CIBERBULLYING O CIBERACOSO

FACULTAD

INGENIERIA DE SISTEMAS, COMPUTO Y TELECOMUNICACIONES PROGRAMACION LINEAL

TEMA

ALUMNO

JUVENAL CJUIRO FLORES

CUSCO - PERU

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

INTRODUCCIN

La programacin lineal es una tcnica matemtica que se utiliza para solucin de diferentes tipos de problemas, tanto tericos como practico, en diversas areas del conocimiento. El xito en su aplicacin a problemas reales, sofisticados y complejos es avalado por una cantidad de Instituciones productoras de bienes y servicios en muchos pases del mundo. Programacin Lineal consiste bsicamente en la construccin, solucin y anlisis del modelo lineal de un problema dado. Entendindose por modelo lineal aquel que est integrado nica y exclusivamente por funciones lineales.

DEFINICION

Pgina 2

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Es un procedimiento o algoritmo matemtico mediante el cual se resuelve un problema indeterminado, formulado a travs de ecuaciones lineales. Es una tcnica determinista, no incluye probabilidades y utiliza un modelo matemtico para describir el problema. El adjetivo lineal significa que todas las funciones matemticas del modelo deben ser funciones lineales. En este caso, la palabra programacin no se refiere a programacin en computadoras; en esencia es un sinnimo de planeacin. As, la PL trata la planeacin de las actividades para obtener un resultado ptimo, esto es, el resultado que mejor alcance la meta especificada (segn el modelo) entre todas las opciones de solucin.

OBJETIVO
Tratar de minimizar o maximizar un objeto que est sujeto a una lista de restricciones, un corredor de inversiones, por ejemplo, trata de maximizar el rendimiento sobre los fondos invertidos pero las posibles inversiones estn restringidas por las leyes y las polticas bancarias.

La programacin lineal es muy usada en la microeconoma y la administracin de empresas, ya sea para aumentar al mximo los ingresos o reducir al mnimo los costos de un sistema de produccin.
Y si no referimos a la solucin ptima tendramos que seleccionar una palabra que est relacionado con el diario acontecer de cualquier persona sin duda alguna, dicho vocablo seria problema. Un problema no siempre se debe asociar con una situacin negativa o perjudicial, aunque a menudo as es el caso. Hay quienes inclusive interpretan la existencia de un problema como un rea de oportunidad y/o amenaza, segn la considere. Por ejemplo, si una compaa experimenta una baja considerable en su nivel normal de ventas, entonces tiene un problema: sin embargo, tal disminucin puede tomar dos rumbos diferentes: uno es provocar la quiebra de la compaa (rea de amenaza) y el otro es planear la modificacin de la actual poltica mercadotecnia (rea de oportunidad). Con demasiada frecuencia se ha hecho demasiado hincapi en los modelos de Programacin Lineal dentro de la Investigacin Operativa, lo cual ha dificultado la distincin entre ambos trminos. Lo cierto es que la Programacin Lineal es slo una parte de la Investigacin Operativa aunque, sin duda, una de las ms importantes. Otras reas o secciones habituales en el estudio de la IO son las siguientes (esta relacin no es exhaustiva, sino que slo pretende dar una idea de la extensin de la IO): Programacin entera Problemas de transporte Anlisis de grafos y de redes. PERT y CPM. Programacin dinmica Teora de juegos. Programacin no lineal. Teora de colas. Teora de inventarios

Pgina 3

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Procesos markovianos de decisin. Anlisis de decisin. Simulacin Fiabilidad

Existen, de este modo, otras reas, adems de la PL en las que la Investigacin Operativa ejerce tambin su estudio. Es claro pues que la Investigacin Operativa es una ciencia multidisciplinar que aparece en muchos campos del mbito industrial, empresarial y de la administracin pblica. De hecho, con la aparicin de la Programacin Lineal en los aos 40, aparece el sentimiento de dar una cohesin o visin de conjunto a todas las tcnicas anteriormente enunciadas. Esa visin cohesionada, junto con el concepto de sistema, permite la aparicin de la Investigacin de Operaciones como ciencia. Un modelo de Programacin Lineal (PL) considera que las variables de decisin tienen un comportamiento lineal, tanto en la funcin objetivo como restricciones del problema. En este sentido, la Programacin Lineal es una de las herramientas ms utilizadas en la Investigacin Operativa debido a que por su naturaleza se facilitan los clculos y en general permite una buena aproximacin de la realidad. Los Modelos Matemticos se dividen bsicamente en Modelos Determistas (MD) o Modelos Estocsticos (ME). En el primer caso (MD) se considera que los parmetros asociados al modelo son conocidos con certeza absoluta, a diferencia de los Modelos Estocsticos, donde la totalidad o un subconjunto de los parmetros tienen una distribucin de probabilidad asociada. Los cursos introductorios a la Investigacin Operativa generalmente se enfocan slo en Modelos Determistas. En este sentido, hay que destacar que las tcnicas de Investigacin Operativa tienen un auge inusitado en los Estados Unidos. Algunos de los motivos de este auge son: Razones histricas La cultura empresarial americana, y La dimensin del mercado americano.

En Europa, cada vez se aplican ms estas tcnicas pero, con frecuencia, con un acento mucho ms terico. Entre los pases europeos que ms aplican las tcnicas de la IO se pueden destacar los siguientes: Gran Bretaa, Holanda, Francia y Alemania. Con el fenmeno de la globalizacin econmica, cada vez son ms las empresas multinacionales que emplean tcnicas de Investigacin Operativa para la toma cientfica de decisiones.

NUEVOS DESARROLLOS DE LA PROGRAMACIN LINEAL

La Programacin Lineal fue una de las primeras herramientas cuantitativas con la que cont la IO. Rpidamente se descubri su eficiencia, por esta razn, era muy interesante conseguir nuevos mtodos de resolucin que hicieran la competencia al algoritmo simplex. Como una innovacin destacable en los aos ochenta aparece un nuevo y poderoso algoritmo para la resolucin de programas lineales: en 1984, Narendra Karmarkar

Pgina 4

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

(1984) de AT&T Laboratories public un artculo presentando esquemticamente un mtodo para resolver programas lineales de gran tamao. Este mtodo llamado algoritmo de Karmarkar se presenta como un buscador de ptimos a partir de puntos interiores, siendo sta la gran novedad en relacin con el mtodo simplex. Desde un principio se realizaron multitud de comparaciones entre el mtodo simplex y el de Karmarkar, con objeto de determinar cul de los dos era el ms eficiente. Sin embargo, esto no es fcil de determinar puesto que hay que especificar qu es exactamente lo que significa eficiencia. Es necesario efectuar la comparacin en multitud de situaciones diversas y a partir de ellas establecer la correspondiente tesis. Se han realizado estudios que cotejan el mtodo de Karmarkar con un paquete informtico estndar del mtodo simplex llamado MINOS. Para problemas de tamao grande (a partir de varios miles de restricciones) las mejoras en tiempo de clculo del mtodo de Karmarkar sobre el simplex son notables (factores entre 10 y 50 son comunes). No obstante, esta situacin no supone la supremaca del mtodo de Karmarkar en todo tipo de problemas. No hay que olvidar que para problemas de dimensin pequea, el mtodo simplex es ms intuitivo y fcil de aplicar. Tambin es posible realizar algunos comentarios acerca de la complejidad computacional de cada uno de los mtodos. El mtodo de Karmarkar es un algoritmo de tiempo polinomial, mientras que el simplex no goza de esta propiedad, sino que es de tiempo exponencial. De esta forma, tenemos explicada la razn por la cual el mtodo de Karmarkar obtiene mejores resultados para problemas de gran dimensin. Es llamativo que los problemas que hasta hace unos aos necesitaban de computadoras de tamao medio, ahora sean resolubles mediante ordenadores personales. En la actualidad, prcticamente cualquier usuario de la Investigacin Operativa puede resolver problemas lineales mediante LINDO (u otro paquete informtico semejante) en un ordenador porttil. De esta manera, mediante LINDO se pueden manejar problemas con hasta 50.000 restricciones y 200.000 variables. De igual modo, se desarroll el paquete MINOS (empleando para programacin lineal el mtodo simplex) en el Systems Optimization Laboratory del Departamento de Investigacin Operativa de la Universidad de Stanford, que ha sido usado ms frecuentemente como herramienta optimizadora en programacin no lineal. Otros lenguajes de modelizacin se han desarrollado para ordenadores personales.

PROGRAMACIN LINEAL
En cualquier empresa, muchas de las decisiones que se toman tienen por objeto hacer el mejor uso posible (optimizacin) de los recursos de la misma. Por recursos de una empresa entendemos la maquinaria que sta posea, sus trabajadores, capital financiero, instalaciones, y las materias primas de que disponga. Tales recursos pueden ser usados para fabricar productos (electrodomsticos, muebles, comida, ropa, etc.) o servicios (horarios de produccin, planes de marketing y publicidad, decisiones financieras, etc.). La Programacin Lineal (PL) es una tcnica matemtica diseada para ayudar a los directivos en la planificacin y toma de decisiones referentes a la asignacin de los recursos.

Pgina 5

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Como ejemplos de problemas donde la PL desarrolla un papel fundamental, podramos citar: A partir de los recursos disponibles, determinar las unidades a producir de cada bien de forma que se maximice el beneficio de la empresa. Elegir materias primas en procesos de alimentacin, para obtener mezclas con unas determinadas propiedades al mnimo coste. Determinar el sistema de distribucin que minimice el coste total de transporte, desde diversos almacenes a varios puntos de distribucin. Desarrollar un plan de produccin que, satisfaciendo las demandas futuras de los productos de una empresa, minimice al mismo tiempo los costes totales de produccin e inventario.

CARACTERSTICAS DE UN PROBLEMA DE PL
Las tcnicas de PL han sido ampliamente utilizadas en mbitos tan diferentes como el militar, industrial, financiero, de marketing, e incluso agrcola. A pesar de tal diversidad de aplicaciones, todos los problemas de PL tienen cuatro propiedades comunes: Pretenden optimizar (maximizar o minimizar) alguna cantidad (funcin objetivo). As, por ejemplo, el principal objetivo de un banquero sera maximizar beneficios, mientras que el principal objetivo de una empresa transportista podra ser minimizar los costes de los envos. Habr que tener en cuenta las restricciones que limitan el grado en el cual es posible modificar las variables que afectan a nuestra funcin objetivo. As, a la hora de decidir cuntas unidades de cada bien se han de producir, deberemos considerar, entre otras, las limitaciones de personal y maquinaria de que disponemos. El problema debe presentar distintas alternativas posibles: si una compaa produce cuatro bienes diferentes, la direccin puede usar PL para determinar las cantidades de recursos que asigna a la produccin de cada uno de ellos (podra optar por hacer una asignacin ponderada, dedicar todos los recursos a la produccin de un nico bien abandonando la produccin del resto, etc.). En PL, la funcin objetivo debe ser una funcin lineal, y las restricciones deben ser expresables como ecuaciones o inecuaciones lineales.

El nombre de programacin lineal no procede de la creacin de programas de ordenador, sino de un trmino militar, programar, que significa realizar planes o propuestas de tiempo para el entrenamiento, la logstica o el despliegue de las unidades de combate.

PLANTEAMIENTO DE UN PROBLEMA DE PROGRAMACION LINEAL

Pgina 6

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Los 10 chicos y las 20 chicas de una clase de 3 de ciclo bsico organizan un viaje para el cual necesitan dinero. Deciden pedir trabajo por las tardes en una compaa encuestadora que contrata a equipos de jvenes de dos tipos: Tipo A _ PAREJAS: 1 chico y 1 chica. Tipo B _ EQUIPOS: 1 chico y 3 chicas. Se paga a 30 la tarde a la pareja y 50 la tarde al equipo. Cmo les conviene distribuirse para sacar la mayor cantidad posible de dinero?

ANLISIS DE LOS DATOS

RESTRICCIONES DEL PROBLEMA

OPTIMIZACIN DE LOS DATOS

Pgina 7

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

RESOLUCIN GRFICA DE UN PROBLEMA DE PL

El mtodo grfico de resolucin tan slo es aplicable a problemas con dos variables (X e Y). Para aquellos casos en que el nmero de variables del problema sea superior a dos, no ser posible encontrar la solucin a partir de un grfico bidimensional y, por tanto, tendremos que usar mtodos de resolucin ms complejos. An as, el mtodo grfico es de un gran valor pedaggico dado que nos permite vislumbrar de una forma intuitiva las ideas bsicas de la PL. Volviendo al ejemplo anterior, dado que en l tenemos slo dos variables, podremos representar cada una de las restricciones en el plano real. Estas restricciones son semi espacios (por ser lineales), la interseccin de los cuales se denomina regin factible.

Pgina 8

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

INTERPRETACIN DE LA REGIN FACTIBLE

Pgina 9

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

INTERPRETACIN DE LA FUNCIN OBJETIVO G(x, y)= 30x + 50y

PROCESO DE FORMULACIN DE UN PROBLEMA DE PL Y SU APLICACIN

Pgina 10

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Para formular un problema de PL, se recomienda seguir los siguientes lineamientos generales despus de leer con atencin el enunciado del problema varias veces. Todo programa lineal consta de cuatro partes: un conjunto de variables de decisin, los parmetros, la funcin objetivo y un conjunto de restricciones. Al formular un determinado problema de decisin en forma matemtica, debe practicar la comprensin del problema (es decir, formular un Modelo Mental) leyendo detenidamente una y otra vez el enunciado del problema. Mientras trata de comprender el problema, formlese las siguientes preguntas generales: Cules son las variables de decisin? Es decir, cules con las entradas controlables? Defina las variables de decisin con precisin utilizando nombres descriptivos. Recuerde que las entradas controlables tambin se conocen como actividades controlables, variables de decisin y actividades de decisin. Cules son los parmetros? Vale decir cules son las entradas no controlables? Por lo general, son los valores numricos constantes dados. Defina los parmetros con precisin utilizando nombres descriptivos. Cul es el objetivo? Cul es la funcin objetivo? Es decir, qu quiere el dueo del problema? De qu manera se relaciona el objetivo con las variables de decisin del dueo del problema? Es un problema de maximizacin o minimizacin? El objetivo debe representar la meta del decisor. Cules son las restricciones? Es decir, qu requerimientos se deben cumplir? Debera utilizar un tipo de restriccin de desigualdad o igualdad? Cules son las conexiones entre las variables? Escrbalas con palabras antes de volcarlas en forma matemtica.

Recordar que la regin factible tiene poco o nada que ver con la funcin objetivo (minim. o maxim.). Estas dos partes en cualquier formulacin de PL generalmente provienen de dos fuentes distintas. La funcin objetivo se establece para cumplir con el deseo (objetivo) del decisor mientras que las restricciones que forman la regin factible generalmente provienen del entorno del decisor que fija algunas limitaciones / condiciones para lograr su objetivo. A continuacin, se incluye un problema ilustrativo muy sencillo. Sin embargo, el abordaje del problema es igual para una gran variedad de problemas de toma de decisin, mientras que el tamao o la complejidad pueden variar. El primer ejemplo es un problema de mix de productos y el segundo es un problema de mezcla.

El Problema del Carpintero

Con un carpintero (nuestro cliente), ste nos comunica que slo fabrica mesas y sillas y que vende todas las mesas y las sillas que fabrica en un mercado. Sin embargo, no tiene un ingreso estable y desea optimizar esta situacin. El objetivo es determinar cuntas mesas y sillas debera fabricar para maximizar sus ingresos netos. Comenzamos concentrndonos en un horizonte de tiempo, es decir, un plazo de planificacin, para revisar nuestra solucin semanalmente, si fuera necesario. Para saber ms acerca de este problema, debemos ir al negocio del carpintero y observar lo que sucede y medir lo que necesitamos para formular (para crear un modelo de), su problema. Debemos confirmar que su objetivo es maximizar sus ingresos netos. Debemos comunicarnos con el cliente.

Pgina 11

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

El problema del carpintero se trata de determinar cuntas mesas y sillas debe fabricar por semana; pero primero se debe establecer una funcin objetivo La funcin objetivo es: 5X1 + 3X2, donde X1 y X2 representan la cantidad de mesas y sillas; y 5 y 3 representan los ingresos netos (por ejemplo, en dlares o dcimas de dlares) de la venta de una mesa y una silla, respectivamente. Los factores limitantes, que normalmente provienen del exterior, son las limitaciones de la mano de obra (esta limitacin proviene de la familia del carpintero) y los recursos de materia prima (esta limitacin proviene de la entrega programada). Se miden los tiempos de produccin requeridos para una mesa y una silla en distintos momentos del da y se calculan en 2 horas y 1 hora, respectivamente. Las horas laborales totales por semana son slo 40. La materia prima requerida para una mesa y una silla es de 1 y 2 unidades, respectivamente. El abastecimiento total de materia prima es de 50 unidades por semana. En consecuencia, la formulacin de PL es la siguiente:

Maximizar 5 X1 + 3 X2 Sujeta a: 2 X1 + X2 40 restriccin de mano de obra X1 + 2 X2 50 restriccin de materiales tanto X1 como X2 son no negativas.
Este es un modelo matemtico para el problema del carpintero. Las variables de decisin, es decir, las entradas controlables son X1, y X2. La salida o el resultado de este modelo son los ingresos netos totales 5 X1 + 3 X2. Todas las funciones empleadas en este modelo son lineales (las variables de decisin estn elevadas a la primera potencia). El coeficiente de estas restricciones se denomina Factores Tecnolgicos (matriz). El perodo de revisin es de una semana, un perodo conveniente dentro del cual es menos probable que cambien (flucten) las entradas controlables (todos los parmetros tales como 5, 50, 2,..). Incluso en un plazo de planificacin tan corto, debemos realizar el anlisis de hiptesis para responder a cualquier cambio en estas entradas a los efectos de controlar el problema, es decir, actualizar la solucin prescripta. Ntese que dado que el Carpintero no va a ir a la quiebra al final del plazo de planificacin, agregamos las condiciones que tanto X1 como X2 deben ser no negativas en lugar de los requerimientos que X1 y X2 deben ser nmeros enteros positivos. Recuerde que las condiciones de no negatividad tambin se denominan "restricciones implcitas". Nuevamente, un Programa Lineal funcionara bien para este problema si el Carpintero contina fabricando estos productos. Los artculos parciales simplemente se contaran como trabajos en proceso y finalmente se transformaran en productos terminados, en la siguiente semana. Podemos intentar resolver X1 y X2 enumerando posibles soluciones para cada una y seleccionado el par (X1, X2) que maximice 5X1 + 3X2 (los ingresos netos). Sin embargo, lleva mucho tiempo enumerar todas las alternativas posibles y si no se enumeran todas las alternativas, no podemos estar seguros de que el par seleccionado (como una solucin) es la mejor de todas las alternativas. Otras metodologas preferidas (ms eficientes y efectivas), conocidas como las Tcnicas de Soluciones de Programacin Lineal estn disponibles en el mercado en ms de 4000 paquetes de software de todo el mundo. La solucin ptima, es decir, la estrategia ptima, , es establecer X1 = 10 mesas y X2 = 20 sillas. Programamos las actividades semanales del carpintero para que fabrique 10 mesas y 20 sillas. Con esta estrategia (ptima), los ingresos netos son de US$110. Esta solucin prescripta
Pgina 12

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

sorprendi al carpintero dado que debido a los mayores ingresos netos provenientes de la venta de una mesa (US$5), l sola fabricar ms mesas que sillas. Contratar o no contratar a un ayudante? Supngase que el carpintero pudiera contratar a un ayudante a un costo de US$2 por hora (adicionales $2) Le conviene al carpintero contratar a un ayudante? En caso afirmativo, por cuntas horas?

X3 es la cantidad de horas extra, entonces el problema modificado es: Maximizar 5 X1 + 3 X2 - 2 X3 Sujeta a: 2 X1 + X2 40 + X3 restriccin de la mano de obra con horas adicionales desconocidas X1 + 2 X2 50 restriccin de materiales
En esta nueva condicin, veremos que la solucin ptima es X1 = 50, X2 = 0, X3 = 60, con ingresos netos ptimos de US$130. Por lo tanto, el carpintero debera contratar a un ayudante por 60 horas. Qu pasara si slo lo contrata por 40 horas? La respuesta a esta pregunta y a otros tipos de preguntas del estilo "qu pasara si" se estudia en la seccin sobre anlisis de sensibilidad en este sitio Web.

MTODO DE SOLUCIN GRFICA Dado que somos una especie visual (especialmente la cultura estadounidense), debido a nuestro sistema educativo, muchas de las herramientas de enseanza escolar utilizadas en la actualidad son de naturaleza grfica. Les enseamos a leer mostrndoles figuras de las cosas. Les enseamos a contar mostrndoles el orden de los nmeros. En consecuencia, nuestros receptores visuales se agudizan a expensas de otras funciones cognitivas. Tambin se descubri que las personas de negocios responden mejor a los grficos y a los cuadros que a los nmeros. El problema es un problema de PL? La respuesta es afirmativa si y slo si: Todas las variables estn elevadas a la primera potencia y son sumadas o restadas (no dividas ni multiplicadas). La restriccin debe adoptar alguna de las siguientes formas ( , , o =, es decir que las restricciones de PL siempre estn cerradas), y el objetivo debe ser de maximizacin o minimizacin. Por ejemplo, el siguiente problema no problema tan sencillo no tiene solucin. Puedo utilizar el mtodo grfico? La respuesta es afirmativa si la cantidad de variables de decisin es 1 o 2. Utilice papel milimetrado. Grafique cada restriccin, una por una, como si fueran igualdades (como si todo y , es = ) y luego trace la lnea.

Pgina 13

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

A medida que se crea cada lnea, divida la regin en 3 partes con respecto a cada lnea. Para identificar la regin factible para esta restriccin en particular, elija un punto en cualquier lado de la lnea y coloque sus coordenadas en la restriccin, si satisface la condicin, este lado es factible, de lo contrario el otro lado es factible. En el caso de restricciones de igualdad, slo los puntos sobre la lnea son factibles. Eliminar los lados que no son factibles. Una vez graficadas todas las restricciones, debe generarse una regin factible no vaca (convexa), salvo que el problema sea no factible. Crear (como mnimo) dos lneas de igual valor desde la funcin objetivo, fijando la funcin objetivo en dos nmeros distintos cualquiera. Grafique las lneas resultantes. Al mover estas lneas paralelas, encontrar el vrtice ptimo (punto extremo), si es que existe. En general, si la regin factible se encuentra dentro del primer cuadrante del sistema de

mover la funcin objetivo de igual valor paralela a s misma lejos del punto de origen (0, 0), como mnimo, teniendo a la vez un punto en comn con la regin factible. Sin embargo, para los problemas de minimizacin, debe realizar lo opuesto, es decir, mover la funcin objetivo de igual valor paralela a s misma acercndola al punto de origen, a su vez teniendo como mnimo un punto en comn con la regin factible. El punto comn proporciona la solucin ptima. Recordar que las restricciones de PL proporcionan los vrtices y las esquinas. Un vrtice es la interseccin de 2 lneas o en general, n hiperplanos en problemas de PL con n variables de decisin. Una esquina es un vrtice que adems es factible.

Un Ejemplo Numrico: El Problema del Carpintero Maximizar 5 X1 + 3 X2 Sujeta a: 2 X1 + X2 40 X1 + 2 X2 50 X1, X2 no deben ser negativos

Nota: Existe una alternativa del abordaje de la funcin objetivo de igual valor con problemas que
tienen pocas restricciones y una regin factible acotada. Primero buscar todas las esquinas,
Pgina 14

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

tambin llamadas puntos extremos. Luego, evaluar la funcin objetivo en los puntos extremos para llegar al valor ptimo y a la solucin ptima. Por ejemplo, en el problema del carpintero, la regin factible convexa proporciona los puntos extremos con las coordenadas que figuran en la siguiente Tabla:

Dado que el objetivo es maximizar, de la tabla anterior surge que el valor ptimo es 110, el cual se obtiene si el carpintero sigue la estrategia ptima de X1 = 10 y X2 = 20. La principal deficiencia del mtodo grfico es que se limita a resolver problemas lineales que tengan slo 1 o 2 variables de decisin. Sin embargo, la conclusin principal y til a la que podemos arribar a partir del anlisis de los mtodos grficos es la siguiente: Si un programa lineal tiene una regin factible acotada no vaca, la solucin ptima es siempre uno de los puntos extremos. . La regin factible de cualquier programa lineal es siempre un conjunto convexo. Debido a que todas las restricciones son lineales, la regin factible (R.F.) es un polgono. Adems, este polgono es un conjunto convexo. En cualquier problema de PL que tenga ms de dos dimensiones, los lmites de la regin factible son partes de los hiperplanos, y la regin factible en este caso se denomina poliedro y tambin es convexa. Un conjunto convexo es aquel en el cual si se eligen dos puntos factibles, todos los puntos en el segmento de la lnea recta que une estos dos puntos tambin son factibles. La prueba de que la regin factible de los programas lineales son siempre conjuntos convexos surge por contradiccin. Las siguientes figuras ilustran ejemplos de los dos tipos de conjuntos: un conjunto no convexo y un conjunto convexo.

El conjunto de la regin factible en cualquier programa lineal se denomina poliedro y si est acotado se denomina politopo.

Pgina 15

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

El valor de una funcin objetivo de un programa lineal es siempre una funcin lineal. Este hecho surge de la naturaleza de la funcin objetivo de cualquier problema de PL. Las siguientes figuras ilustran las dos clases tpicas de funciones objetivo de igual valor .

De la combinacin de los dos hechos expresados arriba surge que si un programa lineal tiene una regin factible acotada no vaca, la solucin ptima es siempre uno de los puntos extremos. Para superar la deficiencia del mtodo grfico, utilizaremos esta conclusin til y prctica en el desarrollo de un mtodo algebraico aplicable a problemas de PL multidimensionales. La convexidad de la regin factible de los programas lineales facilita la resolucin de problemas de PL. Debido a esta propiedad y a la linealidad de la funcin objetivo, la solucin es siempre uno de los vrtices. Asimismo, dado que la cantidad de vrtices es limitada, todo lo que debemos hacer es buscar todos los vrtices factibles y luego evaluar la funcin objetivo en dichos vrtices para encontrar el punto ptimo. En el caso de programas no lineales, el problema es mucho ms difcil de resolver porque la solucin podra estar en cualquier parte dentro de la regin factible, en el lmite de la regin factible o en un vrtice. Por suerte, la mayora de los problemas de optimizacin empresarial son lineales y es por eso que la PL es tan popular. Hoy en da, existen ms de 400 paquetes de software en el mercado para resolver problemas de PL. La mayora se basa en la bsqueda de vrtices. Esto equivale a pasar de un vrtice a otro cercano en busca de un punto ptimo.

Vnculo entre Programacin Lineal y Sistemas de Ecuaciones

George Dantzig la programacin lineal es estrictamente "la teora y la solucin de sistemas lineales de desigualdad". Probablemente ya ha notado que las soluciones bsicas de un programa lineal son las soluciones de los sistemas de ecuaciones que constan de restricciones en una posicin obligatoria. Por ejemplo, en el caso del Problema del Carpintero, se pueden calcular todas las soluciones bsicas, tomando dos ecuaciones cualquiera y resolvindolas al mismo tiempo. Luego, se utilizan las restricciones de las otras ecuaciones para verificar la factibilidad de esta solucin. Si es factible, esta solucin es una solucin bsica factible que proporciona las coordenadas de un

Pgina 16

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

punto extremo de la regin factible. Para ilustrar el procedimiento, considere las restricciones del Carpintero en la posicin obligatoria (es decir todas con signo =):

2X1 + X2 = 40 X1 + 2X2 = 50 X1 = 0 X2 = 0

PROBLEMA DUAL: CONSTRUCCIN Y SIGNIFICADO

Asociado a cada problema (primario) de PL existe un problema correspondiente denominado problema dual. La siguiente clasificacin de las restricciones de las variables de decisin resulta til y fcil de recordar para construir el problema dual.

Construccin del Problema Dual

Existe una correspondencia uno a uno entre el tipo de restriccin y el tipo de variable utilizando esta clasificacin de restricciones y variables tanto para los problemas primarios como los duales.

CONSTRUCCIN DE PROBLEMAS DUALES

Si el problema primario es un problema de maximizacin, entonces su problema dual es un problema de minimizacin (y viceversa). Utilizar el tipo de variable de un problema para determinar el tipo de restriccin del otro problema. Utilizar el tipo de restriccin de un problema para determinar el tipo de variable del otro problema. Los elementos RHS de un problema se transforman en los coeficientes de la funcin objetivo del otro problema (y viceversa). Los coeficientes de la matriz de las restricciones de un problema son la transposicin de los coeficientes de la matriz de las restricciones del otro problema.

El Problema Dual del Problema del Carpintero:

Pgina 17

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Maximizar 5X1 + 3X2

sujeta a: 2X1 + X2 40 X1 + 2X2 50 X1 0 X2 0 El problema dual es: Minimizar 40U1 + 50U2 Sujeta a: 2U1 + U2 5 U1 + 2U2 3 U1 0 U2 0

Aplicaciones: Utilizar la dualidad en una amplia gama de aplicaciones tales como:

En algunos casos, puede ser ms eficiente resolver el problema dual que el primario. La solucin dual proporciona una interpretacin econmica importante tal como los precios sombra (es decir, los valores marginales de los elementos ) que son los multiplicadores Lagrangianos que demuestran una cota (estricta) del valor ptimo del problema primario y viceversa. Histricamente, el precio sombra se defini como la mejora en el valor de la funcin objetivo por aumento unitario en el lado derecho, porque el problema generalmente adoptaba la forma de una mejora de maximizacin de utilidades (es decir, un aumento). El precio sombra puede no ser el precio de mercado. El precio sombra es por ejemplo el valor del recurso bajo la "sombra" de la actividad comercial. Se puede realizar un anlisis de sensibilidad, es decir un anlisis del efecto de pequeas variaciones en los parmetros del sistema sobre las medidas de produccin, calculando las derivadas de las medidas de produccin con respecto al parmetro. Si una restriccin en un problema no es obligatoria (en otras palabras, el valor del lado izquierdo) concuerda con el valor), la variable asociada en el problema es cero. De manera inversa, si una variable de decisin en un problema no es cero, la restriccin asociada en el otro problema es obligatoria. A estos resultados se los conoce como Condiciones Complementarias de Holgura. Obtener el rango de sensibilidad de un problema partiendo del rango de sensibilidad del coeficiente de costos del otro problema y viceversa.

El entorno comercial muchas veces es impredecible e incierto debido a factores tales como cambios econmicos, reglamentaciones pblicas, dependencia de subcontratistas y proveedores, etc. Los gerentes generalmente se ven inmersos en un entorno dinmico e inestable donde aun los planes a corto plazo deben re-evaluarse constantemente y ajustarse de manera incremental. Todo esto requiere una mentalidad orientada al cambio para hacer frente a las incertidumbres. Recuerde que las sorpresas no forman parte de una decisin slida.

Pgina 18

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

El hombre utiliza construcciones (modelos) matemticas e informticas para una variedad de entornos y propsitos, con frecuencia para conocer los posibles resultados de uno o ms planes de accin. Esto puede relacionarse con inversiones financieras, alternativas de seguros (asegurar o no asegurar/cunto), prcticas industriales e impactos ambientales. El uso de modelos se ve perjudicado por la inevitable presencia de incertidumbres, que surgen en distintas etapas, desde la construccin y corroboracin del modelo en s hasta su uso. Normalmente su uso es el culpable. Toda solucin a un problema de toma de decisiones se basa en determinados parmetros que se presumen como fijos. El anlisis de sensibilidad es un conjunto de actividades posteriores a la solucin que sirven para estudiar y determinar qu tan sensible es la solucin a los cambios en las hiptesis. Estas actividades tambin se denominan anlisis de estabilidad, anlisis o de hiptesis, modelacin de escenarios, anlisis de especificidad, anlisis de incertidumbre, anlisis de inestabilidad numrica, inestabilidad funcional y tolerancia, anlisis de post optimalidad, aumentos y disminuciones admisibles y muchos otros trminos similares que reflejan la importancia de esta etapa del proceso de modelacin. Por ejemplo, anlisis de sensibilidad no es el trmino tpico empleado en la econometra para referirse al mtodo de investigacin de la respuesta de una solucin frente a perturbaciones en los parmetros. En econometra, esto se denomina esttica comparativa o dinmica comparativa, segn el tipo de modelo en cuestin. Se puede hacer frente a las incertidumbres de una manera ms "determinista". Este abordaje tiene distintos nombres tales como "modelacin de escenarios", "modelacin determinista", "anlisis de sensibilidad" y "anlisis de estabilidad". La idea es generar, de manera subjetiva, una lista ordenada de incertidumbres importantes que supuestamente podran tener un mayor impacto sobre el resultado final. Esto se lleva a cabo antes de focalizarse en los detalles de cualquier "escenario" o modelo. Existen numerosos ejemplos de entornos donde esto es aplicable, tales como: Construccin de indicadores (econmicos / ambientales) Anlisis y pronstico de riesgo (ambiental, financiero, de seguros,...) Optimizacin y calibracin de modelos

A continuacin, sigue una lista abreviada de las razones por las cuales se debe tener en cuenta el anlisis de sensibilidad:

Toma de decisiones o desarrollo de recomendaciones para decisores:

Para probar la solidez de una solucin ptima. Las sorpresas no forman parte de las decisiones ptimas slidas. Para identificar los valores crticos, umbrales, o valores de equilibrio donde cambia la estrategia ptima. Para identificar sensibilidad o variables importantes. Para investigar soluciones sub-ptimas. Para desarrollar recomendaciones flexibles que dependan de las circunstancias. Para comparar los valores de las estrategias de decisin simples y complejas. Para evaluar el riesgo de una estrategia o escenario.

Comunicacin:
Para formular recomendaciones ms crebles, comprensibles, contundentes o persuasivas. Para permitir a los decisores seleccionar hiptesis. Para comunicar una falta de compromiso a una nica estrategia.
Pgina 19

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

El decisor debe incorporar algunas otras perspectivas del problema tal como perspectivas culturales, polticas, psicolgicas, etc. en las recomendaciones del cientfico de administracin.

Aumentar la comprensin o aptitud del sistema:

Para estimar la relacin entre las variables de entrada y las de salida. Para comprender la relacin entre las variables de entrada y las de salida. Para desarrollar pruebas de las hiptesis.

Desarrollo del modelo:

Para Para Para Para Para Para probar la validez o precisin del modelo. buscar errores en el modelo simplificar el modelo. calibrar el modelo. hacer frente a la falta o insuficiencia de datos. priorizar la adquisicin de informacin.

Lista abreviada de casos en los que se debe considerar la realizacin de un anlisis de sensibilidad:
Con el control de los problemas, el anlisis de sensibilidad puede facilitar la identificacin de regiones cruciales en el espacio de los parmetros de entrada. En ejercicios de seleccin, el anlisis de sensibilidad sirve para localizar algunos parmetros influyentes en sistemas con cientos de datos de entrada inciertos. Se utilizan tcnicas de anlisis de sensibilidad basados en varianza para determinar si un subconjunto de parmetros de entrada puede representar (la mayor parte de) la varianza de salida. El punto (3) puede utilizarse para la reduccin del mecanismo (descartar o corregir partes no relevantes del modelo) y para la extraccin de un modelo (construir un modelo a partir de otro ms complejo). Ver tambin el problema de la "relevancia" del modelo: los parmetros del conjunto de entrada del modelo son relevantes con respecto a la tarea del modelo? El punto (3) tambin puede utilizarse para la identificacin del modelo identificando las condiciones experimentales para las cuales su capacidad para discriminar dentro del modelo se encuentra en su punto mximo. Al igual que en el punto (5), el anlisis de sensibilidad puede utilizarse para la calibracin del modelo, para determinar si los experimentos con sus incertidumbres relacionadas permitirn la estimacin de los parmetros. Esto es particularmente til frente a problemas mal condicionados (mal formulados). El anlisis de sensibilidad puede complementarse con algoritmos de bsqueda / optimizacin; identificando los parmetros ms importantes, el anlisis de sensibilidad puede permitir que se reduzca la dimensionalidad del espacio donde se realiza la bsqueda. Como una herramienta de aseguramiento de calidad, el anlisis de sensibilidad asegura que la dependencia de la salida (resultado) de los parmetros de entrada del modelo tenga una similitud fsica y una explicacin. Para resolver un problema inverso, el anlisis de sensibilidad sirve como una herramienta para extraer parmetros incorporados en modelos cuyos resultados no se correlacionan fcilmente con la entrada desconocida (por ejemplo en cintica qumica, para extraer las constantes cinticas de sistemas complejos a partir del ndice de rendimiento de los componentes).

Pgina 20

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Para asignar recursos en el rea de I&D de manera ptima, el anlisis de sensibilidad muestra donde vale la pena invertir a fin de reducir el rango de incertidumbre del modelo. El anlisis de sensibilidad puede determinar cuantitativamente qu parte de la incertidumbre de mi prediccin se debe a incertidumbre paramtrica de la estimacin y cunto a incertidumbre estructural.

Anlisis de sensibilidad vs. Programacin estocstica: El anlisis de sensibilidad y las formulaciones de programacin estocstica son los dos principales enfoques para manejar la incertidumbre. El anlisis de sensibilidad es un procedimiento de post optimalidad que no puede influir en la solucin. Sirve para investigar los efectos de la incertidumbre sobre la recomendacin del modelo. Por otro lado, la formulacin de programacin estocstica introduce informacin probabilstica acerca de los datos del problema, a pesar de los primeros momentos (es decir los valores esperados) de la distribucin de la funcin objetivo con respecto a la incertidumbre. Esto ignora las evaluaciones de riesgo del decisor, caracterizadas por la varianza o el coeficiente de variacin. Clculo de Rangos de Sensibilidad para Problemas Pequeos Para calcular los rangos de sensibilidad de problemas de PL con 2 variables de decisin como mximo y/o 2 restricciones como mximo, puede probar alguno de los siguientes abordajes de fcil uso. La nica restriccin es que no se permiten restricciones de igualdad. Tener una restriccin de igualdad implica degeneracin, porque cada restriccin de igualdad, por ejemplo, X1 + X2 = 1, significa dos restricciones simultneas: X1 + X2 1 , y X1 + X2 1. Entonces, la cantidad de restricciones obligatorias en tal caso ser mayor a la cantidad de variables de decisin. Esto se denomina situacin degenerada para la cual el anlisis de sensibilidad normal no es vlido.

MTODO ALGEBRAICO:
LOS MODELOS DE PL CON VARIABLES DE DECISIN MULTIDIMENSIONAL Estamos interesados en resolver el siguiente problema general:

Max( Min) C.X sujeto a: AX a BX b DX = d

Con la posibilidad de algunas variables restringidas: algunos Xi's 0, algunos Xi's 0, y todos los dems sin restriccin en el signo. Es utilizada la notacin comn: C = {Cj} para los coeficientes de la funcin objetivo (conocidos como los coeficientes de costo dado que histricamente, la primera PL fue un problema de minimizacin de costos), y X = {Xj } se utiliza para las variables de decisin.

Pgina 21

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

A continuacin presentamos el procedimiento de cuatro pasos para la solucin algebraica del algoritmo: Construccin de los lmites del conjunto de restricciones: Transformar todas las desigualdades (excepto la condicin de restriccin de cada variable, si existe alguna) a igualdades, mediante la adicin o sustraccin de variables de exceso o defecto. La construccin de los lmites de las variables de las variables restringidas es incluido en el prximo paso. Encontrar Todos los Vrtices: Si el nmero de variables (incluyendo las de exceso y defecto) son mayores al nmero de ecuaciones, proceda a hacer ceros el siguiente nmero de variables: [(Nmero total de variables incluyendo las de exceso y defecto) (Nmero de ecuaciones)] Las variables llevadas a cero son las variables de exceso y defecto y las variables restringidas tas variables a cero, proceda a encontrar las otras variables mediante la resolucin del sistema cuadrado de ecuaciones. Note que si Xi 0, entonces podra ser escrito como Xi Si = 0, llevando los Si correspondientes a cero significa que Xi = 0, por lo tanto, no es necesario introducir explcitamente variables de exceso y defecto. Adicionalmente, note que cuando cualquier Xi no est restringido en el signo, este no adiciona una restriccin.

Comprobar la Factibilidad: Todas las variables de defecto o exceso deben ser nonegativas, y compruebe por la condicin de restriccin (si existe alguna) en cada variable. Cada solucin factible es llamada una Solucin Factible Bsica, la cual es el punto en cada esquina de la regin de factibilidad. Seleccionar una Esquina Optima: Entre todas las soluciones factibles (i.e., puntos en las esquinas factibles), encuentre el ptimo (si existe alguno) evaluando cada uno en la funcin objetivo. Podran existir soluciones ptimas mltiples.

Recuerdar que: un sistema lineal AX=b tiene una solucin si y solo si el rango de A es igual al rango de la matriz argumento (A,B).

El Problema del Carpintero:

Introduciendo las variables de exceso y defecto para convertir todas las inigualdades en igualdades, tenemos:

2X1 + X2 + S1 = 40 X1 + 2X2 + S2 = 50
Aqu tenemos 2 ecuaciones con 4 incgnitas. Dado que las variables X1 y X2 son ambas restringidas, debemos llevar otras dos variables incluyendo estas dos a cero. Resolviendo el sistema de seis ecuaciones resultante, tenemos:

Pgina 22

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Por lo tanto, de la tabla anterior, obtenemos que la solucin ptima es S1= 0, S2 = 0, X1 = 10, X2 = 20, con un valor ptimo de $110.

EL MTODO SIMPLEX
El Mtodo Simplex es otro algoritmo para resolver problemas de PL. Recuerde que el mtodo algebraico proporciona todos los vrtices incluyendo aquellos que no son factibles. Por lo tanto, esta no es una manera eficiente de resolver problemas de PL con numerosas restricciones. El Mtodo Simplex es una modificacin del mtodo algebraico, el cual vence estas deficiencias. Sin embargo, el Mtodo Simplex tiene sus propias deficiencias. Por ejemplo, este requiere que todas las variables sean no-negativos. As como el Mtodo Algebraico, el mtodo simplex es una solucin algortmica tabular. Sin embargo, cada tabla (de iteracin) en el mtodo simplex corresponde a un movimiento desde un Conjunto Bsico de Variables (CBV) (puntos extremos esquinas) a otro, asegurndose que la funcin objetivo mejore en cada iteracin hasta encontrar la solucin ptima. La presentacin del mtodo simplex no es universal. En la Costa Oeste de los Estados Unidos, profesores disfrutan resolviendo problemas de minimizacin, mientras que en la Costa Este se prefiere la maximizacin. Igualmente dentro de estos dos grupos usted encontrar diferentes presentaciones de las reglas del mtodo simplex. El procedimiento siguiente describe todos los pasos envueltos en la aplicacin de la solucin algortmica del mtodo simplex: Convertir la PL a la forma siguiente: Convertir el problema de minimizacin a un problema de maximizacin (mediante la multiplicacin por 1 de la funcin objetivo). Todas las variables deben ser no-negativas. Todos los valores al LMD deben ser no-negativos (multiplique ambos lados por -1, si es necesario). Todas las restricciones deben estar en la forma (excepto las condiciones de nonegatividad).Restricciones no estrictamente iguales son permitidas. Si esta condicin no puede ser satisfecha, utilice la Inicializacin del Mtodo

Simples: Libre-Artificialidad.

Convertir las restricciones a igualdades mediante la adicin de diferentes variables de exceso para cada una de ellas. Construya la tablatura simplex inicial con todas las variables de exceso en CBV. La ltima fila en la tabla de iteracin contiene el coeficiente de la funcin objetivo (fila Cj.) Determine si la tabla de iteracin actual es ptima. Es decir: Si todos los valores al LMD son no-negativos (llamada, condicin de factibilidad) Si todos los elementos de la ltima fila, es decir la fila Cj, son no-positivos (llamado condicin de optimalidad). Si la respuesta a ambas preguntas es S, entonces detngase. La tabla de iteracin actual contiene una solucin ptima. De otra forma, proceda al prximo paso.
Pgina 23

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Si el CBV actual es no es ptimo, determine cual variable no-bsica debera convertirse en variable bsica y viceversa. Para encontrar la nueva CBV con un mejor valor de funcin objetivo, realice el siguiente procedimiento: Identificar la variable entrante: Esta es la que posee el valor positivo Cj ms grande (En el caso de que dos valores sean iguales en esta condicin, seleccione el valor ms a la izquierda de las columnas.) Identificar la variable saliente: Esta es la variable con el ratio en columna nonegativa ms pequeo (para encontrar los ratio en columnas, divida los LMD de las columnas entre la variable de columna entrante, siempre que sea posible). En caso de que existan dos valores iguales, seleccionamos la variable correspondiente al valor ms arriba de la columna igualada.) Generar la nueva tabla de iteracin: Realice la operacin de pivoteo de GaussJordan para convertir la columna entrante en un vector columna identidad (incluyendo los elementos de la fila Cj.)

Una pequea discusin acerca de la estrategia del mtodo simplex:

Al comienzo del procedimiento simplex; el conjunto de supuestos estn constituidos por las variables de exceso (holgura.) Recuerde que el primer CBV contiene solo variables de exceso. La fila Cj presenta un incremento en el valor de la funcin objetivo el cual resultar si una unidad de la variable j-sima columna correspondiente fue trada en los supuestos. Esta fila responde la pregunta: Podemos mejorar la funcin objetivo si nos movemos a una nueva CBV? Llamaremos a esta la fila indicadora (dado que esta indica si la condicin de optimalidad est satisfecha). El criterio para ingresar una nueva variable en el CBV causar el incremento por unidad ms alto de la funcin objetivo. El criterio para remover una variable del CBV actual se mantiene factible (asegurndose que el nuevo LMD, despus de los no-negativos restantes.)

Interpretacin Geomtrica del Mtodo Simplex:

El mtodo simplex siempre comienza al origen (esquina o punto extremo) y luego salta de esquina a esquina hasta que encuentra el punto extremo ptimo (si est bordeado.) Por lo tanto, en cada una de las iteraciones del simplex, estamos buscando una mejor solucin entre los vrtices de un Simplex. Un simplex en un espacio n-dimensional es la forma ms fcil teniendo n + 1 vrtices. Por ejemplo, un triangulo es un simplex de espacio de 2 dimensiones mientras que una pirmide es un simplex en un espacio de 3 dimensiones. Estos movimientos pueden ser observados cuando se corresponde cada tabla de iteracin del simplex con un punto extremo especfico en el mtodo grfico, por ejemplo en el problema del carpintero, as como se muestra a continuacin:

Un Ejemplo Numrico: El Problema del Carpintero

Maximizar 5X1 + 3X2 Sujeto a: 2X1 + X2 40

Pgina 24

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

X1 + 2X2 50 y ambos X1, X2 son no-negativos.

Luego de agregar las dos variables de exceso S1 y S2, el problema se hace equivalente a:

Maximizar 5X1 + 3X2 Sujeto a: 2X1 + X2 + S1 = 40 X1 + 2X2 + S2 = 50 Y las variables X1, X2, S1, S2 son todas no-negativas.
la tabla de iteracin inicial es:

CBV X1 X2 S1 S2 LMD Ratio de Columna (C/R) S1 [2] 1 1 0 40 S2 1 2 0 1 50 Cj 5 3 0 0 40/2 50/1

La solucin mostrada por la tabla de iteracin es: S1 = 40, S2 = 50, X1 = 0, y X2 = 0. Esta solucin es el origen, mostrada en nuestro mtodo grfico. Esta tabla de iteracin no es ptima dado que algunos elementos Cj son positivos. La variable entrante es X1 y la saliente es S1 (mediante la prueba de C/R). El elemento pivote se encuentra entre las llaves ({}). Luego de pivotear, tenemos:

CBV X1 X2

S1 S2 LMD Ratio de Columna (C/R) 20/(1/2)=40 30/(3/2)=10

X1 1 1/2 1/2 0 20 S2 0 [3/2] -1/2 1 30 Cj 0 1/2 -5/2 0

La solucin para esta tabla de iteracin es: X1 = 20, S2 = 30, S1 = 0, y X2 = 0. Esta solucin es el punto extremo (20, 0), mostrado en nuestro mtodo grfico. Esta tabla de iteracin no es ptima dado que algunos elementos Cj son positivos. La variable entrante es X2 y la saliente es S2 (mediante la prueba de C/R). El elemento pivote se encuentra entre las llaves ({}). Luego de pivotear, tenemos:

Pgina 25

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

CBV X1 X2 S1

S2 LMD

X1 1 0 2/3 -1/3 10 X2 0 1 -1/3 2/3 20 Cj 0 0 -7/3 -1/3

La solucin para esta tabla de iteracin es: X1 = 10, X2 = 20, S1 = 0, y S2 = 0. Esta solucin es el punto extremo (10, 20), mostrado en nuestro mtodo grfico. Esta tabla de iteracin es ptima dado que todos los elementos Cj son no-positivos y todos los LMD son no-negativos. La solucin ptima es X1 = 10, X2 = 20, S1 =0, S2 = 0. Para encontrar el valor ptimo, sustituya estos valores en la funcin objetivo 5X1 + 3X2 = 5(10) + 3(20) = $110.

PROGRAMACIN ESTTICA VS. DINMICA

Hay dos tipos principales de programacin de operaciones: esttica y dinmica. La esttica parte de la base de que todos los pasos en el proceso pueden ser definidos y no cambiarn. El tipo dinmico asume que los pasos en el proceso cambiarn por lo que nada est planificado hasta que se recibe la demanda. La programacin dinmica funciona bien en entornos donde hay un alto grado de personalizacin. Un ejemplo de plan esttico sera una compaa de ropa al por menor. En este caso, los niveles de produccin son determinados hasta un con un ao de antelacin. Un ejemplo de un plan dinmico sera una tienda de flores. En estos casos, aunque hay pocos arreglos de exposicin de posibles compras, el enfoque principal est en la creacin de preparativos despus de que se recibe un pedido.

PROGRAMACIN DINAMICA
La investigacin de operaciones es un rea de las matemticas surgida durante la Segunda Guerra Mundial La investigacin de operaciones se refiere al diseo y aplicacin de modelos matemticos con el fin de obtener la mejor solucin posible a un problema, dadas ciertas limitaciones de recursos La programacin dinmica es un mtodo de investigacin de operaciones que permite resolver un problema de n variables dividindolo en n problemas de una variable cada uno La solucin particular de cada etapa depende del contexto, por lo que no hay un modelo general para programacin dinmica La solucin ptima de cada etapa se utiliza como variable de entrada de la etapa siguiente

Pgina 26

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Planta 1
Supongamos que una corporacin tiene un presupuesto de $5 millones para hacer ampliaciones en tres de sus plantas Cada planta tiene varias propuestas de inversin, junto con su costo de expansin (c) y el retorno (beneficio) total esperado (r)

Planta 2

Planta 3

Propuesta 1 2 3 4

c1 0 1 2 -

r1 0 5 6 -

c2 0 2 3 4

r2 0 8 9 12

c3 0 1 -

r3 0 4 -

Ejemplo prototipo
Otras dificultades que enfrentar: Si se tiene un problema con muchas ms opciones, el anlisis exhaustivo se hace an ms ineficiente La informacin obtenida de combinaciones examinadas previamente no se utiliza para eliminar nuevas combinaciones que sean peores o infactibles El problema no se puede formular como programacin lineal, porque el beneficio obtenido no es una funcin lineal de la inversin

Planteamiento
Dividamos el problema en tres etapas, cada una de las cuales representa el dinero que se asigna a una sola planta Etapa 1: Dinero asignado a la planta 1 Etapa 2: Dinero asignado a las plantas 1 y 2 Etapa 3: Dinero asignado a las plantas 1, 2 y 3 En este caso la numeracin de las etapas es arbitraria Observemos que cada etapa tiene un conjunto de estados que puede asumir: {0,1,2,3,4,5}: La cantidad de dinero gastada en la planta 1, x1 {0,1,2,3,4,5}: La cantidad de dinero gastada en las plantas 1 y 2, x2

Pgina 27

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

{5}: La cantidad de dinero gastada en las plantas 1, 2 y 3 (porque se debe gastar todo), x3
Y el beneficio por la etapa uno es

Determinemos el beneficio asociado con cada estado Comenzando con la primera planta:
Si el capital disponible, x1, es de cero,

Si el capital disponible, x1, es

Entonces la propuesta ptima es

0 1 2 3 4 5

1 2 3 3 3 3

0 5 6 6 6 6

entonces la propuesta que maximiza el beneficio para dicho capital es la propuesta uno, y el beneficio en la etapa uno ser de cero Si el capital disponible, x1, es de uno, entonces la propuesta que maximiza el beneficio para dicho capital es la propuesta dos, y el beneficio en la etapa uno ser de cincoProsiguiendo as, tenemos:

Ahora realicemos los clculos para la etapa 2 Supongamos que deseamos calcular la mejor asignacin para cuando x2 = 4 La propuesta 1 de la etapa 2 da un beneficio de 0; como se requiere de una asignacin de 0, quedan 4 para la etapa 1, la cual a su vez proporciona 6. Beneficio total: 6 La propuesta 2 da un beneficio de 8, quedan 2 para la etapa 1, la cual a su vez proporciona 6. Beneficio total: 14 La propuesta 3 da un beneficio de 9, queda 1 para la etapa 1, que a su vez da 5. Beneficio total: 14 La propuesta 4 da un beneficio de 12, lo cual deja 0 para la etapa 1, que da un beneficio de 0. Beneficio total: 12 Viendo las opciones anteriores, la mejor propuesta es (etapa 1,etapa 2) = (3,2) o (2,3), lo cual da un beneficio total de 14

Pgina 28

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Si el capital disponible, x2, es

Entonces la propuesta ptima es

Y el beneficio por las etapas 1 y 2 es

0 1 2 3 4 5

1 1 2 2 2o3 4

0 5 8 13 14 17

Ahora vayamos a la etapa 3. Como debemos asignar toda la inversin, debe ocurrir que x3 =5 La propuesta 1 de la etapa 3 da un beneficio de 0; como tiene costo de 0, quedan 5 para las etapas 1 y 2, entonces la opcin a tomar en la etapa 2 es la 4, que da un beneficio acumulado de 17 para las etapas 1 y 2. Beneficio total: 17 La propuesta 2 da un beneficio de 4, deja 4 para las etapas 1 y 2, por lo cual la mejor propuesta para estas dos es la 2 o la 3, lo cual da un beneficio acumulado de 14 para las etapas 1 y 2. Beneficio total: 18 Notemos que los clculos se hacen de forma recursiva: para calcular la etapa 3 se usa la etapa 2, y esta a su vez se resuelve usando la solucin de la etapa 1 Principio de optimalidad Las futuras decisiones para las etapas restantes constituirn una poltica ptima, sin importar cul haya sido la poltica adoptada en las etapas previas

Caractersticas comunes de los problemas de programacin dinmica

El problema original de n variables de decisin se puede dividir en n etapas con una decisin por tomar en cada etapa
Pgina 29

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Cada etapa tiene un nmero de estados asociado a ella La decisin tomada en una etapa conduce a cierto estado en la etapa siguiente (anterior) Dado el estado actual, la decisin ptima para cada uno de los estados restantes no depende de las decisiones o etapas previos Existe una relacin recursiva que identifica la decisin ptima para la etapa i, dado que la etapa i-1 (recursin hacia delante) o i+1 (recursin hacia atrs) ha sido resuelta La etapa final (inicial) debe ser resoluble sin hacer referencia a las siguientes

PROGRAMACIN NO LINEAL
Los modelos de programacin no-lineal son mucho ms complejos de resolver que sus anlogos lineales. Adems en muchos paquetes aunque se encuentra una solucin sta no es necesariamente ptima. Sin embargo es posible convertir relaciones no-lineales en aproximaciones lineales. Para poder tomar la decisin acerca de qu mtodo de resolucin es ms apropiado es importante conocer si el problema es convexo o no-convexo.

ptimos Locales y Globales

El problema ms grave de la denominada Programacin No-lineal es la dificultad de garantizar que un ptimo local (es decir un punto que es objetivamente mejor que todos sus vecinos) sea el ptimo global. Mucha investigacin se dedica a este problema, y estos apuntes no pretenden ni de lejos reflejarla. Pero s que hay que entender determinados conceptos que ayudan a comprender la complejidad del problema. Para ello es necesario recordar tres definiciones.

Regin convexa: Se dice que una regin del espacio es convexa si el segmento que une
dos puntos cualesquiera de la regin est ntegramente en la regin.

Funcin convexa: Se dice que una funcin es convexa si el conjunto de los puntos ( x,y)
donde y f(x) forma un regin convexa.

Modelo de PM convexo: Se dice que un modelo de Programacin Matemtica es

convexo si implica la minimizacin de una funcin convexa sobre una regin convexa.

Pgina 30

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Un modelo de Programacin Matemtica Convexo:

Un modelo de Programacin Matemtica NoConvexo

En el ltimo ejemplo la regin de factibilidad es convexa, aunque la funcin objetivo no lo es, por lo que es modelo no es convexo. La no-convexidad conduce a una situacin en la que aparecen ptimos locales lejos del ptimo global. La posibilidad de que ptimos locales aparezcan como ptimos propiamente dichos, cuando el modelo es no-convexo, es lo que convierte estos problemas en muy difciles de resolver. Si el problema es convexo cualquier ptimo que se encuentre es ptimo global. Sin embargo encontrar un ptimo global en un problema no-convexo requiere algoritmos ms sofisticados. Por ejemplo el uso de la programacin separable que se explica en la siguiente seccin.

Programacin Separable
Se dice que una funcin es separable si puede ser expresada como la suma de funciones de una variable nica. Por ejemplo, la funcin

Pgina 31

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Se puede denominar separable mientras que:

No es funcin separable. La importancia de que una funcin sea separable para la programacin matemtica radica en el hecho de que una vez separada la mayor parte de las funciones se pueden aproximar a funciones definidas por tramos que sean lineales. A partir de aqu ser posible encontrar un ptimo global para una funcin convexa, o al menos un ptimo local si es no-convexa. Aunque puede parecer que la clase de funciones separables es muy restrictiva, en realidad es posible convertir en separables muchas funciones objetivo aparentemente no separables. Una vez las variables han sido separadas, la funcin resultante se puede aproximar 1 a una funcin por tramos lineal. No importa donde est la no-linealidad, pues el procedimiento es el mismo tanto se es en la funcin objetivo como si es en las restricciones.

Para convertir en lineal la siguiente funcin objetivo del Ejemplo

Solo es necesario convertir la funcin X1

A partir de la segunda restriccin del ejemplo es evidente que no es posible que x 1 sea mayor que 2.5. En este caso La funcin

Pgina 32

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Puede ser sustituida por:

Esta representacin es equivalente a:

Por tanto el modelo del ejemplo 1 es el siguiente:

Pgina 33

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

PROGRAMACIN ESTOCSTICA
Hasta este momento todas las formulaciones que se han presentado de Programacin Matemtica asumen que los datos son conocidos, ciertos y exactos. Sin embargo, en muchos problemas reales los datos no pueden ser conocidos con exactitud. En ocasiones por errores de medida, pero ms generalmente porque son datos sobre circunstancias que se darn en el futuro, y simplemente no pueden ser conocidos con anticipacin. Este tipo de problemas se dan con mucha frecuencia, puesto que en muchas ocasiones las decisiones se toman de modo recurrente. Por ejemplo el departamento de compras de una empresa toma la decisin de adquirir cierta cantidad de materia prima atendiendo a una demanda conocida para el presente pero estimada para el futuro. Y cuando ese futuro sea presente se tomar una nueva decisin. El anterior es un ejemplo de recursividad. sta es, bsicamente, la capacidad de emprender acciones correctivas despus de que la situacin incierta ocurra. Hay que destacar tambin la propiedad de no-anticipacin que se exige a la programacin estocstica. Se puede definir esta como la imposibilidad de vincular la decisin en el primer periodo no depende de lo que de hecho ocurra en el segundo periodo. La decisin de hoy para hoy no

puede ser modificada maana.

Formulacin de Problema Estocstico

Una posible formulacin del Problema Lineal Estocstico es la siguiente:

Pgina 34

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Donde:

Los problemas estocsticos son especialmente complicados debido a su tamao, 1 que crece con el nmero de escenarios. Pero adems la propia generacin de los escenarios y la definicin de probabilidades a los mismos es complicado. Una de las principales ventajas de la programacin estocstica es que las soluciones que obtiene para los periodos congelados (x) son estables ante los diferentes escenarios. Existen paquetes informticos especficamente dedicados a la resolucin de problemas con escenarios, pero tambin se pueden utilizar paquetes estndares, aunque la complejidad anteriormente aludida es una limitacin evidente en su uso.

Pgina 35

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

PLANTEAMIENTO DEL EJERCICIO 04

Formulacin de la FUNCION OBJETIVA min f(x) = 6x1 + 8x2 Planteamiento de restricciones 3x1 + x2 4 5x1 + 2x2 7 Formulacin de cond. De no negatividad 0 x1, 0 x2

PROCEDIMIENTO PARA LA SOLUCIN GRAFICA

Igualamos la inecuaciones 3x1 + x2 = 4 5x1 + 2x2 = 7

Determinamos los puntos de cada ecuacin

Pgina 36

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Graficamos y hallamos polgono solucin

Hallamos la solucin ptima

min f(x) = 6x1 + 8x2 A : (1,1) = 6(1) + 8(1) = 14 B : (0,4) = 6(0) + 8(4) = 32 F : (1.4,0) = 6(1.4) + 8(0) = 8.4

Pgina 37

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

PLANTEAMIENTO DEL EJERCICIO 07

Formulacin de la FUNCION OBJETIVA max f(x) = 3x1 + 9x2 Planteamiento de restricciones x1 + 4x2 8 x1 + 2x2 4 Formulacin de cond. De no negatividad 0 x1, 0 x2

PROCEDIMIENTO PARA LA SOLUCIN GRAFICA

Igualamos las inecuaciones x1 + 4x2 8 x1 + 2x2 4

Determinamos los puntos de cada ecuacin

Pgina 38

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Graficamos y hallamos polgono solucin

Hallamos la solucin ptima max f(x) = 3x1 + 9x2 A : (0,0) = 3(0) + 9(0) = 0 B : (0,2) = 3(0) + 9(2) = 18 C : (4,0) = 3(4) + 9(0) = 12

Pgina 39

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

PLANTEAMIENTO DEL EJERCICIO 08

Formulacin de la FUNCION OBJETIVA max f(x) = 3x1 + 2x2 Planteamiento de restricciones 4x1 - x2 8 4x1 + 3x2 12 4x1 + x2 8 Formulacin de cond. De no negatividad 0 x1, 0 x2

PROCEDIMIENTO PARA LA SOLUCIN GRAFICA

Igualamos las inecuaciones 4x1 - x2 8 4x1 + 3x2 =12 4x1 + x2 8

Determinamos los puntos de cada ecuacin

Pgina 40

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Graficamos y hallamos polgono solucin

Hallamos la solucin ptima max f(x) = 3x1 + 2x2 A : (0,4) = 3(0) + 2(4) = 8 B : (1.5,2) = 3(1.5) + 2(2) = 8.5 C : (2,0) = 3(2) + 2(0) = 6 D : (0,0) = 3(0) + 2(0) = 0

Pgina 41

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

PLANTEAMIENTO DEL EJERCICIO 09

Formulacin de la FUNCION OBJETIVA max f(x) = 2x1 + 4x2 Planteamiento de restricciones x1 + 2x2 5 x1 + x2 4 Formulacin de cond. De no negatividad 0 x1, 0 x2

PROCEDIMIENTO PARA LA SOLUCIN GRAFICA

Igualamos las inecuaciones x1 + 2x2 5 x1 + x2 4

Determinamos los puntos de cada ecuacin

Pgina 42

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Graficamos y hallamos polgono solucin

Hallamos la solucin ptima max f(x) = 2x1 + 4x2 A : (0,2.5) = 2(0) + 4(2.5) = 10 B : (3,1) = 2(3) + 4(1) = 10 C : (4,0) = 2(4) + 4(0) = 8 D : (0,0) = 2(0) + 4(0) = 0

Pgina 43

INVESTIGACION OPERATIVA I

UIGV

PROGRAMACION LINEAL

Pgina 44