Modelos Simulacion

1. ¿Qué es la programación lineal?
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.
2. ¿Qué son 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, X 2 de independencia, Ljung y Box).
 Homocedasticidad (Gráficos de los residuos, Test de Cochran, Bartlett y Hartley).

Modelos Simulacion

Cargado por

Copyright:

Formatos disponibles

Modelos Simulacion

Cargado por

Información del documento

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

Modelos Simulacion

Cargado por

Copyright:

Formatos disponibles

1. ¿Qué es la programación lineal?

2. ¿Qué son los métodos determinísticos?

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

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

ETAPAS DE LA MODELACIÓN MATEMÁTICA EN INGENIERÍA

También podría gustarte