1.

- 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.