ANÁLISIS ESTADÍSTICO EN LAS SIMULACIONES - I

Como se mencionó antes, los dalos obtenidos de la simulación siempre presentan variabilidad aleatoria, ya que se alimentan variables aleatorias al modelo de simulación. Por ejemplo, si ejecutamos dos veces la misma simulación, cada una con distinta secuencia de números aleatorios es seguro que, las medidas estadísticas generadas en los dos casos tendrán valores distintos. Debido a ello, debemos usar métodos estadísticos para analizar los resultados de las simulaciones. Si el desempeño del sistema se mide con un parámetro, digamos ü, entonces nuestro objetivo en la simulación será obtener una estimación 0 de 0 y determinar la exactitud del estimador 0. Medimos esta exactitud con la desviación estándar, que también se llama error estándar, de 0. 

La medida general de la variabilidad se enuncia a menudo en la forma de un intervalo de confianza a determinado nivel de confianza. Así, el objeto del análisis estadístico es estimar este intervalo de confianza. Se complica la determinación de los intervalos de confianza en las simulaciones por el hecho de que los resultados pocas veces son independientes, si es que lo llegan a ser. Esto es, los datos se autocorrelacionan. Por ejemplo, en una simulación de cola, el tiempo de espera de un cliente suele depender de los clientes anteriores. Igualmente, en una simulación de inventario, los modelos se establecen, por lo general, de tal manera que el inventario inicial en un día determinado sea el inventario final del día anterior, con lo cual se crea una correlación. Esto significa que los métodos estadísticos clásicos, en los cuales suponemos independencia, no son directamente aplicables al análisis de resultados de simulación Por lo tanto, modificaremos los métodos estadísticos para hacer inferencias adecuadas a partir de los datos de la simulación. 

Además del problema de la autocorrelación, podemos tener un segundo problema en que la especificación de las condiciones iniciales del sistema en ci tiempo 0 pueden influir en ¡os resultados. Por ejemplo, supongamos que en la simulación de la cola de espera de la Secc. 23.2 la distribución de tiempos entre llegadas y de servicio es tal que el tiempo promedio de espera por cliente es mayor de 15 minutos. En otras palabras, ci sistema está muy congestionado. Si fuéramos a iniciar esta simulación sin personas en el sistema, los pocos clientes iniciales tendrán tiempos de espera cero o muy pequeños. Estos tiempos iniciales de espera dependen mucho de las condiciones iniciales, y por lo tanto, pueden no ser representativos del comportamiento del sistema en estado estable. 

A este periodo inicial, antes que la simulación alcance el estado estable, se le llama periodo transitorio, o periodo de calentamiento. Hay dos métodos para superar los problemas relacionados con el periodo transitorio. El primero es usar un conjunto de condiciones iniciales que sea representativo del sistema en estado estable. Sin embargo, en muchas simulaciones puede ser difícil establecer esas condiciones iniciales. Esto es especialmente valido en las simulaciones de colas. El otro método es dejar que la simulación se ejecute durante un rato y desechar la parte inicial de la simulación.