Investigación Unidad 2 Operaciones
Investigación Unidad 2 Operaciones
Investigación Unidad 2 Operaciones
Para construir un modelo es necesario primero definir las variables en función de las cuales será
establecido. Luego, se procede a determinar matemáticamente cada una de las dos partes que
constituyen un modelo: a) la medida de efectividad que permite conocer el nivel de logro de los
objetivos y generalmente es una función(ecuación) llamada función objetivo; b) las limitantes del
problema llamadas restricciones que son un conjunto de igualdades o desigualdades que
constituyen las barreras y obstáculos para la consecución del objetivo. Un modelo siempre debe
ser menos complejo que el problema real, es una aproximación abstracta de la realidad con
consideraciones y simplificaciones que hacen más manejable el problema y permiten evaluar
eficientemente las alternativas de solución.
Los modelos matemáticos tienen muchas ventajas sobre una descripción verbal del problema. Una
ventaja obvia es que el modelo matemático describe un problema en forma mucho más concisa.
Esto tiende a hacer que toda la estructura del problema sea más comprensible y ayude a revelar
las relaciones importantes entre causa y efecto. De esta manera, indica con más claridad que
datos adicionales son importantes para el análisis. También facilita simultáneamente el manejo del
problema en su totalidad y el estudio de todas sus interpelaciones. Por último, un modelo
matemático forma un puente para poder emplear técnicas matemáticas y computadoras de alto
poder, para analizar el problema. Sin duda, existe una amplia disponibilidad de paquetes de
software para muchos tipos de modelos matemáticos, para micro y minicomputadoras.
Por otro lado, existen obstáculos que deben evitarse al usar modelos matemáticos. Un modelo es,
necesariamente, una idealización abstracta del problema, por lo que casi siempre se requieren
aproximaciones y suposiciones de simplificación si se quiere que el modelo sea manejable
(susceptible de ser resuelto). Por lo tanto, debe tenerse cuidado de que el modelo sea siempre
una representación válida del problema. El criterio apropiado para juzgar la validez de un modelo
es el hecho de si predice o no con suficiente exactitud los efectos relativos de los diferentes cursos
de acción, para poder tomar una decisión que tenga sentido. En consecuencia, no es necesario
incluir detalles sin importancia o factores que tienen aproximadamente el mismo efecto sobre
todas las opciones. Ni siquiera es necesario que la magnitud absoluta de la medida de efectividad
sea aproximadamente correcta para las diferentes alternativas, siempre que sus valores relativos
(es decir, las diferencias entre sus valores) sean bastante preciso. Entonces, todo lo que se
requiere es que exista una alta correlación entre la predicción del modelo y lo que ocurre en la
vida real. Para asegurar que este requisito se cumpla, es importante hacer un número
considerable de pruebas del modelo y las modificaciones consecuentes. Aunque esta fase de
pruebas se haya colocado después en el orden del libro, gran parte del trabajo de validación del
modelo se lleva a cabo durante la etapa de construcción para que sirva de guía en la obtención del
modelo matemático.
Resolver un modelo consiste en encontrar los valores de las variables dependientes, asociadas a
las componentes controlables del sistema con el propósito de optimizar, si es posible, o cuando
menos mejorar la eficiencia o la efectividad del sistema dentro del marco de referencia que fijan
los objetivos y las restricciones del problema. La selección del método de solución depende de las
características del modelo. Los procedimientos de solución pueden ser clasificados en tres tipos: a)
analíticos, que utilizan procesos de deducción matemática; b) numéricos, que son de carácter
inductivo y funcionan en base a operaciones de prueba y error; c) simulación, que utiliza métodos
que imitan o, emulan al sistema real, en base a un modelo. Muchos de los procedimientos de
solución tienen la característica de ser iterativos, es decir buscan la solución en base a la repetición
de la misma regla analítica hasta llegar a ella, si la hay, o cuando menos a una aproximación.
El modelo se puede resolver en forma geométrica si solo se tiene 2 variables. Para modelos con 3
o más variables el método grafico 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 grafico en recursos.
*PL.- es una técnica mediante la cual se toman decisiones reduciendo el problema bajo estudio a
un modelo matemático general.
Maximizar y Minimizar.
Podemos maximizar y minimizar por el método grafico nuestros problemas y nos lleva a un
resultado exacto al igual que el simplex solo que este es aún más fácil, pues como al principio
mandas en la ecuación a X cero y después Y así te da el primer punto a graficar y así con las demás
ecuaciones, el punto donde se intersectan dos o más líneas de las ecuaciones es el punto solución,
este se sustituye debidamente cada número en Su variable en la función objetivo para dar la
comprobación. Así el espacio debajo del punto de intersección es para maximización y se presenta
el resultado por ejemplo Z=10, para la minimización es lo mismo solo se toma el punto solución
como lo más y el resultado de igual solo que se representaría –Z=10 y la zona factible cabe en la
parte mayor de la gráfica.
1. Graficar las soluciones factibles, o el espacio de soluciones (factible), que satisfagan todas las
restricciones en forma simultánea.
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.
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.
El Método Simplex es un procedimiento iterativo el cual permite mejorar la solución a cada paso.
Este proceso concluye cuando no es posible seguir mejorando la solución.
Este método se puede considerar como un método algebraico para resolver problemas de
programación lineal el cual involucra dos o más variables.
El Método Simplex fue creado en el año de 1947. Su primera aplicación fue después del verano de
1947 cuando se resolvió un problema de programación de 9 restricciones y 27. Usando calculadora
de escritorio se requirieron 120 días, en la actualidad y un programa para resolver el Método
Simplex será cosa de minutos.
El Método Simplex como herramienta de programación lineal constituye una de las mejores
formas para obtener la solución más óptima en programación lineal.
En este método utilizaremos las desigualdades <, >, ≥ y ≤.
2. Restricciones. Están constituidas por el conjunto de desigualdades que limitan los valores que
puedan tomar las variables de desigualdad.
3. Función objetivo. Es una función matemática que relaciona las variables de decisión.
4. Linealidad. Se refiere a que la relación entre las variables de la función objetiva y restricciones
deben ser lineales.
5. Desigualdades. Las desigualdades utilizadas para representar las restricciones deben ser
cerradas.
En la misma columna se puede observar el vértice donde se alcanza, observando las filas
correspondientes a las variables de decisión que han entrado en la base: D (3,12)
• En la primera fila de la tabla se colocan los coeficientes de las variables en la función objetivo.
• En las tres primeras columnas aparecen los coeficientes de las variables básicas en la función
objetivo, las variables básicas iniciales y el vector de términos independientes de las restricciones,
respectivamente.
• Los elementos de la penúltima fila son los productos escalares del vector de la primera columna
con los vectores de la tabla que quedan encima de cada uno de esos elementos.
Cada tabla del Simplex está asociada a una solución básica factible. De forma que, una vez
construida la tabla inicial, deben establecerse las reglas que permitan obtener las tablas asociadas
a las siguientes soluciones básicas, así como saber la solución básica que lleva asociada cada tabla.
Además, es necesario saber cuándo una tabla corresponde a la solución óptima, esto último se
consigue analizando los signos de la última fila de la tabla:
Si todos los elementos de la última fila de la tabla son mayores o iguales que cero, el óptimo ha
sido alcanzado. Cuando alguno de los elementos de la última fila es negativo, el valor óptimo
puede mejorarse y por tanto debe construirse una nueva tabla de la manera siguiente:
• Para saber a qué variable básica sustituye, se dividen los valores de la tercera columna entre los
valores positivos de la columna de A seleccionada en el paso anterior (la que corresponde al
elemento negativo de mayor valor absoluto). En caso de no existir valores positivos, puede
asegurarse que el problema no tiene óptimo finito.
• Mediante transformaciones elementales de filas sobre el bloque central de la tabla (el bloque de
fondo amarillo en la tabla) se llega a transformar en 1 el pívot y anular los restantes elementos de
la correspondiente columna. Las únicas transformaciones que son permitidas son:
• Intercambiar las variables básicas en la segunda columna al mismo tiempo que se modifica el
correspondiente elemento de la primera columna.
• Calcular los nuevos valores de las dos últimas filas de la tabla de acuerdo a las instrucciones ya
indicadas. Se repiten todos estos procesos y se van transformando las tablas hasta que el test de
parada sea positivo (todos los elementos de la última fila mayores o iguales que cero) en cuyo caso
se tiene:
•El óptimo se alcanza en el punto cuyas coordenadas son nulas excepto las correspondientes a las
variables básicas, cuyos valores aparecen en la tercera columna de la tabla óptima.
Analizando más en profundizar cada una de las etapas expuestas, se puede comprobar la
correspondencia con el método Simplex enunciado de una forma más teórica anteriormente. Por
supuesto, la mejor manera de comprender la resolución mediante tablas es con ejemplos
particulares; a continuación, se exponen dos de estos ejemplos.
2.4 Método dual
Todo problema de programación lineal tiene asociado con él otro problema de programación
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 están
formados por el mismo conjunto de datos. La solución básica factible óptima de estos problemas
es tal que una puede fácilmente ser usada para la solución de la otra.
La dimensión del problema de programación lineal influencia la elección del cálculo del primo o
del dual. Si el primo tiene más ecuaciones que variables, es frecuentemente más fácil obtener la
solución del dual ya que menor número de iteraciones son requeridas. Además, si el primo tiene
solución, el dual tendrá solución. Una vez que el problema dual es formulado, el procedimiento de
solución es exactamente el mismo que para cualquier problema de programación lineal.
1. Los coeficientes de la función objetivo del primo se convierten en las restricciones constantes de
las ecuaciones del dual.
2. Las restricciones de las ecuaciones del primo se convierten en los coeficientes de la función
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 Xn variables del primo son remplazadas por Wm variables en el
dual.
2.5 Método dual-simplex
La solución de un problema dual permite obtener interesantes resultados, relativo al análisis de
sensibilidad de los términos independientes. Más concretamente, para los rangos de los términos
independientes para los que se mantiene la base óptima, la solución dual nos permite conocer el
precio sombra de la restricción, que será la variación de la función objetivo por unidad
incrementada del término independiente de la restricción.
2.6 Análisis de resultados
Los resultados se analizaron en términos de la media de los errores agrupados por tipo de
instancias y en forma global, para cada valor utilizado de y. El error se calcula como:
https://es.scribd.com/doc/143333682/Investigacion-de-Operaciones
http://www.itsmante.edu.mx/wp-content/uploads/2017/11/ANTOLOGIA-INVESTIGACI%C3%93N-
DE-OPERACIONES-I.pdf
https://www.academia.edu/15806834/UNIDAD_II_PROGRAMACION_LINEAL