1.

INTRODUCCION

El objetivo del curso es que el estudiante aprenda a reconocer los problemas tipo de la Investigacin de Operaciones de modo que sepa a qu tcnico recurrir en cada caso, para un adecuado estudio y solucin del mismo. Como su nombre lo indica, la Investigacin de Operaciones (IO), o Investigacin Operativa, es la investigacin de las operaciones a realizar para el logro ptimo de los objetivos de un sistema o la mejora del mismo. Esta disciplina brinda y utiliza la metodologa cientfica en la bsqueda de soluciones ptimas, como apoyo en los procesos de decisin, en cuanto a lo que se refiere a la toma de decisiones ptimas y en sistemas que se originan en la vida real.

Antecedentes histricos

El trmino IO se utiliza por primera vez en el ao 1939 durante la 2da Guerra Mundial, especficamente cuando surge la necesidad de investigar las operaciones tcticas y estratgicas de la defensa area, ante la incorporacin de un nuevo radar, en oportunidad de los ataques alemanes a Gran Bretaa. El avance acelerado de la tecnologa militar hace que los ejecutivos y administradores militares britnicos deban recurrir a los cientficos, en pos de apoyo y orientacin en la planificacin de su defensa. El xito de un pequeo grupo de cientficos que trabajaron en conjunto con el ejecutivo militar a cargo de las operaciones en la lnea, deriv en una mayor demanda de sus servicios y la extensin del uso de la metodologa a USA, Canad y Francia entre otros. Sin embargo, el origen de la Investigacin Operativa puede considerarse como anterior a la Revolucin Industrial, aunque fue durante este perodo que comienzan a originarse los problemas tipo que la Investigacin Operativa trata de resolver. A partir de la Revolucin Industrial y a travs de los aos se origina una segmentacin funcional y geogrfica de la administracin, lo que da origen a la funcin ejecutiva o

de integracin de la administracin para servir a los intereses del sistema como un todo. La Investigacin Operativa tarda en desarrollarse en el campo de la administracin industrial. El uso de la metodologa cientfica en la industria se incorpora al principiar los aos 50, a partir de la 2da Revolucin Industrial, propiciada por los avances de las Comunicaciones, y la Computacin, que sientan las bases para la automatizacin, y por sobre todo por el florecimiento y bienestar econmico de ese perodo. Los primeros desarrollos de esta disciplina (IO) se refirieron a problemas de ordenamiento de tareas, reparto de cargas de trabajo, planificacin y asignacin de recursos en el mbito militar en sus inicios, diversificndose luego, y extendindose finalmente a organizaciones industriales, acadmicas y gubernamentales.

Algunas fechas, nombres y temas

1759 Quesnay (ecnomo) - Programacin Matemtica 1874 Walras 1873 Jordan - Precursor de modelos lineales 1896 Minkowsky - Precursor de modelos lineales 1903 Farkas - Precursor de modelos lineales 189~ Markov - Precursor modelos dinmicos probabilsticos 192~ - Primer desarrollo de modelos de inventarios 191~ Erlang - Primeros estudios de lneas de espera 1920-30 Koning y Egervary - Mtodos de asignacin (analticos) 1937 von Neuman - Teora de juegos y de preferencias 1939 Kantorovich - Problemas de distribucin Introduccin a la Investigacin de Operaciones

3 2da guerra - Logstica estratgica para vencer al enemigo 1945 Finales 2da guerra - Logstica de distribucin de recursos de los aliados (Rand Corporation- Fuerza area norteamericana). 1947 Dantzig, George - Mtodo simplex en base al trabajo de precursores, inicio a la Programacin Lineal. 1950-60 - Bellman - Programacin dinmica. - Kuhn y Tucker - Programacin No Lineal. - Gomory - Programacin Entera. - Ford y Fulkerson - Redes de optimizacin. - Markowitz - Simulacin. - Arrow, Karloin, Scarf, Whitin - Inventarios.

- Rafia - Anlisis de Decisiones. - Howard - Procesos Markovianos de Decisin. - Churchman, Ackoff, Arnoff - Orientacin a sistemas, generalizacin de la Investigacin Operativa.

1970 y parte dcada 80 - Receso en el uso de la Investigacin de Operaciones 1985 en delante Reflorecimiento de la disciplina con el devenir del control automtico industrial, las microcomputadoras y las nuevas interfaces grficas que impulsan el desarrollo de los Sistemas Automatizados de Apoyo a la

Toma de Decisiones, donde la Investigacin Operativa juega un papel preponderante. Actualmente IO se aplica al sector privado y pblico, a la industria, los sistemas de comercializacin, financieros, de transportes, de salud etc., en los pases desarrollados, en vas de y en los del tercer mundo.

Existen varias asociaciones en todo el mund, que agrupan a personas (estudiantes, cientficos y profesionales) interesados por el estudio y aplicacin de la Investigacin Operativa. La mas grande de todas es INFORMS, de Estados Unidos de Norteamrica asociacin que nace de la unin de la ORSA = Operation Research Society of America, con 8 000 miembros y la TIMS = Institute of Managment Science con 6 000 miembros. Tambin existen Asociaciones Canadienses, Europeas, Latinoamericanas y Asiticas federadas en la IFORS, International Federation of Operation Research Societies. La Asociacin Latinoamericana de Investigacin de Operaciones, ALIO, conglomera a la mayor parte de las Asociaciones de America Central y Sur. Se publican decenas de revistas diferentes en todo el mundo. Existen programas de Posgrado (maestra y doctorado) en la especialidad, en Amrica y Europa.

1.1 Qu es la Investigacin de Operaciones

En esta disciplina se destacan las siguientes caractersticas esenciales:

una fuerte orientacin a Teora de Sistemas, la participacin de equipos interdisciplinarios, la aplicacin del mtodo cientfico en apoyo a la toma de decisiones.

En base a estas propiedades, una posible definicin es: la Investigacin Operativa es

la aplicacin del mtodo cientfico por equipos interdisciplinarios a problemas que comprenden el control y gestin de sistemas organizados (hombre- mquina); con el objetivo de encontrar soluciones que sirvan mejor a los propsitos del sistema (u organizacin) como un todo, enmarcados en procesos de toma de decisiones. Introduccin a la Investigacin de Operaciones

Los pasos a seguir en la aplicacin del mtodo cientfico (coincidentes con los de la Teora General de Sistemas) son, en su expresin mas simple:

1.- Planteo y Anlisis del problema 2.- Construccin de un modelo 3.- Deduccin de la(s) solucion(es) 4.- Prueba del modelo y evaluacin de la(s) solucion(es) 5.- Ejecucin y Control de la(s) solucion(es)

Otra definicin: la Investigacin Operativa es la aplicacin del mtodo cientfico a un mismo problema por diversas ciencias y tcnicas, en apoyo a la seleccin de soluciones, en lo posible ptimas.

Observar que el problema es UNO SOLO, sin embargo existen maneras distintas de observar un mismo problema, dependiendo de los objetivos que se planteen para resolverlo.

Ejemplo: Un proceso de decisin respecto a la poltica de inventarios en una organizacin.

Existen 4 funciones administrativas que han dado lugar a departamentos cuyos objetivos son:

Funcin Objetivo Produccin Maximizar la cantidad de bienes (servicios) producidos y minimizar el costo unitario de la produccin. Comercializacin Maximizar la cantidad vendida y minimizar el costo unitario de las ventas. Finanzas Minimizar el capital requerido para mantener cierto nivel del negocio. Personal Mantener la moral y la alta productividad entre los empleados.

Con respecto al INVENTARIO y segn estos OBJETIVOS:

El departamento de produccin necesita producir tanto como sea posible a un costo mnimo, lo que se logra fabricando un solo producto en forma continua, pues se logra mayor eficiencia y se minimiza el tiempo perdido por cambio de equipo, al cambiar de artculo. Con este procedimiento se logra un gran inventario con una lnea de productos pequea. El departamento de mercado tambin necesita un gran inventario, pero para vender tanto como sea posible, debe surtir de la mas amplia variedad de productos. Motivos de desencuentro con el departamento de produccin. Para minimizar el capital necesario para que el negocio marche, el departamento de Finanzas debe reducir la cantidad de dinero "comprometido", lo mas directo es reducir los inventarios. Se propone que los inventarios deben aumentar o disminuir en proporcin a la fluctuacin de las ventas.

En contraposicin, cuando la ventas son bajas, ni produccin ni personal requieren disminuir la produccin, ni reducir personal. Personal le interesa mantener la produccin a un nivel tan constante como sea posible, ya que el despido implica repercusiones en la moral del personal , prdida de personal calificado, nuevos costos de formacin de nuevo personal cuando as se requiera. Esto se traduce en producir hasta el nivel del inventario cuando las ventas son bajas y agotarlo cuando stas son altas. Los objetivos enumerados y definidos de esta manera son dificiles de llevar a la prctica por su inconsistencia desde el punto de vista de la organizacin y del sistema en su conjunto. Es tarea y responsabilidad del ejecutivo (gerente) determinar Introduccin a la Investigacin de Operaciones

5 una poltica de inventario que convenga a los intereses de toda la compana y no de una sola de las funciones subordinadas. La tarea de organizacin y gerenciamiento requiere que se considere al SISTEMA en su conjunto y sta es la esencia del trabajo gerencial. El ejecutivo debe decidir y para ello recurrir a algn mtodo. Le convendr recurrir a un Investigador de Operaciones, dado que supuestamente ste estar apto para utilizar la investigacin cientfica en apoyo a las decisiones que el ejecutivo deba tomar. Este apoyo se hace especialmente necesario cuando se trata de la bsqueda de soluciones ptimas a problemas que se originan en las organizaciones y servicios en general.

1.2 I.O como apoyo a la toma de decisiones

Los procesos de decisin pueden desarrollarse bajo situaciones deterministas, aleatorias, de incertidumbre, o de competencia (adversas). Estas situaciones se modelan a travs de sistemas que tambin sern de tipo deterministas, aleatorios,

inciertos o basados en situaciones de competencia (adversas). Los sistemas determinsticos interpretan la realidad bajo el principio de que todo es conocido con certeza. Los sistemas basados en situaciones aleatorias, de incertidumbre o de competencia, asocian la incertidumbre a los fenmenos a analizar, incertidumbre que puede resultar de la variacin propia de los fenmenos (variaciones que eluden a nuestro control, pero que tienen un patrn especfico) o incertidumbre resultante de la propia inconsistencia de esos fenmenos.

Aplicando el mtodo cientfico, el Investigador de Operaciones construir uno o mas modelos (representaciones) del sistema, con sus operaciones correspondientes y sobre l realizar su investigacin.

Los modelos de IO se pueden representar con ecuaciones las que, aunque puedan resultar complejas, tienen una estructura muy sencilla:

U = f (xi , yj ) segn restricciones

U es la utilidad o valor de ejecucin del sistema, xi son las variables no controlables, o dependientes, cuyos valores dependern de las interrelaciones y valores de las variables independientes. yj son las variables controlables, o independientes, con valores dados. f es una funcin en xi e yj

Frecuentemente se requieren una o ms ecuaciones o inecuaciones de las llamadas restricciones, para expresar el hecho de que algunas de las variables no controlables (o todas), pueden manejarse dentro de ciertos lmites. Por ejemplo, el tiempo de mquina asignado a la produccin de un producto siempre tendr valor positivo, y no ser mayor que el tiempo total disponible o asignado para tal fin; otro ejemplo, la suma del dinero presupuestado para cada departamento en un organizacin o industria no puede exceder la suma de dinero disponible, etc. Una vez obtenido el modelo, ste puede usarse para encontrar exacta o aproximadamente los valores ptimos de las variables no controlables, aquellas que producen la mejor ejecucin del sistema, es decir, la solucin al problema. Introduccin a la Investigacin de Operaciones

6 EJEMPLO: Modelo de un problema agrcola.

Supongamos que una empresa citrcola y el Estado pretenden hacer inversiones cuantiosas en el cultivo de naranja, limn , pomelo y mandarinas, con un doble objetivo: a) reducir el desempleo rural y b) aumentar las exportaciones para equilibrar la balanza de pagos.

Segn estudios realizados, se maneja la siguiente informacin (datos inventados):

Tipo de rbol Produccin promedio anual

en kgs / rbol Area mnima por rbol (m 2 ) Precio promedio mundial por kg Costo por rbol Horas-hombre de cuidado anual por rbol Naranja 150 4 $ 10 $ 2.00 36 Limn 200 5 $ 04 $ 0.50 72 Pomelo 050 3 $ 15 $ 1.00 50 Mandarina 150 6 $ 07 $ 1.50 10

1. Existe una extensin propicia para este tipo de cultivo de 250.000 m2 2. Se asegura el suministro de agua, aproximadamente por 20 aos (existencia de aguadas en la zona). 3. La financiera pretende hacer una inversin de 20 millones, pensando exportar toda su produccin a partir del 3er ao, que es cuando los rboles comienzan a ser productivos. 4. El gobierno ha determinado que ste proyecto emplee al menos 200 personas ininterrumpidamente.

Decisin a tomar: Cuntos rboles de naranja, limn, pomelo y mandarina, debern

sembrarse con el objetivo de maximizar el valor de la futura exportacin anual? Formulacin del problema:

Sean X1: nmero de rboles de naranja a ser sembrados. X2: nmero de rboles de limn a ser sembrados. X3: nmero de rboles de pomelo a ser sembrados. X4: nmero de rboles de mandarinas a ser sembrados.

Valor medio de la export. anual: U = 10150X1 + 4200X2 + 1550X3 + 7150X4

Segn las siguientes restricciones: Extensin de tierra: 4X1 + 5X2 + 3X3 + 6X4 250 000 m2 Inversin inicial: 2X1 + 0.5X2 + 1X3 + 1.50X4 $20 000 000 Desempleo mnimo: 36X1 + 72X2 + 50X3 + 10X4 2008360 (horas hombre/da/ao) Nmero de rboles a sembrar: X1 0, X2 0, X3 0, X4 0

Obtuvimos un modelo del problema de tipo: Maximizar U = f ( ) Sujeto a: Restricciones

Para ciertos tipos de funciones, como ser relaciones algebraicas elementales, si las restricciones no son demasiado numerosas, existen mtodos analticos que resuelven el problema ejemplo que hemos modelado como un problema de programacin matemtica lineal. Para problemas con gran nmero de restricciones, llamados de gran tamao, se han desarrollado tcnicas que los resuelven, la mayor de las veces en forma aproximada.

La funcin f, puede consistir en un conjunto de reglas de cmputo (un algoritmo p.

ej.); reglas lgicas que nos permiten calcular la utilidad (U) de ejecucin para Introduccin a la Investigacin de Operaciones

7 cualquier conjunto especfico de valores de las variables tanto controlables como no controlables; generalmente obtenemos soluciones aproximadas a los valores ptimos de las variables correspondientes. Otras veces, nos vemos forzados a experimentar con el modelo y simularlo, seleccionando valores de las variables segn una distribucin de probabilidad, lo que nos permite calcular o0 muestrear un valor aproximado de la funcin U.

Ejemplo que muestrea un valor aproximado de la confiabilidad de un grafo mediante el Mtodo Montecarlo:

Una vez obtenido un valor (o muestra) de la funcin de utilidad, podemos especificar un procedimiento que permita seleccionar valores sucesivos (de prueba) de variables no controlables, de manera que converjan hacia una solucin ptima. Una SOLUCIN PTIMA es aquella que maximiza o minimiza (segn convenga) la medida de ejecucin de un modelo, sujeto a las condiciones y restricciones

pertinentes al sistema. Muchas veces, independientemente del procedimiento utilizado, se busca una solucin mas ptima, o mejor dicho, mas cercana a la ptima. En consecuencia, la optimizacin produce la mejor solucin para el problema que se est modelando. La solucin ptima ser la mejor para el modelo en consideracin, ya que un modelo nunca es una representacin exacta del problema; en el mejor de los casos, el modelo es una "buena" representacin del problema, de ah que la solucin ptima o cercana a la ptima derivada de ese modelo, es una "buena" aproximacin a la solucin ptima y, por lo tanto, se supone que ser la mejor para el problema que se pretende resolver.

1.3 Problemas tipo en Investigacin Operativa

Desde sus comienzos la Investigacin de Operaciones se ha aplicado a una gran variedad de problemas; la gran mayora de ellos han sido de naturaleza tctica, mas que estratgica. Un problema es ms tctico que estratgico si cumple con las siguientes condiciones:

1) su solucin puede modificarse o anularse fcilmente, tiene efecto de corta duracin; 2) su solucin afecta a una parte menor de la organizacin; 3) los resultados deseados se consideran como proporcionados (obtenidos), sin que medie una seleccin de medios, fines, metas u objetivos a largo plazo.

La planificacin de una empresa u organizacin, con sus metas y objetivos, es un problema ms estratgico que tctico. El minimizar los costos del transporte, en el que la minimizacin en s es el resultado conveniente, es considerado un problema ms tctico que estratgico.

La aplicacin de la Investigacin Operativa a una amplia variedad de

problemas tcticos, y la frecuente recurrencia de esos problemas, ha permitido identificar problemas tipo que se agrupan segn los modelos y procedimientos (tcnicas) similares para su resolucin. Esos problemas tipo son: asignacin de Funcin de Utilidad de la Confiabilidad de G

cont := 0; Para n:= 1, N sortear G Si G conexo: con := cont + 1 fin para Conf (G) = cont / N. Introduccin a la Investigacin de Operaciones

8 recursos escasos, ordenamiento, secuenciacin y coordinacin de tareas, lneas de espera, mantenimiento y reemplazo de equipos, inventarios, costos y tiempos, gestin de proyectos.

Asignacin de recursos, Ordenamiento

Los primeros desarrollos de la Investigacin Operativa se refirieron a problemas de asignacin de recursos, ordenamientos de tareas, reparto de cargas de trabajo, planificacin, todos con un objetivo preciso de optimizacin de la funcin econmica U en un mundo determinista. Entre las tcnicas de optimizacin citamos: la Programacin Lineal (se ver en el curso), No lineal, Los mtodos de ordenamiento, Programacin Dinmica, Combinatoria, algoritmos de teora de Grafos, etc. Un ejemplo clsico: determinar el nmero de piezas, de cada tipo, que debe producir un determinado taller, a fin de obtener el mximo beneficio. Existen

varias mquinas, cada una de las cuales tiene determinadas propiedades y caractersticas, segn las categoras o partes de piezas a producir por cada una de ellas; por lo general se conoce la capacidad mxima del taller y el beneficio que se obtendr con cada categora de pieza producida.

Lneas de espera, Reemplazo de equipos

Estos temas se desarrollan en mundo aleatorio por lo general. Se estudian las esperas y retrasos ocurridos en el sistema, o las fallas en las instalaciones, su reparacin y posibles polticas de mantenimiento y/o reemplazo.

Inventario, Costos y tiempos

Se trata de la operacin mas simple, la de almacenar y/o mantener recursos; se estudia cunto y cundo adquirir. Muchos casos se resuelven modelndolos como lineas de espera.

Gestin de proyectos

El conjunto de tareas de un proyecto se modelan mediante un grafo, sobre el que se determinan cules son los tiempos y las tareas crticas ("cuellos de botellas") del proyecto. Tcnicas usadas: CPM-PERT, mtodo del Camino Crtico.

Algunos de estos problemas, se estudiarn en el curso Introduccin a la Investigacin de Operaciones. Introduccin a la Investigacin de Operaciones

9 2. OPTIMIZACIN

2.1 Introduccin

2.1.1 Motivos para estudiar Optimizacin Existe una enorme variedad de actividades en el mundo cotidiano que pueden ser tilmente descritas como sistemas, desde sistemas fsicos tales como una planta industrial hasta entidades tericas tales como los modelos econmicos. La operacin eficiente de esos sistemas usualmente requiere un intento por optimizar varios ndices que miden el desempeo del sistema. Algunas veces, esos ndices son cuantificados y representados como variables algebraicas. Entonces se deben encontrar valores para esas variables, que maximicen la ganancia o beneficio del sistema, o bien minimicen los gastos o prdidas. Se asume que las variables dependen de ciertos factores. Algunos de esos factores a veces estn bajo el control (al menos parcialmente) del analista responsable del desempeo del sistema. El proceso de administracin de los recursos escasos de un sistema se suele dividir en seis fases: i anlisis matemtico del sistema ii construccin de un modelo matemtico que refleja los aspectos importantes del sistema iii validacin del modelo iv manipulacin del modelo a fin de obtener una solucin satisfactoria, si no ptima v implementacin de la solucin seleccionada vi introduccin de una estrategia de control del desempeo del sistema despus de la implementacin efectuada. La cuarta fase, la manipulacin del modelo, es la que concierne a la teora de la optimizacin. Las otras fases son muy importantes en la administracin de cualquier sistema y probablemente requerirn mayor esfuerzo total que la fase de optimizacin. Sin embargo, en esta presentacin de la optimizacin se asumir que las dems fases

fueron o sern resueltas aparte. Debido a que la teora de la optimizacin brinda este eslabn en la cadena de la administracin de sistemas constituye un cuerpo importante del conocimiento matemtico.

2.1.2 El Alcance de la Optimizacin Una de las herramientas ms importantes de la optimizacin es la programacin lineal. Un problema de programacin lineal est dado por una funcin lineal de varias variables que debe ser optimizada (maximizada o minimizada) cumpliendo con cierto nmero de restricciones tambin lineales. El matemtico G.B. Dantzig desarroll un algoritmo llamado el mtodo simplex para resolver problemas de este tipo. El mtodo simplex original ha sido modificado a fin de obtener un algoritmo eficiente para resolver grandes problemas de programacin lineal por computadora. Introduccin a la Investigacin de Operaciones

10 Por medio de la programacin lineal se pueden formular y resolver problemas de una gran variedad de campos del quehacer humano, entre los que se puede mencionar: asignacin de recursos en la planificacin de gobierno, anlisis de redes para planificacin urbana y regional, planificacin de la produccin en la industria, y la administracin de sistemas de transporte y distribucin. Por esto la programacin lineal es uno de los xitos de la moderna teora de la optimizacin. La programacin entera est relacionada con la resolucin de problemas de optimizacin en los cuales al menos algunas de las variables deben tomar slo valores enteros. Cuando todos los trminos son lineales se habla de programacin lineal entera. Muchos problemas de naturaleza combinatoria se pueden formular en trminos de programacin entera. Entre los ejemplos prcticos se puede citar: ubicacin de insumos, secuenciamiento de trabajos en lneas de produccin, balance de lneas de

montaje, problemas de asignacin biunvoca, control de inventarios, y reemplazo de mquinas. Uno de los mtodos importantes para resolver esos problemas, debido a R.E. Gomory, se basa en parte, en el mtodo simplex antes mencionado. Otro mtodo es de naturaleza combinatoria y consiste en reducir el problema original a otros ms pequeos, y tal vez ms fciles, y partir el conjunto de soluciones posibles en subconjuntos ms pequeos que pueden ser analizados ms fcilmente. Este mtodo se llama branch and bound (ramificacin y acotacin) o branch and backtrack. Dos de las contribuciones importantes a ste mtodo las han hecho Balas y Dakin. Pese a las mejoras realizadas no existe an un mtodo unificado que sea eficaz para resolver problemas de programacin entera de tamao realista. Otra clase de problemas involucran la administracin de una red. Problemas de flujo de trfico, comunicaciones, distribucin de bienes, y planificacin de proyectos son generalmente de este tipo. Muchos de estos problemas se pueden resolver por los mtodos mencionados previamente (programacin entera o lineal). Sin embargo debido a que esos problemas usualmente tienen una estructura especial, se han desarrollado tcnicas especializadas ms eficientes para su resolucin. En este campo las mayores contribuciones se deben a Ford y Fulkerson; quienes desarrollaron el mtodo de etiquetado para maximizar el flujo de un producto a travs de una red y un mtodo para minimizar el costo de transportar una cantidad dada de producto a travs de una red. Esas ideas se pueden combinar con las de programacin entera para analizar toda una familia de problemas prcticos de redes. Algunos problemas se pueden descomponer en partes y se optimizan los procesos de decisin de stas. En algunas instancias es posible alcanzar el ptimo del problema original solamente descubriendo como optimizar esas partes constituyentes. Este proceso de descomposicin es muy potente, pues permite resolver una serie de problemas ms pequeos y fciles en vez de uno grande que podra ser intratable. Los sistemas para los cuales esta aproximacin brinda un ptimo vlido se llaman

sistemas seriales multi-etapa. Una de las tcnicas ms conocidas para abordarlos fue bautizada programacin dinmica por R. E. Bellman, el matemtico que la desarroll,. Los sistemas seriales multietapa se caracterizan por un proceso que se realiza en etapas, como los procesos de manufactura. En vez de intentar optimizar alguna medida de desempeo viendo a todo el problema como una unidad, la Introduccin a la Investigacin de Operaciones

11 programacin dinmica optimiza una etapa por vez a fin de producir un conjunto de decisiones ptimas para todo el proceso. Una variada gama de problemas tales como inversin de capital, confiabilidad de mquinas, y anlisis de redes se pueden ver como sistemas seriales multietapa; de modo que la programacin dinmica tiene una amplia aplicabilidad. En la formulacin de muchos problemas de optimizacin no se puede hacer la hiptesis de linealidad que caracteriza a la programacin lineal. No existen procedimientos generales para problemas no lineales. Se han desarrollado un gran nmero de algoritmos especiales para tratar casos particulares. Muchos de esos procedimientos se basan en la teora matemtica relacionada con el anlisis de la estructura de tales problemas. Esta teora se llama generalmente optimizacin clsica. Una de las principales contribuciones modernas a esta teora fue hecha por Kuhn y Tucker quienes desarrollaron lo que se conoce como las condiciones de Kuhn Tucker. La coleccin de tcnicas desarrolladas por esta teora se llama programacin no lineal. Pese a que muchos problemas de programacin no lineal son muy difciles de resolver, hay cierto nmero de problemas prcticos que pueden ser formulados de manera no lineal y resueltos por los mtodos existentes. Esto incluye el diseo de entidades tales como transformadores elctricos, procesos qumicos, condensadores de vapor y filtros digitales.

2.1.3 La Optimizacin como una rama de las Matemticas Se puede ver, por lo dicho en la seccin anterior, que la teora de la optimizacin es matemtica por naturaleza. Tpicamente involucra la maximizacin o minimizacin de una funcin (a veces desconocida) que representa el desempeo de algn sistema. Esto se resuelve encontrando los valores de las variables (cuantificables y controlables) que hacen que la funcin alcance su mejor valor. A fin de entender como operan los algoritmos se requieren conocimientos de lgebra lineal y clculo diferencial con varias variables. Algunos de los problemas de la teora de optimizacin se pueden resolver por las tcnicas clsicas del clculo avanzado (tales como mtodos Jacobianos y el uso de multiplicadores de Lagrange). Sin embargo, la mayora de los problemas de optimizacin no satisfacen las condiciones necesarias para ser resueltos de esta manera. Muchos de los otros problemas, pese a poder ser tratados con las tcnicas clsicas, se resuelven ms eficazmente si se utilizan mtodos diseados para cada caso particular. A travs de la historia de las matemticas se ha construido una coleccin de tales tcnicas. Algunas han sido olvidadas y reinventadas, otras recibieron poca atencin hasta que las computadoras las hicieron utilizables. El grueso de material al respecto es de origen reciente debido a que muchos de los problemas, tales como el flujo de trfico, recin ahora cobran inters y tambin debido al gran nmero de investigadores disponibles actualmente para analizar tales problemas. Cuando ese material es catalogado dentro de un cuerpo autocontenido de conocimientos el resultado es una nueva rama de las matemticas aplicadas. Introduccin a la Investigacin de Operaciones

12 2.1.4 Conceptos Bsicos de Optimizacin Esta seccin introduce algunos de los conceptos bsicos de optimizacin que

se utilizan a lo largo del presente compendio. Cada concepto se ilustra por medio del siguiente ejemplo. El problema es:

Maximizar: f (x1,x2) (1.1) sujeto a: h1 (x1,x2) 0 (1.2) x1 0 (1.3) x2 0 (1.4) Este es un problema tpico en la teora de optimizacin: la maximizacin (o minimizacin) de una funcin real de variables reales (a veces una sola variable) sujeta a un nmero de restricciones (a veces este nmero es cero). La funcin f se llama funcin objetivo, x1 y x2 se llaman variables independientes o variables decisionales. El problema es encontrar valores reales para x1 y x2, que satisfagan las restricciones (1.2), (1.3) y (1.4), los cuales introducidos en (1.1) hagan que f (x1,x2) tome un valor no menor que para cualquier otro par x1,x2. En la figura siguiente se muestran tres contornos de la funcin objetivo.

h1 (x1,x2) = 0 x1 x2 f (x1,x2) = 0.25 f (x1,x2) = 0.50 f (x1,x2) = 1.00 (1,0) (0,1) S

La funcin objetivo tiene el mismo valor en todos los puntos de cada lnea, de

modo que los contornos pueden asimilarse a las isobaras (o isotermas) de un mapa climtico. No es difcil ver que la solucin del problema es:

X = (x , x ) = ( , ) 12 1 0 Introduccin a la Investigacin de Operaciones

13 Esto significa que

f(XfXXS

) ( ), (1.5)

Cuando una solucin X S satisface (1.5) se llama solucin ptima, y en este caso solucin mxima (tambin solucin optimal o maximal). Si el smbolo en (1.5) fuera , X sera una solucin mnima. Adems, f ( X ) se llama valor ptimo, y no debe ser confundido con solucin ptima. En la figura se observa que se podran obtener valores mayores de f eligiendo ciertos x1, x2 fuera de S. Cualquier par ordenado de nmeros reales se llama solucin del problema y el valor correspondiente de f se llama valor de la solucin. Una solucin X tal que X S se llama solucin factible, en tanto que S = ,(x1,x2) : h (x1,x2) 0, x1 0, x2 0-, que generalmente es una regin conexa, se llama regin factible.

2.2 Convexidad Se revn a continuacin las propiedades ms importantes de los conjuntos convexos y de las funciones convexas, tales conjuntos y funciones juegan un rol muy importante en la optimizacin por dos motivos: Cuando se tienen funciones y conjuntos convexos se puede identificar con seguridad los llamados ptimos globales. Muchas operaciones y transformaciones conservan la convexidad, por lo que se puede construir funciones y conjuntos convexos ms complicados a partir de los ms sencillos. Definicin: Combinacin Convexa. Dados (x,y) n, una combinacin convexa de ellos es cualquier punto de la forma: z = x + (1) y con | 0 1. Notas: Si 0 y 1, se dice que z es una combinacin convexa estricta (o propia). La interpretacin geomtrica es que z es un punto del segmento de recta determinado por (x,y). Definicin: Conjunto Convexo. S n es un conjunto convexo si *x + (1 ) y+ S

(x,y) S, : 0 1 Introduccin a la Investigacin de Operaciones

14 conjunto convexo conjunto no convexo

Es decir que S es un conjunto convexo si contiene a todos los segmentos de recta que

se pueden formar con los puntos que le pertenecen. Definicin: Funcin Convexa (en un conjunto convexo). Sea S n, un conjunto convexo. La funcin f: S es convexa en S si: f *x + (1) y+ f (x) + (1) f (y) (x,y) S, : 0 1 Si S = n, se dice que f es convexa. f xyx f(x) f(y) f(x) + (1) f(y) f * x + (1) y+

2.2.1 Composicin de conjuntos y funciones convexas La importancia de las funciones y conjuntos convexos radica en que las condiciones necesarias para que una solucin sea un ptimo local se convierten en condiciones suficientes para que sea ptimo global, cuando las funciones y conjuntos en cuestin son convexos. Sean S y T conjuntos convexos, y f una funcin convexa. Entonces los siguientes conjuntos tambin son convexos: i S = ,x| x S} iii S +T = {x+y| x S, y T} v { (x,) | f(x) } ii S T iv ,x| f(x) Sean f y g funciones convexas en un conjunto convexo S, y 0. Entonces las siguientes funciones tambin son convexas en S. i h1(x) = f(x) + g(x) ii h2(x) = f(x) iii h3(x) = max{f(x), g(x)}

Sean f i :I i , (i = 1,...,n) funciones convexas en el intervalo I i . Introduccin a la Investigacin de Operaciones

15 fxfxi i n ()=() = 1 es una funcin convexa en I = {x n | xi I i }

2.2.2 Funciones convexas reales, de una sola variable Para poder utilizar los resultados anteriormente expuestos es necesario poder reconocer las funciones convexas. Por tal motivo, en primer lugar se analizarn las funciones de una sola variable. Una funcin f : S es convexa en el conjunto convexo S, sii: f((1) x + y) (1) f(x) + f(y) x, y S, con 0 o bien 1.

Una funcin diferenciable f : I con I es convexa sii: f(y) f(x) + f(x) (yx) x,y I Una funcin diferenciable f en un intervalo I es convexa sii f es no decreciente. Una funcin f diferenciable hasta el segundo orden en un intervalo I es convexa sii f 0 en I.

2.2.3 Funciones convexas en n Una funcin diferenciable f en un conjunto convexo S es convexa sii f(y) f(x) +f (x) (yx), x,y S. Una funcin f diferenciable hasta el segundo rden en S n convexo y abierto es convexa sii la matriz de derivadas segundas:

ij xx f 2 es semidefinida positiva en n.

Proposicin: desigualdad de Jensen

Sea f :C R una funcin convexa sobre un conjunto convexo y xi C,m 1,i 0 con = = m i i 1 1. Entonces se cumple que: = = m i ii m i ii fxfx 11 ()()

Demostracin por induccin en m:

Paso Base (m = 2): Sean 12 0 / 1 + 2 = 1 y x1 , x2 C .

( ) ( (1 ) ) ( ) (1 ) ( ) 1 1 2 2 1 1 1 2 1 1 1 2 fx+x=fx+xfx+fx

1 + 2 = 1 f es convexa en