Guillermojimenezlozano.2009 Parte1

GUILLERMO J IMNEZ LOZANO
OPT I MI Z A CI N
UNIVERSIDAD NACIONAL DE COLOMBIA
SEDE MANIZALES
I.S.B.N 978-958-8280-22-6
2009 U N I V E R S I D A D N A C I O N A L
DE C O L O M B I A S E DE M A N I Z A L E S
AC T OR :
Administrador de Empresas
Especialista en Estadstica
Especialista en Administracin de Sistemas I nformticos
Profesor Asoci ado
Universidad Nacional de Colombia
Sede Manizales
REV I SA DO:
ORFA L UC A T ORRES J I MNEZ
I ngeniera I ndustrial
Magster en I nvestigacin Operativa y Estadstica
Profesora Asociada
Sede Manizales
L ui s FERNANDO MOTA TO ROJ A S
I ngeniero I ndustrial
Especialista en Sistemas nfasis en Administracin de Sistemas I nformticos
I nstructor Asoci ado
Sede Manizales
I MPRESO:
Seccin de Publicaciones e I magen
Sede Manizales
Mayo de 2009
Primera Edicin
AGRADECIMIENTOS
A mi abuela Mara del Carmen Rosa, que me inculc el amor por el estudio. (A)
A mi madre Martha Luca, que todava me repite que siga estudiando. (B)
A mi hermano Jos Fernando, que me ayud a forjarme. (C)
A mi esposa Albanery, que a pesar de haberle robado mucho tiempo
en la escritura de este libro, por encima de todo hemos pasado los mejores
momentos en nuestras vidas. (CH)
A mi hija Xiomara Alexandra, que aparte de haberme heredado lo que yo no hice
(el amor por el estudio), la percibo en este momento en un ascenso
importante para su proyecto de vida, que realiza un posgrado en la Universidad
Politcnica de Catalua. (D)
A mi hija Anglica, que aparte de haberme heredado lo que yo no hice
(el amor por el estudio), est construyendo su vida a punta de emprendimiento, que hace
su pregrado en la Universidad Nacional de Colombia, Sede Manizales. (E)
A + B + C + CH + D + E = F Mi familia
G + H + I + + Y = Z Las personas que utilizan Optimizacin
F nZ = 0
N DI C E
I NTRODUCCI N 17
PREFACIO 19
CAP TULO I
PASADO, PRESENTE Y FUTURO DE LA INVESTIGACIN
DE OPERACI ONES 23
BREVE RESEA HISTRICA 23
Introduccin 23
Prolegmenos y rudimentos de la Investigacin de Operaciones: la Ciencia de la Gestin 24
Gnesis de la Investigacin Operativa en el siglo XX 25
El crecimiento de la Investigacin de Operaciones, 1945-1995 26
Sociedades profesionales 28
Revistas y libros en la difusin de las tcnicas operativas 29
Especificaciones y concreciones histricas de la Investigacin Operativa:
La programacin matemtica 32
Nuevos desarrollos de la programacin lineal 34
La prctica de la Investigacin de Operaciones. Premios y menciones honorficas 36
DEFINICIN DE INVESTIGACIN DE OPERACIONES 38
BREVE TABLA CRONOLGICA DE INVESTIGACIN DE OPERACIONES 41
CLASIFICACIN DE LA INVESTIGACIN DE OPERACIONES 42
GEORGE BERNARD DANTZIG Y LA HISTORIA
(Y EL FUTURO) DE LA PROGRAMACIN LINEAL 43
El futuro 48
CAP TULO II
CONCAVIDAD Y CONVEXIDAD 49
I NTRODUCCI N 49
CONJ UNTOS CONVEXOS 50
CONJ UNTO NO CONVEXO 51
Propiedades de los conjuntos convexos 51
Vrtices de un conjunto convexo 52
Funciones convexas 52
Propiedades de las funciones convexas 53
Funciones convexas diferenciables 53
TEOREMA FUNDAMENTAL DE LA PROGRAMACIN CONVEXA 54
Existencia y unicidad de soluciones 55
Teorema de Weierstrass 55
CONCAVIDAD DE FUNCIONES - 60
Anlisis grfico 61
EJ ERCICIOS RESUELTOS 65
EJ ERCICIOS PROPUESTOS 67
CAPTULO III
PROGRAMACI N LINEAL 69
I NTRODUCCI N 69
Caractersticas de los problemas de Programacin Lineal 71
Modelizacin 71
Planteamiento de modelos en Programacin Lineal 72
Problema 1 (Fabricacin) 72
Problema 2 (Produccin) 73
Problema 3 (Demanda) 74
Problema 4 (Financiero) 76
Problema 5 (La gallina y los huevos) 76
Problema 6 (Serendipity) 79
Problema 7 (Barco) 80
Problema 9 (Cosecha) 83
Problema 11 (Inversin) 86
Problema 13 (Dieta) 90
Problema 14 (Cortes)
92
Problema 15 (Mezclas) 93
Problema 16 (Decisiones) 95
Problema 17 (Compras) 96
Problema 18 (Produccin de tierras) 96
Problema 19 (Contaminacin Ambiental) 98
Problema 20 (Mezclas) 99
CAP TULO IV
MTODOS DE SOLUCIN EN PROGRAMACIN LINEAL 105
MTODO GRFICO 105
Comentarios generales acerca de la Optimizacin 105
MTODOS ANALTICOS 115
Algoritmo Simplex 115
Clases de Solucin 117
Otros problemas empleando Simplex 129
Algoritmo Khachiyan 132
Algoritmo de Karmarkar 133
Variantes y extensiones del mtodo de Karmarkar 137
RESUMEN 138
SOLUCIN DE UN PROBLEMA DE PROGRAMACIN LINEAL
EN FORMA MATRICIAL 138
Mtodo de Gauss-J ordn 138
Mtodo de la Matriz Inversa 139
Mtodo Simplex Revisado (Forma Matricial) 141
Mtodo de las dos fases 144
Otros temas en Programacin Lineal 147
El sistema de Leontief y la Programacin Lineal 159
PROGRAMACIN LINEAL DIFUSA O BORROSA 161
Mtodo de solucin del Modelo General de Programacin Lineal Difusa 162
CAPTULO V
DUALIDAD EN PROGRAMACI N LINEAL, ANLISIS DE POSOPTIMALIDAD
Y SENSIBILIDAD Y PROGRAMACIN LINEAL PARAMTRICA 167
EL PROBLEMA DUAL EN PROGRAMACIN LINEAL 167
Teoremas de la dualidad 168
Interpretacin econmica de los problemas primal y dual 172
ANLISIS DE SENSIBILIDAD 173
Cambios discretos y/o continuos 173
PROGRAMACIN LINEAL PARAMTRICA 178
CAPTULO VI
PROBLEMA DEL TRANSPORTE, PROBLEMA DEL
INTERTRANSPORTE Y PROBLEMA DE LA ASIGNACIN 187
PROBLEMA DEL TRANSPORTE O DISTRIBUCIN 187
Mtodos de solucin 187
Planteamiento de Un problema 188
REGLA DE LA ESQUINA NOROESTE 190
MTODO DE VOGEL 191
MTODO DE STEPPING STONE (AZAR) 191
Tablero de Costos Bsicos (T.C.B.) 192
PROBLEMAS DE TRANSPORTE DE MAXIMIZACIN 195
Soluciones degeneradas en el problema de transporte 196
PROBLEMA DEL TRANSPORTE GENERALIZADO 197
PROBLEMA DEL INTERTRANSPORTE O TRANSBORDO O REEMBARQUE 197
PROBLEMA DE ASIGNACIN O AFIJ ACIN O NOMBRAMIENTOS 198
El Mtodo Hngaro 199
PROBLEMAS DE ASIGNACIN DE MAXIMIZACIN 202
PROBLEMAS DE ASIGNACIN GENERALIZADO 202
CAPTULO VII
PROGRAMACI N LINEAL ENTERA 207
PROGRAMACIN LINEAL ENTERA 207
Algoritmo Gomory 208
Mtodo de ramificacin y acotamiento 211
Mtodo de enumeracin exhaustiva o enumeracin explcita 213
PROGRAMACIN LINEAL ENTERA BINARIA 214
Mtodo de enumeracin implcita Cero-Uno 214
Mtodo aditivo (enumeracin) de Egon Balas 215
PROGRAMACIN LINEAL ENTERA MIXTA 218
CAP TULO VIII
TEORA DE DECISIONES 223
I NTRODUCCI N 223
Los pasos en la Teora de Decisiones 223
TOMA DE DECISIONES 224
Varios factores en la toma de decisiones 224
Tipos de decisiones y sus elementos constitutivos 224
Por qu la toma de decisiones es compleja? 226
Beneficios y limitaciones del enfoque cientfico en la toma de decisiones 227
Modelos y Tcnicas Multiatributos 229
Decisiones Multicriterio 236
TEORA DE LA UTILIDAD 236
DECISIN EN AMBIENTE DE CERTEZA 241
DECISIN EN AMBIENTE DE RIESGO 241
DECISIN EN AMBIENTE DE INCERTIDUMBRE 250
Criterio deWald 251
Criterio Maximax 252
Criterio de Hurwicz 252
Criterio de Savage 253
Criterio de Laplace 254
CAPTULO IX
MODELOS DE REDES 259
MODELOS (TEORA) DE REDES 259
Problemas a resolver 261
TRAYECTORIAS DE EULER 275
El problema de los puentes de Knigsberg 275
TRAYECTORIAS DE HAMILTON 277
El Problema del Agente Viajero 277
CAPTULO X
PROGRAMACI N NO LINEAL 285
I NTRODUCCI N 285
PROGRAMACIN CLSICA LIBRE 286
Condiciones necesarias de ptimo Local 286
PROGRAMACI N CLSICA CON RESTRICCIONES 289
Condiciones necesaria y suficiente de mximo local 289
ptimo global 290
PROGRAMACI N NO LINEAL DIFERENCI AB LE 294
Suficiencia de las condiciones de Karush - Kuhn -Tucker 294
PROGRAMACIN NO LINEAL NO DIFERENCIABLE 298
Algoritmo de Levenberg - Mardquardt 298
1. Programacin Cuadrtica 299
2. Programacin Convexa Separable 299
3. La Programacin geomtrica 300
PROGRAMACI N CUADRTI CA 306
PROGRAMACI N SEPARABLE 309
PROGRAMACI N GEOMTRI CA 311
ALGUNOS PROGRAMAS DE COMPUTADORA 315
CAPTULO XI
PROGRAMACI N DI NMI CA 319
I NTRODUCCI N 319
Procesos polietpicos de decisin 319
Descomposicin 320
La Funcin Recursiva 321
CAPTULO XII
MODELOS DE INVENTARIOS 341
I NVENTARI OS 341
Cantidad econmica de pedido (CEP) 341
Situacin Ideal 341
COMPRAS EN GRANDES CANTIDADES 343
1. Enfoque de comparacin de costos 343
2. Enfoque de cambio de precios 344
3. Enfoque de rebaja de precios 347
Existencias de seguridad (Z) 349
OBJ ETIVOS DEL CONTROL DE PRODUCCIN Y STOCKS 351
La evolucin del control de produccin y los stocks 351
El control de produccin en la actualidad 352
Relacin entre el control de Stocks y el control de produccin 352
Poltica de Direccin y Control de Produccin 352
DISTRIBUCIN EN FUNCIN DEL VALOR 352
SISTEMA DE CONTROL DE INVENTARIO ABC 353
Anlisis ABC 355
PLANEACIN DE REQUERIMIENTO DE MATERIALES MRP 1 356
Definicin de MRP 1 356
Mecnica del MRP I 356
PLANEACIN DE LOS RECURSOS DE FABRICACIN MRP II 357
Definicin MRP II 357
Caractersticas del MRP II 358
CURVAS DE INTERCAMBIO 359
CAP TULO XIII
TEORA DE COLAS 363
I NTRODUCCI N 363
Caractersticas fundamentales 363
Medidas de eficiencia de un sistema 366
Modelo de Teora de Colas 366
TEOREMA 367
Notacin de Kendall 368
Ecuaciones de Little 368
CASOS ESPECIALES 374
FRMULAS PARA UN SOLO SERVIDOR 395
FRMULAS PARA SERVIDORES MLTIPLES 396
CAPTULO XIV
OPTIMIZACIN ESTOCSTI CA 411
I NTRODUCCI N 411
FORMULACIN DE UN MODELO DE OPTIMIZACIN ESTOCSTICA 412
MODELOS Y MTODOS DE SOLUCIN EN OPTIMIZACIN ESTOCSTICA 414
Modelo de valor esperado 414
Modelo de mnima varianza 415
Modelo de mnimo riesgo a nivel k 417
Modelo donde los cj estn normalmente distribuidos 419
Modelo de Kataoka 420
Modelos con restricciones aleatorias 421
Modelos con restricciones conjuntamente distribuidas 423
Modelo con compensacin lineal 425
PROGRAMACIN LINEAL ESTOCSTICA 426
Optimizacin estocstica de doble etapa y multietapa 427
OPTIMIZACIN NO LINEAL ESTOCSTICA 431
OPTIMIZACIN ROBUSTA 432
REDES ESTOCSTICAS 433
Redes bajo incertidumbre 434
CAPTULO XV
ANLISIS DE MARKOV 441
I NTRODUCCI N 441
Procesos puntuales 442
El proceso de Poisson homogneo 443
El proceso de Poisson no homogneo 444
PROCESOS DE MARKOV 445
Procesos semimarkovanos 445
Cadenas de Markov en tiempo discreto 446
Clasificacin de estados de una cadena Markoviana homognea 453
Cadenas de Markov con espacio de estados finitos 455
Distribucin estacionaria de una Cadena de Markov 455
Cadenas de Markov en tiempo continuo con espacio de estados discretos 457
Distribucin ergdica de una cadena de Markov en tiempo continuo 459
CAPTULO XVI
DECISIONES MULTICRITERIO Y ANLISIS MULTIOBJ ETIVO 469
I NTRODUCCI N 469
El criterio de Optimalidad Paretiana 471
TASA DE INTERCAMBIO O TRADE-OFF ENTRE CRITERIOS 471
PRINCIPALES ENFOQUES MULTICRITERIO 472
ALGUNOS PROBLEMAS CON OBJ ETIVOS MLTIPLES 472
PROGRAMACIN MULTICRITERIO 473
CLASIFICACIN DE LAS TCNICAS MULTICRITERIO Y MULTIOBJ ETIVO 475
CARACTERSTICAS DE LAS TCNICAS GENERADORAS 476
MTODO DE LAS PONDERACIONES 476
MTODO DE LAS RESTRICCIONES 477
OTRAS TCNICAS MULTICRITERIO 478
PROGRAMACIN POR METAS 478
ESTRUCTURA GENERAL DE UN MODELO DE PROGRAMACIN POR METAS 480
METODOLOGA PARA LA CONSTRUCCIN DEL MODELO 480
MODELO GENERAL 481
PROCESO ANALTICO J ERRQUICO (AHP) 484
CAPTULO XVI I
TEORA DE J UEGOS 513
I NTRODUCCI N 513
En la Economa 513
En la Ciencia Poltica 514
En la Biologa 515
En la Filosofa 516
J UEGOS DE SUMA CERO DE DOS PERSONAS 519
Estrategias maximin y minimax 520
Punto de silla de montar 520
Conclusiones 522
CAPTULO XVIII
SI MULACI N 541
I NTRODUCCI N 541
El proceso de simulacin 542
Tipos de simulacin 542
Ventajas y Desventajas de la Simulacin 544
Generacin de aleatorios 545
Nmeros Pseudoaleatorios 546
Mtodos para la generacin de nmeros pseudoaleatorios 548
Mtodos de los medios de cuadrados 551
Mtodo aditivo de congruencias 551
Mtodo multiplicativo de congruencias 551
Mtodo mixto de congruencias 551
Mtodo de Monte Cario 556
Un ejemplo de simulacin discreta 560
Filas de Espera 560
Mtodos de anlisis 562
Un ejemplo de Simulacin Continua 562
Dinmica de Sistemas 562
Generacin de variables aleatorias 564
Distribuciones Estadsticas de Probabilidad Continuas 565
Distribucin Normal (Gauss) 566
Distribucin Beta 568
Distribuciones Estadsticas de Probabilidad Discretas 569
Relacin entre diferentes distribuciones continuas 573
Relacin entre diferentes distribuciones discretas 573
CAPTULO XIX
METAHEURSTICOS 577
RECOCIDO SIMULADO 578
Algoritmo de Metrpolis 582
Convergencia Asinttica y Cadenas de Markov 583
Aproximaciones 585
Implementacin 586
Paralelizacin 587
Posibilidades 587
Variantes 588
BSQUEDA TAB 588
Elementos claves en bsqueda tab 589
Algoritmo 589
Niveles de aspiracin 591
Intensificacin y diversificacin 592
La bsqueda tab reactiva 593
Optimizador local 595
Bsqueda por regiones 595
GRASP (Greedy Randomized Adaptive Search) 596
REDES NEURONALES ARTIFICIALES 598
Funcin Umbral 602
Funcin Rampa 602
Funcin Sigmoidal 603
Software . 606
ALGORITMOS GENTICOS 607
Anatoma de algoritmo gentico simple 608
Codificacin de las variables 609
Algoritmo gentico propiamente dicho 610
Crossover 612
Mutacin 614
Otros operadores 614
Cromosomas de longitud variable 614
Operadores de nicho (ecolgico) 615
Operadores especializados 616
Aplicando operadores genticos 616
El Zen y los algoritmos genticos 616
Software 617
ALGORITMOS MEMTICOS 618
COLONIA DE HORMIGAS 618
PARTCULAS SWARM 618
APNDI CE 623
I NTRODUCCI N 623
CALCULADORAS 623
COMPUTADOR 623
Paquetes 623
WINQSB 623
LI NDO 634
MATHEMATICA 636
SOLVER (EXCEL) 639
BIBLIOGRAFA 643
I N T R O D U C C I N
El presente escrito acerca de Optimizacin pretende ser un punto de partida y apoyo en los
procesos de toma de decisiones a nivel acadmico y laboral.
Este texto es un aporte ms a los temas que deben considerarse en Mtodos Cuantitativos, dada
la necesidad de ampliar la bibliografa y profundizar un poco en los diferentes captulos de la mencionada
temtica; adems requieren su consulta frecuente, tanto en pregrado como en posgrado en las carreras
de Matemticas, Ingenieras y Administracin en instituciones de educacin superior del pas.
Los docentes pueden adaptar este trabajo de acuerdo a las necesidades, expectativas y
requerimientos de cada uno de los cursos, niveles y enfoques que ofrezcan los programas curriculares
respectivos.
Dentro del contexto educativo, una de las maneras de enfrentar la prctica pedaggica en el
proceso enseanza - aprendizaje en diferentes fases y de manera muy particular sera:
- Cuando el docente comienza, trata de ensear ms de lo que sabe.
- Cuando el docente lleva algn tiempo, trata de ensear lo que no ha podido aprender.
- Cuando el docente lleva mucho tiempo, trata de ensear lo que no sabe.
El autor lleva veinte aos en docencia en la Universidad Nacional de Colombia Sede Manizales y
hasta el momento no intenta descubrir en qu fase de las tres anteriores se encuentra.
Finalmente, un comentario: en el oeste exista un cartel famoso al lado de un maestro que tocaba
el piano en el que se poda leer "Por favor no le disparen al pianista. Ha hecho lo mejor que ha podido".
En este caso particular todas las inconsistencias, errores y desaciertos de cualquier tipo se atribuyen al
autor.
Docente Departamento de Informtica y Computacin
Facultad de Administracin
Universidad Nacional de Colombia Sede Manizales
1 7
P R E F AC I O
El presente texto es una introduccin a la Optimizacin y est constituido por los siguientes
captulos: la primera parte del captulo I, en un 90% aproximadamente corresponde a la Resea
Histrica de la Investigacin de Operaciones; una excelente monografa del profesor de la Universidad
Pblica de Navarra Doctor Don Francisco J avier Fauln Fajardo y la ltima parte contiene las definiciones
de Investigacin de Operaciones, sus principales divisiones, una tabla cronolgica; se contina luego
con un recorrido por la Biografa de George Bernard Dantzig, sus relaciones con Wassily Leontief,
Leonid Vitalievich Kantorovich, Chames, Koopmans, Cooper, von Neumann, Oscar Morgenstern, L.
G. Khachiyan, as como el algoritmo de Narendra Karmarkar; el captulo termina con el futuro de la
Investigacin de Operaciones.
El captulo II es un estudio de la Concavidad y Convexidad, donde se analizan los conjuntos
convexos, el Teorema de Weierstrass, las funciones convexas y la concavidad de funciones, entre
otros temas.
El captulo III corresponde a planteamiento de problemas en Programacin Lineal.
En el captulo IV se presentan los mtodos de solucin en Programacin Lineal, es decir, el
mtodo grfico, los mtodos analticos, otros temas en Programacin Lineal, y finaliza con la
Programacin Lineal Borrosa o Difusa.
El captulo V est dedicado a la Dualidad en Programacin Lineal, al anlisis de posoptimalidad y
a la Programacin Lineal Paramtrica.
En el captulo VI se tratan algunos de los Problemas de Redes: transporte, intertransporte y
asignacin.
El captulo VII trabaja la Programacin Lineal Entera y sus derivadas: Entera Binaria y Entera
Mixta.
El captulo VIII corresponde a la Teora de Decisiones en ambientes de certeza, de incertidumbre
y de riesgo.
En el captulo IX se contina con los Modelos de Redes, se trabajan los problemas de: flujo
mximo, de la ruta ms corta, del rbol de mnimo recorrido, del PERT / CPM / LPU / ROY / RAMPS,
trayectorias de Euler, los puentes de Knigsberg, trayectorias de Hamilton, del agente viajero, entre
otros.
En el captulo X se trata el problema de la Programacin No Lineal, considerada como la ms rica
y extensa en dificultades, correspondiente a la Optimizacin, debida a la estructura y comportamiento
1 9
de las funciones no lineales. Se estudian los temas de programacin clsica libre, clsica con restricciones,
no lineal diferenciable, no lineal no diferenciable, cuadrtica, separable y geomtrica.
El captulo XI contiene la Programacin Dinmica con sus procesos polietpicos de decisin, el
principio de optimalidad de Richard Bellman, la descomposicin, el problema de decisin de una etapa
o de "n" etapas y la funcin recursiva.
En el captulo XII se estudian los Modelos de Inventarios, la cantidad econmica de pedido, los
sistemas de control de inventarios ABC, la planeacin de requerimiento de materiales MRPI , MRPI I
y MRP III.
El captulo XIII trata la Teora de Colas, procesos de nacimiento y muerte, las medidas de eficiencia
de un sistema, la inferencia estadstica y diferentes modelos de colas.
El captulo XIV hace referencia a la Optimizacin Estocstica; entre otros temas se trabajan los
siguientes modelos: de valor esperado, de mnima varianza, de mnimo riesgo a nivel k, modelo donde
las Cj estn normalmente distribuidas; modelo de Kataoka, con restricciones aleatorias, con restricciones
conjuntamente distribuidas, con compensacin lineal; programacin lineal estocstica, optimizacin
estocstica de doble etapa y multietapa, optimizacin no lineal estocstica, optimizacin robusta y
redes estocsticas.
En el captulo XV se estudian las Cadenas de Markov, en tiempo discreto, homogneas, con
espacio de estado finitos y en tiempo continuo con espacio de estados discreto.
Acontinuacin en el captulo XVI se analizan las Decisiones Multicriterio y el Anlisis Multiobjetivo,
el criterio de optimalidad Paretiana, tasa de intercambio o trade - off entre criterios; clasificacin de las
tcnicas multicriterio y multiobjetivo, mtodo de las ponderaciones, mtodo de las restricciones,
programacin meta y proceso analtico jerrquico.
En el captulo XVII se estudia la Teora de J uegos, sus aplicaciones, juegos de suma cero de dos
personas, estrategias maximin y minimax, punto de silla de montar.
El captulo siguiente, es decir, el XVIII se refiere a Simulacin, tipos, generacin de aleatorios,
nmeros autnticamente aleatorios, nmeros pseudoaleatorios, nmeros cuasialeatorios, lenguajes y/o
paquetes de simulacin, mtodo de Montecarlo, simulacin discreta, simulacin continua, generacin
de variables aleatorias, distribuciones estadsticas de probabilidad continuas y distribuciones estadsticas
de probabilidad discretas.
Finalizando, en el captulo XIX, se estudian los Metaheursticos, recocido simulado, bsqueda
tab, GRASP, redes neuronales artificiales, algoritmos genticos, algoritmos memticos, colonia de
hormigas y partculas swarm.
De otra parte el Apndice contiene lo siguiente:
Un pseudoprograma para trabajar en calculadora programable el algoritmo simplex,
seguidamente se utiliz el paquete WINQSB (Quantitative Systems Business for Windows) Versin
20
1.0 de Yih - Long Chang, contina con LINDO (Linear INteractive Discrete Optimizer) de Lindo
Systems Release Versin 6.0.
El programa siguiente corresponde a MATHEMATICA de Wolfram Research Versin 3.0 y
finalmente se presenta el SOLVER de Excel, de J ohn Watson y Dan Fylstra de Frontline Systems, Inc.
Por ltimo, se presenta una Bibliografa, compuesta por dos partes: libros y algunos enlaces
importantes en Internet.
21
C AP T UL O I
P AS ADO, PRESENTE Y F UT UR O DE LA
I NVE S T I GAC I N DE OP E R AC I ONE S
El texto que inicia en la pgina 23 hasta la pagina 37 inclusive, es tomado de:
Notas sobre Cuestiones Histricas de la Investigacin de Operaciones, de
Francisco Javier Fauln Fajardo de la Universidad de Navarra, Espaa.
BREVE RESEA HISTRICA
Int r oducci n
Las diferentes ciencias han de ser comprendidas con profundidad antes de poder ser analizadas
desde un punto de vista histrico. Quizs no sea fcil establecer los orgenes de la Investigacin Operativa,
porque no se tuvo conciencia de la misma hasta mucho ms tarde de que algunas de sus ramas
nacieran y se desarrollaran. No obstante, es necesario relacionar el alumbramiento de la Investigacin
de Operaciones, por lo menos nominalmente, con el transcurso de la II Guerra Mundial. Por esta razn,
hemos de pensar en los orgenes de la ciencia operacional como en los de una tcnica de naturaleza
militar. Dichos orgenes han supuesto una impronta decisiva en el tratamiento de las tcnicas
operacionales. En este sentido, cuando se pretende trazar una historiografa de una ciencia es muy
importante delimitar la frontera de la misma en los terrenos conceptual e histrico. Sin estas delimitaciones
se hace muy difcil entender las posibles clasificaciones que se presentan en las diferentes relaciones
histricas.
Realmente no son muchas las monografas sobre la historia de la ciencia operacional. Slo
pretendemos presentar aqu unos comentarios introductorios al respecto. Algunos autores como Prez
Vilaplana\ inician el estudio en la antigedad anterior a la era cristiana, puesto que concibe la
Investigacin de Operaciones en ntima relacin con la teora de la Organizacin y con la Teora de
Sistemas. En este sentido, las cuestiones organizacionales siempre han preocupado a la humanidad, y
por ello han sido intrnsecas a cualquier cultura y civilizacin. Sin embargo, creemos que dentro de la
ciencia operativa son muy importantes los aspectos siguientes:
a) La modelizacin matemtica
b) El desarrollo computacional
1 Prez Vi la po no J. (1977) "Nota sobre el desarrollo histrico de la Investigacin de Operaciones ". Publicaciones del Laboratorio de Ingeniera
Industrial de Panam. Serie A, n" 10.
23
De tal forma que es muy difcil entender esta ciencia sin dichos aspectos. En qu medida las
cuestiones relacionadas con la produccin y fabricacin, con la organizacin y los recursos humanos
constituyen un cuerpo solidario con la Investigacin Operativa? Desde luego es innegable la ntima
relacin entre las tareas productivas y la ciencia operacional, si bien puede contemplarse esta ltima
con una visin mucho ms amplia, de manera que puede englobar muchos aspectos de la primera. La
Investigacin Operativa ha supuesto una unificacin de modelos que tienen por objeto la observacin,
comprensin y prediccin de diversas organizaciones sistmicas de naturaleza dispar en los campos de
conocimiento de la Economa de la Empresa, de la Ingeniera, de las Finanzas... por tanto, es difcil
concebir una Investigacin de Operaciones existente en la antigedad clsica, por ejemplo, a no ser
que tengamos un concepto excesivamente laxo de la ciencia operacional, pero no cabe duda de que el
desarrollo de la teora organizacional a lo largo de la historia ha supuesto el germen de dicha ciencia en
los siglos posteriores. Es importante sealar que son los dos aspectos anteriormente sealados los que
han hecho concebir de una manera clara el concepto de esta ciencia y el de su denominacin.
Probablemente, concepciones muy expansivas en el tiempo no responden a una claridad en la concepcin
de la gnesis operativa.
En otro orden de visin, es posible plantearse la dualidad del mtodo operacional: i) visin modelista-
matemtica ii) visin prctico-industrial. Desde la poca moderna, estas dos visiones han permitido
abordar multitud de problemas de manera complementaria. La modelizacin supone una abstraccin
del problema planteado, que resume los aspectos ms importantes del mismo, en orden a resolverlo
de una manera eficiente (se entiende por eficiente, que mejora la gestin del problema en algn
sentido). La modelizacin, por cuanto pretende compendiar el ncleo sustantivo del problema,
proporciona una ayuda manifiesta para su resolucin. Por supuesto, esta solucin del modelo se
complementa con la visin prctico-industrial. Las conclusiones tericas se enriquecen al ser
implementadas en la realidad. El planteamiento continuado del problema establece una manera o una
costumbre de abordarlo, originando soluciones aceptablemente buenas. Este hecho constituye la base
de la visin prctica. De la conjuncin de estas dos visiones es posible conseguir un proceso reiterado
que logra soluciones al problema planteado.
Claramente, para la consecucin de estas visiones desde un punto de vista histrico, es necesario
haber desarrollado una madurez cientfica que la humanidad no posee hasta la poca moderna. Se
podra pensar que esta conceptualizacin de la Investigacin de Operaciones es reduccionista, pero
diversos autores, como Miser
2
, la toman as, entendiendo toda la teora anterior de la organizacin
como un preludio necesario para la constitucin de la ciencia operacional, pero no como parte integrante
de la misma. Seguiremos esta ltima concepcin, en la que la Investigacin de Operaciones surge a
partir de la constitucin de una sociedad productiva a gran escala, y que ya dispone de herramientas
matemtico-lgicas para la resolucin de los problemas que acarrea la dinmica productiva.
Pr ol egmenos y r udi ment os d e l a Invest i gaci n d e Oper ac i ones : l a
Ci enci a d e l a Gest i n
Despus del proceso introductorio llegamos al momento delicado de establecer diferencias entre
la Investigacin de Operaciones y la Ciencia de la Gestin (o de la Administracin). Entendemos por
2 Miser, H. J. (1978). "The History, Na tu re, and Use of Operotions Research", en "Handbook of Operations Research. Foundations and
Fundamentis". Van NostrandReinho/ dCompony.
24
Ciencia de la Gestin (traduccin del trmino ingls Management Science) la aplicacin de los mtodos
y tcnicas de la ciencia actual a los problemas de toma de decisiones en la administracin. Realmente,
esta misma definicin podra valer tambin para Investigacin Operativa, aunque sta necesite de un
manejo ms explcito de tcnicas matemticas. Por tanto, estas dos ciencias pueden darse en el momento
presente como equivalentes o sinnimas. No obstante, se puede comprender que la gestin y la
organizacin han sido necesarias para la humanidad desde sus albores.
La necesidad de planificacin y organizacin aparece ya en el antiguo Egipto hacia el ao 4000 a.
C. y se va desarrollando a travs de toda la Antigedad hasta el advenimiento del Imperio Romano. En
Israel y China tambin aparecen tmidos escarceos de organizacin y direccin hacia el ao 1000 a. C.
Nabucodonosor establece algunas ideas sobre control de la produccin hacia el ao 600 A.C. En
Grecia, se desarrollan en 350 A.C. los primeros mtodos de organizacin del trabajo y del tiempo.
Alrededor de 30 A.C, J ulio Csar establece diversas ideas de planificacin, control y unidad de mando,
que luego pone en prctica en todo el Imperio Romano.
Todos los estudios y planteamientos organizacionales de la Antigedad tienen su proyeccin, que
no su continuacin, a lo largo de toda la Edad Media, en donde se aprovechan sin posteriores desarrollos.
Durante el siglo XV, en la Italia renacentista se vuelven a plantear de nuevo las cuestiones organizativas
y aparecen diversos estudios sobre costes y sobre control de existencias. No es fcil establecer otros
hitos acerca de la organizacin hasta el siglo XVIII, cuando Pierre de Montmort inicia sus primeras
ideas directivas que luego dan lugar a la Teora de J uegos.
Con los inicios de la I Revolucin Industrial, el sentido y la forma de estudio de la Ciencia de la
Gestin adquieren su ser ms pleno. Por otra parte, el desarrollo de las matemticas durante los siglos
XVffl y XIX permite disponer de las herramientas necesarias para la futura construccin de la Investigacin
de Operaciones. De esta forma, en 1767, Gaspard Monge descubre la manera geomtrica de resolver un
programa lineal. Posteriormente, Adam Smith establece el principio de especializacin en los trabajos, y
Robert Owen, ya en el siglo XIX, realiza un estudio sobre tareas en un proceso productivo y advierte de
la necesidad de adiestramiento en las mismas por parte de los operarios. Una aportacin fundamental la
realiza Babbage, en 1832, construyendo lo que se podra llamar el primer computador digital, que vendra
a ser el antecesor de los modernos ordenadores. A finales del siglo XIX, J oseph Wharton hace de la
direccin estratgica e industrial un saber universitario. No obstante, el auge de las revoluciones industriales
del XIX permite establecer un caldo de cultivo adecuado para el estudio de la ciencia operacional. As,
Frederick W. Taylor y Henry L. Gantt ante la necesidad de planificacin de la produccin, establecen el
mtodo cientfico de direccin y las grficas de programacin productiva (de Gantt), respectivamente. A
partir de este momento aparece la aportacin nuclear del siglo XX a la Investigacin de Operaciones,
sabiendo que es en esta centuria cuando se produce su nacimiento real.
Gnesi s d e l a I nvest i gaci n Op er at i v a en el si gl o XX
Diversos hechos haban ocurrido en los albores de este siglo, que luego ayudaron a la gnesis de
la ciencia operativa. Entre otros citaremos: a) los rudimentos de la teora de colas, con A.K. Erlang, y
b) la construccin del modelo econmico del tamao del lote, con EW. Harris. Sin embargo, estos hitos
que luego constituyeron elementos clave de la Investigacin Operativa, no permitieron establecer la
misma como un saber independiente.
25
Tiene sentido iniciar nuestra exposicin en el momento en el que se tuvo una conciencia clara de
que algo nuevo y diferenciador estaba naciendo en el mbito de la teora de la organizacin en gran
escala. Este momento es el preludio de la II Guerra Mundial. Podramos decir que es hacia 1935
cuando Inglaterra se da cuenta de que necesita dar una respuesta adecuada al creciente podero militar
alemn. Por esta razn, el gobierno ingls urge un grupo de cientficos a que realicen experimentos que
conduzcan a un mejor control del espacio areo. Fruto de esta experimentacin aparece el radar, que
constituye el inicio de la lucha por la supremaca area. Este grupo de investigadores tom su base en
Bawdsey y por esta razn se llam grupo de Bawdsey.
De forma paralela, otro grupo se estuvo estableciendo durante 1936 para desarrollar el experimento
Biggin Hill, que permita la simulacin de aviones enemigos y su deteccin. La conjuncin de estos dos
grupos, permiti ofrecer a la RAF (Royal Air Forc) una estructura operacional para sus equipos
materiales y humanos, que le posibilit librar la batalla de Inglaterra en 1940-41. El grupo de Bawdsey
fue dirigido en 1938 por A.P. Rowe, el cual acu la expresin 'Operations Research', que posteriormente
se extendi dentro del mbito cientfico al resto de pases occidentales.
La batalla de Inglaterra se recrudece en el otoo de 1940. Por esta razn, se solicita la ayuda de
P.M.S. Blackett, un fsico que despus conseguir el Premio Nobel por sus trabajos en rayos csmicos,
con objeto de establecer una seccin de Investigacin Operativa dentro de los comandos de accin de
la RAF. Del mismo modo, Blackett fue consultado en diciembre de 1941, sobre la posibilidad de constituir
una seccin similar dentro de la Armada. Dicha seccin fue creada en enero de 1942.
Cuando los Estados Unidos entran en la guerra, son conscientes de la necesidad de tales grupos
operativos y de la constitucin de secciones operacionales para el xitos de los mismos. De esta
manera, constituyen en 1942 un grupo operacional de lucha antisubmarina (ASWORG - Anti - Submarine
Warfare Operations Research Group) que recoge toda la experiencia inglesa desarrollada por Blackett.
De forma similar, la Fuerza Area Americana estructura diversos grupos operacionales para llevar a
cabo sus labores logsticas. Al final de la guerra, la Armada americana dispona de un departamento de
Investigacin Operativa compuesto por ms de setenta cientficos, y la Fuerza Area dispona de ms
de dos docenas de secciones operacionales.
No puede decirse que las potencias del Eje hicieran uso de las tcnicas operacionales durante la
II Guerra Mundial, mientras que el nmero de cientficos e investigadores involucrados en Investigacin
Operativa en la contienda por parte de ingleses, americanos y canadienses super los setecientos. Las
aportaciones que hicieron todos estos investigadores supusieron un giro Copernicano en la manera de
concebir la Ciencia de la Gestin en los aos siguientes. De alguna manera, todos estos estudiosos que
trabajaban de manera aislada en los aos treinta, se aglutinaron holsticamente con ocasin de la guerra,
y produjeron un conjunto de tcnicas y teoras que ocasionaron el alumbramiento de la Investigacin de
Operaciones como ciencia.
El c r ec i mi ent o d e l a I nvest i gaci n d e Oper ac i ones , 1945- 1995
Es muy difcil condensar en unas lneas todo lo que han supuesto las dcadas anteriormente
mencionadas para la ciencia operacional, habida cuenta de su importancia y de la riqueza de trabajos
producidos. Realmente, se ha construido ms ciencia operacional durante estos aos que en todo el
resto de la historia de la humanidad. Puede decirse, por tanto, que la verdadera historia de la Investigacin
26
Operativa se ha desarrollado durante este perodo: se han establecido lneas de investigacin, han
aparecido sociedades profesionales, se han creado revistas de investigacin, se han publicado libros y
se ha incluido la materia dentro del curriculum educativo.
Una vez finaliz la contienda mundial y habida cuenta del xito cosechado por las tcnicas
operativas, stas continuaron desarrollndose dentro del mbito militar, puesto que era el ejrcito
quien posea la mayor parte de los investigadores, y quien estaba interesado en proseguir dicha lnea
de trabajo. A mediados de los aos cincuenta se desplaz el centro de gravedad de inters de la
Investigacin Operativa, y alcanz el terreno industrial y el acadmico. Aparece el inters por la
Ciencia de la Gestin (Management Science). En la dcada de los setenta ha continuado el desarrollo
expansivo de la Investigacin Operativa, llegando al mbito de la administracin pblica, tratando los
siguientes tipos de problemas: transporte urbano, administracin de justicia, construccin de edificios
pblicos, educacin, hospitales y servicios sociales. De esta manera, el peso investigador de la
Investigacin Operativa se desplaza desde el Reino Unido a los Estados Unidos, en donde se
constituyen diversos institutos y organizaciones de estudio como The Urban Institute (1968) y The
New York City-Rand Institute (1969). Tambin, son muchas las empresas que a partir de los aos
cincuenta se ayudan de tcnicas operativas para disear sus polticas de produccin y de distribucin.
Por ejemplo, en una encuesta que realiza Turban en 1972 en Estados Unidos sobre las 500 empresas
ms importantes del pas (de acuerdo con la revista Fortune), se deduce que la mitad de las empresas
que contestaron la encuesta posean un departamento especial dedicado a tareas de Investigacin
de Operaciones o Ciencia de la Administracin. No obstante, la Investigacin de Operaciones forma
cada da ms, una parte de las actividades normales de la empresa moderna y, por tanto, ya no se
trata de una funcin especializada que deba llevarse a cabo en un departamento separado. De
acuerdo con este estudio, las tcnicas operacionales ms empleadas eran el anlisis estadstico, la
simulacin, la programacin lineal, la teora de inventarios y la programacin dinmica. Otras tcnicas
empleadas, aunque de menor uso, eran la programacin no lineal, las lneas de espera, la teora de
juegos, el anlisis de decisin de Bayes y la programacin entera.
Posteriormente, se realizaron otras encuestas de resultados similares: a) en 1977, Ledbetter y
Cox
3
; b) en 1979, Thomas y DaCosta
4
; c) en 1983, Forgionne
5
. En todas ellas se comprueba cmo
cada vez son mayores en nmero las tcnicas operativas empleadas, y cmo dichas tcnicas aparecen
con ms frecuencia en otras reas o departamentos de la empresa. Estudios de otro tipo fueron los de
Fabozzi y Valente
6
que encuestaron, en 1976, mil compaas americanas en relacin al uso de la
programacin matemtica (programacin lineal, no lineal y dinmica). Estos autores descubrieron que
era la direccin de Produccin (mezclas de productos, asignacin de recursos, diseo de planta y
maquinaria,...) el rea en donde ms se aplicaba la Investigacin de Operaciones dentro del mbito de
la empresa. En nmero de aplicaciones le segua el rea de Inversin y Financiacin.
3 Ledbetter, IV. N./ Cox J. F. (1977) "Are OR techniques Being Used", industrio! Engineering, 19- 21, Febrero 1977
4 Thomas G. / DaCosta J. (1979) "A Sample Survey of Corporate Operations Research", Interfaces, 9: 102 - 111
5 Forgionne, G. A. "Corporate Management Science Activities: An Update", Interfaces, 13:20- 23
6 Fabozzi, F. J./ Valente J. (1976) " Mathematical Programming in American Companies: A Sample Survey", Interfaces, 7: 93 - 98, Noviembre
27
Soci edades pr of es i onal es
Una prueba de la maduracin de una ciencia lo constituye el establecimiento de slidas sociedades
profesionales que agrupen a los ms prestigiosos profesionales de la materia. As, en Estados Unidos a
principios de los aos cincuenta se crean las dos ms famosas, ORSA (Operations Research Society
of America, 1952) y TIMS (The Institute ofManagement Science, 1953), que se fusionaron en 1995
para constituir INFORMS.
Desde un punto de vista histrico, el primer intento asociacionista tuvo lugar en Inglaterra, en
abril de 1948, cuando se funda el Operational Research Club, como un lugar en el qu discutir y
conversar acerca de cuestiones operacionales por parte de los antiguos cientficos que haban tomado
parte en la guerra mundial. J .A. J ukes fue su primer secretario. La idea fundacional era proporcionar
una estructura organizativa en la que tuvieran lugar seis reuniones anuales en la sede de la Royal
Society de Londres. Dicho club fund la revista Operational Research Quarterly, cuyo primer nmero
apareci en marzo de 1950, con Max Davies y R.T. Eddison como editores. En 1953, habida cuenta del
desarrollo del club, ste deviene en la Operational Research Society, cuyo primer presidente fue O. H.
Wansbrough-J ones.
Del mismo modo y aunque posterior en el tiempo, en Estados Unidos aparece la primera sociedad
operativa ORSA. El nacimiento de dicha sociedad tiene lugar en una reunin en mayo de 1952 en
Arden House, Harriman, New Cork-Philip M. Morse, fue elegido el primer presidente. Dicha sociedad
public la revista J ournal of Operations Research Society of America, que en 1956 pas a llamarse
simplemente Operations Research, con Thornton Page como editor.
En 1953, la labor de ORSA se vio completada con la de TIMS, sociedad de carcter internacional
y cuyo primer presidente fue William W. Cooper. Dicha sociedad public el primer nmero de la revista
Management Science en septiembre de 1954, siendo C. West Churchman su primer editor. El desarrollo
y la colaboracin de estas sociedades condujo a que entre el 2 y el 5 de septiembre de 1957 se
celebrara en la Universidad de Oxford la Primera Reunin Internacional de Investigacin de Operaciones
con 250 delegados de 21 pases. Otras reuniones tuvieron lugar en aos sucesivos enAix-en-Provence
(1960), Oslo (1963), Cambridge, Massachusetts (1966), Venecia (1969), Dublin (1972) y Tokio (1975).
Las actas de todas estas reuniones compendian todos los avances, innovaciones y descubrimientos de
la Investigacin de Operaciones en el mundo.
Fruto de la primera reunin internacional, en 1959 se constituye IFORS (International Federation
of Operational Research Societies), federacin de las sociedades ORSA, Operations Research Society
y Socit Frangaise de Recherche Oprationelle. En la actualidad, ms de treinta y cuatro sociedades
nacionales e internacionales se encuentran vinculadas a IFORS. Llegados a este punto de nuestra
exposicin podemos preguntarnos cunta gente en el mundo se encuentra profesionalmente vinculada
a la Investigacin de Operaciones. Simplemente, una aproximacin inicial al nmero de personas
pertenecientes a una sociedad operativa arroja la cifra de unos 35000 a 40000.
Una relacin detallada del nmero de sociedades operativas existentes en el mundo y del ao de
su fundacin se da a continuacin en la Tabla 1.
28
TABLA N 1
Fecha
fundacin
Fecha
Pas Sociedad
Fecha
fundacin
adhesin
I FORS
Argentina Sociedad Argentina de IO 1960 1962
Australia Australian Operational Research Society 1959 1960
Blgica
Socit Belge pour 1' Application des
Mthodes Scientifiques de Gestion
1958 1960
Alemania
Deutsche Gesellschaft ftir Operations
Research
1961 1962
Canad Canadian Operational Research Society 1958 1960
Reino Unido Operational Research Society 1948 1959
Espaa
Sociedad de Estadstica e Investigacin
Operativa
1962 1963
EE.UU. Operations Research Society of America 1952 1959
Rusia
Technical Committee on Operations
Research
1952 1959
Brasil
Sociedade Brasileira de Pesquisa
Operational
1969 1969
Francia
Association Franaise por la
Cyberntique Economique et Technique
1956 1959
Italia
Associazione Italiana di Ricerca
Operativa
1961 1962
Holanda Sectie Operationele Research 1958 1960
Japn Operations Research Society of Japan 1957 1961
Francia
Association Franaise por la
Cyberntique Economique et Technique
1956 1959
Esta profusin de sociedades demuestra la viveza de la ciencia operacional, puesto que permite
decir que desde la dcada de los setenta se ha constituido en una ciencia extendida umversalmente.
La profusin de revistas y libros ha contribuido a ello sobremanera, puesto que ha sido el nexo de
unin y comunicacin entre estudiosos e investigadores. Este ser el aspecto que a continuacin
vamos a tratar.
Revi st as y l i br os en l a di f usi n d e l as t cni cas oper at i v as
La primera revista publicada en el campo operacional fue Operational Research Quarterly, editada
por la Operational Research Society en 1950. La siguiente fixe Operatians Research, publicada en
Amrica por ORSA. A partir de 1955 ya son numerosas las revistas de Investigacin de Operaciones
29
que aparecen en los pases occidentales. No obstante, a partir de 1965 el nmero de artculos operacionales
publicados crece de manera exponencial en el mundo cientfico.
Por su gran utilidad como revista recopiladora de artculos de Investigacin de Operaciones se
encuentra International Abstrais in Oprations Research (IAOR) creada en 1961, que publica resmenes
de notas y artculos de Investigacin Operativa de todas las revistas del mundo. Aunque inicialmente
IAOR es publicada por ORSA, en la actualidad realiza esta labor North-Holland Publishing Company
(Amsterdam) para IFORS. Esta labor de recopilacin para los aos anteriores a 1961 fue realizada por
J ames H. Batchelor, dando lugar a la publicacin de una obra en tres volmenes. De esta forma LAOR,
junto con los estudios de Batchelor, permite disponer de una relacin actualizada de toda la literatura de
Investigacin de Operaciones en el mundo.
De igual modo, las revistas ms importantes de Investigacin de Operaciones en el mundo, de
acuerdo a su inters histrico son las siguientes (entre parntesis se ha sealado el ao de su fundacin):
Operational Research Quarterly (1950)
Oprations Research (1952)
Naval Research Logistics Quarterly (1954) Management Science (1954)
Revue Franaise d Automatique, Informatique, Recherche Operationelle (1956)
Zeitschrif fiir Oprations Research (1956)
J ournal of the Oprations Research Society of J apan (1957)
Interfaces (1971)
INFOR (J ournal of the Canadian Operational Research Society) (1971)
De acuerdo a su proyeccin en la comunidad cientfica
7
puede decirse que las revistas con mayor
ndice de impacto son las siguientes:
Mathematics of Oprations Research
Management Science
Systems Control Letters
Oprations Research
Mathematical Programming
En lo referente a los libros, es innegable la existencia de una gran cantidad de obras que en la
actualidad presentan los problemas operacionales. Aqu nicamente se va a pretender mostrar aquellos
textos que supusieron un aporte bsico desde el punto de vista histrico. Una aportacin fundamental
dentro del crecimiento y expansin de la Investigacin de Operaciones, fue la publicacin de los
/ Journal Citation Reports (1991), "Socio!Science Citations Index"Institute for Scientific Information.
30
conocimientos operacionales conseguidos en la II Guerra Mundial, a travs de diversas obras como:
Morse y Kimball
8
(1946), Johnson y Katcher
9
(1973) y Waddinton
10
(1973). La primera de ellas
fue durante veinticinco aos una obra de obligada referencia para todos los profesionales de la gestin
operativa. No cabe la menor duda, que es necesaria la sedimentacin de conocimientos antes de
escribir unos manuales que expongan los hitos y pautas fundamentales de la Investigacin Operativa.
Por esta razn, la realizacin de libros es posterior en el tiempo a la creacin de revistas. Una plyade
de libros con grandes aportaciones en el campo operacional ve la luz a finales de los aos cincuenta.
Por destacar los ms importantes podemos citar:
Koopmans (1951)" Activity Analysis of Production and Allocation"
McKinsey (1952) "Introduction to the Theory of Games"
Whitin (1953) "The Theory of Inventory Management"
Manne (1956) "Scheduling of Petroleum Refinery Operations"
Bellman (1957) "Dynamic Programming"
Dorfman, Samuelson y Solow (1958) "Linear Programming and Economic Analysis"
Saaty (1959) "Mathematical Methods of Operations Research"
Por supuesto, a partir de los aos sesenta, la Investigacin de Operaciones ya se encontraba
totalmente separada del mbito militar y constituye claramente una ciencia civil. Realmente los
acontecimientos ms prximos son ms difciles de describir histricamente puesto que aparecen
desperdigados dentro de cada una de las ramas de la ciencia operacional. Es decir, por ejemplo, los
logros en programacin matemtica no necesariamente se construyen sobre los avances en teora de
colas; aunque evidentemente si influyen. Esto hace que la historia de la ciencia operacional se vincule
de manera estrecha a la de cada una de sus especialidades. Por ello, es interesante conocer una
divisin clsica de las ramas operativas de acuerdo con tipo de modelos que manejan:
I) Modelos Determinsticos
1. Programacin Lineal.
2. Programacin Entera.
3. Teora de Grafos.
4. Flujos en Redes.
5. Programacin Geomtrica.
6. Programacin No Lineal.
7. Programacin a Gran Escala.
8. Teora de Control ptimo.
8 Morse, P. M. / George f. K. (1946) "Methods of Operations Research", Notional Defense Research Committee, Washington. D. C.
9 Johnson, E. A./ Katcher, D. A. (973) "Minest Against Japan", Naval Ordenance Laboratory, Silver Spring, Maryland.
10 Waddinton, C. H. (1973) "OR in World War 2 - Operacional Research against the U- Boat", Paul Elek Ltd., London
31
II) Modelos Estocsticos
1. Procesos Estocsticos.
2. Teora de Colas.
3. Teora del Valor.
4. Anlisis de Decisin.
5. Teora de J uegos.
6. Teora de Bsqueda.
7. Simulacin.
8. Programacin Dinmica.
9. Teora de inventarios.
Fcilmente se puede comprender que una historiografa completa de la Investigacin de Operaciones
en los aos ms recientes pasa por la descripcin histrica de cada una de las ramas anteriormente
apuntadas. Puesto que la exposicin que aqu se pretende no tiene intenciones de exhaustividad,
nicamente nos ceiremos al desarrollo histrico de la Programacin Matemtica, como manera de
concretar la exposicin de la ciencia operacional.
Especi f i caci ones y concr eci ones hi st r i cas d e l a Invest i gaci n Op er at i v a:
La Pr o g r amac i n Mat emt i c a
La Programacin Matemtica ha formado parte de la Investigacin de Operaciones desde la
constitucin de la misma como ciencia, hasta la actualidad. Sin embargo, muchos de los problemas
tratados por la Programacin Matemtica eran conocidos desde mucho antes. Grandes matemticos
de los siglos XVIII y XIX, como Euler, Gauss y Lagrange trabajaron en problemas de optimizacin con
restricciones y establecieron las primeras condiciones de optimalidad. Lo cual quiere decir que los
problemas que la Programacin Matemtica planteaba en los aos cuarenta de nuestro siglo no eran
nuevos en su formulacin, pero s en su enfoque. Los mtodos matemticos clsicos no estaban pensados
para una resolucin en dimensiones altas, como iban a requerir las nuevas necesidades industriales.
Esta fue la aportacin de la ciencia operacional, mxime cuando se desarrollaron las tcnicas
computacionales que permitieron hacer realidad el clculo rpido y a gran escala. La Investigacin de
Operaciones supuso un giro Copernicano en la manera de tratar los programas matemticos. Se
implementaron algoritmos que computacionalmente eran ms eficientes que los clsicos, y de esta
manera, problemas que tradicionalmente haban sido complejos, ahora resultaron asequibles. El cambio
de mentalidad era notable y por tanto un nuevo modelo cientfico se estaba abriendo paso.
Para el desarrollo de las distintas tcnicas algortmicas, era bsico el estudio de los sistemas de
desigualdad, como haban hecho los matemticos J ulius Farkas, J ean Batiste Fourier y T. S. Motzkin.
El anlisis de los problemas econmicos se debe a J ohn Von Neumann y a Abraham Wald. No obstante,
cuando se trata de presentar una descripcin histrica de la Programacin Matemtica, hay que tener
en cuenta la gran aportacin de Dantzig con su mtodo simplex para Programacin Lineal. Este hito ha
supuesto la demarcacin de la poca fundacional de la Programacin Matemtica. Dicho evento se ha
32
considerado como el inicio de la Investigacin Operativa, puesto que lo ha sido de la programacin
lineal, y ha trado consigo la resolucin de muchos problemas operacionales. Realmente, el nuevo estilo
marcado por el mtodo simplex ha construido el autntico espritu de la optimizacin matemtica. No
hay que olvidar la intencin de Samuel Eilon al inventar el trmino satis/izar (fusin de satisfacer y
optimizar) intentando describir la labor del investigador de operaciones: encontrar una solucin
satisfactoriamente (aceptablemente) ptima (o buena). De ah procede la sentencia: "optimizar es la
ciencia de lo esencial; satisfizar es el arte de lo factible" ".
Realmente, en cuanto se intenta resolver un problema prctico surgido de la empresa o de la
realidad econmica se puede palpar la potencia del mtodo simplex. En 1961, Abraham Chames y
William Cooper
12
publicaron un libro de gran influencia para los aos posteriores: Management Modas
and Industrial Applications of Linear Programming. Esta obra supuso un gran impacto en el desarrollo
de la prctica y de las aplicaciones industriales de la Programacin Lineal (principalmente en las
compaas petrolferas y qumicas). Pudo comprobarse la potencia de esta nueva herramienta, a la
hora de resolver los problemas decisionales de las grandes empresas. De igual modo, se aplic la
Programacin Lineal a la teora econmica, como muestran las aportaciones de Robert Dorfman, Paul
Samuelson y Robert Solow
l3
, o las de David Gale
14
, o bien las de Grard Debreu
15
. A finales de los
aos sesenta se public una plyade de obras que hacen madurar la Programacin Matemtica. As
podemos destacar las siguientes referencias:
1. Sal Gass (1967) "Linear Programming".
2. Michel Simmonard (1967) "Linear Programming".
3. Anthony Fiacco y Garth McCormick (1968) "Nonnear Pro gramming: Sequential
Unconstrained Mirmization Techniques".
4. Olvi Mangasarian (1969) "Nonnear Programming".
5. Tyrrell Rockafellar (1970) "Convex Analysis".
6. Williard Zangwill (1969) "Nonlinear Programming: An Urfied Approach".
Todas ellas junto con las aportaciones bsicas que se hicieron en los setenta:
1. Mordecai Avriel (1976) "Nonlinear Programming: Analysis and Methods".
2. Mokhtar Bazaraa y S.M. Shetty (1979) "Nonlinear Programming. Theory and
Algorithms ".
3. David Luenberger (1973) "Introduction to Linear and Nonlinear Programming".
Constituyeron un cuerpo doctrinal importante para el desarrollo de la Investigacin Operacional.
Podemos observar cmo todas estas aportaciones resultaron ser en el campo de la Programacin No
Lineal, sin duda el rea de la ciencia operativa que ms ha debido a las matemticas de los siglos
anteriores, y que ahora, junto con la Programacin Lineal, ms aplicaciones ha tenido en el campo
/ / EHon, S. (19/ 2) "Goals and constraints in Decisin - Making", Operational Research Quarterly, 23:3- 15.
12 Chames A. / Cooper W. (1961) "Management Models and Industrial Applications of Linear Programming". New York. Wiley.
13 Dorfman, R. / Samuelson, P./ Solow, R. (1958) "Linear Programming and Economics Analysis". New York. Mc Grow - Hill.
14 Gale, D. (1960) "The Theory of Linear Economic Models". New York. Mc Graw - Hill.
15 Debreu, G. (1963) "Theory of Value". New York. Wiley.
33
industrial y de la administracin pblica. Realmente bastantes obras se puede intentar citar, puesto que
muchas han sido las referencias que han aparecido en los ltimos aos. Es difcil tener un deseo de
exhaustividad y lograr llevarlo a cabo. No obstante, procuramos hacer referencia a todas aquellas
obras que han jalonado hitos sustanciales en la Programacin Matemtica. As, a la lista anterior
podemos aadir las dos citas siguientes:
1. Len Lasdon (1970) "Optimization for Large Systems".
2. Robert Garfinkel y George Nemhauser (1972) "Integer Programming".
La primera hace referencia a la obra ms importante acerca de Optimizacin a gran escala,
mientras la segunda constituye uno de los primeros tratamientos omnicomprensivos de Programacin
Entera.
NUEVOS DESARROLLOS DE LA PROGRAMACIN LINEAL
La Programacin Lineal fue una de las primeras herramientas cuantitativas con la que cont la
Investigacin Operativa. Rpidamente se descubri su eficiencia. Por esta razn, era muy interesante
conseguir nuevos mtodos de resolucin que hicieran la competencia al algoritmo simplex. Como una
innovacin destacable en los aos ochenta, aparece un nuevo y poderoso algoritmo para la resolucin
de programas lineales: en 1984, Narendra Karmarkar
16
de AT&T Laboratories public un artculo
presentando esquemticamente un mtodo para resolver programas lineales de gran tamao. Este
mtodo llamado algoritmo de Karmarkar se presenta como un buscador de ptimos a partir de puntos
interiores, siendo sta la gran novedad en relacin con el mtodo simplex.
Dicho artculo de Karmarkar no describe totalmente el mtodo resolutorio y adems afirma que
es mucho ms rpido que el simplex para problemas de gran dimensin. El intento de descubrimiento
de un remedo de dicho mtodo puso a toda la comunidad cientfica en pie de bsqueda. Pasaron cuatro
aos hasta que se logr un conocimiento general del mtodo y su distribucin comercial. Esta extensin
del algoritmo de Karmarkar fue debida a AT&T Laboratories, que llam a esta versin AT&T KORBX
Linear Programming System'. La instalacin completa de esta versin tuvo un costo inicial de US
$8'900.000.
Desde un principio se realizaron multitud de comparaciones entre el mtodo simplex y el de
Karmarkar, con objeto de determinar cul de los dos era el ms eficiente. Sin embargo, esto no es fcil
de determinar puesto que hay que especificar qu es exactamente lo que significa eficiencia. Es necesario
efectuar la comparacin en multitud de situaciones diversas y a partir de ellas establecer la correspondiente
tesis. Se han realizado estudios que cotejan el mtodo de Karmarkar con un paquete informtico
estndar del mtodo simplex llamado MINOS. Para problemas de tamao grande (a partir de varios
miles de restricciones) las mejoras en tiempo de clculo del mtodo de Karmarkar sobre el simplex son
notables (factores entre 10 y 50 son comunes). No obstante, esta situacin no supone la supremaca
16 Kormarkor, N. (1984) "A New Polinomial - Time Algorithm for Linear Programming". Combinatorica, 4: 373 - 395.
34
del mtodo de Karmarkar en todo tipo de problemas. No hay que olvidar que para problemas de
dimensin pequea, el mtodo simplex es ms intuitivo y fcil de aplicar.
Es posible que frente a la discusin 'mtodo simplex' versus 'mtodo de Karmarkar', la respuesta
sea que son complementarios y no sustitutivos. Esta idea parece sugerir el hecho de que el anlisis de
sensibilidad sea fcilmente desarrollable para el mtodo simplex y muy complejo para el de Karmarkar.
Podra decirse que el primero es mejor para problemas pequeos (cientos de variables), y el segundo
es preferible para problemas grandes (miles de variables). Sin embargo, algunos problemas necesitarn
de la concurrencia de estos dos mtodos para su resolucin, entendiendo as las ventajas de la
colaboracin.
Tambin es posible realizar algunos comentarios acerca de la complejidad computacional de cada
uno de los mtodos. El mtodo de Karmarkar es un algoritmo de tiempo polinomial, mientras que el
simplex no goza de esta propiedad, sino que es de tiempo exponencial. De esta forma, tenemos explicada
la razn por la cual el mtodo d Karmarkar obtiene mejores resultados para problemas de gran
dimensin.
No obstante, no hay que cifrar todos los logros en Programacin Lineal en el mtodo de Karmarkar,
puesto que se han conseguido mejoras importantes en el mtodo simplex, aunque espoleadas por las
investigaciones iniciadas por Karmarkar. Dichas mejoras se han conseguido con un mayor esfuerzo
investigador y con el desarrollo de nuevos ordenadores. As, IBM distribuye el MPSX / 370, sistema
basado en el mtodo simplex y que se usa en las computadoras IBM. En el Centro de Investigacin de
IBM Thomas J . Watson de Nueva York, se ha desarrollado el programa experimental YKTLP para la
aplicacin del mtodo simplex en computadoras IBM. Una de las caractersticas de este programa es
el uso del hardware vectorial para calcular, de manera simultnea, los nuevos coeficientes de las
variables bsicas en la funcin objetivo. Cuando el nmero de variables no bsicas es del orden de
miles, este programa supone un ahorro computacional considerable.
Es llamativo que los problemas que hasta hace unos aos necesitaban de computadoras de tamao
medio, ahora sean resolubles mediante ordenadores personales. En la actualidad, prcticamente cualquier
usuario de la Investigacin Operativa puede resolver problemas lineales mediante LINDO (u otra
utilidad informtica semejante) en un ordenador porttil. De esta manera, mediante LINDO se pueden
manejar problemas con hasta 2000 restricciones y 4000 variables, siempre y cuando el nmero de
coeficientes diferentes de cero no exceda de 32000. De igual modo, se desarroll el paquete MINOS
(empleando para Programacin Lineal el mtodo simplex) en el Systems Optimization Laboratory del
Departamento de Investigacin Operativa de la Universidad de Stanford, que ha sido usado ms
frecuentemente como herramienta optimizadora en Programacin No Lineal. Otros lenguajes de
modelizacin se han desarrollado para ordenadores personales. As, ha aparecido GAMS / MINOS
qu es una combinacin de los dos programas bien conocidos con objeto de construir un lenguaje de
modelizacin algebraica implementado por IBM. De la misma forma, ha aparecido el paquete
XPRESS-LP; y el lenguaje MPL (Mathematical Programming Language) desarrollado por Maximal
Software en Islandia. Esta misma casa produjo la utilidad Turbo-Simplex.
Han aparecido en los aos noventa, al unsono, otras utilidades informticas como son las hojas de
clculo, que permiten resolver programas lineales. Entre otras, se pueden citar las siguientes: VINO,
What's the Best ? y XA. Casi todas estas utilidades fueron construidas por IBM, para sus propias
35
computadoras, sin embargo, poco a poco, se van obteniendo versiones para Macintosh. Aunque stas
son las recientes aplicaciones informticas de los ltimos cinco aos, en el siglo XXI se mejorarn y se
extendern los lenguajes y paquetes informticos que disean la Programacin Lineal.
La pr ct i ca d e l a I nvest i gaci n d e Oper ac i ones . Pr emi os y menci ones
honor f i cas
Las cuestiones prcticas fueron las que contribuyeron al nacimiento de la Investigacin de
Operaciones. Sin ellas, la ciencia operacional hubiera tenido otro elemento constitutivo. Aunque no hay
que despreciar los grandes desarrollos tericos de muchas de las reas de la Investigacin Operativa,
sin los cuales algunos resultados no se hubieran dado; es necesario contemplar la Investigacin de
Operaciones como una ciencia fundamentalmente prctica. Desafos prcticos han inspirado multitud
de avances metodolgicos y tericos. Por ejemplo, hace aos las necesidades de distribucin de gas
natural llevaron al desarrollo del mtodo de descomposicin de Dantzig-Wolfe para programas no
lineales. Muchos otros problemas prcticos como los de distribucin de energa, mercados monetarios,
mercados agrcolas, equilibrio del trfico urbano... dieron lugar a otros tipos de modelos con sistemas
de desigualdades. En la cara opuesta de la moneda, las nuevas aportaciones en Programacin Entera
han permitido la resolucin de un amplio rango de problemas.
Afortunadamente, para conocer los principales trabajos prcticos en Investigacin Operativa se
puede consultar la revista Interfaces que publica bimestralmente INFORMS. Esta revista presenta
cada ao en su primer nmero, el trabajo ganador del premio Edelman, a la mejor aplicacin de la
Investigacin Operativa en cualquier campo tcnico: industria, gestin pblica, decisiones estratgicas...
Como ilustracin de lo anteriormente expuesto acompaaremos estos comentarios con algunas ideas
sobre dos trabajos que han ganado este premio:
1) Corte de rboles de manera ptima en Weyerhauser
17
: En una tala de rboles de tipo
industrial, una compaa maderera tiene que tomar decisiones sobre cmo cortar rboles talados en
troncos sin ramas con objeto de transportarlos a plantas de procesamiento que los transformen en
productos finales. Estas decisiones son importantes, puesto que el valor de un rbol vara hasta en un
cincuenta por ciento o ms dependiendo de cmo est cortado. La decisin de cortado es complicada,
puesto que depende de las caractersticas de los rboles talados (longitud, curvatura, dimetro...) as
como del valor final del producto acabado. Los analistas de Weyerhauser Company formularon este
problema mediante un programa dinmico y disearon un juego con video interactivo que permita jugar
contra el programa dinmico con objeto de probar y refinar las pruebas heursticas elegidas. Esta
tcnica ha contribuido a un aumento de beneficios de ms de 100 millones de dlares en diez aos.
2) Gestin de los recursos acuferos de Holanda
18
: La gestin de agua a nivel nacional es un
problema que debe buscar un equilibrio entre diversas consideraciones econmicas, polticas y tcnicas,
por un lado, y la incertidumbre en la disponibilidad y consumo de agua. El problema es particularmente
importante para un pas como Holanda, que depende fuertemente de la produccin de cosechas de
/ / Lembersky, M./ Chi, U. (1986) "Weyerhauser Decision Simulator Improves Timber Profits", Interfaces, 16: 6- 15.
18 Goeller, B. yel equipo PRAWN. (1985). "Planning the Netherlands Water Resources", Interfaces, 15:3- 33.
36
regado para su bienestar econmico. Con objeto de resolver este problema se han planteado seis
programas matemticos y dos procedimientos de optimizacin heurstica. Este planteamiento integrado
permiti el ahorro de miles de millones de dlares en gastos de inversin, y redujo el costo del dao a la
agricultura en cerca de 15 millones de dlares.
Muchos otros trabajos han aparecido bajo el amparo de INFORMS, sin embargo, los premios
otorgados a importantes trabajos de Investigacin Operativa, bien sea por su inters aplicado, bien por
el desarrollo de nuevas teoras, han supuesto un importante estmulo a la hora de planificar y dirigir
lneas concretas de investigacin. Algunos de estos premios han tenido un importante papel histrico y
han estado ms de moda en unos aos que en otros. Podemos citar, entre otros, los premios siguientes:
i) Premio Lanchester, otorgado anualmente por ORSA (ahora que se ha integrado en INFORMS,
lo concede dicho instituto) por la mejor publicacin en Investigacin de Operaciones en lengua
Inglesa. Se concede desde 1954, y en 1994 tena una dotacin monetaria de $5000.
ii) Premio Dantzig, concedido cada tres aos por la 'Mathematical Programming Society' y la
'Society for Industrial and Applied Mathematics' por la mejor contribucin original al campo
de la Programacin Matemtica.
iii) Premio Fulkerson, otorgado cada tres aos por la 'American Mathematical Society' y la
'Mathematical Programming Society' para el artculo de investigacin ms brillante en el campo
de las Matemticas Discretas.
iv) Premio Orchard-Hays, concedido cada tres aos por la 'Mathematical Programming Society'
por la excelencia en Programacin Matemtica Computational.
v) Premio Franz Edelman, otorgado por TIMS (ahora por INFORMS) a los mejores trabajos de
puesta en prctica de la Investigacin Operacional. Los galardonados con el primer premio
tienen una dotacin econmica de $ 10000 y su aplicacin es publicada en la revista Interfaces.
Estos premios han servido como impulso de la investigacin en el rea de la gestin operacional.
Quizs hemos hecho un hincapi grande en este ltimo epgrafe en las cuestiones relativas a la
Programacin Matemtica. Evidentemente, la Investigacin de Operaciones supera por extensin a la
Programacin Matemtica, sin embargo, sta ha sido el eje alrededor del cual han girado muchos de
los trabajos realizados en Investigacin de Operaciones.
Por supuesto, mucho ms podra haberse dicho en una introduccin histrica de la Investigacin
de Operaciones, sin embargo, aqu se ha pretendido hacer una mencin especial de los temas de
Programacin Lineal y No Lineal por considerar muy importante la aportacin que ellos han hecho
para la constitucin de la ciencia operativa.
37
DEFINICIN DE INVESTIGACIN DE OPERACIONES
Fundamentos de Investigacin de Operaciones Ackoff Russell L. / Sasieni Maurice W.,1971:
"La Investigacin de Operaciones se puede considerar como:
1) La aplicacin del mtodo cientfico.
2) Por equipos interdisciplinarios.
3) A problemas que comprenden el control de sistemas organizados hombre-mquina, para dar
soluciones que sin'an mejor a los propsitos de la organizacin como un todo.
Las caractersticas esenciales de la Investigacin de Operaciones sealadas en esta definicin,
son: a) su orientacin de sistemas (o ejecutiva); b) el uso de equipos interdisciplinarios y c) la
aplicacin del mtodo cientfico a problemas de control".
Introduccin a la Investigacin Operativa Churchman C. West / Ackoff Russell L. / Arnoff E.
Leonard, 1971:
"La Investigacin Operativa puede caracterizarse como la aplicacin de mtodos, tcnicas e
instrumentos cientficos a problemas que implican el funcionamiento de sistemas, para proporcionar
soluciones ptimas a las personas que controlan las operaciones".
Introduccin a las Tcnicas de Investigacin de Operaciones Daellenbach Hans G. / George
J ohn A. / McNickle DonaldC., 1987:
"La Investigacin de Operaciones trata de un enfoque cientfico al anlisis de muchos tipos de
problemas complejos de toma de decisin (econmicos, de ingeniera o de medio ambiente) en la
forma en que los enfrentan individuos y organizaciones de todos los tipos, ya sean comerciales o
benficas, privadas o gubernamentales. A menudo el problema estudiado implica el diseo y/o la
operacin de sistemas o partes de sistemas. Se pretende evaluar las consecuencias probables de las
elecciones de decisin, por lo general, bajo condiciones que requieren de la asignacin de escasos
recursos: fondos, humanos, tiempo o materias primas. El objetivo es mejorar la efectividad del
sistemas como un todo ".
m Introduccin a la Investigacin de Operaciones Hillier Frederick S. / Lieberman Gerald J ., 2006:
"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
-generalmente matemtico- con el cual se intenta abstraer la esencia del problema real. En esta
etapa se propone la hiptesis de que el modelo ser una representacin tan precisa de las
caractersticas esenciales de la situacin, que permitir que las conclusiones -soluciones-, obtenidas
sean vlidas tambin para el problema real. Despus se llevan a cabo los experimentos adecuados
para probar esta hiptesis, para modificarla si es necesario y para verificarla en determinado
momento -este paso se conoce como validacin del modelo-. En cierto sentido, la Investigacin de
Operaciones involucra la investigacin cientfica creativa de las propiedades fundamentales de las
operaciones. Sin embargo, es ms que esto. La Investigacin de Operaciones se ocupa tambin de la
administracin prctica de la organizacin. Por lo tanto, para tener xito, tambin debe
proporcionar conclusiones claras que el tomador de decisiones pueda usar cuando sea necesario".
38
I nvestigacin de Operaciones I zar Landeta J uan Manuel, 2008:
" La Investigacin de Operaciones puede definirse como un grupo de mtodos y tcnicas aplicables
a la solucin de problemas operativos de los sistemas.
Un rasgo que debe sealarse de la Investigacin de Operaciones es su carcter interdisciplinario,
es decir, se aplica a situaciones de diversa ndole en las empresas e instituciones, como pueden ser
en las reas de ventas, produccin, finanzas, personal, mercadotecnia, mantenimiento y otras".
Mtodos y Model os de la I nvestigacin de Operaciones Kaufmann A., Tomo 1 1965:
"La Investigacin de Operaciones es la ciencia de la preparacin de decisiones".
Enfoques Cuantitativos a la Administracin Levin Ri chard I. / Kirkpatrick Charles A., 1983:
"La Investigacin de Operaciones proporciona a los gerentes bases cuantitativas para la toma de
decisiones. La Investigacin de Operaciones eleva la habilidad de un gerente para hacer planes a
largo plazo y para resolver los problemas diarios de llevar un negocio, una unidad gubernamental
o una institucin privada.
El Investigador de Operaciones recopila e interpreta datos, construye y experimenta con modelos
matemticos, predice operaciones futuras y luego hace recomendaciones, haciendo aplicacin del
mtodo cientfico".
I nvestigacin Operativa Martn Martn Quintn, 2003:
"La Investigacin Operativa o Investigacin Operacional se puede definir como: la aplicacin 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".
I nvestigacin de Operaciones Mathur Kaml esh / Solow Daniel, 1996:
"Los administradores utilizan las matemticas y las computadoras para tomar decisiones racionales
en la resolucin de modelos, para llegar a la solucin ptima de problemas que involucran un gran
nmero de alternativas. El estudio de estos diversos mtodos y la forma en que los administradores
los usan en el proceso de decisin es la esencia de la Investigacin de Operaciones.
Las tcnicas de la Investigacin de Operaciones se aplican a las siguientes dos categoras bsicas
de problemas: determinsticos y estocsticos".
m I nvestigacin de Operaciones e I nformtica Mora J os Luis, 1986:
"Cuando aplicamos la Investigacin de Operaciones describimos algn sistema o conjunto de
elementos por medio de un modelo, que ser sometido a una serie de operaciones para determinar
su comportamiento; de esta manera el modelo nos pe?'mitir observar su funcionamiento bajo diversos
estados, con el propsito de seleccionar aquel tipo de comportamiento que a nuestro juicio sea el
ptimo o al menos el mejor de entre todos los obtenidos. Esto es, nos permitir seleccionar la mejor
forma de operacin del sistema en estudio, teniendo en cuenta la aplicacin del mtodo cientfico ".
Prctica de la I nvestigacin Operativa Empresarial Muro Senz J avier, 1975:
" Se ha definido la Investigacin Operativa como la preparacin cientfica de las decisiones".
39
Mtodos y Modelos de Investigacin de Operaciones Prawda Witenberg J uan, Tomo 1 2005:
"La Investigacin de Operaciones es a aplicacin de la metodologa cientfica a travs de modelos,
primero para representar el problema real que se quiere resolver en un sistema y segundo para
resolverlo. Los modelos que utiliza la Investigacin de Operaciones son matemticos y toman la
forma de ecuaciones. Estos modelos son diferentes a otros modelos, por ejemplo, los modelos de
experimentacin que se utilizan en las ciencias mdico-biolgicas, o los modelos de representacin
que se utilizan, por ejemplo, en la Astronoma".
Investigacin Operativa Ros Insua Sixto, 1996:
"Aunque dar una definicin buena es siempre difcil, se reproduce con ligeras modificaciones la
que da el profesor Johnson de la Operations Research Office de la John Hopkins University: La
Investigacin Operativa es la prediccin y comparacin de valores, efectividad y costes de un
conjunto de cursos de accin propuestos, en que intervienen sistemas de hombres y mquinas y est
basada sobre un modelo descrito mediante una metodologa lgica o matemtica que permita
determinar los valores de los parmetros de los cursos de accin, mediante anlisis de observaciones
anteriores o de operaciones experimentales convenientemente diseadas".
Investigacin de Operaciones Shamblin J ames E. / Stevens G. T. J r., 1975:
"La Investigacin Operacional comienza describiendo algn sistema mediante un modelo que
luego se manipula para determinar la mejor forma de operacin de un sistema. El enfoque se explica
mejor de acuerdo a la aplicacin del mtodo cientfico, para la toma de decisiones".
Investigacin de Operaciones Taha Hamdy A., 2004:
"La Investigacin de Operaciones es una herramienta dominante e indispensable para tomar
decisiones
Un elemento principal de la Investigacin de Operaciones es el modelado matemtico. Aunque la
solucin del modelo matemtico establece una base para tomar una decisin, se deben tener en
cuenta factores intangibles o no cuantificables, por ejemplo, el comportamiento humano, para
poder llegar a una decisin final".
Toma de Decisiones por Medio de Investigacin de Operaciones Thierauf Robert J . / Grosse
Richard A., 1982:
"La Investigacin de Operaciones utiliza el enfoque planeado (mtodo cientfico) y un grupo
interdisciplinario a fin de representar las complicadas relaciones funcionales como modelos
matemticos para suministrar una base cuantitativa para la toma de decisiones y descubrir nuevos
problemas para su anlisis cuantitativo".
Investigacin de Operaciones Winston Wayne L., 2004:
"En la actualidad, el trmino Investigacin de Operaciones (o, a menudo, Ciencia de la
Administracin) quiere decir un planteamiento cientfico a la toma de decisiones, que busca
determinar cmo disear y operar mejor un sistema, normalmente bajo condiciones que requieren
la asignacin de escasos recursos".
BREVE TABLA CRONOLGICA DE INVESTIGACIN DE OPERACIONES
AO AUTOR TCNICA DESARROLLADA
1736 Euler Puentes de Koenigsberg (Teora de Redes)
1755 Lagrange Multiplicadores de Lagrange
1759 Quesnay Modelos Primarios de Programacin Matemtica
1776 Monge Modelos Lineales
1800 Fourier Programacin Lineal
1873 Jordan Modelos Lineales
1874 Wal ras Modelos Primarios de Programacin Matemtica
1880 Weierstrass Condiciones de Extremo Fuerte
1891 Minkowsky Modelos Lineales
1897 Markov Modelos Dinmicos Probabilsticos
1903 Farkas Modelos Dinmicos Probabilsticos
1909 Erlang Lneas de Espera
1925 Knig - Egervary Asignacin
1937 Morgestern Lgica Estadstica
1937 Von Neuman Teora de Juegos
1939 Kantorovich Planeacin en Produccin y Distribucin
1941 Hitchcock - Koopmans Problemas de Transporte
1947 Dantzig Mtodo Simplex
1953 Kuhn - Tucker
Programacin No Lineal, Mtodo Hngaro, Sistemas
Desigualdades
1956 Ford - Fulkerson Problema del Flujo Mximo
1956 Kruskal rbol de Mnimo Recorrido
1957 Bellman Programacin Dinmica
1957 Pontriaguin Teora del Control ptimo
1957 Markowitz Simulacin y Programacin Discreta
1957 Rai fa Anlisis de Decisiones
1958 Gomory Programacin Lineal Entera
1958 Arrow - Karl in Modelos de Inventarios
1959 Dijkstra Camino ms corto
1961 Zener - Duffin Programacin Geomtrica
1969 Gass Funciones Convexas
1978 Kachiyan Mtodo del Elipsoide
1984 Karmarkar Algoritmo de Punto Interior
41
CLASIFICACIN DE LA INVESTIGACIN DE OPERACIONES
DETERMINISTICOS
PROGRAMACIN NO LINEAL
MTODOS DE BSQUEDA
PROGRAMACIN LINEAL
TRANSPORTE
INTERTRANSPORTE
ASIGNACIN
PROGRAMACIN LINEAL ENTERA
PROGRAMACIN LINEAL ENTERA BINARIA
PROGRAMACIN LINEAL ENTERA MIXTA
MODELOS DE REDES
ANLISIS MULTIOBJ ETIVO
DECISIONES MULTICRITERIO
INVESTIGACION
DE OPERACI ONES
HIBRIDOS
ESTOCASTICOS
PROGRAMACIN DINMICA
MODELOS DE INVENTARIOS
SIMULACIN
PERT/CPM
METAHEURSTICOS
PROGRAMACIN ESTOCSTICA
TEORA DE COLAS
CADENAS DE MARKOV
TEORA DE DECISIONES
TEORA DE J UEGOS
42
GEORGE BERNARD DANTZIG Y LA HISTORIA (Y EL FUTURO) DE LA PROGRAMACIN
LINEAL
George Bernard Dantzig naci el 8 de noviembre de 1914 en Portland,
Oregon. Su padre era profesor de Matemticas, se retir dejando su puesto
de J efe del Departamento de Matemticas en la Universidad de Maryland
poco despus de la Segunda Guerra Mundial. Su madre era una lingista
especializada en idiomas eslavos.
Dantzig estudi su carrera en la Universidad de Maryland, donde se
gradu en 1936. Le disgustaba el hecho de no haber visto "ni una sola
aplicacin en alguno de los cursos de Matemticas que haba tomado en
Maryland"
19
. Al ao siguiente hizo estudios de posgrado en la escuela de
Matemticas de la Universidad de Michigan. Sin embargo, exceptuando la
Estadstica, le pareci que los cursos eran demasiado abstractos; "tan
abstractos, que l slo deseaba una cosa: abandonar sus estudios de posgrado
y conseguir un trabajo".
En 1937 Dantzig dej Michigan para trabajar como empleado en Estadstica en el Bureau of
Labor Statistics. Dos aos despus se inscriba en Berkeley para estudiar un Doctorado en Estadstica.
La historia de la tesis doctoral de Dantzig es ahora parte del anecdotario de las Matemticas.
Durante su primer ao en Berkeley, llev un curso de Estadstica con el famoso J erzy Neymann. En
una ocasin lleg tarde a una de las clases de Neymann. En la pizarra estaban escritos dos problemas
que l supuso eran problemas de tarea. Dantzig, consecuentemente, los copi y los resolvi, aun cuando
le parecieron "un poco ms difciles que los problemas ordinarios". Unos das despus se los entreg a
Neymann, disculpndose por haber llegado tarde.
Aproximadamente seis semanas despus -a las 8:00 de un domingo por la maana-, Neymann
lleg aporreando la puerta de Dantzig, explicndole que haba escrito una introduccin a uno de los
artculos de Dantzig y que quera que la leyera a fin de poder enviar el artculo para su publicacin. Los
dos "problemas de tarea" que Dantzig haba resuelto eran, en realidad, dos famosos problemas no
resueltos de la Estadstica. Las soluciones de estos problemas se convirtieron en su tesis doctoral, a
sugerencia de Neymann.
No obstante, Dantzig termin su doctorado hasta 1946. Poco despus del comienzo de la Segunda
Guerra Mundial se uni a la Fuerza Area de Estados Unidos y trabaj con el Combat Analysis Branch of
Statistical Control. Despus de recibir su Doctorado, regres a la Fuerza Area como el asesor de Matemticas
del U. S. Air Forc Controller. Fue en ese trabajo donde encontr los problemas que le llevaron a hacer sus
grandes descubrimientos. La Fuerza Area necesitaba una forma ms rpida de calcular el tiempo de
duracin de las etapas de un programa de despliegue, entrenamiento y suministro logstico.
George Bernard Dantzig
(Foto de Edward W. Souza
News Servi ce, S tanford
U n i v e r s i t y , S t a n f o r d ,
California)
/ 9 Las citas que aparecen en esta resea se han tomado de ta entrevista con Dantzig que fue publicada en la edicin de marzo de 986 de The
College Mathematical Journal, pginas de la 293 a la 314. Los entrevistadores fueron Donald J. Albers y Constance Red.
43
J
El trabajo de Dantzig generaliz lo hecho por el economista, ganador del Premio Nobel, Wassily
Leontief. Dantzig pronto se dio cuenta de que los problemas de planeacin con los que se encontraba
eran demasiado complejos para las computadoras ms veloces de 1947 (y aun para las de la actualidad).
La siguiente es la explicacin de Dantzig acerca de las dificultades que tuvo que encarar: "Un ejemplo
sencillo ilustra la dificultad fundamental de formular un problema de planeacin utilizando un enfoque
de anlisis de actividades. Considere el problema de asignar 70 hombres a 70 empleos. Una "actividad"
consiste en asignar el isimo hombre al jsimo empleo. Las restricciones son dos: en primer lugar hay
70 hombres, cada uno de los cuales debe asignarse a un puesto y en segundo lugar, cada uno de los 70
puestos existentes debe estar ocupado. El nivel de una actividad puede ser 1, lo cual indica que est
siendo usada, 0, lo cual significa que no. En consecuencia hay 2 x 70 =140 restricciones y 70 x 70 =
4900 actividades con 4900 variables correspondientes de decisin uno-cero. Por desgracia tambin
hay factorial de 70 permutaciones o formas de hacer las asignaciones. El problema consiste en comparar
el factorial de las 70 formas y elegir la que sea la ptima o "mejor" segn algn criterio previamente
establecido.
En el ejemplo anterior, factorial de 70 es un nmero muy grande. A fin de tener una idea de qu
tan grande es, supngase que se hubiese tenido una computadora IBM del tipo mainframe en el instante
en el que ocurri el Big Bang hace quince millones de aos. Habra podido, entre ese entonces y
ahora, examinar todas las soluciones posibles? No! No obstante, supngase que se hubiese tenido una
computadora an ms poderosa, una que pudiese examinar mil millones de asignaciones por segundo.
La respuesta seguira siendo negativa. An si la tierra se llenase con computadoras cuyas rapideces
fueran de nanosegundos, todas ellas trabajando en paralelo, la respuesta an sera no. Sin embargo, si
existiesen diez tierras, todas llenas con computadoras del tipo mencionado, todas programadas en
paralelo desde el instante del Big Bang hasta que el sol fuese una esfera fra, entonces quizs la
respuesta podra ser s. Lo notable es que el mtodo simplex, con la ayuda de una computadora moderna,
puede resolver este problema en una fraccin de segundo".
Antes de que Dantzig pudiese descubrir el mtodo simplex, le fue necesario primero tener un
modelo prctico de Programacin Lineal. He aqu la descripcin de Dantzig del proceso: "Cuando el
problema de la planeacin fue formulado inicialmente para la Fuerza Area, no exista la nocin exacta
de una funcin objetivo, la idea de una meta claramente definida. Por supuesto, tenamos slo un falso
respeto hacia el concepto de objetivo. En el discurso de los militares escuch a menudo decir, "nuestro
objetivo es ganar la guerra". En el mundo de los negocios se escuchara quizs "nuestro objetivo es
obtener ganancias". Sin embargo, era imposible hallar alguna relacin directa entre la meta establecida
y las acciones emprendidas para tal fin. Si se estudiaba con cuidado el paso siguiente, se poda ver que
algn lder haba promulgado un montn de reglas bsicas que, en su concepto, llevaran hacia la meta.
Esto distaba mucho de lo que sera honestamente estudiar todas las combinaciones alternativas de las
acciones para elegir la mejor combinacin. Los que mandan, generalmente mueven las manos y dicen
"He considerado todas las alternativas", pero es casi siempre basura. Lo ms probable es que no
pudiesen estudiar todas las combinaciones. Antes de 1947 era inconcebible pensar en la existencia de
una herramienta como la Programacin Lineal que permitiese examinar millones de combinaciones.
No haba algoritmo o herramienta computacional que pudiera hacer eso.
No descubr el modelo de la Programacin Lineal en un instante, sino que tuvo un proceso de
evolucin. Se dedic casi un ao completo a la tarea de decidir si mi modelo podra ser utilizado en la
formulacin de problemas prcticos de distribucin de tiempos. Como usted sabe, la planeacin y la
44
k
distribucin de tiempos se llevaron a una escala inmensa durante la guerra. El funcionamiento de la
Fuerza Area fue equivalente al funcionamiento de la economa de toda una nacin. En el proceso
intervinieron cientos de miles de personas. La logstica tuvo una magnitud difcil de entender para
alguien que no haya estado ah. Mi colega Marshall Wood y yo revisamos miles de situaciones tomadas
de nuestra experiencia durante la guerra.
Las reglas bsicas empleadas en la planeacin se expresaban en un formato completamente
distinto del que se emplea en la actualidad para formular un programa lineal. Lo que hicimos fue revisar
estas reglas una por una y demostrar que casi todas ellas podan reformularse aceptablemente en un
formato de Programacin Lineal. Pero no todas. En algunos casos era necesario tomar en cuenta el
carcter discreto de las variables y las no convexidades.
Cuando formul por primera vez mi modelo de Programacin Lineal, lo hice sin una funcin
objetivo. Estuve luchando por algn tiempo con la adicin de reglas bsicas para elegir de entre las
soluciones factibles la que en algn sentido fuese "ptima". Pero pronto abandon esta idea y la sustitu
por la de una funcin objetivo a ser maximizada. El modelo que formul no estaba hecho especficamente
para fines militares. Poda aplicarse a toda clase de problemas de planeacin; todo lo que tena que
hacerse era cambiar los nombres de las columnas y los renglones y entonces era aplicable a un problema
de planeacin econmica lo mismo que a un problema de planeacin industrial".
Habindose ya establecido el problema general de Programacin Lineal, fue necesario hallar
soluciones en un tiempo razonable. Aqu rindi frutos la intuicin geomtrica de Dantzig: "Comenc
observando que la regin factible es un cuerpo convexo, es decir, un conjunto polidrico. Por tanto, el
proceso se podra mejorar si se hacan movimientos a lo largo de los bordes desde un punto extremo al
siguiente. Sin embargo, este procedimiento pareca ser demasiado ineficiente. En tres dimensiones, la
regin se poda visualizar como un diamante con caras, aristas y vrtices. En los casos de muchos
bordes, el proceso llevara a todo un recorrido a lo largo de ellos antes de que se pudiese alcanzar el
punto de esquina ptimo del diamante".
Esta intuicin llev a la primera formulacin del mtodo simplex en el verano de 1947. El primer
problema prctico que se resolvi con este mtodo fue uno de nutricin.
El 3 de octubre de 1947 Dantzig visit el Institute for Advanced Study donde conoci a John von Neumann,
quien por entonces era considerado por muchos como el mejor Matemtico del mundo. Von Neumann le
platic a Dantzig del trabajo conjunto que estaba realizando con Oscar Morgenstern acerca de la Teora
de J uegos. Fue entonces cuando Dantzig supo por primera vez del importante teorema de la dualidad.
En 1976 el presidente Gerald Ford otorg a Dantzig la Medalla Nacional de Ciencias, que es la
presea ms alta de los Estados Unidos en Ciencia. En la ceremonia en la Casa Blanca se cit a
George Bernard Dantzig "Por haber inventado la Programacin Lineal, por haber descubierto mtodos
que condujeron a aplicaciones cientficas y tcnicas en gran escala a problemas importantes en logstica,
elaboracin de programas, optimizacin de redes y al uso de las computadoras para hacer un empleo
eficiente de la teora matemtica".
Dantzig se sorprendi de que el mtodo simplex funcionara con tanta eficiencia. Citando de
nuevo sus palabras: "La mayor parte de las ocasiones el mtodo simplex resolva problemas de m
45
ecuaciones en 2m o en 3m pasos, algo realmente impresionante. En realidad, nunca pens que fuese a
resultar tan eficiente. En ese entonces yo an no haba tenido experiencias con problemas en dimensiones
mayores y no confiaba en mi intuicin geomtrica. Por ejemplo, mi intuicin me deca que el procedimiento
requerira demasiados pasos de un vrtice al siguiente. En la prctica son muy pocos pasos. Dicho con
pocas palabras, la intuicin en espacios de dimensiones mayores no es muy buena gua. Slo ahora, 50
aos despus de haber propuesto el mtodo simplex por primera vez, la gente est comenzando a tener
una idea de por qu el mtodo funciona tan bien como lo hace".
Una precisin acerca de la terminologa: un simplex es un tipo especial de conjunto convexo
polidrico. Ms concretamente, sean puntos (o vectores) en R
n+1
. Se dice que
los vectores tienen independencia afn si los n vectores son linealmente
independientes.- Si los puntos tienen independencia afn, entonces el conjunto convexo ms pequeo
que contiene los n +1 puntos en IR
n+1
se llama n-simplex. En , tres puntos tienen independencia afn
si no son colineales. El conjunto convexo ms pequeo que contiene tres puntos no colineales es un
tringulo con estos puntos como vrtices. Por tanto, un 2-simplex es un tringulo. En , cuatro puntos
tienen independencia afn si no son coplanares. El conjunto convexo ms pequeo que contiene cuatro
de tales puntos es un tetraedro. Este es el 3-simplex. Vase la figura adjunta:
Los tringulos y los tetraedros son conjuntos polidricos convexos, no obstante que los conjuntos
convexos polidricos no son necesariamente simplex. Por ejemplo, en A
3
un rectngulo es un conjunto
convexo polidrico pero no es un simplex (vase la definicin precedente). El mtodo simplex fue
llamado as por George Dantzig, aunque no es claro por qu eligi ese nombre. Habra sido ms
adecuado llamarlo "mtodo del conjunto convexo polidrico".
El profesor Dantzig no pudo conseguir el premio Nobel, pero recibi un cmulo de distinciones,
entre otras, la mencionada anteriormente, el premio Von Neumann Theory en 1975, Premio en
Matemticas Aplicadas y Anlisis Numrico de la National Academy of Sciences en 1977, Harvey
Prize en Ciencia y Tecnologa de Technion, Israel, en 1985. Fue miembro de la Academia de Ciencias
y de la Academia Nacional de Ingeniera de EEUU. Las Sociedades de Programacin Matemtica y
SIAM instituyeron hace aos un premio que lleva su nombre, premio que es uno de los ms prestigiosos
de nuestra comunidad.
El 13 de mayo de 2004, George Bernard Dantzig, muri a la edad de 90 aos en su casa de
Stanford, debido a complicaciones con la diabetes y problemas cardiovasculares.
Siguiendo cronolgicamente, en 1979 el ruso L. G. Khachiyan present un algoritmo para resolver
problemas de Programacin Lineal denominado algoritmo del elipsoide, el cual consiste en ir reduciendo
la regin de factibilidad encerrndola en elipsoides de volmenes decrecientes.
46
Telgen en su estudio, en lugar de analizar el nmero de iteraciones por problema, hace un anlisis
del nmero de operaciones por iteracin y obtiene:
Simplex: (3 +d) m
2
+dmn
Khachiyan: (3 +d) n
2
+dmn
Donde d: densidad de la matriz de coeficientes tecnolgicos
m: nmero de ecuaciones
n: nmero de variables
De los trabajos de Telgen se puede concluir que el
algoritmo de L.G. Khachiyan es atractivo solamente en
problemas en los que el nmero de restricciones es mayor
que el nmero de desigualdades, pero en ese caso puede
ser ms indicado la utilizacin del algoritmo simplex dual.
MHBi pi "V ' t El trabajo con estos problemas en los Laboratorios
NARENDRA KARMARKAR Bell implicaba manipular problemas de Programacin
Lineal de cerca de 800000 variables, que el algoritmo
de Karmarkar puede resolver en 10 horas de tiempo de computador. Los cientficos involucrados en
este proyecto crean que el problema podra haber tardado semanas en resolverse si se hubiera usado
En 1984, Narendra Karmarkar (naci en 1956)
Matemtico de la India que trabajaba en AT & T Bell
Laboratories cre un nuevo y poderoso algoritmo de
Programacin Lineal que resuelve muchos problemas
complejos de esta rea con mayor rapidez y de manera
ms eficiente que cualquier otro mtodo conocido hasta
ahora. Este mtodo alternativo para la Programacin
G B DANTZIG Y L G KHACHIYAN Lineal evita la lentitud mediante la bsqueda de rutas a
travs del interior de la regin factible. Las posibles
aplicaciones del algoritmo de Karmarkar son importantes para muchas industrias, incluyendo las
comunicaciones telefnicas y las aerolneas. Elegir rutas para los millones de llamadas de larga distancia,
por ejemplo, significa decidir cmo usar las lneas telefnicas existentes, los amplificadores y las terminales
de los satlites para obtener la mayor ventaja. Encontramos otro ejemplo en las empresas de lneas
areas. La compaa American Airlines trabaj con el doctor Karmarkar para ver si este algoritmo
podra reducir los costes de combustible. De acuerdo con Thomas Cook, director de investigacin
operativa de American Airlines.
En la dcada de 1980, ci ent fi cos de los
Laboratorios Bell aplicaron el algoritmo de Karmarkar
a un problema de complejidad sin precedentes: decidir
cul es la manera ms econmica de construir
conexiones telefnicas entre ciudades de los Estados
Unidos, de manera que las llamadas puedan llegar de
una ciudad a otra, pasando por ciudades intermedias.
47
el mtodo del simples o el del elipsoide. El algoritmo de Karmarkar ha sido incorporado a un programa
de computador denominado AT & T KORBX Linear Programming System.
El f ut ur o
Parte importante del futuro de la Investigacin de Operaciones corresponde a la Programacin
Multicriterio, a la Programacin Multiobjetivo y las Metaheursticas.
La Programacin Multicriterio corresponde a problemas con decisin de objetivos de tipo discreto
y la Programacin Multiobjetivo est relacionada con problemas de tipo continuo.
Una Metaheurstica es un mtodo de solucin general, que proporciona, tanto una estructura
general como criterios estratgicos para desarrollar un mtodo heurstico especfico que se ajusta a un
tipo particular de problema.
Entre las nuevas metaheursticas se encuentran:
- Recocido Simulado.
- Bsqueda Tab.
- GRASP.
- Redes Neuronales.
- Algoritmos Genticos.
- Algoritmos Memticos.
- Particles Swarm Optimization (Optimizacin de Nube de Partculas).
48
C AP T UL O II
C O N C A V I DA D Y C ONV E X I DA D
"La humanidad no puede soportar mucha realidad". T. S. Eliot
INTRODUCCIN
La Optimizacin puede considerarse como la bsqueda de la mejor solucin (solucin ptima) de
un problema. El trmino mejor aqu, depende del contexto en el que se trabaje, podra significar solucin
que minimiza los costes, o maximiza los beneficios, o que hace que la distancia recorrida sea mnima,
etc. Esta primera reflexin sobre lo que se entiende por Optimizacin refleja claramente las
importantsimas e indudables aplicaciones de esta rea de las matemticas a un amplio espectro de
problemas; aplicaciones que surgen en la prctica totalidad de las Ciencias.
El abordar un problema real de Optimizacin supone bsicamente dos etapas:
Determinar el modelo matemtico que rige el problema.
Resolver dicho problema usando una serie de tcnicas matemticas.
Los problemas que pueden ser resueltos mediante la Optimizacin Matemtica son aquellos que
pueden expresarse en la forma:
MAX f (X) MI Nf(X)
X CS X CS
Donde CS corresponde al conjunto solucin.
49
La convexidad desempea un importante papel en la Programacin Matemtica, puesto que
permite obtener resultados tericos y aplicar mtodos especficos. Pero el inters del concepto
matemtico de la convexidad va an ms lejos, ya que tiene numerossimas aplicaciones en la Economa.
La convexidad se estudia bajo dos puntos de vista, por un lado el concepto de convexidad aplicado
a conjuntos; para ms tarde analizar lo que se entiende por convexidad y concavidad para funciones,
as como algunas caracterizaciones tiles desde un punto de vista prctico.
Dentro de la Optimizacin Matemtica tienen una extremada importancia los problemas convexos,
que son aquellos de la forma:
MI Nf(X)
donde CS es un conjunto convexo y f(x) es una funcin convexa. La propiedad ms importante de este
tipo de problemas viene dada por el conocido como teorema fundamental de la programacin convexa
que asegura que todo ptimo local de un problema convexo es tambin ptimo global.
CONJUNTOS CONVEXOS
El concepto de conjunto convexo es algo sencillo de entender desde un punto de vista geomtrico.
Son conjuntos convexos aquellos que tienen la propiedad de que al unir con un segmento dos puntos
cualesquiera del conjunto, el segmento queda completamente contenido en el propio conjunto.
Definicin: Un conjunto S es convexo cuando: se cumple:
Ejemplos:
Para comprender mejor la definicin de conjunto convexo debe tenerse en cuenta que dados dos
puntos X y Y, los puntos de la forma corresponden justamente con los puntos del segmento que une X
y Y.
50
CONJUNTO NO CONVEXO
Como generalizacin del concepto de segmento entre dos puntos, se define lo que se entiende
como combinacin lineal convexa de una serie de puntos.
Definicin: Un punto es una combinacin lineal convexa de m puntos cuando puede expresarse
en la forma:
Un conjunto es convexo si y slo si toda combinacin lineal convexa de puntos del conjunto
pertenece al propio conjunto.
Pr opi edades d e l os conj unt os convexos
La interseccin de un nmero finito de conjuntos convexos sigue siendo un conjunto convexo.
Por el contrario, la unin de conjuntos convexos no es necesariamente un conjunto convexo.
Otra operacin que efectuada sobre conjuntos convexos hace que el resultado pueda perder la
convexidad es la diferencia entre conjuntos.
Los conjuntos formados por un nmero finito de puntos no son convexos, salvo el caso de los
que nicamente tienen un punto.
Para los casos en que un conjunto no sea convexo, resultara interesante analizar si de alguna
manera se podra completar dicho conjunto para hacerlo convexo; se plantea entonces la necesidad de
intentar encontrar el menor conjunto convexo que contiene a uno dado. Este conjunto siempre existe y
recibe el nombre de envoltura convexa.
De la definicin anterior pueden deducirse dos formas de construir la envoltura convexa de un
conjunto dado:
Interseccin de todos los conjuntos convexos que lo contienen.
Conjunto formado por todas las combinaciones lineales convexas de puntos del conjunto.
51
Vr t i ces d e un conj unt o convexo
Otro concepto importante dentro de la teora de conjuntos convexos es el de vrtice, su inters se
ver ms adelante al entrar en el estudio de los programas lineales. El concepto de vrtice de un
polgono desde un punto de vista geomtrico est claro, pero expresado en un lenguaje matemtico
podra darse la siguiente definicin.
Definicin: Un punto x de un conjunto convexo S es extremo o vrtice de S si no puede expresarse
como combinacin lineal convexa de otros dos puntos de S. Es decir, un vrtice nunca puede ser un
punto intermedio de un segmento contenido completamente en el conjunto.
No todo conjunto convexo tiene vrtices, y en el caso de tenerlos puede tener tanto un nmero
finito como un nmero infinito de ellos.
Todo conjunto no vaco, convexo, cerrado y acotado tiene al menos un vrtice.
Al gunos t i pos especi al es de conj unt os convexos
Un cono convexo es un conjunto convexo S verificando que para todo punto x de S y todo
nmero a >0 el punto ax sigue perteneciendo al conjunto. Esto quiere decir que para que un
conjunto sea un cono, todas las semirrectas que partiendo del origen pasan por cualquiera de
sus puntos, deben estar completamente contenidas en el propio conjunto.
El cono convexo generado por m puntos es el conjunto de todas las combinaciones lineales
con coeficientes positivos de esos puntos. En este caso los m puntos se llaman generadores
del cono.
Otro grupo importante de conjuntos convexos lo constituyen los hiperplanos y los semiespacios.
Se llama poltopo convexo a todo conjunto que puede expresarse como interseccin de un
nmero finito de semiespacios cerrados. Si un poltopo tiene vrtices, siempre es un nmero
finito de ellos.
Un poliedro convexo es un poltopo acotado.
Se llama poliedro convexo generado por m puntos al conjunto de todas las combinaciones
lineales convexas de ellos. En este caso, el conjunto de vrtices del conjunto constituye un
subconjunto del de generadores.
Funci ones convexas
Esta seccin trata los conceptos de convexidad y concavidad aplicados a funciones. En primer
lugar, se introduce la definicin matemtica de funcin convexa.
Definicin: Una funcin f(x) definida sobre un conjunto convexo S es convexa cuando verifica
la siguiente condicin:
Cuando en la condicin anterior el signo de desigualdad es estricto y la funcin se dice
estrictamente convexa.
Los conceptos de funcin cncava y estrictamente cncava son similares cambiando los signos
de desigualdad. De hecho, una funcin f (x) es cncava si y slo si su opuesta - f (x) es convexa.
Grficamente, las funciones convexas son aquellas en las cuales los segmentos que unen cualquier
par de puntos de su grfica quedan siempre por encima de la grfica. Si la funcin es estrictamente
convexa, los segmentos no pueden tocar a la grfica, salvo en los puntos extremos.
Pr opi edades d e l as f unci ones convexas
Las funciones lineales son a la vez cncavas y convexas pero no estrictamente.
La suma de funciones convexas sigue siendo una funcin convexa.
Como general izacin de la propiedad anterior, puede decirse que cualquier combinacin lineal
con coeficientes positivos de funciones convexas es una funcin convexa.
Si f (x) es una funcin convexa, entonces - f (x) es una funcin cncava. Ms an, al multiplicar
una funcin convexa por una constante negativa el resultado es una funcin cncava.
* Si la funcin f (x) es convexa, el conjunto es convexo para todo
valor de k. De una manera similar podra probarse la propiedad que asegura que si la funcin
g(x) es cncava, entonces el conjunto es convexo.
Funci ones convexas di f er enc i abl es
Reconocer si una funcin es convexa utilizando la definicin resulta una tarea en muchos casos
complicada, por esa razn son necesarios resultados que permitan identificar funciones convexas con
base en otras propiedades; por supuesto, no toda funcin convexa es diferenciable. Adems,
desgraciadamente, en las situaciones que se presentan en los casos reales muchas veces surgen funciones
que no son diferenciables, por lo que los resultados aqu expuestos no son siempre aplicables; en tales
casos, la convexidad de funciones se convierte ms en una categora de anlisis que en un concepto
operativo.
Pr i mer a car act er i zaci n
El primero de los resultados utiliza el vector gradiente para estudiar la convexidad de una funcin
de varias variables.
Una funcin diferenciable f (X) es cionvexa si y slo si verifica la condicin:
53
Rpidamente puede darse una interpretacin geomtrica a este resultado: una funcin convexa
se caracteriza por el hecho de que el hiperplano tangente a la funcin en cualquier punto de su dominio
siempre est por debajo de la propia funcin.
En el caso de que la desigualdad anterior se verifique para un punto Y fijo y para puntos X
variando en un entorno de Y, se tiene el concepto de convexidad local en el punto Y. Por otro lado, si se
cambia el signo de la desigualdad se obtiene una caracterizacin de las funciones cncavas diferenciables.
Segunda car act er i zaci n
La primera caracterizacin de las funciones convexas tiene el inconveniente de que sigue utilizando
desigualdades para poder ser aplicada y no en todos los casos resulta sencillo probar una desigualdad
funcional. En la segunda caracterizacin de las funciones convexas es necesario que la funcin sea
dos veces derivable con respecto a todas sus variables, ya que est basada en la construccin y
clasificacin de la matriz Hessiana.
Dada una funcin f(x) dos veces diferenciable, se tiene:
f (x) es convexa si y slo si su matriz Hessiana Hf (x) es semidefinida positiva para cualquier
x en su dominio.
f (x) es cncava si y slo si su matriz Hessiana Hf (x) es semidefinida negativa para cualquier
x en su dominio.
Si su matriz Hessiana Hf (x) es definida positiva para cualquier x entonces f (x) es estrictamente
convexa.
Si su matriz Hessiana Hf (x) es definida negativa para cualquier x entonces f (x) es estrictamente
cncava.
Estas dos ltimas propiedades enuncian condiciones suficientes pero no necesaria. Es decir, pueden
existir funciones estrictamente convexas cuyo Hessiano no sea definido positivo sino nicamente
semidefinido positivo.
En el caso de funciones de una variable, el anlisis de su convexidad o concavidad se reduce al
estudio del signo de su derivada segunda.
TEOREMA FUNDAMENTAL DE LA PROGRAMACIN CONVEXA
En los casos que se plantean normalmente en la prctica, lo deseado siempre es encontrar soluciones
globales, es decir, la mejor en trminos absolutos, muchas veces no basta con encontrar la mejor entre unas
cuantas. Pero, desafortunadamente, la mayor parte de las tcnicas de optimizacin (principalmente las que
estn basadas en la derivabilidad) estn encaminadas a la bsqueda de ptimos locales. Por esa razn, son
necesarios resultados que permitan reconocer cundo los ptimos locales son tambin globales. El ms
importante de tales resultados es el conocido como teorema fundamental de la programacin convexa.
54
Teor ema ( Teor ema f u n d amen t al d e l a p r o g r amac i n convexa)
Todo ptimo de un programa convexo es global.
Exi st enci a y uni c i dad d e sol uci ones
Antes de plantearse la resolucin de un problema de Optimizacin, se puede analizar desde un
punto de vista terico si dicho problema tiene solucin y, en caso afirmativo, si la solucin es nica.
Teor ema d e Wei er st r ass
Si la funcin objetivo f (x) es una funcin continua y la regin factible CS es un conjunto compacto
(cerrado y acotado), entoces el problema admite al menos un mnimo y un mximo globales.
Este teorema establece una condicin suficiente para garantizar la existencia de ptimos, pero no
es una condicin necesaria, es decir, existen problemas que tienen ptimos y, sin embargo, no cumplen
las hiptesis del Teorema de Weierstrass.
Salvado el problema de la existencia de solucin, el siguiente aspecto a analizar es si dicha solucin
es nica. El concepto de convexidad toma de nuevo especial importancia al permitir obtener un resultado
que garantiza la unicidad de soluciones de un programa matemtico.
Teor ema (uni c i dad d e sol uci n p ar a p r o b l emas es t r i c t ament e convexos)
En un problema estrictamente convexo el ptimo, en caso de existir, es nico.
Un problema estrictamente convexo es aquel en el que se minimiza una funcin estrictamente
convexa sobre un conjunto convexo, o se maximiza una funcin estrictamente cncava sobre un conjunto
convexo.
Cuando un problema no es estrictamente convexo, sino que es nicamente convexo, no se est en
condiciones de asegurar que la solucin sea nica. Sin embargo, se cumple una interesante propiedad.
Teo r ema
En un problema convexo cualquier combinacin lineal convexa de ptimos sigue siendo un ptimo.
Cur vas de ni vel de una f unci n de dos var i abl es
De la misma forma que una funcin de una variable tiene una representacin grfica mediante
una curva en el plano, cuando la funcin tiene dos variables podra representarse mediante una superficie
en el espacio tridimensional. Dicha superficie estara formada por los puntos de la forma (X, Y, f
(X,Y)). No obstante, existe una forma de representar grficamente funciones de dos variables en el
plano: mediante las conocidas como curvas de nivel de la funcin. Dichas curvas se obtienen al cortar
la superficie mediante planos horizontales a distintas alturas, de forma que todos esos cortes forman
55
una familia de curvas que se proyectan sobre el plano OXY. Las curvas de nivel surgen, por ejemplo,
en cartografa cuando se representan las distintas altitudes de una montaa mediante un conjunto de
curvas; de esta forma se hace una representacin en el plano de la superficie tridimensional de la
montaa. En meteorologa, las isbaras no son ms que las curvas de nivel de la funcin que determina
la presin atmosfrica, es decir, son las curvas formadas por los puntos de igual presin atmosfrica.
La siguiente figura muestra la representacin grfica de la funcin sen(X Y) mediante su superficie
en el espacio y sus curvas de nivel en el plano.
Def i ni ci n
Las curvas de nivel de la funcin f (X,Y) son la familia de curvas de la forma: f (X,Y) =k para
cada valor de k en R. Ejemplo:
Este ejemplo muestra la construccin de la familia de curvas de nivel de la funcin f (X,Y) =3 X -Y.
Las curvas de nivel tienen la forma 3X - Y =k o si se prefiere Y =3 X - K, por tanto, son una
familia de rectas paralelas como muestra la figura.
En el caso de funciones lineales, las curvas de nivel son siempre una familia de rectas paralelas.
56
El vect or gr adi ent e y l as curvas de ni vel
Dada una funcin de n variables, su vector gradiente es el vector formado por las n derivadas
parciales primeras. A todo punto del plano se le puede asociar un vector gradiente evaluando las
derivadas parciales en dicho punto, de esta forma se construye lo que se conoce como campo gradiente,
que no es ms que el conjunto de puntos del plano con sus respectivos vectores gradientes asociados.
El vector gradiente tiene dos importantes propiedades que le hacen muy til en el mtodo de
resolucin geomtrica:
Una primera propiedad es que en cada punto indica la direccin de crecimiento de la funcin.
La segunda propiedad es que siempre en cada punto es ortogonal a las curvas de nivel. La
ortogonalidad en este caso significa que dicho vector forma un ngulo de 90 grados con las
rectas tangentes de las curvas de nivel.
Estas propiedades pueden apreciarse en la siguiente figura, en la que junto a las curvas de nivel
de la funcin f (X,Y) =sen (X Y) aparece el correspondiente campo gradiente. Los vectores gradientes
asociados a cada punto no estn representados en su verdadera escala, pero en este caso lo importante
es su direccin y sentido.
Los ejemplos resueltos anteriormente, ponen de manifiesto una importante propiedad que relaciona
los vectores gradientes de las restricciones y de la funcin objetivo:
57
El opuesto del vector gradiente de la funcin objetivo en el ptimo est dentro del cono generado
por los vectores gradientes en el ptimo de las restricciones saturadas del problema, tal como muestra
la figura de la derecha. Esto significa que dicho vector puede expresarse como combinacin lineal con
coeficientes positivos de los vectores gradientes de las restricciones saturadas.
Una restriccin se dice saturada cuando en el ptimo se verifica en forma de igualdad y una
restriccin se dice no saturada cuando en el ptimo se verifica en forma de desigualdad estricta.
Deducci n de pr opi edades de los pr ogr amas l i neal es
Los ejemplos anteriores pueden dar pie al planteamiento de algunas de las principales caractersticas
de los programas lineales, como son:
En los programas lineales, los espacios de soluciones factibles son poltopos. Es adems
recomendable, en orden a garantizar la existencia de solucin, que dicho espacio sea un conjunto
acotado.
Ya se ha comentado que todo programa lineal es un programa convexo, con lo cual, todo
ptimo es global. Pero adems, siempre se alcanza el ptimo, o los ptimos, en la frontera del
espacio de soluciones factibles. Con la terminologa ya conocida, esto significa que en los
ptimos siempre alguna restriccin est saturada.
Pero se puede asegurar an ms, en todo programa lineal, si existe ptimo, ste se alcanza, al
menos, en un vrtice del poltopo que constituye la regin admisible.
No siempre hay unicidad de soluciones, pero al ser programas convexos, si en un programa
lineal se alcanza el ptimo en dos puntos diferentes, tambin se alcanza en cualquier punto que
sea combinacin lineal convexa de esos dos puntos. Esta propiedad se generaliza para un
mayor nmero de puntos, de forma que si varios puntos son ptimos del problema, tambin lo
es cualquier combinacin lineal convexa suya.
Cl asi f i caci n de l as mat r i ces si mt ri cas a par t i r de los aut oval or es
Esta clasificacin de las matrices simtricas puede llevarse a cabo de una forma ms operativa
de acuerdo a los siguientes criterios:
Dada una matriz A, sus autovalores son las races de su polinomio caracterstico, es decir, las
soluciones de la ecuacin
Nota: Los autovalores de una matriz simtrica son siempre nmeros reales.
58
Una vez calculados los autovalores de una matriz simtrica, se tiene:
A es definida positiva si y slo si los autovalores son todos estrictamente positivos.
A es definida negativa si y slo si los autovalores son todos estrictamente negativos.
A es semidefinida positiva si y slo si los autovalores son todos mayores o iguales a cero.
A es semidefinida negativa si y slo si los autovalores son todos menores o iguales a cero.
A es indefinida si existen dos autovalores de diferentes signos.
59
Anl i si s gr f i c o
Una funcin es cncava si los segmentos que unen cualquier par de puntos de su grfica nunca se
sitan por encima de la misma; por ello, parece lgico intentar comprobar si a partir de alguna caracterstica
de la grfica de una funcin es posible determinar si sta es o no cuasicncava, estrictamente
cuasicncava, seudocuasicncava, etc. Para lo cual se exponen los siguientes criterios:
- En R
Adems, las funciones diferenciables que son de uno de los tres tipos anteriores y no tienen
puntos de inflexin con derivada nula son seudocncava (cuando se verifica la condicin con carcter
estricto, la funcin es estrictamente seudocncava). De acuerdo con esto y las definiciones I, II, III,
IV, V, VI, VII y VIII si la grfica de una funcin f es:
61
- Montona creciente (estrictamente) en M.
- Montona decreciente (estrictamente) en M.
Montona creciente (estrictamente) en un subintervalo inicial de M y decreciente
(estrictamente) en el resto del conjunto M.
Puede comprobarse fcilmente que:
(A) f es cncava , pero no es seudocncava, ya que en particular no es diferenciable; tampoco
es cuasicncava, seudocncava o cncava, en sentido estricto.
(B) f es estrictamente cncava.
(C) fes cuasicncava, pero no cumple ninguna de las siete definiciones restantes.
(D) fes semiestrictamente cuasicncava, pero no cuasicncava, pues debido a la discontinuidad
en x
0
, f no es semicontinua superiormente.
(E) fes estrictamente cuasicncava, pero no es seudocncava, debido al punto de inflexin xO,
tampoco es cncava.
(F) f es seudocncava, pero no estrictamente seudocncava, por ser constante en el intervalo
(x
0
, X|); la funcin f no es cncava, ni estrictamente cuasicncava.
62
(G) f es estrictamente seudocncava, pero no es cncava ni estrictamente cncava.
Por tanto, en resumen, la funcin f es:
- Cncava si su grfica es (A) o (B).
- Estrictamente cncava nicamente si su grfica es (B).
- Cuasicncava siempre si su grfica es (D).
- Semiestrictamente cuasicncava cuando su grfica es (C).
- Estrictamente cuasicncava si su grfica es (B), (E) o (G).
- Seudocncava cuando su grfica es (B), (F) o (G).
- Estrictamente seudocncava si su grfica es (B) o (G).
En R
2
Las funciones estrictamente cncavas no tienen ningn segmento sobre la superficie de su grfica,
en cambio las funciones estrictamente cuasicncavas que no tienen en su grfica segmentos horizontales
(es decir, paralelos al plano OXY) pueden tenerlos inclinados; finalmente, la grfica de las funciones
estrictamente cuasicncavas pueden contener segmentos tanto horizontales como inclinados.
Por otra parte, cuando se corta la grfica de una funcin (estrictamente) cncava f por cualquier
plano perpendicular al plano OXY, con vector director v, en cualquier punto x , la curva interseccin
que se obtiene es la grfica de la funcin g (t) =f ( x +t v ) que es (estrictamente) cncava para
cualesquiera x y v . Del mismo modo si f es (estrictamente) cuasicncava, la funcin g antes indicada
es (estrictamente) cuasicncava.
Teniendo en cuenta lo que se acaba de sealar y las distintas definiciones de concavidad, si la
grfica de una funcin de dos variables es:
63
Tendremos que:
(A) f es cncava, pero no es seudocncava, por no ser diferenciable en todo punto, ni estrictamente
cuasicncava, debido a que la grfica de f contiene segmentos horizontales.
(B) f es estrictamente cncava y por ser diferenciable, f verifica tambin cualquiera de las seis
definiciones restantes.
(C) f es seudocncava, pero no es cncava, pues existen segmentos que unen dos puntos de la
grfica y estn por encima de la misma. Tampoco es estrictamente seudocncava o
estrictamente cuasicncava, ya que tiene una zona plana en su grfica.
(D) f es estrictamente cuasicncava, pero no estrictamente cncava, pues hay segmentos sobre
su grfica. Adems por no ser diferenciable, tampoco ser seudocnacva.
(E) f es semiestrictamente cuasicncava y tambin cuasicncava, pues es continua; sin embargo,
no es estrictamente cuasicncava, ya que sobre la grfica existen segmentos horizontales.
(F) f es cuasicncava, pero no es seudocncava, pues en los puntos de la recta r que no son
mximos, el plano tangente a la grfica es horizontal.
(G) f es estrictamente cuasicncava pero no es cncava y por tanto, estrictamente cncava.
Resumiendo, se tiene que la funcin f es:
Cncava si su grfica es (A), (B) o (D).
Estrictamente cncava nicamente si su grfica es (B).
64
Cuasicncava siempre.
Semiestrictamente cuasicncava siempre.
Estrictamente cuasicncava si su grfica es (B), (D) o (G).
Seudocncava cuando su grfica es (B), (C) o (G).
Estrictamente seudocncava si su grfica es (B) o (G).
Resumiendo todo lo anterior, obtenemos el siguiente cuadro:
EJERCICIOS RESUELTOS
I El punt o (2, 2, 2) se puede expr esar como una combi naci n convexa del conj unt o { (3, 0, 3),
(3, 3, 0), (0, 3, 3)} ?
(2, 2, 2) se puede expr esar como
65
66
C AP T UL O III
P R O G R A MA C I N LI NE AL
"La nica cosa realmente valiosa es la intuicin".
Albert Einstein
INTRODUCCIN
El objetivo primordial de la Programacin Lineal es optimizar, es decir, maximizar o minimizar
funciones lineales en varias variables reales con restricciones, tambin lineales.
Los problemas en Programacin Lineal corresponden a situaciones reales en las que se pretende
identificar y resolver dificultades para la mejor utilizacin de recursos limitados y generalmente costosos.
Es importante tener en cuenta algunos aspectos importantes inmersos en la teora general de
sistemas, pero que en Investigacin Operativa son de mucha ayuda:
1. Las corrientes de entrada.
2. Proceso de conversin.
3. Las corrientes de salida.
4. La comunicacin de retroalimentacin.
Lo anterior se traduce como el proceso de la toma de decisiones, la cual es probablemente la
tarea ms caracterstica del ejecutivo, a la que se enfrenta cotidianamente, debido a la esencia misma
de sus funciones.
Como bien se sabe, la Investigacin Operacional es una herramienta en el proceso de la toma de
decisiones, para lo cual tiene a su favor los criterios propios que intervienen en dicha secuencia, algunos
de los principales son:
- Los hechos
- La experiencia
- La autoridad
- La intuicin
Un buen mtodo para plantear problemas de Programacin Lineal es la aplicacin de un modelo
de toma de decisiones y de los ms apropiados est el mtodo cientfico:
69
En general, el problema que resuelve la Programacin Lineal se plantea as:
Funcin objetivo: OPTIMIZAR
Con las siguientes restricciones:
Restricciones fsicas (estructurales):
^
a
i iX] ai
2
X
2
a
13
X3...
a
l n
X
n
<==>
b,
i a2]X[ i 822X2 i 823X3 i ...
a
2n^n
=>
b2
a
31
Xi 832X2 833X3 ...
a
3nX
n
<=
b
3
a
mI
X, a
m2
X
2
a
m3
X
3
.
^
a
mn^n
<==>
b
m
Restricciones formales (de rango):
x
h
x
2
, x
3
,...,x
n
> o
Recursos: b
l5
..., b
m
Car act er st i cas d e l os p r o b l emas d e Pr o g r amac i n Li neal
Los supuestos en que se basa la Programacin Lineal y que ayudan a concluir sobre la formulacin
presentada de un problema son:
Proporcionalidad. Implica que la funcin objetivo Z, la cual queda reducida a Z =C
r
X
r
y la
utilizacin de cada recurso que sera A
ir
X
r
(i =1, 2,..., m), son directamente proporcionales al
valor de la actividad r determinada.
Aditividad. Dados los niveles de actividad, el uso total de cada recurso y el valor resultante de
Z deben igualar la suma correspondiente a las cantidades generadas por el valor de cada actividad.
No negatividad. El resultado de cada una de las variables de decisin en la solucin ptima
debe ser positivo. Cuando se presentan variables negativas, stas se deben expresar como la
adicin de variables positivas.
Optimalidad. En algunos casos las variables reales que describen las actividades tienen sentido
nicamente con valores enteros; debemos tener en cuenta que en Programacin Lineal se aceptan
valores reales positivos.
Mo d el i zac i n
Un modelo es una abstraccin o una representacin de la realidad o un concepto o una idea con
el que se pretende aumentar su comprensin, hacer predicciones y/o controlar/analizar un sistema.
Cuando el sistema no existe, sirve para definir la estructura ideal de ese sistema futuro indicando las
relaciones funcionales entre sus elementos. En la actualidad un modelo se define como un constructo
basado en nuestras propias percepciones pasadas y actuales; la anterior representacin puede ser
holista o reduccionista.
Cl asi f i caci n de model os
Los modelos se clasifican desde diversos puntos de vista. Es de advertir que las siguientes divisiones
y subdivisiones no fueron realizadas en forma exhaustiva.
1. Por su grado de abstraccin: Se dividen en abstractos (no fsicos) y concretos (fsicosj. Los
primeros en general se apartan de la realidad y los concretos generalmente emulan los sistemas reales.
71
Los abstractos se clasifican en verbales, diagramticos y matemticos. Verbales, corresponden a
la representacin del modelo en prosa. Diagramticos, el modelo es expresado por medio de diagramas.
Los modelos matemticos se subdividen a su vez en algebraicos, trascendentes, continuos, discretos,
lineales y no lineales. Los modelos algebraicos trabajan con funciones algebraicas. Los trascendentes
utilizan funciones trascendentes. Los modelos continuos emplean valores correspondientes a
distribuciones de probabilidad, mientras que en los modelos discretos los cambios que sufre un sistema
se hacen en intervalos de tiempo. Los modelos lineales trabajan con funciones lineales en tanto que los
modelos no lineales utilizan funciones no lineales.
Adems, los modelos matemticos tambin pueden ser estticos, dinmicos, determinsticos y
probabilsticos (estocsticos). Un modelo es esttico, cuando sus atributos no muestran variacin en
el tiempo. Los modelos dinmicos, permiten observar el comportamiento del sistema a travs del tiempo.
Los modelos determinsticos no tienen funciones de probabilidad mientras que en los modelos
estocsticos existen en ellos funciones de probabilidad.
2. Por su esencia: Son normativos y descriptivos. Los modelos normativos indican normas que
se deben cumplir, mientras que los descriptivos nos definen una situacin real.
3. Por sus caractersticas: Pueden ser rplicas, cuasirrplicas, analgicos, formalizacin, isomorfos
y simulacin. Rplica, representacin estricta de la realidad a escala. Cuasirrplica, su representacin
se realiza en dos dimensiones. Analgicos, utilizan unas propiedades para representar otras.
Formalizacin, emplean lenguaje abstracto. Isomorfos, nmero de variables que emplea el modelo.
Simulacin, no se reproducen caractersticas fsicas.
Pl an t eami en t o d e model os en Pr o g r amac i n Li neal
A continuacin se plantean modelos usuales en nuestro medio, como aplicaciones industriales
y/o comerciales.
En Investigacin de Operaciones es importante plantear modelos, que luego de estandarizarlos
queden estructurados como problemas de Programacin Lineal para proceder a su solucin.
PROBLEMA 1 (Fabricacin)
La Fbr i ca de Hi l ados y Tej i dos " Mani zal es" r equi er e f abr i car dos t ej i dos de cal i dad di f er ent e T y
T; se di spone de 500 kg de hi l o a, 300 kg de hi l o b y 108 kg de hi l o c. Para obt ener un met r o de
T di ar i ament e se necesi t an 125 g de a, 150 g de b y 72 g de c; par a produci r un met r o de T' por
da se necesi t an 200 g de a, 100 g de b y 27 g de c.
El T se vende a $4000 el met r o y el T' se vende a $5000 el met r o. Si se debe obt ener el mxi mo
benef i ci o, cunt os met r os de T y T se deben f abr i car ?
Pl antear el anteri or probl ema como un model o de Programaci n Li neal .
72
Var i abl es de deci si n:
1. 0 . 1 2 5 XI + 0 . 2 X2
<
5 0 0
2 . 0 . 1 5 0 X, + 0 . 1 X2
< 3 0 0
3 . 0 . 0 7 2 XI + 0 . 0 2 7 X2
< 1 0 8
X I , X2
>
0
Model o (Pr i mal ):
M A X Z = 4 0 0 0 XT + 5 0 0 0 X2
Suj et a a:
73
Con sus r est r i cci ones:
Primera seccin:
Cuando X, = 0, X
2
= 400; cuando X
2
= 0, X
1
= 300
X
2
< 400 - 400/ 300 X
1
1. 4 X
1
+ 3 X
2
< 1200
Segunda seccin:
Cuando X
1
= 0, X
2
= 450; cuando X
2
= 0, X
1
= 350
X
2
> 450 - 450/ 350 X
1
2. 9X1 + 7 X
2
> 3150
Tercera seccin:
Cuando X, = 0, X
2
= 500; cuando X
2
= 0, X
1
= 400
X
2
<= 500 - 500/ 400 X
1
3. 5 X
1
+ 4 X
2
< 2000
Resumi endo:
MAX Z = 1000 X
1
+ 700 X
2
Con sus restri cci ones:
PROBLEMA 3 (Demanda)
En una pl ant a, l a demanda est i mada par a el pr xi mo ao es la si gui ent e:
Pri mer t ri mest re: 15000 uni dades de A
Segundo t r i mest r e: 25000 uni dades de A
Tercer t r i mest r e: 40000 uni dades de A
Cuar t o t r i mest r e: 20000 uni dades de A
74
En el al macn se cuent a con 10000 uni dades al i ni ci arse el per odo, v se desea di sponer de un
i nvent ar i o de 5000 uni dades al f i nal i zar el ao. La producci n dur ant e el l t i mo t ri mest re del
per odo ant er i or f ue de 5000 uni dades.
Si el costo de aument o de la producci n CT = $50 por uni dad, el costo de di smi nuci n de la
producci n C2 = $30 por uni dad y el costo de al macenaj e C3 = $20 por uni dad.
Qu cant i dad deber produci rse en cada t r i mest r e par a mi ni mi zar costos de manej o de
producci n? Pl ant ear este pr obl ema como un model o de Pr ogr amaci n Li neal .
Def i ni c i n d e v ar i ab l es :
Mo d el o ( Pr i mal ) :
75
PROBLEMA 4 (Financiero)
Al Di rect or Fi nanci ero de la Cor por aci n Fi nanci era Naci onal l e han dado $50. 000. 000 par a
que i nvi erta en un perodo de tres aos. El Di rector ha det er mi nado que existen tres oport uni dades
de i nversi n di sponi bl es en el moment o y que son las si gui entes: l a i nversi n A ri nde el 18%
anual ; l a i nversi n B r i nde el 12% el pr i mer ao y el 21% los aos si gui ent es y la i nversi n C
r i nde el 55% al f i nal del t ercer ao y no se puede vol ver a i nverti r.
Tambi n ha encont r ado que al comi enzo del segundo ao exi ste ot ra opor t uni dad de i nversi n,
l a D que produce 25% al f i nal del t ercer ao y por una sol a vez. El Di rect or Fi nanci ero desea
saber cunt o di ner o i nverti r, dnde y cundo, en t al f or ma que la cant i dad de di ner o di sponi bl e
al i ni ci o del cuart o ao sea mxi mo.
Pl ant ear el ant er i or pr obl ema como un model o de Pr ogr amaci n Li neal .
Var i abl es de deci si n:
A : Di ner o a i nverti r al comi enzo del ao i en la i nversi n A; i = 1,2,3
B : Cant i dad i nvert i da en pesos al i ni ci o del ao i en l a i nversi n B.
C] : Di ner o a i nverti r al comi enzo del ao 1 en l a i nversi n C.
D
2
: Cant i dad i nvert i da en pesos al i ni ci o del ao 2 en la i nversi n D.
Z : Di ner o a pri nci pi o del cuart o ao.
MAX Z = 50000000 + 0 . 1 + A
2
+ A
3
) + (0.12B
n
+ 0. 21 B
2
+ 0. 21 B
3
) + 0. 55C! + 0. 25D
2
Suj et a a:
PROBLEMA 5 (La gallina y los huevos)
(Li near Pr ogr ammi ng and Extensions - Geor ge Bernard Dant zi g - Pri nceton Uni versi ty - 1963 -
Pgi na 67).
Suponga que una gal l i na t oma dos semanas para poner doce huevos par a la vent a o par a
empol l ar cuat ro huevos. Cul es el mej or pr ogr ama de poner huevos y empol l ar si al f i nal del
cuar t o per odo t odas las gal l i nas y pol l os se venden a $12. 000 cada uno, los huevos a $200
cada uno? Asuma:
76
A. Un i nvent ar i o i ni ci al de ci en huevos y ci en gal l i nas.
B. Ci en gal l i nas y cer o huevos.
C. Ci en gal l i nas y cer o huevos y t ambi n un i nvent ar i o f i nal de ci en gal l i nas y cero huevos.
77
78
Con l as si gui ent es r est r i cci ones:
Primer perodo:
Segundo perodo:
Tercer perodo:
Cuarto perodo:
Suj et a a:
Primer perodo:
Segundo perodo:
Tercer perodo:
Cuarto perodo:
PROBLEMA 6 (Serendipity)
Ser endi pi t y (Tomado de Management Sci ence - Febr er o de 1965).
Los prnci pes de Serendi pi t y.
Se f uer on en un pequeo vi aj e.
Ellos no podan l l evar muchas mal et as;
Ms de t resci ent as l i bras las ponan a pensar.
Pl anear on hast a el cent avo. Cuando r egr esar on a Cei l n
Descubr i er on que sus di neros est aban a punt o de acabar .
Cuando, par a su al egr a, el prnci pe Gui l l er mo encont r
Una pi l a de cocos en el suel o.
" Cada uno nos produci r sesenta rupi as" , di j o el prnci pe Ri cardo.
Cuando pis una pi el de l en.
" Mi ren" , gri t el prnci pe Roberto.
Cuando observ ms pi el es de l en debaj o del r bol .
"Estas pi el es nos pueden produci r hast a t resci ent as rupi as cada una.
Si las podemos l l evar hast a la ori l l a del mar" .
Cada pi el pesaba qui nce l i bras y cada coco ci nco,
Pero haci endo de t ri pas cor azn pudi er on l l evar t odo a l a or i l l a.
La embar caci n de regreso a la isla er a pequea.
Qui nce pi es cbi cos de equi paj e - eso er a t odo.
Cada pi el de l en t omaba un pi e cbi co.
Mi ent r as que ocho cocos ocupaban el mi smo espaci o.
Con t odo el equi paj e se hi ci eron a l a mar
Y en el vi aj e cal cul ar on lo que sera su nueva r i queza.
" Eureka" , gri t Robert o. Nuest r a f or t una es t an gr ande,
Qu e no exi ste ot r a f or ma de r et or nar as.
Con cual qui er ot r a pi el o coco que hubi r amos t r ado
Ahor a ser amos ms pobres. Y no s qu
Le escri bi r a mi ami go Hor aci o en Ingl at er r a, segur ament e
Sl o l sabr apr eci ar nuest ro Serendi pi ty.
Pl antear el anteri or probl ema como un model o de Programaci n Lineal.
79
Var i ab l es d e d ec i s i n :
BODEGAS PESO (Ton) VOL UMEN (FT
3
)
Pr oa 2 0 0 0 100000
Popa 1500 3 0 0 0 0 0
Cent r o 3 0 0 0 135000
Se of r ecen l as si gui ent es car gas y l os r esponsabl es del bar co pueden acept ar t odo o par t e de
cada car ga:
CARGA
CANTIDAD
(Ton)
VOLUMEN
(Ton/Ft
3
)
UTILIDAD
($/ Ton)
A 6000 60 6
B 4000 50 8
C 2000 25 5
llBIillllliillllill^^^^^fclpf
Buscando conser var el equi l i br i o en el bar co, el peso de cada bodega debe ser pr opor ci onal a
su c apac i dad en t onel adas. Cmo se debe r epar t i r l a car ga buscando maxi mi zar l as gananci as
t ot al es?
Pl antear el anteri or probl ema como un model o de Programaci n Li neal .
80
Mo d e l o ( Pr i mal ) :
MAX Z = 60 Xt + 3 0 0 X
2
Con sus r es t r i c c i ones :
PROBLEMA 7 (Barco)
Un bar co t i ene t r es bodegas: pr oa, popa y cent r o; l os l mi t es de capaci dad par a esas t res
bodegas son:
Def i ni c i n d e v ar i ab l es
Z: Ut i l i dad t ot al .
Con l as si gui ent es r est r i cci ones:
81
Resumi endo:
MAX Z = 6 ( X
A1
+ X
A2
+ X
A3
) + 8 ( X
B1
+ X
B2
+ X
B3
) + 5 ( X
C1
+ X
C2
+ X
C3
)
Con l as s i gui ent es r est r i cci ones:
PROBLEMA 8 (Produccin)
Una empr esa se dedi ca a l a pr oducci n de pi nt ur as par a i nt er i or es y ext er i or es par a su
di st ri buci n; se empl ean dos mat er i as pr i mas MP
1
y MP
2
para la producci n de las pi nt uras. La
di sponi bi l i dad mxi ma de MP
1
es de 8 t onel adas di ari as y la de MP
2
es de 5 t onel adas por da.
Los r equer i mi ent os di ari os de mat er i a pr i ma por t onel ada es la si gui ent e:
Tonel adas de mat er i a pr i ma por t onel ada de Di sponi bi l i dad mxi ma
Pi ntura para i nt eri ores
Pi ntura par a
ext eri ores
Di ar i a
(t onel adas)
MP, 3 7 20
MP
2
4 1 9
Ut i l i dad por t onel ada 100000 300000
82
El est udi o de mer cado ha est abl eci do que l a demanda di ar i a de pi nt ura para i nt eri ores no
puede ser mayor que l a pi nt ur a par a ext eri ores en ms de una t onel ada. Adems, el est udi o
seal a que l a demanda mxi ma de pi nt ura par a i nt eri ores est l i mi t ada a dos t onel adas por
da. Cunt a pi nt ur a par a i nt eri ores y ext eri ores debe produci r l a empr esa todos los das par a
maxi mi zar el i ngreso bruto?
Var i ab l es r eal es :
X
1
: Nmer o de t onel adas di ari as produci das de pi nt ur a par a i nt eri ores.
X
2
: Cant i dad de t onel adas di ari as produci das de pi nt ur a par a ext eri ores.
Z : Funci n de ut i l i dad cor r espondi ent e a la gananci a por l a vent a de pi nt ura par a i nt eri ores y ext eri ores.
MAX Z = 100000 X
1
+ 300000 X
2
Suj et a a:
PROBLEMA 9 (Cosecha)
Un hacendado di spone de los si gui ent es recursos par a empl ear l os en l a pr xi ma cosecha:
$70000000 de capi t al di sponi bl e, 1000 horas t ract or y 50 hect r eas de t i er r a cul t i vabl e. Estas
t i er r as son propi as par a sembr ar maz, caa de azcar y aj onj ol ; se supone que t i ene a su
di sposi ci n hombr es sufi ci entes y sin restri cci n y sus costos de producci n son los si gui ent es:
t r act or e i mpl ement os $5000 l a hor a, mano de obra $4000 l a hor a, cada hect r ea no sembr ada
$4500. Adems se supondr un costo como penal i zaci n, de un peso por cada peso no i nvert i do.
Los si gui ent es dat os son por hect r ea:
Cosecha
Mano de Obr a
(Horas)
Tract or
(Horas)
Ot r os costos
Val or de la
cosecha (Has)
Ma z 10 20 $3500 $3000000
Caa de azcar 25 25 $4000 $3800000
Aj onj ol 30 1 5 $10000 $4100000
83
Var i ab l es d e deci si n:
Un f abr i cant e de el ect rodomst i cos produce cuat ro model os de l avadoras l_i, L2, L3 y L
4
. Estos
apar at os const an f undament al ment e de un t ambor met l i co recubi ert o con una carcasa, el
cual gi r a por ef ect o de un mot or el ctri co cont r ol ado por un mi croprocesador el ect rni co.
Los model os Li y L
3
son l avador as con menor capaci dad de carga (4 kg), necesi t ando 5 m
2
de
mat er i al met l i co, mi ent r as que los model os L
2
y L
4
que car gan 10 kg, r equi er en 8,5 m
2
de
mat er i al met l i co. La cant i dad de mat er i al met l i co di sponi bl e es de 10000 m
2
.
Los model os LT y L
2
l l evan un mot or denomi nado Mi y un mi croprocesador Pi ; los model os L
3
y
L
4
t i enen un mot or M
2
y un mi croprocesador P
2
. El mot or M- es menos pot ent e que el M
2
y el
mi cr opr ocesador Pi t i ene menos pr ogr amas que el mi croprocesador P
2
; el mat er i al necesari o
par a f abr i car los mot ores puede obt ener se pr ct i cament e sin l i mi t aci n.
Los mot or es se ensambl an en una nave de mont aj e con una capaci dad de t r abaj o de 3000
hor as, si endo r equer i da una hor a par a mont ar un mot or M] y 1,5 horas par a ensambl ar un
mot or M
2
. En cuant o a los mi croprocesadores se pueden f abri car en la propi a empr esa en una
secci n de l a pl ant a de mont aj e o se pueden encar gar a un f abr i cant e de mat er i al el ect rni co.
En el pr i mer caso, compi t en con la f abr i caci n de los mot ores M] y M
2
necesi t ando 0,3 horas la
f abr i caci n de Pi a un costo de $100000 y 0, 75 horas la f abri caci n de P
2
con un costo de
$80000. En el segundo caso, el vendedor puede sumi ni st rar cual qui er cant i dad de P] y P
2
a un
preci o de $180000 y $360000 r espect i vament e.
84
Xi : Cant i dad de hect reas de maz a produci r.
X
2
: Nmer o de hect reas de caa de azcar a cosechar.
X3: Cant i dad de hect reas de aj onj ol a produci r.
Z : Funci n de ut i l i dad cor r espondi ent e a los cultivos que la haci enda produce.
Fi nal ment e, las l avador as se mont an en ot ra nave de acabado con capaci dad de 5000 hor as,
si endo preci so un t i empo de 1,5 horas par a el model o L
1(
2, 3 horas par a el model o L2, 3 horas
par a el model o L
3
y 4, 2 horas par a el model o L
4
. Para sati sfacer a t odos los segment os, el
f abr i cant e deci de que l a producci n mni ma de cada model o sea de 300 uni dades. Como dat o
adi ci onal se conoce, segn i nf or me del depar t ament o de mer cadeo, que la demanda de model os
de mayor capaci dad es si empr e superi or a l a demanda de los model os de menor capaci dad,
por lo que l a producci n combi nada de los model os L2 y L
4
debe ser superi or a la producci n
combi nada de los model os Li y L3.
La ut i l i dad pr opor ci onada es de $160000 par a el model o Li , $170000 par a el model o L
2
,
$180000 par a el model o L
3
y $200000 par a el model o L
4
. Pl ant ear un model o de Pr ogr amaci n
Li neal par a l a pl ani f i caci n de l a pr oducci n de l as l avador as t eni endo como obj et i vo l a
maxi mi zaci n de los benef i ci os.
XT Nmer o de l avador as LT a f abri car.
X2 : Cant i dad de l avador as Li a produci r.
X
3
: Nmer o de l avador as L3 a f abri car.
X4 : Cant i dad de l avador as L
4
a produci r.
X5 : Nmer o de mi cr opr ocesador es P] a f abr i car en l a empr esa.
X : Cant i dad de mi cr opr ocesador es PT a comprar.
X
7
: Nmer o de mi cr opr ocesador es P2 a produci r en l a empr esa.
Xs Cant i dad de mi cr opr ocesador es P2 a comprar.
X9 : Nmer o de mot or es Mi a f abri car.
X]o : Cant i dad de mot or es M
2
a produci r.
Z Funci n de ut i l i dad cor r espondi ent e a l a gananci a por l a vent a de l avador as model os Lj ,
1-2/ L
3
y U
Suj et a a:
85
Resumi endo:
PROBLEMA 7 7 (Inversin)
Un pas est at r avesando una aguda crisis econmi ca a raz del enor me i ncr ement o de la
deuda ext er na. Uno de los efectos ms vi si bl es de la crisis es el carct er especul at i vo que est
adqui r i endo el mer cado de capi t al es; l a i nf l uenci a de di versos agent es: Gobi er no, Fondo
Monet ar i o Int er naci onal , Banca Naci onal y Banca Ext ranj era, et c., hace que los i ndi cadores
econmi cos (i nf l aci n, deval uaci n, ent r e otros) exper i ment e constantes modi fi caci ones haci endo
muy poco f i abl es las previ si ones a medi o y a l argo pl azo. En este cont ext o, los i nversi oni stas se
han decant ado por una pol t i ca de i nversi n a corto y muy corto pl azo como mecani smo de
def ensa ant e l a i nest abi l i dad del mer cado.
86
Suj et a a:
Uno de estos i nversi oni stas est est udi ando cmo i nverti r $100000000 producto de una Herenci a;
un asesor f i nanci er o l e pr opor ci ona el si gui ent e cuadr o en el que se r ecogen las posi bl es
i nver si ones, su r endi mi ent o, pl azo, as como dos ndi ces de cal i dad de l a i nversi n, uno
pr opor ci onado por un or gani smo est at al y el ot r o pr oveni ent e de una f uent e ext r anj er a. Para la
obt enci n de estos ndi ces de cal i dad se t i enen en cuent a concept os t al es como l i qui dez, ri esgo,
et c., de di fci l cuant i f i caci n; el ndi ce est at al r ecor r e una escal a de l a A a l a Z, si endo A la mej or
cal i dad, mi ent r as que el ndi ce ext r anj er o cal i f i ca a las i nversi ones en una escal a de 0 a 100,
si endo 100 l a mej or cal i dad.
ndi c e d e Cal i d ad
Inver si n Ti po
Or gani smo
Estatal
Fuent e
Ext ranj era
Das Net o
1 Bonos Empresa Pri vada C 95 10 3, 16
2 Bonos Estatal es B 85 15 3,99
3 Deuda Pblica Naci onal A 92 21 6, 30
4 Deuda Pblica Regi onal B 90 21 5,94
5 Pagars Estatales A 97 30 6, 38
6
Moneda Ext ranj era D 93 7 1,75
El i nversi oni st a pr et ende el egi r su car t er a de modo que al cance los mxi mos benef i ci os. No
obst ant e, el asesor f i nanci er o l e aconsej a que di versi f i que su i nversi n de acuer do con los
cri teri os si gui ent es:
a) La cant i dad col ocada en i nversi ones est at al es no debe ser superi or al 70% del t ot al i nvert i do.
b) La cant i dad i nvert i da en bonos debe ser super i or a lo i nvert i do en deuda pbl i ca.
c) La r azn ent r e las i nversi ones en efectos de t i t ul ar i dad pbl i ca (i nversi ones 2, 3, 4 y 5) y las
i nversi ones en efectos de t i t ul ar i dad pr i vada (i nversi ones 1 y 6) deben ser a lo sumo de tres
a uno.
d) No debe col ocarse ms de un 60% en i nversi ones cat al ogadas por el or gani smo est at al con
un ndi ce i nf eri r o i gual a B.
e) La cal i dad medi a de la inversin, segn el ndice de f uent e extranj era, debe ser como mni mo 92.
f) Debi do a las di sposi ci ones l egal es, l a cant i dad mxi ma que puede i nvert i rse en pagar s
est at al es es de $4000000.
g) La dur aci n medi a de l a i nversi n debe est ar compr endi da ent r e 14 y 21 das.
87
Var i ab l es r eal es :
Model o (Pr i mal ):
Resumi endo:
88
Una empr esa de conf ecci ones puede pr oduci r 1000 pant al ones o 3000 bl usas (o una
combi naci n de ambos) di ar i ament e. El depar t ament o de acabado puede t r abaj ar sobre 1500
pant al ones o sobre 2000 bl usas (o una combi naci n de ambos) cada da; el depar t ament o de
mer cadeo r equi er e que ^e pr oduzcan di ar i ament e al menos 400 pant al ones. Si el benef i ci o de
un pant al n es de $4000 y el de una bl usa es de $3000. Cunt as uni dades se deben produci r
de cada uno par a maxi mi zar las ut i l i dades?
Suj et a a:
89
Resumi endo:
Suj et a a:
Var i ab l es d e deci si n:
Xi : Cant i dad de pant al ones a produci r di ar i ament e.
X
2
: Nmer o de bl usas a f abr i car por da.
Z : Funci n de ut i l i dad cor r espondi ent e a l a gananci a por la vent a de pant al ones y bl usas.
PROBLEMA 13 (Dieta)
La Gr anj a Mani zal es t i ene como act i vi dad pri nci pal la cra y engor de de cerdos dest i nados al
consumo humano, como t ambi n a l a f abr i caci n de embut i dos. La t ar ea pri nci pal encar gada
por medi o del vet er i nar i o es supervi sar la pr epar aci n de un al i ment o (sal vado) especi al ,
r econst i t uyent e par a al i ment ar una car nada que se encuent r a conval eci ent e de una l eve
enf er medad. Se preci san 1000 kg del al i ment o cuya composi ci n debe cumpl i r las si gui ent es
especi fi caci ones:
a) La canti dad de peso de hidratos de carbono (H) debe estar comprendi da entre un 40% y un 70%.
b) La cant i dad en peso de prot enas (P) debe estar ent r e un 15% y un 50%.
c) La cant i dad de peso en grasas (G) debe est ar compr endi da ent r e un 10% y un 30%.
d) La cant i dad en peso de mi ner al es (M) debe ser superi or al 3%.
Para la pr epar aci n del al i ment o se puede recurri r a tres ti pos de cui do proporci onados por la
compaa FINCA, dos ti pos de har i na de pescado sumi ni st rados por la empr esa PURINA o bi en
compr ar di r ect ament e en el al macn paquet es de mi ner al es con l a composi ci n adecuada. La
si gui ent e t abl a muest ra l a composi ci n por cent ual en peso de cada uno de estos product os, as
como su costo por ki l ogr amo:
Al i men t o s / k g H P G M Cost o
Cui do A 76 21 3 0 22
Cui do B 64 24 12 0 31
Cui do C 45 37 18 0 45
Har i na 1 71 2 1 17
Har i na 2 69 1,5 29 0,5 15
Mi ner al es 0 0 0 100 125
El ger ent e desea evi t ar una excesi va dependenci a de un ni co proveedor, Al t i empo que desea
mant ener buenas rel aci ones comerci al es con ambos proveedores; por el l o, pi ensa que el pedi do
deber a repart i rse de maner a equi t at i va ent r e las empr esas FINCA y PURINA. En este sent i do lo
ms que podr a t ol er ar se es una di f er enci a en ms o en menos ent r e los dos pedi dos de hast a
un 20% de la cant i dad t ot al pedi da a ambos proveedores. Por ot ra par t e, la compaa FINCA
ha avi sado que las exi stenci as de su cui do ms bar at o el A, son un t ant o escasas, por l o que
sl o podr sumi ni st rar a t i empo a lo sumo 300 kgr. El pr obl ema que debe resol ver la ger enci a
es det er mi nar qu cant i dades compr a de cada product o par a f abri car el al i ment o necesari o
par a el ganado porci no al menor costo posi bl e.
X
A
: Cant i dad de kg de cui do A a i ncl ui r en los 1000 kg de al i ment o.
Xe Nmer o de kg de sal vado B a mezcl ar en los 1000 kg de al i ment o.
Xc : kg de al i ment o C a i ncl ui r en los 1000 kg de al i ment o.
Xi Cant i dad de kg de har i na t i po 1 a mezcl ar en los 1000 kg de al i ment o.

Guillermojimenezlozano.2009 Parte1

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Guillermojimenezlozano.2009 Parte1

Caricato da

Copyright:

Formati disponibili

GUILLERMO J IMNEZ LOZANO

Potrebbero piacerti anche