Formulacion de Problemas

Regresar a la Página Principal

  1. LA INVESTIGACIÓN DE OPERACIONES Y EL USO DE MODELOS

Un poco de Historia

Se inicia desde la revolución industrial, en los libros se dice que fue a partir de la segunda Guerra Mundial. La investigación de operaciones se aplica a casi todos los problemas. En 1947, en E.U., George Datzing encuentra el método SIMPLEX para el problema de programación lineal. En la investigación de operaciones, las computadoras son la herramienta fundamental en la investigación de operaciones.

Definición

Investigación de operaciones, es la aplicación del método científico por un grupo multidisciplinario de personas a un problema, principalmente relacionado con la distribución eficaz de recursos limitados (dinero, materia prima, mano de obra, energía ), que apoyados con el enfoque de sistemas (este enfoque, es aquel en el que un grupo de personas con distintas áreas de conocimiento, discuten sobre la manera de resolver un problema en grupo.). Puede considerarse tanto un arte como una ciencia. Como arte refleja los conceptos eficiente y limitado de un modelo matemático definido para una situación dada. Como ciencia comprende la deducción de métodos de cálculo para resolver los modelos.

Pasos del Método científico en IO

  1. Delimitación del problema
  2. Modelación del problema
  3. Resolución del modelo
  4. Verificación con la realidad
  5. Implantación
  6. Conclusiones

TIPOS DE MODELOS Y SU SIGNIFICADO

Un modelo es una representación ideal de un sistema y la forma en que este opera. El objetivo es analizar el comportamiento del sistema o bien predecir su comportamiento futuro. Obviamente los modelos no son tan complejos como el sistema mismo, de tal manera que se hacen las suposiciones y restricciones necesarias para representar las porciones más relevantes del mismo. Claramente no habría ventaja alguna de utilizar modelos si estos no simplificaran la situación real. En muchos casos podemos utilizar modelos matemáticos que, mediante letras, números y operaciones, representan variables, magnitudes y sus relaciones.

Modelos Matemáticos

Un modelo es producto de una abstracción de un sistema real: eliminando las complejidades y haciendo suposiciones pertinentes, se aplica una técnica matemática y se obtiene una representación simbólica del mismo.

                        

Un modelo matemático consta al menos de tres conjuntos básicos de elementos:

  1. Variables de decisión y parámetros
  2. Las variables de decisión son incógnitas que deben ser determinadas a partir de la solución del modelo. Los parámetros representan los valores conocidas del sistema o bien que se pueden controlar.

  3. Restricciones
  4. Las restricciones son relaciones entre las variables de decisión y magnitudes que dan sentido a la solución del problema y las acotan a valores factibles. Por ejemplo si una de las variables de decisión representa el número de empleados de un taller, es evidente que el valor de esa variable no puede ser negativa.

  5. Función Objetivo

La función objetivo es una relación matemática entre las variables de decisión, parámetros y una magnitud que representa el objetivo o producto del sistema. Por ejemplo si el objetivo del sistema es minimizar los costos de operación, la función objetivo debe expresar la relación entre el costo y las variables de decisión. La solución OPTIMA se obtiene cuando el valor del costo sea mínimo para un conjunto de valores factibles de las variables. Es decir hay que determinar las variables x1, x2, ..., xn que optimicen el valor de Z = f(x1, x2, ..., xn) sujeto a restricciones de la forma g(x1, x2, ..., xn) b. Donde x1, x2, ..., xn son las variables de decisión Z es la función objetivo, f es una función matemática.

Ejemplo A1:

Sean x1 y x2 la cantidad a producirse de dos productos 1 y 2, los parámetros son los costos de producción de ambos productos, $3 para el producto 1 y $5 para el producto 2. Si el tiempo total de producción esta restringido a 500 horas y el tiempo de producción es de 8 horas por unidad para el producto 1 y de 7 horas por unidad para el producto 2, entonces podemos representar el modelo como: 

C = 3x1 + 5x2 (Costo total de Producción)

Sujeto a:

8x1 + 7x2 500

x10 y x2 0.

Ejercicios A1:

  1. Se pide construir un cilindro del máximo volumen posible utilizando a lo más 3m2 de material calcule el radio ( r ) y la altura (h) del mismo.

  2. En una empresa se fabrican dos productos, cada producto debe pasar por una máquina de ensamblaje A y otra de terminado B, antes de salir a la venta, el producto 1 se vende a $60 y el otro a $50 por unidad. La siguiente tabla muestra el tiempo requerido por cada producto:

Producto

Maquina A

Maquina B

1

2 H

3 H

2

4 H

2 H

Total disponible

48 H

36 H

Clasificación de Modelos

Muchos problemas de decisión implican un gran número de factores o variables importantes o pueden tener muchas opciones a considerar por lo que se hace necesario la utilización de computadoras para su solución. Por ejemplo una empresa puede contar con varias fábricas donde produce bienes para enviar a cientos de clientes. Decidir la programación de las fábricas y determinar cuales de ellas deben atender a cuales clientes, para minimizar costos, implica cientos de variables y restricciones que pueden tener millones de posibles soluciones. Los modelos de programación lineal y programación entera son las técnicas más utilizadas para resolver problemas grandes y complejos de negocios de este tipo. En ellos se aplican técnicas matemáticas para hallar el valor máximo (o el mínimo) de un objetivo sujeto a un conjunto de restricciones.

La simulación es una técnica para crear modelos de sistemas grandes y complejos que incluyen incertidumbre. Se diseña un modelo para repetir el comportamiento del sistema. Este tipo de modelo se basa en la división del sistema en módulos básicos o elementales que se enlazan entre sí mediante relaciones lógicas bien definidas. El desarrollo de un modelo de simulación es muy costoso en tiempo y recursos.

Problemas dinámicos los problemas dinámicos de decisión implican un tipo particular de complejidad cuando hay una secuencia de decisiones interrelacionadas a través de varios períodos. Por ejemplo modelos de inventario, para determinar cuando pedir mercadería y cuanto debe mantenerse en existencia; los modelos PERT o de ruta Critica para la programación de proyectos y los modelos de colas para problemas que involucran congestión.

En los problemas complejos pueden aparecer variables exógenas o variables externas, importantes para el problema de decisión, pero que están condicionadas por factores que están fuera del control de la persona que decide, tales como condiciones económicas, acciones de los competidores, precios de las materias primas y otros factores similares. Las restricciones pueden considerar ciertas políticas definidas por la empresa tales como que los materiales tienen que adquirirse a determinados proveedores o que deben mantenerse ciertos niveles de calidad.

                   

La investigación de operaciones, tiene métodos de optimización aplicables a los siguientes tipos de problemas: 

  1. METODOS DETERMINISTICOS: Ej, Programación lineal, programación entera, probabilidad de transporte, programación no lineal, teoría de localización o redes, probabilidad de asignación, programación por metas, teoría de inventarios, etc.

  2. METODOS PROBABILISTICOS: Ej. Cadenas de Markov, teoría de juegos, líneas de espera, teoría de inventarios, etc.

  3. METODOS HIBRIDOS: Tienen que ver con los métodos determínisticos y probabilísticos como la teoría de inventarios.

  4. METODOS HEURISTICOS: Son las soluciones basadas en la experiencia, como la programación heurística.

Un Analista de investigación de Operaciones debe elegir el plan de acción más efectivo para lograr las metas de la organización, debe seleccionar un conjunto de medidas de desempeño, utilizar una unidad monetaria y tomar decisiones, debe seguir un proceso general de solución, en cualquier situación, durante la toma de decisiones. Deben establecerse los criterios de tomas de decisiones (Costos, Cantidades, Máximos, Mínimos etc), seleccionar las alternativas, determinar un modelo y evaluarlo, integrar la información cuantitativa obtenida para luego decidir. Muchas veces hay que incorporar factores cualitativos tales como el ánimo y el liderazgo en la organización, problemas de empleo, contaminación u otras de responsabilidad social.

Nota: el proceso de abstracción (idealización restricción y simplificación) siempre introduce algún grado de error en las soluciones obtenidas, por lo que el ejecutivo no debe volverse incondicional de un modelo cuantitativo y adoptar automáticamente sus conclusiones como la decisión correcta. La cuantificación es una ayuda para el juicio empresarial y no un sustituto de este.

Los modelos planteados se conocen como modelos determinísticos. En contraste, en algunos casos, quizá no se conozcan con certeza los datos, más bién se determinan a través de distribuciones de probabilidad, se da cabida a la naturaleza probabilistica de los fenómenos naturales. Esto da orígen a los así llamados modelos probabilísticos o estocásticos.

Las dificultades evidentes en los cálculos de los modelos matemáticos han obligado a los analistas a buscar otros métodos de cálculo que aunque no garantizan la optimalidad de la solución final, buscan una buena solución al problema. Tales métodos se denominan heuristicos. Suelen emplearse con dos fines: En el contexto de un algoritmo de optimización exacto, con el fin de aumentar la velocidad del proceso. En segundo lugar para obtener una solución al problema aunque no óptima, la que puede ser muy difícil encontrar.

MODELOS DE OPTIMIZACIÓN RESTRINGIDA

En un problema de optimización se busca maximizar o minimizar una cantidad específica llamada objetivo, la cual depende de un número finito de variables, en un modelo de optimización restringida, éstas se encuentran relacionadas a través de una o más restricciones. El planteamiento de este modelo se conoce como programa matemático. Los programas matemáticos tienen la forma:

Optimizar z = f(x1,x2,..,xn) (1)

Con las condiciones:

g1(x1,x2,..,xn) ...b1

g2(x1,x2,..,xn) b2

...................... =

..................... 

gm(x1,x2,..,xn) ...bm

 

Cada una de las m relaciones emplea uno de los signos , , = respecto de las constantes bi , i = 1,..,m. Los programas matemáticos sin restricciones se producen cuando todas las gi y las bi son 0 i = 1,..,m.

Programación Lineal

Un programa matemático (1) es lineal si f(x1,x2,..,xn) y cada gi(x1,x2,..,xn) j = 1,..,m son lineales en cada uno de sus argumentos, es decir

f(x1,x2,..,xn) = c1x1 + c2x2 + ... + cnxn

y

gi(x1,x2,..,xn) = ai1x1 + ai2x2 + ... + ainxn

donde las cj y las aij (i = 1,..m; j = 1, .. n) son constantes conocidas o parámetros del sistema. Cualquier otro programa que no cumpla la linealidad de f o de gi es no lineal.

 El Ejemplo A.1 es un problema de programación lineal en dos variables.

Programación Entera

Un programa lineal que tiene la restricción adicional de que las variables de decisión son números enteros se conoce como programa entero. No es necesario que las cj y las aij y las bj sean enteros, pero, normalmente esto es así.

Ejemplo A2

Un fabricante de dos productos A y B dispone de 6 unidades de material y 28 Horas para su ensamblaje, el modelo A requiere 2 unidades de de material y 7 horas de ensamblaje, el modelo B requiere una unidad de material y 8 horas de ensamblaje, los precios de los productos son $120 y $80 respectivamente. ¿Cuantos productos de cada modelo debe fabricar para maximizar su ingreso?

Sea x1 y x2 la cantidad de productos a producir de A y B

El objetivo se Expresa Como:

Maximizar z = 120x1 + 80x2

El fabricante está sujeto a dos restricciones:

De Material : 2x1 + x2 6

De Horas : 7x1 + 8x2 28

De no negatividad x1 0 y x2 0

Además no se venden productos no terminados por lo tanto las variables x1 y x2 deben ser enteras.

Programación no lineal

En este caso se destaca el estudio de optimización en una variable sin restricciones de la forma: 

Optimizar z = f(x)

donde f es función no lineal de x y la optimización se realiza en (-¥,¥  ). Si la busqueda se cisrcunscribe a un sub intervalo finito [a,b] el problema es de optimizacion no lineal restringida y se transforma a 

Optimizar z = f(x)

con la condición a x b.

Optimización no lineal multivariable

Es el caso análogo al anterior, pero en el caso en que la función f es de más de una variable, es decir: 

Optimizar z = f(X) donde X = [x1, x2, ..., xn]T

Si existen las restricciones 

Gi(X) = 0

Es un problema no lineal multivariable restringido.

Ejemplo A3

Una Compañía desea construir una planta que recibirá suministros desde tres ciudades A, B, C, tomando como origen la ciudad A, B tiene coordenadas (300 Km. al Este,400 Km. al Norte), y C tiene coordenadas (700 Km. al Este, 300 Km. al Norte) respecto de A. La posición de la planta debe estar en un punto tal que la distancia a los puntos A, B y C sea la mínima.

Sean x1 y x2 las coordenadas desconocidas de la planta respecto de A.

Utilizando la fórmula de la distancia, debe minimizarse la suma de las distancias:

Ö (x12 + x22) + Ö  ((x1 - 300)2 + (x2 - 400)2) + Ö  ((x1 - 700)2 + (x2 - 300)2)

No hay restricciones en cuanto a las coordenadas de la planta ni condiciones de no negatividad, puesto que un valor negativo de x1 significa que la planta se localiza al Oeste del punto A. La ecuación es un programa matemático no lineal sin restricciones.

Programación Cuadrática

Es un caso particular de programación matemática no lineal. Un programa matemático en el cual cada restricción gi es lineal pero el objetivo es cuadrático se conoce como programa cuadrático, es decir

f(x1,x2,..,xn) = S i=1,nS j=1,n cijxixj + S i=1,ndixi

 

Ejemplo A4

Minimizar z = x12 + x22

Con las condiciones x1 - x2 = 3

  X2 3

Donde ambas restricciones son lineales, con n = 2 (dos variables) c11 = 1; c12 = c21 = 0; c22 = 1 y d1 = d2 = 0.

Programación Dinámica

El programa matemático :

  • Optimizar z = f1(x1) + f2(x2) + ... + fn(xn)

  • Con la condición x1 + x2 + ... + xn b

  • Con todas las variables enteras y no negativas.

  • En que las funciones fi(xi) son funciones no lineales conocidas de una sola variable, b es un número entero conocido. Corresponde al modelo importante de decisión en etapas múltiples en que el número de etapas es n. La etapa 1 comprende la especificación de la variable x1 con contribución f1(x1) al rendimiento total; etc.

    La programación dinámica es una forma de enfoque de los procesos de decisión de optimización de n etapas.

    Ejemplo A5

    Una persona dispone de $4000 para invertir y se le presentan tres opciones de inversión. Cada opción requiere de depósitos en cantidades de $1000, puede invertir lo que desee en las tres opciones.

    Las ganancias esperadas son las siguientes

    Inversión

    Ganancias

    0

    1000

    2000

    3000

    4000

    Opción 1

    0

    2000

    5000

    6000

    7000

    Opción 2

    0

    1000

    3000

    6000

    7000

    Opción 3

    0

    1000

    4000

    5000

    8000

    ¿Cuánto dinero deberá invertirse en cada opción para maximizar las ganancias?

    Sea z la ganancia total, que es la suma de las ganancias de cada opción, las inversiones tienen la restricción de ser múltiplos de $1000, la tabla muestra las fi(x) = Etapa i, (i = 1,2,3), x es la cantidad de dinero invertida en cada opción.

    El programa matemático es el siguiente:

    Maximizar z = f1(x1) + f2(x2) + f3(x3)

    La persona sólo posee $4000 para invertir:

    Las condiciones son :

    X1 +x2 + x3 4000

    Con todas variables enteras y no negativas.

    Programación Dinámica estocástica

    Un proceso de decisión de n etapas es estocástico si el rendimiento asociado con al menos una de las variables decisión es aleatoria. Esta aleatoriedad puede presentarse o bien asociada a la variable de decisión o a la función de rendimiento.

    Ejercicios A.2

      1. Una fábrica de hamburguesas compra carne al 20% de grasa a $80 y carne al 32% de grasa a $60 el kilo, ¿Cuanta carne de cada una debe usar la fábrica de hamburguesas si desea minimizar el costo por kilo de hamburguesa al 25% de grasa?

      2. Resolver gráficamente el problema anterior

      3. Resolver gráficamente el problema del Ejemplo A.2

      4. Dé una interpretación física del Ejemplo A.3

    Regresar a la Página Principal