Antología de Investigación de Operaciones Sistemas Computacionales

Antologa de Investigacin de Operaciones
Ingeniera en Sistemas Computacionales
Instituto Tecnolgico Superior de Xalapa
Antologa Investigacin de Operaciones
Docente: ISC Ren Zahor Torres Becerra
Ing. Ren Zahor Torres Becerra
Temario
1. Programacin Lineal 1.1. Definicin, desarrollo y tipos de modelos de Investigacin de Operaciones 1.2. Formulacin de Modelos 1.3. Mtodo Grfico 1.4. Fundamentos del Mtodo Smplex 1.5. Aplicaciones diversas de programacin lineal 2. Anlisis de Redes 2.1. Conceptos bsicos 2.2. Problema de Transporte 2.3. Problema de Asignacin 2.4. Problema de la ruta ms corta 2.5. Programacin de Proyectos (PERT-CPM) 3. Programacin no Lineal 3.1. Conceptos bsicos de problemas de programacin no lineal 3.2. Ilustracin grfica de problemas de programacin no lineal 3.3. Tipos de problemas de programacin no lineal 3.4. Optimizacin clsica 3.4.1. Puntos de inflexin 3.4.2. Mximos y mnimos 4. Teora de Inventarios 4.1. Sistemas de Administracin y control 4.2. Modelos Determinsticos 4.2.1. Lote econmico sin dficit 4.2.2. Lote econmico con dficit 4.3. Lote Econmico de produccin 5. Lneas de espera 5.1. Definiciones, caractersticas y suposiciones. 5.2. Terminologa y notacin 5.3. Proceso de nacimiento o muerte 5.4. Modelos de Poisson 5.4.1. Un servidor 5.4.2. Mltiples Servidores 5.5. Anlisis de Costos
Unidad 1
Programacin Lineal
1.1. Definicin, desarrollo y tipos de modelos de Investigacin de Operaciones Investigacin de Operaciones o Investigacin Operacional. Se puede definir de la siguiente manera: La Investigacin de Operaciones es la aplicacin por grupos interdisciplinarios del mtodo cientfico a problemas relacionados con el control de las organizaciones o sistemas a fin de que se produzcan soluciones que mejor sirvan a los objetivos de toda la organizacin. Historia de la Investigacin de Operaciones. La primera actividad de Investigacin de Operaciones se dio durante la Segunda Guerra Mundial en Gran Bretaa, donde la Administracin Militar llam a un grupo de cientficos de distintas reas del saber para que estudiaran los problemas tcticos y estratgicos asociados a la defensa del pas. El nombre de Investigacin de Operaciones fue dado aparentemente porque el equipo estaba llevando a cabo la actividad de investigar operaciones (militares). Motivados por los resultados alentadores obtenidos por los equipos britnicos, los administradores militares de Estados Unidos comenzaron a realizar investigaciones similares. Para eso reunieron a un grupo selecto de especialistas, los cuales empezaron a tener buenos resultados y en sus estudios incluyeron problemas logsticos complejos, la planeacin de minas en el mar y la utilizacin efectiva del equipo electrnico. Al trmino de la guerra y atrados por los buenos resultados obtenidos por los estrategas militares, los administradores industriales empezaron a aplicar las herramientas de la Investigacin de Operaciones a la resolucin de sus problemas que empezaron a originarse debido al crecimiento del tamao y la complejidad de las industrias. Aunque se ha acreditado a Gran Bretaa la iniciacin de la Investigacin de Operaciones como una nueva disciplina, los Estados Unidos tomaron pronto el liderazgo en este campo rpidamente creciente. La primera tcnica matemtica ampliamente aceptada en el medio de Investigacin de Operaciones fue el Mtodo Smplex de Programacin Lineal, desarrollado en 1947 por el matemtico norteamericano George B. Dantzig. Desde entonces las nuevas tcnicas se han desarrollado gracias al esfuerzo y cooperacin de las personas interesadas tanto en el rea acadmica como en el rea industrial. Un segundo factor en el progreso impresionante de la Investigacin de Operaciones fue el desarrollo de la computadora digital, que con sus tremendas capacidades de velocidad de cmputo y de almacenamiento y recuperacin de informacin, permitieron al tomador de decisiones rapidez y precisin. Si no hubiera sido por la computadora digital, la Investigacin de Operaciones con sus grandes problemas de computacin no hubiera crecido al nivel de hoy en da. Actualmente la Investigacin de Operaciones se est aplicando en muchas actividades. Estas actividades han ido ms all de las aplicaciones militares e industriales, para incluir hospitales, instituciones financieras, bibliotecas, planeacin urbana, sistemas de transporte y sistemas de comercializacin.

Caractersticas de la Investigacin de Operaciones. Es muy notable el rpido crecimiento del tamao y la complejidad de las organizaciones (empresas) humanas que se ha dado en estos ltimos tiempos. Tal tamao y complejidad nos hace pensar que una sola decisin equivocada puede repercutir grandemente en los intereses y objetivos de la organizacin y en ocasiones pueden pasar aos para rectificar tal error. Tambin el ritmo de la empresa de hoy implica que las DECISIONES se tomen ms rpidamente que nunca, pues el hecho de posponer la accin puede dar una decisiva ventaja al contrario en este mundo de la competencia. La palpable dificultad de tomar decisiones ha hecho que el hombre se aboque en la bsqueda de una herramienta o mtodo que le permita tomar las mejores decisiones de acuerdo a los recursos disponibles y a los objetivos que persigue. Tal herramienta recibi el nombre de Investigacin de Operaciones. De la definicin de Investigacin de Operaciones, como veremos en el siguiente apartado, podemos resaltar los siguientes trminos: organizacin, sistema, grupos interdisciplinarios, objetivo y metodologa cientfica. Una organizacin puede entenderse como un sistema, en el cual existen componentes; canales que comunican tales componentes e informacin que fluye por dichos canales. En todo sistema las componentes interactan unas con otras y tales interacciones pueden ser controlables e incontrolables. En un sistema grande, las componentes se relacionan de muchas maneras, pero no todas son importantes, o mejor dicho, no todas las interacciones tienen efectos importantes en las componentes del sistema. Por lo tanto es necesario que exista un procedimiento sistemtico que identifique a quienes toman decisiones y a las interacciones que tengan importancia para los objetivos de la organizacin o sistema. Uno de esos procedimientos es precisamente la Investigacin de Operaciones. Una estructura por la que no fluye informacin, no es dinmica, es decir, no podemos considerarla como un sistema. Por lo tanto podemos decir que la informacin es lo que da vida a las estructuras u organizaciones humanas. Los objetivos de toda organizacin sern siempre alcanzar el liderato en su rama, controlando la eficiencia y efectividad de todas sus componentes por medio de mtodos que permitan encontrar las relaciones ptimas que mejor operen el sistema, dado un objetivo especfico. Ante el tremendo avance que se ha dado en casi todas las ciencias en las ltimas dcadas, ya no es factible querer saber un poco de todo, sino ms bien especializarse en alguna rama de la ciencia. Los problemas que se presentan en las organizaciones no fcilmente se pueden resolver por un slo especialista. Por el contrario son problemas multidisciplinarios, cuyo anlisis y solucin requieren de la participacin de varios especialistas. Estos grupos interdisciplinarios necesariamente requieren de un lenguaje comn para poder entenderse y comunicarse, donde la Investigacin de Operaciones viene a ser ese puente de comunicacin. El enfoque de la Investigacin de Operaciones es el mismo del mtodo cientfico. En particular, el proceso comienza por la observacin cuidadosa y la formulacin del problema y sigue con la construccin de un modelo cientfico (por lo general matemtico) que intenta abstraer la esencia del problema real. En este punto se propone la hiptesis de que el modelo es una representacin lo suficientemente precisa de las caractersticas esenciales de la situacin como para que las conclusiones (soluciones) obtenidas sean vlidas tambin para el problema real. Esta hiptesis se verifica y modifica mediante las pruebas adecuadas. Entonces, en cierto modo, la Investigacin de Operaciones incluye la investigacin cientfica creativa de las propiedades fundamentales de las operaciones. Sin embargo, existe ms que esto. En particular, la Investigacin de Operaciones se ocupa tambin de la administracin prctica de la organizacin. As, para tener xito, deber tambin proporcionar conclusiones positivas y claras que pueda usar el tomador de decisiones cuando las necesite.
Ing. Ren Zahor Torres Becerra 4

La contribucin del enfoque de Investigacin de Operaciones proviene principalmente de: 1. La estructuracin de una situacin de la vida real como un modelo matemtico, logrando una abstraccin de los elementos esenciales para que pueda buscarse una solucin que concuerde con los objetivos del tomador de decisiones. Esto implica tomar en cuenta el problema dentro del contexto del sistema completo. 2. El anlisis de la estructura de tales soluciones y el desarrollo de procedimientos sistemticos para obtenerlas. 3. El desarrollo de una solucin, incluyendo la teora matemtica si es necesario, que lleva al valor ptimo de la medida de lo que se espera del sistema (o quiz que compare los cursos de accin opcionales evaluando esta medida para cada uno). Metodologa de la Investigacin de Operaciones. El proceso de la Investigacin de Operaciones comprende las siguientes fases: 1. Formulacin y definicin del problema. 2. Construccin del modelo. 3. Solucin del modelo. 4. Validacin del modelo. 5. Implementacin de resultados. Demos una explicacin de cada una de las fases: 1. Formulacin y definicin del problema. En esta fase del proceso se necesita: una descripcin de los objetivos del sistema, es decir, qu se desea optimizar; identificar las variables implicadas, ya sean controlables o no; determinar las restricciones del sistema. Tambin hay que tener en cuenta las alternativas posibles de decisin y las restricciones para producir una solucin adecuada. 2. Construccin del modelo. En esta fase, el investigador de operaciones debe decidir el modelo a utilizar para representar el sistema. Debe ser un modelo tal que relacione a las variables de decisin con los parmetros y restricciones del sistema. Los parmetros (o cantidades conocidas) se pueden obtener ya sea a partir de datos pasados o ser estimados por medio de algn mtodo estadstico. Es recomendable determinar si el modelo es probabilstico o determinstico. El modelo puede ser matemtico, de simulacin o heurstico, dependiendo de la complejidad de los clculos matemticos que se requieran. 3. Solucin del modelo. Una vez que se tiene el modelo, se procede a derivar una solucin matemtica empleando las diversas tcnicas y mtodos matemticos para resolver problemas y ecuaciones. Debemos tener en cuenta que las soluciones que se obtienen en este punto del proceso, son matemticas y debemos interpretarlas en el mundo real. Adems, para la solucin del modelo, se deben realizar anlisis de sensibilidad, es decir, ver cmo se comporta el modelo a cambios en las especificaciones y parmetros del sistema. Esto se hace, debido a que los parmetros no necesariamente son precisos y las restricciones pueden estar equivocadas. 4. Validacin del modelo. La validacin de un modelo requiere que se determine si dicho modelo puede predecir con certeza el comportamiento del sistema. Un mtodo comn para probar la validez del modelo, es someterlo a datos pasados disponibles del sistema actual y observar si reproduce las situaciones pasadas del sistema. Pero como no hay seguridad de que el comportamiento futuro del

sistema contine replicando el comportamiento pasado, entonces siempre debemos estar atentos de cambios posibles del sistema con el tiempo, para poder ajustar adecuadamente el modelo. 5. Implementacin de resultados. Una vez que hayamos obtenido la solucin o soluciones del modelo, el siguiente y ltimo paso del proceso es interpretar esos resultados y dar conclusiones y cursos de accin para la optimizacin del sistema. Si el modelo utilizado puede servir a otro problema, es necesario revisar, documentar y actualizar el modelo para sus nuevas aplicaciones. Tipos de Modelos de la Investigacin de Operaciones 1. Determinsticos 1.1. Programacin matemtica 1.1.1. Programacin lineal 1.1.2. Programacin entera 1.1.3. Programacin dinmica 1.1.4. Programacin no lineal 1.1.5. Programacin multiobjetivo 1.2. Modelos de transporte 1.3. Modelos de redes 2. Probabilsticos 2.1. Programacin estocstica 2.2. Gestin de inventarios 2.3. Fenmenos de espera (colas) 2.4. Teora de juegos 2.5. Simulacin
Concepto de optimizacin. Una caracterstica adicional, que se mencion como de pasada, es que la Investigacin de Operaciones intenta encontrar la mejor solucin, o la solucin ptima, al problema bajo consideracin. En lugar de contentarse con slo mejorar el estado de las cosas, la meta es identificar el mejor curso de accin posible. An cuando debe interpretarse con todo cuidado, esta bsqueda de la optimalidad es un aspecto muy importante dentro de la Investigacin de Operaciones. reas de aplicacin de la Investigacin de Operaciones. Como su nombre lo dice, Investigacin de Operaciones significa hacer investigacin sobre las operaciones. Esto dice algo del enfoque como del rea de aplicacin. Entonces, la Investigacin de Operaciones se aplica a problemas que se refieren a la conduccin y coordinacin de operaciones o actividades dentro de una organizacin. La naturaleza de la organizacin es esencialmente inmaterial y, de hecho, la Investigacin de Operaciones se ha aplicado en los negocios, la industria, la milicia, el gobierno, los hospitales, etc. As, la gama de aplicaciones es extraordinariamente amplia. Casi todas las organizaciones ms grandes del mundo (alrededor de una docena) y una buena proporcin de las industrias ms pequeas cuentan con grupos bien establecidos de Investigacin de Operaciones. Muchas industrias, incluyendo la area y de proyectiles, la automotriz, la de comunicaciones, computacin, energa elctrica, electrnica, alimenticia, metalrgica, minera, del papel, del petrleo y del transporte, han empleado la Investigacin de Operaciones. Las instituciones financieras, gubernamentales y de salud estn incluyendo cada vez ms estas tcnicas.

Para ser ms especficos, se consideran algunos problemas que se han resuelto mediante algunas tcnicas de Investigacin de Operaciones. La programacin lineal se ha usado con xito en la solucin de problemas referentes a la asignacin de personal, la mezcla de materiales, la distribucin y el transporte y las carteras de inversin. La programacin dinmica se ha aplicado con buenos resultados en reas tales como la planeacin de los gastos de comercializacin, la estrategia de ventas y la planeacin de la produccin. La teora de colas ha tenido aplicaciones en la solucin de problemas referentes al congestionamiento del trfico, al servicio de mquinas sujetas a descomposturas, a la determinacin del nivel de la mano de obra, a la programacin del trfico areo, al diseo de presas, a la programacin de la produccin y a la administracin de hospitales. Otras tcnicas de Investigacin de Operaciones, como la teora de inventarios, la teora de juegos y la simulacin, han tenido exitosas aplicaciones en una gran variedad de contextos.1 1.2. Formulacin de Modelos Para llevar a cabo la Formulacin de un Modelo es necesario seguir los siguientes puntos: 1. Identificar los elementos de decisin 1. Alternativas (Variables de decisin) 2. Limitaciones del sistema (Restricciones) 3. Objetivos (uno o varios, optimizar o satisfacer) Hay que recoger informacin relevante (los datos pueden ser un grave problema)
2.
Es la etapa fundamental para que las decisiones sean tiles Estructura de los modelos empleados en la Investigacin de Operaciones. El enfoque de la Investigacin de Operaciones es el modelaje. Un modelo es una herramienta que nos sirve para lograr una visin bien estructurada de la realidad. As, el propsito del modelo es proporcionar un medio para analizar el comportamiento de las componentes de un sistema con el fin de optimizar su desempeo. La ventaja que tiene el sacar un modelo que represente una situacin real, es que nos permite analizar tal situacin sin interferir en la operacin que se realiza, ya que el modelo es como si fuera un espejo de lo que ocurre. Para aumentar la abstraccin del mundo real, los modelos se clasifican como 1) icnicos, 2) anlogos, 3) simblicos. Los modelos icnicos son la representacin fsica, a escala reducida o aumentada de un sistema real. Los modelos anlogos esencialmente requieren la sustitucin de una propiedad por otra con el fin de permitir la manipulacin del modelo. Despus de resolver el problema, la solucin se reinterpreta de acuerdo al sistema original. Los modelos ms importantes para la investigacin de operaciones, son los modelos simblicos o matemticos, que emplean un conjunto de smbolos y funciones para representar las variables de decisin y sus relaciones para describir el comportamiento del sistema. El uso de las matemticas para representar el modelo, el cual es una representacin aproximada de la realidad, nos permite aprovechar las computadoras de alta velocidad y tcnicas de solucin con matemticas avanzadas. Un modelo matemtico comprende principalmente tres conjuntos bsicos de elementos que son:
Semana 1: Tarea de investigacin: a) Realizar un mapa conceptual del tema 1.1 Ing. Ren Zahor Torres Becerra 7

1. Variables y parmetros de decisin. Las variables de decisin son las incgnitas (o decisiones) que deben determinarse resolviendo el modelo. Los parmetros son los valores conocidos que relacionan las variables de decisin con las restricciones y funcin objetivo. Los parmetros del modelo pueden ser determinsticos o probabilsticos. Restricciones. Para tener en cuenta las limitaciones tecnolgicas, econmicas y otras del sistema, el modelo debe incluir restricciones (implcitas o explcitas) que restrinjan las variables de decisin a un rango de valores factibles. Funcin objetivo. La funcin objetivo define la medida de efectividad del sistema como una funcin matemtica de las variables de decisin. Se Maximiza Ganancia y se Minimiza Costos.
2.
3.
La solucin ptima ser aquella que produzca el mejor valor de la funcin objetivo, sujeta a las restricciones. Ejemplos 1. La WYNDOR GLASS CO. Produce artculos de vidrio de Alta calidad, entre ellos ventanas y puertas de vidrio. Tiene tres plantas. Los marcos y molduras de aluminio se hacen en la planta 1, los de madera en la planta 2 y la 3 produce el vidrio y ensambla los productos. Debido a una reduccin de las ganancias, la alta administracin ha decidido reorganizar la lnea de produccin de la compaa. Se descontinuarn varios productos no rentables y se dejar libre una parte de la capacidad de la produccin para emprender la fabricacin de los 2 productos nuevos que tienen ventas potenciales grandes: Producto 1: Una puerta de vidrio de 8 pies con marco de aluminio. Producto 2: Una ventana corrediza con marco de madera de 4 pies por 6. El producto 1 requiere parte de la capacidad de produccin en las plantas 1 y 3 y nada en la planta 2. El producto 2 solo necesita trabajo en las plantas 2 y 3. La divisin de comercializacin ha concluido que la compaa puede vender todos los productos que se puedan fabricar en las plantas. Sin embargo, como ambos productos competirn por la misma capacidad de produccin en la planta 3, no est claro que mezcla de productos sera la ms rentable. Por lo tanto se ha formado un equipo de IO para estudiar este problema. Despus de hacer una investigacin, el depto. De IO determin: El porcentaje de la capacidad de produccin en cada planta que estar disponible para estos productos. El porcentaje de esta capacidad que requiere cada unidad producida por minuto. La ganancia unitaria por cada minuto. Esta informacin se ve reflejada en la siguiente tabla:
Plata 1 2 3 Ganancia por Lote Tiempo de produccin por lote, horas Producto 1 2 1 0 0 2 3 2 $3,000.00 $5,000.00 Tiempo de produccin disponible a la semana en hrs. 4 12 18

Solucin del problema Definicin de variables: X1 = Cantidad a producir del producto 1 X2 = Cantidad a producir del producto 2 Formulacin del modelo: Max Z = 3X1 + 5X2 s.a. X1 <= 4 2X2 <= 12 3X1 + 2X2 <= 18 Xi >= 0 para todo valor de ( 2. )i
La compaa XYZ fabrica zapatos de dos clases: Normales y de Lujo, se desea determinar su produccin de cada clase de zapatos en tal forma que maximice sus utilidades diarias durante el mes siguiente. El tiempo empleado en producir un par de zapatos de lujo, es el doble del necesario para un par estndar. Si todos los zapatos fuesen de clase estndar la compaa tendra la capacidad de producir 1200 pares por da. El suministro de piel es suficiente para 900 pares por da sin importar la clase de zapatos. De los otros materiales necesarios se tiene la capacidad de producir 600 pares de lujo por da y 1300 pares estndar por da. Las utilidades netas son de $60.00 y $30.00 para zapatos de Lujo y estndar respectivamente. Solucin del problema Definicin de variables: X1 = Cantidad de zapatos de lujo a producir X2 = Cantidad de zapatos estndar a producir Formulacin del modelo: Max Z = 60X1 + 30X2 s.a. 2X1 + X2 <= 1200 } Capacidad de produccin X1 + X2 <= 900 } Piel X1 <= 600 Otros Materiales X2 <= 1300 Xi >= 0
i

3. Una fbrica de televisores desea maximizar sus utilidades en la venta de sus dos artculos principales: televisores a color y televisores de plasma. Una televisin a color requiere en promedio 4 horas-hombre en produccin de partes, 2 horashombre para ensamble y 0.5 horas-hombre para inspeccin. Una televisin de plasma requiere en promedio 6 horas-hombre en produccin de partes, 3 horas-hombre para ensamble y 1 horas-hombre para inspeccin. Durante cada periodo de produccin hay disponibles 2500 horas-hombre para produccin de partes, 1100 horas-hombre para ensamble y 600 horas-hombre para inspeccin. La utilidad neta para cada televisor de plasma y color es de $2500.00 y $1000.00 respectivamente. Solucin del problema Definicin de variables: X1 = Cantidad de televisores de plasma X2 = Cantidad de televisores a color Formulacin del modelo: Max Z = 2500X1 + 1000X2 s.a. 6X1 + 4X2 <= 2500 3X1 + 2X2 <= 1100 X1 + .5X2 <= 600 Xi >= 0 4.
i
Un experimento social interesante en la regin del mediterrneo es el sistema kibbutzim, tambin conocido como comunidades agrcolas comunales, en Israel. Es usual que los grupos de kibbutzim se unan para compartir los servicios tcnicos comunes y coordinar su produccin. El primer grupo se refiere a 3 subgrupos de kibbutzim el cual se llamar la Confederacin Sur de kibbutzim. La planeacin global de la Confederacin Sur de kibbutzim se hace en su oficina de coordinacin tcnica. En la actualidad estn planeando la produccin agrcola para el ao prximo. La produccin agrcola est limitada tanto por la extensin de la tierra disponible para la irrigacin como por la cantidad de agua que la comisin de aguas asigna para irrigarlo. El tipo de cosecha apropiada para la regin incluye: remolacha, algodn y sorgo, y son estos los 3 tipos de cosechas los que se estn estudiando para la estacin venidera. Las cosechas difieren primordialmente en su rendimiento por acre esperado y en su consumo de agua, adems el ministerio de cultura ha establecido una cantidad mxima de acres que la Confederacin Sur de kibbutzim puede dedicar a estas cosechas. Los 3 kibbutzim que pertenecen a Confederacin Sur estn de acuerdo en sembrar la misma proporcin de sus tierras irrigables disponibles. Cualquier combinacin de estas cosechas se puede sembrar en cualquiera de los kibbutzim. El trabajo al que se enfrent la oficina de coordinacin tcnica consiste en planear cuantos acres deben asignarse a cada tipo de cosecha para cada kibbutzim.

Los datos de recursos para la Confederacin Sur de kibbutzim son los siguientes:
No. de Kibbutzim 1 2 3 Terreno para uso (Acres) 400 600 300 Asignacin de Agua (pies Acre) 600 800 375
Los datos de cosechas para la Confederacin Sur de kibbutzim son los siguientes:
Cosecha 1 2 3 Cantidad Mxima (Acres) 600 500 325 Consumo de agua (pies-acre/acres) 3 2 1 Rendimiento Neto ($/acre) 400 300 100
Cumpliendo con las restricciones dadas el objetivo es maximizar el rendimiento total para la Confederacin Sur. Solucin del problema Definicin de variables: Xi es la cantidad de cosecha sembrada en cada kibbutzim
X1 = Remolacha en el kibbutzim 1 X2 = Algodn en el kibbutzim 1 X3 = Sorgo en el kibbutzim 1 X4 = Remolacha en el kibbutzim 2 X5 = Algodn en el kibbutzim 2 X6 = Sorgo en el kibbutzim 2 X7 = Remolacha en el kibbutzim 3 X8 = Algodn en el kibbutzim 3 X9 = Sorgo en el kibbutzim 3
Formulacin del modelo: Max Z = 400(X1 + X4 + X7) + 300(X2+ X5+ X8) + 100(X3+ X6+ X9) s.a. Terreno: X1 + X2 + X3 <= 400 X4 + X5 + X6 <= 600 X7 + X8 + X9 <= 300 Agua: 3X1 + 2X2 + X3 <= 600 3X4 + 2X5 + X6 <= 800 3X7 + 2X8 + X9 <= 375 Cosecha: X1 + X4 + X7 <= 600 X2 + X5 + X8 <= 500 X3 + X6 + X9 <= 325 Proporcin: Xi >= 0 i
11

5. Cierta compaa tiene 3 plantas con un exceso en su capacidad de produccin. Las 3 plantas pueden fabricar un determinado producto y la gerencia ha decidido usar parte de la capacidad adicional para este fin. El producto puede fabricarse en 3 tamaos que son: chico, mediano y grande los cuales darn una ganancia neta de $275.00, $330.00 y $375.0 respectivamente. Las plantas 1, 2 y 3 tienen capacidad de mano de obra y equipo para producir 750, 900 y 450 unidades diarias cada una, sin importar el tamao o la combinacin de tamaos que se pidan. Sin embargo, la cantidad de espacio disponible para almacenar material en el proceso impone una limitacin en las tasas de produccin. Se cuenta con 13000, 12000 y 5000 pies2 de espacio en las plantas, para los materiales en proceso de produccin diaria de este producto. Cada unidad chica, mediana y grande que se produce requiere 12, 15 y 20 pies2 respectivamente. Los pronsticos de mercado indican que se pueden vender 750, 1200 y 900 unidades diarias, correspondientes a los tamaos chico, mediano y grande. Con el fin de mantener una carga de trabajo uniforme entre las plantas y para conservar alguna flexibilidad, la gerencia ha decidido que la produccin adicional que se asigne emplee el mismo porcentaje de la capacidad adicional con que cuenta la fbrica. El gerente quiere saber cuntas unidades de cada tamao debe producir en la planta para maximizar la ganancia. Solucin del problema Definicin de variables: Xi es la cantidad de producto i en cada planta
X1 = Chico en la planta 1 X2 = Mediano en la planta 1 X3 = Grande en la planta 1 X4 = Chico en la planta 2 X5 = Mediano en la planta 2 X6 = Grande en la planta 2 X7 = Chico en la planta 3 X8 = Mediano en la planta 3 X9 = Grande en la planta 3
Formulacin del modelo: Max Z = 275(X1 + X4 + X7) + 330(X2+ X5+ X8) + 375(X3+ X6+ X9) s.a. Capacidad: X1 + X2 + X3 <= 750 X4 + X5 + X6 <= 900 X7 + X8 + X9 <= 450 Cap.esp.dis.:12X1+15X2+20X3 <= 13000 12X4 + 15X5 + 20X6 <= 12000 12X7 + 15X8 + 20X9 <= 5000 Demanda: X1 + X4 + X7 >= 750 X2 + X5 + X8 >= 1200 X3 + X6 + X9 >= 900 Proporcin: Xi >= 0
i

6. Una familia es propietaria de 125 acres y tiene fondos por $40,000.00 para invertir. Sus miembros pueden producir un total de 3500 Hrs-Hombre. De mano de obra durante el invierno y 4000 HrsHombre durante el verano. En caso de que no se necesite una parte de esas Hrs-Hombre, los jvenes de la familia las emplean para trabajar en el campo vecino por $5.00 la hora durante los meses de invierno y por $6.00 la hora en el verano. La familia puede obtener el ingreso en efectivo a partir de 3 tipos de cosecha y dos tipos de animales de granja; Vacas lecheras y gallinas ponedoras. Para la cosecha no se necesita inversin, pero cada vaca requerir un desembolso de $1,200.00 y cada gallina costara $9.00. Cada vaca necesita 1.5 acres, 100 Hrs-Hombre durante el invierno y otras 50 Hrs-Hombre en el verano; cada una producir un ingreso anual neto de $1,000.00 para la familia. Las cifras correspondientes para cada gallina son: nada de terreno, 0.6 Hrs-Hombre en el invierno, 0.3 HrsHombre en el verano y un ingreso anual neto de $5.00. Caben 3000 gallinas por gallinero y el corral limita el ganado a un mximo de 32 vacas. Las estimaciones de las Hrs-Hombre y el ingreso por acres planteado con cada tipo de cosecha son: Soya 20 50 500 Maz 35 75 750 Avena 10 40 350
Hrs-Hombre en Invierno Hrs-Hombre en el Verano Ingreso neto anual ($)
La familia quiere determinar cuntos acres debe sembrar con cada tipo de cosecha y cuantas vacas y gallinas debe mantener para maximizar su ingreso neto. Solucin del problema Definicin de variables: Xi es la cantidad de producto i a sembrar o mantener.
X1 = Cantidad de Soya a sembrar por acre X2 = Cantidad de Maz a sembrar por acre X3 = Cantidad de Avena a sembrar por acre X4 = Cantidad de vacas a mantener por acre X5 = Cantidad de gallinas a mantener por acre X5 = Cantidad ganada en Invierno X6 = Cantidad ganada en Verano
Formulacin del modelo: Max Z = 500X1 + 750X2 + 350X3+ 1000X4+ 5X5+ 5X6+ 6X7 s.a. Terreno: X1 + X2 + X3 + 1.5X4 <= 125 Inversin: 1200X4+9X5 <= 40,000 Hrs.-Hombre Invierno:
20X1 + 35X2 + 10X3 + 100X4 + 0.6X5 <= 3500
Hrs.-Hombre Verano:
50X1 + 75X2 + 40X3 + 50X4 + 0.3X5 <= 4000
Capacidad: X4 <= 32 X5 <= 3,000 Xi >= 0 i
13

7. Se tienen 4 proyectos con sus respectivos costos durante un periodo de 3 aos, as como la utilidad total en el periodo de los 3 aos. Se desea maximizar la utilidad total si se dispone de $30,000.00, $28,000.00 y $25,000.00 en cada uno de los aos segn la siguiente tabla:
Proyecto
1 2 3 4
Ao 1
7 3 16 12
Costos Ao 2
10 13 12 8
Ao 3
3 7 16 15
Utilidad Total
95 50 130 100
Solucin del problema Definicin de variables: X1 = Proyecto 1 X2 = Proyecto 2 X3 = Proyecto 3 X4 = Proyecto 4 Formulacin del modelo: Max Z = 95X1 + 50X2 + 130X3 + 100X4 s.a. 7X1 + 3X2 + 16X3 + 12X4 <= 30,000 10X1 + 13X2 + 12X3 + 8X4 <= 28,000 3X1 + 7X2 + 16X3 + 15X4 <= 25,000 Xi >= 0 8.
i
Una compaa distribuidora de cerveza desea saber que poltica de distribucin minimizar sus costos de distribucin, si cuenta con depsitos en: Monterrey, Mxico y Guadalajara, y los centros de consumo a los que tiene que surtir son: Tecate, Culiacn, Durango y Mrida. Los costos de distribucin entre centros de consumo y depsitos, as como las capacidades y demandas por periodos son:
Monterrey Mxico Guadalajara Demanda Tecate 8+ 7+ 2+ 250* Culiacn 3+ 6+ 4+ 300* Durango 4+ 5+ 3+ 200* Mrida 5+ 2+ 5+ 160* Capacidad 550 300 250
+ Miles de cartones * Costo/km en cartones
Formule el problema de programacin lineal. Solucin del problema Definicin de variables: Xij Cantidad de miles de cartones que se van a mandar del centro de produccin i al lugar de consumo j. (i=1, 2, 3 y j=1, 2, 3, 4). Formulacin del modelo:

Min Z = 8X11 + 3X12 + 4X13 + 5X14 + 7X21 + 6X22 + 5X23 + 2X24 + 2X31 + 4X32 + 3X33 + 3X34 s.a. Capacidad: X11 + X12 + X13 + X14 <= 550 X21 + X22 + X23 + X24 <= 300 X31 + X32 + X33 + X34 <= 200 Demanda: X11 + X12 + X22 + X13 + X14 + Xij >= 0 9.
ij
X21 + X31 <= 250 X32 <= 300 X23 + X33 <= 200 X24 + X34 <= 160
Una granja desea encontrar la frmula de una dieta para pollos que suponga una mezcla de 100 lbs. que es el lote diario requerido. La dieta debe contener al menos 0.8% pero no ms de 1.2% de calcio, al menos 22% de protenas, a lo ms 5% de fibra cruda. Suponga que los principales ingredientes utilizados contienen maz, soya y caliza. El contenido nutritivo de estos ingredientes se resume a continuacin:
Producto
Piedra caliza Maz Soya
Calcio
0.380 0.001 0.002
Ingredientes (lbs * lb de ingrediente) Protenas

0.00 0.09 0.50
Fibra
0.00 0.02 0.08
Costo /lb
0.0164 0.0463 0.1250
Solucin del problema Definicin de variables: Xi Cantidad de ingredientes que debe contener la mezcla. X1 = Piedra Caliza X2 = Maz X3 = Soya Formulacin del modelo: Min Z = 0.0164X1 + 0.0463X2 + 0.1250X3 s.a. 0.380X1 + 0.001X2 + 0.002X3 >= 0.008 * 100 (Libras de la mezcla) 0.380X1 + 0.001X2 + 0.002X3 <= 0.012 * 100 0.009X2 + 0.500X3 >= 0.220 * 100 0.020X2 + 0.080X3 <= 0.050 * 100 Xi >= 0
i
15

10. Una fabrica produce 3 modelos (I, II y III) de un cierto producto y usa 2 tipos de materia prima (A y B) de los cuales se tienen disponibles 2,000 y 3,000 unidades respectivamente. Los requisitos de materia prima por unidad de los 3 modelos son:
Materia Prima
A B
I
2 4
Requisitos por unidad de modelo II

3 2
III
5 7
Disponibilidad
2,000 3,000
El tiempo de mano de obra para cada unidad del modelo I es 2 veces el del modelo II y 3 veces el del modelo III. La fuerza laboral completa de la fbrica puede producir el equivalente de 700 unidades del modelo I. En una encuesta de mercado se indica que la demanda mnima de los 3 modelos es de 200, 250 y 150 unidades respectivamente, sin embargo las relaciones del no. unidades producidas debe ser igual a 3:2:5. Suponga que los beneficios pos unidad de los modelos I, II y III son: 30, 20 y 50 unidades monetarias. Formule el problema por medio de un modelo de programacin lineal. Solucin del problema Definicin de variables: Xi Cantidad de artculos a producirse de cada modelo. X1 = Modelo I X2 = Modelo II X3 = Modelo III Formulacin del modelo: Max Z = 30X1 + 20X2 + 50X3 s.a. Materia Prima: 2X1 + 3X2 + 5X3 <= 2000 4X1 + 2X2 + 7X3 <= 3000 Demanda: X1 >= 200, X2 >= 250, X3 >= 150 X1 + 2X2 + 3X3 <= 700
Cap. Disponible: Xi >= 0 11.

i
Se procesan 4 productos sucesivamente en 2 maquinas. Los tiempos de manufactura en hrs. por unidad de cada producto se tabulan a continuacin para las 2 maquinas:
Maquinaria
A B
Producto 1
2 3
Tiempo por unidades (horas) Producto 2 Producto 3

3 2 4 1
Producto 4
2 2
Disponibilidad
$10.00 $15.00
16

El costo total de producir una unidad de cada producto est basado directamente en el tiempo de mquina. Suponga que le costo por hora de las maquinas 1 y 2 es de 10 y 15 horas. Las horas totales presupuestadas para todos los productos en las maquinas 1 y 2 son 500 y 380. Si el precio de venta por unidad para los productos 1, 2, 3 y 4 es de 65, 70, 55 y 45 respectivamente, formle el problema como un modelo de programacin lineal para maximizar el beneficio neto total. Solucin del problema Definicin de variables: Xi Cantidad de artculos a producirse de cada producto X1 = Producto 1 X2 = Producto 2 X3 = Producto 3 X4 = Producto 4 Utilidad: Precio de Venta Costo, por lo tanto: Producto 1 = 65 2(10) 3(15) = 0 Producto 2 = 70 3(10) 2(15) = 10 Producto 3 = 55 4(10) 1(15) = 0 Producto 4 = 45 2(10) 2(15) = 5 Formulacin del modelo: Max Z = 0X1 + 10X2 + 0X3 5X4 s.a. 2X1 + 3X2 + 4X3 + 2X4 <= 500 3X1 + 2X2 + X3 + 2X4 <= 380 Xi >= 0 12.
i
Para una cafetera que trabaja 24 horas se requieren las siguientes meseras:
Horarios del da 02 06 06 10 10 14 14 18 18 22 22 02 No. de meseras requeridas 4 8 10 7 12 4
Cada mesera trabaja turnos de 8 horas consecutivas por da. El objetivo es encontrar el nmero ms pequeo de meseras requerido para cumplir los requisitos anteriores. Formule el problema con un modelo de programacin lineal.
17

Solucin del problema Definicin de variables: Xi no de meseras que inician su turno Formulacin del modelo: Min Z = X1 + X2 + X3 + X4 + X5+ X6 + X0 s.a. X0 + X1 >= 4 (Turno de 02 06) X1 + X2 >= 8 (Turno de 06 10) X2 + X3 >= 10 (Turno de 10 14) X3 + X4 >= 7 (Turno de 14 18) X4 + X5 >= 12 (Turno de 18 22) X5 + X0 >= 4 (Turno de 22 02) Xi >= 0 13.
i
Dos aleaciones A y B se hacen de materiales (I, II, III y IV) de acuerdo con las siguientes especificaciones: Aleacin A: A lo ms 80% de I A lo ms 30% de II Al menos 50% de IV Aleacin B: Entre 40% y un 60% de II Al menos 30% de III A lo menos 70% de IV
Los 4 metales se extraen de diferentes minerales cuyos constituyentes en % de stos metales, cantidad mxima disponible y costo por tonelada se tabulan como sigue:
Material
1 2 3
Cantidad Mxima(tons)
1,000 2,000 3,000
I
20 10 5
Constituyentes (%) II III IV

10 20 5 30 30 70 30 30 20
Otros
10 10 0
Precio ($/Ton)
30 40 50
Suponiendo que los precios de venta de las aleaciones A y B son $200.00 y $300.00 pesos por tonelada. Formule un modelo de programacin lineal para resolver este problema. Solucin del problema Definicin de variables: Xijk Cantidad de minerales necesarios para extraer los metales (Aleacin i=1,2, Mineral j=1,2,3 y Constituyente k=1,2,3,4). Formulacin del modelo: Min Z = 30(X111 + X112 + X113 + X114 + X211 + X212 + X213 + X214) + 40(X121 + X122 + X123 + X124 + X221 + X222 + X223 + X224) + 50(X131 + X132 + X133 + X134 + X231 + X232 + X233 + X234)
18

s.a. Aleacin 1: 0.20X111 + 0.10X121 + 0.05X131 <= .80 0.10X112 + 0.20X122 + 0.05X132 <= .30 0.30X114 + 0.30X123 + 0.20X134 <= .50 Aleacin 2: 0.10X212 + 0.20X222 + 0.05X232 >= .40 0.10X212 + 0.20X222 + 0.05X232 <= .60 0.30X213 + 0.30X223 + 0.70X233 >= .30 0.30X214 + 0.30X224 + 0.20X234 <= .70 Toneladas por mineral: Xi1k <= 1,000, Xi2k <= 2,000, Xi3k <= 3,000 Xi >= 0
i 2
1.3. Mtodo Grfico El mtodo grfico se utiliza para la solucin de problemas de PL, representando geomtricamente a las restricciones, condiciones tcnicas y el objetivo. El modelo se puede resolver en forma grfica si slo tiene dos variables. Para modelos con tres o ms variables, el mtodo grfico es imprctico o imposible. Cuando los ejes son relacionados con las variables del problema, el mtodo es llamado mtodo grfico en actividad. Cuando se relacionan las restricciones tecnolgicas se denomina mtodo grfico en recursos. Los pasos necesarios para realizar el mtodo son nueve:
1. Graficar las soluciones factibles, o el espacio de soluciones (factible), que satisfagan todas las restricciones en forma simultnea. Las restricciones de no negatividad Xi>= 0 confan todos los valores posibles. El espacio encerrado por las restricciones restantes se determinan sustituyendo en primer trmino <= por (=) para cada restriccin, con lo cual se produce la ecuacin de una lnea recta. Trazar cada lnea recta en el plano y la regin en cual se encuentra cada restriccin cuando se considera la desigualdad lo indica la direccin de la flecha situada sobre la lnea recta asociada. Cada punto contenido o situado en la frontera del espacio de soluciones satisfacen todas las restricciones y por consiguiente, representa un punto factible. Aunque hay un nmero infinito de puntos factibles en el espacio de soluciones, la solucin ptima puede determinarse al observar la direccin en la cual aumenta la funcin objetivo.
2. 3.
4.
5.
6.
7. Las lneas paralelas que representan la funcin objetivo se trazan mediante la asignacin de valores arbitrarios
a fin de determinar la pendiente y la direccin en la cual crece o decrece el valor de la funcin objetivo.
2
Semana 2: Tarea en equipo b) Resolver los ejercicios de planteamiento designados por el docente y realizar una documentacin explicita (tema 1.2) Ing. Ren Zahor Torres Becerra 19

Ejemplo La WYNDOR GLASS CO. Produce () Formulacin del problema Max Z = 3X1 + 5X2 s.a. X1 <= 4 2X2 <= 12 3X1 + 2X2 <= 18
.(1) .(2) .(3) )i
Xi >= 0 para todo valor de (
Solucin del problema
Para (1) Si X1 = 0, X2 = 0 y X2 = 0, X1 = 4 Para (2) Si X1 = 0, X2 = 6 y X2 = 0, X1 = 0
Para (3) Si X1 = 0, X2 = 9 y X2 = 0, X1 = 6 Para (Z) 3X1 + 5X2 = 15 Si X1 = 0, X2 = 3 y X2 = 0, X1 = 5
X2
11 (1) 10 9 (3) 8 (2) 7 6 5 4 Regin 3 Factible 2 1 0 1 2 3 4 5 6 7 8 9
Punto Optimo (2,6)
X1
20

Resuelve los siguientes problemas por el mtodo Grfico
1. Max Z = 6X1 + 3X2 s.a. 2X1 + X2 <= 12 X1 + X2 <= 9 X1 <= 6 X2 <= 13 Xi >= 0
i
3. Min Z = 4X1 + 3X2 s.a. 2X1 + X2 <= 10 -3X1 + 2X2 <= 6 X1 + X2 >= 6 Xi >= 0
i
5. Max Z = 3X1 + 2X2 s.a. X1 =6 X2 <= 6 X1 + X2 <= 9 Xi >= 0

I
2. Max Z = 25X1 + 10X2 s.a. 6X1 + 4X2 <= 25 3X1 + 2X2 <= 11 X1 + .5X2 <= 6 Xi >= 0
3
i
4. Min Z = 3X1 + 2X2 s.a. X1 >= 9 X1 + X2 >= 12 Xi >= 0

i
Introduccin a la programacin lineal Muchas personas clasifican el desarrollo de la programacin lineal entre los avances cientficos ms importantes de mediados del siglo XX, su impacto desde 1950 ha sido extraordinario. En la actualidad es una herramienta de uso normal que ha ahorrado miles o millones de pesos a muchas compaas o negocios, incluyendo empresas medianas en los distintos pases industrializados del mundo; su aplicacin a otros sectores de la sociedad se est ampliando con rapidez. Una proporcin muy grande de los clculos cientficos en computadoras est dedicada al uso de la programacin lineal. Cul es la naturaleza de esta notable herramienta y qu tipos de problemas puede manejar. Expresado brevemente, el tipo ms comn de aplicacin abarca el problema general de asignar recursos limitados entre actividades competitivas de la mejor manera posible (es decir, en forma ptima). Con ms precisin, este problema incluye elegir el nivel de ciertas actividades que compiten por recursos escasos necesarios para realizarlas. Despus, los niveles de actividad elegidos dictan la cantidad de cada recurso que consumir cada una de ellas. La variedad de situaciones a las que se puede aplicar esta descripcin es sin duda muy grande, y va desde la asignacin de instalaciones de produccin a los productos, hasta la asignacin de los recursos nacionales a las necesidades de un pas; desde la seleccin de una cartera de inversiones, hasta la seleccin de los patrones de envo; desde la planeacin agrcola, hasta el diseo de una terapia de radiacin, etc. No obstante, el ingrediente comn de todas estas situaciones es la necesidad de asignar recursos a las actividades eligiendo los niveles de las mismas. La programacin lineal utiliza un modelo matemtico para describir el problema. El adjetivo lineal significa que todas las funciones matemticas del modelo deber ser funciones lineales. En este caso, las palabra programacin no se refiere a programacin en computadoras; en esencia es un sinnimo de planeacin. As, la programacin lineal trata la planeacin de las actividades para obtener un resultado
Semana 3: Tarea en equipo: c) Resolver los ejercicios del 1 al 5 del mtodo grficos (tema 1.3) Ing. Ren Zahor Torres Becerra 21

ptimo, esto es, el resultado que mejor alcance la meta especificada (segn el modelo matemtico) entre todas las alternativas de solucin. Aunque la asignacin de recursos a las actividades es la aplicacin ms frecuente, la programacin lineal tiene muchas otras posibilidades. de hecho, cualquier problema cuyo modelo matemtico se ajuste al formato general del modelo de programacin lineal es un problema de programacin lineal. An ms, se dispone de un procedimiento de solucin extraordinariamente eficiente llamado mtodo smplex, para resolver estos problemas, incluso los de gran tamao. Estas son algunas causas del tremendo auge de la programacin lineal en las ltimas dcadas. MODELO DE PROGRAMACIN LINEAL Los trminos clave son recursos y actividades, en donde m denota el nmero de distintos tipos de recursos que se pueden usar y n denota el nmero de actividades bajo consideracin. Algunos ejemplos de recursos son dinero y tipos especiales de maquinaria, equipo, vehculos y personal. Los ejemplos de actividades incluyen inversin en proyectos especficos, publicidad en un medio determinado y el envo de bienes de cierta fuente a cierto destino. En cualquier aplicacin de programacin lineal, puede ser que todas las actividades sean de un tipo general (como cualquiera de los ejemplos), y entonces cada una correspondera en forma individual a las alternativas especficas dentro de esta categora general. El tipo ms usual de aplicacin de programacin lineal involucra la asignacin de recursos a ciertas actividades. La cantidad disponible de cada recurso est limitada, de forma que deben asignarse con todo cuidado. La determinacin de esta asignacin incluye elegir los niveles de las actividades que lograrn el mejor valor posible de la medida global de efectividad. Ciertos smbolos se usan de manera convencional para denotar las distintas componentes de un modelo de programacin lineal. Estos smbolos se enumeran a continuacin, junto con su interpretacin para el problema general de asignacin de recursos a actividades.
Z = xj = cj = bi = aij = valor de la medida global de efectividad nivel de la actividad j (para j = 1,2,...,n) incremento en Z que resulta al aumentar una unidad en el nivel de la actividad j cantidad de recurso i disponible para asignar a las actividades (para i = 1,2,...,m) cantidad del recurso i consumido por cada unidad de la actividad j
El modelo establece el problema en trminos de tomar decisiones sobre los niveles de las actividades, por lo que x1,x2,....,xn se llaman variables de decisin. Los valores de cj, bi y aij (para i = 1,2,....,m y j = 1,2,....,n) son las constantes de entrada al modelo. Las cj, bi y aij tambin se conocen como parmetros del modelo. Forma Cannica La forma cannica de un problema de programacin lineal es:
22

Todas las variables de decisin son no negativas. Todas las restricciones son del tipo menor o igual. La funcin objetivo es de tipo de maximizacin. Forma estndar del modelo Ahora se puede formular al modelo matemtico para este problema general de asignacin de recursos a actividades. En Datos necesarios para un modelo de programacin lineal que maneja la asignacin de recursos a actividades particular, este modelo consiste en elegir valores de x1,x2,....,xn para: Optimizar (maximizar o minimizar) Z = c1x1 + c2x2 +....+ cnxn, Sujeta a las restricciones: a11x1 + a12x2 +....+ a1nxn < b1 a21x1 + a22x2 +....+ a2nxn < b2 . . . am1x1 + am2x2 +....+ amnxn < bm X1 0, X2 0, ..., Xn 0.
Suposiciones del Modelo de Programacin Lineal Proporcionalidad La contribucin de cada actividad al valor de la funcin objetivo Z es proporcional al nivel de actividad xj, como lo representa el trmino cjxj en la funcin objetivo. De manera similar, la contribucin de cada actividad al lado izquierdo de cada restriccin funcional es proporcional al nivel de la actividad xj, en la forma en que lo representa el trmino aijxj en la restriccin. En consecuencia, esta suposicin elimina cualquier exponente diferente a 1 para las variables en cualquier trmino de las funciones (ya sea la funcin objetivo o la funcin en el lado izquierdo de las restricciones funcionales) en un modelo de programacin lineal. Actividad Establece que la entrada y salida de un recurso en particular al conjunto de actividades, deben ser la misma cantidad; o sea, que las actividades transforman los recursos y no los crean o destruyen. Esta suposicin garantiza que la contribucin total tanto a la funcin objetivo como a las restricciones, es igual a la suma de las contribuciones individuales. Cuando en un problema dado no se tenga la aditividad puede recurrirse al empleo de otras tcnicas de la programacin matemtica, dependiendo de cada caso en particular. Aditividad Cada funcin en un modelo de programacin lineal (ya sea la funcin objetivo o el lado izquierdo de las restricciones funcionales) es la suma de las contribuciones individuales de las actividades respectivas.
23

Divisibilidad Las variables de decisin en un modelo de programacin lineal pueden tomar cualquier valor, incluyendo valores no enteros, que satisfagan las restricciones funcionales y de no negatividad. As, estas variables no estn restringidas a slo valores enteros. Como cada variable de decisin representa el nivel de alguna actividad, se supondr que las actividades se pueden realizar a niveles fraccinales. Limitaciones del modelo de programacin lineal Modelo Determinstico El modelo de PL involucra nicamente tres tipos de parmetros: Cj, aij y bi; de ah su sencillez y gran aplicacin. Sin embargo, el valor de dichos parmetros debe ser conocido y constante. Cuando el valor de los parmetros tiene un cierto riesgo o incertidumbre, pude utilizarse la programacin paramdica, la programacin estocstica, o realizarse un anlisis de sensibilidad. Modelo Esttico En algunos modelos matemticos se han empleado con xito las ecuaciones diferenciales, para inducir la variable tiempo en ellos. En este sentido, puede decidirse que la PL utiliza un modelo esttico, ya que la variable tiempo no se involucra formalmente. Adquiriendo un poco de experiencia en la formulacin de modelos de PL, puede imbuirse la temporabilidad mencionada, con el uso de subndices en las variables. Modelo que no suboptimiza Debido a la forma que se plantea el modelo de PL, o encuentra la solucin ptima o declara que sta no existe. Cuando no es posible obtener una solucin ptima y se debe obtener alguna, se recurre a otra tcnica ms avanzada que la PL, la cual se denomina programacin lineal por metas. Riesgo al aplicar la Investigacin de Operaciones Al aplicar la I de O al estudio de sistemas y a la resolucin de problemas se corre el riesgo de tratar de manipular los problemas para buscar que se ajusten a las diferentes tcnicas, modelos de algoritmos establecidos en lugar de analizar los problemas y buscar resolverlos obteniendo las soluciones mejores, utilizando los mtodos apropiados, es decir resolver el problema utilizando los mtodos que proporcionan las mejoras soluciones y no buscar ajustar el problema a un mtodo especfico. Para llegar a hacer un uso apropiado de la I de O, es necesario primero comprender la metodologa para resolver los problemas, as como los fundamentos de las tcnicas de solucin para de esta forma saber cundo utilizarlas o no en las diferentes circunstancias. Limitaciones de la Investigacin de Operaciones 1. Frecuentemente es necesario hacer simplificaciones del problema original para poder manipularlo y detener una solucin. 2. La mayora de los modelos slo considera un solo objetivo y frecuentemente en las organizaciones se tienen objetivos mltiples. 3. Existe la tendencia a no considerar la totalidad de las restricciones en un problema prctico, debido a que los mtodos de enseanza y entrenamiento dan la aplicacin de esta ciencia centralmente se basan en problemas pequeos para razones de ndole prctico, por lo que se

desarrolla en los alumnos una opinin muy simplista e ingenua sobre la aplicacin de estas tcnicas a problemas reales. 4. Casi nunca se realizan anlisis costo-beneficio de la implantacin de soluciones definidas por medio de la I de O, en ocasiones los beneficios potenciales se van superados por los costos ocasionados por el desarrollo e implantacin de un modelo. 1.4. Mtodo Smplex En la solucin grfica observamos que la solucin ptima est asociada siempre con un punto extremo del espacio de soluciones. El mtodo smplex est basado fundamentalmente en este concepto. Careciendo de la ventaja visual asociada con la representacin grfica del espacio de soluciones, el mtodo smplex emplea un proceso iterativo que principia en un punto extremo factible, normalmente el origen, y se desplaza sistemticamente de un punto extremo factible a otro, hasta que se llega por ltimo al punto ptimo. En otras palabras Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin. Existen reglas que rigen la seleccin del siguiente punto extremo del mtodo smplex: 1. El siguiente punto extremo debe ser adyacente al actual. 2. La solucin no puede regresar nunca a un punto extremo considerado con la anterioridad. El algoritmo smplex da inicio en el origen, que suele llamarse solucin inicial. Despus se desplaza a un punto extremo adyacente. La eleccin especfica de uno a otro punto depende de los coeficientes de la funcin objetivo hasta encontrar el punto ptimo. Al aplicar la condicin de optimidad a la tabla inicial seleccionamos a Xi como la variable que entra. En este punto la variable que sale debe ser una de las variables artificiales. Para comprender mejor realicemos el siguiente ejemplo: Max Z = 3X1 + 5X2 s.a. X1 <= 4 2X2 <= 12 3X1 + 2X2 <= 18 Xi >= 0 Se consideran los siguientes pasos: 1. Convertir las desigualdades en igualdades Se introduce una variable de holgura (S) por cada una de las restricciones, para convertirlas en igualdades, tomando en cuenta que si la restriccin es (<=), la variable de holgura se suma y si es (>= o =) la variable de hogula se resta y el lado derecho puede hacerse siempre positico multiplicando ambos lados por -1. El resultado de esto da el siguiente sistema de ecuaciones lineales: X1 + S1 = 4 2X2 + S2 = 12 3X1 + 2X2 + S3 = 18
i

2. Igualar la funcin objetivo a cero, agregando las variables de Holgura - 3X1 - 5X2 + 0S1 + 0S2 + 0S3 = 0 3. Escribir la tabla inicial smplex En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas (restricciones), una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo: X1 -3 1 0 3 X2 -5 0 2 2 S1 0 1 0 0 S2 0 0 1 0 S3 0 0 0 1
Z S1 S2 S3
4 12 18
4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la base 1. Para escoger la variable de decisin que entra en la base, nos fijamos en la fila (Z), la de los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto), para el caso de Maximizar. En el caso de la Miminizar la variable de desicin que entra en la base, es la variable con el coeficiente positivo mayor (en valor absoluto), esto es conocido como CONDICIN DE OPTIMALIDAD. En nuestro caso, la variable X2 de coeficiente - 5. Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de ellos. Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del smplex, es que en la ltima fila no haya elementos negativos. La columna de la variable que entra en la base se llama columna pivote (Flecha Azul). Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino de la ltima columna (vector solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso: 4/0 [=Error] 12/2 [=6] 18/2 [=9] Como hay algn elemento menor o igual que cero no se toma en cuenta cociente. En el caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo, indica la fila de la variable de holgura que sale de la base. Esta fila se llama fila pivote (Flecha rojo) y corresponde al numero 6. Recuerde ceros y negativos no son tomados en cuenta. Esto se conoce como CONDICIN DE FACTIBILIDAD.
2.
3.
26

Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables correspondientes pueden salir de la base. En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote operacional, 2.
4.
5. Encontrar los coeficientes de la nueva tabla. Los nuevos coeficientes de X2 se obtienen dividiendo todos los coeficientes de la fila por el pivote operacional, 2, que es el que hay que convertir en 1. A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin se puede hacer utilizando el siguiente esquema: Fila del pivote: Nueva fila del pivote= (Vieja fila del pivote) : (Pivote) Resto de las filas: Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X (Nueva fila del pivote) Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II):
Z S1 S2 S3 Fila/2=
X1 -3 1 0 3 (0
X2 -5 0 2 2 1
S1 0 1 0 0 0
S2 0 0 1 0 1/2
S3 0 0 0 1 0
4 12 18 6)
Fila/2
Para Z en nueva tabla = ((Fila/2)*5) +Z Para S1 en nueva tabla = ya tiene 0 se copia igual Para S3 en nueva tabla =((Fila/2)*-2) + S3
Se obtiene una nueva Iteracin en la nueva tabla (tabla II): X1 X2 S1 S2 S3 Z -3 0 0 5/2 0 30 S1 1 0 1 0 0 4 X2 0 1 0 1/2 0 6 S3 0 0 -1 1 6 3 Fila/3= 1 0 0 -1/3 1/3 2
Fila/3
Como en los elementos de la fila Z hay uno negativo, -3, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: 1. La variable que entra en la base es X1, por ser la variable que corresponde al coeficiente -3. 2. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote:
27

4/1 [=4] 6/0 [=Error] 6/3 [=3] y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es S3. El elemento pivote, que ahora hay que hacer 1, es 3. Tabla II Z S1 X2 S3 Fila/3= X1 -3 1 0 3 (1 X2 0 0 1 0 0 S1 0 1 0 0 0 S2 5/2 0 1/2 -1 -1/3 S3 0 0 0 1 1/3 30 4 6 6 2)
Fila/3
Para Z en nueva tabla = ((Fila/3)*3) +Z Para S1 en nueva tabla = ((Fila/3)*-1) + S3
Se obtiene una nueva Iteracin en la nueva tabla (tabla III): Para S3 en nueva tabla =ya tiene 0 se copia igual X1 X2 S1 S2 S3 Z 0 0 0 3/2 1 36 S1 0 0 1 1/3 -1/3 2 X2 0 1 0 1/2 0 6 X1 1 0 0 -1/3 1/3 2
Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a la solucin ptima. La solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso el valor de Z es: 36. En la misma columna se puede observar el vrtice donde se alcanza, observando las filas correspondientes a las variables de decisin que han entrado en la base: Sol(2,6). Nota:
* Si en el problema de maximizar apareciesen como restricciones inecuaciones de la forma: ax + by c; multiplicndolas por - 1 se transforman en inecuaciones de la forma - ax - by - c y estamos en el caso anterior. * Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo proceso, pero cambiando el sentido del criterio, es decir, para entrar en la base se elige la variable cuyo valor, en la fila de la funcin objetivo, sea el mayor de los positivos y se finalizan las iteraciones cuando todos los coeficientes de la fila de la funcin objetivo son negativos.
28

Para comprender mejor realicemos el siguiente ejemplo2: Min Z = - 3X1 - 5X2 s.a. X1 <= 4 2X2 <= 12 3X1 + 2X2 <= 18 Xi >= 0 Se consideran los siguientes pasos: 1. Convertir las desigualdades en igualdades Se introduce una variable de holgura (S) por cada una de las restricciones, para convertirlas en igualdades, tomando en cuenta que si la restriccin es (<=), la variable de holgura se suma y si es (>= o =) la variable de hogula se resta y el lado derecho puede hacerse siempre positico multiplicando ambos lados por -1. El resultado de esto da el siguiente sistema de ecuaciones lineales: X1 + S1 = 4 2X2 + S2 = 12 3X1 + 2X2 + S3 = 18 2. Igualar la funcin objetivo a cero, agregando las variables de Holgura 3X1 + 5X2 + 0S1 + 0S2 + 0S3 = 0 3. Escribir la tabla inicial smplex En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas (restricciones), una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo: X1 3 1 0 3 X2 5 0 2 2 S1 0 1 0 0 S2 0 0 1 0 S3 0 0 0 1
i
Z S1 S2 S3
4 12 18
4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la base 1. Para escoger la variable de decisin que entra en la base, nos fijamos en la fila (Z), la de los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto), para el caso de Maximizar. En el caso de la Miminizar la variable de desicin que entra en la base, es la variable con el coeficiente positivo mayor (en valor absoluto), esto es conocido como CONDICIN DE OPTIMALIDAD.

2. En nuestro caso, la variable X2 de coeficiente 5. Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de ellos. Si en la ltima fila no existiese ningn coeficiente positivo, significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del smplex, es que en la ltima fila no haya elementos negativos. La columna de la variable que entra en la base se llama columna pivote (Flecha Azul). Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino de la ltima columna (vector solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso: 4/0 [=Error] 12/2 [=6] 18/2 [=9] Como hay algn elemento menor o igual que cero no se toma en cuenta cociente. En el caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo, indica la fila de la variable de holgura que sale de la base. Esta fila se llama fila pivote (Flecha rojo) y corresponde al numero 6. Recuerde ceros y negativos no son tomados en cuenta. Esto se conoce como CONDICIN DE FACTIBILIDAD. Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables correspondientes pueden salir de la base. En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote operacional, 2.
3.
4.
5. Encontrar los coeficientes de la nueva tabla. Los nuevos coeficientes de X2 se obtienen dividiendo todos los coeficientes de la fila por el pivote operacional, 2, que es el que hay que convertir en 1. A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin se puede hacer utilizando el siguiente esquema: Fila del pivote: Nueva fila del pivote= (Vieja fila del pivote) : (Pivote) Resto de las filas: Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X (Nueva fila del pivote)
30

Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II):
Z S1 S2 S3 Fila/2=
X1 3 1 0 3 (0
X2 5 0 2 2 1
S1 0 1 0 0 0
S2 0 0 1 0 1/2
S3 0 0 0 1 0
4 12 18 6)
Fila/2
Para Z en nueva tabla = ((Fila/2)*-5) +Z Para S1 en nueva tabla = ya tiene 0 se copia igual
Se obtiene una nueva Iteracin en la nueva tabla (tabla II): X1 X2 S1 S2 S3 Z 3 0 0 -5/2 0 -30 S1 1 0 1 0 0 4 X2 0 1 0 1/2 0 6 S3 0 0 -1 1 6 3 Fila/3= 1 0 0 -1/3 1/3 2
Para S3 en nueva tabla =((Fila/2)*-2) + S3
Fila/3
Como en los elementos de la fila Z hay uno positivo, 3, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: 1. 2. La variable que entra en la base es X1, por ser la variable que corresponde al coeficiente 3. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 4/1 [=4] 6/0 [=Error] 6/3 [=3] y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es S3. 3. El elemento pivote, que ahora hay que hacer 1, es 3.
Tabla II Z S1 X2 S3 Fila/3= X1 3 1 0 3 (1 X2 0 0 1 0 0 S1 0 1 0 0 0 S2 -5/2 0 1/2 -1 -1/3 S3 0 0 0 1 1/3 -30 4 6 6 2)
Fila/3
Para Z en nueva tabla = ((Fila/3)*-3) +Z Para S1 en nueva tabla = ((Fila/3)*-1) + S3 Para S3 en nueva tabla =ya tiene 0 se copia igual
31

Se obtiene una nueva Iteracin en la nueva tabla (tabla III): X1 X2 S1 S2 S3 Z 0 0 0 -3/2 -1 -36 S1 0 0 1 1/3 -1/3 2 X2 0 1 0 1/2 0 6 X1 1 0 0 -1/3 1/3 2
Como todos los coeficientes de la fila de la funcin objetivo son negativos o ceros, hemos llegado a la solucin ptima. La solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso el valor de Z es: -36. En la misma columna se puede observar el vrtice donde se alcanza, observando las filas correspondientes a las variables de decisin que han entrado en la base: Sol(2,6). Ejemplos para el curso: Max Z = 3X1 + 4X2 s.a. 2X1 + 7X2 <= 21 7X1 + 2X2 <= 49 Xi >= 0
i
Min Z = - 5X1 - 3X2 s.a. 2X1 + 4X2 <= 400 6X1 + X2 <= 100 4X1 + 3X2 <= 400 Xi >= 0
i
Max Z = 3X1 + 2X2 + 5X3 s.a. X1 + 2X2 + X3 <= 430 3X1 + 2X3 <= 460 X1 + 4X2 <= 420 Xi >= 0
i
Min Z = 2X1 - 2X2 + 4X3 s.a. - X1 + X2 + X3 <= 20 2X1 - X2 + X3 <= 10 X1 + X2 +3X3 <= 60 Xi >= 0
i
http://www.investigacion-operaciones.com/SMPLEX_analitico.htm
Semana 4: Tarea en equipo: d) Resolver los ejercicios del 1 al 5 del mtodo simplex (tema 1.4) Ing. Ren Zahor Torres Becerra 32
Unidad 2
Anlisis de Redes
2.1. Conceptos Bsicos El anlisis de redes es el rea encargada de analizar las redes mediante la teora de redes (conocida ms genricamente como teora de grafos). Las redes pueden ser de diversos tipos:

Social Transporte Elctrica Biolgica Internet Informacin Epidemiologa
Cuando se habla de una red, se entiende como un grupo de individuos que, en forma agrupada o individual, se relacionan con otros con un fin especifico, caracterizado por la existencia de flujo de informacion. Las redes pueden tener muchos o pocos actores y una o ms clases de relaciones entre pares de actores. Terminologa de Redes Flujo: Corresponde a la cantidad que debe transportarse desde un nodo i a un nodo j a travs de un arco que los conecta. La siguiente notacin es usada: Xij= cantidad de flujo Uij= cota mnima de flujo que se debe transportar Lij= cota maxma de flujo que se puede transportar. Arcos dirigidos /no dirigidos: Cuando el flujo puede transportarse en una sola direccin se tiene un arco dirigido (la flecha indica la direccin). Si el flujo puede transportarse en ambas direcciones existe un arco no dirigido (sin flecha). Nodos adyacentes: Un nodo j es adyacente con un nodo i si existe un arco que une el nodo j con el nodo i.
Rutas/Conexin entre nodos


Ruta: Una coleccin de arcos formados por una serie de nodos adyacentes; los nodos estn conectados si existe una ruta entre ellos. Ciclos / Arboles /Arboles expandidos Ciclos: Un ciclo se produce cuando al partir de un nodo por un cierto camino se vuelve al mismo nodo por otra ruta. rbol: Una serie de nodos que no contienen ciclos. rbol expandido: Es un rbol que conecta todos lo nodos de la red (contiene n-1 arcos). 2.2. Problema de Transporte El modelo de transporte busca determinar un plan de transporte de una mercanca de varias fuentes a varios destinos. Los datos del modelo son: 1. Nivel de oferta en cada fuente y la cantidad de demanda en cada destino. 2. El costo de transporte unitario de la mercanca a cada destino. Como solo hay una mercanca un destino puede recibir su demanda de una o ms fuentes. El objetivo del modelo es el de determinar la cantidad que se enviar de cada fuente a cada destino, tal que se minimice el costo del transporte total. La suposicin bsica del modelo es que el costo del transporte en una ruta es directamente proporcional al nmero de unidades transportadas. La definicin de unidad de transporte variar dependiendo de la mercanca que se transporte.
El esquema siguiente representa el modelo de transporte como una red con m fuentes y n destinos. Una fuente o un destino est representado por un nodo, el arco que une fuente y un destino, representa la ruta por la cual se transporta la mercanca. La cantidad de la oferta en la fuente i es ai, y la demanda en el destino j es bj. El costo de transporte unitario entre la fuente i y el destino j es Cij.

Si Xi j representa la cantidad transportada desde la fuente i al destino j, entonces, el modelo general de PL que representa el modelo de transporte es: Minimiza Z= i=1 m j=1 n C i j X i j Sujeta a: j=1 n X i j <= ai , i=1 m X I j >= bj , X i j >=0 i=1,2,, m j=1,2,, n para todas las i y j
El primer conjunto de restricciones estipula que la suma de los envos desde una fuente no puede ser mayor que su oferta; en forma anloga, el segundo conjunto requiere que la suma de los envos a un destino satisfaga su demanda. El modelo que se acaba de escribir implica que la oferta total i=1 m ai debe ser cuando menos igual a la demanda total j=1 n bj. Cuando la oferta total es igual a la demanda total, la formulacin resultante recibe el nombre de modelo de transporte equilibrado. Este difiere del modelo solo en el hecho de que todas las restricciones son ecuaciones, es decir: X i j = ai, X i j = bj, i=1,2,..., m j=1,2,..., n
En el mundo real, no necesariamente la oferta debe ser igual a la demanda o mayor que ella. Sin embargo, un modelo de transporte siempre puede equilibrarse. El equilibrio, adems de su utilidad en la representacin a travs de modelos de ciertas situaciones prcticas, es importante para el desarrollo del mtodo de solucin que explote completamente la estructura especial del modelo de transporte. Los dos ejemplos que siguen presentan la idea del equilibrio y tambin sus implicaciones prcticas. Ejemplo 1 (Modelo de transporte estndar) MG Auto Company tiene plantas en Los ngeles, Detroit y Nueva Orlens. Sus centros de distribucin principales son Denver y Miami. Las capacidades de las plantas durante el trimestre prximo son 1 000, 1 500, y 1 200 automviles. Las demandas trimestrales en los dos centros de distribucin son de 2 300 y 1 400 vehculos. El costo del transporte de un automvil por tren es de 8 centavos por milla. El diagrama de las distancias recorridas entre las plantas y los centros de distribucin son:
Los ngeles Detroit Nueva Orleans
Denver 1 000 1 250 1 275
Miami 1 690 1 350 850
35

Esto produce en costo por automvil a razn de 8 centavos por milla recorrida. Produce los costos siguientes (redondeados a enteros), que representan a C i j del modelo original: Los ngeles Detroit Nueva Orleans Denver 80 100 102 Miami 215 108 68
Mediante el uso de cdigos numricos que representan las plantas y centros de distribucin, hacemos que X i j represente el nmero de automviles transportados de la fuente i al destino j. Como la oferta total (= 1 000 + 1 500 + 1 200 = 3 700) es igual a la demanda ( = 2 300 + 1 400 = 3 700), el modelo de transporte resultante est equilibrado. Por lo tanto, el siguiente modelo de PL que representa el problema tiene todas las restricciones de igualdad.
Minimizar Z = 80X 11 + 215X 12 + 100X 21 + 108X 22 + 102X 31 + 68X 32 Sujeto a: X 11 X 12 X 21 X 11 X 12 X i j >= 0 para todas las i y j X 21 X 22 X 22 X 31 X 31 X 32 X 32 = 1 000 = 1 500 = 1 200 = 2 300 = 1 400
Un mtodo ms resumido para representar el modelo de transporte consiste en utilizar lo que se llama tabla de transporte. Esta es una forma de matriz donde sus renglones representan las fuentes y sus columnas los destinos. Los elementos de costo C i j se resumen en la esquina noroeste de la celda de la matriz (i, j). Por lo tanto, el modelo de MG se puede resumir en la tabla siguiente:
36

Ejemplo 2 (Modelo de transporte con equilibrio) En el ejemplo anterior suponga que la capacidad de la planta de Detroit es de 1 300 automviles (en vez de 1 500). Se dice que la situacin esta desequilibrada debido a que la oferta total (=3 500) no es igual a la demanda total (=3 700).Nuestro objetivo consiste en volver a formular el modelo de transporte de manera que distribuya la cantidad faltante(=3 700 3 500 = 200) en forma optima entre los centros de distribucin. Como la demanda es mayor que la oferta se puede agregar una planta ficticia con una capacidad de 200. Se permite que dicha planta, en condiciones normales, enve su produccin a todos los centros de distribucin. Fsicamente, la cantidad de unidades enviadas a un destino desde una planta ficticia representar la cantidad faltante en ese destino. La nica informacin que falta para completar el modelo son los costos de transporte unitarios de la planta ficticia a los destinos. Como la planta no existe, no habr ningn envo fsico y el costo de transporte unitario es cero. Sin embargo, podemos enfocar la situacin desde otro ngulo diciendo que se incurre en un costo de penalizacin por cada unidad de demanda insatisfecha en los centros de distribucin. En este caso los costos de transporte unitarios sern iguales a los costos de penalizacin unitarios en los diversos destinos.
Los ngeles Detroit Nueva Orlens Planta ficticia
Denver 80 100 102 0
Miami 215 108 68 0
1 000 1 300 1 200 200
De manera anloga, si la oferta en mayor que la demanda podemos aadir un destino ficticio que absolver la diferencia. Por ejemplo, suponga que la demanda en Denver disminuye a 1 900cualquier automvil enviado de una planta a un centro de distribucin ficticio representa un excedente en la planta.
Denver Los ngeles Detroit Nueva Orleans 80 100 102
Miami 215 108 68
Destino Ficticio 0 0 0
1 000 1 500 1 200
La aplicacin del modelo de transporte no se limita al problema de transporte. El siguiente ejemplo ilustra el uso del modelo del transporte en otros campos.
37

En otras palabras cuando la Demanda es mayor que la Oferta se crea una fila ficticia a la Oferta y se le agrega el valor faltante para balancear el ejercicio.
Destino 1 1 2 Origen Origen 3 4 5 20 25 Demanda 15 25 2 3 4 10 30 Oferta 20 15 10
Otro caso es cuando la Demanda es menor que la Oferta se crea una columna ficticia a la Demanda y se le agrega el valor faltante para balancear el ejercicio.
Destino 1 1 2 3 4 5 30 20 Demanda 70 50 2 3 4 50 50 Oferta 20 30 20
Nota. Los costos deben ser ceros (0) y cuando queda un valor en la casilla ficticia se interpreta como que falta por vender un no. de productos.
38

Mtodos para hallar una solucin bsica factible a los problemas de transporte. Estos mtodos parten de un modelo balanceado y generan una solucin bsica factible con n+m-1 asignaciones, es decir valores >= 0. El costo total del envo se obtiene a travs de la siguiente frmula:
Mtodo de la Esquina Noroeste 1) Asignar a la casilla (1,1) tantas unidades como lo permita la demanda y la oferta. Actualizar valores de ambas. 2) Tachar columna o rengln que haya sido satisfecho (demanda u oferta), pero no ambas en caso de haber sido satisfechas ambas. 3) Continuar asignando en las dems casillas continuas a la columna o rengln tachados siempre considerando que este se encuentre en la esquina Noroeste, siga con el paso 2. 4) El problema terminar cuando exista solo una columna o solo un rengln sin tachar. Mtodo de Costo Mnimo 1) Seleccione la casilla con el menor costo de envo y asignar tanto tantas unidades como lo permita la demanda y la oferta. 2) Actualizar la demanda y la oferta. 3) Tachar columna o rengln que haya sido satisfecho (demanda u oferta), pero no ambas en caso de haber sido satisfechas ambas. 4) Continuar asignando de acuerdo al paso 2 hasta que quede un rengln o columna sin marcar. Mtodo de Vogel 1) Se calcula la diferencia de fila y columna entre El mayor y el menor costo que exista en cada fila y columna. 2) Seleccione aquella columna o rengln que presente la mayor diferencia (los empates se rompen arbitrariamente). 3) Localice el costo ms pequeo de la matriz de costos en la columna o rengln elegidos por el paso anterior. 4) Asigne tantas unidades como lo permita la oferta y la demanda. 5) Actualizar la demanda y la oferta. 6) Tachar columna o rengln que haya sido satisfecho (demanda u oferta), pero no ambas en caso de haber sido satisfechas ambas. 7) Retornar al paso 2 hasta que quede un rengln o columna sin marcar.
39

Ejemplos: Resolver los siguientes ejemplos aplicando los tres mtodos de solucin del modelo de transporte: Ejercicio 1)
Destino 1 1 Origen 2 3 30 7 8 1 19 Demanda 2 4 3 2 25 3 2 5 0 21 4 6 6 4 20 Oferta 35 40
Ejercicio 2)
1 1 Origen 2 3 20 5 3 4 10 2 6 6 1 Destino 3 2 8 9 40 Demanda Destino 1 1 Origen 2 3 9 7 6 20
5
4 4 62 10 30 35 Oferta 42 23
Ejercicio 3)
2 12 3 5 40 3 9 7 9 40 Demanda 4 6 7 11 60 50 Oferta 60 20
Semana 5: Tarea en equipo: e) Resolver los ejercicios del 1 al 3 por los 3 mtodos de transporte (tema 2.1 y 2.2) Ing. Ren Zahor Torres Becerra 40
2.3.Problemas de Asignacin
Hay una multitud de situaciones, en investigacin de operaciones, que se pueden modelar y resolver como redes (nadas conectados por ramas). Algunas encuestas recientes informan que hasta el 70% de los problemas de programacin matemtica en el mundo real se pueden representar como modelos relacionados con redes. La lista siguiente ilustra algunas aplicaciones posibles de las redes. 1. Diseo de una red de gasoductos marinos para conectar bocas de pozos en el Golfo de Mxico con un punto de entrega en tierra. El objetivo del modelo es minimizar el costo de construccin del gasoducto. 2. Determinacin de la ruta ms corta entre dos ciudades, en una red de Carreteras. 3. Determinacin de la capacidad mxima (en toneladas anuales) de una red de tubera para lodo de carbn que une las minas en Wyoming con las centrales elctricas en Houston. (Las tuberas de lodo de carbn transportan el carbn suspendido en agua a travs de tubos de diseo especial.) 4. Determinacin del programa de flujo con costo mnimo desde los campos petroleros hasta las refineras a travs de una red de oleoductos. 5. Determinacin del cronograma (fechas de inicio y terminacin) de las actividades en la construccin de un proyecto. La solucin de esas situaciones y otras parecidas se logra con una variedad de algoritmos de optimizacin de redes. Este captulo presentar cinco de esos algoritmos: 1. Algoritmo de la ruta ms corta (situacin 2). 2. Algoritmo del flujo mximo (situacin 3). 3. Algoritmo de la ruta crtica (situacin 5). Las situaciones en las que se pueden aplicar estos algoritmos tambin se pueden fallar y resolver en forma de programas lineales explcitos. Sin embargo, los algoritmos puestos, basados en redes, son ms eficientes que el mtodo smplex. Definiciones para redes Una red consiste en una serie de nodos enlazados con arcos (o ramas). La notacin para describir una red es (N, A), donde N es el conjunto de nadas y A es el conjunto de arcos. Por ejemplo, la red de la figura 2.2.1 se describe como sigue: N = {1,2,3,4,5} A = {(1,2), (1,3), (2,3), (2,5),(3,4), (3,5), (4,2), (4,5)}
41

Figura 2.2.1. Ejemplo de una red (N,A)
Con cada red se asocia algn tipo de flujo (por ejemplo, flujo de productos petrolero en un oleoducto y flujos de trfico de automviles en carreteras). En general, el flujo en una red est limitado por la capacidad de sus arcos, que pueden ser finitos o infinitos. Se dice que un arco es dirigido u orientado si permite un flujo positivo en una direccin, y flujo cero en la direccin opuesta. Una red dirigida tiene todos sus arcos dirigidos. Una ruta es una sucesin de arcos distintos que unen dos nodos pasando por otros nodos, independientemente de la direccin de flujo en cada arco. Una ruta forma un ciclo si conecta un nodo consigo mismo, pasando por otros nodos. Por ejemplo, en la figura 2.2.1, los arcos (2,3), (3,5) y (5,2) forman un bucle o circuito cerrado. Un ciclo es dirigido si consiste en una ruta dirigida, por ejemplo (2,3), (3,4).y (4,2) en la figura anterior. Una red conectada es aquella en que cada dos nadas distintos estn enlazados al menos por una ruta. La red de la figura 2.2.2 es un ejemplo de este tipo. Un rbol es una red conectada que puede consistir slo en un subconjunto de todos los nadas en ella, donde no se permiten ciclos, y un rbol de expansin es un rbol que enlaza todos los nadas de la red, tambin sin permitir ciclos. En la figura 2.2.2. se ven ejemplos de un rbol y de un rbol de expansin para la red de la figura 2.2.1
FIGURA 2.2.2 Ejemplos de un rbol y de un rbol de expansin, para la red de la figura 2.2.1
rbol
6
rbol de expansin
Semana 6: Tarea de investigacin: f) Realizar una investigacin del uso y aplicacin e los modelos de redes Ing. Ren Zahor Torres Becerra 42

2.4. Problema de la ruta ms corta. Aunque existen muchas versiones de problemas de la ruta ms corta, la atencin se centrar en la versin sencilla. Considere una red conexa y no dirigida con 2 nodos especialmente llamados origen y destino. A cada ligadura (arco no dirigido) se asocia una distancia no negativa. El objetivo es encontrar la ruta ms corta del origen al destino. Se dispone de un algoritmo relativamente sencillo para manejar este problema. La esencia del procedimiento es que analiza toda la red a partir del origen; identifica de manera sucesiva la ruta ms corta a cada uno de los nodos en orden ascendente de sus distancias (ms cortas), desde el origen; el problema queda resuelto en el momento de llegar al nodo destino. Primero se describir el mtodo y despus se ejemplificar con la solucin del problema de la ruta ms corta que enfrenta la administracin de Seervada Park en la siguiente seccin. Algoritmo de la Ruta ms Corta Objetivo de la n-sima iteracin: Encontrar el n-simo nodo ms cercano al origen (Este paso se repetir para n = 1, 2, hasta que el n-simo nodo ms cercano sea el nodo destino). Datos de la n-sima iteracin: n 1 nodos ms cercanos al origen que se encontr enlas iteraciones previas -, incluida su ruta ms corta y la distancia desde el origen. (Estos nodos y el origen se llaman nodos resueltos; el resto son nodos no resueltos). Candidatos para n-simo nodo ms cercano: cada nodo resuelto que tiene conexin directa por una ligadura con uno o ms nodos no resueltos proporcionan un candidato esto es, el nodo no resuelto que tiene la ligadura ms corta -. (Los empates proporcionan candidatos adicionales). Clculo del n-simo nodo ms cercano: para cada nodo resuelto y sus candidatos, se suma la distancia entre ellos y la distancia de la ruta ms corta desde el origen a este nodo resuelto. El candidato con la distancia total ms pequea es el n-simo nodo ms cercano los empates proporcionan nodos resueltos adicionales -, y su ruta ms corta es la que genera esta distancia. Aplicacin del algoritmo al problema de Seervada Park La administracin de Seervada Park necesita encontrar la ruta ms corta desde la entrada del parque (nodo O) hasta el mirador (nodo T) a travs del sistema de caminos que se presenta en la siguiente figura. En la tabla se encuentran los resultados obtenidos al aplicar el algoritmo anterior donde el empate del segundo nodo ms cercano permite pasar directo a buscar el cuarto nodo ms cercano -. La primera columna (n) indica el nmero de la iteracin, despus de quitar los que no sirven los que no tienen conexin directa con nodos no resueltos -. La tercera columna da los candidatos para el n-simo nodo ms cercano nodos no resueltos con la ligadura ms corta al nodo resuelto -. La cuarta columna calcula la distancia de la ruta ms corta desde el origen a cada candidato esto es, la distancia al nodo resuelto ms la de la ligadura que va al candidato -. El candidato con la suma de distancias ms pequeas es el n-simo nodo ms cercano al origen, segn se indica en la quinta columna. Las dos ltimas columnas resumen la informacin de este ltimo nodo resuelto necesitara para pasar a las iteraciones siguientes es decir, la distancia de la ruta ms corta del origen a este nodo y la ltima rama en esta ruta -.

Tabla de datos n
1 2,3 4
Nodos resueltos conectados directamente a nodos no resueltos
Nodo no resuelto ms cercano conectado
Distancia total involucrada

2 4 2+2=4 2+7=9 4+3=7 4+4=8 2+7=9 4+4=8 7+1=8 8+5=13 7+7=14
n-simo nodo ms cercano

A C B E
Distancia mnima
2 4 4 7
ltima conexin
OA OC AB BE
5 6
O O A A B C A B E D E
A C B D E E D D D T T
D D T
8 8 13
BD ED DT
Ahora se debe relacionar las columnas con la descripcin del algoritmo. La entrada para la n-sima iteracin se encuentra en las columnas 5 y 6 de las iteraciones anteriores, donde los nodos resueltos de la quinta columna se enumeran despus en la segunda par la iteracin actual despus de eliminar los que no tienen conexin directa con nodos no resueltos. Los candidatos, para el n-simo nodo ms cercano se realiza en la columna 4 y los resultados se registran en las ltima tres columnas de la iteracin actual. La ruta ms corta desde el nodo destino hasta el origen se puede rastrear hacia atrs en la ltima columna de la tabla, con lo que se obtiene TDEBAO o bien TDBAO. Por lo tanto, se identificaron las dos opciones de ruta ms corta desde el origen hasta el destino como OABEDT y OABDT, con una distancia total de 13 millas en cualquiera de las dos. Problema del rbol de Expansin Mnima El problema del rbol de expansin mnima tiene algunas similitudes con la versin principal del problema de la ruta ms corta. En ambos casos se considera una red no dirigida y conexa, en la que la informacin dada incluye alguna medida de longitud positiva distancia, costo, tiempo, etc. asociada con la ligadura. Los dos problemas involucran tambin el hecho de seleccionar un conjunto de ligaduras con la longitud ms corta entre los dos conjuntos de ligaduras que satisfacen cierta propiedad. En el caso del problema de la ruta ms corta, esta propiedad es que la ligadura seleccionada debe proporcionar una trayectoria entre el origen y el destino. Para el rbol de expansin mnima la propiedad requerida es que las ligaduras seleccionadas deben proporcionar una trayectoria entre cada par de nodos. El problema del rbol de expansin mnima se puede resumir de la siguiente manera: 1. Se tiene los nodos de una red pero no las ligaduras. En su lugar se proporcionan las ligaduras potenciales y la longitud positiva de cada una si s inserta en la red. (Las medidas alternativas para la longitud de una ligadura incluyen distancia, costo y tiempo). 2. Se desea disear la red con suficientes ligaduras para satisfacer el requisito de que haya un camino entre cada par de nodos. 3. El objetivo es satisfacer este requisito de manera que se minimice la longitud total de las ligaduras insertadas en la red.

Una red con n nodos requiere de slo (n-1) ligaduras para proporcionar una trayectoria entre cada par de nodos. No debe usarse ms ligaduras puesto que ello aumentara, sin necesidad, la longitud total de las ligaduras seleccionadas. Las (n-1) ligaduras deben elegirse de tal manera que la red resultante con solo las ligaduras seleccionadas forme un rbol de expansin segn la definicin que se present anteriormente - . Por lo tanto, el problema es encontrar el rbol de expansin con la longitud total mnima de sus ligaduras. La figura de 2.3. (a) se ilustra el concepto de rbol de expansin, pues los nodos O, A,B y C no estn conectados con los nodos D, E y T. Se necesita una ligadura ms para hacer esta conexin. En realidad, esta red consta de dos rboles, uno para cada uno de dos conjuntos de nodos. Las ligaduras de la figura 2.3. (b), s se expanden por toda la red es decir, es una grfica conexin segn la definicin de redes -, pero no es un rbol porque tiene dos ciclos (O-A-B-C-O y D-T-E-D), esto es, tiene demasiadas ligaduras. Como el problema de Seervada Park tiene n = 7 nodos, en la definicin de redes se indic que una red debe tener exactamente n-1 = 6 ligaduras y ningn ciclo para calificar como rbol de expansin. Esta condicin se logra en la figura 2.3. (c), por lo que esta red es una solucin factible con una longitud total de 24 millas en las ramas o ligaduras para el problema del rbol de expansin mnima (Se ver que esta solucin no es ptima, puesto que es posible construir un rbol de expansin con slo 14 millas es sus ramas).
Figura 2.3. (a)
Figura 2.3. (b)
Figura 2.3. (c)
45

Algunas aplicaciones A continuacin se proporciona una lista de algunos tipos importantes de aplicaciones de este problema: 1. Diseo e redes de telecomunicaciones redes de fibra ptica, de computadoras, telefnicas, de televisin por cable, etctera - . 2. Diseo de redes de transporte para minimizar el costo total de proporcionar las ligaduras vas ferroviarias, carreteras, etctera -. 3. Diseo de una red de lneas de transmisin de energa elctrica de alto voltaje. 4. Diseo de una red de cableado de equipo elctrico como sistemas de cmputo para minimizar la longitud total del cable. 5. Diseo de una red de tuberas para conectar varias localidades. Un Algoritmo El problema del rbol de expansin mnima se puede resolver una forma bastante directa, puesto que se trata de uno de los pocos problemas de la IO en el que se puede ser codicioso en cada etapa del procedimiento de solucin conduce al final de una solucin ptima. As, con el inicio en cualquier nodo, la primera etapa consiste en elegir la rama ms corta posible a otro nodo, sin preocuparse del efecto que esta eleccin pueda tener en las decisiones posteriores. En la segunda etapa se trata de identificar el nodo no conectado que est ms cerca de cualquiera de los dos que se acaban de conectar y despus agregar la ligadura correspondiente a la red. Este proceso se repite, segn el resumen que se presenta a continuacin, hasta conectar todos los nodos. (Obsrvese que este proceso se ilustr en la figura 2.3. para construir el rbol de expansin, pero ahora con la regla especfica para seleccionar cada ligadura nueva.) Se garantiza que la red resultante es un rbol de expansin mnima. Algoritmo del problema del rbol de expansin mnima 1. Se selecciona, de manera arbitraria, cualquier nodo y se conecta es decir, se agrega una ligadura al nodo distinto ms cercano. 2. Se identifica el nodo no conectado ms cercano a un nodo conectado y se conecta estos dos nodos es decir, se agrega una ligadura entre ellos -. Este paso se repite hasta que todos los nodos estn conectados. 3. Rompimiento de empates: los empates para el nodo ms cercano distinto (paso 1) o para el nodo conectado ms cercano (paso 2), se pueden romper en forma arbitraria, pero el algoritmo debe llegar a una solucin ptima. No obstante, estos empates son seal de que puede existir (pero no necesariamente) soluciones ptimas mltiples. Todas esas soluciones se pueden identificar si se trabaja con las dems formas de romper los empates al final. La manera ms rpida de ejecutar este algoritmo en forma manual es el enfoque grfico (ver ejemplo). La administracin de Seervada Park necesita determinar los caminos bajo los cuales se deben tender las lneas telefnicas para conectar todas las estaciones con una longitud total mnima de cable. Se

describir paso a paso la solucin de este problema con base en los datos que se proporcionan en la figura, en donde todas las lneas delgadas ahora representan las ligaduras potenciales
Figura Sistema de caminos para Seervada Park
En forma arbitraria se selecciona el nodo O como inicio. El nodo no conectado ms cercano a O es A. Se conecta el nodo A con el nodo O
El nodo no conectado ms cercano a cualquiera de los nodos O o A es el nodo B (ms cerca a A). Se conecta el nodo B con el nodo A
El nodo no conectado ms cercano a O, A o B es el nodo C (ms cercano a B). Se conecta el nodo C con el nodo B.
47

El nodo no conectado ms cercano a O, A o B es el nodo E (ms cercano a B). Se conecta el nodo E con el nodo B.
El nodo no conectado ms cercano a O, A, B, C o E es el nodo D (ms cercano a E). Se conecta el nodo D con el nodo E.
El nico nodo no conectado es T. Est ms cerca del nodo D. Se conecta el nodo T con el nodo D.
Todos los nodos han quedado conectados, por lo que sta solucin (ptima) que se buscaba. La longitud total de las ramas es 14 millas. Aunque con este procedimiento a primera vista puede parecer que la eleccin del nodo inicial afectar la solucin final y la longitud total de las ligaduras -, en realidad no es as. Se sugiere verificar este hecho en el caso del ejemplo, mediante otra aplicacin del algoritmo, pero con un nodo distinto de O.
El tercer problema al que se enfrenta el administrador de Seervada Park durante la temporada pico es determinar la ruta de algunos viajes de tranva desde la entrada del parque (estacin O) hasta el mirador (estacin T), de manera que el nmero de viajes diarios sea el mximo (cada camioneta debe regresar por la misma ruta que tom de ida, por lo que el anlisis se harpa slo sobre los viajes de ida). Para evitar perturbaciones innecesarias a la ecologa y a la vida silvestre se impusieron lmites superiores estrictos sobre el nmero de viajes de salida permitidos hacia el mirador para cada camino individual en la direccin

de ida. Para cada camino, la direccin del viaje de ida se indica mediante una flecha en la siguiente figura. El nmero que aparece en la base de la flecha proporciona el lmite superior de ese camino en la direccin de salida de la estacin. Dados los lmites, una solucin factible es mandar 7 camiones al da, 5 por la ruta OBET, 1 por la ruta OBCET y 1 por la ruta OBCEDT. Esta solucin bloquea el uso de cualquier ruta que comience con OC por que las capacidades de ET y ED estn saturadas-. Es sencillo encontrar mejores soluciones factibles. Es necesario considerar muchas combinaciones de rutas y el nmero de viajes asignados a cada una para encontrar la(s) ruta(s) que maximicen el nmero de viajes al da. Este tipo de problemas se conoce como problemas del flujo mximo. En trminos generales, el problema de flujo mximo se puede describir de la siguiente manera. 1. Todo flujo a travs de una red conexa dirigida se origina en un nodo, llamado Fuente, y termina en otro nodo llamado destino la fuente y el destino en Seervada Park son la entrada en el noo O y el morador en el nodo T, respectivamente -. 2. Los nodos restantes son nodos de trasbordo en el problema de Seervada Park son los nodos A, B, C, D y E 3. Se permite el flujo a travs de un arco slo en la direccin indicada por la flecha, donde la cantidad mxima de flujo est dada por la capacidad del arco. En la fuente, todos los arcos sealan hacia afuera. En el destino, todos los arcos sealan hacia el nodo. 4. El objetivo es maximizar la cantidad total de flujo de la fuente al destino. Esta cantidad se mide en cualquiera de las dos maneras equivalentes, esto es, la cantidad que sale de la fuente o la cantidad que entra al destino. Algunas aplicaciones A continuacin se mencionan algunos tipos de aplicaciones comunes del problema del flujo mximo. 1. Maximizar el flujo a travs de la red de distribucin de una compaa desde sus fbricas hasta sus clientes. 2. Maximizar el flujo a travs de la red de suministros de una compaa de proveedores a las fbricas. 3. Maximizar el flujo de petrleo por un sistema de tuberas. 4. Maximizar el flujo de agua a travs de un sistema de acueductos. 5. Maximizar el flujo de vehculos por una red de transporte. En algunas de estas aplicaciones, el flujo a travs de la red se puede originar en ms de un nodo y tambin puede terminar en ms de uno, aunque en el problema de flujo mximo puede tener slo un origen y un destino. Por ejemplo, una red de distribucin de una compaa tiene varias fbricas y mltiples clientes. En este caso se recurre a una reformulacin ingeniosa para ajustar esta situacin al problema. Se trata de aumentar la red original para que incluya una fuente ficticia, un destino ficticio y algunos arcos nuevos. La fuente ficticia se maneja como el nodo que da origen a todo el flujo que en realidad se origina en algunos otros nodos. En cada uno de estos otros nodos se inserta un nuevo arco que va desde la fuente ficticia hasta este nodo, donde la capacidad del arco es igual al flujo mximo que puede originar en este nodo. De manera similar, el destino ficticio se trata como al nodo que absorbe todo el flujo que, en realidad, termina en algn otro nodo. Por lo tanto, s coloca un nuevo arco desde cada uno de los otros nodos hasta el destino ficticio con capacidad igual al mximo que en realidad termina en este nodo. Debido a estos

cambios, todos los nodos de la red original se convierten en nodos de trasbordo para que la red aumentada tenga un solo origen (la fuente ficticia) y un solo destino (el destino ficticio) y se ajuste al problema del flujo mximo. Un Algoritmo Como el problema de flujo mximo se puede formular como un problema de programacin lineal, se puede resolver con el mtodo smplex. Sin embargo s dispone de un algoritmo de trayectorias aumentadas mucho ms eficiente. Este algoritmo se basa en dos conceptos intuitivos, el de una red residual y el de una trayectoria aumentada. Una vez que se han asignado flujos a los arcos de la red original, la red residual muestra las capacidades restantes llamados capacidades residuales para asignar flujos adicionales. Por ejemplo, considere el arco OB de la figura que tiene una capacidad de 7. Ahora suponga que los flujos asignados incluyen un flujo de 5 a travs de este arco, lo que deja una capacidad residual de 7-5 = 2 para cualquier asignacin de flujo adicional a travs de OB. Este estado se describe en la red residual de la siguiente manera
El nmero sobre el arco junto a u nodo seala la capacidad residual del flujo desde ese nodo hasta el otro. Por lo tanto, adems de que la capacidad residual de 2 del flujo de O a B, el 5 de la derecha indica una capacidad residual de 5 para asignar un flujo desde B hasta O es decir, para cancelar algn flujo asignado antes de O a B -. De inicio, antes de asignar cualquier flujo, la red residual tiene la apariencia que se muestra en la figura 2.4. Todos los arcos de la red original se cambiaron de un arco dirigido a un arco no dirigido. No obstante, las capacidades en la direccin original son las mismas y las capacidades en la direccin opuesta son cero, de manera que las restricciones sobre los flujos no cambian. Despus, siempre que se asigna una capacidad de flujo a un arco, esa cantidad se resta de la capacidad residual en la misma direccin y se suma la capacidad residual en la direccin opuesta. Una trayectoria de aumento es una trayectoria dirigida del nodo fuente al nodo destino en la red residual, tal que todos los arcos es esta trayectoria tienen capacidad residual estrictamente positiva. El mnimo de estas capacidades residuales se llama capacidad residual de la trayectoria de aumento porque representa la cantidad de flujo que es factible agregar en todo flujo a travs de la red original. El algoritmo de la trayectoria de aumento selecciona varias veces una trayectoria de aumento y agrega un flujo igual a su capacidad residual a la trayectoria en la red original. Este proceso contina hasta que no hay trayectorias de aumento, con lo que el flujo del nodo fuente al nodo destino no puede crecer. La clave para asegurar que la solucin final es ptima por necesidad es el hecho de que las trayectorias de aumento puedan cancelar flujos asignados con anterioridad en la red original; as, una seleccin indiscriminada de trayectorias para asignar flujos no puede evitar el uso de una combinacin mejor de asignaciones de flujos.

Algoritmo de la trayectoria de aumento del problema de flujo mximo 1. Se identifica una trayectoria de aumento cuando se encuentra alguna trayectoria dirigida del origen al destino en la red residual, tal que cada arco sobre ella tenga capacidad residual estrictamente positiva. (si no existe una, los flujos netos asignados constituyen un patrn de flujo ptimo) 2. Cuando se encuentra el mnimo de las capacidades residuales de los arcos sobre esta trayectoria se identifica la capacidad residual c* de esta trayectoria de aumento. Se aumenta en c* el flujo de esta trayectoria. 3. Se disminuye en c* la capacidad residual de cada arco en esta trayectoria de aumento. Se aumenta en c* la capacidad residual de cada arco en la direccin opuesta en esta trayectoria. Se regresa al paso 1. Cuando se lleva a cabo el paso 1, con frecuencia habr varias alternativas de trayectorias de aumento entre las cuales se podr escoger. Aunque la estrategia algortmica para elegir es importante para elevar la eficiencia de las aplicaciones a gran escala, no se profundizar en este tema relativamente especializado. En consecuencia, en el siguiente ejemplo, la seleccin se har en forma arbitraria. Aplicacin del algoritmo al problema de Flujo Mximo de Seervada park La aplicacin de este algoritmo al problema de Seervada Park conduce a los siguientes resultados. A partir de la red residual inicial de la siguiente figura 2.4, se proporciona la nueva red residual despus de una o dos iteraciones, donde la cantidad total de flujo de O a T logrado hasta el momento se muestra en negritas (junto a los nodos O y T).
Figura 2.4. Red residual del problema de Flujo Mximo de Seervada park
Iteracin 1: en la figura 2.4, una trayectoria de aumento en OBET que tiene la capacidad residual igual al min {7,5,6} = 5. Si se asigna un flujo de 5 a esta trayectoria, la red residual que resulta es:
51

Iteracin 2: Se asigna un flujo de 3 a la trayectoria de aumento en OA. La red residual que resulta es:
Iteracin 3: Se asigna un flujo de 1 a la trayectoria de aumento en OABDT. Iteracin 4: Se asigna un flujo de 2 a la trayectoria de aumento en OBDT. La red residual que resulta es:
Iteracin 5: Se asigna un flujo de 1 a la trayectoria de aumento en OCEDT. Iteracin 6: Se asigna un flujo de 1 a la trayectoria de aumento en OCET. La red residual que resulta es:
Iteracin 7: Se asigna un flujo de 1 a la trayectoria de aumento en OCEBDT. La red residual que resulta es:
52

Ya no existe trayectoria de aumento por lo que el patrn de flujo actual es ptimo. El patrn de flujo actual se puede identificar ya sea por la acumulacin de las asignaciones de flujo o mediante la comparacin de las capacidades residuales finales con las capacidades originales de los arcos. Si se emplea este mtodo, existe un flujo a travs de un arco si la capacidad residual final es menor que la capacidad original. La magnitud de este flujo es igual a la diferencia entre las capacidades. Al aplicar este mtodo de comparacin de la red residual obtenida en la ltima iteracin, se obtiene el patrn de flujo que se muestra en la siguiente figura:
2.5. Programacin de Proyectos (PERT-CPM) Una actividad es crtica si su retraso cusa retraso en el proyecto. Una no crtica es aquella que su retraso no retrasa el proyecto, es decir tiene tiempo de holgura. La holgura puede definirse como el tiempo de inicio ms tardo (I.T.) menos su tiempo de inicio ms prximo (I.P.). La Ruta crtica de un proyecto es una cadena de actividades crticas. Los clculos para obtenerla se realizan en dos fases, y por ello se considera a dij como la duracin de la catividad que va del nodo i al nodo j. Primera Fase: Clculos hacia adelante. 1. Calcular el tiempo de inicio ms proximo(IP). IPj = Max { IPi + dij } para toda actividad (i,j) {IP0 = 0} 2. Tiempo de terminacin ms proximo(TP). TPi = IPj + dij IP TP
53

Segunda Fase: Clculos hacia atrs. 1. Calcular el tiempo de terminacin ms tardo(TT). TTi = Min { TTj - dij } 2. Tiempo de terminacin ms proximo(TP). ITi = TTi - dij IT TT
Clculo de Holgura Holgura = TT-TP = IT - IP De donde la RUTA CRTICA ser la actividad en la que se presenta una HOLGURA CERO Ejemplo: Hallar la ruta crtica del siguiente ejemplo: 18 2 3 1 4 3 Primera Fase: Hacia adelante () Del Nodo 1 al 2 = (0,3) Del Nodo 1 al 3 = (0,12) Del Nodo 1 al 4 = (0,4) Del Nodo 2 al 4 = (3,11) Del Nodo 2 al 5 = (3,21) Del Nodo 3 al 4 = (4,10) Del Nodo 4 al 5 = (12,27) Del Nodo 4 al 6 = (12,32) Inicia el da 0 y Del Nodo 5 al 6 = (27,32) Del Nodo 5 al 8 = (27,40) Del Nodo 6 al 7 = (32,36) Del Nodo 6 al 8 = (32,38) Termina el da 3 12 5 8 4 6 15 20 6 4 7 13 6 8
Notacin: (0,3) Se toma como tiempo de suracin el mayor tiempo, por lo tanto el mayor es 40 y la tipificacin tiene 4 unidades de Holgura.

Primera Fase: Retroceso () 18 2 3 1 4 3 Como se puede observar TD= 40 y la Ruta crtica es RC = 1,4,5,8 12 <12,0> 6 5 8 4 15 <27,12> 20 6 4 7 13 <40,27> 6 8
Ejemplos: Resolver los siguientes ejemplos aplicando los cuatro mtodos de solucin del modelo de Redes (camino ms corto, rbol de expandido mnimo, flujo mximo y ruta crtica): Ejercicio 1)
Ejercicio 2)
Semana 7: Tarea en equipo: g) Resuelva los ejercicios 1 y 2 de la pag. 55 Ing. Ren Zahor Torres Becerra 55
Unidad 3
Programacin No Lineal
3.1. Conceptos bsicos de problemas de programacin no lineal La programacin no lineal o Dinmica es una tcnica matemtica que a menudo resulta til a tomar una sucesin de decisiones interrelacionadas. Proporciona un procedimiento sistemtico para determinar la combinacin de decisiones que maximice la efectividad global. Contrastando con la programacin lineal, no existe un planteamiento matemtico estndar "del" problema de programacin dinmica. Ms bien, la programacin dinmica es un tipo general de enfoque para resolver problemas y las ecuaciones particulares usadas deben desarrollarse para que se ajusten a cada situacin individual. Por lo tanto, se requiere un cierto grado de ingenio y de visin de la estructura general de los problemas de programacin dinmica, a fin de reconocer cuando un problema se puede resolver mediante los procedimientos de esta programacin y cmo se hara. Probablemente se puedan desarrollar mejor estas aptitudes por medio de una exposicin de una amplia variedad de aplicaciones de la programacin dinmica y de un estudio de las caractersticas que son comunes a todas estas. Por fortuna, la programacin dinmica suministra una solucin con mucho menos esfuerzo que la enumeracin exhaustiva. (Los ahorros de clculo seran enormes para versiones ms grandes de un problema.) La programacin dinmica parte de una pequea porcin del problema y encuentra la solucin ptima para este problema ms pequeo. Entonces gradualmente agranda el problema, hallando la solucin ptima en curso a partir de la anterior, hasta que se resuelve por completo el problema original. En seguida se dan los detalles involucrados en la implementacin de esta filosofa general. Considrese que las variables de decisin xn (n = 1,2,3,4) son el destino inmediato en la etapa n. As, la ruta seleccionada sera 1 - XI - X2 - X3 - X4 en donde X4 = 10. Sea fn(s, Xn) el costo total de la mejor poltica global para las etapas restantes, dado que el vendedor se encuentra en el estado s listo para iniciar la etapa n y se selecciona a XII como el destino inmediato. Dados s y n, denotemos por x el valor de X*n que minimiza al fn(s, Xn) y sea f*(s) el valor mnimo correspondiente de fn(s, Xn) por tanto, f*n(s) = fn(s, Xn). El objetivo es hallar f1*(1) y la pol1tica correspondiente. La programacin dinmica hace esto, hallando sucesivamente f4*(s),f3*(s), f2*(s) , a continuacin, f1*(1).
56

Caractersticas de la Programacin Dinmica
57
Algunos ejemplos de modelos de P.D.
58
59
60
61
3.2. Ilustracin grafica de problemas de programacin no lineal.
Esta seccin considera con mayor amplitud el enfoque de programacin dinmica para los problemas determinsticos, en los que el estado en la etapa siguiente queda completamente determinado por el estado y la poltica en la etapa actual. La programacin dinmica determinstica se puede describir en forma de diagrama de la siguiente forma:
Etapa n Estado:
Sn
Etapa n+1 Contribucin de Xn

Sn+1
fn(Sn,Xn)
Fn*+1(Sn+1)
Una manera de catalogar los problemas de programacin dinmica determinstica es por la forma de la funcin objetivo. Por ejemplo, el objetivo podra ser minimizar la suma de contribuciones de las etapas individuales, o bien minimizar un producto de tales trminos y as sucesivamente. En un problema de programacin dinmica, las temporadas deben ser las etapas.
Semana 8: Tarea individual h) Entregar un resumen de los temas 3.1. y3.2.
62

3.3. Tipos de problemas de programacin no lineal. La programacin dinmica probabilstica difiere de la programacin dinmica determinstica en que el estado de la etapa siguiente no queda completamente determinado por el estado y la decisin de la poltica en el estado actual. En lugar de ello existe una distribucin de probabilidad para lo que ser el estado siguiente. Sin embargo, esta distribucin de probabilidad todava esta completamente determinada por el estado y la decisin de la poltica del estado actual. En la siguiente figura se describe diagramticamente la estructura bsica que resulta para la programacin dinmica probabilstica, en donde N denota el nmero de estados posibles en la etapa n+1.
Etapa n+1
Sn+1
Contribucin de la Etapa n
Etapa n
Decisin
1
Probabilidad
C1
f*n+1(1)
P1 Estado
Sn
Xn
P2 PN
C2
2
f*n+1(2)
fn(Sn,Xn)
CN
3
f*n+1(3)
Cuando se desarrolla de esta forma para incluir todos los estados y decisiones posibles en todas las etapas, a veces recibe el nombre de rbol de decisin. Si el rbol de decisin no es demasiado grande, proporciona una manera til de resumir las diversas posibilidades que pueden ocurrir.
63
64
65
66
67
68
69
y 10
10
Semana 9: Tarea individual i) Entregar un ejemplo explicado Programacin Dinmica Determinstica. Semana 10: Tarea individual j) Entregar un ejemplo explicado Programacin Dinmica Probabilstica.
70
Unidad 4
Teora de Inventarios
4.1. Sistemas de Administracin y control Los sistemas de inventarios surgen de las diferencias entre el tiempo y la localizacin de la demanda y el abastecimiento. Desde el punto de vista del cliente, un artculo debe contener tantas unidades como puedan demandarse, y nunca debera quedar fuera de existencia. Generalmente, as sucede en el caso de la leche o el pan en una tienda de abarrotes. Los inventarios cuestan dinero, representan el capital intil. La cantidad comienza en un nivel alto y luego se reduce conforme se sacan las unidades. Cuando el nivel baja se coloca una orden, la cual al recibirse incrementa el inventario y esto se repite una y otra vez. La cantidad se controla con el tiempo y la cantidad de cada orden. As, lo ms importante es: Cunto ordenar y cundo ordenar. Definicin y caractersticas Es un conjunto de bienes que se almacenan para posteriormente venderlos o utilizarlos. Tipos de inventarios. a. Materias primas, productos en proceso, productos terminados y refracciones. Razones para llevar inventarios. 1. independizar las etapas en produccin. 2. Aprovechar los descuentos al comprar grandes cantidades. 3. Para evitar la especulacin, ej. Las fbricas de transformadores utilizan mucho su produccin el cobre. 4. Atender oportunamente al cliente cuando requiera el producto. Costos que se generan al tener inventarios (representan un total del 15 al 40 %). a. Costo de la inversin esttica en va (Costo de oportunidad) lo menos que se pierde por este concepto es lo que nos dara el banco en intereses (12 % aprox.). b. Terrenos y edificios (12 %). c. Sueldos del personal de almacn (3%). d. Seguros (1%). e. Robos y desperdicios (3%). f. Depreciacin y obsoletismo (6%).

Costo total de los inventarios. 1. 2. 3. 4. Ejemplo: Supongamos que una ca. tiene una demanda de un producto de 97 unidades por semana y que puede comprarse en diversas formas: una cantidad de 5040 al ao, una cantidad de 2520 cada 6 meses, 1680 cada 4 meses y as sucesivamente de acuerdo a las necesidades de la empresa. El costo unitario de compra del artculo es de $2.50, el costo total y por satisfacer una orden es de $35.00 y el costo anual de almacenamiento de la mercanca es del 20% del precio de compra de la misma. a. b. c. d. Determinar el tamao econmico del lote. El nmero de pedidos. El costo total del inventario. El punto de reorden si el proveedor tarda 2 semanas en surtir el pedido. Costo de ordenar. Costo del faltante. Costo de lo comprado. Costo de mantener los inventarios en almacn.
Inventario Promedio (Inv. Prom.)
Unidades Costo de Mantener el inventario (Cmi) = Inventario Promedio * costo del Producto * 0.20 % Cmi = 2520 * 2.50 * 0.20 = $1260 Costo de compra = 5040 * 2.5 =$ 12600 Costo Total = Costo de Mantenimiento del Inventario + Costo de Ordenar + Costo de Comprar Costo total = 1260+35+12600= $ 13,895.
72

No. de pedidos 1 2 3 4 5 6 7 8 Tamao del pedido 5040 2520 1680 1260 1008 840 720 630 Inventario Promedio 2520 1260 840 630 504 420 360 315 Costo de mnto de inv. 1260 630 420 315 252 210 180 157 Costo de ordenar 35 70 105 140 175 210 245 280 Costo de compra 12600 12600 12600 12600 12600 12600 12600 12600 Costo total 13895 13300 13125 13055 13027 13020 13025 13037.5
Nmero de pedidos = 6. Costo Total = $ 13,020. Demanda optima = 840. Ejemplo 2: Dadas los siguientes datos determinar: a. El tamao econmico del lote. b. Nmero de pedidos. c. Costo total de adquisicin del inventario. d. Necesidades anuales 144000 piezas. e. Costo del producto $16.00 f. Costo de adquisicin por pedido $25.00 g. Punto de repetido si el proveedor tarda 12 das en enviar el pedido. Tomando en cuenta que el costo anual de almacenamiento de la mercanca es del 10% .
No. de pedidos Tamao pedido Inv. promedio Costo de mnto de inv. Costo de ordenar Costo de compra Costo total 1 2 3 4 5 6 7 8 9 10
11
144000 72000 48000 36000 28800 24000 20571 18000 16000 14400
72000 36000 24000 18000 14400 12000 10285 9000 8000 7200
115200 57600 38400 28800 23040 19200 16456 14400 12800 11520
25 50 75 100 125 150 175 200 225 250
2304000 2304000 2304000 2304000 2304000 2304000 2304000 2304000 2304000 2304000
2419225 2361650 2342475 2332900 2327165 2323350 2320631 2318600 2317025 2315770
11
Semana 11: Tarea individual k) Entregar un ejemplo de la pag 73 explicado.
73

4.2. Modelo determinstico 4.2.1. Lote econmico sin dficit (Modelos con reabastecimiento instantneo). No se permite el faltante. Suposiciones: 1. 2. 3. 4. La demanda tiene que ser constante. Los costos son constantes (no se permite descuento en adquisiciones voluminosas). Los proveedores entregaran con puntualidad los pedidos en el periodo comprendido. El lote mnimo es igual al inventario mximo.
Nomenclatura: Q = tamao econmico del lote. N = nmero de pedido. D = Demanda. Ci = Costo de compra. Ch = Costo de mantener un unidad en los inventarios (%). Co = Costo de ordenar. R = Punto de reorden. L = Tiempo de consumo. T = Tiempo para consumir el inventario mximo. Imx = Inventario Mximo. =Inventario Promedio. Ct = Costo Total.
Ct = Costo de compra + Costo de ordenar + Costo de tenencia. Costo de compra = CiD
Costo de ordenar =
Costo de tenencia =
74

Si la demanda es de 50 piezas por da y el proveedor pasa 10 das en surtir por tanto necesitamos 500 piezas para no tener faltante. R = ? = 50 * 10 -500 D = 50 pza/da. L = 10 das. R=DL Unidad = 5040
Ejemplo: Una Ca. fabricante de refrescos a observado que requiere anualmente de 3000 baleros que son utilizados en las bombas de agua con un programa de mantenimiento preventivo diseado por el departamento de produccin. El costo de cada unidad es de $ 80,000, el costo de oportunidad de inversin es de 12% del costo del producto. Los costos generados por el control de inventarios como son el sueldo de personal de almacn, agua y electricidad es de 2,400 * unidad, otro costo que representa aun los deterioros, extravi y envejecimiento de los productos almacenados anualmente y alcanzan un costo de $2,000 * unidad .La orden de compra se ha estimado en $120,000. Suponga que el proveedor tarda en promedio 15 das en surtir una orden, determinar: a) b) c) d) e) f) g) Datos: D = 3000 unidad por ao. Ci = $80,000 Co =$120,000 Ch= 0.12 (80,000)+ 2,400 + 2,000 Ch = 14,000 unidades por ao. L = 15 das. El tamao econmico del lote. El inventario mximo. El inventario Promedio. El punto de reorden. El tiempo requerido para consumir el inventario mximo. Costo total del inventario. Nmero de pedidos.
a)
Q = 227 unidad.
75

b) Imx. = Q = 227 u.
c) d) e)
T - Q/D = 0.075 Aos = 27 das.
f)
Ct = $ 262,585,903
g)
4.2.2. Lote econmico de produccin (Modelo con reabastecimiento uniforme, no se permite faltante). Las suposiciones de este modelo son las siguientes. La demanda se efecta a tasa constante. El reemplazo es instantneo (la tasa se reemplazo es finita). Todos los coeficientes de costos son constantes. La tasa de manufacturacin es mayor que la tasa de demanda.
Este modelo compara el costo de ordenar una compra por el costo de iniciar una tanda de produccin. Para determinar la cantidad optima a pedir o si sigue el procedimiento de manufacturar el producto. S = Tasa de produccin. .
76

Formulario:
Ejemplo: Frecuentemente un gerente de produccin desea tomar la produccin, ya sea de comprar o manufacturar un artculo. Los modelos vistos hasta el momento pueden ser usados para tomar tal decisin. Suponga que un artculo puede ser comprado a $25 la unidad o fabricado a una tasa de produccin de 10,000 unidades por ao, con un costo de $22 la unidad. Sin embargo si lo compramos el costo de una orden es de 5 mientras que el costo de organizar una tanda de produccin. (Preparar el equipo) es de $50. La demanda es de 2,500 unidades por ao, el costo de conservar el inventario es de 10% del costo del producto. Determinar que es preferible, si comprar o manufacturar. Comprar: Ci = $25 u. Co= $5 Ch = 0.10*25 = $2.5 D = 2,500 u / ao.
Ct = $ 62,750 Manufacturar: S = 10,000 u / ao. Ci = $22 unidades. Co =$50 Ch = 0.10 (22) = $2.2 D = 2,500 u / ao.
77
( Ct = 55,642
)(
De acuerdo con los costos obtenidos conviene mejor manufacturar el producto que comprarlo y una vez que el gerente ha decidido fabricar el producto desea conocer tambin: a. b. c. d. e. El inventario mximo. El tiempo de produccin. El punto de reorden (una orden tarda 1 semana en atenderse). El tiempo de ciclo. El tiempo en que no existe produccin y que no se puede ocupar para dar mantenimiento a las maquinas. f. El inventario promedio. g. El nmero de rdenes de fabricacin. Por lo tanto tenemos que: a)
b)
c)
d)
e) T - t = 57 - 14 = 43
f)
g)
12
12
Semana 12: Tarea individual l) Entregar este ltimo ejemplo con un costo de compra de $30.00 unidad y un costo de manufactura de$28.00 la unidad.
78

4.3. Lote econmico de produccin (Modelo con descuento por compras de grandes cantidades). Es muy comn que el precio de un producto por la cantidad que se compra o se produce. Esta situacin surge cuando se tiene la oportunidad de recibir un descuento en la compra de una cantidad grande. Es posible que el costo de adicional de tener un inventario mayor, son ampliamente compensado reduciendo el costo de compra y el costo de ordenar. La forma directa de saber si se deben acelerar cantidades grandes es comparar el aumento de los costos con el precio normal con el ahorro generado por el precio de descuento. Ejemplo: Demanda (D) = 2000 u/ao. Costo de Compra (Ci)= $5 Costo por Ordenar (Co)= $5 Costo por mantener el inventario (Ch)= 1.50 + 0.10 * 5 = 2 1. Encuentre la Q ptima con el precio base.
= 100
2. Encontrar el costo del inventario con el precio base.
= (5 * 2000)+ (5 * (2000/100)) + (200/2) = 10,200
3. Calcular el costo del inventario con el precio de descuento, comparar este costo con el anterior y seleccionar la opcin de menor costo. Ejemplo: Suponga que un proveedor nos ofrece un descuento del 5% si adquirimos lotes mayores o iguales a 200 unidades. Datos: Descuento 5% Ci = 5 * 0.95 = $ 4.75 Ch = 1.50 + 0.10 (4.75) = $ 1.975 Ct = (4.75 * 2000) + (5 * 2000/200) + (1.975 * 200/2) = 9747.5 Ct = $ 9747.5 menor que la anterior.
79

Otro proveedor nos ofrece ahora un descuento del 40% si compramos lotes mayores o iguales a 120 unidades. Datos: Descuento 40% Ci = 5 * 0.60 = $ 3 Ch = 1.50 + 0.10 (3) = $ 1.80 Ct = (3 * 2000) + (5 * 2000/120) + (1.80 * 120/2) = 6191 Ct = $ 6191 Optimo. Ejemplo: Demanda (D) = 2500 u/ao. Costo de Compra (Ci)= $15 Costo por Ordenar (Co)= $10 Suponga que un proveedor nos ofrece un descuento del 5% si adquirimos lotes mayores o iguales a 200 unidades. Suponga que un proveedor nos ofrece un descuento del 10% si adquirimos lotes mayores o iguales a 250 unidades Suponga que un proveedor nos ofrece un descuento del 15% si adquirimos lotes mayores o iguales a 300 unidades
13
13
Semana 13: Tarea individual m) Entregar un ejemplo de la pag. 80 explicado.
80
Unidad 5
Teora de Lneas de Espera (Teora de Colas)
5.1. Definiciones, caractersticas y suposiciones En este captulo se aplica la teora de colas. Una Cola es una lnea de espera y la teora de colas es una coleccin de modelos matemticos que describen sistemas de lneas de espera particulares o de sistemas de colas. Los modelos sirven para encontrar el comportamiento de estado estable, como la longitud promedio de la lnea y el tiempo de espera promedio para un sistema dado. El problema es determinar qu capacidad o tasa de servicio proporciona el balance correcto. Esto no es sencillo, ya que el cliente no llega a un horario fijo, es decir, no se sabe con exactitud en qu momento llegarn los clientes. Tambin el tiempo de servicio no tiene un horario fijo. Definicin. Una Cola es una lnea de espera y la teora de colas es una coleccin de modelos matemticos que describen sistemas de lneas de espera particulares o sistemas de colas. Los modelos sirven para encontrar el comportamiento de estado estable, como la longitud promedio de la lnea y el tiempo de espera promedio para un sistema dado. Esta informacin, junto con los costos pertinentes, se usa, entonces, para determinar la capacidad de servicio apropiada.
Caractersticas los sistemas de colas. Un sistema de colas puede dividirse en sus dos componentes de mayor importancia, la cola y la instalacin de servicio. Las llegadas son las unidades que entran en el sistema para recibir el servicio. Siempre se unen primero a la cola; si no hay lnea de espera se dice que la cola est vaca. De la cola, las llegadas van a la instalacin de servicio de acuerdo con la disciplina de la cola, es decir, de acuerdo con la regla para decidir cul de las llegadas se sirve despus. El primero en llegar primero en ser servido es una regla comn, pero podra servir con prioridades o siguiendo alguna otra regla. Una vez que se completa el servicio, las llegadas se convierten en salidas. Ambas componentes del sistema tienen costos asociados que deben de considerarse.
81

5.2. Terminologa y notacin Costo de Espera. Esperar significa desperdicio de algn recurso activo que bien se puede aprovechar en otra cosa y esta dado por: Costo total de espera = Cw* L Donde: Cw = Costo de espera por hora (en dlares) por llegada por unidad de tiempo y L = longitud promedio de la lnea. Costo de Servicio. Este en la mayora se trata de comprar varias instalaciones de servicio, en estos casos solo se ocupan los costos comparativos o diferenciales. Sistema de costo mnimo. Aqu hay que tomar en cuenta que para tasas bajas de servicio, se experimenta largas colas y costos de espera muy altos. Conforme aumenta el servicio disminuyen los costos de espera, pero aumenta el costo de servicio y el costo total disminuye, sin embargo, finalmente se llega a un punto de disminucin en el rendimiento. Entonces el propsito es encontrar el balance adecuado para que el costo total sea el mnimo.
82

Estructuras tpicas. Las llegadas pueden ser personas, cartas, carros, incendios, ensambles intermedios en una fbrica, etc. En la siguiente tabla se muestran algunos ejemplos de varios sistemas de colas. Ejemplos de sistemas de colas Situacin Aeropuerto Aeropuerto Depto de bomberos Compaa telefnica Lavado de carros La corte Panadera Carga de camiones Oficina de correos Crucero Fbrica Cartas de negocios Reproduccin Hospital Llegadas Aviones Pasajeros Alarmas de incendio Nmeros marcados Autos Casos Clientes Camiones Cartas Autos Subensamble Notas de dictado Pedidos Pacientes Cola Aviones en carreteo Sala de espera Incendios Llamadas Autos sucios Casos atrasados Clientes con nmeros Camiones en espera Buzn Autos en lnea Inventario en proceso Cartas para mecanografiar Trabajos Personas enfermas Mecanismo de Servicio Pista Avin Depto. de Bomberos. Conmutador Mecanismo de lavado Juez Vendedor Muelle de carga Empleados por correos Crucero Estacin de trabajo. Secretaria Copiadoras Hospital
Permitiendo que varen el nmero de colas y el nmero de servidores, pueden hacerse los diagramas de los cuatro tipos de sistemas de la siguiente figura. Cada lnea de espera individual y cada servidor individual se muestran por separado. El primer sistema que se muestra en la figura, se llama un sistema de un servidor y una cola o puede describir un lavado de carros automtico o un muelle de descarga de un solo lugar. El segundo, una lnea con mltiples servidores, es tpico de una peluquera o una panadera en donde los clientes toman un nmero al entrar y se les sirve cuando llega el turno. El tercer sistema, aqul en que cada servidor tiene una lnea de separada, es caracterstico de los bancos y las tiendas de autoservicio. El cuarto sistema, es una lnea con servidores en serie, puede describir una fbrica.
83
5.3. Proceso de Nacimiento y Muerte La mayor parte de los modelos elementales de colas suponen que las entradas (llegada de clientes) y las salidas (clientes que se van) del sistema ocurren de acuerdo al proceso de nacimiento y muerte. Este importante proceso de teora de probabilidad tiene aplicaciones en varias reas. Sin embrago en el contexto de la teora de colas, el trmino nacimiento se refiere a llegada de un nuevo cliente al sistema de colas y el trmino muerte se refiere a la salida del cliente servido. El estado del sistema en el tiempo t (t 0), denotado por N (t), es el nmero de clientes que hay en el sistema de colas en el tiempo t. El proceso de nacimiento y muerte describe en trminos probabilsticos cmo cambia N (t) al aumentar t. En general, dice que los nacimientos y muertes individuales ocurren aleatoriamente, en donde sus tasas medias de ocurrencia dependen del estado actual del sistema.
84

5.4. Modelos de Piosson 5.4.1. Modelo de un servidor y una cola. Este modelo puede aplicarse a personas esperando en una cola para comprar boletos para el cine, a mecnicos que esperan obtener herramientas de un expendio o a trabajos de computadora que esperan tiempo de procesador. Llegadas. Consiste en la entrada al sistema que se supone es aleatoria. No tienen horario, es impredecible el momento en que llegar. El modelo tambin supone que las llegadas vienen de una poblacin infinita y llegan una a la vez. Cola. En este modelo se considera que el tamao de la cola es infinito. La disciplina de la cola es primero en llegar, primero en ser servido sin prioridades especiales. Tambin se supone que las llegadas no pueden cambiar lugares en la lnea (cola) o dejar la cola antes de ser servidas. Instalacin de Servicio. Se supone que un solo servidor proporciona el servicio que vara aleatoriamente. Salidas. No se permite que las unidades que salgan entren inmediatamente al servicio. Caractersticas de operacin. Un servidor y una cola. Llegada Poisson. Cola infinita, primero en llegar primero en ser servido. Tiempos de servicio exponenciales. Cola: Longitud promedio de la lnea:
Tiempo de espera promedio:
85

Sistema: Longitud promedio de la lnea:
Tiempo de espera promedio:
Utilizacin de la instalacin:
Probabilidad de que la lnea exceda a:
A = tasa promedio de llegada. S = tasa promedio de servicio. Ejemplo: (Un supermercado) Supngase un supermercado grande con muchas cajas de salida, en donde los clientes llegan para que les marquen su cuenta con una tasa de 90 por hora y que hay 10 cajas en operacin. Si hay poco intercambio entre las lneas, puede tratarse este problema como 10 sistemas separados de una sola lnea, cada uno con una llegada de 9 clientes por hora. Para una tasa de servicio de 12 por hora: A = 9 clientes por hora S = 12 clientes por hora Entonces: = = = = = 2.25 Clientes 0.25 horas o 15 minutos. 3 clientes. 0.33 horas o 20 minutos. 0.75 o 75% 0.32
86

Entonces, para este ejemplo, el cliente promedio espera 15 minutos antes de ser servido. En promedio, hay un poco ms de dos clientes en la lnea o tres en el sistema. El proceso completo lleva un promedio de 20 minutos. La caja est ocupada el 75 % del tiempo. Y finalmente, el 32 % del tiempo habr cuatro personas o ms en el sistema (o tres o ms esperando en la cola). 5.4.2. Modelo con Servidores Mltiples Caractersticas de operacin. Una sola Lnea y Mltiples Servidores. Llegada Poisson. Cola infinita, primero en llegar primero en ser servido. Tiempos de servicio exponenciales. Las ecuaciones para las caractersticas de operacin se vuelven un poco ms complicadas. Sea: N = nmero de servidores. A = tasa promedio de llegadas (llegadas por unidad de tiempo). S = tasa promedio de servicio por cada servidor (llegadas por unidad de tiempo). Entonces:
14
14
Semana 14: Tarea individual n) Entregar este ltimo ejemplo con tasa de llegada de 12 clientes por hora y una tasa de servicio de 15 por hora.
87

La cantidad P0 es la probabilidad de que no haya llegadas en una unidad de tiempo, lo cual no lo hace ms fcil de calcular. Para dos o tres servidores pueden combinarse y simplificar las dos ecuaciones para obtener, para N=2
Ntese que para N = 1 este modelo se reduce al modelo de un servidor. Ejemplo: Considrese la biblioteca de una universidad cuyo personal est tratando de decidir cuntas copiadoras debe de instalar para uso de los estudiantes. Se ha escogido un equipo particular que puede hacer hasta 10 copias por minuto. No se sabe cul es el costo de espera para un estudiante, pero se piensa que no deben tener que esperar ms de dos minutos en promedio. Si el nmero promedio de copias que se hacen por usuario es cinco, cuntas copiadoras se deben instalar? Se usa prueba y error para resolver este tipo de problemas, no se encuentra una solucin general como se hizo para el modelo de un servidor. Se tratar primero con dos copiadoras, despus con tres, y as hasta que se satisfaga el criterio del tiempo de espera. Cul es la tasa de servicio? Si el nmero promedio de copias es cinco y la copiadora puede hacer hasta 10 copias por minuto, entonces pueden servirse en promedio hasta dos estudiantes por minuto. Pero, en esto no se toma en cuenta el tiempo para insertar la moneda, cambiar originales, para que un estudiante desocupe y otro comience a copiar. Supngase que se permite un 70 % del tiempo para estas actividades. Entonces la tasa de servicio neta baja a 0.6 estudiantes por minuto. Adems se supone que los periodos pico de copiado tienen una tasa de llegada de 60 estudiantes por hora, o 1 por minuto. Se comenzar con dos copiadoras, ya que una no sera suficiente. A = 1 por minuto. S = 0.6 por minuto. N=2
88

Esto excede el criterio del mximo de 2 minutos de espera para el estudiante promedio. Se tratarn tres copiadoras.
Se necesitan tres copiadoras. La utilizacin de cada una ser:
5.5. Anlisis de Costos Evaluacin del sistema cuando se conoce el costo de espera. Los costos de servicio influyen en el mtodo para encontrar el sistema de menor costo. Si el costo de servicio es una funcin lineal de la tasa de servicio, puede encontrarse una solucin general para la tasa ptima. Para aplicar una solucin general, se necesita una tasa de servicio que pueda variar de manera continua. Cuando los costos de servicio cambian en forma escalonada, se usa la tcnica de prueba y error para encontrar el sistema de menor costo. Se calcula el costo total para una tasa de servicio, despus para la siguiente y as sucesivamente. Esto contina hasta que se encuentra un lmite inferior o un mnimo tal, que el aumentar o el disminuir las tasas de servicio da costos totales ms altos. Ejemplo: Se est estudiando un muelle de carga y descarga de camiones para aprender cmo debe formarse una brigada. El muelle tiene espacio slo para un camin, as es un sistema de un servidor. Pero el tiempo de carga o descarga puede reducirse aumentando el tamao de la brigada. Supngase que puede aplicarse el modelo de un servidor y una cola (llegadas Poisson, tiempos de servicio exponenciales) y que la tasa promedio de servicio es un camin por hora para un cargador. Los cargadores adicionales aumentan la tasa de servicio proporcionalmente. Adems, supngase que los camiones llegan con una tasa de dos por hora en promedio y que el costo de espera es de $ 20 por hora por un camin. Si se le paga $ 5 por hora a cada miembro de la brigada, Cul es el mejor tamao de esta?
89

Datos: A = 2 camiones por hora. S = 1 camin por persona. Cw = costo de espera = $20 por hora por camin. CS = costo de servicio = $ 5 por hora por persona. Ahora sea k = nmero de personas en la brigada. Se busca k tal que la suma de los costos de espera y servicio se minimice: Costo total = Cw LS + k CS Las pruebas deben de empezar con tres miembros de la brigada, ya que uno o dos no podran compensar la tasa de llegadas de dos camiones por hora. Para una brigada de tres, la tasa de servicio es de tres camiones por hora y puede encontrarse Ls con la siguiente ecuacin:
De la misma manera, para una brigada de cuatro:
El costo es menor, por tanto se sigue adelante. Para una brigada de cinco:
90

Este todava es menor:
Como este costo es mayor que el de la brigada de cinco, se rebas el lmite inferior de la curva de costo; el tamao ptimo de la brigada es cinco personas. Evaluacin del sistema con costos de espera desconocidos. En lugar de estimar el costo de espera, el administrador puede especificar un promedio mnimo de tiempo de espera o de longitud de lnea. Esto establece un lmite superior para Wq, el tiempo de espera en la cola (o para Lq, la longitud de lnea en la cola). Con este lmite superior puede encontrarse la tasa de servicio necesaria para cualquiera tasa de llegadas dadas. Ejemplo: Considrese un restaurante de comida rpida con un men limitado. El restaurante se est diseando para que todos los clientes se unan a una sola lnea para ser servidos. Una persona tomar la orden y la servir. Con sus limitaciones, la tasa de servicio puede aumentarse agregando ms personal para preparar la comida y servir las rdenes. Esto constituye un sistema de un servidor y una cola. Si las llegadas y salidas son aleatorias, puede aplicarse el modelo de una cola. Supngase que la administracin quiere que el cliente promedio no espere ms de dos minutos antes de que se tome su orden. Esto se expresa como: Wq = 2 minutos Supngase tambin que la tasa mxima de llegadas es de 30 rdenes por hora.
Rearreglando trminos, ( )
91

Como la tasa de servicio debe ser mayor que la tasa de llegadas, puede descartarse la solucin negativa. Entonces: Para este ejemplo, se supuso: A = 30 ordenes por hora. Wq = 2 minutos o 0.033 horas Entonces: = 15 + 33.5 = 48.5 rdenes por hora.
Para cumplir los requerimientos, se necesita una tasa de casi 50 rdenes por hora. Si, por ejemplo, una brigada de cinco puede manejar 45 rdenes por hora y una de seis puede procesar 50 por hora, entonces sera necesario tener la brigada de seis. Modelo de un servidor con tiempos de servicio constantes. Este modelo es igual que el anterior, excepto que se supone que el tiempo de servicio es exactamente el mismo en cada llegada en lugar de ser aleatorio. Todava se tiene una sola lnea, tamao de la cola infinito, disciplina de la cola como primero en llegar primero en ser servido y llegadas Poisson. Las aplicaciones tpicas de este modelo pueden incluir un autolavado automtico, una estacin de trabajo en una pequea fbrica o una estacin de diagnstico de mantenimiento preventivo. En general, el servicio lo proporciona una mquina. Las caractersticas de operacin estn dadas por 4:
92

En donde A = tasa promedio de llegadas (llegadas por unidad de tiempo) y S = tasa constante de servicio (llegadas por unidad de tiempo). Ejemplo: Supngase un lavado automtico de autos con una lnea de remolque, de manera que los autos se mueven a travs de la instalacin de lavado como en una lnea de ensamble. Una instalacin de este tipo tiene dos tiempos de servicio diferentes: el tiempo entre autos y el tiempo para completar un auto. Desde el punto de vista de teora de colas, el tiempo entre autos establece el tiempo de servicio del sistema. Un auto cada cinco minutos da una tasa de 12 autos por hora. Sin embargo, el tiempo para procesar un auto es el tiempo que se debe esperar para entregar un auto limpio. La teora de colas no considera este tiempo. Supngase que el lavado de autos puede aceptar un auto cada cinco minutos y que la tasa promedio de llegadas es de nueve autos por hora (con distribucin Poisson). Sustituyendo:
( )( ( )(
)( )(
) ) ) )
( )(( )( ) ( )( )(
15
15
Semana 15: Tarea individual o) Entregar este ltimo ejemplo con tasa de llegada de 12 clientes por hora y una tasa de servicio de 15 por hora.
93
Bibliografa
Introduccin a la Investigacin de Operaciones Hillier y Liberman McGraw Hill
Investigacin de Operaciones Taha Handy Pearson Prentice Hall
Investigacin de Operaciones Aplicaciones y algoritmos Wayne L. Winston Tomsom
Formulacin y Resolucin de Modelos de Programacin Matemtica en Ingeniera y Ciencia Enrique Castillo, Antonio J. Conejo, Pablo Pedregal, Ricardo Garca y Natalia Alguacil Apuntes de Clase
Introduccin a la Investigacin de Operaciones Apuntes de clases Universidad de Uruguay
94

Antología de Investigación de Operaciones Sistemas Computacionales

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Antología de Investigación de Operaciones Sistemas Computacionales

Enviado por

Direitos autorais:

Formatos disponíveis

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

Instituto Tecnolgico Superior de Xalapa

Antologa Investigacin de Operaciones

Docente: ISC Ren Zahor Torres Becerra

Ing. Ren Zahor Torres Becerra

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

Ing. Ren Zahor Torres Becerra

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

Ing. Ren Zahor Torres Becerra

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

Ing. Ren Zahor Torres Becerra

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

Ing. Ren Zahor Torres Becerra

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

Ing. Ren Zahor Torres Becerra

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

Ing. Ren Zahor Torres Becerra

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

Ing. Ren Zahor Torres Becerra

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

Hrs-Hombre en Invierno Hrs-Hombre en el Verano Ingreso neto anual ($)

Capacidad: X4 <= 32 X5 <= 3,000 Xi >= 0 i

Ing. Ren Zahor Torres Becerra

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

Ingredientes (lbs * lb de ingrediente) Protenas

Ing. Ren Zahor Torres Becerra

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

Requisitos por unidad de modelo II

Cap. Disponible: Xi >= 0 11.

Tiempo por unidades (horas) Producto 2 Producto 3

Ing. Ren Zahor Torres Becerra

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

Ing. Ren Zahor Torres Becerra

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

Constituyentes (%) II III IV

Ing. Ren Zahor Torres Becerra

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

Antologa de Investigacin de Operaciones

Ingeniera en Sistemas Computacionales

.(1) .(2) .(3) )i