UNIDAD 1- PASO 0: Reconocer los pre-saberes de modelos y simulación

BREYNER EMILIO GONZÁLEZ NAICIPA

C.C 1.110.537.657
Grupo: 212026_14

Tutor:
JOSE ERIQUE COTES

Modelos y Simulación

Universidad Nacional Abierta Y a Distancia – UNAD Escuela De Ciencias Básicas,

Tecnología E Ingeniería ECBTI
Junio 2019
 Introducción

En un proceso de simulación se busca duplicar las características de un sistema real

usando un modelo matemático que se aproxime lo máximo posible a la realidad del
sistema. Con los modelos matemáticos podremos calcular los resultados que
obtendremos con nuestras diferentes acciones. A la hora de tomar decisiones, la
simulación es uno de los procesos cuantitativos más eficaces que se puedan utilizar,
principalmente por la relativa sencillez con la cual se puede aprender de un sistema real
al experimentar con un modelo que lo represente. Sin embargo, esto no quiere decir que
la simulación sea la solución infalible para todos los problemas administrativos que se
presenten; pero la flexibilidad con la que podemos adaptar un modelo de simulación, la
hace una de las mejores herramientas para la toma de decisiones. Hay que aclarar que
la simulación no busca optimizar un sistema sino predecir el funcionamiento del mismo
basándose en parámetros controlables y valores aleatorios, imitando el comportamiento
del sistema real al que representa. La simulación se basa en la premisa de que todo
sistema real está conformado por parámetros que controlamos, variables aleatorias que
están fuera de nuestro control, y una serie de reglas que regulan la interacción de ambos
factores (controlables y no controlables), y su influencia en el desempeño del sistema
real.
 Justificación

Conocer los conceptos básicos de esta materia donde aprenderemos como estudiantes
de ingeniería industrial a diseñar y comprender los modelos de simulación, como en la
obra de ingenio y en las acciones morales, ejemplar que por su perfección se debe seguir
e imitar. Aplicar los conocimientos aprendidos en estadística, programación lineal y
modelos matemáticos.
 Objetivos

Objetivo general. Comprender, analizar y poner en práctica los contenidos aprendidos

en este curso, revisando los recursos bibliográficos encontrados en la unidad uno en el
entorno de conocimiento y así poder dar solución a las actividades comprendidas en la
guía.

Objetivos específicos:
 Comprender que son los modelos de simulación
 Demostrar mediante la solución de las temáticas lo aprendido
 Evaluar las alternativas de solución
 Basarnos en la toma de decisiones para la solución de problemas empleando los
modelos de simulación
 Verificar lo aprendido con la practica
 Esquema de trabajo

¿Qué es la inferencia estadística?

La inferencia estadística es el conjunto de métodos que permiten inducir, a través de una
muestra, el comportamiento de una determinada población. La inferencia estadística
estudia entonces, como sacar conclusiones sobre los parámetros de población de datos.
De la misma manera estudia también el grado de fiabilidad de los resultados extraídos
del estudio.
Para entender el concepto es importante entender estos tres conceptos:
Inferencia: Inferir significa, literalmente, extraer juicios o conclusiones a partir de ciertos
supuestos, sean estos generales o particulares.
Población: Una población de datos, es el conjunto total de datos que existen sobre un
variable.
Muestra estadística: Una muestra es una parte de la población de datos.
Teniendo claro a lo que nos referimos con el concepto de inferir, una de las dudas
fundamentales recae en el hecho de elegir una muestra en lugar de una población.
Normalmente, en estadística, se trabaja con muestras debido a la gran cantidad de datos
que tiene una población. Por ejemplo, si queremos sacar conclusiones, esto es, inferir,
los resultados de las elecciones generales, es imposible preguntar a toda la población
del país. Para solventar ese problema se escoge una muestra variada y representativa.
Gracias a la cual se puedan extraer una estimación del resultado final. Escoger una
muestra adecuada corre a cargo de las distintas técnicas de muestreo.

Clases de muestreo:
Los principales tipos de muestreo son los siguientes:
Aleatorio: Todos los elementos de la población son seleccionados al azar.
Aleatorio con reposición: Los elementos seleccionados vuelven a formar parte del
conjunto del que hacemos el muestreo. Es a decir, pueden volver a ser seleccionados.
Aleatorio sin reposición: Una vez seleccionado un elemento no puede volver a ser
seleccionado.
Aleatorio estratificado: La población se divide en subconjuntos (estratos), en cada uno
de los cuales se lleva a cabo el muestreo de elementos.
Aleatorio por conglomerados: La población se divide en subconjuntos
(conglomerados), que son seleccionados aleatoriamente. Los componentes de los
conglomerados seleccionados constituyen la muestra.
Aleatorio sistemático: Se selecciona aleatoriamente la posición de un componente de
la lista (k). A continuación seleccionamos los componentes que ocupan los lugares
siguientes de acuerdo a una regla (para ejemplo, los que ocupan los lugares k+10, k+20,
k+30, etc.).

Distribuciones muéstrales:
Dada una población y el experimento aleatorio consistente en seleccionar una muestra
de dicha población, se define la variable aleatoria U (estadístico muestral) como una
aplicación que asigna a cada muestra, m, un resumen estadístico determinado, U (m).
Esta nueva variable aleatoria U tiene una distribución de probabilidad denominada
distribución muestral de U.

U: E R
m=(x1, x2,…, xn) U (m)=estadístico muestral

Su comportamiento dependerá del que tenga X en la población y del tamaño de las

muestras.

Estaremos interesados en conocer su comportamiento probabilístico, porque esto nos

permitirá hacer inferencias acerca del comportamiento de la población.

A veces nos resultará útil conocer su esperanza matemática y/o su varianza.

¿Qué es la programación lineal?

La Programación Lineal corresponde a un algoritmo a través del cual se resuelven
situaciones reales en las que se pretende identificar y resolver dificultades para aumentar
la productividad respecto a los recursos (principalmente los limitados y costosos),
aumentando así los beneficios. El objetivo primordial de la Programación Lineal es
optimizar, es decir, maximizar o minimizar funciones lineales en varias variables reales
con restricciones lineales (sistemas de inecuaciones lineales), optimizando una función
objetivo también lineal.
Formulación de un problema de programación lineal
En un almacén de frutas hay 800 kg de naranjas, 800 kg de manzanas y 500 kg de
plátanos. Para su venta se hacen dos lotes (A y B). El lote A contiene 1 kg de naranjas,
2 kg de manzanas y 1 kg de plátanos; el lote B se compone de 2 kg de naranjas, 1 kg de
manzanas y 1 kg de plátanos. El beneficio por kilogramo que se obtiene con el lote A es
de 1200 u.m. y con el lote B de 1400 u.m. Determinar el número de kilogramo de cada
tipo para conseguir beneficios máximos.
Pasos para desarrollar método simplex.
Variables de holgura y exceso.
Variable artificial / método de la "m"
El problema.
Paso 1: modelación mediante programación lineal.
Paso 2: convertir las inecuaciones en ecuaciones.
Paso 3: definir la solución básica inicial.
Paso 4: definir la tabla simplex inicial.

¿Qué son los métodos determinísticos?

Los métodos determinísticos además de ser una herramienta fundamental para la toma
de decisiones, optimiza los resultados logísticos, administrativos y financieros de una
organización con el fin de mejorar procesos, reducir costos y mejorar sus recursos
técnicos.
Así mismo, plantea distintos métodos para solucionar problemas relacionados con el
transporte, la asignación y la distribución, elementos claves para la solución eficiente de
inconvenientes y/o dificultades que se puedan presentar en el ejercicio empresarial.
Estos conceptos de métodos determinísticos permiten la optimización parcial de una
parte de la secuencia y luego relacionan las unidades optimizadas en la siguiente línea,
hasta que toda quede optimizada. Estos conceptos se pueden aplicar en los problemas
que tienen funciones continuas o en problemas donde los valores enteros son prácticos.

Pasos para la construcción de modelos matemáticos:

Para la construcción de un modelo matemático debemos tener en cuenta que los
modelos matemáticos pueden ir desde lo simple hasta lo complejo, por lo tanto, debemos
tener en cuenta estos pasos.
1. Determina qué quieres saber. ¿Cuál es el objetivo de crear un modelo? Hacer una
lista de la información que deseamos encontrar al usar el modelo. Es importante que
 nos hagamos esta pregunta antes de crear el modelo o podemos terminar creando
un modelo que no cumpla el objetivo.
¿Deseas predecir algo? ¿Quieres averiguar cómo regular algo? ¿Quieres hacer otra
cosa?
Por ejemplo, imaginamos que queremos saber cuánto espacio tienes en una unidad de
almacenamiento para saber cuántas cajas podemos poner en ella. Tendríamos que crear
un modelo para predecir la cantidad de espacio que hay en la unidad de almacenamiento.
2. Determinar lo que ya sabes. ¿Qué información ya tienes? Haz una lista de la
información que ya has encontrado. Mientras haces la lista, decide qué piezas son
más relevantes y qué piezas no lo son.
También debes hacer una lista de cualquier información que puedes asumir basado
en lo que ya sabes.
Ten en cuenta que quizás debas tomar medidas para encontrar la información que
necesitas.
Para averiguar cuánto espacio tienes en la unidad de almacenamiento, necesitarás
medir la altura, el ancho y la longitud de la unidad.

3. Determina los principios físicos que gobiernan el modelo que deseas crear. ¿Debes
considerar factores como la gravedad, el volumen, el tiempo, etc.? Toma nota de
cualquier factor que tendrás que considerar cuando crees el modelo.
Para determinar la cantidad del espacio que tienes en una unidad de
almacenamiento, tendrás que encontrar el volumen.
También tendrás que recordar que habrá algo de espacio desperdiciado, ya que
algunos objetos pueden ser irregulares y eso dificultará aprovechar cada centímetro
de la unidad de almacenamiento.

4. Identifica las ecuaciones que tendrás que usar para encontrar tu respuesta. ¿Qué
ecuaciones y fórmulas necesitarás para encontrar tu respuesta? ¿Cómo aplicarás
estas ecuaciones y fórmulas? Asegúrate de tener una comprensión clara de cómo
conectar la información que tienes en la ecuación.
Para hallar el volumen de la unidad de almacenamiento, tendrás que usar la ecuación
volumen = altura x ancho x longitud.

5. Averigua si otros han hecho el modelo. No hay necesidad de volver a inventar la rueda
si alguien más ha desarrollado un modelo que pueda cumplir con el objetivo que
buscas. Revisa en tu libro de texto o pregunta a tu profesor. Solo recuerda asegurarte
de que el modelo de alguien más funcione para tu caso.
Para obtener una idea de cómo encontrar el volumen usando la ecuación que has
identificado, revisa tu libro de texto o pregunta a tu profesor.
6. Crea un diagrama de tu modelo. Un modelo matemático simple quizás no requiera un
diagrama. Sin embargo, si creas un modelo complejo, un diagrama puede ayudar a
determinar si tu modelo funcionará. Dibuja un diagrama que represente el modelo
real que planeas hacer.
Asegúrate de incorporar tu información al diagrama para que tengas una guía cuando
crees el modelo real.

Después de todos estos paso

1. Crear el modelo.
2. Probar el modelo.
3. Determinar cómo se puede mejorar el modelo.
Definición de variable:
Variable es un adjetivo que significa que algo o alguien varía o puede variar. También
significa 'inestable', 'mudable' e 'inconstante'.
En matemáticas una variable es una magnitud que puede tener cualquier valor entre
los comprendidos en un conjunto.
Procede del latín variabilis.
Las variables son números reales mayores o iguales a cero. 𝑋𝑖 ≥ 0 en caso que se
requiera que el valor resultante de las variables sea un número entero, el procedimiento
de resolución se denomina Programación entera.
Función objetivo y restricciones:
La función objetivo puede ser:
𝑁

𝑀𝑎𝑥! = ∑ 𝑓𝑖 ∗ 𝑋𝑖
𝑖=1

o
𝑁

𝑀𝑖𝑛! = ∑ 𝑓𝑖 ∗ 𝑋𝑖
𝑖=1

Donde
𝑓𝑖=𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠

Las restricciones pueden ser de la forma:

Tipo 1:
 𝑁

𝐴𝑗 = ∑ 𝑎𝑖,𝑗 ∗ 𝑋𝑖
𝑖=1

Tipo 2:
𝑁

𝐵𝑗 = ∑ 𝑏𝑖,𝑗 ∗ 𝑋𝑖
𝑖=1
Tipo 3:
𝑁

𝐶𝑗 = ∑ 𝑐𝑖,𝑗 ∗ 𝑋𝑖
𝑖=1

Donde:

A = valor conocido a ser respetado estrictamente;

B = valor conocido que debe ser respetado o puede ser superado;
C = valor conocido que no debe ser superado;
j = número de la ecuación, variable de 1 a M (número total de restricciones);
a; b; y, c = coeficientes técnicos conocidos;
X = Incógnitas, de 1 a N;
i = número de la incógnita, variable de 1 a N.
En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M; N >
M; o, N < M.
Sin embargo, si las restricciones del Tipo 1 son N, el problema puede ser determinado,
y puede no tener sentido una optimización.
Los tres tipos de restricciones pueden darse simultáneamente en el mismo problema.

Modelos Matemáticos y Simulación en la Ingeniería Industrial,

aplicaciones y análisis de sensibilidad:

Un problema dinámico de optimización modela el comportamiento de un sistema a lo

largo de varios períodos, lo que hace que algunas de sus variables de decisión se definan
como series de tiempo. Las restricciones son de dos tipos: intra-período e inter-períodos.
Las restricciones intra-período describen la lógica del sistema dentro de un cierto período
t. Las restricciones inter-período describen cómo los períodos se afectan mutuamente. A
veces el período t tiene efecto en el período t + 1; por ejemplo, lo que una fábrica produce
y almacena en enero afecta sus bodegas en febrero. También pueden darse efectos de
más largo plazo; una siembra en mayo tiene consecuencias en septiembre.
El modelo que maximiza la utilidad de la fábrica es el siguiente:
 𝑇

𝑀𝑎𝑥. 𝑧 = ∑(𝑅𝑠𝑡 − 𝐻𝑖𝑡 )

𝑡=1

s.a:
𝑆𝑡 ≤ 𝐷𝑡 𝑡 = 1, … , 𝑇 demanda máxima;
𝐴𝑥𝑡 ≤ 𝐶𝑡 𝑡 = 1, … , 𝑇 capacidad de producción;
𝑖𝑡 = 𝑖𝑡−1 + 𝑥𝑡 − 𝑠𝑡 𝑡 = 1, … , 𝑇 ecuación de inventario;
𝑖𝑜 = 𝐼 inventario inicial
𝑥𝑡′ 𝑠𝑡′ 𝑖𝑡 ≥ 0

En lo que sigue, cualquier variable de inventario se mide al final del período, a menos
que se defina de otra manera. En general las empresas contabilizan su inventario de esta
manera.
Intuitivamente, debería activarse la familia de restricciones 𝑆𝑡 ≤ 𝐷𝑡 pues al crecer 𝑆𝑡
aumenta la utilidad. Sin embargo, si la capacidad de producción es insuficiente a la
empresa podría convenirle acumular inventario para venderlo en períodos posteriores.
El modelo sopesa ésta y otras transacciones intertemporales, de donde emana la política
óptima de inventario.
 Conclusiones

La materia de modelos y simulación es de gran utilidad para los futuro ingenieros

industriales ya que se utiliza en una amplia variedad de empresas, para ayudar a la
gerencia a tomar decisiones. Casi todas las empresas tienen problemas de planificación
y la simulación puede ayudar a resolverlos. Se utiliza más frecuentemente para ayudar
a la gerencia en los casos en que el problema no se presta a soluciones rutinarias.
Así pues, los modelos y simulación ayudan a la gerencia a tomar decisiones; ofrece un
método mediante el cual se pueden probar los planes propuestos, antes de llevarlos a
cabo. Por naturaleza, la simulación ayuda a la gerencia a determinar los resultados de
las preguntas del tipo: “¿qué pasaría si...?” Como subproducto importante de los modelos
y simulación, se adquiere un conocimiento de la estructura del “negocio”. A través del
análisis necesario para preparar el modelo se puede descubrir un gran número de
interrelaciones inadvertidas hasta el momento. Además, pueden ponerse de manifiesto
los puntos débiles del negocio en la estructura de la empresa. Por lo tanto, el propio
proceso de representación mediante modelos resulta frecuentemente beneficioso para
la gerencia.
 BIBLIOGRAFÍA
 Guasch, A., Piera, M. À., & Casanovas, J. (2002). Modelado y simulación: aplicación
a procesos logísticos de fabricación y servicios. Madrid, ES: Universitat Politècnica
de Catalunya. Disponible en la Biblioteca Virtual de la UNAD (pp.2-21). Recuperado
de: https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=28&docI
D=4310046&tm=1544036108836

 Singer, M. (2013). Una práctica teoría de la optimización lineal: datos, modelos y

decisiones. Santiago, Chile: Ediciones UC. Disponible en la Biblioteca Virtual de la
UNAD (pp.3-69). Recuperado
de: http://bibliotecavirtual.unad.edu.co/login?url=https://bibliotecavirtual.unad.edu.co:
2969/login.aspx?direct=true&db=nlebk&AN=1725244&lang=es&site=ehost-
live&ebv=EB&ppid=pp_3

 Guerrero, S. H. (2009). Programación lineal aplicada. Bogotá, CO: Ecoe

Ediciones. Disponible en la Biblioteca Virtual de la UNAD.(pp.249-271) Recuperado
de: https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=267&do
cID=3215329&tm=1544036375878

 Hillier, F. S. (2010). Introducción a la investigación de operaciones (9a. ed.). México,

D.F., MX: McGraw-Hill Interamericana. Disponible en la Biblioteca Virtual de la
UNAD (pp. 282-309). Recuperado
de:https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=311&doc
ID=3214887&tm=1544036769138

 Martínez, Salazar, Iris Abril, and Camarón, Gastón Vértiz (2014). Investigaciones de
operaciones, Grupo Editorial Patria, 2014. Disponible en la Biblioteca Virtual de la
UNAD (pp. 149-179). Recuperado
de: https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=162&do
cID=3227913&tm=1544036684162