martes, 13 de octubre de 2015

El arte de modelar en la Investigación de Operaciones.

Un estudio de Investigación de Operaciones consiste en construir un modelo de un sistema de la vida real, existente o no existente. Si el sistema existe, el objetivo será analizar el comportamiento de éste a fin de mejorar su funcionamiento. Si el sistema no existe, el objetivo será encontrar la mejor estructura del sistema futuro.

La estructura de los modelos matemáticos en la investigación de operaciones están compuestos de:

1.- Variables de decisión:
      Son las incógnitas que deben determinarse con la solución del modelo.
      Ejemplo:
      X1= Número de unidades a producir en el turno de la mañana.
      X2=Número de unidades a producir en el turno de la tarde.

2.- Restricciones:
     Para tomar en cuenta las limitaciones físicas del sistema, el modelo debe incluir           
     restricciones que limitan las variables de decisión a valores factibles (permisibles)
     X1 + X2 ≤ 400

3.- Función objetivo:
     Define la medida de efectividad del sistema como una función matemática de sus 
     variables de decisión.
     Por ejemplo, si el objetivo del sistema es maximizar el beneficio total, la función objetivo 
     debe especificar el beneficio en función de las variables de decisión.
     Ejemplo: Maximizar Z=4X1 + 5X2

Para plantear un modelo de investigación de operaciones lo podemos desglosar en las siguientes fases:

1.- Definición del problema:
     1.1- Definir el objetivo del estudio
     1.2. Reconocimiento de las restricciones y variables del sistema.

2.- Construcción del modelo:
     2.1- Modelo matemático
     2.2- Modelo de simulación. Se usa cuando las relaciones matemáticas son muy      complejas.

3.- Solución del modelo:
     3.1- Si el modelo es matemático se usará alguna técnica de optimización bien definida, 
            produciendo el modelo una solución óptima.
     3.2- Si el modelo es de simulación se buscarán alternativas para mejorar el desempeño 
           del sistema. Se deberá realizar un análisis de sensibilidad cambiando ciertos 
           parámetros del sistema.

4.- Validación del modelo:
      Un modelo es válido si puede dar una predicción confiable del funcionamiento del     
      sistema. Para probar la validez de un modelo se comparan los resultados del modelo 
     con datos históricos del sistema real.

5.- Implantación de resultados finales:
     La etapa final consiste en implementar los resultados y aplicarlos en la vida real. Lo 
     realiza el equipo de I.O. junto con las personas que operan el sistema real.

Definición, desarrollo y tipos de modelos de la Investigación de Operaciones.

Introducción.

Origen de la Investigación de Operaciones en Gran Bretaña
·       
         Durante la Segunda Guerra Mundial, la administración militar en Gran Bretaña llamó a un equipo de científicos para estudiar estrategias asociadas a la defensa aérea y terrestre del país. Su objetivo era determinar la utilización más efectiva de los recursos militares limitados. El nombre de Investigación de Operaciones fue dado porque el equipo estaba investigando operaciones militares.
\
Origen de la Investigación de Operaciones en Estados Unidos
·      
          Los resultados alentadores logrados por los científicos británicos, movieron a la administración militar de Estados Unidos a comenzar actividades similares. Las aplicaciones de los Estados Unidos incluyeron el estudio de problemas logísticos complejos, la planeación de nuevos modelos de vuelo y la utilización efectiva del equipo electrónico.

Definición.

La Investigación de Operaciones se ocupa de la toma de decisiones óptima a partir del modelado y solución de sistemas determinísticos y probabilísticos que se originan en la vida real.

Estas aplicaciones que ocurren en el gobierno, en los negocios, en las industrias, en la ingeniería económica y en las ciencias naturales y sociales se caracterizan en gran parte por la necesidad de asignar escasos recursos. En estas situaciones se puede obtener un conocimiento profundo del problema a partir del análisis científico que proporciona la Investigación de Operaciones. El enfoque de la Investigación de Operaciones proviene principalmente de:

1.- La estructuración de una situación de la vida real como un modelo matemático, logrando una abstracción de  los elementos esenciales para que pueda buscarse una solución que concuerde con los objetivos del tomador de decisiones.

2.- El análisis de la estructura de tales situaciones y el desarrollo de procedimientos sistemáticos para obtenerlas.

3.- El desarrollo de una solución, incluyendo la teoría matemática, si es necesario, que lleva al valor óptimo de la medida que se espera del sistema.

Desarrollo de la Investigación de Operaciones y avance de la Investigación de Operaciones

·         Después de la guerra, el éxito de los equipos militares atrajo la atención de las empresas industriales, quienes buscaban soluciones a sus problemas complejos. Aunque Gran Bretaña fue quien inició el estudio de la Investigación de Operaciones, los Estados Unidos tomaron pronto el liderazgo. La primera técnica matemática aceptada fue el método simplex de programación lineal, desarrollado en 1947 por el matemático norteamericano George B. Dantzing.

La Investigación de Operaciones en la actualidad:

·         En la actualidad el impacto de la investigación de operaciones se nota en muchas áreas.
·         Muchas universidades la enseñan en todos los niveles.  Muchas organizaciones que se dedican a dar consultoría están comprometidas con ella. Las aplicaciones han ido más allá del ámbito empresarial y militar, para incluir hospitales, restaurantes, aeropuertos, bancos, bibliotecas, planeación urbana, sistemas de transporte y estudios de investigación criminológica. El desarrollo de  decisión consiste en seleccionar una o varias alternativas o cursos de acción para minimizar los riesgos de pérdidas financieras.

La toma de decisiones puede hacerse bajo:
  •  Riesgo
  • Certeza
  • Conflicto
  • Incertidumbre

Una toma de decisión bajo completa certeza llamada también determinística, se caracteriza porque el grupo decisor conoce perfectamente cuál va a ser el estado de la naturaleza relativo a sus objetivos y por lo tanto selecciona aquella acción que de acuerdo al criterio del líder logrará acercar más rápido a la meta preestablecida.

En el caso de riesgo, también conocida como estocástico, no se conoce perfectamente el estado que adoptará la naturaleza pero se asocia a este una distribución de probabilidad (discreta, continua), en función de esta última el grupo decisor selecciona aquella acción que maximiza la esperanza de acercarse a  la meta propuesta.

En el caso conflictivo, los estados de la naturaleza obligan a que el logro de las metas de un grupo de decisores reduzca simultáneamente las posibilidades de que otro grupo alcance las suyas.
Cuando hay total incertidumbre se desconoce la verosimilitud asociada a la ocurrencia de posibles estados de la naturaleza, es decir, no se tiene una idea sobre la distribución de probabilidad o función de densidad asociada a los diferentes entornos.

En el caso determinístico, los procesos de decisión, generalmente son dos:
1.- Maximizar, utilidades, beneficios
2.- Minimizar, costos, tiempo, distancia

Para el caso estocástico, se optimizan (maximizar o minimizar) los valores esperados correspondientes. En el conflicto se minimizan las máximas pérdidas, que equivale a maximizar las mínimas ganancias del oponente, este criterio se utiliza con menor frecuencia.

Cuando existe incertidumbre los procesos de decisión que pueden presentarse son:
·         1.- Maximizar la mínima ganancia
·         2.-Minimizar la máxima pérdida
·         3.-Coeficiente optimista-pesimista
·         4.-Minimizar el arrepentimiento máximo
·         5.-Estrategias mixtas

Modelo: definición y tipos.

Un modelo es una representación simplificada e idealizada de la realidad, o también, un modelo es una abstracción selectiva de la realidad. Dentro de la Investigación de Operaciones los tipos de modelos generalmente son numéricos.
Los tipos de modelos son:
·        1.-Icónicos
·        2.-Analógicos
·        3.-Matemáticos

Un modelo icónico es una representación de la realidad pero a diferente escala, ya sea aumentada o disminuida, por ejemplo:
a)      Una maqueta
b)      Un mapa
c)       La representación de la célula

Los modelos analógicos generalmente requieren la sustitución de una propiedad por otra con el fin de permitir la manipulación del modelo, después de resolver el problema la solución se reinterpreta de acuerdo al sistema original, por ejemplo:
a)  Un sistema de redes eléctricas se pude utilizar en forma análoga para un sistema de transporte vial
b)  El sistema lógico de la inteligencia humana se utiliza en forma análoga para la operación de un programa de computadoras.

Los modelos simbólicos o matemáticos emplean un conjunto de símbolos matemáticos y funciones para representar las variables de decisión y sus relaciones para describir el comportamiento del sistema. La solución de problemas se obtiene aplicando técnicas matemáticas, como programación lineal.

En investigación de operaciones los modelos casi siempre son matemáticos y por consiguiente son aproximaciones a la realidad, por ejemplo:
a) La ecuación general de la línea recta: y=mx + b
b) La cantidad óptima en compra de inventarios

c) La ecuación básica en contabilidad: A= P + C

sábado, 20 de julio de 2013

Casos reales del uso de Investigación de Operaciones

Casos reales del uso de Investigación de Operaciones

A continuación se presentan una lista detallada con el nombre de las empresas y sus respectivas Ganancias y/o ahorros anuales obtenidos mediante el uso de la investigación de operaciones:

OrganizaciónAplicaciónAñoAhorros anuales
The Netherlands RijkswaterstaatDesarrollo de la política nacional de administración del agua, incluyendo mezcla de nuevas instalaciones, procedimientos de operaciones y costeo1985$15 millones
Monsanto Corp.Optimización de las operaciones de producción para cumplir metas con un costo mínimo1985$2 millones
Weyerhauser Co.Optimización del corte de árboles en productos de madera para maximizar su producción1986$15 millones
Electrobas/CEPAL BrasilAsignación óptima de recursos hidráulicos y térmicos en el sistema nacional de generación de energía1986$43 millones
United AirlinesProgramación de turnos de trabajo en oficinas de reservaciones y aeropuertos para cumplir con las necesidades del cliente a un costo mínimo1986$6 millones
Citgo Petroleum Corp.Optimización de las operaciones de refinación y de la oferta, distribución y comercialización de productos1987$70 millones
SANTOS, Ltd., AustraliaOptimización de inversiones de capital para producir gas natural durante 25 años1987$3 millones
Electric Power Research InstituteAdministración de inventarios de petróleo y carbón para el servicio eléctrico con el fin de equilibrar los costos de inventario y los riesgos de faltantes1989$59 millones
San Francisco Police DepartmentOptimización de la programación y asignación de oficiales de patrulla con un sistema informatizado1989$11 millones
Texaco Inc.Optimización de la mezcla de ingredientes disponibles para que los productos de gasolina cumplieran con los requerimientos de ventas y calidad1989$30 millones
IBMIntegración de una red nacional de inventario de refacciones para mejorar el apoyo al servicio1990$20 millones + $250 millones en menor inventario
U.S. Military Airlift CommandRapidez en la coordinación de aviones, tripulación, carga y pasajeros para manejar la evacuación por aire en el proyecto "Tormenta del Desierto" en el Medio Oriente1992Victoria
American AirlinesDiseño de un sistema de estructura de precios, sobreventas y coordinación de vuelos para mejorar las utilidades1992$500 millones más de ingresos
Yellow Freight System, Inc.Optimización del diseño de una red nacional de transporte y la programación de rutas de envío1992$17.3 millones
New Haven Health Dept.Diseño de un programa efectivo de cambio de agujas para combatir el contagio del SIDA199333% menos contagios
AT&TDesarrollo de un sistema basado en PC para guiar a los clientes del negocio en el diseño del centro de llamadas1993$750 millones
Delta AirlinesMaximización de ganancias a partir de la asignación de los tipos de aviones en 2.500 vuelos nacionales1994$100 millones
Digital Equipment Corp.Reestructuración de toda la cadena de proveedores entre proveedores, plantas, centros de distribución, sitios potenciales y áreas de mercado1995$800 millones
ChinaSelección y programación óptima de proyectos masivos para cumplir con las necesidades futuras de energía del país1995$425 millones
Cuerpo de defensa de SudáfricaRediseño óptimo del tamaño y forma del cuerpo de defensa y su sistema de armas1997$1.100 millones
Procter and GambleRediseño del sistema de producción y distribución norteamericano para reducir costos y mejorar la rapidez de llegada al mercado1997$200 millones
Taco BellProgramación óptima de empleados para proporcionar el servicio a clientes deseado con un costo mínimo1998$13 millones
Hewlett-PackardRediseño de tamaño y localización de inventarios de seguridad en la línea de producción de impresoras para cumplir metas de producción1998$280 millones de ingreso adicional

viernes, 19 de julio de 2013

Método simplex

El método Simplex es un procedimiento iterativo que permite ir mejorando la solución a cada paso. El proceso concluye cuando no es posible seguir mejorando más dicha solución.
 método simplex  deben cumplir las siguientes condiciones:
  1. El objetivo es de la forma de maximización o de     minimización.
  2. Todas las restricciones son de igualdad.
  3.   Todas las variables son no negativas.
  4.       Las constantes a la derecha de las restricciones son no negativas.
Ejemplo:
Max Z =5x1 + 2x2
S.A:
 5x1 + 2x2 <=60
2x1 + 1x2 <=25
X1, X2 >0
·         Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en igualdades, resultando el sistema de ecuaciones lineales:
5x1 + 2x2 + s1=60
2x1 + 1x2 +0s1+s2=25
·         Igualar la solución objetivo a 0
-5x1-2x2+Z=0
 
·         Escribir la tabla inicial simplex
En una columna aparecerá todas la variables del problema y en la filas los coeficiente de la función objetivo.
 
Z
X1
X2
S1
S2
TOTAL
Z
1
-5
-2
0
0
0
OS1
0
5
2
1
0
60
OS2
0
2
1
0
1
25

 






 
·         Para escoger la variable de decisión que entra en la base, nos fijamos en la primera fila, la de los coeficiente de la función objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto) en este caso, la variable x1 .

Si existiesen 2 o más coeficiente iguales que cumplan la condición anterior, entonces se elige uno cualquiera de ellos.

La columna de la variable color amarillo se llama columna pivote.

Notamos que la variable de salida es s1 y la entrada es x1 entonces sustituimos s1 por  x1.
 
Z
X1
X2
S1
S2
TOTAL
Z
1
-5
-2
0
0
0
X1
0
5
2
1
0
60
OS2
0
2
1
0
1
25

 
 
 
 
 
Convertimos en 1 el número pivote en este caso lo dividimos entre 5 toda la columna.
 
Z
X1
X2
S1
S2
TOTAL
Z
1
-5
-2
0
0
0
X1
0
1
2/5
1/5
0
12
OS2
0
2
1
0
1
25
 
 
 
 
 
Ahora convertimos en 0 los números que están arriba del pivote y abajo, multiplicamos 5 por  la fila de x1 y la sumamos en la primera fila.
 
Z
X1
X2
S1
S2
TOTAL
Z
1
0
0
1
0
60
X1
0
1
2/5
1/5
0
12
OS2
0
2
1
0
1
25
 
 
 
 
 
 
Ahora convertimos en 0 el número de abajo del pivote, multiplicamos por -2 el de la fila x1 y la sumamos en la fila 3.
 
Z
X1
X2
S1
S2
TOTAL
Z
1
0
0
1
0
60
X1
0
1
2/5
1/5
0
12
OS2
0
0
1/5
-2/5
1
1
 
 
 
 
 
Como todos los coeficientes de la fila de la función objetivo son positivos, hemos llegado a la solución óptima.
X1=12 Z=60 0s2=1 x2=0
Contribución de: Graciamaria Reyes, Jany Moran, Erick Perdomo, Marvin Izaguirre.