UNIVE RS IDAD DE CH ILE F acul tad de Ci e nci as F ore stal e s y de l a C onse rvaci n de l a N atural e za Escue l a de C ie nci as F ore stale

s JMB M

A P U N T E S D E :

Simulacin de Sistemas

Para el Curso: INVESTIGACION DE OPERACIONES II Prof: Juan Barrios M

Inicio parte 3 de 3.

Algoritmo para generar nmeros aleatorios

Mtodo del cuadrado medio
1. Elegir un nmero de 4 dgitos. 2. Elevar al cuadrado ese nmero, y agregar ceros a la izquierda si es necesario, hasta completar 8 dgitos. 3. Seleccionar los 4 dgitos del centro como el nmero al azar buscado. 4. Tomar el nmero seleccionado en 3, para repetir los pasos 2 y 3, hasta completar la cantidad de nmeros requeridos, o la secuencia se repita. Observacines: - La secuencia puede terminar pronto, dependiendo del valor inicial que se tome. - El mtodo es de difcil anlisis porque depende fuertemente del punto inicial. - Ejemplos, tomando como semilla el nmero: 1237 y luego la semilla 5217. X0 X1 X2 X3 X4 X5 X6 X7 X8 X9 = = = = = = = = = = 1237 5301 1006 0120 0144 0207 0428 1831 3525 4256 X02 X12 X22 X32 X42 X52 X62 X72 X82 X92 = = = = = = = = = = 01 5301 69 28 1006 01 01 0120 36 00 0144 00 00 0207 36 00 0428 49 00 1831 84 03 3525 61 12 4256 25 18 1135 36 X0 X1 X2 X3 X4 X5 X6 X7 X8 X9 = = = = = = = = = = 5217 2170 7089 2539 4465 9362 6470 8609 1148 3179 X20 X21 X22 X23 X24 X25 X26 X27 X28 X29 = = = = = = = = = = 27 2170 89 04 7089 00 50 2539 21 06 4465 21 19 9362 25 87 6470 44 41 8609 00 74 1148 81 01 3179 04 10 1060 41

Universidad de Chile. Curso Investigacin de Operaciones-II ; Prof. Juan Barrios M.

Pg.: 2 / 15

X10 X11 X12 X13 X14 X15 X16

= = = = = = =

1135 2882 3059 3574 7734 8147 3736

.. .. .. .. .. .. . .

X 1 0 = 1060 . . . . . .

. . . . . . . . . . . . . . . . . .

La ventaja principal de este mtodo es lo fcil de aplicar y de programar. Si se quiere obtener nmeros en el intervalo [0,1), bastar tomar esa secuencia de dgitos con un cero y una coma delante de ellos. Debe notarse que el cero a la izquierda es de importancia en este caso, ya que 5670 y 05670 generarn los nmeros 0,567 y el 0,0567 que son muy diferentes. Mtodo congruencial mixto. Este mtodo, a partir de una semilla x0 , calcula el siguiente nmero aleatorio a partir del ltimo que obtuvo, mediante la relacin de recurrencia siguiente: xn+1 ( axn + c ) (mdulo de m) y significa que:

donde a, c y m son enteros positivos (a<m , c<m)

xn+1 es el residuo cuando axn + c se divide por m. Entonces los valores posibles de xn+1 son: 0, 1, ...., m-1 porque el resto de una divisin es menor que el divisor. As, m representa el nmero deseado de valores diferente para la serie. Ejemplo: Sea m = 8 , a=5 , c=7 n 0 1 2 3 4 5 6 7 8 9 10 xn 4 3 6 5 0 7 2 1 4 se repite 3 se repite 6 se repite y x0 = 4 5 xn + 7 27 22 37 32 7 42 17 12 27 se repite (5 xn + 7) / 8 3 + 3/8 2 + 6/8 4 + 5/8 4 + 0/8 0 + 7/8 5 + 2/8 2 + 1/8 1 + 4/8 xn+1 3 6 5 0 7 2 1 4

Universidad de Chile. Curso Investigacin de Operaciones-II ; Prof. Juan Barrios M.

Pg.: 3 / 15

11

5 se repite

La secuencia obtenida es: 4, 3, 6, 5, 0, 7, 2, 1, ..... y luego la secuencia se repite. Se obtuvo 8 nmeros distintos, ya que: m=8. Una caracterstica que se desea de la sucesin de valores a obtener es que contenga exactamente una vez los nmeros posibles. En el ejemplo anterior ello ocurri, pero no ocurre con cualquier valor de a, c y x0. ( Ejemplo: Sea a = 4, c = 7, x0 = 3 , m = 8 ). 0 1 3 3 4 xn + 7 19 19 3 3

Y se repite el mismo valor 3; la secuencia obtenida tiene largo 1 ). Hay algunas reglas para elegir los valores de a y c que garantizan la propiedad de que contenga exactamente una vez los nmeros posibles. (NO hay restriccin sobre la semilla, porque la eleccin de sta slo afecta a la sucesin en cuanto al punto en que comienza a salir y no en la progresin de los nmeros). Si el computador que se usara tiene tamao de palabra de b bits, la eleccin normal de m es: m = 2b , 216= 62236, 215= 32768, 214 = 16384. Con esta eleccin de m se puede asegurar que cada nmero posible ocurre exactamente una vez antes que se repita, si es que se seleccionan: a = 1, 5, 9, 13, 17,.... c = 1, 3, 5, 7, 9, 11,..... Si el computador cuenta con tamao de palabra de d dgitos, la eleccin normal de m es 10 d y se garantiza la misma propiedad si se elige: a = 1, 21, 41, 61,.... c = 1, 3, 7, 9, 11, 13, 17, 19,..... (los enteros positivos impares excepto aquellos que terminan con 5). Ejemplo: Sea m = 215 = 32768 , a=5 , c=3 , x0 = 12 n xn 5xn+3 0 1 2 3 4 5 6 7 12 63 318 1593 7968 7075 2610 13053 63 318 1593 7968 39843 35378 13053 65268

xn+1 63 318 1593 7968 7075 2610 13053 32500

Universidad de Chile. Curso Investigacin de Operaciones-II ; Prof. Juan Barrios M.

Pg.: 4 / 15

8 9 10 11 12 13 14 15 ... La secuencia de 16 nmeros de 5 dgitos es:

32500 31431 26086 32129 29576 16811 18522 27077 ...

162503 157158 130433 160648 147883 84058 92613 135388 ...

31431 26086 32129 29576 16811 18522 27077 4316 ...

31431 26086 32129

00063 00318 01593 07968 07075 02610 13053 32500 29576 16811 18522 27077 04316

Y los nmeros aleatorios obtenidos en el intervalo [0 , 1) son:

0,00063 0,00318 0,01593 0,07968 0,07075 0,02610 0,13053 0,32500 0,31431 0,26086 0,32129 0,29576 0,16811 0,18522 0,27077 0,04316

Ejemplo: Sea m = 100 , a = 21 , c = 3 , x0 = 15. Entonces: xn+1 = 21xn+3 La secuencia de valores obtenida es:
N 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 Xn 21xn+3 Xn+1 15 318 18 18 381 81 81 1704 4 4 87 87 87 1830 30 30 633 33 33 696 96 96 2019 19 19 402 2 2 45 45 45 948 48 48 1011 11 11 234 34 34 717 17 17 360 60 60 1263 63 63 1326 26 26 549 49 49 1032 32 32 675 75 75 1578 78 78 1641 41 N 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 Xn 21xn+3 Xn+1 77 1620 20 20 423 23 23 486 86 86 1809 9 9 192 92 92 1935 35 35 738 38 38 801 1 1 24 24 24 507 7 7 150 50 50 1053 53 53 1116 16 16 339 39 39 822 22 22 465 65 65 1368 68 68 1431 31 31 654 54 54 1137 37 37 780 80 80 1683 83 N 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 Xn 21xn+3 Xn+1 99 2082 82 82 1725 25 25 528 28 28 591 91 91 1914 14 14 297 97 97 2040 40 40 843 43 43 906 6 6 129 29 29 612 12 12 255 55 55 1158 58 58 1221 21 21 444 44 44 927 27 27 570 70 70 1473 73 73 1536 36 36 759 59 59 1242 42 42 885 85

Universidad de Chile. Curso Investigacin de Operaciones-II ; Prof. Juan Barrios M. 22 23 24 25 26 27 28 29 30 31 32 33 41 64 47 90 93 56 79 62 5 8 71 94 864 1347 990 1893 1956 1179 1662 1305 108 171 1494 1977 64 47 90 93 56 79 62 5 8 71 94 77 56 57 58 59 60 61 62 63 64 65 66 67 83 46 69 52 95 98 61 84 67 10 13 76 1746 969 1452 1095 1998 2061 1284 1767 1410 213 276 1599 46 69 52 95 98 61 84 67 10 13 76 99 90 91 92 93 94 95 96 97 98 99 100 101 85 88 51 74 57 0 3 66 89 72 15 18 1788 1851 1074 1557 1200 3 66 1389 1872 1515 318 381 88 51 74 57 0 3 66 89 72 15 18 81

Pg.: 5 / 15

Procedimientos ms habituales para validar un simulador Validar un simulador es establecer el grado de exactitud que tienen los datos entregados por ste al contrastarlos con resultados conocidos del sistema real; para concluir si el simulador representa bien al sistema real o no, o bien en qu grado lo representa. Ejemplo 1.- Al validar la salida de un simulador, ante situaciones iguales, dadas a ste y dadas en la realidad, una de las variables entreg los siguientes valores F(x1,.....xn), que se indican junto a los del sistema real R(x1,.....xn). x1 ...... xn F(x1,.....xn) 15.2 32.5 109.4 10.6 7.5 18.6 29.5 Lo observado en el sistema real. Aplicacin del test de Chi-cuadrado. 7 (v0-ve)2 i=1 ve = 0,25 + 5,29 + 2,25 + 30,25 + 6,25 + 5,76 + 12,96 = 14,7 30,2 107,9 16,1 5,0 16,2 25,9 R(x1,.....xn) 14.7 30.2 107.9 16.1 5.0 16.2 25.9 Lo esperado, salida del simulador. Hay diferencia significativa entre lo entregado por el simulador y lo que ocurri en el sistema real?

= 0,0170 + 0,1751 + 0,0208 + 0,0208 + 1,8789 + 1,2500 + 0,3556 + 0,5004

Universidad de Chile. Curso Investigacin de Operaciones-II ; Prof. Juan Barrios M.

Pg.: 6 / 15

= 4,1978 En la tabla de 2 con 7-1=6 grados de libertad y con = 0.95 entrega: 12.592 Como valor de tabla es > valor calculado, se concluye que no hay discrepancia al nivel 5%. Observacin: Si el valor de tabla < al valor calculado, hay discrepancia al nivel del 5%. Y se concluye que esos datos no provienen de la misma funcin. Test de chi cuadrado para bondad de ajuste. Ejemplo 2.- La siguiente lista de valores muestra la salida de una variable de un simulador ante sucesivas corridas en iguales condiciones. 1) 2) 3) 4) 5) 6) 7) 8) 9) 35 45 41 44 42 36 38 40 40 Determine un intervalo que contenga el promedio de los valores que tomar esa variable en sucesivas corridas, bajo iguales condiciones, y un = 0.95 Se asume que hay normalidad en los datos; los datos provienen de una distribucin normal.

xp = 361 / 9 = 40,11111 ; Es el Promedio de la muestra de tamao 9.

s =
2

( xi x)
i =1

n 1

1 [ 26.12 + 23.9 + 0.79 + 15.12 + 3.56 + 16.9 + 4.46 + 0.01 + 0.01] 8

90,87 =11,359 8

s = 3,37 As, la desviacin estndar estimada del promedio de la muestra es:

s 3,37 = =1,12 n 9

y el intervalo es x 1.8595 *

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:

Universidad de Chile. Curso Investigacin de Operaciones-II ; Prof. Juan Barrios M.

Pg.: 7 / 15

40,11 1,8595 * 1,12 = ( 38,02 , 42,19 ) Para un = 0,75 el intervalo pedido es: 40,11 0,7064 * 1,12 = ( 39,32 , 40,90 )

longitud del intervalo es: 4,1653

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 20,58 11,54 16,47 14,58 18,20 10,97 19,12 15,76 12,95 12,54 16,51 16,13 17,53 18,05 14,76 16,19 11,46 13,65 18,70 20,50 15,04 20,23 15,55 11,01 11,12 13,30 17,47 10,77 10,50

30 datos!

Son estos valores uniformemente distribuidos entre 10 y 21? Anlisis por intervalos. N 1 2 3 4 5 6 7 8 9 10 11 Intervalo: [ 10 ,11 ) [ 11 , 12 ) [ 12 , 13 ) [ 13 , 14 ) [ 14 , 15 ) [ 15 , 16 ) [ 16 , 17 ) [ 17 , 18 ) [ 18 , 19 ) [ 19 , 20 ) [ 20 , 21 ) Frecuencia observada: =3 = 4 = 2 = 2 = 2 = 3 = 4 = 2 = 3 = 2 = 3 Frecuencia esperada: 30/11 = 2,72 30/11 = 2,72 30/11 = 2,72 30/11 = 2,72 30/11 = 2,72 30/11 = 2,72 30/11 = 2,72 30/11 = 2,72 30/11 = 2,72 30/11 = 2,72 30/11 = 2,72

Universidad de Chile. Curso Investigacin de Operaciones-II ; Prof. Juan Barrios M.

Pg.: 8 / 15

Total =30 Aplicacin del test de 2 para ver la bondad del ajuste de los valores observados a los valores esperados.
(v0 ve ) 2 = 0,0273 + 0,5939 + 0,1939 + 0,1939 + 0,1939 + 0,0273 + 0,5939 + 0,1939 ve i =1 + 0,0273 + 0,1939 + 0,0273
11

= 0,0273 * 4 + 0,5939 * 2 + 0,1939 * 5 = 2,2665 Valor tabla x2 con 10 grados de libertad es: 18,307 , y = 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 = 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 9,96 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 9,82 Los datos originales tienen:
302.30 = 10.09 n 30 ( xi x)2 = 8.7723 = 0.325 s2 = n 1 29 s = 0.54 x=
i

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 0.033 =1/30 0.033 0.100 Esperado
0,0287 0,0521 0,1033

( - , 9.05 ) [ 9.05 , 9.30 ) [ 9.30 , 9.55 )

= = =

Universidad de Chile. Curso Investigacin de Operaciones-II ; Prof. Juan Barrios M.

Pg.: 9 / 15

[ 9.55 , 9.80 ) [ 9.80 , 10.05 ) [ 10.05 , 10.30 ) [ 10.30 , 10.55 ) [ 10.55 , 10.80 ) [ 10.80 , 11.05 ) [ 11.05 , 11.30 ) [ 11.30 ,+ )

= = = = = = =

0.100 0.200 0.133 0.200 0.133 0.033 0.000 0.033

0,1605 0,1952 0,1860 0,1385 0,0809 0,0369 0,0132 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 + * N ( 0 , 1 ) N( x , ) = 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) ( - , -1.9) [ -1.9, -1.4 ) [ -1.4 , -0.9) [ -0.9 , -0.4 ) [ -0.4 , 0.1 ) [ 0.1 , 0.6 ) [ 0.6 , 1.1 ) [ 1.1 , 1.6 ) [ 1.6 , 2.1 ) [ 2.1 , 2.6 ) [ 2.6 , + ) Esperado 0.0287 0.0521 0.1033 0.1605 0.1952 0.1860 0.1385 0.0809 0.0369 0.0132 0.0047 1.0000

Ahora se aplica el Test de chi-cuadrado:

= 0,30 En tabla 2 con 10 grados de libertad y = 0.95 da: 18.307 ve el valor calculado es menor que el valor obtenido de tabla. No hay diferencias significativas entre lo observado y lo esperado al nivel 95%.

( vo ve ) 2

Universidad de Chile. Curso Investigacin de Operaciones-II ; Prof. Juan Barrios M.

Pg.: 10 / 15

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( , ) De Poisson p(x ; ) = e- x /x! ; x = 0, 1, 2,....

Universidad de Chile. Curso Investigacin de Operaciones-II ; Prof. Juan Barrios M.

Pg.: 11 / 15

Hipergeometric p(N, n, k, x) =

k N k x n x N n

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.

Universidad de Chile. Curso Investigacin de Operaciones-II ; Prof. Juan Barrios M.

Pg.: 12 / 15

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 R2 por ej.)

La validacin consiste en 2 etapas:

Universidad de Chile. Curso Investigacin de Operaciones-II ; Prof. Juan Barrios M.

Pg.: 13 / 15

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.

Universidad de Chile. Curso Investigacin de Operaciones-II ; Prof. Juan Barrios M.

Pg.: 14 / 15

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.

Las conclusiones de la etapa de validacin sern sobre la estructura interna, y en sta de las relaciones funcionales, de las variables dependientes, de las funciones de probabilidad, de las variables estocsticas y de los subsistemas; y es de esperar un grado de validez alto y ms o menos parejo. Sobre las variables de salida, de cada una de ellas por separado y en conjunto, usando mtodos estadsticos, viendo la capacidad de replicar, de predecir, y finalmente la opinin de expertos. Si la validacin resulta positiva para el modelo, se pasa al diseo de experimentos. Si el modelo no responde bien en cualquiera de las etapas de la validacin deber volverse a las etapas anteriores del desarrollo del modelo. No confundir esta validacin del simulador con la validacin de datos que se ingresan a un archivo o a un programa, esto ltimo es verificacin de datos.

VII Diseo de experimentos Aqu se usan las reglas y los procedimientos que la estadstica considera para el diseo de experimentos en general y que se aplica a disear experimentos a efectuar con el simulador. El diseo se har orientado principalmente a los objetos que tiene el estudio o el programa en que se inserta la construccin del simulador, o los objetivos de los usuarios que utilizarn el simulador, y para lo cual ste fue diseado. Se puede distinguir una etapa estratgica donde se decide el diseo de experimentos a usar por ser el ms adecuado, y la etapa tctica donde se decide el cmo se llevara a la prctica los experimentos del diseo a aplicar. Se ve aqu la distribucin de recursos, el uso del tiempo y del personal. VIII Ejecucin de los experimentos Corresponde a la etapa operacional del diseo de experimentos. IX Interpretacin Se hacen las inferencias sobre el sistema real de los datos generados por el simulador. X. Documentacin

Universidad de Chile. Curso Investigacin de Operaciones-II ; Prof. Juan Barrios M.

Pg.: 15 / 15

Se debe indicar por escrito puntos tales como: los objetivos, las componentes y subsistemas, variables de entrada y de salida, relaciones funcionales, el modelo formulado, la funcin de desempeo, y lo pertinente hasta aqu (Diseo lgico del simulador). Se debe documentar el programa computacional, los mdulos o las subrutinas, las interrelaciones entre mdulos y la conclusiones de la etapa de validacin (Diseo fsico del simulador). Confeccionar un manual de procedimiento para el uso del simulador. Este resultar ms breve cuanto ms amigable sea el ingreso y manejo del simulador. Deber contener alcances que faciliten la inferencia al sistema real. XII. Explotacin Es dejar el simulador con los manuales y documentacin a disposicin del o de los usuarios. Fin parte 3 de 3. ( Fin de estos apuntes de simulacin ).