PASO 0- RECONOCER LOS PRESABERES DE MODELOS DE SIMULACIÓN

DEIDY SHIRLEY CASTRILLO ZAMBRANO

1.093.753.747

TUTOR
DIEGO EDIXON CARACHA RODRIGUEZ
GRUPO_

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

ESCUELA DE CIENCIAS BASICAS, TECNOLOGIA E INGENIERIA
PROGRAMA DE INGENIERIA INDUSTRIAL
CURSO DE MODELOS Y SIMULACIÓN
SEPTIEMBRE 9 DEL 2019
 INTRODUCCIÓN

En el transcurso de esta actividad se realiza un reconocimiento por los diferentes

entornos del curso, logrando hacer un recordéis de temas vistos con anterioridad

para fortalecer las bases de inicio que requiere este curso.

Se definirán conceptos relacionados con la programacion líneal, métodos

determinísticos y probabilísticos, conceptos sobre simulación y modelos de

simulación.
 OBJETIVOS

• Reconocer los modelos de simulación como medio de mejoramiento de procesos y

sistemas

• Usar nuevas aplicaciones tecnológicas para este propósito.

• Adquirir bases previas para iniciar el curso

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.

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 estimación de parámetros consiste en asignar un valor concreto al

parámetro o parámetros que caracterizan la distribución de probabilidad de la

población. Cuando se estima un parámetro poblacional, aunque el estimador que

se utiliza posea todas las propiedades deseables, se comete un error de

estimación que es la diferencia entre la estimación y el verdadero valor del

parámetro.
 Los métodos de contraste de hipótesis tienen como objetivo comprobar si

determinado supuesto referido a un parámetro poblacional, o a parámetros

análogos de dos o más poblaciones, es compatible con la evidencia empírica

contenida en la muestra. Los supuestos que se establecen respecto a los

parámetros se llaman hipótesis paramétricas.

Métodos de la inferencia estadística

Los métodos y técnicas de la inferencia estadística se pueden dividir en dos:

métodos de estimación de parámetros y métodos de contraste de hipótesis.

Métodos de estimación de parámetros: Se encarga de asignar un valor al

parámetro o al conjunto de parámetros que caracterizan el campo sujeto a estudio.

Claro que al ser una estimación existe cierto error. Para obtener estimaciones

adaptadas a esa realidad, se crean intervalos de confianza.

Métodos de contraste de hipótesis: su objetivo es comprobar si una estimación

corresponde con los valores poblacionales. En todo contraste de hipótesis existen

dos supuestos. La hipótesis nula (H0) que recoge la idea de que un valor tiene un

valor predeterminado. Si se rechaza la hipótesis nula (H0), entonces se acepta la

hipótesis alternativa (H1).

EL MUESTREO EN LA ESTADÍSTICA INFERENCIAL

En estadística, el concepto “muestra” se utiliza para denominar a cualquier

subconjunto posible de una población determinada. Así, cuando se habla de una

muestra se está haciendo referencia a un conjunto determinado de sujetos que

parten de un grupo más grande (la población).

La estadística inferencial es la rama de esta disciplina que se ocupa de estudiar

muestras para llevar a cabo inferencias en relación a las poblaciones de las que

estas parten. Se opone a la estadística descriptiva, cuya tarea consiste, como su

nombre indica, en describir de forma detallada las características de la muestra, y

por tanto idealmente de la población.

TIPOS DE MUESTREO ALEATORIO O PROBABILÍSTICO

Hablamos de muestreo aleatorio en los casos en que todos los sujetos que

forman parte de una población tienen la misma probabilidad de ser escogidos

como parte de la muestra. Los muestreos de esta clase son más populares y útiles

que los no aleatorios, principalmente porque tienen una elevada representatividad

y permiten calcular el error de la muestra.

1. Muestreo aleatorio simple

En este tipo de muestreo las variables relevantes de la muestra tienen la misma

función de probabilidad y son independientes entre ellas. La población tiene que

ser infinita o bien finita con reposición de elementos. El muestreo aleatorio simple

es el que más se utiliza en la estadística inferencial, pero es menos eficaz en

muestras muy grandes.

2. Estratificado

El muestreo aleatorio estratificado consiste en dividir la población en estratos; un

ejemplo de esto sería estudiar la relación entre el grado de satisfacción vital y el

nivel socioeconómico. A continuación, se extrae un número determinado de

sujetos de cada uno de los estratos por tal de mantener la proporción de la

población de referencia.

3. De conglomerados

En estadística inferencial los conglomerados son conjuntos de elementos

poblacionales, como pueden ser las escuelas o los centros hospitalarios públicos

de un municipio. Al llevar a cabo este tipo de muestreo se divide la población (en

los ejemplos, una localidad concreta) en varios conglomerados y se elige de forma

aleatoria algunos de ellos para estudiarlos.

4. Sistemático

En este caso se empieza dividiendo el número total de sujetos u observaciones

que conforman la población entre el que se quiere utilizar para la muestra.

Posteriormente se escoge un número al azar de entre los primeros y se va

sumando de forma constante este mismo valor; los elementos seleccionados

pasarán a formar parte de la muestra.

Muestreos no aleatorios o no probabilísticos

Los muestreos no probabilísticos utilizan criterios con un bajo nivel de

sistematización que procuran asegurar que la muestra tenga un cierto grado de

representatividad. Este tipo de muestreos se emplean principalmente cuando no

es posible llevar a cabo otros de tipo aleatorio, lo cual es muy habitual a causa del

elevado coste de los procedimientos de control.

1. Intencional, opinático o de conveniencia

En el muestreo intencional el investigador escoge de forma voluntaria los

elementos que conformarán la muestra, dando por supuesto que esta será
representativa de la población de referencia. Un ejemplo que resultará familiar a

los estudiantes de psicología es la utilización de alumnos como muestra opinática

por parte de profesores universitarios.

2. Muestreo de bola de nieve o en cadena

En este tipo de muestreo los investigadores establecen contacto con sujetos

determinados; a continuación, estos consiguen a nuevos participantes para la

muestra hasta completarla. El muestreo de bola de nieve se usa generalmente

cuando se trabaja con poblaciones de difícil acceso, como en el caso de adictos a

sustancias o de miembros de culturas minoritarias.

3. Muestreo por cuotas o accidental

Hablamos de muestreo por cuotas cuando los investigadores escogen un

número concreto de sujetos que cumplan unas características determinadas (p. e.

mujeres españolas de más de 65 años con deterioro cognitivo severo) a partir de

su conocimiento sobre los estratos de la población. El muestreo accidental se usa

con frecuencia en las encuestas.

 La programación lineal es un conjunto de técnicas racionales de análisis y de

resolución de problemas que tiene por objeto ayudar a los responsables en las

decisiones sobre asuntos en los que interviene un gran número de variables. En

otras palabras, resuelve dificultades para aumentar la productividad respecto a los

recursos limitados y costosos.

Tipos de soluciones

Los programas lineales con dos variables suelen clasificarse atendiendo al tipo

de solución que presentan. Éstos pueden ser:

Factibles: Si existe el conjunto de soluciones o valores que satisfacen las

restricciones. Estas a su vez pueden ser: con solución única, con solución múltiple

y con solución no acotada (cuando no existe límite para la función objetivo).

No factibles: Cuando no existe el conjunto de soluciones que cumplen las

restricciones, es decir, cuando las restricciones son inconsistentes.

Usos
 Se emplea para problemas de planeación de la producción dentro de la

industria: la optimización en el uso de los recursos humanos y materiales de las

organizaciones o instituciones; planear dietas, recorridos, carteras de inversiones,

inventarios, y un sin número de aplicaciones en otras áreas.

La Programación Lineal se utiliza en el campo del marketing y la publicidad

como una herramienta que nos permite determinar cuál es la combinación más

efectiva de medios para anunciar nuestros productos.

La PL está presente en la Combinación Óptima de bienes y permite decidir

sobre la cantidad más adecuada que una empresa debe producir de cada uno de

sus productos a fin maximizar los beneficios sin dejar de cumplir con unos

determinados requisitos (financieros, de demanda, contractuales, de disponibilidad

de materias primas, etc.).

La PL también está presente en la Planificación de la producción estableciendo

un plan de producción para un período de semanas o meses ésto puede resultar

ser difícil e importante en la mayoría de las plantas de producción. El director de

operaciones debe considerar muchos factores: mano de obra, costes de inventario

y almacenamiento, limitaciones de espacio, demanda, etc.

METODOS DETERMINISTICOS

Un modelo se define como determinístico cuando siempre que se someta a un

mismo estimulo, reacciona de la misma manera.

Los sistemas que representan los modelos deterministas carecen de

incertidumbre, es decir, todos los cambios de estado del sistema se pueden

predecir con certeza, y su comportamiento se evalúa con medidas de efectividad o

eficiencia tales como: Costos, tiempo y utilidades.

Generalmente si en el modelo se han tomado en cuenta todas las variables y

relaciones importantes, este se vuelve tan complejo de modelos matemáticos

necesarios. Por tanto, se deben utilizar modelos parciales teniendo claro que las

soluciones obtenidas no son óptimas, y que el modelo que se está usando.

Si un modelo garantiza encontrar la solución óptima, el proceso de solución

para dicho modelo se llamará algoritmo de optimización.

Tipos de Modelos:
Construcción de una Red.

Modelos de Transporte y Distribución

Modelos de Asignación

La función objetivo es la ecuación que será optimizada dadas las limitaciones

o restricciones determinadas y con variables que necesitan ser minimizadas o

maximizadas usando técnicas de programación lineal o no lineal.

Una función objetivo puede ser el resultado de un intento de expresar un

objetivo de negocio en términos matemáticos para su uso en el análisis de toma

de decisiones, operaciones, estudios de investigación o de optimización.

Variable
 Una variable estadística es una característica que puede fluctuar y cuya

variación es susceptible de adoptar diferentes valores, los cuales pueden medirse

u observarse. Las variables adquieren valor cuando se relacionan con otras

variables, es decir, si forman parte de una hipótesis o de una teoría. En este caso

se las denomina constructos o construcciones hipotéticas.

Tipos de variables

Existen diferentes tipos de variables: cualitativa nominal, cualitativa ordinal,

cuantitativa continua, cuantitativa discreta.

Modelos Matemáticos y Simulación en la Ingeniería Industrial: aplicaciones y

análisis de sensibilidad.

Simulación

Proceso de diseñar un modelo de un sistema real y llevar a cabo experiencias

con él, con la finalidad de aprender el comportamiento del sistema o evaluar

diversas estrategias para el funcionamiento del sistema.

Sistema

Conjunto de objetos o ideas que están interrelacionadas entre si como una

unidad para la consecución de un fin. Forma parte de la vida real.

Modelo

Representación simplificada de un sistema.

Modelo de simulación

Se definen los parámetros aleatorios

• Llegada de nueva maquinaria

• Avería

• Gravedad de la avería

Se simulan o muestrean los parámetros aleatorios

Se recopilan los resultados

Se detiene el procedimiento de muestreo

Tipos de modelos de simulación

Clasificación según evolución de tiempo: estáticos y dinámicos

Clasificación según aleatoriedad: deterministas y probabilistas

Clasificación según variable de estado: continuos, discretos, combinados

Elementos de la smulación

Eventos

Mecanismo de transición

Un sistema de colas con un servidor

 CONCLUSIONES

Para finalizar esta actividad podemos finalizar diciendo que el recorrido por los

diferentes temas previos para iniciación de este curso fue un éxito ya que con esta

investigación se logra tener una idea más clara sobre lo que es los modelos y

simulación.
 BIBLIOGRAFIAS

http://www.contrib.andrew.cmu.edu/~mgoic/files/documents/optimization/modelos.

pdf Modelamiento de problemas de Programación Lineal con Variables

Continuas, Universidad de Chile, Facultad de Ciencias Físicas y Matemáticas,

Departamento de Ingeniería Industrial.

Pdf. MODELOS PROBABILISTICOS

www7.uc.cl › sw_educ › hidrologia › Capitulo_7 › modulo7 › cap2