TECNOLÓGICO NACIONAL DE MÉXICO

Campus de Lázaro Cárdenas

TECNOLÓGICO NACIONAL DE MÉXICO

CAMPUS LÁZARO CÁRDENAS

INGENIERÍA INDUSTRIAL

GRUPO 62V

SIMULACION
UNIDAD 4
DISEÑO DE LA CALIDAD DE LA SIMULACIÓN

PRESENTA:

GUERRERO CASTRO ERIK

Cd. y Puerto de Lázaro Cárdenas, Mich., 11 de Mayo del 2020

Av. Melchor Ocampo # 2555, Col. Cuarto Sector, C.P. 60950, Cd. Lázaro Cárdenas, Michoacán,

Teléfono (753) 53 7 19 77, 53 2 10 40, 53 7 53 91, 53 7 53 92 Dirección Ext. 109, Fax. 108
Contenido
INTRODUCCION..........................................................................................................3
4.1 Lista de estimadores a obtener de la simulación....................................................5
4.1.1 Instrumentos de medición....................................................................................5
4.1.2 Medios de registro de datos.................................................................................6
4.2 Identificación del estimador determinante..............................................................7
4.3 Muestras preliminares de los proyectos aprobados en clase para cada equipo de
trabajo............................................................................................................................7
4.4 Características estadísticas del estimador líder.....................................................8
4.4.1 Establecimiento de la precisión...........................................................................9
4.4.2 Cálculo del número mínimo de observaciones necesarias.................................9
4.4.3 Intervalos de confianza......................................................................................10
4.5 Muestras definitivas..............................................................................................10
4.5.1 Estadística descripta..........................................................................................11
4.5.2 Muestras pequeñas............................................................................................11
4.5.3 Muestras grandes..............................................................................................12
4.5.4 Otras pruebas.....................................................................................................12
EJERCICIO 1..............................................................................................................13
EJERCICIO 2..............................................................................................................14
EJERCICIO 3..............................................................................................................15
CONCLUSION............................................................................................................17
 INTRODUCCION

En este trabajo de investigación vamos a analizar la teoría de la simulación, sus

antecedentes, los procesos, métodos y lenguajes de programación para la
modelización a medida para cada empresa. En futuras investigaciones
procederemos a implementar dichos modelos y a estudiar su validación.

Como antecedentes de la teoría de la simulación podríamos mencionar la teoría de

la dinámica de sistemas. A su vez, la teoría de la dinámica de sistemas se basó en
la teoría de los servomecanismos, cuya característica fundamental es la existencia
en los mismos de una realimentación de información.
 Objetivo

En esta investigación se busca conocer los diversos métodos

dentro de la simulación, al igual que los instrumentos que hay para

distribuciones de probabilidades que hay en el diseño de la calidad,

estas muestras ayudaran a facilitar el trabajo.

 UNIDAD 4. DISEÑO DE LA CALIDAD DE LA SIMULACIÓN.

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.
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 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.

 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 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:

 Insesgadas. 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).

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 Covarianza, la

Media de las Varianzas muestrales es igual a 9.5, esto es, coincide con la Varianza

de la población, ya que la Covarianza es un estimador insesgado. UNIDAD 4.

DISEÑO DE LA CALIDAD DE LA SIMULACIÓN M. C. José Alberto Estrada Beltrán

 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.

 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.

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.

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

En estadística, son muy conocidas y utilizadas las pruebas paramétricas y no

paramétricas. Una prueba no paramétrica muy empleada es la prueba de

Kolmogórov-Smirnov, que permite verificar si las puntuaciones de la muestra siguen

o no una distribución normal. Pertenece al grupo de las llamadas pruebas de bondad

de ajuste. Pruebas no paramétricas La prueba de Kolmogórov-Smirnov es un tipo de

prueba no paramétrica. Las pruebas no paramétricas (también llamadas de

distribución libre) son utilizadas en estadística inferencial, y tienen las siguientes

características:

• Plantean hipótesis sobre bondad de ajuste, independencia...

• El nivel de medida de las variables es bajo (ordinal).

• No tienen excesivas restricciones.

• Son aplicables a muestras pequeñas.

• Son robustas.
 4.5.1 Estadística descripta

Se trata de una prueba de bondad de ajuste, es decir, sirve para verificar si las

puntuaciones que hemos obtenido de la muestra siguen o no una distribución

normal. Es decir, permite medir el grado de concordancia existente entre la

distribución de un conjunto de datos y una distribución teórica específica. Su objetivo

es señalar si los datos provienen de una población que tiene la distribución teórica

especificada, es decir, lo que hace es contrastar si las observaciones podrían

razonablemente proceder de la distribución especificada.

4.5.2 Muestras pequeñas

La prueba de Kolmogórov-Smirnov aborda la siguiente pregunta: ¿Provienen las

observaciones de la muestra de alguna distribución hipotética? 2 hipótesis nula e

hipótesis alternativa Como prueba de bondad de ajuste, responde a la pregunta de:

“¿la distribución muestral (empírica) se ajusta a la poblacional (teórica)?”. En este

caso, la hipótesis nula (H0) establecerá que la distribución empírica es similar a la

teórica (la hipótesis nula es la que no se intenta rechazar). En otras palabras, la

hipótesis nula establecerá que la distribución de frecuencias observada es

consistente con la distribución teórica (y que se da por lo tanto un buen ajuste).

¿Cómo se calcula? El resultado de la prueba de Kolmogórov-Smirnov se representa

mediante la letra Z. La Z se calcula a partir de la diferencia mayor (en valor absoluto)

entre las funciones de distribución acumuladas teórica y observada (empírica).

 4.5.3 Muestras grandes

En estadística, existen diversas pruebas para analizar la relación entre variables.

Las variables nominales son las que permiten relaciones de igualdad y desigualdad,

como por ejemplo el género. 4 ¿Qué es la prueba de chi-cuadrado? La prueba chi-

cuadrado, también llamada Ji cuadrado (Χ2), Como hemos visto, la prueba chi-

cuadrado se utiliza con datos pertenecientes a una escala nominal o superior. A

partir de chi-cuadrado, se establece una hipótesis nula que postula una distribución

de probabilidad especificada como el modelo matemático de la población que ha

generado la muestra. Una vez tenemos la hipótesis, debemos realizar el contraste, y

para ello disponemos de los datos en una tabla de frecuencias. Se indica la

frecuencia absoluta observada o empírica para cada valor o intervalo de valores.

Entonces, suponiendo que la hipótesis nula es cierta, para cada valor o intervalo de

valores se calcula la frecuencia absoluta que cabría esperar o frecuencia esperada.

4.5.4 Otras pruebas

La prueba de Anderson-Darling es usada para probar si una muestra viene de una

distribución especifica. Esta prueba es una modificación de la prueba de

Kolmogorov- Smirnov donde se les da más peso a las colas de la distribución que la

prueba de Kolmogorov-Smirnov. En estadística, la prueba de Anderson-Darling es

una prueba no paramétrica sobre si los datos de una muestra provienen de una

distribución específica. La fórmula para el estadístico determina si los datos

(observar que los datos se deben ordenar) vienen de una distribución con función

acumulativa F. Una vez obtenido el estadístico ajustado, la regla de rechazo se

realiza análogamente a la utilizada en la prueba de K-S. El estadístico de la prueba

se puede entonces comparar contra las distribuciones del estadístico de prueba

(dependiendo que F se utiliza) para determinar el P- valor.

EJERCICIO 1.

Distribución de Chi-cuadrado
 EJERCICIO 2

EJERCICIO 3
 599.16 599.87 600.08 600.4
599.21 599.9 600.12 600.48
599.33 599.91 600.12 600.49
599.42 599.94 600.13 600.49
599.46 599.97 600.16 600.52
599.53 600.02 600.21 600.53
599.65 600.03 600.24 600.53
599.69 600.04 600.33 600.57
599.76 600.04 600.35 600.66
599.84 600.08 600.37 601.03
EJERCICIO 3
 1 2 3 4 5 6
Observación Valor Probabilidad de z Probabilidades mayores De menor a mayor Formula de Anderson
1 599.16 0.015421173 0.984578827 0.010870478 -8.69371840
2 599.21 0.020674622 0.979325378 0.078740026 -19.26135595
3 599.33 0.039698552 0.960301448 0.115218134 -26.93684351
4 599.42 0.061800525 0.938199475 0.134804411 -33.51441648
5 599.46 0.074290602 0.925709398 0.134804411 -41.43331062
6 599.53 0.100653775 0.899346225 0.140038617 -46.88096248
7 599.65 0.160594057 0.839405943 0.156561212 -47.88138800
8 599.69 0.184926879 0.815073121 0.156561212 -53.13154487
9 599.76 0.232688552 0.767311448 0.162343009 -55.69367023
10 599.84 0.294778717 0.705221283 0.21350168 -52.54717703
11 599.87 0.31988389 0.68011611 0.234878034 -54.35820805
12 599.90 0.34584246 0.65415754 0.249761642 -56.32746401
13 599.91 0.354666684 0.645333316 0.26513168 -59.10263796
14 599.94 0.381593795 0.618406205 0.339714612 -55.16229576
15 599.97 0.40910665 0.59089335 0.366255161 -55.04792842
16 600.02 0.455905849 0.544094151 0.411885198 -51.84686688
17 600.03 0.465361325 0.534638675 0.439891527 -52.34355199
18 600.04 0.4748364 0.5251636 0.449301522 -54.06961109
19 600.04 0.4748364 0.5251636 0.449301522 -57.15930316
20 600.08 0.512825494 0.487174506 0.487174506 -54.09114949
21 600.08 0.512825494 0.487174506 0.487174506 -56.86505459
22 600.12 0.550698478 0.449301522 0.5251636 -53.34637156
23 600.12 0.550698478 0.449301522 0.5251636 -55.82759814
24 600.13 0.560108473 0.439891527 0.534638675 -56.67208056
25 600.16 0.588114802 0.411885198 0.544094151 -55.83383810
26 600.21 0.633744839 0.366255161 0.59089335 -50.09365866
27 600.24 0.660285388 0.339714612 0.618406205 -47.47172257
28 600.33 0.73486832 0.26513168 0.645333316 -41.03287537
29 600.35 0.750238358 0.249761642 0.65415754 -40.57096876
30 600.37 0.765121966 0.234878034 0.68011611 -38.53949444
 31 600.40 0.78649832 0.21350168 0.705221283 -35.95390877
32 600.48 0.837656991 0.162343009 0.767311448 -27.84657210
33 600.49 0.843438788 0.156561212 0.815073121 -24.35845101
34 600.49 0.843438788 0.156561212 0.839405943 -23.13702945
35 600.52 0.859961383 0.140038617 0.899346225 -17.72989436
36 600.53 0.865195589 0.134804411 0.925709398 -15.76161672
37 600.53 0.865195589 0.134804411 0.938199475 -15.22724340
38 600.57 0.884781866 0.115218134 0.960301448 -12.21916340
39 600.66 0.921259974 0.078740026 0.979325378 -7.92363441
40 601.03 0.989129522 0.010870478 0.984578827 -2.09123349

Media 600.0665
Desviación 0.41985071
Tamaño 40

CONCLUSION

Vistas las innegables ventajas de la aplicación de los modelos de simulación en la planificación y gestión estratégica de la
empresa, nuestro propósito es continuar en esta línea de investigación: concretamente en la aplicación de modelos de
simulación a empresas españolas del sector de servicios sociales, y más específicamente en hospitales.