- La investigacin de operaciones o investigacin operativa es una rama de las matemticas que
consiste en el uso de modelos matemticos, estadstica y algoritmos con objeto de realizar un proceso de toma de decisiones. Frecuentemente trata del estudio de complejos sistemas reales, con la finalidad de mejorar (u optimizar) su funcionamiento. La investigacin de operaciones permite el anlisis de la toma de decisiones teniendo en cuenta la escasez de recursos, para determinar cmo se puede optimizar un objetivo definido, como la maximizacin de los beneficios o la minimizacin de costos.( NVESTIGACIN DE OPERACIONES: Estudio sistemtico de un problema que comprende la recopilacin de datos, la constriccin de un modelo, el pronstico de operaciones futuras y la obtencin del apoyo de la direccin para el uso del modelo. 2.- La Investigacin de operaciones como ciencia se ubica en los inicios de la II Guerra Mundial. Desde entonces exista la preocupacin por el alto mando militar de Inglaterra y luego EUA de la necesidad de hacer uso racional de los recursos ms deficitarios en las operaciones militares y las actividades dentro de estas. (recursos que en tiempo de guerra resultan ser ms escasos). La administracin militar britnica y las de EUA reunieron un gran nmero de cientficos con el fin de investigar las operaciones militares y aplicar procedimientos cientficos en la solucin de problemas tcticos y estratgicos. Estos equipos cientficos fueron los primeros de investigacin de operaciones. Las soluciones dadas por estos equipos permitieron que se ganaran batallas importantes para estos pases. Luego de concluir la guerra, debido al xito de la investigacin de operaciones en el plano militar, la Industria se interes por esta ciencia por dos razones fundamentales: Las organizaciones industriales ya eran ms complejas y especializadas. Bsicamente los problemas de la industria militar eran los mismos que los de estas organizaciones, es decir: la limitacin de recursos. Ya en 1951 Gran Bretaa haba dominado el campo de la Investigacin de Operaciones y E.U estaba en proceso de hacerlo. Existen dos aspectos importantes que influyeron en el desarrollo de la (IO) como ciencia, estos son: El progreso sustancial que se llev a cabo para mejorar las tcnicas disponibles para la (IO). La revolucin de las computadoras.
3.- :Introduccin a la construccin de modelos, Modelos construidos en hojas de clculo electrnicas, Optimizacin lineal, Programacin lineal: anlisis grfico, Modelos LP: interpretacin del informe de sensibilidad de solver, Programacin lineal: aplicaciones, Optimizacin con enteros, Optimizacin no lineal, Toma de decisiones con objetivos mltiples y heurstica, Anlisis de decisiones, Simulacin monte carlo, Filas de espera, Pronsticos, Administracin de proyectos: PERT y MRC, etc 4.- La investigacin de operaciones es una disciplina cientfica que los administradores utilizan para tomar decisiones informadas para sus operaciones. Se basa en gran medida en las matemticas, las estadsticas y la ciencia. Los gerentes de operaciones usan esto ampliamente para programar y ensamblar sus funciones de produccin. Es utilizada principalmente en las industrias de manufactura, combustibles, energa y telecomunicaciones. 5.- ENFOQUE DE LA INVESTIGACIN DE OPERACIONES
La contribucin del enfoque de investigacin de operaciones proviene principalmente de: La estructuracin de una situacin de la vida real como un modelo matemtico, con lo que se logra una abstraccin de los elementos esenciales para que pueda buscarse una solucin que concuerde con los objetivos del tomador de decisiones. Esto implica tomar en cuenta el problema dentro del contexto del sistema completo. El anlisis de la estructura de tales soluciones y el desarrollo de procedimientos sistemticos para obtenerlas. El desarrollo de una solucin, incluyendo la teora matemtica, si es necesario, que lleve al valor ptimo de la medida de lo que se espera del sistema (o quiz que compare los cursos de accin alternativos evaluando esta medida para cada uno). El enfoque de la IO incorpora el enfoque sistemtico al reconocer que las variables internas en los problemas decisoriales son interdependientes e interrelacionadas. La investigacin operacional es "la aplicacin de mtodos, tcnicas e instrumentos cientficos a los problemas que envuelven las operaciones de un sistema, de modo que proporcione, a los que controlan el sistema, soluciones ptimas para el problema observado". Esta se "ocupa generalmente de operaciones de un sistema existente", esto es, "materiales, energas, personas y mquinas ya existentes". "El objetivo de la investigacin operacional es capacitar la administracin para resolver problemas y tomar decisiones" 6.- Historia de la Investigacin de Operaciones La Investigacin de Operaciones o Investigacin Operativa es una disciplina donde las primeras actividades formales se dieron en Inglaterra en la Segunda Guerra Mundial, cuando se encarga a un grupo de cientficos ingleses el diseo de herramientas cuantitativas para el apoyo a la toma de decisiones acerca de la mejor utilizacin de materiales blicos. Se presume que el nombre de Investigacin de Operaciones fue dado aparentemente porque el equipo de cientficos estaba llevando a cabo la actividad de Investigar Operaciones (militares). Una vez terminada la guerra las ideas utilizadas con fines blicos fueron adaptadas para mejorar la eficiencia y la productividad del sector civil. Una de las reas principales de la Investigacin de Operaciones es la Optimizacin o Programacin Matemtica. La Optimizacin se relaciona con problemas de minimizar o maximizar una funcin (objetivo) de una o varias variables, cuyos valores usualmente estn restringidos por ecuaciones y/o desigualdades. Hoy en da el uso de modelos de optimizacin es cada vez ms frecuente en la toma de decisiones. Este mayor uso se explica, principalmente, por un mejor conocimiento de estas metodologa en las diferentes disciplinas, la creciente complejidad de los problemas que se desea resolver, la mayor disponibilidad de software y el desarrollo de nuevos y mejores algoritmos de solucin. Un modelo de Investigacin de Operaciones requiere necesariamente de una abstraccin de la realidad, adems de identificar los factores dominantes que determinan el comportamiento del sistema en estudio. En este sentido, un modelo es una representacin idealizada de una situacin real o un objeto concreto. 7.- 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 relacines 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. 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. Modelo de Hoja de Clculo Electrnica: La hoja de clculo electrnica facilita hacer y contestar preguntas de que si en un problema real 8.- FASES DE ESTUDIO DE LA INVESTIGACION DE OPERACIONES
la parte innovadora de la IO es sin duda alguna su enfoque modelstico, producto de sus creadores aunado a la presin de supervivencia de la guerra o la sinerga generada al combinarse diferentes disciplinas, una descripcin del enfoque es la siguiente. (Ver la figura 11).
1. Se define el sistema real en donde se presenta el problema. Dentro del sistema interactuan normalmente un gran numero de variables.
2. Se seleccionan las variables que norman la conducta o el estado actual del sistema, llamadas variables relevantes, con las cuales se define un sistema asumido del sistema real.
3. Se construye un modelo cuantitativo del sistema asumido, identificando y simplificando las relaciones entre las variables relevantes mediante las utilizacin de funciones matemticas.
4. Se obtiene la solucin al modelo cuantitativo mediante la aplicacin de una o mas de las tcnicas desarrolladas por la IO.
5. Se adapta e imprime la mxima realidad posible a la solucin terica del problema real obtenida en el punto 4, mediante la consideracin de factores cualitativos o no cuantificables, los cuales no pudieron incluirse en el modelo. Adems se ajusta los detalles finales va el juicio y la experiencia del tomador de decisiones.
6. Se implanta la solucin en el sistema real. 9.-Principales Aplicaciones Investigacin de Operaciones La mayor parte de los problemas prcticos con los que se enfrenta el equipo IO estn descritos inicialmente de una manera vaga. Por consiguiente, la primera actividad que se debe realizar es el estudio del sistema relevante y el desarrollo de un resumen bien definido del problema que se va a analizar. Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se puede hacer, las interrelaci ones del rea bajo estudio con otras reas de la organizacin, los diferentes cursos de accin posibles, los lmites de tiempo para tomar una decisin, etc. Este proceso de def i ni r el pr obl ema es cr uci al ya que af ect ar en f or ma s i gni f i cat i va l a r el evanci a de l as conclusiones del estudio. Es difci l extraer una respuesta correcta a partir de un problema equivocado !Algunas personas se veran tentadas a aplicar mtodos matemticos a cuanto problema se presente, pero es que Acaso siempre es necesario l legar al ptimo? Podra ser ms caro el modelar y el llegar al ptimo que a la larga no nos d un margen de ganancias muy superior al que ya tenemos. Tmese el siguiente ejemplo: La empresa EMX aplica I.O. y gasta por el estudio y el desarrollo de la aplicacin $100 pero luego de aplicar el modelo observa que la mejora no es muy diferente a la que actualmente tenemos. Luego, podramos indicar que la investigacin de operaciones slo se aplicar en los problemas para los cuales el buen sentido se revela impotente 10.- Programacin Lineal Cuando se habla de programacin lineal (PL) se refiere a varias tcnicas matemticas empleadas para asignar, de forma ptima, los recursos limitados a distintas demandas, tareas, operaciones o productos que compiten entre ellos, es decir, la programacin de actividades para obtener un resultado ptimo. La programacin lineal utiliza un modelo matemtico para describir y formular el problema; y el aspecto de lineal se refiere a que todas la funciones matemticas del modelo deben ser funciones lineales (Ecuaciones o Inecuaciones) 11.- La investigacin de operaciones o investigacin operativa es una rama de las matemticas que consiste en el uso de modelos matemticos, estadstica y algoritmos con objeto de realizar un proceso de toma de decisiones. Frecuentemente trata del estudio de complejos sistemas reales, con la finalidad de mejorar (u optimizar) su funcionamiento. La investigacin de operaciones permite el anlisis de la toma de decisiones teniendo en cuenta la escasez de recursos, para determinar cmo se puede optimizar un objetivo definido, como la maximizacin de los beneficios o la minimizacin de costos.( Concepto de optimizacin. (OPTIMIZAR: Es un concepto terico (es decir matemtico), en cuanto se opone al concepto del mundo real. Una decisin ptima o mejor producida por un modelo, significa que hay grandes esperanzas de que sea una buena decisin para el problema real puede ser maximizar o minimizar. Una caracterstica adicional, que se mencion como de pasada, es que la Investigacin de Operaciones intenta encontrar la mejor solucin, o la solucin ptima, al problema bajo consideracin. En lugar de contentarse con slo mejorar el estado de las cosas, la meta es identificar el mejor curso de accin posible. An cuando debe interpretarse con todo cuidado, esta "bsqueda de la optimalidad" es un aspecto muy importante dentro de la Investigacin de Operaciones. 12.- y 13.- Maximizar y Minimizar por Metodo Grafico Podemos maximizar y minimizar por mtodo grafico nuestros problemas y nos lleva a un resultado exacto al igual que el simplex solo que este es aun mas facil , pues como al principio mandas en cada ecuacin a "x" cero y despues "y" asi te da el primer punto a graficar y asi con las demas ecuaciones, el punto donde se intercecten dos o mas lneas de las ecuaciones es el punto solucion este se sustituye debidamnete cada numero en su variable en la funcin objetivo para dar la comprobacin . As el espacio debajo del punto solucion es para maximizacin y se representa el resultado por ejemplo Z=10 , para la minimizacin es lo mismo solo que se toma el punto solucion como lo menos y el resultado da igual solo que se representara -Z=10 y la zona factible cabe en la parte mayor de la grafica.
Ejemplo: 1.- m+n <3 2.- m-2n >0 3.- n >1 Z=m+2n 1.-m=O; n=3 n=O; m=3 2.-m=O; n= 0 n=O; m= 0 3.- n= 1 Sustitucin Z=2+2(1) 1.- 2.+1 =3 Z= 4 2.- 2-2(1) =0 3.- n =1 14.- Modelacin y formulacin La modelacin Es el proceso completo de abstraccin del sistema real al modelo cuantitativo y tiene como resultado un modelo matemtico del sistema real bajo estudio. Incluye actividades como la definicin del sistema y la determinacin de sus fronteras, la identificacin de las actividades ms importantes para el logro del objetivo, es decir la conceptualizacin del sistema simplificado y finalmente la elaboracin del modelo. Es quizs la parte ms importante de la Investigacin de Operaciones y se le considera como una mezcla de arte y de ciencia. La modelacin no puede ensearse, sino motivarse, se aprende con la prctica y con la experimentacin. Puede dividirse en dos fases: Subjetiva y la objetiva. La parte subjetiva consiste en la definicin del sistema supuesto o simplificado. Mientras que la objetiva es la construccin del modelo a partir del sistema simplificado. La formulacin Es la componente objetiva de la modelacin y consiste en convertir el sistema simplificado en un modelo cuantitativo que lo describa. En esta seccin ahondaremos un poco en la actividad de formulacin, para lo cual supondremos que ya se realiz la tapa previa que nos permiti definir el sistema simplificado. Debe tenerse en cuenta que en la vida profesional el estudiante si se vera afrontado a la necesidad de derivar sus propios sistemas supuestos, a partir de los problemas reales que se le presenten. El xito obtenido depender de factores tales como su capacitacin general, su habilidad y experiencia en la modelacin y la comprensin que tenga del rea particular del problema a modelar 15.- Funcin objetivo. La funcin objetivo define la medida de efectividad del sistema como una funcin matemtica de las variables de decisin. La solucin ptima ser aquella que produzca el mejor valor de la funcin objetivo, sujeta a las restricciones FUNCIN OBJETIVO: Todo programa lineal que tiene una funcin objetivo que representa la meta que va a ser maximizada o minimizada. 16.- Variables y parmetros de decisin. Las variables de decisin son las incgnitas (o decisiones) que deben determinarse resolviendo el modelo. Los parmetros son los valores conocidos que relacionan las variables de decisin con las restricciones y funcin objetivo. Los parmetros del modelo pueden ser determinsticos o probabilsticos.( VARIABLES DE DECISIN: La eleccin de valores para las variables. Variables que estn bajo el control del analista. stas son las variables que aparecen en los modelos matemticos. Parmetros: Valores constantes que actan como coeficientes al lado derecho de las variables tanto en la funcin objetivo como en las restricciones y que se basan en datos tecnolgicos de los problemas. Ejemplo fijar tasa inflacin 17.- Restricciones. Para tener en cuenta las limitaciones tecnolgicas, econmicas y otras del sistema, el modelo debe incluir restricciones (implcitas o explcitas) que restrinjan las variables de decisin a un rango de valores factibles.( RESTRICCIN: Desigualdad matemtica (desigualdad restringida) o igualdad (restringida) que debe ser satisfecha por las variables del modelo Principales tipos de restricciones Aunque para la infinidad de problemas que pueden modelarse para ser resueltos mediante la Programacin Lineal se presentan muy diferentes restricciones, podemos decir que las limitantes de un modelo de P.L. se agrupan en seis tipos principales, que son: Restricciones de capacidad: Relacionadas con los recursos de infraestructura del sistema, como son las horas de mano de obra, de mquina, el espacio, etc. Restricciones de entradas: Limitan el valor de las variables debido a la disponibilidad de recursos como: materia prima, dinero, etc. Restricciones de mercado: Son reflejo de los valores mximos o mnimos en las ventas o en el uso del producto o en el nivel de la actividad a realizar. Restricciones de composicin: Son expresiones de las mezclas de los ingredientes, que definen usualmente la calidad de los productos o resultados. Restricciones de balance de materiales: Expresan las salidas de un proceso en funcin de las entradas, tomando en cuenta generalmente cierto porcentaje de merma o desperdicio en el proceso. Restricciones internas: Son las que se escriben para definir el valor de una variable que surge en la formulacin del problema, no siendo variable de decisin, sino una variable auxiliar creada para hacer ms expedita la construccin del modelo. Restricciones por polticas administrativas: No hacen parte de la tecnologa del problema, sino que obedecen a decisiones administrativas, como por ejemplo no invertir ms de cierta cantidad de dinero en alguna opcin. Nuevamente se recalca la importancia de tener muy claras las unidades de los datos que se usarn. Esta consideracin nos permitir controlar la homogeneidad en las unidades de los trminos de la funcin del objetivo y en las de las funciones de las restricciones. En especial debe constatarse que las unidades resultantes al evaluar la expresin del lado izquierdo de una restriccin, coincidan con las unidades del lado derecho de la misma. Obviamente cuando un modelo tiene varias restricciones de un mismo tipo, basta con verificar la consistencia en una de ellas. 18.- Las variables son nmeros reales mayores o iguales a cero. En caso que se requiera que el valor resultante de las variables sea un nmero entero, el procedimiento de resolucin se denomina Programacin entera. Las restricciones pueden ser de la forma: Tipo 1: Tipo 2: Tipo 3: Donde: A = valor conocido a ser respetado estrictamente; B = valor conocido que debe ser respetado o puede ser superado; C = valor conocido que no debe ser superado; j = nmero de la ecuacin, variable de 1 a M (nmero total de restricciones); a; b; y, c = coeficientes tcnicos conocidos; X = Incgnitas, de 1 a N; i = nmero de la incgnita, variable de 1 a N. En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M; N > M; , N < M. Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser determinado, y puede no tener sentido una optimizacin. Los tres tipos de restricciones pueden darse simultneamente en el mismo problema. 19.- FUNCIN DE RESTRICCIN: El primer miembro de una restriccin 20.- CONDICIONES DE NO NEGATIVIDAD: Condiciones del modelo que estipulan que las variables de decisin deben tener slo valores no negativos (positivos o nulos) 21.Parmetros: las variables son las incgnitas a determinarse. Los parmetros representan las variables que se controlan del sistema. Los parmetros del sistema pueden ser determinsticos o probabilsticos PARMETRO: Trmino numrico que se aplica a los datos numricos de un modelo de programacin lineal. Sus valores pueden cambiar y el problema se vuelve a resolver para estos valores diferentes. 22.- Los cambios en las variables no bsicas y bsicas se pueden hacer tanto en la funcin objetivo, como en los coeficientes de las restricciones coeficientes de las restricciones Los coeficientes que se cambian son los de la funcin objetivo, ms que los de la restricciones, ya que de su valor depende mucho la maximizacin o minimizacin de Z. El uso del software para solucin el problema original de programacin lineal te permite adems obtener el reporte de rangos, el cual indica la cantidad permisible a cambiar de los coeficientes de Z (misma de tabla final del simplex), sin dejar de ser ptima la solucin. 23.- 24.- Los algoritmos de pivote (o algoritmos de cambio de base) son algoritmos de la optimizacin matemtica, y en especial de la Programacin Lineal. Dado un sistema de ecuaciones lineales cuyas variables deben adoptar valores no negativos (esencialmente lo mismo que un sistema de inecuaciones lineales), se busca la mejor de entre muchas soluciones alternativas, es decir, una solucin ptima del sistema. En cada paso de tal bsqueda, el algoritmo transforma el sistema sin alterar su conjunto de soluciones. Algoritmos de pivote importantes son los diversos algoritmos simplex 1
2 y los algoritmos criss-cross 3 . Los algoritmos de pivote son de gran importancia para el tratamiento de inecuaciones lineales, donde juegan un papel anlogo al de la eliminacin de Gauss para ecuaciones lineales. Se encuentran numerosas aplicaciones 2 de sistemas de inecuaciones en reas tan diversas como la investigacin de operaciones industriales, el transporte y distribucin de bienes, en carteras de inversiones, la ingeniera estructural, la estadstica, y la teora de juegos. Frecuentemente se abordan sistemas con decenas de miles de variables 4
25.- Formas equivalentes del modelo de programacin lineal. Adems de la necesaria generalizacin del modelo de programacin lineal, esta tcnica requiere el uso de dos formas especiales equivalentes; las que se denominan forma cannica, la cual es muy til en teora de dualidad cuando se trata de hacer una interpretacin econmica para el problema en estudio; la otra forma se denomina estndar, la cual es indispensable si se desea resolver el problema. A continuacin se dan caractersticas de ambas: Formas equivalentes del modelo de programacin lineal
26.- Cuando se habla de programacin lineal (PL) se refiere a varias tcnicas matemticas empleadas para asignar, de forma ptima, los recursos limitados a distintas demandas, tareas, operaciones o productos que compiten entre ellos, es decir, la programacin de actividades para obtener un resultado ptimo. La programacin lineal utiliza un modelo matemtico para describir y formular el problema; y el aspecto de lineal se refiere a que todas la funciones matemticas del modelo deben ser funciones lineales (Ecuaciones o Inecuaciones 27.- Una variable no restringida en signo, o libre para tomar valor (+), (-), o cero, se sustituye con la diferencia de dos variables no negativas como sigue:
28.- Son representaciones de la realidad en forma de cifras, smbolos matemticos y funciones, para representar variables de decisin y relaciones que nos permiten describir y analizar el comportamiento del sistema. 1. Cuantitativos y cualitativos 2. Estndares y hechos a la medida 3. Probabilsticas y deterministicos 4. Descriptivos y de optimizacin 5. Estticos y dinmicos 6.De simulacin y no simulacin 29.- El anlisis dimensional es una herramienta que permite simplificar el estudio de cualquier fenmeno en el que estn involucradas muchas magnitudes fsicas en forma de variables independientes. Su resultado fundamental, el teorema de Vaschy-Buckingham (ms conocido por teorema ) permite cambiar el conjunto original de parmetros de entrada dimensionales de un problema fsico por otro conjunto de parmetros de entrada adimensionales ms reducido. Estos parmetros adimensionales se obtienen mediante combinaciones adecuadas de los parmetros dimensionales y no son nicos, aunque s lo es el nmero mnimo necesario para estudiar cada sistema. De este modo, al obtener uno de estos conjuntos de tamao mnimo se consigue: Analizar con mayor facilidad el sistema objeto de estudio Reducir drsticamente el nmero de ensayos que debe realizarse para averiguar el comportamiento o respuesta del sistema. El anlisis dimensional es la base de los ensayos con maquetas a escala reducida utilizados en muchas ramas de la ingeniera, tales como la aeronutica, la automocin o la ingeniera civil. A partir de dichos ensayos se obtiene informacin sobre lo que ocurre en el fenmeno a escala real cuando existe semejanza fsica entre el fenmeno real y el ensayo, gracias a que los resultados obtenidos en una maqueta a escala son vlidos para el modelo a tamao real si los nmeros adimensionales que se toman como variables independientes para la experimentacin tienen el mismo valor en la maqueta y en el modelo real. As, para este tipo de clculos, se utilizan ecuaciones dimensionales, que son expresiones algebraicas que tienen como variables a las unidades fundamentales y derivadas, las cuales se usan para demostrar frmulas, equivalencias o para dar unidades a una respuesta. Finalmente, el anlisis dimensional tambin es una herramienta til para detectar errores en los clculos cientficos e ingenieriles. Con este fin se comprueba la congruencia de las unidades empleadas en los clculos, prestando especial atencin a las unidades de los resultados. 30.- La relacin existente entre la tica y la informtica es debido al impacto de tecnologas de informacin y comunicacin en la sociedad actual, en la cual surgen aspectos que vinculan ambas disciplinas. Cabe citar por ejemplo, la invasin de la privacidad del usuario en la red Internet, la cual se pone en evidencia a travs del envo de correos con publicidad electrnica spamming; otras acciones como la copia ilegal de programas de computacin, la transferencia de datos de un servidor sin autorizacin, entre otros. Por lo tanto, los usuarios y profesionales de la informtica deben definir sus responsabilidades y tomar las decisiones mas justas para lograr el bienestar social en la utilizacin de estas tecnologas.
31.- DESARROLLO SUSTENTABLE El desarrollo sustentable es un proceso integral que exige a los distintos actores de la sociedad compromisos y responsabilidades en la aplicacin del modelo econmico, poltico, ambiental y social, as como en los patrones de consumo que determinan la calidad de vida. Para competir en mercados nacionales y extranjeros el sector productivo debe incorporar la sustentabilidad en sus operaciones, relaciones con los trabajadores y la comunidad. El desarrollo sustentable implica pasar de un desarrollo pensado en trminos cuantitativos basado en el crecimiento econmico a uno de tipo cualitativo, donde se establecen estrechas vinculaciones entre aspectos econmicos, sociales y ambientales, en un renovado marco institucional democrtico y participativo, capaz de aprovechar las oportunidades que supone avanzar simultneamente en estos tres mbitos, sin que el avance de uno signifique ir en desmedro de otro. La sustentabilidad supone un cambio estructural en la manera de pensar el desarrollo, en la medida en que impone lmites al crecimiento productivo, al consumo de recursos y a los impactos ambientales ms all de la capacidad de aguante del ecosistema. Establecer lmites significa hacer un llamado a no "descapitalizarnos"( financiera, fsica, humana, social y ecolgicamente).
32.- El grfico es un mtodo de solucin de problemas de programacin lineal muy limitado en cuanto al nmero de variables (2 si es un grfico 2D y 3 si es 3D) pero muy rico en materia de interpretacin de resultados e incluso anlisis de sensibilidad. Este consiste en representar cada una de las restricciones y encontrar en la medida de lo posible el polgono (poliedro) factible, comnmente llamado el conjunto solucin o regin factible, en el cual por razones trigonomtricas en uno de sus vrtices se encuentra la mejor respuesta (solucin ptima).( MTODO DE SOLUCIN GRFICA: Un anlisis grfico bidimensional de los programas lineales con dos variables de decisin. 33.- La regin factible para un problema de PL es el conjunto de todos los puntos que satisfacen las restricciones, incluso las de signo. Dicha regin es un conjunto convexo porque cualquier segmento rectilneo que una a un par de puntos, A y B por ejemplo, se encuentra completamente en dicho conjunto (s). Aqu podemos observar dos regiones factibles (B Y C) en donde tenemos completamente definido un probable segmento A-B rectilneo, a diferencia de los conjuntos A y D (no convexos) en donde lo anterior no es posible.( REGIN FACTIBLE: El conjunto de las combinaciones de valores de las variables de decisin que satisfacen la condicin de no negatividad y todas las restricciones en forma simultnea, es decir, las decisiones admisibles.
34.- La funcin objetivo de un programa lineal tiene su valor ptimo (mximo o mnimo), en un punto extremo (vrtice) del conjunto convexo de soluciones factibles. Si alcanza este ptimo en ms de un punto extremo, entonces toma el mismo valor para toda combinacin convexa entre estos puntos del problema, (soluciones ptimas mltiples). Una condicin necesaria y suficiente para que un punto X >= 0 en el conjunto de soluciones factibles sea punto extremo, es que X sea una solucin bsica factible que satisfaga el sistema: AX=b; o bien expresado as
Este teorema indica que cada punto extremo corresponde, al menos, a una solucin bsica y viceversa, cada solucin bsica significa un punto extremo. As se concluye que el nmero de puntos extremos del conjunto de soluciones factibles, es finito y no puede exceder el de sus soluciones bsicas. Entonces, el nmero mximo de tales soluciones supuestas nicas se calcula con el binomio:
Es de anotar, que un punto extremo puede estar definido con ms de dos restricciones en cuyo caso se dice no nico y tener ms de una solucin bsica; adems, si es extremo factible, se tiene degeneracin en tal vrtice. El punto extremo factible nico se dice es solucin bsica no degenerada. Un punto extremo (vrtice) del conjunto factible se identifica porque no se puede expresar como combinacin convexa de cualquier par de puntos del mismo conjunto. 35.- SOLUCION FACTIBLE: Es un conjunto de valores para las variables o bien un vector X = (x1 , x2 , ... , xj , xj+1 , ... , xn , xn+1 , ... , xn+m ) que satisface al conjunto de restricciones ...y adems satisface a toda xj " 0 . DECISIN FACTIBLE: Una decisin que satisface todas las restricciones del modelo, incluye las condiciones de no negatividad. Factible significa permisible 36.- SOLUCION OPTIMA: Es una solucin bsica factible que optimiza la funcin La `solucin' en el grfico 1 y 2 sera solo el rea sombreada. La `solucin factible' en 1 cuando cumple con " 0 y en 2 coincide con `solucin' (polgono A, C, H, F, O)`Solucin bsica' en 1 todos los vrtices pero en 5 dimensiones y en 2 solo C, R, H pero en 6 dimensiones.. (SOLUCIN PTIMA: Punto de una regin factible que maximiza o minimiza la funcin objetivo DECISIN PTIMA: Una decisin factible que optimiza la funcin objetivo. 37.- 38.- Soluciones ptimas alternas mltiples. Se identifican en la tabla simplex porque alguna(s) variable(s) no bsica(s) presenta(n) el valor cero como coeficiente en el rengln Z de la tabla. Esto se debe a que la funcin objetivo es paralela a una de las restricciones que limitan el conjunto de soluciones factibles. En tal caso, se pueden calcular las soluciones ptimas alternas, metiendo a la base, la variable no bsica, con cero de coeficiente en el rengln Z de la tabla; tambin se pueden obtener mltiples soluciones ptimas, calculando puntos P como combinacin convexa lineal de dos de las soluciones bsicas que optimizan con el simplex: 39.- Soluciones factibles en el vrtice (FEV):Puntos que se encuentran en los vrtices de la regin factible. En este caso son: (0,6) ; (0,0) ; (4,0) ; (4,3) ; (2,6)Soluciones no factibles en el vrtice :Los otro puntos que se encuentran en los vrtices que no corresponden a la regin factible. Estos son (0,9); (4,6); (6,0 (: Puntos que se encuentran en los vrtices de la regin factible. 40.- 1.Cuando hay solucin ptima, siempre existe una en un vrtice.2.Si una solucin en un vrtice, no tiene soluciones adyacentes mejores, esa es la solucin ptima (ptimo local es global).3.Solucin bsica (en un vrtice aumentada) es equivalente a hacer (n-m) variables iguales a cero y resolver para las restantes.4.Soluciones adyacentes tienen iguales todas las variables bsicas menos una (y por supuesto las no bsicas.. Si una solucin en un vrtice, no tiene soluciones adyacentes mejores, esa es la solucin ptima (ptimo local es global). 41.- Arista: Segmento de recta que conecta 2 soluciones FEV. Si la regin factible es acotada y no vaca existe una solucin ptima, Por lo tanto se puede asegurar que una de las soluciones FEV es la solucin ptima. Para saber cuntas soluciones en el vrtice existen, podemos utilizar la siguiente frmula:
42.- SO utilidad Otra forma de denominar a las curvas de indiferencia. El nombre de ISO-utilidad resulta representativo, de manera que una curva de ISO-utilidad representa todas las posibles combinaciones de bienes y/o servicios que proporcionan a un consumidor idntica utilidad o satisfaccin. Tambin conocido como curvas de diferencia permite medir la utilidad en forma ordinal, logrando as que el consumidor indique la canasta de bienes que le proporciona mayor utilidad sin necesidad de indicar cuanto. Tambin esta representa la combinacin de dos bienes, ante las cuales el consumidor es diferente.
43.- Restriccin activa. Cuando en una restriccin se consume el 100 % delos recursos disponibles se llama activa.. ( RESTRICCIN ACTIVA: Restriccin que cuando se evala en el valor ptimo se igualan ambos miembros. En Geomtricamente, corresponde a la recta que contiene la solucin ptima. 44.- RESTRICCIN INACTIVA: La que no es activa. En consecuencia, una restriccin inactiva siempre tiene un dficit o supervit. 45. Restriccin redundante. Si no forma parte de la regin factible.
1.- MTODO DEL DUAL (TEORIA DE DUALIDAD) Todo problema de programacin lineal tiene asociado con l otro problema de programacin lineal Llamado DUAL . El problema inicial es llamado PRIMO y el problema asociado (sombra) es llamado el problema PRIMO . Los dos juntos son llamados problemas duales ya que ambos estn formados por el mismo conjunto de datos. La solucin bsica factible ptima de estos problemas es tal que una puede fcilmente ser usada para la solucin de la otra. La dimensin del problema de programacin lineal influencia la eleccin del clculo del primo o del dual. Si el primo tiene mas ecuaciones que variables, es frecuentemente mas fcil obtener la solucin del dual ya que menor numero de iteraciones son requeridas. Adems si el primo tiene solucin, el dual tendr solucin. Una vez que el problema dual es formulado, el procedimiento de solucin es exactamente el mismo que para cualquier problema de programacin lineal
2.- Mecnicamente el dual es formulado partiendo del problema primo en la siguiente forma: Si el primo es un problema de Maximizacin, el dual es un problema de Minimizacin y viceversa. 1.Los coeficientes de la funcin objetivo del primo se convierten en las restricciones constantes delas ecuaciones del dual. 2.Las restricciones de las ecuaciones del primo se convierten en los coeficientes de la funcin objetivo del dual. 3.Los coeficientes de las variables del dual en las ecuaciones restrictivas son obtenidas sacando la transpuesta de la matriz de coeficientes del primo ( los arreglos de los coeficientes en las columnas del primo se convierten en los coeficientes de las filas en el dual y viceversa ). 4.Los signos de la desigualdad son invertidos. 5.Las X variables del primo son remplazadas por W variables en el dual
3.- FORMULACIN DEL PROBLEMA DUAL (Teora de Dualidad)
Hemos visto como la programacin lineal puede ser usada para resolver una extensa variedad de problemas propios de los negocios, ya sea para maximizar utilidades o minimizar costos. Las variables de decisin en tales problemas fueron, por ejemplo, el nmero de productos a producir, la cantidad de pesos a emplear, etc. En cada caso la solucin ptima no explic cmo podran ser asignados los recursos (ejemplo: materia prima, capacidad de las mquinas, el dinero, etc.) para obtener un objetivo establecido.
En este captulo veremos que a cada problema de programacin lineal se le asocia otro problema de programacin lineal, llamado el problema de programacin dual. La solucin ptima del problema de programacin dual, proporciona la siguiente informacin respecto del problema de programacin original:
1. La solucin ptima del problema dual proporciona los precios en el mercado o los beneficios de los recursos escasos asignados en el problema original. 2. La solucin ptima del problema dual aporta la solucin ptima del problema original y viceversa. 4.-Teoremas de la programacin lineal. La PL se fundamenta en varios teoremas de los cuales se definen tres de los ms importantes: 1. El conjunto de soluciones factibles de la programacin lineal es convexo. Definicin.- Un conjunto es convexo, si dados dos puntos cualesquiera A y B del mismo, el segmento de recta que los une, se incluye totalmente en dicho conjunto; expresado matemticamente, un conjunto C es convexo si y slo si, todos los puntos "P" determinados por combinacin convexa entre dos puntos cualesquiera A y B del mismo, estn en el conjunto C:
Ejemplo que verifica convexidad: Determine un punto P por combinacin convexa de puntos vrtice : A(0,6) y F(4,3), 5.- Ques el mtodo simplex? Es una tcnica popular para dar soluciones numricas del problema de la programacin lineal. Es un mtodo numrico para optimizacin de problemas libres multidimensionales perteneciente a la clase ms general de algoritmos de bsqueda. Permite encontrar una solucin ptima en un problema de maximizacin o minimizacin, buscando en los vrtices del polgono. Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin. Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin. Se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta. El mtodo simplex es muy eficiente en la prctica, en general, teniendo 2m a 3m iteraciones en la mayor parte (donde m es el nmero de restricciones de igualdad), y que convergen en la hora prevista para el polinomio de ciertas distribuciones de insumos al azar. La aplicacin del mtodo del Simplex, se utiliza cuando el problema es de un tamao suficientemente grande. Est diseado para problemas de programacin lineal cuya matriz tiene la propiedad de diseminacin (el nmero de no-cero es pequeo). Hay implementaciones del mtodo simple para la solucin de problemas de programacin lineal con las matrices de restriccin escasa. Se han desarrollado diversas variantes del mtodo simplex que tienen en cuenta las particularidades de las diversas clases especiales de problemas de programacin lineal (problemas de bloque, los problemas de transporte y otros). 6.- Cambios en el vector C de coeficientes de la funcin objetivo. Este cambio se analiza mediante la frmula: Zj - Cj = C B B -1 A - C = YA - C y da lugar a que se pueda perder la optimalidad de la solucin ya obtenida. Debe hacerse la diferencia de cambios en el coeficiente de una variable Xj que no est en la base, en cuyo caso hay cambios en su columna y en los precios sombra; tambin el caso de cambio al coeficiente de una variable bsica, puede resultar en prdida de factibilidad y/u optimalidad. Se muestran los ejemplos siguientes: Se recurre al siguiente problema muy pequeo, pues contiene tres variables que representan la actividad del problema y slo dos restricciones. Ejemplo 3-7. Cambio en el vector C de costos en MINSENC1. Dado el modelo de PL siguiente y su correspondiente tabla simplex ptima: 7.- Cambios en el vector b de trminos independientes (lado derecho) en restricciones de recursos. Este cambio se analiza con la frmula X B = B -1 b con lo cual se puede afectar la solucin factible del problema, para convertirse en solucin ptima, pero no factible. En tal caso se puede recuperar la factibilidad perdida aplicando el mtodo dual simplex. Ejemplo 3-5. Cambio en vector b de restricciones, PL en mximo (MAXCAN1). 8.- Concepto de matriz Una matriz es un arreglo de elementos colocados de forma bidimensional (filas y columnas), que pueden sumarse, multiplicarse y descomponerse de varias formas 9.- Relacion primal-dual Estas relaciones nos permite pasar de un problema primal a su espejo el problema utilizando unalgoritmo de simple uso para problemas de maximizacin y minimizacin 10.- Dualidad dbil.- En el problema de PL, cualquier par X e Y de soluciones factibles primal-dual. cumple que:
11.- Dualidad fuerte.- Al resolver el problema de PL en cada iteracin del simplex se tiene un par especfico de soluciones en ambos problemas primal-dual, de modo que, la del primal es factible pero la del dual es no factible, con excepcin de la ltima iteracin, en la que la solucin ptima primal X* y la solucin ptima dual Y* resulta en:
Si X no es ptima en el problema primal, entonces Y no es factible en el dual. 12.- Soluciones complementarias ptimas.- Con la solucin ptima, al final del simplex se tiene, la solucin primal X* y una ptima complementaria dual Y*, en el rengln Z, como coeficientes de las variables de holgura y/o artificiales que forman la primera solucin bsica, ("Precios Sombra" o "Variables Duales" o "Multiplicadores del Simplex"). 13.- Propiedad de simetra.- La denominacin de primal es para el primer problema, pues el dual de un problema dual debe resultar en el mismo primal por las relaciones simtricas entre ellos. El estudiante puede comprobar esta y otras propiedades analizando las tablas del simplex aplicado al como primal y luego a su problema dual. 14.- Teorema de dualidad.- a) Si el problema primal tiene solucin factible acotada y por lo tanto ptima, entonces el problema dual tiene solucin ptima, de valor igual al primal, si sta no es degenerada. (Dualidad dbil, fuerte y complementaria). 15.- El simplex en ambos problemas primal y dual, contiene dos programas: por un lado el primal X* y su complementario dual Y*; por otro lado, en forma relativa, el dual Y* y el complementario primal X*. Esto se aclara en resumen tabular: MTODO SIMPLEX. El mtodo smplex fue desarrollado en 1947 por el Dr. George Dantzig y conjuntamente con el desarrollo de la computadora hizo posible la solucin de problemas grandes planteados con la tcnica matemtica de programacin lineal. El algortmo denominado smplex es la parte medular de este mtodo; el cual se basa en la solucin de un sistema de ecuaciones lineales con el conocido procedimiento de Gauss- Jordan y apoyado con criterios para el cambio de la solucin bsica que se resuelve en forma iterativa hasta que la solucin obtenida converge a lo que se conoce como ptimo. Las definiciones siguientes fundamentadas en 3 importantes teoremas, ayudan a entender la filosofa de este eficiente algortmo. 16.- Criterio de factibilidad.- Se aplica en el dual-simplex para determinar, entre las variables bsicas, una VS que salga de la base, eligiendo para salir la que corresponda al valor ms negativo en la columna de solucin. Esto es vlido tanto para el objetivo mnimo como para el mximo. Criterio de optimalidad. Se aplica en el algortmo smplex para determinar entre las variables no-bsicas, una que entre a la base, eligiendo aquella no-bsica con el coeficiente ms negativo en el rengln z de la tabla smplex; si el problema tiene el objetivo de maximizar. En caso contrario, es decir, para minimizar, debe elegirse para variable entrante a la base a aquella que tenga el coeficiente ms positivo en el rengln z de la tabla 17.- Criterio de optimalidad.- Se aplica en el dual-simplex para determinar, entre las variables no bsicas, una VE que entre a la base con el siguiente procedimiento:
Figura 3-3. Criterio de Optimalidad en el mtodo dual-simplex. Elemento Pivote.- Se ubica como pivote al coeficiente que corresponde al cruce del rengln y columna elegidos con los criterios del cambio de base. Criterio de factibilidad. Se aplica en el algoritmo smplex para determinar entre las variables bsicas a una que salga de la base, aplicando la siguiente funcin. x i Min ; solo a i k > 0 a i k Esto es vlido tanto para problemas de maximizar como de minimizar 18.- Anlisis de Sensibilidad El anlisis de sensibilidad busca determinar los efectos que se producen en la solucin ptima al realizar cambios en cualquiera de los parmetros del modelo de programacin lineal planteado inicialmente. Entre los cambios que se investigan estn: los cambios en los coeficientes de las variables en la funcin objetivo tanto para variables bsicas como para las variables no bsicas, cambios en los recursos disponibles de las restricciones, variacin de los coeficientes de utilizacin en las restricciones e introduccin de una nueva restriccin. El objetivo principal del anlisis de sensibilidad es identificar el intervalo permisible de variacin en los cuales las variables o parmetros pueden fluctuar sin que cambie la solucin optima. Sin embargo, as mismo se identifica aquellos parmetros sensibles, es decir, los parmetros cuyos valores no pueden cambiar sin que cambie la solucin ptima. Los investigadores de operaciones tienden a prestar bastante atencin a aquellos parmetros con holguras reducidas en cuanto a los cambios que pueden presentar, de forma que se vigile su comportamiento para realizar los ajustes adecuados segn corresponda y evitar que estas fluctuaciones pueden desembocar en una solucin no factible. 19.- Introduccin al Anlisis Post-ptimo En los modelos de programacin lineal los coeficientes de la funcin objetivo, de las variables y de las restricciones se dan como datos de entrada o como parmetros fijos del modelo. En los problemas reales los datos de entrada no son exactos sino aproximados. Puesto que los datos reales suelen ser aproximados podemos preguntarnos cmo variar la solucin ptima de un problema de programacin lineal al modificar los coeficientes del modelo?. Larespuesta a esto nos la proporciona el Anlisis Post-ptimo. 20.- Como se identifican los parmetros sensibles? La manera ms fcil de analizar la sensibilidad de cada uno de los parmetros aij es verificar si su restriccin correspondiente es de atadura sobre la solucin ptima. Como x1 4 no es una restriccin de atadura, cualquier cambio suficientemente pequeo en sus coeficientes (a11 = 1, a12 = 0) no cambiar la solucin ptima, as que stos no son parmetros sensibles. Poro otro lado, tanto 2x2 12 como 3x1 + 2x2 18, son restricciones de atadura, por lo que al cambiar cualquiera de sus coeficientes (a21 = 0, a22 = 2, a31 = 3, a32 = 2) tendr que cambiar la solucin ptima, y as, stos son parmetros sensibles. Es comn que se preste ms atencin al anlisis de sensibilidad sobre los parmetros bi y cj que sobre los aij. En los problemas reales con cientos o miles de restricciones y variables, el efecto al cambiar una aij por lo general es despreciable, mientras que el cambio en una bi o en una cj puede tener un impacto real. An ms, en muchos casos, los valores de las aij se quedan determinados por la tecnologa que se est usando (a veces se les da el nombre de coeficientes tecnolgicos) por lo que puede que haya muy poca ( o ninguna) incertidumbre respecto de sus valores finales. Esto resulta ventajoso ya que existen muchos ms parmetros aij que bi y cj en problemas grandes. En problemas con ms de dos variables, no se puede analizar la sensibilidad de los parmetros en una grfica como se hizo con el problema de la Windor Glass Co. Sin embargo, se puede extraer el mismo tipo de informacin del mtodo smplex. Para obtenerla es preciso usar la idea fundamental que se describe en la seccin 5.3 para deducir los cambios que se generan en la tabla smplex final como resultado de cambiar el valor de un parmetro en el modelo original. 21.- Metodologa de la Investigacin de Operaciones El enfoque de sistemas a un problema, es caracterstico en la IO, consiste en examinar toda el rea que es responsabilidad del administrador y no una en particular; esto permite que el grupo de IO observe los efectos de acciones fuera del rea de localizacin del problema, lo que puede permitir resolver el problema verdadero y no slo sus sntomas. Adems, debe incluirse una base cuantitativa o modelo para la toma de decisin en la solucin del problema, pero en algunos casos, las respuestas dadas por la computadora conducirn a la necesidad de ciertas modificaciones que reflejen la futura condicin del negocio o bien ser una gua a seguir por el administrador sin necesidad de hacer cambios. La investigacin de operaciones proporciona la oportunidad de que sus resultados se utilicen en la toma de decisiones a niveles administrativos superiores, medianos y bajos. La experiencia del administrador, las futuras condiciones del negocio y los resultados de un modelo matemtico forman la mejor combinacin para la planeacin, organizacin, direccin y control de las actividades de la empresa. El procedimiento de siete pasos mostrado en el siguiente diagrama, puede constituir una metodologa de accin al aplicar la IO. 22.- Matriz identidad Una matriz identidad es una matriz diagonal en la que los elemento de la diagonal principal son iguales a 1
23.- los vectores se consideran matrices de una columna. Por lo que si necesitamos poner el vector en forma de una matriz fila, lo escribimos con transpuesta. Por ejemplo, de esta forma se pueden hacer multiplicaciones matriciales de este tipo , donde M es una matriz cuadrada (de la misma dimensin que el vector)
24.-Matriz inversa
La matriz inversa es una matriz tal que el producto de una matriz cualquiera por su inversa es igual a la matriz identidad. A * A -1 = A -1 * A = I Para calcular la matriz inversa hay dos mtodos, pro determinantes y por el mtodos Gauss- Jordan. A continuacin se explicar el mtodo de Gauss-Jordan.
25.- Multiplicacin de matrices Dos matrices Ay B son multiplicables si el nmero de columnas de A coincide con el nmero de filas de B. El elemento c ij de la matriz producto se obtiene multiplicando cada elemento de la fila i de la matriz A por cada elemento de la columna j de la matriz B y sumndolos. Ejemplo:
26.- 27.- 28.- 29.- 29.- 30.- 31.- 32.- 33.- 34.-Restricciones Activas y Pasivas Restriccin activa . Cuando en una restriccin se consume el 100 % de los recursos disponibles se llama activa. Restriccin pasiva.Cuando en una restriccin existe un ocio asociado sobrante se llama pasiva. Restriccin necesaria. Si forma parte de la regin factible. Restriccin redundante. Si no forma parte de la regin factible. Redundante geomtricamente. Es aquella que tiene una holgura asociada y est fuera de la regin factible .Redundante analticamente. Es aquella que puede ser expresada como una combinacin lineal de otras restricciones y toca a la regin factible en slo un punto. 35.-Costo reducido En las soluciones no degeneradas, el costo reducido de cualquier variable de decisin se define como cunto tendra que cambiar el coeficiente de dicha variable, en la funcin objetivo, para tener un valor ptimo positivo. Por tanto, si una variable ya es positiva en la optimalidad, su costo reducido es cero. Por el contrario, si el valor ptimo de una variable es cero, entonces, segn la definicin de costo reducido, dicho costo es el incrementa Puede darse otra interpretacin equivalente al costo reducido de una solucin no degenerada. En las soluciones no degeneradas, el costo reducido de una variable de decisin (cuyo valor ptimo actual es cero) es la razn (por cantidad unitaria) a la cual se afecta el valor objetivo a medida que se fuerza la variable (no bsica) hacia una solucin ptima. Considere ahora una solucin degenerada con una variable de decisin cuyo valor ptimo es cero. El coeficiente de la variable en la funcin objetivo debe cambiar por lo menos, y posiblemente ms que, el costo reducido para que haya una solucin ptima, apareciendo tal variable con un nivel positivo.
36.-INTERPRETACIN ECONMICA DE LOS PRECIOS SOMBRA Y COSTOS REDUCIDOS DEFINICIONES: Precio sombra El precio sombra o precios duales de una restriccin cualquiera se puede interpretar como la razn de cambio del Valor Objetivo (VO) a medida que aumenta (disminuye) el Lado Derecho (LD) de dicha restriccin (es decir, el cambio por aument o uni t ar i o del LD) , mi ent r as l os dems dat os per manecen s i n cambi o. La interpretacin del precio sombra solamente es vlida dentro de cierto rango del LD dado. Se t r at a de un r ango en el cual el pr eci o s ombr a per manece cons t ant e. Si n embargo, fuera de este rango permisible el precio sombra puede cambiar a otro valor. De acuerdo con la interpretacin anterior, el precio sombra de una restriccin inactiva siempre ser cero. Si una restriccin es inactiva, significa que dicha restriccin tiene holgura o excedente (es decir, que no est satisfecha en su valor lmite o frontera
37.- 38.- Uno de los resultados ms importantes de la Programacin Matemtica, que desarrollamos a continuacin, es que la valoracin marginal de los recursos, cuyo uso esta fijado por las restricciones, viene dada por los multiplicadores (variables duales) asociados a los mismos. Para distintos valores del segundo miembro de las restricciones (vector b), se obtendran, lgicamente, distintas soluciones ptimas del problema anterior. Consideremos entonces la solucin optima como una funcin del vector b, y supongamos que esta funcin es diferenciable (lo cual es cierto si se verifican las condiciones suficientes de optimalidad. 39.- Significado de las variables duales. La interpretacin econmica del problema en estudio, es posible a partir de la conversin del problema primal a su correspondiente dual asociado, con el anlisis de las unidades dimensionales del primero. Esta interpretacin no es nica y es segn el inters de quien lo estudia. 40.-
.
TERMINOLOGIA DE PROGRAMACION ENTERA PROGRAMACIN ENTERA (RESUMEN)
1.-La programacin entera es en s una programacin lineal pero requiere que algunas variables o todas sean enteros no negativos. Introduccin a la programacin entera: Una PE en el cual se requiere que todas las variables tienen que ser enteros se denomina problema puro de programacin con enteros. Una PE en la cual se requiere solo algunas de las variables sean nmeros enteros, se llama problema combinado de programacin con enteros. 2.- Introduccion Un LP donde se requiere que todas las variables sean enteras se denomina un problema De programacin lineal entera pura.
3.- Un LP donde solo algunas variables deben ser enteras se denomina problema de programacin lineal entera mixta. 4.- Las variables binarias son un artificio matemtico que permite que modelos de programacin no lineal se resuelvan como tal. El buen uso de las variables binarias se convierte en una poderosa herramienta matemtica para plantear problemas ms complejos que los que habitualmente se resuelven acudiendo a las variables continuas. Como su nombre lo indica una variable binaria es aquella que puede tomar valores ya sea de cero (0) uno (1), esta idea tan simple puede convertirse en una ayuda fundamental tanto para la modelacin como para la resolucin de los problemas. Un ejemplo de ello puede ser el caso en el que determinado producto puede producirse no, tambin un centro de distribucin que puede abrirse no. 5.- Un LP donde todas la variables deben ser igual a1o 0 se denomina problema de programacin lineal binaria. 6.- El concepto de relajacin del PL de un problema de programacin entera es un punto clave en la solucin de las PE El PL obtenido cuando se omiten todos los enteros o las restriccin es 0.1 en las variables se llama relajacin del PL de la PE. Ejemplo: relajacin del PL Max z = 3x1+2x2 s.a x1+x2<=6 X1, x2>=0 Relajacin: Max z = x1-x2 s.a x1+2x2<=2 2x1+x2<=1 X1, X2>=0. 7.-Regin Factible y Solucin ptima La regin factible para un problema de PL es el conjunto de todos los puntos que satisfacen las restricciones, incluso las de signo. Dicha regin es un conjunto convexo porque cualquier segmento rectilneo que una a un par de puntos, A y B por ejemplo, se encuentra completamente en dicho conjunto (s). 8.- Mtodo de los planos cortantes de Gomory ste mtodo sirve para solucionar problemas de ms de dos (2) variables. Algoritmo 1. Encontrar la solucin, empleando el mtodo simplex. 2. Si la solucin es entera, entonces estamos en ptimo. 3. Si no es entera, introducir una restriccin nueva para la variable no entera, que tenga la mayor pare fraccional(Quebrar empates arbitrariamente) y resolver el nuevo problema mediante el mtodo dual simplex.
9.- En matemtica, y ms en concreto en optimizacin, el mtodo de los planos de corte es un procedimiento para encontrar soluciones enteras de un problema lineal. Fue introducido por Gomory. Funciona resolviendo un programa lineal no entero, despus comprobando si la optimizacin encontrada es tambin una solucin entera. Si no es as, es aadida una nueva restriccin que corta la solucin no entera pero no corta ningn otro punto de la regin factible. Esto se repite hasta que se encuentra la solucin entera ptima . Interpretacin geomtrica, una restriccin es equivalente a un hiperplano, permitiendo solo soluciones en uno de los lados del plano. 10.- Evaluacion de un metodo de ramificacion y acotamiento para un modelo de diseo territorial Resumen: En este artculo se muestra un modelo para el problema de diseo de territorios de atencion comercial. Este modelo se clasifica como un programa entero mixto Lineal ya que las variables son enteras y tanto las restricciones como la funcion objetivo Son lineales. En este trabajo se ilustra uno de los metodos de optimizacion exacta mas Populares para resolver problemas de programacion entera (Metodo de Ramificacion y Acotamiento, MRA). Adem as, se inclue una evaluacion emprica del desempeno del MRA al aplicarlo en la resolucion de algunas instancias del modelo. Esto implica un estudio y evaluacin de un para metro al gortmico, dar o no prioridades a las variables, que depende de la estructura del problema y que afecta el comportamiento del metodo. Los resultados muestran que el uso de esta estrategia produce mejores resultados en funcion del tiempo de ejecucion requerido 11.- El mtodo de Branch and Bound (en espaol Ramificacin y Acotamiento) aborda la resolucin de modelos de programacin entera a travs de la resolucin de una secuencia de modelos de programacin lineal que consituirn los nodos o subproblemas del problema entero. Si bien el procedimiento es extendible a un nmero mayor de variables, para efectos prcticos ilustraremos su aplicacin para modelos de programacin entera en 2 variables. 12.- El mtodo de Branch and Bound (o Ramificacin y Acotamiento) es un algoritmo diseado para la resolucin de modelos de programacin entera. Su operatoria consiste en linealizar el modelo de programacin entera, es decir, resolver ste como si fuese un modelo de programacin lineal y luego generar cotas en caso que al menos una variable de decisin adopte un valor fraccionario. El algoritmo genera en forma recursiva cotas (o restricciones adicionales) que favorecen la obtencin de valores enteros para las variables de decisin. En este contexto resolver el modelo lineal asociado a un modelo de programacin entera se conoce frecuentemente como resolver la relajacin continua del modelo entero.