Escolar Documentos
Profissional Documentos
Cultura Documentos
ESTADSTICA
INTRODUCCIN
Recientemente la Estadstica se ha incorporado, en forma generalizada, al currculo de matemtica de la enseanza primaria y secundaria y al de las diferentes especialidades universitarias en la mayora de pases desarrollados. Las razones de este inters hacia la enseanza de la Estadstica han sido repetidamente sealadas por diversos autores, desde comienzos de la dcada de los ochenta del siglo pasado. Asimismo los materiales didcticos, los software educativos, las investigaciones, revistas, reuniones y los congresos sobre la enseanza de la Estadstica han crecido en los ltimos aos. Por otro lado, el inters por la enseanza y comprensin de la Estadstica no es exclusivo de la comunidad de educacin matemtica. La preocupacin por las cuestiones didcticas y por la formacin de profesionales y usuarios de la Estadstica tambin corresponde a los propios estadsticos. El inters por la enseanza de la Estadstica dentro de la Educacin Matemtica, viene ligado al rpido desarrollo de la Estadstica como ciencia y como herramienta til en la investigacin, la tcnica y la vida profesional, impulsado notablemente por la difusin de los ordenadores y el crecimiento espectacular de la potencia y rapidez de clculo de los mismos, as como por las posibilidades de comunicaciones. Todo ello ha facilitado el uso de la Estadstica a un nmero creciente de personas, provocando una gran demanda de formacin bsica en esta materia, formacin que ha sido encomendada, en los niveles no universitarios, a los profesores de matemtica. Los nuevos currculos de educacin primaria y secundaria incluyen en forma generalizada recomendaciones sobre la enseanza de la Estadstica. Sin embargo, en la prctica, son todava pocos los profesores que ensean este tema y en otros casos se trata muy brevemente, o en forma excesivamente formalizada. Es indiscutible que el siglo XX ha sido el siglo de la Estadstica, a tal punto que ha pasado a considerarse como una de las ciencias metodolgicas fundamentales y base del mtodo cientfico experimental. La enseanza de la Estadstica, sin embargo, an se encuentra en sus inicios, aunque parece avanzar de un modo sostenible. Ser el siglo XXI el siglo de la educacin estadstica?
Definicin de estadstica
La Estadstica es la ciencia pura y aplicada que se ocupa de la recoleccin, clasificacin, anlisis e interpretacin de datos con la finalidad de efectuar decisiones adecuadas frente a la incertidumbre. Tambin se le conoce como la ciencia que se ocupa de la toma de decisiones.
Divisin de la Estadstica
Estadstica descriptiva Es el conjunto de mtodos que se relacionan con la recoleccin, organizacin y presentacin de los datos, como tablas, grficas y el anlisis mediante algunos clculos. Presentacin de datos Medidas Descriptivas En forma tabular En forma grfica De Posicin De Dispersin
Estadstica Descriptiva
Estadstica inferencial Es parte de la Estadstica que se ocupa de generalizar conclusiones hacia toda una poblacin utilizando la informacin muestral. Adems utiliza conceptos sobre la Teora de Probabilidades y de las Distribuciones Muestrales. Estimacin de Parmetros Pruebas de Hiptesis Puntual Por Intervalos
Estadstica Inferencial
El puente o eslabn que nos permite pasar de la Estadstica Descriptiva a la Inferencial es el mtodo de muestreo y la validez de las inferencias depender de la representatividad de la muestra. Estadstica Descriptiva Muestreo Teora de probabilidades Estadstica Inferencial
CONCEPTOS BSICOS
Por ejemplo: Suponga que se desea estudiar el ingreso mensual promedio de los 1 500 padres de familia del colegio San Jos de Jauja. Se seleccionar una muestra de 50 familias.
Variable
Es una caracterstica que el investigador desea estudiar. Puede ser cuantitativa o cualitativa. En el ejemplo inicial: el ingreso mensual promedio. Otros ejemplos El nmero de hijos de los profesores del colegio Jos Carlos Maritegui. Procedencia de los alumnos de primaria del colegio Carlos Martnez Uribe. El rendimiento acadmico de los alumnos de colegio San Ramn de Tarma.
Unidad elemental
Es todo elemento del que se obtiene informacin. Tambin se le conoce como la unidad de informacin o unidad estadstica. En el ejemplo inicial: la unidad elemental es cada padre de familia. Se conoce como observacin al registro que se realiza de una unidad elemental. Las variables se denotan con las letras maysculas X, Y, Z, W y a las observaciones con las letras minsculas x, y, z, w. En el ejemplo inicial X = ingreso mensual de cada padre. x4 = S/.300 nos indica que el padre de familia al cual se le asign el N 4 tiene un ingreso mensual de S/.300. Sea la variable Y: nmero de hijos de los profesores del colegio El Triunfo de Tumbes. y8 = 4 nos indica que el profesor asignado con el N 8 tiene 4 hijos.
Poblacin
Es el conjunto de todas las unidades elementales en estudio. La poblacin tambin se define como el conjunto de todas las observaciones ya que por cada unidad elemental se tiene una observacin. Al tamao de la poblacin se le denota con la letra N. En el ejemplo inicial: la poblacin est formada por las 1 500 familias (N = 1 500). Pob. = {P1 ; P2 ; P3 ; ... ; P1 500} Pob. = {S/.180; S/.250; S/.420; ...; S/.200} Por ejemplo: Los estudiantes del Colegio Mariscal Luzuriaga de Casma del turno maana matriculados el 2006 Variable Z: procedencia de Buenavista. Unidad elemental: cada estudiante. Podemos observar que Z15 = si ; Z19 = no Poblacin = {Z1; Z2; Z3; Z4 ; ...; Z1500} Poblacin = {si , no, si, si, ..., si}
Muestra
Es un subconjunto de una poblacin. Al tamao de la muestra se le denota con la letra n. En el ejemplo inicial: la muestra est formada por las 50 familias (n = 50 ). muestra = {F1; F2; F3; ...; F50} muestra = {S/.200; S/.250; S/.180; ...; S/.300}
Parmetro
Es un valor constante que se utiliza para describir una variable en la poblacin. Para hacer el clculo del parmetro se requiere la informacin de toda la poblacin. Ejemplos la media ( ) la variancia (2) diferencia de promedios ( 1 2) la desviacin estndar ()
50 Estimar. Consiste en considerar el valor del estadgrafo hallado en una muestra como si fuera el valor del parmetro.
Discretas. Cuando admite valores enteros. Las observaciones se hacen por conteo. Ejemplos el nmero de alumnos de los talleres de reforzamiento en matemtica. el nmero de hijos de los trabajadores. Cualitativas Cuando la observacin representa una determinada cualidad. A la observacin cualitativa tambin se le llama atributo. Ejemplo Poblacin: habitantes mayores de 20 aos en el distrito de Los Olivos. X: grado de instruccin (primaria, secundaria, superior) Y: opinin respecto a determinada poltica econmica (a favor, abstencin, en contra) Las variables cualitativas a su vez pueden ser nominales y jerarquizadas: Nominales. Cuando no se puede establecer un orden en las cualidades o atributos. Ejemplos Profesin (ingeniero, profesor, mdico, bilogo) Color (verde, amarillo, rojo). Ordinales o jerarquizadas. Cuando es posible establecer un orden en las alternativas. Ejemplos Grado de instruccin (primaria, secundaria, superior) Categora como docente (profesor, auxiliar, principal, asociado).
ORGANIZACIN DE DATOS
El objetivo de la organizacin de datos es ordenar un conjunto de datos en forma til para revelar sus caractersticas esenciales y simplificar ciertos anlisis. Existen dos tipos generales de tablas de frecuencias para representar un conjunto de datos: a. Tablas de Frecuencias para Datos No Agrupados b. Tablas de frecuencias para Datos Agrupados.
K 1 2 3 4
fi f1 = 20 f2 = 30 f3 = 20 f4 = 10 n = 80
Fi F1 = 20 F2 = 50 F3 = 70 F4 = 80
n = 80 es el tamao de la muestra
K = 4 es el nmero de clases
Algunas interpretaciones f2 = 30 quiere decir que 30 de los 80 padres de familia del colegio Santa Isabel de Huancayo tienen grado de instruccin primaria. h3 = 0,250 = 25% quiere decir que el 25% de los padres de familia del colegio Santa Isabel de Huancayo tienen grado de instruccin secundaria. F3 = 70 quiere decir que de los 80 padres de familia del colegio Santa Isabel de Huancayo, 70 de ellos tienen grado de instruccin entre analfabetos, primaria y secundaria. H2 = 0,625 = 62,5% quiere decir que el 62,5% de los padres de familia tienen grado de instruccin entre analfabetos y educacin primaria. Frecuencia absoluta (fi) Es el nmero de observaciones que se registran en cada clase. La suma total de las frecuencias absolutas es igual al nmero total de elementos (n). En el ejemplo, estas frecuencias se encuentran en la informacin del enunciado: 20 analfabetos (f1= 20), 30 primaria (f2 = 30), 20 secundaria (f3 = 20) y 10 superior (f4 =10 ). Observe adems que la suma de todas las frecuencias absolutas es igual al tamao de la muestra, es decir f1 + f2 + f3 + f4 = 20 + 30 + 20 + 10 = 80 Frecuencia relativa (hi) Es la proporcin de observaciones en cada clase. La suma de todas las frecuencias relativas es igual a la unidad. Se calculan dividiendo cada una de las frecuencias absolutas entre el tamao de la muestra. Ejemplo Para calcular las frecuencias relativas dividimos cada una de las frecuencias absolutas entre 80 que es el tamao de la muestra, es decir
h1 =
f1 n f3 n
20 80 20 80
= 0,250
h2 =
f2 n f4 n
30 80 10 80
= 0,375
h3 =
= 0,250
h4 =
= 0,125
Observe adems que la suma de todas las frecuencias relativas es igual a la unidad, es decir h1 + h2 + h3 + h4 = 0,250 + 0,375 + 0,250 + 0,125 = 1,000 Frecuencia absoluta acumulada (Fi) Es la acumulacin ordenada de cada una de las frecuencias absolutas. La ultima frecuencia absoluta acumulada es igual al nmero de elementos (n). Para calcular las frecuencias absolutas acumuladas debemos considerar que la 1ra frecuencia absoluta acumulada (F1) es siempre igual a la 1ra frecuencia absoluta (f1) y a partir de la 2da frecuencia absoluta acumulada, estas se calculan sumando o acumulando las frecuencias absolutas anteriores. En el ejemplo
Frecuencia absoluta (fi) f1 = 20 f2 = 30 f3 = 20 f4 = 10 Frecuencia absoluta acumulada (Fi) F1 = f1 = 20 F2 = f1 + f2 = 20 + 30 = 50 F3 = f1 + f2 + f3 = 20 + 30 + 20 = 70 F4 = f1 + f2 + f3 + f4 = 20 + 30 + 20 + 10 = 80
Observe adems que la ltima frecuencia absoluta acumulada es igual al tamao de la muestra, es decir, F4 = n = 80. Frecuencia relativa acumulada (Hi) Es la acumulacin de cada frecuencia relativa. La ltima frecuencia relativa acumulada es igual a la unidad. Para calcular las frecuencias relativas acumuladas debemos considerar que la 1ra frecuencia relativa acumulada (H1) es siempre igual a la 1ra frecuencia relativa (h1) y a partir de la 2da frecuencia relativa acumulada, estas se calculan sumando o acumulando las frecuencias relativas anteriores.
En el ejemplo
Frecuencia relativa (hi) h1 = 0,250 h2 = 0,375 h3 = 0,250 h4 = 0,125 Frecuencia relativa acumulada (Hi) H1 = h1 = 0,250 H2 = h1 + h2 = 0,250 + 0,375 = 0,625 H3 = h1 + h2 + h3 = 0,250 + 0,375 +0,250 = 0,875 H4 = h1 + h2 + h3 + h4 = 0,250 + 0,375 + 0,250 + 0,125 = 1,000
Observe adems que la ltima frecuencia relativa acumulada es igual a la unidad, es decir H4 = h1 + h2 + h3 + h4 = 0,250 + 0,375+ 0,250 + 0,125 = 1,000
Observaciones 1. Para determinar el valor aproximado del nmero de clases (K), usamos la regla de Sturges K = 1 + 3,3 log n donde n es el tamao de la muestra En el ejemplo K = 1 + 3,3 log 25 = 1 + 3,3 (1,40) = 5,62 Redondeando K = 6 (para garantizar que los valores mayores se encuentren en el ltimo intervalo, el valor de K se redondea al entero siguiente ). 2. Para considerar un ancho de clase comn, este se determina de la siguiente manera: W = TIC = (rango)/(N de clases) = r/K En el ejemplo W = 17 / 6 = 2,83 entonces redondeamos W = 3 ya que la informacin de horas semanales est en nmeros enteros. (si los datos estn con una cifra decimal entonces el TIC se redondea con una cifra decimal, si los datos estn con dos cifras decimales entonces el TIC se redondea con dos cifras decimales y as sucesivamente).
10
11
En el sexto intervalo [25; 28] se encuentran los valores comprendidos desde 25 hasta 28 inclusive, es decir en nuestros datos encontramos 7 valores: 25, 26, 27, 27, 25, 26 y 25, entonces f6 = 7 .
Observe adems que la ltima frecuencia absoluta acumulada es igual al tamao de la muestra, es decir F6 = n = 25
Observe adems que la suma de todas las frecuencias relativas es igual a la unidad, es decir h1 + h2 + h3 + h4+ h5 + h6 = 0,08 + 0,08 + 0,12 + 0,24 + 0,20 + 0,28 = 1,00
12
Observe adems que la ltima frecuencia relativa acumulada es igual a la unidad, es decir H6 = h1 + h2 + h3 + h4 + h5 + h6 = 0,08 + 0,08 + 0,12 + 0,24 + 0,20 + 0,28 = 1,00
Marcas de clase (X) (10 + 13)/2 = 11,5 (13 + 16)/2 = 14,5 (16 + 19)/2 = 17,5 (19 + 22)/2 = 20,5 (22 + 25)/2 = 23,5 (25 + 28)/2 = 26,5
13
PROBLEMAS PROPUESTOS
1. Identifique las unidades elementales y las observaciones en cada uno de los siguientes
casos: El Departamento de Psicopedagoga investiga las condiciones de vida de cada uno de los alumnos de primaria. El Departamento Mdico investiga el control y crecimiento de los hijos de los profesores y empleados del colegio. El Departamento de Recursos Humanos investiga los tipos de dieta en las raciones que se venden en los kioskos.
14
6. Los siguientes valores corresponden a los pesos de 50 profesores del colegio Glorioso
San Carlos de Puno (en kilogramos) 73 76 68 73 56 67 77 70 66 74 69 70 70 54 76 82 68 84 73 85 67 61 47 67 63 77 70 88 60 72 58 46 57 93 79 67 69 63 64 59 77 80 67 52 72 58 57 94 67 86 Ordene los datos en una tabla de frecuencias Interprete f2 , h3, F4, H5 Cuntos profesores tienen un peso comprendido desde 53 kg hasta 60 kg? Cuntos profesores pesan desde 67 kg hasta 87 kg inclusive? Qu porcentaje de los profesores tienen un peso comprendido desde 46 kg hasta 53 kg? Qu porcentaje de los profesores tienen un peso mayor de 80 kg?
15
En 3; 4 y 5 grado
COMPETENCIA Formular preguntas que puedan ser respondidas a partir de la recoleccin y organizacin de un conjunto de datos. HABILIDAD Disear experimentos para recolectar datos a travs de la observacin o encuestas y analizar cmo las distintas formas de hacerlo afectan la naturaleza de los datos. Interpretar informacin que ha sido presentada a travs de tablas y grcos. Representar datos teniendo en cuenta la naturaleza de la variable involucrada, si es cualitativa o cuantitativa. Organizar y representar los datos haciendo uso de una hoja de clculo. Describir las principales caractersticas de un conjunto de datos y comparar conjuntos de datos poniendo nfasis en cmo estos estn distribuidos. Calcular la mediana de un conjunto de datos y lo que esta representa y tambin lo que no representa para ese conjunto de datos. Comparar diferentes representaciones para un mismo conjunto de datos y evaluar cul de ellas representa mejor a los datos.
16
En 6 grado 1 y 2 ao
COMPETENCIA Formular preguntas que puedan ser respondidas a partir de la recoleccin y organizacin de un conjunto de datos. HABILIDAD Formular preguntas, disear estudios y recolectar datos sobre alguna caracterstica comn a dos poblaciones o a diferentes caractersticas de una misma poblacin. Seleccionar, crear y usar grcos apropiados para representar datos, incluyendo histogramas, diagrama de puntos acumulados y boxplots. Encontrar, usar e interpretar medidas de tendencia central y dispersin, incluyendo la media y los percentiles. Mostrar la relacin entre los conjuntos de datos y sus representaciones grcas, especialmente con los histogramas, diagrama de puntos acumulados y boxplots. Dadas dos poblaciones y una armacin, emplear la observacin para determinar a cul de ellas podra corresponder dicha armacin. Hacer conjeturas sobre posibles relaciones que podran existir entre dos variables de una misma poblacin. Usar conjeturas para formular nuevas preguntas y disear nuevos estudios para responderlas. Entender y emplear la terminologa apropiada para describir eventos complementarios y mutuamente excluyentes. Usar la proporcionalidad e ideas bsicas de probabilidad para hacer y vericar armaciones sobre los resultados de experimentos y simulaciones. Calcular probabilidades de eventos compuestos empleando diagramas de rbol.
17
En 3; 4 y 5 ao
COMPETENCIA Formular preguntas que puedan ser respondidas a partir de la recoleccin y organizacin de un conjunto de datos. HABILIDAD Entender las diferencias entre varios estudios estadsticos realizados y poder decidir qu tipo de inferencias son vlidas a partir de ellos. Identicar si un estudio ha sido bien diseado, teniendo en cuenta las caractersticas que deberan tener para serlo, incluyendo la nocin de aleatoriedad en encuestas y experimentos. Mostrar datos empleando histogramas, diagrama de puntos acumulados y boxplots. Procesar datos estadsticos y entender la diferencia entre una estadstica y un parmetro. Mostrar la distribucin que sigue un conjunto de datos, describir su forma y seleccionar y calcular los estadsticos correspondientes. Para datos que relacionan dos variables, mostrar los pares de puntos a travs de un diagrama de puntos acumulados, describir su forma y determinar los coecientes de regresin, la ecuacin de regresin, empleando la tecnologa. Reconocer cmo una transformacin afecta la forma de la distribucin y las medidas de tendencia central y dispersin. Emplear simulaciones para estudiar datos estadsticos conocidos y determinar qu distribucin se ajusta mejor a ellos. Entender como los datos de una muestra se relacionan con los parmetros de la poblacin y emplear distribuciones para inferencias informales. Evaluar reportes publicados basados en datos estadsticos revisando cmo se dise la toma de datos, cmo se realiz el anlisis de los mismos y estudiando la validez de las conclusiones. Entender como las tcnicas de estadstica bsica se emplean para monitorear procesos en todos los mbitos. Entender los conceptos de espacio muestral, distribucin de probabilidades, y construir espacios muestrales y distribuciones en casos sencillos. Usar simulaciones para construir distribuciones de probabilidad emprica. Calcular e interpretar los valores esperados de variables aleatorias en casos sencillos. Entender los conceptos de probabilidad condicional y de eventos independientes.
18
PROGRAMACIN LINEAL
INTRODUCCIN
En los siglos XVII y XVIII, grandes matemticos como Newton, Leibnitz, Bernouilli y, sobre todo, Lagrange, que tanto haban contribuido al desarrollo del clculo infinitesimal, se ocuparon de obtener mximos y mnimos de determinadas funciones, condicionadas a un conjunto de restricciones. Posteriormente el matemtico frnces Jean Baptiste-Joseph Fourier (1768-1830) fue el primero en intuir, aunque de forma imprecisa, los mtodos de lo que actualmente llamamos programacin lineal y la potencialidad que de ellos se deriva. Si exceptuamos al matemtico Gaspar Monge (1746-1818), quien en 1776 se interes por problemas de este gnero, debemos remontarnos al ao 1939 para encontrar nuevos estudios relacionados con los mtodos de la actual programacin lineal. En este ao, el matemtico ruso Leonodas Vitalyevich Kantarovitch publica una extensa monografa titulada Mtodos matemticos de organizacin y planificacin de la produccin en la que por primera vez se hace corresponder a una extensa gama de problemas una teora matemtica precisa y bien definida llamada, hoy en da, programacin lineal. Las aplicaciones iniciales de los mtodos de la programacin lineal cayeron entres categoras principales. En 1941-1942 se formula por primera vez el problema de transporte, estudiado independientemente por Koopmans y Kantorovich, razn por la cual se suele conocer con el nombre de problema de Koopmans-Kantorovich. En 1958 se aplicaron los mtodos de la programacin lineal a un problema concreto: el clculo del plan ptimo de transporte de arena de construccin a las obras de edificacin de la ciudad de Mosc. En este problema haba 10 puntos de partida y 230 de llegada. El plan ptimo de transporte, calculado con el ordenador Strena en 10 das del mes de junio, rebaj un 11% los gastos respecto a los costes previstos.
19
Tres aos ms tarde, G. Stigler plantea otro problema particular conocido con el nombre de rgimen alimenticio optimal.
En estos aos posteriores a la Segunda Guerra Mundial, en Estados Unidos se crea el proyecto SCOOP de la Fuerza Area, la cual asumi que la eficaz coordinacin de todas las energas y recursos de la nacin era un problema de tal complejidad, que su resolucin y simplificacin pasaba necesariamente por los modelos de optimizacin que resuelve la programacin lineal. Paralelamente a los hechos descritos se desarrollan las tcnicas de computacin y los ordenadores, instrumentos que haran posible la resolucin y simplificacin de los problemas que se estaban gestando. En 1947, G.B. Dantzig formula, en trminos matemticos muy precisos, el enunciado estndar al que cabe reducir todo problema de programacin lineal. Dantzig, junto con una serie de investigadores del United States Departament of Air Force, formaran el grupo que dio en denominarse SCOOP (Scientific Computation of Optimum Programs).
20
Una de las primeras aplicaciones de los estudios del grupo SCOOP fue el puente areo de Berln. Se continu con infinidad de aplicaciones de tipo preferentemente militar. Hacia 1950 se constituyen, fundamentalmente en Estados Unidos, distintos grupos de estudio para ir desarrollando las diferentes ramificaciones de la programacin lineal. Cabe citar, entre otros, Rand Corporation, con Dantzig, Orchard-Hays, Ford, Fulkerson y Gale, el departamento de Matemticas de la Universidad de Princenton, con Tucker y Kuhn, as como la Escuela Graduada de Administracin Industrial, dependiente del Carnegie Institute of Technology, con Charnes y Cooper. Respecto al mtodo del simplex, sealaremos que su estudio comenz en el ao 1951 y fue desarrollado por Dantzig en el United States Bureau of Standards SEAC COMPUTER, ayudndose de varios modelos de ordenador de la firma IBM. Los fundamentos matemticos de la programacin lineal se deben al matemtico norteamericano de origen hngaro Janos von Neuman (1903-1957), quien en 1928 public su famoso trabajo Teora de Juegos. En 1947 conjetura la equivalencia de los problemas de programacin lineal y la teora de matrices desarrollada en sus trabajos. La influencia de este respetado matemtico, discpulo de David Hilbert en Gotinga y, desde 1930, catedrtico de la Universidad de Princenton de Estados Unidos, hace que otros investigadores se interesaran paulatinamente por el desarrollo riguroso de esta disciplina. Se ha estimado, de una manera general, que si un pas subdesarrollado utilizase los mtodos de la programacin lineal, su producto bruto interno (PBI) aumentara entre un 10 y un 15% en tan slo un ao. La programacin lineal hace historia: El puente areo de Berln En 1946 comienza el largo perodo de la guerra fra entre la antigua Unin Sovitica (URSS) y las potencias aliadas (principalmente, Inglaterra y Estados Unidos). Uno de los episodios ms llamativos de esa guerra fra se produjo a mediados de 1948, cuando la URSS bloque las comunicaciones terrestres desde las zonas alemanas en poder de los aliados con la ciudad de Berln, iniciando el bloqueo de Berln. A los aliados se les plantearon dos posibilidades: o romper el bloqueo terrestre por la fuerza, o llegar a Berln por el aire. Se adopt la decisin de programar una demostracin tcnica del poder areo norteamericano; a tal efecto, se organiz un gigantesco puente areo para abastecer la ciudad: en diciembre de 1948 se estaban transportando 4500 toneladas diarias; en marzo de 1949, se lleg a las 8000 toneladas, tanto como se transportaba por carretera y ferrocarril antes del corte de las comunicaciones. En la planificacin de los suministros se utiliz la programacin lineal. (El 12 de mayo de 1949, los soviticos levantaron el bloqueo).
21
Qu es programacin lineal?
La programacin lineal se puede definir como un medio matemtico que busca la optimizacin (maximizacin o minimizacin) del uso de recursos limitados. La cual tiene por objeto ayudar a los responsables en la toma de decisiones sobre asuntos en donde intervienen un gran nmero de variables. La representacin matemtica de dicho ptimo se conoce como funcin objetivo y consiste generalmente en maximizar utilidades, beneficios, ingresos ,eficiencia o alguna medida efectiva; o en minimizar costos errogaciones, gastos ,etc. Toda limitacin, condicin o disponibilidad de los recursos o actividades se denomina restriccin y debe expresarse matemticamente por medio de desigualdad (no estricta) o igualdad. Tanto la funcin objetivo como las restricciones deben poderse escribir linealmente: de all el nombre dado a este mtodo: Programacin Lineal (P .L.).
22
Modelos matemticos de Centromin-Per Modelo de minas de Casapalca Modelo de cobre y plomo A continuacin presentaremos un ejemplo prctico de la programacin lineal. Ejemplo 1 Suponiendo que una empresa manufacturera que produce dos artculos, el 1 y el 2, cuyas demandas son limitadas. La siguiente tabla indica los tiempos de procesamiento requerido por cada producto en tres departamentos por los que deben ser procesados y muestra adems, la disponibilidad en horas hombre de estos por semana, y la ganancia unitaria de cada artculo. Dpto. A Producto 1 Producto 2 Disponibilidad 2 2 160 Dpto. B 1 2 120 Dpto. C 4 2 280 Ganancia Unit. 1,00 1,50
El problema consiste en decidir la cantidad de cada producto que debe elaborarse con el objeto de lograr el mejor empleo de los medios de produccin (horas disponibles en los departamentos), para obtener el mximo beneficio total. Dicho de otro modo, quien decide, debe asignar los recursos (tiempo disponible en los departamentos) con el propsito de optimizar un objetivo (maximizar la ganancia total) satisfacer otras condiciones definidas (no exceder las capacidades de trabajo de cada departamento). Su resolucin lo veremos ms adelante.
(III)
23
En las ecuaciones o inecuaciones aij ; bi ; cj son valores conocidos y el problema consiste en hallar los valores de las xj que optimicen la funcin (I) sujeta a las condiciones (II) y (III) Las variables xj se llaman variables de decisin. La estructura anterior se puede expresar como (max. o min.) Z= Sujeto a AX B c1 c2 Donde A = (aij)mxn; C = ; X = cn X0 x1 x2 ; B= xn b1 b2 bm
j=1
c x = C X
j j t
En un problema de programacin lineal debemos tener en cuenta que los beneficios, capacidades, etc. Son funciones que se deben maximizar; en cambio los costos, las prdidas, los accidentes son funciones que se deben minimizar. En Programacin Lineal se tienen los siguientes elementos Una funcin objetivo. Un conjunto de restricciones. La no negatividad de las variables decisorias. Para mayor comprensin del tema en este trabajo, lo plantearemos en dos variables decisorias; por ello nuestro problema de Programacin Lineal tendr la siguiente estructura. max.(min.) Z = c1x + c2y + c3 Sujeto a a11x + a12y b1 a21x + a22y = b2 am1x + am2y bm con x 0; y 0
Definiciones
Variables decisorias. Son cantidades desconocidas que indican los valores numricos de los actos o actividades que se van a emprender con el fin de lograr el objetivo. Funcin objetivo. Es la representacin matemtica de la funcin a optimizar (max. o min.) Z = ax + by + c Regin factible. Es aquella que cumple con todas las restricciones y las condiciones de no negatividad. Existen dos tipos de regin factible.
24
Solucin factible. Es cualquier punto situado en la regin factible. Solucin bsica. Es aquella que se encuentra en la interseccin de rectas o hiperplanos o en la interseccin con los ejes coordenados Solucin ptima. Es una solucin factible que maximiza o minimiza la funcin objetivo. Polgono Convexo. Dados dos puntos cualesquiera que pertenecen al polgono, el segmento de recta que los une est contenido en dicho polgono.
polgono convexo
polgono no convexo
25
26
La figura que ha quedado definida no es otra cosa que un polgono convexo. El problema de la Programacin Lineal, entonces, se reduce (nada ms ni nada menos) a la seleccin del punto que sea factible y que a su vez maximice la funcin objetivo. Asignando a Z un valor arbitrario para que pueda ser graficada. Por ser Z una recta, para cualesquiera valores asignados a Z se obtendrn rectas paralelas ya que tienen igual pendiente.
Es evidente que se podr seguir desplazando Z hasta que se alcance el ltimo punto comn entre sta y el polgono. Dicho punto es A tal como se verifica en el grfico que sigue.
27
Este es el punto de Ganancia Total Mxima o punto ptimo. Corresponde por lo tanto a la solucin ptima. La respuesta al problema es entonces x1 = 40 x2 = 40 Y el valor de la funcin objetivo es Z = 100 Ejemplo 2 Dos fbricas de papel producen 3 tipos diferentes de papel de bajo grado, medio grado y alto grado. Se tiene contrato de venta para proveer: 16 Tn. de bajo grado, 5 Tn. de medio grado y 20 Tn. de alto grado los costos de operacin son de S/.1000 /da para la primera fbrica y S/.2000 /da para la segunda. La fbrica N 1, produce 8 Tn. de bajo grado, 1 Tn. de medio grado y 2 Tn. de alto grado en un da de operacin. La fbrica N 2, produce 2 Tn. de bajo grado, 1 Tn. de grado medio y 7 Tn. de alto grado por da. Cuntos das debe trabajar cada fbrica a fin de cumplir con el mencionado contrato de venta en la forma ms econmica? Resolucin Sean x : Nmero de das de trabajo de la fbrica 1 y : Nmero de das de trabajo de la fbrica 2 la funcin objetivo ser (Min:) Z = 1 000x + 2000y Sujeto a: 8x + 2y 16 x+y 5 2x + 7y 20 x0 y0
28
Grficamente
La solucin optima se encuentra en el punto A donde : X = 3, Y = 2, Z = 7000 Ejemplo 3 Desde dos almacenes A y B, se tiene que distribuir fruta a tres mercados de la ciudad. El almacn A dispone de 10 toneladas de fruta diarias y el B de 15 toneladas, que se reparten en su totalidad. Los dos primeros mercados necesitan, diariamente, 8 toneladas de fruta, mientras que el tercero necesita 9 toneladas diarias. El coste del transporte en soles por tonelada desde cada almacn a cada mercado viene dado por el siguiente cuadro: Almacn A B Mercado 1 10 15 Mercado 2 15 10 Mercado 3 20 10
Planificar el transporte para que el coste sea mnimo. Resolucin Podemos hacer el siguiente cuadro que nos ayude a obtener la funcin objetivo y las restricciones Almacn A B Mercado 1 X 8 X Mercado 2 Y 8 Y Mercado 3 10 (X + Y) X+Y1
29
Del cuadro anterior se puede observar Del almacn A se transporta X Tn. al mercado 1, Y Tn. al mercado 2, y lo restante al mercado 3. Del almacn B se transporta lo faltante a cada mercado. De los dos cuadros anteriores se puede obtener la funcin objetivo la cual viene dada. F(X; Y) = 10X + 15Y + 20(10 (X + Y))+15(8 X)+10(8 Y) + 10(X + Y 1), de donde efectuando se tiene F(X; Y) = 390 15X 5Y Teniendo en cuenta que las cantidades repartidas a cada mercado son positivas entonces se tiene: 10 X + Y 0 8X 0 8Y 0 X+Y 1 0 X0 Y0 Las cuales representan las restricciones del problema Grficamente
El coste de transporte en cada en cada vrtice es Vrtices valor del objetivo F A = (0; 1) 385 B = (0; 8) 350 C = (2; 8) 320 D = (8; 2) 260 menor costo E = (8; 0) 270 F = (1; 0) 375 La solucin ptima ocurre en el vrtice D = (8; 2) lo que indica que se deben transportar del almacn A: 8 Tn al mercado 1, 2 Tn al mercado 2 y al mercado 3 nada. As mismo del almacn B, al mercado 1 nada, al mercado 2, 6 Tn y al mercado 3 9 Tn. De esta manera el costo mnimo es de S/.260.
30
PROBLEMAS PROPUESTOS
1. Alfredo tiene $2200 para invertir durante los siguientes 5 aos. Al principio de cada
ao puede invertir su dinero en depsitos a plazo fijo de 1 2 aos. El banco paga el 8% de inters en depsitos a plazo fijo de un ao y el 17% (total) en depsitos a plazo fijo de 2 aos: adems al principio del segundo ao, la compaa Western Unin ofrecer certificados a tres aos. Estos certificados tendrn una ganancia del 27%(total). Si Alfredo reinvierte su dinero disponible cada ao formular un programa lineal que muestre como maximizar su ganancia total al final del quinto ao.
2. Una refinera puede comprar dos tipos de petrleo: petrleo crudo ligero y
petrleo crudo pesado. El costo por barril de estos tipos de petrleo es de $11 y $9, respectivamente, de cada tipo de petrleo se producen por barril las siguientes cantidades de gasolina, keroseno, y combustible para reactores. Gasolina Petrleo crudo ligero Petrleo crudo pesado 0,4 0,32 Kerosene 0,2 0,4 Combustible para reactores 0,35 0,2
Obsrvese que durante el proceso de refinamiento se pierden el 5% y el 8% del crudo, respectivamente. La refinera tiene un contrato para entregar 1 milln de barriles de gasolina, 400 000 barriles de keroseno, y 250 000 barriles de combustible para reactores. Encontrar el nmero de barriles de cada tipo de petrleo que satisfacen la demanda y que minimizan el costo total.
31
Una hectrea cultivada rinde 3 Tm de trigo o 2.5 Tm de cebada segn sea el caso. Los precios vigentes por Tm son de S/.150 para el trigo y S/.200 para la cebada. Utilizando el mtodo grfico, determinar la cantidad de hectreas de trigo y de cebada que debe sembrar el agricultor para que maximice su beneficio.
32