Clase Diseños 06junio
Clase Diseños 06junio
Clase Diseños 06junio
Tenemos
(Consumo de materia prima por día por ambas pinturas) ≤ Disponibilidad máxima
El consumo de M1 es de 6 toneladas por tonelada de pintura para exterior y de 4 para el
interior
Consumo de M1 por ambas pinturas = 6X1 + 4X2
Consumo de M2 por ambas pinturas = X1 + 2X2
Donde las restricciones son:
6X1 + 4X2 ≤ 24 (Para M1)
X1 + 2X2 ≤ 6 (Para M2)
Una restricción de acuerdo con la demanda puede ser que la producción diaria de pintura
para interiores no debe exceder a la de exteriores en más de una unidad.
X2 – X1 ≤ 1
Si la demanda diaria de pintura para interiores de be de estar limitada a 2 toneladas
X2 ≤ 2
En resumen, tenemos
Z = 5X1 + 4X2
6X1 + 4X2 ≤ 24
X1 + 2X2 ≤ 6
-X1 + X2 ≤ 1
X2 ≤ 2
X1 y X2 ≥ 0
Solución de un modelo de minimización.
EJEMPLO 2.2-2 (Problema de la dieta)
Ozark Farms consume diariamente de un mínimo de 800 lb de un alimento especial, el cual
es una mezcla de maíz y soya con las siguientes composiciones:
lb por lb de forraje
Forraje Proteína Fibra Costo (%/lb)
Maíz .09 02 30
Soya .60 06 90
Las necesidades dietéticas del alimento especial son un mínimo de 30% de proteína y un
máximo de 5% de fibra. El objetivo es determinar la mezcla diaria de alimento a un costo
mínimo.
Se define
X1 = libras de maíz en la mezcla
X2 = libras de soya en la mezcla
La cantidad a minimizar Z = 0.30 X1 + 0.9 X2
Como mínimo se consumen 800 lb diarias de la mezcla
X1 + X2 ≥ 800 lb
La cantidad de proteína contenida en X1 libras de maíz y en X2 libras de soya es
0.09 X1 + 0.6 X2
Pero el requerimiento es que ésta sea de al menos el 30% de la mezcla
0.09 X1 + 0.60 X2 ≥ 0.30 (X1 + X2) Simplificando
-0.21 X1 + 0.30 X2 ≥ 0
En el caso de la fibra
0.02 X1 + 0.06 X2 ≤ 0.05 (X1 + X2)
-0.03 X1 + 0.01 X2 ≤ 0 Simplificando
En resumen
Z = 0.3 X1 + 0.9 X2 Cant. A minimizar
X1 + X2 ≥ 800 Mezcla mínima
0.21 X1 – 0.3 X2 ≤ 0 Cant. proteína
0.03 X1 – 0.01 X2 ≥ 0 Cant. fibra
X1, X2 ≥ 0
*Gráfica*
X1 = 470.6 lb
X2 = 329.4 lb
Z = 437.64 pesos
Planificación y control de inventario
EJEMPLO:
En preparación para la temporada invernal, una compañía fabricante de ropa está
manufacturando abrigos de piel con capucha y chamaras con relleno de plumas de ganso,
pantalones con aislamiento y guantes. Todos los productos de elaboran en cuatro
departamentos diferentes: corte, aislamiento, costura y empaque. La compañía recibió
pedidos en firme de sus productos. El contrato estipula una penalización por los artículos
no surtidos. Elabore un plan de producción óptimo para a compañía, con base en los
siguientes datos:
Tiempo por unidades (h)
Relleno de Capacidad
Departamento Chamarras Pantalones Guantes
plumas (h)
Corte 0.30 0.30 0.25 0.15 1000
Aislamiento 0.25 0.35 0.30 0.10 1000
Costura 0.45 0.5 0.40 0.22 1000
Empaque 0.15 0.15 0.1 0.05 1000
Demanda 800 750 600 500
Utilidad unitaria $30 $40 $20 $10
Penalización por
$15 $20 $10 $8
unidad
Sean
X1 = cantidad de chamarras con capucha
X2 = cantidad de chamarras con relleno de pluma de ganso
X3 = cantidad de pantalones
X4 = cantidad de guantes
Ganancias totales = 30 X1 + 40 X2 + 20 X3 + 10 X4
Penalizaciones totales = 15 P1 + 20 P2 + 10 P3 + 8 P4
La ganancia neta
Z = 30 X1 + 40 X2 + 20 X3 + 10 X4 - 15 P1 - 20 P2 - 10 P3 - 8 P4
Para la capacidad de producción
0.30 X1 + 0.3 X2 + 0.25 X3 + 0.15 X4 ≤ 1000
0.25 X1 + 0.35 X2 + 0.3 X3 + 0.1 X4 ≤ 1000
0.45 X1 + 0.5 X2 + 0.4 X3 + 0.22 X4 ≤ 1000
0.15 X1 + 0.15 X2 + 0.1 X3 + 0.05 X4 ≤ 1000
Para la demanda
X1 + P1 = 800
X2 + P2 = 750
X3 + P3 = 600
X4 + P4 = 500
Positividad
X1 ≥ 0, X2 ≥ 0, X3 ≥ 0, X4 ≥ 0, P1 ≥ 0, P2 ≥ 0, P3 ≥ 0, P4 ≥ 0
Análisis de Regresión
El análisis de regresión tiene como finalidad modelar n forma matemática el
comportamiento de una variable de respuesta en función de una o más variables
independientes.
Sean dos variables X y Y, suponga que se pretende explicar el comportamiento de Y en
función de X.
Y = variable de respuesta (variable aleatoria)
X = variable regresora (no necesariamente aleatoria)
Suponemos que
Y = f(x)
A las n parejas de puntos. Con esto, se puede ver si dado un valor de la variable
independiente podemos predecir el valor promedio de Y
Hay infinitas maneras de relacionar a Y con X, lo más simple es una relación lineal del
tipo:
Y = β0 + β1X + ε
Donde ε es el error aleatorio de media cero y varianza σ2. Este modelo se conoce como
modelo de regresión lineal simple.
El valor esperado de Y para cada valor de X es
E(Y|X) = β0 + β1X
Donde β0 y β1 son parámetros a especificar mediante los datos experimentales
ε =∑ ( y i−Y i )
¿ ∑ | y i −Y i|
i
¿ ∑ ( y i −Y i )
2
n
S=∑ ( y i−Y i )
2
i=1
n
S=∑ ( y i−( β0 + β 1 X i ) )
2
i=1
Para minimizar la discrepancia entre el modelo y los datos debemos aplicar el proceso de
minimización de la función S.
Tenemos S = S(β0, β1)
2 CM TOTAL−CM E
Raj =
CM TOTAL
2
σ =
√ √ SC E
n−2
=
S yy − ^
n−2
β 1 S xy
*Falta apuntes*****
Para hacer la estimación por intervalo para E(y|X0) definimos
[ ]
2
2 1 ( 0
x −x )
^ (^
V y 0 )=σ +
n S xx
√ [ ] √ [ ]
2 2
1 ( x 0−x ) 1 ( x 0−x )
^
y 0−t α CM E + ≤ E ( y|x 0 ) ≤ ^
y 0+ t α CM E +
2
,n−2 n S xx 2
,n −2 n S xx
Y11, Y12, …, Y1n1 = observaciones repetidas para X1; y sea y 1 la media de éstas.
.
.
.
Ym1, Ym2, …, Ymnm = nm observaciones repetidas para xm; y sea y m la media de éstas
m ni
SC EP=∑ ∑ ( y ij − y i )
2
i=1 i=1
Para obtener los estimadores de números cuadrados para β i se obtienen al minimizar los
errores.
Usando notación matricial
……………
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Aceptar H0 significa que ningún término o variable en el modelo tiene una contribución
significativa al explicar la variable de respuesta
SC E= ⃑y ⃑y−⃑β ⃑x ⃑y
T T T
a) Independiente: horas y dependiente: diámetro
b)
c)
T0B0 es mayor a t crítica (19.47>2.101), entonces la hipótesis se rechaza
T0B1 también está muy lejos (6.1541>2.101)
d) S
Tarea: Ejercicio 22
Paso 1. Formar una matriz con los coeficientes de los parámetros β
⃑y= x́ ⃗β
()
1 10 3
1 12 11
1 12 4
1 4 1
1 12 11
x́= 1 6 1
1 8 7
1 2 4
1 18 8
1 9 10
1 17 8
1 2 5
Introducción a la metodología de superficie de respuesta.
La metodología de superficie de respuesta es la estrategia experimental y de análisis que
permite resolver el problema de encontrar las condiciones de operación óptimas de un
proceso, es decir, aquellos que dan por resultado “valores óptimos” de una o varias
características de calidad del producto.
La región experimental es el espacio delimitado por los rangos de experimentación
utilizados con cada factor.
La región de operabilidad está delimitada por el conjunto de puntos o condiciones donde el
equipo pueda ser operado. Eta región es igual o más grande que la región experimental.
Mejor tratamiento o punto óptimo
Modelos
Los modelos que se utilizan en MSR son básicamente polinomios.
Si tenemos k factores
Modelo de primer orden
k
Y = β0 + ∑ β i x i + ϵ
i =1