Paso 1 – Reconocer los pre saberes de modelos de simulación

Nestor Daniel Acevedo Hernandez

c.c: 1093784335

Victo Hugo Rodríguez

Modelos y Simulación

(212026_22)

Universidad Nacional Abierta y a Distancia (UNAD)

Ingeniería Industrial

Junio/16/2021

San José de Cúcuta

 INTRODUCCIÓN

En la actualidad existen gran cantidad de herramientas informáticas que

facilitan el trabajo de los Ingenieros Industriales a la hora de querer realizar
un proyecto, es muy importante que el futuro Ingeniero entienda que es mejor
primero realizar simulaciones y pruebas para así determinar los puntos fuertes de
una actividad o proyecto, el modelo matemático es ideal ya que nos permite
analizar de forma cuantitativa la viabilidad a la hora de querer implementar un
proyecto. En este documento se encuentra el desarrollo de la actividad
correspondiente al paso 1 Reconocer los pres saberes de modelos de
simulación.
 JUSTIFICACIÓN

Antes de iniciar cualquier actividad, trabajo, proyecto, todo estudiante o trabajador

debe investigar los conocimientos previos necesarios para poder realizar dicho
proyecto de f o r m a a d e cu a d a , e s p o r e s o q u e e n e s t e t r a b a j o a l s e r e l
p ri m e r o d e l se m e s t r e académico se hace énfasis en que el
estudiante aprenda los conceptos básicos necesario para que durante el
transcurso del semestre académico tenga claro que es lo que se necesita a la hora
de resolver ciertos problemas o ejercicios.
 OBJETIVOS

GENERAL:

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

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

ESPECIFICOS:

 Reconocer los diferentes entornos del curso.

 Identificar a los integrantes del grupo del trabajo del curso.
 Investigar sobre varios temas concernientes a la modelación y simulación.
 Iniciar a interactuar a través de Skype con el tutor.
 Participar de forma continua en el foro de trabajo colaborativo.
 A. Consulte y explique los siguientes conceptos
i. Texto: Qué es la Inferencia Estadística, clases de muestreo, distribuciones
muéstrales.

ii. Texto: Qué es la Programación Lineal, formulación de un problema de

programación lineal, pasos para desarrollar método simplex.

iii. Texto: Qué son los métodos determinísticos, pasos para la construcción de
modelos matemáticos, definición de variable, función objeto y restricciones.

iv. Texto: Modelos matemáticos y simulación en la ingeniería industrial:

aplicación y análisis de sensibilidad.

Solución:

i. Qué es la Inferencia Estadística, clases de muestreo, distribuciones

muéstrales

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 este concepto es de suma
importancia saber y entender estor tres conceptos:

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

sobre una variable.
 Inferencia: Significa extraer juicios o conclusiones a partir de ciertos
supuestos, sean estos generales o particulares.
 Muestra Estadística: Una muestra es una parte de la población de datos.

Clases de Muestreo
 1. 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 oportunidad de ser escogidos.
Dentro de los muestreos probabilísticos podemos encontrar los siguientes tipos:

 Muestreo aleatorio simple.

 Muestreo sistemático.
 Muestreo estratificado.
 Muestro por conglomerados.

2. 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 seleccionadas. Dentro de esta técnica
existen cuatro tipos de muestreos:

 Muestreo por cuotas.

 Muestreo intencional o de conveniencia.
 Muestreo por bola de nieve.
 Muestreo discrecional

3. Distribuciones muéstrales

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.

ii. Qué es la programación lineal, formulación de un problema de

programación lineal, pasos para desarrollar método simplex.
La programación lineal es campo de la programación matemática dedicado a
maximizar o minimizar (optimizar) 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. El método tradicionalmente usado para resolver problemas de
programación lineal es el método simplex.

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 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?
Solución
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

Basándose 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, no negatividad entre otros.

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 el contexto operativo del problema para de
esta forma determinar si es de maximización minimización. En este caso
abordamos el contexto de beneficio por ende lo ideal es maximizar.

Función objetivo:

ZMAX = 400XT + 500XT´

Paso 5: Resolver el método utilizando software o métodos anuales

A menudo los problemas de programación lineal están constituidos por
innumerables variables, lo cual dificulta su resolución natural, es por esto que se
recurre a software especializado, como es el caso de WinQSB, TORA, LINGO,
Solver de EXCEL o para modelos complejos se hace útil una herramienta potente
como GOOGLE OR-TOOLS.
El anterior ejercicio fue resuelto mediante SOLVER EXCEL y su resultado fue:
Pasos para desarrollar métodos simplex:

1. Poner el problema en forma estándar: La función objetivo se minimiza y las

restricciones son de igualdad.
2. Encontrar una solución básica factible (SBF).
3. Testar la optimalidad.
4. Elegir una variable de entrada.
5. Elegir una variable de salida.
6. Actualizar la base y la solución básica factible.
7. Volver al paso 3.
iii. Qué son los métodos determinísticos, pasos para la construcción de
modelos matemáticos, definición de variable, función objetivo,
restricciones.

Los métodos determinísticos son técnicas que utilizan ecuaciones o algoritmos

desarrollados previamente para situaciones similares. Estos métodos no
involucran enfoques estocásticos o estadísticos. Por lo general, los métodos
determinísticos son más fáciles y más rápidos de aplicar y resultan más
adecuados para las aplicaciones computacionales. No obstante, quizás no
proporcionen los modelos de yacimiento más detallados o más precisos.

Pasos para la construcción de modelos matemáticos

1. Definición del problema de interés y recolección de 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.

Definición de variable, función objetivo y restricciones.

 Variable: Las variables son incógnitas que deben ser determinadas a partir de
la solución del modelo. Los parámetros representan los valores conocidos del
sistema o que se pueden controlar. Las variables se presentan por:
X 1 , X 2 , X 3 ,… X n o X i ,i=1,2,3, n …
 Función objetivo: Es una relación matemática entre las variables, parámetros
y una magnitud que represente el objetivo o producto del sistema. Es la
medición de la efectividad del modelo formulado en función de las variables.
Determina lo que se optimizar (Maximizar o Minimizar).
 La solución óptima se obtiene cuando el valor de la función objetivo es óptimo
(valor máximo o mínimo), para un conjunto de valores factibles de las
variables. Es decir, hay que reemplazar las variables obtenidas X 1 , X 2 , X 3 , … X n
en la función objetivo Z= f (C1 X 1 ,C 2 X 2 ,C 3 X 3 …C n X n ) sujeto a las restricciones
del modelo matemático. Por ejemplo, si el objetivo minimizar los costos de
operación, la función objetivo debe expresar la relación entre el costo y las
variables de decisión, siendo el resultado el menor costo de las soluciones
factibles obtenidas.
 Restricciones: Son relaciones entre las variables de decisión y los recursos
disponibles. Las restricciones del modelo limitan el valor de las variables de
decisión. Se generan cuando los recursos disponibles son limitados.
En el modelo se incluye, adicionalmente de las restricciones, la restricción de la
no negatividad de las variables de decisión, o sea: X i =0.
Por ejemplo, si una de las variables de decisión representa el número de
empleados de un taller, el valor de esa variable no puede ser negativo. O
también, sí una de las variables es la cantidad de mesas a trabajar, su valor
solamente podrá ser igual a cero mayor que cero, o sea positivo; sería absurdo
obtener como resultado que se va a fabricar -4 mesas.

iv. Modelos matemáticos y simulación en la ingeniería industrial:

aplicaciones y análisis de sensibilidad.

 Análisis del proceso de producción de aceites básicos en la refinería

Aceites del Oriente 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:

Variable: densidad de aceite filtrado 0.9009 g/cm3

Variable: viscosidad cinemática del aceite filtrado 10.3412 cSt

Se logró establecer que 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

Con el desarrollo de esta actividad se puede concluir que:

 Se adquiere de manera oportuna y veraz los conceptos básicos para la

realización del curso.
 Se da a conocer los pasos para el desarrollo del método simplex.
 Se da a entender los usos y aplicaciones de los términos por ejemplo: métodos
determinísticos, métodos probabilísticos, programación lineal.
 REFERENCIAS BIBLIOGRAFÍCAS

 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 (pp.2-21). Recuperado de https://elibro-
net.bibliotecavirtual.unad.edu.co/es/ereader/unad/61422?page=1

 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

 González Ariza, A. L., & García Llinás, G. A. (2015). Manual práctico de

investigación de operaciones I: Vol. Cuarta edición, revisada y aumentada.
Universidad del Norte. Recuperado
de https://bibliotecavirtual.unad.edu.co/login?
url=http://search.ebscohost.com/login.aspx?
direct=true&db=nlebk&AN=1537248&lang=es&site=eds-live&scope=site

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

modelos y decisiones. Ediciones UC. Recuperado
de https://bibliotecavirtual.unad.edu.co/login?
url=http://search.ebscohost.com/login.aspx?
direct=true&db=nlebk&AN=1725244&lang=es&site=eds-live&scope=site

 Hernandez, Oscar. (23,08,2017). Modelos y Simulación. [Archivo de video].

Recuperado de http://hdl.handle.net/10596/12979