Paso 0- Reconocer los presaberes de modelos de simulación

Angelica Maria López Valencia

Codigo: 52462650
Grupo: 212026_06

Tutor:
Diego Edixon Karacha Rodriguez

Universidad Nacional Abierta y a Distancia UNAD

Programa de Ingeniería Industrial
Bogotá, febrero de 2020
 Introducción

El presente trabajo pretende desarrolla el reconocimiento de los presaberes del curso con el fin
de ampliar los objetivos y la metodologia propios al tema de modelación y simulación.
Para mayor comprensión del tema se desarrollaron algunos conceptos relacionados con la
inferencia estadística, la programación lineal y los métodos determinísticos, cada uno con si tipo
y uso y aplicabilidad.
 Objetivos

Objetivo general

 Identificar los conceptos previos a la modelación y simulación con el fin de facilitar la

comprensión del tema.
 Dar respuesta a los conceptos y preguntas sugeridas en la guía de actividades
relacionadas con la inferencia estadística, la programación lineal y los métodos
determinísticos, cada uno con si tipo y uso y aplicabilidad.

 1. Qué es la inferencia estadística

La inferencia estadística es un ejemplo de método inductivo, pues deriva la forma y parámetros

de una función a partir de observaciones puntuales.
Son técnicas, procedimientos y fundamentos que permiten obtener conclusiones validas para
toda la población mediante el análisis de una muestra aleatoria, la cual está constituida por
algunos elementos de la población.
Clases de muestreo
 Muestreo aleatorio simple: El muestreo aleatorio simple es un procedimiento de
muestreo probabilístico que da a cada elemento de la población objetivo y a cada posible
muestra de un tamaño determinado, la misma probabilidad de ser seleccionad
 Muestreo sistemático: es una técnica de muestreo aleatorio que los investigadores eligen
con frecuencia por su sencillez y calidad regular.

Distribuciones Muéstrales
Distribución del estadístico calculado para cada una de las muestras con el mismo tamaño n, las
cuales se derivan de una población de tamaño N; que pueden ser escogidas conforme a un
esquema de muestreo especificado.

Ejemplo: Dada una población y el experimento aleatorio consistente en seleccionar una muestra
de dicha población, se define la variable aleatoria U (estadístico muestral) como una aplicación
que asigna a cada muestra, m, un resumen estadístico determinado, U(m). Esta nueva variable
aleatoria U tiene una distribución de probabilidad denominada distribución muestral de U. U : E
R m=(x1, x2, …,xn) U(m)=estadístico muestral •Su comportamiento dependerá del que tenga X
en la población y del tamaño de las muestras.

2. ¿Qué es la programación lineal, formulación de un problema de programación

lineal, pasos para desarrollar método simplex?
  Programación lineal: La programación lineal es una rama de las matemáticas que
permite determinar soluciones a los problemas de optimización, de tal forma que se
obtenga un máximo de rendimiento.

 Formulación de un problema de programación lineal:

a) Identificar la función objetivo

b) Identificar las variables de la situación problema.
c) Identificar las restricciones de la situación problema.

 Pasos para desarrollar método simplex:

a) Formular el modelo canónico

b) Formular el modelo estándar
c) Identificar el método a utilizar: primal algebraico o dual algebraico
d) Realizar las operaciones matemáticas.

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

matemáticos, definición de variable, función objetivo y restricciones?
 Métodos determinísticos: 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.
 Pasos para la construcción de modelos matemáticos :

a) Definición del problema de interés y recolección de los datos relevantes.

b) Formulación de un modelo que represente el problema.
c) Solución del modelo
d) Prueba del modelo.
e) Preparación para la aplicación del modelo.
f) Puesta en marcha.

Representación grafica del un modelo matemático.

 Definición de variable: una variable es un símbolo que permite identificar a un

elemento no especificado dentro de un determinado grupo. Este conjunto suele ser
definido como el conjunto universal de la variable (universo de la variable, en otras
ocasiones), y cada pieza incluida en él constituye un valor de la variable.

 Función objetivo y restricciones: 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. (Salazar,
s,f).

 Restricciones: En matemáticas, la restricción de una función es otra función definida en

un subconjunto del dominio de la primera, y que toma los mismos valores para esos
elementos.

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

análisis de sensibilidad.

 Aplicaciones: se utiliza para representar un proceso mediante otro que lo hace mucho
más simple e entendible. Ejemplos aplicados:
- Logística
- Análisis del impacto ambiental causado por diversas fuentes
- Análisis y diseño de sistemas de manufactura
- Análisis y diseño de sistemas de comunicaciones

 Análisis de sensibilidad: se relaciona con la cuantificación de los efectos en la solución

optima de cambios en los parametros del modelo matematico.Los cambios en el modelo
matemático, que pueden cuantificarse a veces sin necesidad de volver a resolver el
modelo, se relacionan con:
- Cambios en los coeficientes de las variables de decision en la funcion objetivo
(Ganancias por unidad de variable de decision)
- Cambios en los lados derechos de las restricciones que definen el modelo.
(Cantidad de recursos disponibles)
Conclusiones

Con el presente trabajo se lograron recordar algunos conceptos de la inferencia estadística, la

programación lineal y los métodos determinísticos.

Tambien se reconocen los modelos de simulación como medio de mejoramiento de procesos y

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

http://home.ubalt.edu/ntsbarsh/Business-stat/opre/SpanishD.htm#rlp
Casado, Wilson. (2019). Investigación de operaciones 1. Recuperado de
http://investigaciondeoperacionesind331.blogspot.com/p/analisis-de-sensibilidad.html
Dorronsoro, Jorge; Hernández, Eugenio (1996). Números, grupos y anillos. Adison-Wesley
Iberoamericana. Recuperado de: http://es.wikipedia.org/wiki/Restricci%C3%B3n_(matem
%C3%A1ticas)
Martínez, Salazar, Iris Abril, and Camarón, Gastón Vértiz. Investigaciones de operaciones,
Grupo Editorial Patria, 2014. ProQuest Ebook Central,
http://bibliotecavirtual.unad.edu.co:2460/lib/unadsp/detail.action?docID=3227913. Recuperado
de http://bibliotecavirtual.unad.edu.co:2460/lib/unadsp/detail.action?docID=3227913 
Moreno, Nury. (Marzo, 2019). Documentación de problemas de programación lineal y uso del
software PHP Simplex. Trabajo presentado en CIPAS N° 1 de la UNAD, Bogotá.
Moreno, Nury. (Marzo, 2019). Solución a problemas de programación lineal. Trabajo presentado
en CIPAS N° 2 de la UNAD, Bogotá.
Plaza, Luis. (2016). IE Revista de investigación educativa de la REDIECH, volumen (7).
Recuperado de http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2448-
85502016000200047
Salazar, B. (s,f). Herramientas para el Ingeniero Industrial. El problema de asignación, Método
Húngaro. Recuperado de: https://www.ingenieriaindustrialonline.com/herramientas-para-el-
ingeniero-industrial/investigaci%C3%B3n-de-operaciones/programaci%C3%B3n-lineal/
Sánchez, J. T. (2017). Introducción a la Inferencia. [OVI] Colombia. Recuperado
de http://hdl.handle.net/10596/10566
UNAD. (s.f). Introducción a la estadística. Conceptos básicos.
https://unicristhiamurbinaio.files.wordpress.com/2011/03/simulacion-ingenieria-
industrial2.pdf