Pretarea - Grupo - 212026 - 57-VANESSA SIERRA

Paso 1 Reconocer los pre saberes de modelos de simulación.
Entregado por:
Vanessa Sierra Sánchez
Código: 1056801180
Tutor(a): Nidia Stella Rincón Parra
Curso: 212026_57
Universidad Nacional Abierta y a Distancia-UNAD
Programa Ingeniería Industrial
Modelos Y Simulación
Boyacá- Samaca
20 de febrero 2022
INTRODUCCIÓN
Identificar Diferencias 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.
JUSTIFICACIÓN.
Reconocer los pre saberes de modelos y simulación, para el reconocimiento de la

problemática, dar respuesta a los interrogantes presentados con respecto a modelos y
simulación e identificar los integrantes del grupo para el grupo para así tener una
comunicación asertiva en futura actividades
OBJETIVOS
Objetivo general
Revisar las temáticas a desarrollar, y participar en el foro del Paso 1 donde

participara dando respuesta a las preguntas generadoras relacionadas con la
problemática objeto
Objetivos específicos
1. Participación en el foro Para el reconocimiento de la problemática.

2. Debatir alrededor de la problemática planteada
3. Construir documento informe y publicarlo en el entorno de evaluación y
seguimiento, según programación de la agenda de curso.
DESARROLLO DEL TRABAJO
Esquema de trabajo. a. Consulte y explique los siguientes conceptos:
Qué es la inferencia estadística, clases de muestreo, distribuciones muestrales.
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 seleccionados 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.
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 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.
3- Texto: Qué son los métodos determinísticos, pasos para la construcción de

modelos matemáticos, definición de variable, función objetivo y restricciones.
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.
4- Modelos Matemáticos y Simulación en la Ingeniería Industrial: aplicaciones y

análisis de sensibilidad.
Usos de la simulación de procesos
La simulación permite entre otros aspectos:
 1. Reducir los tiempos de desarrollo de nuevos procesos, al poder evaluar

múltiples alternativas en cuanto a parámetros, niveles de las variables y
tecnologías
 2. Cuantificar los riesgos asociados a la incertidumbre, al incorporar la

variabilidad natural esperable
 3. Optimizar procesos, con algoritmos apropiados
 4. Acelerar la formación de nuevos empleados, ya que se pueden simular

diferentes configuraciones de forma rápida y segura
CONCLUSIONES
1. 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.
2. 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.
BIBLIOGRAFÍA
Guasch, A., Piera, M. À., & Casanovas, J. (2002). Modelado y simulación: aplicación a
procesos logísticos de fabricación y servicios. Madrid, ES: Universitat Politècnica de
Catalunya. Disponible en la Biblioteca Virtual de la UNAD (pp.2-21).
https://elibro-net.bibliotecavirtual.unad.edu.co/es/ereader/unad/61422?page=1
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

Pretarea - Grupo - 212026 - 57-VANESSA SIERRA

Cargado por

Copyright:

Formatos disponibles

Pretarea - Grupo - 212026 - 57-VANESSA SIERRA

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Pretarea - Grupo - 212026 - 57-VANESSA SIERRA

Cargado por

Copyright:

Formatos disponibles

Paso 1 Reconocer los pre saberes de modelos de simulación.

Vanessa Sierra Sánchez

Tutor(a): Nidia Stella Rincón Parra

Universidad Nacional Abierta y a Distancia-UNAD

Programa Ingeniería Industrial

Identificar Diferencias las técnicas de modelamiento para la generación de escenarios

Reconocer los pre saberes de modelos y simulación, para el reconocimiento de la

Revisar las temáticas a desarrollar, y participar en el foro del Paso 1 donde

1. Participación en el foro Para el reconocimiento de la problemática.

Esquema de trabajo. a. Consulte y explique los siguientes conceptos:

Qué es la inferencia estadística, clases de muestreo, distribuciones muestrales.

Conjunto de métodos y técnica que permiten a inducir a partir de la información

La estimación de parámetros consiste en asignar un valor concreto al parámetro o

Aleratorio: todos los elementos de la población son seleccionados al azar.

Aleatorios conglomerados En el muestreo por conglomerados, en lugar de

2- Qué es la programación lineal, formulación de un problema de programación

la Programación Lineal corresponde a un algoritmo a través del cual se resuelven

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

Observaciones importantes al utilizar método simplex

Variables de holgura y exceso.

Variable artificial / método de la "m"

Paso 2: convertir las inecuaciones en ecuaciones.

Paso 3: definir la solución básica inicial.

Paso 4: definir la tabla simplex inicial.

3- Texto: Qué son los métodos determinísticos, pasos para la construcción de

MODELOS DETERMINÍSTICOS: son aquellos en los que la información necesaria

MODELOS PROBABILÍSTICOS: son aquellos en los que parte de la información

MODELOS DE PROGRAMACIÓN LINEAL En un problema de optimización se busca

¿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

2. Formulación de un modelo que represente el problema.

3. Solución del modelo.

4. Prueba del modelo.

5. Preparación para la aplicación del modelo.

En un problema de LP, se debe tomar la decisión de maximizar (usualmente las

Variables de Decisión: Variables cuyos valores se desean determinar con la

Condición de no negatividad: estipula que las variables de decisión sean mayores o

Vector disponibilidad: es el valor numérico que restringe los valores máximos y

El análisis de sensibilidad, dado un cierto rango de variables, es una forma de

¿Para qué sirve?

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

Usos de la simulación de procesos

La simulación permite entre otros aspectos:

 1. Reducir los tiempos de desarrollo de nuevos procesos, al poder evaluar

 2. Cuantificar los riesgos asociados a la incertidumbre, al incorporar la

 3. Optimizar procesos, con algoritmos apropiados

 4. Acelerar la formación de nuevos empleados, ya que se pueden simular

1. Esta alternativa consiste en la creación de un modelo lógico-matemático que

También podría gustarte