Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Generalidades
Introducción
Origen y evolución de la IO
Referencias
LECCIÓN 1 de 3
Introducción
Horas máquina
1 2
cortadora
Recurso Silla Banco
Materia prima
3 1
(madera)
C O NT I NU A R
LECCIÓN 2 de 3
Origen y evolución de la IO
Entre los beneficios obtenidos se pueden mencionar los siguientes: el uso del
nuevo radar para el éxito de cualquier combate aéreo, la detección de barcos
y submarinos fue otro de los frentes en los que la investigación de
operaciones aportó resultados decisivos positivos a los problemas que se
iban planteando a medida que la guerra avanzaba. Para nuestra situación
problemática, lo expresado es equivalente a que existe un mercado
competitivo para Silban S.A. y, en base a sus estudios de mercado, sus
beneficios los encontraron en la fabricación de sillas y bancos de calidad para
poder competir y que a su vez le permita obtener beneficios económicos a
pesar de las restricciones de recursos con las que cuenta hoy en día (horas
máquinas de cortado y cantidad de madera para la fabricación).
Antes de comenzar los años 50, los Estados Unidos también estaba
haciendo sus aportes a la nueva ciencia a través de importantes métodos
desarrollados por científicos, pero en la siguiente década es cuando la
investigación de operaciones se eleva al rango académico por medio de las
carreras universitarias que brindaron capacitación en la nueva ciencia
aplicable a sectores como mercadotecnia, contabilidad, ingeniería industrial y
finanzas, entre muchas otras.
Modelado
Quien deba tomar decisiones en una organización necesita una base
científica para hacerlo, pero sin olvidar las variables no mensurables que
afectan a la organización. Es por eso que la parte medular de la resolución de
un problema está en saber interpretar las situaciones y variables que lo
conforman. La construcción de modelos es una parte fundamental de la IO.
Una de las definiciones más simples de modelo es la propuesta por Colin Lee
(1973, p. 7): “Un modelo es una representación de la realidad”. Box y Draper
(citado en García Sabater-Maheut, 2015, https://goo.gl/oGmE9a) advierten
de una característica de los modelos: “Básicamente, todos los modelos son
erróneos, aunque algunos son útiles”
Cada problema que se nos presenta es diferente a otro, no solo por las
variables que intervienen, sino, principalmente, por los detalles en la
construcción de cada componente del problema.
Modelo mental
–
Es la representación de un determinado sistema o proceso. Lo observamos
permanentemente y sin darnos cuenta al tratar de solucionar problemas básicos.
Imaginemos al dueño de la empresa observando donde instalar la línea de
producción, teniendo en cuenta la ubicación de las materias prima
(principalmente madera), localización de máquinas cortadoras, sector de
ensamblaje de sillas y bancos, entre otros. El dueño de Silban S.A. deberá
aprovechar al máximo las dimensiones físicas del lugar para que el recorrido de
los materiales desde su ingreso, fabricación y egreso sean los más adecuados.
En este caso, el modelo ha sido mental.
Modelo a escala
–
Evidentemente somos conscientes de las limitaciones del modelo mental. Si el
lugar de fabricación de la empresa Silban S.A. tiene dimensiones muy grandes se
puede hacer un plano a escala de los espacios destinados, por ejemplo,
almacenaje de materias primas y productos elaborados (sillas y bancos), área
destinada a producción de sillas y bancos, entre otros, con el fin de reducir
manipulaciones innecesarias de materiales y de minimizar los tiempo de
producción. Por lo expuesto, la empresa deberá recurrir al modelo a escala con el
que podremos combinar infinidad de disposiciones hasta dar con la más
adecuada.
Modelo matemático
–
Los modelos mencionados anteriormente han sido utilizados durante muchos
años, pero actualmente son los modelos matemáticos los utilizados por la
mayoría de los investigadores en CA/IO para analizar problemas.
Según Davis y McKeown (1995): “Estos modelos se elaboran usando símbolos
matemáticos para representar los diferentes componentes del problema” (p. 6).
SUBMIT
M O D E LO S D E S C RI PT I V O S M O D E LO S N O RM AT I V O S
M O D E LO S D E S C RI PT I V O S M O D E LO S N O RM AT I V O S
Se llaman también modelos de optimización. Son prescriptivos, pues marcan un
curso de acción que debe tomar el administrador para alcanzar el objetivo
propuesto. La situación planteada responde a modelos normativos, ya que busca
maximizar los beneficios de Silban S.A. por medio de la óptima fabricación de
sillas y bancos.
Nro. Características
SUBMIT
Una vez adquiridos los conceptos básicos sobre CA/IO y los modelos
matemáticos, podemos concluir a modo de síntesis, que el problema
planteado:
C O NT I NU A R
LECCIÓN 3 de 3
Referencias
Introducción
Fases de un estudio de IO
Referencias
LECCIÓN 1 de 4
Introducción
Esta lectura tiene como objetivo conocer estas fases en el estudio de IO. A tal
fin, retomamos la situación problemática presentada en la lectura anterior:
Horas máquina
1 2
cortadora
Materia prima
3 1
(madera)
C O NT I NU A R
LECCIÓN 2 de 4
Como indica Taha (2012): “El tipo y complejidad del modelo matemático
determina la naturaleza del método de solución” (p. 5).
De lo expresado se deduce la importancia de una correcta definición del
problema.
Por este motivo hay que tener en cuenta lo que expresó Taha (2012): “La
técnica de IO más importante es la programación lineal. Está diseñada para
modelos con funciones objetivo y restricciones lineales” (p. 5).
a) Algoritmos
–
“Un algoritmo es un conjunto de procedimientos, que cuando se
siguen en forma ordenada, proporcionan una solución óptima a un
problema” (Davis-McKeown, 1995, p. 12).
b) Simulación
–
Emula o ‘simula’ la conducta del problema para un conjunto definido de
condiciones de entrada. Se utiliza cuando el problema no puede resolverse en
forma analítica (matemática). Se analiza la conducta del modelo para determinar
el mejor curso de acción.
c) Heurística
–
Son procedimientos de búsqueda que intentan pasar de un punto de solución a
otro para mejorar el objetivo del modelo con cada movimiento sucesivo. Estos
métodos dan una solución aproximada aceptable. Puede también obtenerse una
o más soluciones aproximadas. Se utilizan cuando el planteamiento matemático
de un problema es complejo y una solución analítica no es viable o cuando la
simulación no es práctica debido al tiempo excesivo de procesamiento.
SUBMIT
C O NT I NU A R
LECCIÓN 3 de 4
Fases de un estudio de IO
SUBMIT
Ahora sí podemos vincular nuestro ejemplo con cada una de las fases del
estudio de la IO:
2. Definir
la función objetivo: cantidad de sillas y bancos a producir que
maximicen las ganancias de la fábrica.
3. Establecer
las restricciones: las horas de trabajo de la máquina cortadora de
madera y la cantidad de materia prima (madera) necesaria para producir
cada producto.
C O NT I NU A R
LECCIÓN 4 de 4
Referencias
Como hemos visto en las lecturas anteriores, las relaciones y las características
entre las variables del problema que se trate definen los tipos de programación
matemática.
El objetivo de la presente lectura es abordar la temática relacionada con la
programación lineal en cuanto al planteo del problema y sus características.
Video conceptual
Referencias
LECCIÓN 1 de 4
Horas máquina
1 2
cortadora
Materia prima
3 1
(madera)
2 La función objetivo
3 Las restricciones
x: silla
y: banco
Con este análisis, nos aseguramos la coherencia que las variables de decisión
siguen teniendo en la función objetivo, es decir, siguen teniendo el mismo sentido
que les dimos al principio (siguen siendo cantidades o unidades de sillas y
bancos), solo que Z ahora está expresada en $ que es, en definitiva, su verdadera
magnitud, ya que hablamos de beneficios.
Pero si nos quedamos aquí, podríamos decir que las ganancias de la empresa se
harían cada vez más grandes si se fabrican y venden grandes cantidades de sillas
y bancos, especialmente de bancos que es el que más ganancia deja. Entonces la
función objetivo crecería sin límites. Eso no es real porque existen restricciones.
En este caso, son restricciones de tiempo en horas máquina de la cortadora de
madera y de kilogramos de materia prima (madera).
Analicemos lo expuesto:
x + 2y < = 8, ¿la magnitud horas máquina cortadora se conserva en ambos
miembros de la desigualdad?
Para finalizar este análisis y poder resumir el planteo del problema, no debemos
olvidar lo siguiente: Las variables de decisión nunca pueden ser negativas. ¿Por
qué? porque no se pueden fabricar cantidad sillas y bancos negativos.
Variables de decisión:
x: silla
y: banco
SUBMIT
Una vez resuelto el planteo del problema, expresaremos en término teórico
al modelo de PL.
C O NT I NU A R
LECCIÓN 2 de 4
Los coeficientes c1, c2, ..., cn son números reales y se llaman coeficientes de
determinarse.
1. Un solo objetivo
–
Necesitamos ocuparnos de un objetivo a la vez. Se maximiza una única función,
por ejemplo, el objetivo en nuestro problema es maximizar los beneficios de la
empresa y saber que cada silla tiene una utilidad de $2000 y cada banco de
$3000.
2. Restricciones
–
La maximización o minimización de un objetivo está sujeta a restricciones. La
disponibilidad de los recursos escasos limita la producción a niveles que puedan
alcanzarse con los recursos disponibles. “Si no existiera esta restricción sería
posible fabricar una cantidad ilimitada de productos, lo cual, por supuesto, es
totalmente irreal. Esas limitaciones de los niveles de producción se denominan
restricciones” (Davis y McKeown, 1995, p. 25).
En nuestra situación problemática, las restricciones están dadas por los recursos
que se necesitan para la fabricación en horas máquinas, en el uso de la cortadora
de madera y en la cantidad de materia prima (madera) para la producción.
3. Proporcionalidad o linealidad
–
La relación entre la función objetivo y las variables de decisión (nivel de
fabricación de cada producto) debe ser proporcional. Igualmente, la relaciones
entre las restricciones y el nivel de fabricación de los productos también debe ser
proporcional (lineales).
En nuestro problema se puede visualizar que tanto la función objetivo como las
restricciones están en función de variables de decisión: silla (x) y banco (y); todas,
expresiones lineales:
z= 2000x + 3000y
SA:
x + 2y < = 8
3x + y < = 9
4. Divisibilidad
–
La producción de cierto tipo de productos puede expresarse mediante fracciones,
por ejemplo, se admite que el resultado arroje algún valor como: 4,33 sillas o 2,52
bancos, entre otros. Es decir, no deben ser sólo números enteros.
5. Aditividad
–
La función objetivo muestra que las partes de la misma contribuyen a la función
objetivo en forma aditiva. Esto significa que, en el caso de nuestro problema, si
deseamos agregar alguna variable de decisión más a la función objetivo, la
misma debe aportar a la meta, es decir, si buscamos maximizar beneficios no
podemos agregar una variable de decisión que reste utilidades.
6. No negatividad de los productos
–
Los productos fabricados no son valores negativos. Significa que no podemos
fabricar una cantidad negativa de sillas y/o de bancos.
7. Certidumbre
–
Significa que las utilidades, la disponibilidad de recursos escasos y las relaciones
entre los niveles de producción y los usos de los recursos se conocen con
certeza y no varían en el tiempo establecido de estudio.
En relación con la problemática planteada, significa que los $2000 de las sillas,
los $3000 de los bancos y las restricciones en recursos (horas máquina de la
cortadora y la madera como materia prima) no cambiarán en el tiempo que se
estudia y se conocen con certeza.
SUBMIT
C O NT I NU A R
LECCIÓN 3 de 4
Video conceptual
Verify to continue
We detected a high number of errors from your
connection. To continue, please confirm that
you’re a human (and not a spambot).
C O NT I NU A R
LECCIÓN 4 de 4
Referencias
C O NT I NU A R
El método gráfico
Hasta aquí sabemos plantear un problema de programación lineal (PL), pero aún no
hemos aprendido a resolverlo.
Referencias
Horas
1 2
máquina cortadora
Materia prima
3 1
(madera)
Para resolver los problemas de PL, el método gráfico que se debe seguir
incluye los siguientes pasos:
Variables de decisión:
X: Representa silla
y: Representa banco
Ahora resultará sencillo analizar el conjunto solución, teniendo como base las
condiciones de no negatividad y el sistema de inecuaciones. Si unificamos
todas las gráficas obtendremos la siguiente solución gráfica que muestra el
área común de todas las restricciones.
La región pintada de azul es la que incluye todos los puntos que son
soluciones factibles de las inecuaciones. Es aconsejable que se considere
una restricción a la vez (ordenadamente) y se vaya buscando las regiones
que son comunes a todas las restricciones.
Nuestro problema ahora será determinar el par o los pares (x, y) que
producen la máxima ganancia.
Para ampliar y para demostrar que lo realizado hasta ahora tiene sentido,
analicemos qué sucede con la función objetivo en el punto (0, 0), que es
equivalente a no fabricar ninguno de los dos productos y que por lo tanto
resulta en:
Z = 2000 x 0 + 3000 x 0 = 0
Es decir, que el beneficio que obtenemos es nulo si no hay producción de
sillas y bancos.
Gráficamente se expresa:
x1 + x2 ≥ 7700
x1 ≥ 2750
Determinadas la función objetivo y las restricciones, podemos formular el
planteo de programación lineal correspondiente con este problema:
Variable de decisión:
Casos especiales:
Esto ocurre cuando por un vértice de la región factible pasan más de dos
restricciones, por lo que una de ellas es redundante y el punto está
determinado en exceso.
SUBMIT
C O NT I NU A R
LECCIÓN 2 de 3
Referencias
De las Casas, G., y Mase, M. (2010). Álgebra. Córdoba: IES Siglo 21.
C O NT I NU A R
LECCIÓN 3 de 3
El método gráfico
–
Para la resolución de problemas de programación lineal, el método gráfico es
una técnica que se emplea cuando la función objetivo y las restricciones son
lineales, es decir, que están en función de solo dos variables de decisión.
C O NT I NU A R