You are on page 1of 8

MATERIA: INVESTIGACION DE OPERACIONES.

TEMA: PROGRAMACION LINEAL.

SUBTEMA: 1.1 DEFINICIÓN, DESARROLLO Y TIPOS DE MODELOS DE
INVESTIGACIÓN DE OPERACIONES.
La investigación de operaciones es la aplicación, por grupos interdisciplinarios, del
método científico 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 organización. El origen de esta materia se remonta a la segunda guerra
mundial, cuando el coronel Sanders, junto con un dedicado grupo de científicos,
se propusieron encontrar la cuadratura del círculo, para de esta forma simplificar el
horario militar y que le permitiese al Teniente G. Dann ganar la guerra en un
rápido ataque en contra de los aliados. La investigación de operaciones es la
aplicación de la metodología científica a través de modelos matemáticos, 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 análisis y solución se requieren grupos compuestos por especialistas de
diferentes áreas del conocimiento que logran comunicarse con un lenguaje común.
El modelo se define como una función objetivo y restricciones que se expresan en
términos de las variables (alternativas) de decisión del problema.

El modelo de decisión debe contener tres elementos:
Alternativas de decisión, de las cuales se hace una selección.
Restricciones, para excluir alternativas infactibles.
Criterios para evaluar y clasificar alternativas factibles.

Tipos de Modelos de Investigación de Operaciones.

Modelo Matemático: Se emplea cuando la función objetivo y las restricciones del
modelo se pueden expresar en forma cuantitativa o matemática como funciones
de las variables de decisión.

Modelo de Simulación: Los modelos de simulación difieren de los matemáticos en
que las relaciones entre la entrada y la salida no se indican en forma explícita. En
cambio, un modelo de simulación divide el sistema representado en módulos
básicos o elementales que después se enlazan entre si vía relaciones lógicas bien
definidas. Por lo tanto, las operaciones de cálculos pasaran de un módulo a otro
hasta que se obtenga un resultado de salida.
SUBTEMA: 1.2 FORMULACIÓN DE MODELOS.

Como su nombre lo indica, la formulación 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 decisión, enseguida las restricciones
estructurales y finalmente establecer las condiciones técnicas

Definir el Objetivo: Consiste en definir un criterio de optimización el cual puede
ser Maximización o Minimización dependiendo del problema que se desee
resolver, el cual es una función lineal de las diferentes actividades del problema.
Bajo el criterio de optimización definido se pretende medir la contribución de las
soluciones factibles que puedan obtenerse y determinar la óptima.
Definir las variables de decisión: Son las incógnitas del problema básicamente
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 subíndices como sea requerido.
Definir las restricciones: Son los diferentes requisitos que debe cumplir cualquier
solución 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 más comunes son de seis tipos, las cuales se listan a
continuación:
 Restricción de capacidad: limitan el valor de las variables debido a la
disponibilidad de horas-hombre, horas-máquina, espacio, etc.
 Restricción de mercado: Surgen de los valores máximos y mínimos en las
ventas o el uso del producto o actividad a realizar.
 Restricción de entradas: Son limitantes debido a la escases de materias
primas, mano de obra, dinero, etc.
 Restricción de calidad: Son las restricciones que limitan las mezclas de
ingredientes, definiendo usualmente la calidad de los artículos a
manufacturar.
 Restricciones de balance de material: Estas son las restricciones que
definen las salidas de un proceso en función 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
formulación interna del problema, un ejemplo tipo, es el de inventario.





SUBTEMA: 1.3 MÉTODO GRÁFICO.

El método gráfico se utiliza para la solución de problemas de PL, representando
geométricamente a las restricciones, condiciones técnicas y el objetivo.
El modelo se puede resolver en forma gráfica si sólo tiene dos variables. Para
modelos con tres o más variables, el método gráfico es impráctico o imposible.
Cuando los ejes son relacionados con las variables del problema, el método es
llamado método gráfico en actividad. Cuando se relacionan las restricciones
tecnológicas se denomina método gráfico en recursos.
Los pasos necesarios para realizar el método son nueve:
1. graficar las soluciones factibles, o el espacio de soluciones (factible), que
satisfagan todas las restricciones en forma simultánea.
2. Las restricciones de no negatividad Xi>= 0 confían todos los valores posibles.
3. El espacio encerrado por las restricciones restantes se determinan sustituyendo
en primer término <= por (=) para cada restricción, con lo cual se produce la
ecuación de una línea recta.
4. trazar cada línea recta en el plano y la región en cual se encuentra cada
restricción cuando se considera la desigualdad lo indica la dirección de la flecha
situada sobre la línea 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 número infinito de puntos factibles en el espacio de soluciones,
la solución óptima puede determinarse al observar la dirección en la cual aumenta
la función objetivo.
7. Las líneas paralelas que representan la función objetivo se trazan mediante la
asignación de valores arbitrarios a fin de determinar la pendiente y la dirección en
la cual crece o decrece el valor de la función objetivo.

SUBTEMA: 1.4 FORMAS ESTÁNDAR Y CANÓNICAS.

FORMA CANONICA: Esta es útil para el manejo del tema que se refiere al
problema dual de cualquier problema de programación lineal.
La forma canónica aceptable y reconocida en la mayoría de los textos debe
cumplir con los siguientes requisitos:

• Función objetivo maximizar.
• Restricciones del tipo “.
• Condiciones de negatividad para variables.

Otra forma legítima para considerar como canónica es cumpliendo con los
siguientes requisitos:

• Función objetivo de minimizar.
• Restricciones del tipo “.
• Condiciones de no negatividad para variables.


SUBTEMA: 1.5 MÉTODO SIMPLES

El Método Simplex publicado por George Dánzig en 1947 consiste en un algoritmo
iterativo que secuencialmente a través de iteraciones se va aproximando al óptimo
del problema de Programación Lineal en caso de existir esta última.
El Método Simplex hace uso de la propiedad de que la solución óptima de un
problema de Programación Lineal se encuentra en un vértice o frontera del
dominio de puntos factibles (esto último en casos muy especiales), por lo cual, la
búsqueda secuencial del algoritmo se basa en la evaluación progresiva de estos
vértices hasta encontrar el óptimo. Cabe destacar que para aplicar el Método
Simplex a un modelo lineal, este debe estar en un formato especial conocido como
formato estándar el cual definiremos a continuación.
FORMA ESTÁNDAR DE UN MODELO DE PROGRAMACIÓN LINEAL
Consideremos un modelo de Programación Lineal en su forma estándar, que
Siempre es posible llevar un problema de maximización a uno de minimización. Si
f(x) es la función objetivo a maximizar y x* es la solución óptima f(x*) >= f(x), para
todo x factible. -f(x*) <= - f(x), para todo x factible. En consecuencia: x* es también
mínimo de -f(x)
1. Cada restricción del tipo <= puede ser llevada a una ecuación de igualdad
usando una (nueva) variable de holgura no negativa, con coeficiente nulo


SUBTEMA: 1.6 TÉCNICAS CON VARIABLES ARTIFICIALES.

Existen problemas de programación lineal que no proporcionan una solución
básica inicial. Esta situación se presenta cuando al menos una de las restricciones
es del tipo (<=) o (=). Para este propósito se desarrollan 2 métodos basados en el
uso de variables artificiales: El método M o de penalización y la técnica de 2 fases.
SUBTEMA: 1.6.1 MÉTODO DE LA M.

Definimos la letra M como un número muy grande pero finito para usarlo como
coeficiente de las variables artificiales en la función objetivo y con sentido contrario
a la misma para penalizar de manera muy grande la existencia de las mismas en
la solución. 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

MÉTODO PENAL O DE LA ‘M’ GRANDE.

Como su nombre lo indica, consiste en penalizar la inclusión de las variables
artificiales en la función 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 solución básica del símplex en tal caso, debe de incluir a todas las
variables artificiales que fueron necesarias en el arreglo del modelo de
programación lineal por resolver esto último porque las variables artificiales se
utilizan precisamente para tomar la primera solución básica. A medida que se
cumplen las etapas de cálculo en el símplex, las variables artificiales deberán 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 significará que tal problema no tiene solución
factible.
 El método de la M Grande incluye variables de apoyo con un coeficiente muy
grande (M) o muy pequeño (-M) en la función objetivo.
 Esto da lugar a problemas numéricos que conducen a soluciones erróneas. Esto
es especialmente grave en problemas de cierto tamaño.
 El término independiente (RHS) debe ser ³0. A las restricciones del tipo £ se
añade una variable de holgura con coeficiente +1
 A las restricciones del tipo ³, se añade una variable de holgura con coeficiente
−1 y una variable artificial con coeficiente +1
 A las restricciones del tipo = se añade una variable artificial con coeficiente +1
 La contribución de las variables de holgura a la función objetivo es 0
 La contribución de las variables artificiales a la función objetivo se fijan:
• Min: + M• Max: - M
 Siendo M un número suficientemente grande.


SUBTEMA: 1.6.2 MÉTODO 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 solución básica factible del MA, todas las variables artificiales valen
cero, ella es una solución básica factible inicial del Modelo original y a partir de ahí se
inicia la segunda fase del método simplex. Pero puede ocurrir que en la fase 1 no sea
posible extraer todas las variables artificiales de la solución básica, presentándose los
casos de: restricción redundante analíticamente, solución infectable, inexistencia de
solución; situaciones que discutiremos más adelante.
Veamos cual es el procedimiento en cada fase del algoritmo.
Fase 1
Empieza con una solución básica factible inicial artificial y equivale al paso inicial del
método 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
función objetivo que reemplaza provisionalmente a la del modelo original. Esta nueva
función 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 solución óptima del modelo original partiendo de la SBFI hallada
en la Fase 1. Equivale a los pasos 1 y 2 del método simplex.
Para iniciar la Fase 2 se toma el tablero final de la Fase 1 y se le escribe la función
objetivo original del problema, en lugar de la provisional que habíamos 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 continúa el
Método Simplex para la búsqueda de la solución óptima, considerando el objetivo del
problema original.

BIBLOGRAFIAS:


1.1 DEFINICIÓN, DESARROLLO Y TIPOS DE MODELOS DE INVESTIGACIÓN
DE OPERACIONES.

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

1.2 FORMULACIÓN DE MODELOS.

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

1.3 MÉTODO GRÁFICO.
http://www.investigacion-operaciones.com/Metodos_Solucion_PL.htm#grafico
1.4 FORMAS ESTÁNDAR Y CANÓNICAS.

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

1.5 MÉTODO SIMPLES

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

1.6 TÉCNICAS CON VARIABLES ARTIFICIALES.
1.6.1 MÉTODO 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 MÉTODO DE LAS DOS FASES.
http://docencia.udea.edu.co/ingenieria/plineal/variablesArtificiales4.htm