Introducción

Este trabajo contiene la realización de las actividades de la etapa inicial del curso de
modelos de simulación que consiste en demostrar los conocimientos previos en conceptos
fundamentales de métodos determinísticos, probabilísticos, modelación matemática y
herramientas de software.
En este documento se encuentra el desarrollo de la actividad correspondiente a la
unidad 1 paso 0 del curso de Modelos y Simulación.
 Justificación

Antes de iniciar cualquier actividad, trabajo, proyecto, todo estudiante o trabajador

debe investigar los conocimientos previos necesarios para poder realizar dicho proyecto de
forma adecuada, es por eso que en este trabajo al ser el primero del semestre académico se
hace énfasis en que el estudiante aprenda los conceptos básicos necesario para que durante
el transcurso del semestre académico tenga claro que es lo que se necesita a la hora de
resolver ciertos problemas o ejercicios.
 Objetivos

Objetivo General

Aprender respecto al uso de los modelos de simulación y la manera en que mejoran

diversos procesos, también las nuevas herramientas que le otorgan dinamismo.

Objetivos Específicos

 Explorar los entornos del curso

 Identificar los integrantes del grupo
 Interactuar con el tutor a través de la herramienta Skype
 Investigar diversos temas relacionados con los modelos de simulación
 Participar de forma continua en el foro colaborativo
 Desarrollo de actividad

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:
 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,
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 Muéstrales
 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.
 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),
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.
Método Simplex
El Método Simplex es un método interactivo que permite ir mejorando la solución
en cada paso. 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

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.
Métodos Probabilísticos: 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.
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 o 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).
 Restricciones: Las 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).
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
d. mediante ecuaciones y/o relaciones matemáticas, identificando para ello las
variables, parámetros y los supuestos a que haya lugar.
e. 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.
 f. 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.
g. 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.
h. 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
isométrico y cuando tiene algún grado de abstracción del objeto que representa, teniendo en
cuenta solamente las variables más relevantes, se denomina zoomórfico.
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):
 Proteo 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
 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.
 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).
 Auto correlación (Test de Rachas, Signos, Durbin-Watson, X2 de independencia,
Ljung y Box).
 Homocedasticidad (Gráficos de los residuos, Test de Cochran, Bartlett y Hartley).
 Conclusión

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.