Professional Documents
Culture Documents
Los fundadores de la técnica son George Dantzig, quien publicó el algoritmo simplex, en 1947,
John von Neumann, que desarrolló la teoría de la dualidad en el mismo año, y Leonid
Kantoróvich, un matemático de origen ruso, que utiliza técnicas similares en la economía antes
de Dantzig y ganó el premio Nobel en economía en 1975. En 1979, otro matemático ruso, Leonid
Khachiyan, diseñó el llamado Algoritmo del elipsoide, a través del cual demostró que el
problema de la programación lineal es resoluble de manera eficiente, es decir, en tiempo
polinomial.2 Más tarde, en 1984, Narendra Karmarkar introduce un nuevo método del punto
interior para resolver problemas de programación lineal, lo que constituiría un enorme avance en
los principios teóricos y prácticos en el área.
Como las funciones lineales no son ni estrictamente convexas ni estrictamente cóncavas, las
soluciones óptimas no son necesariamente únicas.
Si la región factible es acotada y no vacía, entonces existirá al menos una solución óptima, puesto
que una función lineal es continua y por lo tanto alcanza un máximo en cualquier región cerrada
y acotada. Sin embargo, puede no existir una solución óptima en dos situaciones. En primer
lugar, si la región factible es vacía, es decir, si ningún punto verifica todas las restricciones,
entonces el problema es inviable. En segundo lugar, si la región factible no está acotada en la
dirección del gradiente de la función objetivo, el problema es no acotado, y se pueden encontrar
puntos que verifican todas las restricciones y con un valor tan alto como queramos de la función
objetivo.
Programación entera
En algunos casos se requiere que la solución óptima se componga de valores enteros para algunas
de las variables. La resolución de este problema se obtiene analizando las posibles alternativas de
valores enteros de esas variables en un entorno alrededor de la solución obtenida considerando
las variables reales. Muchas veces la solución del programa lineal truncado está lejos de ser el
óptimo entero, por lo que se hace necesario usar algún algoritmo para hallar esta solución de
forma exacta. El más famoso es el método de 'Ramificar y Acotar' o Branch and Bound por su
nombre en inglés. El método de Ramificar y Acotar parte de la adición de nuevas restricciones
para cada variable de decisión (acotar) que al ser evaluado independientemente (ramificar) lleva
al óptimo entero.
LA FUNCIÓN OBJETIVO
La función objetivo tiene una estrecha relación con la pregunta general que se desea responder. Si
en un modelo resultasen distintas preguntas, la función objetivo se relacionaría con la pregunta
del nivel superior, es decir, la pregunta fundamental. Así por ejemplo, si en una situación se
desean minimizar los costos, es muy probable que la pregunta de mayor nivel sea la que se
relacione con aumentar la utilidad en lugar de un interrogante que busque hallar la manera de
disminuir los costos.
EL PROBLEMA
La fábrica de Hilados y Tejidos "SALAZAR" requiere fabricar dos tejidos de calidad diferente T
y T’; se dispone de 500 Kg de hilo a, 300 Kg de hilo b y 108 Kg de hilo c. Para obtener un metro
de T diariamente se necesitan 125 gr de a, 150 gr de b y 72 gr de c; para producir un metro de T’
por día se necesitan 200 gr de a, 100 gr de b y 27 gr de c.
2. MODELO DE PL
son ampliamente utilizados como herramienta de apoyo a la toma de decisiones tanto por sus
propiedades que facilitan su resolución, como así también su pertinencia a distintos problemas de
naturaleza real. A continuación se presentan algunos ejemplos resumidos en complejidad con el
objetivo de mostrar algunas aplicaciones típicas.
Aplicaciones de la Programación Lineal
Problema de Inversión: Considere que usted dispone de un capital de 21.000 dólares para invertir
en la bolsa de valores. Un amigo le recomienda 2 acciones que en el último tiempo han estado al
alza: Acción A y Acción B. La Acción A tiene una rentabilidad del 10% anual y la Acción B del
8% anual. Su amigo le aconseja tener una cartera equilibrada y diversa y por tanto le recomienda
invertir un máximo de 13.000 dólares en la Acción A y como mínimo 6.000 dólares en la Acción
B. Además la inversión en la Acción A debe ser menor o igual que el doble de la inversión
destinada a la Acción B. Usted quiere formular y resolver un modelo de Programación Lineal que
permita obtener la política de inversión que permita obtener la máxima rentabilidad (interés)
anual.
Variables de Decisión:
x = dólares invertidos en Acción A.
y = dólares invertidos en Acción B.
Función Objetivo: Se busca maximizar la rentabilidad anual que resulta de invertir en los 2 tipos
de acciones.
Maximizar 0.1x + 0.08y
Restricciones: Considera las recomendaciones de su amigo.
x + y ≤ 21.000 Se puede invertir como máximo 21.000 dólares en total
Este es el modelo utilizado para ejemplificar el uso de Solver de Excel en donde se pueden
encontrar los resultados.
Problema de Mezcla de Productos: Se dispone de 2 ingredientes para fabricar caramelos, cuyo
sabor variará dependiendo de la proporción en que intervengan cada uno de los ingredientes. El
primer ingrediente se compra a $10 por kg. y el segundo a $20 por kg. El proceso de elaboración
supone un costo de $5 por kg. fabricado, cuya cantidad total corresponde simplemente a la suma
de los kg. empleados en la mezcla. La demanda máxima para un mes se cifra en 100 kg y el
precio de venta $50 kg. A la empresa no le interesa producir más de los que puede vender en el
mes. Por último, la composición de la masa debe contener una proporción que no supere el 50%
del primer ingrediente y el 80% del segundo ingrediente. Se requiere determinar cuántos kg. de
caramelos se tiene que fabricar al mes y las proporciones en las que deben ser utilizados los
ingredientes para obtener un máximo beneficio.
Variables de Decisión:
X1: Kg a usar del ingrediente 1 en un mes
X2: Kg a usar del ingrediente 2 en un mes
Función Objetivo: Obtener la maxima utilidad de la venta de los caramelos descontando los
costos de producción
Maximizar 50*(X1 + X2) – 10*X1 – 20*X2 - 5*(X1 + X2) = 35*X1 + 25*X2
Restricciones:
Demanda Máxima: X1 + X2 <= 100
Composición: X1/(X1 + X2) <= 50% o 0,5*X1 – 0,5*X2 <= 0
Composición: X2/(X1 + X2) <= 80% o -0,8*X1 + 0,2*X2 <= 0
No Negatividad: X1,X2>=0
Ejemplo 1
Función objetivo
Maximizar z=X1 + X2
Todo problema programación lineal que se formula de la forma maximice, con todas sus
restricciones≤ y con la condición de no negatividad se le llama forma estándar o forma normal.
Aquí al igual que en el método algebraico, debemos conseguir una solución básica factible,
aplicando las variables de holgura o artificiales: quedando el sistema de ecuación así:
Maximizar z=x1+x2
5X1+ 3X2 +X3=15
3X1+ 5X2 +X4=15
Xj ≥0;j=1,2,3,4
Las variables básicas son X3 yX4 y por supuesto en la función objetivo Z.
2. Igualar la función objetivo a cero
Necesitamos que la función objetivo siempre sea de minimización y que todas las demás
restricciones sean igualdades.
Este problema de programación lineal aún no está en forma estándar. Entonces el paso a seguir
que tenemos que realizar es:
1. cambiar de maximización a minimización: multiplicando la función objetivo por -1.
En este caso la función objetivo será. Minimizar Z-X1-X2=0 Sujeta a:
5X1+ 3X2 +X3=15 31+ 5X2 +X4=15
2da. semana:
FORMULACIÓN O PLANTEO DE MODELOS PL
Elementos básicos de un modelo matemático
Un modelo matemático es producto de la abstracción de un sistema real, eliminando las
complejidades y haciendo suposiciones pertinentes; se aplica una técnica matemática y se obtiene
una representación simbólica del mismo.
Un modelo matemático consta al menos de tres elementos o condiciones básicas:
Las Variables de decisión, la Función Objetivo y las Restricciones.
Variables de decisión y parámetros
Las variables de decisión son incógnitas que deben ser determinadas a partir de la solución del
modelo. Los parámetros representan los valores conocidos del sistema o que se pueden controlar.
Las variables de decisión se representan por: X1, X2, X3,…, Xn ó Xi, i = 1, 2, 3,…, n.
Función Objetivo
La función objetivo es una relación matemática entre las variables de decisión, parámetros y una
magnitud que representa el objetivo o producto del sistema. Es la medición de la efectividad del
Modelo formulado en función de las variables. Determina lo que se va optimizar (Maximizar o
Minimizar).
La solución ÓPTIMA se obtiene cuando el valor de la Función Objetivo es óptimo (valor
máximo o mínimo), para un conjunto de valores factibles de las variables. Es decir, hay que
reemplazar las variables obtenidas X1, X2, X3,…, Xn; en la Función Objetivo Z = f (C1X1,
C2X2, C3X3,…, CnXn) sujeto a las restricciones del modelo matemático.
Por ejemplo, si el objetivo es minimizar los costos de operación, la función objetivo debe
expresar la relación entre el costo y las variables de decisión, siendo el resultado el menor costo
de las soluciones factibles obtenidas.
Restricciones
Las restricciones son relaciones entre las variables de decisión y los recursos disponibles. Las
restricciones del modelo limitan el valor de las variables de decisión. Se generan cuando los
recursos disponibles son limitados.
En el Modelo se incluye, adicionalmente de las restricciones, la Restricción de No
Negatividad de las Variables de decisión, o sea: Xi = 0.
Por ejemplo, si una de las variables de decisión representa el número de empleados de un taller,
el valor de esa variable no puede ser negativo. O también, si una de las variables es la cantidad de
mesas a fabricar, su valor solamente podrá ser igual a cero ó mayor que cero, o sea positivo; sería
absurdo obtener como resultado que se va a fabricar – 4 mesas.
La programación lineal es la interrelación de los componentes de un sistema, en
términos matemáticos, ya sea en forma de ecuaciones o inecuaciones lineales llamado Modelo
de Programación Lineal. Es una técnica utilizada para desarrollar modelos matemáticos, diseñada
para optimizar el uso de los recursos limitados en una empresa u organización.
El Modelo de Programación Lineal, es una representación simbólica de la realidad que se
estudia, o del problema que se va a solucionar. Se forma con expresiones de lógicas matemáticas,
conteniendo términos que significan contribuciones: a la utilidad (con máximo) o al costo (con
mínimo) en la Función Objetivo del modelo. Y al consumo de recursos disponibles (con
desigualdades = ó = e igualdades =) en las restricciones.
En el presente texto desarrollaremos Modelos Matemáticos de Programación Lineal de:
Maximización y Minimización, los cuales estarán indicados en la Función Objetivo del Modelo.
Problemas de aplicación para formular un modelo
1). Proceso de producción.- Una fábrica produce dos tipos de productos: M y N, los costos
de producción de ambos productos son $3 para el producto M y $5 para el producto N.
El tiempo total de producción está restringido a 500 horas; y los tiempos de producción son de 8
horas/unidad para el producto M y de 4 horas/unidad para el producto N. Formule el Modelo
matemático que permita determinar la cantidad de productos M y N a producir, y que optimice el
Costo total de producción de los dos productos.
Formulación del Modelo
En la formulación del modelo, podemos ayudarnos con la representación del Problema mediante
un organizador gráfico o esquema:
Definición de Variables
Se desea formular un modelo matemático para determinar la cantidad que debe producirse por
cada producto (M y N), por lo tanto tendremos dos variables, representados por: x1 , x2.
Siendo: x1 = Cantidad a producirse del producto M,
x2 = Cantidad a producirse del producto N
Función Objetivo
Como se tiene información de Costos de producción de los productos M y N, el objetivo será
minimizarlos:
Luego la Función Objetivo será Minimizar "C" igual al Costo total de producción del producto M
más el Costo total de producción del producto N.
Matemáticamente la Función Objetivo es:
Definición de Restricciones
El tipo de recurso en el problema es el tiempo (puede ser horas hombre u horas máquina).
Formulamos la restricción, colocando en el lado izquierdo de la inecuación el consumo unitario
de los productos M y N, y en el lado derecho la cantidad disponible del recurso (500 horas).
Resumiendo tenemos el siguiente Modelo matemático de Programación Lineal del Problema (un
modelo con dos variables y una restricción, estando listo para aplicar un método de solución:
Definición de Variables:
Se desea determinar la cantidad de bicicletas a producir por cada modelo (paseo y montaña), por
lo tanto tendremos dos variables.
Sean: x1 = Cantidad de bicicletas de paseo a fabricar
x2 = Cantidad de bicicletas de montaña a fabricar
Función Objetivo
El objetivo del problema es maximizar los beneficios económicos totales (Z) de los modelos de
bicicletas que fabricará el empresario.
Precio de venta de la bicicleta de paseo = S/. 200
Precio de venta de la bicicleta de montaña = S/. 150
Beneficio económico = Precio de venta unitario x cantidad a fabricar
Beneficio económico total de bicicleta de paseo = 200 x1
Beneficio económico total de bicicleta de montaña = 150 x2
Luego la Función objetivo será: Maximizar: Z = 200 x1 + 150 x2
Definición de Restricciones
Elaboramos una tabla de materia prima consumida (Acero y Aluminio) por cada modelo de
bicicleta (paseo y montaña) y su disponibilidad:
Modelo de bicicleta Acero Aluminio
Paseo 1 kg. 3 kg.
Montaña 2 kg. 2 kg.
Disponibilidad de materia prima 80 kg. 120 kg.
Restricción del consumo de Acero en la fabricación de bicicletas:
1 x1 + 2 x2 < 80
Restricción del consumo de Aluminio en la fabricación de bicicletas:
3 x1 + 2 x2 < 120
Observación:
El lado derecho de las restricciones, 80 y 120 representa la disponibilidad en kg. de acero y
aluminio respectivamente (materia prima).
El lado izquierdo en las restricciones indica el consumo unitario de materia prima por cada
modelo de bicicleta.
Condición de no negatividad: La producción de cada modelo de las bicicletas pueden ser cero (0)
o mayor que cero, o sea: x1, x2 = 0
Luego el Modelo matemático de Programación Lineal (con dos variables y dos restricciones)
será:
3). Caso de toma de decisiones.- Suponga con los datos del problema 2), anterior, si el
empresario por restricción económica decide hacer solo un modelo de bicicleta. ¿Cuál modelo
debe elegir? ¿Por qué?
Las alternativas de fabricación se desarrollan en las restricciones del Modelo matemático; y
la toma de decisiones se determina evaluando en la Función objetivo las alternativas obtenidas.
La decisión a tomar, por restricción económica, es producir un solo modelo de bicicleta que
genere mayor beneficio al empresario. Luego desarrollamos las alternativas evaluando en las
restricciones del modelo:
La toma de decisiones se realiza evaluando en la Función objetivo las alternativas de fabricación
obtenidas por modelo de bicicleta. A continuación se muestra el procedimiento a realizar.
Toma de decisiones:
Como la Función objetivo es maximizar el beneficio económico, generado por las ventas,
tomamos la decisión de fabricar solo bicicletas de paseo, por ser el modelo que va generar
mayor ganancia, equivalente a S/. 8,000.
Observación:
Hemos demostrado la importancia de formular un modelo matemático adecuado, ya que un error
en la formulación del Modelo, nos puede llevar a tomar una decisión equivocada que puede
generar graves consecuencias para la empresa u organización.
4. SOLUCIÓN GRAFICA
El método gráfico de solución de problemas de programación lineal (PL) solo aplica a problemas
con dos variables de decisión; sin embargo, ilustra adecuadamente los conceptos que nos
permitirán entender la naturaleza del problema PL y de allí entender los métodos de solución
algebraicos.
Primeramente graficaremos la región factible. Después ilustraremos el comportamiento de
funciones lineales para entender cómo determinar los puntos óptimos.
Ejemplo 1
Suponga que se desea resolver el problema PL:
Max z = 3 x + 2 y
sujeto a
2x + y ≤ 100 R5
x + y ≤ 80 R4
x ≤ 40 R3
x ≥ 0 R1
y ≥ 0 R2
Nuestra primera meta es graficar en el plano la región factible; es decir, graficar la totalidad de
puntos del plano que satisfacen las restricciones. Notemos que las restricciones se deben cumplir
simultáneamente. Es decir, que los puntos deben cumplir la restricción R1, la restricción R2, y
así sucesivamente hasta la restricción R5. Desde el punto de vista de teoría básica de conjuntos,
la región factible es la intersección de los conjuntos que satisfacen por separado cada una de las
restricciones. Para avanzar en nuestra meta, debemos saber cómo determinar los puntos del plano
que satisfacen una desigualdad lineal. Distinguimos dos casos:
Cuando en la desigualdad solo aparece una variable de decisión (es decir, la otra variable tiene
coeficiente cero)
Cuando en la desigualdad aparecen las dos variables de decisión (es decir, ambas tienen
coeficientes diferentes de cero en tal desigualdad)
Una de las propiedades básicas de un modelo de Programación Lineal que admite solución, es
que ésta se encontrará en el vértice o frontera (tramo) del dominio de puntos factibles. Es decir, si
luego de gráficar el dominio y evaluar los distintos vértices de modo de elegir "el mejor"
candidato según sea nuestro caso (el valor de la función objetivo será la que nos permitirá
discriminar cual es el mejor candidato dependiendo si estamos maximizando o minimizando).
Consideremos un Ejemplo Introductorio en 2 variables:
D) MIN 8X + 6Y
S.A. 2X + Y >= 10
...... .2X + 2Y >= 16
..... ..X>= 0, Y>= 0
Comentario: Nótese que corresponde al Problema Dual de P) cuya resolución se presenta en
nuestro sitio como ejemplo introductorio en la utilización de Solver de MS Excel. Para ver el
detalle de la resolución gráfica de P) se recomienda al usuario ingresar AQUI.
Para resolver el problema D) graficamos el dominio de puntos factibles y las curvas de nivel
asociadas a la función objetivo:
El área achurada en color verde representa el dominio de puntos factibles del problema D), es
decir, son las distintas combinaciones de valores que pueden adoptar las variables de decisión que
satisfacen las restricciones del problema. Cabe destacar que esto corresponde a un dominio no
acotado, lo que no implica que el problema no tenga solución.
Por otra parte sabemos que el óptimo de un problema lineal se encuentra en un vértice o frontera
del dominio de puntos factibles. En este caso tenemos 3 vértices candidatos al óptimo los cuales
se señalan con flecha blanca y azul. El vértice(X,Y)= (0,10) con V(P)=60;
(X,Y)=(2,6) con V(P)=52 y (X,Y)=(8,0) con V(P)=64. El mínimo valor para la función objetivo
se alcanza en (X,Y)=(2,6) con V(P)=52, el cual resulta ser la Solución Óptima de D). Sin
embargo, una forma más eficiente para obtener el óptimo que no implique evaluar cada vértice en
la función objetivo, es desplazando las curvas de nivel de la función objetivo en la dirección del
máximo decrecimiento (en el caso de un problema de minimización). Para un problema de
minimización, el mayor decrecimiento se alcanza en la dirección del vector " - Gradiente
F(X,Y)", en nuestro caso el vector con dirección (-8,-6) (dirección representada por flecha roja).
Luego, el óptimo se alcanza en el último punto donde las curvas de nivel intersectan al dominio
de puntos factibles en la dirección del máximo decrecimiento, cuya solución obviamente
corresponde a (X,Y)=(2,6) con V(P)=52.
2. Variación en los lados derechos de las restricciones (cálculo del "precio sombra"): Una
pregunta común en el análisis de sensibilidad resulta ver el impacto que tiene en el valor óptimo
una variación marginal del lado derecho de alguna de sus restricciones (tanto aumento o
decrecimiento). El impacto en el valor óptimo por unidad de variación del lado derecho de una
restricción (manteniendo el resto constante) es el precio sombra asociado a dicha restricción. En
nuestro ejemplo, considere que el lado derecho de la restricción 1 (actualmente b1=10)
corresponde a un recurso escaso (ejemplo: horas hombre, dinero, tiempo, etc). Si sabemos que el
actual valor óptimo V(P)=52, quisieramos saber por ejemplo, cuánto aumentaría el valor óptimo
se dispusiéramos de una unidad adicional del recurso escaso (es decir, pasando a b1*=11). En
forma equivalente frecuentemente se plantea esta inquietud como ¿Cuánto es lo máximo que se
estaría dispuesto a pagar por unidad adicional del recurso asociado a la primera restricción?. Este
valor corresponde al precio sombra.
Un Precio Sombra igual a 2 indica por ejemplo que si el lado derecho aumenta en 1 unidad, el
beneficio adicional (incremento en el Valor Óptimo) es de 2 unidades. Adicionalmente, una
pregunta frecuente resulta en identificar el intervalo de variación donde el precio sombra
calculado es válido. El máximo valor al que puede adoptar el lado derecho de R1 es b1*, de
modo que la nueva solución se siga encontrando con R1 y R2 activas. El valor de b1* se obtiene
al evaluar (X,Y)=(8,0) en la Restricción 1: 2*(8) + 1*(0)=16. Siguiendo similar razonamiento el
mínimo valor que puede alcanzar el lado derecho de R1 es b1, que evaluado en (X,Y)=(0,8) en
R1 se obtiene: 2*(0) + 1*(8)=8.
Se recomienda al usuario hacer el cálculo del Precio Sombra para la Restricción 2, el cual
corresponde a 2. Si desea consultar un nuevo ejemplo ingrese a Resolución Gráfica en
Programación Lineal. (Sitio: Investigación Operativa)
Siguiendo un procedimiento similar se pueden obtener los precios sombras asociadas a las
restantes restricciones. A continuación se presenta una tabla resumen del análisis de sensibilidad
obtenido con Solver de Excel:
3ra. semana
MÉTODO SIMPLEX Y SUS VARIANTES
El Método Simplex es un método analítico de solución de problemas de programación
lineal capaz de resolver modelos más complejos que los resueltos mediante el método
gráfico sin restricción en el número de variables.
El Método Simplex es un método iterativo que permite ir mejorando la solución en cada paso.
La razón matemática de esta mejora radica en que el método consiste en caminar del vértice de
un poliedro a un vértice vecino de manera que aumente o disminuya (según el contexto de la
función objetivo, sea maximizar o minimizar), dado que el número de vértices que presenta un
poliedro solución es finito siempre se hallará solución.
Este popular método fue creado en el año de 1947 por el estadounidense George Bernard
Dantzig y el ruso Leonid Vitalievich Kantorovich, con el ánimo de crear un algoritmo capaz de
solucionar problemas de m restricciones y n variables.
La matriz idéntica o identidad es una matriz cuadrada (que posee el mismo número tanto de
columnas como de filas) de orden n que tiene todos los elementos diagonales iguales a uno (1) y
todos los demás componentes iguales a cero (0), se denomina matriz idéntica o identidad de
orden n, y se denota por:
Estas variables suelen estar representadas por la letra "S", se suman si la restricción es de signo
"<= " y se restan si la restricción es de signo ">=".
Por ejemplo:
Estas variables se representa por la letra "A", siempre se suman a las restricciones, su coeficiente
es M (por esto se le denomina Método de la M grande, donde M significa un número demasiado
grande muy poco atractivo para la función objetivo), y el signo en la función objetivo va en
contra del sentido de la misma, es decir, en problemas de Maximización su signo es menos (-) y
en problemas de Minimización su signo es (+), repetimos con el objetivo de que su valor en la
solución sea cero (0).
4ta. semana
DEFINICIÓN DE DUALIDAD
Del latín dualĭtas, el término dualidad señala la existencia de dos fenómenos o caracteres
diferentes en una misma persona o en un mismo estado de cosas. En el ámbito de la filosofía y la
teología, se conoce como dualismo a la doctrina que postula la existencia de dos principios
supremos independientes, antagónicos e irreductibles.
Dualidad
En este sentido, las nociones del bien y del mal son un ejemplo de dualidad. Ambas pueden
definirse por oposición y hacen referencia a dos esencias completamente distintas. Materia-
espíritu y realismo-idealismo son otras muestras de conceptos que conforman una dualidad.
En este caso, todo el conjunto de doctrinas dualistas existentes y que, como hemos mencionado,
parten de esa diferenciación entre el Bien y el Mal tienen una serie de rasgos en común. Así, por
ejemplo, nos encontramos con el hecho de que el Bien siempre se identifica con la luz y también
con el espíritu. Por su parte, el Mal se asocia en todo momento con la oscuridad, con lo que es la
parte corporal y también con el propio Diablo.
De esta manera, podemos ver perfectamente esa dualidad de la que estamos hablando en uno de
los personajes literarios más importantes de toda la historia. Nos estamos refiriendo al
protagonista de la obra “El extraño caso del doctor Jekyll y el señor Hyde”, que en el año 1886
creó el escritor escocés Robert Louis Stevenson.
En concreto, se trata de un científico que ha sido capaz de crear una poción que le permite
cambiar física y personalmente. Así, cuando se convierte en Hyde pasa a ser un hombre violento
capaz de acabar con la vida de otro ser humano. De esta manera, asistimos a las dos caras que
puede tener cualquier persona, el doctor representa al Bien y Hyde a la cara más oculta, siniestra
y violenta del género humano.
La filosofía china apela a la noción del yin y el yang para resumir la dualidad de todo aquello que
existe en el universo. Esta idea puede aplicarse a cualquier situación u objeto, ya que podría
explicarse en la premisa que sostiene que en todo lo bueno hay algo malo y viceversa.
El dualismo teológico se basa en la existencia de un principio divino del bien (asociado a la Luz)
en contraposición a un principio divino del mal (las Tinieblas). Dios es señalado como
responsable de la creación del bien, mientras que el mal es atribuido al diablo. El dualismo, por lo
tanto, libera al hombre de la responsabilidad por la existencia del mal en el mundo.
La Iglesia católica se opone a esta dualidad ya que defiende a un Dios omnipotente e infinito, sin
que pueda existir un mal que limite su potencial. Todo lo que existe fue creado por Dios, nada de
lo creado por Dios puede ser malo.
6.1 RELACIÓN DEL PRIMAL CON EL DUAL
Las relaciones del primal-dual son:
1. Si un problema primal tiene solución factible, el dual tendrá solución factible y
viceversa.
2. Si el problema primal tiene solución factible y función objetivo no acotado, entonces
el dual no tendrá solución factible y viceversa.
3. Si el primal no tiene soluciones factibles el dual no tiene solución factible o la función
objetivo es no acotada.
A menudo en investigación de operaciones, para formular un problema dual se presenta de
acuerdo a la tabla 3.2.1.1
Primal estándar Problema dual
Problema objetivo Objetivo Tipo de restricción Signo de la
variable
Maximización Minimización ≥ No restringida
Minimización Maximización ≤ No restringida
Tabla 3.2.1
La relación entre un problema primal y su dual es presentando las tablas óptimas para ambos.
En la práctica obsérvese que no es necesario resolver ambos, resolviendo uno (mejor
convenga), se puede dar la solución al otro.
Suponga el ejemplo 3.2.1
Primal
𝑀𝑎𝑥 𝑋0 = 𝑋1 + 2𝑋2
𝑠. 𝑎
2𝑋1 + 8𝑋2 ≤ 16
𝑋1 + 𝑋2 ≤ 5
𝑋 1, 𝑋 2 ≥ 0
Dual
𝑀𝑖𝑛 𝑦0 = 16𝑦1 + 5𝑦2
𝑋 𝑋2 𝑆1 𝑆2 𝐿𝐷
1
𝑌0 0 0 1/6 2/3 6
𝑌2 0 1 1/6 -1/3 1
𝑌 1 0 -1/6 4/3 4
1
Solución óptima
𝑍 𝑚𝑎𝑥 = 6
𝑋1 = 4
𝑉𝑅
𝑋2 = 1
𝑆1 = 0
𝑉𝐻
𝑆2 = 0
𝑋1 𝑋2 𝑆1 𝑆2 𝐴1 𝐴2 𝐿𝐷
𝑦0 0 0 -4 -1 — — 6
𝑦2 0 1 -4/3 1/3 4/3 -1/3 2/3
𝑦1 1 0 1/6 -1/6 -1/6 1/6 1/6
Solución óptima:
𝑍𝑚𝑖𝑛 = 6
𝑦1 = 1/6 𝑦2 = 2/3 𝑆1 = 0 𝑆2 = 0 𝐴1 = 0 𝐴2 = 0
Obsérvese que en ambas tablas 3.2.2 y 3.2.3 tenemos la misma solución óptima.
Análisis . Para el primal 𝑍𝑚𝑎𝑥 = 6, el dual 𝑍𝑚𝑖𝑛 = 6; propiedad que cuando una
maximiza el otro minimiza, en ocasiones no da el mismo valor, esto ocurre cuando la
propiedad de dualidad es débil. En este caso 𝑋0 < 𝑦0, para el problema que se analiza
la dualidad es fuerte 𝑋0 = 𝑦0 considerando que ambos problemas son óptimos.
Análisis . Observemos en el primal los coeficientes en renglón 𝑋0 , los
coeficientes de 𝑆1 y 𝑆2 (variables de inicio) corresponden a la solución de un
problema dual como son 𝑆1 = 1/6 y 𝑆2 = 2/3, estos resultados se comparan en la
tabla 3.2.3 y observamos que corresponden a las variables duales 𝑦1 = 1/6 y 𝑦2 =
2/3.
En resumen, los valores óptimos para un problema dual estarán dados por las variables
de aumento (de inicio) en este caso las variables de holgura 𝑆1 y 𝑆2.
Lo mismo ocurre si observamos el renglón 𝑦0 en la tabla 3.2.3 (dual), la solución
óptima para el primal son los coeficientes que están bajo 𝑆1 y 𝑆2 que corresponden en
orden a 𝑋1 = 4 y 𝑋2 = 1; obsérvese que se prescinde del negativo, esto porque el dual se
cambia a minimizar y conocemos la propiedad de 𝑀𝑎𝑥𝑋0 − 𝑀𝑖𝑛(−𝑦0).
De igual forma, de la tabla óptima 3.2.2 se obtienen las variables de aumento para el
dual, estas se encuentran en el renglón 𝑋0 bajo las variables reales 𝑋1 y 𝑋2; por lo
tanto, las variables de holgura 𝑆1 = 0 𝑆2 = 0.
Así mismo, las variables de aumento para el primal están en el renglón 𝑦0 bajo las
variables duales 𝑦1 y 𝑦2, para nuestro ejemplo 𝑆1 = 0 𝑆2 = 0.
5ta. semana:
MODELOS DE TRANSPORTE
El problema del transporte o distribución, es un problema de redes especial
en programación lineal que se funda
en la necesidad de llevar unidades de
un punto específico
llamado fuente u origen hacia otro
punto específico llamado destino.
Los principales objetivos de un
modelo de transporte son la
satisfacción de todos los
requerimientos establecidos por los
destinos, y claro está, la minimización
de los costos relacionados con el plan
determinado por las rutas escogidas.
El contexto en el que se aplica el
modelo de transporte es amplio y
puede generar soluciones atinentes al
área de operaciones, inventario y
asignación de elementos.
El procedimiento de resolución de un
modelo de transporte se puede llevar
a cabo mediante programación lineal común, sin embargo su estructura permite la creación
de múltiples alternativas de solución tales como la estructura de asignación o los métodos
heurísticos más populares como Vogel, Esquina Noroeste o Mínimos Costos.
Los problemas de transporte o distribución son uno de los más aplicados en la economía
actual, dejando como es de prever múltiples casos de éxito a escala global que estimulan la
aprehensión de los mismos.
ALGORITMO DE VOGEL
PASO 2
Escoger la fila o columna con la mayor penalización, es decir que de la resta realizada en el
"Paso 1" se debe escoger el número mayor. En caso de haber empate, se debe escoger
arbitrariamente (a juicio personal).
PASO 3
De la fila o columna de mayor penalización determinada en el paso anterior debemos de
escoger la celda con el menor costo, y en esta asignar la mayor cantidad posible de
unidades. Una vez se realiza este paso una oferta o demanda quedará satisfecha por ende se
tachará la fila o columna, en caso de empate solo se tachará 1, la restante quedará con
oferta o demanda igual a cero (0).
- Si queda sin tachar una fila o columna con oferta o demanda positiva, determine las
variables básicas en la fila o columna con el método de costos mínimos, detenerse.
- Si todas las filas y columnas que no se tacharon tienen cero oferta y demanda, determine
las variables básicas cero por el método del costo mínimo, detenerse.
- Si no se presenta ninguno de los casos anteriores vuelva al paso 1 hasta que las ofertas y
las demandas se hayan agotado.
EL PROBLEMA
Una empresa energética colombiana dispone de cuatro plantas de generación para satisfacer
la demanda diaria eléctrica en cuatro ciudades, Cali, Bogotá, Medellín y Barranquilla. Las
plantas 1,2,3 y 4 pueden satisfacer 80, 30, 60 y 45 millones de KW al día respectivamente.
Las necesidades de las ciudades de Cali, Bogotá, Medellín y Barranquilla son de 70, 40, 70
y 35 millones de Kw al día respectivamente.
Los costos asociados al envío de suministro energético por cada millón de KW entre cada
planta y cada ciudad son los registrados en la siguiente tabla.
Formule un modelo de programación lineal que permita satisfacer las necesidades de todas
las ciudades al tiempo que minimice los costos asociados al transporte.
El paso siguiente es escoger de esta columna el menor valor, y en una tabla paralela se le
asigna la mayor cantidad posible de unidades, podemos observar como el menor costo es
"2" y que a esa celda se le pueden asignar como máximo 60 unidades "que es la capacidad
de la planta 3".
Dado que la fila de la "Planta 3" ya ha asignado toda su capacidad (60 unidades) esta debe
desaparecer.
Este valor se encuentra asignando signos positivos y negativos alternos en los costos
asociados a las variables que forman el circuito, empezando con el costo de la variable no
básica. La suma de los costos del circuito puede hacerse en el sentido de las manecillas del
reloj o en sentido contrario.
El resultado obtenido en la suma de los costos del circuito puede ser positivo o negativo. Si
es positivo indica que el asignar unidades a la variable que se está considerando aumenta el
costo total de transporte. Pero si este valor es negativo, la solución puede mejorarse
asignado a la variable no básica el valor más pequeño de las variables que deben reducir su
valor en el circuito que se está considerando.
El procedimiento termina hasta que todas las variables no básicas tienen valor positivo en la
suma de los costos del circuito.
Ejemplo:
Encuentre la solución óptima del problema de la compañía de renta de autos utilizando una
solución inicial por el método de costo mínimo y empleando el método de utilización de
banquillo.
¿Cómo asignar?
Restar 3 unidades a negativos y sumar 3 unidades a positivos.
El criterio que se utiliza para seleccionar la variable que entra es el mismo que el método de
banquillo (la mayor negativa).
Ejemplo:
Una compañía está considerando una demanda de 5 clientes utilizando artículos que tienen
disponibles en 2 almacenes. Los almacenes cuentan con 800 y 1000 unidades
respectivamente. Los clientes necesitan 200, 150, 200, 180 y 500 unidades respectivamente.
Los costos de embarque por artículo de los almacenes de los clientes son:
Se acostumbra:
MÉTODO HÚNGARO
El método Húngaro es un método de optimización de problemas de asignación, conocido
como tal gracias a que los primeros aportes al método clásico definitivo fueron de Dénes
König y Jenő Egerváry dos matemáticos húngaros. El algoritmo tal como se detallará a
continuación está diseñado para la resolución de problemas de minimización únicamente.
Es importante resaltar que el método húngaro trabaja en una matriz de costos n*m (en este
caso conocida como matriz m*m, dado que el número de filas es igual al número de
columnas n = m).
Para resolver problemas de asignación, aplicando el método Húngaro, se requiere seguir los
siguientes algoritmos o pasos:
Paso 1
En la matriz original de costo, identificar el mínimo de cada renglón y restarlo de todos los
elementos del renglón.
Paso 2
En la matriz que resulte del paso 1, identificar el mínimo de cada columna, y restarlo de
todos los elementos de la columna.
Paso 2.1
Si no se puede asegurar una asignación factible (con todos los elementos cero) con los
pasos 1 y 2,
a). Trazar la cantidad mínima de líneas horizontales y verticales en la última matriz
reducida que cubran todos los elementos cero.
b). Seleccionar el elemento mínimo no cubierto, restarlo de todo elemento no cubierto y
a continuación sumarlo a todo elemento en la intersección de dos líneas.
c). Si no se puede encontrar una asignación factible entre los elementos cero que
resulten, repetir el paso 2.1. En caso contrario, seguir en el paso 3 para determinar la
asignación óptima.
Paso 3
Identificar la solución óptima como la asignación factible asociada con los elementos cero
de la matriz obtenida en el paso 2.
EJEMPLO #1
Un equipo de 3 mecánicos debe ser asignado para la realización de 3 tareas, donde cada
mecánico debe hacer una tarea. Se requiere encontrar la asignación de costo mínimo para lo
cual se dispone de los costos asociados a que el mecánico i realice la tarea j.
SOLUCIÓN
PASO 1: En la matriz original de costo, identificar el mínimo de cada renglón y restarlo de
todos los elementos del renglón.
PASO 2: En la matriz que resulte del paso 1, identificar el mínimo de cada columna, y
restarlo de todos los elementos de la columna.
PASO 3: Identificar la solución óptima como la asignación factible asociada con los
elementos cero de la matriz obtenida en el paso 2.
Las celdas con valor cero y color cafés son la solución óptima. En consecuencia el
mecánico 1 realiza la tarea 2, el mecánico 2 asuma la tarea 1 y el mecánico 3 la tarea 3.
Cada mecánico realiza exactamente una tarea y el costo total de dicha asignación (valor
óptimo) es de Q9+Q10+Q8=Q27.
10ma. Semana
1. DEFINICIONES DE PROYECTOS
PROBABILÍSTICOS Y DETERMINÍSTICOS
Proyectos probabilísticos
Modelo probabilístico o estadístico es la forma que pueden tomar un conjunto de datos
obtenidos de muestreos de datos con comportamiento que se supone aleatorio.
Un modelo estadístico es un tipo de modelo matemático que usa la probabilidad, y que
incluye un conjunto de asunciones sobre la generación de algunos datos muestrales, de tal
manera que asemejen a los datos de una población mayor.
Las asunciones o hipótesis de un modelo estadístico describen un conjunto de
distribuciones de probabilidad, que son capaces de aproximar de manera adecuada un
conjunto de datos. Las distribuciones de probabilidad inherentes de los modelos
estadísticos son lo que distinguen a los modelos de otros modelos matemáticos
deterministas.
Un modelo estadístico queda especificado por un conjunto de ecuaciones que relacionan
diversas variables aleatorias, y en las que pueden aparecer otras variables no aleatorias.
Como tal "un modelo es una representación formal de una teoría"1
Todos los tests de hipótesis estadísticas y todos los estimadores estadísticos proceden de
modelos estadísticos. De hecho, los modelos estadísticos son una parte fundamentalmente
de la inferencia estadística.
Donde
Y = es la variable de respuesta de interés.
μ = promedio general de la población sobre la cual se está trabajando
t = es la variación que se atribuye a los niveles del factor que se está evaluando
(efecto de los tratamientos).
ξ = es la variación de los factores no controlados ( el error experimental)
i = i -ésimo tratamiento
j = j -ésima repetición de cada tratamientos
j(i) = es la variación de las unidades experimentales anidado en los tratamientos.
Los modelos estadísticos pueden ser lineales o no lineales.
DETERMINISTICOS
Un modelo determinista es un modelo matemático donde las mismas entradas o
condiciones iniciales producirán invariablemente las mismas salidas o resultados, no
contemplándose la existencia de azar, o incertidumbre en el proceso modelada mediante
dicho modelo.
Está estrechamente relacionado con la creación de entornos simulados a través de
simuladores para el estudio de situaciones hipotéticas, o para crear sistemas de gestión que
permitan disminuir la propagación de errores. Los modelos deterministas sólo pueden ser
adecuados para sistemas deterministas no caóticos, para sistemas azarosos (no-
determinista) y caóticos (determinista inpredictible a largo plazo) los modelos deterministas
no pueden predecir adecuadamente la mayor parte de sus características.
La inclusión de mayor complejidad en las relaciones con una cantidad mayor de variables y
elementos ajenos al modelo determinista hará posible que éste se aproxime a un modelo
probabilístico o de enfoque estocástico.
Por ejemplo, la planificación de una línea de producción, en cualquier proceso industrial, es
posible realizarla con la implementación de un sistema de gestión de procesos que incluya
un modelo determinista en el cual estén cuantificadas las materias primas, la mano de obra,
los tiempos de producción y los productos finales asociados a cada proceso.
Un conjunto de ecuaciones diferenciales de un sistema físico macroscópico constituye un
modelo determinista que puede predecir la evolución determinista en el tiempo de un buen
número de magnitudes características del sistema.
DIAGRAMA CPM
es frecuentemente utilizado en el desarrollo y control de proyectos. El objetivo principal es
determinar la duración de un proyecto, entendiendo éste como una secuencia de actividades
relacionadas entre sí, donde cada una de las actividades tiene una duración estimada.
En este sentido el principal supuesto de CPM es que las actividades y sus tiempos de
duración son conocidos, es decir, no existe incertidumbre. Este supuesto simplificador hace
que esta metodología sea fácil de utilizar y en la medida que se quiera ver el impacto de la
incertidumbre en la duración de un proyecto, se puede utilizar un método complementario
como lo es PERT.
Una ruta es una trayectoria desde el inicio hasta el final de un proyecto. En este sentido, la
longitud de la ruta crítica es igual a la la trayectoria más grande del proyecto. Cabe destacar
que la duración de un proyecto es igual a la ruta crítica.
Etapas de CPM
Para utilizar el método CPM o de Ruta Crítica se necesita seguir los siguientes pasos:
1. Definir el proyecto con todas sus actividades o partes principales.
2. Establecer relaciones entre las actividades. Decidir cuál debe comenzar antes y cuál debe
seguir después.
3. Dibujar un diagrama conectando las diferentes actividades en base a sus relaciones de
precedencia.
4. Definir costos y tiempo estimado para cada actividad.
5. Identificar la trayectoria más larga del proyecto, siendo ésta la que determinará la
duración del proyecto (Ruta Crítica).
6. Utilizar el diagrama como ayuda para planear, supervisar y controlar el proyecto.
Por simplicidad y para facilitar la representación de cada actividad, frecuentemente se
utiliza la siguiente notación:
Donde:
IC : Inicio más cercano, es decir, lo más pronto que puede comenzar la actividad.
TC : Término más cercano, es decir, lo más pronto que puede terminar la actividad.
IL : Inicio más lejano, es decir, lo más tarde que puede comenzar la actividad sin retrasar el
término del proyecto.
TL : Término más lejano, es decir, lo más tarde que puede terminar la actividad sin retrasar
el término del proyecto.
Adicionalmente se define el término Holgura para cada actividad que consiste en el tiempo
máximo que se puede retrasar el comienzo de una actividad sin que esto retrase la
finalización del proyecto. La holgura de una actividad se puede obtener con la siguiente
fórmula:
Holgura = IL - IC = TL - TC
EJEMPLO: A continuación se presenta un resumen de las actividades que requiere un
proyecto para completarse. El tiempo de duración de cada actividad en semanas es fijo. Se
solicita que estime la duración total del proyecto a través del método CPM.
Actividad Duración (sem) Actividad Predecesora
A 6 -
B 8 -
C 12 A,B
D 4 C
E 6 C
F 15 D,E
G 12 E
H 8 F,G
En consideración a las etapas del método CPM definidas anteriormente, en este caso se
debe desarrollar el paso 3 y 5. En este sentido es necesario construir el diagrama
identificando las relaciones entre las actividades y con el objetivo de resumir la
metodología se incorporará inmediatamente el cálculo de la Holgura, IC, TC, IL, TL para
cada actividad, junto con la identificación de la ruta crítica.
DIAGRAMA DE PERT
Un Diagrama de PERT permite establecer relaciones a partir de las dependencias de las
actividades de un proyecto. Si el entregable de una actividad es necesario para empezar la
siguiente, situaremos a continuación a segunda tarea. Ninguna actividad se puede realizar
antes si depende de que termine otra que está planificada más tarde. De esta manera, más
sencilla, explicamos qué es el Diagrama de PERT y cómo usar PERT en el proceso de
planificación de tu trabajo.
PERT suele utilizarse junto a técnicas CPM (Critical Path Method), para detectar esos
‘cuellos de botella’ que pueden poner en peligro el proyecto al completo. Con PERT y
CPM sabremos el camino crítico de nuestros proyectos y realizaremos un mejor control de
calidad de los resultados del mismo.
Así pues, este concepto está ligado directamente con la fecha de fin del proyecto. Para que
este se realice dentro de plazo, lo primero que se debe desarrollar es la ruta crítica. Por ello,
se hace de imprescindible identificar el camino crítico durante la etapa de planificación, a
través de otra técnica muy similar al método PERT, hablamos del CPM (Critical Path
Method).
Gracias a las dependencias entre actividades extraídas, obtendremos el flujo de trabajo más
óptimo. Sólo así podremos evitar un retraso que
paralice nuestro proyecto. Las actividades que no
se relacionen con la ruta crítica, tienen una
mayor holgura por lo que pueden ser
susceptibles de modificaciones posteriores sin
que afecte a la fecha final del proyecto.
Así pues, mientras que PERT considera los
recursos necesarios para completar las
actividades en una duración determinada, la
lógica del CPM detecta el camino crítico y los posibles ‘cuellos de botella’ del proyecto.
Red PERT
Las técnicas PERT y CPM nos ayudan a programar un proyecto con el coste
mínimo y la duración más adecuada, tal y como lo hace Sinnaps. Con ambas técnicas,
el Project Manager podrá encontrar una compensación del esfuerzo en su proyecto.
Teniendo en cuenta las actividades que no están dentro del camino crítico, el equipo
trabajará en estas tareas cuando tenga disponibles los recursos, dejándolas al servicio de las
actividades críticas en las fases más complicadas del proceso.
EL ORIGEN DE PERT
El Diagrama de PERT es utilizado por las empresas desde mediados del siglo pasado. Sus
funcionalidades son múltiples, ya que entre las más destacadas, la técnica de PERT nos
ayuda a saber cuál será el final del proyecto. Es decir, la fecha mínima en la que
terminaremos nuestro trabajo. Esto nos permite establecer una comunicación más
efectiva con el dueño del proyecto o cliente.
Ventajas
Organizar actividades.
Calcular rutas de trabajo optimizadas.
Tiene en cuenta las dependencias entre las tareas.
Planificaciones más efectivas y realistas.
Tiene en cuenta cada actividad de manera individual y su relación con las demás
tareas.
Permite la identificación de cuellos de botella o nodos críticos en la ruta de trabajo.
Ayuda a cumplir plazos y presupuestos estimados.
Mejora la toma de decisiones anticipadas y efectivas.
Mejor integración y presentación de datos a los interesados del proyecto.
Desventajas
El modelo PERT y CPM suelen ir asociados en toda gestión de proyectos. Ambas técnicas
llevan empleándose desde los años 50 del siglo XX, cuando comenzaron su aplicación por
la armada estadounidense.
La técnica de PERT se centra en establecer las relaciones entre las actividades, a partir de
las dependencias entre ellas. Mientras que CPM encuentra los caminos críticos y cuellos
de botella del proyecto, apoyada de PERT.
Los caminos críticos son las rutas que primero debemos realizar si queremos terminar en
plazo. Porque muchas actividades estarán esperando que se realicen otras previas. Esta ruta
crítica suele marcar el final del proyecto, ya que suele ser de las más largas del mismo.
11va. Semana:
CIRCULO DE LA RUTA CRITICA
El método de la ruta crítica o del camino crítico es un algoritmo utilizado para el cálculo
de tiempos y plazos en la planificación de proyectos.1 Este sistema de cálculo conocido por
sus siglas en inglés CPM (Critical Path Method), fue desarrollado en la década de 1950 en
Villa Ruiseñor, Chile por el empresario Armando Quiroga, en un centro de investigación de
operaciones para las firmas, buscando el control y la optimización de los costos mediante la
planificación y programación adecuadas de las actividades componentes del proyecto. Otro
proyecto importante de esa época, el proyecto "Polaris" originó en 1958 la creación de uno
de los métodos de programación por camino crítico, conocido con el nombre de PERT
(Program Evaluation and Review Technique).2
En administración y gestión de proyectos, una ruta crítica es la secuencia de los elementos
terminales de la red de proyectos con la mayor duración entre ellos, determinando el tiempo
más corto en el que es posible completar el proyecto. La duración de la ruta crítica
determina la duración del proyecto entero. Cualquier retraso en un elemento de la ruta
crítica afecta a la fecha de término planeada del proyecto, y se dice que no hay holgura en
la ruta crítica.
Un proyecto puede tener varias rutas críticas paralelas. Una ruta paralela adicional a través
de la red con la duración total cercana a la de la ruta crítica, aunque necesariamente menor,
se llama ruta sub-crítica.
Originalmente, el método de la ruta crítica consideró solamente dependencias entre los
elementos terminales. Un concepto relacionado es la cadena crítica, la cual agrega
dependencias de recursos. Cada recurso depende del manejador en el momento donde la
ruta crítica se presente.
A diferencia de la técnica de revisión y evaluación de programas (PERT), el método de la
ruta crítica usa tiempos ciertos (reales o deterministas). Sin embargo, la elaboración de un
proyecto basándose en redes CPM y PERT son similares y consisten en: