Investigacion de Operaciones

sbado, 7 de mayo de 2011

Temario Unidad 1
Unidad 1 Programacin Lineal

1.1 Definicin desarrollo y tipos de modelos de investigacin de operaciones

1.2 Formulacin de modelos.
1.3 Mtodo grfico.
1.4 Fundamentos del mtodo simplex.
1.5 Aplicaciones diversas de programacin lineal

1.1 Caractersticas de la Investigacin de Operaciones

La Investigacin de Operaciones usa el mtodo cientfico para investigar el

problema en cuestin. En particular, el proceso comienza por la observacin
cuidadosa y la formulacin del problema incluyendo la recoleccin de datos
pertinentes.

La Investigacin de Operaciones adopta un punto de vista organizacional. De esta

manera intenta resolver los conflictos de inters entre los componentes de la
organizacin de forma que el resultado sea el mejor para la organizacin
completa.

La Investigacin de Operaciones intenta encontrar una mejor solucin (llamada

solucin ptima), para el problema bajo consideracin. En lugar de contentarse
con mejorar el estado de las cosas, la meta es identificar el mejor curso de accin
posible.

En la Investigacin de Operaciones es necesario emplear el enfoque de equipo.

Este equipo debe incluir personal con antecedentes firmes en matemticas,
estadsticas y teora de probabilidades, economa, administracin de empresas
ciencias de la computacin, ingeniera, etc. El equipo tambin necesita tener la
experiencia y las habilidades para permitir la consideracin adecuada de todas las
ramificaciones del problema.

La Investigacin de Operaciones ha desarrollado una serie de tcnicas y modelos

muy tiles a la Ingeniera de Sistemas. Entre ellos tenemos: la Programacin No
Lineal, Teora de Colas, Programacin Entera, Programacin Dinmica, entre
otras.

La Investigacin de Operaciones tiende a representar el

cuantitativamente para poder analizarlo y evaluar un criterio comn.

problema

Definicin de Modelos

Un modelo de decisin debe considerarse como un vehculo para resumir un

problema de decisin en forma tal que haga posible la identificacin y evaluacin
sistemtica de todas las alternativas de decisin del problema. Despus se llega a
una decisin seleccionando la alternativa que se juzgue sea la mejor entre todas
las opciones disponibles.

Un modelo es una abstraccin selectiva de la realidad.

El modelo se define como una funcin objetivo y restricciones que se expresan en

trminos de las variables (alternativas) de decisin del problema.

Una solucin a un modelo, no obstante, de ser exacta, no ser til a menos que el
modelo mismo ofrezca una representacin adecuada de la situacin de decisin
verdadera.

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.
(a) 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.
(b) 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.
Los modelos de simulacin cuando se comparan con modelos matemticos;
ofrecen mayor flexibilidad al representar sistemas complejos, pero esta flexibilidad
no esta libre de inconvenientes. La elaboracin de este modelo suele ser costoso
en tiempo y recursos. Por otra parte, los modelos matemticos ptimos suelen
poder manejarse en trminos de clculos.
Modelos de Investigacin de Operaciones de la ciencia de la administracin:
Los cientficos de la administracin trabajan con modelos cuantitativos de
decisiones.
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.
En la siguiente tabla se muestran los modelos de decisin segn su clase de
incertidumbre y su uso en las corporaciones. (D, determinista; P, probabilista; A,
alto; B, bajo)

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.
En realidad es una herramienta ms que un procedimiento de solucin.
Etapas de la Investigacin de Operaciones.
Las etapas de un estudio de Investigacin de Operaciones son las siguientes:
Definicin del problema de inters y recoleccin de los datos relevantes.
Formulacin de un modelo matemtico que represente el problema.
Desarrollo de un procedimiento basado en computadora para derivar una solucin
al problema a partir del modelo.
Prueba del modelo y mejoramiento segn sea necesario.
Preparacin para la aplicacin del modelo prescrito por la administracin.
Puesta en marcha.
1.2 Formulacin del Modelo
Una vez que nos aseguramos que la definicin del problema ha sido construida de
manera especfica y correcta, continuamos con la formulacin del modelo. El
modelo, usualmente matemtico, debe ser formulado de tal manera que exprese
la esencia del problema:

El modelo matemtico est basado en ecuaciones y desigualdades establecidas

en trminos de variables, las cuales expresan la esencia del problema a resolver;
las cuales son definidas en funcin del modelo del problema.
Despus de localizar las variables en funcin del problema, se procede a
determinar matemticamente las dos partes que constituyen el modelo:

La medida de efectividad que permite conocer el nivel de logro de los objetivos y

generalmente es una funcin llamada funcin objetivo.

Las limitantes del problema, llamadas restricciones, que son un conjunto de

igualdades o desigualdades que constituyen las barreras y obstculos para la
consecucin del objetivo.

Un modelo matemtico es una idealizacin abstracta de un problema, lo

cual mayormente nos lleva a aproximaciones y suposiciones. Por lo que
debemos cuidar que el modelo siempre sea una representacin valida del
problema.

La valides de un modelo requiere que exista una alta correlacin entre las
predicciones del modelo y la realidad; para lograr esto es importante hacer un
nmero considerable de pruebas al modelo y caso de ser necesario, las
pertinentes modificaciones. Aun cuando la validacin del modelo se incluyera al
final de este documento, la mayor parte de la validacin del modelo se hace
durante la etapa de la construccin del modelo.

Validacin del Modelo

Solucin Optima

1.3 METODO GRAFICO

La PL es una tcnica mediante la cual se toman decisiones, reduciendo el
problema bajo estudio a un modelo matemtico general, el cual debe ser resuelto
por mtodos cuantitativos.
En desarrollo de este captulo se aplicarn la solucin de dichos modelos
aplicando diversas tcnicas como: el mtodo grfico, mtodo simplex, mtodo
matricial, tcnica de la gran M.
Adems se desarrollara la aplicacin de variables artificiales y obtencin de
soluciones para identificar a qu tipo de clasificacin pertenecen. Por medio de
dichos modelos de solucin se podr obtener la solucin adecuada para cada
problema y facilitar la toma de decisiones.
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.
Ejemplo.
Maximizar Z = 3X1 + 2X2
restricciones: X1 + 2X2 <=6 (1)
2X1 + X2 <=8 (2)
-X1 + X2 <=1 (3)
X2 <= 2 (4)
X1 >= 0 (5)
X2 >= 0 (6)
Convirtiendo las restricciones a igualdad y representndolas grficamente se
tiene:
X1 + 2X2 = 6 (1)
2X1 + X2 = 8 (2)
-X1 + X2 = 1 (3)
X2 = 2 (4)
X1 = 0 (5)
X2 = 0 (6)
Figura 1 Espacio de solucin presentada con WinQsb

Figura 2 Determinacin de solucin

1.4 Mtodo simplex

En la solucin grfica observamos que la solucin ptima est asociada siempre
con un punto extremo del espacio de soluciones. El mtodo simplex est basado
fundamentalmente en este concepto.
Careciendo de la ventaja visual asociada con la representacin grfica del espacio
de soluciones, el mtodo simplex emplea un proceso iterativo que principia en un
punto extremo factible, normalmente el origen, y se desplaza sistemticamente de
un punto extremo factible a otro, hasta que se llega por ltimo al punto ptimo.
Existen reglas que rigen la seleccin del siguiente punto extremo del mtodo
simplex:
1. El siguiente punto extremo debe ser adyacente al actual.
2. La solucin no puede regresar nunca a un punto extremo considerado con la
anterioridad.
El algoritmo simplex da inicio en el origen, que suele llamarse solucin inicial.
Despus se desplaza a un punto extremo adyacente. La eleccin especfica de
uno a otro punto depende de los coeficientes de la funcin objetivo hasta
encontrar el punto ptimo.
Al aplicar la condicin de optimidad a la tabla inicial seleccionamos a Xi como la
variable que entra. En este punto la variable que sale debe ser una de las
variables artificiales.

Los pasos del algoritmo simplex son (10):

1. Determinar una solucin bsica factible inicial.
2. Prueba de optimidad: determinar si la solucin bsica factible inicial es ptima y
slo si todos los coeficientes de la ecuacin son no negativos ( >= 0 ). Si es as, el
proceso termina; de otra manera se lleva a cabo otra interaccin para obtener la
nueva solucin bsica factible inicial.
3. Condicin de factibilidad.- Para todos los problemas de maximizacin y
minimizacin, variable que sale es la variable bsica que tiene la razn ms
pequea (positiva). Una coincidencia se anula arbitrariamente.
4. Seleccionar las variables de holgura como las variables bsicas de inicio.
5. Selecciona una variable que entra de entre las variables no bsicas actuales
que, cuando se incrementan arriba de cero, pueden mejorar el valor de la funcin
objetivo. Si no existe la solucin bsica es la ptima, si existe pasar al paso
siguiente.
6. Realizar el paso iterativo.
a) Se determina la variable bsica entrante mediante la eleccin de la variable con
el coeficiente negativo que tiene el valor mayor valor absoluto en la ecuacin. Se
enmarca la columna correspondiente a este coeficiente y se le da el nombre de
columna pivote.
b) Se determina la variable bsica que sale; para esta, se toma cada coeficiente
positivo (>0) de la columna enmarcada, se divide el lado derecho de cada rengln
entre estos coeficientes, se identifica la ecuacin con el menor cociente y se
selecciona la variable bsica para esta ecuacin.
c) Se determina la nueva solucin bsica factible construyendo una nueva tabla en
la forma apropiada de eliminacin de Gauss, abajo de la que se tiene. Para
cambiar el coeficiente de la nueva variable bsica en el rengln pivote a 1, se
divide todo el rengln entre el nmero pivote, entonces
Rengln pivote nuevo = rengln pivote antiguo
nmero pivote
Para completar la primera iteracin es necesario seguir usando la eliminacin de
Gauss para obtener coeficientes de 0 para la nueva variable bsica Xj en los otros
renglones, para realizar este cambio se utiliza la siguiente frmula:
Rengln nuevo = rengln antiguo - ( coeficiente de la columna pivote X rengln
pivote nuevo)
Cuando el coeficiente es negativo se utiliza la frmula:
Rengln nuevo = rengln antiguo + (coeficiente de la columna pivote X rengln
pivote nuevo)
TABLA SIMPLEX
como se capturara la solucin bsica factible inicial en el siguiente ejemplo:
Sea:
Maximizar Z = 2X1+4X2
sujeto a:

2X1+ X2<= 230

X1+ 2X2<= 250
X2<= 120
todas las X1,X2>=0
BASE
Z X1 X2 S1 S2 S3
SOLUCIN
Z
0 -2
-4
0
0
0
0
S1
0 2
1
1
0
0
230
S2
0 1
2
0
1
0
250
S3
0 0
1
0
0
1
120
Seleccione la variable que entra y la variable que sale de la base:

RAZN
0
230/1
250/2
120/1

Entra X2 y sale S3, se desarrolla la nueva tabla solucin y se continua el proceso

iterativo hasta encontrar la solucin optima si es que est existe.
Tabla ptima:
BASE
Z X1 X2 S1 S2
Z
0 0
0
0
2
S1
0 0
0
1
-2
X1
0 1
0
0
1
X2
0 0
1
0
0
Solucin: Z = $500
fabricando
X1=10
X2=120
Sobrante de
S1 = 90
Tipo de solucin: Optima Mltiple

S3
0
3
-2
1

SOLUCIN
500
90
10
120

RAZN

1.5 Aplicaciones diversas de programacin lineal.

Conceptos fundamentales
Programacin lineal y mtodo simplex:
Una vez se tiene un concepto general de lo que es la programacin lineal, es
importante conocer la forma de actuacin particular de los algoritmos que
resuelven programas lineales. De entre todos los algoritmos destaca por su
importancia histrica y prctica el mtodo simplex. Dicho mtodo fue desarrollado
por Dantzig en 1947, alcanzando un xito inusitado en las dcadas posteriores
con el desarrollo de los computadores. El conocimiento bsico de dicho mtodo
ayuda a la comprensin de las diferentes formas de resolucin de programas
lineales. Dicho mtodo puede ser estudiado en alguno de los manuales que se
presentan a continuacin: Hillier y Liebermann (2001) (Captulos 4 y 5) o bien
Winston (1994) (Captulos 3 y 4). Por otra parte, el estudio de aplicaciones de la

Programacin Lineal es exhaustivo en los textos de Hillier, Hillier y Liebermann

(2000); Eppen et al.(1998); o bien de Anderson, Sweeney y Williams (2001).
Clasificacin de las aplicaciones de PL:
La Programacin Lineal presenta un gran nmero de aplicaciones en multitud de
mbitos empresariales, industriales, de gestin y en general, de toma de
decisiones. En este mathblock tan slo se hace una exposicin sucinta de las
aplicaciones ms clsicas. Sin embargo, se aconseja al lector la consulta de los
documentos de Internet siguientes:
http://www.fred.ifas.ufl.edu/courses/AEB5516/Lectures/blending.doc
http://dsc.gsu.edu/dscthw/Optimize/LP.PDF
En el primero se describen los problemas clsicos de mezclas y de la dieta,
mientras en el segundo se desarrolla un elenco de aplicaciones que sirven muy
bien para completar los casos aqu descritos. En otro orden de cosas, en el
presente mathblock se van a desarrollar campos de aplicacin de la programacin
lineal en los mbitos siguientes: Marketing, Produccin, Asignacin de Tareas,
Finanzas, Logstica y Mezclas. Esta clasificacin no es exhaustiva: existen otros
muchos campos de aplicacin de la Programacin Lineal que aqu no aparecen
citados, todos ellos relacionados con tomas de decisiones operativas y tcticas en
la gestin empresarial. En algn caso, tambin aparecen aplicaciones en tomas de
decisiones estratgicas.