Reconocer los pre saberes de Modelos y Simulación

TRABAJO INDIVIDUAL

Por:
WILLIAM STEVEN ALVARADO
CÓDIGO 1.110.521.547

JOSE ENRIQUE COTES

Tutor

GRUPO: 212026_9

MODELOS Y SIMULACIÓN

ESCUELA DE CIENCIAS BASICAS TECNOLOGIA E INGENIERIA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD)
PROGRAMA DE INGENIERÍA INDUSTRIAL
JUNIO DE 2019- CEAD IBAGUE
 INTRODUCCION

Con el desarrollo del siguiente trabajo se puede llegar a conocer a la importancia que tiene
los diferente tipos de modelos o herramientas informáticas que facilitan los trabajo a
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.
 JUSTIFICACION
Nosotros como estudiante debemos tener la iniciativa de investigar y resolver todas nuestra
dudas y en cuanto tema nuevos que abordemos durante del desarrollo nuestro cursos podemos
aumentar mas nuestras habilidad competitivas en la universidad.

OBJETIVO
Reconocer los presaberes de modelos y simulación, para el reconocimiento de la
problemática
Dar respuesta a los interrogantes presentado con respecto a modelos y simulación
Identificar los integrantes del grupo para el grupo para así tener una comunicación asertiva
en futura actividades
 ESQUEMA DE TRABAJO
Inferencia estadística
Conjunto de métodos y técnica que permiten a 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 probalidad. 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 estimación de parámetros consiste en asignar un valor concreto al parámetro o parámetros
que caracterizan la distribución de probabilidad de la población. Cuando se estima un
parámetro poblacional, aunque el estimador que se utiliza posea todas las propiedades
deseables, se comete un error de estimación que es la diferencia entre la estimación y el
verdadero valor del parámetro. El error de estimación es desconocido por lo cual es imposible
saber en cada caso cual ha sido la magnitud o el signo del error; para valorar el grado de
precisión asociado con una estimación puntual se parte de dicha estimación para construir un
intervalo de confianza. En síntesis, un intervalo de confianza está formado por un conjunto
de valores numéricos tal que la probabilidad de que éste contenga al verdadero valor del
parámetro puede fijarse tan grande como se quiera.
Clase de muestreo
Aleratorio: todos los elementos de la población son seleccionado al azar.
Aletario con reposición: los elementos seleccionados vuelven a formar parte del conjunto
del que hacemos el muestreo
Aletorio sin reposición: Una vez seleccionado un elemento no puede volver a ser
seleccionado.
Aleatorio estratificado: La población se divide en subconjunto, en cada uno de los cuales
se lleva a cabo el muestro de elemento.
Aleatorios conglomerados En el muestreo por conglomerados, en lugar de seleccionar a
todos los sujetos de la población inmediatamente, el investigador realiza varios pasos para
reunir su muestra de la población.
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 Método Simplex es un método iterativo que permite ir mejorando la solución en cada
paso. La razón matemática de esta mejora radica en que el método consiste en caminar del
vértice de un poliedro a un vértice vecino de manera que aumente o disminuya (según el
contexto de la función objetivo, sea maximizar o minimizar), dado que el número de vértices
que presenta un poliedro solución es finito siempre se hallará solución.
Observaciones importantes al utilizar método simplex
Variables de holgura y exceso.
Variable artificial / método de la "m"
El problema.
Paso 1: modelación mediante programación lineal.
Paso 2: convertir las inecuaciones en ecuaciones.
Paso 3: definir la solución básica inicial.
Paso 4: definir la tabla simplex inicial.
MODELOS DETERMINÍSTICOS: son aquellos en los que la información necesaria para
obtener la solución se conoce con certeza. Como ejemplo de este tipo de modelos se tiene: la
programación lineal, programación por metas, programación no lineal, programación entera,
problemas de transporte y asignación, teoría de inventarios.
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.
MODELOS PROBABILÍSTICOS: son aquellos en los que parte de la información
requerida no se conoce con certeza. Como ejemplo de este tipo de modelos se tiene: las
cadenas de Márkov, líneas de espera, teoría de juegos, teoría de inventarios, entre otros.
MODELOS DE PROGRAMACIÓN LINEAL En un problema de optimización se busca
maximizar o minimizar una cantidad específica llamada objetivo, la cual depende de un
número finito de variables, en un modelo de optimización restringida, las variables se
encuentran relacionadas a través de una o más restricciones, es decir, las restricciones
permisibles han sido limitadas de alguna manera. Con la optimización restringida se busca
obtener el mejor resultado posible atendiendo a las restricciones
¿Cuáles son los pasos para la construcción de modelos?
Una manera de resumir las etapas usuales (no secuenciales) de un estudio de IO es la
siguiente:
1. Definición del problema de interés y recolección de los 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.
Función Objetivo
En un problema de LP, se debe tomar la decisión de maximizar (usualmente las utilidades) o
de minimizar (usualmente los costos) cierta función de las variables de decisión. La función
a maximizar o minimizar se denomina función objetivo. Antes de formular el modelo
matemático conviene resumir los datos del problema
Función Objetivo (Fn Objetivo): Ecuación matemática que relaciona las variables de
decisión (según el modelo mostrado es Z, puede ser del tipo Maximizar o Minimizar)
Restricciones: Son ecuaciones matemáticas que limitan las decisiones del problema
(pueden ser del tipo ≥ o ≤)
Variables de Decisión: Variables cuyos valores se desean determinar con la resolución del
modelo (Según el modelo son: X1, X2, Xn)
Condición de no negatividad: estipula que las variables de decisión sean mayores o iguales
a 0 (lo que quiere decir que las variables no pueden tomar valores negativos).
Vector disponibilidad: es el valor numérico que restringe los valores máximos y mínimos
que pueden tomar las restricciones (es el lado derecho de las restricciones B1, B2, Bm).
El análisis de sensibilidad, dado un cierto rango de variables, es una forma de predecir el
resultado de una decisión. Es conocido también como análisis de simulación o «qué pasa si».
Al crear un conjunto dado de variables, un analista puede determinar cómo los cambios en
una variable afectan el resultado.
Una práctica relacionada es el análisis de incertidumbre, que se centra más en la
cuantificación y propagación de la incertidumbre. Idealmente, la incertidumbre y el análisis
de sensibilidad se deben ejecutar en conjunto
¿Para qué sirve?
Una de las aplicaciones clave del análisis de sensibilidad es en el uso de modelos por parte
de los gerentes y responsables en la toma de decisiones. Se puede utilizar todo el contenido
necesario para el modelo de decisión mediante la aplicación repetida del análisis de
sensibilidad.
Ayuda a los analistas de decisión a comprender las incertidumbres, los pros y los contras,
con las limitaciones y el alcance de un modelo de decisión.
 Conclusiones
 Aprender a identificar los tipos de modelos que se utilizan para tomar una decisión
en una empresa.
 La diferencia que hay entre inferencia y los métodos determinísticos son muy
importante poderlo identificar así llegar a tener un resultado mas preciso al momento
de evaluación una decisión.
 Referencias bibliográficas

http://bibing.us.es/proyectos/abreproy/5177/fichero/5+Aplicaci%C3%B3n%2C+An%C3%
A1lisis+de+sensibilidad.pdf
https://www.iit.comillas.edu/aramos/presentaciones/t_mms_M.pdf
file:///C:/Users/folder/Downloads/2308-4613-1-SM.pdf