4.4.1 Pruebas Paramétricas (Validación Del Modelo, Pruebas de Hipótesis Y Pruebas
de Estimación)
Validación del modelo
Etapas en el desarrollo de un simulador. Recordemos que las etapas nombradas para desarrollar un simulador son: 1) Identificación del problema 2) Delimitación del sistema 3) Formulación del modelo 4) Preparación de datos 5) Construcción del modelo 6) Validación 7) Diseño de experimentos 8) Ejecución de experimentos 9) Interpretación (Inferencia) 10) Documentación IV) Etapa IV: Preparación de datos, o bien obtención de datos.
Consiste en la identificación y captación de los datos que requiere el modelo, de
acuerdo a la formulación que se haya hecho en las etapas anteriores del diseño. Los datos son para: Las relaciones funcionales, ya sea para determinar la forma de éstas, completar su forma o expresión, o para precisar algún parámetro que en ella se tenga. Las variables estocásticas, que de ellas se deberá determinar su función de distribución de probabilidades, tanto para variables continuas como discretas. Las relaciones funcionales podrían ser, rectas obtenidas por regresión lineal o ajuste de curvas. En las relaciones funcionales se debe fijar todos los parámetros que tenga; a menos que se haya dejado como una variable de entrada al simulador. Los datos a usar pueden ser: Datos empíricos Datos obtenidos con distribución teóricas. El usar datos empíricos es en general más conveniente, pero puede implicar que el modelo quede influido por factores que se dieron en el tiempo de gestación de ellos y no vuelvan a repetirse. V. Construcción del modelo Es llevar el modelo que se tiene del simulador a un lenguaje de programación disponible en el computador a usar o en las configuraciones disponibles, y que debe conocer su programación. Luego que se tiene el programa fuente del modelo, escrito en el lenguaje elegido, probarlo y depurarlo desde el punto de vista computacional, hasta obtener una versión satisfactoria. VI. Validación Es esta etapa se trata de establecer, y si es posible aumentar, el nivel aceptable de confiabilidad de las inferencias efectuadas sobre el sistema real. La validación tiene el concepto de grado, no es un resultado dicotómico, no es un si o no, no es válido o inválido, no es correcto o incorrecto. Fuentes de error En la formulación del modelo: Que se excluya variables relevantes, o un atributo (esto es más dramático). Que se incluya variables irrelevantes (es menos dramático). Mala elección de una función de distribución de probabilidad para una variable. Mal establecimiento de alguna relación funcional o de los parámetros del modelo. En los datos usados Toma de datos con margen de error relativo importante. Técnica de muestreo mal aplicada. Ejemplo: Tomar todos los datos de un sector no representativo. Datos mal digitados o mal almacenados. El analista hace un acto de confianza en el equipo que tenía los datos. En la construcción Errores en los programas (de lógica, mal uso del lenguaje). El tiempo real se simula mal. Uso de una imagen no adecuada del mundo real. (Usar matrices de punto para territorios, lagos, bosque, cardumen, conglomerados; en lugar del espacio R2 por ej.) La validación consiste en 2 etapas: Validación de los modelos de procesos simples; esto es validar la estructura interna del modelo. Se valida la salida de los procesos simples y en ello se hace uso de técnicas de estadística. Las relaciones funcionales también deben validarse. Puede hacerse cuando se establece el modelo o en la toma de datos .No debe tomarse relaciones funcionales desconocidas, o que no tengan ya un grado de validez aceptable. Siempre será posible validar las componentes o subsistemas porque se habrán construido de manera modular para formar el modelo. En esta etapa se observará el comportamiento del modelo en cada uno de esos procesos simples para asegurarse que cada componente o subsistema esta bien simulado. Validar el modelo de simulación en su entorno, esto es validar los datos de salida. Puede ser que la validez de la estructura sea buena, pero el resultado combinado de los procesos simples sea casi mala. Confrontar los resultados de la simulación con las experiencias pasadas y con teorías existentes al respecto: No tomar posturas como: los resultados no me parecen correctos, pero si el modelo lo dice yo lo acepto. Si los resultados son absurdos, no tiene sentido continuar; cualquier otro análisis no convencerá a los usuarios. Ningún modelo se ha aceptado si los resultados van contra la teoría. Para modelos de importancia, de envergadura deberá consultarse la opinión de expertos. Análisis de sensibilidad En las 2 etapas de la validación (de estructura y de los datos de salida) se debe hacer análisis de sensibilidad. Para ello, se varía los valores de 1 o 2 variables de entrada y se observa la respuesta del modelo. Es de cuidado cuando el modelo es muy sensible a una pequeña variación de una variable, y en general el modelo no es bueno cuando ello ocurre. Efectuar análisis de sensibilidad de las variables dependientes ante cambios de las variables independientes. Con un simulador se puede realizar muchos análisis de sensibilidad por el grado de control sobre las variables de entrada (Método Turing ). Luego consultar a expertos, si es posible. Análisis de la capacidad de replicar los datos que se usó en su construcción. Esta réplica no es tan importante ya que si replica los datos usados no significa que el modelo sea bueno; y, si ni siquiera replica los datos usados es porque el modelo de simulación obtenido, es malo. Análisis de la capacidad de predecir usando datos críticos no incluidos en los datos, o usar datos históricos o datos que se obtienen del sistema real o de otro simulador ya probado. Se espera que estas salidas no sean absurdas comparadas con la experiencia y la teoría. Se consulta la opinión de expertos en esta confrontación del modelo con la realidad presente. Ej. Simular la evolución de una población de chinchillas dándole población máxima altísima, y datos de población existentes. Consulta a expertos en chinchillas. El modelo debe correrse muchas veces antes de llegar a tener una probabilidad de distribución de la respuesta de un variable de salida. VII Diseño de experimentos Aquí se usan las reglas y los procedimientos que la estadística considera para el diseño de experimentos en general y que se aplica a diseñar experimentos a efectuar con el simulador. El diseño se hará orientado principalmente a los objetos que tiene el estudio o el programa en que se inserta la construcción del simulador, o los objetivos de los usuarios que utilizarán el simulador, y para lo cual éste fue diseñado. Se puede distinguir una etapa estratégica donde se decide el diseño de experimentos a usar por ser el más adecuado, y la etapa táctica donde se decide el cómo se llevará a la práctica los experimentos del diseño a aplicar. Se ve aquí la distribución de recursos, el uso del tiempo y del personal. VIII Ejecución de los experimentos Corresponde a la etapa operacional del diseño de experimentos. IX Interpretación Se hacen las inferencias sobre el sistema real de los datos generados por el simulador. X. Documentación Se debe indicar por escrito puntos tales como: los objetivos, las componentes y subsistemas, variables de entrada y de salida, relaciones funcionales, el modelo formulado, la función de desempeño, y lo pertinente hasta aquí (Diseño lógico del simulador). Se debe documentar el programa computacional, los módulos o las subrutinas, las inter- relaciones entre módulos y las conclusiones de la etapa de validación (Diseño físico del simulador). Confeccionar un manual de procedimiento para el uso del simulador. Este resultará más breve cuanto más amigable sea el ingreso y manejo del simulador. Deberá contener alcances que faciliten la inferencia al sistema real. XII. Explotación Es dejar el simulador con los manuales y documentación a disposición del o los usuarios. Pruebas de hipótesis Una Al realizar pruebas de hipótesis, se parte de un valor supuesto (hipotético) en parámetro poblacional. Después de recolectar una muestra aleatoria, se compara la estadística muestral, así como la media (x), con el parámetro hipotético, se compara con una supuesta media poblacional. Después se acepta o se rechaza el valor hipotético, según proceda. Se rechaza el valor hipotético sólo si el resultado muestral resulta muy poco probable cuando la hipótesis es cierta. Etapas Para La Prueba De Hipótesis. Etapa 1.- Planear la hipótesis nula y la hipótesis alternativa. La hipótesis nula (H0) es el valor hipotético del parámetro que se compra con el resultado muestral resulta muy poco probable cuando la hipótesis es cierta. Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de significancia del 5%, entonces se rechaza la hipótesis nula solamente si el resultado muestral es tan diferente del valor hipotético que una diferencia de esa magnitud o mayor, pudiera ocurrir aleatoria mente con una probabilidad de 1.05 o menos. Etapa 3.- Elegir la estadística de prueba. La estadística de prueba puede ser la estadística muestral (el estimador no segado del parámetro que se prueba) o una versión transformada de esa estadística muestral. Por ejemplo, para probar el valor hipotético de una media poblacional, se toma la media de una muestra aleatoria de esa distribución normal, entonces es común que se transforme la media en un valor z el cual, a su vez, sirve como estadística de prueba. Etapa 4.- Establecer el valor o valores críticos de la estadística de prueba. Habiendo especificado la hipótesis nula, el nivel de significancia y la estadística de prueba que se van a utilizar, se produce a establecer el o los valores críticos de estadística de prueba. Puede haber uno o más de esos valores, dependiendo de si se va a realizar una prueba de uno o dos extremos. Etapa 5.- Determinar el valor real de la estadística de prueba. Por ejemplo, al probar un valor hipotético de la media poblacional, se toma una muestra aleatoria y se determina el valor de la media muestral. Si el valor crítico que se establece es un valor de z, entonces se transforma la media muestral en un valor de z. Etapa 6.- Tomar la decisión. Se compara el valor observado de la estadística muestral con el valor (o valores) críticos de la estadística de prueba. Después se acepta o se rechaza la hipótesis nula. Si se rechaza ésta, se acepta la alternativa; a su vez, esta decisión tendrá efecto sobre otras decisiones de los administradores operativos, como por ejemplo, mantener o no un estándar de desempeño o cuál de dos estrategias de mercadotecnia utilizar. La distribución apropiada de la prueba estadística se divide en dos regiones: una región de rechazo y una de no rechazo. Si la prueba estadística cae en esta última región no se puede rechazar la hipótesis nula y se llega a la conclusión de que el proceso funciona correctamente. Al tomar la decisión con respecto a la hipótesis nula, se debe determinar el valor crítico en la distribución estadística que divide la región del rechazo (en la cual la hipótesis nula no se puede rechazar) de la región de rechazo. A hora bien el valor crítico depende del tamaño de la región de rechazo. PASOS DE LA PRUEBA DE HIPÓTESIS 1. Expresar la hipótesis nula 2. Expresar la hipótesis alternativa 3. Especificar el nivel de significancia 4. Determinar el tamaño de la muestra 5. Establecer los valores críticos que establecen las regiones de rechazo de las de no rechazo. 6. Determinar la prueba estadística. 7. Coleccionar los datos y calcular el valor de la muestra de la prueba estadística apropiada. 8. Determinar si la prueba estadística ha sido en la zona de rechazo a una de no rechazo. 9. Determinar la decisión estadística. 10 Expresar la decisión estadística en términos del problema.
Errores de tipo I y de tipo II.
Si rechazamos una hipótesis cuando debiera ser aceptada, diremos que se ha cometido un error de tipo I. Por otra parte, si aceptamos una hipótesis que debiera ser rechazada, diremos que se cometió un error de tipo II. En ambos casos, se ha producido un juicio erróneo. Para que las reglas de decisión (o no contraste de hipótesis) sean buenos, deben diseñarse de modo que minimicen los errores de la decisión; y no es una cuestión sencilla, porque para cualquier tamaño de la muestra, un intento de disminuir un tipo de error suele ir acompañado de un crecimiento del otro tipo. En la práctica, un tipo de error puede ser más grave que el otro, y debe alcanzarse un compromiso que disminuya el error más grave. La única forma de disminuir ambos a la vez es aumentar el tamaño de la muestra que no siempre es posible.
4.4.2 pruebas no paramétricas.
Cuando se analizan datos medidos por una variable cuantitativa continua, las pruebas estadísticas de estimación y contraste frecuentemente empleadas se basan en suponer que se ha obtenido una muestra aleatoria de una distribución de probabilidad de tipo normal o de Gauss. Pero en muchas ocasiones esta suposición no resulta válida, y en otras la sospecha de que no sea adecuada no resulta fácil de comprobar, por tratarse de muestras pequeñas. En estos casos disponemos de dos posibles mecanismos: los datos se pueden transformar de tal manera que sigan una distribución normal, o bien se puede acudir a pruebas estadísticas que no se basan en ninguna suposición en cuanto a la distribución de probabilidad a partir de la que fueron obtenidos los datos, y por ello se denominan pruebas no paramétricas (distribución free), mientras que las pruebas que suponen una distribución de probabilidad determinada para los datos se denominan pruebas paramétricas. Dentro de las pruebas paramétricas, las más habituales se basan en la distribución de probabilidad normal, y al estimar los parámetros del modelo se supone que los datos constituyen una muestra aleatoria de esa distribución, por lo que la elección del estimador y el cálculo de la precisión de la estimación, elementos básicos para construir intervalos de confianza y contrastar hipótesis, dependen del modelo probabilístico supuesto. Referencias: Bu, R. C. (2003). Simulacion, Un enfoque Practico. Mexico,DF: LIMUSA, S.A DE C.V.
Dominguez, I. S. (17 de Septiembre de 2016). SIMULACION. Obtenido de SIMULACION: