1.2.- formulacion de modelos Modelos Formales: Se usan para resolver problemas cuantitativos de decisin en el mundo real.

Algunos modelos en la ciencia de la administracin son llamados modelos deterministicos. Esto significa que todos los datos relevantes (es decir, los datos que los modelos utilizarn o evaluarn) se dan por conocidos. En los modelos probabilsticos (o estocsticos), alguno de los datos importantes se consideran inciertos, aunque debe especificarse la probabilidad de tales datos Construccin del Modelo del Problema: cuando la funcin objetivo a optimizar (maximizar minimizar), as como las restricciones son funciones lineales, entonces el problema es completamente lineal y su forma general queda establecida de la siguiente manera dada las j variables X1, X2,... Xj, llamadas variables de decisin, determinar que valor de cada una de ellas hacen mxima mnima una funcin objetivo Z, es decir, que sea ptima, considerando que una funcin es ptima, si primero es factible y su formulacin general es: a)Funcin objetivo: Max Min Z= C1, X1, + C2 X2 + . . . +Cj Xj b)Sujeta a las restricciones: a11 x1 + a12 x2 + . . . + a1 jXj < = > b1 a21 x1 + a22 x2 + . . . + a2 jXj < = > b2 . . . . . . . . . . . . . . . . . . . . . . . . ai1 X1 + ai2 X2 + . . . + aij Xj < = > bj c) No-negatividad: X j 0 ; j = 1, 2, 3, ... n DONDE: Z = Objetivo del problema (maximizar minimizar) Xj = Variables de decisin ( j = 1, 2, 3.... n ) Cj = Contribucin por unidad de la variable de decisin. aij = Coeficiente Tecnolgico(i =1,2,3,...,m ; j =1,2,3, . . . ,n) bj = Recurso Disponible.

1.3 Metodo grafico El Mtodo Grfico se utiliza para ilustrar tres conceptos bsicos: la metodologa para la resolucin de un problema de dos variables de decisin, la interpretacin de la solucin del problema modelado y la observacin grfica de como afectan los cambios a la solucin del problema. El Mtodo Grfico es poco poderoso ya que est limitado a resolver problemas de dos o mximo tres variables de decisin. Sin embargo, su importancia radica en que permite visualizar los conceptos matemticos implicados en la Programacin Lineal. Por su parte, el Mtodo Simplex es utilizado para resolver problemas ms complejos de Programacin Lineal. Es un mtodo poderoso, utilizado para resolver problemas de "n" variables de decisin, aunque tambin se puede emplear para resolver problemas de dos variables como lo hace el Mtodo Grfico.

El mtodo grfico se utiliza para la solucin de problemas de PL, representando geomtricamente a las restricciones, condiciones tcnicas y el objetivo. El modelo se puede resolver en forma grfica si slo tiene dos variables. Para modelos con tres o ms variables, el mtodo grfico es imprctico o imposible. Cuando los ejes son relacionados con las variables del problema, el mtodo es llamado mtodo grfico en actividad. Cuando se relacionan las restricciones tecnolgicas se denomina mtodo grfico en recursos. Los pasos necesarios para realizar el mtodo son nueve: 1. graficar las soluciones factibles, o el espacio de soluciones (factible), que satisfagan todas las restricciones en forma simultnea. 2. Las restricciones de no negatividad Xi>= 0 confan todos los valores posibles. 3. El espacio encerrado por las restricciones restantes se determinan sustituyendo en primer trmino <= por (=) para cada restriccin, con lo cual se produce la ecuacin de una lnea recta. 4. trazar cada lnea recta en el plano y la regin en cual se encuentra cada restriccin cuando se considera la desigualdad lo indica la direccin de la flecha situada sobre la lnea 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. 6. Aunque hay un nmero infinito de puntos factibles en el espacio de soluciones, la solucin ptima puede determinarse al observar la direccin en la cual aumenta la funcin objetivo. 7. Las lneas paralelas que representan la funcin objetivo se trazan mediante la asignacin de valores arbitrarios a fin de determinar la pendiente y la direccin en la cual crece o decrece el valor de la funcin objetivo. Ejemplo. Maximizar Z = 3X1 + 2X2
restricciones : X1 + 2X2 2X1 + -X1 + X2 X2 X2 X1 X2 <=6 <=8 <=1 <= 2 >= 0 >= 0 (1) (2) (3) (4) (5) (6)

Convirtiendo las restricciones a igualdad y representandolas grficamente se tiene:

X1 + 2X2 2X1 + -X1 + X2 X2 X2 = 6 = 8 = 1 = 2 (1) (2) (3) (4)

X1 X2

= 0 = 0

(5) (6)

1.4 Formas estandar y canonicas FORMA CANONICA: Esta es til para el manejo del tema que se refiere al problema dual de cualquier problema de programacin lineal. La forma cannica aceptable y reconocida en la mayora de los textos debe cumplir con lo s siguientes requisitos: Funcin objetivo maximizar. Restricciones del tipo . Condiciones de negatividad para variables. Otra forma legtima para considerar como cannica es cumpliendo con los siguientes requisitos: Funcin objetivo de minimizar. Restricciones del tipo . Condiciones de no negatividad para variables. FORMA ESTANDAR: El modelo de programacin lineal para resolverse, necesita arreglarse para igualdades, lo cual se consigue utilizando tanto variables de holgura como variables superfluas. Lo anterior da lugar a la presentacin del modelo cumpliendo con l os siguientes requisitos: Funcin objetivo para Max. o bien Min. Restricciones del tipo =. Lado derecho de restricciones no negativo. Condiciones de no negativo para variables.

1.5 Metodo simplex

EL METODO SIMPLEX
Hasta ahora se han resuelto problemas de programacin lineal a travs de un mtodo geomtrico. Este mtodo no resulta prctico cuando el nmero de variables se aumenta a tres, y con ms variables resulta imposible de utilizar. Ahora se examinar una tcnica diferente, el mtodo simplex, cuyo nombre est asociado en anlisis ms avanzados a un objeto geomtrico al que se denomina simplex. El mtodo simplex comienza con una solucin factible y prueba si es o no ptima. Si no lo es, el mtodo sigue a una mejor solucin. Se dice mejor en el sentido de nueva solucin no

es ptima, entonces se repite el procedimiento. En algn momento el mtodo simplex conduce a una solucin ptima, si es que existe. Adems de ser eficiente, dicho mtodo tiene otras ventajas. Es completamente mecnico (se utilizan matrices, operaciones elementales sobre renglones y aritmtica bsica). Asimismo, no implica el uso de geometra. Esto permite resolver problemas de programacin lineal que tiene cualquier nmero de restricciones y variables. El problema normal de programacin lineal es de la forma. Maximizar Sujeto a: Z = C 1 X 1 + C 2 X 2 + ...................+ C n X n a 11x 1 + a 12 x 2 + ............................ a 1 n x n b 1 a 12x 1 + a 22 x 2 + ............................ a 2 n x n b 2

a m1x 1 + a m2 x 2 + ............................ a m n x n b m En donde x1 , x 2,..........x n y b 1 , b 2 , ................b m son no negativas. Para aplicar el mtodo simplex tenemos un ejemplo. Maximizar s.a. Z=3x1+x2 2x1 + x2 8 2 x 1 + 3x 2 12 x1, x2 0

Se comienza expresar las restricciones en forma de ecuaciones. En la restriccin 1 tenemos 2 x 1 + x 2 8 ser igualdad si se aade algn nmero no negativo s 1 quedando. 2x1 + x2 +s1= 8

a s 1 se le denomina variable de holgura puesto que absorbe la holgura o falta de consistencia que existe en el lado izquierdo de modo similar, la otra restriccin puede escribirse: 2 x 1 + 3x 2 + s 2 = 12 a las variables x 1 , x 2 se les denomina variables estructurales. Ahora puede replantearse el problema en trminos de ecuaciones: maximizar s.a. Z=3x1+x2 2x1 + x2 +s1 = 8 2 x 1 + 3x 2 + s 2 = 12

1.6 Tcnicas con variables artificiales.

Ahora veremos como una solucin bsica factible inicial puede ser obtenida cuando el uso de variables superfluas no proporcionan fcilmente tal solucin. En general este caso se presenta cuando al menos una de las restricciones en el modelo original es del tipo = y/o dos mtodos basados en el uso de las variables artificiales sern vistos: Mtodo penal. Las variables artificiales solamente proporcionan un mecanismo matemtico para obtener una primera solucin bsica, el efecto de estas variables en la solucin final es cancelado por el valor de penalizacin muy alto en la funcin objetivo. Estas variables son ficticias y no tienen alguna interpretacin fsica ni econmica directa en trminos del problema original. Exsiten problemas de programacin lineal que no proporcionan una solucin bsica inicial. Esta situacin se presenta cuando al menos una de las restricciones es del tipo (<=) o (=). Para este propsito se desarrollan 2 mtodos basados en el uso de variables artificiales: El mtodo M o de penalizacin y la tcnica de 2 fases. METODO M O DE PENALIZACIN. Los pasos bsicos del mtodo M son los siguientes: 1. Exprese el problema en forma estndar transformando las inecuaciones en ecuaciones introduciendo variables de holgura. 2. Agregue variables no negativas al lado izquierdo de cada una de las ecuaciones correspondientes a las restricciones de tipo (>=) o (=). Estas variables se denominan variables artificiales y su adicin hace que las restricciones correspondientes. Esta dificultad se elimina asegurando que las variables sean 0 en la solucin final. Esto se logra asignando una penalizacin muy grande por unidad a estas variables en la funcin objetivo. Tal penalizacin se designar como M para problemas de maximizacin y +M para problemas de minimizacin. 3. Utiliza las variables artificiales en la solucin bsica inicial; sin embargo la funcin objetivo de la tabla inicial se prepara adecuadamente para expresarse en trminos de las variables no bsicas nicamente. Esto significa que los coeficientes de las variables artificiales en la funcin objetivo deben ser 0 un resultado que puede lograrse sumando mltiplos adecuados de las ecuaciones de restriccin al rengln objetivo. 4. Proceda con los pasos regulares del mtodo simplex. EJEMPLO:

Minimizar Sujeto a:

Minimizar Sujeto a:

Minimizar Sujeto a:

Minimizar

Sujeto a:

V.B.

X1 -3 2

X2 -2 2

X3 -4 3

S1 0 -1

S2 0 0

R1 -M 1

Solucin

Z R1 S2

1 0

0 15

12

V.B.

X1 -3+2M 2

X2 -2+2M 2

X3 -4+3M 3

S1 -M -1

S2 0 0

R1 0 1

Solucin

Z R1 S2

1 0

15M 15

12

Criterio para seleccionar la variable entrante: Maximizacin : El valor mayor negativo del rengln Z. Minimizacin : El valor mayor positivo del rengln Z.

V.B.

X1 -1/3 2/3

X2 2/3 2/3

X3 0 1

S1 -4/3 -1/3

S2 0 0

R1 4/3-M 1/3

Solucin

Z X3 S2

1 0

20 5

4/3

7/3

1/3

-1/3

V.B.

X1 -5/7 2/7

X2 0 0

X3 0 1

S1 -10/7 -3/7

S2 -2/7 -2/7

R1 10/7-M 3/7

Solucin

Z X3 X2

1 0

18 3

4/7

1/7

3/7

-1/7

Mtodo de las Dos Fases ste mtodo difiere del Simplex en que primero hay que resolver un problema auxiliar que trata de minimizar la suma de las variables artificiales. Una vez resuelto este primer problema y reorganizar la tabla final, pasamos a la segunda fase, que consiste en realizar el mtodo Simplex normal.

FASE 1
En esta primera fase, se realiza todo de igual manera que en el mtodo Simplex normal, excepto la construccin de la primera tabla, la condicin de parada y la preparacin de la tabla que pasar a la fase 2. - Construccin de la primera tabla: Se hace de la misma forma que la tabla inicial del mtodo Simplex, pero con algunas diferencias. La fila de la funcin objetivo cambia para la primera fase, ya que cambia la funcin objetivo, por lo tanto aparecern todos los trminos a cero excepto aquellos que sean variables artificiales, que tendrn valor "-1" debido a que se est minimizando la suma de dichas

variables (recuerde que minimizar F es igual que maximizar F(-1)). La otra diferencia para la primera tabla radica en la forma de calcular la fila Z. Ahora tendremos que hacer el clculo de la siguiente forma: Se sumarn los productos CbPj para todas las filas y al resultado se le restar el valor que aparezca (segn la columna que se ste haciendo) en la fila de la funcin objetivo. Tabla C0 C1 C2 ... Cn-k ... Cn Base Cb P0 P1 P2 ... Pn-k ... Pn Pi1 Ci1 bi1 a11 a12 ... a1n-k ... a1n Pi2 Ci2 bi2 a21 a22 ... a2n-k ... a2n ... ... ... ... ... ... ... ... ... Pim Cim bim am1 am2 ... amn-k ... amn Z Z0 Z1 Z2 ... Zn-k ... Zn Siendo Zj = (CbPj) - Cj y los Cj = 0 para todo j comprendido entre 0 y n-k (variables de decisin, holgura y exceso), y Cj = -1 para todo j comprendido entre n-k y n (variables artificiales). - Condicin de parada: La condicin de parada es la misma que en el mtodo Simplex normal. La diferencia estriba en que pueden ocurrir dos casos cuando se produce la parada: la funcin toma un valor 0, que significa que el problema original tiene solucin, o que tome un valor distinto, indicando que nuestro modelo no tiene solucin. - Eliminar Columna de variables artificiales: Si hemos llegado a la conclusin de que el problema original tiene solucin, debemos preparar nuestra tabla para la segunda fase. Deberemos eliminar las columnas de las variables artificiales, modificar la fila de la funcin objetivo por la original, y calcular la fila Z de la misma forma que en la primera tabla de la fase 1.

IDENTIFICANDO CASOS ANMALOS Y SOLUCIONES

Obtencin de la solucin: Cuando se ha dado la condicin de parada, obtenemos el valor de las variables bsicas que estn en la base y el valor ptimo que toma la funcin que estn en la base mirando la columna P0. En el caso de que estemos minimizando, se multiplicar por "-1" el valor ptimo. Infinitas soluciones: Cumplida la condicin de parada, si se observa que alguna variable que no est en la base, tiene un 0 en la fila Z, quiere decir que existe otra solucin que da el mismo valor ptimo para la funcin objetivo. Si estamos ante este caso, estamos ante un problema que admite infinitas soluciones, todas ellas comprendidas dentro del segmento (o porcin del plano, o regin del espacio, dependiendo del nmero de variables del problema) que define Ax+By=Z0. Si se desea se puede hacer otra iteracin haciendo entrar en la base a la variable que tiene el 0 en la fila Z, y se obtendr otra solucin. Solucin ilimitada: Si al intentar buscar la variable que debe abandonar la base, nos encontramos que toda la columna de la variable entrante tiene todos sus elementos negativos o nulos, estamos ante un

problema que tiene solucin ilimitada. No hay valor ptimo concreto, ya que al aumentar el valor de las variables se aumenta el valor de la funcin objetivo, y no viola ninguna restriccin. No existe solucin: En el caso de que no exista solucin, seguro que tendremos que realizar las dos fases, por lo que al trmino de la primera sabremos si estamos en tal situacin. Empate de variable entrante: Se puede optar por cualquiera de ellas, sin que afecte a la solucin final, el inconveniente que presenta es que segn por cual se opte se harn ms o menos iteraciones. Se aconseja que se opte a favor de las variables bsicas, ya que son aquellas las que quedarn en la base cuando se alcance la solucin con estos mtodos. Empate de variable saliente: Se puede nuevamente optar por cualquiera de ellas, aunque se puede dar el caso degenerado y entrar en ciclos perpetuos. Para evitarlos en la medida de lo posible, discriminaremos a favor de las variables bsicas haciendo que se queden en la base. Ante el caso de estar en la primera fase (del mtodo de las Dos Fases), se optar por sacar en caso de empate las variables artificiales. Curiosidad Fase 1: Al finalizar la fase 1, si el problema original tiene solucin, todas las variables artificiales, en la fila Z deben tener el valor "1". Pivote puede ser 0?: No, ya que siempre se realizan los cocientes entre valores no negativos y mayores que cero.