Documentos de Académico
Documentos de Profesional
Documentos de Cultura
=
=
n
x xi
s
i
= | | 01 . 0 01 . 0 46 . 4 9 . 16 56 . 3 12 . 15 79 . 0 9 . 23 12 . 26
8
1
+ + + + + + + +
359 , 11
8
87 , 90
= =
s = 3,37
As, la desviacin estndar estimada del promedio de la muestra es:
12 , 1
9
37 , 3
= =
n
s
y el intervalo es x 1.8595 *
n
o
1.8595 Es el valor t de tabla con 8 grados de libertad, porque n es pequeo. Cuando n es grande coincide con la
normal.
El intervalo pedido es:
40,11 1,8595 * 1,12 = ( 38,02 , 42,19 ) longitud del intervalo es: 4,1653
Para un o = 0,75 el intervalo pedido es:
40,11 0,7064 * 1,12 = ( 39,32 , 40,90 ) longitud del intervalo es: 1,5823
donde 0,7064 es el valor obtenido de tabla.
Ejemplo 3.- Se espera que los valores que tome cierta variable de salida de un simulador estn uniformemente
distribuidos en [10 , 21) , y en sucesivas corridas del simulador los valores que entrega para esa
variable son:
19,24 12,54 20,50
20,58 16,51 15,04
11,54 16,13 20,23
16,47 17,53 15,55
14,58 18,05 11,01
18,20 14,76 11,12
10,97 16,19 13,30
19,12 11,46 17,47
15,76 13,65 10,77
12,95 18,70 10,50 30 datos!
Son estos valores uniformemente distribuidos entre 10 y 21?
Anlisis por intervalos.
N Intervalo: Frecuencia observada: Frecuencia esperada:
1 [ 10 ,11 ) = 3 30/11 = 2,72
2 [ 11 , 12 ) = 4 30/11 = 2,72
3 [ 12 , 13 ) = 2 30/11 = 2,72
4 [ 13 , 14 ) = 2 30/11 = 2,72
5 [ 14 , 15 ) = 2 30/11 = 2,72
6 [ 15 , 16 ) = 3 30/11 = 2,72
7 [ 16 , 17 ) = 4 30/11 = 2,72
8 [ 17 , 18 ) = 2 30/11 = 2,72
9 [ 18 , 19 ) = 3 30/11 = 2,72
10 [ 19 , 20 ) = 2 30/11 = 2,72
11 [ 20 , 21 ) = 3 30/11 = 2,72
Total =30
Aplicacin del test de _
2
para ver la bondad del ajuste de los valores observados a los valores esperados.
=
=
11
1
2
0
) (
i
e
e
v
v v
0,0273 + 0,5939 + 0,1939 + 0,1939 + 0,1939 + 0,0273 + 0,5939 + 0,1939
+ 0,0273 + 0,1939 + 0,0273
= 0,0273 * 4 + 0,5939 * 2 + 0,1939 * 5 = 2,2665
Valor tabla x
2
con 10 grados de libertad es: 18,307 , y o = 0,95
Como valor tabla > valor calculado, se concluye que no hay diferencia significativa entre las frecuencias obtenidas por
intervalo y las frecuencias esperadas. Por lo que la variable en estudio entrega valores uniformemente distribuidos.
Ejemplo 4.- Para una variable de salida X se espera valores normalmente distribuidos con media 10 y o = 1/2 , y las
salidas de 30 observaciones, son:
10,63
9,89
10,11
10,63
9,66
9,41
9,46
10,28
9,90
10,49
11,32
10,51
9,83
9,31
8,83
9,94
10,62
10,52
10,97
9,23
10,36
10,13
10,47
10,70
10,40
10,08
9,64
9,74
Los datos originales tienen:
54 . 0
325 . 0
29
7723 . 8
1
) (
09 . 10
30
30 . 302
2
2
=
= =
=
= = =
s
n
x x
s
n
x
x
i
i
9,96 9,82
Los datos van de 8,83 a 11,32 ~ 2,5 ; con longitud del intervalo = 2,5/10 =0,25. Esto nos da los intervalos a considerar:
8,83+0,25 = 9,08 y se toma 9,05 por comodidad. Los puntos siguientes estn a distancia 0,25.
Observado Esperado
( - , 9.05 ) = 0.033 =1/30 0,0287
[ 9.05 , 9.30 ) = 0.033 0,0521
[ 9.30 , 9.55 ) = 0.100 0,1033
[ 9.55 , 9.80 ) = 0.100 0,1605
[ 9.80 , 10.05 ) = 0.200 0,1952
[ 10.05 , 10.30 ) = 0.133 0,1860
[ 10.30 , 10.55 ) = 0.200 0,1385
[ 10.55 , 10.80 ) = 0.133 0,0809
[ 10.80 , 11.05 ) = 0.033 0,0369
[ 11.05 , 11.30 ) 0.000 0,0132
[ 11.30 ,+ ) = 0.033 0,0047
Suma = 1,000
Para obtener los valores esperados:
i) Se obtuvo los intervalos equivalentes en la curva normal N(0,1) y para ello se hizo as:
x + o * N ( 0 , 1 ) ~ N( x , o ) = N(10,1/2)
10 + 1/2 * N ( 0, 1 ) = 9.05
N( 0 , 1 ) = - 1.9
Es decir el punto 9,05 de N(10,1/2) equivale al punto 1,9 de N(0,1). Esto se hizo para los 9,05 9,30 9,55 .... 11,05
11,30 y se obtuvo los puntos de la tabla siguiente.
ii) De tabla se obtuvo el valor de la probabilidad de cada uno de los intervalos formados, y se form la tabla siguiente; que
es la que tiene los valores esperados.
Intervalo de N(0,1) Esperado
( - , -1.9) 0.0287
[ -1.9, -1.4 ) 0.0521
[ -1.4 , -0.9) 0.1033
[ -0.9 , -0.4 ) 0.1605
[ -0.4 , 0.1 ) 0.1952
[ 0.1 , 0.6 ) 0.1860
[ 0.6 , 1.1 ) 0.1385
[ 1.1 , 1.6 ) 0.0809
[ 1.6 , 2.1 ) 0.0369
[ 2.1 , 2.6 ) 0.0132
[ 2.6 , + ) 0.0047
1.0000
Ahora se aplica el Test de chi-cuadrado:
( )
30 , 0
2
e
e o
v
v v
En tabla _
2
con 10 grados de libertad y o = 0.95 da: 18.307
el valor calculado es menor que el valor obtenido de tabla. No hay diferencias significativas entre lo observado y lo
esperado al nivel 95%.
Los valores de la salida son valores normalmente distribuidos N(10,1/2)
Etapas en el desarrollo de un simulador.
Recordemos que las etapas nombradas para desarrollar un simulador son: 1) Iidentificacin del problema, 2)
Delimitacin del sistema, 3) Formulacin del modelo, 4) Preparacin de datos, 5) Construccin del modelo, 6)
Validacin, 7) Diseo de experimentos, 8) Ejecucin de experimentos, 9) Interpretacin (Inferencia), 10) Documentacin
Comentaremos a continuacin las etapas que siguen a las etapas del diseo, que son las 3 primeras, y son las que con ms
detalle se han desarrollado hasta aqu.
IV) Etapa IV: Preparacin de datos, o bien obtencin de datos.
- Consiste en la identificacin y captacin de los datos que requiere el modelo, de acuerdo a la formulacin que se
haya hecho en las etapas anteriores del diseo.
Los datos son para:
- Las relaciones funcionales, ya sea para determinar la forma de stas, completar su forma o expresin, o para
precisar algn parmetro que en ella se tenga.
- Las variables estocsticas, que de ellas se deber determinar su funcin de distribucin de probabilidades, tanto
para variables continuas como discretas. Determinar tablas de probabilidades o asociarles una funcin de densidad
de probabilidad conocida, como:
La normal N( , o)
De Poisson p(x ; ) = e
-
x
/x! ; x = 0, 1, 2,....
Hipergeometric p(N, n, k, x) =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
n
N
x n
k N
x
k
La Polinomial, etc., etc.
-Las relaciones funcionales podran ser, rectas obtenidas por regresin lineal o ajuste de curvas.
-En las relaciones funcionales se debe fijar todos los parmetros que tenga; a menos que se haya dejado como una
variable de entrada al simulador.
- Los datos a usar pueden ser:
- Datos empricos
- Datos obtenidos con distribucin tericas.
El usar datos empricos es en general ms conveniente, pero puede implicar que el modelo quede influido por
factores que se dieron en el tiempo de gestacin de ellos y no vuelvan a repetirse. Ejemplo: perodo de sequa
prolongado, poco usual, que influir sobre parmetros del rbol.
- En cuanto a la cantidad de datos a obtener se debe equilibrar el costo de obtencin de ellos con los beneficios que
se tendra de tener esa cantidad de datos.
V. Construccin del modelo
Es llevar el modelo que se tiene del simulador a un lenguaje de programacin disponible en el computador a usar o en
las configuraciones disponibles, y que debe conocer su programacin. Luego que se tiene el programa fuente del
modelo, escrito en el lenguaje elegido, probarlo y depurarlo desde el punto de vista computacional, hasta obtener una
versin satisfactoria.
Para construir el programa se sugiere usar construccin en mdulos, y programar de manera estructurada estos
mdulos para finalmente ponerlos en interaccin.
VI. Validacin
Es esta etapa se trata de establecer, y si es posible aumentar, el nivel aceptable de confiabilidad de las inferencias
efectuadas sobre el sistema real.
La validacin tiene el concepto de grado, no es un resultado dicotmico, no es un si o no, no es vlido o invlido, no es
correcto o incorrecto.
Esta etapa es importante porque el usuario debe tener confianza en que los resultados que se deriven de las corridas y
del uso del simulador sean confiables, y en qu medida son confiables.
Todo modelo contiene simplificaciones, por lo que ningn modelo es absolutamente correcto en el sentido que exista
una correspondencia exacta entre l y el sistema real. Esto hace que siempre se tenga el problema de la validacin.
Fuentes de error
En la formulacin del modelo:
Que se excluya variables relevantes, o un atributo (esto es ms dramtico).
Que se incluya variables irrelevantes (es menos dramtico).
Mala eleccin de una funcin de distribucin de probabilidad para una variable.
Mal establecimiento de alguna relacin funcional o de los parmetros del modelo.
En los datos usados
- Toma de datos con margen de error relativo importante.
- Tcnica de muestreo mal aplicada. Ejemplo: Tomar todos los datos de un sector no representativo.
- Datos mal digitados o mal almacenados.
El analista hace un acto de confianza en el equipo que tena los datos.
En la construccin
- Errores en los programas (de lgica, mal uso del lenguaje).
- El tiempo real se simula mal.
- Uso de una imagen no adecuada del mundo real. (Usar matrices de punto para territorios, lagos, bosque,
cardumen, conglomerados; en lugar del espacio R
2
por ej.)
La validacin consiste en 2 etapas:
1) Validacin de los modelos de procesos simples; esto es validar la estructura interna del modelo.
- Se valida la salida de los procesos simples y en ello se hace uso de tcnicas de estadstica.
- Las relaciones funcionales tambin deben validarse. Puede hacerse cuando se establece el modelo o en la toma de
datos.
- No debe tomarse relaciones funcionales desconocidas, o que no tengan ya un grado de validez aceptable.
- Siempre ser posible validar las componentes o subsistemas porque se habrn construido de manera modular para
formar el modelo.
- En esta etapa se observar el comportamiento del modelo en cada uno de esos procesos simples para
asegurarse que cada componente o subsistema esta bien simulado.
2) Validar el modelo de simulacin en su entorno, esto es validar los datos de salida.
- Puede ser que la validez de la estructura sea buena, pero el resultado combinado de los procesos simples sea
casi mala.
- Confrontar los resultados de la simulacin con las experiencias pasadas y con teoras existentes al respecto:
- No tomar posturas como: los resultados no me parecen correctos, pero si el modelo lo dice yo lo acepto.
- Si los resultados son absurdos, no tiene sentido continuar; cualquier otro anlisis no convencer a los usuarios.
Ningn modelo se ha aceptado si los resultados van contra la teora.
- Para modelos de importancia, de envergadura deber consultarse la opinin de expertos.
Anlisis de sensibilidad
En las 2 etapas de la validacin (de estructura y de los datos de salida) se debe hacer anlisis de sensibilidad.
Para ello, se vara los valores de 1 o 2 variables de entrada y se observa la respuesta del modelo. Es de cuidado cuando el
modelo es muy sensible a una pequea variacin de una variable, y en general el modelo no es bueno cuando ello
ocurre.
Efectuar anlisis de sensibilidad de las variables dependientes ante cambios de las variables independientes.
- Con un simulador se puede realizar muchos anlisis de sensibilidad por el grado de control sobre las variables de
entrada (Mtodo Turing ). Luego consultar a expertos, si es posible.
- Anlisis de la capacidad de replicar los datos que se uso en su construccin. Esta rplica no es tan importante ya
que si replica los datos usados no significa que el modelo sea bueno; y, si ni siquiera replica los datos usados es
porque el modelo de simulacin obtenido, es malo.
- Anlisis de la capacidad de predecir usando datos crticos no incluidos en los datos, o usar datos histricos o datos
que se obtienen del sistema real o de otro simulador ya probado.
Se espera que estas salidas no sean absurdas comparadas con la experiencia y la teora. Se consulta la opinin de
expertos en esta confrontacin del modelo con la realidad presente.
Ej. Simular la evolucin de una poblacin de chinchillas dndole poblacin mxima altsima, y datos de poblacin
existentes. Consulta a expertos en chinchillas.
- El modelo debe correrse muchas veces antes de llegar a tener una probabilidad de distribucin de la respuesta de
un variable de salida.