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:
 Método estadístico
 Método tradicional
 Método Estadístico.
En las metodologías de determinación del número mínimo de observaciones, se debe asignar la variación esperada entre los datos de los grupos de control y experimento. Este valor es tomado, usualmente, de observaciones de estudios análogos, de la literatura, o a partir de pruebas “cortas” preliminares; sin embargo, esto no siempre será posible, más aún en el caso en que el objeto de análisis sea una tecnología, metodología, proceso o procedimiento nuevo. Cuando se evalúa un método, tratamiento, técnica, tecnología y sistema nuevo de manera aislada, con el objeto de determinar su comportamiento y verificar si funciona de la manera esperada o, por el contrario, no surte efecto alguno, se está frente a un experimento con un solo factor; en este caso, no se está evaluando si el filtro del experimento es mejor que el que actúa como blanco o control, sino que se está poniendo a prueba el nivel de eficacia de un filtro nuevo.

4.4.1. Establecimiento de la precisión

Sea H un intervalo cualquiera definido sobre la recta real.  Definiremos ahora una variable ficticia, XH.
De manera que cada observación de Xt Ileva asociada una observación -con valor o ó 1- de la variable XNr . La función de densidad teórica -desconocida- de Xt asigna una probabilidad pH al intervalo H.
Producir T replicaciones del vector y, implica disponer de una muestra de T “observaciones" de la variable real X. Esta muestra lleva asociada, a su vez, una muestra de tamaño T de la variable Xy .Esta variable sigue una distribución binaria de parámetro pH , así que la suma de las T observaciones de XH , ZH = XH^ +. ,.+ X y T , sigue una distribución binomial b(pH ,^. Es oportuno aquí hacer una adaptación al presente contexto del concepto de estimación precisa de Finster{ 1987) Definición 1. ,ZH /T es una estimación precisa de pN con nivel de imprecisión A y confianza 1-a (can 0< cx < 1).
EI conjunta de precisión [-A, A] es el conjunto de errores de simulación aceptables. En lo que sigue a continuación se intentará determinar cuál es el número de replicaciones mínimo para obtener una estimación de pH can nivel de imprecisión fijo A y confianza 1-a. EI teorema de Moivre (ver por ejemplo Fz. de Trocóniz 1993) prueba que la sucesión b(pH ,1), b(pH ,2),. ..,b(pH , 7^, es asintóticamente normal N{T pH ,T p^ [1- pH ]) de manera que si T pH > 1 S se suele tomar como válida la siguiente aproximación a la distribución de ZH.

4.3. y 4.4 Muestras preliminares de los proyectos aprobados en 3.4

4.4 Características estadísticas del estimador lider 

Hay una serie de características deseables en los estimadores para que éstos constituyan una buena aproximación a los respectivos parámetros. Se trata de rasgos que podrían entenderse como criterios de calidad de los estimadores.

1. Carencia de sesgo. Se dice que un estimador es insesgado si el valor esperado de su distribución de probabilidad es igual al parámetro. Es decir, si es igual a Ө la media de los valores Ê calculados en cada una de las muestras aleatorias posibles del mismo tamaño. Si el estadístico Ê es utilizado como estimador del parámetro Ө, ese estimador carece de sesgo cuando E(Ê) = Ө Por ejemplo, la media [D] es un estimador insesgado de µ, puesto que se cumple, tal y como vimos en el capítulo anterior al estudiar la distribución muestral del estadístico media, que E( [D]) = µ En el caso de la varianza, suelen manejarse habitualmente dos estimadores: [D] o bien, [D]. Para cada uno de ellos, el valor esperado resulta ser: [D] El segundo de los estimadores posee la característica de ser un estimador insesgado de σ2 , razón por la que suele emplearse con más frecuencia que el primero a la hora de estimar el parámetro varianza poblacional. Cuando E(Ê) ≠ Ө, decimos que el estimador sesgado tiene un sesgo positivo si E(Ê) > Ө, o que tiene un sesgo negativo si E(Ê) < Ө. Un estimador sesgado tenderá a ofrecer sistemáticamente valores que se alejan en un sentido u otro del parámetro, aunque la muestra sea elegida aleatoriamente.

2. Consistencia. Un estimador Ê 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 de Ê se concentran cada vez más en torno al valor del parámetro, hasta que con un tamaño 2. muestral infinito obtenemos una varianza del estimador nula.

Por tanto, un estimador es consistente si cuando n tiende a infinito se cumple E(Ê) = Ө; var(Ê) = 0 La media es un estimador consistente del parámetro µ, puesto que se verifican las condiciones anteriores. Es decir. [D] También se comprueba que los dos estimadores de la varianza, presentados en el apartado anterior, resultan ser estimadores consistentes de σ2 .

3. Eficiencia. La eficiencia de un estimador está vinculada a su varianza muestral. Así, para un mismo parámetro Ө, se dice que el estimador Ê1 es más eficiente que el estimador Ê2 si se cumple var(Ê1) < var(Ê2) Por tanto, si un estadístico es más eficiente que otro, significa que varía menos de unas muestras a otras. Se demuestra que la media es un estimador del parámetro µ más eficiente que la mediana. Del mismo modo, la varianza Sn-12 es un estimador de σ2 más eficiente que Sn 2 .

4. Suficiencia. Un estimador es suficiente cuando en su cálculo se emplea toda la información de la muestra. Por ejemplo, al calcular el estimador [D] del correspondiente parámetro poblacional, utilizamos la fórmula: [D] para cuyo cálculo se tienen en cuenta todas las puntuaciones Xi. Otro tanto ocurre con los estimadores Sn-12 y Sn 2 de la varianza. Todos ellos pueden ser considerados estimadores suficientes de los respectivos parámetros.

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

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

Por definición, el valor de una variable cambia conforme avanza la simulación, aunque se le debe dar un valor inicial. Cabe recordar que el valor de un parámetro permanece constante; sin embargo, puede cambiar conforme se estudian diferentes alternativas en otras simulaciones. Determinación de condiciones iniciales La determinación de condiciones iniciales para las variables es una decisión táctica importante en la simulación. Lo anterior se debe a que el modelo se sesga por una serie de valores iniciales hasta que el modelo llega a un estado estable. Para manejar este problema, los analistas han seguido varios planteamientos como:

1) Descartar los datos generados durante las primeras partes de la ejecución,

2) Seleccionar las condiciones iniciales que reducen la duración del periodo de calentamiento.

3) Seleccionar las condiciones iniciales que eliminan el sesgo. Sin embargo, para emplear cualquiera de estas alternativas, el analista debe tener una idea del margen de datos de salida esperado. Por lo tanto, en cierto sentido, el analistas esta los resultados. Por otro lado, una de las únicas características de la simulación es que permite la crítica en el diseño y análisis de la simulación; por lo que si el analista tiene cierta información que alberga un problema, se debe incluir. 

Quizás el planteamiento más común sea continuar la simulación hasta lograr un equilibrio. En el ejemplo del mercado de pescado, significaría que las ventas simuladas de pescado corresponden a sus frecuencias relativas históricas. Otro planteamiento es ejecutar la simulación durante un periodo establecido como 1 mes, 1 año o una década y ver si las condiciones al final del periodo son razonables. Un tercer planteamiento es establecer la duración de la ejecución de modo que se obtenga una muestra suficientemente grande para efectos de pruebas de hipótesis estadística. Esta alternativa se considera en la siguiente sección. En la mayoría de las situaciones, el análisis tiene más información disponible con la cual comparar los resultados de simulación: datos operativos antiguos del sistema real, datos operativos del desempeño de sistemas semejantes y la percepción del analista de la operación del sistema real. Sin embargo, se debe admitir que la información obtenida de estas fuentes probablemente no sea suficiente para validar las conclusiones derivadas de la simulación. Por lo tanto, la única prueba real de una simulación es qué tan bien se desempeña el sistema real después de haber implantado los resultados del estudio.

4.1. Lista de estimadores a obtener de la simulación

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 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 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 de confianza. Estos métodos de simulación permiten obtener estimaciones con menores 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 probabilista. En metrología, el proceso de medición es 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.
4.1.1 Instrumentos de medición
El análisis de la literatura existente arroja un resultado de 17 instrumentos de medida de las actitudes y la ansiedad hacia la estadística. Exceptuando dos instrumentos elaborados a partir de escalas bipolares, a la manera del diferencial semántico de Osgood (Birenbaum y Eylath,1994; Green, 1993), todos los instrumentos revisados son escalas tipo Likert. En lo que sigue vamos a describir breve mente estos cuestionarios, poniendo un mayor énfasis en aquellos que han sido usados más frecuentemente.
4.1.2 Medios de registro de datos
La elección del método depende de la estrategia de recopilación de datos, el tipo de variable, la precisión necesaria, el punto de recopilación y la formación del encuestador. Las vínculos entre


una variable, su origen y los métodos prácticos para su recopilación. Pueden ayudar a escoger métodos apropiados. Los principales métodos de recopilación de datos son:

Registros: los registros y licencias son particularmente valiosos para los censos completos, pero se limitan a variables que cambian lentamente, como el número de embarcaciones pesqueras y sus características.

Cuestionarios: formularios que los encuestados devuelven cumplimentados. Un método poco costoso que resulta útil cuando los índices de alfabetización son altos y los encuestados colaboran.

Entrevistas: formularios que se cumplimentan a lo largo de una entrevista con el encuestado. Más caros que los cuestionarios, pero mejores para preguntas más complejas, y cuando se dan unos índices de alfabetización bajos o se encuentra menos colaboración.

Observaciones directas: la realización de mediciones directas es el método más preciso para todas las variables, como las capturas, pero a menudo resulta caro. Muchos métodos, como los programas de observación, se limitan a la pesca industrial.

Presentación de informes: la principal alternativa a la realización de mediciones directas consiste en pedir a los pescadores y a terceros que presenten informes de sus actividades. La preparación de informes presupone la alfabetización y requiere espíritu de colaboración, pero ello puede reforzarse mediante una obligación legal y mediciones directas. Las técnicas de recogida de la información no son un fin en si mismo, sino que dependen de:
a- El tipo de investigación que se esté haciendo.
b- El tipo de análisis de datos que vamos a utilizar posteriormente.
c- El problema que queramos estudiar.
d- Los objetivos que pretendamos alcanzar con la investigación.
Algunas técnicas se pueden utilizar en distintos diseños, por ejemplo la entrevista se puede utilizar en: investigación acción, en estudios de caso, en investigación etnográfica, etc.

3.2.2. Caracterización de cada indicador: agrupamiento de datos, gráficas y estimación de parámetros

4.1 INDICADORES Y VARIABLES

Los indicadores de rendimiento miden la eficacia de las actividades de ordenación pesquera que se emprenden para alcanzar los objetivos de las políticas. En términos amplios, conducen a tres categorías de representación:

• tendencias simples en valores absolutos, tales como capturas o empleo;
• cambios cuantitativos y cualitativos de infraestructura o de disposiciones institucionales que influyen en los resultados de la ordenación, tales como los cambios en el régimen de los derechos de acceso o el grado de participación de los pescadores;
• tendencias en valores relativos [no entre el valor absoluto y los puntos de referencia relacionados con él, tales como el Rendimiento máximo sostenible (RMS) o el Rendimiento económico máximo (REM)].

La elaboración de muchos de los indicadores requiere la combinación de múltiples variables, pero determinadas variables, tales como captura, esfuerzo y valor, son fundamentales para una gran variedad de indicadores, o bien, pueden emplearse ellas mismas como indicadores. En consecuencia, las listas de variables de diversos indicadores pueden solaparse.

Los indicadores biológicos se pueden emplear para seguir de cerca el estado de explotación de la pesquería, pero son inadecuados para evaluar los resultados del sector de las diferentes pesquerías tomado en su conjunto. Los indicadores económicos pueden medir la importancia relativa de la pesca para un país o una región a escala macro o microeconómica. Los indicadores socioculturales tienen en cuenta la diversidad de las necesidades y las prácticas de diferentes grupos de población en el sector de la pesca. Se requieren indicadores del cumplimiento de las medidas de ordenación para controlar la eficacia de tales medidas y reducir los conflictos. En la práctica, las evaluaciones de las diferentes pesquerías deberían combinar siempre indicadores biológicos, económicos y socioculturales e indicadores del cumplimiento de las medidas, a fin de orientar la toma de decisiones en materia de ordenación.

La identificación de las prioridades de las políticas y de los aspectos de ordenación dependen en gran medida de la identificación de los problemas de la pesquería. Existe una serie de indicadores de rendimiento que pueden contribuir a identificar tales problemas, sugerir posibilidades de intervención y seguir de cerca los resultados.

Las variaciones de los indicadores solamente (tales como la captura por unidad de esfuerzo (CPUE)) son de un interés más bien limitado. La manera más útil de interpretar estas variaciones en lo que respecta a la toma de decisiones consiste en relacionarlas con puntos de referencia, bien sean objetivos (p.e., el rendimiento económico máximo, o RME, o el esfuerzo de pesca correspondiente al REM), bien sean límites (p.e., el nivel mínimo biológicamente aceptable de la biomasa de la población reproductora)^[5]. Los indicadores mismos resultan, a menudo, fáciles de calcular a partir de datos recopilados sistemáticamente acerca de las variables que los componen, pero los puntos de referencia se estiman, por lo general, empleando métodos de evaluación de poblaciones. En conjunto proporcionan información sobre el estado de la pesca y sobre el rendimiento del sistema de ordenación.

Debe reflexionarse cuidadosamente sobre las variables de datos que se van a recopilar. Las principales preguntas que se plantean, los modelos que se van a utilizar y la logística deberían indicar qué variables se consideran necesarias y cómo se recopilarán los datos correspondientes. Siempre que sea posible, en el momento de la planificación deberían participar en los debates investigadores de pesca y especialistas en estadística. No solamente facilitaría la elección de medidas desde el punto de vista de su utilidad, sino que también podría contribuir a reducir los costos mediante la elaboración de métodos que puedan utilizar aquellas variables que resultan más fáciles de recopilar. La participación adicional de la industria y de los pescadores podría aportar su experiencia en la realidad cotidiana de las actividades de pesca. Su participación también genera una forma de cogestión que presenta otro tipo de beneficios (véase la sección 5.2).

Una preocupación básica de cualquier recopilación de datos es su compatibilidad. En muchos casos, resulta indispensable disponer de largas series cronológicas de datos, recopilados de forma coherente y sistemática, a fin de evaluar las tendencias del comportamiento de una variable. Se trata de una práctica aceptada desde hace tiempo por lo que respecta a los datos biológicos, pero que frecuentemente se ha ignorado en lo referente a los datos económicos y socioculturales.

4.2 ESPECIFICACIONES PARA LA SELECCIÓN DE VARIABLES Y DATOS

4.2.1 Evaluación de las características operativas de una pesquería

Antes de elegir el tipo de datos y de diseñar el sistema de encuestas, es fundamental evaluar las características operativas de cada pesquería. También será importante poner al día esta información cuando haya cambios en las flotillas o en las embarcaciones (p.e., de embarcaciones extranjeras a nacionales, de flotillas artesanales a semiindustriales, o de arrastreros congeladores a arrastreros de pescado en húmedo). No existe un método único para este tipo de evaluación, puesto que depende del tipo de pesquería. No obstante, para diseñar el tipo de recopilación de datos es fundamental una visión directa y completa de las actividades cotidianas de pesca. Por ejemplo, hay que estudiar las prácticas de manipulación del pescado para poder decidir cuál es el grado de detalles de las especies considerado idóneo para fines de registros en los libros de a bordo. Este es uno de los numerosos puntos de los procesos de ordenación en que la participación de los pescadores y demás representantes de la industria pesquera puede resultar útil.

4.2.2 Prioridad de los tipos de datos

La recopilación de información procedente de la industria pesquera puede convertirse en una tarea pesada, en especial en aquellos casos en que las relaciones entre la industria y las autoridades no son de las mejores. Cumplir los compromisos de facilitación de datos y contribuir voluntariamente a su recopilación son dos de los principales problemas administrativos con que tropiezan los administradores. A menudo, la industria considera que facilitar los datos es una pérdida de tiempo, sin sentido, y/o teme que este tipo de información pueda favorecer a terceros. La experiencia demuestra claramente que hay dos características de una pesquería que favorecen la posibilidad de recopilar datos útiles y actualizados. Son las siguientes:

• la confianza mutua entre los que pescan y las autoridades (incluyendo la confidencialidad de los datos);
• la facilidad con que pueden recopilarse, compilarse y distribuirse los datos.

Así pues, es importante seleccionar indicadores y variables que estén directamente relacionados con los objetivos, a fin de limitar el esfuerzo que se pide tanto a los pescadores como a los encuestadores encargados de censar los desembarques. Sin embargo, en algunos casos, para dar validez a los datos, tal vez sea necesario recopilar más información de la estrictamente requerida.

Al elaborar el sistema de recopilación de datos, también deberán tenerse en cuenta las consecuencias que tendrá, por lo que respecta a la ordenación pesquera, el hecho de no recopilar determinado tipo de datos. Por ejemplo, para elaborar los modelos bioeconómicos dinámicos necesarios para determinar los cupos óptimos, se necesitarían quizás datos relativos a la producción en los que se detallaran especies, tamaños y producto. Sin embargo, si la recopilación de tales datos se revela demasiado costosa, puede que los administradores tengan que reconsiderar el empleo de los cupos como medida de control de la pesquería.

Una vez tomadas algunas decisiones sobre qué tipo de datos es posible recopilar, es necesario decidir cuáles de estos datos son fundamentales y cuáles son, simplemente, deseables. En la mayoría de las pesquerías, los datos relativos a las capturas y al esfuerzo son fundamentales para elaborar los indicadores más importantes. Otros tipos de datos relativos a detalles de la actividad de las embarcaciones puede que no resulten necesarios en determinados casos.

Cuando se ponen en marcha los sistemas de recopilación de datos, el interés inicial debe enfocarse hacia el sector de recogida, en todos los ámbitos de los datos (operativos, biológicos, económicos y socioculturales), y a continuación proceder con los sectores de elaboración y los otros sectores secundarios y terciarios, según los recursos disponibles y los objetivos de la ordenación.

Cada tipo de datos puede emplearse para una amplia variedad de indicadores. Las capturas, por ejemplo, pueden emplearse tanto para calcular ingresos para fines económicos que como medida aproximada del agotamiento de los recursos. Empleando varios modelos, es posible relacionar el esfuerzo tanto a los costos de la pesca como a la mortalidad debida a la pesca. Esto resulta útil, puesto que no es posible medir variables tales como costos y mortalidad de manera directa y constante, suponiendo que se puedan medir.

Dado que según los diferentes indicadores pueden hacerse usos diferentes de los mismos tipos de datos, debe prestarse particular atención a registrar los datos de manera tal que puedan utilizarse para diferentes fines. Por ejemplo, los datos sobre el esfuerzo, que es una variable económica, en principio deberían registrarse de forma proporcional a las variaciones de los costos de la pesca, tales como la distancia recorrida y el número de días de pesca. En cambio, a efectos del control del cumplimiento, podría necesitarse también la situación del caladero de pesca. En lo que respecta a objetivos de tipo biológico, puede que se requieran datos del esfuerzo por calado o por lance, y de forma proporcional a la mortalidad debida a la pesca.

La selección del tipo de datos también depende de los análisis disponibles. Muchos modelos dinámicos de poblaciones de peces emplean la captura en peso y número según las especies, lo mismo que otros datos sobre la biología de cada especie (p.e., la edad). Un modelo bioeconómico requerirá tal vez datos no sólo de la producción y los precios de una pesquería específica, sino también de otros sectores económicos, para poder establecer comparaciones.

Por lo que respecta a los datos socioculturales, el punto de arranque fundamental son los datos sobre las personas que pescan. Los comerciantes y elaboradores de pescado son el siguiente grupo por orden de importancia. La recopilación de datos relativos a otras partes involucradas (como consumidores, organizaciones medioambientales, responsables del desarrollo costero, etc.) puede irse añadiendo a medida que haya disponibilidad de fondos. Sin embargo, variará el grado de detalle necesario y disponible a la vez. Determinados datos pueden proceder de recopilaciones sistemáticas existentes, tales como registros de licencias de pesca, permisos y censos. Puede que sea necesario recopilar otros datos mediante nuevos programas.

4.2.3 Frecuencia de la recopilación de datos

La frecuencia con que conviene medir las variables y recopilar datos depende de su ritmo de variación y de los costos de tales mediciones. La mayoría de las variables requieren una frecuencia de recopilación de datos bastante natural, que a menudo resulta evidente una vez que se entiende la dinámica de las pesquerías. A continuación presentamos algunas grandes categorías de frecuencias de recopilación de datos:

• Muy frecuentes: datos que, por lo general, se recopilan mediante sistemas automáticos de registro (por ejemplo, el sistema de vigilancia de los barcos [VMS]), tales como la hora, la posición y la temperatura del mar. Los volúmenes de estos tipos de datos pueden ser desmesurados y se requiere algún tipo de elaboración previa antes de recopilarlos. Según el uso que se vaya a hacer de ellos, la frecuencia puede reducirse a un único registro al día.
• Diarios: por lo general se trata de datos que proceden del sector industrial (p.e., libros de a bordo, registros de actividades de elaboración) con respecto a capturas, esfuerzo y tasas de elaboración.
• Por salida: la mayoría de datos relacionados con la captura pueden notificarse al terminar la salida, y en ellos se incluyen los desembarques, un resumen del esfuerzo empleado durante la salida, caladeros, precios, costos de la salida y otros datos operativos y microeconómicos. Aunque muchas variables ya se recopilan de forma natural en cada salida, tampoco hay necesidad de abarcarlas todas, sino que puede emplearse alguna estrategia de muestreo (véase la sección 5.6) a fin de reducir los costos.
• Mensuales: las mediciones de carácter mensual son apropiadas para las variables que cambian lentamente y las que siguen un esquema estacional. Esto no incluye los valores medios mensuales, tales como precios o capturas, que se obtienen de datos recopilados con mayor frecuencia, pero podría incluir datos procedentes de fuentes externas, como el índice de precios al por menor o las precipitaciones mensuales.
• Anuales: se emplean para variables que evolucionan lentamente, tales como inversiones en artes de pesca o embarcaciones. Por lo general, se emplean para este fin los registros y las licencias, que se pueden actualizar anualmente.
• Datos recopilados sin una frecuencia determinada: hay otros tipos de datos que se pueden recopilar por períodos superiores a un año. Suele tratarse de información de tipo doméstico y demográfico, así como información referente a la degradación del hábitat, y que puede actualizarse cada 3 ó 5 años. Si fuera necesario podrían hacerse cálculos mediante la interpolación entre encuestas periódicas, lo que ya resulta suficiente en muchos casos.

4.2.4 Cantidad y calidad de los datos

Evaluar el estado de los recursos, su potencial de explotación, y preparar opciones y asesoramientos para la ordenación pesquera requiere manejar datos fiables. La medida en que esta tarea puede realizarse de forma eficiente queda casi siempre limitada por la cantidad y la calidad de los datos. Si bien unos análisis sencillos, basados en informaciones mínimas, pueden proporcionar indicaciones útiles para la ordenación, los análisis complejos que consideran diferentes opciones de explotación (p.e., tipo de artes, pesca nacional o extranjera), al tener en cuenta interacciones técnicas y biológicas entre los recursos, requieren una enorme cantidad de datos. Para pasar a métodos de análisis más complejos, que permiten proporcionar indicaciones de gestión más valiosas es necesario mejorar la ordenación pesquera. La base de mejoramiento de la ordenación pesquera es una recopilación cuidadosa de una serie de datos, empleando para ello métodos eficaces.

Pueden utilizarse simulaciones por ordenador para determinar la cantidad y calidad de los datos necesarios para cada indicador en el que se emplee la variable. Puede calcularse la precisión de las variables y el costo de la recopilación de datos en diferentes condiciones hipotéticas. Se podrá concebir así el programa de recopilación de datos de manera que se limiten errores estadísticos y posibles riesgos en un nivel aceptable.

4.2.5 Normalización

El establecimiento inicial de normas y clasificaciones del sistema debe tener en cuenta no sólo las necesidades inmediatas de recopilación de datos, sino también la evolución que a lo largo del tiempo experimentarán el sistema de recopilación de datos y las necesidades de datos.

El objetivo primordial de la normalización es facilitar la integración de los diferentes sistemas de recopilación de datos. Un sistema de recopilación de datos que sirva sólo para un objetivo puede que deba integrarse en otros sistemas que tengan otro alcance y otras miras. Todos estos sistemas pueden compartir, en diferente grado, un determinado número de componentes estadísticos comunes, tales como las clasificaciones de las especies y de las embarcaciones y/o artes de pesca.

Las necesidades de las variables y los estratos en que se van recopilando los datos relacionados con ellas difieren según los niveles (p.e., comunidad local, administración local, administración central o niveles internacionales). Es preciso examinar estas diferentes necesidades a fin de evitar duplicaciones. Siempre deberían recopilarse los datos en el nivel más detallado, ya que siempre es posible agregar datos, pero es imposible separarlos. Por ejemplo, si los datos relativos a las frecuencias de la talla del pescado se recopilasen de forma acumulativa por cada día de desembarque de carga, en vez de por salida, a posteriori podría resultar que en diferentes salidas las embarcaciones habían estado explotando poblaciones diferentes. Dado que las frecuencias de talla no pueden vincularse con salidas concretas, ya no sería posible saber de qué población proceden los datos, por lo que el trabajo sobre evaluación de las poblaciones por medio de esos datos no será fiable.

Cuando se establecen clasificaciones de especies, embarcaciones, artes u otros conceptos, conviene tener en cuenta otros sistemas estadísticos que puedan utilizar categorías parecidas. Pueden establecerse vínculos lógicos y referencias cruzadas entre las diferentes clasificaciones, lo que permite las comparaciones directas.

Deberán evitarse los cambios estructurales en las clasificaciones en plena elaboración de datos, pues ello podría dar origen a una cierta confusión, a una duplicación de datos o a la atribución de datos a categorías erróneas.

4.2.5.1 Normas nacionales y regionales

Siempre que sea posible y adecuado, conviene emplear las definiciones, clasificaciones y códigos internacionalmente reconocidos. La mayoría de las organizaciones de pesca intergubernamentales que se ocupan de las estadísticas forman parte del Grupo de Trabajo Coordinador de Estadísticas de Pesca (CWP), que ha recomendado las clasificaciones normalizadas para tipos de embarcaciones y artes de pesca, y para especies. La Clasificación estadística internacional uniforme para las embarcaciones de pesca (ISSCFV) aparece en la Definición y clasificación de los tipos de embarcaciones de pesca (FAO Documentos técnicos de Pesca N° 267). La Clasificación estadística internacional uniforme de las artes de pesca (ISSCFG) figura en la Definición y clasificación de las categorías de las artes de pesca (FAO Documentos Técnicos de Pesca N° 222). El Sistema Armonizado de Codificación y Descripción de Productos Básicos (Consejo de Cooperación Aduanera, 1992) utilizado para clasificar los productos pesqueros comercializados es mantenido por el Consejo de Cooperación Aduanera. Muchas organizaciones regionales de pesca y autoridades nacionales utilizan los códigos de especies de tres letras, tal como aparecen en la publicación de la FAO titulada Nombres comunes y nombres científicos normalizados de las especies comerciales (FAO-FIDI) que se actualiza anualmente. Cuando no se disponga de códigos, deberían emplearse los nombres científicos. Pueden consultarse, como referencia, los manuales de la FAO de identificación de especies y el banco de datos FishBase para encontrar los nombres científicos correctos de las especies acuáticas de interés pesquero. La codificación de la cuadrícula de latitudes y longitudes está normalizada en todo el mundo (Manual de campo de la CICAA para estadísticas y muestreo, 1990). Existen además diferentes manuales y páginas web accesibles en Internet, de la FAO^[6] y diversos organismos regionales, a los que se debería recurrir al trazar un sistema de recopilación de datos. Las Naciones Unidas, la Organización Mundial de la Salud, el Fondo Monetario Internacional y otros organismos internacionales y regionales disponen de normas para categorías de censos, valores nutritivos y sanitarios y categorías industriales.

Las clasificaciones y códigos específicos empleados dependerán también de la naturaleza y estructura de la pesquería. La recopilación de datos primarios sobre capturas y esfuerzo de pesca depende de la naturaleza de las actividades de pesca. Los pescadores seleccionan y venden sus capturas, que a menudo son una mezcla de especies, por categorías comerciales que también se pueden organizar en clases de calidad comercial dentro de las mismas especies. La correcta identificación de las especies taxonómicas comprendidas en las categorías comerciales requiere unos operadores de campo y unos supervisores perfectamente adiestrados, así como un examen cuidadoso de los documentos originales antes de su tratamiento.

4.2.5.2 Requisitos para el establecimiento de bancos de datos regionales y subregionales

Hay casos en que es fundamental recurrir todos los datos sobre pesquerías recopilados mediante los diferentes programas nacionales, para realizar una investigación sobre el estado de las poblaciones compartidas. Este tipo de integración es viable si se cumplen las siguientes condiciones:

• que todas los normas y clasificaciones de los países que contribuyan a este programa compartan un conjunto regional o interregional común de normas estadísticas (generalmente de alto nivel de agregación), y que cada banco de datos nacional disponga de los enlaces lógicos necesarios para comunicar datos a este nivel de utilización común;
• que todos los datos estimados (como los totales de captura y esfuerzo de pesca) se registren empleando sistemas informáticos compatibles y que empleen los mismos formatos de intercambio;
• que se establezcan procedimientos automáticos para acelerar el proceso de integración y generar (con un mínimo de intervención manual, o ninguna) un banco de datos estadístico regional o interregional que pueda realizar las funciones típicas de comunicación de datos;
• que los datos nacionales se compilen a partir de datos en bruto, de forma que las estadísticas nacionales puedan agregarse luego según las necesidades internacionales respecto de variables, estratificación de datos y normas.

3.3. Definiciones: réplica, corrida, estado transitorio, estado estable, condiciones iniciales, reloj de la simulación.

REPLICA O CORRIDA.

Cuando ejecutamos el modelo en una ocasión, los valores que obtenemos de las variables y parámetros al final del tiempo de simulación generalmente serándistintos de los que se producirán si lo volvemos a correr usando diferentes números pseudo aleatorios. Por lo tanto, es necesario efectuar más de una réplica del modelo que se esté analizando, con la finalidad de obtener estadísticas de intervalo que nos den una mejor ubicación del verdadero valor de la variable bajo los diferentes escenarios que se presentan al modificar los números pseudo aleatorios en cada oportunidad.1.Revisa el siguiente caso de estudio:Cierta empresa situada en tu ciudad recibe piezas para su manufactura, las cuales son acumuladas en un almacén temporal en donde esperan ser procesadas. Esto ocurre cuando un operario transporta las piezas a fabricar delalmacén al torno. Otro dato importante es que mientras el operario está transportando una pieza para su procesamiento, el torno no está en operación

Estado estacionario, Condiciones y Sesgo inicial Para obtener resultados confiables: durante todo el tiempo en que se toman las medidas (cuando se registran los datos de la simulación) el sistema debe estar en estado estacionario.

en estado estable Una simulación está en estado estacionario (estable) si todas sus colas están en estado estacionario. El estado estacionario es alcanzado luego de un período de tiempo llamado período transitorio inicial (run-in).

CONDICIONES INICIALESLa mayoría de los modelos de simulación estocástica se corren con la idea de estudiar al sistema en una situación de estado estable. Sin embargo, la mayoría de estos modelos presentan en su etapa inicial estados transientes los cuales no son típicos del estado estable. Por consiguiente es necesario establecer claramente las alternativas o cursos de acción que existen para resolver este problema. Algunos autores piensan que la forma de atacar este problema será a través de:

• Usar un tiempo de corrida lo suficientemente grande de modo que los periodos transientes sean relativamente insignificantes con respecto a la condición de estado estable.
• Excluir una parte apropiada de la parte inicial de la corrida.
• Utilizar simulación regenerativa.

Reloj de Simulación:

es el contador de tiempo de la simulación, y su función consiste en responder preguntas tales como cuanto tiempo se ha utilizado el modelo de la simulación, y cuanto tiempo en total se requiere que dure esta ultima.
Existen dos tipos de reloj de simulación
: el reloj de simulación absoluto, que parte del cero y termina en un tiempo total desimulación definido, el
reloj de simulación relativo, que solo consiste en el lapso de tiempo que transcurre entre dos eventos.
Ejemplo
.- el tiempo de proceso de una pieza es relativo, mientras que el tiempo absoluto seria elglobal: desde que la pieza entro a ser procesada hasta el momento que termino su proceso