You are on page 1of 14

PLAN DE TRABAJO

INVESTIGACION OPERATIVA I

CONTEXTUALIZACION DE LA ASIGNATURA

Esta asignatura pretende profundizar y ampliar los conocimientos de técnicas matemáticas


de apoyo a la toma de decisiones.

Al finalizar el curso los alumnos dominarán la formulación y el modelado de problemas de


optimización y decisión, conocerán las diferentes alternativas de modelado y las técnicas
existentes para resolver modelos de investigación operativa. En particular se pretende
conseguir que el alumno sea capaz de:

• reconocer los diversos campos en los que se aplican técnicas de la investigación operativa

• modelar y resolver problemas de optimización y de decisión de naturaleza diversa

• comprender y aplicar técnicas empleadas para la toma de decisiones

• analizar e interpretar las soluciones obtenidas de las distintas técnicas aplicadas

• resolver modelados de problemas de optimización utilizando un lenguaje algebraico de


modelado

• analizar y sintetizar la información recibida y transmitir en forma adecuada, tanto en forma


escrita como verbal, el contenido de la práctica de optimización

• aprender a trabajar en equipo en la realización de la práctica

Esta asignatura tiene un carácter mixto teórico-práctico por lo que a los componentes
teóricos se les añaden los de carácter práctico, tanto la resolución de cuestiones numéricas
como la realización de trabajos prácticos de modelado en los que se ejercitarán los
conceptos estudiados.

TEMARIO

1. ORIGEN Y CARACTERISTICAS DE LA INVESTIGACION OPERATIVA


1.1. ORIGEN DE LA INVESTIGACION OPERATIVA
El término IO se utiliza por primera vez en el año 1939 durante la 2da Guerra
Mundial, específicamente cuando surge la necesidad de investigar las
operaciones tácticas y estratégicas de la defensa aérea, ante la incorporación
de un nuevo radar, en oportunidad de los ataques alemanes a Gran Bretaña. El
avance acelerado de la tecnología militar hace que los ejecutivos y
administradores militares británicos deban recurrir a los científicos, en pos de
apoyo y orientación en la planificación de su defensa. El éxito de un pequeño
grupo de científicos que trabajaron en conjunto con el ejecutivo militar a cargo
de las operaciones en la “línea”, derivó en una mayor demanda de sus servicios
y la extensión del uso de la metodología a USA, Canadá y Francia entre otros.
Sin embargo, el origen de la Investigación Operativa puede considerarse como
anterior a la Revolución Industrial, aunque fue durante este período que
comienzan a originarse los problemas tipo que la Investigación Operativa trata
de resolver. A partir de la Revolución Industrial y a través de los años se origina
una segmentación funcional y geográfica de la administración, lo que da origen
a la función ejecutiva o de integración de la administración para servir a los
intereses del sistema como un todo. La Investigación Operativa tarda en
desarrollarse en el campo de la administración industrial. El uso de la
metodología científica en la industria se incorpora al principiar los años 50, a
partir de la 2da Revolución Industrial, propiciada por los avances de las
Comunicaciones, y la Computación, que sientan las bases para la
automatización, y por sobre todo por el florecimiento y bienestar económico de
ese período. Los primeros desarrollos de esta disciplina (IO) se refirieron a
problemas de ordenamiento de tareas, reparto de cargas de trabajo,
planificación y asignación de recursos en el ámbito militar en sus inicios,
diversificándose luego, y extendiéndose finalmente a organizaciones
industriales, académicas y gubernamentales.
1.2. LAS CARACTERISTICAS DE LA INVESTIGACION OPERATIVA

Es muy notable el rápido crecimiento del tamaño y la complejidad de las organizaciones


(empresas) humanas que se ha dado en estos últimos tiempos. Tal tamaño y complejidad
nos hace pensar que una sola equivocada puede repercutir grandemente en los intereses
y objetivos de la organización y en ocasiones pueden pasar años para rectificar tal error.
También el ritmo de la empresa de hoy implica que las DECISIONES se tomen más
rápidamente que nunca, pues el hecho de posponer la acción puede dar una decisiva
ventaja al contrario en este mundo de la competencia. La palpable dificultad de tomar
decisiones ha hecho que el hombre se aboque en la búsqueda de una herramienta o
método que le permita tomar las mejores decisiones de acuerdo a los recursos disponibles
y a los objetivos que persigue. Tal herramienta recibió el nombre de Investigación de
Operaciones. De la definición de Investigación de Operaciones, como veremos en el
siguiente apartado, podemos resaltar los siguientes términos: organización, sistema,
grupos interdisciplinarios, objetivo y metodología científica. Una organización puede
entenderse como un sistema, en el cual existen componentes; canales que comunican tales
componentes e información que fluye por dichos canales. En todo sistema las componentes
interactúan unas con otras y tales interacciones pueden ser controlables e incontrolables.
En un sistema grande, las componentes se relacionan de muchas maneras, pero no todas
son importantes, o mejor dicho, no todas las interacciones tienen efectos importantes en
las componentes del sistema. Por lo tanto es necesario que exista un procedimiento
sistemático que identifique a quienes toman decisiones y a las interacciones que tengan
importancia para los objetivos de la organización o sistema. Uno de esos procedimientos
es precisamente la Investigación de Operaciones. Una estructura por la que no fluye
información, no es dinámica, es decir, no podemos considerarla como un sistema. Por lo
tanto podemos decir que la información es lo que da “vida” a las estructuras u
organizaciones humanas. Los objetivos de toda organización serán siempre alcanzar el
liderato en su rama, controlando la eficiencia y efectividad de todas sus componentes por
medio de métodos que permitan encontrar las relaciones óptimas que mejor operen el
sistema, dado un objetivo específico.
Ante el tremendo avance que se ha dado en casi todas las ciencias en las últimas décadas,
ya no es factible querer saber un poco de todo, sino más bien especializarse en alguna
rama de la ciencia. Los problemas que se presentan en las organizaciones no fácilmente
se pueden resolver por un sólo especialista.
Por el contrario son problemas multidisciplinarios, cuyo análisis y solución requieren de la
participación de varios especialistas. Estos grupos interdisciplinarios necesariamente
requieren de un lenguaje común para poder entenderse y comunicarse, donde la
Investigación de Operaciones viene a ser ese puente de comunicación.
El enfoque de la Investigación de Operaciones es el mismo del método científico. En
particular, el proceso comienza por la observación cuidadosa y la formulación del problema
y sigue con la construcción de un modelo científico (por lo general matemático) que intenta
abstraer la esencia del problema real. En este punto se propone la hipótesis de que el
modelo es una representación lo suficientemente precisa de las características esenciales
de la situación como para que las conclusiones (soluciones) obtenidas sean válidas también
para el problema real. Esta hipótesis se verifica y modifica mediante las pruebas
adecuadas. Entonces, en cierto modo, la Investigación de Operaciones incluye la
investigación científica creativa de las propiedades fundamentales de las operaciones. Sin
embargo, existe más que esto. En particular, la Investigación de
Operaciones se ocupa también de la administración práctica de la organización. Así, para
tener éxito, deberá también proporcionar conclusiones positivas y claras que pueda usar el
tomador de decisiones cuando las necesite.
1.3. Desarrollo y consecuencia de su uso
El uso de modelos matemáticos La Investigación de Operaciones o
Investigación Operativa, es una rama de las Matematicas, estadistica y
algoritmos con objeto de realizar un proceso de toma de decisiones.
Frecuentemente, trata del estudio de complejos sistemas reales, con la finalidad
de mejorar (u optimizar) su funcionamiento. La investigación de operaciones
permite el análisis de la toma de decisiones teniendo en cuenta la escasez de
recursos, para determinar cómo se puede optimizar un objetivo definido, como
la maximización de los beneficios o la minimización de costes.
1.4. etapas de un estudio de investigación operativa
Formulación y definición del problema.
Descripción de los objetivos del sistema, es decir, qué se desea optimizar; identificar las
variables implicadas, ya sean controlables o no; determinar las restricciones del sistema.
También hay que tener en cuenta las alternativas posibles de decisión y las restricciones
para producir una solución adecuada.

2. Construcción del modelo.


El investigador de operaciones debe decidir el modelo a utilizar para representar el sistema.
Debe ser un modelo tal que relacione a las variables de decisión con los parámetros y
restricciones del sistema. Los parámetros (o cantidades conocidas) se pueden obtener ya
sea a partir de datos pasados o ser estimados por medio de algún método estadístico. Es
recomendable determinar si el modelo es probabilístico o determinístico. El modelo puede
ser matemático, de simulación o heurístico, dependiendo de la complejidad de los cálculos
matemáticos que se requieran.

3. Solución del modelo.


Una vez que se tiene el modelo, se procede a derivar una solución matemática empleando
las diversas técnicas y métodos matemáticos para resolver problemas y ecuaciones.
Debemos tener en cuenta que las soluciones que se obtienen en este punto del proceso,
son matemáticas y debemos interpretarlas en el mundo real. Además, para la solución del
modelo, se deben realizar análisis de sensibilidad, es decir, ver como se comporta el modelo
a cambios en las especificaciones y parámetros del sistema. Esto se hace, debido a que
los parámetros no necesariamente son precisos y las restricciones pueden estar
equivocadas.

4. Validación del modelo.


La validación de un modelo requiere que se determine si dicho modelo puede predecir con
certeza el comportamiento del sistema. Un método común para probar la validez del
modelo, es someterlo a datos pasados disponibles del sistema actual y observar si
reproduce las situaciones pasadas del sistema. Pero como no hay seguridad de que el
comportamiento futuro del sistema continúe replicando el comportamiento pasado,
entonces siempre debemos estar atentos de cambios posibles del sistema con el tiempo,
para poder ajustar adecuadamente el modelo.
5. Implementación de resultados.
Consiste en traducir los resultados del modelo validado en instrucciones para el usuario o
los ejecutivos responsables que serán tomadores de decisiones.

2. INTRODUCCIÓN A LA PROGRAMACIÓN LINEAL


2.1. Programación lineal
Muchas personas clasifican el desarrollo de la Programación Lineal (PL) entre
los avances científicos más importantes de mediados del siglo XX. En la
actualidad es una herramienta común que ha ahorrado miles o millones de
dólares a muchas compañías y negocios, incluyendo industrias medianas en
distintos países del mundo. ¿Cuál es la naturaleza de esta notable herramienta
y qué tipo de problemas puede manejar? Expresado brevemente, el tipo más
común de aplicación abarca el problema general de asignar recursos limitados
entre actividades competitivas de la mejor manera posible (es decir, en forma
óptima). Este problema de asignación puede surgir cuando deba elegirse el nivel
de ciertas actividades que compiten por recursos escasos para realizarlas. La
variedad de situaciones a las que se puede aplicar esta descripción es sin duda
muy grande, y va desde la asignación de instalaciones productivas a los
productos, hasta la asignación de los recursos nacionales a las necesidades de
un país; desde la planeación agrícola, hasta el diseño de una terapia de
radiación; etc. No obstante, el ingrediente común de todas estas situaciones es
la necesidad de asignar recursos a las actividades. Con frecuencia, seleccionar
una alternativa incluye satisfacer varios criterios al mismo tiempo. Por ejemplo,
cuando se compra una pieza de pan se tiene el criterio de frescura, tamaño, tipo
(blanco, integral u otro), costo y rebanado o sin rebanar. Se puede ir un paso
más adelante y dividir estos criterios en dos categorías: restricciones y el
objetivo. Las restricciones son las condiciones que debe satisfacer una solución
que está bajo consideración. Si más de una alternativa satisfacen todas las
restricciones, el objetivo se usa para seleccionar entre todas las alternativas
factibles. Cuando se elige una pieza de pan, pueden quererse 100 gr. de pan
blanco rebanado y hecho no antes de ayer. Si varias marcas satisfacen estas
restricciones, puede aplicarse el objetivo de un costo mínimo y escoger las más
barata. Existen muchos problemas administrativos que se ajustan a este molde
de tratar de minimizar o maximizar un objetivo que está sujeto a una lista de
restricciones. un corredor de inversiones, por ejemplo, trata de maximizar el
rendimiento sobre los fondos invertidos pero las posibles inversiones están
restringidas por las leyes y las políticas bancarias. Un hospital debe planear que
las comidas para los pacientes satisfagan ciertas restricciones sobre sabor,
propiedades nutritivas, tipo y variedad, al mismo tiempo que se trata de
minimizar el costo. Un fabricante, al planear la producción futura, busca un costo
mínimo al mismo tiempo cómo cumplir restricciones sobre la demanda del
producto, la capacidad de producción, los inventarios, el nivel de empleados y la
tecnología. La PL se ha aplicado con éxito a estos y otros problemas. La PL es
una técnica determinista, no incluye probabilidades y utiliza un modelo
matemático para describir el problema. El adjetivo lineal significa que todas las
funciones matemáticas del modelo deben ser funciones lineales. En este caso,
la palabra programación no se refiere a programación en computadoras; en
esencia es un sinónimo de planeación. Así, la PL trata la planeación de las
actividades para obtener un resultado óptimo, esto es, el resultado que mejor
alcance la meta especificada (según el modelo) entre todas las opciones de
solución. Aunque la asignación de recursos a las actividades es la aplicación
más frecuente, la PL tiene muchas otras posibilidades. De hecho, cualquier
problema cuyo modelo matemático se ajuste al formato general del modelo de
PL es un problema de PL.
2.2. Modelo de la programación lineal
La programación lineal muchas veces es uno de los temas preferidos tanto de
profesores como de alumnos. La capacidad de introducir la PL utilizando un
abordaje gráfico, la facilidad relativa del método de solución, la gran
disponibilidad de paquetes de software de PL y la amplia gama de aplicaciones
hacen que la PL sea accesible incluso para estudiantes con poco conocimiento
de matemática. Además, la PL brinda una excelente oportunidad para presentar
la idea del análisis what-if o análisis de hipótesis ya que se han desarrollado
herramientas poderosas para el análisis de post optimalidad para el modelo de
PL. La Programación Lineal (PL) es un procedimiento matemático para
determinar la asignación óptima de recursos escasos. La PL es un
procedimiento que encuentra su aplicación práctica en casi todas las facetas de
los negocios, desde la publicidad hasta la planificación de la producción.
Problemas de transporte, distribución, y planificación global de la producción son
los objetos más comunes del análisis de PL. La industria petrolera parece ser el
usuario más frecuente de la PL. Un gerente de procesamiento de datos de una
importante empresa petrolera recientemente calculó que del 5% al 10% del
tiempo de procesamiento informático de la empresa es destinado al
procesamiento de modelos de PL y similares. La programación lineal aborda una
clase de problemas de programación donde tanto la función objetivo a optimizar
como todas las relaciones entre las variables correspondientes a los recursos
son lineales. Este problema fue formulado y resuelto por primera vez a fines de
la década del 40. Rara vez una nueva técnica matemática encuentra una gama
tan diversa de aplicaciones prácticas de negocios, comerciales e industriales y
a la vez recibe un desarrollo teórico tan exhaustivo en un período tan corto. Hoy
en día, esta teoría se aplica con éxito a problemas de presupuestos de capital,
diseño de dietas, conservación de recursos, juegos de estrategias, predicción
de crecimiento económico y sistemas de transporte. Recientemente la teoría de
la programación lineal también contribuyó a la resolución y unificación de
diversas aplicaciones. Es importante que el lector entienda desde el comienzo
que el término "programación" tiene un significado distinto cuando se refiere a
Programación Lineal que cuando hablamos de Programación Informática. En el
primer caso, significa planificar y organizar mientras que en el segundo caso,
significa escribir las instrucciones para realizar cálculos. La capacitación en una
clase de programación tiene muy poca relevancia directa con la otra clase de
programación. De hecho, el término "programación lineal" se acuñó antes de
que la palabra programación se relacionara con el software de computación. A
veces se evita esta confusión utilizando el término optimización lineal como
sinónimo de programación lineal. Cualquier problema de PL consta de una
función objetivo y un conjunto de restricciones. En la mayoría de los casos, las
restricciones provienen del entorno en el cual usted trabaja para lograr su
objetivo. Cuando usted quiere lograr el objetivo deseado, se dará cuenta de que
el entorno fija ciertas restricciones (es decir, dificultades, limitaciones) para
cumplir con su deseo (vale decir, el objetivo). Es por eso que las religiones, como
el Budismo entre otras, prescriben vivir una vida abstemia. Sin deseo, no hay
dolor. ¿Puede usted seguir este consejo con respecto a su objetivo de negocios?
Qué es una función: una función es una cosa que hace algo. Por ejemplo, una
máquina de moler café es una función que transforma los granos de café en
polvo. La función (objetivo) traza, traduce el dominio de entrada (denominado
región factible) en un rango de salida con dos valores finales denominados
valores máximo y mínimo. Cuando se formula un problema de toma de
decisiones como un programa lineal, se deben verificar las siguientes
condiciones:
a. La función objetivo debe ser lineal. Vale decir que se debe verificar que todas
las variables estén elevadas a la primera potencia y que sean sumadas o
restadas (no divididas ni multiplicadas)
b. El objetivo debe ser ya sea la maximización o minimización de una función
lineal. El objetivo debe representar la meta del decisor;
c. Las restricciones también deben ser lineales. . Asimismo, la restricción debe
adoptar alguna de las siguientes formas ( £, ³, O =, es decir que las
restricciones de PL siempre están cerradas).

3. EL METODO SIMPLEX
3.1. Esquema del método simplex
El método más conocido y habitual para resolver problemas de P.L. es el método
del Simplex debido a Dantzig1. Antes de desarrollar este método es preciso
enunciar dos teoremas que no probaremos, aunque en parte vimos como se
cumplían en algunos análisis gráficos del capítulo anterior.
a. El conjunto de posibles soluciones o conjunto factible de cualquier problema
de P.L. puede representarse mediante un poliedro convexo.
b. Si un P.L. tiene una solución óptima y finita, ésta estará en un vértice del
poliedro convexo que representa al problema de P.L.
3.2. LA FORMA ESTÁNDAR DE UN PROGRAMA LINEAL
Sin pérdida de generalidad, todo programa lineal se puede escribir como:
min cx
s.t Ax = b
x≥0I
Objetivo: minimizar
Todas las desigualdades como ecuaciones
Todas las variables mayores o iguales que cero
3.3. Algebra del método simplex
El método símplex puede comenzar en cualquier solución factible en un vértice
(solución básica factible), de manera que se escoge una que sea conveniente.
Antes de tomar en cuenta las variables de holgura, esta elección es el origen
(con todas las variables originales iguales a cero) o (x1,x2) = (0,0) para el
ejemplo. En consecuencia, después de introducir las variables de holgura, las
variables originales son variables no básicas y las variables de holgura son las
variables básicas de la solución básica factible inicial. Esta elección se muestra
en el siguiente sistema de ecuaciones en el que las variables básicas se
escribieron en negritas:
1) x1 + x3 = 4
2) 2x2 + x4 = 12
3) 3x1 + 2x2 + x5 =18
Como las variables no básicas son iguales acero, el resto de la solución se lee
como si no existieran: entonces, x3 = 4, x4 =12y x5 = 18, de ahí que la solución
básica factible inicial resulta igual a (0,0,4,12,18).
Nótese que la razón por la que esta solución se puede leer de inmediato es por
que cada ecuación tiene sólo una variable básica, que tiene coeficiente +1, y
que esta variable básica no aparece en ninguna otra ecuación. Pronto se verá
que cuando el conjunto de variables básicas cambia, el método símplex utiliza
un procedimiento algebraico (el de eliminación de Gauss) para poner las
ecuaciones en esta forma tan convincente para leer igual todas las soluciones
factibles básicas subsecuentes. Esta forma se llama la forma apropiada de
eliminación gaussiana.
3.4. El método simplex en forma tabular
La forma tabular del método simplex es matemáticamente equivalente a la forma
algebraica, nada más que en lugar de escribir cada conjunto de ecuaciones con
todo detalle, se usa una tabla simplex para registrar sólo la información esencial,
a saber:
a. los coeficientes de las variables
b. las constantes del lado derecho de las ecuaciones
c. las variables básicas que aparecen en cada ecuación.
Esto ahorra la escritura de los símbolos de las variables, pero es más importante en cada
ecuación. Esto ahorra la escritura de los símbolos de las variables, pero es más importante
el hecho de que permite hacer que sobresalgan los números que se usan en los cálculos
aritméticos y registrarlos en forma muy compacta.

4. EL METODO SIMPLEX MODIFICADO


4.1. Propiedades clave de las soluciones factibles en los vértices
4.2. El método simplex revisado
El método simplex en formato tabular efectúa más cálculos de los estrictamente
necesarios en cada iteración. De hecho en una iteración cualquiera sólo se
necesitan los coeficientes de la variable básica entrante (la columna pivote) no
los del resto de variables no básicas. El método simplex revisado calcula en
cada iteración sólo la información que necesita en dicha iteración. Por
consiguiente, requiere menos cálculo y menos almacenamiento. En forma
tabular el método simplex revisado se desarrolla sobre una tabla de dimensiones
(m+1)×(m+1) , siendo m el número de restricciones. La tabla del método simplex
revisado es la siguiente:

4.3. La característica
fundamental
Las variables básicas son estrictamente positivas. Si alguna de las variables de
holgura o exceso es básica entonces la variable dual de dicha restricción es 0
(propiedad de la complementariedad de holguras). Económicamente es
evidente, ya que si hay holgura de un recurso su precio marginal es cero, no se
está dispuesto a pagar por disponer de una unidad más. Hay que tener
precaución con esta interpretación pues todo tiene un límite, es decir, esto será
cierto mientras no cambie el valor de las variables duales, lo que se puede
asegurar mientras la base actual sea óptima (ya que como hemos visto las
variables duales tienen la expresión. De ahí que una interpretación completa de
una solución requiera también el análisis de los límites en que puede darse esta
interpretación. El cálculo de estos límites corresponden a lo que se denomina
análisis de sensibilidad que se presenta en la siguiente sección. Veamos a
continuación un ejemplo muy sencillo de planificación de la operación de
sistemas de energía eléctrica escrito en GAMS. El problema primal es la
minimización de los costes variables de explotación de un sistema para una
hora, denominado problema de despacho económico. El problema dual
corresponde a la maximización de la función de utilidad de consumidores y
generadores.
5. DUALIDAD Y ANALISIS DE SENSIBILIDAD
5.1. Teoría de la dualidad
Teoría de la dualidad. El dualismo es una teoría que surge como consecuencia
de una profundización en el estudio de la Programación lineal. Cada problema
de programación lineal ( Primal ) está estrechamente relacionado con otro
problema simétrico a él, denominado problema dual. El dualismo es una teoría
que surge como consecuencia de una profundización en el estudio de la
programación lineal porque la distribución de los recursos y la formación de los
precios son dos aspectos del mismo problema. Entonces la doble formulación
de la programación lineal no se debe considerar como un simple ejercicio
matemático, sino que una y otra versión del problema vienen a explicar dos
aspectos económicos distintos para una misma situación problémica. Una
propiedad fundamental de la relación entre el primal y el dual es que la solución
optima de cualquiera de estos problemas proporciona la solución óptima para el
otro.
5.2. interpretación económica de la dualidad
El problema primal y dual explican dos aspectos económicos distintos de un
mismo problema. Las variables duales nos vienen a medir el valor de los
recursos imputados a la producción, pero esta valoración tiene unas
características peculiares, esta realizada en términos de costos de
oportunidad. Esto quiere decir que aquellos factores ( o restricciones ) cuyas
existencias no quedan agotadas en el programa óptimo establecido, tienen
un costo nulo desde el anterior punto de vista, pues bajo el prisma exclusivo
del sistema empresarial es un bien libre al estar en exceso.En consecuencia,
la función objetivo, medirá el costo total de los factores imputados a la
producción, valor que ha de igualarse al rendimiento total hallado en la
función económica del primal para que se produzca el equilibrio.
Explicaremos con más detalle la interpretación económica del problema dual.
Para la realización de este análisis vamos a partir del supuesto que se tiene
un problema de programación lineal donde se maximiza el valor de la función
objetivo, por ejemplo la ganancia.
5.3. Relación primal – dual
De lo anteriormente expuesto se puede deducir que existe una estrecha
relación entre el problema primal y dual que puede expresarse en lo
siguiente: El dual tiene la matriz D transpuesta, es decir, si suponemos que
D es de orden sx r, entonces Dt es de orden r x s. Además las variables del
primal y el dual son diferentes, ya que X será un vector de r-componentes
mientras que el vector Y tendrá s-componentes. Los términos independientes
del conjunto de las restricciones del problema primal forman los coeficientes
de la función objetivo del dual. Los coeficientes de la función objetivo del
primal forman los términos independientes de las restricciones del dual. Las
restricciones del dual cambian su sentido al igual que el criterio de
optimización en términos de mínimo o máximo. A cada restricción del
problema primal le corresponde una variable dual y análogamente a cada
restricción del dual le corresponde una variable del primal. Si se halla el dual
del problema dual, obtendremos el problema primal.

5.4. Adaptaciones a otras formas del primal


Hasta este momento se ha supuesto que el modelo del problema primal se
encuentra en nuestra forma estándar. Sin embargo, al principio del capítulo se dijo
que cualquier problema de programación lineal, en forma estándar o no, posee un
problema dual. En esta sección se enfocará la atención a los cambios que sufre el
dual para las otras formas del primal.
Se presentaron las otras formas no estándar, y se señalo cómo puede convertirse
cada una en la forma estándar equivalente, si así se desea. Estas conversiones se
resumen en la tabla 6.12. Con esto, siempre se tiene la opción de convertir cualquier
modelo a nuestra forma estándar y después construir su problema dual en la forma
usual. Como ejemplo, en la tabla 6.13 se hace esto para el problema dual estándar
(que también debe tener un dual). Notese que el resultado de todo esto es justo el
problema primal estándar! Como cualquier par de problemas primal y dual se
pueden cambiar a estas formas, este hecho demuestra una propiedad importante
de las relaciones primal-dual:
6. PROBLEMAS ESPECIALES DE PROGRAMACION LINEAL
6.1. El problema de transporte
El problema del transporte o distribución, es un problema de redes especial
en programación lineal que se funda en la necesidad de llevar unidades de un
punto específico llamado fuente u origen hacia otro punto específico
llamado destino. Los principales objetivos de un modelo de transporte son la
satisfacción de todos los requerimientos establecidos por los destinos, y claro
está, la minimización de los costos relacionados con el plan determinado por las
rutas escogidas.El contexto en el que se aplica el modelo de transporte es
amplio y puede generar soluciones atinentes al área de operaciones, inventario
y asignación de elementos.El procedimiento de resolución de un modelo de
transporte se puede llevar a cabo mediante programación lineal común, sin
embargo su estructura permite la creación de múltiples alternativas de solución
tales como la estructura de asignación o los métodos heurísticos más populares
como Vogel, Esquina Noroeste o Mínimos Costos.
6.2. El método simplex del transporte
El modelo de transporte busca determinar un plan de transporte de una
mercancía de varias fuentes a varios destinos. Los datos del modelo son:
1. Nivel de oferta en cada fuente y la cantidad de demanda en cada destino.
2. El costo de transporte unitario de la mercancía a cada destino
Como solo hay una mercancía un destino puede recibir su demanda de una o
más fuentes. El objetivo del modelo es el de determinar la cantidad que se
enviará de cada fuente a cada destino, tal que se minimice el costo del transporte
total.
La suposición básica del modelo es que el costo del transporte en una ruta es
directamente proporcional al numero de unidades transportadas. La definición
de “unidad de transporte” variará dependiendo de la “mercancía” que se
transporte.
6.3. Problema de transbordo
El Problema de transbordo, intertransporte o reembarque, es una variación del
modelo original de transporte que se ajusta a la posibilidad común de transportar
unidades mediante nodos fuentes, destinos y transitorios, mientras el modelo
tradicional solo permite envíos directos desde nodos fuentes hacia nodos
destinos.

Existe la posibilidad de resolver un modelo de transbordo mediante las técnicas


tradicionales de resolución de modelos de transporte y este procedimiento se
basa en la preparación del tabulado inicial haciendo uso de artificios conocidos
con el nombre de amortiguadores, los cuales deben ser iguales a la sumatoria
de las ofertas de los nodos de oferta pura y de coeficiente cero (0) en materia
de costos.
Sin embargo. la resolución de un problema de transbordo haciendo uso de los
algoritmos de resolución de modelos de transporte es una idea anacrónica,
teniendo en cuenta la posibilidad de acceso a herramientas de cómputo capaces
de resolver problemas complejos una vez modelados mediante las técnicas de
programación lineal.
La importancia de los modelos de transbordo aumenta con las nuevas
tendencias globales de gestión de cadenas de abastecimiento, en las cuales se
deben de optimizar los flujos logísticos de productos teniendo en cuenta la
importancia de minimizar los costos, asegurar disponibilidad de unidades y
reconociendo la importancia de los centros de distribución en la búsqueda del
equilibrio entre las proyecciones y la realidad de la demanda.

7. ANALISIS DE REDES
7.1. Ejemplo de introducción
La teoría de redes y el análisis estructural son poco conocidos en nuestra área,
tanto en el campo teórico, como metodológico. El actual período de revolución
en el análisis de redes que también afecta a la biblioteconomía y documentación
debe cambiar este hecho, ya que su aplicación implica un salto cuantitativo y
cualitativo en la representación y el análisis de la estructura de todo tipo de
dominios científicos, ya sea geográficos, temáticos, institucionales e incluso
individuales.
Este trabajo tiene por objeto la caracterización de los distintos tipos de redes del
mundo real según su tipo y tamaño, estableciendo un primer criterio para la
determinación de redes con posible aplicación en los estudios de
biblioteconomía y documentación. En segundo lugar, un análisis de los diversos
tipos de redes, a través de las teorías que estudian el comportamiento y la
dinámica estructurales, y la influencia de los trabajos de nuestra área para el
establecimiento de la explicación más probable para el crecimiento y la evolución
de las redes reales.
7.2. Terminología de redes
La modelación de redes permite la resolución de múltiples problemas de
programación matemática mediante la implementación de algoritmos especiales
creados para tal fin, conocidos como Algoritmos de optimización de redes.
Dentro de los problemas más comúnmente resueltos mediante la modelación de
redes se encuentran los ya vistos modelos de transporte, transbordo además de
los muy conocidos modelos de determinación de cronograma de actividades
para proyectos como lo son el PERT y el CPM.
7.3. El problema de la ruta mas corta
Este tipo de problemas busca encontrar la ruta más corta entre dos nodos de
una red, en la cual la longitud o arco tiene un costo positivo y así minimizar el
costo total. Este tipo de problemas es fundamental en áreas como investigación
de operaciones, ciencia de la computación e ingeniería. El por qué de su
importancia es:
Aplicaciones prácticas como el envío de algún material entre dos puntos
específicos de forma eficiente, económica o rápida.
Al ser aplicados a una red con características especificas como acíclica y costos
positivos, los resultados que arroja son exactos a un tiempo y costo razonables.
Se puede usar como inicio en un estudio de modelos complejos de redes, que
es cuando no se conoce la estructura de la red.
Se utiliza como subproblemas en la solución de problemas combinatorios y
redes, resultan auxiliares para encontrar una buena solución.
Tiene aplicaciones prácticas como: encontrar la ruta corta y rápida de un punto
a otro, redes eléctricas, telecomunicaciones, transporte, planeación de
inventarios, administración de proyectos,diseño de movimiento en robótica, etc.

Ruta más corta en programación lineal: Se puede plantear como el envío de una
unidad de flujo del nodo origen al nodo destino al mínimo costo. Se pueden
presentar de diferentes formas:
Para que exista solución, debe existir una trayectoria. Además de que no existen
circuitos negativos.
Debe existir rutas del nodo origen a los nodos de la red.
Entre cada par de nodos debe existir al menos una trayectoria.
El algoritmo de la ruta más corta consta de los siguientes elementos:
Nodo origen, comienza de la ruta.
Arco, línea que une los nodos.
Nodo adyacente, nodos conectados por un arco.
Nodo destino, finaliza la ruta.
Etiquetas, estas nos van indicando la longitud de un arco otro y de qué nodo
viene, se representa entre corchetes [distancia del nodo, nodo del que parte]