Está en la página 1de 7

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

SIMULACIÓN

PRESENTADO A:

DIEGO EDIXON KARACHA RODRIGUEZ

PRESENTADO POR:

JOHN JAIRO ZUÑIGA CASTELLANOS

GRUPO: 212026_22

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA. UNAD


ESCUELA DE CIENCIAS BÁSICAS, TECNOLOGÍA E INGENIERÍA. ECBTI
BOGOTÁ, D.C. 14 DE MARZO
2019
ACTIVIDADES A DESARROLLAR

Participación en el foro Unidad 1- Paso 0- Reconocer los pre saberes de modelos


de simulación.

Dentro del entorno de aprendizaje colaborativo se ubica el foro: Unidad 1- Paso 0-


Reconocer los pre saberes de modelos de simulación:

1. Responder las preguntas generadoras relacionadas con la problemática


objeto de estudio.

Debatir alrededor de la problemática planteada:

Qué es la inferencia estadística:

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.

CLASES DE MUESTREO:

Muestreo aleatorio simple: Aquel en el que cada individuo de la población tiene


las mismas posibilidades de salir en la muestra.

Muestreo sistemático: En el que se elige un individuo al azar y a partir de intervalos


constantes, se eligen los demás hasta completar la muestra.

Muestreo estratificado: Se divide la población en clases o estratos y se escoge,


aleatoriamente, un número de individuos de cada estrato proporcional al número de
componentes de cada estrato.

Muestreo por conglomerados: Si no disponemos de la relación de los elementos


de la población, o de los posibles estratos, no podemos aplicar los muestreos
anteriores. Aquí entra el llamado muestreo por conglomerados, donde en lugar de
elegir individuos directamente, se eligen unidades más amplias donde se clasifican
los elementos de la población, llamados conglomerados.
Distribuciones muéstrales:

Distribución muestral de medias: Comenzamos por la situación de obtener


conclusiones sobre la media de la población a partir del estudio de medias obtenidas
de las muestras.

Distribución muestral de proporciones: Cuando en una población estudiamos cierta


característica que sólo puede tomar dos valores:

sí (éxito) o no (fracaso) nos encontramos con la distribución binomial.

¿Qué es la programación lineal?

RTA: Es el campo en las matemáticas dedicado a maximizar o minimizar una


función lineal, que se conoce como función objetivo y las variables de la función
están sujetas a restricciones que se expresa en sistema de ecuaciones o
inecuaciones también lineales.

Tipos:

En programación lineal con dos variables pueden darse varios tipos de soluciones
óptimas:

 Solución única.
 Solución múltiple (infinitas soluciones).
 Solución no acotada (ausencia de solución), cuando la función objetivo no
tiene valores extremos, pues la región factible es no acotada.
 Solución no factible, cuando no existe región factible por falta de puntos
comunes en el sistema de inecuaciones.
 Solución degenerada, si en un solo punto (que se dice degenerado) coinciden
tres o más de las rectas que limitan la región factible.

Usos y aplicaciones, según la tipología:

La programación lineal es un método eficiente para determinar una decisión óptima


entre un gran número de decisiones posibles Es impresionante el número y la
diversidad de problemas en los que se puede aplicar.

Características de los problemas de programación lineal:

 Proporcionalidad: las variables y la función objetivo deben ser lineales.


 Aditividad: Es necesario que cada variable sea aditiva respecto a la variable
objetivo.
 Divisibilidad: las soluciones no deben ser necesariamente números enteros
 Optimalidad: La solución óptima (máximo o mínimo) debe ocurrir en uno de
los vértices del conjunto de soluciones factibles.

¿Qué son los métodos determinísticos?

RTA: Es una herramienta fundamental para la toma de decisiones, que optimiza los
resultados logísticos, administrativos y financieros de una organización con el fin de
mejorar procesos, reducir costos y mejorar sus recursos técnicos.

Tipos:

 Modelos de asignación: Modelo Húngaro.


 Redes PERT/CPM: Teoría de redes, Algoritmo del árbol.
 Programación dinámica.

Usos y aplicaciones, según la tipología:

El objetivo del modelo es determinar la asignación óptima (de costo mínimo) de


trabajadores a puestos.

El modelo general de asignación con n trabajadores y n puestos se representa en


la tabla siguiente:

Para que se ajuste a la definición de un problema de asignación, es necesario que


este tipo de aplicaciones se formule de manera tal que se cumplan los siguientes
supuestos:

El número de asignados es igual al número de tareas. (Este número se denota por


n.)

A cada asignado se le asigna sólo una tarea.


Cada tarea debe realizarla sólo un asignado.
Existe un costo cij asociado con el asignado i (i 5 1, 2, . . . , n) que realiza la tarea j
( j 1, 2, . . . , n).

El objetivo es determinar cómo deben hacerse las n asignaciones para minimizar


los costos totales.
Se puede resolver el modelo de asignación en forma directa como modelo normal
de transporte. Sin embargo, el hecho de que todas las ofertas y las demandas son
iguales a 1, condujo al desarrollo de un algoritmo sencillo de solución
llamado método húngaro.

¿Qué son los métodos probabilísticos?

Los métodos probabilísticos usan la probabilidad, e incluye un conjunto de


asunciones sobre la generación de algunos datos muéstrales, de tal manera que
asemejen a los datos de una población mayor.

Tipos:

 Modelos basados en distribuciones


 Pueden ser modelos probabilísticos discretos o continuos. Los primeros, en
su mayoría se basan en repeticiones de pruebas de Bernoulli. Los más
utilizados son:
 Modelo de Bernoulli
 Modelo Binomial.
 Modelo Geométrico.
 Modelo Binomial negativo.
 Modelo Hipergeométrico.
 Modelo de Poisson.

Por otro lado, tal como se ha mencionado antes, existen modelos probabilísticos
continuos, entre ellos destacamos:

 Distribución Normal: usada ampliamente en muestras mayores a 30 datos.


 Distribución Chi Cuadrado: usada en muestras pequeñas.
 Distribución Exponencial: usada en duración o donde interviene el paso del
tiempo.
 Distribución F o distribución F de Snedecor: usada para controlar la varianza
de 2 distribuciones.
 Modelo de recuperación de independencia binaria
 Modelos de regresión

Usos y aplicaciones, según la tipología:

Un modelo estadístico de regresión es una expresión simbólica en forma de


igualdad o ecuación que se emplea en todos los diseños experimentales y en la
regresión para indicar los diferentes factores que modifican la variable de respuesta.
El modelo estadístico más simple es el usado en los diseños
completos aleatorizados (DCA). Su modelo es:
Donde

Y = es la variable de respuesta de interés.


μ = promedio general de la población sobre la cual se está trabajando
t = es la variación que se atribuye a los niveles del factor que se está evaluando
(efecto de los tratamientos).
ξ = es la variación de los factores no controlados ( el error experimental)
i = i -ésimo tratamiento
j = j -ésima repetición de cada tratamientos
j(i) = es la variación de las unidades experimentales anidado en los tratamientos.
Los modelos estadísticos pueden ser lineales o no lineales.

a. La modelación matemática y las herramientas de software:

La modelación de matemática 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 esta en las universidades requiere
que los estudiantes ya cuenten con algunos conceptos previos.

ETAPAS DE LA MODELACIÓN MATEMÁTICA EN INGENIERÍA

 Se lleva a cabo cumpliendo los siguientes pasos:

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

 Conocimiento de los aspectos cognitivos que rigen el problema, por medio


de leyes, teorías y conceptos inmersos en la situación objeto de trabajo.

 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.

 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.

 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.
 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.

 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.