UNIDAD 1 TEORIA DE LA DECISION 1.

1 INTRODUCCION El problema de la Decisin, motivado por la existencia de ciertos estados de ambigedad que constan de proposiciones verdaderas (conocidas o desconocidas), es tan antiguo como la vida misma. Podemos afirmar que todos los seres vivientes, an los ms simples, se enfrentan con problemas de decisin. As, un organismo unicelular asimila partculas de su medio ambiente, unas nutritivas y otras nocivas para l. La composicin biolgica del organismo y las leyes fsicas y qumicas determinan qu partculas sern asimiladas y cules sern rechazadas. Conforme aumenta la complejidad del ser vivo, aumenta tambin la complejidad de sus decisiones y la forma en que stas se toman. As, pasamos de una toma de decisiones guiada instintivamente, a procesos de toma de decisiones que deben estar guiados por un pensamiento racional en el ser humano. La Teora de la Decisin tratar, por tanto, el estudio de los procesos de toma de decisiones desde una perspectiva racional.

CARACTERSTICAS Y FASES DEL PROCESO DE DECISIN

Un proceso de decisin presenta las siguientes caractersticas principales: Existen al menos dos posibles formas de actuar, que llamaremos alternativas o acciones, excluyentes entre s, de manera que la actuacin segn una de ellas imposibilita cualquiera de las restantes. Mediante un proceso de decisin se elige una alternativa, que es la que se lleva a cabo. La eleccin de una alternativa ha de realizarse de modo que cumpla un fin determinado. El proceso de decisin consta de las siguientes fases fundamentales: Prediccin de las consecuencias de cada actuacin. Esta prediccin deber basarse en la experiencia y se obtiene por induccin sobre un conjunto de datos. La recopilacin de este conjunto de datos y su utilizacin entran dentro del campo de la Estadstica.

Valoracin de las consecuencias de acuerdo con una escala de bondad o deseabilidad. Esta escala de valor dar lugar a un sistema de preferencias. Eleccin de la alternativa mediante un criterio de decisin adecuado. Este punto lleva a su vez asociado el problema de eleccin del criterio ms adecuado para nuestra decisin, cuestin que no siempre es fcil de resolver de un modo totalmente satisfactorio. CLASIFICACIN DE LOS PROCESOS DE DECISIN Los procesos de decisin se clasifican de acuerdo segn el grado de conocimiento que se tenga sobre el conjunto de factores o variables no controladas por el decisor y que pueden tener influencia sobre el resultado final (esto es lo que se conoce como ambiente o contexto). As, se dir que: El ambiente es de certidumbre cuando se conoce con certeza su estado, es decir, cada accin conduce invariablemente a un resultado bien definido. El ambiente de riesgo cuando cada decisin puede dar lugar a una serie de consecuencias a las que puede asignarse una distribucin de probabilidad conocida. El ambiente es de incertidumbre cuando cada decisin puede dar lugar a una serie de consecuencias a las que no puede asignarse una distribucin de probabilidad, bien porque sea desconocida o porque no tenga sentido hablar de ella. Segn sea el contexto, diremos que el proceso de decisin (o la toma de decisiones) se realiza bajo certidumbre, bajo riesgo o bajo incertidumbre, respectivamente.

En todo problema de decisin pueden distinguirse una serie de elementos caractersticos: El decisor, encargado de realizar la eleccin de la mejor forma de actuar de acuerdo con sus intereses. Las alternativas o acciones, que son las diferentes formas de actuar posibles, de entre las cuales se seleccionar una. Deben ser excluyentes entre s.

Los posibles estados de la naturaleza, trmino mediante el cual se designan a todos aquellos eventos futuros que escapan al control del decisor y que influyen en el proceso. Las consecuencias o resultados que se obtienen al seleccionar las diferentes alternativas bajo cada uno de los posibles estados de la naturaleza. La regla de decisin o criterio, que es la especificacin de un procedimiento para identificar la mejor alternativa en un problema de decisin.

http://thales.cica.es/rd/Recursos/rd99/ed99-0191-03/intro.htm

1.2 AMBIENTES Y CRITERIOS PARA LA TOMA DE DECISIONES

1.3

TOMA DE DECISIONES INCERTIDUMBRE Y RIESGO

BAJO

MODELOS

DE

CERTIDUMBRE,

TOMA DE DECISIN BAJO MODELOS DE CERTIDUMBRE En los procesos de decisin bajo certidumbre se supone que el verdadero estado de la naturaleza es conocido por el decisor antes de realizar su eleccin , es decir, puede predecir con certeza total las consecuencias de sus acciones. Esto es equivalente a considerar n =1 en la descripcin de la tabla de decisin, dando lugar a siguiente tabla trivial:

Estado de la Naturaleza Alternativas a1 a2 ... e1 x11 x21 ...

am

xm1

Conceptualmente, la resolucin de un problema de este tipo es inmediata: basta elegir la alternativa que proporcione un mejor resultado, es decir:

Se selecciona como alternativa ptima aquella alternativa ak tal que xk1 = max {xi1 : 1im}

El problema de decisin se reduce, por tanto, a un problema de optimizacin, ya que se trata de escoger la alternativa que conduzca a la consecuencia con mayor valor numrico asociado. Bsicamente, un problema de optimizacin puede expresarse en forma compacta como sigue: max { f(x) : x S} donde: S es el conjunto de alternativas o conjunto factible. Se trata de un subconjunto del espacio eucldeo n, que puede contener un nmero finito o infinito de elementos. f: S es la denominada funcin objetivo, que asigna a cada alternativa una valoracin, permitiendo su comparacin. x representa el vector n-dimensional que describe cada elemento del conjunto factible. Cada una de sus componentes recibe el nombre de variable de decisin. TOMA DE DECISIN BAJO INCERTIDUMBRE En los procesos de decisin bajo incertidumbre, el decisor conoce cules son los posibles estados de la naturaleza, aunque no dispone de informacin alguna sobre cul de ellos ocurrir. No slo es incapaz de predecir el estado real que se presentar, sino que adems no puede cuantificar de ninguna forma esta

incertidumbre. En particular, esto excluye el conocimiento de informacin de tipo probabilstica sobre las posibilidades de ocurrencia de cada estado.

REGLAS DE DECISIN A continuacin se describen las diferentes reglas de decisin en ambiente de incertidumbre, y que sern sucesivamente aplicadas al ejemplo de construccin del hotel. Criterio de Wald Criterio Maximax Criterio de Hurwicz Criterio de Savage Criterio de Laplace 1.- CRITERIO DE WALD Bajo la alternativa ai, el peor resultado posible que puede ocurrir tiene una valor para el decisor dado por:

El valor si se denomina nivel de seguridad de la alternativa ai y representa la cantidad mnima que el decisor recibir si selecciona tal alternativa. En 1950, Wald sugiere que el decisor debe elegir aquella alternativa que le proporcione el mayor nivel de seguridad posible, por lo que S(ai)=si. As, la regla de decisin de Wald resulta ser:

Este criterio recibe tambin el nombre de criterio maximin, y corresponde a un pensamiento pesimista, pues razona sobre lo peor que le puede ocurrir al decisor cuando elige una alternativa. EJEMPLO Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra las recompensas obtenidas junto con los niveles de seguridad de las diferentes alternativas:

Alternativas Terreno comprado A B AyB Ninguno

Estados de la Naturaleza Aeropuerto A 13 -8 5 0 en Aeropuerto B - 12 11 -1 0 en si -12 -8 -1 0

La alternativa ptima segn el criterio de Wald sera no comprar ninguno de los terrenos, pues proporciona el mayor de los niveles de seguridad. 2.- CRITERIO MAXIMAX Bajo la alternativa ai, el mejor resultado posible que puede ocurrir tiene un valor para el decisor dado por:

El valor oi se denomina nivel de optimismo de la alternativa ai y representa la recompensa mxima que el decisor recibir si selecciona tal alternativa. El criterio maximax consiste en elegir aquella alternativa que proporcione el mayor nivel de optimismo posible, por lo que S(ai)=oi. Esta regla de decisin puede enunciarse de la siguiente forma:

Este criterio corresponde a un pensamiento optimista, ya que el decisor supone que la naturaleza siempre estar de su parte, por lo que siempre se presentar el estado ms favorable. EJEMPLO Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra las recompensas obtenidas junto con los niveles de optimismo de las diferentes alternativas:

Alternativas Terreno comprado A B AyB Ninguno

Estados de la Naturaleza Aeropuerto A 13 -8 5 0 en Aeropuerto B - 12 11 -1 0 en oi 13 11 5 0

La alternativa ptima segn el criterio maximax sera comprar la parcela en la ubicacin A, pues proporciona el mayor de los niveles de optimismo.

3.- CRITERIO DE HURWICZ Se trata de un criterio intermedio entre el criterio de Wald y el criterio maximax. Dado que muy pocas personas son tan extremadamente pesimistas u optimistas como sugieren dichos criterios, Hurwicz (1951) considera que el decisor debe ordenar las alternativas de acuerdo con una media ponderada de los niveles de seguridad y optimismo:

donde es un valor especfico elegido por el decisor y aplicable a cualquier problema de decisin abordado por l, por lo que T(ai) = si + (1-oi. As, la regla de decisin de Hurwicz resulta ser:

Los valores de prximos a 0 corresponden a una pensamiento optimista, obtenindose en el caso extremo =0 el criterio maximax. Los valores de prximos a 1 corresponden a una pensamiento pesimista, obtenindose en el caso extremo =1 el criterio de Wald. 4.- CRITERIO DE SAVAGE En 1951 Savage argumenta que al utilizar los valores xij para realizar la eleccin, el decisor compara el resultado de una alternativa bajo un estado de la naturaleza con todos los dems resultados, independientemente del estado de la naturaleza

bajo el que ocurran. Sin embargo, el estado de la naturaleza no es controlable por el decisor, por lo que el resultado de una alternativa slo debera ser comparado con los resultados de las dems alternativas bajo el mismo estado de la naturaleza. Con este propsito Savage define el concepto de prdida relativa o prdida de oportunidad rij asociada a un resultado xij como la diferencia entre el resultado de la mejor alternativa dado que ej es el verdadero estado de la naturaleza y el resultado de la alternativa ai bajo el estado ej:

As, si el verdadero estado en que se presenta la naturaleza es ej y el decisor elige la alternativa ai que proporciona el mximo resultado xij, entonces no ha dejado de ganar nada, pero si elige otra alternativa cualquiera ar, entonces obtendra como ganancia xrj y dejara de ganar xij-xrj. Savage propone seleccionar la alternativa que proporcione la menor de las mayores prdidas relativas, es decir, si se define ri como la mayor prdida que puede obtenerse al seleccionar la alternativa ai,

el criterio de Savage resulta ser el siguiente:

Conviene destacar que, como paso previo a la aplicacin de este criterio, se debe calcular la matriz de prdidas relativas, formada por los elementos rij. Cada columna de esta matriz se obtiene calculando la diferencia entre el valor mximo de esa columna y cada uno de los valores que aparecen en ella. EJEMPLO Partiendo del ejemplo de construccin del hotel, la siguiente tabla muestra la matriz de prdidas relativas y el mnimo de stas para cada una de las alternativas.

Alternativas Terreno comprado A B AyB Ninguno

Estados de la Naturaleza Aeropuerto en A 0 21 8 13 Aeropuerto en B 23 0 12 11 i 23 21 12 13

El mayor resultado situado en la columna 1 de la tabla de decisin original es 13; al restar a esta cantidad cada uno de los valores de esa columna se obtienen las prdidas relativas bajo el estado de la naturaleza Aeropuerto en A. De la misma forma, el mximo de la columna 2 en la tabla original es 11; restando a esta cantidad cada uno de los valores de esa columna se obtienen los elementos rij correspondientes al estado de la naturaleza Aeropuerto en B. Como puede observarse, el valor i menor se obtiene para la tercera alternativa, por lo que la decisin ptima segn el criterio de Savage sera comprar ambas parcelas.

TOMA DE DECISIN BAJO RIESGO Los procesos de decisin en ambiente de riesgo se caracterizan porque puede asociarse una probabilidad de ocurrencia a cada estado de la naturaleza,

probabilidades que son conocidas o pueden ser estimadas por el decisor antes del proceso de toma de decisiones.

REGLAS DE DECISIN Los diferentes criterios de decisin en ambiente de riesgo se basan en estadsticos asociados a la distribucin de probabilidad de los resultados. Algunos de estos criterios se aplican sobre la totalidad de las alternativas, mientras que otros slo tienen en cuenta un subconjunto de ellas, considerando las restantes peores, por lo no que estn presentes en el proceso de toma de decisiones. Representaremos por R(ai) los resultados asociados a la alternativa ai, y por P(ai) la distribucin de probabilidad correspondiente a tales resultados, esto es, el conjunto de valores que representan las probabilidades de ocurrencia de los diferentes estados de la naturaleza:

R P

xi1 p1

xi1 p2

... ...

xi1 pn

Los principales criterios de decisin empleados sobre tablas de decisin en ambiente de riesgo son: Criterio del valor esperado Criterio de mnima varianza con media acotada Criterio de la media con varianza acotada Criterio de la dispersin Todos estos criterios sern aplicados al problema de decisin bajo riesgo cuya tabla de resultados figura a continuacin:

Decisin bajo riesgo: Ejemplo Estados de la Naturaleza Alternativas a1 a2 a3 e1 11 8 8 e2 9 25 11 0.2 e3 11 8 10 0.5 e4 8 11 11 0.1

Probabilidades 0.2

1.- CRITERIO DEL VALOR ESPERADO El resultado o valor esperado para la alternativa ai, que notaremos E[R(ai)], viene dado por:

por lo que el criterio del valor esperado resulta ser:

Obsrvese que esta regla de decisin es una generalizacin del criterio de Laplace en la que desaparece el requisito de equiprobabilidad para los diferentes estados de la naturaleza.

EJEMPLO Partiendo del ejemplo ilustrativo de decisin bajo riesgo, la siguiente tabla muestra el resultado esperado para cada una de las alternativas.

Criterio del valor esperado Estados Naturaleza Alternativas a1 e1 11 8 a3 8 e2 9 25 11 0.2 e3 11 8 10 0.5 de la

e4 8 11 11 0.1

E[R(ai)] 10.3 11.7 9.9

Probabilidades 0.2

La alternativa ptima segn el criterio del valor esperado sera a 2, pues proporciona el mximo de los valores esperados.

2.- CRITERIO DE MNIMA VARIANZA CON MEDIA ACOTADA Para la utilizacin de este criterio se consideran exclusivamente las alternativas a cuyo valor esperado E[R(a)] sea mayor o igual que una constante K fijada por el decisor. Para cada una de las alternativas ai que cumpla esta condicin se determina la varianza V[R(ai)] de sus resultados,

y se selecciona la que presente menor varianza, de esta forma se consigue la eleccin de una alternativa con poca variabilidad en sus resultados y que proporciona, por trmino medio, un resultado no demasiado pequeo. En resumen, el criterio de mnima varianza con media acotada es el siguiente:

EJEMPLO Partiendo del ejemplo ilustrativo de decisin bajo riesgo, la siguiente tabla muestra el resultado esperado y su varianza para cada una de las alternativas.

Criterio de mnima varianza con media acotada Estados Naturaleza Alternativas a1 a2 a3 e1 11 8 8 e2 9 25 11 0.2 e3 11 8 10 0.5 de la

e4 8 11 11 0.1

E[R(ai)] V 10.3 11.7 9.9 1.21 45.01 1.09

Probabilidades 0.2

Si el decisor selecciona un valor 10 para la constante K, quedara excluida del proceso de decisin la alternativa a 3, que es la que posee menor varianza. Excluida sta, la eleccin ptima corresponde a la alternativa a 1, pues es la que posee menor varianza entre las que cumplen la condicin E[R(ai)]01 .

3.- CRITERIO DE LA MEDIA CON VARIANZA ACOTADA Para la utilizacin de este criterio se consideran exclusivamente las alternativas a cuya varianza V[R(a)] sea menor o igual que una constante K fijada por el decisor. Para cada una de las alternativas ai que cumpla esta condicin se determina el valor esperado E[R(ai)] de sus resultados,

y se selecciona la que presente mayor valor esperado, de esta forma se consigue la eleccin de una alternativa con poca variabilidad en sus resultados y que proporciona, por trmino medio, un buen resultado. En resumen, el criterio de la media con varianza acotada es el siguiente:

EJEMPLO Partiendo del ejemplo ilustrativo de decisin bajo riesgo, la siguiente tabla muestra el resultado esperado y su varianza para cada una de las alternativas.

Criterio de la media con varianza acotada Estados Naturaleza de la

Alternativas a1 a2 a3

e1 11 8 8

e2 9 25 11 0.2

e3 11 8 10 0.5

e4 8 11 11 0.1

E[R(ai)] V 10.3 11.7 9.9 1.21 45.01 1.09

Probabilidades 0.2

Si el decisor selecciona un valor 20 para la constante K, quedara excluida del proceso de decisin la alternativa a2, que es la que posee mayor valor esperado. Excluida sta, la eleccin ptima corresponde a la alternativa a 1, pues es la que posee mayor valor esperado entre las que cumplen la condicin V.

4.- CRITERIO DE DISPERSIN Para cada alternativa ai se calcula el siguiente valor medio corregido:

donde K es una valor fijado por el decisor, y se selecciona la de mayor valor resultante. De esta forma se consigue limitar la influencia de alternativas con un valor esperado grande, pero tambin alta variabilidad. Por tanto, el criterio de dispersin puede resumirse de la siguiente forma:

EJEMPLO Partiendo del ejemplo ilustrativo de decisin bajo riesgo, la siguiente tabla muestra, para cada una de las alternativas, el valor esperado, la varianza y el valor esperado corregido correspondiente a un factor K=2.

Criterio de dispersin Estados Naturaleza Alternativas a1 a2 a3 e1 11 8 8 e2 9 25 11 0.2 e3 11 8 10 0.5 de la

e4 8 11 11 0.1

E[R(ai)] V 10.3 11.7 9.9 1.21 45.01 1.09

CR 8.10 -1.72 7.81

Probabilidades 0.2

La alternativa ptima segn el criterio de dispersin sera a 1, pues proporciona el mximo de los valores corregidos.

http://thales.cica.es/rd/Recursos/rd99/ed99-0191-03/certidumbre.htm

1.4 TOMA DE DECISONES BAJO RIESGO

1.5 ENFOQUE CUANTITATIVO EN LA TOMA DE DECISIONES

1.6 LA UTILIDAD COMO CRITERIO

1.7 LA OBTENCIN DE DATOS PARA LA TOMA DE DE DECISIONES

1.8 RBOLES DE DECISION

ARBOL DE DECISION Y TEORIA DE LA UTILIDAD Cuando una secuencia de decisiones necesita ser tomada, los rboles de decisin son la herramienta ms poderosa que las tablas de decisin. Decimos que la Cafetera tiene dos decisiones a tomar, con la segunda decisin dependiendo del resultado de la primera. Antes de decidirse por una nueva planta, la Cafetera tiene la opcin de conducir su propia inspeccin de la investigacin del mercado, con un costo de $ 10.000.La informacin de su inspeccin puede llevarlo a decidir si construir una planta larga, una planta pequea o no construir nada. la Cafetera reconoce, que una inspeccin general del mercado no le proveera la informacin perfecta, pero puede ayudar no obstante un poco. Todos los resultados y alternativas deben ser considerados. La nueva decisin del rbol est representada en la figura siguiente. Miremos cuidadosamente a este rbol ms complejo. Se nota que todas las posibles soluciones y alternativas estn incluidas en su secuencia lgica. Esta es una de las ventajas de usar el rbol de decisin en la toma de decisiones. El usuario es forzado a examinar todos los resultado posibles, incluyendo los desfavorables. El o ella son forzados a hacer decisiones de una manera lgica y secuencial. Examinando el rbol, vemos que la primera decisin de la Cafetera es conducir o no las $ 10.000 de la inspeccin del mercado. Si l escoge no hacer el estudio( la parte de abajo del rbol ), l puede entonces construir una planta larga, una pequea o no construir. Este es el segundo punto de decisin. El mercado as puede ser favorable (50 % de probabilidad ) o desfavorable (50 % de probabilidad), si l construye. El pago adecuado de cada una de las consecuencias posibles estn al lado derecho. De hecho su baja porcin del rbol de la Cafetera es idntica a la ms simple decisin del rbol mostrado en la primera figura. Por qu es as?. La parte superior de la segunda figura refleja la decisin de conducir la supervisin del mercado. El estado de naturaleza del nodo nmero uno tiene dos ramas que salen de l. Hay un 45% de chance que el resultado del estudio indicara un mercado favorable por cubrimiento del almacenamiento. Nosotros notamos tambin que la probabilidad es de 55% de que el resultado de estudio sea negativo. http://www.virtual.unal.edu.co/cursos/sedes/manizales/4060015/Lecciones/Capitul o%20I/arbol.htm

UNIDAD 2

PROGRAMACIN LINEAL

2.1 INTRODUCCION A LA INVESTIGACIN DE 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 auto correccin 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. 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.

http://www.itson.mx/dii/elagarda/apagina2001/PM/uno.html

2.2 FORMULACION 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 Vitamina A Vitamina B Beneficio Ahora planteamos el problema: 2 2 400

C2 1 3 300

Disponible 1000 1800

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 : 2.

MTODO ANALTICO 1.- Con el punto rojo selecciona puntos del conjunto de soluciones factibles y observa el valor que va tomando la funcin objetivo. 2.- Repite la operacin pero probando con puntos de los bordes y vrtices del recinto. (Puedes introducir directamente las coordenadas de P.x y P.y) 3.- En que punto se alcanza el valor mximo?. MTODO GRFICO 4.- Traza rectas paralelas a la funcin objetivo que pasen por cada uno de los vrtices del recinto. Puedes hacerlo usando el control S. 5.- El vrtice por el que pasa la recta que tenga mayor ordenada en el origen es la solucin http://www.itson.mx/dii/elagarda/apagina2001/PM/uno.html

2.3 METODO GRAFICO La PL es una tcnica mediante la cual se toman decisiones, reduciendo el problema bajo estudio a un modelo matemtico general, el cual debe ser resuelto por mtodos cuantitativos. En desarrollo de este captulo se aplicarn la solucin de dichos modelos aplicando diversas tcnicas como: el mtodo grfico, mtodo simplex, mtodo matricial, tcnica de la gran M. Adems se desarrollara la aplicacin de variables artificiales y obtencin de soluciones para identificar a que tipo de clasificacin pertenecen. Por medio de dichos modelos de solucin se podr obtener las solucin adecuada para cada problema y facilitar la toma de decisiones. Mtodo grfico. 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: 3. graficar las soluciones factibles, o el espacio de soluciones (factible), que satisfagan todas las restricciones en forma simultnea. 4. Las restricciones de no negatividad Xi>= 0 confan todos los valores posibles. 5. 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. 6. 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. 7. Cada punto contenido o situado en la frontera del espacio de soluciones satisfacen todas las restricciones y por consiguiente, representa un punto factible. 8. 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. 9. 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 2X1 + X2 -X1 + X2 X2 X1 X2

<=6 <=8 <=1 <= 2 >= 0 >= 0

(1) (2) (3) (4) (5) (6)

Convirtiendo las restricciones a igualdad y representndolas grficamente se tiene: X1 + 2X2 2X1 + X2 -X1 + X2 X2 X1 X2 =6 =8 =1 =2 =0 =0 (1) (2) (3) (4) (5) (6)

Figura 1 Espacio de solucin presentada con WinQsb

Figura 2 Determinacin de soluciones

Maximizar Z

Z = 3X1 + 2X2 Punto A (X1, X2) (0, 0) (4, 0)

0 B

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

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. http://www.itson.mx/dii/elagarda/apagina2001/PM/metodos.html#grafico

2.4 METODO SIMPLEX

2.4.1 METODO ALGEBRAICO

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 sujeto a: Z= f(x,y)= 3x + 2y 2x + y 18 2x + 3y 42 3x + y 24 x 0,y 0

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 x y h 2 1 s 2 3 d 3 1 Z -3 -2

Variable de holgura h s d 1 0 0 0 1 0 0 0 1 0 0 0

Valores solucin 18 42 24 0

4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la base A. 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). B. 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. C. 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 Coeficiente 2 x Nueva fila pivote 1 = Nueva fila de s 0 3 2 x 1/3 = 7/3 0 2 x 0 = 0 1 2 x 0 = 1 0 2 x 1/3 = -2/3 42 2 x 8 = 26

Tabla II . Iteracin n 2 Base Variable de decisin x y h 0 1/3 s 0 7/3 x 1 1/3 Z 0 -1

Variable de holgura h s d 1 0 -2/3 0 1 -2/3 0 0 1/3 0 0 1

Valores solucin 2 26 8 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: A. La variable que entra en la base es y, por ser la variable que corresponde al coeficiente -1 B. 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. C. 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 x y y 0 1 s 0 0 x 1 0 Z 0 0

Variable de holgura h s d 3 0 -2 -7 0 4 -1 0 1 3 0 -1

Valores solucin 6 12 6 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: A. La variable que entra en la base es d, por ser la variable que corresponde al coeficiente -1 B. 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. C. 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 x y h s d y 0 1 -1/2 0 0 d 0 0 -7/4 0 1 x 1 0 -3/4 0 0 Z 0 0 5/4 0 0

Valores solucin 12 3 3 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

Interpretacin geomtrica del mtodo del simplex Las sucesivas tablas que hemos construido van proporcionando el valor de la funcin objetivo en los distintos vrtices, ajustndose, a la vez, los coeficientes de las variables iniciales y de holgura. En la primera iteracin (Tabla I) han permanecido todos los coeficientes iguales, se ha calculado el valor de la funcin objetivo en el vrtice A(0,0), siendo este 0. A continuacin se desplaza por la arista AB, calculando el valor de f , hasta llegar a B. Este paso aporta la Tabla II. En esta segunda iteracin se ha calculado el valor que corresponde al vrtice B(8,0): Z=f(8,0) = 24 Sigue por la arista BC, hasta llegar a C, donde se para y despliega los datos de la Tabla III. En esta tercera iteracin se ha calculado el valor que corresponde al vrtice C(6,6) : Z=f(6,6)=30. Continua haciendo clculos a travs de la arista CD, hasta llegar al vrtice D. Los datos que se reflejan son los de la Tabla IV.

Concluye con esta tabla, advirtiendo que ha terminado (antes ha comprobado que la solucin no mejora al desplazarse por la arista DE) El valor mximo de la funcin objetivo es 33, y corresponde a x = 3 e y = 12 (vrtice D). Si calculas el valor de la funcin objetivo en el vrtice E(0,14), su valor no supera el valor 33. http://www.investigacion-operaciones.com/SIMPLEX_analitico.htm

2.4.2 LA TABLA SIMPLEX

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 utilice 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 con b >= 0 x >= 0 en primer lugar se construye la tabla siguiente:

c1 c2 ... cn cb1 xb1 b1 a11 a12 ... a1n cb2 xb2 b2 a21 a22 ... a2n . . . ... ... ... ... . . . ... ... ... ... . . . ... ... ... ... cbm xbm bm am1 am2 ... amn

y1 y2 ... ym

z1 z2 ... zm Tabla del Simplex

Donde:

v 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.

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.

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 como pivot 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 profundizar 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 x1,x2,x3,x4 >= 0 0 0 Tabla Inicial
2 -1 0 0

x3 2 x4 6 0

-1 1 2 1 0 0 2 -1

1 0 0 0

0 1 0 0

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 0 0 -1 x2 2 -1 1 1 0 0 x4 4 3 0 -1 1 -2 1 -1 -1 0 1 0 1 0 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 x1+2x2 <= 6 2x1+x2 <= 6 x1,x2 >= 0 Formulacin estndar min -x1-x2 -x1+x2+x3 = 2 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 0 0 0 x3 2 x4 6 x5 6 0 -1 -1 1 2 0 -1 -1 1 2 1 0 -1 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 Segunda Tabla -1 -1 0 0 0 0 x3 5 0 3/2 1 0 1/2 0 x4 3 0 3/2 0 1 -1/2 -1 x1 3 1 1/2 0 0 1/2 -3 -1 -1/2 0 0 -1/2 0 -1/2 0 0 1/2 Optimo x1=2 x2=2 x3=2 x4=0 x5=0 Valor ptimo = -4

Tercera Tabla -1 -1 0 x3 2 0 0 -1 x2 2 0 1 -1 x1 2 1 0 -4 -1 -1 0 0 0 0 0 1 -1 1 0 2/3 -1/3 0 -1/3 2/3 0 -1/3 -1/3 0 1/3 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 min x1-x2 x1+2x2 >= 6 2x1+x2 <= 6 4x1+x2= = 4 x1,x2 >= 0 Formulacin estndar min x1-x2 x1+2x2-x3 = 6 2x1+x2+x4 = 6 4x1+x2= = 4 x1,x2,x3,x4 >= 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: min x1-x2+Mx5+Mx6 x1+2x2-x3+x5 = 6 2x1+x2+x4 = 6 4x1+x2+x6= = 4 x1,x2,x3,x4,x5,x6 >= 0

Y aplicando el mtodo Simplex se obtiene el ptimo tras cuatro tablas: Tabla Inicial 1 -1 0 0 M M 6 1 2 -1 0 1 0 6 2 1 0 1 0 0 4 4 1 0 0 0 1 10M 5M 3M -M 0 M M 1-5M -1-3M M 0 0 0

M 0 M

x5 x4 x6

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 -1 0 0 M M 5 0 7/4 -1 0 1 -1/4 4 0 1/2 0 1 0 -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

M 0 1

x5 x4 x1

Obsrvese como una de las variables artificiales ha dejado de ser bsica. Tercera Tabla 1 -1 0 0 20/7 0 1 -4/7 0 18/7 0 0 2/7 1 2/7 1 0 1/7 0 -18/7 1 -1 5/7 0 0 0 -5/7 0

-1 0 1

x2 x4 x1

M M 4/7 -1/7 -2/7 -3/7 -1/7 2/7 -5/7 3/7 M+5/7 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 0 0

x2 x4 x3

4 2 2 -4

1 4 -2 7 -4 5

-1 1 0 0 -1 0

0 0 0 1 0 0

0 0 1 0 0 0

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. http://usuarios.lycos.es/royel/principal/10/

2.5 ANALISIS DE RESULTADO

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 discriminado para las instancias y . y cada ,

Tabla 1: Medias del Error en funcin de restriccin ( ) y con mltiples restricciones ( Base Decremento

y ).

para instancias con una

Incremento

Instancia 1 MR ST Total

3 1.95 3.87 2.91

4 1.92 3.58 2.75

2 3.98 4.73 4.36

3 3.85 4.28 4.06

4 3.90 4.11 4.01

9.01 2.19 6.86 4.58 7.94 3.39

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 cuando , prcticamente un . Cuando que decrementa , se observa que -BitFlip y

de la mejora se obtuvo con , el

el restante porcentaje con al uso de -BitFlip. Del restante

del progreso se debe -BitFlip.

, casi toda la mejora se realiza con

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 correspondientes a -BitFlip. aproximadamente un de mejoras

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 a . mientras que el menor valor corresponde

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. http://decsai.ugr.es/~dpelta/docuFANS/node18.html

UNIDAD 3

TRANSPORTE Y ASIGNACIN

3.1 METODO ESQUINA NOROESTE

Tambin llamado noroccidental o de extremos, presenta la construccin de una matriz de flujos de la siguiente manera. Paso1 En la posicin (1, 1) que es el extremo Noroeste , se decide a

por lo tanto alguno de los valores se hacen cero. Paso 2.

Si

es CERO, se pasa a la posicin que le sigue ( "abajo" en la columna) que es

la (2, 1), para hacer Se cancela el resto de la fila con ceros; adems no se considerarn estas posiciones en un futuro, exceptuando la posicin Por otro lado, si , en el paso anterior, se pasa a la posicin contigua (que en este caso sera (1, 2), tal que Se cancela lo restante de la columna con ceros, y se descarta de consideracin futura alguna, con excepcin de la posicin

Paso3. Continuar con la misma lgica hasta llegar a la posicin (m, n) de la matriz de flujos. En esta forma se obtendr una solucin inicial factible, bsica; pero bastante distante del ptimo para el problema del transporte. Donde :

Se empieza en la celda (A,D) y se asigna lo mximo que se pueda por fila(columna) y se sigue sucesivamente de la misma manera hasta llegar a la celda (C,G) y obtener as una solucin factible inicial.

D A B C Dj 10 10

E 10 5 15

F 25 15 40

Oi 20 30

30 30

45

PLANTEAMIENTO DEL MODELO PRIMAL MIN W = 5 X11+ 10 X12+ 5 X13+ 0 X14+ 5 X21+ 9 X22+ 5 X23+ 10 X24+ 10 X31+ 10 X32+ 15 X33+ 5 X34 sujeto a las siguientes restricciones:

http://www.virtual.unal.edu.co/cursos/sedes/manizales/4060014/docs_curso/Capitu lo%20V/enoroeste.htm http://html.rincondelvago.com/investigacion-de-operaciones-en-redes.html

3.2 METODO DE COSTO MINIMO

El mtodo del coste mnimo asigna el mayor nmero posible de unidades a la posicin de menor coste eliminando la fila y/o columna que quede satisfecha, y repite el proceso hasta eliminar todas las filas y columnas. Ejercicio de Aplicacin Mtodos Primera Fase http://html.rincondelvago.com/investigacion-de-operaciones-en-redes.html 3.3 METODO DE APROXIMACIN DE VOGEL

El algoritmo del Mtodo Vogel para obtener una solucin bsica factible de un problema de Transporte es el que se muestra a continuacin: Paso 1.

Construccin de una matriz de costos y flujos en relacin a un problema balanceado. Ir al paso 3. Paso2. Usar el remanente de costos y flujos de la matriz, hasta que los flujos estn asignados. Paso3. Calcular las diferencias de las filas y de las columnas de la matriz de costos. Esta diferencia resulta entre los nmeros ms pequeos (tanto de filas como de columnas). Paso4. Seleccionar a la fila o a la columna que tenga la mayor diferencia. En caso de empate, se decide arbitrariamente. Paso 5. Localizar el costo ms pequeo en la matriz de costos en la fila o la columna seleccionada en el paso anterior. Esta ser la posicin Paso 6. En la matriz de flujos , decidir , con ( i, j ) identificado en el paso anterior. Se considerar determinar la oferta con , y la demanda ser . Paso7.

Si , llnese la fila i con ceros, exceptuando la posicin , eliminando la fila de cualquier consideracin futura.

De resultar , se llenar la columna j con ceros, con excepcin de la posicin , las posiciones restantes se descartadas de tomarse en cuenta.

http://www.virtual.unal.edu.co/cursos/sedes/manizales/4060014/docs_curso/Capitu lo%20V/vogel.htm

http://html.rincondelvago.com/investigacion-de-operaciones-en-redes.html 3.4 METODO DE ASIGNACIN

Discutiremos un modelo de asignacin que intente minimizar el coste total de procesamiento y almacenamiento a la vez que intenta reunir ciertas restricciones en el tiempo de respuesta. El modelo que emplearemos tiene la forma mn(Coste Total), la cual est sujeta a restricciones del tiempo de respuesta, restricciones de almacenamiento y restricciones de procesamiento. En el resto de este punto desarrollaremos los componentes de este modelo basndonos en la informacin necesaria presentada anteriormente. La variable de decisin es xij, la cual se define como xij = 1 si el fragmento Fi se almacena en el sitio Sj xij = 0 en otro caso

Coste total. La funcin de coste total tiene dos componentes: el procesamiento de la consulta y el almacenamiento. Entonces podramos expresarla como

donde CPQi es el coste de procesar una consulta de la aplicacin qi, y CAFjk es el coste de almacenar el fragmento Fj en el sitio Sk. Consideremos primero el coste de almacenamiento. Su frmula viene dada por

donde se representa el coste total de almacenamiento en todos los sitios y para todos los fragmentos. El coste de procesamiento de consultas es ms difcil de especificar. Muchos modelos de asignacin de archivos se dividen en dos componentes: el coste de procesar las lecturas y el coste de procesar las actualizaciones. Nosotros escogeremos un enfoque diferente para el problema de asignacin en las bases de datos y lo especificaremos a partir del coste de procesamiento ( CP) y el coste de transmisin (CT). El coste de procesamiento de una consulta ( CPQ) para una aplicacin qi es

De acuerdo con las lneas presentadas anteriormente, el componente de procesamiento CP se basa en tres factores: el coste de acceso ( CA), el coste de mantenimiento de la integridad (MI) y el coste de control de la concurrencia (CC):

La especificacin detallada de cada uno de estos factores depende del algoritmo que se emplee para desarrollar estas tareas. Sin embargo, se especificar CA detalladamente:

El primero de los trminos de la frmula calcula el nmero de accesos de la consulta qi al fragmento Fj. Advierta que (URij + RRij) da el nmero total de accesos de lectura y actualizacin. Asumiremos que los costes locales de procesamiento de ambos son idnticos. El sumatorio proporciona el nmero total de accesos para todos los fragmentos a los que accede qi. El producto por UPTk da el coste de este acceso al sitio Sk. Usamos de nuevo, xjk para seleccionar nicamente los valores de coste para los sitios donde se almacenan los fragmentos. Se debe tener en cuenta que la funcin de coste de acceso asume que el procesamiento de una consulta implica su descomposicin en una serie de subconsultas, cada una de las cuales trabaja sobre un fragmento almacenado en un sitio, seguido de una transmisin de los resultados al sitio del cual parti la consulta. Se vio, anteriormente, que es un enfoque muy simplista no tener en cuenta la complejidad del procesamiento de la base de datos. Por ejemplo, la funcin de coste no tiene en cuenta el coste de desarrollar yuntos (si fuese

necesario), lo cual puede ejecutarse de varias formas. En un modelo ms realista, que el modelo genrico considerado, esto problemas no deberan omitirse. El factor de coste del esfuerzo de integridad puede especificarse como el componente de procesamiento, excepto que la unidad de coste de procesamiento local, probablemente, cambiara para reflejar el coste real del esfuerzo de integridad. La funcin del coste de transmisin puede formularse sobre las lneas de la funcin del coste de acceso. Sin embargo, los gastos de la transmisin de datos para actualizaciones y para lecturas no es el mismo. En las consultas de actualizacin, es necesario informar a todos los sitios donde existen rplicas, mientras que en las consultas de lectura, es suficiente con acceder al sitio que alberga las copias. En suma, al final de una peticin de actualizacin, no existe una transmisin de datos al sitio origen de sta, sino un mensaje de confirmacin, mientras que en las consultas de lectura, los datos a transmitir al origen son significativos.

El componente de actualizacin de la funcin de transmisin es

El primer trmino es para el envo del mensaje de actualizacin de qi desde el sitio origen o(i) a todas las rplicas de los fragmentos que necesiten actualizarse. El segundo trmino hace referencia a la confirmacin. El coste de lectura puede especificarse como

El primer trmino de CTL representa el coste de transmitir la peticin de lectura a los sitios que contienen copias de los fragmentos a los que se necesita acceder. El segundo trmino cuenta para la transmisin de los resultados desde estos sitios al sitio origen. La ecuacin afirma que para todos los sitios con copias del mismo fragmento, slo el sitio que produzca el coste total de transmisin ms pequeo debera seleccionarse para la ejecucin de la operacin. Ahora, la funcin del coste de la transmisin para la consulta qi puede especificarse como

que indica la funcin de coste total. Restricciones. Las funciones restrictivas pueden especificarse de forma similar. Sin embargo, en lugar de describir estas funciones con detalle, simplemente indicaremos el aspecto que deberan tener. El tiempo de respuesta debera especificarse como tiempo de ejecucin de qi mximo tiempo de respuesta de qi, qi Q

Preferiblemente, la medida de coste en la funcin objetiva debera especificarse en trminos de tiempo, para hacer la especificacin del tiempo de ejecucin relativamente sencilla. La restriccin de almacenamiento es

As misma, la restriccin de procesamiento es

Esto completa el desarrollo del modelo de asignacin. Desarrollo prctico. Vamos a presentar ahora dos alternativas prcticas de desarrollo de la asignacin. Una primera consistira en el clculo de todos los costes y, a partir de sus resultados y con el mejor esquema de particin determinado por el Examinador de Particiones, decidir los fragmentos que deberan asignarse a cada sitio. Este mtodo manual evidentemente implica la realizacin de muchos clculos muy engorrosos, y deberamos partir de una serie de datos que no siempre es fcil obtener. Una segunda alternativa, es el uso de algn algoritmo de asignacin desarrollado a partir de los distintos parmetros del modelo de asignacin. Existen varios de estos algoritmos, pero se ha decidido exponer el algoritmo divide y vencers [7] porque hace uso del esquema de fragmentacin que genera el algoritmo de fragmentacin n-formas presentado en la correspondiente seccin. http://usuarios.lycos.es/jrodr35/asignacion2.htm

UNIDAD 4

REDES

4.1 GRAFICA DE GANTT

Los cronogramas de barras o grficos de Gantt fueron concebidos por el ingeniero norteamericano Henry L. Gantt, uno de los precursores de la ingeniera industrial contempornea de Taylor. Gantt procuro resolver el problema de la programacin de actividades, es decir, su distribucin conforme a un calendario, de manera tal que se pudiese visualizar el periodo de duracin de cada actividad, sus fechas de iniciacin y terminacin e igualmente el tiempo total requerido para la ejecucin de un trabajo. El instrumento que desarroll permite tambin que se siga el curso de cada actividad, al proporcionar informacin del porcentaje ejecutado de cada una de ellas, as como el grado de adelanto o atraso con respecto al plazo previsto. Este grfico consiste simplemente en un sistema de coordenadas en que se indica: En el eje Horizontal: un calendario, o escala de tiempo definido en trminos de la unidad ms adecuada al trabajo que se va a ejecutar: hora, da, semana, mes, etc. En el eje Vertical: Las actividades que constituyen el trabajo a ejecutar. A cada actividad se hace corresponder una lnea horizontal cuya longitud es proporcional a su duracin en la cual la medicin efecta con relacin a la escala definida en el eje horizontal conforme se ilustra. Smbolos Convencionales: En la elaboracin del grfico de Gantt se acostumbra utilizar determinados smbolos, aunque pueden disearse muchos otros para atender las necesidades especficas del usuario. Los smbolos bsicos son los siguientes: Iniciacin de una actividad. Trmino de una actividad

Lnea fina que conecta las dos L invertidas. Indica la duracin prevista de la actividad. Lnea gruesa. Indica la fraccin ya realizada de la actividad, en trminos de porcentaje. Debe trazarse debajo de la lnea fina que representa el plazo previsto. Plazo durante el cual no puede realizarse la actividad. Corresponde al tiempo improductivo puede anotarse encima del smbolo utilizando una abreviatura. Indica la fecha en que se procedi a la ltima actualizacin del grfico, es decir, en que se hizo la comparacin entre las actividades previstas y las efectivamente realizadas.

El diagrama de Gantt consiste en una representacin grfica sobre dos ejes; en el vertical se disponen las tareas del proyecto y en el horizontal se representa el tiempo. Caractersticas Cada actividad se representa mediante un bloque rectangular cuya longitud indica su duracin; la altura carece de significado. La posicin de cada bloque en el diagrama indica los instantes de inicio y finalizacin de las tareas a que corresponden. Los bloques correspondientes a tareas del camino crtico acostumbran a rellenarse en otro color (en el caso del ejemplo, en rojo).

Tarea Predec. Duracin A B C D E F G H A C DII+1 BFI-1 D, E, F GFF 2 3 2 3 2 3 3 2

Mtodo constructivo Para construir un diagrama de Gantt se han de seguir los siguientes pasos: Dibujar los ejes horizontal y vertical. Escribir los nombres de las tareas sobre el eje vertical. En primer lugar se dibujan los bloques correspondientes a las tareas que no tienen predecesoras. Se sitan de manera que el lado izquierdo de los bloques coincida con el instante cero del proyecto (su inicio). A continuacin, se dibujan los bloque correspondientes a las tareas que slo dependen de las tareas ya introducidas en el diagrama. Se repite este punto hasta haber dibujado todas las tareas. En este proceso se han de tener en cuenta las consideraciones siguientes:

Las dependencias fin-inicio se representan alineando el final del bloque de la tarea predecesora con el inicio del bloque de la tarea dependiente. Las dependencias final-final se representan alineando los finales de los bloques de las tareas predecesora y dependiente.

Las dependencias inicio-inicio se representan alineando los inicios de los bloques de las tareas predecesora y dependiente.

Los retardos se representan desplazando la tarea dependiente hacia la derecha en el caso de retardos positivos y hacia la izquierda en el caso de retardos negativos.

Clculos El diagrama de Gantt es un diagrama representativo, que permite visualizar fcilmente la distribucin temporal del proyecto, pero es poco adecuado para la realizacin de clculos. Por la forma en que se construye, muestra directamente los inicios y finales mnimos de cada tarea.

Construccin Finalmente, una vez realizados los clculos del proyecto utilizando un sistema adecuado, como el diagrama PERT o el Roy, resulta conveniente destacar con un color distinto las tareas con margen total 0, para poder identificar con facilidad los caminos crticos.

4.2 METODO DE RUTA CRITICA (PERT/CPM) Los proyectos en gran escala por una sola vez han existido desde tiempos antiguos; este hecho lo atestigua la construccin de las pirmides de Egipto y los acueductos de Roma. Pero slo desde hace poco se han analizado por parte de los investigadores operacionales los problemas gerenciales asociados con dichos proyectos. El problema de la administracin de proyectos surgi con el proyecto de armamentos del Polaris, empezando 1958. Con tantas componentes y subcomponentes juntos producidos por diversos fabricantes, se necesitaba una nueva herramienta para programar y controlar el proyecto. El PERT (evaluacin de programa y tcnica de revisin) fue desarrollado por cientficos de la oficina Naval de Proyectos Especiales. Booz, Allen y Hamilton y la Divisin de Sistemas de Armamentos de la Corporacin Lockheed Aircraft. La tcnica demostr tanta

utilidad que ha ganado amplia aceptacin tanto en el gobierno como en el sector privado. Casi al mismo tiempo, la Compaa DuPont, junto con la Divisin UNIVAC de la Remington Rand, desarroll el mtodo de la ruta crtica (CPM) para controlar el mantenimiento de proyectos de plantas qumicas de DuPont. El CPM es idntico al PERT en concepto y metodologa. El PERT/CPM fue diseado para proporcionar diversos elementos tiles de informacin para los administradores del proyecto. Primero, el PERT/CPM expone la "ruta crtica" de un proyecto. Estas son las actividades que limitan la duracin del proyecto. En otras palabras, para lograr que el proyecto se realice pronto, las actividades de la ruta crtica deben realizarse pronto. Por otra parte, si una actividad de la ruta crtica se retarda, el proyecto como un todo se retarda en la misma cantidad. Las actividades que no estn en la ruta crtica tienen una cierta cantidad de holgura; esto es, pueden empezarse ms tarde, y permitir que el proyecto como un todo se mantenga en programa. El PERT/CPM identifica estas actividades y la cantidad de tiempo disponible para retardos. El PERT/CPM tambin considera los recursos necesarios para completar las actividades. En muchos proyectos, las limitaciones en mano de obra y equipos hacen que la programacin sea difcil. El PERT/CPM identifica los instantes del proyecto en que estas restricciones causarn problemas y de acuerdo a la flexibilidad permitida por los tiempos de holgura de las actividades no crticas, permite que el gerente manipule ciertas actividades para aliviar estos problemas. Finalmente, el PERT/CPM proporciona una herramienta para controlar y monitorear el progreso del proyecto. Cada actividad tiene su propio papel en ste y su importancia en la terminacin del proyecto se manifiesta inmediatamente para el director del mismo. Las actividades de la ruta crtica, permiten por consiguiente, recibir la mayor parte de la atencin, debido a que la terminacin del proyecto, depende fuertemente de ellas. Las actividades no crticas se manipularan y remplazaran en respuesta a la disponibilidad de recursos. http://www.gestiopolis.com/recursos/documentos/fulldocs/ger/proypolarisaleja.htm 4.2.1 TERMINOLOGIA

PERT (Program Evaluation and Review Technique)

Desarrollado por la Special Projects Office de la Armada de EE.UU. a finales de los 50s para el programa de I+D que condujo a la construccin de los misiles balsticos Polaris. Est orientada a los sucesos o eventos, y se ha utilizado tpicamente en proyectos de I+D en los que el tiempo de duracin de las actividades es una incertidumbre. Dado que las estimaciones de duracin comportan incertidumbre se estudian las distribuciones de probabilidad de las

duraciones. Con un diagrama PERT se obtiene un conocimiento preciso de la secuencia necesaria, o planificada para la ejecucin de cada actividad y utilizacin de diagramas de red. Se trata de un mtodo muy orientado al plazo de ejecucin , con poca consideracin hacia al coste. Se suponen tres duraciones para cada suceso, la optimista a, la pesimista b y la normal m; suponiendo una distribucin beta, la duracin ms probable: t = (a + 4m + b) / 6 . Generalmente se denominan tcnicas PERT al conjunto de modelos abstractos para la programacin y anlisis de proyectos de ingeniera. Estas tcnicas nos ayudan a programar un proyecto con el coste mnimo y la duracin ms adecuada. Estn especialmente difundidas el PERT y el CPM. Aplicacin de las tcnicas PERT: Determinar las actividades necesarias y cuando lo son. Buscar el plazo mnimo de ejecucin del proyecto. Buscar las ligaduras temporales entre actividades del proyecto. Identificar las actividades crticas, es decir, aquellas cuyo retraso en la ejecucin supone un retraso del proyecto completo. Identificar el camino crtico, que es aquel formado por la secuencia de actividades crticas del proyecto. Detectar y cuantificar las holguras de las actividades no crticas, es decir, el tiempo que pueden retrasarse (en su comienzo o finalizacin) sin que el proyecto se vea retrasado por ello. Si se est fuera de tiempo durante la ejecucin del proyecto, seala las actividades que hay que forzar. Nos da un proyecto de coste mnimo.

http://www.gestiopolis.com/recursos/documentos/fulldocs/ger/diaggantaleja.htm

4.2.2 CONSTRUCCION DE UNA RED

Construccin de un diagrama PERT- CPM.

En el caso diagrama , los vrtices sern los sucesos y los arcos las actividades, debiendo cumplirse una serie de condiciones:

El diagrama slo tendr un suceso inicial y otro final.

Toda actividad, a excepcin de la que salga del suceso inicial o llegue al suceso final, tendr, al menos, una actividad precedente y otra siguiente. Como se observa en el cuadro de red lgica. Toda actividad ij llegar a un suceso de orden superior al del que sale (i< j). No podrn existir dos actividades que, teniendo el mismo suceso inicial, tengan el mismo suceso final, o viceversa. La primera condicin obliga a que, tanto el comienzo del proyecto como el final del mismo, sean nicos; as, por ejemplo, si un proyecto puede comenzar con la realizacin de varias actividades simultneamente, todas ellas saldrn del suceso inicial. La segunda, una vez cumplida la primera, implica que cualquier actividad representada en el diagrama formar parte del un camino que comenzara en el suceso inicial y terminar en el final. En estos caminos no existirn retornos, ya que, implcitamente, esa es la condicin impuesta en tercer lugar. La cuarta impide que dos actividades distintas tengan la misma denominacin. Algunas veces, el cumplimiento de las citadas reglas puede impedir el plantear las relaciones de prelacin de algunas actividades. Cuando ello sucede, se recurre al empleo de actividades ficticias; stas no consumen tiempo ni ningn tipo de recurso, siendo su nica finalidad resolver los problemas de dependencia mencionados. Para comenzar a construir el diagrama se parte del conocimiento de todas las actividades que componen el proyecto, as como de sus relaciones de prelacin. Es muy conveniente recoger esta informacin de una forma sistematizada, ya que ello ayudar en gran medida a construir el diagrama. Existen, bsicamente, dos formatos para esto, la matriz de encadenamiento y la tabla de precedencias. GRAFICACIN DE UN DIAGRAMA PERT-CPM Supongamos que llevamos nuestro carro a la estacin de servicio para que le hagan los servicios correspondientes a los 15.000 km. Lavado Engrasar Cambio de Aceite Rotar Cauchos Cambiar Filtro de Aceite Pulir. Como se observa en la figura No 7 Primero antes que todo el mecnico decide primero elevar el carro con la plataforma, pero antes de ello para poder rotar los cauchos hay que sacar el repuesto, hay que quitar las tazas y aflojar las tuercas del ring, ahora si se eleva el carro, paso a seguir seria lubricar el motor bajo la tapa del automvil mientras el carro est elevado, por esta razn se divide la lubricacin en dos fracciones;

lubricar bajo el carro (chasis), lubricar bajo tapa del motor y el cambio de aceite se realiza mientras el carro esta elevado. Al finalizar solo falta el lavado y pulido.

Como se pudo observar lo mas importante para la creacin de un diagrama PERT CPM es saber concatenar y tomar decisiones con relacin a las actividades que determinan un proyecto. VENTAJAS PERT y CPM

1.- Ensea una disciplina lgica para planificar y organizar un programa detallado de largo alcance.

2.- Proporciona una metodologa standard de comunicar los planes del proyecto mediante un cuadro de tres dimensiones (tiempo, personal; costo).

3.- Identifica los elementos (segmentos) ms crticos del plan, en que problemas potenciales puedan perjudicar el cumplimiento del programa propuesto. 4.- Ofrece la posibilidad de simular los efectos de las decisiones alternativas o situaciones imprevistas y una oportunidad para estudiar sus consecuencias en relacin a los plazos de cumplimiento de los programas.

5.- Aporta la probabilidad de cumplir exitosamente los plazos propuestos. En otras palabras: CPM es un sistema dinmico, que se mueve con el progreso del proyecto, reflejando en cualquier momento el STATUS presente del plan de accin.

http://www.gestiopolis.com/recursos/documentos/fulldocs/ger/proypolarisaleja.htm 4.2.3 DETERMINACION DE LA RUTA CRITICA

Ruta critica o camino critico: Consiste en la secuencia de actividades o cadena de tareas que duran el mayor tiempo determinndose mediante la suma el tiempo de las actividades secuenciales, teniendo en cuenta que si hay actividades simultaneas de diferente duracin se tomar la de mayor tiempo y se presenta subrayando la lnea de las flechas. La ruta critica determina el tiempo mximo que debe durar la ejecucin del proyecto, las actividades que conforman su cadena o secuencia y se caracterizan, porque cualquier atraso en alguna de ellas incide en un atraso idntico en la duracin total del proyecto ya que en sus eventos no hay ningn margen. El camino crtico en un proyecto es la sucesin de actividades que dan lugar al mximo tiempo acumulativo. Determina el tiempo ms corto que podemos tardar en hacer el proyecto si se dispone de todos los recursos necesarios. Es necesario conocer la duracin de las actividades. Este concepto es utilizado por dos mtodos: Mtodo del tiempo estimado (CPM) La duracin de una actividad es la ms probable de duracin. Tiempo que se empleara en condiciones normales (m). Situacin determinista. Mtodo del tiempo esperado (PERT) Determinacin probabilstica de los tiempos esperados (Te), en funcin de los siguientes tiempos: o o o o Duracin ms corta (a) Duracin ms larga (b) Duracin ms probable (m) (el mismo que en CPM) Duracin esperada: Te = (a + 4m + b) / 6

Clculo del camino crtico

1. Calcular Te m segn el mtodo empleado para cada actividad. Se coloca en el grafo encima o debajo de cada flecha. 2. Calcular las fechas early -fecha mnima de comienzo de la actividad, MIC del suceso anterior- y last -fecha mnima de comienzo de la actividad, MAC del suceso posterior- de las distintas actividades que configuran el proyecto. (calcular el MIC y el MAC de todos los sucesos del proyecto). 3. Clculo de las holguras. 4. Identificacin del camino crtico.

http://www.virtual.unal.edu.co/cursos/sedes/manizales/4010014/Contenidos/Capitu lo1/Pages/1.8/18Herramientas_planeacion_continuacion2.htm

http://www.gestiopolis.com/recursos/documentos/fulldocs/ger/diaggantaleja.htm 4.2.4 COMPRESION DE REDES

4.2.5 ANALISIS DE UNA RED PERT

UNIDAD 5

MODELO DE LINEAS DE ESPERA

5.1 STRUCTURA BASICA DE LOS MODELOS DE LINEAS DE ESPERA

5.1.1 UN SERVIDOR UNA COLA

Este modelo puede aplicarse a personas esperando en una cola para comprar boletos para el cine, a mecnicos que esperan obtener herramientas de un expendio o a trabajos de computadora que esperan tiempo de procesador.

Llegadas. Consiste en la entrada al sistema que se supone es aleatoria. No tienen horario, es impredicible en que momento llegarn . El modelo tambin supone que las llegadas vienen de una poblacin infinita y llegan una a la vez . Cola. En este modelo se considera que el tamao de la cola es infinito. La disciplina de la cola es primero en llegar, primero en ser servido sin prioridades especiales. Tambin se supone que las llegadas no pueden cambiar lugares en la lnea (cola) o dejar la cola antes de ser servidas. Instalacin de Servicio. Se supone que un solo servidor proporciona el servicio que vara aleatoriamente. Salidas. No se permite que las unidades que salgan entren inmediatamente al servicio. Caractersticas de operacin . Un servidor y una cola. Llegada Poisson. Cola infinita, primero en llegar primero en ser servido. Tiempos de servicio exponenciales. Cola : Longitud promedio de la lnea : Tiempo de espera promedio : Sistema: Longitud promedio de la lnea : Tiempo de espera promedio : Utilizacin de la instalacin :

Probabilidad de que la lnea exceda a n : A = tasa promedio de llegada. S = tasa promedio de servicio. Ejemplo : (Un supermercado ) Supngase un supermercado grande con muchas cajas de salida, en donde los clientes llegan para que les marquen su cuenta con una tasa de 90 por hora y que hay 10 cajas en operacin. Si hay poco intercambio entre las lneas, puede tratarse este problema como 10 sistemas separados de una sola lnea, cada uno con una llegada de 9 clientes por hora. Para una tasa de servicio de 12 por hora : Dados A = 9 clientes por hora S = 12 clientes por hora Entonces : = = = = = 2.25 Clientes 0.25 horas o 15 minutos. 3 clientes. 0.33 horas o 20 minutos. 0.75 o 75% 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). http://www.itlp.edu.mx/publica/tutoriales/investoper2/tema33.htm 5.1.2 N SERVIDORES, UNA COLA 5.1.3 N SERVIDORES, N COLAS 5.2 CRITERIOS BAJO LA DISTRIBUCIN DE POISSON Y EXPONENCIAL PARA LA SELECCIN DEL MODELO APROPIADO DE LNEAS DE ESPERA.

A pesar de que la distribucin Normal puede utilizarse para resolver muchos problemas en ingeniera y ciencias, existen an numerosas situaciones que requieren diferentes tipos de funciones de densidad, tales como la exponencial y la gamma y algunas otras como la weibull, etc., etc., de momento solo trataremos sobre el uso de la exponencial. Resulta que la exponencial es un caso especial de la distribucin gamma, ambas tienen un gran nmero de aplicaciones. Las distribuciones exponencial y gamma juegan un papel importante tanto en teora de colas como en problemas de confiabilidad. El tiempo entre las llegadas en las instalaciones de servicio y el tiempo de falla de los componentes y sistemas elctricos, frecuentemente involucran la distribucin exponencial. La relacin entre la gamma y la exponencial permite que la distribucin gamma se utilice en tipos similares de problemas. La variable aleatoria x tiene una distribucin exponencial, con parmetro , si su funcin de densidad es: 1 f(x)= x donde > 0 La media y la variancia de la distribucin exponencial son: = y 2 = 2
x

,x>0

; f(x) = 0 en cualquier otro caso

Relacin con el proceso de Poisson. Las aplicaciones ms importantes de la distribucin exponencial son aquellas situaciones en donde se aplica el proceso de Poisson , es necesario recordar que un proceso de Poisson permite el uso de la distribucin de Poisson. Recurdese tambin que la distribucin de Poisson se utiliza para calcular la probabilidad de nmeros especficos de eventos durante un perodo o espacio particular. En muchas aplicaciones, el perodo o la cantidad de espacio es la variable aleatoria. Por ejemplo un ingeniero industrial puede interesarse en el tiempo T entre llegadas en una interseccin congestionada durante la hora de salida de trabajo en una gran ciudad. Una llegada representa el evento de Poisson. La relacin entre la distribucin exponencial (con frecuencia llamada exponencial negativa) y el proceso llamado de Poisson es bastante simple. La distribucin de Poisson se desarroll como una distribucin de un solo parmetro , donde puede interpretarse como el nmero promedio de eventos por unidad de tiempo . Considrese ahora la variable aleatoria descrita por el tiempo que se requiere para que ocurra el primer evento.

Mediante la distribucin de Poisson, se encuentra que la probabilidad de que no ocurran en el espacio hasta el tiempo t est dada por: t ( t )0 p( 0,t ) = = t 0! ; = 2.718 Ahora puede utilizarse lo anterior y hacer que X sea el tiempo para el primer evento de Poisson. La probabilidad de que el perodo hasta que ocurre el primer evento de Poisson exceda x es la misma que la probabilidad de que no x ocurra un evento de Poisson en x. Esto ltimo por supuesto est dado por . Como resultado, x P(X x) = Entonces, la funcin de distribucin acumulada para x es:
x P(0 X x) = 1 -

Ahora, con objeto de que se reconozca la presencia de la distribucin exponencial, puede derivarse la distribucin acumulada anterior para obtener la funcin de densidad:
x f(x) =

1 . La cual es la funcin de densidad de la distribucin exponencial con Ntese que la media de la distribucin exponencial es el parmetro , el recproco del parmetro en la distribucin de Poisson. El lector debe recordar que con frecuencia se dice que la distribucin de Poisson no tiene memoria, lo cul implica que las ocurrencias en perodos de tiempo sucesivos son independientes. Aqu el parmetro importante es el tiempo promedio entre

eventos. En teora de la confiabilidad, donde la falla de un equipo concuerda con el proceso de Poisson, recibe el nombre de tiempo promedio entre fallas. Muchas descomposturas de equipo siguen el proceso de Poisson, y entonces la distribucin exponencial es aplicable. En el siguiente ejemplo se muestra una aplicacin simple de la distribucin exponencial en un problema de confiabilidad. La distribucin binomial tambin juega un papel importante en la solucin. Ejemplos: 1. Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de falla en aos est dado por la variable aleatoria T, distribuida exponencialmente con tiempo promedio de falla = 5 . S 5 de estos

componentes se instalan en diferentes sistemas, cul es la probabilidad de que al menos 2 continen funcionando despus de 8 aos? Solucin: La probabilidad de que un determinado componente est funcionando an despus de 8 aos es:
1 P( > 8 ) = 5 dt = 5 58 t 8

0 .2
la | nos indica que la integral se va

a evaluar desde 8 hasta Sea x el nmero de componentes funcionando despus de 8 aos. Entonces mediante la distribucin Binomial, n=5 p = 0.20 = probabilidad de que un componente est funcionando despus de 8 aos q = 1-p = 0.80 = probabilidad de que un componente no funcione despus de 8 aos P(x 2 ) = p(x=2) + p(x=3) + p(x=4)+p(x=5) = 1 p(x = 0, 1)
= 1 { 5 C0 ( 0.2 )0 ( 0.8 )5 + 5 C1( 0.2 )1( 0.8 )4

} = 1 0.7373 = 0.2627

2. El tiempo que transcurre antes de que una persona sea atendida en una cafetera es una variable aleatoria que tiene una distribucin exponencial con una media de 4 minutos. Cul es la probabilidad de que una persona sea atendida antes de que transcurran 3 minutos en al menos 4 de los 6 das siguientes? Solucin:

P( T 3 ) =

1 4t dt = 4 40

= 1

3 4

= 0.5276
la nos indica que la

integral va a ser evaluada de 0 a 3 x = nmero de das en que un cliente es atendido antes de que transcurran 3 minutos x = 0, 1, 2,...,6 das p = probabilidad de que un cliente sea atendido antes de que transcurran 3 minutos en un da cualquiera = 0.5276 q = probabilidad de que un cliente no sea atendido antes de que transcurran 3 minutos en un da cualquiera = 1- p = 0.4724

P( x = 5o6, N = 6, p = 0.5276 )=6 C5 ( 0.5276 )5 ( 0.4724 )1 + 6 C6 ( 0.5276 )6 ( 0.4724 )0 =

= 0.11587 + 0.02157 = 0.13744 http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/03Distribucion %20Exponencial.htm

5.3 APLICACIN DE MODELOS DE DECISION EN LNEAS DE ESPERA 5.4 INFERENCIA DE RESULTADOS