UNIDAD 4

DISEÑO DE LA CALIDAD DE LA
SIMULACIÓN
4.1. Lista de estimadores a obtener de la simulación
4.1.1. Instrumentos de medición
4.1.2. Medios de registro de datos
4.2. Identificación del estimador determinante (estimador líder) del tamaño de la simulación
4.3. Muestras preliminares de los proyectos aprobados en 3.4
4.4. Características estadísticas del estimador líder
4.4.1. Establecimiento de la precisión
4.4.2. Cálculo del número mínimo de observaciones necesarias
4.4.3. Intervalos de confianza
4.5. Muestras definitivas
4.5.1. Estadísticas descriptivas
4.5.2. Muestras pequeñas: prueba de Kolmogórov-Smirnov para ajuste de una distribución de probabilidades continua
hipotética (en hoja de cálculo o con paquete estadístico)
4.5.3. Muestras grandes: prueba de Karl- Pearson para ajuste de una distribución de probabilidades
hipotética, discreta o continua (en hoja de cálculo o con paquete estadístico)
4.5.4. Otras pruebas: Anderson-Darling, prueba G, por ejemplo.
4.6. Simulación de los comporta-mientos aleatorios del proyecto y su verificación
4.1 Lista de estimadores a obtener de la
simulación
Un estimador es un estadístico (una función de la muestra) utilizado para estimar un parámetro
desconocido de la población.
Por ejemplo, si se desea conocer el tiempo de proceso de ensamble de un artículo (parámetro
desconocido), se recogen observaciones de tiempos de proceso en diferentes ciclos (muestra),
pudiendo utilizarse la media aritmética de las observaciones para estimar el tiempo de proceso
poblacional.
LISTA DE ESTIMADORES A OBTENER DE LA SIMULACION
4.1.1 Instrumentos de medición.
Los instrumentos de medición típicos para recolectar datos, a fin de
obtener los estimadores necesarios, son:

• Aleatorización.
La aleatorización es una técnica que se utiliza para equilibrar el efecto de condiciones externas o no
controlables que pueden influir en los resultados de un proyecto de simulación. Por ejemplo, la temperatura
ambiental, la velocidad de proceso, la materia prima o los operadores pueden cambiar durante un experimento
y afectar inadvertidamente los resultados del proyecto. Si las corridas experimentales se realizan en orden
aleatorio, se reduce la probabilidad de que las diferencias en los materiales o las condiciones del proyecto
sesguen considerablemente los resultados. La aleatorización también permite estimar la variación inherente de
los materiales y las condiciones de manera que se puedan hacer inferencias estadísticas válidas con base en
los datos del proyecto.

• Muestreo.
El muestreo es el proceso de seleccionar un conjunto de datos de una población con el fin de estudiarlos y
poder caracterizar el total de esa población.
• Muestreo probabilístico.
Es una técnica que permite asegurar la objetividad de la selección y generalizar o extrapolar los resultados,
pero en algunas ocasiones puede resultar más costoso o difícil de aplicar que el muestreo al azar simple.
Muestreo al azar simple.
Este método consiste en identificar a todos los elementos de la población con un número-etiqueta, para luego
mediante un procedimiento de generación de números aleatorios seleccionar la cantidad necesaria (tamaño
muestral).
Muestreo por cuota.
En este método se eligen deliberadamente a elementos para que cumplan cierta cantidad prefijada o cuota para
cada grupo. Por ejemplo, ir a un establecimiento de servicio y entrevistar a 200 personas que sean: 25%
estudiantes, 25% profesionistas y 50% público en general.
4.1.2 Medios de registro de datos.
Los métodos más comúnmente utilizados para la recolección y registro de datos para los proyectos de simulación son:

Experimentos.

Un experimento es una manera directa, precisa, confiable y muy valiosa de recolectar datos precisos para un estudio de
simulación, por lo que es recomendable diseñar un experimento que sea factible, económico y posible de llevar a cabo.

Observación directa.

Cuando no es posible diseñar un experimento para recolectar datos, la manera más fácil de hacerlo es estudiando las
variables a través de la observación directa. Esta constituye un proceso más complejo, pues por lo general las variables
nunca se encuentran aisladas sino que interactúan con otras variables, lo que dificulta el posterior análisis. Sin embargo,
es un medio muy útil y sencillo de llevar a cabo.

Encuestas.

Una encuesta consiste en un cuestionario de preguntas normalizadas que se hacen a los actores del sistema que se
pretende simular, a fin de obtener los datos estadísticos necesarios sobre opiniones, hechos u otras variables, para poder
desarrollar el proyecto de simulación.

Entrevistas.

Método indirecto, predominantemente cualitativo, definido como una reunión o conversación entre dos o más personas,
con el objetivo de obtener información del entrevistado sobre un determinado aspecto.
 Grupos de enfoque.

Este método consiste en reuniones de grupos pequeños, por lo general de entre 4 y 10 personas, en las cuales
los participantes dan sus opiniones respecto a los datos que se requiere recolectar. Se trata básicamente de
aprovechar la experiencia que tiene cada elemento del grupo sobre la situación de la que se quiere obtener
dichos datos.

Análisis de contenidos.

Método que permite reducir y sistematizar cualquier tipo de información contenida en registros escritos,
visuales o auditivos, en datos o valores objetivos. Este método permite extraer datos objetivos, sistemáticos y
cuantitativos de fuentes que contienen grandes volúmenes de información dispersa o divergente.

Datos secundarios.

Mediante este método se recolectan datos de estudios previamente elaborados y confiables, evitando repetir
las actividades de recolección, ahorrando con ello tiempo y dinero. Los datos recabados se denominan
secundarios puesto que fueron colectados con anterioridad, en comparación con los datos primarios, que son
colectados por primera vez por cualquier otro método.
4.2 Identificación del estimador determinante (estimador líder) del tamaño de la Simulación.
Para cada parámetro pueden existir varios estimadores diferentes. Por lo general, se elige como
estimador líder o determinante aquel que posea mejores propiedades que los restantes.

4.4 Características estadísticas del estimador líder.

Las cuatro características que debe tener un buen estimador son:

Insesgadez.

Se dice que un estimador es insesgado si la media de la distribución del estimador es igual al parámetro. Los estimadores
insesgados son la media muestral (estimador de la media poblacional) y la varianza (estimador de la varianza de la
población).
Estimadores insesgados:
Ejemplo:
En una población de 500 puntuaciones cuya Media (u) es igual a 5.09, se ha hecho un muestreo aleatorio (cantidad de
muestras = 10,000, tamaño de las muestras= 100) y se encuentra que la Media de las Medias muestrales es igual a 5.09, (la
media poblacional y la media de las medias muestrales coinciden). En cambio, la Mediana de la población es igual a 5 y la
Media de las Medianas es igual a 5.1 esto es, hay diferencia ya que la Mediana es un estimador sesgado.
La Varianza es un estimador sesgado.

Ejemplo: La Media de las Varianzas obtenidas con la Varianza en un muestreo de 1,000 muestras (n = 25) en que la Varianza
de la población es igual a 9.56 ha resultado igual a 9.12, esto es, no coinciden. En cambio, al utilizar la Cuasivarianza, la
Media de las Varianzas muestrales es igual a 9.5, esto es, coincide con la Varianza de la población, ya que la Cuasivarianza
es un estimador insesgado.
• Eficiencia.
La eficiencia de un estimador está vinculada a su varianza muestral. Así, para un mismo parámetro, se dice
que el estimador 1 es más eficiente que el estimador 2 si se cumple
que var(estimador 1) < var(estimador 2). Por lo tanto, si un estadístico es más eficiente que otro, significa
que varía menos de unas muestras a otras.

Ejemplo:
La Varianza de la distribución muestral de la Media en un muestreo aleatorio (cantidad de muestras: 1,000,
n = 25) ha resultado igual a 0.4. La Varianza de la distribución de Medianas ha resultado, en el mismo
muestreo, igual a 1.12. Este resultado muestra que la Media es un estimador más eficiente que la Mediana.

• Suficiencia.
Un buen estimador es suficiente cuando resume toda la información relevante contenida en la muestra, de
forma tal que ningún otro estimador pueda proporcionar información adicional sobre el parámetro
desconocido de la población.

• Robustez (consistencia).
Un estimador es consistente si, además de carecer de sesgo, se aproxima cada vez más al valor del
parámetro a medida que aumenta el tamaño de la muestra. Si el tamaño n se hace indefinidamente grande,
los valores del estimador se concentran cada vez más en torno al valor del parámetro, hasta que con un
tamaño muestral infinito obtenemos una varianza del estimador nula. Por tanto, un estimador es
consistente si cuando n tiende a infinito se cumple que su varianza es igual a cero.
4.4.1 Establecimiento de la precisión.
Una estimación de un parámetro de la población dada por un solo número se llama estimación de punto del
parámetro. Una estimación de un parámetro de la población dada por dos puntos, entre los cuales se
encuentra el parámetro, se llama estimación de intervalo del parámetro. Las estimaciones de intervalo indican
la precisión de una estimación y son, por lo tanto, preferibles a las estimaciones de punto.
Ejemplo:
Si se dice que una distancia se ha medido como 5.28 metros (m), se está dando una estimación de punto.
Por otra parte, si se dice que la distancia es 5.28 ± 0.03 m, (esto es, que está entre 5.25 y 5.31 m), se está
dando una estimación de intervalo. En este caso, el margen de error o la percepción de una estimación
brinda información sobre su fiabilidad o precisión.

4.4.2 Cálculo del número mínimo de observaciones necesarias.

Para todo proyecto de simulación, es sumamente necesario determinar adecuadamente la cantidad de
observaciones que se deben recolectar, a fin de hacer los cálculos lo más preciso posible, y en base a los
resultados poder hacer recomendaciones confiables. La siguiente tabla muestra algunas de las fórmulas
disponibles para tal efecto.
4.4.3 Intervalos de confianza.
Muestras aleatorias de las variables de interés del proceso de manufactura o de servicio sencillo real
MUESTRAS DEFINITIVAS

4.5.2. Muestras pequeñas: prueba de Kolmogórov-Smirnov para ajuste de una distribución de probabilidades continua
hipotética (en hoja de cálculo o con paquete estadístico)