Fases de la investigacin de operaciones

Supuestos bsicos de la Programacin Lineal Desde un punto de vista tcnico, hay cinco supuestos que debe cumplir todo problema de programacin lineal: 1. Los coeficientes, tanto de la funcin objetivo como de las restricciones, son conocidos con exactitud y adems no varan durante el perodo de tiempo en que se realiza el estudio (supuesto de certidumbre). 2. Tanto en la funcin objetivo como en las restricciones hay proporcionalidad: si para la produccin de un bien empleamos 5 horas de un determinado recurso (mano de obra, maquinaria, etc.), para producir diez unidades de dicho bien sern necesarias 50 horas del mismo recurso. 3. Aditividad de actividades: tanto en la funcin objetivo como en las restricciones, la contribucin de cada variable es independiente de los valores del resto de las variables, siendo el total de todas las actividades igual a la suma de cada actividad individual. As, por ejemplo, si producimos dos tipos de bienes, uno que nos reporte un beneficio de 20 /unidad, y otro que nos reporte un beneficio de 10 /unidad, la produccin de un bien de cada tipo supondr un beneficio total de 30 . 4. Las soluciones del problema sern, en general, nmeros reales no necesariamente enteros (supuesto de divisibilidad). Para aquellos problemas en los cuales slo tenga sentido obtener soluciones enteras (cuando las soluciones se refieran a objetos indivisibles), se usarn tcnicas de Programacin Lineal Entera (PLE).

5. Las variables de nuestro modelo tomarn siempre valores positivos (supuesto de no negatividad), dado que no tiene sentido hablar de cantidades negativas de objetos fsicos. Definicin de Modelos. Un modelo es una representacin ideal de un sistema real y de la forma como opera o funciona. Un modelo es una abstraccin selectiva de la realidad. El modelo, se define como una funcin objetivo con restricciones que se expresan en trminos de las variables (alternativas) de decisin del problema. El objetivo de un modelo es analizar el comportamiento del sistema, o bien predecir su comportamiento futuro. Obviamente los modelos no son tan complejos como el sistema mismo, de tal manera que se hacen las suposiciones y restricciones necesarias para representar las porciones ms relevantes del mismo.

Tipos de Modelos de Investigacin de Operaciones. (a) Modelo Matemtico: Se emplea cuando la funcin objetivo y las restricciones del modelo se pueden expresar en forma cuantitativa o matemtica como funciones de las variables de decisin. (b) Modelo de Simulacin: Los modelos de simulacin difieren de los matemticos en que las relaciones entre la entrada y la salida no se indican en forma explcita. En cambio, un modelo de simulacin divide el sistema representado en mdulos bsicos o elementales que despus se enlazan entre si va relaciones lgicas bien definidas. Por lo tanto, las operaciones de clculos pasaran de un mdulo a otro hasta que se obtenga un resultado de salida. Los modelos de simulacin cuando se comparan con modelos matemticos; ofrecen mayor flexibilidad al representar sistemas complejos, pero esta flexibilidad no esta libre de inconvenientes. La elaboracin de este modelo suele ser costoso en tiempo y recursos. Por otra parte, los modelos matemticos ptimos suelen poder manejarse en trminos de clculos. Modelos predictivos: Este tipo de modelos nos informan del comportamiento de la variable en un futuro, es decir, lo que debera ser. A este tipo de modelos corresponden aquellos basados en tcnicas estadsticas y/o economtricas, es decir, modelos de previsin. Modelos evaluativos: Una tcnica evaluativa corresponde a medir las diferentes alternativas, y as poder comparar los resultados de ellas. Este tipo de modelos se corresponden con los denominados arboles de decisin. Modelos de optimizacin: Se trata de modelos que tratan de identificar un optimo (por lo general, el optimo global ) del problema, es decir, buscan la mejor de las alternativas

posibles. Estos mtodos son los que estn basados en las tcnicas de programacin matemtica.

Otra clasificacin de los modelos se basa en la realidad que pretender modelar, as podemos hablar de : Modelos deterministas versus modelos estocsticos. En los modelos deterministas todos los datos del problema se conocen con absoluta certeza, mientras que cuando esto no es as tenemos los modelos estocasticos. Por lo general los modelos ms realistas son los modelos estocasticos, pero tienen la dificultad de poderlos resolver adecuadamente, y muchas de las tcnicas aplicables a los modelos estocasticos tratan de reducir el problema a su versin determinista para poderlo resolver. Modelos estticos versus modelos dinmicos. En un modelo esttico la variable tiempo no desempea un papel relevante, mientras que en los modelos dinmicos la variable fundamental, y de la que dependen las restante variables relevantes. Adems, la variable tiempo se considera como una variable continua. Programacin lineal La PL es una tcnica determinista, no incluye probabilidades y utiliza un modelo matemtico para describir el problema. El adjetivo lineal significa que todas las funciones matemticas del modelo deben ser funciones lineales. En este caso, la palabra programacin no se refiere a programacin en computadoras; en esencia es un sinnimo de planeacin. As, la PL trata la planeacin de las actividades para obtener un resultado ptimo, esto es, el resultado que mejor alcance la meta especificada (segn el modelo) entre todas las opciones de solucin. Aunque la asignacin de recursos a las actividades es la aplicacin ms frecuente, la PL tiene muchas otras posibilidades. De hecho, cualquier problema cuyo modelo matemtico se ajuste al formato general del modelo de PL es un problema de PL.

Historia El problema de la resolucin de un sistema lineal de inecuaciones se remonta, al menos, a Joseph Fourier, despus de quien nace el mtodo de eliminacin de Fourier-Motzkin. La programacin lineal se plantea como un modelo matemtico desarrollado durante la Segunda Guerra Mundial para planificar los gastos y los retornos, a fin de reducir los costos al ejrcito y aumentar las prdidas del enemigo. Se mantuvo en secreto hasta 1947. En la posguerra, muchas industrias lo usaron en su planificacin diaria. Los fundadores de la tcnica son George Dantzig, quien public el algoritmo simplex, en 1947, John von Neumann, que desarroll la teora de la dualidad en el mismo ao, y Leonid Kantorvich, un matemtico ruso, que utiliza tcnicas similares en la economa antes de Dantzig y gan el premio Nobel en economa en 1975. En 1979, otro matemtico

ruso, Leonid Khachiyan, dise el llamado Algoritmo del elipsoide, a travs del cual demostr que el problema de la programacin lineal es resoluble de manera eficiente, es decir, en tiempo polinomial.2 Ms tarde, en 1984, Narendra Karmarkar introduce un nuevo mtodo del punto interior para resolver problemas de programacin lineal, lo que constituira un enorme avance en los principios tericos y prcticos en el rea. El ejemplo original de Dantzig de la bsqueda de la mejor asignacin de 70 personas a 70 puestos de trabajo es un ejemplo de la utilidad de la programacin lineal. La potencia de computacin necesaria para examinar todas las permutaciones a fin de seleccionar la mejor asignacin es inmensa (factorial de 70, 70!) ; el nmero de posibles configuraciones excede al nmero de partculas en el universo. Sin embargo, toma slo un momento encontrar la solucin ptima mediante el planteamiento del problema como una programacin lineal y la aplicacin del algoritmo simplex. La teora de la programacin lineal reduce drsticamente el nmero de posibles soluciones ptimas que deben ser revisadas.