You are on page 1of 10

CLASIFICACIN DE LOS MODELOS: SEGN SU ESTRUCTURA

Muchos problemas de decisin implican un gran nmero de factores o Variables importantes o pueden tener muchas opciones a considerar por lo que se hace necesario la utilizacin de computadoras para su solucin. Por ejemplo una empresa puede contar con varias fbricas donde produce bienes para enviar a cientos de clientes. Decidir la programacin de las fbricas y determinar cuales de ellas deben atender a cuales clientes, para minimizar costos, implica cientos de variables y restricciones que pueden tener millones de posibles soluciones. Los modelos de programacin lineal y programacin entera son las tcnicas ms utilizadas para resolver problemas grandes y complejos de negocios de este tipo. En ellos se aplican tcnicas matemticas para hallar el valor mximo (o el mnimo) de un objetivo sujeto a un conjunto de restricciones. La simulacin es una tcnica para crear modelos de sistemas grandes y complejos que incluyen incertidumbre. Se disea un modelo para repetir el comportamiento del sistema. Este tipo de modelo se basa en la divisin del sistema en mdulos bsicos o elementales que se enlazan entre s mediante relaciones lgicas bien definidas. El desarrollo de un modelo de simulacin es muy costoso en tiempo y recursos. Problemas dinmicos los problemas dinmicos de decisin implican un tipo particular de complejidad cuando hay una secuencia de decisiones interrelacionadas a travs de varios perodos. Por ejemplo modelos de inventario, para determinar cuando pedir mercadera y cuanto debe

mantenerse en existencia; los modelos PERT o de ruta Critica para la programacin de proyectos y los modelos de colas para problemas que involucran congestin.

En los problemas complejos pueden aparecer variables exgenas o variables externas, importantes para el problema de decisin, pero que estn condicionadas por factores que estn fuera del control de la persona que decide, tales como condiciones econmicas, acciones de los competidores, precios de las materias primas y otros factores similares. Las restricciones pueden considerar ciertas polticas definidas por la empresa tales como que los materiales tienen que adquirirse a determinados proveedores o que deben mantenerse ciertos niveles de calidad. La investigacin de operaciones, tiene mtodos de optimizacin aplicables a los siguientes tipos de problemas: METODOS DETERMINISTICOS: es un modelo matemtico donde las mismas entradas producirn invariablemente las mismas salidas, no contemplndose la existencia del azar ni el principio de incertidumbre. Est estrechamente relacionado con la creacin de entornos simulados a travs de simuladores para el estudio de situaciones hipotticas, o para crear sistemas de gestin que permitan disminuir la incertidumbre. Los modelos determinista slo pueden ser adecuados para sistemas deterministas, para sistemas azarosos y caticos los modelos deterministas no pueden predecir adecuadamente la mayor parte de sus caractersticas. La inclusin de mayor complejidad en las relaciones con una cantidad mayor de variables y elementos ajenos al modelo determinstico har posible que ste se aproxime a un modelo probabilstico o de enfoque estocstico.

Ej, Programacin lineal, programacin entera, probabilidad de transporte, programacin no lineal, teora de

localizacin o redes, probabilidad de asignacin, programacin por metas, teora de inventarios, etc. METODOS PROBABILISTICOS: La estocstica proviene del griego estocastics (la pronunciacin de ), que significa "relativo al azar", pero no el azar que nosotros conocemos, sino el azar-azar. Por tanto, no se rige por normas estadsticas o probabilsticas, como pudiera ser el arrojar una moneda, donde tendras las posibilidades ciertas de que caiga de cara o de ceca. All hay azar, pero predecibilidad: solo tiene dos caras. Un ejemplo de un proceso estocstico es la bolsa de comercio, donde una empresa agrcola puede ir en alza, pero por determinado factor climtico perder sus cosechas, aunque la plantacin, el desarrollo de la cosecha sea excelente, el riego excelente, la fumigacin excelente... y aunque todas las predicciones probabilsticas te indiquen que vas viento en popa. Esa inundacin, esa helada, esa plaga, es esa variable no controlable o imprevisible que "se mete" en el proceso y es la que d de cara contra el suelo a todo.

Ej. Cadenas de Markov, teora de juegos, lneas de espera, teora de inventarios, etc.

METODOS HIBRIDOS: Tienen que ver con los mtodos determnisticos y probabilsticos como la teora de inventarios. METODOS HEURISTICOS: Son las soluciones basadas en la experiencia, como la programacin heurstica. Un Analista de investigacin de Operaciones debe elegir el plan de accin ms efectivo para lograr las metas de la organizacin, debe seleccionar un conjunto de medidas de desempeo, utilizar una unidad monetaria y tomar decisiones, debe seguir un proceso general de solucin, en cualquier situacin,

durante la toma de decisiones. Deben establecerse los criterios de tomas de decisiones (Costos, Cantidades, Mximos, Mnimos etc), seleccionar las alternativas, determinar un modelo y evaluarlo, integrar la informacin cuantitativa obtenida para luego decidir. Muchas veces hay que incorporar factores cualitativos tales como el nimo y el liderazgo en la organizacin, problemas de empleo, contaminacin u otras de responsabilidad social. Nota: el proceso de abstraccin (idealizacin restriccin y simplificacin) siempre introduce algn grado de error en las soluciones obtenidas, por lo que el ejecutivo no debe volverse incondicional de un modelo cuantitativo y adoptar automticamente sus conclusiones como la decisin correcta. La cuantificacin es una ayuda para el juicio empresarial y no un sustituto de este. Los modelos planteados se conocen como modelos determinsticos. En contraste, en algunos casos, quiz no se conozcan con certeza los datos, ms bin se determinan a travs de distribuciones de probabilidad, se da cabida a la naturaleza probabilistica de los fenmenos naturales. Esto da orgen a los as llamados modelos probabilsticos o estocsticos. Las dificultades evidentes en los clculos de los modelos matemticos han obligado a los analistas a buscar otros mtodos de clculo que aunque no garantizan la optimalidad de la solucin final, buscan una buena solucin al problema. Tales mtodos se denominan heuristicos. Suelen emplearse con dos fines: En el contexto de un algoritmo de optimizacin exacto, con el fin de aumentar la velocidad del proceso. En segundo lugar para obtener una solucin al problema aunque no ptima, la que puede ser muy difcil encontrar. MODELOS DE OPTIMIZACIN RESTRINGIDA En un problema de optimizacin se busca maximizar o minimizar una

cantidad 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. El planteamiento de este modelo se conoce como programa matemtico. Los programas matemticos tienen la forma: Optimizar z = f(x1,x2,..,xn) (1) Con las condiciones: g1(x1,x2,..,xn) ...b1 g2(x1,x2,..,xn) 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. Programacin Lineal Un programa matemtico (1) es lineal si f(x1,x2,..,xn) y cada gi(x1,x2,..,xn) j = 1,..,m son lineales en cada uno de sus argumentos, es decir f(x1,x2,..,xn) = c1x1 + c2x2 + ... + cnxn y gi(x1,x2,..,xn) = ai1x1 + ai2x2 + ... + ainxn donde las cj y las aij (i = 1,..m; j = 1, .. n) son constantes conocidas o parmetros del sistema. Cualquier otro programa que no cumpla la linealidad de f o de gi es no lineal. El Ejemplo A.1 es un problema de programacin lineal en dos variables.

PROGRAMACIN ENTERA Un programa lineal que tiene la restriccin adicional de que las variables de decisin son nmeros enteros se conoce como programa entero. No es necesario que las cj y las aij y las bj sean enteros, pero, normalmente esto es as. Ejemplo A2 Un fabricante de dos productos A y B dispone de 6 unidades de material y 28 Horas para su ensamblaje, el modelo A requiere 2 unidades de de material y 7 horas de ensamblaje, el modelo B requiere una unidad de material y 8 horas de ensamblaje, los precios de los productos son $120 y $80 respectivamente. Cuantos productos de cada modelo debe fabricar para maximizar su ingreso? Sea x1 y x2 la cantidad de productos a producir de A y B El objetivo se Expresa Como: Maximizar z = 120x1 + 80x2 El fabricante est sujeto a dos restricciones: De Material : 2x1 + x2 6 De Horas : 7x1 + 8x2 28 De no negatividad x1 0 y x2 0 Adems no se venden productos no terminados por lo tanto las variables x1 y x2 deben ser enteras. Programacin no lineal En este caso se destaca el estudio de optimizacin en una variable sin restricciones de la forma: Optimizar z = f(x)

donde f es funcin no lineal de x y la optimizacin se realiza en (-, ). Si la busqueda se cisrcunscribe a un sub intervalo finito [a,b] el problema es de optimizacion no lineal restringida y se transforma a Optimizar z = f(x) con la condicin a x b. Optimizacin no lineal multivariable Es el caso anlogo al anterior, pero en el caso en que la funcin f es de ms de una variable, es decir: Optimizar z = f(X) donde X = [x1, x2, ..., xn]T Si existen las restricciones Gi(X) = 0 Es un problema no lineal multivariable restringido. Ejemplo A3 Una Compaa desea construir una planta que recibir suministros desde tres ciudades A, B, C, tomando como origen la ciudad A, B tiene coordenadas (300 Km. al Este,400 Km. al Norte), y C tiene coordenadas (700 Km. al Este, 300 Km. al Norte) respecto de A. La posicin de la planta debe estar en un punto tal que la distancia a los puntos A, B y C sea la mnima. Sean x1 y x2 las coordenadas desconocidas de la planta respecto de A. Utilizando la frmula de la distancia, debe minimizarse la suma de las distancias: (x12 + x22) + ((x1 - 300)2 + (x2 - 400)2) + ((x1 - 700)2 + (x2 300)2) No hay restricciones en cuanto a las coordenadas de la planta ni condiciones de no negatividad, puesto que un valor negativo de x1 significa que

la planta se localiza al Oeste del punto A. La ecuacin es un programa matemtico no lineal sin restricciones. Programacin Cuadrtica Es un caso particular de programacin matemtica no lineal. Un programa matemtico en el cual cada restriccin gi es lineal pero el objetivo es cuadrtico se conoce como programa cuadrtico, es decir f(x1,x2,..,xn) = S i=1,nS j=1,n cijxixj + S i=1,ndixi Ejemplo A4 Minimizar z = x12 + x22 Con las condiciones x1 - x2 = 3 X2 3 Donde ambas restricciones son lineales, con n = 2 (dos variables) c11 = 1; c12 = c21 = 0; c22 = 1 y d1 = d2 = 0. Programacin Dinmica El programa matemtico : Optimizar z = f1(x1) + f2(x2) + ... + fn(xn) Con la condicin x1 + x2 + ... + xn bMatemticas para la toma de decisiones Unidad 2 12 Ing. Rafael Jos Cuevas Mijangos Con todas las variables enteras y no negativas. En que las funciones fi(xi) son funciones no lineales conocidas de una sola variable, b es un nmero entero conocido. Corresponde al modelo importante de decisin en etapas mltiples en que el nmero de etapas es n. La etapa 1 comprende la especificacin de la variable x1 con contribucin f1(x1) al rendimiento total; etc.

La programacin dinmica es una forma de enfoque de los procesos de decisin de optimizacin de n etapas. Programacin Dinmica estocstica Un proceso de decisin de n etapas es estocstico si el rendimiento asociado con al menos una de las variables decisin es aleatoria. Esta aleatoriedad puede presentarse o bien asociada a la variable de decisin o a la funcin de rendimiento. Ejercicios A.2 Una fbrica de hamburguesas compra carne al 20% de grasa a $80 y carne al 32% de grasa a $60 el kilo, Cuanta carne de cada una debe usar la fbrica de hamburguesas si desea minimizar el costo por kilo de hamburguesa al 25% de grasa? Resolver grficamente el problema anterior Resolver grficamente el problema del Ejemplo A.2 D una interpretacin fsica del Ejemplo A.3

You might also like