Guia de GAMS para práctica V

Índice

1 ¿Qué es?

2 Instrucciones Básicas

3 Minimos cuadrados ordinarios en GAMS

4 Planeación agregada con perecederos en GAMS

Referencias

Palabras Claves: Regresión múltiple, Pronóstico , Planeación agregada, GAMS

1. ¿Qué es?

GAMS (General Algebraic Modeling System) es un software comercial desarrollado con la finalidad de resolver
problemas de optimización (lineal, no lineal, entera mixta). El lenguaje procura que los modelos se formulen
de manera similar a la descripción matemática. Cabe resaltar que existe independencia entre la herramienta para
modelar y los solucionadores (solvers) disponibles, algunos de ellos comerciales. Esto implica que a través del editor
de texto se puede crear un archivo que contiene las instrucciones a ejecutar posteriormente por los solucionadores.

2. Instrucciones Básicas

2.1. Set

Esta instrucción define un conjunto S que contiene n elementos S = E1, E2, E3, en GAMS cada uno de estos
conjuntos debe declararse usando la palabra reservada Set, asignando un nombre y el contenido:

2.2. Datos

A continuación se definen las instrucciones con las que cuenta GAMS para recibir los datos que serán utilizados
para la solución de los modelos.

Cabe resaltar que GAMS tiene definido que: Los datos deben ser ingresados en su forma más básica y solo una
vez. Los parámetros de los modelos pueden ingresarse haciendo uso de los siguientes formatos:

1. Scalar: Un valor escalar que no tiene conjuntos asociados.

2. Parameter: Una lista que se define sobre uno o más conjuntos.
3. Table: Una tabla de datos de dos o más dimensiones.

Práctica V 1
2.3. Variables

Es el nombre que en GAMS reciben las Variables de decisión del modelo. Algunos de los tipos de variables de
uso más frecuente en GAMS son:
Tipo -Palabra reservada- Descripción Lı́mite Inferior por defecto
free (default) GAMS no establece lı́mites para la variables. -inf
positive or nonnegative La variable no toma valores negativos. 0
negative La variable no toma valores positivos -inf
binary Una variable discreta que solo puede tomar 0 o 1 como valores. 0
integer Variable discreta que solo toma valores en los lı́mites definidos. 0

Para declararlas basta con establecer el tipo de variable -con la palabra reservada que corresponda- y un nombre,
por ejemplo:

Práctica V 2
2.4. Ecuaciones

Las ecuaciones en GAMS describen la relación algebraica con la que se establecen las restricciones. Dichas relaciones
pueden construirse utilizando constantes, operadores matemáticos, funciones y demás estructuras del lenguaje de
GAMS. En GAMS las ecuaciones primero deben declararse, usando la palabra reservada Equation:

Y posteriormente definirse:

GAMS define tipos de ecuaciones dependiendo de la relación entre los lados derecho e izquierdo de éstas, siendo
las más frecuentes:
Tipo Descripción
=E= Igualdad, ambos lados de la ecuación deben ser iguales.
=G= Mayor que, el lado izquierdo debe ser mayor o igual que el derecho.
=L= Menor que, el lado izquierdo debe ser menor o igual que el derecho.

2.5. Solución del modelo

Para obtener la solución al modelo hay dos declaraciones a realizarse, una para el modelo Model y otra para el
método de solución Solve.

1. Model: Esta instrucción agrupa las ecuaciones que serán utilizadas para solucionar el modelo. Si todas las
ecuaciones declaradas serán utilizadas, la palabra clave All puede utilizarse, si solo algunas de las ecuaciones
serán incluidas éstas deberán nombrarse. Por ejemplo: Algunos de los tipos de modelo de uso frecuente son:

2. Solve:Después de definido el modelo, se debe indicar con la palabra reservada Solve cómo éste será resuelto.

Práctica V 3
 Tipo Descripción Comentarios
LP Modelo lineal No admite términos no lineales ni variables discretas (binary, integer)
NLP Modelos no lineales Modelos no lineales que no admiten variables discretas
MIP Programación entera mixta Modelos con variables discretas pero sin términos no lineales en su form
MINLP Programación entera mixta no lineal Modelos con variables discretas y términos no lineales.

La estructura de esta instrucción es: Solve Nombre del modelo a resolver using Tipo de modelo a resolver
dirección de optimización Función objetivo.

3. Minimos cuadrados ordinarios en GAMS

La regresión lineal es un modelo estadistico que aproxima la relación que existe entre una variable dependiente
y y otra independiente x. Normalmente x se conoce como la variable explicativa o regresora, dado que ayuda a
predecir el comportamiento de y asumiendo inicialmente que su relación es lineal.

Dado que se desea minimizar el error dado  = y − ŷ donde ŷ = β ∗ x es el valor estimado dado por la razón entre
el vector de coeficientes de la regresión β y el vector de las variables independientes.

Dado un diagrama de dispersión se traza una lı́nea recta que cobije la mayorı́a de los puntos. La mejor ecuación
que tiene las mı́nimas distancias con respecto a los puntos reales, se establece con el método conocido como método
de mı́nimos cuadrados.

3.1. Método de minimos cuadrados para dos variables

En esta sección asumiremos que tenemos una sola variable explicativa x y otra dependiente y. Por lo que nuestro
estimado es igual a la ecuación de la recta ŷ = β0 + β1 x. Donde β0 es el punto de corte con el eje de la variable
dependiente y β1 es la pendiente de la recta, la cual indica el incremento que sufre la variable y cuando la variable
x aumenta en una unidad.

El problema de optimización lo definiremos como:

Práctica V 4
 X
minimize(β) = 2i
i

Sujeto:

X
yi = xi,j βj + i
j

Este modelo es codificado en GAMS usando un modelo lineal simple no restringido NLP. Considera la siguiente
información, donde tenemos 40 observaciones de gasto semanal(expenditure) de los hogares en alimentos y en el
ingreso familiar semanal(income). Ver cuadro 1.

Práctica V 5
 Cuadro 1: Observaciones
expenditure income
i1 9.46 25.83
i2 10.56 34.31
i3 14.81 42.50
i4 21.71 46.75
i5 22.79 48.29
i6 18.19 48.77
i7 22.00 49.65
i8 18.12 51.94
i9 23.13 54.33
i10 19.00 54.87
i11 19.46 56.46
i12 17.83 58.83
i13 32.81 59.13
i14 22.13 60.73
i15 23.46 61.12
i16 16.81 63.10
i17 21.35 65.96
i18 14.87 66.40
i19 33.00 70.42
i20 25.19 70.48
i21 17.77 71.98
i22 22.44 72.00
i23 22.87 72.23
i24 26.52 72.23
i25 21.00 73.44
i26 37.52 74.25
i27 21.69 74.77
i28 27.40 76.33
i29 30.69 81.02
i30 19.56 81.85
i31 30.58 82.56
i32 41.12 83.33
i33 15.38 83.40
i34 17.87 91.81
i35 25.54 91.81
i36 39.00 92.96
i37 20.44 95.17
i38 30.10 101.40
i39 20.90 114.13
i40 48.71 115.46

A continuación se muestra el código en GAMS:

Práctica V 6
Los resultados obtenidos son:

Práctica V 7
3.2. MCO con mútiples variables

El Análisis de Regresión Lineal Múltiple nos permite establecer la relación que se produce entre una variable
dependiente Y y un conjunto de variables independientes (X1, X2, ...Xk).

El análisis de regresión lineal múltiple se aproxima más a situaciones de análisis real puesto que los fenómenos,
hechos y procesos sociales son complejos y deben ser explicados en la medida de lo posible por la serie de variables
participan en su desempeño.

La variable dependiente como las independientes son variables continuas. La anotación matemática del modelo o
ecuación de regresión lineal múltiple es la que sigue: Y = β0 + β1 x1 + β2 x2 + ... + βn xn = βX

en donde:

Y es la variable a predecir y los β , son parámetros desconocidos a estimar. Estos se pueden aproximar mediante:

β̂ = (X t X)−1 X t Y

Para esta sección utilizaremos la siguiente tabla de datos, dodne se queire determinar el precio de venta(price)
de acuerdo al tmaño de la casa en pies cuadrados (Size), el número de habitaciones(bedrooms), el número de
pisos(floors) y la edad de la casa en años (age): Dado que se tienen 4 regresores y una constante se formula el

Cuadro 2: Datos ejemplo 2

size bedrooms floors age price
i1 2104 5 1 45 460
i2 1416 3 2 40 232
i3 1534 3 2 30 315
i4 852 2 1 36 178
i5 3000 4 1 38 540
i6 1722 3 2 42 544
i7 1814 4 2 38 179
i8 1014 3 3 32 191
i9 1148 4 3 41 240
i10 1869 3 1 38 538
i11 1378 3 1 36 494
i12 1315 3 3 43 348
i13 1306 2 3 39 378
i14 1706 2 2 31 225
i15 1170 2 1 35 188
i16 2269 3 1 45 529
i17 1319 4 1 40 527
i18 2436 5 2 40 558
i19 2145 4 3 45 288
i20 1113 3 3 37 437

modelo en GAMS de la siguiente manera:

Práctica V 8
Los estimados de la constante y los demas regresores se muestran en la salida del GAMS:

Práctica V 9
4. Planeación agregada con perecederos en GAMS

Dado un número de productos P, un número de distribuidores L y de semanas T. se plantea un problema de

planeación agregada teniendo en cuenta los siguientes parámetros y variables:

Parametros:

Demandat,p,l :Demanda pronosticada en la semana T del producto P por parte del distribuidor L.

P robabilidadP erecederap,l :Probabilidad de que un producto P perezca al distribuidor L.

tasaOportunidadp :Tasa de oportunidad para calcular el costo de inventario del producto P .

P recioV entap :Precio de venta del producto P

CostoEnviop,l :Costo de envio al distribuidor L del producto P.

InventarioInicip,l :Inventario inicial del producto P del Distribuidor L

Variables:

Int,p,l :Inventario en el tiempo T del producto P del distribuidor L.

Xt,p,l :Cantidad de producto enviado al distribuidor L del producto P en la semana T.

Ft,p,l :Cantidad de unidades faltantes en la semana L del producto P en la semana T (FD+FP).

F Dt,p,l :Cantidad de unidades faltantes por desabastecimiento en la semana L del producto P en la semana
T.

F Pt,p,l :Cantidad de unidades faltantes por perecederos en la semana L del producto P en la semana T .

Retricciones:

Función Objetivo: Minimizar el costo de inventario (dado por las unidades en invenario por el % de oportuni-

Práctica V 10
dad perdido por la no venta de una unidad), costo de envio (unidades enviadas por su respectivo costo de envio)
y costo de faltantes al cual se le carga un adicional al precio de venta y se asume como costo.

X X
min(z) = Int,p,l ∗ tasaOportunidadp ∗ P recioV entap + Xt,p,l ∗ CostoEnviop,l +
t>0,p,l t>0,p,l
X X
F Pt,p,l ∗ P recioV entap ∗ (1 + tasaOportunidadp ) + F Dt,p,l ∗ P recioV entap ∗ (1 + tasaOportunidadp )
t>0,p,l t>0,p,l

Inventario Inicial de cada producto en cada distribuidor.

In0 00 ,p,l = InventarioInicip,l ∀p, l

Balance del inventario: Las unidades en inventario en el periodo actual es igual a las que tenia en invenatrio en el
periodo anterior, más las que recibi, más las que asumo como faltantes del mes, menos las faltantes del periodo
anterior, menos la demanda pronosticada del periodo.

Int,p,l = Int−1,p,l + Xt,p,l + Ft,p,l − Ft−1,p,l − Demandat,p,l ∀t > 0, p, l

Balance de faltantes el cual es la suma de faltantes dados desabastecimiento y faltantes dado por perecederos.

Ft,p,l = F Dt,p,l + F Pt,p,l ∀t > 0, p, l

Los faltantes perecederos dependen de la probabilidad perecedera en cada producto en cada distribuidor:

F Pt,p,l = P robabilidadP erecederap,l ∗ Xt,p,l ∀t > 0, p, l

4.1. Solución en GAMS

A continución se muestra el código utilizado en GAMS:

Práctica V 11
El costo minimo obtenido utilizando NEOS Server es:

Se recomienda que analicen las salidas del GAMS.

Práctica V 12
Referencias

[1] ERWIN KALVELAGEN. LEAST SQUARES CALCULATIONS WITH GAMS.

http://www.amsterdamoptimization.com/pdf/ols.pdf

Práctica V 13
 INFORMACIÓN TÉCNICA

Autor: Daniel Grass, Alberto Castillo, Oscar Cepeda, Jose

Bello

Práctica V 14