Professional Documents
Culture Documents
Modelo Matemático:
En ciencias aplicadas, un
es aquel que emplea algún tipo de
formulismo matemático para expresar relaciones, proposiciones sustantivas de hechos,
variables, parámetros, entidades y relaciones entre variables y/o entidades u operaciones,
para estudiar comportamientos de sistemas complejos ante situaciones difíciles de
observar en la realidad.
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 bien
que se pueden controlar.
2.p Restricciones
Las restricciones son relaciones entre las variables de decisión y magnitudes que dan
sentido a la solución del problema y las acotan a valores factibles. Por ejemplo si una de
las variables de decisión representa el número de empleados de un taller, es evidente que
el valor de esa variable no puede ser negativo.
MODELO MATEMÁTICO
CONCLUSIONES
Sean x1 y x2 la cantidad a producirse de dos productos 1 y 2, los parámetros son los costos
de producción de ambos productos, $3 para el producto 1 y $5 para el producto 2. Si el
tiempo total de producción está restringido a 500 horas y el tiempo de producción es de 8
horas por unidad para el producto 1 y de 7 horas por unidad para el producto 2, entonces
podemos representar el modelo como:
Sujeto a:
x1 0 y x2 0.
Representemos por x el número de árboles plantados, además de los 40. Puesto que la
producción promedio por árbol disminuye en 5 manzanas por cada árbol plantado,
entonces:
Obsérvese que 0 ч x ч 60
ÿ c
Para adquirir competencia en el análisis de procesos se requiere una doble capacidad por
parte del ingeniero. La primera y más evidente de ellas es que debe poseer unos
conocimientos sólidos y versátiles tanto en ingeniería como en matemáticas.
!
!!
"#
!!$
Tanto el diseño como la operación se pueden facilitar mediante la simulación del proceso
o de sus partes, los modelos matemáticos de los procesos se pueden manipular mucho
más fácilmente que los procesos reales, de forma más segura se puede simular una
operación fuera de las condiciones o intervalos normales, y también se puede llevar a su
punto más crítico o de quiebre, a fin de encontrar las condiciones de operación
prohibidas.
ÿÿc c ÿ %
Para los propósitos de ingeniería resulta conveniente, utilizar un tipo de modelo que tenga
una base conceptual y no física, es decir representado por enunciados matemáticos y
modelos en forma de símbolos, sobre descripciones matemáticas planteadas para ayudar
y comprender procesos físicos complejos.
Por supuesto que en la práctica todo esto no es tan fácil como puede parecer a primera
vista.
rp
los que después de ser analizados matemáticamente, se
representan por medio de una función lineal, se puede obtener el resultado
mediante una grafica o una ecuación.
rp
#! los que se pueden expresar por medio de una ecuación
cuadrática. Habrá ocasiones en las que no todos los datos pertenecen a la misma
curva. En dicha situación trataremos de encontrar aquella parábola que mejor
represente el modelo que estamos analizando.
rp
&"
se representan por medio de una función exponencial.Los
modelos exponenciales son muy frecuentes en el estudio de crecimientos
poblacionales, en el cálculo de intereses bancarios, así como también diversos
fenómenos físicos.
rp
! '
#(!! (del griego 'hallar, inventar'). Son los que están
basados en las explicaciones sobre las causas o mecanismos naturales que dan
lugar al fenómeno estudiado.
rp
!
"(#! (del griego relativo a la 'experiencia'). Son los que
utilizan las observaciones directas o los resultados de experimentos del fenómeno
estudiado.
rp
!
)! o
"
!, estos pueden usar figuras, gráficos o
descripciones causales, en general se contentan con predecir si el estado del
sistema irá en determinada dirección o si aumentará o disminuirá alguna
magnitud, sin importar exactamente la magnitud concreta de la mayoría de
aspectos.
rp
!
)! o #!, usan números para representar aspectos del
sistema modelizado, y generalmente incluyen fórmulas y algoritmos matemáticos
más o menos complejos que relacionan los valores numéricos.
--Según la aleatoriedad
rp c
#!
. Se conoce de manera puntual la forma del resultado ya que no hay
incertidumbre. Además, los datos utilizados para alimentar el modelo son
completamente conocidos y determinados.
rp
!
o
!#"), de situaciones medibles de manera precisa o
aleatoria, por ejemplo con aspectos de programación lineal cuando es de manera
precisa, y probabilística o heurística cuando es aleatorio. Este tipo de modelos
pretende predecir qué sucede en una situación concreta dada.
rp
"*
. Para determinar el punto exacto para resolver alguna
problemática administrativa, de producción, o cualquier otra situación. Cuando la
optimización es entera o no lineal, combinada, se refiere a modelos matemáticos
poco predecibles, pero que pueden acoplarse a alguna alternativa existente y
aproximada en su cuantificación. Este tipo de modelos requiere comparar diversas
condiciones, casos o posibles valores de un parámetro y ver cuál de ellos resulta
óptimo según el criterio elegido.
rp
#. Para saber con precisión como está algo en una organización,
investigación, área de operación, etc. Este modelo pretende ayudar a decidir qué
nuevas medidas, variables o qué parámetros deben ajustarse para lograr un
resultado o estado concreto del sistema modelado.
El ingeniero puede recoger datos y ver la forma en que dichos datos se ajustan a las
predicciones del modelo. Si el ingeniero dispone de dos series de datos (una
correspondiente al proceso real y otra al modelo) para un modelo relativamente poco
complicado, suele ser preciso introducir una cantidad considerable de subjetividad en el
análisis a la hora de establecer la concordancia entre las dos series de datos. En cualquier
caso, si la respuesta del modelo concuerda satisfactoriamente con los resultados
experimentales, aumenta la confianza del ingeniero en la aptitud de las descripciones
matemáticas. Si la concordancia es mal, tal vez convenga revisar el modelo o bien intentar
otro modelos de ataque.Otros criterios a considerar, además de la fidelidad, para evaluar
un modelo son:
rp Exactitud
rp Reproductibilidad
rp Coste
rp Tiempo
rp Complejidad
rp Capacidad y posibilidad de aplicación.
1.p
-
de un problema o situación compleja que necesita ser simulada,
optimizada o controlada y por tanto requeriría un modelo matemático predictivo.
2.p
" de modelo, esto requiere precisar qué tipo de respuesta u
͞output͟ pretende obtenerse, cuales son los datos de entrada o factores
relevantes, y para qué pretende usarse el modelo. Esta elección debe ser
suficientemente simple como para permitir un tratamiento matemático asequible
con los recursos disponibles. Esta fase requiere además identificar el mayor
número de datos fidedignos, rotular y clasificar las incógnitas (variables
independientes y dependientes) y establecer consideraciones, físicas, químicas,
geométricas, etc. que representen adecuadamente el fenómeno en estudio.
3.p #
*
del modelo en la que se detallarán qué forma tienen los datos de
entrada, qué tipo de herramienta matemática se usará, como se adaptan a la
información previa existente. También podría incluir la confección de algoritmos,
ensamblaje de archivos informáticos, etc. etc. En esta fase posiblemente se
introduzcan también simplificaciones suficientes para que el problema matemático
de modelización sea tratable computacionalmente.
ÿ
+ ÿ,, +
Interacción con el
asunto
c
)
!<
ÿ
Construcción
Matemática
#
ÿ
Modelo Matemático %
#"#
)
0
#
!
Una vez delineada la situación que se pretende estudiar, debe hacerse una investigación
sobre el asunto. Tanto indirectamente (a través de libros y revistas especializadas) como
directamente in situ (a través de datos experimentales obtenidos con especialistas del
área). Aunque hayamos dividido esta etapa en dos sub etapas, los límites entre ambas no
son tajantes: el reconocimiento de la situación-problema se torna cada vez más claro, a
medida que se van conociendo los datos.
!#
Para poder concluir el modelo, se torna necesario un chequeo para así comprobar, en qué
nivel éste se aproxima al problema real y a partir de ahí, poder utilizarlo.
Si el modelo no atiende a las necesidades que lo generó, el proceso debe ser retomado en
la segunda etapacambiando hipótesis, variables, etc.