(PDF) 4,4.1.... DISEÑO DE LA CALIDAD DE SIMULACION - Compress PDF

4.1. Lista de estimadores a obtener de la simulación.
Hasta ahora hemos estudiado cómo simular probabilidades 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 log-
verosimilitud y hemos maximizada dicha función, de la misma forma que lo
habríamos hecho si las probabilidades hubieran sido exactas. Este procedimiento
parece intuitivamente razonable. Sin embargo, no hemos mostrado realmente, al
menos hasta ahora, que el estimador resultante tenga propiedades deseables,
como consistencia, normalidad asintótica o eficiencia. Tampoco hemos explorado
la posibilidad de que otras formas de estimación puedan ser preferibles cuando
usamos simulación, en lugar de las probabilidades 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
c onsistente y asintóticamente equivalente al estimador
que obtendríamos si usásemos valores exactos en lugar de simulación. Estas
condiciones proporcionan una guía al investigador sobre cómo debe llevarse a cabo
la simulación para obtener estimadores con propiedades deseables. El análisis
también pone en evidencia las ventajas y limitaciones de cada forma de estimación,
facilitando así la elección del investigador entre los diferentes métodos.
Las técnicas de simulación en estadística, como son los métodos de Monte Carlo,
y los procedimientos de re muestreo
mue streo conocidos como bootstrap, son de gran utilidad
cuando no tenemos expresiones cerradas para calcular medidas de incertidumbre
como son la desviación estándar de estimadores y los intervalos d e confianza. Estos
métodos de simulación permiten obtener estimaciones con menor es supuestos que
los métodos analíticos, a cambio de un trabajo computacional más intenso. La
disponibilidad creciente de los recursos computacionales, hacen de las técnicas de
simulación una herramienta de uso creciente. En este trabajo se discuten estas
técnicas de simulación, y se ilustran con ejemplos sencillos.
En el contexto estadístico, entendemos por simulación, la técnica de muestreo
estadístico controlado, que se utiliza conjuntamente con un modelo, para obtener
respuestas aproximadas a preguntas que surgen en problemas complejos de tipo
probabilístico. En metrología, el proceso de medición e s de naturaleza probabilística
y los modelos de medición con frecuencia son complejos [1]. Estas dos
características del proceso de medición, complejidad y aleatoriedad, hacen del
análisis de datos de medición un área de oportunidad natural para los métodos de
simulación.
Trusted by over 1 million members
Try Scribd FREE for 30 days to access over 125 million titles without ads or interruptions!
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
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 a la magnitud física que se desee medir:
Instrumentos desarrollados para medir la masa:
BALANZA: es un tipo de palanca
de palanca constituida por brazos análogos, la cual a través
del equilibrio obtenido entre pesos de dos elementos per mite 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 enen
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 del mismo en horas, minutos y segundos.
DATACIÓN RADIOMÉTRICA: a través de esta 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
me dia es conocida. Un ejemplo de este
es te
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 la misma es posible la medición de una superficie
determinada. Se basa en una cinta graduada
gradu ada y de gran maleabilidad, lo cual permite
medir áreas formadas por curvas.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
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,
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.
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. Y es que los mismos le
permiten tener acceso inmediato a la identidad de personas sobre las que desee
conocer algún tipo de información concreto. Exactamente las autoridades cuentan
con registros donde tienen almacenados numerosos aspectos de la ciudadanía
tales nombres y apellidos, domicilio, edad, sexo, estado civil, nombre de los padres,
fecha y lugar de nacimiento, fotografías, huellas digitales, trabajo… Todo eso y
mucho más sin olvidar tampoco las infracciones que haya podido cometer e incluso
la ficha policial, en el caso de que la posean por haber realizado algún delito.
En el ámbito de la informática,
la informática, se conoce como registro de datos al bloque con
información que forma parte de una tabla. Esto quiere decir que, en una base de
datos, el registro de datos es una fila.
Esta fila o registro
o registro supone un conjunto de datos que mantienen una cierta
vinculación entre sí. La totalidad de las filas de una tabla respeta una estructura
idéntica, una característica que permite trabajar y hacer cálculos con la información.
La tabla, en definitiva, constituye la base de datos.
Para poder llevar a cabo el citado registro, se hace necesario recurrir al uso de la
tecnología que existe y que facilita no sólo el llevarlo al día y poder consultarlo
cuando sea imprescindible sino también poder ir rellenando
r ellenando nuevas filas y columnas.
Existen diversos programas específicos para ello, no obstante, uno de los más
utilizados en todo el mundo es Microsoft Excel.
Se conoce como registro de datos biométricos, por otra parte, a la recopilación de
información vinculada a la biometría de una persona.
una persona. Se trata de datos que
contribuyen a la identificación del sujeto en cuestión: una huella digital, una
fotografía, etc.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
4.2. Identificación del estimador determinante (estimador líder) del tamaño de

la simulación.
En la estadística
la estadística tiene un papel destacado la noción de MUESTRA ALEATORIA.
MUESTRA ALEATORIA.
Una muestra aleatoria de tamaño n es:
· Una colección de n variables aleatorias.
· Todas con la misma distribución.
misma distribución.
· Todas independientes.
Esta definición idealiza la operación de repetir n veces la observación
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.
POBLACIÓN. Nuestra
intención al tomar una muestra, es la de hacer INFERENCIA. Este término lo
usamos en estadística para denotar al procedimiento
al procedimiento con el que hacemos
afirmaciones acerca de valores
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
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,
pro ceso, 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 PARÁMETRO cuyo valor es desconocido: la media.
Para tratar de conocer el valor del parámetro que desconocemos, tomamos una
MUESTRA de las bolitas. Supongamos que son 100 bolitas en la muestra. Con un
instrumento de precisión, y con mucho cuidado, medimos los diámetros de las 100
bolitas de la muestra y calculamos su promedio.
¿Qué nos dice el valor de la media de la muestra respecto a la media de la
población?
· Por un lado, definitivamente la media de la muestra NO va a ser igual a la de la
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
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.
Toda estructura y cada una de sus partes, deberán diseñarse para ofrecer una
seguridad adecuada contra la aparición de todo estado límite de falla posible ante
las combinaciones de acciones más desfavorables que pudieran presentarse
durante su vida útil, además no se rebasará ningún estado límite de servicio ante
las combinaciones de acciones que correspondan a las condiciones normales de
operación.
Se presentará con el agotamiento definitivo de la capacidad de carga de una
estructura o de cualquiera de sus miembros; o por el hecho de que, sin agotar su
capacidad de carga la estructura sufra daños irreversibles que afecten su resistencia
ante nuevas aplicaciones de carga. Se considerará qu e se presenta el estado límite
de falla dúctil, cuando la capacidad de carga de la sección, elemento o estructura,
se mantenga para deformaciones apreciables mayores que las existentes antes de
alcanzar el estado límite.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
4.4. Características estadísticas del estimador líder.
Es un estadístico (es decir, es una función de la muestra) usado para estimar un

parámetro desconocido de la población. Por ejemplo, si se de sea conocer el precio
medio de un artículo (el parámetro desconocido) se recogerán observaciones del
precio de dicho artículo en diversos establecimientos (la muestra) y la media
aritmética de las observaciones puede utilizarse como estimador del precio medio.
Para cada parámetro pueden existir varios estimadores diferentes. En general,
escogeremos el estimador que posea mejores propiedades
prop iedades que los restantes, como
insesgadez, 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.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
4.4.1. Establecimiento de la precisión.
En Otras opciones,
opc iones, 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
diferentes 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
se leccione 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.
de cimales. 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).
ejecución) .
La simulación actual se debe restablecer para que surta efecto la configuración del
control de la precisión.
La pestaña
pe staña Pruebas del cuadro
cuad ro de diálogo Preferencias
Preferen cias de ejecución tiene la
siguiente configuración:
Número de pruebas para ejecutar: define el número máximo de pruebas que Crystal
Ball ejecuta antes de detener la simulación. Si selecciona una de las casillas de
verificación de este cuadro de diálogo, Cristal Ball sólo
só lo utiliza el número máximo de
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
4.4.2. Cálculo del número mínimo de observaciones necesarias.
El tamaño de la muestra o cálculo de número de observaciones es un proceso vital

en la etapa
la etapa de cronometraje, dado
cronometraje, dado que de este depende en gran medida el nivel de
confianza del estudio
del estudio de tiempos. Este
tiempos. Este proceso tiene como objetivo determinar el
valor del promedio representativo para cada elemento.
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 s e 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, investiga ción 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.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
4.4.3. Intervalos 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
e stimar 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). 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.
Considerando lo anterior, ampliamos el experimento y realizamos 8 nuevos
lanzamientos (10 en total), resultando 5 caras y 5 sellos. Nuevamente el resultado
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
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
con tra 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
e llas 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
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
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 mese s 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 sob re 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.
Puede utilizar estadísticas descriptivas para:
 Ver los promedios, como la media o la mediana.
 Obtener información, como la media de los grupos de interés, que puede
necesitar para interpretar otras pruebas estadísticas.
 Proporcionar representaciones gráficas de los datos, como
como histogramas y
box-plots.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
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.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
4.5.3. Muestras grandes: prueba de KarlPearson para ajuste de una

distribución de probabilidades hipotética, discreta o continúa (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
de cir que se trate de una ciencia”.
c iencia”. 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 dem ás”. Datos
biográficos Nace en Londres en 1857 y muere en 1936, su familia es originaria de
Yorkshire. Hijo de un abogado, estudia en el University College School. En 1873, a
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
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 se utiliza) para determinar el P-

valor.
La 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.
Tal vez el método más recomendable para el caso en que F(x) es una distribución
continua es el método para una muestra de Kolmogorov-Smirnov o (K-S). Consiste
en una prueba de hipótesis en el que la hipótesis nula afirma que los datos sí se
ajustan a la distribución F(x) y la hipótesis alterna establece que no se ajustan. El
estadístico de prueba está dado por este valor se compara con el valor crítico que
se encuentra en una tabla. Se rechaza la hipótesis nula si Dc es mayor que el valor
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
Start Free Trial

Cancel Anytime.
4.6. Simulación de los comportamientos 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
compor ta de forma aleatoria, de forma
for ma 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 di versos 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

(PDF) 4,4.1.... DISEÑO DE LA CALIDAD DE SIMULACION - Compress PDF

Cargado por

Copyright:

Formatos disponibles

(PDF) 4,4.1.... DISEÑO DE LA CALIDAD DE SIMULACION - Compress PDF

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

(PDF) 4,4.1.... DISEÑO DE LA CALIDAD DE SIMULACION - Compress PDF

Cargado por

Copyright:

Formatos disponibles

4.1. Lista de estimadores a obtener de la simulación.

Hasta ahora hemos estudiado cómo simular probabilidades de elección pero no

Start Free Trial

Trusted by over 1 million members

Start Free Trial

Trusted by over 1 million members

Start Free Trial

Start Free Trial

4.1.1. Instrumentos de medición.

Un instrumento de medición es aquel elemento empleado con el propósito de

Start Free Trial

Trusted by over 1 million members

Start Free Trial

Start Free Trial

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

La policía de todo el mundo encuentra precisamente en los registros de datos una

Start Free Trial

Trusted by over 1 million members

Start Free Trial

Start Free Trial

4.2. Identificación del estimador determinante (estimador líder) del tamaño de

Start Free Trial

Trusted by over 1 million members

Start Free Trial

Start Free Trial

4.3. Muestras preliminares de los proyectos aprobados en 3.4.

El Volumen 4 relativo a Seguridad Estructural, está integrado por siete tomos o

Start Free Trial

Trusted by over 1 million members

Start Free Trial

Start Free Trial

4.4. Características estadísticas del estimador líder.

Es un estadístico (es decir, es una función de la muestra) usado para estimar un

Start Free Trial

Trusted by over 1 million members

Start Free Trial

Start Free Trial

Trusted by over 1 million members

Start Free Trial

4.4.1. Establecimiento de la precisión.

Start Free Trial

Start Free Trial

Trusted by over 1 million members

Start Free Trial

4.4.2. Cálculo del número mínimo de observaciones necesarias.

El tamaño de la muestra o cálculo de número de observaciones es un proceso vital

Start Free Trial

Start Free Trial

Trusted by over 1 million members

Start Free Trial

4.4.3. Intervalos de confianza.

En artículos previos hemos abordado cómo analizar en forma crítica la validez de

Start Free Trial

Start Free Trial

Trusted by over 1 million members

Start Free Trial

4.5. Muestras definitivas.