Unidad 1: Paso 0 - Reconocer los pre-saberes de modelos y simulación

ESTUDIANTE:
María José Sánchez Molinares

TUTOR:
Diego Karachas Rodríguez

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

UNAD
DEPARTAMENTO DE INGENIERIA

BARRANQUILLA- ATLANTICO

SEPTIEMBRE 2019
 INTRODUCCION

En este trabajo de investigación vamos a analizar la teoría de la simulación, sus

antecedentes, los procesos, métodos y lenguajes de programación para la
modelización a medida para cada empresa. En futuras investigaciones
procederemos a implementar dichos modelos y a estudiar su validación.
 JUSTIFICACION

En la actualidad, las medianas empresas buscan fortalecerse cada vez más a nivel
competitivo como parte de sus procesos visiónales, lo cual obliga a la adopción de
estrategias y/o aplicación de herramientas que los direccionen hacia la consecución
de resultados prometedores, fundamentados en la acertada planificación y
ejecución de proyectos de mejora. Es por esto, que cada organización busca
herramientas de medición que faciliten la prospectiva gerencial, con el propósito de
establecer metas que permitan el alcance de los planes estratégicos.
OBJETIVOS

 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 de la simulación
ESQUEMA DE TRABAJO

1- Qué es la inferencia estadística, clases de muestreo, distribuciones

muéstrales.

R/ La inferencia estadística es el conjunto de métodos y técnicas que permiten

inducir, a partir de la información empírica proporcionada por una muestra, cual es
el comportamiento de una determinada población con un riesgo de error medible en
términos de probabilidad.
Los métodos paramétricos de la inferencia estadística se pueden dividir,
básicamente, en dos: métodos de estimación de parámetros y métodos de contraste
de hipótesis. Ambos métodos se basan en el conocimiento teórico de la distribución
de probabilidad del estadístico muestral que se utiliza como estimador de un
parámetro.

La inferencia Estadística puede dividirse en dos apartados de acuerdo con el

conocimiento sobre la distribución en la población.

Inferencia Paramétrica: Se conoce la forma de la distribución (Normal, Binomial,

Poisson, etc.....) pero se desconocen sus parámetros. Se realizan inferencias sobre
los parámetros desconocidos de la distribución conocida.

Inferencia No Paramétrica: Forma y parámetros desconocidos. Se realizan

inferencias sobre características que no tienen por qué ser parámetros de una
distribución conocida (Mediana, Estadísticos de Orden).

CLASES 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 tienen la misma probabilidad de ser
escogidos.

Dentro de los muestreos probabilísticos podemos encontrar los siguientes tipos:

1. 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.

2. Muestreo sistemático:

Pues en este método como en el primero, 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.

3. 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.

4. 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.
  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:

1. 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.

2. 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.

3. Muestreo por bola de nieve:

En este método se hace contacto con algún sujeto en específico y este se encargara
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.

4. 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.

DISTRIBUCUIONES 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.
  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- 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 resuelven

situaciones reales en las que se pretende identificar y resolver dificultades para
aumentar la productividad respecto a los recursos (principalmente 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.
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: 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.
 Variables: 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.
 Restricciones: 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.

METODO SIMPLEX

El Método Simplex es un método iterativo que permite ir mejorando la solución en

cada paso.

El Método Simplex hace uso de la propiedad de que la solución óptima de un

problema de Programación Lineal se encuentra en un vértice o frontera del dominio
de puntos factibles (esto último en casos muy especiales), por lo cual, la búsqueda
secuencial del algoritmo se basa en la evaluación progresiva de estos vértices hasta
encontrar el óptimo. Cabe destacar que para aplicar el Método Simplex a un modelo
lineal, este debe estar en un formato especial conocido como formato estándar el
cual definiremos a continuación.

PASÓ A PASO PARA CONSTRUCCION DEL METODO SIMPLEX

 PASO 1: Modelación mediante programación lineal.

 PASO 2: Convertir las inecuaciones en inecuaciones
 PASO 3: Definir la solución básica inicial.
 PASO 4: Definir la tabla simplex inicial.
 PASO 5: Realizar las iteraciones necesarias.

3. Qué son los métodos determinísticos, pasos para la construcción de

modelos matemáticos, definición de variable, función objetivo y restricciones
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.
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.
METODOS PROBABILISTICOS: 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
muéstrales, 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.
Un modelo estadístico queda especificado por un conjunto de ecuaciones que
relacionan diversas variables aleatorias, y en las que pueden aparecer otras
variables no aleatorias. Como tal "un modelo es una representación formal de una
teoría

Pasos para la construcción de modelos matemáticos:

 Identificación del problema: Necesita ser simulada, optimizada o

controlada.
 Elección del tipo de modelo: El modelo debe ser suficientemente simple
como para permitir un tratamiento matemático asequible con los recursos
disponibles.

Identificar el mayor número de datos fidedignos, rotular y clasificar las

incógnitas.

 Formalización del modelo: En esta fase posiblemente se introduzcan

también simplificaciones suficientes para que el problema matemático de
modelización sea tratable computacionalmente.

Se detallara que forma tienen los datos de entrada, que tipo de herramientas
matemática se usara, como se adaptan a la información previa existente.

 Comparación de Resultados: Los resultados obtenidos como predicciones

necesitan ser comparados con los hechos observados para ver si el modelo
está presidiendo bien.

Si los resultados no se ajustan bien, frecuentemente se vuelve a la fase 1.

 Variables de decisión y parámetros

Las variables de decisión 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 de decisión se representan por: X1, X2,
X3,…, Xn ó Xi, i = 1, 2, 3,…, n.
 Función Objetivo
La función objetivo es una relación matemática entre las variables de decisión,
parámetros y una magnitud que representa el objetivo o producto del sistema. Es
la medición de la efectividad del Modelo formulado en función de las variables.
Determina lo que se va optimizar (Maximizar o Minimizar).
 RestriccionesLas 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.

4- Modelos Matemáticos y Simulación en la Ingeniería Industrial: aplicaciones

y análisis de sensibilidad.

Los resultados de investigación de Nejad y Bahmaei (2012) demuestran que la enseñanza

con la MM tiene un efecto positivo entre los estudiantes, pues favorece el desarrollo
de importantes habilidades para resolver problemas. La aplicación de las
matemáticas no puede separarse de la utilización de modelos y procesos de MM.
Ahora bien, la enseñanza de la MM en las universidades requiere que los
estudiantes ya cuenten con algunos conceptos previos. Es recomendable que antes
de enseñar MM en cursos de cálculo, física, ecuaciones diferenciales y estadística,
sean enseñados ciertos procesos de resolución de problemas. Para lograr éxito en
la MM no basta con tener conocimientos especializados en las técnicas
matemáticas, estadísticas e informáticas, sino contar además con habilidades como
claridad de pensamiento, enfoque lógico, buena idea de los datos, capacidad de
comunicación y entusiasmo por hacer la tarea.

La MM debe estimularse en el salón de clase, en tanto que refuerza la reflexión y el

análisis, y permite evidenciar la ruta más fácil hacia la solución de un problema; para
ello se utilizan expresiones matemáticas que representan fenómenos y procesos de
nuestra vida cotidiana, tal como lo exponen Obando, Sánchez, Muñoz y Villa (2013). La MM es
tanto un dispositivo como un proceso académico que en el aula demuestra las
siguientes ventajas:

a. Ayuda al estudiante a comprender mejor el escenario en el que se desarrolla.

b. Refuerza el aprendizaje de las matemáticas (motivación).
c. Estimula el desarrollo de algunas habilidades actitudinales de tipo
matemático.
d. Coadyuva a tener una mejor óptica de las matemáticas.

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
(matematización), 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, gráficas, ecuaciones diferenciales,
estadística, investigación de operaciones.
e. Comparación del modelo con la situación real. En función de esto, es
necesario analizar los resultados obtenidos, verificando si las 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 como su interpretación. Es aquí
donde se evidencia el cumplimiento de metas, teniendo en cuenta sus
restricciones, si las hubiere.

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

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 riesgos 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,
fundamentalmente en los modelos explicativos y dinámicos, se deben tener en
cuenta los siguientes criterios (16):

 Métodos de ajuste 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 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 transformaciones 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.
 Coeficientes de correlación entre los resultados predichos y los reales.
 Análisis de la precisión de las estimaciones.
 Análisis de los residuos.
 Normalidad (Test de Shapiro-Wilks, Kolmogorov-Smirnov).
 Autocorrelación (Test de Rachas, Signos, Durbin-Watson, X2 de
independencia, Ljung y Box).
 Homocedasticidad (Gráficos de los residuos, Test de Cochran, Bartlett y
Hartley).
 CONCLUSION

La simulación se utiliza en una amplia variedad de empresas, para ayudar a la

gerencia a tomar decisiones. Casi todas las empresas tienen problemas de
planificación y la simulación puede ayudar a resolverlos. Se utiliza más
frecuentemente para ayudar a la gerencia en los casos en que el problema no se
presta a soluciones rutinarias.
 REFERENCIAS BIBLIOGRAFICAS

 AA.VV. (1990): Orden y Caos. Barcelona: Prensa Científica. ABRAHAM,

Ralph y SHAW, Christopher 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, Christopher D. (1987): Dynamics: the geometry
of behaviour. 4 vols. Santa Cruz: Aerial Press. ACKOFF, Russell L. (1959):
Game, decisions and organization. General Systems, 4, 145-150.
 ACKOFF, Russell L. (1994): Systems thinking and thinking systems. System
Dynamics Review, 10, 2-3, 175-188. AIHARA, Kazayuki (1991): Chaos in
neural networks.
 En GREBOGI, Celso y YORKE, James A. (Eds.): The impact of chaos on
science and society. Tokio: The United Nation University. ALTAN, Henri
(1981): Hierarchical self-organization in living. Noise and meaning. En M.
 ELENY (Ed.): Autopoiesis: a theory of living organization. New York: North
Holland Publishers. ARACIL, Javier (1983): Introducción a la dinámica de
sistemas. Madrid: Alianza. ARACIL, Javier (1986): Prólogo. En S.
 MARTÍNEZ y A. REQUENA: Dinámica de sistemas. 1. Simulación por
ordenador. 2. Modelos. Madrid: Alianza (2 vols.). ASHBY, W. Ross (1956):
An introduction to cybernetics. London: Chapman and Hall.