Documentos de Académico
Documentos de Profesional
Documentos de Cultura
v=H5jEMt3rulY
Ejemplo 1.1. Un cerdo que pesa 200 libras gana 5 libras por día y cuesta 45
centavos de dólar al día para mantener. El precio de mercado de los cerdos es de
65 centavos de dólar por libra, pero está cayendo 1 centavo por día. Cuando se
debe vender el cerdo?
El enfoque de modelado matemático para la resolución de problemas consta de
cinco pasos:
1. Haga la pregunta.
2. Seleccione el acercamiento modelado.
3. Formule al modelo.
4. Resuelva al modelo.
5. Conteste la pregunta.
En Ejemplo 1.1 el peso w del cerdo (en el lbs), el número de t de los días hasta
que nosotros vendamos el cerdo, el C del costo de guardar los días de t de cerdo
(en los dólares), el precio de mercado p para los cerdos ($/ el lb), el rédito que R
obtuvo cuando nosotros vendemos el cerdo ($), y nuestro P de beneficio neto
resultante ($) es todas las variables. Hay otras cantidades numéricas involucradas
en el problema, como el peso inicial del cerdo (200 lbs). Sin embargo, éstas no
son las variables. Está importante en esta fase separar las variables de esas
cantidades que permanecerán constantes.
t = tiempo (días)
w = peso del cerdo (lbs)
p = precio de los cerdos ($ / lb)
C = costo de mantener cerdo t días ($)
R = ingresos obtenido por la venta de cerdo ($)
P = ganancia de la venta de cerdo ($)
El aviso que nosotros hemos incluido las unidades como un cheque que nuestra
ecuación tiene el sentido. Las otras asunciones inherente en nuestro problema es
como sigue:
Nosotros también estamos asumiendo ese t ≥0. Nuestro objetivo en este problema
es aumentar al máximo nuestro beneficio neto, los dólares del P. Figure 1.1
resume los resultados de paso 1, en un formulario conveniente para la referencia
más tarde.
paso 1 está completa es ver si nuestro P objetivo relaciona toda la manera atrás al
t inconstante. El consejo general mejor sobre paso 1 es hacer algo. Empiece
apuntando cualquier cosa está inmediatamente claro (por ejemplo, algunas de las
variables simplemente pueden encontrarse leyendo encima del problema y
buscando los nombres), y el resto de los pedazos entrará en el lugar
probablemente.
El propósito principal de esta sección era introducir el método del cinco-paso por el
planear matemático. Figure 1.3 resume el método en un formulario conveniente
para la referencia más tarde. En este libro nosotros aplicaremos el método del
cinco-paso para resolver una variedad ancha de problemas el planeando
matemático. Nuestra discusión de paso 2 generalmente incluirá una descripción
del acercamiento modelado seleccionada, junto con un ejemplo o dos. El lector
que ya está familiarizado con el acercamiento modelado puede escoger saltar esta
parte, o simplemente desnata para recoger la anotación. Algunos de los otros
puntos resumieron en Fig. 1.3, como el uso de “la tecnología apropiada,” se
extenderá después en en este libro. Los ejercicios al final de cada capítulo
también requieren la aplicación del Paso 1.
Ande 1. Haga la pregunta.
• Haga una lista de todas las variables en el problema, incluyendo las unidades
apropiadas.
• Tiene el cuidado para no confundir variables y constantes.
El Estado de
• cualquier asunción que usted está haciendo sobre estas variables, incluso las
ecuaciones y desigualdades.
• revise las unidades para asegurarse que sus asunciones tienen el sentido.
El Estado de
• el objetivo del problema en las condiciones matemáticas precisas.
El momento óptimo para vender es dada por la ec. (1.2), siempre y cuando esta
expresión es positiva, es decir, siempre y cuando 0 <r≤0: 014. Para r> 0: 014, el
vértice de la parábola y = f (x) se encuentra fuera del x≥0 conjunto sobre el que
estamos maximizando. En este caso, el momento óptimo para vender es en x = 0
ya que hemos F '<0 en todo el intervalo [0; ∞). Ver Figura 1.5 para un ejemplo en
el caso r = 0: 015.
Figura 1.6: Gráfico del mejor momento para vender x frente a la tasa de
crecimiento g para el problema de cerdo.
El momento óptimo para vender es dada por la ec. (1.4) tanto tiempo, ya que
representa un valor no negativo de x. Figura 1.6 muestra la relación entre la tasa
de crecimiento g y el momento óptimo para vender. Si x cambia por una cantidad
Dx, el cambio relativo en x viene dada por? X = x, y el porcentaje de cambio en x
es 100 Dx = x: si R cambios por Delta R, lo que resulta en el cambio en x? X ;
entonces la relación entre los cambios relativos es Dx = x dividido por Delta R = r:
Dejar Delta R → 0 y utilizando la definición de la derivada, se obtiene
Llamamos a esta cantidad que limita la sensibilidad de x para r, y lo denotaremos
por S (x, r). En el problema de cerdo tenemos
Tenemos
por lo que un aumento del 1% en la tasa de crecimiento del cerdo causaría que
esperemos un 3% más tiempo para vender el cerdo.
Con el fin de calcular la sensibilidad S (y; g), primera sustituto (1.4) en la función
objetivo y = f (x) a partir de (1.3) para obtener
Entonces calcular la derivada
Sea
sobre el conjunto
El paso 4 es para resolver el problema, utilizando los métodos de solución
estándar descritos en el paso 2 El problema es maximizar la función f dada por la
ecuación. (2.2) sobre el conjunto S se define en la ecuación (2.3). Figura 2.2
muestra un gráfico 3-D de la función f. Este gráfico indica que f alcanza su máximo
en el interior de S. Figura 2.3 muestra una gráfica de los conjuntos de nivel de f.
en el punto
Figura 2.2: Gráfico 3-D de la ganancia y = f (x1, x2) a partir de (2.2) frente a los
niveles de producción x1 de conjuntos de 19 pulgadas y x2 de conjuntos de 21
pulgadas para el problema TV color.
El punto (x1; x2) definida por la ecuación. (2.5) representa el máximo global de f
sobre todo el plano real. Es por lo tanto también el máximo de f en el conjunto S
se define en la ecuación. (2.3). El valor máximo de f se obtiene sustituyendo la
ecuación. (2,5) de nuevo en la ecuación. (2.2), lo que da
Ver Fig. 2,7 para un gráfico de Y frente a. Parece que el aumento de la elasticidad
de precios para los conjuntos de 19 pulgadas se traducirá en menores beneficios.
Figura 2.7: Gráfico de y ganancia óptima frente a la elasticidad-precio de una para
el problema de la televisión en color.
Para calcular S (y; a) vamos a necesitar para obtener una fórmula para dy / da.
Una forma de hacer esto sería el empleo de métodos de una variable directamente
en la ecuación. (2.10), tal vez con la ayuda de un sistema de álgebra
computacional. Otro método, que es computacionalmente más eficiente, es utilizar
la regla de la cadena multivariable, lo que implica que
Por lo tanto, un aumento del 10% en la elasticidad de los precios para los
conjuntos de 19 pulgadas se traducirá en una caída de 4% en sus ganancias.
Por lo tanto, hemos perdido sólo 0,43 por ciento del potencial máximo beneficio
mediante la aplicación de los resultados de nuestro modelo, a pesar de que
nuestros niveles de producción reales fueron bastante lejos de los valores
óptimos. Nuestro modelo parece ser extremadamente robusto en este sentido. Por
otra parte, una conclusión similar debe mantener durante muchos problemas
similares, ya que se debe fundamentalmente al hecho de que ∇f = 0 en un punto
crítico.
Vamos a decir unas pocas palabras sobre el tema más general de robustez.
Nuestro modelo se basa en una estructura de precios lineal. Ciertamente, esto es
sólo una aproximación. Sin embargo, en aplicaciones prácticas es probable que
proceda de la siguiente manera. Comenzamos con una conjetura sobre el tamaño
del mercado para nuestros nuevos productos y con un precio de venta promedio
razonable. Luego calculamos las elasticidades sea sobre la base de la experiencia
pasada con situaciones similares o sobre la base de estudios de mercado
limitadas. Debemos ser capaces de obtener estimaciones razonables para estas
elasticidades más de un cierto rango de niveles de ventas. Esta gama incluye
presumiblemente los niveles óptimos. Así que, en efecto, simplemente estamos
haciendo una aproximación lineal de una función no lineal en un intervalo bastante
pequeña región. Este tipo de aproximación es bien conocido por exhibir robustez.
Después de todo, esta es la idea detrás de cálculo.
Una vez más vamos a emplear el método de cinco pasos. Los resultados de la
etapa 1 se muestran en la Figura 2.9. El único cambio es la adición de varias
restricciones en las variables de decisión s y t. Paso 2 es para seleccionar el
método de modelización. Este problema se puede modelar como un problema de
optimización con restricciones multivariable y resuelve utilizando el método de los
multiplicadores de Lagrange.
Se nos ha dado una función y = f (x1; :::; xn) y un conjunto de restricciones. Por el
momento, vamos a suponer que estas limitaciones se pueden expresar en forma
de ecuaciones funcionales k
Hay un teorema que establece que en un x∈S punto extremo, debemos tener
para las variables x1; :::; xn y También hay que comprobar los
puntos excepcionales en que los vectores gradiente ∇g1; :::; ∇gk no son
linealmente independientes.
obtenemos una ecuación cuadrática en (lamda), con dos raíces reales. La raíz
(lamda) = √42 / 6 conduce a
son planos en R3. Los puntos a y b son los únicos dos puntos de la esfera S en la
que uno de estos aviones es tangente a la esfera. En el punto máximo a, los
vectores de gradiente ∇f y ∇g en el punto estan en la misma dirección. En el punto
mínimo b; las ∇f y ∇g están en direcciones opuestas.
Aquí ∇g = (1; 1), por lo que las ecuaciones multiplicadores de Lagrange son
Son
Figura 2.10: Gráfico que muestra el conjunto de todos los niveles de producción
factible x1 de conjuntos de 19 pulgadas y x2 de conjuntos de 21 pulgadas para el
problema de la televisión a color con limitaciones.
Figura 2.11 muestra un gráfico de arce de los conjuntos de nivel de f junto con la
región factible.
El conjunto de nivel f = C para C = 0; 100; 000; :::; 500; 000 forman anillos
concéntricos cada vez más pequeños, todos los cuales forman intersección con la
región factible. El conjunto de nivel de f = 532; 308 forma el anillo más pequeño.
Este conjunto apenas toca la región factible S, y es tangente a la línea x1 + x2 =
10; 000 en el punto óptimo. Esta evidencia gráfica indica que el punto crítico se
encuentra utilizando multiplicadores de Lagrange a lo largo de la línea de
restricción x1 + x2 = 10; 000 es en realidad el máximo de la función f sobre las
regiones factibles.
Figura 2.12: Solución óptima para el problema TV color con limitaciones utilizando
el sistema de álgebra computacional Mathematica.
Figura 2.12: Solución óptima para el problema TV color con limitaciones utilizando
el sistema de álgebra computacional Mathematica.
Una prueba algebraica que este punto es en realidad el máximo es un poco más
complicado. Al comparar los valores de f en este punto crítico con los valores en
los extremos (5, 000, 5, 000) y (2, 000, 8, 000), podemos demostrar que este
punto crítico es la máxima en este segmento de línea. Entonces podemos
optimizar f en los segmentos de líneas restantes y comparar los resultados. Por
ejemplo, el máximo de f en el segmento de línea a lo largo del eje X1 se produce
en x1 = 5; 000. Para ver esto, se aplican los multiplicadores de Lagrange con g
(x1; x2) = x2 = 0 Aquí ∇g = (0; 1), por lo que las ecuaciones multiplicadores de
Lagrange son
Antes se reportan los resultados de nuestro análisis del modelo en el Ejemplo 2.2,
es importante realizar un análisis de sensibilidad. Al final de la sección 2.1 se
determinó la sensibilidad a la elasticidad de los precios de un modelo sin
restricciones. El procedimiento para el nuevo modelo no es muy diferente.
Examinamos la sensibilidad a un valor de parámetro en particular generalizando el
modelo ligeramente, sustituyendo el valor asumido con una variable. Supongamos
que queremos volver a examinar la elasticidad de los precios, a, para juegos de 19
pulgadas. Nosotros reescribimos la función objetivo como en la ecuación. (2.7) de
manera que
Donde
Entonces tenemos
Vea las Figuras 2.13 y 2.14 para las gráficas de x1 y x2 frente a la variable a. Si la
elasticidad precio de 19 pulgadas establece aumentos, vamos a trasladar la
producción a partir de 19 pulgadas para juegos de 21 pulgadas. Si disminuye,
entonces vamos a producir más series de 19 pulgadas y un menor número de
conjuntos de 21 pulgadas.
En cualquier caso, siempre y cuando el punto (x1; x2) dada por la ecuación. (2.14)
se encuentra entre las otras líneas de las restricciones (: 007≤a≤: 022), siempre
vamos a producir un total de 10.000 juegos.
Destacamos que para este problema también tendría sentido utilizar un sistema de
álgebra computacional para realizar los cálculos necesarios. Figura 2.16 ilustra el
uso de la Maple sistema de álgebra computacional para calcular la sensibilidad S
(x2; a). Las otras sensibilidades se pueden calcular de una manera similar.
Ahora
Hay una explicación sencilla para la ecuación geométrica. (2.18). Desde puntos ∇f
en la dirección del aumento más rápido de f, cuando nos movemos la línea de
restricción en la ecuación (2.16), el nuevo óptimo. (X1; x2) debe estar situado
aproximadamente en el punto donde ∇f intersecta en línea la ecuación . (2.16).
Entonces
Para la conveniencia del lector, incluimos aquí una prueba del hecho de que los
multiplicadores de Lagrange representan precios sombra. Se nos da una función y
= f (x1;: ::; xn), que ha de ser optimizado sobre el conjunto definido por una o más
ecuaciones de restricción de la forma
Puesto que las ecuaciones de restricción pueden ser escritos en cualquier orden,
será suficiente para mostrar que (lamda)1 es el precio sombra correspondiente a
la primera restricción. Sea x (t) denotan la ubicación del punto óptimo sobre el
conjunto g1 = t; g2 = c2; : ::; gk = ck. Desde g1 (x (t)) = t, tenemos ∇g (x (t)) · x '(t)
= 1, y en particular ∇g (x0) · x' (c1) = 1 para i Desde = 2; :::; k tenemos gi (x (t)) = ci
constante para todo t, tenemos ∇gi (x (t)) · x '(t) = 0, y, en particular ∇gi (x0) · x'
(c1) = 0 El precio sombra es
Como regla general, los modelos dinámicos son fáciles de formular y difícil de
resolver. Exactas soluciones analíticas están disponibles sólo para algunos casos
especiales, tales como los sistemas lineales. Métodos numéricos en general no
presentan una buena comprensión cualitativa del comportamiento del sistema. Por
lo tanto, la aplicación de técnicas gráficas se emplea por lo general como al menos
una parte del análisis de modelos dinámicos. Debido a la simplicidad inherente de
las técnicas gráficas, junto con su naturaleza geométrica, este capítulo también
nos proporciona una oportunidad ideal para presentar algunos de los conceptos
más profundos y fundamentales de modelado utilizadas para los sistemas
dinámicos.
En esta sección vamos a considerar el tipo más simple de modelo dinámico. Las
matemáticas requeridas son de hecho elementales. Aun así, las aplicaciones
prácticas de este modelo son numerosas, y la ausencia de un exceso de técnica
sofisticada nos deja libre para concentrarse en algunas de las ideas más
fundamentales de la modelización dinámica
Variables:
Objetivo: Determinar si H → 0 o S → 0
Nos interesa conocer las condiciones en las que x1> 0 y x2> 0. Es razonable
suponer que ai> bi, ya que el efecto de la competencia entre los miembros de la
misma especie debe ser más fuerte que la competencia entre las especies. La
tasa de crecimiento es
Figura 4.2: Gráfico de coníferas frente a las maderas duras x2 x1
o, en otras palabras,
Para cada tipo de árbol (madera dura y blanda), hay dos tipos de límites al
crecimiento. La primera proviene de la competencia con el otro tipo de árbol, y el
segundo viene de la competencia entre los árboles del mismo tipo en condiciones
de hacinamiento. Así, para cada tipo de árbol hay un punto donde el crecimiento
se detiene en sí por la aglomeración, y otro punto en el que el crecimiento de un
tipo de árbol detener el crecimiento del otro tipo debido a la competencia. La
condición para la coexistencia de los dos tipos es que cada tipo alcanza el punto
en que limita su propio crecimiento antes de que alcance el punto en que limita el
crecimiento de la otra.