Está en la página 1de 30

CONTENIDO:

INTRODUCCIÓN .............................................................................................................................. 2
1. CARACTERÍSTICAS DE LOS PROBLEMAS DE DECISIÓN EN CONTEXTOS DE
CERTIDUMBRE. .............................................................................................................................. 3
1.1. LA TOMA DE DECISIONES EN CONDICIONES DE CERTEZA................................. 4
1.2. CARACTERÍSTICAS GENERALES. ................................................................................. 5
1.3. PROBLEMAS EN CONTEXTOS CIERTOS. ................................................................... 6
2. TABLA DE PONDERACIÓN LINEAL PARA RESOLVER PROBLEMAS DE TIPO
LINEAL. .............................................................................................................................................. 7
3. USO DE LA PROGRAMACIÓN LINEAL PARA RESOLVER PROBLEMAS DE TIPO
LINEAL. .............................................................................................................................................. 9
4. FORMULACIÓN DE MODELOS DE PROGRAMACIÓN LINEAL. ................................. 10
5. VALIDEZ DEL MODELO Y FORMULACIÓN. ................................................................... 12
5.1. FASES EN LA RESOLUCIÓN DE PROBLEMAS DE PROGRAMACIÓN LINEAL. 13
6. SOLUCIÓN DE MODELOS DE PROGRAMACIÓN LINEAL. ......................................... 13
6.1. SOLUCIÓN POR EL MÉTODO GRÁFICO .................................................................... 13
6.2. SOLUCIÓN POR EL MÉTODO SIMPLEX. .................................................................... 19
6.3. MÉTODO DE TRANSPORTE. ......................................................................................... 23
6.4. MÉTODO DE ASIGNACIÓN. ........................................................................................... 23
6.5. ANÁLISIS DE SENSIBILIDAD.......................................................................................... 24
7. CONCLUSIONES. .................................................................................................................. 26
8. BIBLIOGRAFÍA. ...................................................................................................................... 28

1
INTRODUCCIÓN

El problema de la Decisión, motivado por la existencia de ciertos estados de


ambigüedad que constan de proposiciones verdaderas (conocidas o desconocidas),
es tan antiguo como la vida misma. Podemos afirmar que todos los seres vivientes,
aun los más simples, se enfrentan con problemas de decisión. Así, un organismo
unicelular asimila partículas de su medio ambiente, unas nutritivas y otras nocivas
para él. La composición biológica del organismo y las leyes físicas y químicas
determinan qué partículas serán asimiladas y cuáles serán rechazadas.

Conforme aumenta la complejidad del ser vivo, aumenta también la complejidad de


sus decisiones y la forma en que éstas se toman. Así, pasamos de una toma de
decisiones guiada instintivamente, a procesos de toma de decisiones que deben
estar guiados por un pensamiento racional en el ser humano. La Teoría de la
Decisión tratará, por tanto, el estudio de los procesos de toma de decisiones desde
una perspectiva racional.

Las condiciones en las que los individuos toman decisiones en una organización
son reflejo de las fuerzas del entorno (sucesos y hechos) que tales individuos no
pueden controlar, pero las cuales pueden influir a futuro en los resultados de sus
decisiones. Estas fuerzas pueden ir desde nuevas tecnologías o la presencia de
nuevos competidores en un mercado hasta nuevas leyes o disturbios políticos.
Además de intentar la identificación y medición de la magnitud de estas fuerzas, los
administradores deben estimar su posible impacto a futuro. Los administradores y
demás empleados involucrados en los pronósticos y la planeación pueden sentirse
fuertemente presionados a identificar tales hechos y sus impactos, especialmente
cuando no es probable que ocurran hasta años después.

Con mucha frecuencia, los individuos deben basar sus decisiones en la limitada
información de que disponen; de ahí, que el monto y precisión de la información y
el nivel de las habilidades de conceptualización de los individuos sean cruciales
para la toma de decisiones acertadas. Las condiciones en las que se toman las
decisiones pueden clasificarse en términos generales como certeza o certidumbre,
incertidumbre y riesgo. Prácticamente todas las decisiones se toman en un

2
ambiente de cierta incertidumbre. Sin embargo, el grado varía de una certeza
relativa a una gran incertidumbre.

La presente investigación desarrollará las características, tablas de ponderación,


formulación de los modelos de programación lineal y las soluciones de modelo de
programación lineal dentro de la Toma de Decisiones en Condición de Certeza, para
así poder ampliar los conocimientos adquiridos y los desconocidos por los
participantes.

1. CARACTERÍSTICAS DE LOS PROBLEMAS DE DECISIÓN EN CONTEXTOS DE


CERTIDUMBRE.

3
1.1. LA TOMA DE DECISIONES EN CONDICIONES DE CERTEZA.
Una clase importante de problemas de decisiones incluye aquellos en los cuales
cada acto disponible para quien toma la decisión tiene consecuencias que pueden
ser conocidas previamente con certeza. A tales problemas se le llama toma de
decisiones bajo condiciones de certeza.
En la toma de decisiones existen ciertos riesgos implícitos. En una situación donde
existe certeza, las personas están razonablemente seguras sobre lo que ocurrirá
cuando tomen una decisión, cuentan con información que se considera confiable y
se conocen las relaciones de causa y efecto

Certeza: Esta es la situación ideal para la toma de decisiones. Se tiene la total


seguridad sobre lo que va a ocurrir en el futuro. Desde un punto de vista
estrictamente económico se trata de elegir el curso de acción que va a proporcionar
los mejores resultados de acuerdo con el criterio establecido (beneficios,
rentabilidad, cifra de ventas…). No es, sin embargo, una situación habitual.
La toma de decisiones bajo certeza no es un proceso tan sencillo, cada una de las
tareas a las que se enfrenta quien toma la decisión bajo certidumbre (identificar los
actos disponibles, medir las consecuencias y seleccionar el mejor acto) involucra el
uso de la teoría de la programación lineal. La certeza o certidumbre es la condición
en que los individuos son plenamente informados sobre un problema, las soluciones
alternativas son obvias, y son claros los posibles resultados de cada decisión.

En condiciones de certidumbre, la gente puede al menos, prever (si no es que


controlar) los hechos y sus resultados. Esta condición significa el debido
conocimiento y clara definición tanto del problema como de las soluciones
alternativas. Una vez que un individuo identifica soluciones alternativas y sus
resultados esperados, la toma de la decisión es relativamente fácil.

El responsable de tomar la decisión sencillamente elige la solución con el mejor


resultado potencial.

La toma de decisiones en condiciones de incertidumbre es la excepción para la


mayoría de los administradores y otros profesionales. Sin embargo, los

4
administradores de primera línea toman decisiones diariamente en condiciones de
certidumbre, o casi.
Por ejemplo, un apretado programa de producción puede obligar a un administrador
de primera línea a pedir a 10 empleados que trabajen cuatro horas de tiempo extra.
El administrador puede determinar el costo de las horas extras con toda certeza.
También puede prever con alto grado de certidumbre el número de las unidades
adicionales que pueden calcularse con casi absoluta certeza antes de programar
las horas extras.

1.2. CARACTERÍSTICAS GENERALES.


Un proceso de decisión en cuanto a la solución de un problema de forma general,
se presenta a través de características principales:

- Existen al menos dos posibles formas de actuar, que llamaremos alternativas


o acciones, excluyentes entre sí, de manera que la actuación según una de
ellas imposibilita cualquiera de las restantes.
- Mediante un proceso de decisión se elige una alternativa, que es la que se
lleva a cabo.
- La elección de una alternativa ha de realizarse de modo que cumpla un fin
determinado.

El proceso de decisión consta de las siguientes fases fundamentales:


- Predicción de las consecuencias de cada actuación. Esta predicción deberá
basarse en la experiencia y se obtiene por inducción sobre un conjunto de
datos. La recopilación de este conjunto de datos y su utilización entran dentro
del campo de la Estadística.
- Valoración de las consecuencias de acuerdo con una escala de bondad o
deseabilidad. Esta escala de valor dará lugar a un sistema de preferencias.
- Elección de la alternativa mediante un criterio de decisión adecuado. Este
punto lleva a su vez asociado el problema de elección del criterio más
adecuado para nuestra decisión, cuestión que no siempre es fácil de resolver
de un modo totalmente satisfactorio.

5
Los procesos de decisión se clasifican de acuerdo según el grado de conocimiento
que se tenga sobre el conjunto de factores o variables no controladas por el decisor
y que pueden tener influencia sobre el resultado final (esto es lo que se conoce
como ambiente o contexto). Así, se dirá que:

- El ambiente es de certidumbre cuando se conoce con certeza su estado, es


decir, cada acción conduce invariablemente a un resultado bien definido.

- El ambiente de riesgo cuando cada decisión puede dar lugar a una serie de
consecuencias a las que puede asignarse una distribución de probabilidad
conocida.

- El ambiente es de incertidumbre cuando cada decisión puede dar lugar a una


serie de consecuencias a las que no puede asignarse una distribución de
probabilidad, bien porque sea desconocida o porque no tenga sentido hablar
de ella.

Según sea el contexto, diremos que el proceso de decisión o la toma de decisiones


se realizan bajo certidumbre, bajo riesgo o bajo incertidumbre, respectivamente.

1.3. PROBLEMAS EN CONTEXTOS CIERTOS.

Dicho todo lo anterior, podemos decir que los problemas de decisión con certeza se
caracterizan por tres aspectos fundamentales:

- Se parte del supuesto que el agente decisor conoce los posibles eventos de
ocurrencia y el comportamiento de las variables involucradas.

- Se plantean modelos determinísticos, donde las variables conocidas se


aplican a diferentes situaciones con pleno conocimiento del problema.
- Los resultados esperados luego de la aplicación del modelo seleccionado
son conocidos, obvios y evidentemente fuera de riesgos o incertidumbres.

6
Desde la aplicación empresarial, estas aplicaciones se producen en diferentes
ámbitos de las áreas funcionales tales como los procesos de producción, procesos
de inventarios, proyectos etc., y los instrumentos académicos estructurados son la
programación lineal y los modelos de inventarios.

2. TABLA DE PONDERACIÓN LINEAL PARA RESOLVER PROBLEMAS DE TIPO LINEAL.


Muchos procesos en la toma de decisiones pueden ser tratados por medio de tablas
de decisión, en las que, se representan elementos característicos de cada problema
en específico, a modo general, se identifica para cada situación los siguientes
aspectos:

- Los diferentes estados que pueden representar la naturaleza del problema,


pueden ser representados por las variables: e1, e2, e3,…….,en
- Las acciones o alternativas entre las que seleccionará el decisor,
identificándolas por las variables: a1, a2, a3,…….,an
- Las consecuencias o resultados xij, para cada alternativa adoptada ai y
naturaleza ej.
Para cada problema, siempre se supondrá un número finito de estados y
alternativas, buscando la simplicidad de las soluciones, en la siguiente tabla se
muestra a modo general con (n...) estados o naturaleza y (m…) acciones o
alternativas para un entendimiento representativo de forma general.

Forma general de una tabla de decisiones.


ESTADO O NATURALEZA
ALTERNATIVAS

e1 e2 e3 … en
ACCIONES O

a1 x11 x12 x13 … x1n


a2 x21 x22 x23 … x2n
a3 x31 x32 x33 … x3n
… … … … … …

7
am xm1 xm2 xm3 … xmn

La descripción de los diferentes criterios de decisión que proporcionan la alternativa


óptima será realizada de acuerdo con el conocimiento que posea el decisor acerca
del estado de la naturaleza, es decir, atendiendo a la clasificación de los procesos
de decisión. Según esto, distinguiremos:

- Tablas de decisión en ambientes de certidumbre.

- Tablas de decisión en ambiente de incertidumbre.

- Tablas de decisión en ambientes de riesgo.

En la presente investigación solo desarrollaremos solo la tabla general a partir del


siguiente ejemplo:

Ejemplo:
Un carpintero debe usar 10 clavos de ½” pulgada para terminar de armar un mueble
de lujo; solo posee 6 clavos de la medida que corresponde y el resto, son de 1”
pulgada, en la ferretería más cercana, a unos 20 minutos de la carpintería, existen
los clavos que necesita. Se debe entregar el mueble en 1h, de lo contrario se pierde
el cliente y por tanto, el ingreso que representa la venta, donde incluye la inversión
realizada y las ganancias equivalentes, por mano de obra etc.
¿Cuál sería la decisión más sensata a tomar?

Comentario:
No es un tema para debate en el argot de análisis, solo es un ejemplo aprioris para
la comprensión del llenado de la tabla de forma general.

Tabla de decisiones:
TERMINAR DE ARMAR EL MUEBLE DE LUJO
ALTERNATIVA

Buenos resultados
ACCIONES O

Resultados regulares (e2) Malos resultados (e3)


(e1)
El mueble se arma a El mueble queda sin la El mueble queda con
S

Usar los clavos


tiempo, y puede venderse calidad requerida y se mala calidad y tendrá
que posee de 1”
en el tiempo y en el precio vende a un precio más que ser desechado
pulgada (a1)
previsto (x11) bajo (x12) (x13)

8
Pactar una nueva El cliente no acepta
El mueble quedará con
hora de entrega y otra hora diferente a la
excelente calidad usando
buscar a la El cliente acepta otra hora pactada inicialmente y
los clavos idóneos y
ferretería los pero impone reclamos no se realiza la venta,
quedará listo para la nueva
clavos de ½” comerciales por mora. sin embargo el mueble
hora pactada pero se
pulgada que se (x21) queda listo para otros
necesitará de más tiempo.
necesitan a la clientes interesados.
(x21)
ferretería (a2) (x23)

Así, el ejemplo anterior podríamos darle valores a cada uno de los resultados para
evaluarlo numéricamente, suponiendo que el decisor tiene los datos necesarios y
puede evaluarlos en una escala del 0 al 10, es decir, asumiendo la existencia de
una función Z(.) con valores reales tal que:
𝑍(𝑥𝑘𝑙 ) > 𝑍(𝑥𝑖𝑗 ) si y sólo si, el decisor prefiere el resultado 𝑥𝑘𝑙 antes que el de 𝑥𝑖𝑗 .

Tabla de decisiones asociada a números.


TERMINAR DE ARMAR EL MUEBLE DE LUJO
Buenos resultados Resultados Malos resultados
ALTERNATIVAS
ACCIONES O

(e1) regulares (e2) (e3)


Usar los clavos que posee
10 5 0
de 1” pulgada (a1)
Buscar previamente los
clavos de ½” pulgada que se 8 5 4
necesitan a la ferretería (a2)

El ejemplo anterior, nos denota una tabla de decisiones, las cuales constituyen una
herramienta importante y clara en todo proceso de decisión.

3. USO DE LA PROGRAMACIÓN LINEAL PARA RESOLVER PROBLEMAS DE TIPO


LINEAL.

La programación lineal o matemática es empleada en muchas organizaciones


debido a la facilidad de formulación y solución de numerosos problemas
organizacionales, arrojando siempre el mejor resultado de varios disponibles.
La programación lineal puede definirse como la técnica matemática para determinar
la mejor asignación de los recursos limitados de la empresa.
En la programación lineal, se emplean algoritmos matemáticos, creados a partir de
ecuaciones lineales, en donde se busca la mejor asignación de los recursos
limitados de la empresa. El término linealidad representa una relación entre más de

9
una variable, que son directas y proporcionales; por ejemplo un aumento del 10%
de mano de obra, causará el mismo porcentaje en el aumento de la producción.
En conjunto, los algoritmos matemáticos forman un modelo, que optimizan recursos
limitados cuando toman en cuenta características como variables, restricciones y
una función objetivo. La función objetivo, como su nombre lo indica, representa el
objeto del problema; es decir, lo que persigue la empresa en términos cuantitativos.

4. FORMULACIÓN DE MODELOS DE PROGRAMACIÓN LINEAL.

La Programación Lineal (PL) es una de la más vieja y aún una de las más
importantes herramientas de la investigación de operaciones, se utiliza cuando un
problema se puede describir utilizando ecuaciones y desigualdades que son todas
lineales.

La PL es una técnica matemática de optimización, entendido como un método para


tratar de maximizar o minimizar un objetivo; lo que es lo mismo, tratar de planificar
actividades para obtener un resultado optimo, esto es, el resultado que mejor
alcance la meta especificada (según el modelo matemático) entre todas las
alternativas de solución, por ejemplo, maximizar las utilidades o minimizar los
costos; es un subconjunto de un área más extensa de procedimientos de
optimización matemática llamada Programación Matemática.

Para tener éxito en la solución de problemas dentro de una organización, es


importante la creación de modelos que permitan representar una situación real y
partir de ello para buscar las alternativas de solución.
El modelo es una representación o abstracción de una situación u objeto reales, que
muestra las relaciones (directas e indirectas) y las interrelaciones de la acción y la
reacción en términos de causa y efecto. Como un modelo es una abstracción de la
realidad, puede parecer menos complicado que la misma.
Para la formulación de un modelo dentro de la programación lineal, como primer
paso, el investigador debe delimitar el problema y conocer el objetivo que desea
alcanzar, que puede ser maximizar las utilidades o minimizar los costos, siempre
tomando en cuenta el principio de optimización.

10
El siguiente paso consiste en conocer las variables que presentarán la solución al
problema, es decir, las incógnitas que resolverán el modelo de programación lineal
pueden ser tantas como sea necesario, con el fin de representar de la mejor forma
posible la realidad.
Una vez que se conozcan las variables de decisión, se deben plantear las
restricciones, que son los requerimientos que debe cumplir la solución óptima para
que se pueda llevar a la práctica y brinde grandes beneficios a la empresa. También
pueden llamarse limitantes, ya que indican los valores máximos o mínimos que
deben emplearse para garantizar la optimización.
Las restricciones pueden ser por los volúmenes de ventas, por las limitantes en los
recursos de la empresa, por la mezcla de ingredientes, por la cantidad de
desperdicios y por cuestiones de administración dentro de la empresa, como el
tiempo de preparación de la máquina.
Por último, se debe tener presente que todas las variables empleadas en el modelo,
deben ser siempre positivas porque representan situaciones que existen en la
realidad.

En el proceso de formulación de un modelo de programación lineal hay que dar los


siguientes pasos:

1. Determinación de las variables de decisión representan los elementos del


sistema a modelar que son controlables por el decisor. En los modelos
lineales continuos estas variables toman como valores números reales y se
representan por letras con subíndices X1X2 como se acostumbra a hacer con
las variables matemáticas, o literales alusivos a su significado: peso valor. En
el primer caso también se utiliza la representación como vector de un
conjunto indexado de variable:
X= (X1, X2…….)

2. Determinación de las restricciones. Representan las limitaciones prácticas de


determinados recursos o imposiciones físicas de la realidad. Se expresan
como ecuaciones e inecuaciones lineales de las variables de decisión.

11
3. Formulación de la función objetivo. Se trata de la función que mide la calidad
de la solución y que hay que optimizar (maximizar un beneficio o minimizar
un coste).

Maximizar z = f(x); Minimizar z = f(x)

5. VALIDEZ DEL MODELO Y FORMULACIÓN.

Para que un modelo de PL sea válido, debe cumplir las propiedades siguientes:

Proporcionalidad:
Significa que la contribución al valor de la función objetivo y el consumo o
requerimiento de los recursos utilizados, son proporcionales al valor de cada
variable de decisión. Así el término 2x1 es proporcional, porque contribuye al valor
de la función z con 2, 4, 8, etc. para los valores 1, 2, 3, etc., respectivamente, de x1.
Se puede observar el aumento constante y proporcional de 2 conforme crece el
valor de x1.

Aditividad:
Significa que se puede valorar la función objetivo z, así como también los recursos
utilizados, sumando las contribuciones de cada uno de los términos que intervienen
en la función z y en las restricciones.

Divisibilidad:
Significa que las variables de decisión son continuas y por lo tanto son aceptados
valores no enteros para ellas. La hipótesis de divisibilidad más la restricción de no
negatividad, significa que las variables de decisión pueden tener cualquier valor que
sea positivo o por lo menos igual a cero.

Certidumbre:
Significa que los parámetros o constantes son estimados con certeza, o sea, no
interviene una función de probabilidad para obtenerlos.

12
El modelo de programación lineal es un caso especial de la programación
matemática, pues debe cumplir que, tanto la función objetivo como todas las
funciones de restricción, sean lineales. Dependiendo del tipo de restricción que
presente el problema de programación lineal, tendremos:

Restricciones (=): Formulación estándar.


Restricciones (≤) o (≥): Formulación canónica.
Restricciones (≤ o (≥) o (=): Formulación mixta.
Sin restricciones de signo: xk =(x+)- (x-), donde (x+) ≥ 0; (x-) ≥0

5.1. FASES EN LA RESOLUCIÓN DE PROBLEMAS DE PROGRAMACIÓN LINEAL.

Las fases en la resolución de un problema de Programación Lineal las podemos


resumir en:
- 1ra Definir el significado cuantitativo de las variables de decisión (x1, x2,…,
xn).
- 2da) Establecimiento de la función objetivo cuyo valor se desea maximizar
(utilidad, rendimiento, ingreso, producción) o bien minimizar (costo, tiempo,
mano de obra, inventario).
- 3ra) Establecimiento de las restricciones que limitan el valor óptimo que puede
tomar la función objetivo. Las restricciones que pueden presentarse son del
tipo: i) Si no se debe exceder del recurso disponible (≤); ii) Para no menos
de lo requerido (≥); iii) Para igualar el recurso especificado (=).
- 4ª Resolución del problema y análisis de la solución o soluciones.

6. SOLUCIÓN DE MODELOS DE PROGRAMACIÓN LINEAL.


6.1. SOLUCIÓN POR EL MÉTODO GRÁFICO

En el método gráfico no puede haber más de tres incógnitas, ya que se usa un


plano cartesiano formado por dos rectas (x, y) y, por ende, dos dimensiones.

Para comenzar, se debe analizar el problema y plantear el objetivo principal que se


persigue usando algoritmos (ecuaciones, restricciones, función objetivo), ya sea

13
maximizar las ganancias o minimizar los costos. Después, se expresa en forma
gráfica las desigualdades de restricción y se ubica el área de solución factible.

En seguida se traza la función objetivo (FO) en el plano cartesiano y se dibujan


líneas paralelas a éste, hasta llegar al punto más distante en el área de soluciones
factibles. Por último, se resuelven las desigualdades de las dos líneas que se cruzan
por el punto más distante en el área de soluciones factibles. A continuación se
ilustrará con un ejemplo:

La empresa Aires del Sur SA de CV, produce dos tipos de aires acondicionados:
Supercraft (x) y Powermax (y). Un Supercraft tiene un precio de $600 y un
Powermax $700. Los dos productos, deben pasar por tres áreas.
La empresa desea conocer el volumen de producción que maximice las ganancias,
ajustándose a las limitantes de tiempo presentadas en la tabla siguiente:

Horas requeridas
Área Horas disponibles
Supercraft x Powermax y al mes
1 1 2 140
2 2 2 190
3 3 2 240

Como primer, se debe expresar el problema matemáticamente, y para ello, hay


que construir ecuaciones, que deben quedar de la siguiente forma:

Maximizar z=$600x + 700y} función objetivo.

1x+2y ≤ 140
El signo ≤ indica que las horas requeridas por cada área,
2x+2y ≤ 190 deben ser menores o iguales que las disponibles en el mes.

3x+2y ≤ 240
El signo ≥ indica que x, y, deben ser mayores o iguales que
cero, porque se produce o no se produce.
X ≥ 0, y ≥ 0

14
El siguiente paso consiste en expresar gráficamente las restricciones (horas
requeridas); para ello se deben localizar los puntos x e y de cada una de las tres
desigualdades. Para la primera desigualdad tenemos:

Para Powermax 𝑦 = 0 Para Supercraf 𝑥 = 0


1𝑥 + 2𝑦 ≤ 140 1𝑥 + 2𝑦 ≤ 140
1𝑥 + 2(0) ≤ 140 1(0) + 2𝑦 ≤ 140
𝑥 ≤ 140 2𝑦 ≤ 140
140
𝑦≤
2

𝑦 ≤ 70

Si todo el tiempo el área 1 produce sólo Supercraft (x) y no produce Powermax (y),
entonces pueden fabricarse 140 unidades de x.

Si todo el tiempo el área 1 produce sólo Powermax (y) y no produce Supercraft (x),
entonces pueden fabricarse 70 unidades de Y.

Para la segunda desigualdad tenemos:

Para Powermax 𝑦 = 0 Para Supercraf 𝑥 = 0


2𝑥 + 2𝑦 ≤ 190 2𝑥 + 2𝑦 ≤ 190
2𝑥 + 2(0) ≤ 190 2(0) + 2𝑦 ≤ 190
2𝑥 ≤ 190 2𝑦 ≤ 190
190 190
𝑥≤ 𝑦≤
2 2
𝑥 ≤ 95 𝑦 ≤ 95
Si todo el tiempo el área 1 produce sólo Supercraft (x) y no produce Powermax (y),
entonces pueden fabricarse 95 unidades de x.
Si todo el tiempo el área 1 produce sólo Powermax (y) y no produce Supercraft (x),
entonces pueden fabricarse 95 unidades de y.

Para la tercera desigualdad tenemos:

Para Powermax 𝑦 = 0 Para Supercraf 𝑥 = 0


3𝑥 + 2𝑦 ≤ 240 3𝑥 + 2𝑦 ≤ 240
3𝑥 + 2(0) ≤ 240 3(0) + 2𝑦 ≤ 240 15

3𝑥 ≤ 240 2𝑦 ≤ 240
240 240
Si todo el tiempo el área 1 produce sólo Supercraft (x) y no produce Powermax (y),
entonces pueden fabricarse 80 unidades de x.

Si todo el tiempo el área 1 produce sólo Powermax (y) y no produce Supercraft (x),
entonces pueden fabricarse 120 unidades de y.

Mediante el uso de la herramienta Microsoft Excel, se representa gráficamente, las


rectas formadas en un plano cartesiano (x; y) de la siguiente manera:

Gráfico de intersección de rectas.


120
X=140; y=70
100 X=95;Y=95

80 X=80;Y=120
Powermax

60

40 Área de
solución
20 factible

0
0 20 40 60 80 100 120 140 160
Supercraf
El área de solución factible, es sombreada sin rebasar las líneas de restricciones,
como se muestra en la gráfica anterior. Una vez encontrada el área de solución
factible, quedan cuatro puntos principales (A, B, C y D) que delimitan dicha área.
Para el siguiente paso, se debe trazar la función objetivo. Es necesario conocer los
puntos para el eje 𝑥 y para el eje 𝑦, por ello se propone conseguir una contribución
mínima, multiplicando el coeficiente de X con el de Y (600 * 700= 420,000). Los
cálculos son los siguientes:

16
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = $600𝑥 + $700𝑦 función objetivo.

Para 𝑦 = 0 Para 𝑥 = 0
600𝑥 + 700(0) = 420000 600(0) + 700𝑦 = 420000
420000 420000
𝑥= = 700 𝑥= = 600
600 700

Como resultan cantidades grandes, se deben reducir para poder graficar la línea en
conjunto con las desigualdades. Para ello de dividirá entre 10 para tener como
resultado el eje 𝑥 = 70 y 𝑦 = 60. Procedemos a prolongar la línea que representa a
la función objetivo de forma paralela, hasta tocar el punto más lejano que delimita
el área de soluciones factibles, como se presenta la siguiente gráfica:

Representación gráfica de la función objetivo.


120
X=140; y=70

100 X=95;Y=95

80 X=80;Y=120
B
Powermax

Función Objetivo
60
C
45
40

Área de
20 solución
factible
A D
0 50
0 20 40 60 80 100 120 140 160
Supercraf

Como se puede observar, el punto C, es el punto más lejano del área de soluciones
factibles, lo cual indica, que es el que le da mayor contribución a la empresa Aires
del Sur SA de CV, maximizando las utilidades.

Se puede observar en el gráfico anterior, que el resultado del ejercicio son las
coordenadas del punto C; donde indica que la empresa debe producir 50 unidades
de Supercraft (𝑥) y 45 unidades de Powermax para maximizar las utilidades.

17
Sin embargo, en numerosos problemas donde se emplee el método gráfico pueden
resultar números decimales que dificultaría ubicarlos con exactitud en un gráfico,
por lo que se recomienda la solución del sistema de ecuaciones de las líneas que
se cruzan en el punto C, que son la desigualdad 1 y desigualdad 2, como se
presenta a continuación:

1x+2y ≤ 140 (desigualdad 1)

2x+2y ≤ 190 (desigualdad 2)

Empleando el método de reducción, se multiplica toda la desigualdad 1 por -1,


para poder eliminar la incógnita 𝑦 (resultando: −1𝑥 − 2𝑦 ≤ 140). Después se
realiza la reducción siguiente:

(1𝑥 + 2𝑦 ≤ 140)(−1) = −1𝑥 − 2𝑦 ≤ −140

(2𝑥 + 2𝑦 ≤ 190)= + 2𝑥 + 2𝑦 ≤ 190


𝑥 ≤ 50

Ahora que se conoce el valor de 𝑥, se sustituye en cualquiera de las dos


desigualdades originales. Sustituyendo 𝑥 en la desigualdad 1, tenemos:

1(50) + 2𝑦 ≤ 140
2𝑦 ≤ 140 − 50
90
𝑦≤ 2
𝑦 ≤ 45

Para finalizar, se deben sustituir los valores de 𝑥 y 𝑦 en la función objetivo y así


conocer la máxima contribución posible.

𝑍 = $600(𝑥) + $700(𝑦)

𝑍 = $600(50) + $700(45)

𝑍 = $30 000 + $31 500 = $61 500.00

Se puede concluir que la empresa Aires del Sur SA. de CV, de acuerdo con las
limitantes de tiempo, debe producir mensualmente 50 aires acondicionados de la

18
marca Supercraft y 45 de la marca Powermax, que le brindarán una contribución de
$61,500.

6.2. SOLUCIÓN POR EL MÉTODO SIMPLEX.

El método del simplex fue creado en 1947 por el matemático George Dantzig El
método del simplex se utiliza, sobre todo, para resolver problemas de programación
lineal en los que intervienen tres o más variables. El álgebra matricial y el proceso
de eliminación de Gauss-Jordan para resolver un sistema de ecuaciones lineales
constituyen la base del método simplex. Una propiedad general del método simplex
es que resuelve la programación lineal en iteraciones, donde cada iteración
desplaza la solución a un nuevo punto esquina que tienen potencial de mejorar el
valor de la función objetivo.

El proceso termina cuando ya no se puede obtener mejoras. Para resolver se debe


agregar variables de holgura o exceso según sea el sentido de la desigualdad. Para
las variables de holgura se lo hace con el menor igual que (≤), y para las variables
de exceso se lo hace con el símbolo de mayor igual que (≥). El número de variables
de holgura y exceso se lo hace de acuerdo al número de restricciones.

Este método es muy útil cuando se trabaja con muchos productos y áreas en la
empresa y por lo mismo da lugar a un mayor número de rectas, por lo que no es
conveniente usar el método gráfico. Para la solución de problemas de este tipo se
usa el álgebra de matrices, por lo que se recomienda al alumno familiarizarse con
ese tema.

Caso ejemplo matemático sin contexto:


Maxi Z = 1.5X1 + 1.2X2} función objetivo.

X1 ≤ 6000 El signo ≤ indica que las variables requeridas para cada


X1 + X2 ≤ 800 restricción, deben ser menores o iguales que las
constantes independientes.
X1+ 2X2≤ 700
El signo ≥ indica que X1, X2, deben ser mayores o iguales
que cero.
19
X1 ≥ 0, X2 ≥ 0

Paso 1. Convertir las funciones canónicas en ecuaciones estándares o igualdades.

X1 ≤ 6000 ≅ X1+S1=6000

X1 + X2 ≤ 800 ≅ X1 + X2 +S2 = 800

X1+ 2X2≤ 700 ≅ X1 + 2X2+S3 = 700

Lo anterior, se puede lograr agregando una variable ficticia que absorba la holgura
en cada una de las desigualdades. La holgura será representada por S1, S2 y S3, y
se agrega a la ecuación para cumplir la igualdad y convertirla en ecuación estándar.
Las variables artificiales S1, S2 y S3, deben ser agregadas igualmente en la función
objetivo, sin embargo, teniendo en cuenta que es un artificio para alcanzar la
igualdad, sus coeficientes no producen utilidad en la función objetivo por lo que son
iguales a cero (0); la función objetivo quedaría:

Maxi Z = 1.5X1 + 1.2X2 + 0S1 + 0S2 + 0S3


Teniendo las igualdades definidas, elaboramos la primera tabla simplex:
Tabla 1. Simplex.
Columna pivote Fila pivote
Intersección
Cj 1.5 1.2 0.0 0.0 0.0 (Cantidad)/(Columna
Cantidad
X1 X2 S1 S2 S3 pivote)
0 S1 1.0 0.0 1.0 0.0 0.0 6000 6000/1 6000
0 S2 1.0 1.0 0.0 1.0 0.0 800 800/1 800
0 S3 1.0 2.0 0.0 0.0 1.0 700 700/1 700
Zj 0.0 0.0 0.0 0.0 0.0 0.0
Cj - Zj 1.5 1.2 0.0 0.0 0.0

Mayor positivo
Mayor contribución.
El método simplex emplea iteraciones, es decir, es un proceso repetitivo, en donde
se van creando una serie de soluciones para cada iteración.
En la primera fila 𝐶𝑗 , aparecerán las constantes de la función objetivo y en la
columna 𝐶𝑗 , se ubicarán las variables de solución de inicio, ubicando los coeficientes
o contribuciones por unidad de cada variable de holgura (S1, S2 y S3), en este caso,
igual a cero ($0).

20
Existen tres restricciones, por tanto, existirán tres filas correspondientes a las
variables de solución de inicio, en las cuales, se colocarán, debajo de cada variable
independiente de la función objetivo y para cada restricción específica, las
constantes correspondientes, especificadas en las tres ecuaciones estándares
obtenidas de las desigualdades.
Los valores de cero en 𝑍𝑗 , resultan de la sumatoria de los resultados de la
multiplicación de la columna 𝐶𝑗 y cada una de las constantes que modifican las
variables independientes en cada una de las restricciones, así como las cantidades,
según corresponda, o sea, 𝑍𝑗 = ∑(𝐶𝑗𝑖 ∗ 𝑘𝑥𝑖 ).
La última fila, representa la contribución neta de algo en específico, dependiendo
del contexto, resulta de la diferencia entre la primera fila 𝐶𝑗 , y la fila 𝑍𝑗 , o sea, (𝐶𝑗 −
𝑍𝑗 ).
Una vez confeccionada la tabla básica, es necesario identificar la columna pivote, o
columna óptima, para ello, se identifica la variable entrante; teniendo en cuenta que
es una función de maximización, la variable entrante será (el mayor positivo (+) de
los valores), en este caso, como se señala en la Tabla 1. Simplex, la variable
entrante a la solución de inicio será X1, luego, para identificar en el orden que
entrará, habrá que identificar la fila pivote, para ello, se divide la columna de
cantidad entre los coeficientes de la columna óptima y se elige la fila que tenga el
menor valor positivo.
Como se puede observar en la tabla anterior, entre la columna óptima y la fila pivote,
hay un elemento de intersección (coeficiente 1), que servirá para encontrar una
mejor solución, reemplazando la variable S3, por la variable X1, por lo que el valor
que entra en S3, será, 1.5X1. En l intersección tiene necesariamente que haber valor
uno (1), de lo contrario, se tendrá que reducir la fila dividiéndola por el valor que allí
se encuentre, con el objetivo de hacer uno el valor de la intersección, en el caso
ejemplo, el valor coincide con el necesario.

Dando origen a la siguiente Tabla:

Tabla 2. Simplex.
Cj 1.5 1.2 0.0 0.0 0.0
Cantidad
X1 X2 S1 S2 S3

21
0S1 1.0 0.0 1.0 0.0 0.0 6000
0S2 1.0 1.0 0.0 1.0 0.0 800
1.5X1 1.0 2.0 0.0 0.0 1.0 700
Zj 1.5 3.0 0.0 0.0 1.5 1050.0
Cj - Zj 0.0 -1.8 0.0 0.0 -1.5

Una vez obtenida la Tabla, habrá que hacer ceros en los dos coeficientes restantes
de la columna pivote fuera de la intersección, para ello, aplicamos el método Gauss-
Jordan.

Modificamos las dos filas restantes. Realizar la reducción siguiente:

Fila S2 Para hacer cero el coeficiente, se multiplica la fila a transformar por su


simétrico (-1).
1.0 1.0 0.0 1.0 0.0 800
-1* 1.0 2.0 0.0 0.0 1.0 700
1.0 1.0 0.0 1.0 0.0 800
+ - 1.0 - 2.0 - 0.0 - 0.0 - 1.0 - 700
Fila S2 0.0 - 1.0 0.0 1.0 - 1.0 100

Fila S1 Para hacer cero el coeficiente, se multiplica la fila a transformar por su


simétrico (-1)

1.0 0.0 1.0 0.0 0.0 6000


-1* 1.0 2.0 0.0 0.0 1.0 700
1.0 0.0 1.0 0.0 0.0 6000
+ - 1.0 - 2.0 - 0.0 - 0.0 - 1.0 - 700
Fila S1 0.0 - 2.0 1.0 0.0 - 1.0 5300

Sustituyendo en la Tabla 2. Simplex:

Cj 1.5 1.2 0.0 0.0 0.0


Cantidad
X1 X2 S1 S2 S3
0S1 0.0 - 2.0 1.0 0.0 - 1.0 5300
0S2 0.0 -1.0 0.0 1.0 -1.0 100
1.5X1 1.0 2.0 0.0 0.0 1.0 700
Zj 1.5 3.0 0.0 0.0 1.5 1050.0
Cj - Zj 0.0 -1.8 0.0 0.0 -1.5

22
Se continuarán realizando las iteraciones necesarias hasta que los valores
(𝐶𝑗 − 𝑍𝑗 ) ≤ 0, en este caso, no será necesario continuar realizando iteraciones,
estos valores negativos indican que no existirá mejor resultado que la contribución
final Zj = 1050.0. El valor de X1 = 700 unidades, en este caso no hay contexto, sin
embargo, en un caso con contexto, esto se traduce de la siguiente manera:

Empleando los recursos sobrantes S1= 5 300 y S2= 100 (estos pudieran ser recursos
de tiempos o materiales que pueden ser convertidos en dinero) se producen 700
unidades de un producto específico, generando una utilidad de $ 1050.0.

6.3. MÉTODO DE TRANSPORTE.

El Modelo de transporte es una clase especial de problema de Programación Lineal.


Trata la situación en la cual se envía un bien de los puntos de origen (fábricas), a
los puntos de destino (almacenes, bodegas, depósitos).

El objetivo es determinar las cantidades a enviar desde cada punto de origen hasta
cada punto de destino, que minimicen el costo total de envío, al mismo tiempo que
satisfagan tanto los límites de la oferta como los requerimientos de la demanda. El
modelo supone que el costo de envío de una ruta determinada es directamente
proporcional al número de unidades enviadas en esa ruta. Sin embargo, algunas de
sus aplicaciones importantes (como la Programación de la Producción) de hecho no
tienen nada que ver con el transporte.

El algoritmo de transporte sigue los pasos exactos del método simplex. Sin
embargo, en vez de utilizar la tabla simplex regular, aprovechamos la estructura
especial del modelo de transporte para presentar el algoritmo en una forma más
conveniente

6.4. MÉTODO DE ASIGNACIÓN.

El problema de asignación tiene que ver con la asignación de tareas a


empleados, de territorios a vendedores, de contratos a postores o de trabajos a
plantas. Al aplicar el método de transporte y el método de asignación la gerencia
está buscando una ruta de distribución o una asignación que optimizará algún

23
objetivo; éste puede se la minimización del costo total, la maximización de las
utilidades o la minimización del tiempo total involucrado.

Al igual que el método de transporte el método de asignación es


computacionalmente más eficiente que el método simplex para una clase especial
de problemas. El método de asignación también conocido como la Técnica de flood
o el método Húngaro de asignación. Hay básicamente tres pasos en este método

a- Determine la tabla de costo de oportunidad:

1. Reste el elemento del costo más bajo en cada columna de la tabla de


costo dada, de todo los elementos en esa columna.
2. Reste el asiento más bajo en cada renglón de la tabla obtenida en la
parte 1.1 de todos los números en ese renglón.
b- Determine si se puede hacer una asignación óptima:

El procedimiento es dibujar líneas rectas (verticales y horizontales) a través de la


tabla de costos total de oportunidad, de tal manera que se minimice el número de
líneas necesarias para cubrir todos los cuadros cero (0). Si el número de líneas
dibujadas es menor que el número de renglones o columnas, no se puede hacer na
asignación óptima y el problema no está resuelto.

c- Revise la tabla de costo total de oportunidad.


1. Seleccione el número más pequeño en la tabla no cubierto, por una
línea recta y reste este número de todos los números no cubiertos por
una línea recta.
2. Añada este mismo número a los números que están en la intersección
de dos líneas cualesquiera. Regrese al paso 2 .

6.5. ANÁLISIS DE SENSIBILIDAD

Estudio del efecto de los cambios en los parámetros del problema, sobre la solución
óptima de Programación Lineal.

Importancia del análisis de sensibilidad:

24
Los modelos de Programación Lineal son con frecuencia grandes y costosos,
debido a lo cual no es eficiente usarlos para un solo caso.
Los elementos que se dan como datos para un problema, muchas veces son
aproximaciones, debido a lo cual es necesario examinar más de un conjunto de
circunstancias.

Tipos de análisis de sensibilidad.

1. Sensibilidad de la función objetivo:

a. Cambios en los coeficientes

Determinar la gama de optimalidad para la pendiente de los parámetros de la


función objetiva que mantendrá inalterable la solución óptima de un modelo
determinado.

b. Cambios en el término independiente (LD)

2. Sensibilidad de las restricciones:

a. Cambios en los coeficientes de las restricciones.

b. Cambios en el término independiente de las restricciones. (LD)

c. Adición de nuevas restricciones.

3. Sensibilidad de las limitaciones:

a. Cambios en la limitación de las abscisas.

b. Cambios en la limitación de las ordenadas.

25
7. CONCLUSIONES.
1. Son pocas las decisiones tomadas en situaciones polémicas importantes
bajo condiciones de certeza o certidumbre, sin embargo, con frecuencia
se tiene pleno dominio de circunstancias para la toma de decisiones
donde se conoce con certeza los resultados que se alcanzarán, estas
son tomas de decisiones de rutina, con repercusiones menos
importantes.

2. La toma de decisiones en contexto de incertidumbre, las personas sólo


tienen una base de datos muy deficiente, no existe confiabilidad absoluta

26
de los posibles resultados, se tiene mucha inseguridad sobre los posibles
cambios que pueda sufrir la situación, en muchos casos, no se pueden
evaluar las interacciones de las diferentes variables; la condición bajo la
cual resulta más difícil tomar decisiones es la incertidumbre, pues en esta
situación, los responsables de tomar decisiones no cuentan con
información suficiente para tener en claro las alternativas o estimar su
riesgo.La toma de decisiones en contextos de incertidumbre, se basa, ya
sea en la intuición del decisor o en su creatividad.

3. En una situación de riesgo, quizás se cuente con información basada en


hechos, pero la misma puede resultar incompleta. Para mejorar la toma
de decisiones se puede estimar las probabilidades objetivas de un
resultado, al utilizar, por ejemplo modelos matemáticos.

4. El método gráfico, puede resultar complicado a la hora de proyectar los


resultados en el plano cartesiano cuando los número son decimales, y
hay que recurrir a una solución de ecuaciones canónicas para encontrar
el resultado exacto.

5. Los métodos de PL, concurren sobre la probabilidad subjetiva, basada


en el juicio y la experiencia, una correcta formulación de un método
específico, puede cuantificar el resultado para tener una idea precisa de
las posibles consecuencias basado en los resultados numéricos. Un
enfoque racional para evaluar las alternativas bajo condiciones de riesgo
es el uso del valor esperado.

6. En el momento de tomar decisiones, todos los administradores deben de


ponderar alternativas, muchas de las cuales implican sucesos futuros
que resultan difíciles de prever: la reacción de un competidor a una nueva
lista de precios, las tasas de interés dentro de tres años, la confiabilidad
de un nuevo proveedor.

27
7. Las situaciones de toma de decisiones pueden conciderarse dentro de
una línea continua que va de la certeza (altamente previsible) a la
turbulencia (altamente imprevisible).

8. BIBLIOGRAFÍA.
1. AGUIAR, F., CRIADO, H . y HERREROS, F. (2003), «Sociología y
elección racional», en S. Giner (comp.). Teoría sociológica moderna.
Barcelona: Ariel.
2. Córdova, Joaquín., (2012), Investigación de Operaciones. Primera
Edición. ISBN 978-607-733-139-1.
3. Crilly, Tony (2011). 50 cosas que hay que saber sobre matemáticas. Ed.
Ariel. ISBN 978-987-1496-09-9.

28
4. Bazaraa, M.S. , Jarvis, J.J. (1998) Programación Lineal y Flujo en Redes
Limusa, México.
5. Roger G. Schroeder, Administración de operaciones, toma de decisiones
en la función de operaciones, p.26.
6. Fletcher, R. (1997) Practical Methods of Optimization John Wiley & Sons,
Chichester.
7. Hillier, F.S. , Lieberman, G.J. (1991)Introducción a la Investigación de
Operaciones McGraw-Hill, México.
8. Infante, R. (1997)Métodos de Programación Matemática Uned, Madrid

Sitios visitados:
http://thales.cica.es/rd/Recursos/rd99/ed99-0191-03/certidumbre.htm

http://es.wikipedia.org/wiki/Toma_de_decisiones

http://www.cosaslibres.com/leer-
online/?title=APLICACIONES+DE+LA+PROGRAMACI%C3%93N+LINEAL&doc=h
ttp%3A%2F%2Fwww.uoc.edu%2Fin3%2Femath%2Fdocs%2FAplicaciones_PL.pd
f

http://www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r53398.PDF

http://es.wikipedia.org/wiki/Programaci%C3%B3n_lineal

http://www.slideshare.net/coryd0306/conceptos-programacion lineal

http://html.rincondelvago.com/programacion-lineal_investigacion-de
operaciones.html

http://www.escuelauniversitaria.cl/apuntes/ProgramacionLineal.pdf

http://www.monografias.com/trabajos-pdf4/metodo-transporte/metodo
transporte.shtml

http://www.oocities.org/siliconvalley/pines/7894/modelos/asignacion.html

http://es.wikipedia.org/wiki/Programaci%C3%B3n_lineal

http://www.slideshare.net/coryd0306/conceptos-programacion lineal

29
http://html.rincondelvago.com/programacion-lineal_investigacion-de
operaciones.html

30

También podría gustarte