INSTITUTO TECNOLOGICO DE VILLA LA VENTA, TABASCO. CARRERA: ING. INDUSTRIAL ASIGNATURA: SIMULACION GRUPO: 6° “U” TURNO: MATUTINO UNIDAD 4: DISEÑO DE LA CALIDAD DE LA SIMULACION ACTIVIDAD: INVESTIGACION DOCENTE: SAMUEL HUMBERTO CORREA LUGO. ALUMNO: GIOVANNY DE JESUS SARABIA OCAÑA Fecha de entrega: 17/103/23 4. DISEÑO DE LA CALIDAD DE LA SIMULACION. 4.1 lista de estimadores a obtener de la simulación. Hasta ahora hemos estudiado cómo simular la probabilidad 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 logverosimilitud y hemos maximizada dicha función, de la misma forma que lo habríamos hecho si las probabilidades hubieran sido 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 concluyeron una guía al investigador sobre cómo debe llevarse a cabo la simulación para obtener estimaciones con propiedades deseadas 4.1.1 Instrumentos de medición. Un instrumento de medición es aquel elemento empleado con el propósito de contrastar magnitudes físicas distintas a través de un procedimiento de medición. Se clasifican de acuerdo con la magnitud física que se desee medir: Instrumentos desarrollados para medir la masa: BALANZA: es un tipo de palanca constituida por brazos análogos, la cual a través del equilibrio obtenido entre pesos de dos elementos permite la medición de masas. CATARÓMTERO: con este término se designa al instrumento capaz de medir ciertas concentraciones de gas, teniendo en cuenta una comparación de la conductividad térmica. BÁSCULA: la palabra proviene del francés bascule y se refiere a un dispositivo empleado para estipular la masa de un cuerpo. Suelen constituirse por una base en posición horizontal, en la cual se ubica el cuerpo a pesar. Gracias a este sistema, es posible establecer el peso de elementos de gran magnitud de manera sencilla. Instrumentos utilizados para medir el tiempo: CALENDARIO: consiste en un elemento creado con el propósito de llevar una contabilización del tiempo. La mayor parte de éstos se llaman calendarios solares. Esto es porque toman como referencia el período empleado por la tierra para dar una vuelta alrededor del sol. CRONÓMETRO: es un elemento ubicado dentro de las categorías de los relojes cuyo objetivo consiste en la medición de fracciones mínimas de tiempo. RELOJ: el término se refiere al elemento capaz de medir el tiempo, por medio de la división de este en horas, minutos y segundos. DATACIÓN RADIOMÉTRICA: a través de este proceso es posible fijar con exactitud la edad de los minerales, rocas, etc. consiste en la realización de un análisis tanto de un isótopo padre como un hijo, cuya vida media es conocida. Un ejemplo de este procedimiento es la datación por radiocarbono, llevada a cabo a partir de la desintegración del carbono 14. Instrumentos empleados para la medición de longitud: CINTA MÉTRICA: a través de esta es posible la medición de una superficie determinada. Se basa en una cinta graduada y de gran maleabilidad, lo cual permite medir áreas formadas por curvas. CALIBRADOR: este instrumento se emplea con el fin de medir extensiones de aquellos elementos de tamaño reducido. Otorga la posibilidad de apreciar tanto centímetros como unidades milimétricas. 4.1.2. medios de registro de datos. Es la acción que se refiere a almacenar algo o a dejar constancia de ello en algún tipo de documento. Un dato, por su parte, es una información que posibilita el acceso a un conocimiento. La noción de registro de datos, por lo tanto, está vinculada a consignar determinadas informaciones en un soporte. El registro de datos puede desarrollarse tanto en un papel como en formato digital. Por ejemplo: “Apenas llegué a la oficina, un empleado administrativo me pidió mis documentos y procedió al registro de datos en una planilla”, “Gracias a esta nueva herramienta tecnológica que acabamos de incorporar, el registro de datos será mucho más veloz”, “Tenemos problemas con el registro de datos ya que el sistema no está funcionando bien: le pido disculpas por las molestias”. La policía de todo el mundo encuentra precisamente en los registros de datos una de sus herramientas más útiles y eficaces de trabajo. 4.2. identificación del estimador determinante (estimador líder) del tamaño de la simulación. En la estadística tiene un papel destacado la noción de MUESTRA ALEATORIA. Una muestra aleatoria de tamaño n es: · Una colección de n variables aleatorias. Todas con la misma distribución Todas independientes. Esta definición idealiza la operación de repetir n veces la observación de la misma variable aleatoria, siendo las repeticiones independientes una de otra. La colección de donde extraemos la muestra aleatoria, se denomina POBLACIÓN. Nuestra intención al tomar una muestra es la de hacer INFERENCIA. Este término lo usamos en estadística para denotar al procedimiento con el que hacemos afirmaciones acerca de valores generales de la población mediante los números que observamos en la muestra. Quizá un ejemplo aclare las ideas. Suponga que observamos el proceso de fabricación de las ``bolitas'' que se le ponen al envase de los desodorantes ``roll on''. No todas las bolitas van a tener el mismo diámetro, si escogemos, al azar una bolita, tendremos un valor para el diámetro que es una variable aleatoria. Podemos suponer que los diámetros tienen la distribución normal, debido a nuestra experiencia con el proceso, conocemos que la desviación estándar de la población es de 4 mm (aproximadamente). Pero, también por experiencia, sabemos que el diámetro promedio puede variar por desajuste de la maquinaria productora. De modo que tenemos: · Una POBLACIÓN, que son todas las bolitas que se producen. · Un PARÁMETRO de la población conocido (o casi) que es la desviación estándar. · Otro PARAMETRO cuyo valor es desconocido: la media. 4.3. Muestras preliminares de los proyectos aprobados en 3.4. 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. 4.4 Características estadísticas del estimador líder. En general, escogeremos el estimador que posea mejores propiedades que los restantes, como insesgadas, eficiencia, convergencia y robustez (consistencia). SESGO: Se denomina sesgo de un estimador a la diferencia entre la esperanza (o valor esperado) del estimador y el verdadero valor del parámetro a estimar. Es deseable que un estimador sea insesgado o centrado, es decir, que su sesgo sea nulo por ser su esperanza igual al parámetro que se desea estimar. 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 casi segura (o fuerte). Convergencia en media cuadrática. -Convergencia en distribución. 4.4.1. Establecimiento de la precisión. En Otras opciones, puede establecer la precisión de datos, asociar menús contextuales al formulario y activar variables de usuario dinámicas. Controle la precisión de los datos aplicando valores mínimos y máximos para diferente tipo de cuenta. Por ejemplo, puede truncar y redondear la parte decimal de los números más largos. Para establecer la precisión del formulario y otras opciones: Abra el formulario y, a continuación, haga clic en Otras opciones. En Precisión, seleccione opciones para establecer el número de posiciones decimales visibles en una celda para Valores de moneda, Valores no de moneda y Valores porcentuales. 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. En la pestaña Pruebas del cuadro de diálogo Preferencias de ejecución se establecen las preferencias que detienen una simulación: número de pruebas, errores de cálculo y control de precisión. Para obtener instrucciones generales, consulte (Establecimiento de preferencias de ejecución). 4.4.2. Cálculo del número mínimo de observaciones necesarias. Los métodos más utilizados para determinar el número de observaciones son: 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. 4.4.3. Intervalo de confianza. 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. Intervalo de confianza (IC): Definición y propiedades El intervalo de confianza describe la variabilidad entre la medida obtenida en un estudio y la medida real de la población (el valor real). 4.5. Muestras definitivas. Confección de muestras físicas de etiquetas tejidas; Antes de la fabricación de las etiquetas, el cliente recibe muestras definitivas, fabricadas con los mismos colores, diseños y materiales que tendrán las etiquetas fabricadas posteriormente según el pedido. Asimismo, en Exclusive Tarde ofrecemos asesoramiento a todos aquellos socios que deseen iniciar una producción propia Especializada en todo lo referente a las etapas y procesos técnicos necesarios, desde el diseño hasta la fabricación de las muestras definitivas que deberán someterse, sucesivamente, a las pruebas de venta. Dos productores exportadores chinos incluidos en la muestra, solo después de la comunicación de las conclusiones definitivas, se realizó demasiado tarde para ser tenida en cuenta. En lo que respecta a las medidas antidumping definitivas en vigor contra los encendedores no recargables de piedra y ciertos. Estrechamente vinculados a la decisión sobre las cifras globales y la estructura y duración definitivas del marco financiero todas las manadas de la explotación, si una de ellas ha dado positivo en las pruebas de salmonella enteritis o Salmonella typhimurium efectuadas en muestras tomadas por el explotador de empresa alimentaria, salvo que la carne de los pavos de las manadas vaya a someterse a tratamiento térmico industrial u otro tratamiento para eliminar la salmonela, y concluyó que ninguno de los compromisos ofrecidos tras la comunicación de las conclusiones definitivas debía de ser aceptado. Expresa su máxima preocupación por la continua serie de asesinatos de conocidas personalidades, como Anna Politkóvskaya, que se oponen al actual Gobierno ruso o que se alzan en defensa de los derechos fundamentales de los ciudadanos rusos; subraya que el Consejo y la Comisión deben reaccionar con toda su autoridad y que la colaboración con Rusia se verá gravemente afectada si el Gobierno ruso no da muestras de su capacidad y determinación para colaborar en las investigaciones destinadas a encontrar a los asesinos, cumpliendo con su deber de poner fin a este círculo vicioso y llevando a los responsables ante la justicia de que, en el momento de adoptar decisiones concretas definitivas, el Consejo pueda disponer de los elementos de juicio más fiables que sea posible 4.5.1. estadísticas descriptivas. 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. Al conjunto de los distintos valores numéricos que adopta un carácter cuantitativo se llama variable estadística. Las variables pueden ser de dos tipos: • Variables cualitativas o categóricas: no se pueden medir numéricamente (por ejemplo: nacionalidad, color de la piel, sexo). • Variables cuantitativas: tienen valor numérico (edad, precio de un producto, ingresos anuales). Las variables también se pueden clasificar en: • Variables unidimensionales: sólo recogen información sobre una característica (por ejemplo: edad de los alumnos de una clase). • Variables bidimensionales: recogen información sobre dos características de la población (por ejemplo: edad y altura de los alumnos de una clase). • Variables pluridimensionales: recogen información sobre tres o más características (por ejemplo: edad, altura y peso 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. 4.5.2. Muestras pequeñas: prueba de Kolmogórov-Smirnov para ajuste de una distribución de probabilidades continua hipotética (en hoja de cálculo o con paquete estadístico). En este capítulo se examinarán pruebas de hipótesis en las que la característica que se desconoce es alguna propiedad de la forma funcional de la distribución que se muestrea. Además, se discutirán pruebas de independencia de dos variables aleatorias en las cuales la evidencia muestra se obtiene mediante la clasificación de cada variable aleatoria en un cierto número de categorías. Este tipo de prueba recibe el nombre de bondad de ajuste. Para un tamaño específico del error de tipo I, la hipótesis nula será rechazada si existe una diferencia suficiente entre las frecuencias observadas y las esperadas. La hipótesis alternativa es compuesta y a veces no suele estar identificada. El resultado es que la función potencia es difícil de obtener. En consecuencia, una prueba de bondad de ajuste no debe usarse por sí misma para aceptar la afirmación de la hipótesis nula. 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 I, la región crítica estará en el extremo superior la distribución chicuadrada con k1 grado de libertad. Una ventaja de la prueba de bondad de ajuste chi-cuadrada es que para valores grandes de n, la distribución límite chicuadrada de la estadística, es independiente de la forma que tenga la distribución F0(x) propuesta en la hipótesis H0. 4.5.3. Muestras grandes: prueba de Karl-Pearson para ajuste de una distribución de probabilidades hipotética, discreta o continua (en hoja de cálculo o con paquete estadístico) 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. 4.5.4. Otras pruebas: Anderson-Darling, prueba G, por ejemplo. El estadístico de la prueba se puede entonces comparar contra las distribuciones del estadístico de prueba (dependiendo que valor. se utiliza) para determinar el PLa prueba de Anderson-Darling es una prueba estadística que permite determinar si una muestra de datos se extrae de una distribución de probabilidad. En su forma básica, la prueba asume que no existen parámetros a estimar en la distribución que se está probando, en cuyo caso la prueba y su conjunto de valores críticos siguen una distribución libre. Sin embargo, la prueba se utiliza con mayor frecuencia en contextos en los que se está probando una familia de distribuciones, en cuyo caso deben ser estimados los parámetros de esa familia y debe tenerse estos en cuenta a la hora de ajustar la prueba estadística y sus valores críticos. Cuando se aplica para probar si una distribución normal describe adecuadamente un conjunto de datos, es una de las herramientas estadísticas más potentes para la detección de la mayoría de las desviaciones de la normalidad. 4.6. Simulación de los comporta-mientosn aleatorios del proyecto y su verificación. 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. Citas bibliográficas. 4.1. Lista de estimadores a obtener de la simulación. Hasta ahora hemos estudiado cómo simular probabilidades de elección (ESTEVEN DE LA TORRE). Unidad 4 Diseño DE LA Calidad DE LA Simulación (FERNANDA ALVARADO CASTILLO).
