Respuestas Simulacin

1) Cmo caracteriza en general a un sistema? Qu caractersticas tiene un sistema

complejo?
Un sistema se define como un conjunto de elementos vinculados entre s que interactan en el
cumplimiento de una funcin determinada. Estas entidades se mueven por el sistema. Los
movimientos son originados por eventos.
Un sistema muchas veces se ve afectado por cambios en el entorno por lo que es
imprescindible definir, segn el propsito del estudio, los lmites entre el sistema y su
entorno.
Los componentes mas importantes que caracterizan a un sistema son:
Entidades: objetos o componentes del sistema que requieren una representacin
explcita en el modelo. (
Atributos: son las propiedades de cada entidad.
Lista o tabla: coleccin permanente o temporaria de entidades asociadas ordenadas
con algn criterio. La eficiencia de los resultados depende del manejo de las listas
favorece rapidez modelo
Actividad: duracin de tiempo conocida asociada a un proceso dado, que puede
definirse en trminos de una distribucin estadstica.
Noticia de un evento: registro que indica que un evento va a ocurrir en el futuro,
asociado con algn dato necesario para ejecutarlo.
En clase el ing Velazco mencion que la complejidad de un sistema se deba
fundamentalmente a:
Gran nmero de variables involucradas.
Gran nmero de interrelaciones entre las variables
Gran diversidad de tipos de variables y comportamientos
Slo con el fin de enriquecer la respuesta se agregan a continuacin otras caractersticas de
los sistemas complejos:
Dinmicos: los cambios suelen darse en distintas escalas de tiempo y puede suceder
que una variable que en el corto plazo se pareciera mantenerse estable, en el largo
plazo vare radicalmente.
Gobernados por el feedback: nuestras decisiones alteran el estado del sistema
causando cambios que dan origen a una nueva situacin que influye en nuestras
prximas decisiones.
No lineales: los efectos raramente son proporcionales a las causas. Mltiples factores
interactan entre s.
1
Dependientes de su historia: muchas acciones son irreversibles y condicionan la
evolucin futura del sistema.
Auto-organizados: la dinmica del sistema surge espontneamente debido a las
caractersticas de su estructura interna.
Adaptativos: las capacidades y las reglas de decisin cambian en el tiempo. Los
agentes del sistema aprenden en base a la experiencia y toman decisiones con criterios
distintos, no necesariamente mejores.
Anti-intuitivos: la causa y el efecto estn separados en tiempo y espacio. Lo que a
simple vista parece ser la causa solo es un sntoma del problema. Es difcil encontrar
puntos de apalancamiento.
Los efectos a corto plazo normalmente difieren de los efectos a largo plazo. Debido a
esto, decisiones estratgicas pueden producir en principio resultados que parecieran
ser negativos pero a largo plazo mejoran radicalmente las cosas.
2) Que entiende por modelo de un sistema, para qu sirve?
Un modelo es una representacin simplificada de un sistema que se realiza con el propsito
de poder estudiarlo. Se requiere, sin embargo, el nivel de detalle suficiente para poder obtener
conclusiones vlidas sobre el sistema real. El modelo incluye todos los componentes del
sistema que son relevantes para su estudio.
El modelo permite estudiar el sistema sin la necesidad ni siquiera de que el sistema ya exista
(es el caso en que se utiliza para disear un sistema). Y si bien en algunos casos se hace
posible experimentar con el sistema mismo esto puede que sea muy costoso, muy riesgoso, o
simplemente poco prctico.
3) Cules son los pasos para modelizar un sistema y que problemas plantea cada
etapa?
No existe una receta nica que garantice la posibilidad de modelizar un sistema. De hecho,
algunos creen que la modelizacin es ms un arte que una ciencia. Sin embargo algunos
pasos importantes que no pueden dejar de considerarse son:
Formular el problema
El primer paso consiste en formular el problema e identificar los objetivos y preguntas a ser
respondidas por el modelo. Este paso se basa en abstraer los factores esenciales del problema
de manera tal de lograr una descripcin lo suficientemente precisa como para luego poder ser
transcripto a notacin matemtica.
Suposiciones
2
Debido a que no pueden captarse todos los factores del sistema real se realizan suposiciones
que permiten comenzar inicialmente con un modelo ms simple e incrementar gradualmente
su complejidad. Estos supuestos caen normalmente dentro de dos actividades:
a) Clasificar las variables en dependientes e independientes: se definen las variables que se
van a considerar en el modelo y aquellas que inicialmente se consideran despreciables. Al
mismo tiempo se definen cuales de los factores de los que depende cada variable se van a
considerar y cuales se desprecian.
b) Determinar las interrelaciones entre las variables seleccionadas para su estudio: puede que
la complejidad del problema haga que no puedan identificarse las relaciones entre las
variables. En ese caso pueden estudiarse sub-modelos que inicialmente se suponen
independientes del resto y luego se van conectando gradualmente.
Resolver o interpretar el modelo
Unir los submodelos y tratar de entender integramente las interrelaciones entre ellos.
Muchas veces sucede que al llegar a este paso no se est en condiciones de resolver el
modelo. En ese caso es importante considerar la posibilidad de volver al paso anterior y hacer
suposiciones adicionales o bien volver al primer paso y redefinir el problema.
Verificar el modelo
Esta etapa consiste en verificar que los parmetros y la estructura lgica del modelo es
adecuada.
Validar el modelo
En esta etapa se busca corroborar que el modelo representa adecuadamente la realidad. Se
basa en un proceso iterativo de comparacin del modelo con el comportamiento actual del
sistema y usa las discrepancias entre los dos para mejorar el modelo. Este proceso se repite
hasta que la precisin del modelo se juzga aceptable.
4) Qu entiende por simulacin de un sistema o proceso y para que sirve?
La simulacin es la imitacin de un sistema o un proceso del mundo real durante un perodo
de tiempo. Involucra la generacin de una historia artificial y la observacin de esa historia
artificial para deducir conclusiones de las caractersticas operativas del sistema real que
representa.
La simulacin es til bsicamente para:
Estudiar y experimentar el comportamiento de un sistema complejo
Obtener ayuda para el diseo de sistemas
Para poder contestar preguntas del tipo que pasa si...?
5) Qu cuestiones adicionales se plantean al realizar un modelo de simulacin?
En el caso de tener que realizar un modelo de simulacin se agregan algunas cuestiones al
proceso de modelizacin descripto en la pregunta 3.
3
En las filminas se pueden observar todas las etapas para realizar un estudio (y no solamente
un modelo) de simulacin. Bsicamente un estudio de simulacin puede ser dividido en
cuatro fases
1) Descubrimiento y orientacin: esta fase esta formada por la formulacin del problema
y la planificacin del proyecto.
2) Modelizacin: esta fase incluye la construccin del modelo conceptual, el modelo de
datos, el modelo operacional, la codificacin , la verificacin y la validacin.
3) Corrida del modelo: esta fase incluye el diseo experimental, la experimentacin, el
anlisis y las conclusiones.
4) Implementacin: esta fase incluye la presentacin final y la implementacin.
Las cuestiones adicionales que se plantean al realizar un modelo de simulacin surgen del
anlisis de la fase 2 del estudio de simulacin antes mencionado y son las siguientes:
La construccin de un modelo de datos
El modelo operacional y la codificacin del modelo en un lenguaje de simulacin o
bien su ingreso a un software de simulacin.
Si la pregunta apunta a las cuestiones adicionales que agrega realizar un estudio de
simulacin en comparacin con solo modelizar un sistema, entonces los aspectos a incluir
tambin deben tener en cuenta las fases 1, 3, y 4.
Tambin es importante recordar (no est mencionado dentro de los pasos del estudio de
simulacin pero si fue mencionado en clase) la necesidad de formar un equipo de trabajo y
definir los roles que van a cumplir cada uno de los integrantes.
6) Qu diferencias existen entre la simulacin continua y la Discreta

Simulacin continua: el estado de las variables cambia en una forma CONTINUA a travs
del TIEMPO.
Estado de
la variable
Tiempo
Simulacin discreta: el estado de las variables cambia slo en punto DISCRETOS a travs
del TIEMPO debido a ocurrencia de eventos (cambio de la evolucin de las variables se da
por eventos que modifican el estado del sistema)
Estado de
la variable
4
Tiempo
Cabe remarcar que NINGUN sistema es completamente continuo o completamente discreto.
7) Qu aplicaciones de modelos de simulacin conoce? Describa por lo menos una de
ellas.
Las ms fciles que se me ocurren para acordarse son: un sistema de colas comn y corriente
y el problema de estimacin de demanda del canillita. Este ltimo, por ejemplo, podemos
describirlo en funcin de sus entidades, atributos, actividades, eventos y variables de estado
(acordarse de que estn pueden describir unvocamente el estado de un sistema).
Problema del canillita (Simulacin de la Demanda).
Entidades: Bajada diaria de Revistas y Peridicos (Es decir las entidades son los diarios y
revistas que adquiere el canillita desde el distribuidor).
Atributos: Vigencia (Diario o Revista. Es decir si todava sigue vigente. Este atributo se
transforma en NO cuando paso un da para el diario o pasaron 7 para la revista).
Actividades: demanda en das de lluvia y demanda en das de sol.
Eventos: Lluvia o Soleado.
Var. De Estado: Sobrantes de diario y Demanda insatisfecha.
8) En el caso de simular un sistema de manufactura que objetivos pueden plantearse?
Qu restricciones pueden esperarse? En el caso de HP que resultados se obtuvieron?
Sistema de manufactura: en un proceso industrial, la simulacin permite:
- Visualizar el movimiento de las partes y su interaccin con el reto de los
componentes del proceso
- Evaluar el flujo de las partes a travs del sistema
- Examinar casos de demanda conflictiva de recursos
- Evaluar cambios previstos, antes de su implantacin
Preguntas tpicas:
- Cules sern los resultados?
- Cmo se podran modificar?
- Cul es el mejor diseo?
- Cul es la confiabilidad del sistema?
- Cul es el impacto en los cambios?
Algunas simplificaciones podran ser no considerar mantenimiento, faltantes, etc.
Hewlett Packard utiliz simulacin para obtener recomendaciones para cambios para mejorar
la performance de su sistema de produccin de impresoras pues no se alcanzaban las metas
de produccin.
Los beneficios que obtuvo fueron un aumento en el ingreso y en la productividad (costo
competitivo).
5
9) Que ventajas y desventajas puede mencionar de la modelizacin por simulacin
Ventajas de la Simulacin Desventajas de la Simulacin
Flexibilidad para modelar los
procesos tal como son
Permite introducir: el Factor
probabilstica y Reglas de
decisin
Salidas grficas = Resultados
comprensibles
nica alternativa en sistemas
complejos.
Permitehacer uso del tiempo
pudiendo acelerarlo o dejarlo
ms lento.
Avances en los paquetes de
software para simulacin (ms
simples, herramientas
estadsticas, etc)
Resultados aproximados.
Capacitacin en la herramienta a
utilizar.
Resultados a veces difciles de
interpretar.
Modelo costoso (Fuerza bruta:
Prueba y Error).
A veces debe requerirse de
mucho tiempo.
10) Qu entiende por simulacin de Montecarlo? Cundo la utilizara?
La simulacin de Monte Carlo es un tipo de simulacin ESTATICA en que se asignan
distribuciones probabilsticas a las variables de entrada y se obtiene una distribucin de
probabilidad para la salida. Donde usarla donde el tiempo no juegue un rol en el modelo
(i.e: Simulacin de escenarios estticos).
11. Cuales son los elementos bsicos de un modelo de simulacin discreta?
Un modelo est compuesto por un conjunto de relaciones que describen un sistema en
trminos de estados, entidades y sus atributos, eventos y actividades.
12. Cmo se formula el proyecto para realizar un modelo de simulacin? Como se
organiza el grupo del proyecto? Que cuidados deben tenerse?
Uno de los principales cuidados que deben tenerse es si la simulacin es el mtodo apropiado
para encarar el problema. Si se supone que lo es, el proyecto debe incluir sistemas
alternativos que requieran considerarse y un mtodo para evaluar la efectividad de stos para
describir el objeto de estudio.
6
Adems debe detallarse el nmero de personas involucradas en el proyecto, el costo del
mismo, los das necesarios para cada fase del trabajo y los resultados esperados al final de
cada fase.
Definido el problema debo establecer el Plan del Proyecto. Este requiere establecer de
antemano los roles, objetivos, etapas del proyecto, indicadores de control, etc.
El grupo total del proyecto puede dividirse entre aquellos que tienen las competencias para
obtener informacin y aquellos que tienen las competencias para realizar el proyecto
(software, conocedor del proyecto, direccin del proyecto, etc.)
Tambin es necesario tener un plan de contingencias.
13. Que entiende por evento? Que entiende por estado? Ejemplifique.
Evento: ocurrencia instantnea que cambia el estado del sistema (en simulacin discreta la
ocurrencia es discreta); entre eventos el sistema permanece inalterado. Ej.: llegada o partida
de un cliente, un nacimiento, etc.
Estado: coleccin de variables que contienen informacin necesaria para describir el sistema
en cualquier momento.
Ej.: nmero de clientes en una cola, aviones en un aeropuerto, etc.
14. Que es el procesamiento de listas? Por que es importante?
Lista: coleccin de entes asociados permanentemente o temporalmente, ordenados de alguna
manera lgica. Ej.: clientes en una cola ordenados por momento de llegada (FIFO) o por
prioridad (pacientes en sala de espera de un hospital, segn gravedad), etc.
LEF: contiene eventos futuros ordenados cronolgicamente. En el momento en que comienza
una actividad, se registra un evento en la LEF, donde el tiempo o instante de ocurrencia del
evento est definido por el instante en que finaliza dicha actividad. Adems se especifica el
tipo de evento (p.e.: fin de un servicio).
El procesamiento de listas abarca mtodos para el manejo en memoria de listas de entidades o
listas de eventos futuros. En simulacin por computadora, cada registro (entidad o evento) se
almacena en un lugar fsico de la memoria. Hay dos opciones:
Tablas/Arrays: los registros se ubican contiguos en la memoria. Forma una matriz donde
cada fila es un registro; R(i) representa el i-simo registro. Su ventaja es que puede
encontrarse un determinado registro directamente. Su desventaja es que cada array debe
sobredimensionarse (puede haber ms de una) para que cualquier lista quepa en ella; esto
hace que se ocupe gran cantidad de memoria.
Con arrays hay dos mtodos de ordenar los registros:
Posiciones ordenadas: primer reg. en R(1), segundo en R(2),, R(tailptr).
Este mtodo es ineficiente para listas largas. Si se debe agregar un tem en cualquier
lugar (excepto el ltimo) deben desplazarse hacia abajo los que le siguen.
Posiciones no ordenadas: una variable, el headptr, apunta al primer registro de
la lista. (headptr = 11 indica que el R(11) es el primero de la lista). Los registros
tienen un campo que indica qu registro es el siguiente. Ej. para lista de entidades:
R(i) = [identificacin, tiempo de arribo, prximo registro]
7
Alocacin dinmica: en este caso los registros no necesitan ser guardados en zonas
contiguas de memoria. Cada registro tiene un campo con un ndice que indica en qu
lugar de la memoria se encuentra el siguiente. Cuando un registro no se necesite ms, el
espacio que ocupaba en la memoria ser liberado quedando disponible.
Para acceder a un registro cualquiera, se debe recorrer la lista hasta ubicarlo.
La importancia del procesamiento de las listas radica en que permite mantener todo ordenado
y por ende favorece la efectividad del modelo en cuanto a rapidez. La eficacia de los
resultados tambin depende del buen manejo de las listas.
15. Que lenguajes de programacin para simulacin conoce? Que caractersticas
tienen?
Los lenguajes para simulacin facilitan el desarrollo y ejecucin de las simulaciones.
- Existen lenguajes de programacin de propsitos generales o no especficos como
FORTRAN, Visual Basic, C y C++. Este ltimo no fue diseado especficamente para uso en
simulacin, aunque se utiliza ampliamente para simulacin de eventos discretos. Para ciertas
aplicaciones existen paquetes basados en este tipo de lenguajes.
Son para modelos sencillos.
Lentos para simular porque normalmente no poseen buenas tcnicas para el procesamiento de
las listas.
El analista debe programarlo todo (las muestras generadas, etc)
- Por otro lado, se encuentran lenguajes especficos para simulacin como GPSS, SIMAN V,
SIMSCRIPT II, SLAM II, etc. GPSS fue diseado para sistemas de colas relativamente
simples (como negocios de compra-venta) pero puede utilizarse para sistemas de gran
complejidad. Por su parte SIMAN V, SIMSCRIPT II, SLAM II se orientan a interacciones
entre procesos.
Tienen macro funciones o rutinas para acelerar la simulacin (procesamiento de listas eficaz)
Diseados para facilitar la construccin del modelo.
16 - Qu criterios utilizara para seleccionar el software de simulacin?
En funcin del INPUT:
Interfase con algn lenguaje (Aceptar cdigo C, Vbasic, etc)
Capacidad de anlisis del input
Portabilidad (Correr en PCs, bajo Windows, etc.)
Sintaxis (consistencia, facilidad de aprendizaje, etc.)
Depurador de datos interactivo
Flexibilidad de la modelizacin (Enfoque tipo interaccin de procesos)
En funcin del PROCESAMIENTO:
Velocidad de ejecucin
Tamao mximo de modelos
Forma de manejo de materiales (Transporters, conveyers, etc.)
8
Replicaciones independientes (Con diferente set de Nros aleatorios)
En funcin del OUTPUT:
Reportes estndares (Longitud promedio de las colas, etc.)
Anlisis estadstico (Intervalos de confianza)
Salidas grficas (De barras, Pie charts, etc.)
Facilidad de mantenimiento de datos (Manejo de base de datos)
17- Que ventajas tiene un software con animacin del proceso?
La ventaja de que el software permita hacer animaciones del proceso a simular, es que ayuda
al creador del modelo a venderlo. Es mucho mas fcil convencer a alguien que no esta
familiarizado con la tcnica de simulacin, si le presentamos un video acerca de cmo va a
funcionar, antes que ponerse a hablar de datos estadsticos y tcnicos, que si bien lo
validaran, no lo hacen atractivo para su compra.
Por otro lado, nos ayuda a comprender mejor la salida del modelo.
18- Que es y para que sirve el modelo conceptual de un sistema?
El modelo conceptual de un sistema sirve para pasar de la realidad a un modelo abstracto,
definiendo la correspondencia que existir entre los elementos del sistema real y los del
modelo. En primer lugar hay que definir los lmites del sistema y el propsito del mismo,
para ubicar cual va a ser nuestro campo de accin. Luego, hay que ver cuales son los
componentes del sistema, identificando las relaciones que hay entre si y su feedback. Una vez
identificados los componentes, hay que explicitar como es que interactan con el contexto y
con otros sistemas.
La utilidad del modelo conceptual se basa en que nos permite hacer una simplificacin de la
realidad, para poder focalizarnos en el problema. Seria imposible modelar la realidad tal cual
es, por eso se hacen supuestos y simplificaciones que permiten ver la escencia del problema,
sin desviar la atencin de lo importante. Posibilita que el rbol no nos tape el bosque.
19. Que tipos de variables y de relaciones entre variables pueden aparecer?
Tipos de Variables
Discretas y Continuas
Independientes, Relacionadas y Aleatorias
Variables de Estado y de Flujo
Parmetros y Variables de Decisin
Inercia, Umbrales, Triggers y Lags
Relaciones entre Variables
Causa-Efecto
Accin- Reaccion
Feedback Positivo y Negativo
9
10
20. Que pasos deben seguirse para elaborar el modelo conceptual?
Pasos (son decisiones a tomar)
Propsito del Modelo: definir si se busca
Resultado o comportamiento
Diseo o Mejora del Sistema
Descripcin o Explicacin
Operacional o econmico
Oportunidad o Precisin
Objetivos:
Factibilidad
Simulacin
Optimizacin
Planeamiento
Aprendizaje
Modelo Argumental: se definen las situaciones, consideraciones a hacerse en el
problema. Ej. En el caso de Don Valentn, la ruta, opciones de Don Valentin como
dormir siesta, ver que pasa si el carro se rompe, horarios, cargas, tiempos, estado del
camino si llueve o no, etc.
Lmites y contexto: establecer las limitaciones que se plantearn en el modelo y el
contexto para poder llevar a cabo el estudio.
Estructura y Funciones:
Supuestos y Simplificaciones
Variables y Parmetros
Relaciones y Funciones
Estados, Redes y Flujos
Memoria y Evolucin
Agentes:
El Dueo del Problema y el Modelizador
Los Agentes en el Modelo, Roles e Intereses
Decisiones:
Programadas o Interactivas
Relaciones con el Contexto
Grados de Incertidumbre
21. Sintticamente, cual es su modelo conceptual del problema de Don Valentn?
11
Propsito del modelo
Se espera como resultado el tiempo de transporte de los toneles al pueblo con el carro de
Don Valentn en condiciones inciertas de clima. Se trata de disear el sistema para que
Don Valentn sepa cuanto tiempo le llevar las entregas y cumplir con el plazo acordado
con el cliente.
Objetivos y modelo argumental
El objetivo es estimar el tiempo que le llevar llevar los toneles al pueblo para poder
cumplir con los clientes. El objetivo se trata de planear el viaje y la salida para llegar en
el plazo acordado.
Modelo argumental: la entrega depende de la carga llevada en cada viaje, la ruta elegida
y la velocidad del carro. Pero a su vez, la carga mxima que puede llevar el carro depende
del estado y condiciones del carro. La velocidad a la que puede viajar estar condicionada
por el estado de los caballos y los caminos. El estado de los caminos depende del clima
(las lluvias de hoy y ayer). Pero para estimar el tiempo, es necesario considerar ciertos
eventos que pueden ocurrir: lluvias, rotura del carro, siesta de Valentn, horarios en que
los carros pueden entrar a la ciudad, el posible cansancio de los caballos y de Don
Valentn.
Lmites y contexto
El lmite est en determinar el tiempo del viaje bajo las variables que se tendrn en
cuenta.
Estructura y funciones
Las simplificaciones del sistema son que no se considerarn otros imprevistos que no
sean las lluvias, rotura del carro y siesta de Don Valentn y las variables: el carro, los
caballos, los toneles, el camino, la ruta, los accidentes, el cansancio, la lluvia y el barro,
las decisiones de Don Valentn. Por lo tanto, los resultados sern con ese nivel de
precisin.
Agentes y decisiones
El dueo del problema es Don Valentn, y el modelizador es el que se ofrece a analizar el
problema y buscar una solucin. Don Valentn tiene el inters de poder estimar el tiempo
estimado del viaje al pueblo en su carro. El modelizador tiene como objetivo estimar ese
tiempo con la mayor precisin posible y luego ver la realidad y que el desvo sea el
menor posible. Las decisiones sern tomadas por el modelizador en cuanto a las
variables que se incluyen en el modelo y consideraciones que sean de estimaciones de
distribuciones de probabilidad para ciertas variables. Las decisiones pueden ser
12
interactivas con el dueo del problema, en cuanto a estimaciones de tiempo, o
consideraciones que el dueo del problema conozca mejor que el modelizador.
22. Que entiende por prototipo y cuando lo desarrollara?
El prototipo del modelos se desarrolla en base al modelo conceptual.
Prototipo: primer ejemplar de alguna cosa que se toma como modelo para crear otros de
la misma clase.
Es algo funcional.
Capta aspectos esenciales.
Puede hacerse con Excel.
Desarrollo cuando es caro considerar todo desde un principio y no estoy segura de que
vaya a ser til o no tengo certeza de que va a funcionar.
23. Que mtodos pueden aplicarse para la modelizacin conceptual? Como?
Mtodos de aplicacin:
Diagrama ABC: priorizando las variables ms importantes o relevantes.
Anlisis de correlacin: mediante regresiones, obtener el grado de correlacin entre
las variables.
Diagrama de relaciones: realizar un diagrama de relaciones entre las variables del
modelo.
24. Cuales son los errores tpicos que se cometen en la modelizacin conceptual?
Saltear el modelo conceptual
El modelo multipropsito enorme y perfecto (muy global)
Buscar todos los datos que no interesen
Relaciones causa-efecto y nada ms
Un contexto esttico
25. Describa el modelo conceptual de su proyecto
26. Qu es y para qu sirve el modelo de datos?
El modelo de datos es la estructura definitiva de aquellos datos de entrada que sirven de base
para simular:
Variables y Parmetros.
Obtencin de la informacin, mtodos utilizados.
Histogramas y ajuste de distribuciones.
Consistencia con los procesos reales.
Relaciones y evolucin.
13
Muestras artificiales.
Informacin para la validacin del modelo.
Variabilidad e incertidumbre de los datos.
Monitoreo del sistema real.
El modelo de datos sirve para que durante la simulacin se generen con la mayor fidelidad
posible a la realidad los datos de entrada necesarios.
27. Cmo se obtienen los datos a utilizar en el modelo?
Los tipos de datos dependen de la naturaleza del sistema que se simule. Los datos pueden ser
de dos tipos:
- Datos reales: son los datos reales usados directamente en el modelo. Son valores
realistas y legales (son totalmente veraces, es el espejo de la realidad), a veces
insuficientes (porque no siempre se puede acceder a todos los datos reales, se tarda
mucho tiempo o son muy costosos), probablemente con lmites restringidos (solo van
a simular lo que pas en la realidad, se restringe a eso) y con un proceso lento de
lectura (se necesita una gran base de datos con todos estos datos reales que producen
que el sistema funcione ms lentamente).
- Ajuste de distribuciones: es una generacin sinttica de datos, que va ms all de los
valores observables. Requiere un ajuste y validez de dichos valores.
Las dos formas de obtener los datos son:
- Recolectndolos. Esto generalmente requiere una substancial dedicacin de tiempo y
compromiso de recursos.
- Generando una muestra artificial. Hay veces en las que la obtencin de los datos
reales no es viable. Entonces, lo que se hace es generar una muestra artificial a partir
del conocimiento de la distribucin del proceso. Esta muestra responder a dicha
distribucin. La distribucin se sabe por el conocimiento del proceso y por la opinin
de gente experta.
Es importante el concepto de calidad de los datos.
La calidad (precisin) depende de los objetivos (decisiones) del modelo
Anlisis de sensibilidad del resultado a las variaciones de cada variable
Datos sucios, incompletos, montaas de datos (que no se necesitan)
Variabilidad y validez de los datos
GIGO (Garbage In, Garbage Out)
28. Cmo se analiza el comportamiento de una variable de entrada del modelo?
(interpretamos que pregunta sobre el anlisis de los datos de entrada).
Los pasos para analizar el comportamiento de una variable de entrada son los siguientes:
1- Obtencin de una muestra de datos.
2- Seleccin de las distribuciones.
3- Realizacin de ensayos de bondad de ajuste.
4- Generacin de muestras artificiales.
5- Definicin del modelo de datos.
14
29. Cmo puede atribuirse una distribucin de probabilidades a una cierta variable?
La distribucin de probabilidades se puede atribuir mediante dos formas:
- Anlisis del proceso: segn qu tipo de proceso sea, ya se sabe que ciertas
distribuciones lo ajustan bien. Por ejemplo, llegadas de gente se hace con Poisson,
tiempo de falla de un componente con Weibull. (ver filmina 6, clase 4)
- Anlisis estadstico: segn la muestra que se obtuvo de los datos, se construye un
histograma de frecuencias a partir del cual se puede ver en primera aproximacin la
forma que tiene. Luego se estiman los parmetros de la posible distribucin, se dibuja
la forma de la funcin de densidad de probabilidades y se ve si las dos formas
son similares.
Una vez elegida la distribucin, se tiene que realizar un ensayo de bondad de ajuste para
determinar si la distribucin elegida es vlida para representar los datos reales.
30. Que entiende por proceso estocstico? Que distribuciones aparecen? Ejemplifique.
Un proceso estocstico se define como una coleccin indexada de variables aleatorias (Xt)
donde el ndice t toma valores de un conjunto T dado. Con frecuencia T se toma como el
conjunto de enteros no negativos y Xt representa una caracterstica de inters mesurable en el
tiempo t. Por ejemplo, Xt puede representar los niveles de inventario al final de la semana t.
El inters de los procesos estocsticos es describir el comportamiento de un sistema en
operacin durante algunos perodos. Un proceso estocstico tiene la siguiente estructura:
El estado actual del sistema puede estar en una de M + 1 categoras mutuamente excluyentes
llamadas estados. La variable aleatoria Xt representa el estado del sistema en el tiempo t, de
manera que sus nicos valores posibles son de 0 a M. Los procesos estocsticos proporcionan
una representacin matemtica de cmo evoluciona el estado del sistema fsico.
31. Como se mide la bondad del ajuste de una distribucin a un histograma dado?
Se mide a partir de dos tests: Chi cuadrado y Kolmogorov-Smirnov. Existen ms tests pero
los ms importantes son esos.
El test chi cuadrado formaliza la idea intuitiva de comparar el histograma de la muestra con
la forma de la distribucin elegida. Este test es vlido para muestras grandes, para
distribuciones continuas o discretas, cuando los parmetros estn estimados por mxima
probabilidad. El test comienza por ordenar las n observaciones en i intervalos de clase.
El estadstico es:
X
0
2
= (O
i
E
i
)
2
/ E
i
con I desde 0 a k.
Donde Oi es la frecuencia observada para el intervalo i y Ei es la frecuencia en el intervalo.
15
Pgina: 13
Simulacin. Cursos A, B y C
Ao 2004
Simulacin. Cursos A, B y C
Ao 2004
Que tan bueno es el ajuste ? Que tan bueno es el ajuste ?
Formaliza estadsticamente la bondad del ajuste
O
i
representa el N de observaciones de un
valor en el intervalo i.
p
i
es la probabilidad que un valor caiga
dentro del intervalo bajo la distribucin
hipotisada.
Podemos esperar que la frecuencia en el
intervalo sea E
i
= np
i
, si tenemos n
observaciones
Evaluacin de la Bondad del ajuste Test Chi Cuadrado
f
r
e
c
u
e
n
c
i
a
valores

i
O
F
u
n
c
i

n
valores

i
p
Pgina: 1
Simulacin. Cursos A, B y C
Ao 2004
Simulacin. Cursos A, B y C
Ao 2004
Chi Cuadrado Chi Cuadrado
El estadstico ser
o sea
Asumiendo que O
i
E
i
tiene una distribucin Normal
Se puede demostrar que la distribucin del estadstico es aproximadamente
Chi Cuadrado con k-s-1 grados de libertad
S = n de parmetros de la distribucin
Se establece que las frecuencias E
i
> = 5 para la validez del test.
Evaluacin de la Bondad del ajuste Test Chi Cuadrado

,
_

k
i i
i i
E
E O
1
2
2
0

,
_

k
i i
i
i
p
p
n
O
1
2
2
0

16
Pgina: 15
Simulacin. Cursos A, B y C
Ao 2004
Simulacin. Cursos A, B y C
Ao 2004
Chi Cuadrado Chi Cuadrado
Test de Hiptesis
- H
0
: la variable aleatoria X pertenece a la distribucin asumida con los
parmetros estimados.
- H
1
: la variable aleatoria no pertenece a la distribucin
El Valor crtico es mediante el cual se rechaza la
hiptesis nula si con un nivel de significacin de
Evaluacin de la Bondad del ajuste Test Chi Cuadrado
2
1 , s k

0
2
>
,ks1
2
Pgina: 16
Simulacin. Cursos A, B y C
Ao 2004
Simulacin. Cursos A, B y C
Ao 2004
Otros Otros tests tests de la bondad de ajuste de la bondad de ajuste
Test de Hiptesis
- H
0
:
Donde:
Evaluacin de la Bondad del ajuste Test Kolmogorov-Smirnov
n
i
X F
n
x X
x F
X X X
i
i
n

< < <

) (
con
de N
) (
) (
) ( ) 2 ( ) 1 (


tabulado
1 , ) (
1
) (
1
1
) (

, ) (

max
) ( ) (

sup
max max

>

'

1
]
1

1
]
1

n i
n i
i
n i
n
d
n
i
X F X F
n
i
x F x F D
observado valor X F
i
. ) (

) (

Tiene que tenerse en cuenta al efectuar estos tests el tamao de la muestra. Los tests de
bondad no van a rechazar ninguna distribucin si los datos son pocos y van a rechazar todas
si los datos son muchos. El rechazo o no rechazo es solo una pieza de la evidencia.
17
32. Como se analiza la serie de evolucin temporal de una variable?
Se analiza en funcin de:
Estacionalidad (perodo) Comportamiento peridico.
Tendencia (pendiente) Comportamiento lineal con pendiente.
Perodo abierto/cclico (perodo) se deben analizar los comportamientos
repetitivos
Irregularidades (variables aleatorias con promedio y varianza) outliers.
33. En que casos es esperable que aparezca una distribucin de Poisson? Porque?
La distribucin de Poisson modela el nmero de eventos independientes que ocurren en una
cantidad de tiempo o espacio fija. Por ejemplo el nmero de clientes que arriban a una tienda
durante 1 hora o el nmero de defectos encontrados en 30 metros cuadrados de una hoja de
metal.
34. En que casos es esperable que aparezca una distribucin de Gauss? Por que?
La distribucin Normal modela la distribucin de un proceso que puede ser pensado como la
suma de un numero de procesos que lo componen. Por ejemplo, el tiempo para ensamblar un
producto tiene distribucin normal. Esto es porque es la suma de los tiempos requeridos para
cada operacin de ensamble.
Es importante notar que la distribucin norma admite valores negativos, los cuales pueden ser
imposibles para procesos con tiempos.
35. Cmo puede establecerse si la variable se encuentra en rgimen estable?
Se puede establecer que la variable se encuentra en rgimen estable si no presenta su serie de
evolucin temporal ninguna tendencia, corrida, estacionalidad, perodo cclico o
irregularidades.
18
19
20
36. Cmo puede establecerse si dos o ms variables estn relacionadas?
Si las variables de entrada de un modelo de simulacin estn relacionadas, dicha
relacin debe ser determinada y tenida en cuenta en el momento de plantear el modelo. Hay
que tener en cuenta adems si la relacin se mantiene o si se da en un intervalo.
Dos maneras de determinar la dependencia entre variables son: la covarianza y la
correlacin. Sean X
1
y X
2
dos variables aleatorias y
i
= E(X
i
) y
i
=Var(X
i
) la media y la
varianza de X
i
respectivamente, la covarianza y la correlacin dan una medida de la relacin
lineal entre las variables mencionadas.
Covarianza entre X
1
y X
2
(para variables discretas)

Cov (X
1
y X
2
) = E[(X
1
-
1
)(X
2
-
2
)] = E(X
1
X
2
) -
1

2
Caractersticas de la covarianza:
- Puede tomar valores desde + a -
- Covarianza bastante positiva indica una fuerte relacin positiva entre las variables
(valores grandes de X
1
tienden a ocurrir con valores grandes de X
2
).
- Covarianza bastante negativa indica una fuerte relacin negativa entre las variables.
- Covarianza cercana a 0 indica que las variables no estn fuertemente relacionadas.
- Defecto su valor depende crticamente de las unidades de medicin.
Correlacin entre X
1
y X
2
= Cov (X
1
y X
2
)/
1

2
Caractersticas de la correlacin:
- Es independiente de las unidades de medicin.
- Puede tomar valores desde + 1 a - 1
21
- menor que 1 en valor absuluto indica slo que la relacin no es completamente
lineal, pero todava puede haber una fuerte relacin no lineal.
- = 0 no implica que X
1
y X
2
sean independientes sino slo que hay completa
ausencia de relacin lineal. (X
1
y X
2
son no correlacionadas)
- = 1 indica la relacin positiva ms fuerte.
- = -1 indica la relacin negativa ms fuerte.
37. Dada una distribucin de probabilidades, cmo puede generarse una muestra
artificial?
La simulacin de un modelo en el que se hayan definido variables aleatorias requiere
contar con secuencias de valores de dichas variables. La forma ms directa de resolver tal
necesidad consistira en utilizar secuencias obtenidas de datos histricos. Sin embargo, se
requieren en general, para la simulacin, ms valores de los que se disponen en los datos
histricos; adems, las condiciones en las que se producen los valores en la realidad pueden
ser distintas y menos generales a las que se han definido para el estudio. Por ello, es
conveniente siempre que sea factible, obtener primero las distribuciones de probabilidad de
las variables y luego, mediante procedimientos estadsticos, generar muestras artificiales
(valores necesarios en base a dichas distribuciones).
La generacin de las muestras artificiales se realiza con el mtodo de la
transformacin inversa pues este puede ser utilizado para casi todas las distribuciones usuales
en forma eficiente.
Para este mtodo se requiere obtener valores de una variable continua x con una
funcin de probabilidad acumulada

x
dx x f x F ) ( ) ( (f(x): funcin de densidad de
probabilidad) o valores de una variable discreta z con probabilidad acumulada

z
z p x F
0
) ( ) (
(p(z): probabilidad del valor z).
Dichos valores constituyen una muestra sobre una determinada poblacin terica
definida por su distribucin de probabilidad.
El mtodo se basa en realizar la transformacin de un nmero aleatorio uniforme a un
valor particular de la variable en consideracin.
Dado un nmero aleatorio uniforme r e igualando la funcin de probabilidad
aculumada
) (x F r
se obtiene un valor x de la variable haciendo ) (
1
r F x

. Para efectuar
esta transformacin se requiere que la funcin F
-1
pueda ser obtenida explcitamente a partir
de la F.
Para una variable discreta con probabilidad acumulada F(x) el mtodo se aplica
calculando, para un valor de r, el valor de la variable x que surge de F(x-1)< r < F(x).
Generaci n de valores aleatorios uniformes (r)
Una variable continua x sigue una distribucin uniforme cuando su funcin de
densidad de probabilidad est dada por
a b
x f

1
) ( para axb y f(x) = 0 de otra forma. Su
22
funcin de probabilidad acumulada es
a b
a x
x F

) ( para axb; F(x) = 0 para x<a y F(x) =1

para x>b.
Para generar valores aleatorios el intervalo de la variable uniforme debe ser entre 0 y
1 por lo cual:
f(x) = 1 0 x 1 y f(x) = 0 de otra forma.
F(x) = 0 para x<0; F(x) = x para 0x1 y F(x) = 1 para x>1.
As, los valores x de la distribucin uniforme son nmeros reales del intervalo 0,1.
Por motivos prcticos se utilizan en forma equivalente nmeros enteros del conjunto
{0,1,2,P-2,P-1} donde P es un nmero entero grande.
En base a ellos se obtienen nmeros fraccionarios mediante la relacin
P
C
r para 0
r 1 los que se aproximan a los valores de x de la distribucin uniforme, siendo mayor la
correspondencia a medida que se adopten valores ms altos de P.
Los valores de C reciben el nombre de nmeros aleatorios y pueden obtenerse
mediante diversos mtodos de generacin como por ejemplo la funcin random de Excel.
38. Qu hacemos si no pueden obtenerse datos confiables para una variable?
Existen diversas maneras de obtener informacin acerca de un proceso an si no hay
datos (por ejemplo porque el sistema no existe) o si estos no son confiables. Entre ellas
figuran:
- Consulta a expertos: hablar con personas que tengan experiencia en el proceso o
procesos similares puede aportar datos acerca de si el proceso es aproximadamente
constante, variable y tambin acerca de las causas de la variacin. Del mismo modo,
los expertos pueden dar valores optimistas, pesimistas y probables de los tiempos.
- Limitaciones fsicas o convencionales: tener presente los lmites o fronteras obvios
que restringen los valores de las variables de entrada.
- Naturaleza del proceso: de acuerdo a las caractersticas del proceso muchas veces es
posible asociarle una distribucin aunque no haya datos disponibles.
- Engineering data: los estndares provistos por las compaas o valores de
performance pueden servir como punto de partida para las variables de entrada
actuando como valor central en la generacin de muestras.
- Diseo de experimentos: implicar generar informacin base a partir del diseo de un
modelo ms pequeo para luego ampliarlo.
- Modelos robustos: implica generar el modelo de manera que absorba variaciones de
informacin.
- Aproximaciones: las distribuciones uniforme, triangular y beta pueden usarse para
generar muestras de variables aleatorias de diversas distribuciones.
La distribucin uniforme requiere conocer un intervalo de valores posibles. Tiene
como punto negativo que, en la generacin de datos, cualquier valor del intervalo es
tan probable como el real del proceso. Si adems de un intervalo se conoce un valor
ms probable (por ejemplo el std de una compaa), se utiliza la distribucin
triangular que asigna mayor probabilidad al valor ms probable y una menor a los
23
extremos del intervalo. La distribucin beta requiere conocer la media, valor
optimista y pesimista. Se debe tener cuidado con la forma que puede tomar la
distribucin.
Es fundamental aclarar que, para el caso en que los modelos se construyan en base a
los puntos planteados, se requiere realizar un profundo anlisis de sensibilidad para asegurar
que los resultados del modelo son los esperados.
39. Cmo se disea el diagrama lgico del modelo? Cmo se organiza su clculo? Cmo
se determinan los indicadores de performance?
40. Cmo se integra el valor de una variable de estado al concluir la simulacin?
41. En el caso de ARENA, cuales son las principales funciones programables?
Arena emplea un diseo orientado a objetos para un desarrollo grfico del modelo.
Para poder llevar a cabo la simulacin, primero se debe construir el diagrama que describe el
flujo de las entidades o componentes del sistema (flujograma).
Para ello, se utilizan diversos mdulos que poseen una serie de propiedades que el
usuario debe programar. Entre dichas propiedades las principales son:
- Mdulo create: permite definir la entrada de entidades al sistema.
- Mdulo process: permite ejecutar acciones sobre las entidades, que demoran un
cierto tiempo y tambin usar ciertos recursos del sistema que pueden estar ocupados
cuando la entidad los solicita (delay, seize delay, seize delay release, delay release).
- Mdulo decide: permite que las entidades se ramifiquen ya sea en forma aleatoria o
siguiendo alguna condicin especificada.
- Mdulo dispose: permite la salida de entidades del sistema. Esto es importante para
acelerar el procesamiento de la salida.
42. Cmo se genera una llegada de un elemento al sistema en ARENA?
Al simular el flujo, la llegada de un elemento al sistema se genera de acuerdo a la
informacin suministrada en las propiedades del mdulo create. En este mdulo es posible
definir el nombre del mdulo, el nombre de la entidad a crear, el tiempo entre arribos y las
unidades a crear por cada arribo, la cantidad mxima de arribos y el tiempo en el cual se
realizar la primera creacin.
43. En que consiste la validacin de un modelo? Qu se valida?
La validacin del modelo consiste en asegurar que el mismo representa correctamente
el sistema real bajo estudio. Normalmente, la validacin se logra a travs de la calibracin
que es un proceso iterativo mediante el cual se va comparando el modelo con la realidad y
ajustando las discrepancias hasta reducirlas a un nivel aceptable establecido. Dicho esto, la
tarea de validacin requiere disponer de datos reales para su comparacin con los resultados
obtenidos con el modelo lo que es posible slo si el sistema modelado existe.
24
Durante la recoleccin de datos sobre el funcionamiento del sistema real es
imprescindible medir tambin las condiciones experimentales en las que han sido obtenidos.
Dichas condiciones se deben reproducir en la operacin simulada del modelo para que los
datos reales y los resultados simulados puedan compararse sin distorsiones.
Existen pruebas subjetivas y objetivas para validar. Las subjetivas se refieren a la
opinin de expertos mientras que las objetivas requieren la realizacin de pruebas estadsticas
en las que se comparan resultados reales con los obtenidos por el modelo. La validacin,
aunque suministra informacin til sobre la representatividad del modelo con respecto al
sistema en estudio, no es concluyente para el rechazo de una determinada configuracin de
aquel.
Lo que debe validarse es:
1) Los supuestos del modelo
2) Las relaciones de transformacin (input-output transformations) del modelo
3) Los usos del modelo: se refiere si el modelo es til para lo que fue creado.
44. Cmo se validan los supuestos del modelo? Y las relaciones de transformacin?
Los supuestos del modelo pueden agruparse en dos categoras: supuestos estructurales
y supuestos de datos.
Los supuestos estructurales se refieren a simplificaciones y abstracciones acerca de
cmo opera el sistema real. La manera de validar estos supuestos es mediante observacin
directa durante perodos apropiados de tiempo y consultando a conocedores del tema.
Por otro parte, los supuestos de datos se basan en la recoleccin de datos confiables y
su correcto anlisis estadstico. La confiabilidad de los datos se logra mediante la consulta a
expertos, pruebas de homogeneidad de datos en el caso de combinar serie de datos obtenidos
en diferentes tiempos y pruebas de correlacin. El anlisis de los mismos consiste en
identificar la adecuada distribucin de probabilidad, estimar los parmetros de la distribucin
y finalmente realizar pruebas de bondad de ajuste.
La validacin de las relaciones de transformacin implica comparar los resultados del
modelo con los obtenidos por el sistema real para una determinada entrada. Para ello es
necesario disponer de datos del sistema real, es decir, el sistema real debe existir pues de otra
forma sta validacin no es posible. Lo que se hace es realizar un ensayo de hiptesis en el
que como hiptesis nula, se plantea el valor del sistema real. De esta forma, si la hiptesis
nula no se rechaza (en funcin del nivel de significacin () fijado), la versin del modelo
planteada se considera vlida. De otra forma, el modelo debe ser mejorado hasta que la
hiptesis nula no sea rechazada.
45. Cmo se estima el valor medio de una variable de salida del modelo?
El valor medio de una variable X, en un lapso de simulacin t, se obtiene en forma
muy eficiente mediante el siguiente mtodo:
Se calcula para cada instante en que cambia el valor de la variable X la funcin
acumulada A definida por la expresin:
A
i+1
= A
i
. X
i+1
(t
i+1
t
i
)
Al final del lapso t de simulacin, donde se llega a un valor de A = A
f
, el valor
medio de X en dicho lapso surge de
25
X
medio
= A
f
/ t
46. Cmo se determina el tamao de la corrida necesaria? Detalle el proceso de clculo.
Para muestras infinitas:
n
S
t x
n 2 / 1 , 1
+
donde
n
S
t
n 2 / 1 , 1
= h es la precisin. La
precisin debe estar fijada.
As,
2
2 / 1 , 1
h

,
_

S t
n
n
El problema es que tanto S como t dependen de n.
El mtodo de resolucin es iterativo. Dado un S, lo que hago es tirar un valor de n y saco su t
correspondiente. Con esta t vuelvo a calcular n
infinito
y de nuevo el t. Repito esto hasta que n se
estabilice.
O sino puedo resolverlo en forma aproximada:
-Reemplazo t por z, correspondiente al valor crtico de la normal
-Suponer que S se mantendr para muestra ms largas
- Obtener
2
2 / 1
h

,
_

S z
n

donde S= desvo estndar del n
0
inicial de n
0
de rplicas
Una aproximacin
2
0
h

,
_

h
n n
o
donde h
o
es el half width del n
o
inicial de repeticiones.
Vemos que n crece cuadrticamente conforme h decrece.
47. Qu diferencias existen entre la simulacin con terminacin y sin terminacin?
Cmo se determinan en cada caso los elementos que conforman la muestre?
Ejemplifique.
Simulacin con terminacin:
Tienen un tiempo establecido de finalizacin para su corrida
Corto plazo
Los datos estadsticos se calculan dentro del perodo de tiempo natural del sistema.
Generalmente analizados mediante Repeticiones Independientes
o Realiza corridas independientes (repeticiones) de la simulacin, todas en
condiciones idnticas.
o La muestra de cada corrida se asume con distribucin aproximadamente
normal.
o Para estimar M y S se vale de n corridas utilizando condiciones iniciales y
generacin de nmeros aleatorios independientes.
n
Y Y
t
n
t i
1

,
_

( )
1
2
1

n
Y Y
S
t
n
t
Ejemplo: Tiempo promedio de espera de los clientes en un banco durante el transcurso de 1
da.
26
Simulacin sin terminacin (Sistemas de estado estable)
No tienen un tiempo de duracin definido, el horizonte de tiempo puede ser infinito.
Largo plazo
Condiciones iniciales de simulacin
o Vaco: No hay identidades en el momento 0.
o Condiciones ms representativas del sistema simulado.
o No se toman datos en un perodo inicial (perodo de estabilizacin) se
toman a partir de Ymw + 1.
Implica que se desperdician datos se soluciona con el mtodo de la media Batch.
o Se realiza una corrida larga
o Se eliminan los datos correspondientes al perodo de estabilizacin.
o Se dividen las observaciones en grupos batch mayores que 30
o Las medias de cada grupo se consideran independientes y su media se
aproxima a una normal.
o Se calculan M y S igual q antes, pero sobre las medias de los intervalos, no
sobre los datos originales.
Ejemplo: lnea de ensamblado contnuo.
48. Cmo se determina el tamao de la corrida si se desea verificar que un nuevo
mtodo de trabajo es superior al mtodo que actualmente se aplica en el sistema real?
Comparamos 2 mtodos (MET1 y MET2). MET1 es el que se viene usando y queremos
cambiarlo por MET2 que supuestamente es mejor. Cmo sabemos si es mejor??
H0) La muestra MET2 pertenece a la misma poblacin que MET1 su media se ubica
dentro del intervalo de confianza de la distribucin muestral (la que tenemos originalmente y
que sacamos con MET1. Es normal por ser distribucin de medias y con un cierto nivel de
confianza se estableces LS y LI para la media)
N
Z M
N
Z M
LS LI
n n

+ < <
< <
Mn: media de la muestra
: Nivel de confianza
De no conocerse el puede utilizarse S con la distribucin t de student.
Si la media de MET2 resulta ser superior a LS, se rechaza la H0 y puede asegurarse que
MET2 pertenece a otra poblacin mejor que MET1.
2
2
2

,
_

>
>
n n
n
M M
Z
N
LS M

27
49. Que mtodos de reduccin de varianza conoce? Para qu sirven?
Tcnicas de Reduccin de varianza
Muestro Estatificado
Mtodo de nmeros aleatorios complementarios
No se para qu sirven......alguien sabe???
50. Cmo puede optimizarse un resultado en un modelo de simulacin? Como se opera?
El resultado de una simulacin Y se encuentra relacionado con variables independientes x1,
x2,, xk, llamadas variables de diseo y usualmente sujetas a control. La verdadera relacin
entre las mismas se representa mediante un modelo de simulacin, que consiste en aproximar
esa relacin mediante una funcin matemtica. Puede usarse:
Regresin lineal simple
Regresin lineal mltiple
La calidad de la regresin deber verificarse (bondad de ajuste).
Una vez verificada la relacin podemos optimizar controlando las variables x.
28