Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TAMAZUNCHALE
SIMULACIÓN
CARRERA: INGENIERÍA INDUSTRIAL
DOCENTE: ING.JOSE GERMAN HERNANDEZ RAMIREZ
UNIDAD 4 DISEÑO DE LA CALIDAD DE LA SIMULACIÓN
EVIDENCIA: RESUMEN DE UNIDADIV
ALUMNO: NUMERO DE CONTROL
Hasta ahora hemos estudiado cómo simular probabilidades de elección pero no hemos
estudiado las propiedades de los estimadores de los parámetros que se basan en estas
probabilidades simuladas. En los casos que hemos presentado, simplemente hemos insertado
las probabilidades simuladas en la función log-verosimilitud y hemos maximizada dicha
función, de la misma forma que lo habríamos hecho si las probabilidades hubieran sido
exactas. Este procedimiento parece intuitivamente razonable. Sin embargo, no hemos
mostrado realmente, al menos hasta ahora, que el estimador resultante tenga propiedades
deseables, como consistencia, normalidad asintótica o eficiencia. Tampoco hemos explorado
la posibilidad de que otras formas de estimación puedan ser preferibles cuando usamos
simulación, en lugar de las probabilidades exactas. El propósito de este capítulo es examinar
varios métodos de estimación en el contexto de la simulación. Derivaremos las propiedades
de estos estimadores y mostraremos las condiciones en las que cada estimador es consistente
y asintóticamente equivalente al estimador que obtendríamos si usásemos valores exactos en
lugar de simulación. Estas condiciones proporcionan una guía al investigador sobre cómo debe
llevarse a cabo la simulación para obtener estimadores con propiedades deseables. El análisis
también pone en evidencia las ventajas y limitaciones de cada forma de estimación, facilitando
así la elección del investigador entre los diferentes métodos.
Las técnicas de simulación en estadística, como son los métodos de Monte Carlo, y los
procedimientos de re muestreo conocidos como bootstrap, son de gran utilidad cuando no
tenemos expresiones cerradas para calcular medidas de incertidumbre como son la desviación
estándar de estimadores y los intervalos de confianza. Estos métodos de simulación permiten
obtener estimaciones con menores supuestos que los métodos analíticos, a cambio de un
trabajo computacional más intenso. La disponibilidad creciente de los recursos
computacionales, hacen de las técnicas de simulación una herramienta de uso creciente. En
este trabajo se discuten estas técnicas de simulación, y se ilustran con ejemplos sencillos. En
el contexto estadístico, entendemos por simulación, la técnica de muestreo estadístico
controlado, que se utiliza conjuntamente con un modelo, para obtener respuestas aproximadas
a preguntas que surgen en problemas complejos de tipo probabilístico. En metrología, el
proceso de medición es de naturaleza probabilística y los modelos de medición con frecuencia
son complejos. Estas dos características del proceso de medición, complejidad y aleatoriedad,
hacen del análisis de datos de medición un área de oportunidad natural para los métodos de
simulación.
Es recomendable definir las zonas de medición las cuales son encaminadas para indicar los
parámetros antes mencionados.
La realización de los estudios para conocer el estado de las instalaciones eléctricas requiere
de un análisis en el lugar que arroja los resultados de las mediciones y emite procedimientos
para la prevención, identificación y resolución de estos problemas en los sistemas de potencia.
1. Reducción de riesgos
Existen diferentes perturbaciones en las redes eléctricas de distribución, entre las más usuales
tenemos: variaciones de voltaje, sobre tensiones transitorias, interrupciones de energía, ruido
eléctrico (interferencias) y distorsiones armónicas.
El mantenimiento preventivo en instalaciones de equipos de protección y de control es parte
de las herramientas que pueden utilizarse para poder conservar un sistema de potencia, así
como para tener un uso eficiente de la energía eléctrica.
Características
CACI Products Company autor de SIMSCRIPT 11.5 es también autor de los simuladores
SIMFACTORY 11.5, NETWORK 11.5 y COMNET 11.5, muy utilizados en estos últimos
tiempos para simulaciones de sistemas de manufacturas, redes de computadoras y redes de
telecomunicaciones.
Las técnicas de recogida de la información no son un fin en si mismo, sino que dependen de:
Algunas técnicas se pueden utilizar en distintos diseños, por ejemplo la entrevista se puede
utilizar en: investigación acción, en estudios de caso, en investigación etnográfica, etc.
4.2.- Identificación del estimador determinante (estimador líder) del
tamaño de la simulación.
El Volumen 4 relativo a Seguridad Estructural, está integrado por siete tomos o partes y en
ellos se registra la normatividad técnica relativa a las especificaciones, diseño y cálculo de
estructuras destinadas a la construcción de Infraestructura Física Educativa, puntualizando
que esta normatividad técnica es de observancia obligatoria en los términos que marca la Ley
General de la Infraestructura Física Educativa (publicada el 1 de febrero del 2008) siendo
aplicable a todas las edificaciones y espacios que formen parte integrante de un plantel escolar,
independientemente del uso particular al que esté destinado. La Normatividad Técnica
consignada en el Volumen 4, es una selección de Normas y Especificaciones Técnicas
tomadas de diversos documentos oficiales vigentes y comprende una serie de reglas y
principios de carácter no limitativo, aplicables específicamente a la construcción de espacios y
edificaciones escolares que pueden ser emplazadas en cualquier localidad del territorio
nacional y que por su importancia y naturaleza se clasifican dentro Grupo A (construcciones
cuya falla estructural podría causar la pérdida de un número elevado de vidas) y que por ello
deberán brindar a la población usuaria un nivel de seguridad óptimo y que adicionalmente en
un eventual caso de desastre puedan estas, utilizarse como albergues o refugios de carácter
temporal en la zona afectada. Así mismo se introducen algunos criterios que ha establecido
este Instituto como producto de la experiencia adquirida en la construcción de este tipo de
inmuebles. Toda estructura y cada una de sus partes, deberán diseñarse para ofrecer una
seguridad adecuada contra la aparición de todo estado límite de falla posible ante las
combinaciones de acciones más desfavorables que pudieran presentarse durante su vida útil,
además no se rebasará ningún estado límite de servicio ante las combinaciones de acciones
que correspondan a las condiciones normales de operación. Se presentará con el agotamiento
definitivo de la capacidad de carga de una estructura o de cualquiera de sus miembros; o por
el hecho de que, sin agotar su capacidad de carga la estructura sufra daños irreversibles que
afecten su resistencia ante nuevas aplicaciones de carga. Se considerará que se presenta el
estado límite de falla dúctil, cuando la capacidad de carga de la sección, elemento o estructura,
se mantenga para deformaciones apreciables mayores que las existentes antes de alcanzar el
estado límite.
4.4. Características estadísticas del estimador líder.
Es un estadístico (es decir, es una función de la muestra) usado para estimar un parámetro
desconocido de la población. Por ejemplo, si se desea conocer el precio medio de un artículo
(el parámetro desconocido) se recogerán observaciones del precio de dicho artículo en
diversos establecimientos (la muestra) y la media aritmética de las observaciones puede
utilizarse como estimador del precio medio. Para cada parámetro pueden existir varios
estimadores diferentes. En general, escogeremos el estimador que posea mejores
propiedades que los restantes, como insesgadez, eficiencia, convergencia y robustez
(consistencia).
SESGO:
Por ejemplo, si se desea estimar la media de una población, la media aritmética de la muestra
es un estimador insesgado de la misma, ya que su esperanza (valor esperado) es igual a la
media de la población.
EFICIENCIA:
Un estimador es más eficiente o preciso que otro, si la varianza del primero es menor que la
del segundo.
CONVERGENCIA:
Para estudiar las características de un estimador no solo basta con saber el sesgo y la
varianza, sino que además es útil hacer un análisis de su comportamiento y estabilidad en el
largo plazo, esto es, su comportamiento asintótico. Cuando hablamos de estabilidad en largo
plazo, se viene a la mente el concepto de convergencia. Luego, podemos construir sucesiones
de estimadores y estudiar el fenómeno de la convergencia. Comportamiento Asintótico: En el
caso de las variables aleatorias, existen diversos tipos de convergencia, dentro de las cuales
podemos distinguir:
-Convergencia en probabilidad (o débil).
-Convergencia en distribución.
Especifique los valores oportunos en Mínimo para agregar ceros a los números con pocos
decimales.
Especifique los valores oportunos en Máximo para truncar y redondear la parte decimal de los
números más largos.
La simulación actual se debe restablecer para que surta efecto la configuración del control de
la precisión.
Número de pruebas para ejecutar: define el número máximo de pruebas que Crystal Ball
ejecuta antes de detener la simulación. Si selecciona una de las casillas de verificación de este
cuadro de diálogo, Cristal Ball sólo utiliza el número máximo de pruebas si los resultados de la
previsión no cumplen antes los otros criterios de detención.
dado que de este depende en gran medida el nivel de confianza del estudio de tiempos. Este
proceso tiene como objetivo determinar el valor del promedio representativo para cada
elemento.
Método Estadístico
Método Tradicional
Este artículo expone un modelo para la determinación del número mínimo de observaciones
en estudios e investigaciones de un solo factor. Para este modelo se obvió la “predicción” o
estimación a priori de la varianza de los datos, empleando, en su lugar, el valor crítico del nivel
de confianza y el valor del poder estadístico de la prueba o potencia del contraste deseados.
La aplicación del modelo mostró un comportamiento aceptable en varias investigaciones
ejecutadas a nivel experimental en el ámbito académico y puede ser aplicado en estudios de
tecnologías inéditas o con diseños experimentales de un solo factor, en investigaciones
efectuadas con recursos económicos y físicos limitados o en proyectos en donde se requiera
disminuir costes. La ecuación se fundamenta en los planteamientos probabilísticos de la
comparación de proporciones y los contrastes de hipótesis. El modelo se constituye en un
planteamiento alternativo frente a las expresiones convencionales, en casos donde no es
posible estimar la discrepancia de los datos futuros. Palabras clave: tamaño de la muestra,
investigación de un solo factor, varianza de datos. En investigación o experimentación, siempre
debe recurrirse, en primera instancia, a la elección del tamaño de la muestra a ser abarcado y
posteriormente tratado, que permitirá obtener datos confiables desde un punto de vista
estadístico con los que se comprobará la hipótesis planteada. No obstante, es frecuente que
el número de observaciones sea definido por el investigador, en función de la cantidad de
dinero o de tiempo disponibles, así como del lugar o de la mano de obra disponible.
En artículos previos hemos abordado cómo analizar en forma crítica la validez de un estudio
de terapia1-3 y cómo expresar los resultados con distintas medidas de efecto (riesgo absoluto,
riesgo relativo, número necesario para tratar). Así, al momento de aplicar los resultados de un
estudio, lo hacemos utilizando el número que se nos entrega, lo que conocemos como
estimador puntual. Si el estudio se volviera a realizar en condiciones idénticas, pero con una
nueva muestra, es probable que el resultado no sea exactamente igual, ya que el valor que se
nos entrega es una aproximación del valor real. El valor real es el que se obtendría al aplicar
la intervención a la población completa, entendiendo población como el total de pacientes
idénticos a los del estudio dentro de la población general. Este es el valor que realmente nos
interesa aplicar en la práctica clínica. Utilizando los datos de un estudio podemos estimar un
rango en el que se encuentra con alta probabilidad el valor real, y es precisamente este rango
lo que conocemos como intervalo de confianza. Este artículo pretende ayudar a los clínicos a
comprender e interpretar un intervalo de confianza, su relación con el tamaño muestra y
advertir las diferencias comparativas con el valor P.
• Variables unidimensionales: sólo recogen información sobre una característica (por ejemplo:
edad de los alumnos de una clase).
Las estadísticas descriptivas resumen cuantitativamente un conjunto de datos. Para tener una
visión global de los datos que se van a analizar, puede mostrar estadísticas descriptivas junto
con análisis más formales.
Puede utilizar estadísticas descriptivas para: Ver los promedios, como la media o la mediana.
Obtener información, como la media de los grupos de interés, que puede necesitar para
interpretar otras pruebas estadísticas.
Se utiliza para decidir cuándo un conjunto de datos se ajusta a una distribución dada
Considérese una muestra aleatoria de tamaño n de la distribución de una variable aleatoria X
dividida en k clases exhaustivas e incompatibles, y sea Ni i = 1, 2,…, k. el número de
observaciones en la i-ésima clase. Considérese la hipótesis nula.
Si existe una concordancia perfecta entre las frecuencias observadas y las esperadas, el
estadístico tendrá un valor igual a cero; por otra parte si las discrepancias entre estas
frecuencias son grandes, el estadístico tomará un valor, también muy grande. Por ello se
desprende que para un valor dado del error de tipo
1 grado de libertad.
Una ventaja de la prueba de bondad de ajuste chi-cuadrada es que para valores grandes de
n, la distribución límite chi-cuadrada de la estadística, es independiente de la forma que tenga
la distribución F0(x) propuesta en la hipótesis H0. Como consecuencia de esto se tiene que la
prueba de bondad se utiliza también para distribuciones de probabilidad en las que F0(x) es
continua. Sin embargo, debe insistirse en que la prueba de bondad es discreta, en el sentido
de que ésta compara frecuencias que se observan y se esperan para un número finito de
categorías.
Karl Pearson fue historiador, escribió sobre folklore, fue un socialista convencido, abogado,
matemático aplicado, biometría, estadístico, maestro y biógrafo. Pero sin duda su contribución
más importante es al nacimiento de la Estadística Aplicada.
Es por lo que le debemos el mayor crédito, en frase de el mismo”. Hasta que los fenómenos
de cualquier rama del conocimiento no hayan sido sometidos a medida y número, no se puede
decir que se trate de una ciencia”. Introdujo el método de los momentos para la obtención de
estimadores, el sistema de curvas de frecuencias para disponer de distribuciones que pudieran
aplicarse a los distintos fenómenos aleatorios, desarrollo la correlación lineal para aplicarla a
la teoría de la herencia y de la evolución. Introdujo el método de la χ 2 para dar una medida
del ajuste entre datos y distribuciones, para contrastar la homogeneidad entre varias muestras,
y la independencia entre variables. Fundo los Anales de Eugenesia y en 1900, junto con Galton
y Weldon, fundó la revista Biométrica de la que fue editor hasta su muerte. En una descripción
autobiográfica decía”una explicación para mi vida, se debe a una combinación de dos
características que he heredado: capacidad para trabajar mucho y capacidad para relacionar
las observaciones de los demás”. Datos biográficos Nace en Londres en 1857 y muere en
1936, su familia es originaria de Yorkshire. Hijo de un abogado, estudia en el University College
School. En 1873, a la edad de 16 años fue retirado de la escuela por motivos de salud, y pasa
el año siguiente con un preceptor privado. En 1875 obtuvo una beca para el Kings College, en
Cambridge. El decía que Cambridge le dio, placer en las amistades, placer en las polémicas,
placer en el estudio, placer en la búsqueda de nuevas luces, tanto en las matemáticas como
en la filosofía y la religión; así como ayuda para mantener su radicalismo científico dentro del
lımites moderados y razonables. Con 22 años marcha a Alemania y estudia leyes, física y
metafísica. Entre 1880 y 1884 es profesor de matemáticas en el King College y en el University
College.
En 1911 fue el primer profesor de Galton de Eugenesia, la naciente parte de la Biología
encargada de los estudios encaminados a conseguir la mejora de las especies. Era un
darwinista convencido. En el año 1890 se producen dos sucesos importantes para la
trayectoria científica de Pearson; Galton publica su Herencia Natural donde incluye sus
trabajos sobre correlación y regresión y se incorpora a la cátedra de zoología en el University
College de Londres. Los primeros trabajos le van a dotar de una herramienta, con la que
cuantificar las medidas de dependencia con la que va a poder contrastar, con resultado
positivo, la teoría de la evolución introducida por Darwin.
Considera determinista. En este caso, el comportamiento del sistema está determinado una
vez que se hayan definido las condiciones iniciales y las relaciones que existen entre sus
componentes. Por el contrario, un sistema no determinista o estocástico tiene algún elemento
que se comporta de forma aleatoria, de forma que no está predeterminado comportamiento en
función de las condiciones iniciales y de las relaciones entre sus componentes. En este caso,
el sistema sólo se podrá estudiar en términos probabilistas, consiguiendo, en el mejor de los
casos, conocer sus respuestas posibles con sus probabilidades asociadas. − Sistemas
continuos y sistemas discretos. En un sistema continuo las variables de estado cambian de
forma continua a lo largo del tiempo, mientras que en uno discreto cambian instantáneamente
de valor en ciertos instantes de tiempo. En un sistema de una cierta complejidad puede ocurrir
que existan simultáneamente variables de estado continuas y discretas. En este caso,
dependiendo de la predominancia de una y otras y del objetivo del estudio que se pretende
realizar, se considerará el sistema como perteneciente a uno de los dos tipos. Tipos de
modelos Para estudiar un sistema, la forma más inmediata sería experimentar sobre él. Sin
embargo, esto puede ser desaconsejable, e incluso imposible, por diversos motivos: − Puede
ocurrir que el sistema no exista y lo que se pretenda sea su diseño. − Puede ser imposible
experimentar con el sistema real porque no se dispone de ningún control sobre dicho sistema;
por ejemplo, si se desea estudiar un sistema financiero, bursátil.
Puede ser económicamente inviable la experimentación sobre el sistema real. − La
experimentación sobre el sistema real puede conllevar unos plazos de tiempo muy dilatados.
Es el caso, por ejemplo, de ciertos sistemas sociales o biológicos. En cualquiera de los casos
anteriores se hace necesaria la construcción de un modelo del sistema que refleje con la
fidelidad adecuada las características destacadas del sistema a analizar y la experimentación
sobre dicho modelo. Si se realiza correctamente la construcción del modelo y el diseño de los
experimentos, los resultados obtenidos permitirán inferir cuál sería el comportamiento del
sistema a analizar en determinadas condiciones.
Bibliografía
• LAW, Averill M., Kelton D. W.: Simulation Modeling & Analysis.- Second Edition-
.1991 Mac Graw Hill