MODELOS Y SIMULACIÓN

PRESENTADO POR:
MAURICIO RIVERA RANGEL

C.C. 1.122.412.149

TUTOR: JOSE LUIS RUIZ

GRUPO: 212026_36

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA – UNAD

ESCUELA DE CIENCIAS BÁSICAS, TECNOLOGÍA E INGENIERÍA
INGENIERIA INDUSTRIAL
VALLEDUPAR 2020
 INTRODUCCION

En el presente trabajo se va a hacer un reconocimiento general del curso, en cuanto

a pre saberes de Modelos y Simulación Un modelo de simulación es un conjunto
de ecuaciones que representa procesos, variables y relaciones entre variables de
un fenómeno del mundo real y que proporciona indicios aproximados de su
comportamiento bajo diferentes manejos de sus variables.
La simulación de procesos es una de las más grandes herramientas de
la ingeniería industrial, la cual se utiliza para representar un proceso mediante otro
que lo hace mucho más simple e entendible.
 OBJETIVOS GENERALES.

• Realizar una revisión de los contenidos de aprendizaje, a través de

diferentes actividades de exploración del curso, revisión de los
contenidos y comprensión de contenidos de los conceptos de la
modelación y simulación de procesos en sistemas industriales y el
uso de tecnologías para el análisis de escenarios.

• Revisión de todas las temáticas a desarrollar y participación en los

foros de debate para resolver los interrogantes propuestos sobre
la problemática objeto de estudio y debatir alrededor de la
problemática planteada.

• Reconocer los tipos, usos, aplicaciones de la modelación y

simulación de la modelación y simulación de procesos en sistemas
industriales y el uso de tecnologías para el análisis de escenarios.
 Actividad consulte y explique los siguientes conceptos

1. Qué es la inferencia estadística:

La inferencia estática o estadística inferencial es una rama de la estadística que
se encarga de extraer conclusiones generales a partir de una parte de la
población estadística (es decir, el objeto de estudio, que puede estar formado
por un conjunto de individuos, objetos o fenómenos).

1.1. Clases de muestreo:

El muestreo probabilístico es una técnica en la cual las muestras son recogidas
mediante un proceso que les brinda a todos los individuos de la población la
misma oportunidad de ser seleccionados

Existen dos tipos principales de muestreo: el aleatorio o probabilístico y el

no aleatorio, también conocido como “no probabilístico”. A su vez cada una
de estas dos grandes categorías incluye diversas clases de muestreo que
se distinguen en función de factores como las características de la
población de referencia o las técnicas de selección empleadas.

1.1.1. MUESTREO ALEATORIO O PROBABILISTICO:

En la referencia estadística se conoce como muestreo a la técnica para la
selección de una muestra a partir de una población estadística. Al elegir una
muestra aleatoria se espera conseguir que sus propiedades sean extrapolables
a la población Este tipo de muestreo se clasifica en:

A. 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.

B. 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.

C. 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.
D. 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.

1.1.2. MUESTREO NO ALEATORIOS O NO PROBABILISTICOS:

El muestreo no probabilístico es una técnica de muestreo donde las
muestras se recogen en un proceso que no brinda a todos los individuos de
la población iguales oportunidades de ser seleccionados 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. Esta clase de muestreo se clasifica en:

A. 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.

B. 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.

C. 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.

1.2. DISTRIBUCIONES MUESTRALES: La distribución de frecuencia de un

estadístico muestral se denomina distribución muestral. En general, la
 distribución muestral de un estadístico es la de todos sus valores posibles
calculados a partir de muestras del mismo tamaño.

2. Qué es la programación lineal:

La programación lineal es el campo de la programación matemática dedicado a
maximizar o minimizar una función lineal, denominada función objetivo, de tal
forma que las variables de dicha función estén sujetas a una serie de
restricciones expresadas mediante un sistema de ecuaciones o inecuaciones
también lineales

2.1. Tipos de Programación Lineal y uso de acuerdo con la Tipología:

2.1.1. Método Gráfico: (Resolución gráfica) constituye una excelente alternativa

de representación y resolución de modelos de Programación Lineal que
tienen 2 variables de decisión. Para estos efectos existen herramientas
computacionales que facilitan la aplicación del método gráfico como los
softwares TORA, IORTutorial y Geogebra.

Se utiliza principalmente para resolver problemas de programación lineal de

dos variables.
2.1.2. Método Simplex: El algoritmo del simplex precisa para su utilización
disponer de una solución inicial posible que permita iniciar los cálculos, por
ello, según el caso que se presente será necesario introducir variables de
holgura y variables artificiales.

Es el método más utilizado para resolver los problemas de programación

lineal, ya que no tiene restricción en el número de variables.

2.1.3. Método de la M: El método M inicia con la programación lineal en forma de

ecuación. Una ecuación i que no tenga una holgura (o alguna variable que
pueda hacer el papel de holgura) se aumenta con una variable artificial, Ri,
para generar una solución de inicio parecida a la solución básica con todas
las holguras. Se utiliza un mecanismo de retroalimentación en el que el
proceso de optimización trata en forma automática de hacer que esas
variables tengan nivel cero, esto es porque las variables artificiales son
ajenas al modelo de programación lineal.

El método de la M grande es una forma derivada del método simplex, usado

para resolver problemas donde el origen no forma parte de la región factible
de un problema de programación lineal.

2.1.4. Método de Dos Fases: Debido al impacto potencial adverso del error de
redondeo sobre la exactitud del método M, donde se manipulan en forma
simultánea coeficientes grandes y pequeños, el método de dos fases reduce
el problema eliminado por completo la constante M. Como su nombre indica,
el método resuelve la programación lineal en dos fases: La FASE UNO trata
de determinar una solución básica factible de inicio y, si se encuentra, se
invoca la FASE DOS para resolver el problema original.
 El Método de las Dos Fases es una variante del Algoritmo simplex, que es
usado como alternativa al Método de la Gran M, donde se evita el uso de la
constante M para las variables artificiales.

2.2. Formulación de un problema de programación lineal.

Como un caso particular, el problema de la Programación Lineal consiste en
determinar los valores de las variables del sistema que maximicen o minimicen
una función lineal en todas sus variables, denominada objetivo, que verifiquen
un sistema de restricciones lineales
Para formular y resolver un problema de programación lineal, es necesario
tener en cuenta lo siguiente:

1. Para que un determinado problema se plantee mediante programación

lineal debe cumplir las siguientes condiciones:

• Tener restricciones o recursos limitados. Por ejemplo: cantidad limitada

de trabajadores, número máximo de clientes que se puede atender o
límite de capacidad de un proceso.
• Buscar un objetivo explícito cómo maximizar los ingresos o minimizar los
costos.
• Linealidad, es decir, debe tener proporcionalidad. Las ecuaciones que
generan las variables de decisión son lineales.
• Homogeneidad (las características de las variables de decisión y de los
recursos son iguales). Por ejemplo: todas las horas que trabaja una
persona son igual de productivas o los productos fabricados en una
máquina son idénticos.
 • Divisibilidad, es decir que los productos y recursos se pueden presentar
en fracciones.
• No negatividad, quiere decir que las variables de decisión deben ser
positivas o cero; es decir no se puede fabricar una cantidad negativa de
productos.

2. Para dar solución a un problema a través de la programación lineal, es

necesario identificar los siguientes factores.

 FUNCION 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. Así, por ejemplo, si en
una situación se desean 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 busque 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 óptimo, que contribuya con la
consecución del objetivo de la función general del problema.

 LAS RESTRICCIONES: Cuando hablamos de 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.

La mejor manera de hallarlas consiste en pensar en un caso hipotético

en el que decidiéramos darles un valor infinito a nuestras variables de
decisión, por ejemplo, ¿qué pasaría si en un problema que precisa
maximizar sus utilidades en un sistema de producción de calzado
decidiéramos producir una cantidad infinita de zapatos? Seguramente
ahora nos surgirían múltiples interrogantes, como, por ejemplo:

 ¿Con cuánta materia prima cuento para producirlos?

 ¿Con cuánta mano de obra cuento para fabricarlos?
 ¿Pueden las instalaciones de mi empresa albergar tal cantidad de producto?
 ¿Podría mi fuerza de mercadeo vender todos los zapatos? ▪ ¿Puedo financiar
tal empresa?

Teniendo en cuenta todo lo anterior, se puede resumir el proceso en las siguientes

etapas:

Paso 1: Formular el problema.

Paso 2: Definir las variables de decisión.

Paso 3: Determinar las restricciones del problema.

Paso 4: Determinar la función objetivo.

Paso 5: Resolver el modelo utilizando software o métodos manuales.

2.3. Pasos para desarrollar método simplex: El método Simplex es un método

analítico de solución de problemas de programación lineal, es un método
iterativo que permite ir mejorando la solución en cada paso.

Las fases para desarrollar el método simplex es la siguiente:

 Consideraciones generales:

1. En general se recurre a las variables artificiales cuando al menos

una de las restricciones en el modelo matemático original es del
tipo mayor o igual (≥), esto con el fin de obtener la solución básica
factible inicial.

2. Las variables artificiales proporcionan un artificio matemático para

obtener una primera solución básica. Estas variables son ficticias
y no tienen una interpretación física directa en términos del
problema original (costos).

3. Se debe expresar el modelo original en la forma estándar (llevar

las desigualdades a igualdades).

4. Sumar del lado izquierdo de cada ecuación, correspondiente a las

restricciones del tipo mayor o igual (≥) una variable (artificial) no
 negativa. Dicha adición no causa una alteración en las
restricciones.

5. Los indicadores de las variables artificiales son todos negativos o

iguales a cero (0) en la tabla final. Esto siempre debe ser válido
para una solución óptima(factible).

6. Una vez, conocidas las consideraciones generales procedemos

con los pasos normales del método simplex.

 Armar la Tabla Simplex

1. Pasar a la forma estándar el modelo matemático, restando las variables

de excedente (holgura o flojas) por cada restricción.

2. Agregar variables artificiales en cada restricción.

3. Penalizar las variables artificiales en la función objetivo asignando

coeficiente "M" (minimizar = +M, maximizar= -M), los coeficientes para
las variables de holgura son nulos y M para las variables artificiales, en
donde M es un numero imposiblemente elevado para asegurar que las
variables artificiales se excluirán de la solución óptima.
4. TABLA PARA CÁLCULOS: En las columnas aparecerán todas las
variables del problema y en las filas, los coeficientes de las ecuaciones
obtenidas.

5. En la Función objetivo no deben aparecer variables básicas, por lo que

se hace necesario eliminar las variables artificiales de la F.O. (Quitas
las M de las Columnas Artificiales). Para retirar las M de
las columnas de variables artificiales se suman M veces
(coeficientes de la fila1 + fila
2 + fila 3+… fila n) a la fila de la función objetivo. Esto da como
resultado la tabla inicial.

6. Determinar cuál variable debe entrar a la solución. Se reemplaza el

valor de M en las variables no básicas. En un caso de maximización
será la variable con el coeficiente más negativo, mientras en un caso
de minimización será la variable con el coeficiente más positivo. Se le
denomina columna pivote.

7. Determinar cuál variable debe salir de la solución. Para encontrar

la variable de holgura que tiene que salir de la solución, se divide cada
término de la columna solución (valores constantes) entre el término
correspondiente de la columna pivote, siempre que estos últimos sean
mayores que cero. El término de la columna pivote que en la división
anterior dé lugar al menor cociente positivo, indica la fila de la variable
de holgura que sale de la base. Se le denomina fila pivote.
8. 1ra operación sobre las filas pivote. Los nuevos coeficientes de la
fila pivote se obtienen dividiendo todos los coeficientes de la fila pivote
entre el elemento pivote, y se pasa a una nueva plantilla.

9. Se buscan los nuevos valores de las filas de Z y de las variables básicas

restantes usando la fórmula: FV-(CP*FN). FV representa la
fila vieja, o sea la fila que se desea cambiar; CP es el coeficiente
pivote, que son los valores en la columna pivote; FN es la fila nueva,
donde se encuentran los nuevos coeficientes de la fila pivote.

10. El proceso termina una vez se hayan eliminado los valores negativos
en Z, encontrando de este modo una solución al problema. En caso
contrario, se debe repetir cada uno de los pasos expresados en la
primera iteración hasta encontrar una solución.
3. Qué son los métodos determinísticos: Son 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.

3.1. Tipos de Métodos Determinísticos y su uso de acuerdo con su

Tipología: Los problemas de toma de decisiones se pueden clasificar en dos
categorías: modelos de decisión determinísticos y modelos de decisión
probabilísticos. En los modelos determinísticos, las buenas decisiones se
basan en sus buenos resultados. Se consigue lo deseado de manera
"determinística", es decir, libre de riesgo. Esto depende de la influencia que
puedan tener los factores no controlables, en la determinación de los
resultados de una decisión y también en la cantidad de información que el
tomador de decisión tiene para controlar dichos factores.

3.2. Pasos para la construcción de modelos matemáticos: Las fases o etapas

para la construcción de un modelo matemático son los siguientes:

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.

3.3. Definición de variable, función objetivo y restricciones.

3.3.1. Que es una variable: Son los conceptos u objetos que se busca entender o
analizar. Sobre todo, con respecto a su relación con otras variables.

3.3.2. Que es 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.

3.3.3. Que es Restricciones: Son las limitaciones (restricciones) a las cuales está
sujeta la función objetivo, las cuales se pueden representar como
desigualdades o igualdades de funciones lineales de las variables. Estos
determinados límites también indican que los resultados del análisis son
razonables.
4. ¿Qué son los 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
muestrales, 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

4.1. Tipos de Métodos Probabilísticos, usos y aplicaciones, según la

tipología: Modelos probabilísticos: Los modelos probabilísticos se dividen
en Modelos
Discretos, de los cuales hacen parte El Modelo de Bernoulli, Modelo
Binomial, Modelo Poisson y las distribuciones Geométrica y Binomial; Los
cuales son utilizados para manejar teorías de colas y fenómenos de
esperas: Y Modelos Continuos, que están formados por el Modelo Normal
y Distribución Relacionadas; Los modelos continuos son los más utilizados
en inferencia estadística, dado que muchos fenómenos socio demográfico y
de otra índole tienen un comportamiento acampanado y por ende cumplen
la teoría de la distribución normal.

5. Modelos Matemáticos, Herramientas de Softwares y Simulación en la

 Ingeniería Industrial:

5.1. Modelos Matemáticos:

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.

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.

5.2. La modelación matemática y las herramientas de software: En la

actualidad, la modelización y la simulación es una actividad indispensable
cuando nos enfrentamos con el análisis y diseño de sistemas
multidisciplinares de cierta complejidad.

El objetivo es ayudar o dar el soporte necesario al diseñador durante

el proceso de diseño, análisis y diagnosis de sistemas ingenieriles. El
software debe complementar el talento del diseñador para que éste pueda
modelar y simular de forma lo más eficientemente posible.
 El software hace posible establecer una valoración final antes de que
los sistemas sean construidos, y pueden aliviar la necesidad de
experimentos caros y dar soporte a todas las etapas de un proyecto desde
el diseño conceptual, pasando por el montaje hasta llegar a su
funcionamiento.

5.3. Modelos Matemáticos y Simulación en la Ingeniería Industrial: Cuando

se trabaja en un 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 interferir en los ciclos de
fabricación.

5.4. aplicaciones y análisis de sensibilidad. En forma general, el análisis de

sensibilidad busca investigar los efectos producidos por los cambios del
entorno sobre el sistema.

Desde el punto de vista de la programación lineal, el análisis de

sensibilidad, llamado también análisis paramétrico, es un método que
permite investigar los efectos producidos por los cambios producidos en los
valores de los diferentes parámetros sobre la solución óptima. Es necesario
no perder de vista que los cambios en la solución del primal repercuten
 automáticamente en la solución de su modelo dual. Por lo tanto, puede
elegirse qué modelo se va a utilizar para investigar los efectos.

Dado que los parámetros que se muestran en el modelo utilizan

valores estimados basados en una predicción de las condiciones futuras, los
datos obtenidos para desarrollar estas estimaciones son bastante
imperfectos; por esto pueden tomar otros valores posibles. Por esa razón es
importante el siguiente análisis.

El análisis de sensibilidad es una herramienta efectiva, por dos

razones fundamentales:

1. Los modelos de programación lineal son con frecuencia grandes y costosos;

por lo tanto, no es recomendable utilizarlos para un solo caso.

2. Los elementos que se dan como datos para un problema de programación

lineal, la mayoría de las veces son estimaciones; por lo tanto, es necesario
investigar o tener en cuenta más de un conjunto de casos posibles.

El análisis de sensibilidad se lleva a cabo en:

 Cambios en los niveles de recursos escasos.

 Cambios en los coeficientes de la función objetivo.
 Cambios en los coeficientes tecnológicos.
 Supresión y adición de restricciones.
 Adición de nuevas variables.
 CONCLUSIONES

La simulación es el estudio de un proceso con la observación del comportamiento

de un modelo, en un cierto plazo, en respuesta a un patrón de entradas. los
procesos industriales son fundamental para poder poner en marcha el proyecto o
las nuevas actividades. El desarrollo de Modelos Matemáticos de Simulación es
una moderna técnica analítica que puede ser utilizada en las distintas etapas de la
evaluación de estrategias alternativas.

A través de esta práctica también se pueden crear programas de mejoras continuas

en los diferentes procesos; Básicamente funcionan sustituyendo situaciones reales
por situaciones artificiales y a través de este proceso poder identificar las diferentes
variables que afectan los procesos o productos.

.
 REFERENCIAS BIBLIOGRÁFICAS

• 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.

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

aplicación a procesos logísticos de fabricación y servicios. Madrid, ES:
Universidad Politécnica de Catalunya. Disponible en la Biblioteca Virtual de
la UNAD.

• Mayorga A, J. Humberto (2004). Inferencia Estadística. Bogotá, Colombia:

universidad Nacional de Colombia.