadas que tal
modelos llevan a cabo con las variables de entrada, lo cual hace q
no siempre se conserve en el output la correlacin negativa del inp

muestreo antittico en la simulacin discreta, y asegurar

previamente de que las correlaciones negativas entre las variabl
de entrada se conservan en las de salida.

A la hora de recoger las observaciones producidas por

ejecucin de la simulacin no hay que olvidar el carcter intrnseco
la simulacin discreta tal como lo establecimos en el Captulo
Recordemos que hemos considerado que la simulacin de un sistem
con estados discretos puede interpretarse como un seguimiento de
evolucin del sistema entre sus estados, teniendo en cuenta el carc
aleatorio del input es obvio que la tal evolucin puede considerar
como un proceso estocstico y como tal podemos considerar dos tip
de situacin la que corresponde a la fase transitoria del proceso y
del estado estacionario. En general la fase transitoria depender
las condiciones iniciales, mientras que entendemos que la situaci
estacionaria, si el sistema la tiene y llega a ella, es independiente
su estado de partida. Segn los objetivos del estudio de simulacin
el tipo de sistema tendremos que distinguir entre ambas fases. Si
que interesa es estudiar el comportamiento del sistema en la situaci
estacionaria deberemos proceder a un proceso previo (warming-up
durante el que no se recogern observaciones, durante el cual
sistema atraviese la fase transitoria y entre en la estacionaria, a pa
de la cual se proceder a recoger observaciones. Sin embargo
hemos de olvidar que puede haber situaciones en que es precisamen
la fase transitoria la que interesa.

En general la configuracin o las alternativas de diseo de

sistema complejo dependen de muchos factores, as por ejemplo,
los sistemas de colas las variables de decisin, o factores de dise
pueden ser el nmero de servidores, las caractersticas de l
servidores (que afecten por ejemplo al tipo de distribucin de los tiemp
de servicio, o, dentro de un mismo tipo, a los parmetros de
distribucin, como puede ser el caso de los tiempos medios de servic
- ms rpidos o ms lentos -, poltica de gestin - FIFO, por prioridade

Los estudios de simulac

a la respuesta del sistema, de tipo cuantitativo (nmero de sirviente

tiempo medio de servicio, etc.), o cualitativo (prioridades), que oper
a diferentes niveles. En el estudio de simulacin interesar identific
el efecto de cada factor, las interacciones entre factores, etc...

La tcnica de diseo de experimentos en Estadstica es la q

nos proporcionara las herramientas adecuadas para proceder a l
estudios adecuados. Como en el caso anterior nos vamos a limita
glosar aqu unos comentarios sobre la aplicacin de estas tcnicas
la simulacin, las referencias [30], anteriormente citada, y [2
proporcionan una informacin detallada, aunque hay que resaltar q
todo lo que se puede decir para las aplicaciones a la simulacin
es ms que una adecuacin de la teora general del diseo
experimentos Estadstica por lo que textos generales como el de Bo
Hunter y Hunter [46], o el de Box y Draper [47], constituyen u
referencia obligada.

En el caso de la simulacin hay que hacer una observacin c

respecto al punto de vista del diseo de experimentos en Estadstica
es que en el caso de los experimentos de simulacin se trata siemp
de experimentos controlados, es decir, la impredictibilidad esta origina
nicamente por la aleatoriedad del muestreo, no por el modelo, que
supone que el analista conoce y domina completamente.

Los diseos experimentales que ms se utilizan en la prcti

de la simulacin suelen ser el de variacin de un factor cada ve
los diseos factoriales globales, los fraccionales, los de superfic
de respuesta, etc... En la prctica se tiende a evitar los dise
factoriales completos que para k factores y 2 niveles por fact
requieren 2k combinaciones, y si para estimar adecuadamente
variable de respuesta para cada combinacin hemos de replicar
veces cada combinacin, hay que realizar un total de m
repeticiones de la simulacin que puede ser un nme
prohibitivamente grande. Siempre que se puede se tiende a utiliz

As, por ejemplo en un modelo M/M/s si la tasa de utilizaci

o factor de carga del sistema r varia entre 0,5 y 0,8, y el nmero
servidores entre 1 y 3, un diseo experimental para estos d
factores, carga del sistema y nmero de servidores, con dos nivel
cada factor, y cuatro combinaciones posibles de niveles de l
factores, es:

r
0,5
0,8
0,5
0,8

Combinacin
1
2
3
4

s
1
1
3
3

-1

y = b + b x + b x x + e
i

=1

ij

jh

=1

= j +1

ij

ih

NID( s
0,

Para un diseo factorial con k factores y dos niveles por fact

suponemos que los efectos de interaccin son explicados por el mode
de regresin (o superficie de respuesta):

con menos observaciones.

que tiene k efectos principales, o de primer orden, b j y k(k-1)

interacciones de dos factores bjh, con errores e con distribucion
normales independientes (NID) de media cero y variancia constan
Interaccin entre dos factores, el i y el j por ejemplo, significa que
efecto del cambio en el factor i depende del nivel del factor j.

La significacin de los efectos principales y las interaccion

se determina por medio del anlisis de la variancia del modelo
regresin correspondiente. As, por ejemplo, en el caso de d
factores A y B, el modelo propuesto supone que la relacin ent
la variable de respuesta y los efectos de los niveles de los factor
viene dada por:

y ijk = b0 + a i + b j + bij + e ijk

Los estudios de simulac

donde y ijk es el resultado de la combinacin del factor A al nivel i y

factor B al nivel j en su replicacin k-sima, b0 es el efecto med
global, ai el efecto principal del factor A al nivel i, bj el efecto princip
del factor B al nivel j, bij el efecto de la combinacin del factor A
nivel i con el factor B al nivel j, y e ijk es la variancia no explica
(residuo o trmino de error). Como es habitual en el anlis
estadstico es importante definir claramente las hiptesis que
toman en consideracin. En este tipo de experimentos lo normal
esperar que haya efectos de la interacciones, por lo tanto lo prime
que hemos de hacer es verificar si estos son significativos o no,
que en caso de que lo sean no habra que proceder a estudiar l
efectos principales. En consecuencia las hiptesis nulas son:

H0(1): la interaccin de A y B no tiene efectos: bij = 0, "i y "

H0(2): el factor A no tiene efectos: ai = 0, "i
H0(3): el factor B no tiene efectos: bj = 0, "j
y las hiptesis alternativas son:
H1(1): bij 0, para algn i, j.
H1(2): ai 0, para algn i.
H1(3): bj 0, para algn j.

Suponiendo que el factor A tiene n niveles, cada uno de l

cuales se replica m veces, y que lo mismo ocurre con el factor B
denotando por y..., yi.., y.j., e yij. las sumas:

i =1 j =1 k =1
n m

y .j. = y ijk
i =1 k =1

n m

y i.. = y ijk
j =1 k =1
m

y ij. = y ijk
k =1

La Tabla 15 muestra el anlisis de la variancia.

n m

yK= y ijk

Los estudios de simulac

S2AB
(n - 1)2

SE2
>F 2 2
n (m - 1) ( n-1) , n ( m-1)
2

H0 (1): bij = 0, "i y "j Re chazar H0 (1) si:

hiptesis procede de la manera siguiente:

> F( n -1),

(n2m - 2n - 1)

(n2m - 2n -1)

(SE2 + S2AB )

(n2m - 2n -1)

> F( n -1),

(n2m - 2n - 1)

(SE2 + S2AB )

S 2A
En cuyo caso se rechaza H0(2) si: (n - 1)
SB2
se rechaza H0(3) si: : (n - 1)

y ijk = b 0 + a i + b j + e ijk

Si se rechaza H0(1), no tiene sentido verificar H0(2) y H0(3

En caso de que se acepte H 0(1) entonces el modelo se puede sim
plificar a:

siendo F la funcin de Fisher evaluada al nivel de significacin y grad

de libertad correspondientes.

Si el anlisis de la variancia ha demostrado que un conjunto

efectos (b1, b2, ..., bn) son significativamente diferentes entonces resu
pertinente compararlos entre si de manera que se puedan identific
las combinaciones factor-nivel que proporcionan los mejores resultado
El estudio se lleva a cabo aplicando las tcnica clsicas del anlis
estadstico de comparaciones mltiples.

la determinacin de la mejor alternativa, como si el propsito

simplemente obtener una buena estimacin de la variable

4.2. Anlisis de resultados

poder efectuar buenas estimaciones de las variables de respues

as como de la estimacin de cun buenas son las estimacion
que estamos obteniendo, pues no hemos de perder de vista
carcter aleatorio de los resultados producidos por una simulaci

Los mtodos a utilizar dependen de las caractersticas d

sistema y en especial de si se trata de sistemas con un horizon
finito, es decir sistemas para los cuales llega un momento en que
ha alcanzado cierto objetivo, se ha realizado una tarea, se ha llega
a una condicin a partir de la cual el proceso se repite, se
completado un ciclo, etc.; o de un sistema con un horizonte infinito
una posibilidad de entrar en un estado estacionario). Ejemplos d
primer tipo de situaciones pueden ser procesos productivos en l
que el horizonte temporal de fabricacin de un producto es
determinado de antemano, de gestin de inventarios con horizont
temporales dados, etc., es decir sistemas cuyo ciclo de vida es fin
(lo que, dicho sea de paso, ocurre con todos los sistemas reale
pero en muchas otras situaciones no hay razones para suponer,
menos en teora, que hay un suceso especial cuya ocurrenc
determina el final de la simulacin, se trata entonces de sistem
para los que el horizonte temporal puede considerar
indefinidamente largo, la cuestin entonces es si afectan o no l
condiciones iniciales, es decir si el sistema tiene o no esta
estacionario y si lo que nos interesa es estudiar el comportamien
del sistema en la fase transitoria o en el estado estacionario. El anlis
estadstico del estado estacionario es ms delicado puesto que h
que tener en cuenta aspectos tales como la correlacin que present
los resultados, o el no siempre claro de a partir de qu momento
puede considerar que el sistema ha entrado en el estado estacionar
Las condiciones de esta monografa no permiten tratar exhaustivamen
el tema, cualquiera de las referencias bsicas que hemos venido citan
dedican espacio suficiente a estas cuestiones, pero entre est
referencias subrayar el trato que le dan el texto de Law y Kelton [2
y el de Bratley, Fox y Schrage [28], que han inspirado este resume

Los estudios de simulac

rendimiento de un sistema estocstico se expresa habitualmente

trminos de un intervalo de confianza, relacionado intuitivamente c
la idea de precisin, que depende de las dimensiones y caracterstic
de la muestra de observaciones utilizada para realizar la estimaci
En general el problema del intervalo de confianza se puede plante
desde dos puntos de vista, en el primero, denominado de la mues
de dimensin fija , se especifica de antemano el nmero d
observaciones con la esperanza de que la precisin resultante s
suficiente, mientras que en el segundo, denominado de muestr
secuencial, se especifica de antemano la precisin requerida, se u
una muestra y partir de los resultados que proporciona se determi
si se han de recoger o no observaciones adicionales. La obtenci
de un intervalo de confianza requiere hiptesis subyacentes
normalidad e independencia, lo que en las condiciones de
simulacin exige que se haya de recoger un nmero de observacion
suficientemente grande como para que las condiciones del teorem
del lmite central nos permitan ignorar la posible no normalidad
las observaciones, que se utilice algn procedimiento que perm
superar las implicaciones de la falta de independencia entre l
muestras, especialmente cuando se trata de simulaciones de estad
estacionarios, y que utilice algn procedimiento que permita corre
el posible sesgo causado por las condiciones iniciales cuando
simulan estados estacionarios.

El anlisis del rendimiento esperado de un sistema con

horizonte finito consiste habitualmente en obtener una estimaci
puntual del mismo y un intervalo de confianza o estimacin del err
cuadrtico medio de dicha estimacin puntual. La obtencin de es
estimacin a partir de una muestra de observaciones producidas p
la simulacin se realiza por medio de las tcnicas habituales del anli
estadstico, es decir determinar un estimador puntual y a ser posib
insesgado y de variancia mnima, que est aproximadamen
normalmente distribuido y cuya desviacin estndar se pueda estim
adecuadamente.

<

'

&

"

&

'

&

"

yi
i =1

(4.1

s2 =

( yi - y)

i =1

(m - 1)

s2
m

y k

>

son independientes y estn idnticamente distribuid

i
entonces y es un estimador insesgado del rendimiento esperado
s2/m es un estimador insesgado de la variancia. Si adems las
estn normalmente distribuidas, entonces un intervalo de confian
para el rendimiento esperado viene dado por:
=

simulacin (nmero que quizs haya que determinar secuencialment

e yi es la observacin de la variable de rendimiento proporcionada p
la i-sima simulacin, i = 1, 2, ...., m, entonces:

donde k es la ordenada que da la probabilidad (1-a)/2 en la cola de

distribucin t de Student con m-1 grados de libertad, siendo a
coeficiente de probabilidad que determina la regin crtica pa
aceptacin del intervalo.

Con respecto al anlisis del estado estacionar

comentaremos simplemente que para satisfacer las condicion
anteriormente establecidas, sobre la eliminacin de las posibl
influencias de los estados de partida, se han propuesto multitud
procedimientos [27,28] que en esencia conducen a determinar cu
es el nmero de observaciones iniciales que hay que desech
Resuelta esta cuestin el problema es entonces cmo proceder c
observaciones que no son independientes. Sin nimos de s
exhaustivos y para dar al lector una idea simple de los mtod
estadsticos que se han ido desarrollando mencionaremos los tr
ms utilizados:

Procedimientos por lotes (Batch Means),

Mtodos Regenerativos,
Anlisis Espectral,
que pasamos a resumir.

A) Procedimientos por lotes

la simulacin {y1, y2, ..., ym}, posiblemente correlacionadas. Definimo

m

(m - 1)

i =1

s 2y = ( y i - y )

i =1
m

y = yi m

siendo b la dimensin de los lotes (definida posiblemente a partir

un estudio estadstico previo) tal que m sea un mltiplo de b, y
consecuencia n = m/b sea entero. Hagamos:
h

i =1+ ( j -1) b

jib

x j = yi b

media del j-simo lote de observaciones de dimensin b. A partir

aqu podemos calcular:
n

x = xj n
j =1

(n - 1)

= xj - x

j =1

s 2x

i =1 j =i +1

m -1 m

var[ y ] = var[ y1 ] m + (2 m2 ) cov (y i , y j )

El objetivo de nuestro estudio de simulacin es, en teora, estim

]. El mtodo de los lotes estima m a partir d
i
estadstico y. De las definiciones se deduce que y =x . Si l
observaciones yi son independientes s2x /m es un estimador insesga
de var [y
], pero como en general las observaciones procedentes de
simulacin estn correlacionadas entonces:
m = lim E[ y i ]

de covariancia, lo que en la prctica implica una infraestimacin de v

[y
] ya que las yi estn correlacionadas positivamente. Otro estimad
insesgado bajo la hiptesis de independencia es s2x/m, aunque en
caso de correlacin de las yi este estimador tambin est sesgado
est menos que el anterior porque la correlacin entre las xj tiende
ser menor que entre las yi.

El mtodo de los lotes en su versin de muestra de dimensi

fija opera de la manera siguiente:
1.
2.
3.
4.

Formar n lotes de observaciones xj.

Calcular
x y s2x.
Utilizar x como estimador puntual de m.
Utilizar
x ksx / n como estimador del intervalo de confian
para m.
(k es el valor correspondiente de la distribucin t de Stude
con n-1 grados de libertad).

Las referencias citadas [27,28] proporcionan versiones m

sofisticadas para la implantacin del mtodo de los lotes por muestr
secuencial que utilizan un procedimiento de jackknifing para estim
la correlacin serial y en funcin de ella determinar la evolucin d
proceso de generacin secuencial de la muestra.

En el ejemplo del puesto de peaje de la autopista hem

aprovechado las caractersticas del GPSS para repetir 21 veces
simulacin, simulando las llegadas de 240 vehculos en cada repetici
de manera que quedase garantizada la independencia de las muestr
de nmeros aleatorios utilizadas en cada ejecucin. En realidad lo q
hemos hecho ha sido aplicar el mtodo de los lotes como procedimien
de estimacin de resultados. Suprimiendo la primera ejecucin, cu
funcin es la de inicializar el sistema y suprimir, de forma aproximad
la posible influencia del perodo transitorio, de manera que podam
considerar que las siguientes repeticiones tienen lugar cuando

sistema ha alcanzado el estado estacionario, los resultados de las

repeticiones correspondientes a cada uno de los lotes qued
resumidas en la Tabla 16.

La primera columna contiene los porcentajes de utilizacin d

puesto de peaje, la segunda la estimacin de los tiempos medios
pago, es decir la duracin media del proceso de pago del peaje,
tercera columna registra las longitudes de las mximas colas que
han observado durante la simulacin del lote correspondiente, la cua
las estimaciones que la simulacin proporciona de las longitudes medi
de las colas, la quinta columna corresponde a los tiempos medios
espera estimados, y la sexta el estado final de la cola al terminar
simulacin correspondiente, es decir el nmero de vehculos q
estaban esperando en la cola cuando se ha terminado la ejecucin d
lote. Ese estado final de un lote es el inicial del lote siguiente dado q
hemos utilizado la instruccin RESET del GPSS.

Los resultados de cada lote corresponden lo que hem

denominado las xj, aplicando el procedimiento propuesto hubisem
obtenido las medias e intervalos de confianza mostrados en la Tabla 1

Ahora estamos en condiciones de profundizar la interpretaci

de resultados que esbozamos en la Seccin 3.4. La impresin de que
puesto de peaje esta operando en condiciones de casi saturacin que
confirmada por los resultados que proporciona el anlisis estadstico
los lotes, una ocupacin media del 86,5%, con un intervalo de confian
al 5%, lo suficientemente pequeo como para reforzar la conclusin
que la ocupacin experimenta muy poca variacin a lo largo del pero
de tiempo estudiado. Con respecto a los otros parmetros de inter
cola mxima, longitud media de la cola y tiempo medio de espera,
solo resultan significativos los altos valores obtenidos, casi 15 coche
en promedio, como nmero mximo de vehculos que en un momen
dado estn esperando a pagar, casi 5 coches en promedio esperando
pagar, y un tiempo de espera para efectuar el pago que en promed
supera ligeramente el minuto, sino que, adems, presentan una a

variabilidad, especialmente los tiempos de espera, como, por otra par

era de esperar dada la variabilidad del proceso de pago. Este anlis
podra ampliarse estudiando la posible influencia del estado inicial en
proceso.

B) Mtodos regenerativos

sistemas tienen puntos de renovacin o regeneracin, a partir de l

cuales el comportamiento del sistema es independiente de su pasad
El ejemplo tpico es la llegada de un cliente a una cola cuando el sistem
est vaco. La idea propuesta y desarrollada por Iglehart [48], pue
interpretarse como una generalizacin del mtodo de los lotes en
que estos en vez de tener longitud fija tienen una longitud variable q
corresponde a la longitud del ciclo entre dos pasos consecutivos p
un punto de regeneracin, si hacemos que a cada ciclo entre do punt
de renovacin sucesivos corresponda a una observacin tenemos

Desgraciadamente la consecucin de la independencia tie

un precio, el del sesgo de las estimaciones obtenidas. La aparicin
un sesgo en las estimaciones por el mtodo regenerativo est
causadas porque en general los estimadores son cocientes de variabl
aleatorias y en general el valor esperado de un cociente no es
cociente de los valores esperados. Un ejemplo tpico es la estimaci
del cociente entre el tiempo total de espera en un sistema de col
durante un ciclo y el nmero de clientes servidos durante ese ciclo

Suponiendo que xi e yi denotan respectivamente el numerado

el denominador del i-simo ciclo nuestro objetivo es estimar el cocien
E(xi) / E(yi) y su intervalo de confianza. Sea n el nmero de cicl
simulados, definamos
x,
y, s2x, y s2y de la manera habitual. Hagamo
z=x y

(n - 1)

i =1

s 2xy = ( x i - x )( y i - y )
s 2 = s 2x - 2 zs 2xy + z 2 s 2y

z ks y n

entonces es la estimacin puntual sesgada de E(xi) / E(yi), y su interva

de confianza viene dado por:

~z ks~ y n

siendo k la ordenada apropiada de la distribucin normal. En

referencia citada [48], Iglehart recomienda la utilizacin
estimadores "jackknife" cuando las longitudes de los ciclos no s
muy largas, entonces si z es el estimador jackknife de z el interva
de confianza es:

debido a las condiciones iniciales.

donde:
~s 2 = s 2 - 2~zs 2 + ~z 2 s 2
x
xy
y

Aunque los procedimientos regenerativos tienen toda una serie

ventajas ya que no estn afectados por los problemas transitorios iniciale
producen observaciones independientes, son fciles de aplicar, etc.,
estn completamente libres de problemas ya que las longitudes de los cicl
son desconocidas de antemano y estos pueden ser muy largos o m
cortos y no siempre es fcil identificar los puntos de regeneracin, o demost
que un tipo de punto dado es de regeneracin para un sistema dado.

C) Anlisis espectral

estimacin de resultados por simulacin con una familia que, si bi

en sus formas sencillas no proporciona buenos resultados, ha abie
una amplia perspectiva en el campo del anlisis de resultados en
simulacin. Dado que las observaciones producidas por la simulaci
estn correlacionadas se trata de producir estimadores que trat
explcitamente esta correlacin. Una posibilidad estriba en recoger l
observaciones a intervalos discretos igualmente espaciados en
tiempo. La secuencia de resultados as obtenida puede considerar
la observacin de una serie temporal para la cual tenemos:
n

= y

[(

=E

- m)

)]

-u

-j

= 0, 1, 2, K, n

para j

=
t

- y)

= j +1

-jy

=1

- j)

y bajo la hiptesis de que la secuencia {yt} es estacionaria covarian

es decir, que Cj no depende de t:

] resulta que cuando las

C


n C

=1

si sustituimos Cj por C j
son dependientes entonces C j
en general el estimador truncado


-1

+ 2 (1 - j

[ ]=

var y

'

j =1

&

es mucho mejor estimador de var [y

] para m<<n. Una modificacin
este estimador se obtiene introduciendo una funcin de ponderacin wm
m

~
Vm = C0 + 2 w m ( j)[ 1 - j n] C j n
'

&

w m ( j) = [1 + cos( pj / m)] 2

j =1

'

1
C cos( lj), - p l p
2 p j=- j

&

f ( l) =

El origen de esta funcin de ponderacin radica en el hecho

que la densidad espectral f es la transformada de Fourier de
secuencia covariante:
$

"

Vm = C0 + 2 (1- j n) C j n

y si comparamos las expresiones para f(0) y Vm nos percatamos

que Vm es un estimador natural truncado de 2p f(o)/n, aunque no m
bueno.