ACTIVIDAD INICIAL

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

SIMULACIÓN

PRESENTADO POR

DANIEL PEÑA BARRIENTOS

CÓDIGO: 1040322930

PRESENTADO A

DIEGO EDIXON KARACHA RODRIGUEZ (DIRECTOR)

GRUPO

212026_61

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

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.

La estadística inferencial emplea usualmente mecanismos que le permiten llevar a cabo

dichas deducciones, tales como pruebas de estimación puntual (o de intervalos de
confianza), pruebas de hipótesis, pruebas paramétricas (como de media, de diferencia
de medias, proporciones, etc.) y no paramétricas (como la prueba del chi-cuadrado, etc.).
También le son útiles los análisis de correlación y de regresión, las series cronológicas,
el análisis de varianza, entre otros.

Por ende, la estadística inferencial es sumamente útil en el análisis de poblaciones y

tendencias, para hacerse una idea posible de las acciones y reacciones de la misma de
cara a condiciones específicas. Esto no significa que se las pueda predecir fielmente, ni
que estemos en presencia de una ciencia exacta, pero sí de una aproximación posible al
resultado final.
Tipos de Muestreo
MUESTREO POR CONGLOMERADOS
Se divide la población en grupos de acuerdo con su proximidad geográfica o de otro tipo.
(conglomerados). Cada grupo ha de ser heterogéneo y tener representados todas las
características de la población.

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.

- Se selecciona una muestra de conglomerados al azar y se toma el conglomerado

completo o una muestra del mismo.

- Necesitan menos información previa sobre los individuos particulares.

- Soluciona el problema de los patrones en los datos.

- Si el número de bloques no es muy grande se puede incurrir en errores de estimación

si se han incluido conglomerados atípicos.
- Los conglomerados que se realizan teniendo en cuenta proximidad geográfica pueden
no tener un significado importante en la población (no responden a una característica
real).

- 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

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?

La Programación Lineal es un procedimiento o algoritmo matemático mediante el

cual se resuelve un problema indeterminado, formulado a través de ecuaciones
lineales, optimizando la función objetivo, también lineal.

Consiste en optimizar (minimizar o maximizar) una función lineal, denominada

función objetivo, de tal forma que las variables de dicha función estén sujetas a
una serie de restricciones que expresamos mediante un sistema de inecuaciones
lineales.

A la hora de resolver un problema de Programación Lineal, nos podemos

encontrar con cualquiera de las siguientes situaciones:

- Solución única: En este caso, la solución óptima es un punto extremo de la

región factible.

- Soluciones Múltiples: Un problema de Programación Lineal puede tener más

de una solución óptima (infinitas). En el caso de dos variables, las soluciones
óptimas se corresponden con el segmento que une dos puntos extremos
(solución de arista) o bien la semirrecta que parte de un punto extremo
(solución de arista infinita).

- Solución no acotada: En ocasiones, podemos encontrarnos con problemas

que no tienen solución finita. Esta situación sólo se puede dar en el caso de
que la región factible no esté acotada.

- No Factibilidad: Esta situación se da cuando ningún punto del plano (o,

en general, del espacio real n-dimensional) cumple simultáneamente
todas las restricciones del problema, es decir, la región factible es un
conjunto vacío.

Cómo plantear un problema de programación lineal:

Un problema de programación lineal representa un proceso de optimización

en el cuál encontraremos lo siguiente:

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:

𝑥1 = 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 𝑎 𝑓𝑎𝑏𝑟𝑖𝑐𝑎𝑟 𝑒𝑛 𝑢𝑛 𝑚𝑒𝑠

Función objetivo:

Expresa matemáticamente el objetivo que se pretende alcanzar en la solución

del problema; ya sea minimizar o maximizar. Por ejemplo: maximizar las
utilidades de la empresa o minimizar los costos de producción.

Se representa de la siguiente forma:

𝑀𝑎𝑥 𝑜 𝑀𝑖𝑛(𝑍) = 𝐶1𝑋1 + 𝐶2𝑋2 + 𝐶3𝑋3 + ⋯ 𝐶𝑛𝑋𝑛

Donde:

𝑋1, 𝑋2, 𝑋3, … , 𝑋𝑛 = 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑑𝑒 𝑑𝑒𝑐𝑖𝑠𝑖ó𝑛

𝐶1, 𝐶2, 𝐶3, … , 𝐶𝑛 = 𝐶𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒𝑠

Restricciones:
Son las limitaciones que restringen las opciones permisibles para las variables
de decisión.

Cada restricción se expresa matemáticamente con cualquiera de estos signos:

- 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.

Se representan de la siguiente forma:

𝐴11𝑋1 + 𝐴12𝑋2 + 𝐴13𝑋3 + ⋯ + 𝐴1𝑛𝑋𝑛 ≥ 0 = 0 ≤ 𝐵1

𝐴21𝑋1 + 𝐴22𝑋2 + 𝐴23𝑋3 + ⋯ + 𝐴2𝑛𝑋𝑛 ≥ 0 = 0 ≤ 𝐵2

.
.
.
𝐴𝑚1𝑋1 + 𝐴𝑚2𝑋2 + 𝐴𝑚3𝑋3 + ⋯ + 𝐴𝑚𝑛𝑋𝑛 ≥ 0 = 0 ≤ 𝐵𝑚
𝑋1, 𝑋2, 𝑋3, … , 𝑋𝑛 ≥ 0(𝑅𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑛𝑜 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑)

Donde:

𝑋1, 𝑋2, 𝑋3, … , 𝑋𝑛 = 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑑𝑒 𝑑𝑒𝑐𝑖𝑠𝑖ó𝑛

𝐴𝑚𝑛 𝑦 𝐵𝑚 = 𝐶𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒𝑠

MÉTODO SIMPLEX PASO A PASO

A continuación, se encuentra un problema para solucionar paso a paso con el

método simplex como ejemplo.

EL PROBLEMA

La empresa el SAMÁN Ltda. Dedicada a la fabricación de muebles, ha ampliado

su producción en dos líneas más. Por lo tanto, actualmente fabrica mesas, sillas,
camas y bibliotecas. Cada mesa requiere de 2 piezas rectangulares de 8 pines, y
2 piezas cuadradas de 4 pines. Cada silla requiere de 1 pieza rectangular de 8
pines y 2 piezas cuadradas de 4 pines, cada cama requiere de 1 pieza rectangular
de 8 pines, 1 cuadrada de 4 pines y 2 bases trapezoidales de 2 pines y finalmente
cada biblioteca requiere de 2 piezas rectangulares de 8 pines, 2 bases
trapezoidales de 2 pines y 4 piezas rectangulares de 2 pines. Cada mesa cuesta
producirla $10000 y se vende en $ 30000, cada silla cuesta producirla $ 8000 y
se vende en $ 28000, cada cama cuesta producirla $ 20000 y se vende en $
 40000, cada biblioteca cuesta producirla $ 40000 y se vende en $ 60000. El
objetivo de la fábrica es maximizar las utilidades.

Método Simplex
Problema planteado por Edwin Bastidas - Ingeniero Industrial

PASO 1: MODELACIÓN MEDIANTE PROGRAMACIÓN LINEAL

Las variables:
𝑋1 = 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑚𝑒𝑠𝑎𝑠 𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑟 (𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠)

𝑋2 = 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑠𝑖𝑙𝑙𝑎𝑠 𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑟 (𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠)

𝑋3 = 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑚𝑎𝑠 𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑟 (𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠)

𝑋4 = 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑏𝑖𝑏𝑙𝑖𝑜𝑡𝑒𝑐𝑎𝑠 𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑟 (𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠)

Las restricciones:

2𝑋1 + 1𝑋2 + 1𝑋3 + 2𝑋4 <= 24

2𝑋1 + 2𝑋2 + 1𝑋3 <= 20

2𝑋3 + 2𝑋4 <= 20

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 " <= ".

2𝑋1 + 1𝑋2 + 1𝑋3 + 2𝑋4 + 1𝑆1 + 0𝑆2 + 0𝑆3 + 0𝑆4 = 24

2𝑋1 + 2𝑋2 + 1𝑋3 + 0𝑋4 + 0𝑆1 + 1𝑆2 + 0𝑆3 + 0𝑆4 = 20

0𝑋1 + 0𝑋2 + 2𝑋3 + 2𝑋4 + 0𝑆1 + 0𝑆2 + 1𝑆3 + 0𝑆4 = 20

0𝑋1 + 0𝑋2 + 0𝑋3 + 4𝑋4 + 0𝑆1 + 0𝑆2 + 0𝑆3 + 1𝑆4 = 16

De esta manera podemos apreciar una matriz identidad (n = 4), formado por las
variables de holgura las cuales solo tienen coeficiente 1 en su respectivo recurso,
por el ejemplo la variable de holgura "S1" solo tiene coeficiente 1 en la restricción
correspondiente a el recurso 1.

La función objetivo no sufre variaciones

𝑍𝑀𝐴𝑋 = 20000𝑋1 + 20000𝑋2 + 20000𝑋3 + 20000𝑋4

PASO 3: DEFINIR LA SOLUCIÓN BÁSICA INICIAL

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

Solución: (segundo término) = En esta fila se consigna el segundo término de la

solución, es decir las variables, lo más adecuado es que estas se consignen de
manera ordenada, tal cual como se escribieron en la definición de restricciones.

Cj = La fila "Cj" hace referencia al coeficiente que tiene cada una de las variables
de la fila "solución" en la función objetivo.

Variable Solución = En esta columna se consigna la solución básica inicial, y a

partir de esta en cada iteración se van incluyendo las variables que formarán parte
de la solución final.

Cb = En esta fila se consigna el valor que tiene la variable que se encuentra a su

derecha "Variable solución" en la función objetivo.

Zj = En esta fila se consigna la contribución total, es decir la suma de los productos

entre término y Cb.

Cj - Zj = En esta fila se realiza la diferencia entre la fila Cj y la fila Zj, su significado

es un "Shadow Price", es decir, la utilidad que se deja de recibir por cada unidad
de la variable correspondiente que no forme parte de la solución.
 Solución inicial:

PASO 5: REALIZAR LAS ITERACIONES NECESARIAS

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.

- Lo primero es no olvidar el valor del "a" correspondiente a la variable a entrar,

en este caso el "a = 4".

- Lo siguiente es comenzar a rellenar el resto de la tabla, fila x fila.

- Se repite este procedimiento con las dos filas restantes, ahora se harán los
cálculos correspondientes en el resto de las celdas.
 De esta manera se culmina la primera iteración, este paso se repetirá cuantas
veces sea necesario y solo se dará por terminado el método según los siguientes
criterios.

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

Con una utilidad de: $ 340000

Sin embargo, una vez finalizado el Método Simplex se debe observar una matriz
identidad en el rectángulo determinado por las variables de decisión, el hecho de
que en este caso no se muestre la matriz identidad significa que existe una
solución óptima alterna.

La manera de llegar a la otra solución consiste en alterar el orden en que cada

una de las variables entro a la solución básica, recordemos que el proceso fue
decidido al azar debido a la igualdad en el Cj - Zj del tabulado inicial. Aquí les
presentamos una de las maneras de llegar a la otra solución.
Podemos observar cómo existe una solución óptima alternativa en la cual la
combinación de variables es distinta y existe un menor consumo de recursos,
dado que el hecho de que se encuentre la variable "S1" en la solución óptima con
 un coeficiente de "3" significa que se presenta una holgura de 3 unidades del
recurso (pieza rectangular de 8 pines).

𝑋1 = 0 (𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑚𝑒𝑠𝑎𝑠 𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑟 = 0)

𝑋2 = 7 (𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑠𝑖𝑙𝑙𝑎𝑠 𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑟 = 7)

𝑋3 = 6 (𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑚𝑎𝑠 𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑟 = 6)

𝑋4 = 4 (𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑏𝑖𝑏𝑙𝑖𝑜𝑡𝑒𝑐𝑎𝑠 𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑟 = 4)

𝑆1 = 3 (𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑖𝑒𝑧𝑎𝑠 𝑟𝑒𝑐𝑡𝑎𝑛𝑔𝑢𝑙𝑎𝑟𝑒𝑠 𝑑𝑒 8 𝑝𝑖𝑛𝑒𝑠 𝑠𝑖𝑛 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑟 = 3)

Con una utilidad de: $ 340000

c ¿Qué son los métodos determinísticos?

Un modelo determinista es un modelo matemático donde las mismas entradas o

condiciones iniciales producirán invariablemente las mismas salidas o resultados,
no contemplándose la existencia de azar, o incertidumbre en el proceso modelada
mediante dicho modelo.

Está estrechamente relacionado con la creación de entornos simulados a través

de simuladores para el estudio de situaciones hipotéticas, o para crear sistemas
de gestión que permitan disminuir la propagación de errores. Los modelos
deterministas sólo pueden ser adecuados para sistemas deterministas no
caóticos, para sistemas azarosos (no-determinista) y caóticos (determinista
impredecible a largo plazo) los modelos deterministas no pueden predecir
adecuadamente la mayor parte de sus características.

La inclusión de mayor complejidad en las relaciones con una cantidad mayor de

variables y elementos ajenos al modelo determinista hará posible que éste se
aproxime a un modelo probabilístico o de enfoque estocástico.

Por ejemplo, la planificación de una línea de producción, en cualquier proceso

industrial, es posible realizarla con la implementación de un sistema de gestión de
procesos que incluya un modelo determinista en el cual estén cuantificadas las
materias primas, la mano de obra, los tiempos de producción y los productos
finales asociados a cada proceso.
 Un conjunto de ecuaciones diferenciales de un sistema físico macroscópico
constituye un modelo determinista que puede predecir la evolución determinista
en el tiempo de un buen número de magnitudes características del sistema.
Tipos.

Pasos para la construcción de modelo

Definición del problema y recolección de datos

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.

Formulación del modelo

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.

Obtención de una solución a parir del modelo

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.

Prueba del modelo

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.

Preparación para la aplicación del modelo

El siguiente paso es instalar un sistema bien documentado para aplicar el

modelo. Este sistema incluirá el modelo y el procedimiento de solución (además del
análisis postóptimo) y los procedimientos operativos para su implantación (este sistema
casi siempre está diseñado para computadora).
Parte de este esfuerzo incluye el desarrollo de un proceso de mantenimiento
durante su uso futuro, por lo tanto, si las condiciones cambian con el tiempo, este proceso
debe modificar al sistema como al modelo.

Implantación del modelo

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:

Es el conjunto de valores que puede tomar cierta característica de la población sobre la

que se realiza el estudio estadístico y sobre la que es posible su medición. Estas
variables pueden ser: la edad, el peso, las notas de un examen, los ingresos mensuales,
las horas de sueño de un paciente en una semana, el precio medio del alquiler en las
viviendas de un barrio de una ciudad, etc.

Las variables estadísticas se pueden clasificar por diferentes criterios. Según su

medición existen dos tipos de variables:

Cualitativa (o categórica): son las variables que pueden tomar como valores cualidades
o categorías.
Ejemplos:

Sexo (hombre, mujer)

Salud (buena, regular, mala)

Cuantitativas (o numérica): variables que toman valores numéricos.

Ejemplos:

Número de casas (1, 2…). Discreta.

Edad (12,5; 24,3; 35…). Continua.

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:

Cuando hablamos de 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.
La mejor manera de hallarlas consiste en pensar en un caso hipotético en el que
decidiéramos darles un valor infinito a nuestras variables de decisión, por ejemplo, ¿qué
pasaría si en un problema que precisa maximizar sus utilidades en un sistema de
producción de calzado decidiéramos producir una cantidad infinita de zapatos?
Seguramente ahora nos surgirían múltiples interrogantes, como, por ejemplo:

¿Con cuánta materia prima cuento para producirlos?

¿Con cuánta mano de obra cuento para fabricarlos?
¿Pueden las instalaciones de mi empresa albergar tal cantidad de producto?
¿Podría mi fuerza de mercadeo vender todos los zapatos?
¿Puedo financiar tal empresa?

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

Nombre Estudiante Ciudad Contacto

Gustavo Andrés Medellín No lo Compartio.
Araque (Tutor)
Paula Andrea Suarez Aguadas 3128823301
Christian Camilo Medellín 3114309493
Baena
Robinson Stiven Medellín 3124583782
Varelas
Isneydi Yecenia Medellín 3006081421
Gómez
 CONCLUSIONES
- 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.

- Simulación de sistemas es una herramienta muy importante ya que te ayuda

a predecir o a nos da un resultado aproximado de lo que es la realidad,
teniendo en cuenta de que sistemas es el conjunto de herramientas, elementos
que se relacionan unos con otros para lograr un fin específico, que tienen una
entrada un proceso y una salida, y así la simulación de sistemas destaca un
papel muy importante en la sociedad, y en la tecnología ya que puede prevenir
desastres.

- La programación lineal es una técnica poderosa para tratar problemas de

asignación de recursos escasos entre actividades que compiten, al igual que
otros problemas cuya formulación matemática es parecida. Se ha convertido
en una herramienta estándar de gran importancia para muchas organizaciones
industriales y de negocios.

- Se debe profundizar cada día mas en todos los conceptos relacionados a la

simulación, ya que esta es fundamental para lograr una automatización y
correcto funcionamiento de los procesos industriales.
 REFERENCIAS BIBLIOGRÁFICAS

(Tomado de concepto de estadística inferencial 2019/09/04)

https://concepto.de/estadistica-inferencial/#ixzz5yaLkd9z1

(Tomado de biplot 2019/09/04) http://biplot.usal.es/problemas/confianza/estimacion.htm

(Tomado de proyecto descartes 2019/09/04)

https://proyectodescartes.org/uudd/materiales_didacticos/inferencia_estadistica_JS/distrib_muestrales
.htm

(Tomado de plan de mejora 2019/09/04) https://www.plandemejora.com/como-plantear-un-

problema-de-programacion-lineal/

(Tomado de ingeniería industrial online 2019/09/04)

https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-
industrial/investigaci%C3%B3n-de-operaciones/m%C3%A9todo-simplex/

(Tomado de site 2019/09/04)

https://sites.google.com/site/investigaciondeoperacionescun/programacion-lineal/pasos-generales