UNIDAD 4.

DISEÑO DE LA CALIDAD DE LA SIMULACIÓN

UNIDAD 4. DISEÑO DE LA CALIDAD DE LA SIMULACIÓN.

En los ejercicios analizados en unidades previas, se han utilizado probabilidades para

generar las transformadas inversas correspondientes para llevar a cabo el proceso de
simulación, considerando que dichas probabilidades son exactas. Este procedimiento parece
razonable. Sin embargo, no se han estudiado las propiedades de los estimadores de los
parámetros que se basan en estas probabilidades. Esto es, no se ha mostrado que el
estimador resultante tenga propiedades deseables, como consistencia, normalidad asintótica
o eficiencia. Tampoco se ha explorado la posibilidad de que otras formas de estimación
puedan ser preferibles cuando se utiliza la simulación, en lugar de las probabilidades
exactas.
Enseguida se analizan las propiedades de estos estimadores de la simulación y se
muestran las condiciones para que cada estimador sea asintótico y consistente con el
estimador que se obtendría si se usaran valores exactos, en lugar de simular. Estas
condiciones proporcionan una guía sobre cómo debe llevarse a cabo la simulación para
obtener estimadores con propiedades deseables. También se muestran las ventajas y
limitaciones de cada forma de estimación, para facilitar la elección entre los diferentes
métodos.
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.
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.
M. C. José Alberto Estrada Beltrán 1
 UNIDAD 4. DISEÑO DE LA CALIDAD DE LA SIMULACIÓN

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

M. C. José Alberto Estrada Beltrán 2

 UNIDAD 4. DISEÑO DE LA CALIDAD DE LA SIMULACIÓN

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.
4.3 Muestras preliminares de los proyectos aprobados en clase para cada equipo de trabajo.
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 () es igual a 5.09, se ha hecho un
muestreo aleatorio (cantidad de muestras = 10000, 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.

M. C. José Alberto Estrada Beltrán 3

 UNIDAD 4. DISEÑO DE LA CALIDAD DE LA SIMULACIÓN

 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.
Ejemplo:
En una población de 500 puntuaciones cuya Media () es igual a 4.9, se han hecho tres
muestreos aleatorios (número de muestras = 100) con los siguientes resultados:

n Media de las medias muestrales

5 4.6
25 4.8
100 4.9

Se observa que el muestreo en que n = 100, la Media de las Medias muestrales toma el
mismo valor que la Media de la población.

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.

M. C. José Alberto Estrada Beltrán 4

 UNIDAD 4. DISEÑO DE LA CALIDAD DE LA SIMULACIÓN

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.

Ejemplos:
1. ¿Cuál debe ser el número de observaciones para tener un intervalo de confianza del
95% con un margen de error del 10%, y una desviación estándar de 40 ?
Datos:
Nivel de confianza (N.C.) = 95%  z = 1.96
Error permitido (s) = 10%
Desviación estándar () = 40
( ⁄ ) ( ) ( ) ( )( )

M. C. José Alberto Estrada Beltrán 5

 UNIDAD 4. DISEÑO DE LA CALIDAD DE LA SIMULACIÓN

2. Los salarios anuales iniciales de estudiantes que acaban de terminar una carrera se
esperan que estén entre $ 30,000 y $ 45.000. Si se desea utilizar un intervalo de
confianza del 95% para estimar la media poblacional de los salarios iniciales:
a. ¿cuál es el valor planeado de la desviación estándar poblacional?
b. Calcule el tamaño de la muestra para un margen de error de $ 500, $ 200 y $ 100
respectivamente.
c. ¿Es recomendable tratar de manejar un error de $ 100? ¿Porqué?
Solución:
a. ¿cuál es el valor planeado de la desviación estándar poblacional?
( )

b. Calcule el tamaño de la muestra para un margen de error de $ 500, $ 200 y

$ 100 respectivamente.
Para un error de $ 500:

( ⁄ ) ( ) ( )
( )

Para un error de $ 200:

( ⁄ ) ( ) ( )
( )

Para un error de $ 100:

( ⁄ ) ( ) ( )
( )

c. ¿Es recomendable tratar de manejar un error de $ 100? ¿Porqué?

No es recomendable, dado que el número de observaciones es demasiado grande
respecto al error de $ 500 (con el que es mucho más fácil trabajar), además de que
en ambas se tiene el mismo nivel de confianza del 95%.

3. Cierta despacho de consultoría industrial realizó un estudio con 1,100 trabajadores de

empresas medianas y grandes para medir el nivel de satisfacción respecto a sus
trabajos. Del total de trabajadores encuestados, 550 dijeron estar insatisfechos con su
trabajo actual.
a. La proporción de empleados a los cuales les disgusta su empleo actual es:
= 0.5

b. A un nivel de confianza de 95%, ¿cuál es el margen de error?

( ) ( )
( ) ⁄ √ √

M. C. José Alberto Estrada Beltrán 6

 UNIDAD 4. DISEÑO DE LA CALIDAD DE LA SIMULACIÓN

4.4.3 Intervalos de confianza.

Un intervalo de confianza es un rango de valores, derivado de los estadísticos de
la muestra, dentro de los cuales se admiten los valores de las variables.
Ejemplo:
Retomando el ejemplo de los empleados encuestados para verificar el nivel de
satisfacción de sus trabajos, ¿cuál es el intervalo de confianza de 95% para la
proporción de la población de empleados a los cuales les disgusta su empleo
actual?
( ) ( )
⁄ √ √

M. C. José Alberto Estrada Beltrán 7