Investigacion de Io Programas y Modelos

2013
INVESTIGACION DE
OPERACIONES

UNIVERSIDAD AUTONOMA DE COAHILA

ALUMNO:

CATEDRATICO
INVESTIGACION DE OPERACIONES

Contenido
1.0 HISTORIA DE LA INVESTIGACIN DE OPERACIONES............................................................ 3
CONCLUSIN ........................................................................................................................................ 6
2.0 PROGRAMACION LINEAL ................................................................................................................ 7
Origen de la programacin lineal ......................................................................................................... 7
Variables .............................................................................................................................................. 9
Restricciones ....................................................................................................................................... 9
Funcin Objetivo ............................................................................................................................... 10
CONCLUSIN ...................................................................................................................................... 11
3.0 TECNICAS DE LA PROGRAMACION LINEAL ............................................................................ 15
PROGRAMACION LINEAL ENTERA ................................................................................................ 15
Variables ............................................................................................................................................ 15
Restricciones ..................................................................................................................................... 15
Funcin Objetivo ............................................................................................................................... 16
Restricciones ..................................................................................................................................... 19
Funcin objetivo ................................................................................................................................ 19
MODELO DE REDES .......................................................................................................................... 20
Modelo de Flujo Mximo .................................................................................................................. 21
Modelo de la ruta ms corta ............................................................................................................... 23
ADMINISTRACION DE PROYECTOS PERT/CPM ........................................................................ 24
MODELOS DE INVENTARIOS .......................................................................................................... 25
El modelo de programacin lineal aplicado al manejo de inventarios...................................... 26
Las variables ...................................................................................................................................... 26
La funcin objetivo ............................................................................................................................ 27
MODELOS DE LINEAS DE ESPERA ............................................................................................... 28
Caractersticas .................................................................................................................................. 29
Estructura de un sistema de lnea de espera. .............................................................................. 29
Distribucin de tiempos de servicio: .............................................................................................. 30
Disciplina en la lnea de espera...................................................................................................... 31
Operacin de estado estable. ......................................................................................................... 32
SIMULACION EN COMPUTADORA ................................................................................................. 32
ANALISIS DE DECISIONES ............................................................................................................... 33

Condiciones en que se toman las decisiones .............................................................................. 34
Interpretacin de Certeza, Incertidumbre y Riesgo ..................................................................... 36
Toma de decisiones bajo condiciones de Certeza ...................................................................... 37
Toma de decisiones bajo condiciones de Incertidumbre ............................................................ 38
Toma de decisiones bajo condiciones de Riesgo........................................................................ 38
Probabilidad Objetiva ....................................................................................................................... 39
Probabilidad Subjetiva. .................................................................................................................... 39
Nivel de toma de decisiones ........................................................................................................... 40
Importancia de la toma de decisiones ........................................................................................... 41
PROGRAMACION DE METAS .......................................................................................................... 42
Metas y variables de desviacin ..................................................................................................... 45
La funcin objetivo ............................................................................................................................ 45
PRONOSTICOS .................................................................................................................................... 46
Seleccin de un mtodo de pronsticos ....................................................................................... 46
Mtodos de series de tiempo. ......................................................................................................... 47
Mtodo grfico ................................................................................................................................... 48
Cadenas de markov ......................................................................................................................... 49
Estados ............................................................................................................................................... 49
Matriz de transicin .......................................................................................................................... 50
Matriz regular ..................................................................................................................................... 50
Estado recurrente ............................................................................................................................. 50
Matriz ergdica .................................................................................................................................. 50
Estados absorbentes ........................................................................................................................ 51
PROGRAMACION DINAMICA ........................................................................................................... 52
Condiciones que se deben cumplir ................................................................................................ 52
Caractersticas de la programacin dinmica .............................................................................. 53
CONCLUSIN ...................................................................................................................................... 53
4.0 METODO VOGEL .............................................................................................................................. 54
Los pasos del procedimiento son los siguientes: ........................................................................ 54
CONCLUSION ...................................................................................................................................... 55
BIBLIOGRAFA ......................................................................................................................................... 56


1.0 HISTORIA DE LA INVESTIGACIN DE OPERACIONES.

Los inicios de lo que hoy se concede como Investigacin de operaciones se
remota a los aos 1759 cuando el economista Quesnay empieza a utilizar modelos
primitivos de programacin matemtica. Ms tarde, otro economista de nombre Walras,
hace uso, en 1874, de tcnicas similares. Los modelos lineales de la Investigacin de
Operaciones, tiene como precursores a Jordan en 1873, Minkowsky en 1896 y a Farkas
en 1903. Los modelos dinmicos probabilsticos tienen su origen en Markov a fines del
siglo pasado. El desarrollo de los modelos de inventarios, as como el de tiempos y
movimientos, se lleva a cabo por los ao 20 de este siglo, mientras que los modelos de
lnea de espera se originan con los estudios de Erlang, a principios del siglo XX. Los
problemas de asignacin se estudian con mtodos matemticos por los hngaros Konig
y Egervary en la segunda y tercera dcada de este siglo. Los problemas de distribucin
se estudian por el ruso Kantorovich en 1939. Von Neuman cimenta en 1937 lo que aos
ms tarde culminara como Teora de juegos y la Teora de preferencias (esta ltima
desarrollada en conjunto con Morgenstern). Hay que hacer notar los modelos
matemticos de Investigacin de Operaciones que utilizaron estos precursores, estaban
basados en el clculo diferencial e integral (Newton, Lagrange, Laplace, Lebesgue,
Leibnitz, Reimman, Stieltjes, por mencionar algunos), la probabilidad y la estadstica
(Bernoulli, Poisson, Gauss, Bayes, Gosset, Snedecor, etc.).
No fue sino hasta la segunda guerra mundial, cuando la investigacin de
operaciones empez a tener auge. Primero se utiliz en la logstica estratgica para
vencer al enemigo (teora de Juegos) y, ms tarde al finalizar la guerra, en la logstica
de distribucin de todos los recursos militares de los aliados dispersos por todo el
mundo. Fue debido precisamente a este ltimo problema, que la fuerza rea
norteamericana a travs de su centro de investigacin Rand Corporation, comisiono a
un grupo matemticos para que resolviera este problema que estaba consumiendo
tantos recursos humanos, financieros y materiales. Fue el doctor George Dantzing, el
que en 1947, resumiendo el trabajo de muchos de sus precursores, inventara el mtodo
Simplex, con lo cual dio inicio a la programacin Lineal. (Prawda, 2004)

La Investigacin de Operaciones o Investigacin Operativa es una disciplina
donde las primeras actividades formales se dieron en Inglaterra en la Segunda Guerra
Mundial, cuando se encarga a un grupo de cientficos ingleses el diseo de
herramientas cuantitativas para el apoyo a la toma de decisiones acerca de la mejor
utilizacin de materiales blicos. Se presume que el nombre de Investigacin de
Operaciones fue dado aparentemente porque el equipo de cientficos estaba llevando a
cabo la actividad de Investigar Operaciones (militares).
Una vez terminada la guerra las ideas utilizadas con fines blicos fueron adaptadas
para mejorar la eficiencia y la productividad del sector civil.
Una de las reas principales de la Investigacin de Operaciones es la Optimizacin o
Programacin Matemtica. La Optimizacin se relaciona con problemas de minimizar o
maximizar una funcin (objetivo) de una o varias variables, cuyos valores usualmente
estn restringidos por ecuaciones y/o desigualdades.
Hoy en da el uso de modelos de optimizacin es cada vez ms frecuente en la toma de
decisiones. Este mayor uso se explica, principalmente, por un mejor conocimiento de
estas metodologas en las diferentes disciplinas, la creciente complejidad de los
problemas que se desea resolver, la mayor disponibilidad de software y el desarrollo de
nuevos y mejores algoritmos de solucin.
Un modelo de Investigacin de Operaciones requiere necesariamente de una
abstraccin de la realidad, adems de identificar los factores dominantes que
determinan el comportamiento del Sistema en estudio. En este sentido, un modelo es
una representacin idealizada de una situacin real o un objeto concreto. (Investigacion
de operaciones, 2013)

Las primeras actividades formales de investigacin de operaciones se dieron en
Inglaterra durante la segunda Guerra Mundial, cuando se encomend a un equipo de
cientficos ingleses la toma de decisiones acerca de la mejor utilizacin de materiales
blicos. Al trmino de la guerra, las ideas formuladas en operaciones militares fueron
adaptadas para mejorar la eficiencia y la productividad en el sector civil. Hoy en da, la
investigacin de operaciones es una herramienta dominante e indispensable para la
toma de decisiones.
Un elemento principal de investigacin de operaciones es el modelado matemtico.
Aunque la solucin del modelo matemtico establece una base para tomar una
decisin, se debe tener en cuenta factores intangibles o no cuantificables, por ejemplo
el comportamiento humano, para poder llegar a una decisin final. (Hamdy A., 2004)


CONCLUSIN

Como resultado de mejorar las estrategias y minimizar o maximizar los recursos
financieros y humanos, tecnolgicos por origen de las guerras. Cuando estos
conocimientos fueran aplicados al campo comercial industrial dieron grandes
beneficios, ya que vieron un ahorro financieros gracias a la logstica que dio como
resultado.


2.0 PROGRAMACION LINEAL

Origen de la programacin lineal

El origen de la investigacin de operaciones se dio con fines puramente militares, y la
programacin lineal, como una de las aplicaciones de este campo del conocimiento, no
fue la excepcin.
En 1947, George B. Dantzing y otro grupo de personas asociadas, trabajan para la
Fuerza Area de los Estado Unidos. En ese tiempo las autoridades encargadas de la
administracin militar, pidieron a este grupo de personas que investigaran como se
poda aplicar las matemticas y la estadstica para resolver problemas de planeacin y
programacin con fines puramente militares. Fue as como en 1947 George B. Dantzing
plantea por primera vez la estructura matemtica bsica del problema de programacin
lineal.
Paralelamente con la autorizacin de los procesos de produccin, en las sociedades se
crearon estructuras organizativas que vinieron a presentar un nuevo tipo de problemas
de optimizacin, para los cuales anteriormente al mtodo de programacin lineal no
tena procedimientos de solucin cientficos.
Algunos de los problemas ms importantes que se vinieron a resolver fueron en los
siguientes campos de aplicacin:
Administracin de la produccin. Aplicaciones.

Plan agregado de produccin: Encontrar el plan de produccin de mnimo
costo.
Planeacin de productos: Determinar cunto producir de cada artculo
para maximizar las utilidades.

Ruteo de productos o problema de secuenciacin: Encontrar la secuencia
ptima de elaboracin de un producto qu debe ser procesado
secuencialmente en varias mquinas.
Control de procesos: Minimizar la cantidad de material de desperdicio
generado por cortes de materias primas.
Control de inventarios: Encontrar la combinacin ptima de producto
mantenido.
Programacin de la distribucin de productos: Encontrar el programa
ptimo de embarques.
Estudios de localizacin de planta: Encontrar la localizacin ptima de una
nueva planta, mediante la evaluacin de costos de transporte o embarque
entre localizaciones alternativas de planta, los proveedores y las fuentes
de demanda.
Manejo de materiales: Encontrar las rutas de mnimo costo de equipos de
manejo de materiales como flotillas, caminos entre los centros de trabajo y
proveedores.
Asignacin de personal: Mnimo costo de personas a maquinas y/o
trabajos particulares.
Evaluacin de proyectos de inversin:

Aplicaciones agrcolas: Asignacin optima de superficie para la produccin
de las diferentes cosechas de productos.
Otras aplicaciones:

Programacin lineal: Se han logrado resolver otros muchos problemas en
otros campos del conocimiento. (Montoya Navarro, 1990)


Variables:
Las variables son nmeros reales mayores o iguales a cero

En caso que se requiera que el valor resultante de las variables sea un nmero
entero, el procedimiento de resolucin se denomina Programacin entera.
Restricciones
Las restricciones pueden ser de la forma

Dnde:

A = valor conocido a ser respetado estrictamente;
B = valor conocido que debe ser respetado o puede ser superado;
C = valor conocido que no debe ser superado;
j = nmero de la ecuacin, variable de 1 a M (nmero total de restricciones);
a; b; y, c = coeficientes tcnicos conocidos;
X = Incgnitas, de 1 a N;
i = nmero de la incgnita, variable de 1 a N.
En general no hay restricciones en cuanto a los valores de N y M. Puede ser N =
M; N > M; , N < M.
Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser
determinado, y puede no tener sentido una optimizacin.
Los tres tipos de restricciones pueden darse simultneamente en el mismo
problema. (Universidad Peruana Unin, 2013)

Funcin Objetivo


CONCLUSIN

La programacin lineal es de gran importancia, ya que puede resolver problemas en la
industria, comerciales y militares, para reducir costos o maximizar las ganancias, de una
manera eficaz.

PROGRAMACIN LINEAL

Es un enfoque de solucin de problemas elaborado para ayudar a tomar decisiones. Es
un modelo matemtico con una funcin objetivo lineal, un conjunto de restricciones
lineales variables no negativas. En el ambiente de negocios actual, pueden encontrarse
gran cantidad de aplicaciones.
La funcin objetivo define la cantidad que se va a maximizar o minimizar
en un modelo de programacin lineal.
Las restricciones limitan o reducen el grado en que puede perseguirse el
objetivo.
Las variables son las entradas controlables en el problema.

Para resolver un problema de programacin lineal es recomendable seguir ciertos
pasos
Que son:
1. Entender el problema a fondo.
2. Describir el objetivo.
3. Describir cada restriccin.
4. Definir las variables de decisin.
5. Escribir el objetivo en funcin de las variables de decisin.

6. Escribir las restricciones en funcin de las variables de decisin.
7. Agregar las restricciones de no negatividad.

TRMINOS CLAVE

Modelo Matemtico
Representacin de un problema donde el objetivo y todas las condiciones de
restriccin se describen con expresiones matemticas.
Restricciones de no negatividad
Conjunto de restricciones que requiere que todas las variables sean no negativas.
Solucin Factible
Solucin que satisface simultneamente todas las restricciones.
Regin Factible
Conjunto de todas las soluciones factibles.
Variable de holgura
Variable agregada al lado izquierdo de una restriccin de "menos o igual que" para
convertir la restriccin en una igualdad. El valor de esta variable comnmente puede
interpretarse como la cantidad de recurso no usado.

Forma Estndar
Programacin lineal en el que todas las restricciones estn escritas como igualdades.
La solucin ptima de la forma estndar de un programa lineal es la misma que la
solucin ptima de la formulacin original del programa lineal.

Punto Extremo
Desde el punto de vista grfico, los puntos extremos son los puntos de solucin factible
que ocurren en los vrtices o "esquinas" de la regin factible. Con problemas de dos
variables, los puntos extremos estn determinados por la interseccin de las lneas de
restriccin.

Variable de Excedente
Variable restada del lado izquierdo de una restriccin de "mayor o igual que" para
convertir dicha restriccin en una igualdad. Generalmente el valor de esta variable
puede interpretarse como la cantidad por encima de algn nivel mnimo requerido.
(Metodos Cuantitativos, 2013)

Qu es la Programacin Lineal?
Un modelo de Programacin Lineal (PL) considera que las variables de decisin tienen
un comportamiento lineal, tanto en la funcin objetivo como restricciones del problema.
En este sentido, la Programacin Lineal es una de las herramientas ms utilizadas en la
Investigacin Operativa debido a que por su naturaleza se facilitan los clculos y en
general permite una buena aproximacin de la realidad.

Los Modelos Matemticos se dividen bsicamente en Modelos Determistas (MD) o
Modelos Estocsticos (ME). En el primer caso (MD) se considera que los parmetros
asociados al modelo son conocidos con certeza absoluta, a diferencia de los Modelos
Estocsticos, donde la totalidad o un subconjunto de los parmetros tienen una
distribucin de probabilidad asociada. Los cursos introductorios a la Investigacin
Operativa generalmente se enfocan slo en Modelos Determistas.

Supuestos Bsicos de la Programacin Lineal: Linealidad, Modelos Deterministas,
Variables reales, No Negatividad. (Programacion lineal.net, 2013)


3.0 TECNICAS DE LA PROGRAMACION LINEAL
PROGRAMACION LINEAL ENTERA

Se utiliza el termino de programacin lineal entera cuando se obliga a que las
soluciones de los problemas de programacin lineal deben ser enteras.
Tipo de problemas
Los tipos de problemas de programacin lineal entera que podemos encontrar son los
siguientes:
a) Directos: las variables de decisin son variables cuantitativas enteras
b) Codificados: las variables son de tipo binario generalmente
c) Transformados: se produce cuando en un anlisis se debe cumplir o restriccin u
otra (a o b) y se desea expresar ambas restricciones como simultaneas. (De La
Fuente Garcia, 1996)
Variables
Las variables son nmeros reales mayores o iguales a cero.
En caso que se requiera que el valor resultante de las variables sea un nmero
entero, el procedimiento de resolucin se denomina Programacin entera.
Restricciones
Las restricciones pueden ser de la forma:

A = valor conocido a ser respetado estrictamente;
B = valor conocido que debe ser respetado o puede ser superado;
C = valor conocido que no debe ser superado;
j = nmero de la ecuacin, variable de 1 a M (nmero total de restricciones);
a; b; y, c = coeficientes tcnicos conocidos;
X = Incgnitas, de 1 a N;
i = nmero de la incgnita, variable de 1 a N.
En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M; N >
M; , N < M.
Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser determinado, y
puede no tener sentido una optimizacin.
Los tres tipos de restricciones pueden darse simultneamente en el mismo problema.
Funcin Objetivo


Donde:
= coeficientes son relativamente iguales a cero. (Fiadone, 2013)

En algunos casos se requiere que la solucin ptima se componga de valores
enteros para algunas de las variables. La resolucin de este problema se obtiene
analizando las posibles alternativas de valores enteros de esas variables en un
entorno alrededor de la solucin obtenida considerando las variables reales.
Muchas veces la solucin del programa lineal truncado est lejos de ser el
ptimo entero, por lo que se hace necesario usar algn algoritmo para hallar esta
solucin de forma exacta. El ms famoso es el mtodo de 'Ramificar y Acotar' o
Branch and Bound por su nombre en ingls. El mtodo de Ramificar y Acotar
parte de la adicin de nuevas restricciones para cada variable de decisin
(acotar) que al ser evaluado independientemente (ramificar) lleva al ptimo
entero.
Este es un caso curioso, con solo 6 variables (un caso real de problema de
transporte puede tener fcilmente ms de 1.000 variables) en el cual se aprecia
la utilidad de este procedimiento de clculo.

Existen tres minas de carbn cuya produccin diaria es:
La mina "a" produce 40 toneladas de carbn por da;
La mina "b" produce 40 t/da; y,
La mina "c" produce 20 t/da.

En la zona hay dos centrales termoelctricas que consumen:

La central "d" consume 40 t/da de carbn; y,
La central "e" consume 60 t/da
Los costos de mercado, de transporte por tonelada son:
De "a" a "d" = 2 monedas
De "a" a "e" = 11 monedas
De "b" a "d" = 12 monedas
De "b" a "e" = 24 monedas
De "c" a "d" = 13 monedas
De "c" a "e" = 18 monedas

Si se preguntase a los pobladores de la zona cmo organizar el transporte, tal
vez la mayora opinara que debe aprovecharse el precio ofrecido por el
transportista que va de "a" a "d", porque es ms conveniente que los otros,
debido a que es el de ms bajo precio.
En este caso, el costo total del transporte es:
Transporte de 40 t de "a" a "d" = 80 monedas
Transporte de 20 t de "c" a "e" = 360 monedas

Transporte de 40 t de "b" a "e" = 960 monedas
Total 1.400 monedas.

Sin embargo, formulando el problema para ser resuelto por la programacin
lineal se tienen las siguientes ecuaciones:
Restricciones
Restricciones de produccin

Restricciones de produccin

Funcin objetivo

La solucin de costo mnimo de transporte diario resulta ser:
Xb-d = 40 resultando un costo de 12 x 40 = 480 monedas
Xa-e = 40 resultando un costo de 11 x 40 = 440 monedas

Xc-e = 20 resultando un costo de 18 x 20 = 360 monedas
Total 1.280 monedas.
120 monedas menos que antes.
MODELO DE REDES

MODELOS DE REDES
Los problemas de optimizacin de redes se pueden representar en trminos
generales a travs de uno de estos cuatro modelos:
Modelo de minimizacin de redes (Problema del rbol de mnima expansin).
Modelo de la ruta ms corta.
Modelo del flujo mximo.
Modelo del flujo del costo mnimo.
Modelo de minimizacin de redes

El modelo de minimizacin de redes o problema del rbol de mnima expansin tiene
que ver con la determinacin de los ramales que pueden unir todos los nodos de una
red, tal que minimice la suma de las longitudes de los ramales escogidos. No se deben
incluir ciclos en la solucin del problema.
Para crear el rbol de expansin mnima tiene las siguientes caractersticas:
1.Se tienen los nodos de una red pero no las ligaduras. En su lugar se proporcionan las
ligaduras potenciales y la longitud positiva para cada una si se inserta en la red. (Las
medidas alternativas para la longitud de una ligadura incluyen distancia, costo y
tiempo.)

2.Se desea disear la red con suficientes ligaduras para satisfacer el requisito de que
haya un camino entre cada par de nodos.
3.El objetivo es satisfacer este requisito de manera que se minimice la longitud total de
las ligaduras insertadas en la red.
Una red con n nodos requiere slo (n-1) ligaduras para proporcionar una trayectoria
entre cada par de nodos. Las (n-1) ligaduras deben elegirse de tal manera que la red
resultante formen un rbol de expansin. Por tanto el problema es hallar el rbol de
expansin con la longitud total mnima de sus ligaduras.
Algoritmo para construir el rbol de expansin mnima:
1. Se selecciona, de manera arbitraria, cualquier nodo y se conecta (es decir, se agrega
una ligadura) al nodo distinto ms cercano.
2.Se identifica el nodo no conectado ms cercano a un nodo conectado y se conectan
estos dos nodos (es decir, se agrega una ligadura entre ellos). Este paso se repite
hasta que todos los nodos estn conectados.
3.Empates: los empates para el nodo ms cercano distinto (paso 1) o para el nodo no
conectado ms cercano (paso 2), se pueden romper en forma arbitraria y el algoritmo
debe llegar a una solucin ptima. No obstante, estos empates son seal de que
pueden existir (pero no necesariamente) soluciones optimas mltiples. Todas esas
soluciones se pueden identificar si se trabaja con las dems formas de romper los
empates hasta el final.
Modelo de Flujo Mximo
Se trata de enlazar un nodo fuente y un nodo destino a travs de una red de
arcos dirigidos. Cada arco tiene una capacidad mxima de flujo admisible. El objetivo es
el de obtener la mxima capacidad de flujo entre la fuente y el destino.
Caractersticas:
1.Todo flujo a travs de una red conexa dirigida se origina en un nodo, llamado fuente,
y termina en otro nodo llamado destino.

2. Los nodos restantes son nodos de trasbordo.
3.Se permite el flujo a travs de un arco slo en la direccin indicada por la flecha,
donde la cantidad mxima de flujo est la por la capacidad del arco. En la fuente, todos
los arcos sealan hacia fuera. En el destino, todos sealan hacia el nodo.
4.El objetivo es maximizar la cantidad total de flujo de la fuente al destino. Esta cantidad
se mide en cualquiera de las dos maneras equivalentes, esto es, la cantidad que sale
de la fuente o la cantidad que entra al destino.
El problema de flujo mximo se puede formular como un problema de programacin
lineal, se puede resolver con el mtodo smplex y usar cualquier software. Sin embargo,
se dispone de un algoritmo de trayectorias aumentadas mucho ms eficientes. El
algoritmo se basa en dos conceptos intuitivos, el de red residual y el de trayectoria
aumentada.
Algoritmo de la trayectoria de aumento para el problema de flujo mximo:
1.Se identifica una trayectoria de aumento encontrando alguna trayectoria dirigida del
origen al destino en la red residual, tal que cada arco sobre esta trayectoria tiene
capacidad residual estrictamente positiva. (Si no existe una, los flujos netos asignados
constituyen un patrn del flujo ptimo).
2.Se identifica la capacidad residual c* de esta trayectoria de aumento encontrando el
mnimo de las capacidades residuales de los arcos sobre esta trayectoria. Se aumenta
en c* el flujo de esta trayectoria.
3.Se disminuye en c* la capacidad residual de cada arco en esta trayectoria de
aumento. Se aumenta en c* la capacidad residual de cada arco en la direccin opuesta
en esta trayectoria. Se regresa la paso 1.


Modelo de la ruta ms corta
Considere una red conexa y no dirigida con dos nodos especiales llamados
origen y destino. A cada ligadura (arco no dirigido) se asocia una distancia no negativa.
El objetivo es encontrar la ruta ms corta (la trayectoria con la mnima distancia total)
del origen al destino.
Se dispone de un algoritmo bastante sencillo para este problema. La esencia del
procedimiento es que analiza toda la red a partir del origen; identifica de manera
sucesiva la ruta ms corta a cada uno de los nodos en orden ascendente de sus
distancias (ms cortas), desde el origen; el problema queda resuelto en el momento de
llegar al nodo destino.
Algoritmo de la ruta ms corta:
1.Objetivo de la n-sima iteracin: encontrar el n-simo nodo ms cercano al origen.
(Este paso se repetir para n=1,2, hasta que el n-simo nodo ms cercano sea el
nodo destino.)
2.Datos para la n-sima iteracin: n-1 nodos ms cercanos al origen (encontrados en
las iteraciones previas), incluida su ruta ms corta y la distancia desde el origen. (Estos
nodos y el origen se llaman nodos resueltos, el resto son nodos no resueltos.)
3.Candidatos para el n-simo nodo ms cercano: Cada nodo resuelto que tiene
conexin directa por una ligadura con uno o ms nodos no resueltos proporciona un
candidato, y ste es el nodo no resuelto que tiene la ligadura ms corta. (Los empates
proporcionan candidatos adicionales.)
4.Clculo del n-simo nodo ms cercano: para cada nodo resuelto y sus candidatos, se
suma la distancia entre ellos y la distancia de la ruta ms corta desde el origen a este
nodo resuelto. El candidato con la distancia total ms pequea es el n-simo nodo ms
cercano (los empates proporcionan nodos resueltos adicionales), y su ruta ms corta es
la que genera esta distancia.
La funcin objetivo est sujeta a una serie de restricciones, expresadas por
inecuaciones lineales: (Aguilar Barrn, 2012)

ADMINISTRACION DE PROYECTOS PERT/CPM


PERT (Program Evaluation Review Technique) fue desarrollado a fines dela dcada de
1950 por la Navy Special Projects Office en colaboracin con la empresa de consultora
administrativa de Booz, Allen y Hamilton. La tcnica recibi una considerable
publicidad, favorable para su uso, en el programa de ingeniera y desarrollo del misil
Polaris, un complicado proyecto que tena 250 contratistas primarios y 9000
subcontratistas. Desde esa fecha, ha sido ampliamente recibido en otras reas del
gobierno y de la industria y se ha aplicado en proyectos tan diferentes como la
construccin de fbricas, edificios y carreteras, investigacin administrativa, desarrollo
de productos, instalacin de nuevos sistemas de computadoras, etc. Hoy, muchas
empresas y agencias gubernamentales exigen que todos sus contratistas usen la
PERT.

CPM (Critical Path Method) fue desarrollado en 1957 por J. E. Kelly, de Remington
Rand, y M. R. Walker, de DuPont. S diferencia de la PERT en principio por los detalles
de cmo se manejan el Tiempo y el Costo. En realidad, las diferencias entre PERT y
CPM en la instrumentacin efectiva se han ido borrando en cuanto las empresas han
integrados las mejores caractersticas de ambos sistemas en sus esfuerzos propios por
manejar con eficiencia sus proyectos. (Scribd, 2008)

MODELOS DE INVENTARIOS


El modelo de programacin lineal aplicado al manejo de inventarios.

En este modelo se resuelve un problema de programacin lineal inspirado en Winston
(1994) para obtener los valores que minimizan la funcin de costos. As, el objetivo es
determinar cientficamente una poltica ptima para el manejo de los inventarios.
La idea integradora que representa su inclusin en el sistema computarizado, tomando
la informacin necesaria para su ejecucin directamente de la base de datos, se basa
en que, a medida que la organizacin utilice intensivamente y durante un largo perodo
el sistema, ste recaudar ms datos con los cuales las estimaciones del modelo sern
cada vez ms cercanas a la realidad (aspecto garantizado por la teora estadstica).
Asimismo, el modelo requiere partir de las siguientes suposiciones:
1. Tanto la funcin objetivo como las restricciones, son funciones lineales de las
variables.
2. Se trata de un modelo de mltiples perodos o dinmico.
3. La demanda en cada perodo es conocida al inicio del mismo y en general no
es constante.
4. Los costos del producto relacionados con mantenimiento del inventario y de
escasez, son conocidos para el primer perodo, y en caso que varen de un
perodo a otro, lo hacen segn un porcentaje de inflacin constante, conocida
para el horizonte de planeacin.
A continuacin se definen los elementos que componen los modelos de
Programacin lineal, a saber: variables, funcin objetivo y restricciones.

Las variables
Las variables utilizadas en el modelo se describen en detalle en el cuadro

1, as como tambin la nomenclatura que las identificar en adelante.

La funcin objetivo
Sea C el costo total del sistema, entonces

Los costos c1, c2 y c3, se incrementan segn el porcentaje de inflacin anual F. Ahora
bien, en el entendido de que existen tres posibilidades para seleccionar el perodo de la
demanda: meses, bimestres o trimestres, el porcentaje de inflacin calculado para cada
caso ser respectivamente: F/12, F/6 y F/4, de donde F es el porcentaje de inflacin
anual aplicable segn sea el caso. Segn esto, los costos asociados con el sistema,
adquieren la forma:

Donde, m = 1, 2, 3.
Entonces, c1,i es el costo unitario del producto en el i-simo perodo, C2,i es el costo
unitario de mantener en el i-simo perodo y C3,i es el costo unitario de escasez en el i-
simo perodo. De lo descrito anteriormente, la nueva funcin de costos totales del
sistema, sera: (Ponsot Balaguer)

MODELOS DE LINEAS DE ESPERA


Caractersticas

Los modelos de lnea de espera consisten en frmulas y relaciones matemticas que
pueden usarse para determinar las caractersticas operativas (medidas de desempeo)
para una cola

Las caractersticas operativas de inters incluyen las siguientes:
1. Probabilidad de que no haya unidades o clientes en el sistema
2. Cantidad promedio de unidades en la lnea de espera
3. Cantidad promedio de unidades en el sistema (la cantidad de unidades en la lnea de
espera ms la cantidad de unidades que se estn atendiendo)
4. Tiempo promedio que pasa una unidad en la lnea de espera
5. Tiempo promedio que pasa una unidad en el sistema (el tiempo de espera ms el
tiempo de servicio)
6. Probabilidad que tiene una unidad que llega de esperar por el servicio

Estructura de un sistema de lnea de espera.

Para ilustrar las caractersticas bsicas de un modelo de lnea de espera, consideramos
la cola en el Burger Dome, que vende hamburguesas, papas fritas, refrescos y
malteadas, as como un nmero limitado de artculos de especialidad y postres. Aunque
a Burger Dome le gustara servir inmediatamente a cada cliente, a veces llegan ms
comensales de los que puede manejar el personal de Burger Dome, por tanto, los
clientes esperan en lnea para hacer sus pedidos y recibir sus alimentos.

A Burger Dome le preocupa que los mtodos que se usan actualmente para servir a los
clientes dan como resultado tiempos de espera excesivos. La administracin desea
realizar un estudio con el fin de ayudar a determinar el mejor enfoque para producir los
tiempos de espera y mejorar el servicio.

Lnea de espera de un solo canal:
Cada cliente que entra al restaurante de Burger Dome debe pasar por un canal, una
estacin para tomar y surtir el pedido, para colocar el pedido, pagar la cuenta y recibir el
producto. Cuanto llegan ms clientes forman una lnea de espera y aguardan que se
desocupe la estacin para tomar y surtir el pedido.
Distribucin de llegadas:
Definir el proceso de llegada para una lnea de espera implica determinar la distribucin
de probabilidad para la cantidad de llegadas en un periodo dado. Para muchas
situaciones de lnea de espera, cada llegada ocurre aleatoria e independientemente de
otras llegadas y no podemos predecir cundo ocurrir. En tales casos los analistas
cuantitativos han encontrado que la distribucin de probabilidad de poisson proporciona
una buena descripcin del patrn de llegadas.

Distribucin de tiempos de servicio:

El tiempo de servicio es el tiempo que pasa un cliente en la instalacin una vez el
servicio ha iniciado.

Se puede utilizar la distribucin de probabilidad exponencial para encontrar la
probabilidad de que el tiempo de servicio sea menor o igual que un tiempo t.

Disciplina en la lnea de espera.

Al describir un sistema de lnea de espera debemos definir la manera en que las
unidades que esperan el servicio se ordenan para recibirlo.
En general para la mayora de las lneas de espera orientadas al cliente, las unidades
que esperan servicio se acomodan segn el principio el primero que llega, el primero al
que se sirve; este enfoque se conoce como disciplina de lnea de espera o disciplina de
cola FCFS (first-come, first served).

Sin embargo algunas situaciones exigen disciplinas de cola diferentes:
El primero que llega, primero al que se le sirve.
ltimo en entrar, primero en salir
Atencin primero a la prioridad ms alta


Operacin de estado estable.

Generalmente la actividad se incrementa gradualmente hasta un estado normal o
estable. El perodo de comienzo o principio se conoce como perodo transitorio, mismo
que termina cuando el sistema alcanza la operacin de estado estable o normal.

SIMULACION EN COMPUTADORA

Asociada en ocasiones a la teora de colas y heredera de la dinmica de sistemas se
encuentra otra herramienta de los mtodos cuantitativos como es la simulacin. El
incremento de la capacidad de clculo de los ordenadores, as como sus crecientes
capacidades grficas hace que esta ltima est experimentando una aplicacin
creciente en el modelado de flujos de materiales, e incluso de informacin.

Esta aplicacin creciente ha supuesto, en algunos casos, el abandono de las
herramientas 1 analticas, que requiere un esfuerzo conceptual que aparentemente la
simulacin no requiere. Hay que destacar, en contra de esta opinin que la simulacin
bien aplicada exige un importante esfuerzo para garantizar la validez de resultados. De
hecho, dado que la simulacin es comparable al anlisis por experimentos, al hacer una
simulacin hay que hacer frente a los mismos problemas que hay que afrontar cuando
se hace experimentacin convencional (incluyendo diseo experimental y anlisis

estadstico). De este modo el uso de la simulacin no reduce el esfuerzo a realizar, sino
que resuelve problemas que la teora de colas analtica no es actualmente capaz de
abordar (Harris, 1998)

ANALISIS DE DECISIONES

Uno de los aspectos ms importantes en la vida de cada persona es la TOMA DE
DECISIONES Todos y cada uno de nosotros pasamos los das y las horas de nuestra
vida teniendo que tomar decisiones; algunas decisiones tienen una importancia relativa
en el desarrollo de nuestra vida, mientras otras no son tan importantes en ella.

Para los administradores, el proceso de toma de decisin es sin duda una de las
mayores responsabilidades. No obstante, este proceso lo llevamos a cabo
frecuentemente, aun cuando no lo notemos; por ejemplo, si vamos a comprar algn
determinado producto y existen dos lugares en donde ste se encuentra a la venta,
debemos decidir en dnde comprarlo o incluso, si realmente nos conviene hacerlo. La
toma de decisiones en una organizacin se circunscribe a una serie de personas que
estn apoyando el mismo proyecto. Debemos empezar por hacer una seleccin de
decisiones, y esta seleccin es una de las tareas de gran trascendencia.

Condiciones en que se toman las decisiones

Las condiciones en las que los individuos toman decisiones en una organizacin son
reflejo de las fuerzas del entorno (sucesos y hechos) que tales individuos no pueden
controlar, pero las cuales pueden influir a futuro en los resultados de sus decisiones.
Estas fuerzas pueden ir desde nuevas tecnologas o la presencia de nuevos
competidores en un mercado hasta nuevas leyes o disturbios polticos. Adems de
intentar la identificacin y medicin de la magnitud de estas fuerzas, los administradores
deben estimar su posible impacto. Los administradores y dems empleados
involucrados en los pronsticos y la planeacin pueden sentirse fuertemente
presionados a identificar tales hechos y sus impactos, especialmente cuando no es
probable que ocurran hasta aos despus.

Con demasiada frecuencia, los individuos deben basar sus decisiones en la limitada
informacin de que disponen; de ah que el monto y precisin de la informacin y el
nivel de las habilidades de conceptualizacin de los individuos sean cruciales para la
toma de decisiones acertadas. Las condiciones en las que se toman las decisiones
pueden clasificarse en trminos generales como certeza o certidumbre, incertidumbre y
riesgo.

Prcticamente todas las decisiones se toman en un ambiente de cierta incertidumbre.
Sin embargo, el grado vara de una certeza relativa a una gran incertidumbre. En la
toma de decisiones existen ciertos riesgos implcitos. En una situacin donde existe
certeza, las personas estn razonablemente seguras sobre lo que ocurrir cuando
tomen una decisin, cuentan con informacin que se considera confiable y se conocen
las relaciones de causa y efecto.

En algunos casos, las decisiones se toman bajo condiciones de certeza, esto significa
que el encargado de tomar una decisin conoce por adelantado el resultado de su
eleccin. Son pocas las decisiones que se toman bajo condiciones de certeza o
certidumbre.

Por otra parte en una situacin de incertidumbre, las personas slo tienen una base de
datos muy deficiente. No saben si estos son o no confiables y tienen mucha inseguridad
sobre los posibles cambios que pueda sufrir la situacin. Ms an, no pueden evaluar
las interacciones de las diferentes variables; la condicin bajo la cual resulta ms difcil
tomar decisiones es la incertidumbre, pues en esta situacin, los responsables de tomar
decisiones no cuentan con informacin suficiente para tener en claro las alternativas o
estimar su riesgo. Se basan ya sea en su intuicin o en su creatividad. Por ejemplo una
empresa que decide ampliar sus operaciones a otro pas quizs sepa poco sobre la
cultura, las leyes, el ambiente econmico y las polticas de esa nacin. La situacin
poltica suele ser tan voltil que ni siquiera los expertos pueden predecir un posible
cambio en las mismas.

Por mucho, la situacin tpica es el riesgo. El encargado de tomar las decisiones es
capaz de estimar la verosimilitud de las alternativas o los resultados. Esta capacidad de
asignar probabilidades podra ser un resultado de la experiencia personal o de
informacin secundaria. En una situacin de riesgo, quizs se cuente con informacin
basada en hechos, pero la misma puede resultar incompleta. Para mejorar la toma de
decisiones se puede estimar las probabilidades objetivas de un resultado, al utilizar, por
ejemplo modelos matemticos. Por otra parte se puede usar la probabilidad subjetiva,
basada en el juicio y la experiencia. Afortunadamente se cuenta con varias
herramientas que ayudan a los administradores a tomar decisiones ms eficaces.


Un enfoque racional para evaluar las alternativas bajo condiciones de riesgo es el uso
del valor esperado. Este es un concepto que permite a quien toma las decisiones
asignar un valor monetario segn las consecuencias positivas y negativas que podran
resultar de la seleccin de una alternativa en particular. En el momento de tomar
decisiones, todos los administradores deben de ponderar alternativas, muchas de las
cuales implican sucesos futuros que resultan difciles de prever: la reaccin de un
competidor a una nueva lista de precios, las tasas de inters dentro de tres aos, la
confiabilidad de un nuevo proveedor. Por esta razn, las situaciones de toma de
decisiones se consideran dentro de una lnea continua que va de la certeza (altamente
previsible) a la turbulencia (altamente imprevisible).

Interpretacin de Certeza, Incertidumbre y Riesgo

CERTEZA: Bajo las condiciones de certeza o certidumbre, conocemos nuestro objetivo
y tenemos informacin exacta, medible y confiable acerca del resultado de cada una de
las alternativas que consideremos.

INCERTIDUMBRE: Bajo condiciones de incertidumbre es poco lo que se sabe de las
alternativas o de sus resultados.

RIESGO: Es la probabilidad de que suceda un evento, impacto o consecuencia
adversos. Se entiende tambin como la medida de la posibilidad y magnitud de los
impactos adversos, siendo la consecuencia del peligro, y est en relacin con la
frecuencia con que se presente el evento. Se produce el riesgo siempre que no somos
capaces de diagnosticar con certeza el resultado de alguna alternativa, pero contamos
con suficiente informacin como para prever la probabilidad que tenga para llevarnos a
un estado de cosas deseado.


Turbulencia: Bajo condiciones de certeza, incertidumbre y riesgo, el objetivo final est
siempre claro, pero bajo condiciones de turbulencia incluso el objetivo puede ser poco
claro. La turbulencia tambin tiene lugar cuando el ambiente mismo cambia con
velocidad o es de hecho incierto. En Anlisis de Riesgo prcticamente cada decisin se
basa en la interaccin de variables importantes, muchas de las cuales tienen un
elemento de incertidumbre pero quizs un grado bastante alto de probabilidad. Por lo
tanto, la sensatez de lanzar un nuevo producto podra desprender de varias variables
crticas: el costo de producto, la inversin del capital, el precio que se puede fijar, el
tamao del mercado potencial y la participacin del mercado total. Ejemplo: Los
gerentes pueden comprender la verdadera probabilidad de una decisin que conduzca
a los resultados deseados.
Toma de decisiones bajo condiciones de Certeza

Una clase importante de problemas de decisiones incluye aquellos en los cuales cada
acto disponible para quien toma la decisin tiene consecuencias que pueden ser
conocidas previamente con certeza. A tales problemas se le llama toma de decisiones
bajo condiciones de certeza.
La toma de decisiones bajo certeza no es un proceso sencillo, cada una de las tareas a
las que se enfrenta quien toma la decisin bajo certidumbre (identificar los actos
disponibles, medir las consecuencias y seleccionar el mejor acto) involucra el uso de la
teora de la programacin lineal.

La certeza o certidumbre es la condicin en que los individuos son plenamente
informados sobre un problema, las soluciones alternativas son obvias, y son claros los
posibles resultados de cada decisin. En condiciones de certidumbre, la gente puede al
menos prever (si no es que controlar) los hechos y sus resultados. Esta condicin
significa el debido conocimiento y clara definicin tanto del problema como de las
soluciones alternativas. Una vez que un individuo identifica soluciones alternativas y sus
resultados esperados, la toma de la decisin es relativamente fcil. El responsable de

tomar la decisin sencillamente elige la solucin con el mejor resultado potencial. Por
ejemplo, de un agente de compras de una imprenta se espera que ordene papel de
calidad estndar al proveedor que ofrezca el menor precio y mejor servicio. Por
supuesto que generalmente el proceso de toma de decisiones no es tan simple. Un
problema puede tener muchas posibles soluciones, y calcular los resultados esperados
de todas ellas puede ser extremadamente lento y costoso.

La toma de decisiones en condiciones de incertidumbre es la excepcin para la mayora
de los administradores y otros profesionales. Sin embargo, los administradores de
primera lnea toman decisiones diariamente en condiciones de certidumbre, o casi. Por
ejemplo, un apretado programa de produccin puede obligar a un administrador de
primera lnea a pedir a 10 empleados que trabajen cuatro horas de tiempo extra. El
administrador puede determinar el costo de las horas extras con toda certeza. Tambin
puede prever con alto grado de certidumbre el nmero de las unidades adicionales que
pueden calcularse con casi absoluta certeza antes de programar las horas extras.
Toma de decisiones bajo condiciones de Incertidumbre

En muchos problemas de decisiones se presentan variables que no estn bajo el
control de un competidor racional y acerca de las cuales quienes toman las decisiones
tiene poca o ninguna informacin sobre la base de la cual conocer el estado de cosas
futuras. La toma de decisiones bajo incertidumbre se presenta cuando no puede
predecirse el futuro sobre la base de experiencias pasadas. A menudo se presentan
muchas variables incontrolables. Algunas veces es posible consolidar los efectos de
esas variables no controlables en trminos de su distribucin de probabilidad. La toma
de decisiones bajo incertidumbre implica que no se conoce la probabilidad de que
prevalezca uno u otro de los estados de resultado.
Toma de decisiones bajo condiciones de Riesgo


El riesgo es la condicin en la que los individuos pueden definir un problema,
especificar la probabilidad de ciertos hechos, identificar soluciones alternativas y
enunciar la probabilidad de que cada solucin d los resultados deseados. El riesgo
suele significar que el problema y las soluciones alternativas ocupan algn punto
intermedio entre los extremos representados por la plena informacin y definicin y el
carcter inusual y ambiguo.

La probabilidad es el porcentaje de veces en las que ocurrira un resultado especfico si
un individuo tomara muchas veces una misma decisin. El monto y calidad de la
informacin disponible para un individuo sobre la condicin pertinente de la toma de
decisiones puede variar ampliamente, lo mismo que las estimaciones de riesgo del
individuo. El tipo, monto y confiabilidad de la informacin influyen en el nivel de riesgo y
en el hecho de si el responsable de tomar la decisin puede hacer uso de la
probabilidad objetiva o subjetiva en la estimacin del resultado.

Probabilidad Objetiva
La posibilidad de que ocurra un resultado especfico con base en hechos consumados y
nmeros concretos se conoce como probabilidad objetiva. En ocasiones, un individuo
puede determinar el resultado probable de una decisin examinando expedientes
anteriores. Por ejemplo, aunque las compaas de seguros de vida no pueden
determinar el ao en que morir cada tenedor de plizas, pueden calcular las
probabilidades objetivas basados en la expectativa de que los ndices de mortalidad
prevalecientes en el pasado se repitan en el futuro.

Probabilidad Subjetiva.
A la apreciacin basada en juicios y opiniones personales de que ocurra un resultado
especfico se conoce como probabilidad subjetiva. Tales juicios varan de un individuo a
otro, dependiendo de su intuicin, experiencia previa en situaciones similares,
conocimientos y rasgos personales (como preferencia por la asuncin o por la elusin

de riesgos). Frecuentemente sin embargo, quienes toman decisiones cuentan con
informacin acerca de la probabilidad de que ocurra cada estado de resultado, aun
cuando no sepan con certeza el estado del resultado real.

La toma de decisiones cuando existe cierto nmero de estados de resultados posibles,
para los cuales se conoce la distribucin de probabilidades recibe el nombre de toma de
decisiones bajo riesgo. En los problemas que involucran incertidumbre y riesgo, el
estado de resultado era una contingencia acerca de la cual quien toma las decisiones
en el peor de los casos se encontraba por completo en la oscuridad y en el mejor de los
casos contaba con informacin sobre probabilidades.

Nivel de toma de decisiones

Hay 4 niveles organizacionales. Estos incluyen los tres niveles gerencias (alto, medio y
de primera lnea), ms los empleados operativos. En trminos generales, las decisiones
recurrentes y de rutina (decisiones programadas) se manejan mejor a niveles bajos de
la administracin. Por el contrario, las decisiones no recurrentes y nicas (decisiones no
programadas) son mejor manejadas por la alta direccin.
De manera semejante, la alta direccin est mejor calificada para tomar decisiones
estratgicas a largo plazo, tales como determinar cul es el negocio de la organizacin,
la direccin y los objetivos globales estratgicos de la misma y donde distribuir los
recursos clave de capital y personal.
Los gerentes de nivel medio estn mejor equipados para coordinar decisiones con
implicaciones a mediano plazo. Los gerentes de primera lnea deberan enfocarse en
decisiones departamentales ms rutinarias. Por ltimo los empleados operativos estn
mejor capacitados para tomar decisiones relacionadas con el trabajo.


Importancia de la toma de decisiones

Es importante porque mediante el empleo de un buen juicio, la Toma de Decisiones
sobre todo en condiciones de certeza, incertidumbre y riesgo, nos indica que un
problema o situacin es valorado y considerado profundamente para elegir el mejor
camino a seguir segn las diferentes alternativas y operaciones. Tambin es de vital
importancia para la administracin ya que contribuye a mantener la armona y
coherencia del grupo, y por ende su eficiencia.

En la Toma de Decisiones bajo condiciones de certeza, incertidumbre y riesgo,
considerar un problema y llegar a una conclusin vlida, significa que se han
examinado todas las alternativas y que la eleccin ha sido correcta. Dicho pensamiento
lgico aumentar la confianza en la capacidad para juzgar y controlar situaciones.

Uno de los enfoques ms competitivos de investigacin y anlisis para la toma de las
decisiones es la investigacin de operaciones. Puesto que esta es una herramienta
importante para la administracin de la produccin y las operaciones.

La toma de decisiones, se considera como parte importante del proceso de planeacin
cuando ya se conoce una oportunidad y una meta, el ncleo de la planeacin es
realmente el proceso de decisin, por lo tanto dentro de este contexto el proceso que
conduce a tomar una decisin se podra visualizar de la siguiente manera:
- Elaboracin de premisas.
- Identificacin de alternativas.
- Evaluacin de alternativas en trminos de la meta deseada.
- Eleccin de una alternativa, es decir, tomar una decisin.

Cuando el administrador ha considerado las posibles consecuencias de sus opciones,
ya est en condiciones de tomar la decisin. Debe considerar tres trminos muy
importantes. Estos son: maximizar, satisfacer y optimizar.
- Maximizar: es tomar la mejor decisin posible
- Satisfacer: es la eleccin de la primera opcin que sea mnimamente aceptable o
adecuada, y de esta forma se satisface una meta o criterio buscado.

- Optimizar: Es el mejor equilibrio posible entre distintas metas. (Abuabara, 2011)
PROGRAMACION DE METAS

La forma del modelo de programacin lineal sigue siendo la misma en programacin
por meta, es decir, tambin se tiene una funcin objetivo que optimizar sujeta a una o
ms restricciones. Sin embargo, dentro de este marco de referencia se agregarn dos
conceptos nuevos. El primero es el de las restricciones de meta en lugar de las
restricciones de recurso que se han analizado. El segundo concepto es el de rango de
prioridad entre las funciones de objetivo. Una vez que se establece un problema en el
formato del modelo general de programacin lineal, para obtener la solucin puede
aplicarse el MTODO SIMPLEX modificado solo para tomar en cuenta las prioridades.
La programacin por metas es un enfoque para tratar problemas de decisin gerencial
que comprenden metas mltiples o inconmensurables, de acuerdo a la importancia que
se le asigne a estas metas. El tomador de decisiones debe ser capaz de establecer al
menos una importancia ordinal, para clasificar estas metas. Una ventaja importante de
la programacin meta es su flexibilidad en el sentido de que permite al tomador de
decisiones, experimentar con una multitud de variaciones de las restricciones y de
prioridades de las metas cuando se involucra con un problema de decisin de objetivos
mltiples.
El primer paso en la formulacin de un modelo de programacin por metas consiste en
fijar los atributos que se consideran relevantes para el problema que se est

analizando. Una vez establecidos los atributos, se pasa a determinar el nivel de
aspiracin que corresponde a cada atributo, es decir, el nivel de logro que el centro
decisor desea alcanzar. Seguidamente, se conecta el atributo con el nivel de aspiracin,
por medio de la introduccin de las variables de desviacin negativa y positiva,
respectivamente. As para el atributo i-simo, se tiene la siguiente meta: donde, como
es habitual, f(x) representa la expresin matemtica del atributo i-simo, Ti su nivel de
aspiracin, ni y pi las variables de desviacin negativa y positiva, respectivamente. Las
variables de desviacin negativa cuantifican la falta de logro de una meta con respecto
a su nivel de aspiracin, mientras que las variables de desviacin positiva cuantifican el
exceso de logro de una meta con respecto a su nivel de aspiracin.
Como un nivel de aspiracin no puede simultneamente sobrepasarse y quedar por
debajo de l, al menos una de las dos variables de desviacin tomarn valor cero
cuando la meta alcanza exactamente su nivel de aspiracin.
Una vez clarificado el significado de las variables de desviacin, es importante introducir
el concepto de variable de decisin no deseada. Una variable de decisin se dice que
no es deseada cuando al centro decisor le interesa que la variable en cuestin alcance
su valor ms pequeo (esto es cero). Cuando la meta deriva de un atributo del tipo ms
del atributo mejor (objetivo a maximizar) la variable no deseada (a minimizar), ser la
variable de desviacin negativa (cuantificacin de la falta de logro). Finalmente, cuando
se desea alcanzar exactamente el nivel de aspiracin tanto la variable de desviacin
negativa como la positiva son variables no deseadas y por tanto variables a minimizar.
Supngase que un fabricante quiere planear producir por lo menos tres mesas se
escribir la restriccin: T>=3
Esto no permite ningn valor por debajo de 3. Si hubiera otra restriccin en conflicto con
esta, el problema no tendra solucin factible.
Ahora bien, los objetivos administrativos son mucho menos rgidos y absolutos. Una
manera ms real para establecer las restricciones de las mesas sera: "si es posible,
nos gustara hacer tres mesas por lo menos. Esto tiene una prioridad alta". En forma
anloga, los objetivos de las ganancias o de los rendimientos sobre inversiones se

expresan en trminos de metas deseadas: hacer lo posible por obtener ganancias de
$1000 el prximo ao o buscar un rendimiento sobre inversiones del 10% antes de
impuestos. Sin duda pueden ocurrir desviaciones arriba o abajo, alrededor de una meta.
Si la restriccin de las mesas es fabricar por lo menos tres, esto puede escribirse como:
T + Dut - Dot = 3
En donde Dut - Cantidad que falta para lograr el objetivo de las mesas.
Dot - Cantidad que sobrepasa el objetivo de las mesas.
T- Nmero de mesas.
Ntese que las restricciones de meta siempre se escriben como igualdades. El primer
subndice de la variable de desviacin indica la variacin hacia abajo o hacia arriba de
la meta. El segundo subndice indica de qu se trata el objetivo, en este caso mesas.
Existen cuatro formas de restricciones de objetivos, segn se permita variacin hacia
arriba o hacia abajo:
CASO 1: Se permiten desviaciones en ambas direcciones.
CASO 2: Solo se permiten desviaciones hacia abajo.
CASO 3: Solo se permiten desviaciones hacia arriba
CASO 4: No se permiten desviaciones.
No existe algo en la programacin por objetivos que prohba incluir restricciones que no
sean de objetivo o restricciones de recurso.
El significado de las variables de desviacin no deseadas puede clarificarse por medio
del siguiente cuadro.

Metas y variables de desviacin

La funcin objetivo
Para un problema de programacin por meta siempre es minimizar alguna combinacin
de variables de desviacin. Desde un punto de vista de toma de decisiones
administrativa, esto significa que se est buscando la combinacin de variables reales
por ejemplo (mesas y sillas) que cumplan mejor con todos los objetivos. Esto podra
llamarse optimizar un conjunto de objetivos "satisfactorios" o satisfacer.
La forma exacta de la funcin objetivo vara segn la respuesta a estas dos preguntas:
1. Son conmensurables o proporcionales los objetivos?
2. Cul es la importancia relativa de cada objetivo?
Objetivos conmensurables de igual importancia: este es el caso ms sencillo,
aunque muy pocas veces se encuentra en la prctica. Aqu los objetivos se
miden en una escala comn (conmensurables y tienen la misma importancia.
Ponderacin preferente de los objetivos: las ponderaciones de preferencia
pueden aplicarse a cualquier grupo de objetivos conmensurables. Las
ponderaciones deben reflejar la utilidad o el valor de los objetivos.
Rango de prioridad de los objetivos: qu pasa cuando los objetivos no son
conmensurables, cuando no hay una escala comn para comparar las
desviaciones de los diferentes objetivos? Este es un caso importante, al que se
enfrentan con frecuencia los administradores. Si el administrador puede ordenar
o dar un rango para sus metas entonces la solucin es posible.

Quizs no sea una tarea fcil dar un rango a los objetivos de acuerdo con su
importancia pero es algo que la mayora de las personas entienden y pueden lograr. En
la programacin por objetivos se le asigna la prioridad P1al objetivo ms importante,
siguiendo P2 a una prioridad ms baja. No existe lmite en el nmero de niveles de
prioridad pero debe asignarse una prioridad para cada variable de desviacin. Se
permiten empates o prioridades iguales.
Los problemas de programacin por meta se resuelven en orden de prioridad. Es decir,
se prueba la optimizacin en el nivel de prioridad ms alto ignorando las prioridades
ms bajas hasta optimizar este nivel. (Delgado, 2013)

PRONOSTICOS

Seleccin de un mtodo de pronsticos
La seleccin de un mtodo de pronsticos depende de varios factores. El grado en que
los datos histricos o el juicio subjetivo deben influir en el pronstico es importante.
Muchos mtodos de pronsticos operan solo con datos histricos y algunos se basan
en el juicio subjetivo. Con datos de series de tiempo, el patrn de comportamiento del
mismo influye en la decisin de seleccin.

Las consideraciones sobre beneficio costo son importantes cuando el pronstico se
hace para respaldar la toma de decisiones ms o menos importantes deben
emplearse mtodos menos costosos. No obstante, el tiempo y el gasto dedicados a
los pronsticos deben aumentar con la importancia de la decisin.


Mtodos de series de tiempo.

En los mtodos de serie de tiempo se utilizan datos histricos de una variable para
generar un pronstico del futuro. Estos mtodos suponen que la variable pronosticada
tiene informacin til para el desarrollo del pronstico sobre su comportamiento anterior.
Lo que sucedi en el pasado continu ocurriendo en el futuro cuando esto sucede se
dice que lo datos de series de tiempo son estacionarios cuando esta suposicin no se
cumple, la serie de tiempo es dinmica.

Cuando se analizan los datos de series de tiempo es importante pensar en buscar
variaciones de tendencias, estacionales, cclicas y aleatorias.

Los componentes de tendencias refleja un movimiento general a largo plazo, ya se
a hacia arriba o hacia abajo a travs del tiempo

La componente estacional refleja cambios hacia arriba o hacia abajo en puntos fijos en
el tiempo. En general se considera que esta componente ocurre con un periodo de un
ao o menos. Cuando existe un patrn de cambio en puntos fijos en el tiempo
con duracin de ms de un ao, el patrn refleja una componente cclica.

La variacin aleatoria esto es lo que queda despus que se han separado
las dems componente. Es el ruido inexplicable que queda. Estas son las componentes
de los datos de una serie de tiempo la variacin de tendencia, estacional, cclica,
aleatoria


Mtodo grfico

El graficar los datos y obtener un pronstico a partir de la grfica ms que confiar en el
poder analtico de las matemticas y la estadstica le mtodo grfico depende de la
experiencia y capacidad del analista para identificar, con su juicio subjetivo, los
patrones en los datos y hacer proyecciones basadas en esos patrones
Aun cuando se planee emplear mtodos de pronsticos ms complicados,
se recomienda que primero se grafique los datos. (Gaspar, 2013)


Cadenas de markov

Las cadenas de Mrkov son una herramienta para analizar el comportamiento y el
gobierno de determinados tipos de procesos estocsticos, esto es, procesos que
evolucionan de forma no determinstica a lo largo del tiempo en torno a un conjunto de
estados.
Una cadena de Mrkov, por tanto, representa un sistema que vara un estado a lo largo
del tiempo, siendo cada cambio una transicin del sistema. Dichos cambios no estn
predeterminados, aunque s lo est la probabilidad del prximo estado en funcin de los
estados anteriores, probabilidad que es constante a lo largo del tiempo (sistema
homogneo en el tiempo). Eventualmente, es una transicin, el nuevo estado puede ser
el mismo que el anterior y es posible que exista la posibilidad de influir en las
probabilidades de transicin actuando adecuadamente sobre el sistema (decisin).

Estados
Los estados son la caracterizacin de la situacin en que se halla el sistema en un
instante dado, de dicha caracterizacin puede ser tanto cuantitativa como cualitativa.
El estado de un sistema en un instante t es una variable cuyos valores solo pueden
pertenecer al conjunto de estaos en el sistema. El sistema modelizado por la cadena,
por lo tanto, es una variable que cambia con el valor del tiempo, cambio al que
llamamos transicin.

Matriz de transicin
Es el arreglo numrico donde se condensa las probabilidades de un estado a
otro. Dicha matriz es cuadrada con tantas filas y columnas como estados que tiene el
sistema, y los elementos de matriz representan la probabilidad de que el estado
prximo sea el correspondiente a la columna si el estado actual es el correspondiente a
la fila.
Posee 3 propiedades bsicas:
1. La suma de las probabilidades de los estados debe ser igual a 1.
2. La matriz de transicin debe ser cuadrada.
3. Las probabilidades de transicin deben estar entre 0 y 1.
Matriz regular
Es una matriz cuadrada que posee inversa.
Estado recurrente
Un estado es recurrente si despus de haber entrado a este estado, el proceso
definitivamente regresa a ese estado. Por consiguiente un estado es recurrente si y solo
si no es transitorio.
Matriz ergdica
Si los estados en una cadena son recurrentes, aperidicos y se comunican entre s, se
dice que la matriz es ergdica. Ejemplo:


Estados absorbentes
Una cadena de Mrkov en la que uno o ms estados es un estado absorbente, es una
cadena de Mrkov absorbente. Se alistan los estados en el siguiente orden: primero los
estados transitorios y luego los estado absorbentes. Suponga que hay s-m estados
transitorios (t1, t2,, ts-m) y m estado absorbentes (a1, a2,, am), se escribe la matriz
de probabilidades de transicin P como sigue: (Morales Mercado, 2011)


PROGRAMACION DINAMICA

El mtodo de programacin dinmica sirve para resolver problemas combinando las
soluciones de sus problemas. Normalmente es usada para resolver problemas de
optimizacin.

6.1 Requerimientos para la formulacin de un problema de programacin dinmica

Condiciones que se deben cumplir

Hay dos condiciones que se deben cumplir antes de comenzar a pensar en una
solucin a un problema de optimizacin usando programacin dinmica.

Sub-estructura ptima:
Un problema tiene sub-estructura ptima cuando la solucin ptima a un problema se
puede componer a partir de soluciones ptimas de su sub-problema.

Superposicin de Problemas.
El clculo de la solucin ptima implica resolver muchas veces un mismo sub-problema.
La cantidad de sub-problemas es pequea
Al construir un algoritmo usando la estrategia de programacin dinmica es
necesario:
1. Caracterizar la estructura de una solucin ptima
2. Definir recursivamente el valor de una solucin ptima.
3. Computar el valor de una solucin en forma bottom-up.4. [Opcional] Construir una
solucin ptima a partir de la informacin computada. (Pea Duran, 2006)


Caractersticas de la programacin dinmica

Puede utilizarse problemas: lineales, determinsticos o estadsticos, un o multivariados.
Es til para resolver unos problemas donde se debe tomar una serie de decisiones
interrelacionadas.
Formato general: a diferencia de la P.L. la programacin dinmica no tiene formulacin
matemtica estndar. Se trata de un enfoque de tipo general para la solucin de
problemas y las ecuaciones se derivan de sus condiciones individuales.

CONCLUSIN

De acuerdo a las diferentes tcnicas que se desarrollaron, dependiendo de cada tipo
de problemas que se puede presentar en una situacin especfica, depender de las
variables y restricciones, que cada empresa u organizacin analizara para una pronta
solucin a la problemtica que se le presente y que se adecue a sus necesidades.
Hoy en das se cuenta con una gama de software para una pronta solucin y ahorrar
en costos y tiempo.


4.0 METODO VOGEL

Este mtodo es heurstico y suele producir una mejor solucin inicial que los dos
mtodos antes descritos. De hecho, VAM suele producir una solucin inicial ptima, o
prxima al nivel ptimo.
Los pasos del procedimiento son los siguientes:

Paso1: Evaluarse una penalizacin para cada rengln restando el menor elemento del
costo del rengln del elemento de costo menor siguiente en el mismo rengln.
Paso2: Identifquese el rengln o columna con la mayor penalizacin, rompiendo
empates en forma arbitraria. Asgnese el valor mayor posible a la variable con el costo
ms bajo del rengln o columna seleccionado. Ajstese la oferta y la demanda y
tchese el rengln o columna satisfecha. Si un rengln o columna se satisfacen al
mismo tiempo, solo uno de ellos se tacha y al rengln restante se le asigna una oferta
cero. Cualquier rengln o columna con oferta o demanda cero no debe utilizarse para
calcular penalizaciones futuras.
Paso3:
a. si solo hay un rengln o columna sin tachar, detngase.
b. si solo hay un rengln con oferta positiva sin tachar, determnense las
variables bsicas del rengln a travs del mtodo del costo mnimo.
c. c.-si todos los renglones y columnas sin tachar tienen oferta o demanda
cero asignadas, determinase las variables bsicas cero a travs del
mtodo del costo mnimo. Detngase.
D.-de lo contrario, calclense las penalizaciones de los renglones y
columnas no tachados y despus dirjase al paso 2.


CONCLUSION

Este mtodo te da una solucin inicial para resolver un problema de transporte, el cual
este mtodo seleccin la opcin de menor costo y evade las opciones de mayor costo
programando la ruta ideal en cuanto a costos.


BIBLIOGRAFA
Abuabara, R. (Febrero de 2011). Modelos Matematicos blog. Obtenido de
http://modelosmatematicos01.blogspot.mx/p/teoria-de-decisiones-bajo-incertidumbre.html
Aguilar Barrn, R. (02 de Agosto de 2012). tareastetra4. Obtenido de
http://tareastetra4.blogspot.mx/2012/08/modo-de-redes.html
De La Fuente Garcia, D. (1996). Programacin lineal entera y programacin no lineal. Madrid, Espaa:
Universidad de Oviedo.
Delgado, F. M. (18 de Diciembre de 2013). Obtenido de http://fmarrerodelgado.galeon.com/metas.html
Fiadone, R. (30 de Julio de 2013). Wikipedia. Obtenido de
http://es.wikipedia.org/wiki/Programaci%C3%B3n_lineal
Gaspar, I. D. (18 de Enero de 2013). Blogs de investigaion de Operaciones. Obtenido de
http://ignaciodamian.blogspot.mx/2013/01/seleccion-de-un-metodo-de-pronosticos.html
Hamdy A., T. (2004). Investigacion de operaciones (Septima ed.). Estado de Mexico, Estado de Mexico,
Mexico: Pearson Educacion de Mexico S.A de C.V.
Harris, G. a. (1998).
Investigacion de operaciones. (13 de Octubre de 2013). Investigacion de operaciones. Obtenido de
http://www.investigaciondeoperaciones.net/historia_de_la_investigacion_de_operaciones.html
Metodos Cuantitativos. (09 de Octubre de 2013). Galeon.com. Obtenido de
http://metodoscuantitativo2.galeon.com/
Montoya Navarro, M. (1990). Programacin Lineal Investigacin de Operaciones 1. Costa Rica:
Universidad Estatal a Distancia.
Morales Mercado, L. V. (03 de Junio de 2011). B I Power Blogger. Obtenido de
http://ingindustrialio2.blogspot.mx/2011/06/cadenas-de-markov.html
Pea Duran, R. (09 de Octubre de 2006). B I Power Blogger. Obtenido de
http://invdeo.blogspot.mx/2006/10/unidad-6.html
Ponsot Balaguer, E. (s.f.). web del profesor. Recuperado el 18 de Diciembre de 2013, de
http://webdelprofesor.ula.ve/economia/ernesto/Trabajos/Articulos_C/Modelo_PLP.pdf
Prawda, J. (2004). Metodos y Modelos de Investigacion de Operaciones "Modelos deterministicos" (Vol.
1). Distrito Federal, Mexico: Editorial Limusa S. A. de C.V.
Programacion lineal.net. (Agosto de 2013). Programacion lineal.net. Obtenido de
http://www.programacionlineal.net/programacion_lineal.html

Scribd. (15 de Octubre de 2008). Scribd. Obtenido de http://es.scribd.com/doc/6820716/Administracion-
de-Proyectos-PERT-y-CPM
Universidad Peruana Unin. (16 de 10 de 2013). Monografias. Obtenido de
http://www.monografias.com/trabajos89/historia-programacion-lineal/historia-programacion-
lineal.shtml

Investigacion de Io Programas y Modelos

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Investigacion de Io Programas y Modelos

Cargado por

Copyright:

Formatos disponibles

2013

También podría gustarte