Ejemplo de Simulacio n

1.

Introducci on

Aunque en este ejercicio nos adelantamos a varias cosas que cubriremos luego con m as calma en el curso, proporciona un ejemplo conceptualmente bastante simple que ilustra como la simulaci on estoc astica puede ser usada en situaciones similares. En la simulaci on estoc astica se generan variables aleatorias que se insertan en el modelo y se trata de imitar la salida o resultados del sistema global. Aqu mostraremos un ejemplo tomado de [1] como una abreboca para varios de los t opicos que trataremos en el curso.

2.

Comparaci on de Dos Reglas de Decisi on para Jurados

En los juegos ol mpicos hay varias competencias que son evaluadas por un jurado, como por ejemplo, la gimnasia y el patinaje y danza sobre hielo. Durante los juegos de invierno del 2002 se origin o una disputa sobre la medalla de oro en la competencia de patinaje sobre hielo. Se hicieron acusaciones que indicaban que el equipo ruso hab a sobornado un miembro franc es del jurado para poder ganarle por poco m argen a los canadiences. En esta secci on vamos a estudiar dos de las formas o reglas de operaci on de los jurados y el efecto sobre ellos del posible soborno a uno de los miembros. Suponga que se tiene un jurado de 7 miembros y en cada competencia cada uno de los jurados asigna su nota o evaluaci on. Es necesario transformar las 7 notas o evaluaciones en una evaluaci on o score nal. Hay dos reglas en consideraci on y queremos escoger la mejor. Las dos reglas son: Regla uno: Omita la nota m as alta y la m as baja y calcule el promedio de las 5 restantes Regla dos: Ordene de mayor a menor las calcaciones y tome la que se encuentra en la mitad. 1

Antes de continuar piense: Cu al de las dos reglas consider a mejor? C omo podr a usted vericar esto?

2.1.

Modelo Probabil stico

Se asumir a que las notas que los jurados asignan se desv an una cantidad aleatoria de la evaluaci on verdadera, la que el competidor merece. As la nota que el jurado i asigna cuando la actuaci on merece una calicaci on g est a dada por: Yi = g + Zi i = 1, , 7 (1) donde Z1 , ..., Z7 son V.A. con valores cercanos a 0. Sean h1 y h2 las funciones que implementan las dos reglas anteriores. Es decir: h1 (y1 , , y7 ) = promedio de los cinco valores centrales y1 , , y7 h2 (y1 , , y7 ) = mediana de y1 , , y7 Lo que nos interesa son las desviaciones con respecto a la calicaci on merecida g que producen ambas reglas: T = h1 (Y1 , , Y7 ) g, M = h2 (Y1 , , Y7 ) g. Las distribuciones de T y M dependen de las calicaciones de cada jurado y a trav es de ellas de las desviaciones de los jurados Z1 , Z2 , ...Z7 que modelizaremos con V.A. U (0,5, 0,5). Como T y M representan los errores que se cometen al aplicar las respectivas reglas, lo que no interesa evaluar es cual de las dos produce errores o desviaciones m as cercanas a cero. A trav es de la simulaci on evaluaremos esto.

2.2.

Simulaci on

Realizaremos 1000 corridas. Para cada una de las corridas y cada jurado almacenaremos en un vector des.jurados los respectivos valores de Zi . Los vectores T y M almacenan el resultado de la aplicaci on de las reglas respectivas. El vector des.ord almacena las calicaciones en orden ascendente. La siguiente secci on de c odigo inicializa todas estas variables: > > > > graphics.off() nruns <- 1000 des.jurados <- matrix(nrow = nruns, ncol = 7) T <- numeric(nruns) 2

> M <- numeric(nruns) > des.ord <- numeric(7) Ahora realizamos la simulaci on y almacenamos los resultados en un marco de datos para referencia futura: > for (i in 1:nruns) { + des.jurados[i, ] <- runif(7, -0.5, + 0.5) + M[i] <- median(des.jurados[i, ]) + des.ord <- sort(des.jurados[i, ]) + T[i] <- mean(des.ord[2:6]) + } > resultados <- data.frame(corrida = 1:nruns, + desv = des.jurados, RT = T, RM = M) Veamos ahora como luce, por ejemplo, las desviaciones de las calicaciones asignadas por el jurado 1: > hist(resultados$desv.1, xlab = "Errores", + ylab = "Frecuencia", main = " ") Ahora realizamos histogramas de los resultados para las dos reglas. Cu al de los dos produce resultados m as cercanos a 0? > > > > > > + > + par(mfrow = c(1, 2)) hist.T <- hist(T, plot = F) hist.M <- hist(M, plot = F) max.count <- max(hist.T$counts, hist.M$counts) cortes <- seq(-0.5, 0.5, 0.05) hist(T, breaks = cortes, ylim = c(0, max.count), main = "Regla del Promedio") hist(M, breaks = cortes, ylim = c(0, max.count), main = "Regla de la Mediana")

Sin embargo, estos dos histogramas no nos dicen nada sobre la relaci on entre T y M por lo que ahora gracaremos las 1000 realizaciones del par (T, M ). Qu e observa en este gr aco? > par(mfrow = c(1, 1)) > plot(T, M, pch = 19, cex = 0.5) > abline(a = 0, b = 1) 3

Frecuencia

20

40

60

80

100

0.4

0.2

0.0 Errores

0.2

0.4

Figura 1: Errores cometidos por el jurado 1 al asignar las calicaciones

Regla del Promedio

Regla de la Mediana

200

150

Frequency

Frequency 0.4 0.0 T 0.4

100

50

0 0.4

50

100

150

200

0.0 M

0.4

Figura 2: 1000 realizaciones de T y M

0.4

G G G

GG G G G G

G G GG

G G

G G

G G

G G G GG GG G G G G GG G G G G G GG G G G GG GG G G G G G G G G G G G G GG G G G G G G G G G G G G G GG G G G G G GG G G G GG G G G G G G GG G G G G G G G G G G G G G G G G GG G G G G G G GG G GG G G G G G G G G G G G G GG G G G G G G G G G G G G G G G G G G G G G GG GG G G G G G G G G G GG G G GG GG G G G G GG G G G GG G G G G G G G G G G G GG G G G G G G G G G G G G GG G G G G GG G G G GG G G G G G G GG G G GG G G GG G G G G G GG G G G G G G GG G G G G G G G G G G G G GG G G G G G G G G G G G G G G G G G G G GG G G G GG G G GG GG G G G G G GG G GGG G G GG G G GG G G G GG G G G G G G G GG G G GG G GG G G GG G G G G G GG GG G G G G G G G G GGG G G G G GG G G G GG G G G G G GG G G G G G G G G G G GG G GG G G G GG G G G G G G GG G G G G GG G G GG G GG G G G G GG G G G G G G G G G G G G G GG G G G G G G G G GG G G G G G GG G G G GG G G GG G G G G G GG G GG GG GG G G G GG G G G G G G G G G G G G G G G GG G G G GG G G G G G G G G G GG G GG G G G G GG G G GG G G G G G G GG G G G G G G G G G G G G G G G G GG G GG GG G G G G G GG G G G G GG G G G G G G G G GG G G G G G G G G G G G G G G GG GG G G G G G G G G GG G G G G G G G G G GG G G G G GG GG G G G GG G G G G G G G GG G G G G G G G GG GG G G G GG G G G GG G G G GG G G G GG G GG G G G GG G G G G G G G G GG G G G G G G G G GG G G G G G G G G G G GG G G G G GG G G G G G GG G G G G G G G G G G G G G G G GG G GG G GG G G G G G G G G G G G G G G G G G GG GG G G G GGG G GG G G G G G G G GG G G G GG G GG G G G G G G GG GG G G G GG G G G G G G G G G G G G G G G GG G G G G G G GG GG G G G G G GG G G G G G G G G G G G G G G G G G G G G G GG GG G G G GGGG G G G G G GG GG G G GG G G GG GG G G G G G G G G G G G GG G G GG G G G G G G G G G G G G GG G G G G G G G G G G G G G G G G

0.4

0.2

0.0

0.2

G G G G G G G G

0.4

0.2

0.0 T

0.2

Figura 3: Pares T y M para las 1000 realizaciones

Histogram of dif
350 Frequency 0 50 100 150 200 250 300

0.1

0.0 dif

0.1

0.2

0.3

Figura 4: Diferencias entre valor absoluto(M) - valor absoluto(T) en 1000 realizaciones Quiz as lo mejor es hacer un histograma que muestre las diferencias absolutas de la verdadera calicaci on. Para la regla 1 esta desviaci on es abs(T ) y para la segunda es abs(M ). Si el resultado de la resta abs(M ) abs(T ) es positivo entonces T est a m as cercana a cero que M y la diferencia nos dice por que cantidad. Por el contrario, un resultado negativo signica que M est a m as cercano a 0. > > > > > M.abs <- abs(M) T.abs <- abs(T) dif <- M.abs - T.abs dif.hist <- hist(dif, plot = F) hist(dif) Ahora, Cu antas veces la regla T es m as cercana a 0 que la regla M? 7

> mas0 <- which(dif.hist$breaks >= 0) > por0 <- (sum(dif.hist$counts[mas0[-length(mas0)]])/nruns) * + 100 > cat("Porcentaje de Corridas con T menor a M ", + por0, "\n") Porcentaje de Corridas con T menor a M 69.3

Referencias
[1] F.M. Dekking, C. Kraainkamp, H.P. Lopuhaa, and L.E. Meester. A modern Introduction to Probability and Statistics: Understanding Why and How. Springer, 2005.