Simulación:

Técnicas de reducción de Varianza

Técnicas de reducción de Varianza
 Entre las distintas técnicas para reducción de
varianza encontramos:

 Variables opuestas o antitéticas.

 Variables de control.
 Muestreo estratificado.
 Variables opuestas o antitéticas
• Supongamos que queremos usar simulación para
estimar θ = E(x) y generamos dos VA:
idénticamente distribuidas con media θ. Entonces
tenemos una varianza tal que:

 Aquí vemos que preferiríamos que las variables

estuvieran correlacionadas negativamente por sobre
independencia entre las mismas.
 Variables opuestas o antitéticas
• Suponemos que X1 es función de m números
aleatorios:

• Donde U1 ………Um son m números aleatorios

independientes.
• Si U ~ Uniforme(0,1) entonces 1-U también se
va a distribuir Uniforme(0,1).Teniendo así:
 Variables opuestas o antitéticas
• De esta forma obtenemos un “Doble
beneficio” ya que:
1. Nuestro estimador va a tener una varianza
menor.
2. Resolvemos el problema de generar un
segundo set de números aleatorios para X2.
 Variables opuestas o antitéticas
• Ejemplo:
• Supongamos que estamos interesados en
utilizar simulación para estimar

• Sabemos que :
 θ = e-1 (resolviendo integral)
 h(u)= es una función monótona
 Variables opuestas o antitéticas
• Tenemos que:

• Además,
 Variables opuestas o antitéticas
• Podemos ver que si las variables aleatorias fueran independientes:

• Mientras que con el uso de Variables antitéticas en variables

correlacionadas:

 Vemos que reducimos la Varianza en un 96,7%

mediante la técnica de variables antitéticas.
 Variables de Control
Es un tipo de variable independiente que no se
manipula sino que se mantiene constante para
neutralizar sus efectos sobre la variable
dependiente (ya que en un experimento no es
posible estudiar simultáneamente todas las
variables independientes).
 Variables de Control
 Llamamos a Y variable de control de X , la
utilizaremos para ajustar X, es decir para
controlarla parcialmente. Para ello debemos
cuantificar el porte de ese ajuste.
 Ejemplo: Y puede ser la variable aleatoria de
los arribos en una fila de espera.
 Variables de Control
• Objetivo: Aprovechar la correlación entre
variables para obtener cierta reducción de la
varianza.
• Sea X la V.A. que representa un resultado,
supongamos que queremos estimar E(X) = µ.
• Supongamos también que en la simulación hay
otra variable que está correlacionada con X y
que CONOCEMOS su E(Y) =
 Variables de Control
•• Sea a una constante a determinar que tiene el mismo
signo que la correlación entre X e Y.
• (Y- ) es la desviación de Y con respecto de su media .
• Calculamos el valor controlado de X :
= X - a (Y-)
• Si X e Y están correlacionados positivamente entonces
a > 0, por lo que ajustaremos X, hacia abajo si Y > , y hacia
arriba si Y < .
• Si X e Y están correlacionados negativamente haremos
lo opuesto.
 Variables de Control
•= X - a (Y-), E(X) = µ E(Y) =,
Entonces para cualquier a,
• E() = µ y
• Var() = Var(X) + Var(Y) – 2a Cov(X,Y).
O sea que la dispersión de es menor que la de X si y
sólo si 2a Cov(X,Y) > Var(Y).

• Lo importante de este método es elegir el mejor valor

de a de forma de minimizar el valor de Var().
 Variables de Control
•Var() = Var(X) + Var(Y) - 2a Cov(X,Y)

a=

Var() =

ρ= =
 Variables de Control
Qué variables usar como variables de control, no es muy fácil de
determinar.
Podríamos estimar X como la demora en cola y usar como
variable de control los tiempos de servicios (cuya tasa
conocemos). En este caso se utiliza nada más que una sola
variable de control.
Pero la varianza de la estimación de una respuesta se puede ver
mejorada utilizando más de una variable de control, se debe
adaptar la fórmula a ellas.
En la elección de variables de control recordar que los tiempos de
las actividades influyen en los largos de las colas y también en el
uso de los recursos implicados.
 Muestreo Estratificado
• Consiste en dividir la población en L
subconjuntos o estratos, y de cada uno de
ellos seleccionar una muestra probabilística.
• Cada estrato es independiente de los otros.
• Objetivo: Asegurarse que todos los estratos
estarán representados adecuadamente
 Muestreo Estratificado
¿Para que?
• La razón estadística ocurre cuando la Población
está constituida por unidades heterogéneas y
podemos tener una idea previa de los grupos de
unidades mas homogéneas entre sí. Los estratos
agrupan unidades homogéneas, aunque sean
heterogéneas en estratos.
• La formación de estratos permite reducir la
variabilidad de los estimadores
 Muestreo Estratificado
•¿Cuál es el tamaño de muestra n? y ¿cómo fijar el tamaño de
muestra a cada estrato?
Existen muchas maneras de dividir el tamaño de muestra total entre
los estratos. Cada división diferente puede originar una precisión
diferente para el estimador.
•¿Qué factores influyen en el mejor esquema de fijación?
La variabilidad de las observaciones dentro de cada estrato.
El número total de elementos de cada estrato.
El costo de obtener una observación de cada estrato.