UNIDAD 1: PASO 0-RECONOCIMIENTO DE PERSEVERES

MODELOS Y SIMULACIONES

YENY PAOLA DUARTE ESPITIA

CÓDIGO: 1054373424

TUTOR: DIEGO ÉDISON CARACHA RODRÍGUEZ

GRUPO: 212026_7

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

ESCUELA DE CIENCIAS BÁSICAS, TECNOLOGÍA E INGENIERÍA
BOGOTÁ FEBRERO DE 2019
 a. ¿QUÉ ES LA PROGRAMACIÓN LINEAL?
Se conoce como la técnica de la matemática que permite la optimización de una función
objetivo a través de la aplicación de diversas restricciones a sus variables. Se trata de un
modelo compuesto, por lo tanto, por una función objetivo y sus restricciones, constituyéndose
todos estos componentes como funciones lineales en las variables en cuestión.
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.
I.Tipos de programación lineal.
 Método Grafico
 Método Algebraico
 Método Simplex
 Método de la gran M
 Método de las dos fases
 Método Simple revisado
II.Usos y aplicaciones, según la tipología.
Método Grafico
 Solo trabaja con dos o tres variables
 Gráfica la función objetivo y las restricciones
 Ubica en la región factible solución óptima, no factible, múltiple o no acotada
 Se trabaja directamente en la forma canónica
 Encuentra la solución en la gráfica directamente
Método Algebraico.
 Es parecido al método simplex
 Se mueve entre puntos extremos empezando en el origen
 Se trabaja en la forma estándar.
 Encuentra la solución cuando z ya no puede o empeora en una siguiente iteración
Método Simplex.
 Trabaja en la forma estándar
 El origen tiene que ser una solución factible
 Se mueve a través de los puntos extremos
 Describe cómo aumenta o disminuye z y dice que ocurre con las variables
 A través de los coeficientes describe si se llega a una solución óptima, no factible, no
restringida o múltiple

Método de la gran M.
 Trabaja con el modelo ampliado
 Tiene variables artificiales que están multiplicadas por un valor muy grande
denominado por M
 Las variables artificiales son poco atractivas para elegirlas variable de entrada
  Trabaja con modelos donde la solución inicial no tiene que ser el origen.
 Si no se puede eliminar a M, entonces no hay solución factible
 Se considera primera al factor multiplicativo más negativo para maximización y
después al aditivo
Método de las dos fases.
Trabaja con la forma ampliada
Trabaja con cualquier modelo.
Tiene dos fases: en la primera se plantea una función de minimización donde las
variables son las v. artificiales y las restricciones son las mismas que en el modelo
ampliado para ubicar la solución inicial
En la segunda fase se continua el método quitando las v. artificiales y retomando la
función objetivo original, pero con los valores ya dados en las restricciones de la
anterior fase
Si existe una v. artificial en la base al final de la primera fase, entonces se fuerza a
esta a salir de la base.
Método Simple revisado
 Es una diferente forma de realizar el método simplex
 Se realiza tomando solamente los cálculos necesarios que se ocupan en toda la tabla
del método simplex y expresándolo en forma de matrices
 Requiere el uso de matrices inversas y multiplicación de matrices
 Puede aplicarse ciertos criterios a este método para hacerlo parecido al método de las
dos fases.

b. ¿QUÉ SON LOS MÉTODOS DETERMINÍSTICOS?

Un modelo determinista es un modelo matemático donde las mismas entradas o condiciones
iniciales producirán invariablemente las mismas salidas o resultados, no contemplándose la
existencia de azar, o incertidumbre en el proceso modelada mediante dicho modelo.
Está estrechamente relacionado con la creación de entornos simulados a través de
simuladores para el estudio de situaciones hipotéticas, o para crear sistemas de gestión que
permitan disminuir la propagación de errores. Los modelos deterministas sólo pueden ser
adecuados para sistemas deterministas no caóticos, para sistemas azarosos (no-determinista)
y caóticos (determinista impredecible a largo plazo) los modelos deterministas no pueden
predecir adecuadamente la mayor parte de sus características.

1. Tipos.
 Modelos matemáticos
 Programación lineal
 Programación Entera
 Programación dinámica
 Programación no lineal
 Programación multiobjetivo
  modelos de transporte
 modelo de redes
Usos y aplicaciones, según la tipología.
Programación matemática
Constituye un campo amplio de estudio que se ocupa de la teoría, aplicaciones y métodos
computacionales para resolver los problemas de optimización condicionada
Programación lineal
Dedicado a maximizar o minimizar (optimizar) una función lineal, denominada función
objetivo, de tal forma que las variables de dicha función estén sujetas a una serie de
restricciones expresadas mediante un sistema de ecuaciones o inecuaciones también lineales.

c. ¿Qué son los métodos probabilísticos?

Son modelos matemáticos apropiados para situaciones reales en condiciones específicas, son
importantes porque nos ayudan a predecir la conducta de futuras repeticiones de un
experimento aleatorio. Los modelos pueden ser discretos o continuos.

1. Tipos.
 Muestreo Aleatorio Simple.
 Muestreo aleatorio sistemático.
 Muestreo aleatorio estratificado.
 Muestra por conglomerado (cluster)
 Muestreo Polietápico.

2. Usos y aplicaciones, según la tipología

Muestreo Aleatorio Simple.
Según (López, 2010) Muestreo aleatorio simple es la selección de la muestra se realiza en una
sola etapa, directamente y sin reemplazamientos. Se aplica fundamentalmente en
investigaciones sobre poblaciones pequeñas y plenamente identificables, por ejemplo, cuando
disponemos de la lista completa de todos los elementos del universo.
Para explicarlo en un lenguaje sencillo, consiste en rifar – sortear entre todos los elementos
del universo los que pertenecerán a la muestra.
Muestreo aleatorio sistemático.
Es una derivación del Muestreo Aleatorio Simple. Se calcula el coeficiente de elevación (k),
que se calcula dividiendo el tamaño del universo (N) por el tamaño de la muestra (n): k=N/n.
En el universo (N) se elige el primer elemento al azar, con la condición de que el número
escogido sea inferior al coeficiente de elevación. Luego los demás se escogen cada cierto
intervalo (k), hasta completar el tamaño muestral (n). (Personal.ua, 2008)
Muestreo aleatorio estratificado.
Es frecuente que cuando se realiza un estudio interese estudiar una serie de subpoblaciones
(estratos) en la población, siendo importante que en la muestra haya representación de todos
y cada uno de los estratos considerados. El muestreo aleatorio simple no nos garantiza que tal
cosa ocurra. Para evitar esto, se saca una muestra de cada uno de los estratos
Estratificación.
El criterio para seguir en la formación de los estratos será formarlos de tal manera que haya la
máxima homogeneidad en relación a la variable a estudio dentro de cada estrato y la máxima
heterogeneidad entre los estratos
Afijación.
(Doupovec, 2009) Reparto del tamaño de la muestra en los diferentes estratos o
subpoblaciones. Existen varios criterios de afijación entre los que destacamos:

Afijación igual Todos los estratos tienen el mismo número de elementos en la muestra.

Afijación Cada estrato tiene un número de elementos en la muestra proporcional a su

proporcional tamaño.

Afijación Cuando el reparto del tamaño de la muestra se hace de forma proporcional

Neyman al valor de la dispersión en cada uno de los estratos.

Muestra por conglomerado (cluster)

Es el muestreo en que se seleccionan, al azar, grupos en vez de individuos. En este tipo de
muestra, la unidad bajo investigación no es el individuo sino el grupo. Se utiliza
principalmente cuando los miembros de la población están muy separados geográficamente.
Una vez se selecciona un grupo, se utilizan todos los individuos que forman ese grupo. Por
ejemplo, una muestra de conglomerado es aquella en que se seleccionan escuelas,
aleatoriamente, en un distrito y entonces todos los maestros de las escuelas seleccionadas
participan.
Muestreo Polietápico.
Según (López, 2010) El muestreo polietápico consiste en realizar la selección de la muestra
en varias etapas, es decir aplicar la selección de la muestra en varias ocasiones. Se pueden
utilizar diferentes métodos de muestreos o el mismo. Un ejemplo es el muestreo aleatorio por
conglomerados y cada conglomerado tiene un número muy grande de elementos como para
entrevistarlos a todo
d. LA MODELACIÓN MATEMÁTICA Y LAS HERRAMIENTAS DE SOFTWARE.
La aplicación de la modelación matemática consiste en el reemplazo del objeto cognitivo por
su imagen matemática (modelo matemático) la cual, implementada en algoritmos lógico –
numéricos en un ordenador, permite estudiar las cualidades del proceso original. Este
método de cognición conjuga las ventajas de la teoría y del experimento.
La modelación matemática de procesos es una herramienta de gran utilidad para el ingeniero
ya que le permite conocer, entender e interpretar el mundo físico en el pro-ceso de toma de
decisiones.
Los avances de la computación han permitido el desarrollo de modelos matemáticos cada vez
más detallados y precisos que luego se utilizan en el diseño, escalado, optimización y control
de procesos de una forma rápida y económica, al reducir los costos por la eliminación de
parte del trabajo experimental en la industria (3).Desde el punto de vista de la ingeniería de
procesos, los modelos matemáticos se clasifican en tres grandes categorías.
 Modelos fenomenológicos o de caja blanca, modelo obtenido mediante un estudio
teórico del proceso; sus principios de formulación son las ecuaciones de conservación
(materia, energía y/o entropía), leyes generales y ecuaciones constitutivas. El grado de
complejidad del mismo es función directa del grado de detalle utilizado y constituye
el núcleo fundamental de los modelos utilizados por los ingenieros.
 Modelos empíricos, se construyen mediante experimentación y observación,
haciendo luego uso de datos experimentales para ajustar los parámetros en una
estructura matemática dada
 Modelos semifísicos o de caja gris, son una combinación de los dos tipos anteriores,
donde algunas características del proceso están descritas mediante correlaciones
empíricas particulares para la condición dada. Estos modelos se emplean
fundamentalmente cuando el conocimiento fenomenológico resulta insuficiente para
describir la situación física real del sistema que se modela.
 REFERENCIAS BIBLIOGRÁFICAS
 Método determinísticos (s.f) recuperado el 11 de enero del 2019 de:
https://www.tiposde.com/tipos_de_modelos.html
 Métodos probabilísticos (s.f) recuperado el 11 de enero del 2019
de:https://www.gestiopolis.com/muestreo-probabilistico-no-probabilistico-teoria/
 Modelos de programación lineal (s.f) recuperado el 10 de enero del 2019
de:https://sites.google.com/site/metodosdeprogramacionlinealdan/clasificacion-de-
los-metodos
 Que es la programación lineal (s.f) recuperado el 10 de enero del 2019 de:
https://definicion.de/programacion-lineal/
 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