2024
Unidad 4
Inferencia estadística
Parte III
Estadística II
SIMULACIÓN DE MONTE CARLO
La técnica de simular un proceso que contiene elementos
aleatorios y repetir el proceso una y otra vez, para ver cómo se
comporta, recibe el nombre de método de Monte Carlo. Aplicabilidad
Se usa ampliamente en finanzas y otros campos para investigar
las propiedades de una operación que está sujeta a efectos
aleatorios, por ejemplo el clima, la conducta humana, etcétera.
Por ejemplo, se podría modelar el
comportamiento del inventario de una
compañía manufacturera al crear, en Llegadas Inventario Salidas
papel, llegadas y salidas diarias de productos
manufacturados desde el almacén de la
compañía. Cada día, un número Cada día un número
aleatorio de artículos aleatorio de pedidos de
producidos por la diferentes tamaños
compañía sería recibido aleatorios se enviaría.
en inventario.
Los valores de las variables aleatorias,
necesarias para la simulación de cada día, Calcular el inventario o sea el número de artículos disponibles
se obtendría de distribuciones teóricas. al finalizar cada día.
2024
SIMULACIÓN DE MONTE CARLO
Al repetir la simulación del suministro, el envío y el cálculo del
inventario diario para un gran número de días (un muestreo de
lo que podría realmente ocurrir), se puede observar el
comportamiento del inventario diario de la planta.
El método de Monte Carlo es particularmente valioso porque
hace posible que el fabricante vea cómo se comportaría el
inventario diario, cuando se hacen ciertos cambios en el patrón
de abastecimiento o en algún otro aspecto de la operación que
podría ser controlado.
SIMULACIÓN DE MONTE CARLO
Ejemplo: Inversión inicial y flujo de caja
Supongamos que disponemos de un capital inicial
de 250 dólares que deseamos invertir en una
pequeña empresa. Supondremos también que los Definimos el siguiente modelo en Excel utilizando la
flujos de caja ‐tanto los de entrada como los de simulación de Monte Carlo por el método de la
salida‐ son aleatorios, siguiendo éstos una transformada inversa :
distribución normal.
Para el primer mes, el valor esperado del flujo de
entrada es de 500 dólares, mientras que el valor
esperado para el flujo de salida es de 400 dólares.
La función [Link] en Excel se utiliza para
En meses posteriores, el valor esperado será el generar valores aleatorios a partir de una
valor obtenido para en el mes anterior. Por su distribución normal (también conocida como
parte, las desviaciones estándar valdrán, en todos distribución gaussiana), dado un conjunto
los casos, un 25% del valor medio (esperado) específico de parámetros: la media y la
asociado desviación estándar.
2024
SIMULACIÓN DE MONTE CARLO
Ejemplo: Inversión inicial y flujo de caja
SIGUIENTE MES
SIMULACIÓN DE MONTE CARLO
Ejemplo: Inversión inicial y flujo de caja
Valor neto del * DestEst = 25%
mes anterior
ENTRANTE MES FEBRERO
SALIENTE MES FEBRERO
2024
SIMULACIÓN DE MONTE CARLO
Ejemplo: Inversión inicial y flujo de caja
Compare estadísticas de cada mes
SIMULACIÓN DE MONTE CARLO
Ejemplo: Inversión inicial y flujo de caja
Para activarla Archivo
Opciones Complemento
Ir
2024
Inferencia Estadística
Estimación estadística: Estimar o predecir el valor del parámetro (Intervalos
de confianza)
Limita el valor de un parámetro de Población
Inferencia
Estadística ¿Qué tan grande es el efecto?"
Prueba de hipótesis: Tomar una decisión acerca del valor de un parámetro,
con base en alguna idea preconcebida acerca de cuál podría ser su valor.
Pregunta si el parámetro difiere de una expectativa “nula”
¿Hay algún efecto?
Inferencia Estadística
Inferencia estadística: Toma de decisiones o predicciones acerca de parámetros
Parámetros: medidas numéricas descriptivas que caracterizan una población
La estadística descriptiva medida sobre una muestra son usadas para estimar parámetros de la población
Estimadores Parámetros
Estima
Estima
Estima
Un estimador es una regla, generalmente expresada como fórmula, que nos dice cómo calcular una
estimación basada en información de la muestra.
2024
Tipos de Estimadores
Estimación puntual: Con base en datos muestrales, se calcula un solo número para estimar el parámetro
poblacional.
La regla o fórmula que describe este cálculo se denomina estimador puntual y el número resultante recibe el
nombre de estimación puntual.
Estimación de intervalo: Con base en datos muestrales, dos números se calculan para formar un intervalo dentro
del cual se espera esté el parámetro.
La regla o fórmula que describe este cálculo se denomina estimador de intervalo y el par de números resultantes
se llama estimación de intervalo o intervalo de confianza
95% de valores posibles
Intervalos de confianza
𝝁 = 𝝁𝑿
Aproximadamente 95 % de
estos intervalos tendría
centros que caen dentro del
intervalo ±2𝜎 en torno a
2024
Intervalos de confianza
Distribución de frecuencia de las ventas
anuales en la POBLACIÓN
Estadística Parámetro Valor (Ventas anuales)
Media 2622,0
Desviación estándar 2036,9
Intervalos de confianza
20 Investigadores
n=100
En promedio, 1 de 20
intervalos (5%) no contiene
el valor del parámetro
2000 2500 3000
Ventas anuales de empresas
2024
Intervalos de confianza
Un intervalo de confianza es un rango de valores alrededor del estimador muestral que es probable
que contenga al parámetro poblacional.
Ejemplo, Intervalo del 95% de confianza para le media
Intervalo probable que contenga el Se calcula desde los
verdadero valor de datos
Se contrasta con la distribución muestral
Su valor por encima y por debajo de la media son constantes, no probabilidades (el intervalo se
construye con el error estándar)
Intervalos de confianza
¿Como se construye un intervalo de confianza?
estimador ± (coeficiente de confiabilidad) x (error estándar)
Error estándar
Estimador
Coeficiente de confiabilidad
Z 1,96, = 0,975
Coeficiente (o nivel) de confianza
Existe 95% de confianza de que la media
Intervalo de confianza para poblacional esté dentro de este intervalo
Nota: algunos 1‐/2
2024
Intervalos de confianza
Con objeto de estimar la cantidad media que gasta un cliente en una comida en un importante
restaurante, se recogieron los datos de una muestra de 9 clientes
Estime la media poblacional con un 95% de confianza
Costo en $ 8,69 8,15 9,25 9,45 8,96 8,65 8,43 8,79 8,63
Suponemos distribución normal de la
distribución muestral
Intervalos de confianza
9,03 mm
8,518 mm
“Estamos 95% confiados que la verdadera media cae entre 9,03 mm y 8,518
mm”
Hay un 95% de probabilidad que la media poblacional caiga entre 9,03 mm
y 8,518 mm
2024
Estimación con muestras pequeñas, Estimador t de Student
Si n ≥ 30
Aproximación a una distribución normal
Con muestras pequeñas Distribución t de Student
𝑿−𝝁
𝒕= 𝒔
𝒏
Esta sustitución adiciona un error de muestreo para t
Como resultado la distribución de t es más amplia que la distribución normal estándar
n tz
Estimación con muestras pequeñas, Estimador t de Student
La diferencia entre la media muestral y la verdadera media (𝑋 − 𝜇),
dividido por el error estándar estimado (𝑆𝐸 ), tiene una distribución t de
Student con n‐1 grados de libertad
Tiene una media de 0 es simétrica respecto a la media
Tamaño de la muestra determina los grados de libertad
El grado de libertad especifica qué versión particular de la
distribución t que necesitamos
gl= n‐1
Estamos estimando un
parámetro = la media,
para poder calcular la
desviación estándar
2024
Estimación con muestras pequeñas, Estimador t de Student
¿Qué son grados de libertad?
Número de observaciones de la muestra que son "libres de variar" cuando estamos estimando la varianza
=0 Valor fijo
=0
n observaciones
1 1 1 7 1
n – 1 observaciones pueden variar
3 4 1 1 1
1 2 3 2 2
Estimación con muestras pequeñas, Estimador t de Student
¿Qué son grados de libertad?
Observaciones
3 4 5
Como regla general, el gl es el número de observaciones
3 4 menos el número de parámetros incluidos en la fórmula
de la varianza (Harrison y Tamaschke 1.984).
Un estimador de un
Obligatoriamente parámetro
este valor queda
fijo para que la
media pueda ser 4
n – 1 observaciones son libres de variar
2024
Estimación con muestras pequeñas, Estimador t de Student
El intervalo es más amplio con la distribución t
con 4 gl
Desventaja
Incertidumbre sobre el verdadero valor del
error estándar
El mayor rango de valores de t, en comparación con Z,
resulta de la incertidumbre sobre el valor real del
error estándar.
Estimación con muestras pequeñas, Estimador t de Student
Intervalo al 95% de confianza para la media
estimador ± (coeficiente de confiabilidad) x (error estándar)
𝒔
𝑿± 𝒕 𝟏 𝜶𝟐
𝒏
9,09 mm
Promedio de gastos
por clientes
8,47 mm
…el intervalo de 95 % de confianza para la media capturará la
n=9 gl=8
media poblacional en 95% de muestras al azar.
Asumimos distribución normal de
la población 8,52 mm 9,03 mm Con z
2024
2024
Estimación para la media
Resumen
Intervalo de confianza de medias
Si n ≥ 30 No
Se usa distribución t de
Se usa distribución normal
Student
Si no se conoce por TLC la
estimo de la muestra
Estimación para la media
2024
EJERCICIO
Intervalos de confianza
Ejemplo: Costo promedio de producción
Se desea estimar, con 99 % de confianza, la media del costo promedio de producción en productos. Se supone que
los valores muestran una distribución aproximadamente normal con una varianza de 144. Una muestra de 15
productos presento una media de 84.3. Estime la media con 99% de confianza
2024
Intervalos de confianza
Ejemplo: Costo promedio de producción
Se desea estimar, con 99 % de confianza, la media del costo promedio de producción en productos. Se supone que
los valores muestran una distribución aproximadamente normal con una varianza de 144. Una muestra de 15
productos presento una media de 84.3. Estime la media con 99% de confianza
91,52
84,3
77,08 < < 91,52
77,08
SOBRE MANEJO DE LAS TABLAS DE
DISTRIBUCIÓN NORMAL
2024
NOTAS SOBRE COMO MENEJAR LAS TABLAS
Probabilidad es toda el área de la curva = 1
/ 2 = 0,025 / 2 = 0,025
NOTAS SOBRE COMO MENEJAR LAS TABLAS
Probabilidad que proporcionan las tablas,
la mas frecuente es la acumulada de Izq a
Der
Normalmente en este caso se
busca la prob para un z
determinado
P (Z= ‐1,96) = 0,025
Z = 1,96
P(Z= 1,96) = 0,975
2024
NOTAS SOBRE COMO MENEJAR LAS TABLAS
En Intervalo de Confianza , se establece un limite de probabilidad deseado y se pide buscar cuanto vale z
Es decir, me piden el área morada
Quiero que el limite de confiabilidad sea del 95%
¿Como busco el valor de z que acote ese
límite de probabilidad en la tabla?
Sé que de este lado debería quedar
0,025, lo resto de 1 = 0,975,
entonces esta última es la ´prob.
que debo buscar en la tabla para
hallar z
0,025 + 0,95 = 0,975 P (Z= ‐1,96) = 0,025
