UNIVERSIDAD ABIERTA Y A DISTANCIA

INGIENERIA INDUSTRIAL
Reconocimientos de pre saberes de modelo DE simulación

Presentado por:

SERGIO JOSE ALFARO MORALES

CC. 1044930636
Cel. 3106232465

Director del curso

VÍCTOR HUGO RODRÍGUEZ SÁNCHEZ

11/06/2020

CEAD / Cartagena
 INTRODUCCION

Reconocer saberes e entender los modelos de simulación a través de conceptos

como que es la programación lineal sus tipos o como que se entiende como
métodos determinísticos.

Para tener un mejor desempeño en el curso de modelo y simulación.

JUSTIFICACION

Por medio de la realización y desarrollo del presente trabajo aplicado, enfocados

en la intención directa de la Universidad Abierta y a Distancia UNAD se refleja de
manera el interés colectivo y particular de cada una de las personas participantes
en unificar y enfocar esfuerzos, que sirvan para promover de manera correcta los
pre saberes de los participantes tener un mejor desempeño el curso de modelo y
simulación.

OBJECTIVOS

El objeto principal de este trabajo es poder mostrar conceptos claros y concisos

sobre modelo de simulación de acuerdo a las temáticas que el estudiante ira tratar
en todo el curso y tenga una mejor visión de lo que se está haciendo mejor.
 ESQUEMA DE TRABAJO

 ¿Qué es la inferencia estadística?

R/ La inferencia estadística es el conjunto de métodos que permiten inducir,

a través de una muestra estadística, el comportamiento de una
determinada población. La inferencia estadística, estudia entonces como, a
través de la aplicación de dichos métodos sobre los datos de una muestra,
se pueden extraer conclusiones sobre los parámetros de la población de
datos. De la misma manera estudia también el grado de fiabilidad de los
resultados extraídos del estudio.

 ¿clases de muestreo, distribuciones muéstrales?

PROBABILÍSTICO

Es requisito que todos y c/u de los elementos de la población tengan la misma

probabilidad de ser seleccionados (azar) Se debe tener disponible un listado
completo de todos los elementos de la población, a esto se le llama MARCO DE
MUESTREO.

ALEATORIO SIMPLE (Muestreo Simple al Azar)

Cada sujeto tiene una probabilidad igual de ser seleccionado para el estudio. Se
necesita una lista numerada de las unidades de la población que se quiere
muestrear. Opciones: ◦ Fichas de lotería o bolitas numeradas ◦ Tabla de números
aleatorios

MUESTREO ALEATORIO SISTEMÁTICO.

Se toman todos los individuos de la lista y se selecciona c/3, c/7, o cualquier otro
número
Muestreo Estratificado.

Cuando la muestra incluye subgrupos representativos (estratos) de los elementos

de estudio con características específicas: urbano, rural, nivel de instrucción, año
académico, carrera, sexo, grupo étnico, edad, paridad etc. En cada estrato para
obtener el tamaño de la muestra se puede utilizar el muestreo aleatorio o
sistemático.

Muestreo por Racimos (Clúster o Conglomerado)

Unidad de análisis: sujeto o sujetos Unidad Muestral en este caso: conglomerado a

través del cual se logra el acceso a la unidad de análisis. Selección en 2 etapas: ◦
Los racimos o conglomerados ◦ En los racimos se seleccionan a los sujetos a ser
medidos. Población, Localidades, Viviendas. Croquis

Muestreo NO PROBABILISTICO:

No se conoce la probabilidad que tienen los diferentes elementos de la población

de estudio de ser seleccionados

A. Muestreo por conveniencia Es la muestra que está disponible en el tiempo o

periodo de investigación. Ejemplo: Todos los pacientes que asistan a una
clínica en particular cierto día, semana, pueden ser requeridos para
participar. DESVENTAJA: la muestra puede ser poco representativa de la
población que se desea estudiar.
B. Muestreo por Cuotas. Todos los elementos conocidos de la población tienen
que aparecer en la muestra. Se debe asegurar que estos aparezcan en la
misma proporción que en la población. El investigador entrevista a todas las
personas de cada categoría que pueda encontrar hasta que haya llenado la
cuota.
C. Accidental o Bola de Nieve: Se aprovecha o utiliza personas disponibles en
un momento dado que se corresponda con el propósito del estudio. De los
tres tipos de muestreo no probabilístico resulta el más deficiente
 ¿DISTRIVUCION MUESTRALES?

1. 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.

1.1. 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.

1.2. Distribution 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.

¿Qué es la 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.
Los resultados y el proceso de optimización se convierten en un respaldo
cuantitativo de las decisiones frente a las situaciones planteadas. Decisiones en las
que sería importante tener en cuenta diversos criterios administrativos como:

 Los hechos La intuición

 La autoridad
 Resolver mediante el método simplex el siguiente problema:

Maximizar Z = f(x,y) = 3x + 2y

sujeto a: 2x + y ≤ 18

2x + 3y ≤ 42

3x + y ≤ 24

x≥0,y≥0

Se consideran las siguientes fases:

1. Realizar un cambio de variables y normalizar el signo de los términos

independientes.

Se realiza un cambio en la nomenclatura de las variables. Estableciéndose

la correspondencia siguiente:

 x pasa a ser X1

 y pasa a ser X2

Como los términos independientes de todas las restricciones son

positivos no es necesario hacer nada. En caso contrario habría que
multiplicar por "-1" en ambos lados de la inecuación (teniendo en cuenta que
esta operación también afecta al tipo de restricción).

2. Normalizar las restricciones.

Se convierten las inecuaciones en ecuaciones agregando variables de

holgura, exceso y artificiales según la tabla siguiente:

Tipo de desigualdad Tipo de variable que aparece

≥ - exceso + artificial

= + artificial

≤ + holgura
 En este caso se introduce una variable de holgura (X3, X4 y X5) en cada
una de las restricciones del tipo ≤, para convertirlas en igualdades, resultando
el sistema de ecuaciones lineales:

2·X1 + X2 + X3 = 18

2·X1 + 3·X2 + X4 = 42

3·X1 + X2 + X5 = 24

3. Igualar la función objetivo a cero.

Z - 3·X1 - 2·X2 - 0·X3 - 0·X4 - 0·X5 = 0

4. Escribir la tabla inicial del método Simplex.

La tabla inicial del método Simplex está compuesta por todos los coeficientes
de las variables de decisión del problema original y las de holgura, exceso y
artificiales agregadas en el paso 2 (en las columnas, siendo P0 el término
independiente y el resto de variables Pi coinciden con Xi), y las restricciones
(en las filas). La columna Cb contiene los coeficientes de las variables que
se encuentran en la base.

La primera fila está formada por los coeficientes de la función objetivo,

mientras que la última fila contiene el valor la función objetivo y los costes
reducidos Zj - Cj.

La última fila se calcula como sigue: Zj = Σ(Cbi·Pj) para i = 1..m, donde

si j = 0, P0 = bi y C0 = 0, y en caso contrario Pj = aij. Aunque al tratarse de la
primera tabla del método Simplex y ser todos los Cb nulos se puede
simplificar el cálculo, y por esta vez disponer Zj = -Cj.

Tabla I . Iteración nº 1

3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P3 0 18 2 1 1 0 0

P4 0 42 2 3 0 1 0

P5 0 24 3 1 0 0 1

Z 0 -3 -2 0 0 0
5. Condición de parada.

Si el objetivo es la maximización, cuando en la última fila (fila indicadora) no

existe ningún valor negativo entre los costes reducidos (columnas P1 en
adelante) se alcanza la condición de parada.

En tal caso se llega al final del algoritmo ya que no existe posibilidad de

mejora. El valor de Z (columna P0) es la solución óptima del problema.

Otro caso posible es que en la columna de la variable entrante a la base

todos los valores son negativos o nulos. Esto indica que el problema no se
encuentra acotado y su solución siempre resultará mejorable. Ante esta
situación no es necesario continuar iterando indefinidamente y también se
puede dar por finalizado el algoritmo.

De no ser así, se ejecutan los siguientes pasos de forma iterativa.

6. Elección de la variable entrante y saliente de la base.

Se determina en primer lugar la variable que entra en la base. Para ello se

escoge la columna cuyo valor en la fila Z sea el menor de entre todos los
negativos. En este caso sería la variable X1 (P1) de coeficiente -3.

Si existiesen dos o más coeficientes iguales que cumplan la condición

anterior (caso de empate), entonces se optará por aquella variable que sea
básica.

La columna de la variable que entra en la base se llama columna

pivote (en color verde).

Una vez obtenida la variable que entra en la base, se procede a

determina cual será la variable que sale de la misma. La decisión se toma en
base a un sencillo cálculo: dividir cada término independiente (columna P0)
entre el elemento correspondiente de la columna pivote, siempre que ambos
elementos sean estrictamente positivos (mayores que cero). Se escoge la fila
cuyo resultado haya resultado mínimo.

Si hubiera algún elemento menor o igual a cero no se realiza dicho

cociente. En caso de que todos los elementos de la columna pivote fueran
de ésta condición se habría cumplido la condición de parada y el problema
tendría una solución no acotada (ver teoría del método Simplex).

En este ejemplo: 18/2 [=9] , 42/2 [=21] y 24/3 [=8]

El término de la columna pivote que en la división anterior dio lugar al

menor cociente positivo indica la fila de la variable de holgura que sale de la
 base. En este caso resulta ser X5 (P5), de coeficiente 3. Esta fila se llama fila
pivote (en color verde).

Si al calcular los cocientes, dos o más resultados cumplen la condición

para elegir el elemento saliente de la base (caso de empate), se escoge
aquella que no sea variable básica (siempre que sea es posible).

La intersección de la fila pivote y columna pivote marca

el elemento pivote, en este caso el 3.

7. Actualizar la tabla.

Los nuevos coeficientes de la tabla se calculan de la siguiente manera:

 En la fila del elemento pivote cada nuevo elemento se calcula como:

Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote

 En el resto de las filas cada elemento se calcula:

Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento

Fila en Columna Pivote * Nuevo Elemento Fila Pivote)

Con esto se normaliza el elemento pivote y su valor pasa a ser 1,

mientras que el resto de elementos de la columna pivote se anulan (análogo
al método de Gauss-Jordan).

Se muestran a continuación los cálculos para la fila P4:

Anterior fila P4 42 2 3 0 1 0

- - - - - -

Anterior Elemento Fila en Columna Pivote 2 2 2 2 2 2

x x x x x x

Nueva fila pivote 8 1 1/3 0 0 1/3

= = = = = =

Nueva fila P4 26 0 7/3 0 1 -2/3

La tabla correspondiente a esta segunda iteración es:

 Tabla II . Iteración nº 2

3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P3 0 2 0 1/3 1 0 -2/3

P4 0 26 0 7/3 0 1 -2/3

P1 3 8 1 1/3 0 0 1/3

Z 24 0 -1 0 0 1

8. Al comprobar la condición de parada se observa que no se cumple ya que

entre los elementos de la última fila hay uno negativo, -1. Se continúa
iterando nuevamente los pasos 6 y 7.

 6.1. La variable que entra en la base es X2 (P2), por ser la variable

que corresponde a la columna donde se encuentra el coeficiente -1.

 6.2. Para calcular la variable que sale, se dividen los términos de la

columna P0 entre los términos correspondientes de la nueva columna
pivote: 2 / 1/3 [=6] , 26 / 7/3 [=78/7] y 8 / 1/3 [=24]. Como el menor
cociente positivo es 6, la variable que sale de la base es X3 (P3).

 6.3. El elemento pivote es 1/3.

 7. Actualizando nuevamente los valores de la tabla se obtiene:

Tabla III . Iteración nº 3

3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P2 2 6 0 1 3 0 -2

P4 0 12 0 0 -7 1 4

P1 3 6 1 0 -1 0 1

Z 30 0 0 3 0 -1
9. Una nueva comprobación de la condición de parada revela que entre los
elementos de la fila indicadora vuelve a haber uno negativo, -1. Significa que
aun no se ha llegado a la solución óptima y hay que seguir iterando (pasos 6
y 7):

 6.1. La variable que entra en la base es X5 (P5), por ser la variable

que corresponde al coeficiente -1.

 6.2. Se escoge la variable que sale calculando el cociente entre los

términos de la columna de términos independientes y los términos
correspondientes de la nueva columna pivote: 6/(-2) [=-3] , 12/4 [=3],
y 6/1 [=6]. En esta ocasión es X4 (P4).

 6.3. El elemento pivote es 4.

 7. Después de actualizar todas las filas, se obtiene la tabla siguiente:

Tabla IV . Iteración nº 4
3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P2 2 12 0 1 -1/2 1/2 0

P5 0 3 0 0 -7/4 1/4 1

P1 3 3 1 0 3/4 -1/4 0

Z 33 0 0 5/4 1/4 0

10. Fin del algoritmo.

Se observa que en la última fila todos los coeficientes son positivos

cumpliéndose, por tanto la condición de parada.

La solución óptima viene dada por el valor de Z en la columna de los

términos independientes (P0), en este ejemplo: 33. En la misma columna se
puede ver el punto donde se alcanza, observando las filas correspondientes
a las variables de decisión que han entrado en la base: X1 = 3 y X2 = 12.

Deshaciendo el cambio de variables se obtiene x = 3 e y = 12

 ¿Qué son los métodos determinísticos, pasos para la construcción de modelos
matemáticos, definición de variable, función objetivo y restricciones?

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 deterministicos 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.
PASOS DE COTRUCCION DE MODELOS
1. Definición del problema de interés y recolección de los datos relevantes.
2. Formulación de un modelo que represente el problema.
3. Solución del modelo.
4. Prueba del modelo.
5. Preparación para la aplicación del modelo.
6. Puesta en marcha

Variables[editar]

Las variables son números reales mayores o iguales a cero.

En caso que se requiera que el valor resultante de las variables sea un número
entero, el procedimiento de resolución se denomina Programación entera.
Restricciones

Las restricciones lineales son los límites superior e inferior para una función de
componentes en un diseño de mezclas.

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.

¿Modelos Matemáticos y Simulación en la Ingeniería Industrial: aplicaciones y

análisis de sensibilidad??

modelo matemático

es uno de los tipos de modelos científicos que emplea algún tipo de formulismo
matemático para expresar relaciones, proposiciones sustantivas de hechos,
variables, parámetros, entidades y relaciones entre variables de las operaciones,
para estudiar comportamientos de sistemas complejos ante situaciones difíciles de
observar en la realidad. El término modelización matemática es utilizado también
en diseño gráfico cuando se habla de modelos geométricos de los objetos en dos
(2D) o tres dimensiones (3D).

La simulación

de procesos es una de las mas grandes herramientas de la ingeniería industrial, la

cual se utilaza para representar un proceso mediante otro que lo hace mucho mas
simple e intendible. 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 mas complicado .
Simulación
La simulación es la representación de un proceso o fenómeno mediante otro mas
simple, que permite analizar sus características; Pero la simulación no es solo eso
también es algo muy cotidiano, hoy en día, puede ser desde la simulación de un
examen, que le hace la maestra a su alumno para un examen del ministerio,
la producción de textiles, alimentos, juguetes, construcción de infraestructuras por
medio de maquetas, hasta el entrenamiento virtual de los pilotos de combate.

El análisis de sensibilidad

es la técnica que determina cómo diferentes valores de una variable independiente

impactan en una variable dependiente bajo un conjunto de supuestos. Estudia cómo
la incertidumbre en el resultado de un modelo o sistema matemático puede
asignarse a diferentes fuentes en sus variables de entrada.

Esta técnica se usa dentro de límites específicos que dependen de una o más
variables de entrada, tal como el efecto que tienen los cambios en las tasas de
interés (variable independiente) en los precios de los bonos (variable dependiente).

CONCLUSION

En conclusión, puedo decir que todos estos conceptos investigados hoy son una
herramienta para tener una idea concreta y claro de lo que estamos realizando en
este curo de análisis y simulación los cual nos lleva a prepararnos y enfocarnos
para tener el mejor desempeño.
 Bibliografía

https://economipedia.com/definiciones/inferencia-estadistica.html
vs.hn/Honduras/Embarazo/Tipos.de.Muestreo.Marzo.2016.p
https://proyectodescartes.org/uudd/materiales_didacticos/inferencia_estadistica_JS/distrib_mue
strales.ht

http://www.phpsimplex.com/ejemplo_metodo_simplex.htm
https://www.monografias.com/trabajos96/metodos-deterministicos-herramienta-fundamental-
toma-decisiones/metodos-deterministicos-herramienta-fundamental-toma-decisiones.sht

https://www.google.com/search?q=pasos+para+la+construcci%C3%B3n+de+modelos+matem%C3
%A1ticos%2C&rlz=1C1GCEA_enCO878CO882&oq=pasos+para+la+construcci%C3%B3n+de+model
os+mat
ogle.com/search?rlz=1C1GCEA_enCO878CO882&sxsrf=ALeKk01duW4RCfHtJakx_vRXvDbVI984HQ
%3A1591902237843&ei=HYDiXrqJM_LD_QaG36HIDg&q=restricciones+p em
https://es.wikipedia.org/wiki/Programaci%C3%B3n_lineal#Variable

https://www.monografias.com/trabajos6/sipro/sipro.shtml
https://www.lifeder.com/analisis-sensibilidad/