Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Unidad 4 Simulacion
Unidad 4 Simulacion
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.
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.
Por definición, el valor de una variable cambia conforme avanza la simulación,
aunque se le debe dar un valor inicial. Cabe recordar que el valor de un parámetro
permanece constante; sin embargo, puede cambiar conforme se estudian diferentes
alternativas en otras simulaciones.
Determinación de duración de la ejecución: La duración de la ejecución de
simulación (duración de la ejecución o tiempo de ejecución) depende del propósito
de la simulación.
Quizás el planteamiento más común sea continuar la simulación hasta lograr un
equilibrio. En el ejemplo del mercado de pescado, significaría que las ventas
simuladas de pescado corresponden a sus frecuencias relativas históricas. Otro
planteamiento es ejecutar la simulación durante un periodo establecido como 1 mes,
1 año o una década y ver si las condiciones al final del periodo son razonables. Un
tercer planteamiento es establecer la duración de la ejecución de modo que se
obtenga una muestra suficientemente grande para efectos de pruebas de hipótesis
estadística. Esta alternativa se considera en la siguiente sección.
4.3 MUESTRAS PRELIMINARES DE
LOS PROYECTOS APROBADOS EN
3.4
4.4 CARACTERÍSTICAS DEL
ESTIMULADOR 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 (μ) 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.
• 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.
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.
• 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 (σ) = 40
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?
4.5.MUESTRAS DEFINITIVAS
4.5.1 ESTADÍSTICA DESCRIPTIVA
La estadística descriptiva es la rama de las Matemáticas que
recolecta, presenta y caracteriza un conjunto de datos (por ejemplo,
edad de una población, altura de los estudiantes de una escuela,
temperatura en los meses de verano, etc.) con el fin de describir
apropiadamente las diversas características de ese conjunto.
Continuas: pueden tomar cualquier valor real dentro de un intervalo. Por ejemplo, la velocidad de
un vehículo puede ser 90.4 km/h, 94.57 km/h etc.
4.5.2 MUESTRA PEQUEÑAS: PRUEBA DE KOLMOGÓROV- SMIRNOV
PARA AJUSTE DE UNA DISTRIBUCIÓN DE PROBABILIDADES CONTINUA
HIPOTÉTICA (EN HOJA DE CÁLCULO O CON PAQUETE ESTADÍSTICO)
Esta prueba se utiliza para contrastar la hipótesis nula de que dos muestras independientes de
tamaños n1 y n2 proceden de la misma población. El contraste se basa en las diferencias entre
las frecuencias relativas acumuladas hasta los mismos puntos de corte correspondientes a las
dos muestras. Si H0 es cierta es de esperar que dichas diferencias sean pequeñas.
Cuando esta diferencia es significativamente grande se rechaza la hipótesis de que las muestras
proceden de la misma población y la decisión se basa en el valor tipificado del estadístico de
prueba, Z, que tiene distribución normal tipificada.
EJEMPLO
4.5.3 MUESTRAS GRANDES: PRUEBA DE KARL- PERSON PARA AJUSTE DE
UNA DISTRIBUCIÓN DE PROBABILIDADES HIPOTÉTICA, DISCRETA O
CONTINUA (EN HOJA DE CÁLCULO O CON UN PAQUETE DE ESTADÍSTICO).