Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Unidad:
MODELAMIENTO MATEMÁTICO
Bibliografía:
- M. J. García-Ligero y P., Román, P1. Departamento de Estadística e Investigación
Operativa. Consultado Octubre 15, 2010
- Universidad de Granada (España), Revista Investigación Operacional VOL., 31, No 2, 171-
179, 2010, pdflavibliotecavirtual.pdf. Consultado Octubre 15, 2010
INTRODUCCIÓN:
Una serie de algoritmos diseñados para resolver otros tipos de problemas de optimización
constituyen casos particulares de la más amplia técnica de la programación lineal.
Históricamente, las ideas de programación lineal han inspirado muchos de los conceptos
centrales de la teoría de optimización tales como la dualidad, la descomposición y la
importancia de la convexidad y sus generalizaciones. Del mismo modo, la programación lineal
es muy usada en la microeconomía y la administración de empresas, ya sea para aumentar al
máximo los ingresos o reducir al mínimo los costos de un sistema de producción.
Un enfoque eficiente para la reducción del esfuerzo computacional asociado a la solución del
problema de planeamiento de la expansión de redes de transmisión de energía eléctrica.
RESULTADOS:
PROGRAMACIÓN LINEAL
La programación lineal es una técnica matemática relativamente reciente (siglo XX),
que consiste en una serie de métodos y procedimientos que permiten resolver
problemas de optimización en el ámbito, sobre todo, de las Ciencias Sociales.
TIPOS DE SOLUCIONES
Los programas lineales con dos variables suelen clasificarse atendiendo al tipo de solución
que presentan. Éstos pueden ser:
EJEMPLO:
Disponemos de 210.000 euros para invertir en bolsa. Nos recomiendan dos tipos de acciones.
Las del tipo A, que rinden el 10% y las del tipo B, que rinden el 8%. Decidimos invertir un
máximo de 130.000 euros en las del tipo A y como mínimo 60.000 en las del tipo B. Además
queremos que la inversión en las del tipo A sea menor que el doble de la inversión en B. ¿Cuál
tiene que ser la distribución de la inversión para obtener el máximo interés anual?
MODELAMIENTO MATEMÁTICO
Solución
210000 0,1x+0,08y
R3
R4
R1
R2
Dibujamos las rectas auxiliares asociadas a las restricciones para conseguir la región factible
(conjunto de puntos que cumplen esas condiciones)
x y x y x y x y
0 210000 130000 0 0 60000 0 0
210000 0 130000 65000
1 http://meylingrojas.blogspot.com/2010_04_11_archive.html
MODELAMIENTO MATEMÁTICO
Aplicaciones
Otros son:
MÉTODO GRÁFICO
El modelo se puede resolver en forma gráfica si sólo tiene dos variables. Para modelos con
tres o más variables, el método gráfico es impráctico o imposible.
Cuando los ejes son relacionados con las variables del problema, el método es llamado método
gráfico en actividad. Cuando se relacionan las restricciones tecnológicas se denomina método
gráfico en recursos.
1. graficar las soluciones factibles, o el espacio de soluciones (factible), que satisfagan todas
las restricciones en forma simultánea.
2. Las restricciones de no negatividad Xi>= 0 confían todos los valores posibles.
3. El espacio encerrado por las restricciones restantes se determinan sustituyendo en primer
término <= por (=) para cada restricción, con lo cual se produce la ecuación de una línea recta.
4. trazar cada línea recta en el plano y la región en cual se encuentra cada restricción cuando
se considera la desigualdad lo indica la dirección de la flecha situada sobre la línea recta
asociada.
5. Cada punto contenido o situado en la frontera del espacio de soluciones satisfacen todas las
restricciones y por consiguiente, representa un punto factible.
6. Aunque hay un número infinito de puntos factibles en el espacio de soluciones, la solución
óptima puede determinarse al observar la dirección en la cual aumenta la función objetivo.
7. Las líneas paralelas que representan la función objetivo se trazan mediante la asignación
de valores arbitrarios a fin de determinar la pendiente y la dirección en la cual crece o decrece
el valor de la función objetivo.
MODELAMIENTO MATEMÁTICO
X1 + 2X2 = 6 (1)
2X1 + X2 = 8 (2)
-X1 + X2 = 1 (3)
X2 = 2 (4)
X1 =0 (5)
X2 = 0 (6)
1
Figura 2. Espacio de solución presentada con WinQsb
1 http://3.bp.blogspot.com/_sotvZvY2eQ8/R8eJOoKLKxI/AAAAAAAAAAY/8hqzcvuKp6o/s1600-h/Imagen1.jpg
MODELAMIENTO MATEMÁTICO
MÉTODO SIMPLEX
El Método Simplex publicado por George Dantzig en 1947 consiste en un algoritmo iterativo
que secuencialmente a través de iteraciones se va aproximando al óptimo del problema de
Programación Lineal en caso de existir esta última.
Deberá tenerse en cuenta que este método sólo trabaja para restricciones que tengan un tipo
de desigualdad "≤" y coeficientes independientes mayores o iguales a 0, y habrá que
estandarizar las mismas para el algoritmo. En caso de que después de éste proceso, aparezcan
(o no varíen) restricciones del tipo "≥" o "=" habrá que emplear otros métodos, siendo el más
común el método de las Dos Fases.
Para solucionar un problema de maximización estándar por el método simplex, seguimos los
siguientes pasos:
Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en
igualdades, resultando el sistema de ecuaciones lineales:
2x + y + h = 18
2x + 3y + s = 42
3x +y + d = 24
- 3x - 2y + Z = 0
En las columnas aparecerán todas las variables del problema y, en las filas, los coeficientes de
las igualdades obtenidas, una fila para cada restricción y la última fila con los coeficientes de
la función objetivo:
Tabla I . Iteración nº 1
Base Variable de decisión Variable de holgura Valores solución
x y h s d
h 2 1 1 0 0 18
s 2 3 0 1 0 42
d 3 1 0 0 1 24
Z -3 -2 0 0 0 0
MODELAMIENTO MATEMÁTICO
4. Encontrar la variable de decisión que entra en la base y la variable de holgura que sale de la
base
Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el
pivote operacional, 3, que es el que hay que convertir en 1.
Veámoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla
II):
Vieja fila de s 2 3 0 1 0 42
- - - - - -
Coeficiente 2 2 2 2 2 2
x x x x x x
Nueva fila pivote 1 1/3 0 0 1/3 8
= = = = = =
Nueva fila de s 0 7/3 0 1 -2/3 26
Tabla II . Iteración nº 2
Base Variable de decisión Variable de holgura Valores solución
x y h s d
h 0 1/3 1 0 -2/3 2
s 0 7/3 0 1 -2/3 26
x 1 1/3 0 0 1/3 8
Z 0 -1 0 0 1 24
Como en los elementos de la última fila hay uno negativo, -1, significa que no hemos llegado
todavía a la solución óptima. Hay que repetir el proceso:
A. La variable que entra en la base es y, por ser la variable que corresponde al coeficiente
-1
MODELAMIENTO MATEMÁTICO
B. Para calcular la variable que sale, dividimos los términos de la última columna entre
los términos correspondientes de la nueva columna pivote:
2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8] y como el menor cociente positivo es 6,
tenemos que la variable de holgura que sale es h.
C. El elemento pivote, que ahora hay que hacer 1, es 1/3.
Como en los elementos de la última fila hay uno negativo, -1, significa que no hemos llegado
todavía a la solución óptima. Hay que repetir el proceso:
A. La variable que entra en la base es d, por ser la variable que corresponde al coeficiente
-1
B. Para calcular la variable que sale, dividimos los términos de la última columna entre
los términos correspondientes de la nueva columna pivote:
6/(-2) [=-3] , 12/4 [=3], y 6:1 [=6] y como el menor cociente positivo es 3, tenemos
que la variable de holgura que sale es s.
C. El elemento pivote, que ahora hay que hacer 1, es 4.
Obtenemos la tabla:
Esta estrategia se utiliza cuando no es inmediata una solución básica factible inicial en las
variables originales del modelo.
FASE 1: Se considera un problema auxiliar que resulta de agregar tantas variables auxiliares a
las restricciones del problema, de modo de obtener una solución básica factible. Resolver por
Simplex un problema que considera como función objetivo la suma de las variables auxiliares.
Si el valor óptimo es cero, seguir a la Fase II, en caso contrario, no existe solución factible.
FASE 2: Resolver por Simplex el problema original a partir de la solución básica factible inicial
hallada en la Fase I.
MODELAMIENTO MATEMÁTICO
P) Max 2X1 + X2
sa 10X1 + 10X2 <= 9
10X1 + 5X2 >= 1
X1, X2 >= 0
F1) Min X5
sa X1 + 10X2 + X3 = 9
10X1 + 5X2 - X4 + X5 = 1
X1, X2, X3, X4, X5 >= 0
X1 X2 X3 X4 X5
10 10 1 0 0 9
10 5 0 -1 1 1
0 0 0 0 1 0
Se obtiene la solución óptima de la Fase I, con valor óptimo cero. Luego iniciamos la Fase II del
método tomando X1 y X3 como variables básicas iniciales.
FASE 2: Resolver por Simplex el problema original a partir de la solución básica factible inicial
hallada en la Fase I.
X1 X2 X3 X4
0 5 1 1 8
1 1/2 0 -1/10 1/10
-2 -1 0 0 0
X1 X2 X3 X4
0 5 1 1 8
1 1/2 0 -1/10 1/10
0 0 0 -1/5 1/5
X4 entra a la base. Por el criterio del mínimo cociente, el pivote se encuentra en la fila 1, por
tanto X3 sale de la base:
X1 X2 X3 X4
0 5 1 1 8
1 1 1/10 0 9/10
0 1 1/5 0 9/5
MODELAMIENTO MATEMÁTICO
Donde la solución óptima es: X1=9/10 X2=0 Con valor óptimo V(P) = 9/5.
1 http://www.phpsimplex.com/img/algoritmo.png