1. MODELOS Un modelo de Optimizacin Matemtica consiste en una funcin objetivo y un conjunto de restricciones en la forma de un sistema de ecuaciones o inecuaciones.

Los modelos de optimizacin son usados en casi todas las reas de toma de decisiones, como en ingeniera de diseo y seleccin de carteras financieras de inversin . Los problemas de toma de decisiones se pueden clasificar en dos categoras: modelos de decisin determinsticos y modelos de decisin probabilsticos. En los modelos deterministicos, las buenas decisiones se basan en sus buenos resultados. Se consigue lo deseado de manera "deterministica", es decir, libre de riesgo. Esto depende de la influencia que puedan tener los factores no controlables, en la determinacin de los resultados de una decisin y tambin en la cantidad de informacin que el tomador de decisin tiene para controlar dichos factores. Sin embargo, en los modelos probabilsticos, el gerente no esta preocupado solamente por los resultados, sino que tambin con la cantidad de riesgo que cada decisin acarrea. Como un ejemplo de la diferencia entre los modelos probabilsticos versus determinsticos, considere el pasado y el futuro: Nada que hagamos ahora puede cambiar el pasado, pero cualquier cosa que hacemos influencia y cambia el futuro, a pesar de que el futuro tiene un elemento de incertidumbre. Los gerentes se encuentran mucho mas cautivados por darle forma al futuro que por la historia pasada. 1.1 Modelos Deterministicos Aquellos que manejan y controlan sistemas de hombres y equipos se enfrentan al problema constante de mejorar (por ejemplo, optimizar) el rendimiento del sistema. El problema puede ser reducir el costo de operacin y a la vez mantener un nivel aceptable de servicio, utilidades de las operaciones actuales, proporcionar un mayor nivel de servicio sin aumentar los costos, mantener un funcionamiento rentable cumpliendo a la vez con las reglamentaciones gubernamentales establecidas, o "mejorar" un aspecto de la calidad del producto sin reducir la calidad de otros aspectos. Para identificar la mejora del funcionamiento del sistema, se debe construir una representacin sinttica o modelo del sistema fsico, que puede utilizarse para describir el efecto de una variedad de soluciones propuestas. Un modelo puede considerarse como una entidad que captura la esencia de la realidad sin la presencia de la misma. Una fotografa es un modelo de la realidad ilustrada en la imagen. La presin arterial puede utilizarse como un modelo de la salud de una persona. Una campaa piloto de ventas puede utilizarse como un modelo de la respuesta de las personas a un nuevo producto. Por ltimo, una ecuacin matemtica puede utilizarse como un modelo de la energa contenida en un determinado material. En cada caso, el modelo captura algn aspecto de la realidad que intenta representar.

Ya que un modelo slo captura determinados aspectos de la realidad, su uso puede no ser apropiado en una aplicacin en particular porque no captura los elementos correctos de la realidad. La temperatura es un modelo de las condiciones climticas pero puede ser inapropiado si uno est interesado en la presin baromtrica. Una foto de una persona es un modelo de la misma pero brinda poca informacin acerca de sus logros acadmicos. Una ecuacin que predice las ventas anuales de un producto en particular es un modelo de ese producto pero tiene poca utilidad si lo que nos interesa es el costo de produccin por unidad. Por lo tanto, la utilidad del modelo depende del aspecto de la realidad que representa. Un modelo puede ser inadecuado aun cuando intenta capturar los elementos apropiados de la realidad si lo hace de una manera distorsionada o sesgada. Una ecuacin que pronostica el volumen mensual de ventas puede ser exactamente lo que el gerente de ventas quiere pero podra generar grandes prdidas si arroja constantemente clculos de ventas altos. Un termmetro que lee de ms (o de menos) tendra poca utilidad para realizar un diagnstico mdico. En consecuencia, un modelo til es aquel que captura los elementos adecuados de la realidad con un grado aceptable de precisin. Un modelo matemtico es una ecuacin, desigualdad o sistema de ecuaciones o desigualdades, que representa determinados aspectos del sistema fsico representado en el modelo. Los modelos de este tipo se utilizan en gran medida en las ciencias fsicas, en el campo de la ingeniera, los negocios y la economa. Un modelo ofrece al analista una herramienta que puede manipular en su anlisis del sistema en estudio, sin afectar al sistema en s. Por ejemplo, supngase que se ha desarrollado un modelo matemtico para predecir las ventas anuales como una funcin del precio de venta unitario. Si se conoce el costo de produccin por unidad, se pueden calcular con facilidad las utilidades anuales totales para cualquier precio de venta. Para determinar el precio de venta que arrojar las utilidades totales mximas, se pueden introducir en el modelo distintos valores para el precio de venta, uno a la vez, determinando las ventas resultantes y calculando las utilidades anuales totales para cada valor de precio de venta examinado. Mediante un proceso de prueba y error, el analista puede determinar el precio de venta que maximizar las utilidades anuales totales. Lo ideal sera que si el modelo matemtico es una representacin vlida del rendimiento del sistema, mediante la aplicacin de las tcnicas analticas adecuadas, la solucin obtenida a partir del modelo debera ser tambin la solucin para el problema del sistema. As, la efectividad de los resultados de la aplicacin de cualquier tcnica operativa es en gran medida una funcin del grado en el cual el modelo representa al sistema en estudio. A fin de definir las condiciones que nos conducirn a la solucin del problema del sistema, el analista primero debe identificar un criterio segn el cual se podr medir el sistema. Este criterio a menudo se denomina medida del rendimiento del sistema o

medida de efectividad. En aplicaciones empresariales, la medida de efectividad generalmente son los costos o las utilidades, mientras que en aplicaciones gubernamentales esta medida generalmente se define en trminos de un ndice costo/beneficio. El modelo matemtico que describe el comportamiento de la medida de efectividad se denomina funcin objetivo. Si la funcin objetivo es describir el comportamiento de la medida de efectividad, debe capturar la relacin entre esa medida y aquellas variables que hacen que dicha medida flucte. Las variables del sistema pueden categorizarse en variables de decisin y parmetros. Una variable de decisin es una variable que puede ser directamente controlada por el decisor. Tambin existen algunos parmetros cuyos valores pueden ser inciertos para el decisor. Esto requiere un anlisis de sensibilidad despus de descubrir la mejor estrategia. En la prctica, resulta casi imposible capturar la relacin precisa entre todas las variables del sistema y la medida de efectividad a travs de una ecuacin matemtica. En cambio, el analista de IO/CA debe tratar de identificar aquellas variables que afectan en mayor grado la medida de efectividad y luego debe intentar definir de manera lgica la relacin matemtica entre estas variables y la medida de efectividad. Esta relacin matemtica es la funcin objetivo que se emplea para evaluar el rendimiento del sistema en estudio. La formulacin de una funcin objetivo que tenga sentido normalmente es una tarea tediosa y frustrante. Los intentos de desarrollo de una funcin objetivo pueden terminar en un fracaso. Esto puede darse porque el analista elige el conjunto incorrecto de variables para incluir en el modelo o bien, si el conjunto es el adecuado, porque no identifica correctamente la relacin entre estas variables y la medida de efectividad. En un nuevo intento, el analista trata de descubrir las variables adicionales que podran mejorar su modelo descartando aquellas que parecen tener poca o ninguna relevancia. No obstante, slo se puede determinar si estos factores realmente mejoran el modelo una vez realizadas la formulacin y prueba de nuevos modelos que incluyan las variables adicionales. Todo el proceso de seleccin y rechazo de variables puede requerir reiteraciones mltiples hasta desarrollar una funcin objetivo satisfactoria. En cada iteracin, el analista espera lograr alguna mejora en el modelo, aunque no siempre se tiene tanta buena suerte. Por lo general, el xito final es precedido por una serie de fracasos frustrantes y pequeos progresos. En cada etapa del proceso de desarrollo, el analista debe evaluar la correspondencia o validez del modelo. Normalmente se emplean dos criterios para realizar esta determinacin. El primero implica la experimentacin del modelo: someter el modelo a una serie de condiciones y registrar los valores asociados de la medida de efectividad dada por el modelo en cada caso. Si la medida de efectividad vara de manera antinatural con una sucesin de condiciones de entrada, es posible que la funcin objetivo no sea vlida. Por ejemplo, supngase que se desarrolla un modelo destinado a calcular el valor de mercado de viviendas unifamiliares. El modelo debe expresar el valor de mercado en dlares como una funcin de la superficie cubierta en pies cuadrados, cantidad de dormitorios, cantidad de baos y tamao del lote. Despus de desarrollar el modelo, el analista lo aplica a la tasacin de distintas viviendas, con distintos valores para las caractersticas mencionadas y descubre que el valor de mercado desciende a medida que aumenta la superficie cubierta expresada en pies cuadrados. Dado que este resultado no concuerda con la realidad, el analista cuestionara la validez del modelo. Por otro lado, supngase que el modelo es tal que el valor de las

viviendas es una funcin creciente de cada una de las cuatro caractersticas citadas, como generalmente es de esperar. Si bien este resultado es alentador, no necesariamente implica que el modelo es una representacin vlida de la realidad, dado que la tasa de aumento de cada variable puede ser excesivamente alta o baja. La segunda etapa de la validacin del modelo requiere una comparacin de los resultados del modelo con los resultados obtenidos en la realidad. 1.2 Modelos Probabilisticos El anlisis de decisin proporciona un soporte cuantitativo a los tomadores de decisiones en todas las reas tales como ingenieros, analistas en las oficinas de planificacin, agencias publicas, consultores en proyectos de gerencia, planificadores de procesos de produccin, analistas financieros y de economa, expertos en diagnsticos de soportes medico y tecnolgicos e infinidad de otras reas. El modelado para la toma de decisiones envuelve a dos partes diferentes, una es el tomador de decisiones y la otra es el constructor del modelo, conocido como el analista. El analista debe asistir al tomador de decisiones en el proceso de decidir. Por lo tanto, el analista debe estar equipado con mas que un conjunto de mtodos analticos. Los especialistas en la construccin de modelos se encuentran normalmente tentados a estudiar el problema, y luego aislarse a desarrollar un modelo matemtico para ser utilizado por el gerente (es decir, el tomador de decisiones.) Desgraciadamente el gerente podra no entender el modelo, por lo tanto podra usarlo ciegamente o simplemente rechazarlo. El especialista podra sentir que el gerente es exageradamente ignorante y poco sofisticado para valorar el modelo, mientras que el gerente podra pensar que el analista vive en un mudo de fantasa de supuestos irreales y de lenguaje matemtico irrelevante. Dichos problemas de mal interpretacin y de incomunicacin pueden ser evitados si el gerente trabaja en conjunto con el especialista en el desarrollo de; primero un modelo simple que proporcione un anlisis crudo pero entendible. Luego que el gerente le ha ganado confianza al modelo, detalles adicionales y una mayor sofisticacin pueden ser agregados, quizs de una forma lenta y progresiva. Este proceso requiere la inversin de tiempo por parte del gerente e inters sincero por parte del analista para solucionar los problemas reales del gerente, en vez de tratar de crear y explicar modelos extremadamente sofisticados. Esta construccin progresiva de modelos es comnmente referida como la aproximacin de bootstrapping y es el factor ms importante en la determinacin de un modelo de decisin de implementacin exitosa. Adicionalmente, el acercamiento de bootstrapping simplifica las dificultades del proceso de validacin y verificacin del modelo. Los sistemas estn formados por partes que son puestas en funcionamiento juntas de una forma particular para obtener un objetivo. La relacin entre las partes determina lo que el sistema hace y como funciona en general. Por lo tanto, las

relaciones en el sistema son normalmente mas importantes que cada parte individualmente. En general, los sistemas que son construidos como bloques de otros sistemas se llaman subsistemas. Un sistema que no cambia es un sistema esttico (es decir, determinstico.) Muchos de los sistemas a los cuales pertenecemos son sistemas dinmicos, los cuales cambian a travs del tiempo. Cuando nos referimos a que cambian a travs del tiempo es de acuerdo al comportamiento del sistema. Cuando el desarrollo del sistema sigue un patrn tpico decimos que el mismo tiene un patrn de comportamiento. El sistema ser esttico o dinmico dependiendo del horizonte temporal que se escoja y de las variables en las cuales se est concentrado. El horizonte temporal es el periodo de tiempo dentro del cual se estudia el sistema. Las variables son valores cambiables dentro del sistema. El concepto de probabilidad ocupa un lugar importante en el proceso de toma de decisiones, ya sea que el problema es enfrentado en una compaa, en el gobierno, en las ciencias sociales, o simplemente en nuestra vida diaria. En muy pocas situaciones de toma de decisiones existe informacin perfectamente disponible todos los hechos necesarios.- La mayora de las decisiones son hechas de cara a la incertidumbre. La probabilidad entra en el proceso representando el; rol de sustituto de la certeza un sustituto para el conocimiento completo. Los modelos probabilsticos estn ampliamente basados en aplicaciones estadsticas para la evaluacin de eventos incontrolables (o factores), as como tambin la evaluacin del riesgo de sus decisiones. La idea original de la estadstica fue la recoleccin de informacin sobre y para el Estado. La palabra estadstica no se deriva de ninguna raz griega o latina, sino de la palabra italiana state. La probabilidad tiene una historia mucho mas larga. La Probabilidad se deriva del verbo probar lo que significa "averiguar" lo que no es tan fcil de obtener o entender. La palabra "prueba" tiene el mismo origen el cual proporciona los detalles necesarios para entender lo que se requiere que sea cierto. Los modelos probabilsticos son vistos de manera similar que a un juego; las acciones estn basadas en los resultados esperados. El centro de inters se mueve desde un modelo determinstico a uno probabilstico usando tcnicas estadsticas subjetivas para estimacin, prueba y prediccin. En los modelos probabilsticos, el riesgo significa incertidumbre para la cual la distribucin de probabilidad es conocida. Por lo tanto, la evaluacin de riesgo significa un estudio para determinar los resultados de las decisiones junto a sus probabilidades. Los tomadores de decisiones generalmente se enfrentan a severa escasez de informacin. La evaluacin de riesgo cuantifica la brecha de informacin entre lo que es conocido y lo que necesita saber para tomar una decisin ptima. Los modelos probabilstico son utilizados para protegerse de la incertidumbre adversa, y de la explotacin de la propia incertidumbre.

La Dificultad en la Evaluacin de la Probabilidad se obtiene de la informacin, la cual es escasa, vaga, inconsistente, o incompleta. Una afirmacin tal y como que "la probabilidad de una baja de electricidad se encuentra entre 0,3 y 0,4" es mas natural y realista que su contraparte exacta de que "la probabilidad de una baja de electricidad es 0,36342." Es una tarea desafiante comparar varios cursos de accin y finalmente seleccionar la accin que se va a realizar. En determinados casos, esta tarea puede resultar excesivamente desafiante. Las dificultades de la toma de decisiones estn representadas por la complejidad de las alternativas de decisin. La capacidad que tiene un decisor de procesar informacin limitada es un factor de exigencia ya cuando se consideran las implicancias de un solo curso de accin, pero en muchas decisiones se deben visualizar y comparar las implicancias de varios cursos de accin. Adems, hay factores desconocidos que se inmiscuyen en la situacin problemtica; rara vez se conoce con certeza el resultado. La mayora de las veces, el resultado depende de las reacciones de otras personas que quizs ni siquiera saben qu van a hacer. No es de sorprender entonces que a veces los decidores pospongan la eleccin lo ms posible y que luego decidan sin intentar considerar todas las implicancias de su decisin. La toma de una decisin, fundamentalmente, tiene que ver con combinar informacin sobre probabilidades con informacin sobre deseos e intereses. Cuntas ganas tienes de conocer a esa mujer? Cun importante es la salida? Cunto vale ese premio? Abordar las decisiones como si fueran apuestas es la base de la teora de la decisin. Significa que tenemos que compensar el valor de un cierto resultado contra su probabilidad. Para operar segn los cnones de la teora de la decisin debemos hacer clculos del valor de un cierto resultado y sus probabilidades, y a partir de all de las consecuencias de nuestras elecciones. El origen de la teora de la decisin para la toma de decisiones se deriva de la economa, en el rea de la funcin de la utilidad del pago. Propone que las decisiones deben tomarse calculando la utilidad y la probabilidad de rangos de opciones, y establece estrategias para una buena toma de decisiones (Ver dibujo No. 1).

Dibujo No.1 Flujograma para la solucin de problemas Los objetivos son importantes, tanto para identificar los problemas como para evaluar las soluciones alternativas. En la evaluacin de alternativas, los objetivos del decisor deben expresarse como criterios que reflejen los atributos de las alternativas relevantes para la eleccin. 1.2.1 De los Datos a un Conocimiento Decisivo

El conocimiento es lo que sabemos. La informacin es la comunicacin de conocimientos. En cada intercambio de conocimientos, hay un remitente y un receptor. El remitente hace comn lo que es privado, hace la informacin, la comunicacin. La informacin se puede clasificar como formas explcitas y tcitas. La informacin explcita se puede explicar de forma estructurada, mientras que la informacin tcita es inconsistente e imprecisa de explicar. Los datos son conocidos como informacin cruda y no como conocimientos en s. Los datos se convierten en informacin, cuando se hacen relevantes para la toma de decisin a un problema. La informacin se convierte en hecho, cuando es respaldada por los datos. Los hechos son lo que los datos revelan. Sin embargo el conocimiento instrumental es expresado junto con un cierto grado estadstico de confianza.

Los hechos se convierten en conocimiento, cuando son utilizados en la complementacin exitosa de un proceso de decisin. 1.2.2 Proceso de Toma de Decisiones Estadsticas

A diferencia de los procesos de toma de decisiones determinsticas en la toma de decisin bajo pura incertidumbre, las variables son normalmente ms numerosas y por lo tanto ms difciles de medir y controlar. Sin embargo, los pasos para resolverlos son los mismos. Estos son: 1. 2. 3. 4. Simplificar Construir un modelo de decisin Probar el modelo Usando el modelo para encontrar soluciones: a. El modelo es una representacin simplificada de la situacin real b. No necesita estar completo o exacto en todas las relaciones c. Se concentra en las relaciones fundamentales e ignora las irrelevantes. d. Este es entendido con mayor facilidad que un suceso emprico (observado), por lo tanto permite que el problema sea resuelto con mayor facilidad y con un mnimo de esfuerzo y prdida de tiempo. 5. El modelo puede ser usado repetidas veces para problemas similares, y adems puede ser ajustado y modificado. Afortunadamente, los mtodos probabilsticos y estadsticos para el anlisis de toma de decisiones bajo incertidumbre son ms numerosos y mucho ms poderosos que nunca.

2.OPTIMIZACION La humanidad hace tiempo que busca, o profesa buscar, mejores maneras de realizar las tareas cotidianas de la vida. A lo largo de la historia de la humanidad, se puede observar la larga bsqueda de fuentes ms efectivas de alimentos al comienzo y luego de materiales, energa y manejo del entorno fsico. Sin embargo, relativamente tarde en la historia de la humanidad, comenzaron a formularse ciertas clases de preguntas generales de manera cuantitativa, primero en palabras y despus en notaciones simblicas. Un aspecto predominante de estas preguntas generales era la bsqueda de lo "mejor" o lo "ptimo". Generalmente, los gerentes buscan simplemente lograr alguna mejora en el nivel de rendimiento, es decir, un problema de "bsqueda de objetivo". Cabe destacar que estas palabras normalmente no tienen un significado preciso. Se han realizado grandes esfuerzos por describir complejas situaciones humanas y sociales. Para tener significado, esto debera escribirse en una expresin matemtica que contenga una o ms variables, cuyos valores deben determinarse. La pregunta que se formula, en trminos generales, es qu valores deberan tener estas variables para que la expresin matemtica tenga el mayor valor numrico posible (maximizacin) o el menor valor numrico posible (minimizacin). A este proceso general de maximizacin o minimizacin se lo denomina optimizacin. La optimizacin, tambin denominada programacin matemtica, sirve para encontrar la respuesta que proporciona el mejor resultado, la que logra mayores ganancias, mayor produccin o felicidad o la que logra el menor costo, desperdicio o malestar. Con frecuencia, estos problemas implican utilizar de la manera ms eficiente los recursos, tales como dinero, tiempo, maquinaria, personal, existencias, etc. Los problemas de optimizacin generalmente se clasifican en lineales y no lineales, segn las relaciones del problema sean lineales con respecto a las variables. La Programacin Matemtica, en general, aborda el problema de determinar asignaciones ptimas de recursos limitados para cumplir un objetivo dado. El objetivo debe representar la meta del decisor. Los recursos pueden corresponder, por ejemplo, a personas, materiales, dinero o terrenos. Entre todas las asignaciones de recursos admisibles, queremos encontrar la/s que maximiza/n o minimiza/n alguna cantidad numrica tal como ganancias o costos. El objetivo de la optimizacin global es encontrar la mejor solucin de modelos de decisiones difciles, frente a las mltiples soluciones locales. 2.1 Optimizacion Lineal (Programacion Lineal) Es importante que el lector entienda desde el comienzo que el trmino "programacin" tiene un significado distinto cuando se refiere a Programacin Lineal que

cuando hablamos de Programacin Informtica. En el primer caso, significa planificar y organizar mientras que en el segundo caso, significa escribir las instrucciones para realizar clculos. La capacitacin en una clase de programacin tiene muy poca relevancia directa con la otra clase de programacin. De hecho, el trmino "programacin lineal" se acu antes de que la palabra programacin se relacionara con el software de computacin. A veces se evita esta confusin utilizando el trmino optimizacin lineal como sinnimo de programacin lineal. La Programacin Lineal u Optimizacin Lineal es un procedimiento matemtico para determinar la asignacin ptima de recursos escasos. La Optimizacin Lineal es un procedimiento que encuentra su aplicacin prctica en casi todas las facetas de los negocios, desde la publicidad hasta la planificacin de la produccin. Problemas de transporte, distribucin, y planificacin global de la produccin son los objetos ms comunes del anlisis de Optimizacin Lineal. La industria petrolera parece ser el usuario ms frecuente de la Optimizacin Lineal. Un gerente de procesamiento de datos de una importante empresa petrolera recientemente calcul que del 5% al 10% del tiempo de procesamiento informtico de la empresa es destinado al procesamiento de modelos de Optimizacin Lineal y similares. La programacin lineal aborda una clase de problemas de programacin donde tanto la funcin objetivo a optimizar como todas las relaciones entre las variables correspondientes a los recursos son lineales. Este problema fue formulado y resuelto por primera vez a fines de la dcada del 40. Rara vez una nueva tcnica matemtica encuentra una gama tan diversa de aplicaciones prcticas de negocios, comerciales e industriales y a la vez recibe un desarrollo terico tan exhaustivo en un perodo tan corto. Hoy en da, esta teora se aplica con xito a problemas de presupuestos de capital, diseo de dietas, conservacin de recursos, juegos de estrategias, prediccin de crecimiento econmico y sistemas de transporte. Recientemente la teora de la programacin lineal tambin contribuy a la resolucin y unificacin de diversas aplicaciones. Cualquier problema de Optimizacin Lineal consta de una funcin objetivo y un conjunto de restricciones. En la mayora de los casos, las restricciones provienen del entorno en el cual usted trabaja para lograr su objetivo. Cuando usted quiere lograr el objetivo deseado, se dar cuenta de que el entorno fija ciertas restricciones (es decir, dificultades, limitaciones) para cumplir con su deseo (vale decir, el objetivo). Es por eso que las religiones, como el Budismo entre otras, prescriben vivir una vida abstemia. Sin deseo, no hay dolor. Puede usted seguir este consejo con respecto a su objetivo de negocios? Qu es una funcin: una funcin es una cosa que hace algo. Por ejemplo, una mquina de moler caf es una funcin que transforma los granos de caf en polvo. La funcin (objetivo) traza, traduce el dominio de entrada (denominado regin factible) en un rango de salida con dos valores finales denominados valores mximo y mnimo. Cuando se formula un problema de toma de decisiones como un programa lineal, se deben verificar las siguientes condiciones:

10

1. La funcin objetivo debe ser lineal. Vale decir que se debe verificar que todas las variables estn elevadas a la primera potencia y que sean sumadas o restadas (no divididas ni multiplicadas); 2. El objetivo debe ser ya sea la maximizacin o minimizacin de una funcin lineal. El objetivo debe representar la meta del decisor; y 3. Las restricciones tambin deben ser lineales. . Asimismo, la restriccin debe adoptar alguna de las siguientes formas ( , , O =, es decir que las restricciones de PL siempre estn cerradas). Para la mayora de los problemas de Optimizacin Lineal, podemos decir que existen dos tipos importantes de objetos: en primer lugar, los recursos limitados, tales como terrenos, capacidad de planta, o tamao de la fuerza de ventas; en segundo lugar, las actividades, tales como "producir acero con bajo contenido de carbono", y "producir acero con alto contenido de carbono". Cada actividad consume o probablemente contribuye cantidades adicionales de recursos. Debe haber una funcin objetivo, es decir, una manera de discriminar una mala de una buena o una mejor decisin. El problema es determinar la mejor combinacin de niveles de actividades, que no utilice ms recursos de los disponibles. Muchos gerentes se enfrentan a esta tarea todos los das. 2.1.1 Otras Aplicaciones Comunes De Optimizacin Lineal La programacin lineal es una herramienta poderosa para seleccionar alternativas en un problema de decisin y por consiguiente se aplica en una gran variedad de entornos de problemas. La cantidad de aplicaciones es tan alta que sera imposible enumerarlas todas. A continuacin, indicamos algunas de las principales aplicaciones que cubren las reas funcionales ms importantes de una organizacin empresarial. 2.1.1.1 Finanzas Un ejemplo de problema de decisin es determinar la combinacin de mtodos de financiacin para una cantidad de productos cuando existe ms de un mtodo de financiacin disponible. El objetivo puede ser maximizar las ganancias totales cuando las ganancias de un producto determinado dependen del mtodo de financiacin. Por ejemplo, se puede financiar con fondos internos, con deuda a corto plazo o con financiacin intermedia (crditos amortizados). Puede haber limitaciones con respecto a la disponibilidad de cada una de las opciones de financiacin, as como tambin restricciones financieras que exijan determinadas relaciones entre las opciones de financiacin a los efectos de satisfacer los trminos y condiciones de los prstamos bancarios o financiacin intermedia. Tambin puede

11

haber lmites con respecto a la capacidad de produccin de los productos. Las variables de decisin seran la cantidad de unidades que deben ser financiadas por cada opcin de financiacin. 2.1.1.2 Administracin De Produccin Y Operaciones Muchas veces en las industrias de proceso, una materia prima en particular puede transformarse en una gran variedad de productos. Por ejemplo, en la industria petrolera, el crudo puede refinarse para producir nafta, kerosene, aceite para calefaccionar y distintas clases de aceite para motor. Segn el margen de ganancia actual de cada producto, el problema es determinar la cantidad que se debera fabricar de cada producto. Esta decisin est sujeta a numerosas restricciones tales como lmites de las capacidades de diversas operaciones de refinado, disponibilidad de materia prima, demandas de cada producto y polticas gubernamentales con respecto a la fabricacin de determinados productos. En la industria de productos qumicos y de procesamiento de alimentos existen problemas similares. 2.1.1.3 Recursos Humanos Los problemas de planificacin de personal tambin se pueden analizar con programacin lineal. Por ejemplo, en la industria telefnica, la demanda de servicios de personal de instalacin / reparacin son estacionales. El problema es determinar la cantidad de personal de instalacin / reparacin y reparacin de lneas que debemos tener incorporada en la fuerza laboral por cada mes a fin de minimizar los costos totales de contratacin, despido, horas extras y salarios en horas ordinarias. El conjunto de restricciones comprende restricciones con respecto a la demanda de servicio que se debe satisfacer, uso de horas extra, acuerdos con los sindicatos y la disponibilidad de personal calificado para contratar. Este ejemplo es opuesto a la hiptesis de divisibilidad. Sin embargo, los niveles de fuerza laboral de cada mes normalmente son lo suficientemente altos como para poder redondear al nmero entero ms cercano sin problemas, siempre y cuando no se violen las restricciones. 2.1.1.4 Marketing Se puede utilizar la programacin lineal para determinar la mezcla adecuado de medios de una campaa de publicidad. Supngase que los medios disponibles son radio, televisin y diarios. El problema es determinar cuntos avisos hay que colocar en cada medio. Por supuesto que el costo de colocacin de un aviso depende del medio elegido. El objetivo es minimizar el costo total de la campaa publicitaria, sujeto a una serie de restricciones. Dado que cada medio puede proporcionar un grado diferente de exposicin a la poblacin meta, puede haber una cota inferior con respecto a la exposicin de la campaa. Asimismo, cada medio puede tener distintos ratings de eficiencia para producir resultados deseables y por consiguiente puede haber una cota inferior con respecto a la eficiencia. Adems, puede haber lmites con respecto a la disponibilidad para publicar en cada medio.

12

2.1.1.5 Distribucin Otra aplicacin de programacin lineal es el rea de la distribucin. Considere un caso en el que existen m fbricas que deben enviar productos a n depsitos. Una determinada fbrica podra realizar envos a cualquier cantidad de depsitos. Dado el costo del envo de una unidad del producto de cada fbrica a cada depsito, el problema es determinar el patrn de envo (cantidad de unidades que cada fbrica enva a cada depsito) que minimice los costos totales. Este decisin est sujeta a restricciones que exigen que cada fbrica no pueda enviar ms productos de los que tiene capacidad para producir.

13

CONCLUSIONES Las conclusiones que se han tomado con respecto al tema de Modelos y Optimizacin son las siguientes: Los modelos son muy importantes para la toma de decisiones.. Que la toma de decisin de un problema depende del tipo de modelo que se escoja para la solucin del problema. La optimizacin es un mtodo de maximizacin o minimizacin segn convenga. La optimizacin es una programacin de cmo obtener la mejor solucin para un problema que se nos presenta y tiene mltiples usos como hemos visto en el presente reporte.

14

RECOMENDACIONES Las recomendaciones del presente reporte hacia la ctedra son las siguientes: Esta muy bien esto de hacer un reporte tcnico porque as aprendemos de cual es la estructura del informe. Que se investigue un tema extra del contenido de la ctedra porque se tenia duda que todo lo investigado que tomar para el inters general.

15

BIBLIOGRAFIA Las fuente bibliografica que se utilizo para la creacin de este reporte fue la Internet los sitios consultados son: http://home.ubalt.edu/ntsbarsh/Businessstat/opre/SpanishD.htm http://home.ubalt.edu/ntsbarsh/Businessstat/opre/SpanishP.htm http://home.ubalt.edu/ntsbarsh/Businessstat/opre/SpanishIN.htm

16

GLOSARIO TECNICO DECISION: Determinacin, resolucin que se toma o se da en una cosa dudosa. GERENTE: Persona que lleva la gestin administrativa de una empresa o institucin. INCERTIDUMBRE: No se tiene conocimiento seguro y claro de algo. || 2. Temor de errar. MODELO: Arquetipo o punto de referencia para imitarlo o reproducirlo. || 2. Esquema terico, generalmente en forma matemtica, de un sistema o de una realidad compleja, como la evolucin econmica de un pas, que se elabora para facilitar su comprensin y el estudio de su comportamiento. MODELO DETERMINISTICO: Es en el que se toman las decisiones sin factores de riesgo es decir est completamente determinada por las condiciones iniciales. MODELO PROBABILISTICO: Es en el que se toman las decisiones basndose en la probabilidad y que es lo contrario del modelo deterministico y el que toma la decisin sabindose el riesgo que se corre. OPTIMIZACION: Buscar la mejor manera de realizar una actividad. || 2. Maximizacin o minimizacin de algo segn convenga. || 3. Que bajo ciertos criterios no puede ser mejor. OPTIMIZACION LINEAL: Procedimiento matemtico para determinar la asignacin ptima de recursos escasos. PRODUCCION: Fabricar, elaborar cosas tiles. || 2. Suma de los productos del suelo o de la industria.

17

18