PASO 1. RECONOCER LOS PRE SABERES DE MODELOS DE SIMULACIÓN.

Presentado por:
Róbinson Álvarez Lozano
10181140
Grupo 17

Presentado a:
NIDIA STELLA RINCON PARRA
Modelos y Simulación
212026

Universidad Nacional Abierta y a Distancia – UNAD

Escuela Ciencias Básicas Tecnología e Ingeniería – ECBTI
Ingeniería Industrial
Febrero de 2022
 INTRODUCCÍON

El presente trabajo es la recopilación y reconocimiento de las temáticas

anteriormente vistas a lo largo de nuestra Carrera. Con el repaso de esto podremos
apropiarnos de las bases necesarias para abordar el curso de Modelos y
Simulación.
 JUSTIFICACIÓN

La utilización de las matemáticas en la solución problemas de Ingeniería ha sido

uno de los grandes avances de ella. Gracias a esto la investigación de operaciones
se ha visto ampliamente beneficiada con adelantos tecnológicos de punta. Los
modelos matemáticos y simulación son de gran importancia en la toma de
decisiones empresarial, por consiguiente, los gerentes modernos tienen que
conocerlos.
 OBJETIVOS

General:
Diferenciar las técnicas de modelamiento para la generación de escenarios de
solución óptima, de acuerdo a las condiciones y medidas de desempeño del sistema
real productivos y logísticos.

Específicos:
• Realizar la revisión de los contenidos de aprendizaje, a través de diferentes
actividades de exploración del curso, la revisión de los contenidos de
aprendizaje.
• Comprender y aprehender los conceptos de la modelación y simulación de
procesos en sistemas industriales y el uso de tecnologías para el análisis de
escenarios.
• Repasar las Temáticas vistas durante la Carrera de ingeniería industrial
PASO 1. RECONOCER LOS PRE SABERES DE MODELOS DE SIMULACIÓN.
1. ESTADÍSTICA INFERENCIAL
La estadística inferencial es una parte de la estadística que comprende los
métodos y procedimientos que por medio de la inducción determina propiedades
de una población estadística, a partir de una parte de esta. Su objetivo es obtener
conclusiones útiles para hacer deducciones sobre una totalidad, basándose en
la información numérica de la muestra.
Se define como muestreo a la herramienta estadística que permite delimitar una
población para un correcto estudio.
El muestreo como tal, se divide en dos grandes grupos:
Muestreo Probabilístico: Que se basa en el principio de que “todos los
elementos tienen la probabilidad se ser elegidos”, y por tal razón son los más
recomendables. Este se clasifica en:
• Muestreo Aleatorio Simple: es aquel muestreo que mediante la asignación de
números se selecciona de forma mecánica varios elementos de la muestra.
• Muestreo Aleatorio Sistemático: es aquel muestreo que al igual que el
aleatorio simple, se asignan números a la muestra, pero la diferencia
existente es que solo se selecciona un elemento de la muestra.
• Muestreo Aleatorio Estratificado: es aquel muestreo en la que se consideran
que todos los elementos seleccionados en la muestra, cumplan con los
requisitos expuestos en el estudio.
• Muestreo Aleatorio por Conglomerado: es aquel muestreo en las que se
selecciona de forma directa la muestra.
Muestreo No Probabilístico: Es aquel muestreo en que se selecciona la
muestra de acuerdo a los criterios del estudio, cuidando de que estas reflejen lo
mejor posible las condiciones. Este se clasifica en:
• Muestreo por Cuotas: en este tipo de muestreo se selecciona de forma
específica una muestra que cumpla con las condiciones establecidas.
• Muestreo Discrecional: en este tipo de muestreo el investigador selecciona
aquella muestra que cree que pueden aportar algo de importancia al estudio.
• Muestreo por Conveniencia: en este tipo de muestreo se realiza un esfuerzo
de incluir muestras que se creen que cumplen con las condiciones dadas.
• Bola de Nieve: este tipo de muestreo consiste en la localización de una
muestra y que este nos conduzca a otra y así sucesivamente hasta conseguir
la cantidad deseada.
Una distribución muestral es una función de probabilidad, ya que asigna a cada
posible valor de un estadístico su probabilidad de aparecer en una muestra
extraída al azar. En realidad, esta definición es estrictamente cierta solo cuando
la variable toma valores discretos; por ejemplo, cuando procede de un contaje y
 sus posibles valores son 0, 1, 2, 3, etc. Cuando el valor del estadístico muestral
es una variable continua, la distribución muestral correspondiente se denomina
función de densidad de probabilidad.

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.
• 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.
• 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.
2. PROGRAMACIÓN LINEAL
La Programación lineal (PL) es un método matemático de optimización, que
permite representar modelos lineales para reducir costos o maximizar ganancias
en diferentes áreas de una organización.
Método Gráfico:
• Solo trabaja con dos o tres variables
• Gráfica la función objetivo y las restricciones
• Ubica en la región factible solución óptima, no factible, múltiple o no acotada
• Se trabaja directamente en la forma canónica
• Encuentra la solución en la gráfica directamente
• Es relativamente fácil de hacer y entender
• Ubica todos los puntos extremos que son una solución factible
• No hay que pasar a la forma estándar.
• Solo funciona con 2 ó 3 variables
• Puede ser inexacto al tener muchas restricciones
Método Algebraico:
• Es parecido al método simplex
• Se mueve entre puntos extremos empezando en el origen
• Se trabaja en la forma estándar.
• Encuentra la solución cuando z ya no puede o empeora en una siguiente
iteración
• Trabaja rápido en modelos sencillos
• Describe en cada iteración como se comportan las variables y que valor tiene
z
• Funciona par modelos de n variables
• Requiere revisar constantemente que se esta moviendo correctamente.
• El álgebra o como elegir las variables de entrada puede llegar a ser confuso
• Realizar todo el proceso puede ser mucho mas tardado que el método
simplex
Simplex:
• Trabaja en la forma estándar
• El origen tiene que ser una solución factible
• Se mueve a través de los puntos extremos
• Describe cómo aumenta o disminuye z y dice que ocurre con las variables
• A través de los coeficientes describe si se llega a una solución óptima, no
factible, no restringida o múltiple
• Trabaja muy rápido para encontrar la solución óptima
• Funciona para modelos de n variables
• Requiere un cuidado muy grande del álgebra
• No funciona si el origen no es parte del conjunto de soluciones factibles
• Puede caer en un ciclo si no se tienen consideraciones, pero es muy raro
De La Gran M:
• Trabaja con el modelo ampliado
• Tiene variables artificiales que están multiplicadas por un valor muy grande
denominado por M
• Las variables artificiales son poco atractivas para elegirlas como variable de
entrada
• Trabaja con modelos donde la solución inicial no tiene que ser el origen.
• Si no se puede eliminar a M, entonces no hay solución factible
• Se considera primera al factor multiplicativo más negativo para maximización
y después al aditivo
• Funciona con cualquier tipo de modelo lineal donde las variables son reales.

• Facilita distinguir a las variables duales en el análisis de decisiones

• El álgebra llega a complicarse demasiado con las M.
• Es difícil de introducir en una computadora
De Las Dos Fases:
• Trabaja con la forma ampliada
• Trabaja con cualquier modelo.
• Tiene dos fases: en la primera se plantea una función de minimización donde
las variables son las v. artificiales y las restricciones son las mismas que en
el modelo ampliado para ubicar la solución inicial
• En la segunda fase se continua el método quitando las v. artificiales y
retomando la función objetivo original pero con los valores ya dados en las
restricciones de la anterior fase
• Si existe una v. artificial en la base al final de la primera fase, entonces se
fuerza a esta a salir de la base.
• Evita muchos problemas del método de la gran M
• Se pasa fácilmente del modelo ampliado a la forma estándar
• Resulta confuso el momento en el cual hay que cambiar de la función objetivo
modificada a la función original.
• Requiere realizar dos tablas simplex por separado o una donde se juntan las
dos funciones objetivo
• Es complicado o imposible visualizar lo que esta pasando en este modelo de
una forma gráfica durante la primera fase
Simplex Revisado:
• Es una diferente forma de realizar el método simplex
• Se realiza tomando solamente los cálculos necesarios que se ocupan en toda
la tabla del método simplex y expresándolo en forma de matrices
• Requiere el uso de matrices inversas y multiplicación de matrices
• Puede aplicarse ciertos criterios a este método para hacerlo parecido al
método de las dos fases.
Los pasos a seguir para solucionar un problema de programación lineal, son los
siguientes:
1. Identificar las incógnitas.
2. Escribir la función objetivo
3. Escribir las restricciones como inecuaciones
4. Hacer un gráfico con todas las ecuaciones e inecuaciones y averiguar las
soluciones factibles.
5. Calcular la solución óptima.
El método simplex es un procedimiento iterativo para resolver problemas de
programación lineal, donde se busca obtener la solución óptima de la función
objetivo que logre cumplir el conjunto de restricciones.
Los pasos a seguir en el método simplex son:
1. Definir el problema en la forma estándar y generar nuestra matriz.
2. Determinar la solución básica inicial.
3. Seleccionar la variable de entrada utilizando la condición de optimalidad. Si
no se puede seleccionar una variable de entrada, quiere decir que estamos
 en la condición óptima y finalizan las iteraciones. De otro modo se continúa
con el siguiente paso.
4. Seleccionar la variable de salida utilizando la condición de factibilidad.
5. Actualizar nuestra matriz realizando las operaciones de Gauss-Jordan.
6. Volver al paso número 3.
Áreas de aplicación La PL como optimización aspectos herramienta es utilizada
relacionados administración a eficientes procesos en todos los de en la de
ámbitos de la convirtiéndose en una práctica la habitual en la ingeniería,
economía, la ciencia y los negocios.
• Logística y cadena de suministro La PL es una valiosa herramienta
minimizar costos de transporte en una red de cadena suministro. Permite
diseñar una red de suministro. Encontrando la ubicación óptima de centros
de distribución, que minimice los costos de transporte y cumpla con la
demanda del cliente.
• Producción: Planeación agregada La PL permite realizar un plan para
aumentar la capacidad de producción de una empresa; al mismo tiempo que
se minimizan los costos de producción y se cumple con la demanda del
cliente .
• Finanzas: La PL la puede ser utilizada para la optimización de Distribución,
Selección de valores, Portafolios de inversión y Consideraciones financieras
• Marketing: Estudio de Selección mercado, selección efectiva de medios de
comunicación, Asignación territorios de ventas y Distribución de ventas
• Mezclas * Mezcla alimenticia: A Mezcla través de modelos matemáticos de
optimización se pueden desarrollar y crear productos que cumplan con los
requisitos nutricionales, y al mismo tiempo conseguirlo mediante el
aprovechamiento de recursos limitados.
• Recursos humanos: La PL permite planear horarios de trabajo con la
finalidad de adaptar la capacidad productiva a los requerimientos de la
organización. Asignación de tareas, Programación de horarios en el ámbito
educativo.
• Producción agrícola: Los modelos PL son ampliamente utilizados en la
optimización de los recursos de naturales Principalmente en el uso del suelo
para diferentes tipos de cultivos maximizando las ganancias con recursos
limitados.
• Sector forestal: Se han creado modelos matemáticos para la administración
forestal. En particular la tala de árboles, de tal manera que se maximicen las
ganancias. A través de la selección de maquinaria adecuada y selección de
patrones de corte.

3. MÉTODOS DETERMINISTICOS
Técnicas que utilizan ecuaciones o algoritmos desarrollados previamente para
situaciones similares. Estos métodos no involucran enfoques estocásticos,
involucra una secuencia de observaciones determinadas en forma aleatoria, o
estadísticos. Generalmente, 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
yacimientos más detallados o más precisos. 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.
Uso de los Métodos determinísticos según su tipología:
REDES DE DISTRIBUCION
1. Modelo de Transporte: La función objetivo consiste en reducir al mínimo el
costo de transporte y satisfacer los requerimientos de las bodegas dentro de
las limitaciones de la capacidad de las fábricas. Se han desarrollado varios
métodos para resolver un problema de transporte, dentro de los cuales, los
comunes son:
• Esquina Noroeste: Es uno de los métodos más fácil para determinar una
solución básica factible inicial. Este también considerado por ser el menos
probable para dar una buena solución de “bajo costo” porque ignora la
magnitud relativa de los costos.
• Mínimos: El método de la celda del mínimo costo es similar al método
anterior diferenciándose solo en el primer paso: Considere todas las
celdas que están contenidas en las filas o columnas señaladas.
Seleccione la celda que tenga el bajo costo, se empieza a saturar como
en los pasos anteriores.
• Vogel: Este método es considerado el más cercano a una solución óptima
para evaluar una solución factible de bajo costo.
• Prueba de Optimidad o salto de piedra: Para saber que tan factibles son
todos los métodos anteriores se ha desarrollado la prueba de optimalidad
que determina si el método es el que ofrece el menor costo de envío. La
prueba se lleva a cabo mediante el cálculo de un solo número conocido
como costo reducido, para cada celda vacía.
2. Modelo de Asignación: Se puede considerar el modelo de asignación como
un caso especial del modelo de transporte. Se tienen en cuenta los conceptos
fuentes que son los trabajos a desempeñar, y los destinos son las maquinas
que desempeñan el trabajo.
CPM – PERT:
PERT/CPM proporciona una herramienta para controlar y monitorear el progreso
del proyecto. Cada actividad tiene su propio papel en éste y su importancia en la
terminación del proyecto manifiesta inmediatamente para el director del mismo.
Las actividades de la Ruta Crítica, permiten, por consiguiente, recibir la mayor
parte de la atención, debido a que la terminación del proyecto, depende
 fuertemente de ellas. Las actividades no críticas manipularán y reemplazarán en
respuesta a la disponibilidad de recursos.
DIAGRAMA DE RED:
Es una red de círculo (nodo) numerada y conectada con flechas, dónde se
muestran todas las actividades que intervienen en un determinado proyecto y la
relación de prioridad entre las relaciones.
En la construcción de un modelo se distinguen las siguientes:
1. Definición del problema a resolver: formulación precisa e inequívoca del
problema y declaración de los objetivos a conseguir.
2. 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.
3. Formulación del modelo matemático. Esta fase se subdivide en:
▪ Selección de las variables más relevantes a incluir y de las interrelaciones
entre ellas, dando a lugar un modelo de carácter estructural.
• Expresión en términos matemáticos de las relaciones entre las variables,
con lo que se obtiene un modelo funcional con capacidad operativa.
4. Especificación del modelo: determinación de los parámetros y coeficientes
de las ecuaciones que representan las interrelaciones del modelo.
5. Formulación de un programa computacional.
6. Análisis de validez.
Identificación de variables, función objetivo y restricciones 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
• Parámetros: Valores constantes que actúan como coeficientes al lado
derecho de las variables tanto en la función objetivo como en las restricciones
y que se basan en datos tecnológicos de los problemas. Ejemplo fijar tasa
inflación
• Restricciones: Limitaciones impuestas sobre los valores de las variables de
decisión, casi siempre en forma de ecuaciones o desigualdades.

4. MODELOS MATEMÁTICOS Y SIMULACIÓN EN LA INGENIERÍA

INDUSTRIAL
Esta alternativa consiste en la creación de un modelo lógico-matemático que
describa las relaciones entre las variables que definen el proceso para
experimentar con ellas mediante simulación. Por simulación se entiende, por
tanto, la generación de datos artificiales mediante un ordenador, a partir de un
modelo predefinido.

La simulación permite entre otros aspectos:

• Reducir los tiempos de desarrollo de nuevos procesos, al poder evaluar

múltiples alternativas en cuanto a parámetros, niveles de las variables y
tecnologías
• Cuantificar los riesgos asociados a la incertidumbre, al incorporar la
variabilidad natural esperable
• Optimizar procesos, con algoritmos apropiados
• Acelerar la formación de nuevos empleados, ya que se pueden simular
diferentes configuraciones de forma rápida y segura
 CONCLUSIONES

Gracias a este trabajo se ha logrado la diferenciación de las técnicas de

modelamiento para la generación de escenarios de solución óptima, de acuerdo a
las condiciones y medidas de desempeño del sistema real productivos y logísticos.
Dicho proceso se obtuvo mediante la revisión de los contenidos de aprendizaje, a
través de diferentes actividades de exploración del curso, la revisión de los
contenidos de aprendizaje, la comprensión y aprehensión de los conceptos de la
modelación y simulación de procesos en sistemas industriales y el uso de
tecnologías para el análisis de escenarios.
 REFERENCIAS BIBLIOGRÁFICAS

AINIA. (2013). Simulación de procesos con modelos matemáticos, ¿los utilizas? Madrid. Obtenido
de https://www.ainia.es/ainia-news/simulacion-de-procesos-con-modelos-matematicos-
los-utilizas/

ARAGÓN, G. L. (2010). METODOS DETERMINISTICOS. Bogotá. Obtenido de chrome-

extension://efaidnbmnnnibpcajpcglclefindmkaj/viewer.html?pdfurl=http%3A%2F%2Fple-
metodos-deterministicos-
deza.weebly.com%2Fuploads%2F5%2F5%2F7%2F7%2F5577408%2Fmodulo_102016_met
odos_deterministicos_contenidos.pdf&clen=2031511&chunk=true

Daniel, R. E. (s.f.). Métodos de programación lineal. Obtenido de

https://sites.google.com/site/metodosdeprogramacionlinealdan/clasificacion-de-los-
metodos

López, C. (2015). Un profesor. Obtenido de https://www.unprofesor.com/matematicas/como-

resolver-un-problema-de-programacion-lineal-830.html

Pantaleón, E. R. (2022). Revista educativa CursosOnlineWeb.com. Obtenido de

https://cursosonlineweb.com/muestreos.html.

PM. Plan de mejora. (2020). MÉTODO SIMPLEX PASO A PASO: EJEMPLOS DE MAXIMIZAR Y
MINIMIZAR. Obtenido de https://www.plandemejora.com/metodo-simplex-paso-a-paso-
ejemplos-maximizar-minimizar/

Robles, F. S. (2017). Áreas de aplicación de la programación lineal. Sahagún, España. Obtenido de

https://www.google.com/search?q=%C3%81reas+de+aplicaci%C3%B3n+de+la+programac
i%C3%B3n+lineal+%C3%81rea+Acad%C3%A9mica%3A+Licenciatura+en+Ingenier%C3%AD
a+Industrial+Profesor(a)%3A+Dra.+Francisca+Santana+Robles+Periodo%3A+Julio+diciemb
re+2017.+Universidad+a