MODELOS Y SIMULACIÓN

UNIDAD 1: PASO 0 - RECONOCER LOS PRE-SABERES DE MODELOS Y SIMULACIÓN

OMAR ANDRES MURILLO

CODIGO: 86088212

GRUPO 212026_4

TUTOR

DIEGO EDIXON KARACHA RODRIGUEZ

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD

FEBRERO DE 2019

INTRODUCCION
Hay personas que tienen la responsabilidad de conducir un sistema, podemos inferir como ejemplo:

una empresa, una ciudad, un sistema de transporte, etc., debe tomar continuamente ciertas

decisiones acerca de las acciones que ejecutará sobre el sistema y sus actividades. Estas decisiones

deben ser satisfacer de la mejor manera posible los objetivos planteados. Esto nos determina que

para poder decidir correctamente es necesario saber cómo responderá el sistema ante cierta acción.

Esto podría hacerse mediante pruebas con el sistema mismo; pero factores de costos, seguridad y

otros elementos hacen que esta opción generalmente no sea factible. A fin de superar estos

inconvenientes, se sustituye el sistema real por otro sistema que sea una versión simplificada. Este

último es el modelo a utilizar para las experiencias necesarias sin los inconvenientes resultantes. Al

proceso de experimentar con un modelo se le llama simulación.

JUSTIFICACION
Para este trabajo es muy importante lograr aportar los conceptos de innovación y desarrollo en los

procesos mediante la herramienta de simulación de problemas que brinda la posibilidad de

visualizar comportamientos. Lo anterior ayuda a entender por qué los modelos de simulación como

un método innovador para aplicarlo en muchos procesos que se llevan a cabo en organizaciones y

así alcanzar el objetivo final que es llegar a los problemas antes de que sucedan y no cuando ya han

sucedido.
 OBJETIVOS

- Reconocer los presaberes de modelos y simulación. Para el reconocimiento de la

problemática.

- Dar respuesta a los interrogantes presentados con respecto a modelos y simulación

- Identificar los integrantes del grupo para así tener una comunicación asertiva en futuras

actividades

ESQUEMA DEL TRABAJO

 - Inferencia estadística

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.

- Clases de muestreo

Aleatorio: Todos los elementos de la población son seleccionado al azar.

Aleatorio con reposición: Los elementos seleccionados vuelven a formar parte del conjunto del

que hacemos el muestreo.

Aleatorio sin reposición: Una vez seleccionado un elemento no puede volver a ser seleccionado.

Aleatorio estratificado: La población se divide en subconjuntos (estratos), en cada uno de los

cuales se lleva a cabo el muestreo de elementos.

Aleatorio por conglomerados: La población se divide en subconjuntos (conglomerados), que son

seleccionados aleatoriamente.

Aleatorio sistemático: Se selecciona aleatoriamente la posición de un componente de la lista (k).

- Distribuciones muestrales:
Toda cantidad que se obtiene de una muestra con el propósito de estimar un parámetro poblacional

se llama estadístico muestral o sólo estadístico. Uno de los estadísticos mayormente utilizados en la

inferencia estadística es la media.

Distribución muestral para la media ( x ) Se dice que la media muestral de x es una variable

aleatoria y que a su distribución de probabilidad se le llama distribución muestral de x y

corresponde a todos los valores de la media muestral x .

Teorema del límite central. cuando se seleccionan muestras aleatorias simples de tamaño n de una

población, la distribución muestral de la media puede aproximarse mediante una distribución

normal a medida que el tamaño de la muestra se hace grande.

Determinación del tamaño de la muestra. Para determinar de una mejor manera el tamaño de una

muestra se debe de considerar la relación entre el tamaño de la muestra y la distribución muestral de

x.

- Programación lineal

La programación lineal da respuesta a situaciones en las que se exige maximizar o minimizar

funciones que se encuentran sujetas a determinadas limitaciones, que llamaremos restricciones.

Su empleo es frecuente en aplicaciones de la industria, la economía, la estrategia militar, etc.

Función objetivo, en esencia la programación lineal consiste en optimizar (maximizar o minimizar)

una función objetivo, que es una función lineal de varias variables.

 - Formulación de un problema de programación lineal

Definir el conjunto de actividades. Se debe descomponer todo el sistema bajo estudio en todas sus

funciones elementales, los procesos o actividades, y adoptar para cada una de ellas las unidades en

término de las cuales sus cantidades o niveles pueden ser medidos.

Definir el conjunto de ítems que son necesarios como insumos, o que resultan como producto de las

actividades, y elegir una unidad para medir cada uno de ellos.

Definir los coeficientes insumo-producto. Se debe determinar la cantidad de cada ítem consumido o

producido por la operación de cada actividad en su nivel unitario.

Especificar los flujos exógenos. Todo lo externo, se deben especificar las cantidades exógenas de

cada ítem que se proveen desde el exterior hacia el sistema.

Establecer las ecuaciones de balance de materiales. Se deben asignar las incógnitas que simbolizan

a los niveles de actividad (xj, usualmente no-negativas) a todas las actividades. Luego, para cada

uno de los ítems, se pueden escribir fácilmente las ecuaciones de balance material, en las que se

establece que la suma algebraica de los flujos de aquel ítem, en todas las actividades en las que está

involucrado, es igual al flujo exógeno del ítem.

Definir las variables de decisión. Definir el conjunto de ítems. Establecer las restricciones y la

función objetivo.

- Pasos para desarrollar método simplex

 Paso1

Análisis de la situación, declaración de las variables, formulación de las restricciones y establecer la

meta. Se deben de considerar todos los recursos disponibles, aquí se formula el modelo matemático.

Paso 2

A partir del modelo matemático se establece un sistema de programación lineal que representa la

información con la contamos, en base a esto se genera el “sistema modificado”, el cual vuelve

ecuaciones nuestras inecuaciones, aquí se introducen las variables de holgura que sirven para

absorber la información no conocida que necesitamos para determinar a Z

Pasó 3

A través del nuevo sistema modificado se genera nuestra tabla inicial en forma matricial, se

modifica a la función objetivo, se declaran las variables básicas, no básicas y artificiales

Paso 4

Se identifica a la variable de entrada en nuestra tabla matricial que representara a la columna pivote

seleccionando si se minimiza al valor positivo más grande, caso contrario si se maximiza se

selecciona al valor negativo más grande, se divide a la columna de los resultados (RHS), el valor

más pequeño positivo determinará, el valor de la variable que se ubique en la intersección de la

variable de entrada y de la variable de salida será el pivote

Paso 5

Ubicar el coeficiente tecnológico del pivote y volverlo al valor uno, una vez vuelto 1 el pivote

aplicar método matricial que más se domine, se sugiere el método de gauss

Paso 6
Determinar el valor exacto para la variable básica seleccionada, si en esta iteración el renglón que

ubica a Z ya no tiene valores negativos y se está maximizando se detiene la iteración y se puede

localizar el valor exacto.

Paso 7

Si se ubican valores negativos en el renglón que ubica a Z regresar al paso 4

Paso 8

Si ya se localizaron valores positivos en el renglón que ubica a Z se identifica los valores exactos

para las variables básicas (x1,x2,…..xn) entonces se sustituye este valor en la función objetivo

Paso 9

Con los valores conocidos de las variables básicas se desarrolla la función objetivo y se determina a

Z.

Paso 10

Analizar e interpretar.

- Métodos determinísticos

son modelo matemático donde las condiciones iniciales producirán invariablemente las mismas

salidas, no contemplándose la existencia de incertidumbre en el proceso.

Está estrechamente relacionado con la creación de entornos simulados para crear sistemas de

gestión que permitan disminuir la propagación de errores. Los métodos determinísticos sólo pueden

ser adecuados para sistemas deterministas no caóticos.

Por ejemplo, la planificación de una línea de producción, en algún proceso industrial, es Posible

mediante la implementación de un sistema de gestión de procesos que incluya el método

determinístico en el cual estén cuantificadas las materias primas, la mano de obra, los tiempos de

producción y los productos finales asociados a cada proceso.

- Pasos para la construcción de modelos matemáticos

Construcción de un
modelo matemático

Formulación precisa del problema

Seguidamente los pasos son
y declaración de los objetivos

Definición del
problema

Recolección de la información
cuantitativa, los datos se
ubicarán en forma significativa.

Recolección y proceso de
datos empíricos

Selección de variables más relevantes a

incluir y de las interrelaciones entre ellas,
dando como resultado un modelo de
carácter estructural
Formulación del modelo
matemático

Expresión en términos matemáticos

de las relaciones entre variables con
lo que se obtiene un modelo con
capacidad operativa
Especificación de un
modelo

Formulación de un
programa computacional

Análisis de valides
 - Variable

refiere, en una primera instancia, a cosas que son susceptibles de ser modificadas, podrán ser

cualitativas o cuantitativas. Serán cualitativas aquellas que expresen características o cualidades

diferentes; y serán cuantitativas cuando expresen argumentos numéricos

En matemáticas se utilizan las variables presentes en fórmulas, proposiciones y algoritmos.

También se ve la idea de variables independientes y dependientes, destacándose las funciones

matemáticas que permiten la conformación de gráficos de dos o más ejes, dada por una función en

la que uno de los dos es variable en función del otro, que es invariable:

(Y es igual a la mitad de X, tiene a Y como variable dependiente y a X como independiente)

- Función objetivo

La función objetivo es la ecuación que será optimizada dadas las limitaciones o restricciones

determinadas y con variables que necesitan ser minimizadas o maximizadas usando técnicas de

programación lineal o no lineal. puede ser el resultado de un intento de expresar un objetivo de

negocio en términos matemáticos para su uso en el análisis de toma de decisiones, operaciones,

estudios de investigación o de optimización.

- Restricciones

condiciones para las variables que se requieren en la función objetivo si, y basados en la medida en

que, las condiciones en las variables no son satisfechas, si el problema restringido sólo tiene

restricciones de igualdad, el método de los multiplicadores de Lagrange puede ser utilizado para

convertirlo en un problema sin restricciones cuyo número de variables es el número original de las

variables más el número original de restricciones de igualdad. Ahora, si las restricciones son de
igualdad y lineales, que se pueden resolver para algunas de las variables en términos de los otros, y

la antigua pueden ser sustituidos de la función objetivo, dejando un problema sin restricciones en un

número menor de variables. Con restricciones de desigualdad, el problema puede ser caracterizado

en términos de las condiciones de Karush-Kuhn-Tucker, en la que los problemas pueden ser

resuelto.

- Modelos Matemáticos y Simulación en la Ingeniería Industrial

En general un modelo puede ser entendido como una representación, bien sea abstracta, análoga,

fenomenológica o idealizada, de un objeto que puede ser real o ficticio. En este caso y por su

naturaleza, el programa de maestría propuesto se ocupará de modelos fenomenológicos y/o modelos

de procesos que requieren el uso formal de herramientas matemáticas y/o computacionales para

representar algún sistema y su comportamiento

En el contexto de la ingeniería, especialmente en las dos últimas décadas, ha cobrado importancia

la implementación del modelado y la simulación como una herramienta indispensable y transversal

para resolver problemas científicos y tecnológicos planteados desde las ingenierías de sistemas,

civil, química, industrial, biomédica, mecánica y otras. Todas las disciplinas de la ingeniería -y así

concluye al respecto el reporte de la National Science Foundation- deberán incorporar los

beneficios y ventajas que resultan del modelado y la simulación, especialmente en lo referente a la

optimización, el control, la cuantificación de incertidumbres, el diseño de mecanismos para toma de

decisiones y la respuesta a desafíos en tiempo real, para su incorporación al desarrollo en el mundo

competitivo

- Aplicaciones
la implementación de modelos y simulaciones adaptados especialmente de la física, como el

modelado de precios de mercado utilizando ecuaciones de dispersión, el uso de las herramientas de

la física estadística en análisis financieros, la valoración de derivados financieros usando la

ecuación de difusión de Fourier o el uso del modelo del movimiento browniano para predecir y

justificar tasas de inflación y de interés. El objetivo central es el de tratar de desarrollar e

implementar modelos y simulaciones computacionales que permitan comprender la dinámica en los

procesos de ingeniería.

- Análisis de sensibilidad

ilustra cómo varía el valor de un proyecto ante cambios en alguna de sus variables clave,

manteniendo el valor de las demás constante, este análisis se hace una variable a la vez y supone

independencia entre las distintas variables que influencian el valor de un proyecto.

El primer paso para realizar un análisis de sensibilidad consiste en identificar las principales

variables que afectan el valor del proyecto y que están fuera de nuestro control o pudieron ser

estimadas de forma imprecisa, luego, para cada una de estas variables, se deben buscar escenarios

positivos y negativos que sean razonables y bien fundamentados, finalmente se calcula el valor de

un proyecto
 CONCLUSIONES

- Se apropio de la temática propuesta para el reconocimiento de la unidad y así ver la

aplicación que tiene los sistemas de modelos y simulación

- Al dar respuesta a los interrogantes presentados con respecto a modelos y simulación se

apropio de mas conocimientos para el desarrollo de futuras actividades

- Se identifico a los integrantes del curso a fin de tener una mayor comunicación.
 BIBLIOGRAFIA

- Harrington, H. J.; Tumay, K.: Simulation modeling models. McGraw Hill New York. 1999.

USA. High Performance Systems. Recuperado de: http://www.hps-inc.com

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

decisiones. Santiago, Chile: Ediciones UC. Disponible en la Biblioteca Virtual de la UNAD

(pp.3-69). Recuperado de: http://bibliotecavirtual.unad.edu.co/login?

url=https://bibliotecavirtual.unad.edu.co:2969/login.aspx?

direct=true&db=nlebk&AN=1725244&lang=es&site=ehost-live&ebv=EB&ppid=pp_3

- Araque, Gustavo. (26,11, 2018). Modelos y Simulación. [Archivo de video]. Recuperado

de http://hdl.handle.net/10596/22202