SUBTEMA: 1.1 DEFINICIN, DESARROLLO Y TIPOS DE MODELOS DE INVESTIGACIN DE OPERACIONES. La investigacin de operaciones es la aplicacin, por grupos interdisciplinarios, del mtodo cientfico a problemas relacionados con el control de las organizaciones o sistemas, a fin de que se produzcan soluciones que mejor sirvan a los objetivos de la organizacin. El origen de esta materia se remonta a la segunda guerra mundial, cuando el coronel Sanders, junto con un dedicado grupo de cientficos, se propusieron encontrar la cuadratura del crculo, para de esta forma simplificar el horario militar y que le permitiese al Teniente G. Dann ganar la guerra en un rpido ataque en contra de los aliados. La investigacin de operaciones es la aplicacin de la metodologa cientfica a travs de modelos matemticos, primero para representar al problema y luego para resolverlo La complejidad de los problemas que se presentan en las organizaciones ya no encajan en una sola disciplina del conocimiento, se han convertido en multidisciplinario por lo cual para su anlisis y solucin se requieren grupos compuestos por especialistas de diferentes reas del conocimiento que logran comunicarse con un lenguaje comn. El modelo se define como una funcin objetivo y restricciones que se expresan en trminos de las variables (alternativas) de decisin del problema.
El modelo de decisin debe contener tres elementos: Alternativas de decisin, de las cuales se hace una seleccin. Restricciones, para excluir alternativas infactibles. Criterios para evaluar y clasificar alternativas factibles.
Tipos de Modelos de Investigacin de Operaciones.
Modelo Matemtico: Se emplea cuando la funcin objetivo y las restricciones del modelo se pueden expresar en forma cuantitativa o matemtica como funciones de las variables de decisin.
Modelo de Simulacin: Los modelos de simulacin difieren de los matemticos en que las relaciones entre la entrada y la salida no se indican en forma explcita. En cambio, un modelo de simulacin divide el sistema representado en mdulos bsicos o elementales que despus se enlazan entre si va relaciones lgicas bien definidas. Por lo tanto, las operaciones de clculos pasaran de un mdulo a otro hasta que se obtenga un resultado de salida. Modelos Formales: Se usan para resolver problemas cuantitativos de decisin en el mundo real. Algunos modelos en la ciencia de la administracin son llamados modelos determinsticos. Esto significa que todos los datos relevantes (es decir, los datos que los modelos utilizarn o evaluarn) se dan por conocidos. En los modelos probabilsticos (o estocsticos), alguno de los datos importantes se consideran inciertos, aunque debe especificarse la probabilidad de tales datos. Modelo de Hoja de Clculo Electrnica: La hoja de clculo electrnica facilita hacer y contestar preguntas de que si en un problema real. Hasta ese grado la hoja de clculo electrnica tiene una representacin selectiva del problema y desde este punto de vista la hoja de clculo electrnica es un modelo.
"LOS MODELOS NO PUEDEN REEMPLAZAR AL TOMADOR DE DECISIONES, SLO AUXILIARLOS"
SUBTEMA: 1.2 FORMULACIN DE MODELOS.
Como su nombre lo indica, la formulacin de modelos es pasar directamente del sistema asumido al modelo de pl. Para tal efecto, se propone el siguiente orden: definir el objetivo, definir las variables de decisin, enseguida las restricciones estructurales y finalmente establecer las condiciones tcnicas
Definir el Objetivo: Consiste en definir un criterio de optimizacin el cual puede ser Maximizacin o Minimizacin dependiendo del problema que se desee resolver, el cual es una funcin lineal de las diferentes actividades del problema. Bajo el criterio de optimizacin definido se pretende medir la contribucin de las soluciones factibles que puedan obtenerse y determinar la ptima. Definir las variables de decisin: Son las incgnitas del problema bsicamente consisten en los niveles de todas las actividades que pueden llevarse a cabo en el problema a formular, estas pueden ser de tantos tipos diferentes como sea necesario, e incluir tantos subndices como sea requerido. Definir las restricciones: Son los diferentes requisitos que debe cumplir cualquier solucin para que pueda llevarse a cabo. En cierta manera son las limitantes en los valores de los niveles de las diferentes actividades (variables).
Las restricciones ms comunes son de seis tipos, las cuales se listan a continuacin: Restriccin de capacidad: limitan el valor de las variables debido a la disponibilidad de horas-hombre, horas-mquina, espacio, etc. Restriccin de mercado: Surgen de los valores mximos y mnimos en las ventas o el uso del producto o actividad a realizar. Restriccin de entradas: Son limitantes debido a la escases de materias primas, mano de obra, dinero, etc. Restriccin de calidad: Son las restricciones que limitan las mezclas de ingredientes, definiendo usualmente la calidad de los artculos a manufacturar. Restricciones de balance de material: Estas son las restricciones que definen las salidas de un proceso en funcin de las entradas, tomando en cuenta generalmente cierto porcentaje de merma o desperdicio. Restricciones Internas: Son las que definen a una variable dada, en la formulacin interna del problema, un ejemplo tipo, es el de inventario.
SUBTEMA: 1.3 MTODO GRFICO.
El mtodo grfico se utiliza para la solucin de problemas de PL, representando geomtricamente a las restricciones, condiciones tcnicas y el objetivo. El modelo se puede resolver en forma grfica si slo tiene dos variables. Para modelos con tres o ms variables, el mtodo grfico es imprctico o imposible. Cuando los ejes son relacionados con las variables del problema, el mtodo es llamado mtodo grfico en actividad. Cuando se relacionan las restricciones tecnolgicas se denomina mtodo grfico en recursos. Los pasos necesarios para realizar el mtodo son nueve: 1. graficar las soluciones factibles, o el espacio de soluciones (factible), que satisfagan todas las restricciones en forma simultnea. 2. Las restricciones de no negatividad Xi>= 0 confan todos los valores posibles. 3. El espacio encerrado por las restricciones restantes se determinan sustituyendo en primer trmino <= por (=) para cada restriccin, con lo cual se produce la ecuacin de una lnea recta. 4. trazar cada lnea recta en el plano y la regin en cual se encuentra cada restriccin cuando se considera la desigualdad lo indica la direccin de la flecha situada sobre la lnea recta asociada. 5. Cada punto contenido o situado en la frontera del espacio de soluciones satisfacen todas las restricciones y por consiguiente, representa un punto factible. 6. Aunque hay un nmero infinito de puntos factibles en el espacio de soluciones, la solucin ptima puede determinarse al observar la direccin en la cual aumenta la funcin objetivo. 7. Las lneas paralelas que representan la funcin objetivo se trazan mediante la asignacin de valores arbitrarios a fin de determinar la pendiente y la direccin en la cual crece o decrece el valor de la funcin objetivo.
SUBTEMA: 1.4 FORMAS ESTNDAR Y CANNICAS.
FORMA CANONICA: Esta es til para el manejo del tema que se refiere al problema dual de cualquier problema de programacin lineal. La forma cannica aceptable y reconocida en la mayora de los textos debe cumplir con los siguientes requisitos:
Funcin objetivo maximizar. Restricciones del tipo . Condiciones de negatividad para variables.
Otra forma legtima para considerar como cannica es cumpliendo con los siguientes requisitos:
Funcin objetivo de minimizar. Restricciones del tipo . Condiciones de no negatividad para variables. FORMA ESTANDAR: El modelo de programacin lineal para resolverse, necesita arreglarse para igualdades, lo cual se consigue utilizando tanto variables de holgura como variables superfluas. Lo anterior da lugar a la presentacin del modelo cumpliendo con los siguientes requisitos: Funcin objetivo para Max. o bien Min. Restricciones del tipo =. Lado derecho de restricciones no negativo. Condiciones de no negativo para variables.
SUBTEMA: 1.5 MTODO SIMPLES
El Mtodo Simplex publicado por George Dnzig en 1947 consiste en un algoritmo iterativo que secuencialmente a travs de iteraciones se va aproximando al ptimo del problema de Programacin Lineal en caso de existir esta ltima. El Mtodo Simplex hace uso de la propiedad de que la solucin ptima de un problema de Programacin Lineal se encuentra en un vrtice o frontera del dominio de puntos factibles (esto ltimo en casos muy especiales), por lo cual, la bsqueda secuencial del algoritmo se basa en la evaluacin progresiva de estos vrtices hasta encontrar el ptimo. Cabe destacar que para aplicar el Mtodo Simplex a un modelo lineal, este debe estar en un formato especial conocido como formato estndar el cual definiremos a continuacin. FORMA ESTNDAR DE UN MODELO DE PROGRAMACIN LINEAL Consideremos un modelo de Programacin Lineal en su forma estndar, que denotaremos en lo que sigue por: Min c1x1 + c2x2 + ... + cnxn sa a11x1 + a12x2 + ... + a1nxn = b1 a21x1 + a22x2 + ... + a2nxn = b2 ... ... ... am1x1 + am2x2 + ... + amnxn = bm xi >= 0, i = 1, 2, ..., n y m <= n
Matricialmente escrito como: Min cTx s.a Ax = b x >= 0 No existe prdida de generalidad en asumir que un modelo de PL viene dado en su forma estndar: EJEMPLO P) Max 9u + 2v + 5z sa 4u + 3v + 6z <= 50 u + 2v - 3z >= 8 2u - 4v + z = 5 u,v >= 0 z e IR 1. Siempre es posible llevar un problema de maximizacin a uno de minimizacin. Si f(x) es la funcin objetivo a maximizar y x* es la solucin ptima f(x*) >= f(x), para todo x factible. -f(x*) <= - f(x), para todo x factible. En consecuencia: x* es tambin mnimo de -f(x) 2. Cada restriccin del tipo <= puede ser llevada a una ecuacin de igualdad usando una (nueva) variable de holgura no negativa, con coeficiente nulo en la funcin objetivo. 3. Cada restriccin del tipo >= puede ser llevada a una ecuacin de igualdad usando una (nueva) variable de exceso no negativa, con coeficiente nulo en la funcin objetivo. 4. Siempre es posible escribir una variable libre de signo como la diferencia de dos variables no negativas. Considerando la siguiente notacin: u = x1, v = x2, z = x3 - x4, s1 = x5 (holgura), s2 = x6 (exceso), el problema P) puede ser escrito en forma equivalente como: Min - 9x1 - 2x2 - 5x3 + 5x4 + 0x5 + 0x6 sa: 4x1 + 3x2 + 6x3 - 6x4 + x5 = 50 x1 + 2x2 - 3x3 + 3x4 - x6 = 8 2x1 - 4x2 + x3 - x4 = 5 xi >= 0, i=1,2,3,4,5,6.
SUBTEMA: 1.6 TCNICAS CON VARIABLES ARTIFICIALES.
Existen problemas de programacin lineal que no proporcionan una solucin bsica inicial. Esta situacin se presenta cuando al menos una de las restricciones es del tipo (<=) o (=). Para este propsito se desarrollan 2 mtodos basados en el uso de variables artificiales: El mtodo M o de penalizacin y la tcnica de 2 fases. SUBTEMA: 1.6.1 MTODO DE LA M.
Definimos la letra M como un nmero muy grande pero finito para usarlo como coeficiente de las variables artificiales en la funcin objetivo y con sentido contrario a la misma para penalizar de manera muy grande la existencia de las mismas en la solucin. Si el objetivo es minimizar las variables artificiales entraran con M positivo y si es maximizar las variables artificiales se usaran como -M. Ejemplo: Min Z = 2X 1 + X 2 + 3X 3
Sujeto a: 3X 1 + X 2 + 2X 3 <= 10 X 1 - 2X 2 + 3X 3 >= 6 2X 1 + 3X 2 - X 3 <= 9 X 1 + X 2 +2X 3 = 7
MTODO PENAL O DE LA M GRANDE.
Como su nombre lo indica, consiste en penalizar la inclusin de las variables artificiales en la funcin objetivo con un coeficiente M muy grande que para el caso de maximizar es - M y para el caso de minimizar es + M. La primera solucin bsica del smplex en tal caso, debe de incluir a todas las variables artificiales que fueron necesarias en el arreglo del modelo de programacin lineal por resolver esto ltimo porque las variables artificiales se utilizan precisamente para tomar la primera solucin bsica. A medida que se cumplen las etapas de clculo en el smplex, las variables artificiales debern de ir saliendo de la misma, en consecuencia del coeficiente M muy grande. Si se presenta el caso de que las variables artificiales no se logren sacar de la base y por lo tanto se anulen, ello significar que tal problema no tiene solucin factible. El mtodo de la M Grande incluye variables de apoyo con un coeficiente muy grande (M) o muy pequeo (-M) en la funcin objetivo. Esto da lugar a problemas numricos que conducen a soluciones errneas. Esto es especialmente grave en problemas de cierto tamao. El trmino independiente (RHS) debe ser 0. A las restricciones del tipo se aade una variable de holgura con coeficiente +1 A las restricciones del tipo , se aade una variable de holgura con coeficiente 1 y una variable artificial con coeficiente +1 A las restricciones del tipo = se aade una variable artificial con coeficiente +1 La contribucin de las variables de holgura a la funcin objetivo es 0 La contribucin de las variables artificiales a la funcin objetivo se fijan: Min: + M Max: - M Siendo M un nmero suficientemente grande.
EJEMPLOS: El PL es el siguiente: Min (z) = 3x + 2,5y sujeto a: 2x + 4y 40 3x + 2y 50 x, y 0 El problema de apoyo, utilizando el mtodo de la M Grande: Min (z) = 3x + 2,5y + 0 s1 + 0 s2 + MA1 + MA2 sujeto a: 2x + 4y - s1 + A1 = 40 3x + 2y - s2 +A2 = 50 x, y 0
SUBTEMA: 1.6.2 MTODO DE LAS DOS FASES.
METODO SIMPLEX EN DOS FASES. El procedimiento consiste en resolver el modelo en dos etapas o fases. En la primera, se busca obtener una SBF del modelo aumentado, que no incluya variables artificiales. Cuando en esta solucin bsica factible del MA, todas las variables artificiales valen cero, ella es una solucin bsica factible inicial del Modelo original y a partir de ah se inicia la segunda fase del mtodo simplex. Pero puede ocurrir que en la fase 1 no sea posible extraer todas las variables artificiales de la solucin bsica, presentndose los casos de: restriccin redundante analticamente, solucin infectable, inexistencia de solucin; situaciones que discutiremos ms adelante. Veamos cual es el procedimiento en cada fase del algoritmo. Fase 1 Empieza con una solucin bsica factible inicial artificial y equivale al paso inicial del mtodo simplex que conocemos, ya que en ella se trata de hallar una SBFI del modelo original. Para propiciar que las variables artificiales tomen el valor de cero, se construya una funcin objetivo que reemplaza provisionalmente a la del modelo original. Esta nueva funcin se forma con la suma de las variables artificiales y el objetivo es minimizar la suma de ellas. Es importante aclarar que el objetivo de la fase 1, siempre es minimizar la suma de las variables artificiales, aunque el objetivo del modelo original sea maximizar o minimizar.
Fase 2 Consiste en buscar la solucin ptima del modelo original partiendo de la SBFI hallada en la Fase 1. Equivale a los pasos 1 y 2 del mtodo simplex. Para iniciar la Fase 2 se toma el tablero final de la Fase 1 y se le escribe la funcin objetivo original del problema, en lugar de la provisional que habamos escrito para iniciar la Fase 1. Enseguida se actualizan la fila Cj y la columna CB, para luego recalcular los valores Zj y Ej, asi como el valor Z. A partir de esta tablero se contina el Mtodo Simplex para la bsqueda de la solucin ptima, considerando el objetivo del problema original.
BIBLOGRAFIAS:
1.1 DEFINICIN, DESARROLLO Y TIPOS DE MODELOS DE INVESTIGACIN DE OPERACIONES.