2.1 Formulacin y aplicacin de modelos de programacin lineal.

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.

1. Qu es la Programacin Lineal?.

En infinidad de aplicaciones de la industria, la economa, etc, se presentan

situaciones en las que se exige maximizar o minimizar algunas funciones que se
encuentran sujetas a determinadas limitaciones, que llamaremos restricciones. De la
solucin de estos problemas se encarga la Programacin Lineal.

En este tema estudiaremos el caso ms fcil: Programacin Lineal con dos

variables. Veamos un ejemplo:

Un laboratorio de farmacia fabrica dos complejos vitamnicos constituidos ambos por

vitamina A y vitamina B. El primero est compuesto por 2 unidades de vitamina A y 2
unidades de vitamina B y el segundo por 1 unidad de vitamina A y 3 unidades de
vitamina B. Sabiendo que slo se dispone de 1000 unidades de vitamina A y 1800
unidades de vitamina B y que el beneficio del primer complejo es de 400 pesetas y
el del segundo 300 pesetas. Hallar el nmero de complejos vitamnicos de cada tipo
que deben fabricarse para obtener un beneficio mximo. Cul ser dicho beneficio
mximo?.

En primer lugar es conveniente resumir los datos en una tabla:

C1 C2 Disponible
Vitamina A 2 1 1000
Vitamina B 2 3 1800
Beneficio 400 300

Ahora planteamos el problema:

1. Nombrar las incgnitas: x= nmero de complejos C1 ; y= nmero de

complejos C2
2. Funcin objetivo ( funcin que queremos que sea mxima o mnima) en
nuestro caso las Ganancias que hay que maximizar:

3. Las restricciones del problema que vienen dadas por las

4. inecuaciones:

2.- Resolucin del Problema

1. Representamos grficamente las restricciones. Los puntos que cumplen todas

las restriciones se llaman Soluciones Factibles

2.
1.- Utilizando lo aprendido en la pgina de INECUACIONES representa las
restricciones.

2.- Para recordarlo, aumentando el valor del control S se van representando

sucesivamente todas las restricciones.

3.- Para ver todo el proceso pulsa animar.

4.- Traslada todo esto a tu cuaderno y tendrs el conjuto de Soluciones Factibles

(el recinto turquesa)

3. Buscamos la solucin ptima que es la solucin factible que hace mxima la

funcin objetivo.(Se puede demostrar que la funcin objetivo alcanza el
mximo mnimo en alguno de los vrtices del recinto). Existen dos mtodos
para encontrarla:
4.

0. Mtodo Analtico. Se calcula el valor de la funcin en cada uno

de los vrtices para ver cual es el valor mximo mnimo:

b. Mx.
 Solucin

a. Mtodo Grfico. Se representa la recta de la funcin objetivo,

se trazan rectas paralelas a ella que pasen por cada uno de los
vrtices y se observa cual de las rectas trazadas tiene mayor o
menor ordenada en el origen. En nuestro caso la solucin es B.

El beneficio mximo que se alcanza en el punto B ser :

3.

2.2 Mtodo Grafico.

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:

2. graficar las soluciones factibles, o el espacio de soluciones (factible), que

satisfagan todas las restricciones en forma simultnea.
3. Las restricciones de no negatividad Xi>= 0 confan todos los valores
posibles.
4. 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.
5. 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.
 6. Cada punto contenido o situado en la frontera del espacio de soluciones
satisfacen todas las restricciones y por consiguiente, representa un punto
factible.
7. 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.
8.
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 <=6 (1)
2X1 + X2 <=8 (2)
-X1 + X2 <=1 (3)
X2 <= 2 (4)
X1 >= 0 (5)
X2 >= 0 (6)

Convirtiendo las restricciones a igualdad y representndolas grficamente se tiene:

X1 + 2X2 =6 (1)
2X1 + X2 =8 (2)
-X1 + X2 =1 (3)
X2 =2 (4)
X1 =0 (5)
X2 =0 (6)

Figura 1 Espacio de solucin presentada con WinQsb

Figura 2 Determinacin de soluciones

Maximizar Z = 3X1 + 2X2

Punto (X1, X2) Z

A (0, 0) 0

B (4, 0)
12
C (3.3, 1.3)
12.6 ( ptima )
D (2, 3)
12
E (1, 3) 9

F (0, 2) 4

Tabla 2. Solucin Mtodo Grfico

Para obtener la solucin grfica, despus de haber obtenido el espacio de solucin

y graficada la funcin objetivo el factor clave consiste en decidir la direccin de
mejora de la funcin objetivo.

2.5 Analisis de resultados.

Los resultados se analizaron en trminos de la media de los errores agrupados por

tipo de instancias y en forma global, para cada valor utilizado de y . El
error se calcula como:
 (4)

donde es el ptimo de la instancia para los problemas de la mochila con

mltiples restricciones ( ); y es la cota de Dantzig (mirar por ej. [24]) para la
versin clsica ( ).

En la Tabla 1 se muestra la media del error para cada valor de y cada ,

discriminado para las instancias y .

Tabla 1: Medias del Error en funcin de y para instancias con una restriccin (
) y con mltiples restricciones ( ).

Base Decremento Incremento

Instancia 1 2 3 4 2 3 4

MR 9.01 2.19 1.95 1.92 3.98 3.85 3.90

ST 6.86 4.58 3.87 3.58 4.73 4.28 4.11

Total 7.94 3.39 2.91 2.75 4.36 4.06 4.01

Se puede observar que tanto en forma global, como para cada tipo de instancia en

particular, las versiones del algoritmo que usan obtienen mejores

resultados que los obtenidos con . Esto ocurre para los dos esquemas de
adaptacin de propuestos. Tambin se verifica que para ambos 's, un
incremento en el valor de permite reducir el error global (indicado en la
columna ). Para el caso de decremento, resulta beneficioso comenzar las
mejoras con un operador que cambie 4 bits. Cuando con 4 ya no se obtengan
mejoras, se reduce a 3, luego a 2 y finalmente se realiza un ``ajuste fino'' con .
La adaptacin de en sentido contrario tambin resulta beneficiosa, aunque para
las instancias solo aparecen mejoras respecto a y no entre los valores

obtenidos cuando se utiliza .

Es interesante analizar cuanto contribuye cada operador a la obtencin del resultado

final. En la Figura 4 se muestran la cantidad de transiciones a soluciones aceptables
(en promedio) que permiti obtener cada operador para cada valor de . Los

valores obtenidos se escalaron en el rango para mejorar la interpretabilidad.

Naturalmente cuando , todas las mejoras se obtuvieron con . Es a
partir de donde el anlisis se vuelve interesante.
En los resultados correspondientes al que decrementa , se observa que

cuando , prcticamente un de la mejora se obtuvo con -BitFlip y el

restante porcentaje con . Cuando , el del progreso se debe al

uso de -BitFlip. Del restante , casi toda la mejora se realiza con -BitFlip.

Finalmente cuando , el operador -BitFlip es el responsable del de

los pasos de mejora. La utilizacin de y -BitFlip completa prcticamente la

optimizacin aunque aparecen aproximadamente un de mejoras

correspondientes a -BitFlip.

Para el caso de incrementos en , se observa que para un valor de ,

hasta un de mejora se puede conseguir con -BitFlip una vez que la bsqueda
se estanc con -BitFlip. Para y , los grficos muestran que hasta un

de la mejora corresponde a -BitFlip, pero luego los operadores subsiguientes

pueden mejorar los ptimos locales encontrados.

(a)
(b)

Figura 4: Contribucin promedio de cada operador BitFlip para cada valor de . En (a)
resultados con administrador de operacin decremento y en (b) con incremento.

Tambin se analiz la media de la cantidad de evaluaciones realizadas para

encontrar el mejor valor, discriminada en funcin de y por tipo de instancia
(resultados no mostrados).

Cuando se utiliza un esquema de decremento, para las instancias con mltiples

restricciones se observa una reduccin de los valores a medida que aumenta
. Para las instancias del problema clsico, esta tendencia no se verifica. En
este caso, el valor ms alto de evaluaciones se alcanza con . Luego

aparecen los asociados a mientras que el menor valor corresponde a

.

Para el esquema de adaptacin con incrementos de , los resultados para

indican que un aumento de permite, no slo obtener mejores resultados, sino
tambin de forma ms rpida. Para las instancias , el valor de (media de la
cantidad de evaluaciones realizadas para obtener la mejor solucin) para
es el menor de todos, seguido por y .

Naturalmente, esta medida del ``esfuerzo'' no se puede analizar en forma aislada

sino teniendo en mente los resultados obtenidos en trminos del error. Por lo tanto,
creemos que las diferencias en la media del error pueden compensar un posible
aumento en las evaluaciones necesarias.

0.32
 Entonces, para este ejemplo, el cliente promedio espera 15 minutos antes de ser
servido. En promedio, hay un poco ms de dos clientes en la lnea o tres en el
sistema. El proceso completo lleva un promedio de 20 minutos. La caja est
ocupada el 75 % del tiempo. Y finalmente, el 32 % del tiempo habr cuatro personas
o ms en el sistema ( o tres o ms esperando en la cola).