República Bolivariana de Venezuela

Ministerio del Poder Popular para la Defensa

Universidad Nacional Experimental Politécnica de la Fuerza Armada Nacional Bolivariana (UNEFA)

Extensión – Guacara

Guacara, Edo – Carabobo

Unidad 1:
Programación Lineal

Profesora: Belén Torres Alumno: Jeykel Infante

Asignatura: Sistemas de producción CI 27.927.489

Ing. En sistemas

5¿ Semestre

Jueves, 12 de marzo de 2020

 Programación lineal
La programación lineal es el campo de la programación matemática dedicado a maximizar
o minimizar (optimizar) una función lineal, denominada función objetivo, de tal forma que
las variables de dicha función estén sujetas a una serie de restricciones expresadas
mediante un sistema de ecuaciones o inecuaciones también lineales. El método
tradicionalmente usado para resolver problemas de programación lineal es el Método
Simplex.

Variables
Las variables son números reales mayores o iguales a cero. X i ≥ 0

En caso que se requiera que el valor resultante de las variables sea un número entero, el
procedimiento de resolución se denomina Programación entera.

Restricciones
Las restricciones pueden ser de la forma:

Dónde:

A = valor conocido a ser respetado estrictamente;

B = valor conocido que debe ser respetado o puede ser superado;

C = valor conocido que no debe ser superado;

j = número de la ecuación, variable de 1 a M (número total de restricciones);

a; b; y, c = coeficientes técnicos conocidos;

X = Incógnitas, de 1 a N;

i = número de la incógnita, variable de 1 a N.

En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M; N > M;

ó, N < M.

Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser determinado, y
puede no tener sentido una optimización.

Los tres tipos de restricciones pueden darse simultáneamente en el mismo problema.

Función objetivo
La función objetivo puede ser:

Dónde: f i=coeficientes

Investigación de operaciones
La investigación de operaciones (también llamada investigación operativa), es una
disciplina que se ocupa de la aplicación de métodos analíticos avanzados para ayudar a
tomar mejores decisiones.1 Además, el término análisis operacional se utiliza en el
ejército británico (y en algunos otros ejércitos de la Commonwealth británica) como parte
intrínseca del desarrollo, la gestión y la garantía de su capacidad operativa. En particular,
el análisis operacional forma parte del sistema de estimación de la efectividad operativa
combinada y de la evaluación de inversiones que apoyan la toma de decisiones de la
defensa británica.
Empleando técnicas de otras ciencias matemáticas, como modelado matemático, análisis
estadístico y optimización, la investigación de operaciones llega a soluciones óptimas o
casi óptimas para problemas complejos de toma de decisiones. Debido a su énfasis en la
interacción humano-tecnología y debido a su enfoque en aplicaciones prácticas, la
investigación de operaciones se superpone con otras disciplinas, en particular la ingeniería
industrial y la administración de la producción, y se basa en la psicología y en la ciencia de
la organización. La investigación de operaciones a menudo se ocupa de determinar los
valores extremos de algún objetivo del mundo real: los máximos (de ganancia,
rendimiento o rentabilidad) o mínimos (de pérdida, riesgo o costo). Originada en los
esfuerzos militares previos a la Segunda Guerra Mundial, sus técnicas han crecido para
tratar problemas en distintas industrias.

Campos relacionados
Algunos de los campos que tienen una considerable superposición con la Investigación
Operativa y con la Ciencia de la Gestión incluyen:

 Analítica de negocios
 Minería de datos / Ciencia de datos / Macrodatos
 Análisis de decisión
 Inteligencia en la decisión
 Ingeniería
 Ingeniería financiera
 Pronósticos
 Teoría de juegos
 Geografía / Ciencia de la información geográfica
 Teoría de grafos
 Ingeniería industrial
 Logística
 Modelo matemático
 Optimización
 Probabilidad y estadística
 Gestión de proyectos
 Análisis político
 Simulación
 Modelos de redes sociales / Modelización de transporte
  Proceso estocástico
 Administración de la cadena de suministro

Aplicaciones
Las aplicaciones son abundantes, como en aerolíneas, compañías de fabricación, club de
servicio, sucursales militares y gobierno. La gama de problemas y problemas a los que ha
aportado ideas y soluciones es muy amplia. Incluye:

 Programación (de aerolíneas, trenes, autobuses, etc.)

 Asignación (asignación de personal a vuelos, trenes o autobuses; empleados a
proyectos; compromiso y despacho de instalaciones de generación de energía)
 Ubicación de la instalación (decidir la ubicación más adecuada para nuevas
instalaciones, como almacén, fábrica o estación de bomberos)
 Ingeniería hidráulica y de tuberías (gestión del flujo de agua de los embalses)
 Servicios de salud (información y gestión de la cadena de suministro).
 Teoría de juegos (identificación, comprensión, desarrollo de estrategias adoptadas
por las empresas)
 Diseño urbano
 Ingeniería de redes informáticas (enrutamiento de paquetes; temporización;
análisis)
 Ingeniería de telecomunicaciones y comunicación de datos (enrutamiento de
paquetes; tiempo; análisis)

La administración también está preocupada por el llamado 'análisis operacional suave'

que se refiere a los métodos para la planificación estratégica, los sistemas de soporte a
decisiones, y los métodos de estructuración de problemas.

Al tratar con este tipo de desafíos, el modelado y simulación matemáticos pueden no ser
apropiados o pueden no ser suficientes. Por lo tanto, desde los años 1990 se han
desarrollado varios métodos de modelado no cuantificados. Estos incluyen:

 Enfoques basados en partes interesadas, incluidos análisis de metajuegos y teoría

de dramas
 Análisis morfológico y varias formas de diagramas de influencia
  Correspondencia cognitiva
 Elección estratégica
 Análisis de robustez

Modelo matemático
En ciencias aplicadas y en tecnología, un modelo matemático es uno de los tipos de
modelos científicos que emplea algún tipo de formulismo matemático para expresar
relaciones, proposiciones sustantivas de hechos, variables, parámetros, entidades y
relaciones entre variables de las operaciones, para estudiar comportamientos de sistemas
complejos ante situaciones difíciles de observar en la realidad. El término modelización
matemática es utilizado también en diseño gráfico cuando se habla de modelos
geométricos de los objetos en dos (2D) o tres dimensiones (3D).

Definición
Un modelo matemático de un objeto (fenómeno real) es cualquier esquema simplificado e
idealizado de aquel, constituido por símbolos y operaciones (relaciones) matemáticas. Un
modelo matemático es un caso de formalización que emplea los más diversos
instrumentos producidos en la ciencia matemática.

Principios generales y condiciones

Cabe mencionar solamente algunos principios generales y condiciones que deben cumplir
dichos modelos.

 Equivalencia, que es la correspondencia del modelo a su original.

 Objetividad, correspondencia de las conclusiones científicas a las condiciones

reales.

 Simplicidad, los modelos no deben estar saturados de factores secundarios.

  Sensibilidad, la competencia del modelo de responder a la variación de los
parámetros iniciales.

 Estabilidad, a cada perturbación pequeña de los parámetros iniciales le debe

corresponder una alteración pequeña en la solución del problema.

 Universalidad, el área de aplicación debe ser lo suficientemente vasta.

Clasificaciones de los modelos

Se podría decir que un modelo de las ciencias físicas es una traducción de la realidad física
de un sistema físico en términos matemáticos, es decir, una forma de representar cada
uno de los tipos de entidades que intervienen en un cierto proceso físico mediante
objetos matemáticos. Las relaciones matemáticas formales entre los objetos del modelo,
deben representar de alguna manera las relaciones reales existentes entre las diferentes
entidades o aspectos del sistema u objeto real. Así una vez "traducido" o "representado"
cierto problema en forma de modelo matemático, se pueden aplicar el cálculo, el álgebra
y otras herramientas matemáticas para deducir el comportamiento del sistema bajo
estudio. Un modelo físico requerirá por tanto que se pueda seguir el camino inverso al
modelado, permitiendo reinterpretar en la realidad las predicciones del modelo.

Según la información de entrada

Con respecto a la función del origen de la información utilizada para construir los modelos
pueden clasificarse de otras formas. Podemos distinguir entre modelos heurísticos y
modelos empíricos:

 Modelos heurísticos (del griego euriskein 'hallar, inventar'). Son los que están
basados en las explicaciones sobre las causas o mecanismos naturales que dan
lugar al fenómeno estudiado.
  Modelos empíricos (del griego empeirikos relativo a la 'experiencia'). Son los que
utilizan las observaciones directas o los resultados de experimentos del fenómeno
estudiado.

Según el tipo de representación

Además los modelos matemáticos encuentran distintas denominaciones en sus diversas

aplicaciones. Una posible clasificación puede atender a si pretenden hacer predicciones de
tipo cualitativo o pretende cuantificar aspectos del sistema que se está modelizando:

 Modelos cualitativos o conceptuales, estos pueden usar figuras, gráficos o

descripciones causales, en general se contentan con predecir si el estado del
sistema irá en determinada dirección o si aumentará o disminuirá alguna
magnitud, sin importar exactamente la magnitud concreta de la mayoría de
aspectos.
 Modelos cuantitativos o numéricos, usan números para representar aspectos del
sistema modelizado, y generalmente incluyen fórmulas y algoritmos matemáticos
más o menos complejos que relacionan los valores numéricos. El cálculo con los
mismos permite representar el proceso físico o los cambios cuantitativos del
sistema modelado.

Según la aleatoriedad

Otra clasificación independiente de la anterior, según si a una entrada o situación inicial

concreta pueden corresponder o no diversas salidas o resultados, en este caso los
modelos se clasifican en:

 Determinista. Se conoce de manera puntual la forma del resultado ya que no hay

incertidumbre. Además, los datos utilizados para alimentar el modelo son
completamente conocidos y determinados.
 Estocástico. Probabilístico, que no se conoce el resultado esperado, sino su
probabilidad y existe por tanto incertidumbre.

Clasificación según su aplicación u objetivo

Por su uso suelen utilizarse en las siguientes tres áreas, sin embargo existen muchas otras
como la de finanzas, ciencias etc.
  Modelo de simulación o descriptivo, de situaciones medibles de manera precisa o
aleatoria, por ejemplo con aspectos de programación lineal cuando es de manera
precisa, y probabilística o heurística cuando es aleatorio. Este tipo de modelos
pretende predecir qué sucede en una situación concreta dada.
 Modelo de optimización. Para determinar el punto exacto para resolver alguna
problemática administrativa, de producción, o cualquier otra situación. Cuando la
optimización es entera o no lineal, combinada, se refiere a modelos matemáticos
poco predecibles, pero que pueden acoplarse a alguna alternativa existente y
aproximada en su cuantificación. Este tipo de modelos requiere comparar diversas
condiciones, casos o posibles valores de un parámetro y ver cuál de ellos resulta
óptimo según el criterio elegido.
 Modelo de control. Para saber con precisión como está algo en una organización,
investigación, área de operación, etc. Este modelo pretende ayudar a decidir qué
nuevas medidas, variables o qué parámetros deben ajustarse para lograr un
resultado o estado concreto del sistema modelado.

Fases de construcción de un modelo

En muchos casos la construcción o creación de modelos matemáticos útiles sigue una
serie de fases bien determinadas:

1. Identificación de un problema o situación compleja que necesita ser simulada,

optimizada o controlada y por tanto requeriría un modelo matemático predictivo
para hacer efectivo el mismo
2. Elección del tipo de modelo, esto requiere precisar qué tipo de respuesta pretende
obtenerse, cuales son los datos de entrada o factores relevantes, y para qué
pretende usarse el modelo. Esta elección debe ser suficientemente simple como
para permitir un tratamiento matemático asequible con los recursos disponibles.
Esta fase requiere además identificar el mayor número de datos fidedignos, rotular
y clasificar las incógnitas (variables independientes y dependientes) y establecer
consideraciones físicas, químicas, geométricas, etc. que representen
adecuadamente el fenómeno en estudio.
3. Formalización del modelo en la que se detallarán qué forma tienen los datos de
entrada, qué tipo de herramienta matemática se usará, como se adaptan a la
información previa existente. También podría incluir la confección de algoritmos,
ensamblaje de archivos informáticos, etc. En esta fase posiblemente se
introduzcan también simplificaciones suficientes para que el problema matemático
de modelización sea tratable computacionalmente.
 4. Comparación de resultados: los resultados obtenidos como predicciones necesitan
ser comparados con los hechos observados para ver si el modelo está prediciendo
bien. Si los resultados no se ajustan bien, es común volver a la fase 1.

Es importante mencionar que la inmensa mayoría de los modelos matemáticos no son

exactos y tienen un alto grado de idealización y simplificación, ya que una modelización
muy exacta puede ser más complicada de tratar que una simplificación conveniente, y por
lo tanto resultar menos útil.

También es importante recordar que el mecanismo con el que se desarrolla un modelo

matemático repercute en el desarrollo de otras técnicas de conocimientos enfocadas al
área sociocultural.