Paso -1- Reconocer los pre saberes de modelos de simulación

ESTUDIANTE: Pablo Emilio Aux

CODIGO: 13074387
GRUPO:212026_23

TUTOR: Gustavo Andres Araque

CURSO: Modelos Y Simulación

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

SAN JUAN DE PASTO SEPTIEMBRE -2020
 INTRODUCCION

Este trabajo se realizó con el propósito de tener claro los temas a trabajar en este
curso en la unidad 1 y 2 realizando una lectura de comprensión de los diferentes
contenidos y así definirlos y entenderlos.
Siendo de gran importancia la modelación y simulación de procesos en sistemas
industriales y el uso de tecnologías para el análisis de escenarios. Los que en el
trascurso de nuestra carrera serán de gran importancia para la solución de
problemas.
 JUSTIFICACION

Toda empresa por más pequeña que sea busca ser competitiva en el
fortalecimiento de estrategias e implementación de herramientas que permitan
obtener mejoras continuas de los procesos direccionadas o encaminadas a
cumplir las metas establecidas por la organización
OBJETIVOS

- Apropiarnos de conceptos generales del curso unidad 1 y 2

- Conocer los diferentes tipos de modelos y sus componentes así como los
tipos de simulación de sistemas existentes

- Diferenciar la simulación de un modelo de sistema

- Inferir las ventajas y desventajas

ESQUEMA DE TRABAJO
1-Qué es la inferencia estadística, clases de muestreo, distribuciones
muéstrales,
La inferencia y la estadística es el conjunto de métodos que permiten inducir a
través de una muestra estadística, el comportamiento de una determinada
población. La inferencia y la 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.

Para entender este concepto es importante entender tres conceptos

1. Inferencia: Inferir significa. Literal mente, extraer juicios o conclusiones a

partir de ciertos supuestos, sean estos generales o particulares.

2. Población: Una población de datos, es el conjunto total de datos que

existen sobre una variable.

3. Muestreo estadístico: Una muestra es una parte de la población de datos.

Los métodos y técnicas de la inferencia y 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 al
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 (HO) que recoge la
idea de que un valor tiene u valor predeterminado. Si se rechaza la
hipótesis nula (HO), entonces se acepta la hipótesis alternativa (H1)
Tipos 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 tiene la misma probabilidad de ser
escogidos.

Muestreo aleatorio simple

En el muestreó aleatorio simple:

1. Todos los individuos tienen la misma probabilidad de ser seleccionados

2. Las observaciones se realizan con remplazamiento, de forma que la

población es igual en todas las extracciones. En el caso que se renuncie,
por azar, a volver a seleccionar en la muestra al mismo individuo,
estaremos en el caso de método aleatorio sin reemplazamiento.

Supongamos que queremos elegir una muestra de n individuos de una

población de N sujetos.
Cada elemento tiene probabilidad n/N de ser elegido en la muestra.

Muestreo estratificado
El muestreo estratificado es un tipo de muestreo probabilístico. Los
individuos de toda la población se dividen en grupos o estratos. Cada elemento
pertenece a un único estrato. La variable elegida para formar los estratos no
debe permitir que un individuo o elemento de la población pertenezca a más de
uno de ellos
La variable elegida deberá ser significativa para el motivo u objetivo del estudio o
investigación

Muestreo sistemático
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 incluye 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 posterior mente se va sumando de una forma secuencial o
constante el mismo valor para elegir a los sujetos requeridos

Muestreo por conglomerados

El método de muestreo por conglomerados se utiliza cuando la población esta

agrupada en conglomerados naturales.

Si se supone que los conglomerados son muestra significativa de la variable que

se está estudiando, se puede seleccionar algunos conglomerados al azar (todos
los conglomerados deben tener las mismas probabilidades de ser seleccionados)
y utilizarlos en representación de la población

Muestreo no aleatorio o no probabilístico

Muestreo por cuotas: Establece objetivos específicos para la cantidad de

personas que deseas encuestar (ejm- 50 hombres y 50 mujeres) y luego detente
al alcanzar cada objetivo. El muestreó por cuotas garantiza que obtengas al
menos algunos encuestados de los subgrupos que te interesan, aun cuando
esto sigue sin ser una muestra probabilística verdadera

Muestreo por conveniencia: pregunta solo a las personas que conoces o que
están dispuestas a responder tu encuesta. Esto no genera ningún inconveniente
si solo están haciendo la encuesta para divertir (pej. Preguntar a100personas en
las calles de Nueva York que piensa sobre una celebridad que se postulara para
ser presidente), pero si deseas obtener resultados con los que pueda trabajar
después, deberás usar un método más científico

Muestreo de bola de nieve: Pide a las personas que ya están participando en tu

encuesta que recluten a otros participantes que conozcan para responder la
encuesta. El muestreo de bola de nieve es ideal para encuestas enfocadas en
grupos específicos que son difíciles de encontrar o contactar, como inmigrantes
indocumentados o personas con problemas de salud poco comunes. En este
caso puedes asumir que la población que te interesa es relativamente
homogénea y no tendrás que preocuparte tanto por tener una muestra
representativa

Distribuciones Muéstrales

El estudio de determinadas características de una población se efectúa a través

de diversas muestras que puedan 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 muestreó con
reposición puede considerarse infinita teóricamente. También, a efectos
practicaos, 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 n > 30, aplicando 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

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 pueden

resolver situaciones reales en las que se pretende identificar y resolver
dificultades para aumentar la productividad respecto a los recursos (principal
mente 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.

Formulación de un problema de programación 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

 Variables

 Restricciones

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 relaciona con la pregunta del nivel superior, es decir, la pregunta
fundamental. Así por ejemplo, si en una situación se desea minimizar los
costos es muy probable que la pregunta de mayor nivel sea la que se
relacione con aumentar la utilidad en lugar de un interrogante que busca
hallar la manera de disminuir los costos.
Las variables de decisión

Similar a la relación que existe entre objetivos específicos y objetivo

general, se comportan las variables de decisión respecto a la función
objetivo, puesto que estas se identifican partiendo de una serie de
preguntas derivadas de la pregunta fundamental. 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 optimo, que contribuya con la
consecución del objetivo de la función general del problema.

Las restricciones

Cuando hablamos de las restricciones de un problema de programación

lineal nos referimos a todo aquello que limita la libertad delos valores que
pueden tomar las variables de decisión

Método simplex

Es un método iterativo que permite ir mejorando la solución en cada paso

Es una herramienta matemática que resuelve problemas de planeación y
programación de operaciones; es decir, resuelve la pregunta sobre cuanto
producir de acuerdo a la capacidad operativa y estudios de mercado

Utiliza el modelo dela programación lineal, a través dela solución de una

matriz, usando el método de eliminación de Gauss Jordán.

Pasos para desarrollar método simplex

Paso-1- Modelacion mediante programacion lineal

Paso-2- Convertir las inecuaciones en ecuaciones

Paso-3-Definir la solucion basica inicial

Paso-4- Definir la tabla simplex inicial

Paso-5- Realizar las interaciones necesarias

Qué son los métodos determinísticos, pasos para la construcción de
modelos matemáticos, definición de variable, función objetivo y
restricciones.
Son aquellos donde se supone que los datos se conocen con certeza, suponiendo
que cuando el modelo sea analizado se tiene disponible toda la información
necesaria para la toma de decisiones.
En donde se optimiza los resultados lógicos, administrativos y financieros de una
organización con el fin de mejorar procesos, reducir costos y mejorar sus recursos
técnicos.

Paso para la construcción modelos matemáticos

1. Identificación del problema – Necesita ser simulada, optimizada o

controlada, se requiere un modelo Matemático predictivo

2. Elección del tipo de modelo- El modelo debe ser suficientemente simple

como para permitir un tratamiento matemático asequible con los recursos
disponibles

3. Formalización del modelo- Se incluye la confección de algoritmos

ensamblaje de archivos informáticos, se detallaran que forma tienen los
datos de entrada, que tipo de herramienta matemática se usara, como se
adaptan a la información previa existente

4. Comparación de resultados – Los resultados obtenidos como

predicciones necesitan ser comparados con los hechos observados para
ver si el modelo está prediciendo bien si los resultados no se ajustan bien
se debe regresar a la fase 1

Variables de decisión y parámetros

Las variables de decisión son las incógnitas o decisiones que deben

determinarse resolviendo el modelo. Los parámetros son los valores
conocidos que relacionan las variables de decisión con las restricciones y
función objetivo los parámetros del modelo pueden ser determinísticos o
probabilísticos

Función objetivo - Es la medida de la efectividad del sistema se expresa

como una función matemática de las variables de decisión optima del
modelo, produce el mejor valor de la función objetivo
Restricciones – Son las limitaciones tecnológicas, económicas y otras del
sistema que restringen las variables de decisión a un rango de valores
factibles.

Modelos Matemáticos y Simulación en la Ingeniería Industrial

Cuando trabajamos en el diseño o mejora de un proceso en la empresa,

generalmente la vía más convencional o rudimentaria es la de
experimentar con el proceso real pero esta vía presenta muchas
limitaciones de coste y de disponibilidad; otra de las alternativas más
extendidas es crear un banco de pruebas o un prototipo que permitan
obtener una versión simplificada del caso real pero es un proceso costoso
que implica dedicar recursos a la construcción del dispositivo. Hoy en día
existe un método más útil y económico la simulación de procesos con
modelos matemáticos; una alternativa más viable y flexible con la que se
evita construir un prototipo o inferir en los ciclos de fabricación.

En este sentido, los modelos matemáticos nos han permitido diseñar

nuevos procesos y alternativas de mejoras.

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

(matematizacion) mediante ecuaciones y/o relaciones matemáticas,
identificando para ello las variables, parámetros y los supuestos a que
haya lugar
d) Solución del problema y/o proceso matemático obtenido. Para ello se
hará uso de herramientas tales como tablas, graficas, ecuaciones
diferenciales, estadistica, investigación de operaciones.

e) Comparación del modelo con la situación real. En función de esto es

necesario analizar los resultados obtenidos, verificando si la
respuestas alcanzadas son correctas, adecuadas o no, y además si se
generan soluciones extrañas

f) 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.

g) Escenario de aplicación del modelo, así con su interpretación. Es aquí

donde se evidencia el cumplimiento de metas, teniendo en cuenta sus
restricciones, si las hubiera

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 isomorfico y
cuando tiene algún grado de abstracción del objeto que representa,
teniendo en cuenta solamente las variables más relevantes, se
denomina homomorfico

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 riegos 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)

 Ploteo 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,
fundamental mente en los modelos explicativos y dinámicos se deben tener en
cuenta los siguientes criterios (16)

 Métodos de ajustes de los modelos.

 Error estándar de los estimadores de los parámetros (Test t de Student).
 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 de 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 trasformaciones en el modelo.
 Diagnóstico y tratamiento de la multicolinealidad, en modelos de regresión
lineal múltiple.
 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.
 Coeficiente de correlación entre resultados predichos y los reales.
 Análisis de la precisión de las estimaciones.
 Análisis de los residuos.
 Normalidad (Test de Shapiro-Wilks, Kolmogorov-Smirnov).
 Autocorrelacion (Test de Rachas, Signos, Durbin-Watson.X2 de
independencia Ljung y Box).
 Homocedasticidad (Gráficos de los residuos, Test de Cochran, Bartlett y
Hartley)

.
 CONCLUSIONES

Después de estudiar y conocer los temas del capítulo 1 y 2 de este curso entiendo
que la simulación se utiliza en una amplia variedad de empresas, en donde su
objetivo es analizar los procesos actuales (mejora y optimización) y procesos
futuros (anticipación de soluciones) con el fin de obtener el diseño más eficiente.
Para ayudar a la gerencia a tomar decisiones, ya que se podría decir que las
empresas presentan problemas de planificación, en donde la simulación puede
ayudar a resolverlos.

 
 BIBLIOGRAFIA

- AA.VV. (1990): Orden y Caos. Barcelona: Prensa Científica.

ABRAHAM, Ralph y SHAW, Cristhoper D. (1987): Dynamics: a
visual introduction. En F. Eugene YATES (Ed.) (1987): Self–
Organizing systems. The emergence of order, New York: Plenum
Press.

- ABRAHAM, Ralph y SHAW , Cristhoper D. (1987):

- En GREBOGI; Celso y YORKE, James A. (Eds.): The impac of chaos

on sciense and society Tokio: The United Nation University ALTAN,
Henri (1981) Hireachical self- organization in living. Noise and
meanin, EnM

- Martínez y A. REQUENA: Dinámica de sistemas. 1. Simulación por

ordenador 2. Modelos. Madrid: Alianza (2vols).ASHBY, W. Ross
(1956): An introducction to cybernetics. London Chapman and hall

- https://sites.google.com/site/investigaciondeoperacionescun/program
acion-lineal/pasos-generales