Você está na página 1de 61

UNIVERSIDAD NACIONAL EXPERIMENTAL FRANCISCO DE MIRANDA REA DE TECNOLOGA DEPARTAMENTO DE GERENCIA INVESTIGACIN DE OPERACIONES PROFESOR: Dr.

JUAN LUGO MARN Tema No. 1 Introduccin a la Investigacin de operaciones y Modelacin

Introduccin La programacin matemtica es una potente tcnica de modelado usada en el proceso de toma de decisiones. Cuando se trata de resolver un problema de esta naturaleza, la primera etapa consiste en identificar las posibles decisiones que pueden tomarse; esto lleva a identificar las variables del problema concreto. Normalmente, las variables son de carcter cuantitativo y se buscan los valores que optimizan el objetivo. La segunda etapa supone determinar que decisiones resultan admisibles; esto conduce a un conjunto de restricciones que se determinan teniendo presente la naturaleza del problema en cuestin. En la tercera etapa, se calcula el costo/beneficio asociado a cada decisin admisible; esto supone determinar una funcin objetivo que asigna, a cada conjunto posible de valores para las variables que determinan una decisin, un valor de costo/beneficio. El conjunto de todos estos elementos define el problema de optimizacin. La programacin lineal (PL), que trata exclusivamente con funciones objetivos y restricciones lineales, es una parte de la programacin matemtica, y una de las reas ms importantes de la matemtica aplicada. Se utiliza en campos como la ingeniera, la economa, la gestin, y muchas otras reas de la ciencia, la tcnica y la industria. En el presente tema se introduce la programacin lineal por medio de los aspectos tericos que la definen y determinan para luego ilustrarla con varios ejemplos

seleccionados. Para empezar nuestra exposicin se hace notar que cualquier problema de programacin lineal requiere identificar cuatro componentes bsicos: 1. El conjunto de datos.

2. El conjunto de variables involucradas en el problema, junto con sus dominios respectivos de definicin. 3. El conjunto de restricciones lineales del problema que definen el conjunto de soluciones admisibles. 4. La funcin lineal que debe ser optimizada (minimizada o maximizada).

En el

presente material didctico se provee una lista de ejemplos,

prestando especial atencin en cada caso a estos cuatro elementos. La lista seleccionada no es sino una pequea muestra de la gran

cantidad de problemas de programacin lineal (PL) disponibles en las referencias. El objetivo en dicha seleccin es poder ilustrar de manera clara el alcance de la programacin lineal y ayudar a los estudiantes de este curso a familiarizarse con los cuatro elementos descritos anteriormente. Antes de iniciar con los aspectos terico prcticos de lo que implica la formulacin de Modelos de Programacin Lineal, se pretende acercar al alumno a los aspectos tericos de la Investigacin de Operaciones, haciendo especial enfsis en: los orgenes de la Investigacin de Operaciones, algunas definiciones conceptuales de la misma, y principales reas de aplicacin. Se considera fundamental tambin el revisar algunos conceptos relacionados con los Modelos dado su importancia y protagonismo que reviste en el mbito de la Investigacin de Operaciones.

Orgenes de la Investigacin de Operaciones Desde al advenimiento de la Revolucin Industrial, el mundo ha sido testigo de un crecimiento sin precedentes en el tamao y la complejidad de las organizaciones. En ese periodo de la historia, los pequeos talleres artesanales se convirtieron en las corporaciones actuales que manejan enormes cantidades de recursos humanos, tcnicos, monetarios y materiales. Conforme las organizaciones se hicieron ms complejas, tambin se hizo ms complejo el proceso de toma de decisiones. Puesto que en muchas decisiones estaba en juego la inversin de enormes cantidades de dinero, as como esfuerzos de otras naturaleza, no necesariamente monetarias, se haca imperiosa la necesidad de contar con un enfoque sistemtica y cientficamente bien soportado, para llevar a cabo el proceso de toma de decisiones en el seno de las organizaciones. Tenemos entonces que el incremento de la

complejidad organizacional, los mltiples problemas generados por esta as como la necesidad de encontrar la mejor forma de resolverlos, proporcionaron el ambiente adecuado para el surgimiento de la Investigacin de Operaciones (IO). Las races de la Investigacin de Operaciones se remontan a muchas dcadas, cuando se hicieron los primeros intentos para emplear el mtodo cientfico en la administracin de una empresa. Sin embargo, el surgimiento formal de la actividad llamada Investigacin de Operaciones, est relacionada con los servicios militares prestados a principios de la segunda guerra mundial. Debido a los esfuerzos blicos, exista una necesidad urgente de asignar recursos escasos a las distintas operaciones militares y a las actividades dentro de cada operacin, en la forma ms efectiva. Por esto, las administraciones militares americana e inglesa hicieron un llamado a un gran nmero de cientficos para que aplicaran el mtodo cientfico a ste y a otros problemas estratgicos y tcticos. De hecho, se les pidi que hicieran investigacin sobre operaciones (militares). Estos equipos de cientficos fueron los primeros equipos de IO. Con el desarrollo de mtodos efectivos para el uso del nuevo radar, estos equipos contribuyeron al triunfo del combate areo ingls. A travs de sus investigaciones para mejorar el manejo de las operaciones antisubmarinas y de proteccin, jugaron tambin un papel importante en la victoria de la batalla del Atlntico Norte. Al terminar la guerra, el xito de la Investigacin de Operaciones en las actividades blicas gener un gran inters en sus aplicaciones fuera del

campo militar. Como la explosin industrial segua su curso, los problemas causados por el aumento en la complejidad y especializacin dentro de las organizaciones pasaron de nuevo a primer plano. Comenz a ser evidente para un gran nmero de personas, incluyendo a los consultores industriales que haban trabajado con o para los equipos de IO durante la guerra, que estos problemas eran bsicamente los mismos que los enfrentados por la milicia, pero en un contexto diferente. As que los estudiosos de este nuevo enfoque encontraron el ambiente propicio para extrapolar los principios terico prcticos de la Investigacin de Operaciones del mbito de la milicia al mbito de las organizaciones, y cuando se habla de organizaciones nos referimos a estas en su definicin ms amplia: empresas manufactureras, refineras, hospitales, universidades, hoteles, etc.

Es as como, cuando comienza la dcada de 1950, estos individuos haban introducido el uso de la investigacin de operaciones en la industria, los negocios y el gobierno. Desde entonces, esta disciplina se ha desarrollado con rapidez. Aunque se ha acreditado a Gran Bretaa el inicio de la Investigacin de Operaciones como una nueva disciplina, los Estados Unidos tomaron pronto el liderazgo en este campo rpidamente creciente. La primera tcnica matemtica ampliamente aceptada en el medio de Investigacin de Operaciones fue el Mtodo Smplex de Programacin Lineal, desarrollado en 1947 por el matemtico norteamericano George B. Dantzig. Desde entonces las nuevas tcnicas se han desarrollado gracias al esfuerzo y cooperacin de las personas interesadas tanto en el rea acadmica como en el rea industrial. Otro factor que dio gran empuje al desarrollo de este campo fue el advenimiento de la computadoras. Para manejar de una manera efectiva los complejos problemas inherentes a esta disciplina, por lo general se requiere un gran nmero de clculos. Llevarlos a cabo manualmente puede resultar casi imposible. Por lo tanto, el desarrollo de la computadora, con su enorme capacidad para realizar clculos aritmticos, miles o tal vez millones de veces ms rpido que los seres humanos, fue una gran ayuda para la investigacin de operaciones. Un avance ms tuvo lugar en la dcada de 1980 con el desarrollo de las computadoras personales cada vez ms rpidas,

acompaado de buenos paquetes de software para resolver problemas de IO, esto puso las tcnicas al alcance de un gran nmero de personas. Hoy en da, literalmente millones de individuos tienen acceso a estos paquetes, lo que ha generalizado el empleo de esta disciplina a las distintas empresas en todo el mundo.

Caractersticas de la Investigacin de Operaciones Es muy notable el rpido crecimiento del tamao y la complejidad de las organizaciones (empresas) que se ha dado en estos ltimos tiempos. Tal tamao y complejidad nos hace pensar que una sola decisin equivocada puede repercutir grandemente en los intereses y objetivos de la

organizacin y en ocasiones pueden pasar aos para rectificar tal error. Tambin el ritmo de la empresa de hoy implica que las DECISIONES se tomen ms rpidamente que nunca, pues el hecho de posponer la accin

puede dar una decisiva ventaja al contrario en este mundo de alta competencia. La palpable dificultad de tomar decisiones ha hecho que el hombre se aboque en la bsqueda de una herramienta o mtodo que le permita tomar las mejores decisiones de acuerdo a los recursos disponibles y a los objetivos que persigue. Tal herramienta recibi el nombre de Investigacin de Operaciones. Cuando nos referimos a la Investigacin de Operaciones, es

importante resaltar los siguientes trminos: organizacin, sistema, grupos interdisciplinarios, objetivo y metodologa cientfica. Una organizacin puede entenderse como un sistema, en el cual existen componentes; canales que comunican tales componentes e

informacin que fluye por dichos canales. En todo sistema los componentes interactan unos con otros y tales interacciones pueden ser controlables e incontrolables. En un sistema grande, los componentes se relacionan de muchas maneras, pero no todas son importantes, o mejor dicho, no todas las interacciones tienen efectos importantes en las componentes del sistema visto como un todo. Por lo tanto es necesario que exista un procedimiento sistemtico que identifique a quienes toman decisiones y a las interacciones que tengan importancia para los objetivos de la organizacin o sistema. Uno de esos procedimientos es precisamente la Investigacin de Operaciones. La Investigacin de Operaciones desde sus inicios siempre ha estado ligada a aceptar el fenmeno de la complejidad en los distintos niveles organizacionales, partiendo del paradigma sistmico para estudiar los problemas organizacionales, por esta razn es fcil inferir que los problemas que se presentan en las organizaciones no fcilmente se pueden resolver por un slo especialista. Por el contrario son problemas multidisciplinarios, cuyo anlisis y solucin requieren de la participacin de varios

especialistas. Estos grupos interdisciplinarios, multidisciplinarios y ms recientemente transdisciplinarios, necesariamente requieren de un lenguaje comn para poder entenderse y comunicarse, donde la Investigacin de Operaciones viene a ser ese puente de comunicacin. Ya se haba mencionado que el enfoque de la Investigacin de Operaciones, es sistemtico y cientfico, se dice que es cientfico puesto que

su concepcin misma est inspirada en mtodo cientfico. En particular, el proceso de la Investigacin de Operaciones comienza por la observacin cuidadosa y la formulacin del problema y sigue con la construccin de un modelo cientfico (por lo general matemtico) que intenta abstraer la esencia del problema real. En este punto se propone la hiptesis de que el modelo es una representacin lo suficientemente precisa de las

caractersticas esenciales de la situacin real estudiada como para que las conclusiones (soluciones) obtenidas a travs del modelo sean vlidas tambin para el problema real. Esta hiptesis se verifica y modifica mediante las pruebas adecuadas. Entonces, en cierto modo, la Investigacin de Operaciones incluye la investigacin cientfica creativa de las

propiedades fundamentales de las operaciones. Sin embargo, existe ms que esto. En particular, la Investigacin de Operaciones se ocupa tambin de la administracin prctica de la organizacin. As, para tener xito, deber tambin proporcionar conclusiones positivas y claras que pueda usar el tomador de decisiones cuando las necesite. La contribucin del enfoque de Investigacin de Operaciones proviene principalmente de: 1. La estructuracin de una situacin de la vida real como un modelo matemtico, logrando una abstraccin de los elementos esenciales para que pueda buscarse una solucin que concuerde con los objetivos del tomador de decisiones. Esto implica tomar en cuenta el problema dentro del contexto del sistema completo. 2. El anlisis de la estructura de tales soluciones y el desarrollo de procedimientos sistemticos para obtenerlas. 3. El desarrollo de una solucin, incluyendo la teora matemtica si es necesario, que lleva al valor ptimo de la medida de lo que se espera del sistema (o quiz que compare los cursos de accin opcionales evaluando esta medida para cada uno).

Investigacin de operaciones y Toma de Decisiones

La toma de decisiones es un proceso que se inicia cuando una persona observa un problema y determina que es necesario resolverlo procediendo a definirlo, a formular un objetivo, reconocer las limitaciones o restricciones, a generar alternativas de solucin y evaluarlas hasta seleccionar la que le parece mejor entre el conjunto de alternativas factibles disponibles, este proceso puede se cualitativo o cuantitativo. El enfoque cualitativo se basa en la experiencia y el juicio personal, las habilidades necesarias en este enfoque son inherentes en la persona y aumentan con la prctica. En muchas ocasiones este proceso basta para tomar buenas decisiones. El enfoque cuantitativo requiere habilidades que se obtienen del estudio de herramientas matemticas que le permitan a la persona mejorar su efectividad en la toma de decisiones. Este enfoque es til cuando no se tiene experiencia con problemas similares o cuando el problema es tan complejo o importante que requiere de un anlisis exhaustivo para tener mayor posibilidad de elegir la mejor solucin. La investigacin de operaciones proporciona a los tomadores de decisiones bases cuantitativas para seleccionar las mejores decisiones y permite elevar su habilidad para hacer planes a futuro. En el ambiente socioeconmico, complementado con el enorme auge de las tecnologas de informacin y comunicacin, hacen que el escenario de los negocios hoy por hoy sean altamente competitivo y complejo, en ese contexto los mtodos tradicionales de toma de decisiones se han vuelto inoperantes e inadmisibles ya que los responsables de dirigir las actividades de las empresas e instituciones se enfrentan a situaciones complicadas, inestables y cambiantes con rapidez, que requieren de soluciones creativas y prcticas apoyadas en una base cuantitativa slida. En organizaciones grandes se hace necesario que el tomador de decisiones tenga un conocimiento bsico de las herramientas cuantitativas que utilizan los especialistas para poder trabajar en forma estrecha con ellos y ser receptivos a las soluciones y recomendaciones que se le presenten. En organizaciones pequeas puede darse que el tomador de decisiones domine las herramientas cuantitativas y l mismo las aplique para apoyarse en ellas y as tomar sus decisiones.

Investigacin de Operaciones Algunas Definiciones-

Como toda disciplina en desarrollo, la investigacin de operaciones ha ido evolucionando no slo en sus tcnicas y aplicaciones sino en la forma como la conceptualizan los diferentes autores, en la actualidad no existe solamente una definicin sino muchas, algunas demasiado generales, otras demasiado engaosas, aqu se han seleccionado algunas de las ms aceptadas y representativas. Ladefinicin de Churchman, Ackoff y Arnoff, plantean que la

Investigacin de operaciones es la aplicacin, por grupos interdisciplinarios, del mtodo cientfico a problemas relacionados con el control de las organizaciones o sistemas (hombre-mquina), a fin de que se produzcan soluciones que mejor sirvan a los objetivos de la organizacin. De sta definicin se pueden destacar los siguientes aspectos: 1. Una organizacin es un sistema formado por componentes que

se interaccionan, unas de estas interacciones pueden ser controladas y otras no. 2. En un sistema la informacin es una parte fundamental, ya que

entre las componentes fluye informacin que ocasiona la interaccin entre ellas. Tambin dentro de la estructura de los sistemas se encuentran recursos que generan interacciones. Los objetivos de la organizacin se refieren a la eficacia y eficiencia con que las componentes pueden controlarse, el control es un mecanismo de autocorreccin del sistema que permite evaluar los resultados en trminos de los objetivos establecidos. 3. La complejidad de los problemas que se presentan en las

organizaciones ya no encajan en una sola disciplina del conocimiento, se han convertido en multidisciplinario por lo cual para su anlisis y solucin se requieren grupos compuestos por especialistas de diferentes reas del conocimiento que logran comunicarse con un lenguaje comn. 4. La investigacin de operaciones es la aplicacin de la

metodologa cientfica a travs modelos matemticos, primero para representar al problema y luego para resolverlo. La definicin de la sociedad de investigacin de operaciones de la Gran Bretaa es la siguiente: La investigacin de operaciones es el abordaje de la ciencia moderna a los complejos problemas que surgen en la direccin y en la administracin de grandes sistemas de hombres, mquinas, materiales y dinero, en la industria, en los negocios, en el

gobierno y en la defensa. Su actitud diferencial consiste en desarrollar un modelo cientfico del sistema tal, que incorpore valoraciones de factores como el azar y el riesgo y mediante el cual se predigan y comparen los resultados de decisiones, estrategias o controles alternativos. Su propsito es el de ayudar a la gerencia a determinar cientficamente sus polticas y acciones.

En relacin a sta definicin deben destacarse los siguientes aspectos: 1. Generalmente se asocian los conceptos de direccin y

administracin a las empresas de tipo lucrativo, sin embargo, una empresa es un concepto ms amplio, es algo que utiliza hombres, mquinas, materiales y dinero con un propsito especfico; desde ste punto de vista, se considera como empresa desde una universidad hasta una

ensambladora de automviles. 2. Para tratar de explicar el comportamiento de un sistema

complejo, el cientfico debe representarlo en trminos de los conceptos que maneja, lo hace expresando todos los rasgos principales del sistema por medio de relaciones matemticas. A esta representacin formal se le llama modelo. 3. La esencia de un modelo es que debe ser predictivo, lo cual no

significa predecir el futuro, pero si ser capaz de indicar muchas cosas acerca de la forma en que se puede esperar que un sistema opere en una variedad de circunstancias, lo que permite valorar su vulnerabilidad. Si se conocen las debilidades del sistema se pueden tomar cursos de accin agrupados en tres categoras: A) Efectuar cambios que lleven a la empresa o parte de ella a una nueva ruta; B) Realizar un plan de toma de

decisiones; C) Instalar estrategias que generen decisiones. Cuando se aplica alguno de estos remedios, la investigacin de operaciones nos ayuda a determinar la accin menos vulnerable ante un futuro incierto. 4. El objetivo global de la investigacin de operaciones es el de

apoyar al tomador de decisiones, en cuanto ayudarlo a cumplir con su funcin basado en estudios cientficamente fundamentados.

La Investigacin de Operaciones tambin se puede definir como la aplicacin por grupos interdisciplinarios del mtodo cientfico a problemas relacionados con el control de las organizaciones o sistemas a fin de que se produzcan soluciones que mejor sirvan a los objetivos de toda la organizacin, esto se logra a travs del modelado de sistemas

probabilsticos o determinsticos a situaciones reales que se suceden en las organizaciones.

Caractersticas de la Investigacin de Operaciones. La Investigacin de Operaciones usa el mtodo cientfico para investigar el problema en cuestin. En particular, el proceso comienza por la observacin cuidadosa y la formulacin del problema incluyendo la recoleccin de datos pertinentes. La Investigacin de Operaciones adopta un punto de vista

organizacional sistmico global. De esta manera intenta resolver los conflictos de inters entre los componentes de la organizacin de forma que el resultado sea el mejor para la organizacin como un todo. La Investigacin de Operaciones intenta encontrar una mejor solucin (llamada solucin optima), para el problema bajo consideracin. En lugar de contentarse con mejorar el estado de las cosas, la meta es identificar el mejor curso de accin posible. Cuando en el mbito de la Investigacin de Operaciones se hace referencia a la solucin ptima, la misma hace referencia a la mejor solucin entre el conjunto de soluciones o alternativas factibles disponibles. En la Investigacin de Operaciones es necesario emplear el enfoque de equipo. Los equipos de IO deben incluir personal con antecedentes firmes en matemticas, estadsticas y teora de probabilidades, economa, administracin de empresas ciencias de la computacin, ingeniera, etc. El equipo tambin necesita tener la experiencia y las habilidades para permitir la consideracin adecuada de todas las ramificaciones del problema. La Investigacin de Operaciones ha desarrollado una serie de tcnicas y modelos muy tiles en el campo de la Ingeniera. Entre ellos tenemos: la Programacin No Lineal, Teora de Colas, Programacin Entera,

Programacin Dinmica, entre otras.

10

La Investigacin de Operaciones tiende a representar el problema cuantitativamente para poder analizarlo y evaluar un criterio comn.

Metodologa de la Investigacin de Operaciones

El proceso de la Investigacin de Operaciones comprende las siguientes fases: Definicin del problema. Formulacin del modelo matemtico. Solucin del modelo. Validacin del modelo. Implementacin de resultados.

Explicando en ms detalles cada una de estas tenemos:

fases

Definicin del Problema y Recoleccin de Datos: La mayor parte de los problemas prcticos con los que se enfrenta el equipo IO estn descritos inicialmente de una manera vaga. Por consiguiente, la primera actividad que se debe realizar es el estudio del sistema relevante y el desarrollo de un resumen bien definido del problema que se va a analizar. Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se puede hacer, las interrelaciones del rea bajo estudio con otras reas de la organizacin, los diferentes cursos de accin posibles, los lmites de tiempo para tomar una decisin, etc. Este proceso de definir el problema es crucial ya que afectar en forma significativa la relevancia de las conclusiones del estudio. Es difcil extraer una respuesta "correcta" a partir de un problema "equivocado"! Para formular un problema se requiere; a) identificar las componentes y variables controlables y no controlables del sistema; b) identificar los posibles cursos de accin, determinados por las componentes controlables; c) definir el marco de referencia dado por las componentes no controlables; d) definir los objetivos que se busca alcanzar y clasificarlos por orden de importancia; e) identificar las interpelaciones importantes entre las diferentes partes del sistema y encontrar las restricciones que existen.

11

Formulacin de un modelo matemtico: Una vez definido el problema, la siguiente etapa consiste en formularlo de manera conveniente para su anlisis. La forma convencional en que la investigacin de operaciones realiza esto es construyendo un modelo matemtico que represente la esencia del problema. Antes de analizar como formular los modelos de este tipo, se explorar la naturaleza general de los modelos y, en particular, la de los modelos matemticos. El modelo matemtico est constituido por relaciones matemticas (ecuaciones y desigualdades) establecidas en trminos de variables, que representa la esencia el problema que se pretende solucionar. Para construir un modelo es necesario primero definir las variables en funcin de las cuales ser establecido. Luego, se procede a determinar matemticamente cada una de las dos partes que constituyen un modelo: a) la medida de efectividad que permite conocer el nivel de logro de los objetivos y generalmente es una funcin (ecuacin) llamada funcin objetivo; b) las limitantes del problema llamadas restricciones que son un conjunto de igualdades o desigualdades que constituyen las barreras y obstculos para la consecucin del objetivo. Un modelo siempre debe ser menos complejo que el problema real, es una aproximacin abstracta de la realidad con consideraciones y

simplificaciones que hacen ms manejable el problema y permiten evaluar eficientemente las alternativas de solucin. Los modelos matemticos tienen muchas ventajas sobre una

descripcin verbal del problema. Una ventaja obvia es que el modelo matemtico describe un problema en forma mucho ms concisa. Esto tiende a hacer que toda la estructura del problema sea ms comprensible y ayude a revelar las relaciones importantes entre causa y efecto. Es decir, existen obstculos que deben evitarse al usar modelos matemticos. Un modelo es, necesariamente, una idealizacin abstracta del problema, por lo que casi siempre se requieren aproximaciones y suposiciones de simplificacin si se quiere que el modelo sea manejable (susceptible de ser resuelto).

Solucin del modelo: Resolver un modelo consiste en encontrar los valores de las variables, asociadas a las componentes controlables del sistema

12

con el propsito de optimizar, si es posible, o cuando menos mejorar la eficiencia o la efectividad del sistema dentro del marco de referencia que fijan los objetivos y las restricciones del problema. La seleccin del mtodo de solucin depende de las caractersticas del modelo. Muchos de los procedimientos de solucin tienen la caracterstica de ser iterativos, es decir buscan la solucin en base a la repeticin de la misma regla analtica hasta llegar a ella, si la hay, o cuando menos a una aproximacin.

Validacin y Prueba del modelo: El desarrollo de un modelo matemtico grande es anlogo en algunos aspectos al desarrollo de un programa de computadora grande. Cuando se completa la primera versin, es inevitable que contenga muchas fallas. El programa debe probarse de manera exhaustiva para tratar de encontrar y corregir tantos problemas como sea posible. Eventualmente, despus de una larga serie de programas mejorados, el programador (o equipo de programacin) concluye que el actual da, en general, resultados razonablemente vlidos. Aunque sin duda quedarn algunas fallas ocultas en el programa (y quiz nunca se detecten, se habrn eliminado suficientes problemas importantes como para que sea confiable utilizarlo). De manera similar, es inevitable que la primera versin de un modelo matemtico grande tenga muchas fallas. Sin duda, algunos factores relevantes no se incorporaron al modelo y algunos parmetros no se estimaron correctamente. Esto no se puede eludir dada la dificultad de la comunicacin y la compresin de todos los aspectos y sutilezas de un problema operacional complejo, as como la dificultad de recolectar datos confiables. Por lo tanto, antes de usar el modelo debe probarse

exhaustivamente para intentar identificar y corregir todas las fallas que se pueda. Con el tiempo, despus de una larga serie de modelos mejorados, el equipo de IO concluye que el modelo considerado produce resultados razonablemente vlidos. Aunque sin duda quedarn algunos problemas menores ocultos en el modelo (y quiz nunca se detecten), las fallas importantes se habrn eliminado de manera que ahora es confiable usar el modelo. Este proceso de prueba y mejoramiento de un modelo para incrementar su validez se conoce como validacin del modelo.

13

Un enfoque bastante sistemtico y usual para la prueba del modelo es emplear una prueba retrospectiva. Cuando es aplicable, esta prueba utiliza datos histricos y reconstruye el pasado para determinar si el modelo y la solucin resultante hubieran tenido un buen desempeo, de haberse usado. La comparacin de la efectividad de este desempeo hipottico con lo que en realidad ocurri, indica si el uso del modelo tiende a dar mejoras significativas sobre la prctica actual. Puede tambin indicar reas en las que el modelo tiene fallas y requiere modificaciones. Lo que es ms, el emplear las alternativas de solucin y estimar sus desempeos histricos hipotticos, se pueden reunir evidencias en cuanto a lo bien que el modelo predice los efectos relativos de los diferentes cursos de accin. Cuando se determina que el modelo y la solucin no son vlidos, es necesario iniciar nuevamente el proceso revisando cada una de las fases de la metodologa de la investigacin de operaciones.

Implantacin de la solucin: El paso final se inicia con el proceso de "vender" los hallazgos que se hicieron a lo largo del proceso a los ejecutivos o tomadores de decisiones. Una vez superado ste obstculo, se debe traducir la solucin encontrada a instrucciones y operaciones comprensibles para los individuos que intervienen en la operacin y administracin del sistema. La etapa de implantacin de una solucin se simplifica en gran medida cuando se ha propiciado la participacin de todos los involucrados en el problema en cada fase de la metodologa. Preparacin para la aplicacin del modelo Esta etapa es crtica, ya que es aqu, y slo aqu, donde se cosecharn los beneficios del estudio. Por lo tanto, es importante que el equipo de IO participe, tanto para asegurar que las soluciones del modelo se traduzcan con exactitud a un procedimiento operativo, como para corregir cualquier defecto en la solucin que salga a la luz en este momento. El xito de la puesta en prctica depende en gran parte del apoyo que proporcionen tanto la alta administracin como la gerencia operativa. Es ms probable que el equipo de IO obtenga este apoyo si ha mantenido a la administracin bien informada y ha fomentado la gua de la gerencia durante el estudio. La buena comunicacin ayuda a asegurar que el estudio logre lo que la administracin quiere y por lo tanto merezca llevarse a la prctica.

14

Tambin proporciona a la administracin el sentimiento de que el estudio es suyo y esto facilita el apoyo para la implantacin. La etapa de implantacin incluye varios pasos. Primero, el equipo de investigacin de operaciones de una cuidadosa explicacin a la gerencia operativa sobre el nuevo sistema que se va a adoptar y su relacin con la realidad operativa. En seguida, estos dos grupos comparten la responsabilidad de desarrollar los procedimientos requeridos para poner este sistema en operacin. La gerencia operativa se encarga despus de dar una capacitacin detallada al personal que participa, y se inicia entonces el nuevo curso de accin. Si tiene xito, el nuevo sistema se podr emplear durante algunos aos. Con esto en mente, el equipo de IO supervisa la experiencia inicial con la accin tomada para identificar cualquier modificacin que tenga que hacerse en el futuro. A la culminacin del estudio, es apropiado que el equipo de investigacin de operaciones documente su metodologa con suficiente claridad y detalle para que el trabajo sea reproducible. Poder obtener una rplica debe ser parte del cdigo de tica profesional del investigador de operaciones.

reas de aplicacin de la Investigacin de Operaciones Como su nombre lo dice, la investigacin de operaciones significa "hacer investigacin sobre las operaciones". Entonces, la investigacin de operaciones se aplica a problemas que se refieren a la conduccin y coordinacin de operaciones (o actividades) dentro de una organizacin. La naturaleza de la organizacin es esencialmente inmaterial y, de hecho, la investigacin de operaciones se ha aplicado de manera extensa en reas tan diversas como la manufactura, el transporte, el gobierno, las

telecomunicaciones, la planeacin financiera, el cuidado de la salud, la milicia y los servicios pblicos, por nombrar slo unas cuantas. As, la gama de aplicaciones es extraordinariamente amplia. La parte de investigacin en el nombre significa que la investigacin de operaciones usa un enfoque similar a la manera en que se lleva a cabo la investigacin en los campos cientficos establecidos. En gran medida, se usa el mtodo cientfico para investigar el problema en cuestin. (De hecho, en ocasiones se usa el trmino ciencias de la administracin como sinnimo de

15

investigacin de operaciones.) En particular, el proceso comienza por la observacin cuidadosa y la formulacin del problema incluyendo la recoleccin de los datos pertinentes. El siguiente paso es la construccin de un modelo cientfico (por lo general matemtico) que intenta abstraer la esencia del problema real. En este punto se propone la hiptesis de que el modelo es una representacin lo suficientemente precisa de las caractersticas esenciales de la situacin como para que las conclusiones (soluciones) obtenidas sean vlidas tambin para el problema real. Despus, se llevan a cabo los experimentos adecuados para probar esta hiptesis, modificarla si es necesario y eventualmente verificarla. (Con frecuencia este paso se conoce como validacin del modelo.) Entonces, en cierto modo, la investigacin e operaciones incluye la investigacin cientfica creativa de las propiedades fundamentales de las operaciones. Sin embargo, existe ms que esto. En particular, la IO se ocupa tambin de la administracin prctica de la organizacin. As, para tener xito, deber tambin proporcionar conclusiones claras que pueda usar el tomador de decisiones cuando las necesite. Una caracterstica ms de la investigacin de operaciones es su amplio punto de vista. Como se ha planteado ya anteriormente, la IO adopta un punto de vista organizacional, de esta manera, intenta resolver los conflictos de intereses entre las componentes de la organizacin de forma que el resultado sea el mejor para la organizacin completa. Esto no significa que el estudio de cada problema deba considerar en forma explcita todos los aspectos de la organizacin sino que los objetivos que se buscan deben ser consistentes con los de toda ella. Una caracterstica adicional es que la investigacin de operaciones intenta encontrar una mejor solucin, (llamada solucin ptima) para el problema bajo consideracin. (Decimos una mejor solucin y no la mejor solucin porque pueden existir muchas soluciones que empaten como la mejor.) En lugar de contentarse con mejorar el estado de las cosas, la meta es identificar el mejor curso de accin posible. Aun cuando debe interpretarse con todo cuidado en trminos de las necesidades reales de la administracin, esta "bsqueda de la optimidad" es un aspecto importante dentro de la investigacin de operaciones. Todas estas caractersticas llevan de una manera casi natural a otra. Es evidente que no puede esperarse que un solo individuo sea un experto en

16

todos lo mltiples aspectos del trabajo de investigacin de operaciones o de los problemas que se estudian; se requiere un grupo de individuos con diversos antecedentes y habilidades. Entonces, cuando se va a emprender un estudio de investigacin de operaciones completo de un nuevo problema, por lo general es necesario emplear el empleo de equipo. Este debe incluir individuos con antecedentes firmes en matemticas, estadstica y teora de probabilidades, al igual que en economa, administracin de empresas, ciencias de la computacin, ingeniera, ciencias fsicas, ciencias del

comportamiento y, por supuesto, en las tcnicas especiales de investigacin de operaciones. El equipo tambin necesita tener la experiencia y las habilidades necesarias para permitir la consideracin adecuada de todas las ramificaciones del problema a travs de la organizacin. La investigacin de operaciones ha tenido un impacto impresionante en el mejoramiento de la eficiencia de numerosas organizaciones en todo el mundo. En el proceso, la investigacin de operaciones ha hecho

contribuciones significativas al incremento de la productividad dentro de la economa de varios pases. Hay ahora ms de 30 pases que son miembros de la International Federation of Operational Research Societies (IFORS), en la que cada pas cuenta con una sociedad de investigacin de operaciones. Sin duda, el impacto de la investigacin de operaciones continuar aumentando. Por ejemplo, al inicio de la dcada de los 90, el U.S. Bureau of Labor Statistics predijo que la IO sera el rea profesional clasificada como la tercera de ms rpido crecimiento para los estudiantes universitarios en Estados Unidos, graduados entre 1990 y 2005. Pronostic tambin que, para el ao 2005, habra 100 000 personas trabajando como analistas de investigacin de operaciones.

Principales herramientas de Invetsigacin de Operaciones Cuando hablamos de herramientas en IO, nos estamos refiriendo a los diferentes modelos tericos (como por ejemplo, modelos de transporte y teora de colas), y a otras disciplinas (como matemtica, administracin, economa, etc), que se utilizan como instrumentos de trabajo habitual para el profesional de la Investigacin de Operaciones. Debe quedar claro, sin embargo, que cada da se agregan ms tipos de modelos y otras disciplinas imposibles de enumerar en este momento.

17

De la misma manera la Investigacin de Operaciones es considerada, ella misma como una herramienta al servicio de otras disciplinas. Es bien conocido que la Administracin de Negocios se ha estado beneficiando enormemente de la Investigacin de Operaciones ahora que se ha iniciado toda una revolucin con el uso de Planificacin Estratgica, Reingeniera y los programas de Calidad Total, para mencionar algunos. A continuacin presentamos una lista, no exhaustiva, de diferentes tipos de modelos que se podran considerar como herramientas de la Investigacin de Operaciones, sugerimos al lector revisarla y compararla con los contenidos de libros clsicos de I.O: 1. 2. 3. 4. 5. 6. 7. 8. 9. Modelos grficos de programacin lineal. Modelos algebraicos de programacin lineal. Redes y programacin lineal para transporte. Modelos de toma de decisin en condiciones de incertidumbre. Modelos de toma de decisin en condiciones de certeza. Modelos Bayesianos. Procesos estocsticos con cadenas de Markov. Lneas de espera (Teora de colas). Modelos de optimizacin con redes para la planeacin, ejecucin

y control de proyectos. 10. Cadenas de Markov para el reemplazo de activos fijos. 11. Modelos de inventarios determinsticos. 12. Modelos de inventarios probabilsticos. 13. Modelos de programacin dinmica y teora de juegos. 14. Modelos de simulacin para la obtencin de informacin experta. 15. Modelos heursticos de autoaprendizaje y autocorreccin.

Modelos Un modelo de decisin debe considerarse como un vehculo para resumir un problema de decisin en forma tal que haga posible la identificacin y evaluacin sistemtica de todas las alternativas de decisin del problema. Despus se llega a una decisin seleccionando la alternativa que se juzgue sea la mejor entre todas las opciones disponibles.

18

Una definicin simple pero que toma la esencia de lo que es un Modelo, es que ste es una abstraccin selectiva de la realidad. Es decir que un modelo es una representacin que idealiza simplifica y abstrae la realidad. En otras palabras podemos decir que un modelo es producto de una abstraccin de un sistema real, en el cual se eliminan las complejidades y se hacen suposiciones pertinentes, llevando al mismo tiempo aplicaciones de tcnicas matemticas, lo que conlleva a la obtencin de una

representacin simblica del mismo, tal como se muestra en la siguiente figura.

El trmino Modelo reviste especial importancia en el campo de la Investigacin de Operaciones, puesto que la misma se encarga de la toma de decisiones ptimas sobre problemas que ocurren en las organizaciones a travs del empleo de Modelos de naturaleza cuantitativa. As tenemos

entonces que los Modelos en Investigacin de Operaciones son:

Modelos de Decisin El modelo de decisin debe contener tres elementos: Alternativas de decisin, de las cuales se hace una seleccin. Restricciones, para excluir alternativas infactibles. Criterios para evaluar y clasificar alternativas factibles.

Modelos Matemticos

19

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.

Modelos de Simulacin Los modelos de simulacin difieren de los matemticos en que las relacin 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 estructurados que despus se enlazan entre si va relaciones lgicas bien definidas. Por lo tanto, las operaciones de clculos pasarn 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 est libre de inconvenientes. La elaboracin de

este modelo suele ser costoso en tiempo y recursos.

Modelos de Optimizacin Restringida Este tipo de Modelos entran en la clasificacin de Modelos

Matemticos, en estos se busca maximizar o minimizar una funcin especfica llamada objetivo, la cual depende de un nmero finito de variables, en un modelo de optimizacin restringida, stas se encuentran relacionadas a travs de una o ms restricciones. Este tipo de Modelos tienen la siguiente estructura: Optimizar z = f(x1,x2,..,xn) (1) Con las condiciones: g1(x1,x2,..,xn) g2(x1,x2,..,xn) b1 b2

...................... = ..................... gm(x1,x2,..,xn) ...bm

Cada una de las m relaciones emplea uno de los signos

,=

respecto de las constantes bi , i = 1,..,m. Los programas matemticos sin restricciones se producen cuando todas las gi y las bi son 0 i = 1,..,m.

20

Un modelo matemtico comprende principalmente tres conjuntos bsicos de elementos. Estos son: 1) variables y parmetros de decisin, 2) restricciones y 3) funcin objetivo. 1. Variables y parmetros de decisin. Las variables de

decisin son las incgnitas (o decisiones) que deben determinarse resolviendo el modelo. Los parmetros son los valores conocidos que relacionan las variables de decisin con las restricciones y funcin objetivo. Los parmetros del modelo pueden ser determinsticos o probabilsticos. 2. Restricciones. Para tener en cuenta las limitaciones

tecnolgicas, econmicas y otras del sistema, el modelo debe incluir restricciones (implcitas o explcitas) que restrinjan los valores de las variables de decisin a un rango de valores factibles. 3. Funcin objetivo. La funcin objetivo define la medida de

efectividad del sistema como una funcin matemtica de las variables de decisin.

La solucin ptima ser aquella que produzca el mejor valor de la funcin objetivo, sujeta a las restricciones.

Introduccin a la Programacin Lineal Muchas personas clasifican el desarrollo de la programacin lineal entre los avances cientficos ms importantes de mediados del siglo XX, su impacto desde 1950 ha sido extraordinario. En la actualidad es una herramienta de uso normal que ha ahorrado miles o millones de dlares a muchas compaas o negocios, incluyendo empresas medianas en los distintos pases

industrializados del mundo; su aplicacin a otros sectores de la sociedad se est ampliando con rapidez. Una proporcin muy grande de los clculos cientficos en computadoras est dedicada al uso de la programacin lineal. Cul es la naturaleza de esta notable herramienta y qu tipos de problemas puede manejar?. Expresado brevemente, el tipo ms comn de aplicacin abarca el problema general de asignar recursos limitados entre actividades competitivas de la mejor manera posible (es decir, en forma ptima). Con ms precisin, este problema incluye elegir el nivel de ciertas actividades que compiten por recursos escasos necesarios para realizarlas.

21

Despus, los niveles de actividad elegidos dictan la cantidad de cada recurso que consumir cada una de ellas. La variedad de situaciones a las que se puede aplicar esta descripcin es sin duda muy grande, y va desde la asignacin de instalaciones de produccin a los productos, hasta la asignacin de los recursos nacionales a las necesidades de un pas; desde la seleccin de una cartera de inversiones, hasta la seleccin de los patrones de envo; desde la planeacin agrcola, hasta el diseo de una terapia de radiacin, etc. No obstante, el ingrediente comn de todas estas situaciones es la necesidad de asignar recursos a las actividades eligiendo los niveles de las mismas. La programacin lineal utiliza un modelo matemtico para describir el problema. El adjetivo lineal significa que todas las funciones matemticas del modelo deber ser funciones lineales. En este caso, las palabra programacin no se refiere a programacin en computadoras; en esencia es un sinnimo de planeacin. As, la programacin lineal trata la planeacin de las actividades para obtener un resultado ptimo, esto es, el resultado que mejor alcance la meta especificada (segn el modelo matemtico) entre todas las alternativas de solucin. Aunque la asignacin de recursos a las actividades es la aplicacin ms frecuente, la programacin lineal tiene muchas otras posibilidades, de hecho, cualquier problema cuyo modelo matemtico se ajuste al formato general del modelo de programacin lineal es un problema de programacin lineal. An ms, se dispone de un procedimiento de solucin extraordinariamente eficiente llamado mtodo simplex, para resolver estos problemas, incluso los de gran tamao. Estas son algunas causas del tremendo auge de la programacin lineal en las ltimas dcadas. Los trminos clave en los Modelos de Programacin Lineal son recursos y actividades. Algunos ejemplos de recursos son dinero y tipos especiales de maquinaria, equipo, vehculos y personal. Los ejemplos de actividades incluyen inversin en proyectos especficos, publicidad en un medio

determinado y el envo de bienes de cierta fuente a cierto destino. En cualquier aplicacin de programacin lineal, puede ser que todas las actividades sean de un tipo general (como cualquiera de los ejemplos), y entonces cada una correspondera en forma individual a las alternativas especficas dentro de esta categora general.

22

El tipo ms usual de aplicacin de programacin lineal involucra la asignacin de recursos a ciertas actividades. La cantidad disponible de cada recurso est limitada, de forma que deben asignarse con todo cuidado. La determinacin de esta asignacin incluye elegir los niveles de las actividades que lograrn el mejor valor posible de la medida global de efectividad. Se llama programacin pretenden lineal al conjunto la de tcnicas siguiente:

matemticas

que

resolver

situacin

Optimizar (maximizar o minimizar) una funcin objetivo, funcin lineal de varias variables, sujeta a:

una serie de restricciones, expresadas por inecuaciones lineales. Un problema de programacin lineal en dos variables, tiene la siguiente formulacin estndar:

pudiendo cambiarse maximizar por minimizar, y el sentido de las desigualdades. En un problema de programacin lineal intervienen:

La funcin f(x,y) = ax + by + c llamada funcin

objetivo y que es necesario optimizar. En esa expresin x e y son las variables de decisin, mientras que a, b y c son constantes.

Las restricciones que deben ser inecuaciones lineales.

Su nmero depende del problema en cuestin. El carcter de desigualdad viene impuesto por las limitaciones, disponibilidades o necesidades, que son: inferiores a ... ( menores: < o mnimo de ... (mayores: > o ); como

) . Tanto si se trata de maximizar

como de minimizar, las desigualdades pueden darse en cualquiera de los dos sentidos.

Al conjunto de valores de x e y que verifican todas y

cada una de las restricciones se le denomina conjunto (o regin ) factible. Todo punto de ese conjunto puede ser solucin del problema; todo punto no perteneciente a ese conjunto no puede ser

23

solucin. En el apartado siguiente veremos como se determina la regin factible.

La solucin ptima del problema ser un par de valores

(x0, y0) del conjunto factible que haga que f(x,y) tome el valor mximo o mnimo.

Ciertos smbolos se usan de manera convencional para denotar las distintas componentes de un modelo de programacin lineal. Estos smbolos se enumeran a continuacin, junto con su interpretacin para el problema general de asignacin de recursos a actividades. Z = efectividad xj = 1,2,...,n) cj = bi = Coeficiente objetivo Vector disponibilidad o cantidad de recurso i disponible Variable de decisin o nivel de la actividad j (para j = Valor de la funcin objetivo o de la medida global de

para asignar a las actividades (para i = 1,2,...,m) aij = Coeficiente tecnolgico o cantidad del recurso i

consumido por cada unidad de la actividad j

El modelo establece el problema en trminos de tomar decisiones sobre los niveles de las actividades, por lo que x1,x2,....,xn se llaman variables de decisin. Los valores de cj, bi y aij (para i = 1,2,....,m y j = 1,2,....,n) son las constantes de entrada al modelo. Las cj, bi y aij tambin se conocen como parmetros del modelo.

Formulacin de Modelos de Programacin Lineal Para formular un problema de PL, es recomendable seguir los siguientes lineamientos generales despus de leer con atencin el

enunciado del problema varias veces. Todo programa lineal consta de cuatro partes: un conjunto de variables de decisin, los parmetros, la funcin objetivo y un conjunto de restricciones. Al formular un determinado problema de decisin en forma matemtica, debe practicar la comprensin del problema (es decir, formular

24

un Modelo Mental) leyendo detenidamente una y otra vez el enunciado del problema. Mientras trata de comprender el problema, formlese las siguientes preguntas generales: 1. Cules son las variables de decisin? Es decir, cules

son las entradas controlables? Defina las variables de decisin con precisin utilizando nombres descriptivos. Recuerde que las entradas controlables tambin se conocen como actividades controlables, variables de decisin y actividades de decisin. 2. Cules son los parmetros? Vale decir cules son las

entradas no controlables? Por lo general, son los valores numricos constantes dados. Defina los parmetros con precisin utilizando nombres descriptivos. 3. Cul es el objetivo? Cul es la funcin objetivo? Es

decir, qu quiere el dueo del problema? De qu manera se relaciona el objetivo con las variables de decisin del dueo del problema? Es un problema de maximizacin o minimizacin? El objetivo debe representar la meta del decisor. 4. Cules son las restricciones? Es decir, qu

requerimientos se deben cumplir? Debera utilizar un tipo de restriccin de desigualdad o igualdad? Cules son las conexiones entre las variables? Escrbalas con palabras antes de volcarlas en forma matemtica.

Recuerde que la regin factible tiene poco o nada que ver con la funcin objetivo (minim. o maxim.). Estas dos partes en cualquier formulacin de PL generalmente provienen de dos fuentes distintas. La funcin objetivo se establece para cumplir con el deseo (objetivo) del decisor mientras que las restricciones que forman la regin factible generalmente provienen del entorno del decisor que fija algunas

limitaciones / condiciones para lograr su objetivo.

A continuacin, se incluye un problema ilustrativo muy sencillo. Sin embargo, el abordaje del problema es igual para una gran variedad de problemas de toma de decisin, mientras que el tamao o la complejidad

25

pueden variar. El primer ejemplo es un problema de mix de productos y el segundo es un problema de mezcla.

Ejemplo No. 1: El Problema del Carpintero Durante un par de sesiones de tormenta de ideas con un carpintero (nuestro cliente), ste nos comunica que slo fabrica mesas y sillas y que vende todas las mesas y las sillas que fabrica en un mercado. Sin embargo, no tiene un ingreso estable y desea optimizar esta situacin. El objetivo es determinar cuntas mesas y sillas debera fabricar para maximizar sus ingresos netos. Comenzamos concentrndonos en un horizonte de tiempo, es decir, un plazo de planificacin, , para revisar nuestra solucin semanalmente, si fuera necesario. Para saber ms acerca de este problema, debemos ir al negocio del carpintero y observar lo que sucede y medir lo que necesitamos para para formular (para crear un modelo de) su problema. Debemos confirmar que su objetivo es maximizar sus ingresos netos. Debemos comunicarnos con el cliente. El problema del carpintero se trata de determinar cuntas mesas y sillas debe fabricar por semana; pero primero se debe establecer una funcin objetivo La funcin objetivo es: 5X1 + 3X2, donde X1 y X2 representan la cantidad de mesas y sillas; y 5 y 3 representan los ingresos netos (por ejemplo, en dlares o dcimas de dlares) de la venta de una mesa y una silla, respectivamente. Los factores limitantes, que

normalmente provienen del exterior, son las limitaciones de la mano de obra (esta limitacin proviene de la familia del carpintero) y los recursos de materia prima (esta limitacin proviene de la entrega programada). Se miden los tiempos de produccin requeridos para una mesa y una silla en distintos momentos del da y se calculan en 2 horas y 1 hora, respectivamente. Las horas laborales totales por semana son slo 40. La materia prima requerida para una mesa y una silla es de 1 y 2 unidades, respectivamente. El abastecimiento total de materia prima es de 50 unidades por semana. En consecuencia, la formulacin de PL es la siguiente:

Maximizar 5 X1 + 3 X2

26

Sujeta a: 2 X1 + X2 <= 40 restriccin de mano de obra X1 + 2 X2 <= 50 restriccin de materiales

Tanto X1 como X2 son no negativas.

Este es un modelo matemtico para el problema del carpintero. Las variables de decisin, es decir, las entradas controlables son X1, y X2. La salida o el resultado de este modelo son los ingresos netos totales 5 X1 + 3 X2. Todas las funciones empleadas en este modelo son lineales (las variables de decisin estn elevadas a la primera potencia). El coeficiente de estas restricciones se denomina denomina Factores Tecnolgicos (matriz). El perodo de revisin es de una semana, un perodo conveniente dentro del cual es menos probable que cambien (flucten) las entradas controlables (todos los parmetros tales como 5, 50, 2,..). Incluso en un plazo de planificacin tan corto, debemos realizar el anlisis what-if o de hiptesis para responder a cualquier cambio en estas entradas a los efectos de controlar el problema, es decir, actualizar la solucin prescripta. Ntese que dado que el Carpintero no va a ir a la quiebra al final del plazo de planificacin, agregamos las condiciones que tanto X1 como X2 deben ser no negativas en lugar de los requerimientos que X1 y X2 deben ser nmeros enteros positivos. Recuerde que las condiciones de no negatividad tambin se denominan "restricciones implcitas". Nuevamente, un Programa Lineal funcionara bien para este problema si el Carpintero contina fabricando estos productos. Los artculos parciales simplemente se contaran como trabajos en proceso y finalmente se transformaran en productos terminados, en la siguiente semana.

Ejemplo No. 2: Un Problema de Mezcla

El taller LUBEOIL se especializa en cambios de aceite del motor y regulacin del sistema elctrico. El beneficio por cambio del aceite es $7 y de $15 por regulacin. Joe tiene un cliente fijo con cuya flota, le garantiza 30 cambios de aceite por semana. Cada cambio de aceite requiere de 20

27

minutos de trabajo y $8 de insumos. Una regulacin toma una hora de trabajo y gasta $15 en insumos. LUBEOIL paga a los mecnicos $10 por hora de trabajo y emplea actualmente a dos de ellos, cada uno de los cuales labora 40 horas por semana. Las compras de insumos no pueden alcanzar un valor mayor de $1.750 semanales. LUBEOIL desea maximizar el beneficio total. Formule el problema. Esto es una pregunta de programacin linear. Una porcin de un cambio del aceite o del ajuste no es factible.

X1 = Cambios del aceite X2 = Regulacin de Sistema Elctrico

Maximizar 7X1 + 15X2

Sujeta a: X1 >= 30 Cuenta De la Flota 20X1 + 60X2 <= 4800 Tiempo de Trabajo 8X1 + 15X2 <= 1750 X1 >=0, X2 >= 0. Costo de Materias Primas

Supuestos de la programacin lineal.

Existe un nmero de suposiciones realizadas en cada modelo. La utilidad de un modelo est directamente relacionada con la realidad de los supuestos. El primer supuesto tiene que ver con la forma lineal de las funciones. Ya que el objetivo es lineal, la contribucin al objetivo de cualquier decisin es proporcional al valor de la variable de decisin. Producir dos veces ms de producto producir dos veces ms de ganacia, contratando el doble de pginas en las revistas doblar el costo relacionado con las revistas. Es una Suposicin de Proporcin. Adems, la contribucin de una variable a la funcin objetivo es independiente de los valores de las otras variables. La ganancia con una computadora Notebook es de determinadas unidades monetarias,

28

independientemente de cuantas computadoras Desktop se producen. Este es un Supuesto de Adicin. Anlogamente, ya que cada restriccin es lineal, la

contribucin de cada variable al lado izquierdo de cada restriccin es proporcional al valor de la variable e independiente de los valores de cualquier ora variable. Estas suposiciones son bastante restrictivas. Veremos, sin embargo, que ser claros y precisos en la formulacin del modelo puede ayudar a manejar situaciones que parecen en un comienzo como lejanos a estos supuestos. El siguiente supuesto es la Suposicin de ser Divisible. Es posible tomar una fraccin de cualquier variable. Por ejemplo, en un problema de marketing, qu significa comprar 2.67 avisos en la televisin?. Es posible que la suposicin de ser divisible sea insatisfecha en este ejemplo. O puede ser que tales unidades de 2.67 avisos correspondan a 2,666.7 minutos de avisos, en cuyo caso redondeando la solucin seran 2,667 minutos con una mnima duda que est cercana a la solucin ptima. Si la suposicin de divisible no es vlida, entonces se usar la tcnica de Programacin Lineal Entera. La ltima suposicin es el Supuesto de Certeza. La Programacin Lineal no permite incertidumbre en los valores. Ser difcil que un problema cumpla con todas las

suposiciones de manera exacta. Pero esto no negar la factibilidad de uso del modelo. Un modelo puede ser an til aunque difiera de la realidad, si se es consistente con los requerimientos ms estrictos dentro del modelo y se tiene claras sus limitaciones al interpretar los resultados.

Existen limitaciones prcticas para el uso de la PL. Una se relaciona con los clculos. En general se necesita una computadora. Desafortunadamente, las calculadoras, aun las programables, son poco tiles, puesto que la PL tiene necesidad de gran cantidad de memoria o almacenamiento. Si no se tiene acceso a una computadora, se estar limitado a problemas muy sencillos. La otra limitacin se refiere al costo de formular un problema de PL. En teora, podra usarse PL, por ejemplo, para hacer las compras semanales de abarrotes. Sin embargo, sera necesario

29

conocer todas las compras posibles que pueden realizarse (stas seran las variables), adems de cada restriccin como sabor, nmero de comidas, vitaminas y protenas. Es obvio que el costo de obtener todos estos datos excede lo que se podra ahorrar si se hicieran las compras ptimas. Antes de emprender una aplicacin de PL, debe considerarse la disponibilidad y el costo de los datos necesarios.

Ejemplos de Formulacin de Modelos de Programacin Lineal

Ejemplo 1: Decisiones de Fabricacin o Compra Ejemplo: EL PROBLEMA DE MEZCLA DE PRODUCTOS DE BLUBBERMAID, INC. BlubberMaid, Inc, fabrica tres productos de caucho: Airtex (material esponjoso), Extendex (material elstico) y Resistex (material rgido). Los tres productos requieren los mismos tres polmeros qumicos y una base. La cantidad de cada ingrediente usada por libra del producto final se muestra en la tabla
TABLA. INGREDIENTES USADOS EN LA PRODUCCION DE AIRTEX, EXTENDEX Y RESISTEX INGREDIENTE (oz/lb de producto) PRODUCTO POLMERO A POLMERO B POLMERO C BASE Airtex 4 2 4 6 Extendex 3 2 2 9 Resistex 6 3 5 2

BlubberMaid, Inc, tiene el compromiso de producir al menos 1000 libras de Airtex, 500 libras de Extendex y 400 libras de Resistex para la prxima semana, pero la gerencia de la compaa sabe que puede vender ms de cada uno de los tres productos. Los inventarios actuales de los ingredientes son 500 libras del polmero A, 425 libras del polmero B, 650 libras del polmero C y 1100 libras de base. Cada libra de Airtex produce a la compaa una ganancia de $7, cada libra de Extendex una ganancia de $7 y cada libra de Resistex una ganancia de $6. Como gerente del departamento de produccin, usted necesita determinar un plan de produccin ptimo para esta semana.

30

Solucin: Identificacin de las variables de decisin. Siguiendo los pasos de la formulacin de problemas, primero identifique las variables de decisin. Pregntese lo que puede controlar y la informacin que constituye un plan de produccin, esto lo debe llevar a identificar las siguientes variables: A: el nmero de libras de Airtex por producir esta semana E: el nmero de libras de Extendex por producir esta semana R: el nmero de libras de Resistex por producir esta semana

Identificacin de la funcin objetivo. Para BlubberMaid, el objetivo lgico es determinar cunto fabricar de cada producto para maximizar la ganancia total. Al aplicar la tcnica de descomposicin se llega a:

Ganancia Total=ganancia de Airtex+ ganancia de Extendex+ ganancia de Resistex

Como cada libra de Airtex produce una ganancia de $7, A libras de Airtex produce $7 A. De manera similar, Extendex y Resistex contribuyen con $7E y $6R, respectivamente, a la ganancia total. En trminos de las variables de decisin y de los datos de ganancia, la funcin objetivo es: Maximizar 7A+7E+6R

Identificacin de las restricciones Aplicar la tcnica de agrupamiento lo debe conducir a identificar los siguientes tres grupos de restricciones:

1. Restricciones de recursos para asegurar que no se usen ms de los tres polmeros y la base que estn disponibles. 2. Restricciones de demanda para asegurar que se cumplan los compromisos de la compaa.

31

3. Restricciones lgicas para especificar que todas las cantidades de produccin son no negativas.

RESTRICCIONES DE RECURSOS Este grupo consiste en cuatro restricciones: una para cada uno de los tres polmeros y una para la base. Para la disponibilidad limitada de 500 libras del polmero A:

Cantidad empleada del polmero A 500 libras

El uso de la descomposicin lleva a:

Cantidad empleada del polmero A= (cantidad empleada para producir A libras de Airtex) + (cantidad empleada para producir E libras de Extendex) + (cantidad empleada para producir R libras de Resistex)

Para determinar la cantidad del polmero A usada en la fabricacin de cada producto, trabaje con un ejemplo especfico. Por ejemplo, fije A=100, E=300 y R=200. De acuerdo con los datos de la tabla 1:

Cantidad del polmero A empleada en Airtex = 4(100) = 400 Cantidad del polmero A empleada en Extendex = 3(300) = 900 Cantidad del polmero A empleada en Resistex = 6(200) = 1200

Entonces, en trminos de las variables de decisin, podra pensar que la restriccin apropiada para el polmero A es:

4 A + 3 E + 6 R 500

Sin embargo, esta restriccin no es correcta. La razn es que las unidades en la expresin de la izquierda estn en onzas, pero las unidades de la derecha estn en libras. Esta discrepancia puede corregirse convirtiendo las

32

unidades de cualquier lada a las del otro lado. Por ejemplo, al convertir las 500 libras disponibles del polmero A a 800 onzas (1 libra es igual a 16 onzas) se obtiene la siguiente restriccin:

4 A + 3 E + 6 R 8000

(polmero A)

Siguiendo una lgica similar para los tres resultados de recursos restantes en estas restricciones:

2 A + 2 E + 3 R 6800 4 A + 2 E + 5 R 10400 6 A + 9 E + 2 R 17600 RESTRICCIONES DE DEMANDA

(polmero B) (polmero C) (base)

Este grupo consiste en tres restricciones: una para el requerimiento mnimo sobre la cantidad de cada uno de los tres productos. Estas restricciones son

A 1000 E 500 R 400

(Airtex) (Extendex) (Resistex)

RESTRICCIONES LGICAS Como todas las cantidades de produccin deben ser no negativas, se necesitan las siguientes restricciones lgicas:

A, E, R 0 Formulacin completa y solucin del problema de mezcla de productos de BlubberMaid, Inc. Como gerente del departamento de produccin, usted junta todas las piezas, lo que resulta en el siguiente modelo matemtico del problema de programacin lineal de BlubberMaid, Inc.

Maximizar Dependiendo de

7A+7E+6R

33

RESTRICCIONES DE RECURSOS A E R 1000 500 400 (Airtex) (Extendex) (Resistex)

RESTRICCIONES LGICAS A E R 0

Formulacin completa y solucin del problema de mezcla de productos de BlubberMaid, Inc. Como gerente del departamento de produccin, usted junta todas las piezas, lo que resulta en el siguiente modelo matemtico del problema de programacin lineal de BlubberMaid, Inc.

Maximizar Dependiendo de

7A+7E+6R

RESTRICCIONES DE RECURSOS A E R 1000 500 400 (Airtex) (Extendex) (Resistex)

RESTRICCIONES LGICAS

Ejemplo 2: Decisiones de Fabricacin o Compra Ejemplo: EL PROBLEMA DE HACER O COMPRAR DE MTV STEEL COMPANY

34

MTV Steel Company produce tres tamaos de tubos: A, B y C, que son vendidos, respectivamente en $10, $12 y $9 por pie. Para fabricar cada pie del tubo A se requieren 0.5 minutos de tiempo de procesamiento sobre un tipo particular de mquina de modelado. Cada pie del tubo B requiere 0.45 minutos y cada pie del tubo C requiere 0.6 minutos. Despus de la produccin, cada pie de tubo, sin importar el tipo, requiere 1 onza de material de soldar. El costo total se estima en $3, $4 y $4 por pie de los tubos A, B y C, respectivamente. Para la siguiente semana, MTV Steel ha recibido pedidos excepcionalmente grandes que totalizan 2000 pies del tubo A, 4000 pies del tubo B y 5000 pies del tubo C. Como slo se disponen de 40 horas de tiempo de mquina esta semana y slo se tienen en inventario 5500 onzas de material de soldar, el departamento de produccin no podr satisfacer esta demanda, que requiere un total de 97 horas de tiempo de mquina y 11000 onzas de material de soldar. No se espera que contine este alto nivel de demanda. En vez de expandir la capacidad de las instalaciones de produccin, la gerencia de MTV Steel est considerando la compra de algunos de estos tubos a pro-veedores de Japn a un costo de entrega de $6 por pie del tubo A, $6 por pie del tubo B y $7 por pie del tubo C. Estos diversos datos se resumen en la tabla 2. Como gerente del departamento de produccin, se le ha pedido hacer recomendaciones respecto a la cantidad de produccin de cada tipo de tubo y la cantidad de compra a Japn para satisfacer la demanda y maximizar las ganancias de la compaa.
TABLA 2. DATOS PARA EL PROBLEMA DE HACER O COMPRAR DE MTV STEEL PRECIO DE VENTA ($/ft) A 10 B 12 C 9 Cantidad disponible TIPO DEMANDA TIEMPO DE MATERIAL COSTO DE COSTO DE MQUINA PARA SOLDARPRODUCCIN COMPRA (ft) (min/ft) (oz/ft) ($/ft) ($/ft) 2000 0.50 1 3 6 4000 0.45 1 4 6 5000 0.60 1 4 7 40 hr 5500 oz

Solucin:

Identificacin de las variables de decisin

35

En este problema, tiene libertad para elegir cuntos pies de cada tipo de tubo producir y cuntos pies comprar a Japn. Esto da como resultado las siguientes seis variables de decisin:

AP= el nmero de pies de tubo de tipo A por producir BP= el nmero de pies de tubo de tipo B por producir CP= el nmero de pies de tubo de tipo C por producir

AJ= el nmero de pies de tubo de tipo A que comprar a Japn BJ= el nmero de pies de tubo de tipo B que comprar a Japn CJ= el nmero de pies de tubo de tipo C que comprar a Japn

Identificacin de la funcin objetivo. Como se estableci en la descripcin del problema, el objetivo global es maximizar las ganancias totales. Si aplicamos la descomposicin se obtiene:

Ganancias Totales=

(ganancias de la produccin)+ (ganancias de los

productos comprados a Japn)

Si aplicamos la descomposicin a las ganancias de la produccin tenemos:

Ganancias de la produccin= (ganancias de producir el tubo de tipo A)+ (ganancias de producir el tubo de tipo B)+ (ganancias de producir el tubo de tipo C)

Cada una de estas ganancias, a su vez, se calcula como el ingreso menos el costo por pie. Por ejemplo, como los tubos del tipo A se venden a $10 por pie pero su produccin cuesta $3, la ganancia neta es $7 por pie. Por tanto, la ganancia por producir AP pies de tubo del tipo A es 7 AP. similar para los tubos de los tipos B y C tiene como resultado: Ganancias de la produccin= 7 AP+ 8 BP + 5 CP Un clculo

Aplicando una descomposicin y lgica similares a los productos comprados a Japn se tiene:

36

Ganancias de los productos comprados a Japn= 4 AJ+ 6 BJ+ 2 CJ Como esperara, cada pie de tubo producido tiene como resultado una ganancia ms alta que cada pie de tubo comprado del proveedor externo. La combinacin de estos dos componentes de ganancia resulta en la siguiente funcin objetivo global:

Maximizar CJ

7 AP+ 8 BP+ 5 CP+ 4 AJ+ 6 BJ+ 2

La aplicacin de la descomposicin lleva a:

Tiempo de mquina= (tiempo de mquina usado para producir tubo de tipo A)+ total usado tipo B)+ (tiempo de mquina usado para producir tubo de tipo C) (tiempo de mquina usado para producir tubo de

Recuerde de la tabla 2 que cada pie del tubo A requiere 0.5 minutos de tiempo de mquina. Por tanto, para producir AP pies se requiere 0.5AP minutos. De manera anloga, cada pie de tubo B requiere 0.45 minutos y cada pie de tubo C requiere 0.6 minutos. La restriccin es:

0.5AP+ 0.45BP+ 0.6CP 40

Sin embargo, observe que la cantidad del lado izquierdo se expresa en minutos, mientras que la de la derecha se expresa en horas. Una forma de corregir esta inconsistencia es convertir 40 horas en 40 * 60= 2400 minutos:

0.5AP+ 0.45BP+ 0.6CP 2400 (tiempo de mquina) Regresando a la disponibilidad de material para soldar, la asociada es: restriccin

37

El material para soldar total no debe exceder las 5500 onzas

Aplicando la descomposicin y recordando que cada pie de tubo, sin importar el tipo, requiere 1 onza de material para soldar, esta restriccin de recursos es:

AP+ BP+ CP 5500 soldar) RESTRICCIONES DE DEMANDA

(material para

Este grupo est constituido por tres restricciones, una para la demanda asociada con cada tipo de tubo. Para el tubo A:

Nmero total de pies del tubo de tipo A= 2000 pies

Aplicando la descomposicin:

Nmero total de pies del tubo de tipo A Japn)

=(nmero de pies de tipo A producidos)+ (nmero de pies de tipo A comprados a

= AP+ AJ

En consecuencia, la restriccin de demanda del tubo de tipo A es:

AP+ AJ = 2000 (demanda del tipo A) Una lgica similar da como resultado las siguientes restricciones de demanda para los tubos de tipo B y C:

BP+ BJ = 4000 CP+ CJ = 5500

(demanda del tipo B) (demanda del tipo C)

RESTRICCIONES LGICAS La nica restriccin lgica en este problema es que todas las variables deben ser no negativas.

38

Formulacin completa y solucin del problema de fabricacin o compra de MTV Steel Company Una vez que se unen todas las piezas, da por resultado el modelo de programacin lineal siguiente para el problema de MTV Steel Company:

Maximizar Dependiendo de

7AP+ 8BP+ 5CP+ 4AJ+ 6BJ+ 2CJ

RESTRICCIONES DE DEMANDA AP tipo A) BP tipo B) CP tipo C) +CJ = 5500 (demanda del + BJ = 4000 (demanda del + AJ = 2000 (demanda del

RESTRICCIONES DE RECURSOS

0.5AP+ 0.45BP+ 0.6CP AP+ BP+ CP

2400 5500

(tiempo de mquina) (tiempo para soldar)

RESTRICCIONES LGICAS

AP

BP

CP

AJ

BJ

CJ

La solucin ptima a este problema, obtenida con un paquete de software de programacin lineal, es: AP = 2000.000 BP = 0.000

CP = 2333.333 AJ = 0.000

BJ = 4000.000 CJ = 2666.667

39

Con una ganancia neta de $55000. En otras palabras, MTV Steel debera producir 2000 pies de tubo de tipo A y 2333.333 pies de tubo C e importar 4000 pies de tubo de tipo B y 2666.667 pies de tubo de tipo C de Japn.

Ejemplo 3: Problemas de Dietas Ejemplo: EL PROBLEMA DE DIETAS DEL HOSPITAL GENERAL MOUNTAIN VIEW El Departamento de Nutricin del Hospital General Mountain View prepara 30 mens de cena, uno para cada da del mes. Una comida consiste en espagueti, pavo, papas en escalope, espinacas y pastel de manzana. Como director del Departamento de Nutricin, usted ha determinado que esta comida debe proporcionar 63000 miligramos (mg) de protenas, 10 mg de hierro, 15 mg de niacina, 1 mg de tiamina y 50 mg de vitamina C. Cada 100 gramos de esta comida proporciona la cantidad de cada nutriente y grasas indicadas en la tabla 3.
TABLA 3. NUTRIENTES PROPORCIONADOS POR LAS DISTINTAS COMIDAS NUTRIENTE (mg/100g) HIERRO TIACINA 1.1 1.4 1.8 5.4 0.5 0.9 2.2 0.5 1.2 0.6

PROTENAS Espagueti 5000 Pavo 29300 Papas 5300 Espinacas 3000 Pastel de manzana 4000

TIAMINA 0.18 0.06 0.06 0.07 0.15

VITAMINA C 0.0 0.0 10.0 28.0 3.0

GRASA 5000 5000 7900 300 14300

Para evitar la demasiada cantidad de un tipo de comida, no debe incluirse en ella ms de 300 gramos de espagueti, 300 gramos de pavo, 200 gramos de papas, 100 gramos de espinacas y 100 gramos de pastel de manzana. Como director del departamento de nutricin, usted desea determinar la composicin de una comida que satisface los requerimientos nutricionales y proporciona la mnima cantidad de grasas.

Solucin:

Identificacin de las variables de decisin.

40

En este problema, usted puede controlar la cantidad de cada uno de los cinco alimentos que incluir en la comida, lo que lo lleva a definir las siguientes cinco variables:

SPAG= el nmero de 100 gramos de espagueti que incluir PAVO= el nmero de 100 gramos de pavo que incluir PAPA= el nmero de 100 gramos de papas que incluir SPIN= el nmero de 100 gramos de espinacas que incluir MANZ= el nmero de 100 gramos de espinacas que incluir

Por conveniencia, se ha escogido que las unidades de las variables se den en cientos de gramos porque sas son las unidades usadas en la tabla 3. Identificacin de la funcin objetivo. Como se estableci en la descripcin del problema, el objetivo global es minimizar el contenido de grasas totales de la dieta. Aplicando los resultados de descomposicin en lo siguiente:

Contenido de grasas totales= (grasa aportada por el espagueti)+ (grasa aportada por el pavo)+ (grasa aportada por las papas)+ (grasa aportada por las espinacas)+ (grasa aportada por el pastel de manzana)

Si usa los datos de la ltima columna de la tabla 3 y trabaja con un ejemplo especfico debe llegar a identificar el siguiente objetivo global:

Minimizar 14300MANZ

5000SPAG+

5000PAVO+

7900PAPA+

300SPIN+

Identificacin de las restricciones La aplicacin de la tcnica de agrupamiento lo conduce a los siguientes tres grupos de restricciones:

41

1. Restricciones de nutrientes para asegurar que la comida proporciona la cantidad mnima de cada nutriente. 2. Restricciones de lmite para asegurar que no se incluya demasiada cantidad de un tipo de comida (por ejemplo, solicitar a un paciente que coma 1000 gramos de espinacas). 3. Restricciones lgicas para asegurar que todas las variables sean no negativas.

REQUERIMIENTOS DE NUTRIENTES Este grupo consiste en cinco restricciones, una para asegurar la cantidad mnima de cada uno de los cinco nutrientes. Considere el requerimiento de protenas:

Cantidad total de protenas en la comida 63000 mg Aplicando la descomposicin:

Cantidad total de Protenas en la comida

= (cantidad de protenas del espagueti)+ (cantidad de protenas del pavo)+ (cantidad de protenas de las papas)+ (cantidad de protenas de las espinacas)+ (cantidad de protenas del pastel de

manzana)

Refirase a la primera columna de la tabla 3. Cada 100 gramos de espagueti contienen 5000 mg de protenas. Por tanto, SPAG cien gramos de esta comida proporciona 5000SPAG mg de protenas a la comida. De manera similar, usando los datos restantes de la primera columna de la tabla 3 da como resultado la siguiente restriccin para protenas: 5000SPAG+ 29300PAVO+ 5300PAPA+ 3000SPIN+ 4000MANZ 63000 (protenas)

Aunque las unidades de las variables se expresan en cientos de gramos, las unidades de ambos lados de la restriccin anterior estn en miligramos.

42

Usando las siguientes cuatro columnas de datos de la tabla 3 obtenemos las siguientes restricciones similares para cada uno de los siguientes cuatro nutrientes:

1.1SPAG + 1.8PAVO + 0.5PAPA + 2.2SPIN + 1.2MANZ 1.4SPAG + 5.4PAVO + 0.9PAPA + 0.5SPIN + 0.6MANZ

10 (hierro) 15 (niacina) (tiamina) 50

0.18SPAG+ 0.06PAVO+ 0.06PAPA+ 0.07SPIN+ 0.15MANZ 1 10PAPA+ (vitamina C) 28SPIN+

3MANZ

RESTRICCIONES DE LMITE Estas restricciones limitan la cantidad mxima de cada tipo de alimento en la comida. Teniendo en mente que las unidades de las variables estn en cientos de gramos, surgen las siguientes restricciones de lmite:

SPAG 3 PAVO 3 PAPA 2 SPIN 1 MANZ 1

RESTRICCIONES LGICAS La nica restriccin lgica en este problema es que todas las variables son no negativas.

Formulacin completa y solucin del problema de dietas del Hospital General Mountain View Toda esta informacin da como resultado el siguiente modelo de

programacin lineal para el problema del Hospital General Mountian View:

Minimizar 5000SPAG+ 14300MANZ 5000PAVO+ 7900PAPA+ 300SPIN+

43

Dependiendo de

REQUERIMIENTOS DE NUTRIENTES 5000SPAG+ 29300PAVO+ 5300PAPA+ 3000SPIN+ 4000MANZ (protenas) 1.1SPAG+ (hierro) 1.4SPAG+ (niacina) 0.18SPAG+ (tiamina) 10PAPA+ 50 (vitamina C) 28SPIN+ 3MANZ 0.06PAVO+ 0.06PAPA+ 0.07SPIN+ 0.15MANZ 1 5.4PAVO+ 0.9PAPA+ 0.5SPIN+ 0.6MANZ 15 1.8PAVO+ 0.5PAPA+ 2.2SPIN+ 1.2MANZ 10 63000

RESTRICCIONES DEL LMITE

SPAG 3 PAVO 3 PAPA 2 SPIN 1 MANZ 1

RESTRICCIONES LGICAS

SPAG,

PAVO,

PAPA,

SPIN, MANZ

44

Con un contenido de grasa de 54800 miligramos. En otras palabras, la comida debera consistir en 300 gramos de espagueti, 283.3 gramos de pavo, 200 gramos de papas, 100 gramos de espinacas y 66.7 gramos de pastel de manzana.

Ejemplo 4: Administracin de Cartera de Valores Ejemplo: EL PROBLEMA DE INVERSIN DE PENSION PLANNERS, INC. Al gerente de cartera de PensionvPlanners, Inc. se le ha pedido invertir $1 000 000 de un gran fondo de pensiones. El departamento de investigacin de Inversiones ha identificado seis fondos mutuos con estrategias de inversin variables, resultando en diferencia rendimientos potenciales y riesgos asociados, como se resume en la tabla 4.
TABLA 4. RIESGO Y TASA ESPERADA DE RENDIMIENTOS DE SEIS FONDOS DE INVERSIN FONDO Precio ($/accin) Devolucin esperada (%) Categora de riesgo 1 45 30 Alto 2 76 20 Alto 3 110 15 Alto 4 17 12 Mediano 5 23 10 Mediano 6 22 7 Bajo

Una forma de controlar el riesgo es limitar la cantidad de dinero invertido en los diversos fondos. Para ese fin, la administracin de Pension Planners, Inc. ha especificado las siguientes pautas:

1. La cantidad total invertida en fondos de alto riesgo debe estar entre 50 y 75% de la cartera. 2. La cantidad total invertida en fondos de mediano riesgo debe estar entre 20 y 30% de la cartera. 3. La cantidad total invertida en fondos de bajo riesgo debe ser al menos de 5% de la cartera.

Una segunda forma de controlar el riesgo es diversificar, esto es, esparcir el riesgo invirtiendo en muchas alternativas diferentes. La gerencia de Pension Planners, Inc, ha especificado que la cantidad invertida en los fondos de alto riesgo 1, 2 y 3 deben estar en la tasa 1:2:3, respectivamente. La cantidad invertida en los fondos de mediano riesgo 4 y 5 debe ser 1:2.

45

Con estas pautas, qu cartera debera usted, gerente de cartera, recomendar para maximizar la tasa esperada de retorno? Solucin:

Identificacin de las variables de decisin. En este problema, usted puede controlar cunto invertir en cada uno de los seis fondos mutuos, dando as origen a seis variables de decisin. Como siempre, debe especificar las unidades asociadas con cada variable. Por ejemplo, para el fondo 1, podra definir cualquiera de las siguientes variables:

F1 = el nmero de acciones del fondo 1 por comprar F1 = el nmero de dlares por invertir en el fondo 1 F1 = la fraccin de la agenda por invertir en el fondo 1

Cada opcin conduce a un modelo matemtico diferente pero equivalente. Aqu se utiliza la ltima opcin. As que, para cada uno de los fondos restantes, defina:

F2 = la fraccin de la cartera por invertir en el fondo 2 F3 = la fraccin de la cartera por invertir en el fondo 3 F4 = la fraccin de la cartera por invertir en el fondo 4

RESTRICCIONES DE LIMITACIN DE INVERSIN Este grupo consiste en tres subgrupos de restricciones, uno para cada categora de riesgo, a saber:

1. La cantidad total invertida en fondos de alto riesgo debe estar entre 50 y 75% de la cartera. Como F1, F2 y F3 representan la fraccin de la cartera por invertir en fondos de alto riesgo, la fraccin de la cartera total invertida en fondos de alto riesgo es F1 + F2 + F3. Estas restricciones son

46

F1 + F2 + F3 0.50 (mnimo en alto riesgo) F1 + F2 + F3 0.75 (mximo en alto riesgo)

2. La cantidad total invertida en fondos de mediano riesgo debe estar entre 20 y 30% de la cartera. Como F4 y F5 representan la fraccin de cartera por invertir en fondos de mediano riesgo, la fraccin de la cartera total invertida en fondos de mediano riesgo es F4 + F5. Estas restricciones son:

F4 + F5 riesgo) F4 + F5 riesgo)

0.20

(mnimo en mediano

0.30

(mximo en alto

Formulacin completa y solucin del problema de inversin de Pension Planners, Inc.

A continuacin se muestra el modelo de programacin lineal completo para los socios generales de Pension Planners, Inc:

Maximizar Dependiendo de

0.30F1+ 0.20F2+ 0.15F3+ 0.12F4+ 0.10F5+ 0.07F6

RESTRICCIONES DE LIMITACIN DE INVERSIN

F1+ F1+

F2+ F2+

F3 F3 F4+ F5

0.50 (mnimo en alto riesgo) 0.75 (mximo en alto riesgo) 0.20 (mnimo en mediano

riesgo)

47

F4+ riesgo)

F5

0.30 (mximo en mediano

F6

0.05 (mnimo en bajo riesgo)

RESTRICCIONES DE DIVERSIFICACIN

-2F1 -3F 1

+ +

F2 F3 -2F4 + F5

=0 =0 =0

(proporcin de F1 a F2) (proporcin de F1 a F3) (proporcin de F4 a F5)

RESTRICCIONES LGICAS

F1

F2

F3

F4

F5

F6

= 1.0

(cartera

total) F1 + F2 + F3 + F4 + F5 + F6 0

La solucin ptima para este problema que cualquier paquete de software de programacin lineal produce es: F1 = 0.1250 F2 = 0.2500 F3 = 0.3750 F4 = 0.0667 F5 = 0.1333 F6 = 0.0500

Cada una tasa de rendimiento de 0.168583. En otras palabras, la cantidad de dinero invertido en cada uno de los seis fondos es:

Cantidad en el fondo 1 = 0.1250 * 1 000 000 = $ Cantidad en el fondo 2 = 0.2500 * 1 000 000 = $ Cantidad en el fondo 3 = 0.3750 * 1 000 000 = $ Cantidad en el fondo 4 = 0.0667 * 1 000 000 = $ Cantidad en el fondo 5 = 0.1333 * 1 000 000 = $ Cantidad en el fondo 6 = 0.0500 * 1 000 000 = $ Inversin Total

125 000 250 000 375 000 66 700 133 300 50 000

= $ 1 000 000

48

con una tasa de rendimiento esperado de 16. 86% (o $ 168 600). Recuerde que las variables de decisin se definen como la fraccin de la cartera a invertir, en vez de la cantidad de dlares. Este enfoque tiene una ventaja clara. Si la cantidad de dlares de la cartera cambia, un evento probable, el modelo actual permanece inalterado. Simplemente necesita multiplicar las fracciones obtenidas en la solucin anterior por el nuevo tamao de la cartera para determinar las nuevas cantidades a invertir en cada uno de los seis fondos.

Ejemplo 5: Problemas de Mezclas Ejemplo: EL PROBLEMA DE MEZCLADO DE GASOLINA DE HEXXON OIL COMPANY Hexxon Oil Company obtiene tres tipos de petrleo crudo de sus pozos de Mississippi, Nuevo Mxico y Texas. La gasolina obtenida de estos petrleos crudos se mezcla junto con dos aditivos para obtener el producto final. Estos petrleos crudos y aditivos contienen azufre, plomo y fsforo, como se muestra en la tabla 5. El costo de cada componente tambin se presenta. Debido a los residuos e impurezas, cada galn de petrleo crudo de Mississipi resulta slo en 0.35 de galn del producto final, que contiene 0.07% de azufre. De manera similar, cada galn de crudo de Nuevo Mxico produce 0.40 de galn del producto final que contiene 0.08% de sulfuro y cada galn de crudo de Texas resulta en 0.30 de galn del producto final que contiene 0.10% de azufre. La gerencia ha establecido las siguientes especificaciones para controlar las cantidades de azufre, plomo y fsforo: 1. Cada galn debe tener a lo ms 0.07% de azufre 2. Cada galn debe tener entre 1.25 y 2.5 gramos de plomo 3. Cada galn debe tener entre 0.0025 y 0.0045 gramos de fsforo 4. La cantidad total de los aditivos no puede exceder de 19% de la mezcla
TABLA 5. COMPOSICIN Y COSTO DE LOS COMPONENTES DE MEZCLA PETROLEOS CRUDOS Mississippi Nuevo Mxico Texas 0.07 0.08 0.10 0.55 0.47 0.33 ADITIVOS 1 2 7 6 0.025 0.02 0.08 0.12

Azufre (%) Plomo (g/gal) Fsforo (g/gal) Costo ($/gal)

49

Como gerente de produccin, determine un plan de mezclado que produzca una gasolina aceptable al mnimo costo.

Si aplicamos la descomposicin llegamos a

Cantidad de gasolina = (cantidad producida del petrleo crudo de Mississippi)+ (cantidad producida del petrleo crudo de NuevoMxico)+ (cantidad producida del petrleo crudo de Texas)+ (cantidad del aditivo 1)+ (cantidad del aditivo 2) Recuerde que cada galn de crudo de Mississippi produce slo 0.35 de galn de gasolina. Por tanto, XM galones de este crudo producen 0.35XM galones de gasolina. De manera similar, como cada galn de petrleo crudo de Nuevo Mxico produce 0.40 de galn de gasolina y cada galn de petrleo crudo de Texas resulta en 0.30 de galn de gasolina, esta restriccin es

0.35XM + 0.40XN (produccin)

+ 0.30XT

+ A1

+ A2

= 1.0

RESTRICCIONES DE COMPOSICION DE MEZCLADO Este grupo consiste en tres conjuntos de restricciones, uno por cada una de las limitaciones de azufre, plomo y fsforo en la mezcla final. Por ejemplo, para el azufre:

Proporcin de azufre en la mezcla 0.0007

(esto es, 0.07%)

Aplicando la descomposicin,

50

Sin embargo, de la restriccin de produccin anterior, la cantidad total de la mezcla es precisamente 1 galn, as que lo nico que se necesita calcular es la cantidad de azufre en la mezcla. Aplicando la descomposicin,

Cantidad

de

azufre

(cantidad

de

azufre

del

petrleo

crudo

de

Mississippi)+ en la mezcla Mxico)+ (cantidad de azufre del petrleo crudo de Texas)+ (cantidad de azufre del aditivo 1)+ (cantidad de azufre del aditivo 2) De acuerdo con la tabla 5, cada galn de petrleo crudo de Mississippi produce 0.35 de galn de gasolina que contiene 0.07% de azufre. Por tanto, XM galones de este petrleo crudo produce 0.35 XM galones que contienen 0.07% de azufre. As (cantidad de azufre del petrleo crudo de Nuevo

Cantidad de azufre del petrleo crudo de Mississippi = 0.0007 * 0.35Xm = 0.000245XM Observando que los aditivos no aportan azufre, y aplicando una lgica similar a los otros dos resultados de petrleos crudos en la siguiente restriccin de azufre:

0.35 * 0.0007XM + 0.40 * 0.0008XN + 0.30 * 0.001XT 0.0007 o 0.000245XM + 0.00032XN + 0.0003XT 0.0007 (azufre)

Existen lmites inferiores y superiores sobre las cantidades de plomo y azufre en la mezcla final. Aplicando el mismo razonamiento usado en el desarrollo de la restriccin de azufre, se obtienen las siguientes cuatro restricciones para plomo y fsforo:

7 A1 + 6 A2 2.50 7 A1 + 6 A2 1.25

(lmite superior en plomo) (lmite inferior en plomo)

0.025 A1 + 0.02 A2

0.0045 (lmite superior en fsforo)

51

0.025 A1 + 0.02 A2

0.0025 (lmite inferior en fsforo)

Finalmente, existe la limitacin de que la mezcla contenga a lo ms 19% de aditivos. Por tanto, el total de A1 y A2 debe ser de a lo ms 0.19 de galn, resultando las siguientes restricciones:

A1 + A2 0.19 aditivos) RESTRICCIONES LGICAS

(lmite superior en

La nica restriccin lgica es que todas las variables sean no negativas.

Formulacin completa y solucin del problema de mezclas de la Hexxon Oil Company Como gerente de produccin de Hexxon Oil Company, rene toda esta informacin en el siguiente modelo de programacin lineal:

Minimizar

0.55XM + 0.47XN + 0.33XT + 0.08 A1 + 0.12 A2

Dependiendo de

RESTRICCIONES DE PRODUCIN

0.35XM + 0.40XN + 0.30XT + A1 + A2 = 1.0

(produccin)

RESTRICCIONES DE COMPOSICION DE MEZCLADO

0.000245XM + 0.00032XN + 0.0003XT 0.0007 7 A1 + plomo) 7 A1 + plomo) 0.025 A1 + fsforo) 0.025 A1 + fsforo) 0.02 A2 0.0025 0.02 A2 0.0045 6 A2 1.25 6 A2 2.50

(azufre) (lmite superior en

(lmite inferior en

(lmite superior en

(lmite inferior en

52

A1 + aditivos)

A2 0.19

(lmite superior en

RESTRICCIN LGICA

XM , XN , XT , A1 , A2 0 La solucin ptima a este problema, que resulta de usar cualquier paquete de software de programacin lineal, es

XM = 0.0000 XN = 1.3750 XT = 0.8667 A1 = 0.1400 A2 = 0.0500

con una valor de funcin objetivo de 0.94945. En otras palabras, cada galn de producto final se fabrica mezclando y procesando 1.3750 galones de petrleo crudo de Nuevo Mxico y 0.8667 de galn de petrleo crudo de Texas con 0.14 de galn de aditivo 1 y 0.05 de galn de aditivo 2, a un costo total de 94.945 centavos.

Ejemplo 6: Planeacin de Produccin Agregada Ejemplo: EL PROBLEMA DE PLANEACIN DE PRODUCCIN DE NATIONAL STEEL CORPORATION National Steel Corporation (NSC) produce un acero especial usado en las industrias de aviacin y aeroespaciales. El departamento de ventas de NSC ha recibido pedidos de 2400, 2200, 2700 y 2500 toneladas de acero para cada uno de los siguientes 4 meses. NSC puede satisfacer estas demandas produciendo el acero, extrayndolo de su inventario, o usando cualquier combinacin de las dos alternativas. Se proyecta que los costos de produccin por tonelada de acero durante cada uno de los siguientes cuatro meses sean de $7400, $7500, $7600 y $7650. Como los costos suben cada mes, debido a las presiones inflacionarias, tal vez sea mejor que NSC produzca ms acero del que

53

necesita en un mes determinado y que almacene el exceso. La capacidad de produccin, sin embargo, no puede exceder las 4000 toneladas en ningn mes. La produccin mensual se termina al final del mes, cuando la demanda se satisface. Cualquier acero remanente se almacena en inventario a un costo de $120 por tonelada por cada mes que permanece all. Estos datos se resumen en la tabla 6

TABLA 6. DATOS PARA EL PROBLEMA DE PRODUCCIN-PLANEACIN DE NSC MES Demanda (tons) Costo de produccin ($/ton) Costo de inventario ($/ton/mes) 1 2400 7400 120 2 2200 7500 120 3 2700 7600 120 4 2500 7650 120

Si el nivel de produccin se incrementa de un mes al siguiente, entonces la compaa incurre en un costo de $50 por tonelada de produccin incrementada para cubrir la mano de obra adicional y/o el tiempo extra. Cada tonelada de produccin disminuida incurre en un costo de $30 para cubrir los beneficios de empleados no utilizados. El nivel de produccin durante el mes anterior fue de 1800 toneladas, y el inventario que comienza es de 1000 toneladas. El inventario al final del cuarto mes debe ser de al menos 1500 toneladas para cubrir la demanda anticipada. Formule un plan de produccin para NSC que minimice los costos totales en los siguientes 4 meses.

Solucin: Identificacin de las variables de decisin En este problema, usted tiene la libertad para elegir cuntas toneladas de acero producir cada mes para satisfacer la demanda. Surgen cuatro variables:

X1 = el nmero de toneladas de acero por producir durante el mes 1 X2 = el nmero de toneladas de acero por producir durante el mes 2 X3 = el nmero de toneladas de acero por producir durante el mes 3

54

X4 = el nmero de toneladas de acero por producir durante el mes 4

A primera vista, usted podra pensar que stas son todas las variables que se requieren. Con estas variables, siempre puede determinar la cantidad en inventario. Por ejemplo, del diagrama esquemtico de la figura 1, el inventario al final del primer mes es

Inventario al final del mes 1 = inventario inicial + cantidad de produccin demanda = 1000 + X1 2400 Cantidad de produccin (X1)

Inventario de inicio (I1=1000) Demanda (D1=2400)

Inventario de Terminacin (I )

Figura 1. Relacin entre niveles de inventario, produccin y demanda Sin embargo, escribir el inventario al final del segundo, tercero y subsecuentes meses es ms complicado. Por ejemplo, para el mes 2:

Inventario al demanda final del mes 2

= inventario inicial+ cantidad de produccin-

= (1000 + X1 2400) + X2 2200

Para simplificar, es conveniente crear otras cinco variables para representar los niveles de inventario al principio de cada mes: I1 = inventario en toneladas al principio del mes 1 I2 = inventario en toneladas al principio del mes 2 I3 = inventario en toneladas al principio del mes 3 I4 = inventario en toneladas al principio del mes 4

55

I5 = inventario en toneladas al principio del mes 5

Identificacin de la funcin objetivo Como se estableci en la descripcin del problema, el objetivo global es minimizar los costos totales sobre el horizonte de planeacin de 4 meses. Si aplicamos la descomposicin para identificar tres componentes de costo diferentes llegamos a

Costos totales = costos de produccin+ costos de inventario+ costos del cambio en la produccin

COSTOS DE PRODUCCIN Aplicando nuevamente la descomposicin se identifican los costos de produccin como la suma de los costos de produccin en cada uno de los 4 meses. Usando las variables de produccin X1, X2, X3, X4, junto con los costos de produccin por toneladas de la tabla 6, llegamos a

Costos de produccin = 7400X1 + 7500X2 + 7600X3 + 7650X4

COSTOS DE INVENTARIO Una descomposicin similar produce un costo de inventario total como la suma de los costos de inventario durante cada uno de los cuatro meses. Como los niveles de inventario cambian solamente al final del mes, todos los inventarios al principio del mes incurren en un costo de $120 por tonelada para ese mes. Usando las variables I1, I2, I3, I4 llegamos a

Costos de inventario = 120I1 + 120I2 + 120I3 + 120I4

Observe que I5 no se incluye en esta porcin porque el objetivo es minimizar los costos totales solamente en los siguientes 4 meses, e I5 incurre en costos durante el quinto mes.

COSTOS DEL CAMBIO EN LA PRODUCCION

56

Para determinar los costos del cambio en la produccin de un mes al siguiente, trabaje con un ejemplo especfico en el que, digamos X1 = 100 y X2 = 300. En este caso, existe un incremento de 300 100 = 200 toneladas de acero del mes 1 al mes 2. Por tanto, a un costo de $50 por tonelada de incremento, Costo del cambio en la produccin = (300 100) * 50 = $10 000 Usando este ejemplo, podra escribir la siguiente expresin general:

Costo del cambio en la produccin = (X2 X1) * 50

Sin embargo, qu sucede si X1=300 y X2=100? Esto es, qu pasa si el nivel de produccin disminuye? En este caso, la expresin anterior resulta en un costo de (100 300) * 50= -$10 000, es decir, una ganancia de $10 000, que no tiene sentido. En vez de esto, a un costo de $30 por tonelada de decremento, la expresin correcta es

Costo del cambio en la produccin = (300 100) * 30 = $6000

En general, cuando el nivel de produccin disminuye del mes 1 al mes 2, la expresin correcta es

Costo del cambio en la produccin = (X1 X2) * 30 combinando con las expresiones para resultados de incremento y

decremento se obtienen los siguientes costos del cambio en la produccin del mes 1 al mes 2:

Costo del cambio en la produccin = (incremento)

50(X2 X1), si X2 X1

30(X1 X2), si X1 >X2 (decremento)

Como los valores de X1 y X2 son por ahora desconocidos, la cuestin es cmo combinar estos dos casos en una sola expresin.

57

Una forma de abordar esto es creando variables de decisin adicionales cuyos valores son precisamente las cantidades de produccin incrementada y decrementada de un mes al siguiente. Esto es,

S1 = el nmero de toneladas de produccin incrementada en el mes 1 D1 = el nmero de toneladas de produccin decrementada en el mes 1

S2 = el nmero de toneladas de produccin incrementada en el mes 2 D2 = el nmero de toneladas de produccin decrementada en el mes 2

S3 = el nmero de toneladas de produccin incrementada en el mes 3 D3 = el nmero de toneladas de produccin decrementada en el mes 3

S4 = el nmero de toneladas de produccin incrementada en el mes 4 D4 = el nmero de toneladas de produccin decrementada en el mes 4 Los valores de estas variables dependen de los niveles de produccin. Por ejemplo, cuando X2=300 y X1=100, usted desea que S2 sea 200 y D2, 0. Si X2=100 y X1=300, desea que S2 sea 0 y D2, 200. Las restricciones que aseguran las relaciones adecuadas entre estas variables se identifican en la siguiente seccin.

Con estas nuevas variables, cuando S1 es positiva, D1 debe ser 0. De manera similar, cuando D1 es positiva, S1 debe ser 0. Por tanto, los costos del cambio en la produccin para el primer mes son 50S1+ 30D1. Por consiguiente, los costos totales del cambio en la produccin son:

Costos del cambio = (costo del cambio en la produccin en el mes 1)+ en la produccin (costo del cambio en la produccin en el mes 2)+ (costo del cambio en la produccin en el mes 3)+ (costo del cambio en la produccin en el mes 4)+ = (50S1+ 30D1) + (50S2+ 30D2)+ (50S3+ 30D3) + (50S4+ 30D4)

FUNCIN OBJETIVO COMPLETA

58

La combinacin de los tres componentes de costo da como resultado la siguiente funcin objetivo global:

Minimizar costos totales = 7400X1 + 7500X2 + 7600X3 + 7650X4 + 120I1 + 120I2 + 120I3 + 120I4 + 50S1 + 30D1 + 50S2 + 30D2 + 50S3 + 30D3 + 50S4 + 30D4

Identificacin de las restricciones Aplicando la tcnica de agrupamiento debe llegar a identificar los siguientes seis grupos de restricciones:

1. Restricciones de inventario inicial y final para asegurar los adecuados niveles de inventario de inicio y fin 2. Restricciones de limitacin de produccin para asegurar que la produccin de cualquier mes dado no exceda de 4000 toneladas 3. Restricciones de equilibrio de inventario para asegurar la adecuada relacin entre las variables de produccin y las de inventario 4. Las restricciones de cambio en la produccin para asegurar la adecuada relacin entre las variables de produccin y las de cambio en la produccin 5. Restricciones de demanda para asegurar que se satisfagan las demandas cada mes 6. Restricciones lgicas para asegurar que todas las variables son no negativas

RESTRICCIONES DE INVENTARIO INICIAL Y FINAL En palabras, las dos restricciones en este grupo son: 1. El nivel de inventario inicial es de 1000 toneladas 2. El nivel de inventario final debe ser al menos de 1500 toneladas

59

Como I1 e I5 representan los inventarios inicial y final al principio y final del perodo de planeacin de 4 meses, respectivamente, estas restricciones son:

I1 = 1000 I5 1500

(inventario de inicio) (inventario final)

RESTRICCIONES DE LIMITACIN DE PRODUCCIN La produccin en cualquier mes no puede exceder las 4000 toneladas, as que las cuatro restricciones en este grupo son X1 4000 (lmite en el mes 1) X2 4000 (lmite en el mes 2) X3 4000 (lmite en el mes 3) X4 4000 (lmite en el mes 4)

60

Bibliografa

Anderson, D.; Sweeney, D.; Williams, T. (2004). Mtodos cuantitativos para los negocios. Mxico. Editorial Thomson.

Eppen, G.; Gould, F. J.; Moore, J.; Schmidt. C.; Weatherford, L. (1998). Investigacin de Operaciones en la Ciencia Administrativa. Mxico. Editorial Prentice Hall

Hillier, F.; Liberman, G. (2001). Investigacin de Operaciones. Mxico. Editorial Mc. Graw Hill.

Mathur, K.; Solow, D (1996). Investigacin de Operaciones. El arte de la toma de decisiones. Mxico. Prentice Hall.

Taha, H. (2004). Investigacin de Operaciones. Mxico. Perason Prentice Hall.

Wayne, W. (2005). Investigacin de Operaciones. Aplicaciones y Algoritmos. Mxico. Editorial Thomson.

61