HERRAMIENTAS MATEMÁTICAS: INVESTIGACIÓN OPERATIVA

Módulo 1

CONCEPTO DE MODELADO – GENERALIDADES

Modelo es una representación de la realidad en forma abstracta, que es percibida de modo diferente por distintos
actores en función de sus necesidades

La realidad es multiforme y difícil de capturar, pero para poder tomar decisiones racionales, es necesario conocer las
posibilidades que se nos abren y los efectos

¿Por qué es importante la construcción de modelos?

Cada problema que se presenta es diferente, no solo por las variables que intervienen, sino también por los detalles en
la construcción de cada componente del problema

Y esa diferenciación se ve reflejada en la solución del modelo resultante y así tener soluciones más acertadas en los
problemas planteados

Clasificación de los modelos

- Modelo mental: es la representación de un determinado sistema o proceso. Lo observamos permanentemente y

sin darnos cuenta al solucionar problemas básicos. Es limitado
- Modelo a escala: permite combinar infinidad de disposiciones hasta dar con la más adecuada
- Modelo matemático: se elaboran utilizando símbolos matemáticos para representar los diferentes
componentes del problema

Modelos matemáticos y su clasificación

- Modelos descriptivos: representan una relación, pero

no un curso de acción. No se puede identificar si la
acción o decisiones a tomar será la mejor

- Modelos normativos: son prescriptivos, ya que

marcan un curso de acción para alcanzar el objetivo
propuesto. A través de ellos puede llegarse a la
solución “optima”

Subclasificación de los modelos matemáticos según criterios

Según el tipo de datos o parámetros:

HERRAMIENTAS MATEMÁTICAS: INVESTIGACIÓN OPERATIVA
- Determinísticos/probabilísticos: los parámetros del modelo se conocen con certidumbre en la función objetivo y
en las restricciones
- Estocásticos: no se conocen con certidumbre alguno de los parámetros del problema

Según el tipo de relaciones entre variables:

- Lineales: todas las variables dependientes son proporcionales a las independientes y de grado uno
- No lineales: utilizan una o varias relaciones funcionales curvilíneas o no proporcionales

Según las variaciones del tiempo en un periodo:

- Estáticos: se definen en un punto fijo del tiempo y las condiciones del modelo no cambian para ese periodo
- Dinámicos: el mejor curso de acción se determina al examinar periodos múltiples

Complejidad del problema:

- De simulación: proceso de planteamiento de modelos y experimentación. Cuando la complejidad de un

problema no permite planear un modelo matemático que se ajuste adecuadamente

FASES DEL ESTUDIO DE IO

El tipo y complejidad del modelo matemático determina la naturaleza del método de solución

Técnicas para resolver un problema de IO

1. Programación lineal: función objetivo y restricciones lineales

2. Programación entera: las variables representan números enteros
3. Programación dinámica: el modelo original se puede descomponer en submodelos
4. Programación de red: el problema se modela mediante una red
5. Programación no lineal: la relación entre las variables del problema es no lineal

Otros métodos son;

6. Algoritmos: “conjunto de procedimientos, que cuando se siguen de forma ordenada, proporcionan una solución
óptima a un problema” proporciona reglas fijas de calculo que se aplican de forma repetitiva al problema y cada
repetición acerca la solución a lo óptimo.
7. Simulación: simula la conducta del problema para un conjunto definido de condiciones de entrada, se usa
cuando no se puede resolver en forma analítica (matemática)
8. Heurística: procedimientos de búsqueda que intentan pasar de un punto de solución a otro para mejorar el
objetivo del modelo, cuando los problemas son muy complejos se deja de buscar la solución óptima y se busca
una buena solución aplicando la heurística, metaheurística o reglas empíricas

Un problema de programación lineal debe tener una función objetivo, restricciones lineales y condiciones esenciales

Fases de un estudio de IO

1. Definición del problema

- Descripción de las alternativas
- Determinación del objeto de estudio o criterio objetivo
- Especificación de las restricciones
HERRAMIENTAS MATEMÁTICAS: INVESTIGACIÓN OPERATIVA
2. Construcción del modelo; transformar la definición del problema en relaciones matemáticas de acuerdo con el
grado de complejidad de las variables
3. Solución del problema; usar algoritmos de optimización bien definidos
4. Validación del modelo; comparar los resultados con los datos históricos
5. Implementación de la solución; una vez validado el modelo, transformar los resultados en instrucciones de
operación comprensibles

PROGRAMACIÓN LINEAL – FORMULACIÓN DEL MODELO

Programación lineal conjunto de técnicas matemáticas que intentan optimizar cualquier problema de tipo económico,
social, industrial, etc.

Función objetivo Z = F ( x n ¿=c n x n+ c n x n

Coeficientes de beneficios o costo; son datos de entrada del problema ( c n )

Variables de decisión o niveles de actividad; (x n )

Los conjuntos de valores x n que satisfacen simultáneamente todas las restricciones se llama región factible

Solución óptima es el punto de la región factible que hace máxima o mínima la función objetivo

Elementos

- Variables de decisión
- Función objetivo
- Restricciones

Características del modelo PL

1. Un solo objetivo
2. Restricciones; la disponibilidad de recursos escasos limita la producción a niveles que puedan alcanzarse con los
recursos disponibles. Costos de investigación, tecnología inmutable a corto plazo, leyes de la naturaleza,
cuellos de botella
3. Proporcionalidad o linealidad; relación entre la función objetivo y las variables de decisión debe ser
proporcional
4. Divisibilidad; no deben ser solo números enteros
5. Aditividad; se puede sumar variables que aporte a la meta
6. No negatividad de los productos, las variables de decisión
7. Certidumbre; las utilidades, los recursos se conocen con certeza y no varían en el tiempo establecido

EL MÉTODO GRÁFICO

NO todos los problemas de programación lineal tienen una sola solución óptima, se denominan casos especiales

- Problema no acotado: cuando el conjunto factible no está acotado y la función objetivo se puede incrementar o
decrementar ilimitadamente
HERRAMIENTAS MATEMÁTICAS: INVESTIGACIÓN OPERATIVA
- Problema no factible: no existe ninguna solución posible, existe más de una región factible, conjunto factible
vacío
- Degeneración: por un vértice de la región factible pasan más de dos restricciones
- Óptimos múltiples: cuando la función objetivo es paralela a una restricción no acotada, por lo que tendrá el
mismo valor optimo en más de un punto, por lo que puede seleccionar varias alternativas

Módulo 2

EL MÉTODO SIMPLEX: FORMA ESTÁNDAR

Inspecciona todos los vértices de la región factible hasta dar con la solución óptima. Se emplea para cualquier cantidad
de variables de decisión mientras que el método grafico no puede superar las tres variables decisión

Condiciones iniciales

- Todas las restricciones deben ser ecuaciones con lado derecho no negativo
- Todas las variables de decisión son no negativas

Planteo matricial estándar se deben transformar las inecuaciones en ecuaciones agregando una variable, debe ser
mayor o igual a 0. Se designa con la letra “s” y se llamará variable de holgura

x + y +s 1=≤ 0 x + y +s 2=≤ 0

Z=cx +cy +0 s1 +0 s2

Estas variables son excedentes de insumos, para transformar las inecuaciones en ecuaciones, debemos agregar estas
variables siempre del lado izquierdo si la restricción es menor o igual a 0

Las variables que se igualan a 0 son variables no básicas

Las variables distintas de 0 son variables básicas

En el algoritmo simplex se transforman las desigualdades en igualdades para formar un conjunto de ecuaciones, que
permitirá identificar los vértices que se conforman con las intersecciones entre las restricciones

n (variables) > m (ecuaciones) y n – m da el resultado de la cantidad de variables iguales a 0

Una solución factible básica (SFB) son las esquinas o vértices de la región factible. Hacer cero las variables que están en
las dos ecuaciones x=0 e y=0 y dándole el máximo valor a las variables de holgura

LA TABLA SIMPLEX: UN CASO DE MAXIMIZACIÓN

Como construir una tabla simplex

- Igualar a 0 la función objetivo

HERRAMIENTAS MATEMÁTICAS: INVESTIGACIÓN OPERATIVA
Z=2000 x+3000 y Z−2000 x−3000 y=0
BASICA Z x y S1 S2 Solución

Z 1 -2000 -3000 0 0 0
S1 0 1 2 1 0 8
S2 0 3 1 0 1 9

- Primera fila: función objetiva

- Segunda fila: 1era restricción
- Tercera fila: 2da restricción

En la primera columna se indica la función objetivo (Z) y las variables básicas (distintas a 0) que son s1 y s2 ya que
debemos transformar x, y en 0 (solución factible básica inicial)

¿Cómo distinguimos en la tabla si arribamos a la solución óptima?

En la fila correspondiente con la función objetivo (FILA DE LOS INDICADORES); si existen valores negativos, la función
objetivo no estará optimizada. Cuando la fila solo contenga ceros o números positivos el método termina, se denomina
condición de optimalidad

Paso 1

Elegir en la fila de coeficientes de la función objetivo, el coeficiente negativo de mayor valor absoluto. Esta será la
columna del pívot. Nos indicara que variable va a pasar de no básica a básica

Paso 2

Se dividen los coeficientes de las variables básicas (columna solución) y los elementos de su fila que estén en la columna
del pívot 8/2 =4; 9/1 =9

El menor valor positivo es el que va a salir, que se realiza por la condición de factibilidad.

Paso 3

Debemos transformar el valor del pívot en 1.

a. Multiplicar la fila del pívot por 1/2

BASICA Z x y S1 S2 Solución

Z 1 -2000 -3000 0 0 0
S1 0 1/2 1 1/2 0 4
S2 0 3 1 0 1 9

b. Sumar a la primera fila la segunda previamente multiplicada por 3000, restar a la tercera fila la segunda.
F1 + 3000x F2, F3 – F2

BASICA Z x y S1 S2 Solución

Z 1 -500 0 150 0 12000

S1 0 1/2 1 1/2 0 4
HERRAMIENTAS MATEMÁTICAS: INVESTIGACIÓN OPERATIVA
S2 0 5/2 0 -1/2 1 5

LA TABLA SIMPLEX: UN CASO DE MAXIMIZACIÓN

Cuando la inecuación contiene el signo de ≥ debe recurrirse a una variable de excedente. Esta se resta al primer
miembro de la inecuación

x +2 y ≤ 8 3 x+ y ≥ 9 x ≥ 0 ; y ≥0
1. La primera desigualdad se transforma en igualdad añadiendo una variable de holgura s1 x + 2y + s1 = 8
2. La segunda desigualdad se convierte en ecuación restando una variable de excedente s2 3x + y – s2 = 9

Las variables de holgura y las de excedentes son mayores o iguales a 0

Variables artificiales son necesarias cuando un problema contiene restricciones de mayor que o igual a.

La variable artificial A1 se resta en casos de maximización y se suma en casos de minimización y su coeficiente es 100
veces más grande que el mayor coeficiente que se encuentra en la función objetivo