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 de cronometraje, dado que de este depende en gran medida el nivel de confianza del estudio de 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:
  1. Método Estadístico
  2. Método Tradicional

Método estadístico

El método estadístico requiere que se efectúen cierto número de observaciones preliminares (n’), para luego poder aplicar la siguiente fórmula:
NIVEL DE CONFIANZA DEL 95,45% Y UN MARGEN DE ERROR DE ± 5%


Siendo:
n = Tamaño de la muestra que deseamos calcular (número de observaciones)
n’ = Número de observaciones del estudio preliminar
Σ = Suma de los valores
x = Valor de las observaciones.
40 = Constante para un nivel de confianza de 94,45%
Ejemplo:
Se realizan 5 observaciones preliminares, los valores de los respectivos tiempos transcurridos en centésimas de minuto son: 8, 7, 8, 8, 7. Ahora pasaremos a calcular los cuadrados que nos pide la fórmula:
n’ = 5
Sustituyendo estos valores en la fórmula anterior tendremos el valor de n:


Dado que el número de observaciones preliminares (5) es inferior al requerido (7), debe aumentarse el tamaño de las observaciones preliminares, luego recalcular n. Puede ser que en recálculo se determine que la cantidad de 7 observaciones sean suficientes.

Método tradicional

Este método consiste en seguir el siguiente procedimiento sistemático:
1. Realizar una muestra tomando 10 lecturas sí los ciclos son <= 2 minutos y 5 lecturas sí los ciclos son > 2 minutos, esto debido a que hay más confiabilidad en tiempos más grandes, que en tiempos muy pequeños donde la probabilidad de error puede aumentar.
2. Calcular el rango o intervalo de los tiempos de ciclo, es decir, restar del tiempo mayor el tiempo menor de la muestra:
R (Rango) = Xmax – Xmin
3. Calcular la media aritmética o promedio:


Siendo:
Σx = Sumatoria de los tiempos de muestra
n = Número de ciclos tomados
4.  Hallar el cociente entre rango y la media:


5. Buscar ese cociente en la siguiente tabla, en la columna (R/X), se ubica el valor correspondiente al número de muestras realizadas (5 o 10) y ahí se encuentra el número de observaciones a realizar para obtener un nivel de confianza del 95% y un nivel de precisión de ± 5%.


Ejemplo
Tomando como base los tiempos contemplados en el ejemplo del método estadístico, abordaremos el cálculo del número de observaciones según el método tradicional.
En primer lugar como el ciclo es inferior a los 2 minutos, se realizan 5 muestras adicionales (6, 8, 8, 7, 8) para cumplir con las 10 muestras para ciclos <= 2 minutos. Las observaciones son las siguientes:
Se calcula el rango:
R (Rango) = 8 – 6 = 2
Ahora se calcula la media aritmética:


Ahora calculamos el cociente entre el rango y la media:


Ahora buscamos ese cociente en la tabla y buscamos su intersección con la columna de 10 observaciones:


Tenemos entonces que el número de observaciones a realizar para tener un nivel de 
confianza del 95% según el método tradicional es: 11
Al adicionar los 5 tiempos y utilizar el método estadístico tenemos un número de observaciones igual a: 12.8 aproximadamente 13.
Por lo cual podemos concluir que ambos métodos arrojan resultados muy parecidos y que la elección del método se deja a criterio del especialista.


Comentarios

Publicar un comentario

Entradas populares de este blog

4.4. Características estadísticas del estimador líder

Imagen
1) Sesgo. Se dice que un estimador es in sesgado si la Media de la distribución del estimador es igual al parámetro. Estimadores in sesgados son la Media muestral (estimador de la Media de la población) y la Varianza (estimador de la Varianza de la población): Ejemplo En una población de 500 puntuaciones cuya Media (m) es igual a 5.09 han hecho un muestreo aleatorio (número de muestras= 10000, tamaño de las muestras= 100) y hallan que la Media de las Medias muestrales es igual a 5.09, (la media poblacional y la media de las medias muestrales coinciden). En cambio, la Mediana de la población es igual a 5 y la Media de las Medianas es igual a 5.1 esto es, hay diferencia ya que la Mediana es un estimador sesgado. La Varianza es un estimador sesgado. Ejemplo: La Media de las Varianzas obtenidas con la Varianza en un muestreo de 1000 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 Cua...
Leer más

4.1. Lista de estimadores a obtener de la simulación

Imagen
4.1 Lista de estimadores a obtener de la simulación H asta 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 hubinsertado ieran 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 asintomática o eficiencia. Tampoco hemos exploradora 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 simu...
Leer más

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)

Imagen
Prueba de Kolmogorov–Smirnov En estadística, la prueba de  Kolmogórov-Smirnov  (también prueba  K-S ) es una prueba no paramétrica que determina la bondad de ajuste de dos distribuciones de probabilidad entre sí. La prueba de Kolmogorov-Smirnov  se utiliza para probar la bondad del ajuste de una distribución de frecuencia teórica, es decir, si existe una diferencia significativa entre la distribución de la frecuencia observada y la distribución de frecuencia teórica (esperada). En un post anterior cubrimos el metodo Chi-Cuadrado. La prueba de K-S es similar a lo que hace la prueba de Chi-Cuadrado, pero la prueba K-S tiene varias ventajas: Pruebas mas potentes. Más fácil de calcular y utilizar, ya que no requiere agrupación de datos. La estadística de prueba es independiente de la distribución de la frecuencia esperada. Sólo depende del tamaño de la muestra n. LA HIPÓTESIS : H0:  La distribución de frecuencia observada es consistente con la dist...
Leer más