Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PRESENTADO POR
CÓDIGO: 1040322930
PRESENTADO A
GRUPO
212026_61
CEAD MEDELLIN
FECHA DE ENTREGA
04 DE SEPTIEMBRE DE 2019
INTRODUCCIÓN
Una empresa integra un sistema de actividades vinculadas para lograr uno o más
objetivos económicos. Estos logros pueden ser establecidos mediante distintos grados
de análisis técnico, desde la simple intuición hasta el estudio detallado del mercado. Una
estrategia para alcanzar las metas trazadas es generalmente definida con el objeto de
definir los productos y los métodos para producirlos.
El desarrollo de Modelos Matemáticos de Simulación es una moderna técnica analítica
que puede ser utilizada en las distintas etapas de la evaluación de estrategias
alternativas.
Este trabajo individual se desarrolla con el fin de que los estudiantes se familiaricen con
los diferentes conceptos que tiene el curso de modelos y simulación y que conozcan un
poco de cómo se aplicaran diferentes tematicas en el desarrollo del curso.
JUSTIFICACIÓN
La necesidad de realizar esta actividad inicial es con el fin de que los estudiantes del
curso de modelos y simulación hagan un reconocimiento del curso, afiancen sus
conocimientos. Relacionándose y conceptualizándose de las diferentes temáticas y su
aplicación ya que estos temas los encontraran durante el desarrollo del curso.
OBJETIVOS
General
- Realizar la actividad de reconocimiento, para que el estudiante se familiarice con
los entornos y temáticas del curso.
Específicos
- Realizar la conceptualización de los diferentes temas que se verán durante el
curso
- Hacer un reconocimiento de los integrantes del grupo de trabajo.
CONCEPTOS
1 Que es la inferencia estadística
Se llama estadística inferencial o inferencia estadística a la rama de la Estadística
encargada de hacer deducciones, es decir, inferir propiedades, conclusiones y
tendencias, a partir de una muestra del conjunto. Su papel es interpretar, hacer
proyecciones y comparaciones.
Por ejemplo, los conglomerados en un estudio sobre la situación de las mujeres en una
determinada zona rural pueden ser los municipios de la zona.
- Este tipo de muestreo se utiliza fundamentalmente para reducir los costes de toma de
muestras al tomar grupos de individuos completos.
MUESTREO ESTRATIFICADO
- Se divide la población en grupos homogéneos (estratos) de acuerdo con las
características a estudiar. Por ejemplo, en un estudio de las características
socioeconómicas de una ciudad los estratos pueden ser los barrios de la misma, ya que
los barrios suelen presentar características diferenciales.
- Se selecciona una muestra aleatoria de cada estrato tratando de que todos los estratos
de la población queden representados.
- Permite utilizar información a priori sobre la estructura de la población en relación con
las variables a estudiar.
- Obtiene representantes de todos los estratos de la población.
- Diferentes opciones de selección del tamaño de la muestra en los estratos:
- El mismo número en cada estrato.
- Proporcional. (La más comun)
- Optima.
MUESTREO SISTEMATICO
- Se ordenan los individuos de la población y se numeran. - Se divide la población en
tantos grupos como individuos se quieren tener en la muestra. Se selecciona uno al azar
en el primer grupo y se elige el que ocupa el mismo lugar en todos los grupos.
- La ventaja principal es que es más sencillo y más barato que el muestreo aleatorio
simple, además, se comporta igual si no hay patrones o periodicidades en los datos.
- La aparición de patrones desconocidos puede llevar a importantes errores en la
estimación de los parámetros.
Este tipo de muestreo puede utilizarse, por ejemplo, en encuestas telefónicas
programadas mediante ordenado
MUESTREO ALEATORIO SIMPLE
Se trata de un procedimiento de muestreo (sin reemplazamiento), en el que se
seleccionan n unidades de las N en la población, de forma que cualquier posible muestra
del mismo tamaño tiene la misma probabilidad de ser elegidas.
Se realizan n selecciones independientes de forma que en cada selección los individuos
que no han sido elegidos tengan la misma probabilidad de serlo.
El procedimiento habitual consiste en numerar todos los elementos de la población y se
seleccionan muestras del tamaño deseado utilizando una tabla de números aleatorios o
un programa de ordenador que proporcione números aleatorios.
Recuérdese que "al azar" no significa "de cualquier manera", para que el procedimiento
de muestreo sea válido es necesario utilizar correctamente el proceso de generación de
números aleatorios.
Entre las ventajas de este procedimiento esta la compensación de valores altos y bajos
con lo que la muestra tiene una composición similar a la de la población, es además un
procedimiento sencillo y produce estimadores de los parámetros desconocidos próximos
a los valores reales de los mismos.
El principal inconveniente de este tipo de muestreo es que necesita un marco adecuado
y amplio que no siempre es fácil de conseguir y que no contiene información a priori
sobre la población que podría ser útil en la descripción de la misma.
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 puede considerarse como infinita. En todo nuestro estudio vamos a limitarnos a
una población de partida infinita o a muestreo con reposición.
Consideremos todas las posibles muestras de tamaño n en una población. Para cada
muestra podemos calcular un estadístico (media, desviación típica, proporción) que
variará de una a otra. Así obtenemos una distribución del estadístico que se llama
distribución muestral.
Las dos medidas fundamentales de esta distribución son la media y la desviación típica,
también denominada error típico.
Hay que hacer notar que si el tamaño de la muestra es lo suficientemente grande las
distribuciones muestrales son normales y en esto se basarán todos los resultados que
alcancemos.
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
Variables de decisión:
Son las variables que están bajo el control de la persona que toma las
decisiones. Sus valores óptimos se determinarán al resolver el problema.
Por ejemplo:
Función objetivo:
Donde:
Restricciones:
Son las limitaciones que restringen las opciones permisibles para las variables
de decisión.
- Menor que o igual a (≤). Cuando existe un límite superior, por ejemplo: las
horas extras de trabajo no pueden ser mayor a 2 horas diarias
- Igual a (=). Indica una relación obligatoria, por ejemplo: el inventario final es
igual al inventario inicial más la producción menos las ventas.
- Mayor que o igual a (≥). Cuando existe un límite inferior, por ejemplo: la
producción de cierto producto debe ser superior a la demanda pronosticada.
Cualquier problema de programación lineal debe presentar una o varias
restricciones. Se debe considerar dentro de las restricciones la no negatividad
de las variables de decisión.
.
.
.
𝐴𝑚1𝑋1 + 𝐴𝑚2𝑋2 + 𝐴𝑚3𝑋3 + ⋯ + 𝐴𝑚𝑛𝑋𝑛 ≥ 0 = 0 ≤ 𝐵𝑚
𝑋1, 𝑋2, 𝑋3, … , 𝑋𝑛 ≥ 0(𝑅𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑)
Donde:
𝐴𝑚𝑛 𝑦 𝐵𝑚 = 𝐶𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒𝑠
EL PROBLEMA
Método Simplex
Problema planteado por Edwin Bastidas - Ingeniero Industrial
Las variables:
𝑋1 = 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑚𝑒𝑠𝑎𝑠 𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑟 (𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠)
Las restricciones:
4𝑋4 <= 16
La función Objetivo:
𝑍𝑀𝐴𝑋 = 20000𝑋1 + 20000𝑋2 + 20000𝑋3 + 20000𝑋4
PASO 2: CONVERTIR LAS INECUACIONES EN ECUACIONES
En este paso el objetivo es asignar a cada recurso una variable de Holgura, dado
que todas las restricciones son " <= ".
El Método Simplex parte de una solución básica inicial para realizar todas sus
iteraciones, esta solución básica inicial se forma con las variables de coeficiente
diferente de cero (0) en la matriz identidad.
1𝑆1 = 24
1𝑆2 = 20
1𝑆3 = 20
1𝑆4 = 16
PASO 4: DEFINIR LA TABLA SIMPLEX INICIAL
Cj = La fila "Cj" hace referencia al coeficiente que tiene cada una de las variables
de la fila "solución" en la función objetivo.
Este es el paso definitivo en la resolución por medio del Método Simplex, consiste
en realizar intentos mientras el modelo va de un vértice del poliedro objetivo a
otro.
El procedimiento a seguir es el siguiente:
1. Evaluar que variable entrará y cual saldrá de la solución óptima:
Maximizar Minimizar
Variable
La más positiva La más negativa de los Cj - Zj
que
de los Cj - Zj
entra
Siendo b los
valores bajo la
celda solución
Variable y a el Siendo b los valores bajo la celda solución y a el
valor
que correspondiente valor correspondiente a la intersección entre b y la
sale a la intersección variable que entra. La más positiva de los b/a.
entre b y la
variable que
entra. La menos
positiva de
los b/a.
2. El hecho de que una variable distinta forme parte de las variables solución
implica una serie de cambios en el tabulado Simplex, cambios que se explicarán
a continuación.
Maximizar Minimizar
Solución Cuando todos los Cj - Zj sean <= Cuando todos los Cj - Zj sean >=
Óptima 0 0
- Continuamos con las iteraciones para lo cual tenemos que repetir los pasos
anteriores.
En esta última iteración podemos observar que se cumple con la consigna Cj - Zj
<= 0, para ejercicios cuya función objetivo sea "Maximizar", por ende, hemos
llegado a la respuesta óptima.
𝑋1 = 3
𝑋2 = 4
𝑋3 = 6
𝑋4 = 4
La primera actividad que se debe realizar es el estudio del sistema relevante, esto incluye
determinar los objetivos, las restricciones sobre lo que se puede hacer, los diferentes
cursos de acción posibles las interrelaciones del área bajo estudio con otras áreas de la
organización, los límites de tiempo para tomar una decisión. Este proceso de definir el
problema es muy importante ya que afectará en forma significativa las conclusiones en
estudio, lo cual hace imposible extraer una respuesta correcta de un problema
equivocado. Lo primero que hay que reconocer es que un equipo de IO, por lo general
trabaja en un nivel de asesoría. A los miembros del equipo no se les presentan un
problema y se les dice que lo resuelvan como puedan, sino que asesoran a la gerencia
(casi siempre un tomador de decisiones). El equipo realiza un análisis técnico y después
presentan un informe a los administradores. Con frecuencia, el informe a la gerencia
identifica cierto número de opciones atractivas, en particular bajo diferentes
suposiciones. El gerente evalúa el estudio y sus recomendaciones. Y toma una decisión
final basándose en su mejor juicio. Entonces, es vital que el equipo de IO pueda observar
desde el mismo nivel que la gerencia.
Es común que el equipo de IO pase mucho tiempo recolectando los datos relevantes
sobre el problema.
Una vez definido el problema la siguiente etapa consiste en reformularlo para su análisis,
mediante la construcción de un modelo que represente la esencia del problema. Los
modelos son representaciones idealizadas de la realidad. Los modelos tienen muchas
ventajas sobre una descripción verbal del problema, una ventaja obvia es que el modelo
describe un problema en forma mucho más concisa. Al desarrollar el modelo, se
recomienda empezar con una versión muy sencilla y moverse, en forma evolutiva, hacia
modelos más elaborados que reflejen mejor la complejidad del problema real. Los
modelos siempre deben ser menos complejos que el sistema real, de otra manera, no
tiene sentido trabajar con modelos si se puede trabajar con el sistema real en sí.
Una vez formulado el modelo para el problema bajo estudio, la siguiente etapa de un
estudio consiste en desarrollar un procedimiento para derivar en una solución al
problema a partir de este modelo, según el tipo de modelo este puede hacerse en
computadora. Puede pensarse que esta debe ser la parte principal de estudio, pero por
lo general no lo es, encontrar la solución es la parte divertida del estudio, mientras que
el verdadero trabajo se encuentra en las etapas anteriores y posteriores del estudio. Un
tema común es la búsqueda de una solución óptima, es decir, la mejor, es necesario
reconocer que estas soluciones son óptimas sólo respecto al modelo que se está
utilizando. Como el modelo necesariamente es una idealización y no una representación
del problema real, no puede existir una garantía de que la solución óptima del modelo
resulte ser la mejor solución posible que pueda llevarse a la práctica para el problema
real. Esto, por supuesto, es de esperarse si se toma en cuenta los muchos
imponderables e incertidumbre asociados a casi todos los problemas reales, pero si el
modelo está bien formulado la solución debe tener una buena aproximación de curso de
acción ideal para el problema real.
Sin duda que la primera versión de un modelo grande tenga muchas fallas, por lo tanto,
antes de usar el modelo debe probarse para identificar y corregir todas las fallas que se
pueda, este proceso de prueba y mejoramiento se conoce como validación del
modelo. Un modelo es válido si, independientemente de sus inexactitudes, puede dar
una predicción confiable del funcionamiento del sistema. Un método común para probar
la validez de un modelo es comparar su funcionamiento con algunos datos pasados
disponibles del sistema actual (se le llama también prueba retrospectiva). Debe notarse
que tal método de validación no es apropiado para sistemas que no existen, ya que no
habrá datos disponibles para poder comparar. Otro método podría ser incluir a una
persona que no haya participado en la formulación del modelo, para poder encontrar
errores que el equipo de IO no encontró.
Una vez desarrollado el sistema para aplicar el modelo, la última etapa consiste
en la implantación de los resultados probados del modelo. Esto básicamente implicaría
la traducción de estos resultados en instrucciones de operación detallada, emitidas en
una forma comprensible a los individuos que administrará y operarán al sistema. A la
culminación del estudio, es apropiado que el equipo de IO documente su metodología
utilizada con suficiente claridad para que el trabajo sea reproducible.
Ejemplo: Volviendo al caso de la política nacional de administración del agua del
Rijkswaterstatt en Holanda. La administración deseaba documentación más extensa
que lo normal, tanto para apoyar la nueva política como para utilizarla en la capacitación
de nuevos analistas o al realizar nuevos estudios.
Variable:
Cualitativa (o categórica): son las variables que pueden tomar como valores cualidades
o categorías.
Ejemplos:
La 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. Así por
ejemplo, si en una situación se desean minimizar los costos, es muy probable que la
pregunta de mayor nivel sea la que se relacione con aumentar la utilidad en lugar de un
interrogante que busque hallar la manera de disminuir los costos.
Las Restricciones:
d La modelación matemática
Un modelo es producto de una abstracción de un sistema real: eliminando las
complejidades y haciendo suposiciones pertinentes, se aplica una técnica matemática y
se obtiene una representación simbólica del mismo. Un modelo matemático consta al
menos de tres conjuntos básicos de elementos:
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 conocidas del sistema o bien que se pueden controlar.
2. Restricciones: Las restricciones son relaciones entre las variables de decisión y
magnitudes que dan sentido a la solución del problema y las acotan a valores factibles.
Por ejemplo, si una de las variables de decisión representa el número de empleados de
un taller, es evidente que el valor de esa variable no puede ser negativa.
3. 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. Por ejemplo, si el objetivo del sistema es minimizar los costos de operación, la
función objetivo debe expresar la relación entre el costo y las variables de decisión. La
solución OPTIMA se obtiene cuando el valor del costo sea mínimo para un conjunto de
valores factibles de las variables.
Es decir hay que determinar las variables 𝑥1, 𝑥2, . . . , 𝑥𝑛 que optimicen el valor de 𝑍 =
𝑓(𝑥1, 𝑥2, . . . , 𝑥𝑛) sujeto a restricciones de la forma 𝑔(𝑥1, 𝑥2, . . . , 𝑥𝑛) b. 𝐷𝑜𝑛𝑑𝑒 𝑥1, 𝑥2, . . . , 𝑥𝑛
son las variables de decisión Z es la función objetivo, f es una función matemática.
Simulación en la ingeniería industrial
La simulación de procesos es una de las más grandes herramientas de la ingeniería
industrial, la cual se utiliza para representar un proceso mediante otro que lo hace mucho
más simple y entendible. Esta simulación es en algunos casos casi indispensable, como
nos daremos cuenta a continuación. En otros casos no lo es tanto, pero sin este
procedimiento se hace más complicado.
Las áreas de aplicación de la simulación son muy amplias, numerosas y diversas, basta
mencionar sólo algunas de ellas: Análisis del impacto ambiental causado por diversas
fuentes Análisis y diseño de sistemas de manufactura Análisis y diseño de sistemas de
comunicaciones, la simulación se utiliza en la etapa de diseño para auxiliar en el logro o
mejoramiento de un proceso o diseño o bien a un sistema ya existente para explorar
algunas modificaciones.
El análisis de sensibilidad es un estudio cuantitativo o cualitativo de las relaciones que
existen entre la información que entra y sale de un modelo, determinando los parámetros
de entrada que más influyen en la variabilidad de la salida, y que, por lo tanto, deben ser
estudiados y analizados para fortalecer el modelo bajo estudio. Este análisis es utilizado
para incrementar la confianza en el modelo y para investigar su robustez.
Los métodos para realizar un análisis de sensibilidad se agrupan principalmente en tres
clases: los métodos de selección, los métodos locales y los métodos globales. Los
métodos de selección se utilizan para identificar un conjunto de parámetros que afectan
la salida, utilizando poco esfuerzo computacional. Sin embargo, tienen como
inconveniente que proporcionan una medida cualitativa y no cuantitativa. Los métodos
locales de análisis de sensibilidad se concentran en un impacto local de los parámetros
de entrada, por lo cual todos los parámetros varían dentro de un rango de incertidumbre
muy pequeño. Este método se puede considerar como un caso particular del OAT (one
at a time), que es un procedimiento donde se varía solamente un parámetro al tiempo y
los otros se mantienen constantes. Finalmente, en el análisis de sensibilidad global,
todos los parámetros de entrada son variados al mismo tiempo, dentro de rangos de
incertidumbre diferentes, determinando de manera cuantitativa los parámetros de
entrada que más afectan el desempeño del modelo
El análisis de sensibilidad global presenta dos ventajas principalmente, la primera es
poder definir los rangos de variación de cada uno de los parámetros sin ninguna
restricción, y la otra ventaja es poder estimar la importancia de cada parámetro, variando
todos al mismo tiempo. En general, un análisis de sensibilidad tiene cinco pasos
principalmente
a) Determinar los parámetros de entrada que se van a analizar.
b) Asignar un rango de variación a cada parámetro de entrada.
c) Generar una matriz de estados operativos a través de una técnica de muestreo.
d) Evaluar la muestra en el modelo.
e) Analizar los resultados del modelo usando una técnica de sensibilidad.
El análisis de sensibilidad crea varios estados operativos variando los parámetros de
entrada y evalúa el comportamiento del modelo ante estas variaciones. Este análisis se
realiza para representar circunstancias reales como medidas erróneas, falta de
información o incertidumbre en los parámetros de entrada. El análisis de sensibilidad
determina
a) Si un modelo se asemeja al sistema o proceso bajo estudio.
b) Los parámetros de entrada que más contribuyen a la variabilidad de la salida.
c) Los parámetros de entrada que no influyen en el modelo y por lo tanto pueden ser
excluidos del análisis.
IDENTIFICACIÓN DEL GRUPO DE TRABAJO