UNIDAD 2 PROGRAMACION LINEAL

Introduccion Investigacion Operaciones

NATURALEZA DE LA INVESTIGACIN DE OPERACIONES Como su nombre lo dice, la investigacin de operaciones significa hacer investigacin sobre las operaciones. Entonces, la investigacin de operaciones se aplica a problemas que se refieren a la conduccin y coordinacin de operaciones (o actividades) dentro de una organizacin. La naturaleza de la organizacin es esencialmente inmaterial y, de hecho, la investigacin de operaciones se ha aplicado de manera extensa en reas tan diversas como la manufactura, el transporte, la constitucin, las telecomunicaciones, la planeacin financiera, el cuidado de la salud, la milicia y los servicios pblicos, por nombrar slo unas cuantas. As, la gama de aplicaciones es extraordinariamente amplia. La parte de investigacin en el nombre significa que la investigacin de operaciones usa un enfoque similar a la manera en que se lleva a cabo la investigacin en los campos cientficos establecidos. En gran medida, se usa el mtodo cientfico para investigar el problema en cuestin. (De hecho, en ocasiones se usa el trmino ciencias de la administracin como sinnimo de investigacin de operaciones.) En particular, el proceso comienza por la observacin cuidadosa y la formulacin del problema incluyendo la recoleccin de los datos pertinentes. El siguiente paso es la construccin de un modelo cientfico (por lo general matemtico) que intenta abstraer la esencia del problema real. En este punto se propone la hiptesis de que el modelo es una representacin lo suficientemente precisa de las caractersticas esenciales de la situacin como para que las conclusiones (soluciones) obtenidas sean vlidas tambin para el problema real. Despus, se llevan a cabo los experimentos adecuados para probar esta hiptesis, modificarla si es necesario y eventualmente verificarla. (Con frecuencia este paso se conoce como validacin del modelo.) Entonces, en cierto modo, la investigacin e operaciones incluye la investigacin cientfica creativa de las propiedades fundamentales de las operaciones. Sin embargo, existe ms que esto. En particular, la IO se ocupa tambin de la administracin prctica de la organizacin. As, para tener xito, deber tambin

proporcionar conclusiones claras que pueda usar el tomador de decisiones cuando las necesite. Una caracterstica ms de la investigacin de operaciones es su amplio punto de vista. Como qued implcito en la seccin anterior, la IO adopta un punto de vista organizacional. de esta manera, intenta resolver los conflictos de intereses entre las componentes de la organizacin de forma que el resultado sea el mejor para la organizacin completa. Esto no significa que el estudio de cada problema deba considerar en forma explcita todos los aspectos de la organizacin sino que los objetivos que se buscan deben ser consistentes con los de toda ella. Una caracterstica adicional es que la investigacin de operaciones intenta encontrar una mejor solucin, (llamada solucin ptima) para el problema bajo consideracin. (Decimos una mejor solucin y no la mejor solucin porque pueden existir muchas soluciones que empaten como la mejor.) En lugar de contentarse con mejorar el estado de las cosas, la meta es identificar el mejor curso de accin posible. Aun cuando debe interpretarse con todo cuidado en trminos de las necesidades reales de la administracin, esta bsqueda de la optimidad es un aspecto importante dentro de la investigacin de operaciones. Todas estas caractersticas llevan de una manera casi natural a otra. Es evidente que no puede esperarse que un solo individuo sea un experto en todos lo mltiples aspectos del trabajo de investigacin de operaciones o de los problemas que se estudian; se requiere un grupo de individuos con diversos antecedentes y habilidades. Entonces, cuando se va a emprender un estudio de investigacin de operaciones completo de un nuevo problema, por lo general es necesario emplear el empleo de equipo. Este debe incluir individuos con antecedentes firmes en matemticas, estadstica y teora de probabilidades, al igual que en economa, administracin de empresas, ciencias de la computacin, ingeniera, ciencias fsicas, ciencias del comportamiento y, por supuesto, en las tcnicas especiales de investigacin de operaciones. El equipo tambin necesita tener la experiencia y las habilidades necesarias para permitir la consideracin adecuada de todas las ramificaciones del problema a travs de la organizacin. IMPACTO DE LA INVESTIGACIN DE OPERACIONES La investigacin de operaciones ha tenido un impacto impresionante en el mejoramiento de la eficiencia de numerosas organizaciones en todo el

mundo. En el proceso, la investigacin de operaciones ha hecho contribuciones significativas al incremento de la productividad dentro de la economa de varios pases. Hay ahora ms de 30 pases que son miembros de la International Federation of Operational Research Societies (IFORS), en la que cada pas cuenta con una sociedad de investigacin de operaciones. Sin duda, el impacto de la investigacin de operaciones continuar aumentando. Por ejemplo, al inicio de la dcada de los 90, el U.S. Bureau of Labor Statistics predijo que la IO sera el rea profesional clasificada como la tercera de ms rpido crecimiento para los estudiantes universitarios en Estados Unidos, graduados entre 1990 y 2005. Pronostic tambin que, para el ao 2005, habra 100 000 personas trabajando como analistas de investigacin de operaciones. RIESGO AL APLICAR LA INVESTIGACIN DE OPERACIONES Al aplicar la I de O al estudio de sistemas y a la resolucin de problemas se corre el riesgo de tratar de manipular los problemas para buscar que se ajusten a las diferentes tcnicas, modelos de algoritmos establecidos en lugar de analizar los problemas y buscar resolverlos obteniendo las soluciones mejores, utilizando los mtodos apropiados, es decir resolver el problema utilizando los mtodos que proporcionan las mejoras soluciones y no buscar ajustar el problema a un mtodo especfico. Para llegar a hacer un uso apropiado de la I de O, es necesario primero comprender la metodologa para resolver los problemas, as como los fundamentos de las tcnicas de solucin para de esta forma saber cundo utilizarlas o no en las diferentes circunstancias. QU ES LA INVESTIGACIN DE OPERACIONES? Como toda disciplina en desarrollo, la investigacin de operaciones ha ido evolucionando no slo en sus tcnicas y aplicaciones sino en la forma como la conceptualizan los diferentes autores, en la actualidad no existe solamente una definicin sino muchas, algunas demasiado generales, otras demasiado engaosas, aqu seleccionamos dos de las mas aceptadas y representativas. LA DEFINICIN DE CHURCHMAN, ACKOFF Y ARNOFF:

LA INVESTIGACIN DE OPERACIONES ES LA APLICACIN, POR GRUPOS INTERDISCIPLINARIOS, DEL MTODO CIENTFICO A PROBLEMAS RELACIONADOS CON EL CONTROL DE LAS ORGANIZACIONES O SISTEMAS (HOMBRE-MQUINA), A FIN DE QUE SE PRODUZCAN SOLUCIONES QUE MEJOR SIRVAN A LOS OBJETIVOS DE LA ORGANIZACIN. De sta definicin se pueden destacar los siguientes conceptos: 1. Una organizacin es un sistema formado por componentes que se interaccionan, unas de estas interacciones pueden ser controladas y otras no. 2. En un sistema la informacin es una parte fundamental, ya que entre las componentes fluye informacin que ocasiona la interaccin entre ellas. Tambin dentro de la estructura de los sistemas se encuentran recursos que generan interacciones. Los objetivos de la organizacin se refieren a la eficacia y eficiencia con que las componentes pueden controlarse, el control es un mecanismo de autocorreccin del sistema que permite evaluar los resultados en trminos de los objetivos establecidos. 3. La complejidad de los problemas que se presentan en las organizaciones ya no encajan en una sola disciplina del conocimiento, se han convertido en multidisciplinario por lo cual para su anlisis y solucin se requieren grupos compuestos por especialistas de diferentes reas del conocimiento que logran comunicarse con un lenguaje comn. 4. La investigacin de operaciones es la aplicacin de la metodologa cientfica a travs modelos matemticos, primero para representar al problema y luego para resolverlo. La definicin de la sociedad de investigacin de operaciones de la Gran Bretaa es la siguiente: La investigacin de operaciones es el ataque de la ciencia moderna a los complejos problemas que surgen en la direccin y en la administracin de grandes sistemas de hombres, mquinas, materiales y dinero, en la industria, en los negocios, en el gobierno y en la defensa. Su actitud diferencial consiste en desarrollar un modelo cientfico del sistema tal, que incorpore valoraciones de factores como el azar y el riesgo y mediante el cual se predigan y comparen los resultados de decisiones, estrategias o

controles alternativos. Su propsito es el de ayudar a la gerencia a determinar cientficamente sus polticas y acciones. EN RELACIN A STA DEFINICIN DEBEN DESTACARSE LOS SIGUIENTES ASPECTOS: 1. Generalmente se asocian los conceptos de direccin y administracin a las empresas de tipo lucrativo, sin embargo, una empresa es un concepto ms amplio, es algo que utiliza hombres, mquinas, materiales y dinero con un propsito especfico; desde ste punto de vista, se considera como empresa desde una universidad hasta una armadora de automviles. 2. Para tratar de explicar el comportamiento de un sistema complejo, el cientfico debe representarlo en trminos de los conceptos que maneja, lo hace expresando todos los rasgos principales del sistema por medio de relaciones matemticas. A esta representacin formal se le llama modelo. 3. La esencia de un modelo es que debe ser predictivo, lo cual no significa predecir el futuro, pero si ser capaz de indicar muchas cosas acerca de la forma en que se puede esperar que un sistema opere en una variedad de circunstancias, lo que permite valorar su vulnerabilidad. Si se conocen las debilidades del sistema se pueden tomar cursos de accin agrupados en tres categoras: A) Efectuar cambios que lleven a la empresa o parte de ella a una nueva ruta; B) Realizar un plan de toma de decisiones; C) Instalar estrategias que generen decisiones. Cuando se aplica alguno de estos remedios, la investigacin de operaciones nos ayuda a determinar la accin menos vulnerable ante un futuro incierto. 4. El objetivo global de la investigacin de operaciones es el de apoyar al tomador de decisiones, en cuanto ayudarlo a cumplir con su funcin basado en estudios cientficamente fundamentados. HISTORIA: ORGENES DE LA INVESTIGACIN DE OPERACIONES La toma de decisiones es un proceso que se inicia cuando una persona observa un problema y determina que es necesario resolverlo procediendo a definirlo, a formular un objetivo, reconocer las limitaciones o restricciones, a generar alternativas de solucin y evaluarlas hasta seleccionar la que le parece mejor, este proceso puede se cualitativo o

cuantitativo. El enfoque cualitativo se basa en la experiencia y el juicio personal, las habilidades necesarias en este enfoque son inherentes en la persona y aumentan con la prctica. En muchas ocasiones este proceso basta para tomar buenas decisiones. El enfoque cuantitativo requiere habilidades que se obtienen del estudio de herramientas matemticas que le permitan a la persona mejorar su efectividad en la toma de decisiones. Este enfoque es til cuando no se tiene experiencia con problemas similares o cuando el problema es tan complejo o importante que requiere de un anlisis exhaustivo para tener mayor posibilidad de elegir la mejor solucin. La investigacin de operaciones proporciona a los tomadores de decisiones bases cuantitativas para seleccionar las mejores decisiones y permite elevar su habilidad para hacer planes a futuro. En el ambiente socioeconmico actual altamente competitivo y complejo, los mtodos tradicionales de toma de decisiones se han vuelto inoperantes e inadmisibles ya que los responsables de dirigir las actividades de las empresas e instituciones se enfrentan a situaciones complicadas y cambiantes con rapidez que requieren de soluciones creativas y prcticas apoyadas en una base cuantitativa slida. En organizaciones grandes se hace necesario que el tomador de decisiones tenga un conocimiento bsico de las herramientas cuantitativas que utilizan los especialistas para poder trabajar en forma estrecha con ellos y ser receptivos a las soluciones y recomendaciones que se le presenten. En organizaciones pequeas puede darse que el tomador de decisiones domine las herramientas cuantitativas y l mismo las aplique para apoyarse en ellas y as tomar sus decisiones. Desde al advenimiento de la Revolucin Industrial, el mundo ha sido testigo de un crecimiento sin precedentes en el tamao y la complejidad de las organizaciones. Los pequeos talleres artesanales se convirtieron en las corporaciones actuales de miles de millones de pesos. Una parte integral de este cambio revolucionario fue el gran aumento en la divisin del trabajo y en la separacin de las responsabilidades administrativas en estas organizaciones. Los resultados han sido espectaculares. Sin embargo, junto con los beneficios, el aumento en el grado de especializacin creo nuevos problemas que ocurren hasta la fecha en muchas empresas. Uno de estos problemas es las tendencia de muchas de las componentes de una organizacin a convertirse en imperios relativamente autnomos, con sus propias metas y sistemas de valores, perdiendo con esto la visin de la forma en que encajan sus actividades y objetivos con los de toda la organizacin. Lo que es mejor para una componente, puede ir en

detrimento de otra, de manera que pueden terminar trabajando con objetivos opuestos. Un problema relacionado con esto es que, conforme la complejidad y la especializacin crecen, se vuelve ms difcil asignar los recursos disponibles a las diferentes actividades de la manera ms eficaz para la organizacin como un todo. Este tipo de problemas, y la necesidad de encontrar la mejor forma de resolverlos, proporcionaron el ambiente adecuado para el surgimiento de la INVESTIGACIN DE OPERACIONES (IO). Las races de la investigacin de operaciones se remontan a muchas dcadas, cuando se hicieron los primeros intentos para emplear el mtodo cientfico en la administracin de una empresa. Sin embargo, el inicio de la actividad llamada investigacin de operaciones, casi siempre se atribuye a los servicios militares prestados a principios de la segunda guerra mundial. Debido a los esfuerzos blicos, exista una necesidad urgente de asignar recursos escasos a las distintas operaciones militares y a las actividades dentro de cada operacin, en la forma ms efectiva. Por esto, las administraciones militares americana e inglesa hicieron un llamado a un gran nmero de cientficos para que aplicaran el mtodo cientfico a ste y a otros problemas estratgicos y tcticos. De hecho, se les pidi que hicieran investigacin sobre operaciones (militares). Estos equipos de cientficos fueron los primeros equipos de IO. Con el desarrollo de mtodos efectivos para el uso del nuevo radar, estos equipos contribuyeron al triunfo del combate areo ingls. A travs de sus investigaciones para mejorar el manejo de las operaciones antisubmarinas y de proteccin, jugaron tambin un papel importante en la victoria de la batalla del Atlntico Norte. Esfuerzos similares fueron de gran ayuda en a isla de campaa en el pacfico. Al terminar la guerra, el xito de la investigacin de operaciones en las actividades blicas gener un gran inters en sus aplicaciones fuera del campo militar. Como la explosin industrial segua su curso, los problemas causados por el aumento en la complejidad y especializacin dentro de las organizaciones pasaron de nuevo a primer plano. Comenz a ser evidente para un gran nmero de personas, incluyendo a los consultores industriales que haban trabajado con o para los equipos de IO durante la guerra, que estos problemas eran bsicamente los mismos que los enfrentados por la milicia, pero en un contexto diferente. Cuando comenz la dcada de 1950, estos individuos haban introducido el uso de la investigacin de operaciones en la industria, los negocios y el gobierno. Desde entonces, esta disciplina se ha desarrollado con rapidez. Se pueden identificar por lo menos otros dos factores que

jugaron un papel importante en el desarrollo de la investigacin de operaciones durante este perodo. Uno es el gran progreso que ya se haba hecho en el mejoramiento de las tcnicas disponibles en esta rea. Despus de la guerra, muchos cientficos que haban participado en los equipos de IO o que tenan informacin sobre este trabajo, se encontraban motivados a buscar resultados sustanciales en este campo; de esto resultaron avances importantes. Un ejemplo sobresaliente es el mtodo simplex para resolver problemas de programacin lineal, desarrollado en 1947 por George Dantzing. Muchas de las herramientas caractersticas de la investigacin de operaciones, como programacin lineal, programacin dinmica, lneas de espera y teora de inventarios, fueron desarrolladas casi por completo antes del trmino de la dcada de 1950. Un segundo factor que dio mpetu al desarrollo de este campo fue el advenimiento de la computadoras. Para manejar de una manera efectiva los complejos problemas inherentes a esta disciplina, por lo general se requiere un gran nmero de clculos. Llevarlos a cabo a mano puede resultar casi imposible. Por lo tanto, el desarrollo de la computadora electrnica digital, con su capacidad para realizar clculos aritmticos, miles o tal vez millones de veces ms rpido que los seres humanos, fue una gran ayuda para la investigacin de operaciones. Un avance ms tuvo lugar en la dcada de 1980 con el desarrollo de las computadoras personales cada vez ms rpidas, acompaado de buenos paquetes de software para resolver problemas de IO, esto puso las tcnicas al alcance de un gran nmero de personas. Hoy en da, literalmente millones de individuos tiene acceso a estos paquetes. En consecuencia, por rutina, se usa toda una gama e computadoras, desde las grandes hasta las porttiles, para resolver problemas de investigacin de operaciones. ENFOQUE DE LA INVESTIGACIN DE OPERACIONES: la parte innovadora de la IO es sin duda alguna su enfoque modelstico, producto de sus creadores aunado a la presin de supervivencia de la guerra o la sinerga generada al combinarse diferentes disciplinas, una descripcin del enfoque es la siguiente. (Ver la figura 11). 1. Se define el sistema real en donde se presenta el problema. Dentro del sistema interactuan normalmente un gran numero de variables.

2. Se seleccionan las variables que norman la conducta o el estado actual del sistema, llamadas variables relevantes, con las cuales se define un sistema asumido del sistema real. 3. Se construye un modelo cuantitativo del sistema asumido, identificando y simplificando las relaciones entre las variables relevantes mediante las utilizacin de funciones matemticas. 4. Se obtiene la solucin al modelo cuantitativo mediante la aplicacin de una o mas de las tcnicas desarrolladas por la IO. 5. Se adapta e imprime la mxima realidad posible a la solucin terica del problema real obtenida en el punto 4, mediante la consideracin de factores cualitativos o no cuantificables, los cuales no pudieron incluirse en el modelo. Adems se ajusta los detalles finales va el juicio y la experiencia del tomador de decisiones. 6. Se implanta la solucin en el sistema real. LA INVESTIGACIN DE OPERACIONES OBTIENE LA SOLUCIN DEL PROBLEMA REAL INDIRECTAMENTE, Y NO COMO NORMALMENTE SE INTENTARA PASANDO DIRECTAMENTE DEL PROBLEMA REAL A LA SOLUCIN REAL. METODOLOGA DE LA INVESTIGACION DE OPERACIONES DEFINICIN DEL PROBLEMA Y RECOLECCIN DE DATOS La mayor parte de los problemas prcticos con los que se enfrenta el equipo IO estn descritos inicialmente de una manera vaga. Por consiguiente, la primera actividad que se debe realizar es el estudio del sistema relevante y el desarrollo de un resumen bien definido del problema que se va a analizar. Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se puede hacer, las interrelaciones del rea bajo estudio con otras reas de la organizacin, los diferentes cursos de accin posibles, los lmites de tiempo para tomar una decisin, etc. Este proceso de definir el problema es crucial ya que afectar en forma significativa la relevancia de las conclusiones del estudio. Es difcil extraer una respuesta correcta a partir de un problema equivocado! Por su naturaleza, la

investigacin de operaciones se encarga del bienestar de toda la organizacin, no slo de algunos de sus componentes. Un estudio de IO busca soluciones ptimas globales y no soluciones subptimas aunque sean lo mejor para uno de los componente. Entonces, idealmente, los objetivos que se formulan debe coincidir con los de toda la organizacin. Sin embargo, esto no siempre es conveniente. Muchos problemas interesan nada ms a una parte de la organizacin, de manera que el anlisis sera innecesariamente besado si los objetivos fueran muy generales y si se prestara atencin especial a todos los efectos secundarios sobre el resto de la organizacin. En lugar de ello, los objetivos usados en un estudio deben ser tan especficos como sea posible, siempre y cuando contemplen las metas principales del tomador de decisiones y mantengan un nivel razonable de consistencia con los objetivos de los altos niveles. Las condiciones fundamentales para que exista un problema es que se establezca una diferencia entre lo que es (situacin actual) y lo que debe ser (situacin deseada u objetivo) y adems exista cuando menos una forma de eliminar o disminuir esa diferencia. Los componentes de un problema son: a) el tomador de decisiones o ejecutivo; b) los objetivos de la organizacin; c) el sistema o ambiente en el que se sita el problema; d) Los cursos de accin alternativos que se pueden tomar para resolverlo.Para formular un problema se requiere; a) identificar las componentes y variables controlables y no controlables del sistema; b) identificar los posibles cursos de accin, determinados por las componentes controlables; c) definir el marco de referencia dado por las componentes no controlables; d) definir los objetivos que se busca alcanzar y clasificarlos por orden de importancia; e) identificar las interpelaciones importantes entre las diferentes partes del sistema y encontrar las restricciones que existen. FORMULACIN DE UN MODELO MATEMTICO Una vez definido el problema del tomador de decisiones, la siguiente etapa consiste en reformularlo de manera conveniente para su anlisis. La forma convencional en que la investigacin de operaciones realiza esto es construyendo un modelo matemtico que represente la esencia del problema. Antes de analizar como formular los modelos de este tipo, se explorar la naturaleza general de los modelos y, en particular, la de los modelos matemticos. El modelo matemtico est constituido por relaciones matemticas (ecuaciones y desigualdades) establecidas en

trminos de variables, que representa la esencia el problema que se pretende solucionar. Para construir un modelo es necesario primero definir las variables en funcin de las cuales ser establecido. Luego, se procede a determinar matemticamente 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 funcin (ecuacin) llamada funcin objetivo; b) las limitantes del problema llamadas restricciones que son un conjunto de igualdades o desigualdades que constituyen las barreras y obstculos para la consecucin del objetivo. Un modelo siempre debe ser menos complejo que el problema real, es una aproximacin abstracta de la realidad con consideraciones y simplificaciones que hacen ms manejable el problema y permiten evaluar eficientemente las alternativas de solucin. Los modelos matemticos tienen muchas ventajas sobre una descripcin verbal del problema. Una ventaja obvia es que el modelo matemtico describe un problema en forma mucho ms concisa. Esto tiende a hacer que toda la estructura del problema sea ms comprensible y ayude a revelar las relaciones importantes entre causa y efecto. De esta manera, indica con ms claridad que datos adicionales son importantes para el anlisis. Tambin facilita simultneamente el manejo del problema en su totalidad y el estudio de todas sus interpelaciones. Por ltimo, un modelo matemtico forma un puente para poder emplear tcnicas matemticas y computadoras de alto poder, para analizar el problema. Sin duda, existe una amplia disponibilidad de paquetes de software para muchos tipos de modelos matemticos, para micro y minicomputadoras. Por otro lado, existen obstculos que deben evitarse al usar modelos matemticos. Un modelo es, necesariamente, una idealizacin abstracta del problema, por lo que casi siempre se requieren aproximaciones y suposiciones de simplificacin 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 representacin vlida 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 accin, para poder tomar una decisin 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 correlacin entre la prediccin del modelo y lo que ocurre en la vida real. Para asegurar que este requisito se cumpla, es importante hacer un nmero considerable de pruebas del modelo y las modificaciones consecuentes. Aunque esta fase de pruebas se haya colocado despus en el orden del libro, gran parte del trabajo de validacin del modelo se lleva a cabo durante la etapa de construccin para que sirva de gua en la obtencin del modelo matemtico. OBTENCIN DE UNA SOLUCIN A PARTIR DEL MODELO Resolver un modelo consiste en encontrar los valores de las variables dependientes, asociadas a las componentes controlables del sistema con el propsito 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 seleccin del mtodo de solucin depende de las caractersticas del modelo. Los procedimientos de solucin pueden ser clasificados en tres tipos: a) analticos, que utilizan procesos de deduccin matemtica; b) numricos, que son de carcter inductivo y funcionan en base a operaciones de prueba y error; c) simulacin, que utiliza mtodos que imitan o, emulan al sistema real, en base a un modelo. Muchos de los procedimientos de solucin tienen la caracterstica de ser iterativos, es decir buscan la solucin en base a la repeticin de la misma regla analtica hasta llegar a ella, si la hay, o cuando menos a una aproximacin. PRUEBA DEL MODELO El desarrollo de un modelo matemtico grande es anlogo en algunos aspectos al desarrollo de un programa de computadora grande. Cuando se completa la primera versin, es inevitable que contenga muchas fallas. El programa debe probarse de manera exhaustiva para tratar de encontrar y corregir tantos problemas como sea posible. Eventualmente, despus de una larga serie de programas mejorados, el programador (o equipo de programacin) concluye que el actual da, en general, resultados razonablemente vlidos. Aunque sin duda quedarn algunas fallas ocultas en el programa (y quiz nunca se detecten, se habrn eliminado suficientes problemas importantes como para que sea confiable utilizarlo. De manera similar, es inevitable que la primera versin de un modelo matemtico

grande tenga muchas fallas. Sin duda, algunos factores o interpelaciones relevantes no se incorporaron al modelo y algunos parmetros no se estimaron correctamente. Esto no se puede eludir dada la dificultad de la comunicacin y la compresin de todos los aspectos y sutilezas de un problema operacional complejo, as como la dificultad de recolectar datos confiables. Por lo tanto, antes de usar el modelo debe probarse exhaustivamente para intentar identificar y corregir todas las fallas que se pueda. Con el tiempo, despus de una larga serie de modelos mejorados, el equipo de IO concluye que el modelo actual produce resultados razonablemente vlidos. Aunque sin duda quedarn algunos problemas menores ocultos en el modelo (y quiz nunca se detecten), las fallas importantes se habrn eliminado de manera que ahora es confiable usar el modelo. Este proceso de prueba y mejoramiento de un modelo para incrementar su validez se conoce como validacin del modelo. Debido a que el equipo de IO puede pasar meses desarrollando todas las piezas detalladas del modelo, es sencillo no ver el bosque por buscar los rboles. Entonces, despus de completar los detalles (los rboles) de la versin inicial del modelo, una buena manera de comenzar las pruebas es observarlo en forma global (el bosque) para verificar los errores u omisiones obvias. El grupo que hace esta revisin debe, de preferencia, incluir por lo menos a una persona que no haya participado en la formulacin. Al examinar de nuevo la formulacin del problema y comprarla con el modelo pueden descubrirse este tipo de errores. Tambin es til asegurarse de que todas las expresiones matemticas sean consistentes en las dimensiones de las unidades que emplean. Adems, puede obtenerse un mejor conocimiento de la validez del modelo variando los valores de los parmetros de entrada y/o de las variables de decisin, y comprobando que los resultados del modelo se comporten de una manera factible. Con frecuencia, esto es especialmente revelador cuando se asignan a los parmetros o a las variables valores extremos cercanos a su mximo o a su mnimo. Un enfoque ms sistemtico para la prueba del modelo es emplear una prueba retrospectiva. Cuando es aplicable, esta prueba utiliza datos histricos y reconstruye el pasado para determinar si el modelo y la solucin resultante hubieran tenido un buen desempeo, de haberse usado. La comparacin de la efectividad de este desempeo hipottico con lo que en realidad ocurri, indica si el uso del modelo tiende a dar mejoras significativas sobre la prctica actual. Puede tambin indicar reas en las que el modelo tiene fallas y requiere modificaciones. Lo que es ms, el

emplear las alternativas de solucin y estimar sus desempeos histricos hipotticos, se pueden reunir evidencias en cuanto a lo bien que el modelo predice los efectos relativos de los diferentes cursos de accin. Cuando se determina que el modelo y la solucin no son vlidos, es necesario iniciar nuevamente el proceso revisando cada una de las fases de la metodologa de la investigacin de operaciones. ESTABLECIMIENTO DE CONTROLES SOBRE LA SOLUCION Una solucin establecida como vlida para un problema, permanece como tal siempre y cuando las condiciones del problema tales como: las variables no controlables, los parmetros, las relaciones, etc., no cambien significativamente. Esta situacin se vuelve ms factible cuando algunos de los parmetros fueron estimados aproximadamente. Por lo anterior, es necesario generar informacin adicional sobre el comportamiento de la solucin debido a cambios en los parmetros del modelo. usualmente esto se conoce como anlisis de sensibilidad. En pocas palabras, esta fase consiste en determinar los rangos de variacin de los parmetros dentro de los cuales no cambia la solucin del problema. IMPLANTACION DE LA SOLUCION El paso final se inicia con el proceso de vender los hallazgos que se hicieron a lo largo del proceso a los ejecutivos o tomadores de decisiones. Una vez superado ste obstculo, se debe traducir la solucin encontrada a instrucciones y operaciones comprensibles para los individuos que intervienen en la operacin y administracin del sistema. La etapa de implantacin de una solucin se simplifica en gran medida cuando se ha propiciado la participacin de todos los involucrados en el problema en cada fase de la metodologa. Preparacin para la aplicacin del modelo Esta etapa es crtica, ya que es aqu, y slo aqu, donde se cosecharn los beneficios del estudio. Por lo tanto, es importante que el equipo de IO participe, tanto para asegurar que las soluciones del modelo se traduzcan con exactitud a un procedimiento operativo, como para corregir cualquier defecto en la solucin que salga a la luz en este momento. El xito de la puesta en prctica depende en gran parte del apoyo que proporcionen tanto la alta administracin como la gerencia operativa. Es ms probable que el equipo de IO obtenga este apoyo si ha mantenido a la administracin bien informada y ha fomentado la gua de la gerencia

durante el estudio. La buena comunicacin ayuda a asegurar que el estudio logre lo que la administracin quiere y por lo tanto merezca llevarse a la prctica. Tambin proporciona a la administracin el sentimiento de que el estudio es suyo y esto facilita el apoyo para la implantacin. La etapa de implantacin incluye varios pasos. Primero, el equipo de investigacin de operaciones de una cuidadosa explicacin a la gerencia operativa sobre el nuevo sistema que se va a adoptar y su relacin con la realidad operativa. En seguida, estos dos grupos comparten la responsabilidad de desarrollar los procedimientos requeridos para poner este sistema en operacin. La gerencia operativa se encarga despus de dar una capacitacin detallada al personal que participa, y se inicia entonces el nuevo curso de accin. Si tiene xito, el nuevo sistema se podr emplear durante algunos aos. Con esto en mente, el equipo de IO supervisa la experiencia inicial con la accin tomada para identificar cualquier modificacin que tenga que hacerse en el futuro. A la culminacin del estudio, es apropiado que el equipo de investigacin de operaciones documento su metodologa con suficiente claridad y detalle para que el trabajo sea reproducible. Poder obtener una rplica debe ser parte del cdigo de tica profesional del investigador de operaciones. Esta condicin es crucial especialmente cuando se estudian polticas gubernamentales en controversia. LIMITACIONES DE LA INVESTIGACIN DE OPERACIONES 1. Frecuentemente es necesario hacer simplificaciones del problema original para poder manipularlo y detener una solucin. 2. La mayora de los modelos slo considera un solo objetivo y frecuentemente en las organizaciones se tienen objetivos mltiples. 3. Existe la tendencia a no considerar la totalidad de las restricciones en un problema prctico, debido a que los mtodos de enseanza y entrenamiento dan la aplicacin de esta ciencia centralmente se basan en problemas pequeos para razones de ndole prctico, por lo que se desarrolla en los alumnos una opinin muy simplista e ingenua sobre la aplicacin de estas tcnicas a problemas reales. 4. Casi nunca se realizan anlisis costo-beneficio de la implantacin de soluciones definidas por medio de la I de O, en ocasiones los beneficios

potenciales se van superados por los costos ocasionados por el desarrollo e implantacin de un modelo.

Formulacion Aplicacion Modelos Programacion Lineal

PRINCIPIOS GENERALES DE LA MODELACIN Los modelos no pueden reemplazar al tomador de decisiones, slo auxiliarlos A continuacin se presenta una lista, no exhaustiva, de los principios generales de modelacin. 1. No debe elaborarse un modelo complicado cuando uno simple es suficiente. 2. El problema no debe ajustarse al modelo o mtodo de solucin. 3. La fase deductiva de la modelacin debe realizarse rigurosamente. 4. Los modelos deben validarse antes de su implantacin. 5. Nunca debe pensarse que el modelo es el sistema real. 6. Un modelo debe criticarse por algo para lo que no fue hecho. 7. No venda un modelo como la perfeccin mxima. 8. Uno de los primeros beneficios de la modelacin reside en el desarrollo del modelo. 9. Un modelo es tan bueno o tan malo como la informacin con la que trabaja.

10. Los modelos no pueden reemplazar al tomador de decisiones. Recordemos que los modelos de Investigacin de Operaciones, conducen al ejecutivo a mejores decisiones y no a simplificar la toma de stas. METODOLOGA DE FORMULACIN DIRECTA PARA CONSTRUIR MODELOS DE PROGRAMACIN LINEAL: Como su nombre lo indica, la formulacin directa estriba en pasar directamente del sistema asumido al modelo de PL. Para tal efecto, se propone el siguiente orden: definir el objetivo, definir las variables de decisin, enseguida las restricciones estructurales y finalmente establecer las condiciones tcnicas Definir el Objetivo: Consiste en definir un criterio de optimizacin el cual puede ser Maximizacin o Minimizacin dependiendo del problema que se desee resolver, el cual es una funcin lineal de las diferentes actividades del problema. Bajo el criterio de optimizacin definido se pretende medir la contribucin de las soluciones factibles que puedan obtenerse y determinar la ptima. Definir las variables de decisin: Son las incgnitas del problema bsicamente consisten en los niveles de todas las Actividades que pueden llevarse a cabo en el problema a formular, estas pueden ser de tantos tipos diferentes como sea necesario, e incluir tantos subndices como sea requerido. Definir las restricciones: Son los diferentes requisitos que debe cumplir cualquier solucin para que pueda llevarse a cabo. En cierta manera son las limitantes en los valores de los niveles de las diferentes actividades (variables). Las restricciones ms comunes son de seis tipos, las cuales se listan a continuacin: Restriccin de capacidad: limitan el valor de las variables debido a las disponibilidad de horas-hombre, horas-mquina, espacio, etc. Restriccin de mercado: Surge de los valores mximos y mnimos en las ventas o el uso del producto o actividad a realizar.

Restriccin de entradas: Son limitantes debido a la escasees de materias primas, mano de obra, dinero, etc.

Restriccin de calidad: Son las restricciones que limitan las mezclas de ingredientes, definiendo usualmente la calidad de los artculos a manufacturar. Restricciones de balance de material: Estas son las restricciones que definen las salidas de un proceso en funcin de las entradas, tomando en cuenta generalmente cierto porcentaje de merma o desperdicio. Restricciones Internas: Son las que definen a una variable dada, en la formulacin interna del problema, un ejemplo tipo, es el de inventario. Condiciones Tcnicas: En este apartado se establece que todas las variables deben tomar valores no negativos. FORMULACIN DE MODELOS DE PROGRAMACIN LINEAL Alguno de los tipos de problemas que se pueden formular son: Planeacin de la produccin e inventarios Mezcla de Alimentos Transporte y asignacin Planeacin financiera Mercadotecnia Asignacin de recursos

Metodo Grafico Programacion Lineal

El mtodo grfico se emplea para resolver problemas que presentan slo 2 variables de decisin. El procedimiento consiste en trazar las ecuaciones de las restricciones en un eje de coordenadas X1, X2 para tratar de identificar el rea de soluciones factibles (soluciones que cumplen con todas las restricciones). La solucin ptima del problema se encuentra en uno de los vrtices de esta rea de soluciones creada, por lo que se buscar en estos datos el valor mnimo o mximo del problema.

EJEMPLO 1:

Una compaa de auditores se especializa en preparar liquidaciones y auditoras de empresas pequeas. Tienen inters en saber cuantas auditoras y liquidaciones pueden realizar mensualmente para maximizar sus ingresos. Se dispone de 800 horas de trabajo directo y 320 horas para revisin. Una auditora en promedio requiere de 40 horas de trabajo directo y 10 horas de revisin, adems aporta un ingreso de 300 dls. Una liquidacin de impuesto requiere de 8 horas de trabajo directo y de 5 horas de revisin, produce un ingreso de 100 dls. El mximo de liquidaciones mensuales disponibles es de 60. OBJETIVO : Maximizar el ingreso total.

VARIABLE DE DECISION: Cantidad de auditoras (X1). Cantidad de liquidaciones (X2).

RESTRICCIONES : Tiempo disponible de trabajo directo Tiempo disponible de revisin Nmero mximo de liquidaciones.

Maximizar Sujeto a:

La solucin ptima siempre se encuentra en uno de los vrtices del conjunto de soluciones factibles. Se analizan estos valores en la funcin objetivo. El vrtice que representa el mejor valor de la funcin objetivo ser la solucin ptima.

EJEMPLO 2.

Un departamento de publicidad tiene que planear para el prximo mes una estrategia de publicidad para el lanzamiento de una lnea de T.V. a color tiene a consideracin 2 medios de difusin: La televisin y el peridico. Los estudios de mercado han mostrado que:

1. La publicidad por T.V. Llega al 2 % de las familias de ingresos altos y al 3 % de las familias de ingresos medios por comercial.

2. La publicidad en el peridico llega al 3 % de las familias de ingresos altos y al 6 % de las familias de ingresos medios por anuncio.

La publicidad en peridico tiene un costo de 500 dls. por anuncio y la publicidad por T.V. tiene un costo de 2000 dls. por comercial. La meta es obtener al menos una presentacin como mnimo al 36 % de las familias de ingresos altos y al 60 % de las familias de ingresos medios minimizando los costos de publicidad.

OBJETIVO : Minimizar los costos de publicidad.

VARIABLE DE DECISION: Anuncios para las familias de ingreso alto (X1). Anuncios para las familias de ingreso medio (X2).

RESTRICCIONES : Porcentaje de presentacin.

Minimizar Sujeto a:

SOLUCION OPTIMA:

EJEMPLO 3.

Un expendio de carnes acostumbra preparar carne para hamburguesa con una combinacin de carne molida de res y carne molida de cerdo. La carne de res contiene 80 % de carne y 20 % de grasa y le cuesta a la tienda 80 centavos por libra. La carne de cerdo contiene 68 % de carne y 32 % de grasa y cuesta 60 centavos por libra. Qu cantidad de cada tipo de carne debe emplear la tienda por cada libra de carne para hamburguesa si desea minimizar el costo y mantener el contenido de grasa no mayor de 25 %?

Minimizar Sujeto a:

SOLUCION OPTIMA:

Metodo Simplex
METODO DUAL SIMPLEX En el algoritmo dual smplex, el problema empieza ptimo y no factible. Las iteraciones sucesivas estn diseadas para avanzar haca la factibilidad, sin violar la optimalidad. En iteracin, cuando se restaura la factibilidad, el algoritmo termina.

El mtodo dual smplex contrasta con el mtodo regular (primal simplex), en el sentido de que las iteraciones empiezan factibles y no optimas y no continan siendo factibles hasta que se logra la factibilidad. En el mtodo dual smplex, el cuadro simplex inicial debe tener un rengln objetivo optimo por lo menos con una variable bsica no factible (< 0). Para mantener la optimalidad y, simultneamente, avanzar hacia la factibilidad en cada nueva iteracin, se emplearan las dos condiciones siguientes: Condicin Dual de Factibilidad: La variable de salida, x, es la variable bsica que tiene el valor ms negativo, con empates que se rompen arbitrariamente. Si todas las variables bsicas son no negativas, el algoritmo termina. Condicin Dual de Optimalidad: La variable de entrada esta determinada entre las variables no bsicas como la correspondiente a rj, zj - cj min { < 0}
no bsicas rj

rj es el coeficiente de restriccin de la tabla smplex asociada con el rengln de la variable de salida x, y la columna de la variable de entrada Xj. Los empates se rompen arbitrariamente.Donde Ejemplo: Minimice z = 31 + 22 Sujeta a
31 + x2 641 + 32 x1 + x2 x1, x2 3 0 3

La tabla smplex inicial para el problema se da como

Solucin bsica
factible

X1 X2 X3 X4 X5 Solucin
z 0 X3 0 X4 0 X5 0 1 3 6 1 1 0 3 4 3 0 1 0 3 1 1 0 !! 3 [ 2 0 0

Las variables X3 y X4 son supervit, mientras que X5, es una holgura EL METODO SIMPLEX PARA SOLUCIN DE PROBLEMAS DE PROGRAMACIN LINEAL Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin. Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin. El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta.
El mtodo del simplex fue creado en 1947 por el matemtico George Dantzig .

El mtodo del simplex se utiliza, sobre todo, para resolver problemas de programacin lineal en los que intervienen tres o ms variables.

El lgebra matricial y el proceso de eliminacin de Gauss-Jordan para resolver un sistema de ecuaciones lineales constituyen la base del mtodo simplex. Con miras a conocer la metodologa que se aplica en el Mtodo SIMPLEX, vamos a resolver el siguiente problema: Maximizar Z= f(x,y)= 3x + 2y sujeto a: 2x + y 18
2x + 3y 3x + y 24 x0 , y 0 42

Se consideran las siguientes fases: 1. Convertir las desigualdades en igualdades Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en igualdades, resultando el sistema de ecuaciones lineales: 2x + y + h = 18 2x + 3y + s = 42 3x +y + d = 24 2. Igualar la funcin objetivo a cero - 3x - 2y + Z = 0 3. Escribir la tabla inicial simplex En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo: Tabla I . Iteracin n 1 Base Variable de decisin Variable de holgura Valores solucin
x y h s d

h 2 1 1 0 0 18 s 2 3 0 1 0 42 d 3 1 0 0 1 24 Z 3 2 0 0 0 0

4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la base Para escoger la variable de decisin que entra en la base, nos fijamos en la ltima fila, la de los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto). En nuestro caso, la variable x de coeficiente - 3. Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de ellos. Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del simplex, es que en la ltima fila no haya elementos negativos. La columna de la variable que entra en la base se llama columna pivote (En color azulado). Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino de la ltima columna (valores solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso:
18/2 [=9] , 42/2 [=21] y 24/3 [=8]

Si hubiese algn elemento menor o igual que cero no se hace dicho cociente. En el caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de holgura que sale de la base, d. Esta fila se llama fila pivote (En color azulado). Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables correspondientes pueden salir de la base. En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote operacional, 3. 5. Encontrar los coeficientes de la nueva tabla.

Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el pivote operacional, 3, que es el que hay que convertir en 1. A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin se puede hacer utilizando el siguiente esquema: Fila del pivote: Nueva fila del pivote= (Vieja fila del pivote) : (Pivote) Resto de las filas: Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X (Nueva fila del pivote) Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II): Vieja fila de s 2 3 0 1 0 42
- - - - - -

Coeficiente 2 2 2 2 2 2
x x x x x x

Nueva fila pivote 1 1/3 0 0 1/3 8

= = = = = =

Nueva fila de s 0 7/3 0 1 2/3 26 Tabla II . Iteracin n 2 Base Variable de decisin Variable de holgura Valores solucin
x y h s d

h 0 1/3 1 0 2/3 2 s 0 7/3 0 1 2/3 26 x 1 1/3 0 0 1/3 8 Z 0 1 0 0 1 24 Como en los elementos de la ltima fila hay uno negativo, 1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso:

La variable que entra en la base es y, por ser la variable que corresponde al coeficiente 1 Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8] y como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es h. El elemento pivote, que ahora hay que hacer 1, es 1/3. Operando de forma anloga a la anterior obtenemos la tabla: Tabla III . Iteracin n 3 Base Variable de decisin Variable de holgura Valores solucin
x y h s d

y 0 1 3 0 2 6 s 0 0 7 1 4 12 x 1 0 1 0 1 6 Z 0 0 3 0 1 30 Como en los elementos de la ltima fila hay uno negativo, 1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: La variable que entra en la base es d, por ser la variable que corresponde al coeficiente 1 Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 6/(2) [=3] , 12/4 [=3], y 6:1 [=6] y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es s. El elemento pivote, que ahora hay que hacer 1, es 4. Obtenemos la tabla: Tabla IV . Final del proceso Base Variable de decisin Variable de holgura Valores solucin
x y h s d

y 0 1 1/2 1/2 0 12 d 0 0 7/4 1/4 1 3 x 1 0 3/4 1/4 0 3 Z 0 0 5/4 1/4 0 33 Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a la solucin ptima. Los solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso: 33. En la misma columna se puede observar el vrtice donde se alcanza, observando las filas

correspondientes a las variables de decisin que han entrado en la base: D(3,12)

Si en el problema de maximizar apareciesen como restricciones inecuaciones de la forma: ax + by c; multiplicndolas por - 1 se transforman en inecuaciones de la forma - ax - by - c y estamos en el caso anterior Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo proceso, pero cambiando el sentido del criterio, es decir, para entrar en la base se elige la variable cuyo valor, en la fila de la funcin objetivo, sea el mayor de los positivos y se finalizan las iteraciones cuando todos los coeficientes de la fila de la funcin objetivo son negativos

Metodo Algebraico Programacion Lineal

La Tabla Simplex
El mtodo Simplex Tabular

La resolucin de programas lineales mediante el mtodo Simplex implica la realizacin de gran cantidad de clculos, sobre todo cuando el nmero de variables y/o restricciones es relativamente elevado. Sin embargo, estos clculos no son complejos y pueden realizarse en modo sistemtico utilizando una forma tabular. As surgen las conocidas como tablas del Simplex, que no son ms que

una forma de organizar los clculos. Sobre las tablas del Simplex comentar que su inters es totalmente pedaggico, ya que en los casos reales la magnitud de los problemas que suelen aparecer hace que nadie las utilize de forma directa para resolverlos. En tales casos, ha de recurrirse al uso del computador. Para aplicar el mtodo Simplex en forma de tabla a un problema de la forma: min cx Ax=b x >= 0
con

b >= 0

en primer lugar se construye la tabla siguiente:

c1 cb1 cb2 . . . cbm xb1 xb2 . . . xbm b1 b2 . . . bm v a11 a21 ... ... ... am1 y1 z1 c2 a12 a22 ... ... ... am2 y2 z2 ... ... ... ... ... ... ... ... ... cn a1n a2n ... ... ... amn ym zm

Tabla del Simplex

Donde:

es el producto escalar de los vectores (cb1,cb2,...,cbm) y (b1,b2,...,bm) yk es el producto escalar de los vectores (cb1,cb2,...,cbm) y (a1k,a2k,...,amk) para k=1,2,...m. zk=ck-yk para k=1,2,...,m.
v

Observar la forma en que se construye esta tabla:

En la primera fila de la tabla se colocan los coeficientes de las variables en la funcin objetivo. En las tres primeras columnas aparecen los coeficientes de las variables bsicas en la funcin objetivo, las variables bsicas iniciales y el vector de trminos independientes de las restricciones, respectivamente. La parte central de la tabla est formada por la matriz de coeficientes A.

Los elementos de la penltima 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. Finalmente, en la ltima fila aparece la diferencia de las filas primera y penltima.

IMPORTANTE: Las variables bsicas iniciales deben tener una matriz de base asociada igual a la identidad. En muchas ocasiones, al introducir las variables de holgura en las restricciones se genera una matriz bsica identidad, que puede ser utilizada como base inicial del algoritmo. En los casos en los que sto no ocurra existen tcnicas para obtener una submatriz identidad, como puede ser por ejemplo el uso de variables artificiales.

Cada tabla del Simplex est asociada a una solucin bsica factible. De forma que, una vez construida la tabla inicial, deben establecerse las reglas que permitan obtener las tablas asociadas a las siguientes soluciones bsicas, as como saber la solucin bsica que lleva asociada cada tabla. Adems es necesario saber cuando una tabla corresponde a la solucin ptima, esto ltimo se consigue analizando los signos de la ltima fila de la tabla: Si todos los elementos de la ltima fila de la tabla son mayores o iguales que cero, el ptimo ha sido alcanzado. Cuando alguno de los elementos de la ltima fila es negativo, el valor ptimo puede mejorarse y por tanto debe construirse una nueva tabla de la manera siguiente:

Se selecciona de la ltima fila el elemento negativo de mayor valor absoluto. La variable correspondiente al ndice del zi seleccionado es la que pasar a ser bsica. Para saber a que variable bsica 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 ptimo finito.

De todos los cocientes calculados se selecciona el mnimo, el elemento de la matriz A que ha servido para construir ese valor mnimo es el que actuar comopivot y la variable de la segunda columna de la tabla en la posicin de la fila del pivot es la que deja de ser bsica. 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 pivot y anular los restantes elementos de la correspondiente columna. Las nicas transformaciones que son permitidas son: o Multiplicar por constantes la fila que contiene el pivot. o Sumar o restar a una fila un mltiplo de la fila que contiene el pivot. Intercambiar las variables bsicas en la segunda columna al mismo tiempo que se modifica el correspondiente elemento de la primera columna. Calcular los nuevos valores de las dos ltimas 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 ltima fila mayores o iguales que cero) en cuyo caso se tiene:

El ptimo se alcanza en el punto cuyas coordenadas son nulas excepto las correspondientes a las variables bsicas, cuyos valores aparecen en la tercera columna de la tabla ptima. El valor de la funcin en el ptimo es el que aparece en el ltimo elemento de esa misma columna

Todas las tablas que se van obteniendo tienen dos caractersticas en comn: los elementos de la tercera columna son todos ellos mayores o iguales que cero, salvo el ltimo (el que indica el valor de la funcin objetivo) que pudiera ser negativo. Por otro lado, las columnas de A asociadas a las variables bsicas siempre forman una matriz identidad. Analizando ms en profundidar cada una de las etapas expuestas, se puede comprobar la correspondencia con el mtodo Simplex enunciado de una forma ms terica anteriormente. Por supuesto, la mejor manera de comprender la resolucin mediante tablas es con ejemplos particulares; a continuacin se exponen dos de estos ejemplos.

Ejemplo: Programa lineal

min 2x1-x2 -x1+x2+x3=2 2x1+x2+x4=6

Tabla Inicial
2 -1 0 0 0 1 0 0 0 0 0 1 0 0

x3 x4

2 6 0

-1 2 0

1 1 0

x1,x2,x3,x4

>= 0

2 -1

Se toman como variables bsicas x3 y x4 porque llevan asociadas como matriz de base la identidad. El elemento sealado en color rojo en la tabla es el que actuar como pivot, ha sido determinado teniendo en cuenta que en la ltima fila de la tabla solo hay un elemento negativo; tras esto se debe calcular min{2/1,6/1}, dicho mnimo se obtiene a partir del pivot. La posicin del pivot dentro de la tabla indica:

La variable x3 dejar de ser bsica. La variable que la sustituye es x2

Para construir la siguiente tabla, han de realizarse operaciones elementales sobre las filas del bloque central hasta conseguir que el pivot sea 1 y los restantes elementos de su columna sean 0. En este caso el pivot ya tiene el valor 1, para anular el otro elemento de la columna basta restar a la segunda fila la primera. Tras estas manipulaciones, se sustituye la variable x3 por x2 y el valor 0 de la primera columna de la tabla por c2=-1. A continuacin se realizan las operaciones que definen los elementos de las dos ltimas filas de la tabla para completar la segunda tabla del algoritmo.
Segunda Tabla
2 -1 -1 0 0 0 0 1 0 0

x2 x4

2 4 -2

-1 3 1

1 1 0 -1 0 1

1 -1 -1

Como puede observarse, la ltima fila de la tabla est formada por elementos mayores o iguales que cero todos ellos, lo que significa que se ha alcanzado un ptimo. En concreto, el ptimo se alcanza sobre el punto x1=0 x2=2 x3=0 x4=4 El valor ptimo es adems -2 (ltimo elemento de la tercera columna de la tabla).

Ejemplo: Programa lineal

min -x1-x2 -x1+x2 <= 2

Formulacin estndar
min -x1-x2 -x1+x2+x3 = 2

x1+2x2 <= 6 2x1+x2 <= 6 x1,x2 >= 0

x1+2x2+x4 = 6 2x1+x2+x5 = 6 x1,x2,x3,x4,x5

>= 0

Las variables x3, x4 y x5 tienen como matriz de base a la identidad, de forma que pueden tomarse como variables bsicas iniciales. Aplicando el algoritmo Simplex, en tres tablas se obtiene el ptimo:
Tabla Inicial
-1 0 -1 0 1 0 2 1 0 0 -1 0 -1 1 2 1 0 -1 0 1 0 0 0 0 0 0 1 0 0 0 0 0 -1

Segunda Tabla
-1 -1 0 0 0 0 3/2 1 0 1/2 5 0 3/2 0 1 3 1/2 3 1 1/2 0 0 1/2 -1 -1/2 0 0 -3 1/2 0 -1/2 0 0 1/2

0 0 0

x3 x4 x5

2 6 6

x3 x4 x1

Tercera Tabla

Optimo

-1 -1 0

x1=2 x2=2 x3=2 x4=0

0 0 -1 -1

1 0

-1 2/3 -

x3 x2 x1

2 2 2

1 0 -1/3 0 -1/3 0 1/3

x5=0
Valor ptimo = -4

0 1 1/3 1 0 2/3 -1 -1 -4 1/3 0 0 1/3

Cada tabla del Simplex lleva asociado un punto cuyas coordenadas se obtienen en la tercera columna para sus variables bsicas y son nulas el resto. En la siguiente figura se encuentra representado el espacio de soluciones factibles del problema, indicndose adems los vrtices correspondientes a cada una de las tres tablas obtenidas.

Uso de variables artificiales

No siempre es posible en la tabla del Simplex disponer de un conjunto de vectores que, convenientemente ordenados, formen la matriz identidad. Una forma de conseguirlo es aadir unas nuevas variables al problema que se conocen como variables artificiales. Una vez que el problema lineal se encuentra en su forma estndar (introduciendo si es necesario las variables de holgura), se suman estas variables artificiales a las restricciones necesarias para poder obtener una matriz bsica igual a la identidad. Lgicamente para que estas variables introducidas no afecten a la solucin del problema, lo deseable es que dejen de ser bsicas rpidamente y de esta manera se anulen. La forma de conseguirlo es aadindolas a la funcin objetivo con un coeficiente muy alto positivo (se le puede representar por M). De esta manera, para minimizar la funcin objetivo deben anularse estas variables, con lo que en alguna de las iteraciones del mtodo Simplex las variables artificiales dejan de ser bsicas y a partir de ese momento puede prescindirse de ellas. El siguiente ejemplo trata de ilustrar la forma de utilizar las variables artificiales para obtener una solucin bsica inicial con matriz de base igual a la identidad.

Ejemplo: Programa lineal Formulacin estndar

x1-x2 x1+2x2 >= 6 2x1+x2 <= 6 4x1+x2= = 4 x1,x2 >= 0

min

x1-x2 x1+2x2-x3 = 2x1+x2+x4 = 4x1+x2= = 4 x1,x2,x3,x4

min

6 6 >= 0

De la matriz A del problema no se puede obtener una submatriz igual a la identidad. Podra por tanto, recurrirse a introducir dos variables artificiales x5 y x6. Observar como se introducen esas variables en la funcin objetivo con un coeficiente M que se supone muy grande. Adems al aadir esas variables a la primera y tercera restriccin se consigue, tomando como variables bsicas x5, x4 y x6, una matriz bsica igual a la identidad. Por la propia construccin, en el ptimo las variables artificiales se anularn y por tanto las restricciones no se vern afectadas por la modificacin que supone aadirlas. El problema tras introducir las variables artificiales sera: x1-x2+Mx5+Mx6 x1+2x2-x3+x5 = 6 2x1+x2+x4 = 6 4x1+x2+x6= = 4 x1,x2,x3,x4,x5,x6 >=
min

Y aplicando el mtodo Simplex se obtiene el ptimo tras cuatro tablas:

Tabla Inicial
1 M 1 M 0 M 2 1 1 3M -1-3M -1 0 0 -M M 0 1 0 0 0 1 0 0 M 0 -1 0 0 M

x5 x4 x6

6 6 4

0 2 0 4 1 5M M 1-5M 0

10M

Para un valor muy grande de M los dos primeros elementos de la ltima fila de la tabla son negativos y de ellos es el primero el que tiene mayor valor absoluto, es por tanto en la primera columna en la que se busca el pivot.

Tras efectuar las correspondientes transformaciones, las sucesivas tablas son:

Segunda Tabla
1 M M 0 1 -1 0 0 M

x5 x4 x1

0 7/4 -1 0 1 1/4 5 0 1/2 0 1 0 4 1/2 1 1 1/4 0 0 0 1/4 1 (7M+1)/4 -M 0 M (5M+1 M+1)/4 0 (-7M-5)/4 M 0 0 (5M-1)/4

Obsrvese como una de las variables artificiales ha dejado de ser bsica.

Tercera Tabla
1 M -1 0 1 -1 0 -4/7 2/7 1/7 5/7 -5/7 0 0 1 0 0 0 M 4/7 -2/7 -1/7 -5/7 M+5/7

x2 x4 x1

0 1 -1/7 20/7 0 0 18/7 -3/7 2/7 1 0 2/7 1 -1 18/7 3/7 0 0 M-3/7

En la tercera tabla ya han desaparecido de la lista de variables bsicas las dos artificiales. A partir de este momento puede prescindirse de las dos ltimas columnas de la tabla, de forma que la siguiente tabla sera:
Cuarta Tabla
1 -1 0 0 -1 1 0 0 -1 0 0 0 0 1 0 0 0 0 1 0 0 0

x2 x4 x3

4 2 2 -4

4 -2 7 -4 5

Al no existir ningn valor negativo en la ltima fila, el ptimo ha sido encontrado en el punto correspondiente a: x1=0 x2=4 x3=2 x4=2 siendo el valor ptimo del problema -4.

Analisis De Resultados Programacion Lineal

ANALISIS DE RESULTADOS Cuando se hayan terminado de usar los mtodos y herramientas seleccionados para el estudio, se tendr informacin almacenada en cuadernos, archivos e ndices organizada cronolgicamente o por mtodo usado, o ambos. Este apartado trata sobre los procesos que permiten analizar la informacin recopilada; verificar su confiabilidad mediante la triangulacin; interpretar y comprender los resultados; y presentar y usar los resultados. Debido a que la documentacin es uno de los resultados ms importantes de un estudio de evaluacin de la higiene se demuestra, en trminos prcticos, cmo la investigacin y el anlisis se vinculan con la redaccin de informes. Existen cuatro etapas principales en el anlisis e interpretacin de la informacin cualitativa. Estos se tratan ms detalladamente en varios textos, incluidos Patton (1986, 1990), Miles y Huberman (1994) y Silverman (1994). Aqu nos centraremos ms en las tareas prcticas que en los temas tericos. Anlisis descriptivo La descripcin y anlisis de la informacin cualitativa estn estrechamente vinculados, de ah la frase anlisis descriptivo. Este anlisis incluye una descripcin de la finalidad del estudio, la localidad y personas comprometidas, y sus generalidades usualmente se presentan en la introduccin del informe. El anlisis descriptivo se centra en cmo, dnde y quin recolect la informacin, lo cual

implica revisar la informacin, identificar vnculos, patrones y temas comunes, ordenar los hechos y presentarlos como son, sin agregar ningn comentario sobre su importancia. En el informe, esto se presenta generalmente en la seccin de Resultados. El orden de los resultados puede ser cronolgico, segn la secuencia de observacin de los hechos, o jerrquico, de acuerdo a la importancia de los temas. La introduccin y la seccin del anlisis descriptivo (resultados) del informe deben responder las siguientes preguntas bsicas: La seccin de la introduccin Dnde se realiz el estudio? Cules son las condiciones fsicas y climticas? Cundo se realiz el estudio? Por qu? Cules fueron los objetivos y los resultados esperados del estudio? Quin realiz el estudio? Qu mtodos y herramientas se usaron? Por qu? Cmo participaron las personas en el estudio? Qu grupos tnicos, idiomas u otros grupos participaron? Cmo se compara el nivel de participacin logrado en su estudio con el carcter distintivo de la participacin comunitaria? Seccin de resultados Incluir resultados en cuanto a: Mtodo y herramienta de investigacin usados; Ncleo de prcticas de higiene; Cualquier otro orden relevante. Las respuestas a estas preguntas requieren un anlisis y descripcin rigurosos, pero no una interpretacin. En el anlisis descriptivo se debe incluir detalles suficientes para permitir que el lector vea qu pasos sigui en la investigacin, cmo tom decisiones metodolgicas

o cambios de direccin y por qu. Recuerde que los hechos tienen que presentarse de manera clara, coherente y completa antes de que puedan ser interpretados. Una caracterstica muy importante del anlisis es la verificacin, seguida de la verificacin cruzada de la informacin a fin de establecer la calidad y confiabilidad de los resultados. Interpretacin La segunda etapa es determinar el significado de los resultados y cun significativos son en su contexto especfico. Las razones que motivan ciertas prcticas de higiene y la influencia de los factores socioculturales sobre ellas pueden analizarse con el aporte de las mltiples perspectivas del equipo de estudio. Tomando como base los resultados, tambin pueden explorarse temas ms amplios que vinculen las prcticas de higiene con la salud. A continuacin se presentan algunas de las preguntas que deben ser respondidas por el equipo de estudio al interpretar los resultados del estudio: Qu significan los resultados? Cmo surgieron los resultados? Cules son las posibles explicaciones de los resultados? Se ha respondido a todos los por qu? Algunos requieren investigacin adicional? Idealmente, la interpretacin de los resultados debe reflejar los comentarios y sugerencias hechas por la poblacin durante las sesiones de retroalimentacin sobre el uso de mtodos y herramientas analticos y de investigacin. Esto ayudar a minimizar los prejuicios que pudieran influir en la interpretacin de los resultados y asegurar que se tome en cuenta el contexto de la informacin. Juicio El anlisis descriptivo y la interpretacin de los resultados, en ltimo trmino, permiten evaluar los resultados como positivos, negativos o ambos y determinar sus razones. Los valores del equipo de estudio y

de las partes interesadas influyen en los resultados del estudio. Por ejemplo, los resultados pueden indicar qu es bueno, malo, aconsejable o indeseable respecto a cmo el proyecto ha promovido un mejor abastecimiento de agua, saneamiento, higiene y salud o cmo han respondido las personas a las intervenciones externas y por qu. En este sentido, las preguntas que deben responderse son: Cul es la importancia de los resultados para los diversos interesados en este entorno especfico? para el proyecto? para la poblacin estudiada? para los investigadores interesados en los vnculos entre determinadas prcticas de higiene y la salud? Es importante lograr un equilibrio justo entre los aspectos positivos y negativos. Los resultados positivos deben recalcarse sin dejar de lado los negativos. De igual manera, los resultados negativos no slo deben enumerarse, sino discutirse de modo que exploren posibles soluciones prcticas o remedios factibles. Recomendaciones La cuarta etapa es formular algunas recomendaciones para la accin basadas en el anlisis, interpretacin y juicio de los resultados del estudio. La seccin de Recomendaciones de un informe generalmente debe seguir a la discusin y conclusiones y debe abordar las siguientes preguntas: Cules son las implicaciones de los resultados, basadas en su anlisis, interpretacin y juicio? Cules son las deducciones: Para su proyecto especifico? Para otros proyectos que puedan estar interesados en aprender de sus resultados? Para otras partes interesadas, como los investigadores? Qu debe hacer su proyecto y otros interesados con los resultados de su estudio? Mientras mas partes interesadas participen en la interpretacin y juicio de los resultados del estudio, ms fcil ser reflejar sus intereses en las recomendaciones. Las sugerencias prcticas y factibles deben incluirse claramente en las recomendaciones.