MODELO MATEMATICO DETERMINISTICO

CONCEPTO: Modelo matemático cuya función principal es hacer predicciones de manera

correcta, exacta y definida de las cantidades, dentro de la distribución de probabilidades, como de
alternativas.

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

 Variedad de problemas de administración.

 Toma de decisiones optimas con rapidez y fiabilidad.
 Extensa información.
 Situaciones concretas.
 Mejora la habilidad para formular.

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

ANÁLISIS DE MARKOV: Es una forma de analizar el movimiento actual de alguna variable, a

fin de pronosticar el movimiento futuro de la misma. Conceptos básicos que se deben tener como:

 Estado: transitorio o absorbente

 Matriz de transición
 Utiliza en mercadotecnia
 Una cadena de Markov absorbente contiene p estados transitorios y q estados absorbentes. La
matriz canónica del proceso presentará el aspecto siguiente:

 I: matriz identidad de dimensión q

 O: matriz nula de dimensión q x p
 Q: matriz de dimensión p x q que contiene las probabilidades de paso de estados
transitorios a absorbentes.
 M: matriz p x p con las probabilidades de los estados transitorios a estados transitorios.

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

x= estado del clima

 0: seco
 1: humedo

P= {X- (1+t)=0 |X- t=0}=0.8

P= {X- (1+t)=0 |X- t=1}=0.6

Estado Actual Estado Siguiente

xt 0 1
0 0.8 0.2
1 0.6 0.4

Se plantea ecuaciones

P(0) =0.8 P0+0.6 P1

P(0)= 0.2 P0+0.4 P1

1= P0+P1

Se plantea
P(1)= 0.25

P(0)= 0.75

PLANIFICACIÓN DE UNA LÍNEA DE PRODUCCIÓN

 Cuantificación de materias primas

 Cuantificación de mano de obra
 Cuantificación de tiempos de producción
 Cuantificación de productos finales

INVESTIGACION DE OPERACIONES

El proceso de la investigación de operaciones comprende las siguientes fases:

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.

Análisis de Sensibilidad: Asegurar información adicional sobre el comportamiento de la solución

debida a cambios de parámetros del sistema.

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.

Implementación de resultados: Consiste en interpretar los resultados y dar conclusiones y cursos

de acción para la optimización del sistema.

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.

En un problema de optimización se busca maximizar o minimizar una cantidad específica llamada

objetivo, la cual depende de un número finito de variables, en un modelo de optimización
restringida, las variables se encuentran relacionadas a través de una o más restricciones, es decir,
las restricciones permisibles han sido limitadas de alguna manera. Con la optimización restringida
se busca obtener el mejor resultado posible atendiendo a las restricciones.

FORMULACIÓN DEL MODELO MATEMÁTICO

Hallar los valores de xj que hagan máximo o mínimo el valor de la función lineal (Función
objetivo.

Y que satisfagan el sistema de restricciones

Donde para cada restricción se utiliza uno solo de los signos

 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.

LA FORMA GENERAL DE UN MODELO DE OPTIMIZACIÓN RESTRINGIDA ES:

Maximizar o Minimizar Z=C1X1+C2X2+.+CnXn Fn Objetivo Sujeto a:

A11X1+A12X2+.+A1nXn≥B1

A21X1+A22X2+.+A2nXn≥B2 Restricciones

Am1X1+Am2X2+.+AmnXn≥Bm

X1,X2.Xn≥0 Condición de no negatividad.

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

Maximizar 7X1 + 15X2

Sujeta a:

X1 3 30 cuenta de la flota

20X1 + 60X2 £ 4800 De trabajo tiempo

8X1 + 15X2 £ 1750 Primas materias

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.

Tabla Simplex en forma matricial

Expresemos el programa lineal en forma matricial:

Max z = CX

Sujeto a: (AI)X = b

X >= 0

Subdividamos el vector X en XI y XII, entonces el problema estándar se puede escribir de la

siguiente manera: (I)

-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

La solución se puede expresar:

z = 1 CBB-1 0 = CBB-1b
XB 0 B-1 b B-1b

Por lo tanto, aplicando este resultado, pre multiplicando a (I) se obtiene

1 CBB-1 1 -CI -CII Z CBB-1b

0 B-1 0 A I XI = B-1b
XII

Esta ecuación matricial se resuelve mediante la iteración simplex general (II):

Básica XI XII Solución

z CBB-1A-CI CBB-1-CII CBB-1b
XB B-1A B-1 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:

XB = XII, CB = CII = 0, B = I, B-1 = I

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:

XB = XII, CB = CII, B = I, B-1 = I

Sustituyendo en (II) se obtiene el método simplex general con variables artificiales y de holgura
(IV):

Básica XI XII Solución

z CIIA-CI 0 CIIb
XII A I b

EJEMPLO

Max z = 3x1 + 10x2

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

X1, x2, h1, h2 >=0

 VB x1 x2 h1 h2 Solución
Z -3 -10 0 0 0
h1 1 4 1 0 8 8/4=2
h2 1 2 0 1 4 4/2=2

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

La solución básica después de la primera iteración es

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:

De la tabla anterior, entra x1 y sale h2:

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

La función objetivo no se ha incrementado, un problema puede ser temporalmente degenerado y

luego encontrar la solución óptima.