Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Presentación Tema 4
Presentación Tema 4
Ingeniería Industrial
SIMULACIÓN
6I1
EQUIPO 2:
26 DE MARZO DE 2024
ÍNDICE
Introducción..........................................................................................................................................3
Resumen...............................................................................................................................................4
Abstract................................................................................................................................................5
Objetivos de la investigación...............................................................................................................6
Justificación..........................................................................................................................................7
Materiales utilizados en la investigación..............................................................................................8
Metodología..........................................................................................................................................9
4.1. Lista de estimadores a obtener de la simulación.........................................................................10
4.1.1. Instrumentos de medición....................................................................................................14
4.1.2. Medios de Registro de Datos................................................................................................19
4.2. Identificación del estimador determinante (estimador líder) del tamaño de la simulación.........24
4.3. Características estadísticas del estimador líder...........................................................................25
4.3.1. Establecimiento de la precisión............................................................................................26
4.3.2. Cálculo del número mínimo de observaciones necesarias...................................................27
4.3.3. Intervalos de confianza.........................................................................................................28
4.4.4. Otras pruebas: Anderson-Darling, prueba G, por ejemplo.......................................................29
4.5. Simulación de los comportamientos aleatorios del proyecto y su verificación..........................31
Resultados..........................................................................................................................................33
Conclusiones......................................................................................................................................34
Referencias.........................................................................................................................................35
Introducción
El presente trabajo aborda la temática de la simulación y la estimación en el contexto de un
proyecto particular. La simulación es una herramienta fundamental en la investigación y el
análisis de sistemas complejos, permitiendo modelar escenarios y obtener información
sobre su comportamiento bajo diferentes condiciones. En este sentido, el objetivo principal
es obtener estimaciones precisas y fiables sobre ciertas variables clave del proyecto en
cuestión.
Una vez identificado el estimador líder, se han realizado análisis detallados de sus
características estadísticas, incluyendo la precisión, el cálculo del número mínimo de
observaciones necesarias y la construcción de intervalos de confianza. Este proceso
garantiza la validez de las conclusiones derivadas de la simulación.
The work focuses on applying simulation techniques to obtain precise estimates of key
variables in a project. It begins with identifying estimators to be obtained from the
simulation, using appropriate measuring instruments. The importance of identifying the
leading estimator of simulation size is emphasized, with its statistical characteristics
analyzed in detail, including its precision and determining the minimum number of required
observations. Statistical tests are conducted to assess the validity of definitive samples
obtained, using techniques such as the Kolmogorov-Smirnov test for small samples and the
Karl Pearson test for large samples. This is complemented with additional tests to verify the
consistency of the results. Finally, simulation of random project behaviors and their
verification are carried out to ensure the reliability of the model and the estimates obtained.
Objetivos de la investigación
Objetivo General
Investigar y diseñar un proceso de simulación de alta calidad que incorpore medios
efectivos de registro de datos y garantice la selección adecuada de muestras definitivas
Objetivos específicos
Analizar los diferentes medios de registro de datos utilizados en la simulación de
proyectos
Investigar y seleccionar métodos apropiados para la generación de muestras
definitivas que
Mostrar la representación adecuada de la variabilidad y la incertidumbre presentes
en los proyectos
Justificación
Para la recopilación de información se optó por el Google académico, el cual integra una
gran parte de la investigación documental, así como diversos PDF´s y páginas de internet
con autores independientes, esto con el fin de integrar un conocimiento más amplio y de
diversos puntos de vista.
Metodología
Averill Law en "Simulation Modeling and Analysis": Law define un estimador como "una
función de las observaciones de salida de la simulación. Un estimador puede utilizarse para
proporcionar una estimación de un parámetro desconocido o para proporcionar información
sobre el desempeño del sistema simulado".
Estimadores de Punto
Los estimadores de punto son métodos utilizados en estadística y análisis de datos para
calcular un único valor que estima un parámetro desconocido de una población o de un
proceso
Media
Mediana
Estimadores de Intervalo
Intervalo de Confianza
Análisis de Sensibilidad
El análisis de sensibilidad es una técnica utilizada para estudiar cómo la variación en los
parámetros de un sistema afecta a una medida de interés, como la salida de una simulación,
permite identificar la influencia de diferentes parámetros en el rendimiento del sistema.
"El análisis de sensibilidad es una herramienta fundamental para investigar la relación entre
los parámetros de un modelo y su resultado, proporciona información sobre la influencia
relativa de diferentes parámetros en la variabilidad de la salida del modelo" (Saltelli et al.,
2008).
Optimización de Parámetros:
La optimización de parámetros implica ajustar los valores de los parámetros del modelo
para maximizar o minimizar alguna medida de desempeño, como la precisión o la
eficiencia, es útil para mejorar el rendimiento del sistema simulado.
"La optimización de parámetros es un proceso mediante el cual se ajustan los valores de los
parámetros de un modelo con el objetivo de mejorar algún aspecto de su desempeño, puede
utilizarse para optimizar el rendimiento de sistemas simulados" (Nocedal & Wright, 2006).
Validación Cruzada:
Validación Facial
La validación facial implica una revisión subjetiva del modelo de simulación por parte de
expertos en el dominio relevante, se evalúa si el modelo refleja adecuadamente el
comportamiento esperado del sistema simulado
implica una revisión subjetiva del modelo de simulación por parte de expertos en el
dominio relevante, busca determinar si el modelo captura de manera adecuada el
comportamiento esperado del sistema simulado (Law & Kelton, 2000).
Consiste en comparar los resultados producidos por el modelo de simulación con datos
reales o resultados de otros modelos, esta técnica busca determinar si el modelo produce
resultados consistentes y precisos (Banks et al., 2001).
Análisis de Error
El software estadístico externo es utilizado para realizar análisis estadísticos de los datos
generados por la simulación, proporcionando capacidades avanzadas para el análisis de
datos (Montgomery et al., 2012).
Monitores de Rendimiento
Objetivos de la Simulación
Confiabilidad y Validez
Deben ser confiables y válidos, lo que significa que deben proporcionar mediciones
consistentes y precisas que reflejen de manera precisa el fenómeno que se está simulando.
Son fáciles de usar y estar fácilmente accesibles para los usuarios, lo que incluye
consideraciones sobre la interfaz de usuario, la capacitación requerida y la disponibilidad
de soporte técnico (Nielsen, 1993)
Escalabilidad y Flexibilidad
Calibración de Instrumentos
Aseguramiento de la Precisión
Mantenimiento de la Consistencia
Calibración Interinstrumental
"La calibración asistida por software utiliza herramientas de software especializadas para
guiar y automatizar el proceso de calibración, facilitando y documentando el proceso de
manera eficiente" (Smith, 2005).
4.1.2. Medios de Registro de Datos
La elección del medio para registrar datos en una simulación es crucial para garantizar la
precisión, eficiencia y facilidad de análisis de los datos recopilados. Se deben considerar
varios factores al seleccionar el medio más adecuado para este propósito.
Precisión:
Fiabilidad:
Validez:
Normalización de Datos
Captura Automatizada
Metadatos
Los metadatos son datos que proporcionan información sobre otros datos. En el contexto
del registro de datos en simulación, los metadatos pueden incluir información sobre el
origen, formato, contexto y significado de los datos registrados, facilitando su comprensión
y uso futuro. (Batini, C., & Scannapieco, M. 2016).
Respaldo de Datos
El respaldo de datos implica la creación de copias de seguridad de los datos registrados
para evitar la pérdida de información en caso de fallos técnicos, errores humanos o
desastres naturales, garantiza la disponibilidad y recuperación de los datos en caso de
necesidad. (Hauck, R. V. 2002).
Integridad de Datos:
Insesgadez: El estimador debe ser insesgado, es decir, su valor esperado debe ser igual al
valor real del parámetro que se está estimando.
Eficiencia: El estimador debe ser eficiente, es decir, tener la menor varianza posible entre
todas las opciones insesgadas.
Consistencia: El estimador debe ser consistente, es decir, su valor debe converger al valor
real del parámetro a medida que aumenta el tamaño 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. (Rojas, 2022)
4.3.2. Cálculo del número mínimo de observaciones necesarias.
Donde:
Prueba de Anderson-Darling:
Según el libro "Nonparametric Statistical Methods" de Myles Hollander y Douglas A.
Wolfe, la prueba de Anderson-Darling es una herramienta poderosa para evaluar la bondad
de ajuste de datos a una distribución específica. Destacan que esta prueba es
particularmente útil cuando se trata de distribuciones de cola pesada, ya que presta más
atención a las colas de la distribución que otras pruebas de bondad de ajuste como la prueba
de Kolmogorov-Smirnov. La prueba de Anderson-Darling es adecuada para una amplia
gama de distribuciones, incluidas las distribuciones normales, exponenciales, de Weibull,
entre otras.
En simulación, la prueba G se utiliza para validar la calidad de los datos generados por el
modelo. Por ejemplo, en el artículo "Statistical Methods for Discrete Simulation" de Barry
L. Nelson y David M. Nicol, se discute cómo la prueba G puede ayudar a los analistas de
simulación a verificar si los datos simulados se ajustan a la distribución teórica deseada, lo
que contribuye a mejorar la precisión y confiabilidad de los resultados de la simulación.
Hollander y Wolfe señalan que estas pruebas son particularmente útiles cuando se trata de
distribuciones con colas pesadas, ya que son más sensibles a las desviaciones en estas áreas.
Esto es crucial en simulación, donde es importante capturar con precisión los eventos
extremos que pueden tener un impacto significativo en los resultados.
(UPTC,2014)
Resultados
Conclusiones
Referencias
Estrada, N. (2020). MÉTODOS DE ELECCIÓN DISCRETA CON SIMULACIÓN. 10-07-
2021, de Berkeley Sitio web: https://eml.berkeley.edu/books/choice2nd/C10.pdf
García-Molina, H., Ullman, J. D., & Widom, J. (2008). "Sistemas de Bases de Datos."
Provost, F., & Fawcett, T. (2013). "Ciencia de Datos para Negocios: Lo que Necesitas
Saber sobre Minería de Datos y Pensamiento Analítico de Datos." O'Reilly Media.
Tapia, C. E. F., & Cevallos, K. L. F. (2021). Pruebas para comprobar la normalidad de datos
en procesos productivos: Anderson-Darling, Ryan-Joiner, Shapiro-Wilk Y Kolmogórov-
Smirnov. Societas, 23(2), 83-106.
Hollander, M., Wolfe, D. A., & Chicken, E. (2013). Nonparametric statistical methods. John
Wiley & Sons.