Modelos de Simulación

212026A_761

Paso 0 – Reconocer lo Presaberes de los Modelos de Simulación

Elaborado por

Jersson Mendez

Tutor

Diego Karacha Rodriguez

Universidad Nacional Abierta y a Distancia UNAD

Escuela de Ciencias Básicas, Tecnología e
Ingeniería

Febrero del 2020

 Introducción

El curso de Modelos de Simulación, tiene como finalidad del curso es desarrollar en

los estudiantes habilidades

y técnicas de modelamiento y simulación en búsqueda del análisis, representación,

comparación y planteamiento de escenarios solución asociados al sistema real estudiado en

el sector industrial y/o de servicios.

Por ello el desarrollo de este trabajo, se basa en investigar sobre los temas que se

van a desarrollar durante el periodo académico, esto son de vital importancia para nuestro

rol como Ingeniero Industrial.

Además, el curso requiere conocimientos en Estadística y probabilidad (Nociones

de probabilidad y variables aleatorias discretas y continuas); inferencia estadística

(distribuciones muéstrales, pruebas de hipótesis); programación lineal (modelos de

programación lineal, método simplex); métodos determinísticos (Programación lineal

entera y métodos de asignación).

Lo que hace que la investigación tenga un sentido más profundo para así generar

conceptos que nos ayuden en la resolución de problemas concernientes a nuestro Rol.

 Justificación

El curso se desarrolla bajo la estrategia de Aprendizaje Basado en Casos (ABC), en

donde los estudiantes se verán enfrentados con situaciones casuísticas de comportamientos

sistémicos industriales y de servicios de la vida real para su estudio y análisis; se busca a

partir del presente curso de Modelos y simulación la integración en pequeños grupos de

trabajo para el análisis, identificación, planeación , ejecución y selección de los escenarios

solución en la toma de decisiones empresarial que demandan los comportamientos

industriales presentes en las actividades operacionales, en búsqueda de la optimización del

sistema.

Dentro de las actividades a desarrollar durante el curso se encuentran:

Paso 1: Reconocer los modelos de simulación en los sistemas industriales

Paso 2: Modelar y Simular Sistemas Industriales con base en programación lineal

dinámica.

Paso 3: Modelar y Simular Sistemas Industriales con base en Modelos de asignación

y análisis de escenarios.

Paso 4: Modelar y Simular sistemas industriales, con base en teoría de colas.

Paso 5: Sustentar taller Unidades 1,2 y 3

 Objetivos

Objetivo general

Reconoce los modelos de simulación como medio de mejoramiento de procesos y

sistemas, así como en el uso de nuevas aplicaciones tecnológicas para este propósito

Objetivos Especificos

Tener Conocimientos claros cobre temas como Modelos Matemáticos,

Programación, lineal, métodos determinísticos, etc.

Saber cómo aplicar los temas a la carrera de Ingeniería Industrial

 1. ¿Qué es la inferencia estadística?

La inferencia estadística es el conjunto de métodos que permiten inducir, a través de

una muestra, el comportamiento de una determinada población. La inferencia estadística

estudia entonces, como sacar conclusiones sobre los parámetros de población de datos. De

la misma manera estudia también el grado de fiabilidad de los resultados extraídos del

estudio.

Para entender el concepto es importante entender tres conceptos:

Inferencia: Inferir significa, literalmente, extraer juicios o conclusiones a partir de

ciertos supuestos, sean estos generales o particulares.

Población: Una población de datos, es el conjunto total de datos que existen sobre

un variable.

Muestra estadística: Una muestra es una parte de la población de datos.

2. Clases De Muestreo

I. 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:

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.

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.

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.

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.

II. 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:

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.

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.

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.

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.

 3. Distribuciones Muestrales

En estadística, la distribución muestral es lo que resulta de considerar todas las

muestras posibles que pueden ser tomadas de una población. Su estudio permite calcular la

probabilidad que se tiene, dada una sola muestra, de acercarse al parámetro de la población.

4. Programación Lineal

La Programación Lineal corresponde a un algoritmo a través del cual se pueden

resolver 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.

5. Formulación de un problema de Programación lineal

La fábrica de Hilados y Tejidos «SALAZAR» requiere fabricar dos tejidos de

calidad diferente T y T’; se dispone de 500 Kg de hilo a, 300 Kg de hilo b y 108 Kg de hilo

c. Para obtener un metro de T diariamente se necesitan 125 gr de a, 150 gr de b y 72 gr de

c; para producir un metro de T’ por día se necesitan 200 gr de a, 100 gr de b y 27 gr de c. El

T se vende a $4000 el metro y el T’ se vende a $5000 el metro. Si se debe obtener el

máximo beneficio, ¿cuántos metros de T y T’ se deben fabricar?

Paso 1: Formular el problema

Para realizar este paso partimos de la pregunta central del problema.

 ¿Cuántos metros de T y T’ se deben fabricar?

Y la formulación es:

“Determinar la cantidad de metros diarios de tejido tipo T y T’ a fabricar teniendo

en cuenta el óptimo beneficio respecto a la utilidad”.

Paso 2: Determinar las variables de decisión

Basándonos en la formulación del problema nuestras variables de decisión son:

XT: Cantidad de metros diarios de tejido tipo T a fabricar

XT’: Cantidad de metros diarios de tejido tipo T’ a fabricar

PASO 3: Determinar las restricciones del problema

En este paso determinamos las funciones que limitan el problema, estas están dadas

por capacidad, disponibilidad, proporción, no negatividad entre otras.

De disponibilidad de materia prima:

0,125XT + 0,200XT’ <= 500 Hilo “a”

0,150XT + 0,100XT’ <= 300 Hilo “b”

0,072XT + 0,027XT’ <= 108 Hilo “c”

 De no negatividad

XT,XT’ >= 0

PASO 4: Determinar la Función Objetivo

En este paso es de vital importancia establecer el contexto operativo del problema

para de esta forma determinar si es de Maximización o Minimización. En este caso

abordamos el contexto de beneficio por ende lo ideal es Maximizar.

Función Objetivo

ZMAX = 4000XT + 5000XT’

PASO 5: Resolver el modelo utilizando software o métodos manuales

A menudo los problemas de programación lineal están constituidos por

innumerables variables, lo cual dificulta su resolución manual, es por esto que se recurre a

software especializado, como es el caso de WinQSB, TORA, Lingo o para modelos menos

complejos se hace útil la herramienta Solver de Excel

6. Pasos para desarrollar el método Simplex

 El método Simplex es un procedimiento iterativo que permite mejorar la solución de

la función objetivo en cada paso. El proceso concluye cuando no es posible continuar

mejorando dicho valor, es decir, se ha alcanzado la solución óptima (el mayor o menor

valor posible, según el caso, para el que se satisfacen todas las restricciones).

Partiendo del valor de la función objetivo en un punto cualquiera, el procedimiento

consiste en buscar otro punto que mejore el valor anterior. Como se verá en el método

Gráfico, dichos puntos son los vértices del polígono (o poliedro o polícoro, si el número de

variables es mayor de 2) que constituye la región determinada por las restricciones a las que

se encuentra sujeto el problema (llamada región factible). La búsqueda se realiza mediante

desplazamientos por las aristas del polígono, desde el vértice actual hasta uno adyacente

que mejore el valor de la función objetivo. Siempre que exista región factible, como su

número de vértices y de aristas es finito, será posible encontrar la solución.

El método Simplex se basa en la siguiente propiedad: si la función objetivo Z no

toma su valor máximo en el vértice A, entonces existe una arista que parte de A y a lo largo

de la cual el valor de Z aumenta.

Será necesario tener en cuenta que el método Simplex únicamente trabaja con

restricciones del problema cuyas inecuaciones sean del tipo "≤" (menor o igual) y sus

coeficientes independientes sean mayores o iguales a 0. Por tanto, habrá que estandarizar

las restricciones para que cumplan estos requisitos antes de iniciar el algoritmo del

Simplex. En caso de que después de éste proceso aparezcan restricciones del tipo "≥"

(mayor o igual) o "=" (igualdad), o no se puedan cambiar, será necesario emplear otros

métodos de resolución, siendo el más común el método de las Dos Fases.

 7. ¿Qué son los métodos determinísticos?

Los 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.

Estos conceptos de métodos determinísticos permiten la optimización parcial de una

parte de la secuencia y luego relacionan las unidades optimizadas en la siguiente línea,

hasta que toda quede optimizada. Estos conceptos se pueden aplicar en los problemas que

tienen funciones continuas o en problemas donde los valores enteros son prácticos.

8. Pasos para la construcción de un Modelo Matemático

Definición: Un modelo matemático es un modelo que utiliza fórmulas matemáticas

para representar la relación entre distintas variables, parámetros y restricciones.

Un modelo matemático es una representación simplificada, a través de ecuaciones,

funciones o fórmulas matemáticas, de un fenómeno o de la relación entre dos o más

variables. La rama de las matemáticas que se encarga de estudiar las cualidades y estructura

de los modelos es la llamada “teoría de los modelos

Función: Los modelos matemáticos son utilizados para analizar la relación entre

dos o más variables. Pueden ser utilizados para entender fenómenos naturales, sociales,

físicos, etc. Dependiendo del objetivo buscado y del diseño del mismo modelo pueden
servir para predecir el valor de las variables en el futuro, hacer hipótesis, evaluar los efectos

de una determinada política o actividad, entre otros objetivos.

Aunque parezca un concepto teórico, en realidad hay muchos aspectos de la vida

cotidiana regidos por modelos matemáticos. Lo que ocurre es que no son modelos

matemáticos enfocados a teorizar. Al contrario, son modelos matemáticos formulados para

que algo funcione. Por ejemplo, un coche.

Elementos básicos de un modelo matemático

Los modelos matemáticos pueden variar en cuanto a su complejidad, pero todos

ellos tienen un conjunto de características básicas:

Variables: Son los conceptos u objetos que se busca entender o analizar. Sobre

todo, con respecto a su relación con otras variables. Así, por ejemplo, una variable puede

ser el salario de los trabajadores y lo que queremos analizar son sus principales

determinantes (por ejemplo: años de estudio, educación de los padres, lugar de nacimientos,

etc.).

Parámetros: Se trata de valores conocidos o controlables del modelo.

Restricciones: Son determinados límites que nos indican que los resultados del

análisis son razonables. Así, por ejemplo, si una de las variables es el número de hijos de

una familia, una restricción natural es que este valor no puede ser negativo.

Relaciones entre las variables: El modelo establece una determinada relación entre

las variables apoyándose en teorías económicas, físicas, químicas, etc.

 Representaciones simplificadas: Una de las características esenciales de un

modelo matemáticos es la representación de las relaciones entre las variables estudiadas a

través de elementos de las matemáticas tales como: funciones, ecuaciones, fórmulas, etc.

Procesos para hacer un modelo matemático

En términos generales el proceso de elaboración de un modelo matemático es el

siguiente:

 Encontrar un fenómeno o problema.

 Formular un modelo con elementos de matemáticas representando el

problema elegido identificando las variables relevantes (dependientes e

independientes).

 Establecer hipótesis y un método de prueba de su veracidad.

 Aplicar los conocimientos matemáticos para resolver el modelo y

hacer predicciones si es necesario.

 Hacer comparaciones de los datos obtenidos con datos reales.

 Si los resultados no se ajustan a lo esperado, ir ajustando el modelo

matemático

9. Modelos Matemáticos y Simulación en la Ingeniería Industrial:

aplicaciones y análisis de sensibilidad

Primero definimos que es la Simulación

CARACTERÍSTICAS GENERALES
 → Los datos recopilados se utilizan para evaluar distintas configuraciones y

comparar distintas alternativas (medición por escenarios).

→ El proceso en general consiste en construir un modelo artificial que represente un

proceso real.

→ Involucra la generación de una historia artificial del comportamiento del sistema

de la observación de tal historia para extraer inferencias relativas a las

características operacionales del sistema real que representa.

→ NO es una técnica de optimización, por lo general, se encuentran mínimos

locales.

ES APROPIADA CUANDO SE QUIERA:

→ Desarrollar un modelo matemático es muy difícil – tiempo de resolución alto

(NPH).

→ Estimar el comportamiento en estado estacionario o con un tiempo de

evaluación demasiado larga (por ejemplo 100 años).

→ El sistema tiene una o más variables aleatorias interdependientes.

¿DONDE SE PUEDE APLICAR?

AREA DE OPERACIONES
 → Diseño y análisis de sistemas de manufactura

→ Determinación de políticas de inventario

→ Diseño y análisis de sistemas de transporte

→ Planificación de la capacidad

→ Diseño de servicios en general

OTRAS AREAS

→ Evaluación de nuevas armas militares

→ Análisis de sistemas financieros y económicos

→ Estudios de ADN y biotecnología

Aplicaciones y análisis de sensibilidad

Análisis del proceso de producción de aceites básicos en la refinería Sergio soto

mediante la simulación: El objetivo es aplicar la estrategia de análisis de procesos a la

producción de aceites para transformadores para conocer las relaciones existentes entre las

principales variables en las distintas etapas para utilizarlas en la simulación del proceso

mediante HYSYS

Análisis de sensibilidad: El análisis de sensibilidad aplicado al modelo estadístico

permite identificar cuales variables del proceso estudiadas son las que más influyen en las

características del producto final y establecer un orden jerárquico de la sensibilidad de las

variables que sirve como guía para tomar decisiones a la hora de controlar el proceso. Para

realizar el análisis de sensibilidad se escogieron los siguientes datos históricos:5

Variable: densidad del aceite filtrado 0.9009g/cm3Variable: viscosidad cinemática

del aceite filtrado 10.3412cStSe logró establecer que la las variables que producen mayores

cambios en las propiedades analizadas del aceite filtrado son la densidad del aceite seco y

el número de neutralización del aceite ácido y su interacción con la densidad, por lo cual las

operaciones en las que se recomienda priorizar esfuerzos para su control son el secado y

refinado con ácido sulfúrico, neutralización, lavado y secado del aceite.

 Conclusiones

La simulación cada vez se vuelve un instrumento necesario en cualquier área de

trabajo es por eso hemos enmarcado su importancia en la Carrera de Ingeniería Industrial

Desde cualquier punto de vista, el incluir métodos y técnicas de simulación en un

proceso, sistema, procedimiento, etc., asegura un análisis mucho más conveniente tanto en

consumo de recursos físicos como de logística; además de que se consiguen resultados

confiables con un margen de error mínimo y evitando pérdidas producto de una

planificación sin bases de conocimiento.

Referencias Bibliográficas

Guasch, A., Piera, M. À., & Casanovas, J. (2002). Modelado y simulación: aplicación a

procesos logísticos de fabricación y servicios. Madrid, ES: Universitat Politècnica

de Catalunya. Disponible en la Biblioteca Virtual de la UNAD (pp.2-21).

Recuperado de: https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?

ppg=28&docID=4310046&tm=1544036108836

Singer, M. (2013). Una práctica teoría de la optimización lineal : datos, modelos y

decisiones. Santiago, Chile: Ediciones UC. Disponible en la Biblioteca Virtual de la

UNAD (pp.3-69). Recuperado de: http://bibliotecavirtual.unad.edu.co/login?

url=https://bibliotecavirtual.unad.edu.co:2969/login.aspx?

direct=true&db=nlebk&AN=1725244&lang=es&site=ehost-

live&ebv=EB&ppid=pp_3
Guerrero, S. H. (2009). Programación lineal aplicada. Bogotá, CO: Ecoe Ediciones.

Disponible en la Biblioteca Virtual de la UNAD.(pp.249-271) Recuperado de:

https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?

ppg=267&docID=3215329&tm=1544036375878

Hillier, F. S. (2010). Introducción a la investigación de operaciones (9a. ed.). México, D.F.,

MX: McGraw-Hill Interamericana. Disponible en la Biblioteca Virtual de la UNAD

(pp. 282-309). Recuperado

de:https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?

ppg=311&docID=3214887&tm=1544036769138

Martínez, Salazar, Iris Abril, and Camarón, Gastón Vértiz (2014). Investigaciones de

operaciones, Grupo Editorial Patria, 2014. Disponible en la Biblioteca Virtual de la

UNAD (pp. 149-179). Recuperado de:

 https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?

ppg=162&docID=3227913&tm=1544036684162

Singer, M. (2013). Una práctica teoría de la optimización lineal : datos, modelos y

decisiones. Santiago, Chile: Ediciones UC. Disponible en la Biblioteca Virtual de la

UNAD (pp.3-69). Recuperado de:http://bibliotecavirtual.unad.edu.co/login?

url=https://bibliotecavirtual.unad.edu.co:2969/login.aspx?

direct=true&db=nlebk&AN=1725244&lang=es&site=ehost-

live&ebv=EB&ppid=pp_3

Cibergrafia

http://repositorio.utn.edu.ec/bitstream/123456789/621/1/Tesis.pdf

https://www.coursehero.com/file/p2tr0gg/4-Investigue-2-casos-de-%C3%A9xito-de-Modelos-

Matem%C3%A1ticos-y-Simulaci%C3%B3n-en-la/

https://www.gestiopolis.com/tipos-de-muestreo-estadistica/

https://www.ingenieriaindustrialonline.com/investigacion-de-operaciones/programacion-lineal/