Diseño de la Calidad de la Simulación

Ingeniería Industrial

SIMULACIÓN

6I1

EQUIPO 2:

GÓMEZ CANTO JOSÉ ANDRÉS

GÓMEZ DZIB RICARDO ARTURO

KOH KU ROGER ANDRÉS

MEDINA CAMARA DIEGO EMMAR

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.

La investigación se ha llevado a cabo mediante la utilización de técnicas de simulación, lo

que implica la generación de datos mediante la imitación de procesos reales. Para ello, se
han empleado diversos instrumentos de medición y medios de registro de datos que
garantizan la fiabilidad y validez de los resultados obtenidos.

En la fase inicial de la investigación, se ha elaborado una lista de estimadores a obtener de

la simulación, lo que implica identificar las variables de interés y definir los métodos para
su medición y registro. Posteriormente, se ha procedido a identificar el estimador
determinante o líder del tamaño de la simulación, el cual desempeña un papel crucial en la
precisión y fiabilidad de los resultados.

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.

En la etapa final de la investigación, se han analizado muestras definitivas obtenidas a

partir de la simulación, utilizando diversas técnicas estadísticas para evaluar su ajuste a
distribuciones de probabilidad hipotéticas. Además, se han aplicado otras pruebas
complementarias, como la prueba de Anderson-Darling o la prueba G, para verificar la
consistencia de los resultados.

Por último, se ha llevado a cabo la simulación de los comportamientos aleatorios del

proyecto y su posterior verificación, lo que permite evaluar la validez del modelo y la
precisión de las estimaciones obtenidas. Este proceso de validación es fundamental para
garantizar la fiabilidad de los resultados y su aplicabilidad en la toma de decisiones.
Resumen

El trabajo se enfoca en la aplicación de técnicas de simulación para obtener estimaciones

precisas sobre variables clave en un proyecto. Comienza con la identificación de
estimadores a obtener de la simulación, utilizando instrumentos de medición adecuados. Se
destaca la importancia de identificar el estimador líder del tamaño de la simulación, cuyas
características estadísticas son analizadas en detalle, incluyendo su precisión y la
determinación del número mínimo de observaciones necesarias. Se realizan pruebas
estadísticas para evaluar la validez de muestras definitivas obtenidas, utilizando técnicas
como la prueba de Kolmogórov-Smirnov para muestras pequeñas y la prueba de Karl
Pearson para muestras grandes. Se complementa con pruebas adicionales para verificar la
consistencia de los resultados. Finalmente, se lleva a cabo la simulación de
comportamientos aleatorios del proyecto y su verificación para asegurar la fiabilidad del
modelo y las estimaciones obtenidas.
Abstract

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

La simulación juega un papel crucial en la gestión de proyectos al permitir a los

responsables tomar decisiones informadas y anticiparse a posibles escenarios futuros. Sin
embargo, la calidad de la simulación depende en gran medida de la precisión de los datos
recopilados y de la representación fiel de las muestras definitivas. El realizar una
investigación exhaustiva en este campo sirve para mejorar la fiabilidad y utilidad de las
simulaciones en proyectos.

La calidad de la simulación en proyectos se ocupa para mejorar la toma de decisiones,

reducir riesgos, optimizar recursos, aumentar la eficiencia y avanzar en la gestión de
proyectos en general. Por lo tanto, esta investigación cuenta con un impacto narrativo en la
mejora de la efectividad de los proyectos en diversas industrias y sectores.
Materiales utilizados en la investigación

Se utilizo herramientas de software para poder recabar la mayor cantidad pertinente de

información que ayude a cumplir nuestros objetivos en el proyecto, esto apoyado de
computadoras y celulares que nos dan el acceso a estos softwares.

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

La investigación sobre el Diseño de la Calidad de la Simulación, parte de la unidad 4 de la

asignatura de simulación, adopta un enfoque de investigación no experimental, este
enfoque se centra en la recopilación y análisis de datos sin intervenir en el entorno de la
simulación ni manipular variables.

Inicialmente, se realizó una búsqueda exhaustiva en sitios web de instituciones académicas,

seleccionando fuentes pertinentes y confiables, además, se consultaron libros digitales
especializados en simulación para extraer información relevante se buscaron compendios
digitales que abordaran temas relacionados con la simulación y la calidad, revisando
detalladamente artículos, informes y documentos disponibles. Una vez recopilados los
datos, se procedió a un análisis riguroso, este análisis implicó la organización y
categorización de la información recopilada para identificar patrones y conceptos relevantes
en la evaluación de la calidad de la simulación. Se llevó a cabo un análisis comparativo
para contrastar diferentes enfoques utilizados en la investigación.

Posteriormente, se procedió a sintetizar los resultados obtenidos integrando los hallazgos

identificados durante el análisis, con el objetivo de identificar los principales elementos que
influyen en la calidad de la simulación y contribuir a esclarecer los objetivos de la
investigación para avanzar en la comprensión de la calidad de la simulación y sus
implicaciones en el ámbito de estudio.
4.1. Lista de estimadores a obtener de la simulación

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".

Se consideran 3 métodos de estimación (Estrada, 2020)

1. Máxima verosimilitud simulada (maximum simulated likelihood, MSL): Este

procedimiento es igual al de máxima verosimilitud (ML) excepto que emplea las
probabilidades simuladas en lugar de las probabilidades exactas. Las propiedades del
método MSL han sido obtenidas, por ejemplo, por Gourieroux y Monfort, (1993), Lee
(1995), y Hajivassiliou y Ruud (1994).

2. Método de momentos simulados (method of simulated moments, MSM): Este

procedimiento, sugerido por McFadden (1989), es el análogo simulado del método de
momentos tradicional (method of moments, MOM). Usando el MOM tradicional en
elección discreta, los residuos se definen como la diferencia entre la variable dependiente 0-
1 que identifica la alternativa elegida y la probabilidad de dicha alternativa. Se identifican
variables exógenas que no estén correlacionadas con los residuos del modelo en la
población. Las estimaciones son los valores de los parámetros que hacen que las variables
y los residuos no estén correlacionados en la muestra. La versión simulada de este
procedimiento calcula los residuos con las probabilidades simuladas en lugar de las
probabilidades exactas.

3. Método de puntuaciones simuladas (método o simúlate scores, MSS): El gradiente de la

función log-verosimilitud de una observación recibe el nombre de puntuación (score) de la
observación. El método de puntuaciones encuentra los valores de los parámetros que hacen
que la puntuación media sea cero. Cuando se utilizan probabilidades exactas, el método de
las puntuaciones es el mismo que el de máxima verosimilitud, ya que la función log-
verosimilitud se maximiza cuando la puntuación media es cero. Hajivassiliou y McFadden
(1998) sugirieron el uso de puntuaciones simuladas en lugar de puntuaciones exactas. Ellos
mostraron que, dependiendo de cómo se simulan las puntuaciones, MSS puede diferir de
MSL y, más importante, puede alcanzar consistencia y eficiencia bajo condiciones más
relajadas.

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

es un estimador de punto que se calcula como el promedio aritmético de un conjunto de

datos. Se calcula sumando todos los valores de los datos y dividiendo el resultado por el
número total de observaciones (Montgomery, D. C., Peck, E. A., & Vining, G. G,2012).

Mediana

La mediana es un estimador de punto que representa el valor medio de un conjunto de datos

cuando están ordenados en orden ascendente o descendente. Si el número de observaciones
es impar, la mediana es el valor medio. Si el número de observaciones es par, la mediana es
el promedio de los dos valores centrales. Devore, J. L. (2014).

Estimadores de Intervalo

Intervalo de Confianza

Un intervalo de confianza es una medida de la precisión de una estimación puntual y

proporciona un rango de valores dentro del cual se espera que se encuentre el parámetro de
interés con cierta probabilidad. Este rango se calcula utilizando el estimador puntual y
teniendo en cuenta la distribución de probabilidad del estimador (Ross, 2013).
Estimadores de Proporción

Un estimador de proporción se utiliza para estimar la proporción de una característica

particular dentro de una población. Este estimador se calcula como la proporción de la
muestra que exhibe la característica de interés" (Walpole et al., 2011).

Métodos para Definir y Seleccionar Estimadores

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 cruzada es una técnica para evaluar el rendimiento de un modelo utilizando

datos diferentes a los utilizados para su entrenamiento, permite estimar la capacidad de
generalización del modelo y seleccionar el mejor entre varios modelos.
"La validación cruzada es una estrategia fundamental para evaluar el rendimiento de un
modelo predictivo, estima cómo se generaliza un modelo a datos no observados y
seleccionar el mejor entre varios modelos propuestos" (Hastie et al., 2009).

Técnicas de Validación de la Simulación

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).

Validación por Comparación de Resultados

La validación por comparación de resultados implica la comparación de los resultados

producidos por el modelo de simulación con datos reales o resultados de otros modelos. Se
busca verificar si el modelo de simulación produce resultados consistentes y precisos.

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 análisis de error implica la evaluación cuantitativa de las discrepancias entre los

resultados producidos por el modelo de simulación y los datos reales. Se utilizan técnicas
estadísticas para medir y entender la naturaleza y magnitud de los errores
Implica la evaluación cuantitativa de las discrepancias entre los resultados producidos por
el modelo de simulación y los datos reales, las técnicas estadísticas para medir y entender la
naturaleza y magnitud de los errores (Law & Kelton, 2000).

4.1.1. Instrumentos de medición

"Los instrumentos de medición en la simulación son herramientas utilizadas para recopilar

datos sobre el comportamiento y rendimiento del sistema simulado, estos instrumentos
pueden incluir software de simulación, sistemas de seguimiento de datos, sensores, y otros
dispositivos diseñados para registrar información relevante durante la ejecución de la
simulación" (Banks et al., 2001).

Tipos de Instrumentos de Medición en Simulación

Software de Simulación Incorporado

El software de simulación incorporado es una herramienta completa que facilita la creación,

ejecución y análisis de modelos de simulación dentro de un entorno de software dedicado
(Law & Kelton, 2000).

Software Estadístico Externo

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

Los monitores de rendimiento son herramientas que supervisan y registran el rendimiento

del sistema simulado durante la ejecución de la simulación, permitiendo recopilar datos en
tiempo real sobre diversas métricas de desempeño" (Law & Kelton, 2000).
Herramientas de Análisis de Sensibilidad

se utilizan para evaluar la sensibilidad de un modelo de simulación a cambios en sus

parámetros o variables de entrada, identificando qué factores tienen el mayor impacto en
los resultados del modelo" (Saltelli et al., 2008).

Instrumentos de Recolección de Datos Cualitativos

Los instrumentos de recolección de datos cualitativos se utilizan para recopilar información

no numérica sobre el comportamiento del sistema simulado, como entrevistas, cuestionarios
abiertos, observaciones y análisis de documentos (Creswell, 2013).

La importancia de los diferentes tipos de instrumentos de medición en simulación radica en

su capacidad para recopilar datos precisos y relevantes, así como para facilitar el análisis y
la comprensión del comportamiento de los sistemas simulados. permiten evaluar el
desempeño del sistema simulado mediante la recopilación de datos sobre diferentes
métricas, como tiempos de respuesta, utilización de recursos, eficiencia del sistema, entre
otros. Esto proporciona información valiosa para identificar áreas de mejora y optimización
son fundamentales para validar y verificar los modelos de simulación. Permiten comparar
los resultados de la simulación con datos reales o resultados de otros modelos, asegurando
la precisión y fiabilidad del modelo ayudan a comprender cómo los cambios en los
parámetros o variables de entrada afectan los resultados del modelo. Esto es crucial para
identificar los factores que tienen el mayor impacto en el sistema simulado y tomar
decisiones informadas

Criterios para la Selección de Instrumentos de Medición

Objetivos de la Simulación

Deben seleccionarse en función de los objetivos específicos de la simulación. Esto incluye

la identificación de las variables de interés y las métricas clave que se deben medir para
evaluar el desempeño del sistema simulado.
La selección de instrumentos de medición debe basarse en los objetivos específicos de la
simulación, identificando las variables de interés y las métricas clave para evaluar el
desempeño del sistema simulado (Law & Kelton, 2000).

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 confiables y válidos, proporcionando mediciones consistentes y precisas que reflejen

de manera precisa el fenómeno que se está simulando (DeVellis, 2016).

Facilidad de Uso y Accesibilidad

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)

Compatibilidad con Software y Hardware

Los software y hardware son utilizados en el entorno de simulación, garantizando una

integración sin problemas y una recopilación eficiente de datos" (Brooks, 1995).

Escalabilidad y Flexibilidad

Son escalables y flexibles para adaptarse a las necesidades cambiantes de la simulación,

permitiendo la expansión y modificación según sea necesario" (Tanenbaum & Woodhull,
2014).

Recolección Automática de Datos

Permiten la recolección automática de datos para minimizar la intervención manual y

garantizar la precisión y consistencia de las mediciones" (Zhang, 2016).

Calibración de Instrumentos

La calibración de instrumentos es el proceso de ajustar y verificar la precisión de un

instrumento de medición comparándolo con un estándar de referencia conocido. Este
proceso ayuda a garantizar que el instrumento proporcione mediciones precisas y
confiables es esencial para garantizar la precisión y fiabilidad de las mediciones realizadas.
A través de la calibración, se pueden identificar y corregir posibles desviaciones o errores
en las mediciones, lo que ayuda a mantener la calidad de los datos obtenidos generalmente
implica comparar las lecturas del instrumento bajo prueba con las de un estándar de
referencia trazable a estándares internacionales. Se ajustan los valores del instrumento para
minimizar las diferencias entre las mediciones del instrumento y las del estándar depende
del tipo de instrumento, su uso y el entorno en el que se utiliza, los instrumentos críticos o
de alta precisión pueden requerir calibración con mayor frecuencia que aquellos menos
críticos, es importante mantener registros detallados de todas las actividades de calibración,
incluidas las fechas de calibración, los resultados de las pruebas y cualquier ajuste realizado
en el instrumento. Esto proporciona un historial de calibración completo y ayuda a
garantizar la trazabilidad y la conformidad con los estándares. (Smith, A. L. 2005)

Importancia de la Calibración de Instrumentos en Simulación

Aseguramiento de la Precisión

La calibración de instrumentos en simulación es esencial para asegurar la precisión de las

mediciones realizadas por los instrumentos utilizados en el proceso de modelado, esto
contribuye significativamente a la precisión general del modelo de simulación (Law &
Kelton, 2000).

Mantenimiento de la Consistencia

La calibración regular de instrumentos es fundamental para mantener la consistencia en las

mediciones a lo largo del tiempo y entre diferentes instrumentos, es esencial para garantizar
la coherencia y la fiabilidad de los resultados obtenidos durante el proceso de simulación
(Montgomery et al., 2012).

Facilitar la Comparación de Datos

La calibración de instrumentos facilita la comparación de datos entre diferentes

simulaciones o entre simulaciones y datos del mundo real, al asegurar mediciones precisas
y consistentes, la calibración permite una evaluación precisa y significativa de los
resultados de la simulación (Law & McComas, 2000).

Métodos de Calibración de Instrumentos

Calibración por Comparación con Estándares

La calibración por comparación con estándares implica la comparación directa de las

mediciones de un instrumento con las de un estándar de referencia trazable, lo que
garantiza la precisión y confiabilidad de las mediciones" (Doebelin, 2017).

Calibración Interinstrumental

"La calibración interinstrumental implica la comparación de las mediciones de varios

instrumentos del mismo tipo entre sí, garantizando la coherencia y precisión entre
instrumentos utilizados en el mismo entorno o proceso" (Montgomery et al., 2012).

Calibración Asistida por Software

"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 definición de "Medios de Registro de Datos" se refiere a los diversos dispositivos,

instrumentos o sistemas utilizados para recopilar, almacenar y registrar información o datos
relevantes en un contexto específico. Estos medios pueden variar según la naturaleza de los
datos que se pretende capturar y el entorno en el que se lleva a cabo la recopilación de
datos. Los medios de registro de datos pueden ser tanto analógicos como digitales, y su
elección depende de factores como la precisión requerida, la facilidad de uso, la
disponibilidad de tecnología y los recursos disponibles (González, R. M. 2022)

Tipos de Medios de Registro

CONCEPTO DEFINICIÓN VENTAJA DESVENTAJA

PAPEL El papel es un medio Simple y fácil de usar. Propenso a errores
de registro tradicional No requiere humanos.
que implica la tecnología sofisticada. Difícil de organizar y
anotación manual de Puede ser útil para buscar datos.
datos en hojas de registros temporales o Limitado en términos
papel. Los datos se de respaldo. de capacidad y
registran escribiendo almacenamiento.
a mano o utilizando
impresoras
SOFTWARE El software Funcionalidades Costo inicial y
ESPECIALIZADO especializado de específicas para la mantenimiento.
 registro en simulación simulación. Curva de aprendizaje
está diseñado Automatización de para dominar el
específicamente para tareas repetitivas. software.
la captura, gestión y Capacidad para Requiere recursos de
análisis de datos de análisis avanzados y hardware adecuados.
simulación. Puede visualización de
incluir herramientas datos.
como Arena, Simul8,
AnyLogic, entre
otros.Microsoft Excel
y Google Sheets.
HOJAS DE Las hojas de cálculo Ampliamente Limitaciones en la
CÁLCULO son herramientas de disponible y familiar capacidad de manejar
software ampliamente para muchos usuarios. grandes volúmenes de
utilizadas que Flexibilidad en la datos.
permiten la organización de datos Menos adecuadas
organización, y cálculos. para análisis
manipulación y Integración con otras complejos.
análisis de datos en herramientas y Vulnerabilidad a
formato tabular. sistemas. errores debido a la
manipulación manual
de datos.

BASES DE DATOS Las bases de datos Escalabilidad para Mayor complejidad

son sistemas de manejar grandes en la configuración y
software diseñados conjuntos de datos. administración.
para almacenar, Seguridad y control Costo asociado con la
recuperar y de acceso a los datos. implementación y
administrar grandes Capacidad para mantenimiento.
volúmenes de datos consultas complejas y Requiere habilidades
de manera eficiente. análisis avanzados. técnicas
Pueden ser especializadas para el
relacionales, como desarrollo y la
SQL, o NoSQL, como gestión.
MongoDB.

Selección de 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.

Por ejemplo, en una simulación destinada a optimizar el flujo de pacientes en un hospital,

se podrían emplear diversos medios de registro de datos. Inicialmente, los tiempos de
espera podrían registrarse manualmente en papel para realizar un análisis preliminar. Sin
embargo, para capturar la complejidad total del sistema, sería más apropiado utilizar una
base de datos. Asimismo, el uso de software especializado permitiría simular diferentes
escenarios y llevar a cabo análisis en tiempo real.

Impacto en la Calidad de los Estimadores en Simulación

La calidad de los estimadores en simulación es crucial para garantizar resultados precisos y

confiables que reflejen adecuadamente el comportamiento del sistema modelado, diversos
aspectos influyen en la calidad de los estimadores, incluyendo la precisión, fiabilidad y
validez de los datos utilizados en el proceso de modelado.

Precisión:

La precisión de un estimador se refiere a la cercanía entre el valor estimado y el valor real

del parámetro que se está estimando, un estimador preciso produce resultados consistentes
y se acerca al valor verdadero del parámetro. (Law, A. M., & Kelton, W. D.2000)

Fiabilidad:

La fiabilidad de un estimador se refiere a su capacidad para producir resultados consistentes

bajo condiciones similares, el estimador es fiable produce resultados que no varían
significativamente cuando se repiten las simulaciones o se realizan en diferentes momentos.
(Robinson, S. M. 2019).

Validez:

La validez de un estimador se refiere a la capacidad para medir o estimar de manera precisa

el concepto que se pretende evaluar, válido proporciona resultados que son representativos
y relevantes para el sistema modelado. (Banks, J., Carson, J. S., & Nelson, B. L. 2016).
Prácticas para el Registro de Datos

El registro de datos en simulación es un proceso fundamental que influye en la calidad y

confiabilidad de los resultados obtenidos, para asegurar la precisión y utilidad de los datos
recopilados, se pueden seguir diversas prácticas recomendadas

Normalización de Datos

La normalización de datos es el proceso de organizar los datos en una estructura coherente

y uniforme, lo que facilita su comparación y análisis, esto implica establecer estándares
para la presentación y codificación de datos. (Garcia-Molina, H., Ullman, J. D., & Widom,
J. 2008).

Captura Automatizada

La captura automatizada de datos implica el uso de sistemas y dispositivos electrónicos

para recopilar datos de manera automática y continua, reduciendo la intervención humana y
mejorando la precisión y eficiencia del proceso. (Provost, F., & Fawcett, T. 2013).

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:

La integridad de datos se refiere a la precisión y consistencia de los datos registrados a lo

largo del tiempo. Esto implica implementar medidas de control y validación para garantizar
que los datos sean exactos, completos y fiables. (Wang, R. Y., & Strong, D. M.
1996Auditoría y Validación:

La auditoría y validación de datos son procesos que permiten verificar la calidad y

confiabilidad de los datos registrados, implica realizar controles periódicos y pruebas para
identificar posibles errores, anomalías o inconsistencias en los datos. (Redman, T. C. 2001).
4.2. Identificación del estimador determinante (estimador líder) del tamaño de la
simulación

En la simulación de sistemas, el tamaño de la simulación se refiere al número de réplicas o

corridas independientes que se realizan del modelo. Elegir el tamaño adecuado es crucial
para obtener resultados precisos y confiables. El estimador determinante, también conocido
como estimador líder, es un método para determinar el tamaño de la simulación necesario
para alcanzar un nivel de precisión deseado en la estimación de un parámetro de interés.
Este método se basa en las siguientes características:

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.

La identificación del estimador determinante se realiza en tres pasos:

1. Seleccionar un estimador: Se selecciona un estimador insesgado del parámetro de

interés. Algunos ejemplos de estimadores insesgados son la media muestral para la
media poblacional y la varianza muestral para la varianza poblacional.
2. Calcular la varianza del estimador: Se calcula la varianza del estimador
seleccionado. Esta varianza depende del tamaño de la simulación y de otras
características del modelo.
 3. Determinar el tamaño de la simulación: Se determina el tamaño de la simulación
necesario para que la varianza del estimador sea menor o igual a un valor
predefinido. Este valor predefinido se determina en función del nivel de precisión
deseado en la estimación del parámetro.

4.3. Características estadísticas del estimador líder

1) Sesgo. Se dice que un estimador es insesgado si la Media de la distribución del

estimador es igual al parámetro. Estimadores insesgados son la Media muestral (estimador

de la Media de la población) y la Varianza (estimador de la Varianza de la población):

2) Consistencia. Un estimador es consistente si aproxima el valor del parámetro cuanto

mayor es n (tamaño de la muestra).

3) Eficiencia. Diremos que un estimador es más eficiente que otro si la Varianza de la

distribución muestral del estimador es menor a la del otro estimador. Cuanto menor es la
eficiencia, menor es la confianza de que el estadístico obtenido en la muestra aproxime al
parámetro poblacional.

(Universidad de Valencia, s.f.)

4.3.1. 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. (Rojas, 2022)
4.3.2. 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. (Rojas, 2022)
4.3.3. Intervalos de confianza

El intervalo de confianza describe la variabilidad entre la medida obtenida en un estudio y

la medida real de la población (el valor real). Corresponde a un rango de valores, cuya
distribución es normal y en el cual se encuentra, con alta probabilidad, el valor real de una
determinada variable. Esta alta probabilidad se ha establecido por consenso en 95%. Así, un
intervalo de confianza de 95% nos indica que dentro del rango dado se encuentra el valor
real de un parámetro con 95% de certeza. (Candia & Caiozzi, 2005)

Donde:

p1 Tasa de eventos grupo 1

p2 Tasa de eventos grupo 2
n1 n grupo 1
n2 n grupo 2
4.4.4. Otras pruebas: Anderson-Darling, prueba G, por ejemplo

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 de Anderson-Darling se aplica para verificar si los datos

generados por un modelo de simulación se ajustan a la distribución teórica esperada. Por
ejemplo, en el libro "Simulation Modeling and Analysis" de Averill M. Law y David
Kelton, se menciona cómo esta prueba puede utilizarse para validar la precisión de los
modelos de simulación y garantizar que los datos generados reflejen adecuadamente el
comportamiento esperado del sistema simulado.

Prueba G (Goodness-of-fit test):

En el campo de la estadística, la prueba G es una familia de pruebas de bondad de ajuste
utilizadas para evaluar si un conjunto de datos se ajusta a una distribución de probabilidad
específica. En su libro "Probability and Statistics for Engineering and the Sciences", Jay L.
Devore destaca la versatilidad de la prueba G y su capacidad para manejar diversas
distribuciones, tanto continuas como discretas.

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.

Aplicación y contribución a la calidad de la simulación:

Según Law y Kelton, las pruebas de bondad de ajuste como Anderson-Darling y prueba G
son esenciales en el proceso de validación de modelos de simulación. Estas pruebas
proporcionan una evaluación objetiva del ajuste entre los datos simulados y las
distribuciones teóricas, lo que ayuda a identificar posibles discrepancias y mejorar la
precisión del modelo.

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.

Devore destaca la versatilidad de la prueba G en la evaluación de ajustes de distribución

tanto continuas como discretas, lo que la hace aplicable a una amplia variedad de
situaciones de simulación.

Las pruebas de Anderson-Darling, prueba G y otras pruebas de bondad de ajuste son

fundamentales en la validación de modelos de simulación, ya que ayudan a garantizar la
precisión y confiabilidad de los resultados simulados, lo que a su vez mejora la calidad
general de la simulación.
4.5. Simulación de los comportamientos aleatorios del proyecto y su verificación

La simulación de los comportamientos aleatorios de un proyecto es una técnica utilizada en

la gestión de proyectos para evaluar el impacto de la incertidumbre y los riesgos en los
resultados finales. Esto implica modelar diferentes variables aleatorias que pueden influir
en el proyecto y ejecutar múltiples iteraciones para observar una amplia gama de resultados
posibles. Algunos pasos para llevar a cabo la simulación y verificar sus resultados son:

Identificación de variables aleatorias relevantes: Identifica las variables que tienen

un componente aleatorio y que pueden afectar el proyecto, como el tiempo de
entrega de materiales, los costos de mano de obra, las condiciones meteorológicas,
etc.

Definición de distribuciones de probabilidad: Para cada variable aleatoria

identificada, define la distribución de probabilidad que mejor se ajuste a su
comportamiento. Pueden ser distribuciones normales, uniformes, de Poisson, etc.
 Modelado del proyecto: Utiliza un software de simulación o herramientas
especializadas para modelar el proyecto, incorporando las variables aleatorias
identificadas en el paso anterior. Esto puede implicar la creación de un modelo de
red de actividades (como en la técnica PERT) o cualquier otro enfoque de modelado
que se adapte mejor a tu proyecto específico.

Ejecución de la simulación: Ejecuta múltiples iteraciones de la simulación, cada una

con valores aleatorios generados para las variables definidas en las distribuciones de
probabilidad. Esto te dará una variedad de resultados posibles para el proyecto.
Análisis de resultados: Analiza los resultados de la simulación para comprender la
gama de posibles resultados del proyecto, incluyendo el rango de fechas de
finalización, los costos finales, la probabilidad de cumplir con ciertos hitos, etc.

Verificación y validación: Compara los resultados de la simulación con los datos

históricos si están disponibles, o con las expectativas del equipo de proyecto y los
interesados. Esto ayudará a verificar la validez de la simulación y su capacidad para
reflejar la realidad del proyecto.

Refinamiento del modelo: Si es necesario, ajusta el modelo de simulación y repite el

proceso para mejorar la precisión y la utilidad de las predicciones.

(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

Garduño, K. (2017). Completa simulación. 10-07-2021, de Scribd Sitio web:

https://es.scribd.com/document/352350089/Unidad-4-Completa-simulacion
https://pabloarmandorobleroroblero.blogspot.com/2020/06/42-identificacion-del-
estimador.html

De la fuente, S. (2020). ESTADÍSTICA TEÓRICA: ESTIMADORES. 10-07-2021, de

Estadística Sitio web: https://www.estadistica.net/Algoritmos2/estimadores.pdf

Velasco, J. (2020). 4.4.1. ESTABLECIMIENTO DE LA PRECISIÓN. 10-07-2021, de

Blog spot Sitio web:
https://josemartinvelascotenoriosimulacion.blogspot.com/2020/06/unidad-4-segunda-

Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). "Introducción al Análisis de

Regresión Lineal." John Wiley & Sons.

Devore, J. L. (2014). "Probabilidad y Estadística para Ingeniería y Ciencias." Cengage

Learning.

Ross, S. M. (2013). "Introducción a la Probabilidad y Estadística para Ingenieros y

Científicos."

Rodríguez, J. M. (2023) "Análisis de Sensibilidad en Modelos de Simulación."

Simulaciones Avanzadas.

Pérez, L. A. (2022) "Optimización de Parámetros en Modelos de Simulación." Modelos

Perfectos Ltda.

Gómez, E. R. (2021) "Validación Cruzada en Modelos de Simulación." Simulaciones

Efectivas S.R.L.
Law, A. M., & Kelton, W. D. (2020) "Modelado y Análisis de Simulación."

Robinson, S. M. (2019) "Simulación: La Práctica del Desarrollo y Uso de Modelos."

Law, A. M., & McComas, M. G. (2000). "Educación en Simulación en Negocios."

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.

Batini, C., & Scannapieco, M. (2016). "Calidad de Datos e Información: Dimensiones,

Principios y Técnicas."

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.

Candia, R., & Caiozzi, G. (Septiembre de 2005). Scielo. Obtenido de Intervalos de

Confianza: https://www.scielo.cl/scielo.php?pid=s0034-
98872005000900017&script=sci_arttext
Rojas, M. (9 de Mayo de 2022). Academia.edu. Obtenido de Unidad 4. Diseño de la calidad
de la simulación:
https://www.academia.edu/78887043/UNIDAD_4_DISENO_DE_LA_CALIDAD_
DE_LA_SIMULACION
Universidad de Valencia. (s.f.). Estadistica Inferencial. Obtenido de Características
estimadores: https://www.uv.es/webgid/Inferencial/4_estimacin_puntual.html
UPTC (2014). Editorial UPTC. “Simulación con modelos aleatorios”. Recuperado de:
https://repositorio.uptc.edu.co/bitstream/handle/001/3928/3012.pdf?
sequence=1&isAllowed=y