Beruflich Dokumente
Kultur Dokumente
CARACTERISTICA
Entradas = salidas
Suposiciones
Datos conocidos, definibles, finitos y predecibles
Único resultados posible para cada acción.
Complejidad
Estudian el impacto de cambio en un régimen
Suposición perfecta
No hay incertidumbre
IMPORTANCIA
APLICACIONES: Aplicados a los problemas en los que solo existe un estado de la naturaleza,
además de que las variables, limitaciones y alternativas entre estos esta.
Análisis de Markov
Estudios de costo y beneficio
Determinar población
Predicción caudal
EJEMPLO: En un pueblo el clima puede cambiar de un día para otro, considere solo dos estados
del tiempo, clima seco o húmedo. La probabilidad de tener un clima seco al día siguiente es de 0.8
si el día actual es seco, pero si el clima es húmedo la probabilidad de tener un clima seco es de 0.6
suponga que dichos valores no cambian en el tiempo.
Variables
0: seco
1: humedo
Se plantea ecuaciones
1= P0+P1
Se plantea
P(1)= 0.25
P(0)= 0.75
INVESTIGACION DE OPERACIONES
Formulación y Definición del problema: En esta fase se busca describir la meta o el objetivo del
estudio, identificar las alternativas de decisión del sistema y reconocer las limitaciones,
restricciones o requisitos del sistema.
Construcción del Modelo: Se decide sobre el modelo más adecuado para representar el sistema.
Deben relacionarse las variables de decisión con los parámetros y restricciones del sistema.
Solución del modelo: En esta fase se busca emanar una solución matemática empleando técnicas
y métodos matemáticos para resolver problemas y ecuaciones.
Validación del modelo: Determinar si dicho modelo puede predecir con certeza el
comportamiento del sistema. Un método común para probar la validez del sistema es someterlo a
datos pasados disponibles del sistema actual y observar si reproduce las situaciones pasadas.
Revisión del modelo: Se basa en evaluar, documentar y actualizar el modelo para sus nuevas
aplicaciones.
MODELO DE PROGRAMACION LINEAL
El Modelo matemático de programación lineal está dado por una función lineal de varias variables,
en el cual se quieren determinar valores no negativos para dichas variables que maximizan o
minimicen el valor de la función lineal, sujeta a cierto número de limitaciones.
Hallar los valores de xj que hagan máximo o mínimo el valor de la función lineal (Función
objetivo.
Xj – Variables de decisión
Cj – coeficientes económicos
Aij – coeficientes tecnológicos
Bj – termino independiente
Variables de decisión: Incógnitas del modelo, lo que se busca con la solución del mismo.
Actividades o productos que compiten por los recursos materiales, técnicos, tiempo
disponible, etc.
Coeficientes económicos: Coeficientes de la función objetivo para cada actividad o
producto. Contribución de cada variable de decisión a la función objetivo, como por
ejemplo, ganancia o costo por unidad de producto.
Coeficientes tecnológicos: Coeficientes de parte izquierda de las restricciones:
Representan, por ejemplo, unidades de un recurso necesarias para producir una unidad de
un producto, horas de tiempo de troquelado por tipo de materiales a troquelar, horas en
horno por unidad de pieza a fundir, etc.
Términos independientes : Términos de la parte derecha de las restricciones: Representan
la disponibilidad o demanda de los recursos, como por ejemplo, horas-hombre, horas-
máquina, espacio, dinero, materia prima, requerimientos de calidad, capacidad de
producción, cantidad máxima o mínima, etc.
A11X1+A12X2+.+A1nXn≥B1
A21X1+A22X2+.+A2nXn≥B2 Restricciones
Am1X1+Am2X2+.+AmnXn≥Bm
ELEMENTOS:
Función Objetivo (Fn Objetivo): Ecuación matemática que relaciona las variables de decisión
(según el modelo mostrado es Z, puede ser del tipo Maximizar o Minimizar).
Restricciones: Son ecuaciones matemáticas que limitan las decisiones del problema (pueden ser
del tipo ≥ o ≤).
Variables de Decisión: Variables cuyos valores se desean determinar con la resolución del modelo
(Según el modelo son: X1, X2, Xn).
Condición de no negatividad: estipula que las variables de decisión sean mayores o iguales a 0
(lo que quiere decir que las variables no pueden tomar valores negativos).
Vector disponibilidad: es el valor numérico que restringe los valores máximos y mínimos que
pueden tomar las restricciones (es el lado derecho de las restricciones B1 , B2, Bm).
Coeficientes Objetivo: Son los coeficientes que acompañan a la función objetivo del modelo (C1
, C2, Cn).
Coeficientes Tecnológicos: son los coeficientes que acompañan a la variable de decisión A113,
A12 Amn.
EJEMPLO:
Un Problema de Mezcla
El taller de Joe se especializa en cambios de aceite del motor y regulación del sistema eléctrico. El
beneficio por cambio del aceite es $7 y de $15 por regulación. Joe tiene un cliente fijo con cuya
flota, le garantiza 30 cambios de aceite por semana. Cada cambio de aceite requiere de 20 minutos
de trabajo y $8 de insumos. Una regulación toma una hora de trabajo y gasta $15 en insumos. Joe
paga a los mecánicos $10 por hora de trabajo y emplea actualmente a dos de ellos, cada uno de los
cuales labora 40 horas por semana. Las compras de insumos alcanzan un valor de $1.750
semanales. Joe desea maximizar el beneficio total. Formule el problema.
Esto es una pregunta de programación linear. Una porción de cambio del aceite o del ajuste no es
factible.
X1 = Cambios del aceite, ajuste.
X2 = ajuste
Sujeta a:
X1 3 30 cuenta de la flota
X1 ³ 0, X2 ³ 0.
El coste de trabajo de $10 por hora no se requiere para formatear el problema desde el beneficio
por cambio del aceite y el ajuste toma en la consideración el coste de trabajo.
METODO GRAFICO
METODO SIMPLEX
La idea general del método Simplex es comenzar en un punto extremo y desplazarse hacia un
punto extremo adyacente con el objeto de mejorar el valor de la función objetivo, manteniendo la
factibilidad. La manera más sencilla de seleccionar un punto extremo inicial es usar la base B
constituida por variables de holgura y/o artificiales. De esta forma la base B inicial es la matriz
identidad I que obviamente es una base. Los puntos extremos adyacentes se determinan
intercambiando un vector de B con un vector no básico que moverá la solución hacia la
optimalidad.
Max z = CX
Sujeto a: (AI)X = b
X >= 0
-CI -CII z 0
0 A I XI = b
XII
En una iteración cualquiera, sea XB La representación de las variables básicas y B su base
asociada, entonces XB representa a m elementos de X y B representa los vectores de (AI)
correspondientes a XB, y sea CB el vector de elementos de C asociado a XB.
Entonces:
B XB = b y z = CBXB o bien:
1 -CB z = 0
0 B XB b
z = 1 CBB-1 0 = CBB-1b
XB 0 B-1 b B-1b
Esta tabla muestra los detalles del cálculo del método simplex, es decir, si se conoce B se puede
encontrar en cada paso B-1, por lo tanto XB y z.
Por ejemplo consideremos el método simplex con variables de holgura, en este caso, CII = 0 la
solución básica inicial se identifica como:
Sustituyendo en (II) se obtiene el método simplex general con variables de holgura (III):
Básica XI XII Solución
z -CI 0
XB A I b
Si utilizamos simplex con variables artificiales (variables utilizadas como variables de holgura
para las restricciones que no cumplen la forma estándar). En este caso CII = (-M,-M,..., -M)
(coeficientes de penalización para la función objetivo). La solución básica inicial se puede
expresar como:
Sustituyendo en (II) se obtiene el método simplex general con variables artificiales y de holgura
(IV):
EJEMPLO
Sujeto a:
X1 + 4x2 <= 8
X1 + 2x2 <= 4
X1, x2 >= 0
Forma típica:
Z -3x1 - 10x2 = 0
X1 + 4x2 + h1 = 8
X1 + 2x2 + h2 = 4
Por inspección entra x2 y puede salir tanto h1 como h2, escojamos arbitrariamente h1 y
cambiemos x2 por h1.
Primera iteración:
VB x1 x2 h1 h2 Solución
Z -1/2 0 5/2 0 20
x2 1/4 1 1/4 0 2
h2 1/2 0 -1/2 1 0
X1 = 0, x2 = 2, h1 = 0, h2 = 0
Al ser h2, variable básica, h2 = 0, se dice que es solución degenerada, es posible que el
método itere sin llegar a la solución óptima.
Segunda iteración:
VB x1 x2 h1 h2 Solución
Z 0 0 2 1 20
x2 0 1 1/2 -1/2 2
X1 1 0 -1 2 0