UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, Tecnologa e Ingeniera Leccin Reconocimiento Unidad 1

Curso : Mtodos Determinsticos

Generalidades En los ltimos aos, los modelos matemticos han tenido un impresionante desarrollo en todas las reas del conocimiento humano, cientfico y de los recursos naturales en general, como lo es la hidrologa, agricultura, ecologa, erosin, planeacin y manejo del bosque, biologa, astronoma, medicina, fsica, etc. La importancia de los modelos radica, entre otros aspectos, en la simulacin y prediccin de los fenmenos fsicos, sobre todo los de frecuencia rara, a corto, mediano y largo plazo. Asimismo, a travs de los modelos podemos obtener relaciones de causa-efecto, sin haber realizado cambios en los sistemas reales. Algunas de las principales ventajas en el uso de los modelos matemticos son las siguientes: Proporcionan respuestas cuantitativas de los fenmenos fsicos, Sirven como herramienta para experimentar sin destruir, Ayudan a interpolar, simular y predecir el fenmeno fsico, Proporcionan una idea del comportamiento del fenmeno cuando no se cuenta con informacin, Ayudan a definir metodologas, Categorizan la influencia de las variables que participan en el modelo, Ayudan a sugerir prioridades en la investigacin, Sirven para entrenar e instruir, Estimulan la participacin y comunicacin del equipo de trabajo. Qu son los modelos? Aquellos que manejan y controlan sistemas de hombres y equipos se enfrentan al problema constante de mejorar u optimizar el rendimiento del mismo. El problema puede ser reducir el costo de operacin y a la vez mantener un nivel aceptable de servicio, utilidades de las operaciones actuales, proporcionar un mayor nivel de servicio sin aumentar los costos, mantener un funcionamiento rentable cumpliendo a la vez con las reglamentaciones gubernamentales establecidas, o "mejorar" un aspecto de la calidad del producto sin reducir la calidad de otros aspectos. Para identificar la mejora del funcionamiento del sistema, se debe construir una representacin sinttica o modelo del sistema, que puede utilizarse para describir el efecto de una variedad de soluciones propuestas. Un modelo puede considerarse como una entidad que captura la esencia de la realidad sin la presencia de la misma. Una fotografa es un modelo de la realidad ilustrada en la imagen. La presin arterial puede utilizarse como un modelo de la salud de una persona. Una campaa piloto de ventas puede utilizarse como un modelo de la respuesta de las personas a un nuevo producto. Por ltimo, una ecuacin matemtica puede utilizarse como un modelo de la energa contenida

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, Tecnologa e Ingeniera Leccin Reconocimiento Unidad 1

Curso : Mtodos Determinsticos

en un determinado material. En cada caso, el modelo captura algn aspecto de la realidad que intenta representar. Ya que un modelo slo captura determinados aspectos de la realidad, su uso puede no ser apropiado en una aplicacin en particular porque no captura los elementos correctos de la realidad. La temperatura es un modelo de las condiciones climticas pero puede ser inapropiado si uno est interesado en la presin baromtrica. Una foto de una persona es un modelo de la misma pero brinda poca informacin acerca de sus logros acadmicos. Una ecuacin que predice las ventas anuales de un producto en particular es un modelo de ese producto pero tiene poca utilidad si lo que nos interesa es el costo de produccin por unidad. Por lo tanto, la utilidad del modelo depende del aspecto de la realidad que representa. Un modelo puede ser inadecuado aun cuando intenta capturar los elementos apropiados de la realidad si lo hace de una manera distorsionada o sesgada. Una ecuacin que pronostica el volumen mensual de ventas puede ser exactamente lo que el gerente de ventas quiere pero podra generar grandes prdidas si arroja constantemente clculos de ventas altos. Un termmetro que lee de ms (o de menos) tendra poca utilidad para realizar un diagnstico mdico. En consecuencia, un modelo til es aquel que captura los elementos adecuados de la realidad con un grado aceptable de precisin.

Lo ideal sera, que si el modelo matemtico es una representacin vlida del rendimiento del sistema, mediante la aplicacin de las tcnicas analticas adecuadas, la solucin obtenida a partir del modelo debera ser tambin la solucin para el problema del sistema. As, la efectividad de los resultados de la aplicacin de cualquier tcnica operativa es en gran medida una funcin del grado en el cual el modelo representa al sistema en estudio. A fin de definir las condiciones que nos conducirn a la solucin del problema del sistema, el analista primero debe identificar un criterio segn el cual se podr medir el sistema. Este criterio a menudo se denomina medida del rendimiento del sistema o medida de efectividad. En aplicaciones empresariales, la medida de efectividad generalmente son los costos o las utilidades, mientras que en aplicaciones gubernamentales esta medida generalmente se define en trminos de un ndice costo/beneficio. El modelo matemtico que describe el comportamiento de la medida de efectividad se denomina funcin objetivo. Si la funcin objetivo es describir el comportamiento de la medida de efectividad, debe capturar la relacin entre esa medida y aquellas variables que hacen que dicha medida flucte. Las variables del

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, Tecnologa e Ingeniera Leccin Reconocimiento Unidad 1

Curso : Mtodos Determinsticos

sistema pueden categorizarse en variables de decisin y parmetros. Una variable de decisin es una variable que puede ser directamente controlada por el decisor. Tambin existen algunos parmetros cuyos valores pueden ser inciertos para el decisor. Esto requiere un anlisis de sensibilidad despus de descubrir la mejor estrategia. En la prctica, resulta casi imposible capturar la relacin precisa entre todas las variables del sistema y la medida de efectividad a travs de una ecuacin matemtica. En cambio, el analista de IO/ CA debe tratar de identificar aquellas variables que afectan en mayor grado la medida de efectividad y luego debe intentar definir de manera lgica la relacin matemtica entre estas variables y la medida de efectividad. Esta relacin matemtica es la funcin objetivo que se emplea para evaluar el rendimiento del sistema en estudio. Un modelo matemtico es una ecuacin, desigualdad o sistema de ecuaciones o desigualdades, que representa determinados aspectos del sistema fsico representado en el modelo. Los modelos de este tipo se utilizan en gran medida en las ciencias fsicas, en el campo de la ingeniera, los negocios y la economa. Un modelo ofrece al analista una herramienta que puede manipular en su anlisis del sistema en estudio, sin afectar al sistema en s. Por ejemplo, supngase que se ha desarrollado un modelo matemtico para predecir las ventas anuales como una funcin del precio de venta unitario. Si se conoce el costo de produccin por unidad, se pueden calcular con facilidad las utilidades anuales totales para cualquier precio de venta. Para determinar el precio de venta que arrojar las utilidades totales mximas, se pueden introducir en el modelo distintos valores para el precio de venta, uno a la vez, determinando las ventas resultantes y calculando las utilidades anuales totales para cada valor de precio de venta examinado. Mediante un proceso de prueba y error, el analista puede determinar el precio de venta que maximizar las utilidades anuales totales. La formulacin de una funcin objetivo que tenga sentido normalmente es una tarea tediosa y frustrante. Los intentos de desarrollo de una funcin objetivo pueden terminar en un fracaso. Esto puede darse porque el analista elige el conjunto incorrecto de variables para incluir en el modelo, o bien, si el conjunto es el adecuado, porque no identifica correctamente la relacin entre estas variables y la medida de efectividad. En un nuevo intento, el analista trata de descubrir las variables adicionales que podran mejorar su modelo descartando aquellas que parecen tener poca o ninguna relevancia. No obstante, slo se puede determinar si estos factores realmente mejoran el modelo una vez realizadas la formulacin y prueba de nuevos modelos que incluyan las variables adicionales. Todo el proceso de seleccin y rechazo de variables puede requerir reiteraciones mltiples hasta desarrollar una funcin objetivo satisfactoria. En cada iteracin, el analista espera lograr alguna mejora en el modelo, aunque no siempre se tiene tanta buena suerte. Por lo general, el xito final es precedido por una serie de fracasos frustrantes y pequeos progresos.

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, Tecnologa e Ingeniera Leccin Reconocimiento Unidad 1

Curso : Mtodos Determinsticos

En cada etapa del proceso de desarrollo, el analista debe evaluar la correspondencia o validez del modelo. Normalmente se emplean dos criterios para realizar esta determinacin: El primero implica la experimentacin del modelo: someter el modelo a una serie de condiciones y registrar los valores asociados de la medida de efectividad dada por el modelo en cada caso. Si la medida de efectividad vara de manera antinatural con una sucesin de condiciones de entrada, es posible que la funcin objetivo no sea vlida. Por ejemplo, supngase que se desarrolla un modelo destinado a calcular el valor de mercado de viviendas unifamiliares. El modelo debe expresar el valor de mercado en pesos, como una funcin de la superficie cubierta en pies cuadrados, cantidad de dormitorios, cantidad de baos y tamao del lote. Despus de desarrollar el modelo, el analista lo aplica a la tasacin de distintas viviendas, con distintos valores para las caractersticas mencionadas y descubre que el valor de mercado desciende a medida que aumenta la superficie cubierta expresada en pies cuadrados. Dado que este resultado no concuerda con la realidad, el analista cuestionara la validez del modelo. La segunda etapa de la validacin del modelo requiere una comparacin de los resultados del modelo con los resultados obtenidos en la realidad.

Modelos Determinsticos: Los problemas de toma de decisiones se pueden clasificar en dos categoras: modelos de decisin determinsticos y modelos de decisin probabilsticos. En los modelos determinsticos, las buenas decisiones se basan en sus buenos resultados. Se consigue lo deseado de manera "determinstica", es decir, libre de riesgo. Esto depende de la influencia que puedan tener los factores no controlables, en la determinacin de los resultados de una decisin y tambin en la cantidad de informacin que el tomador de decisin tiene para controlar dichos factores. Programacin Lineal Entera La programacin lineal tambin conocida como optimizacin lineal, es la maximizacin o minimizacin de una funcin lineal sobre un poliedro convexo definido por un conjunto de restricciones lineales no negativas. La teora de la programacin lineal cae dentro de la teora de la optimizacin convexa y es tambin considerada como parte importante de la investigacin de operaciones. La Programacin Lineal Entera (PLE), es el conjunto de problemas de programacin lineal para los cuales todas o parte de sus variables pertenecen a los nmeros enteros.

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, Tecnologa e Ingeniera Leccin Reconocimiento Unidad 1

Curso : Mtodos Determinsticos

Los modelos de programacin lineal entera pudieran clasificarse en tres grupos:

Entero completamente. Todas las variables de decisin son enteras. Mixto. Algunas de las variables son enteras, las otras no. Binario. Las variables solo toman los valores 0 1.

Mtodos de solucin Pudiera pensarse que los mtodos de obtencin de soluciones a problemas de programacin lineal entera pudieran ser menos difciles que los de programacin lineal generales, pero resulta lo contrario. Los algoritmos que permiten resolver los problemas restringidos a enteros son ms complejos y requieren mucho ms tiempo computacional. Para la resolucin de los problemas de programacin lineal entera existen diferentes mtodos. Los mtodos exactos son los que encuentran, si existe, el ptimo absoluto. Muchos de estos mtodos parten de la resolucin del modelo dejando a un lado las restricciones enteras y buscando el mejor valor para las variables reales. A partir del supuesto de que la solucin entera no debe estar muy lejos, se aplican diferentes tcnicas que permiten llegar al ptimo entero. Una breve introduccin a los mtodos de la programacin lineal: Simplex y Punto interior, permitir tener una idea de cmo operan los mismos. El mtodo del simplex se utiliza para hallar las soluciones ptimas de un problema de programacin lineal con tres o ms variables. Este se basa en el hecho de que la solucin ptima se encuentra siempre en uno de los vrtices del poliedro formado por el conjunto de restricciones. Su forma de buscar la solucin es recorrer sobre estos vrtices hasta encontrar el ptimo. Aun cuando no corre en tiempo polinomial en el caso peor, su mayor valor radica en su capacidad de revolver nuevos problemas y resulta muy til cuando no se tiene un algoritmo eficiente de solucin. Los mtodos de punto interior se denominan as precisamente porque los puntos generados por estos algoritmos se hallan en el interior de la regin factible. Esta es una clara diferencia respecto al mtodo del simplex. En la actualidad los mtodos de punto interior ms eficientes tienen una complejidad de orden T(nL), donde n es el nmero de variables y L una medida del tamao del problema (el nmero de bits necesarios para representar los datos). En la modelacin lineal no entera se demuestra que el ptimo es un vrtice de la regin factible. En los modelos enteros, esto no tiene por qu ser as, de manera general los vrtices no tienen que ser nmeros enteros. Por ello la solucin ptima se encontrar en el interior de la regin factible, por lo que los mtodos exactos, como el simplex o punto interior, empleado de forma directa no aportarn la solucin ptima en la generalidad de los casos. Como el conjunto de soluciones enteras factibles es un nmero finito pudiera pensarse en recorrerlas todas en busca de la solucin pero esto puede resultar ineficiente pues segn el nmero de variables el conjunto de soluciones se

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD Escuela de Ciencias Bsicas, Tecnologa e Ingeniera Leccin Reconocimiento Unidad 1

Curso : Mtodos Determinsticos

incrementa exponencialmente. Para enfrentar esto se han desarrollado un conjunto de tcnicas basadas en la lgica de que la solucin entera no debe encontrarse muy lejos de la ptima del modelo con variables reales, conocidas como Ramificar y Acotar (Branch and Bound). Este mtodo se basa en que existe un nmero finito de soluciones posibles, no todas factibles, para un problema con enteros, que pueden representarse mediante un diagrama de rbol. Pero no es necesario enumerar todas las soluciones posibles si se pueden eliminar algunas ramas. Para eliminar una rama basta demostrar que no contiene una solucin factible que sea mejor que una ya obtenida. En los modelos de PLE es importante valorar el nmero de variables a manejar pues si el modelo tiene algunos cientos de variables y no tiene una estructura especial, puede resultar demasiado costoso de resolver. Los modelos enteros son no polinomiales, o sea, el tiempo de resolucin es exponencial con respecto al nmero de restricciones y especialmente con respecto al nmero de variables de decisin enteras. En los casos en que los mtodos generales de PLE, por las dimensiones del problema, resultan ineficientes, resulta vlido introducir mtodos heursticos que obtienen soluciones aproximadas satisfactorias. La PLE es una rama de la investigacin de operaciones que est presente en muchos problemas reales, entre ellos resultan muy interesantes los de organizacin de tiempos de trabajo que existen en diferentes ramas de la produccin y los servicios. La seleccin de los mtodos de solucin ms eficientes depende en gran medida de las particularidades del escenario que se ha modelado.