1

UNIDAD 1 PASO - 0 -RECONOCER LOS PRE-SABERES DE MODELOS Y

SIMULACION

TRABAJO INDIVIDUAL

Por:
LUIS CARLOS OROZCO G.

CÓDIGO 84036931

DIEGO EDIXON KARACHA RODRIGUEZ

Tutor

GRUPO: 212026_6

MODELOS Y SIMULACIÓN

ESCUELA DE CIENCIAS BASICAS TECNOLOGIA E INGENIERIA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD)
PROGRAMA DE INGENIERÍA INDUSTRIAL
FEBRERO DE 2020- CEAD MEDELLÍN
BOGOTA D.C. FEBRERO 12 DE 2020
 2

INTRODUCCION

Con el desarrollo del siguiente trabajo se puede llegar a conocer a la importancia que tiene
los diferente tipos de modelos o herramientas informáticas que facilitan los trabajos que
desarrollan los Ingenieros Industriales a la hora de querer realizar un proyecto, es muy
importante que el futuro Ingeniero entienda que es mejor primero realizar simulaciones y
pruebas para así determinar los puntos fuertes de una actividad o proyecto, el modelo
matemático es ideal ya que nos permite analizar de forma cuantitativa la viabilidad a la
hora de querer implementar un proyecto.
Así como también vamos a analizar la teoría de la simulación, sus antecedentes, los
procesos, métodos y lenguajes de programación para la modelización a medida para cada
empresa. En futuras investigaciones procederemos a implementar dichos modelos y a
estudiar su validación.
 3

JUSTIFICACIÓN

Nosotros como estudiantes debemos tener la iniciativa de investigar y resolver todas

nuestras dudas y en cuanto a temas nuevos que abordemos durante del desarrollo nuestros
cursos podemos aumentar más nuestras habilidades competitivas en la universidad.
En la actualidad, las medianas empresas buscan fortalecerse cada vez más a nivel
competitivo como parte de sus procesos visiónales, lo cual obliga a la adopción de
estrategias y/o aplicación de herramientas que los direccionen hacia la consecución de
resultados prometedores, fundamentados en la acertada planificación y ejecución de
proyectos de mejora. Es por esto, que cada organización busca herramientas de medición
que faciliten la prospectiva gerencial, con el propósito de establecer metas que permitan el
alcance de los planes estratégicos.
 4

OBJETIVOS

 Reconocer los pre saberes de modelos y simulación, para el desarrollo de la

problemática que se nos va presentar durante todo el proceso del curso lectivo.

 Investigar para dar respuesta a los interrogantes presentados con respecto a modelos
y simulación

 Identificar los integrantes del grupo para así tener una comunicación asertiva en
futuras actividades

 Conocer los diferentes tipos de Modelos y sus componentes, así como los tipos de
simulación de sistemas existentes.

 Diferenciar la simulación de un modelo de sistema.

 Inferir las ventajas y desventajas de la simulación

 5

ESQUEMA DE TRABAJO

1- Qué es la inferencia estadística, clases de muestreo, distribuciones muéstrales.

La inferencia estadística es el conjunto de métodos y técnicas que permiten inducir, a partir

de la información empírica proporcionada por una muestra, cual es el comportamiento de
una determinada población con un riesgo de error medible en términos de probabilidad.
Los métodos paramétricos de la inferencia estadística se pueden dividir, básicamente, en
dos: métodos de estimación de parámetros y métodos de contraste de hipótesis. Ambos
métodos se basan en el conocimiento teórico de la distribución de probabilidad del
estadístico muestral que se utiliza como estimador de un parámetro.
La inferencia Estadística puede dividirse en dos apartados de acuerdo con el conocimiento
sobre la distribución en la población.

Inferencia Paramétrica: Se conoce la forma de la distribución (Normal, Binomial,

Poisson, etc.....) pero se desconocen sus parámetros. Se realizan inferencias sobre los
parámetros desconocidos de la distribución conocida.

Inferencia No Paramétrica: Forma y parámetros desconocidos. Se realizan inferencias

sobre características que no tienen por qué ser parámetros de una distribución conocida
(Mediana, Estadísticos de Orden).

CLASES DE MUESTREO

 Muestreo aleatorio o probabilístico

Este tipo de muestreo es uno de los más utilizados en las investigaciones. Se comprende
que aquí todos los sujetos o elementos de la población pueden pasar a formar parte de la
muestra, pues tienen la misma probabilidad de ser escogidos.

Dentro de los muestreos probabilísticos podemos encontrar los siguientes tipos:

 6

1. Muestreo aleatorio simple:

En este método de muestreo lo principales es tener una idea clara de cuantos sujetos serán
necesarios para completar el tamaño de la muestra que se va a investigar, pues este consiste
en que a cada sujeto de la población se le debe asignar un número, para que posteriormente
mediante algún sorteo, o generando números aleatorios con ayuda de rifas o algún
ordenador se logre dar a conocer los números de los sujetos seleccionados que serán
tomados como muestra.

2. Muestreo sistemático:

Pues en este método como en el primero, los sujetos que conforman a la población son
enumerados, pero en lugar de dar a conocer los que serán incluidos mediante el azar en este
caso incluyen otra técnica. Posteriormente de que son enumerados, los investigadores
dividen el total de la población que se presenta entre el total de sujetos que requieren para
la muestra; para después elegir a uno de los primeros de estos sujetos al azar (ya
enumerados) y posteriormente se va sumando de una forma secuencial o constante el
mismo valor para elegir a los sujetos requeridos.

3. Muestreo estratificado:

Mediante este método de investigación, los investigadores dividen a la población en grupos

o estratos que tengan relación o compartan características similares y posteriormente se
selecciona al azar o aleatoriamente a los sujetos finales de los grupos o estratos formados.
Este método es utilizado para cuando los investigadores pretenden que dentro de la muestra
se encuentren incluidos todos los grupos de interés que puedan representar significancia
para la investigación.

La distribución de la muestra tomada de la población es llamada “Fijación” y se pueden

conocer los tres que se muestran a continuación:

 Afijación simple: Donde cada grupo formado cuenta con la misma cantidad de

número de elementos.
 Afijación proporcional: Donde las distribuciones se hacen de acuerdo al tamaño
de la población o sujetos de cada estrato.
 Afijación óptima: Fijando la cantidad de sujetos que pueden ser admitidos en la
muestra.

4. Muestreo por Conglomerados:

En este método, la población ya se encuentra dividida en grupos o estratos formados

naturalmente y a partir de estos se toman la cantidad de sujetos que sean necesarios de cada
uno para así formar la muestra. Este es similar al método por estratificación, sin embargo,
 7

se facilita más, pues los grupos ya están formados y solo se requieren los datos de esos
elementos que lo integran.

 Muestreo no aleatorio o no probabilísticos

Mediante esta técnica de muestreo, en comparación del muestreo probabilístico las

muestras no se recogen por medio de procesos donde a los sujetos se les brinden las mismas
posibilidades de ser seleccionados.

Dentro de esta técnica existen cuatro tipos de muestreos:

1. Muestreo por cuotas:

Mediante este método los investigadores se encargan de incluir en la muestra solo a un

grupo determinado de sujetos que cumplen con ciertos requisitos o condiciones específicas.

2. Muestreo intencional o de conveniencia:

Mediante este método, el investigador se encarga de elegir de acuerdo a sus propios

criterios o alcances a los sujetos que formaran parte de la muestra.

3. Muestreo por bola de nieve:

En este método se hace contacto con algún sujeto en específico y este se encargará de
buscar a otros sujetos o nuevos participantes consecutivamente. Haciéndolo de esta forma
hasta cumplir con el tamaño de muestra o cantidad de sujetos que se necesitan.

4. Muestreo discrecional:

Mediante este método, se aplica una técnica parecida a la del método intencional, pues el
investigador recluta a los sujetos según sus criterios; pero en este caso, los busca de acuerdo
a lo que piensen que estos sujetos puedan aportar a la investigación.

DISTRIBUCIONES MUESTRALES

El estudio de determinadas características de una población se efectúa a través de

diversas muestras que pueden extraerse de ella.

El muestreo puede hacerse con o sin reposición, y la población de partida puede ser infinita
o finita. Una población finita en la que se efectúa muestreo con reposición puede
considerarse infinita teóricamente. También, a efectos prácticos, una población muy grande
 8

puede considerarse como infinita. En todo nuestro estudio vamos a limitarnos a una
población de partida infinita o a muestreo con reposición. 

 Distribución muestral de medias

Cada muestra de tamaño n que podemos extraer de una población proporciona una media.
Si consideramos cada una de estas medias como valores de una variable aleatoria podemos
estudiar su distribución que llamaremos distribución muestral de medias.

 Si tenemos una población normal N(m,s) y extraemos de ella muestras de

tamaño n, la distribución muestral de medias sigue también una distribución
normal

Si la población no sigue una distribución normal, pero n>30, aplicando el

llamado Teorema central del límite la distribución muestral de medias se aproxima
también a la normal anterior.

 Distribución muestral de proporciones

En numerosas ocasiones se plantea estimar una proporción o porcentaje. En estos casos la

variable aleatoria toma solamente dos valores diferentes (éxito o fracaso), es decir sigue
una distribución binomial y cuando la extensión de la población es grande la
distribución binomial B(n,p) se aproxima a la normal  .

 Para muestras de tamaño n>30, la distribución muestral de proporciones sigue una

distribución normal

Donde p es la proporción de uno de los valores que presenta la variable estadística

en la población y q=1-p.

2- Qué es la programación lineal, formulación de un problema de programación

lineal, pasos para desarrollar método simplex.

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),
 9

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.

El primer paso para la resolución de un problema de programación lineal consiste en la

identificación de los elementos básicos de un modelo matemático, estos son:

 Función Objetivo: La función objetivo tiene una estrecha relación con la pregunta
general que se desea responder. Si en un modelo resultasen distintas preguntas, la
función objetivo se relacionaría con la pregunta del nivel superior, es decir, la
pregunta fundamental.
 Variables: Las variables de decisión, son en teoría, factores controlables del
sistema que se está modelando, y como tal, estas pueden tomar diversos valores
posibles, de los cuales se precisa conocer su valor óptimo, que contribuya con la
consecución del objetivo de la función general del problema.
 Restricciones: las restricciones en un problema de programación lineal, nos
referimos a todo aquello que limita la libertad de los valores que pueden tomar las
variables de decisión. 

METODO SIMPLEX

El Método Simplex es un método iterativo que permite ir mejorando la solución en cada

paso. 

El Método Simplex hace uso de la propiedad de que la solución óptima de un problema de

Programación Lineal se encuentra en un vértice o frontera del dominio de puntos factibles
(esto último en casos muy especiales), por lo cual, la búsqueda secuencial del algoritmo se
basa en la evaluación progresiva de estos vértices hasta encontrar el óptimo. Cabe destacar
que para aplicar el Método Simplex a un modelo lineal, este debe estar en un formato
especial conocido como formato estándar el cual definiremos a continuación.

PASÓ A PASO PARA CONSTRUCCION DEL METODO SIMPLEX

 Paso 1: Modelación mediante programación lineal.

 Paso 2: Convertir las inecuaciones en inecuaciones
 Paso 3: Definir la solución básica inicial.
 Paso 4: Definir la tabla simplex inicial.
 Paso 5: Realizar las iteraciones necesarias.

3. Qué son los métodos determinísticos, pasos para la construcción de modelos

matemáticos, definición de variable, función objetivo y restricciones
 10

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.
METODOS PROBABILISTICOS: Modelo probabilístico o estadístico es la forma que
pueden tomar un conjunto de datos obtenidos de muestreos de datos con comportamiento
que se supone aleatorio.
Un modelo estadístico es un tipo de modelo matemático que usa la probabilidad, y que
incluye un conjunto de asunciones sobre la generación de algunos datos muéstrales, de tal
manera que asemejen a los datos de una población mayor.
Las asunciones o hipótesis de un modelo estadístico describen un conjunto de
distribuciones de probabilidad, que son capaces de aproximar de manera adecuada un
conjunto de datos. Las distribuciones de probabilidad inherentes de los modelos estadísticos
son lo que distinguen a los modelos de otros modelos matemáticos deterministas.
Un modelo estadístico queda especificado por un conjunto de ecuaciones que relacionan
diversas variables aleatorias, y en las que pueden aparecer otras variables no aleatorias.
Como tal "un modelo es una representación formal de una teoría

Pasos para la construcción de modelos matemáticos:

 Identificación del problema: Necesita ser simulada, optimizada o controlada.

 Elección del tipo de modelo: El modelo debe ser suficientemente simple como
para permitir un tratamiento matemático asequible con los recursos disponibles.

Identificar el mayor número de datos fidedignos, rotular y clasificar las incógnitas.

 Formalización del modelo: En esta fase posiblemente se introduzcan también

simplificaciones suficientes para que el problema matemático de modelización sea
tratable computacionalmente.

Se detallará que forma tienen los datos de entrada, que tipo de herramientas matemática se
usara, como se adaptan a la información previa existente.

 Comparación de Resultados: Los resultados obtenidos como predicciones

necesitan ser comparados con los hechos observados para ver si el modelo está
presidiendo bien.
 11

Si los resultados no se ajustan bien, frecuentemente se vuelve a la fase 1.

 Variables de decisión y parámetros

Las variables de decisión son incógnitas que deben ser determinadas a partir de la solución
del modelo. Los parámetros representan los valores conocidos del sistema o que se pueden
controlar. Las variables de decisión se representan por: X1, X2, X3,…, Xn ó Xi, i = 1, 2, 3,
…, n.
 Función Objetivo
La función objetivo es una relación matemática entre las variables de decisión, parámetros
y una magnitud que representa el objetivo o producto del sistema. Es la medición de la
efectividad del Modelo formulado en función de las variables. Determina lo que se va
optimizar (Maximizar o Minimizar).
 RestriccionesLas restricciones son relaciones entre las variables de decisión y
los recursos disponibles. Las restricciones del modelo limitan el valor de las variables de
decisión. Se generan cuando los recursos disponibles son limitados.

4- Modelos Matemáticos y Simulación en la Ingeniería Industrial: aplicaciones y

análisis de sensibilidad.

Los resultados de investigación de Nejad y Bahmaei (2012) demuestran que la enseñanza con la MM

tiene un efecto positivo entre los estudiantes, pues favorece el desarrollo de importantes
habilidades para resolver problemas. La aplicación de las matemáticas no puede separarse
de la utilización de modelos y procesos de MM. Ahora bien, la enseñanza de la MM en las
universidades requiere que los estudiantes ya cuenten con algunos conceptos previos. Es
recomendable que antes de enseñar MM en cursos de cálculo, física, ecuaciones
diferenciales y estadística, sean enseñados ciertos procesos de resolución de problemas.
Para lograr éxito en la MM no basta con tener conocimientos especializados en las técnicas
matemáticas, estadísticas e informáticas, sino contar además con habilidades como claridad
de pensamiento, enfoque lógico, buena idea de los datos, capacidad de comunicación y
entusiasmo por hacer la tarea.

La MM debe estimularse en el salón de clase, en tanto que refuerza la reflexión y el

análisis, y permite evidenciar la ruta más fácil hacia la solución de un problema; para ello
se utilizan expresiones matemáticas que representan fenómenos y procesos de nuestra vida
cotidiana, tal como lo exponen Obando, Sánchez, Muñoz y Villa (2013). La MM es tanto un dispositivo
como un proceso académico que en el aula demuestra las siguientes ventajas:

a. Ayuda al estudiante a comprender mejor el escenario en el que se desarrolla.

b. Refuerza el aprendizaje de las matemáticas (motivación).

 12

c. Estimula el desarrollo de algunas habilidades actitudinales de tipo matemático.

d. Coadyuva a tener una mejor óptica de las matemáticas.

ETAPAS DE LA MODELACIÓN MATEMÁTICA EN INGENIERÍA

La MM se lleva a cabo cumpliendo los siguientes pasos, propuestos por Brito, Alemán, Fraga, Para y
Arias (2011)
:

a. Identificación del problema o proceso a resolver, junto con los objetivos, que deben
ser claros y concisos, con miras a obtener un resultado.

b. Conocimiento de los aspectos cognitivos que rigen el problema, por medio de leyes,
teorías y conceptos inmersos en la situación objeto de trabajo.

c. Formulación de la situación-problema en términos matemáticos (matematización),

mediante ecuaciones y/o relaciones matemáticas, identificando para ello las
variables, parámetros y los supuestos a que haya lugar.

d. Solución del problema y/o proceso matemático obtenido. Para ello se hará uso de
herramientas tales como tablas, gráficas, ecuaciones diferenciales, estadística,
investigación de operaciones.

e. Comparación del modelo con la situación real. En función de esto, es necesario

analizar los resultados obtenidos, verificando si las respuestas alcanzadas son
correctas, adecuadas o no, y además si se generan soluciones extrañas.

f. Análisis de las restricciones al modelo. Es importante tener en cuenta las

suposiciones hechas, así como el marco donde se va a limitar el dominio de la
solución obtenida.

g. Escenario de aplicación del modelo, así como su interpretación. Es aquí donde se

evidencia el cumplimiento de metas, teniendo en cuenta sus restricciones, si las
hubiere.

Tipos de modelos

Existen diferentes clasificaciones de los modelos. Una de las más generales es la presentada
por Torres (8); según la cual un modelo puede ser una réplica del objeto que representa.
Cambiando la escala o el material con el que se construye se denomina isomórfico y
cuando tiene algún grado de abstracción del objeto que representa, teniendo en cuenta
solamente las variables más relevantes, se denomina homomórfico.
 13

Los modelos matemáticos de crecimiento de cultivos han sido desarrollados para evaluar el
impacto del cambio climático en la producción de alimentos y para desarrollar estrategias
tales como la gestión de riesgos de la aplicación de pesticidas y fertilizantes en el marco
agrícola (14); de forma que se logren racionalizar los recursos disponibles.

Para el procesamiento y análisis de la problemática, utilizando análisis de regresión, es

necesario considerar (15):

 Ploteo de puntos para analizar tendencia de datos.

 Selección del tipo de modelo a ajustar.
 Ajuste del modelo, con el apoyo de un software apropiado.
 Descripción del proceso a partir del modelo obtenido.

Para la selección del modelo que mejor ajuste los datos del experimento, fundamentalmente
en los modelos explicativos y dinámicos, se deben tener en cuenta los siguientes criterios
(16):

 Métodos de ajuste de los modelos.

 Error estándar de los estimadores de los parámetros (Test t de Student).
 Coeficiente de variación de los estimadores.
 Límites de confianza de los parámetros.
 Test de redundancia de los parámetros.
 Análisis de varianza relacionado con el modelo en cuestión.
 Coeficiente de determinación R2 y R2 ajustado por los grados de libertad, para
modelos con diferentes números de parámetros.
 Suma de cuadrados o Cuadrado Medio Residual.
 Error estándar de estimación.
 Test de falta de ajuste del modelo.
 Análisis del efecto del uso de transformaciones en el modelo.
 Diagnóstico y tratamiento de la multicolinealidad, en modelos de regresión lineal
múltiple.
 Validación de las predicciones del modelo.
 Estadístico PRESS (Suma de Cuadrados del Error de Predicción).
 Estadístico CMEP (Cuadrado Medio del Error de Predicción).
 Estadístico Cp de Mallows.
 Coeficientes de correlación entre los resultados predichos y los reales.
 Análisis de la precisión de las estimaciones.
 Análisis de los residuos.
 Normalidad (Test de Shapiro-Wilks, Kolmogorov-Smirnov).
 Autocorrelación (Test de Rachas, Signos, Durbin-Watson, X 2 de independencia,
Ljung y Box).
 14

 Homocedasticidad (Gráficos de los residuos, Test de Cochran, Bartlett y Hartley).

CONCLUSIONES

 Aprender a identificar los tipos de modelos que se utilizan para tomar una decisión
en una empresa.

 La diferencia que hay entre inferencia y los métodos determinísticos es muy

importante poderlo identificar para así llegar a tener un resultado más preciso al
momento de evaluar una decisión.

 La simulación 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.
 15

BIBLIOGRAFIA

 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&docID=4310046&tm=1544036108836
 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&docID=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&docID=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&docID=3227913&tm=1544036684162
 16

 AA.VV. (1990): Orden y Caos. Barcelona: Prensa Científica. ABRAHAM, Ralph y

SHAW, Christopher D. (1987): Dynamics: a visual introduction. En F. Eugene
YATES (Ed.) (1987): Self-Organizing systems. The emergence of order. New
York: Plenum Press.

 ABRAHAM, Ralph y SHAW, Christopher D. (1987): Dynamics: the geometry of

behaviour. 4 vols. Santa Cruz: Aerial Press. ACKOFF, Russell L. (1959): Game,
decisions and organization. General Systems, 4, 145-150.

 ACKOFF, Russell L. (1994): Systems thinking and thinking systems. System Dynamics
Review, 10, 2-3, 175-188. AIHARA, Kazayuki (1991): Chaos in neural networks.