MODELOS Y SIMULACIÓN

Paso 1
Reconocer los pre saberes de modelos de simulación.

Estudiantes

Frederick Vides Navarro

Curso

Modelos y simulación
Código: 212026

Director de Curso

Grupo
212026 - 82

Universidad Nacional Abierta y a Distancia

Escuela De Ciencias Básicas, Tecnología E Ingeniería

Febrero 2021
INTRODUCCIÓN
JUSTIFICACIÓN
OBJETIVOS
 DESARROLLO

1. ¿Qué es la inferencia estadística?

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

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

 Clases de muestreo

Se pueden distinguir dos tipos de muestreo fundamentales en la estadística:

Muestreo aleatorio o probabilístico y Muestreo no aleatorio o no probabilísticos

o 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:

En este método, 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.

o 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.

 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.

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. Programación lineal

La programación lineal es un procedimiento o algoritmo matemático mediante el

cual se resuelve un problema indeterminado, formulado a través de un sistema de
inecuaciones lineales, optimizando la función objetivo, también lineal.
Consiste en optimizar (minimizar o maximizar) una función lineal, denominada
función objetivo, de tal forma que las variables de dicha función estén sujetas a
una serie de restricciones que expresamos mediante un sistema de inecuaciones
lineales.

 Formulación de un problema de programación lineal

Los elementos de un problema de programación lineal, corresponden al de un

proceso de optimización, donde tenemos:
Variables de decisión:
Son las variables que están bajo el control de la persona que toma las decisiones.
Sus valores óptimos se determinarán al resolver el problema.

Por ejemplo:
Función objetivo:
Expresa matemáticamente el objetivo que se pretende alcanzar en la solución del
problema; ya sea minimizar o maximizar. Por ejemplo: maximizar las utilidades de
la empresa o minimizar los costos de producción.
Se representa de la siguiente forma:

Donde:
X1, X2, X3, …, Xn = Variables de decisión
C1, C2, C3, …, Cn = Constantes

Restricciones:
Son las limitaciones que restringen las opciones permisibles para las variables de
decisión.
Cada restricción se expresa matemáticamente con cualquiera de estos signos:
Menor que o igual a (≤). Cuando existe un límite superior, por ejemplo: las horas
extras de trabajo no pueden ser mayor a 2 horas diarias
Igual a (=). Indica una relación obligatoria, por ejemplo: el inventario final es igual
al inventario inicial más la producción menos las ventas.
Mayor que o igual a (≥). Cuando existe un límite inferior, por ejemplo: la
producción de cierto producto debe ser superior a la demanda pronosticada.
Cualquier problema de programación lineal debe presentar una o varias
restricciones. Se debe considerar dentro de las restricciones la no negatividad de
las variables de decisión.

Se representan de la siguiente forma:

Donde:
X1, X2, X3, …, Xn = Variables de decisión
Amn y Bm = Constantes

 Pasos para desarrollar método simplex

Este método puede realizarse en algunos pasos que pueden variar un poco, una
forma estándar o bastante aceptada es:
PASO I. Determinación de la Función Objetivo
PASO II. Determinación de las restricciones
PASO III. Formulación de la restricción de no negatividad
PASO IV. Formulación de las inecuaciones en ecuaciones
PASO V. Formulación de la tabla simplex
3. Modelo Determinístico

Es un modelo matemático donde las mismas entradas o condiciones iniciales

producirán invariablemente las mismas salidas o resultados, no contemplándose la
existencia de azar, o incertidumbre en el proceso modelada mediante dicho
modelo.
Está estrechamente relacionado con la creación de entornos simulados a través
de simuladores para el estudio de situaciones hipotéticas, o para crear sistemas
de gestión que permitan disminuir la propagación de errores.

 Construcción de modelos matemáticos

Modelo matemático: modelo expresado en términos matemáticos

– hace más claras la estructura y relaciones.
– facilita el uso de técnicas matemáticas y ordenadores.
– a veces no es aplicable.
En la construcción de un modelo se distinguen las siguientes fases (Bugeda,
1976).
A. Definición del problema a resolver: formulación precisa e inequívoca del
problema y declaración de los objetivos a conseguir.
B. Recolección y proceso de datos empíricos: considera la recolección de la
información cuantitativa y su reducción a forma manejable. Los datos deberán ser
puestos en forma significativa para que sobre ellos se formulen las hipótesis
(modelo) del comportamiento del sistema en consideración.
C. Formulación del modelo matemático. Esta fase se subdivide en:
i. Selección de las variables más relevantes a incluir y de las interrelaciones entre
ellas, dando a lugar un modelo de carácter estructural.
ii. Expresión en términos matemáticos de las relaciones entre las variables, con lo
que se obtiene un modelo funcional con capacidad operativa.
D. Especificación del modelo: determinación de los parámetros y coeficientes de
las ecuaciones que representan las interrelaciones del modelo.
E. Formulación de un programa computacional.
F. Análisis de validez.

Ahora bien, La estructura de un modelo matemático está determinada por:

• Variables de decisión
• Parámetros y constantes
• Función de optimización: Maxi/min
• Ecuaciones de restricción

 Definiciones

Variables de decisión:
Decisiones cuantificables relacionadas unas con otras. Ejemplo: Cuánto comprar,
Vender

Función objetivo:
La medida de efectividad compuesta expresada como una función de las variables
de decisión. Puede ser Maximizar o Minimizar

Restricciones:
Limitaciones impuestas sobre los valores de las variables de decisión, casi
siempre en forma de ecuaciones o desigualdades. Pueden = / ≤ / ≥

4. Modelo matemático

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. 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.

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.
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.

 Simulación en ingeniería industrial

La simulación podría definirse como el proceso de diseñar un modelo de un
sistema real y llevar a término experiencias con él, con la finalidad de comprender
el comportamiento del sistema o evaluar nuevas estrategias dentro de los límites
impuestos por un cierto criterio o un conjunto de ellos para el funcionamiento del
sistema.
En la ingeniería industrial, siendo tan amplia en sus aplicaciones, la simulación
tiene gran importancia, ya que permite poner a prueba muchos sistemas de una
forma económica y en un tiempo corto que permite encontrar las soluciones más
optimas a los desarrollos y creaciones del hombre en todas las industrias.
Además, la obtención de información a partir de los procesos de simulación deriva
en la toma de decisiones con mucha efectividad por parte de las compañías.
Conclusiones

La estadística, los modelos matemáticos y la simulación son parte importante de la

ingeniería industrial, así como de muchas otras áreas de saber. Su aporte a la
ciencia, la tecnología y las industrias ha cambiado mucho la forma de producir y
ha permitido optimizar con mayor efectividad las creaciones del hombre

Las áreas de aplicación de la simulación son muy amplias, numerosas y diversas.

Permiten a las empresas poner a prueba sus creaciones, avances,
descubrimientos, etc., de tal forma que logran conocer el resultado antes de enviar
los productos al mercado con la mayor efectividad posible.
 Bibliografía

 Paula Nicole Roldán,3 enero, 2019, Modelo matemático, economipedia.com

 Ríos, Sixto (1995): Modelización. AU 822. Alianza Ediciones. Madrid.

 Rojo, O. (2001) Modelos físicos y modelos matemáticos. Ciências Exatas e

Naturais. 3, 97-103.

 Singer M. Una Práctica Teoría de La Optimización Lineal : Datos, Modelos y

Decisiones. Ediciones UC; 2013. Accessed August 18, 2020. Recuperado

de http://search.ebscohost.com.bibliotecavirtual.unad.edu.co/login.aspx?

direct=true&db=nlebk&AN=1725244&lang=es&site=eds-live&scope=site