You are on page 1of 14

c 

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.

Un modelo matemático es la descripción matemática de una situación real.

La rama de la matemática que se encarga de estudiar sistemáticamente las propiedades


de los modelos es la teoría de modelos.

Un modelo matemático consta al menos de dos conjuntos básicos de elementos:

1.p 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 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.

Esquema del proceso de modelado

SITUACIÓN DEL MUNDO REAL

MODELO DEL MUNDO REAL

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:

C = 3x1 + 5x2 (Costo total de Producción)

Sujeto a:

8x1 + 7x2 500

x1 0 y x2 0.

 

Una huerta de manzanos tiene 40 árboles por hectárea y el promedio de producción es de


300 manzanas por árbol y por año. Si por cada árbol que se plante por hectárea, además
de los 40, la producción promedio disminuye en 5 manzanas y como restricción no puede
haber más de 60 árboles por hectárea, exprésese la producción.

  La producción actual de la huerta puede obtenerse de la siguiente forma:


(300)(40) = 12000 manzanas por hectárea y por año, y en general, la producción =
(número de árboles por hectárea) (producción promedio anual de un árbol).

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:

Producción: promedio anual de un árbol = 300 ʹ 5x;

y la producción total será: P = (40 + x)(300-5x)

Obsérvese que 0 ч x ч 60
ÿ  c  

El empleo de métodos científicos (modelos matemáticos) en el análisis de procesos no es


nuevo, pero la verdad es que se observa un creciente interés en los últimos diez años en
este campo. Una gran parte de este crecimiento de las aplicaciones científicas se debe sin
duda a la existencia y empleo de calculadoras de gran capacidad (digitales, analógicas e
hibridas) que en la actualidad permiten el estudio de problemas de gran complejidad, que
solamente hace unos años no se podían abordar.

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.

 
!  !!
"#
!!$

El análisis de procesos se refiere a la aplicación de métodos científicos, al reconocimiento


y definición de problemas, así como al desarrollo de procedimientos para su solución.

Esto quiere decir:

1.- Especificación matemática.

2.- Análisis detallado para obtener modelos matemáticos.

3.- Síntesis y presentación de resultados para asegurar la total comprensión.

La construcción de modelos matemáticos teóricos o semiteóricos constituye


frecuentemente una necesidad preliminar.

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 %

rp Experimentación económica. Es posible estudiar procesos existentes de una forma


más rápida, económica y completa que en un plano real.
rp Extrapolación. Con un modelo matemático adecuado se pueden ensayar
intervalos extremos de las condiciones de operación, que pueden ser imposibles
de realizar en un modelo real, también es posible establecer características de
funcionamiento.
rp Estudio de conmutabilidad. Se pueden introducir nuevos factores o elementos de
un sistema y suprimir otros antiguos al examinar el sistema con el fin de ver si
estas modificaciones son compatibles, con el fin de comparar distintos diseños y
procesos que todavía no están en operación y ensayar hipótesis sobre sistemas o
procesos antes de llevarlos a la práctica.
rp Repetición de experimentos. En el modelo matemático se puede introducir o
retirar a voluntad un error, lo cual no es posible en el plano real.

ÿÿc c 

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.

Los modelos se pueden clasificar de la siguiente manera:

--Según su representación matemática

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.


--Según la información de entrada

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.

--Según el tipo de representación

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 !!. Probabilístico, que no se conoce el resultado esperado, sino su


probabilidad y existe por tanto incertidumbre.
--según su aplicación u objetivo

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.

  ÿ+ÿ c $

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.

Cuando el proceso que se ha de evaluar no se puede ensayar en una forma totalmente


operacional (debido al coste, tiempo, riesgo etc.) la base de evaluación debe desplazarse
hacia ensayos de algunas aproximaciones del sistema, estudios en planta piloto, o bien los
ensayos se pueden llevar acabo modificando las condiciones de operación del proceso
real. Tales simulaciones dan lugar a nuevos problemas.

,+c +c ÿ ÿ

En muchos casos la construcción o creación de modelos matemáticos útiles sigue una


serie de fases bien determinadas:

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.

4.p  " # 


#
!  ! los resultados obtenidos como predicciones necesitan
ser comparados con los hechos observados para ver si el modelo está prediciendo
bien. Si los resultados no se ajustan bien, frecuentemente se vuelve a la fase 1.
Es importante mencionar que la inmensa mayoría de modelos matemáticos no son
exactos y tienen un alto grado de idealización y simplificación, ya que una modelización
muy exacta puede ser más complicada de tratar y por tanto menos útil.

ÿ 

Es preciso reconocer que el análisis de procesos tiene algunas limitaciones importantes:

La primera de ellas reside en la disponibilidad y exactitud de los datos; es decir, el éxito


del análisis de procesos depende grandemente de la información básica disponible para el
análisis. Los estudios que se pueden realizar con el sistema son solamente tan exactos
como los datos físicos y químicos que se introducen en el modelo.

La segunda limitación reside en los recursos disponibles para la manipulación de los


planteamientos matemáticos que componen el modelo. Hay estructuras que son fáciles
de definir y describir matemáticamente pero que no se pueden manipular con los
conocimientos actuales, debido a limitaciones teóricas o de las técnicas de cálculo. En
estas condiciones, aunque el modelo este bien definido y resulte adecuado para la
situación real, no resultaría un método razonable para el desarrollo de predicciones.

La tercera limitante en la utilización de modelos consiste en suponer que representan al


sistema real fuera del intervalo de las variables para el que el modelo ha sido
originalmente propuesto. Dicha extrapolación puede constituir un aspecto valioso del
modelo pero puede conducir también a errores.
öö.,ÿ/ÿ

1.p ANÁLISIS Y SIMULACIÓN DE PROCESOS. DAVID MAUTNER HIMMELBLAU,KENNETH


B. BISCHOFF
2.p V  . RÍOS, SIXTO (1995). ALIANZA UNIVERSIDAD
3.p http://es.wikipedia.org/wiki/Modelo_matem%C3%A1tico
4.p El modelo matemático. Salvador Gorbea Portal
+ ÿ,

0p +1 +c ÿ %$



0p +1  ÿ%c , $

20p ,ö c ÿÿc c ÿ %

30p  .4ÿÿÿ,, ,  ÿÿ %ÿ+1c 
,ÿ  ÿ$

50p  .4ÿÿÿc  ,ÿcÿ+1c  ,ÿ 
ÿ$

60p ,ö c, ,ÿc ,ÿ,ÿ,ÿ ÿ+ÿ,+c 

70p ,ö ÿÿ,ÿÿ,+c +c ÿ %

80p ,ö +ÿÿ ÿ,ÿÿ, ÿc +c ÿ %

90p c ,ö ö,     c c  ,ÿ

:0p+ ,ÿÿc ÿÿ %ÿ +cÿÿÿ,ÿ ,/ÿ;
, cÿc c c ÿ %


+ ÿ,, + 

0p +1 +c ÿ %$


Un modelo matemático es la descripción matemática de una situación real.

0p +1  ÿ%c , $
Es la aplicación de métodos científicos, para la definición de problemas, así como
al desarrollo de procedimientos para su solución.

20p ,ö c ÿÿc c ÿ %
rp Experimentación económica 
rp Extrapolación
rp Estudio de conmutabilidad
rp Repetición de experimentos

30p  .4ÿÿÿ,, ,  ÿÿ %ÿ+1c 
,ÿö,ÿc
rp Modelo lineal
rp Modelo cuadrático
rp Modelo exponencial

50p  .4ÿÿÿc  ,ÿcÿ+1c  ,ÿ 


ÿ$
rp Modelos heurísticos
rp Modelos empíricos

60p ,ö c, ,ÿc ,ÿ,ÿ,ÿ ÿ+ÿ,+c 


rp Exactitud
rp Reproductibilidad
rp Coste
rp Tiempo
rp Complejidad
rp Capacidad y posibilidad de aplicación.

70p ,ö ÿÿ,ÿÿ,+c +c ÿ %


Identificación, Elección del tipo, Formalización, Comparación de resultados.
80p ,ö +ÿÿ ÿ,ÿÿ, ÿc +c ÿ %
rp Disponibilidad y exactitud de los datos.
rp Recursos disponibles para la manipulación de los planteamientos
matemáticos que componen el modelo.
rp Suponer que representan al sistema real fuera de las variables para el que
el modelo ha sido originalmente propuesto.

90p c ,ö ö,     c c  ,ÿ
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.

:0p+ ,ÿÿc ÿÿ %ÿ +cÿÿÿ,ÿ ,/ÿ;


, cÿc c c ÿ %
Teoría de modelos.



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.

!# 
 

Ésta es la etapa más compleja y desafiante. Estásubdividida en formulación del problema y


solución. Esaquí que se da la ͞traducción͟ de la situación-problema allenguaje
matemático. Intuición y creatividad son elementosindispensables en esta etapa.

Se debe concluir esta subetapa con un conjunto de expresiones aritméticas y fórmulas, o


ecuacionesalgebraicas, o gráfico, o representaciones, o programa computacional que nos
lleven a la solución o nos permitandeducir una.


 


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.

De esta forma, se hace primero la 


#"#
  del modelo y posteriormente, se
comprueba la
 =)  .

Para interpretar el modelo se analizan las implicaciones de la solución, derivada del


modelo que estásiendo investigado. Entonces, se comprueba la adecuación del mismo,
volviendo al problemainvestigado, evaluando cuán significativa y relevante es la solución.

Si el modelo no atiende a las necesidades que lo generó, el proceso debe ser retomado en
la segunda etapacambiando hipótesis, variables, etc.

Es importante al concluir el modelo, elaborar un informe en el que se comuniquen todas


las facetas deldesarrollo, con el fin de propiciar su uso.