UNIVERSIDAD NACIONAL DE SAN AGUSTIN

FACULTAD DE CIENCIAS CONTABLES Y FINANCIERAS

ESCUELA DE CONTABILIDAD

TEMA:

DEFINICIONES BASICAS, FUNDAMENTOS DE MODELO BASES DE PROYECTO

CURSO:

INVESTIGACION DE OPERACIONES

DOCENTE:

MIGUEL ANGEL SOTOMAYOR LECAROS

GRADO ACADEMICO:

2° “B”

INTEGRANTES:

 La torre Quispe, Walter Reiner



2019
Contenido
PROCESO DE OPTIMIZACIÓN MATEMÁTICA ..................................................................................... 3
ELEMENTOS DE UN PROBLEMA DE OPTIMIZACIÓN ...................................................................... 3
Variables de decisión .................................................................................................................. 3
Características de las variables de decisión ............................................................................... 3
Restricciones ............................................................................................................................... 4
Función objetivo ......................................................................................................................... 4
Clasificación de los problemas de optimización atendiendo a su solución ................................... 4
PROBLEMA DE OPTIMIZACION ...................................................................................................... 4
FORMULACIÓN DEL MODELO .................................................................................................... 5
Clasificación de los problemas de optimización ............................................................................ 6
Problemas de optimización ............................................................................................................ 8
BIBLIOGRAFIA ................................................................................................................................... 12

2
PROCESO DE OPTIMIZACIÓN MATEMÁTICA
En nuestro curso el término optimización hará referencia a la optimización matemática, que implica
utilizar un conjunto de técnicas matemáticas para encontrar la mejor solución posible a un problema
de gestión comercial o industrial. Una solución basada en optimización implica:

 Un modelo de optimización, definido en términos de variables de decisión, restricciones y

una función objetivo.
 Datos para crear una instancia del modelo.
 Un motor de optimización (algoritmo) que resuelva la instancia del modelo

El proceso de optimización busca valores para las variables de decisión que satisfagan todas las
restricciones y optimicen la función objetivo. La optimización es una herramienta de ayuda a la toma
de decisiones que tiene aplicaciones en casi todas las industrias. Se pueden optimizar un amplio rango
de decisiones, por ejemplo: La cantidad de productos a fabricar, cuando fabricarlos y dónde
fabricarlos, cómo transportar artículos elaborados, personas o materias primas, cómo mezclar
materias primas, cómo planificar mano de obra, tareas o máquinas, cómo ubicar y asignar
instalaciones y equipos, Cómo invertir capital.

ELEMENTOS DE UN PROBLEMA DE OPTIMIZACIÓN

Variables de decisión

Las variables de decisión en un modelo de optimización representan valores o decisiones que pueden
fijarse por el motor de optimización para conseguir el mejor valor posible de la función objetivo.

Ejemplos de variables de decisión serían los siguientes:

o Cantidad a fabricar de un producto dado.

o Número de personas a contratar para realizar una tarea dada.
o Elegir la localización de un nuevo almacén.
o El tiempo de inicio de una tarea dada.

Características de las variables de decisión

son las siguientes:

o Su valor se calcula durante el proceso de solución.

o Inicialmente son desconocidas en el modelo, aunque es posible proporcionar una pista
inicial para ayudar a la optimización.
o Las variables de decisión tienen un dominio: el conjunto de todos los valores posibles de
la variable.
o Las variables de decisión tienen límites impuestos por los límites de su dominio.
o Las variables de decisión tienen tipo, por ejemplo, real, entero, booleano o intervalo
(utilizado sólo en CP).

3
La elección de las variables de decisión es importante porque tienen un impacto significativo en la
formulación de las restricciones y el método de optimización utilizado.

Restricciones

Las restricciones definen las relaciones entre diferentes variables de decisión y relacionan también
los datos con dichas variables.

Representan los límites dentro de los cuales debe existir la solución. Los siguientes son ejemplos de
restricciones: La cantidad fabricada de un producto dado debe ser menor que la capacidad de
producción. Las personas contratadas para realizar una tarea dada deben tener un conjunto mínimo
de habilidades profesionales. El coste total para construir un nuevo almacén debe ser menor que la
cantidad de dinero presupuestada. La salida de un proceso debe ser igual al rendimiento multiplicado
por la entrada. Una cierta tarea sólo puede comenzar una vez que se haya completado otra tarea
relacionada.

Función objetivo

La función objetivo de un modelo de optimización es una representación matemática de los logros

industriales que se desean conseguir.

Las funciones objetivas son de maximización o minimización y suelen involucrar un objetivo simple
o una expresión compleja que involucra varios objetivos industriales.

Algunos ejemplos de objetivos son los siguientes: Maximizar un beneficio. Minimizar un coste.
Minimizar retrasos. Maximizar el servicio a los clientes

Clasificación de los problemas de optimización atendiendo a su solución

En optimización una solución es una propuesta de valores específicos para las variables de decisión.
Una solución puede ser:

 Factible: una solución que satisface todas las restricciones.

 Optima: una solución factible que alcanza el mejor valor posible de la función objetivo.
 No factible: Una solución que viola una o más restricciones.
 No acotada: Una solución que produce un valor de la función objetivo que tiende a más o
menos infinito dependiendo de si se trata de un problema de maximización o minimización.

El conjunto de todas las soluciones factibles se denomina región factible.

PROBLEMA DE OPTIMIZACION

La formulación del modelo de optimización no es un procedimiento formal estructurado, sino más

bien es un proceso que requiere de experiencia y creatividad. Una vez generado el modelo, la etapa
siguiente es resolver y validar dicho modelo. Esta etapa puede considerarse suficientemente
formalizada puesto que los modelos de problemas de optimización han sido muy estudiados y se han
desarrollado innumerables métodos y estrategias para resolverlos. En este se describe una estrategia
para formular el modelo y un ejemplo de aplicación. Posteriormente se presenta una descripción

4
conceptual de la teoría y de los principales algoritmos asociados a un grupo particular de modelos
matemáticos de optimización denominados programación lineal y programación no lineal.

FORMULACIÓN DEL MODELO

Si bien, como se mencionara anteriormente, el proceso de modelado es esencialmente cualitativo y

requiere de la habilidad y la experiencia de quien desarrolla el modelo, en términos generales se
pueden definir los siguientes pasos a seguir para la formulación del modelo:

 Identificar las Variables de Decisión

 Identificar y/o fijar las restricciones
 Definición de los Objetivos
 Análisis de la Información Disponible

 Identificar las Variables de Decisión: Las variables de decisión representan las alternativas de
decisión del problema. Pertenecen a la propia naturaleza del problema y no pueden ser establecidas
arbitrariamente.

 Identificar y/o fijar las restricciones: Las restricciones de un problema de optimización definen
el conjunto de valores que pueden tomar las variables de decisión. En el caso de restricciones de
igualdad, éstas además generan dependencia entre variables, reduciendo los grados de libertad del
problema. El conjunto de todas las variables del problema se divide así en el subconjunto de
variables independientes y el subconjunto de las variables dependientes.
Las restricciones pueden pertenecer a la naturaleza del problema, como lo son las restricciones
físicas (límites de presión y temperatura, equilibrio liquido vapor, etc.), pero también puede haber
restricciones fijadas arbitrariamente por quien debe decidir, según su propio criterio.

 Definición de los Objetivos: Los objetivos no pertenecen a la naturaleza del problema sino que
son fijados arbitrariamente por quien debe decidir. El mismo puede definir un único objetivo o
varios objetivos a ser considerados simultáneamente. Por ejemplo se suelen definir como
objetivos: la rentabilidad del proceso, la calidad del producto, la seguridad del proceso, la
satisfacción del cliente, etc. En este capítulo, sólo se considerarán los problemas con objetivo
único. Para problemas con múltiples objetivos se puede consultar la bibliografía del final del
capítulo.

 Análisis de la Información Disponible: La información acerca de los parámetros del proceso

permitirá definir el criterio de decisión a adoptar. Si se conoce con certeza el valor de los
parámetros, el criterio seleccionado será el de maximizar o minimizar el objetivo propuesto. En
el extremo opuesto es posible encontrar parámetros cuyo valor es incierto. Usualmente en estos
casos con algún criterio es posible definir para cada parámetro sujeto a incertidumbre un rango
de valores posibles, quedando así definida una región paramétrica. Los criterios de decisión a
utilizar en estos problemas son generalmente conservativos, aspirando a asegurar lo mejor para
los peores valores que pueden ocurrir. Como ejemplo puede mencionarse el trabajo de Sargent &
Grossmann 1983, quienes determinan la existencia de un punto paramétrico crítico (peor caso),
tal que el diseño calculado para ese punto es factible para cualquier valor de la región paramétrica
que puedan tomar los parámetros.

En el caso que para estos parámetros cuyo valor está sujeto a incertidumbre, se dispusiera de una
función de densidad de probabilidad, el tomador de decisión podría arriesgarse a tomar decisiones

5
en función de esa información probabilística, adoptando como criterio de decisión optimizar el valor
esperado del objetivo elegido.
Nuevamente, en virtud del carácter introductorio del presente capítulo, se limitará el desarrollo del
tema a los problemas de optimización bajo certidumbre.
Adoptado el criterio de decisión, el paso que sigue es expresar las restricciones y el objetivo como
funciones matemáticas de las variables de decisión.
Se obtiene así un modelo matemático del problema de optimización. El modelo matemático resultante
tendrá la siguiente estructura general:

Cuando la función objetivo y todas las restricciones son lineales esta estructura matemática se
denomina modelo de Programación Lineal, (Linear Programming, LP), mientras que si al menos una
de las funciones descriptas es no lineal, se denomina modelo de Programación No Lineal (Nonlinear
Programmig, NLP). En el caso en que las variables del modelo son enteras, se denomina modelo de
Programación Lineal Entero, (Integer Linear Programming, ILP) y modelo de Programación No
Lineal Entero (Integer Nonlinear Programmig, INLP) respectivamente.

Puede ocurrir que el modelo posea variables continuas y enteras mezcladas, en este caso se denomina
modelo de Programación Lineal Entero Mixto, (Mixed Integer Linear Programming, MILP) y modelo
de Programación No Lineal Entero Mixto (Mixed Integer Nonlinear Programmig, MINLP)
respectivamente. Es este el modelo asociado al problema general de diseño, con múltiples objetivos
y generalmente con incertidumbre en la información. Cada tipo de modelo de programación
matemática tiene asociado elementos teóricos y algoritmos particulares. Nosotros nos atrevemos a
presentar una breve descripción conceptual de elementos teóricos y algoritmos de los modelos LP y
NLP exclusivamente.
Algunos conceptos asociados a los modelos matemáticos de optimización son los siguientes:

 Región Factible: es el conjunto RF de puntos x_ Rn que satisfacen simultáneamente todas

las restricciones del Programa Matemático.
 Punto Factible: es todo punto x_ RF.
 Punto No Factible: es todo punto xÕ RF.
 Solución Óptima del Modelo: es todo punto factible x* que brinda el mejor valor de la
función objetivo. x* es un punto óptimo y f(x*) el valor óptimo de la función objetivo. Es
necesario destacar aquí que el concepto de óptimo está asociado al modelo y no al problema.
Es decir, el óptimo corresponde al modelo y podrá aproximar más o menos bien al óptimo
del problema dependiendo de cuán bien el modelo representa al problema de optimización
en cuestión.

Clasificación de los problemas de optimización

6
Hay varias maneras de clasificar los problemas de optimización, teniendo en cuenta las
características de la función objetivo y las del conjunto factible. Para los fines de esta
investigación, tomaremos como criterio de tipificación de un problema de optimización la
naturaleza del conjunto factible, y como referencia el libro de Pinto Carvalho et al (2003).
Así, desde este punto de vista, hay cuatro clases de problemas de optimización: continua,
discreta, combinatoria y variacional, que pasamos a describirlos brevemente:

Problema de optimización continua:

n
Cuando su conjunto factible es un subconjunto continuo de R ; es decir, cuando todos los
elementos del conjunto factible son puntos de acumulación.

Problema de optimización discreta:

Cuando su conjunto factible es un conjunto discreto; es decir, cuando el conjunto factible no

tiene puntos de acumulación. Lo más frecuente es que tal conjunto discreto sea un
n
subconjunto de Z o de Z

Problema de optimización combinatoria:

Cuando su conjunto factible es finito. Cabe aclarar que en estos problemas los elementos del
conjunto factible no están explícitamente determinados, sino indirectamente especificados
mediante relaciones combinatorias. Un problema conocido de este tipo es el del agente
viajero, que desea encontrar el camino de mínima longitud que comience en un determinado
pueblo, recorra los n pueblos que debe visitar y regrese al pueblo de partida. El estudio de
este tipo de problemas y de métodos eficientes de solución está muy relacionado con los
avances en computación.

Problema de optimización variacional:

Cuando su conjunto factible es un subconjunto de dimensión infinita de un espacio de

funciones. El problema de la braquistócrona, los del cálculo de variaciones y los de la teoría
de control óptimo son ejemplos de problemas de optimización variacional. Un ejemplo
sencillo de formular y examinar es la determinación del camino más corto sobre una
determinada superficie, que une a dos puntos dados de tal superficie.

Otros criterios de clasificación de los problemas de optimización son:

7
 Teniendo en cuenta el tipo de restricciones en las variables
• Con restricciones dadas por igualdades
• Con restricciones dadas por desigualdades

 Teniendo en cuenta las propiedades de la función objetivo y de las que definen las
restricciones
• Lineales
• No lineales
• Convexas, etc.

Problemas de optimización

EJERCICIO #1

De todos los triángulos isósceles de 12 m de perímetro, hallar los lados del que tome área máxima.

La función que tenemos que maximizar es el área del triángulo:

Relacionamos las variables:

2 x + 2 y = 12
x=6−y
Sustituimos en la función:

Derivamos, igualamos a cero y calculamos las raíces.

Realizamos la 2ª derivada y sustituimos por 2, ya que la solución y = 0 la descartamos porque no

hay un triángulo cuyo lado sea cero.

8
Por lo que queda probado que en y = 2 hay un máximo.
La base (2y) mide 4m y los lados oblicuos (x) también miden 4 m, por lo que el triangulo de área
máxima sería un triangulo equilatero.

EJERCICIO #2

Recortando convenientemente en cada esquina de una lámina de cartón de dimensiones 80 cm x 50

cm un cuadrado de lado x y doblando convenientemente (véase figura), se construye una caja.
Calcular x para que volumen de dicha caja sea máximo.

EJERCICIO #3

Una hoja de papel debe tener 18 cm2 de texto impreso, márgenes superior e inferior de 2 cm de
altura y márgenes laterales de 1 cm de anchura. Obtener razonadamente las dimensiones que
minimizan la superficie del papel.

9
EJERCICIO #4

Descomponer el número 44 en dos sumandos tales que el quíntuplo del cuadrado del primero más el
séxtuplo del cuadrado del segundo sea un mínimo.

EJERCICIO #5

Una boya, formada por dos conos rectos de hierro unidos por sus bases ha de ser construido
mediante dos placas circulares de 3 m de radio. Calcular las dimensiones de la boya para que su
volumen sea máximo.

EJERCICIO #6

10
Se pretende fabricar una lata de conserva cilíndrica (con tapa) de 1 litro de capacidad. ¿Cuáles
deben ser sus dimensiones para que se utilice el mínimo posible de metal?

11
BIBLIOGRAFIA
1. Baker K. Optimization Modeling with Spreadsheets, Duxbury Press. 2005.

2. Bazaraa M.S.; Sherali H.D.; Shetty C.M. Nonlinear Programming: Theory and Algorithms, 3rd.
edition, John Wiley. 2006.

3. Bhatti M.A. Practical Optimization Methods: With Mathematica Applications, Springer-Verlag.

2000.

4. Biegler L.T.; Grossmann I.E.; Westerberg, A.W. Systematic Methods of Chemical Process Design,
Prentice Hall PTR. 1997.

12