You are on page 1of 11

MATERIA: INVESTIGACION DE OPERACIONES.

TEMA: PROGRAMACION LINEAL.



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.

www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r14493.DOC
http://www.mitecnologico.com/Main/TiposDeModelosInvestigacionDeOperaciones

1.2 FORMULACIN DE MODELOS.

http://antiguo.itson.mx/dii/elagarda/apagina2001/PM/formulacion.html#metodologia

1.3 MTODO GRFICO.
http://www.investigacion-operaciones.com/Metodos_Solucion_PL.htm#grafico
1.4 FORMAS ESTNDAR Y CANNICAS.

http://www.mitecnologico.com/Main/FormasEstandarYCanonicasInvestigacionDeO
peraciones

1.5 MTODO SIMPLES

http://www.programacionlineal.net/simplex.html

1.6 TCNICAS CON VARIABLES ARTIFICIALES.
1.6.1 MTODO DE LA M.

http://www.arquimedex.com/index.php?accion=1&id=89
http://www.mitecnologico.com/Main/MetodoDeLaM
http://www.investigacion-operaciones.com/Metodo_Minimizacion.htm

1.6.2 MTODO DE LAS DOS FASES.
http://docencia.udea.edu.co/ingenieria/plineal/variablesArtificiales4.htm

You might also like