Escolar Documentos
Profissional Documentos
Cultura Documentos
LOS ANDES
FACULTAD DE INGENIERIA
CARRERA PROFESIONAL DE INGENIERIA DE SISTEMAS Y
COMPUTACION
INVESTIGACION OPERATIVA II
PRESENTACION
La Investigacin Operativa es una moderna disciplina cientfica que se
caracteriza por la aplicacin de teora, mtodos y tcnicas especiales, para buscar la
solucin de problemas de administracin, organizacin y control que se producen en
los diversos sistemas que existen en la naturaleza y los creados por el ser humano,
tales como las organizaciones diversas a las que identifica como sistemas
organizados, sistemas fsicos, econmicos, ecolgicos, educacionales, de servicio
social, etc.
El objetivo ms importante de la aplicacin de la Investigacin Operativa es
apoyar en la toma ptima de decisiones en los sistemas y en la planificacin de
sus actividades.
El enfoque fundamental de la Investigacin Operativa es el enfoque de
sistemas, por el cual, a diferencia del enfoque tradicional, se estudia el
comportamiento de todo un conjunto de partes o sub-sistemas que interaccionan
entre s, se identifica el problema y se analizan sus repercusiones, buscndose
soluciones integrales que beneficien al sistema como un todo.
Para hallar la solucin, la Investigacin Operativa generalmente representa el
problema como un modelo matemtico, que es analizado y evaluado previamente.
El presente texto fue elaborado teniendo en cuenta la sumilla del Curso de
Investigacin Operativa II, para el efecto fue necesario recopilar el material
necesario y sistematizarlo en captulos para darle una estructura adecuada.
Respetando el temario, el texto se elabor en seis captulos, siendo estos los
siguientes:
1.
2.
3.
4.
5.
6.
Huancayo,
setiembre del 2010
1.1
5
1.2
6
tipo cualitativo, y por ello para tratar este tipo de aspectos se requiere
el uso de variables enteras o binarias.
c) Programa lineal entero transformado: cuando el programa no incluye
variables enteras, pero para ser tratado analticamente requiere el uso
de variables enteras artificiales.
Nota: Un problema de programacin entera no lineal es un problema de
optimizacin en el cual la funcin objetivo o el lado izquierdo de algunas de las
restricciones, son funciones no lineales y en el cual algunas de las variables, o todas
tienen que ser enteros.
1.3
7
1.4
Relajacin PL
x2
3.0
2.0
1.0
0.5
x1
0
0.5
1.0
1.5
2.0
2.5
(1)
(2)
y x 1 x2 = 4
5.0
4.0
(1)
FO
3.0
x1 = 16/3
x2 = 4/3
z ptimo = 124/3 = 41.33
(2)
2.0
1.0
x1
1.0
2.0
3.0
4.0
5.0
6.0
7.0
8.0
4.0
(1)
3.0
FO
x1 = 4
x2 = 2
z ptimo = 38
(2)
2.0
1.0
x1
0
1.0
2.0
3.0
4.0
5.0
6.0
7.0
8.0
10
SOLUCION
ENTERA FACTIBLE ENTERA
x1
x2
0
0
0
0
0
1
1
1
1
2
2
2
2
3
3
3
4
4
4
5
0
1
2
3
4
0
1
2
3
0
1
2
3
0
1
2
0
1
2
1
Solucin ptima
Utilidad mxima
PL
PLE
x1 = 16/3, x2 = 4/3
x1 = 4,
x2 = 2
41.33
38.00
11
s.a.
x1 + 10x2 20
x1
2
x1, x2 0; x1, x2 enteros
2.
ii)
3.
4.
5.
Puede ser que ninguno de los puntos enteros prximos sea factible.
Aun cuando uno o ms de los puntos enteros prximos sean factibles,
12
Ejercicios propuestos
1.
Rpta:
El PLE tiene 13 soluciones factibles, stas son los puntos : (3,6), (4,6), (3,5), (4,5),
(5,5), (4,4), (5,4), (4,3), (5,3), (6,3) (4,2), (5,2) y (6,2).
La solucin ptima del PLE es el punto x 1 = 6, x2 = 3; el valor ptimo de la funcin
objetivo es 126.
2.
El Programa MI VIVIENDA ha obtenido una subvencin del Estado de $ 5
millones de dlares para construir edificios de departamentos para personas de
ingresos bajos y medianos en una extensin de 180,000 metros cuadrados de
terreno. Cada tipo de edificio requiere 20,000 metros cuadrados. El costo estimado
de cada edificio de bajos ingresos es de $ 300,000, y el costo estimado de cada
edificio de ingresos medios es de $ 600,000. Cada edificio de bajos ingresos
proporciona 15 unidades, y cada edificio de medianos ingresos proporciona 12
unidades. Para mantener el vecindario bien balanceado, el gobierno requiere que la
proporcin de los departamentos de ingresos medios con los ingresos bajos sea de
al menos 0.80. El director del Programa Mi Vivienda desea determinar el mayor
nmero de departamentos individuales que pueden construirse en el terreno
disponible con el presupuesto dado.
Solucin:
Variables de decisin:
x1 = el nmero de edificios de departamentos de ingresos bajos a construirse
x2 = el nmero de edificios de departamentos de ingresos medios a construirse
El PLE es el siguiente:
Max. z = 15x1 + 12 x2
s.a.
3x1 + 6x2 50
(presupuesto)
20x1 + 20x2 180
(terreno)
-x1 + x2 0
(proporcin: 12x2 / 15x1 0.80)
x1, x2 0 y enteros
Rpta:
13
La solucin entera ptima es x1 = 4 y x2 = 5, con una valor de la funcin objetivo de
120. Por tanto, el director debe contratar la construccin de cuatro edificios de
ingresos bajos y cinco edificios de ingresos medios, ofreciendo un total de 120
departamentos individuales.
1.7
(1)
(2)
(3)
(4)
(5)
(6)
De las restricciones (4) a (6) se tiene que las tres variables pueden tomar los
tres valores enteros posibles de 0, 1 y 2, por tanto, es necesario enumerar las 27
combinaciones de valores enteros para x1, x2 y x3.
Un enfoque es enumerar los tres valores para x 1 y, para cada uno, enumerar
los tres valores para x2, lo que se produce en nueve combinaciones. Para cada una
de estas nueve, puede enumerar los tres valores para x 3, obteniendo el nmero total
de combinaciones, 27. Este enfoque se describe usando un rbol.
14
15
16
ENUNCIADO
Ejemplo: La empresa CISA S.A. desea conocer la cantidad de
productos A, B y C a producir para maximizar el beneficio, si cada unidad
vendida genera una utilidad de S/.150, S/. 210 y S/. 130 por unidad
respectivamente.
Cada producto pasa por 3 secciones de trabajo,
cantidad de unidades producidas debido al tiempo disponible
ellas. La siguiente tabla muestra el tiempo requerido por unidad
en cada seccin y el tiempo total disponible semanalmente
minutos):
Producto 1
Producto 2
Producto 3
Tiempo total
disponible por
mesa
restringiendo la
en cada una de
de cada producto
(tiempo dado en
3500
2900
Restr. Estructurales
Restr. No Negatividad
problema de
(las
cuales
17
Una vez llenados todos los campos pulsamos el botn OK, generando
nuevas opciones dentro del programa.
INGRESANDO EL MODELO
Si se escogi por la plantilla tipo hoja de calculo (Spreadsheet Matrix
Form), se mostrar una nueva ventana dentro de la zona de trabajo, la cual
servir para introducir el modelo matemtico.
18
La segunda fila (Maximize) permite introducir los coeficientes de la
funcin objetivo. Luego aparecen una serie de filas identificadas por la letra
C y un consecutivo, las cuales corresponden a la cantidad de restricciones
con que cuenta el modelo:
Por ltimo aparecen tres filas donde definimos el valor mnimo aceptado por
cada variable (Lower Bound), el valor mximo (Upper Bound) y el tipo de
variable (Variable Type).
En el caso del valor mximo, M significa que la
variable podr recibir valores muy grandes (tendientes a infinito).
EL MODELO DE EJEMPLO
Para ingresar nuestro modelo propuesto en el ejemplo, el primer paso es
llenar la segunda fila con los coeficientes de la funcin objetivo:
19
Resolver y mostrar los pasos (Solve and Display Steps): Muestra cada uno
de los pasos o las interacciones realizadas por el Simplex hasta llegar a
la solucin ptima.
Mtodo Grfico (Graphic Method): Resuelve el problema de
programacin lineal mediante el mtodo grfico (para problemas que
trabajan con dos variables).
RESOLVIENDO EL PROBLEMA EJEMPLO
Seleccionamos la primera opcin del men Resolver y Analizar
(Solve and Analyze), donde se mostrar una pequea ventana con el mensaje
El problema ha sido resuelto. La solucin ptima ha sido lograda.
Pulsamos el botn
generar la solucin optima.
ACEPTAR
automticamente
el
programa
20
or
Profit)
21
22
Debe pulsar sobre la variable no bsica que desee que entre (en este
caso se muestra a X1, X3 y C2 como no bsicas). Para mostrar la ltima tabla del
Simplex directamente podr optar por seleccionar la opcin llamada Ir a la
ltima tabla (Go To The Last Tableau).
La ltima opcin Nonstop to Finish muestra el resultado final completo
(junto al anlisis de sensibilidad).
LA OPCIN IMPRIMIR
Cada ventana mostrada puede ser impresa mediante la opcin
Imprimir (Print) que se encuentra en el men Archivo (File) o mediante el botn
desplegado en la barra de herramientas.
GUARDANDO UN PROBLEMA
Si quiere acceder a un problema posteriormente simplemente seleccione la
opcin Salvar como (Save As) o pulsando sobre el botn
.
1.7.4 Resolucin de Problemas de Programacin Lineal Entera
23
PERIODO
8 10 am.
10 12 medioda
12 2 pm.
2 4 pm.
Solucin:
Sean las variables de decisin:
x1 = el nmero de cajeros de tiempo completo a contratar
x2 = el nmero de cajeros de tiempo parcial a contratar
Es necesario mayor precisin para los cajeros de tiempo parcial, se necesita saber
no slo cuantos contratar, sino tambin sus horarios de inicio. Para el efecto se
utilizarn tres nuevas variables, cada una correspondiente a las tres horas de inicio.
x3 = el nmero de cajeros de tiempo parcial por contratar que comienzan a las 8 am.
x4 = el nmero de cajeros de tiempo parcial por contratar que comienzan a las 10
am.
x5 = el nmero de cajeros de tiempo parcial por contratar que comienzan a las 12 del
medioda.
Para formular la funcin objeto, siendo el caso de minimizar el costo diario
total, puede usarse la tcnica de descomposicin,
Costo total = (costo de cajeros de tiempo completo) +
(costo de cajeros de tiempo parcial que comienzan a las 8 am.) +
(costo de cajeros de tiempo parcial que comienzan a las 10 am.) +
(costo de cajeros de tiempo parcial que comienzan a las 12 del
medioda)
El costo asociado con los cajeros de tiempo completo que trabajan 8 horas al
da, es S/. 15 la hora, lo que suma S/. 120 al da. Los cajeros de tiempo parcial
trabajan 4 horas al da y ganan S/. 8 la hora, o S/. 32 al da. Por consiguiente, la
funcin objetivo es:
Min. z = 120x1 + 32x3 + 32x4 + 32x5
Para identificar las restricciones, usaremos el siguiente grfico y la tcnica de
agrupamiento.
Tiempo completo
Tiempo parcial a las 12 del medioda
Tiempo parcial a las 10 am.
Tiempo parcial a las 8 am.
x1
x5
x4
x3
8 am.
10 am.
12 medioda
2 pm.
4 pm.
24
Existe una restriccin para cada segmento de tiempo,
1)
2)
3)
4)
Restricciones de proporcin
Las regulaciones sindicales requieren que al menos 60% de los cajeros sean de
tiempo completo. Por lo tanto, cada uno de los cuatro segmentos de tiempo necesita
una restriccin de la siguiente forma:
El nmero de cajeros de tiempo completo debe ser al menos 60% del
nmero total de cajeros
x1 0.6 (x1 + x3)
x1 0.6 (x1 + x3 + x4)
x1 0.6 (x1 + x4 + x5)
x1 0.6 (x1 + x5)
o
o
o
o
0.4 x1 0.6 x3 0
0.4 x1 0.6 x3 0.6 x4 0
0.4 x1 0.6 x4 0.6 x5 0
0.4 x1 0.6 x5 0
8
10
15
12
Restricciones de proporcin
0.4 x1 0.6 x3
0
0.4 x1 0.6 x3 0.6 x4
0
0.4 x1
0.6 x4 0.6 x5 0
0.4 x1
0.6 x5 0
Restricciones lgicas
x1 , x3 , x4 , x5 0 y enteras
Use el WINQSB
entera.
25
Presupuestacin de capital
Solucin:
Sean las variables de decisin:
x1 =
1 Si Edpyme Confianza invierte en el proyecto A
0 Si Edpyme Confianza no invierte en el proyecto A
x2 =
1
0
x3 =
1
0
x4 =
1
0
x5 =
1
0
x6 =
1
0
26
x1 0 y entero
0
x1
s.a.
200,000x1+350,000x2+150,000x3+125,000x4+375,000x5+70,000x6 1000,000 (Presup.)
x1
1
x2
1
x3
1
x4
1
x5
1
x6 1
x1,
x2,
x 3,
x4,
x5 ,
x6 0
y entero
27
expandir la planta de La Oroya, el valor actual del beneficio neto para la firma es de
$ 40,000. Este proyecto requiere $ 10,000 de capital el primer ao, % 5,000 el
segundo, etc. El consejo directivo ha presupuestado con anterioridad hasta $ 50,000
como inversiones de capital totales para el ao 1, hasta $ 45,000 en el ao 2, etc.
Tabla N 4: Presupuesto de capital
ALTERNATIVA
Expansin de la planta en La Oroya
Expansin de la capacidad de
mquinas pequeas en Casapalca
Establecimiento de una nueva
planta en Morococha
Expansin de la capacidad de
mquinas grandes en Chicla
Capital disponible en el ao i
VALOR
PRESENTE DEL
BENEFICIO
NETO
40
70
CAPITAL REQUERIDO EN EL
AO i PARA LA ELTERNATIVA j
1
10
30
2
5
20
3
20
10
4
10
10
5
0
10
80
10
20
27
20
10
100
20
10
40
20
20
bi
50
45
70
40
30
Se pide:
a) Formular el problema como un modelo de PLE
b) Hallar la solucin ptima
Solucin:
Este problema puede formularse como un modelo de PLE en el que todas las
variables son del tipo 0 1.
Sean las variables de decisin:
xi = 1 si el proyecto se acepta y xi = 0 si se rechaza. (i = 1,2,3,4)
El modelo de PLE es:
Max z = 40x1 + 70x2 + 80x3 + 100x4 Valor presente de los proyectos aceptados
s.a.
10x1 + 30x2 + 10x3 + 20x4 50
Capital requerido
5x1 + 20x2 + 20x3 + 10x4 45 Capital disponible en el ao 2
en el ao 2
20x1 + 10x2 + 27x3 + 40x4 70
10x1 + 10x2 + 20x3 + 20x4 40
10x2 + 10x3 + 20x4 30
x1
1
x2
1
x3
1
x4 1
xi 0 ; i = 1, , 4
La solucin ptima entera es que el administrador deber aceptar las tres primeras
alternativas; x4 es igual a cero. El valor de la funcin objetivo es 190.
28
Ejemplo 3: INVERMEST tiene la oportunidad de invertir en cinco proyectos
diferentes, P1, P2, P3, P4 y P5, cada uno con un beneficio neto estimado como se
muestra en la Tabla N 5.
Tabla N 5: Beneficio neto esperado para los cinco proyectos
PROYECTO NUMERO
1
2
3
4
5
BENEFICIO NETO
ESPERADO ($)
100 000
80 000
70 000
60 000
90 000
1
0
si el proyecto j es seleccionado
si el proyecto j no es seleccionado
j = 1, 2, 3, 4, 5
29
x4
1
x5 1
xi 0 y enteras (j = 1,2,3,4,5)
Divisin de existencias
NUMERO DE ROLLOS
3 pulg. 5 pulg. 8 pulg.
6
0
0
0
4
0
1
0
2
0
2
1
4
0
1
2
1
1
5
1
0
1
3
0
DESPERDICIO
(pulgadas)
2
0
1
2
0
1
0
2
Estos son pedidos nicos. Cualquier rollo sobrante de tamao para el detalle
se venden con descuento, lo que provoca una prdida neta de S/. 1 por cada rollo
de 3 pulgadas, S/. 1.50 por cada rollo de 5 pulgadas y S/. 2 por cada rollo de 8
pulgadas. El desperdicio es reciclado a un costo neto de S/. 0.50 por pulgada. Como
gerente del departamento de produccin, se le ha pedido determinar cmo usar las
distintas monturas de la mquina cortadora para satisfacer la demanda especificada
para los rollos de tamao para veta al detalle, a la vez que se minimiza el costo total.
Solucin:
Sean las variables de decisin:
x1 = el nmero de rollos de 20 pulgadas a cortarse con la montura 1
x2 = el nmero de rollos de 20 pulgadas a cortarse con la montura 2
30
.
.
.
x8 = el nmero de rollos de 20 pulgadas a cortarse con la montura 8
Para especificar la funcin objetivo de minimizacin del costo total,
aplicaremos la tcnica de descomposicin,
Costo total = (costo total de desperdicio de todas las monturas) +
(costo total de sobreproduccin)
= (costo de desperdicio de la montura 1) +
(costo de desperdicio de la montura 2) +
.
.
.
(costo de desperdicio de la montura 8) +
(costo de sobreproduccin de rollos de 3 pulgadas) +
(costo de sobreproduccin de rollos de 5 pulgadas) +
(costo de sobreproduccin de rollos de 8 pulgadas)
Por ejemplo, cada corte de un rollo de 20 pulgadas con la primera montura produce
un desperdicio de 2 pulgadas, como puede observarse en la Tabla N 4. Como se
cortan x1 de tales rollos,
Desperdicio de la montura 1 = 2x1
Usando las variables de decisin y el desperdicio dado por cada montura de la Tabla
N 4 se tiene:
Pulgadas totales de desperdicio = 2x1 + 0x2 + 1x3 + 2x4 + 0x5 + 1x6 + 0x7 + 2x8
Dado que cada pulgada de desperdicio cuesta S/. 0.50,
Costo total de desperdicio = 0.50 * (pulgadas totales de desperdicio)
= 1x1 + 0x2 + 0.5x3 + 1x4 + 0x5 + 0.5x6 + 0x7 + 1x8
Para especificar el desperdicio de sobreproduccin, tomemos como ejemplo, el
nmero de rollos de 3 pulgadas producidos.
Nmero de rollos de 3 pulgadas producidos = 6x1 + 0x2 + 1x3 + 0x4 + 4x5 + 2x6 + 5x7 + 1x8
Una restriccin de demanda apropiada para los rollos de 3 pulgadas asegurar que
la cantidad sobreproducida sea no negativa. Cada rollo de 3 pulgadas
sobreproducido tiene como resultado un costo de S/. 1; as:
Costo de sobreproducir rollos de 3 pulg. = 1 * (nmero de rollos de 3 pulg. sobreproducidos)
= (6x1 + 0x2 + 1x3 + 0x4 + 4x5 + 2x6 + 5x7 + 1x8) 1050
31
(rollos de 3 pulgadas)
(rollos de 5 pulgadas)
(rollos de 8 pulgadas)
Restricciones lgicas
x1 ,
x2 ,
x3 , x4 , x5 , x6 , x7 , x8 0
y enteras
Problema de ubicacin
32
o clientes. Una decisin estratgica que debe tomar un gerente moderno se refiere a
cuntas plantas y/o almacenes tener y donde ubicarlos, todo lo cual requiere una
inversin de capital sustancial y costos fijos. En este caso, un modelo de
programacin entera a menudo puede ayudar a determinar el plan que de como
resultado el mnimo costo total.
Ejemplo: Sistem Computer debe producir una nueva computadora. La
compaa anticipa una demanda mensual de 1700 computadoras de una tienda de
ventas al detalle en Lima, 1000 computadoras de una tienda de Trujillo, 1500
computadoras de una tienda de Arequipa y 1200 computadoras de una tienda de
Huancayo. Para satisfacer esta demanda anticipada, la gerencia de Sistem
Computer est considerando construir plantas de ensamblado en Chiclayo, Cusco,
Piura y Tacna. Las capacidades de produccin mensual y los costos fijos
proyectados se muestra en la Tabla N 5. El costo de embarque de una
computadora terminada desde cada planta hasta cada tienda detallista se da en la
Tabla N 6. Como gerente de la divisin de produccin, se le ha pedido recomendar
las plantas que se construiran para minimizar los costos totales de transportacin
mensual y los costos fijos.
Tabla N 8: Capacidades de las plantas y costos fijos
UBICACION
Chiclayo
Cusco
Piura
Tacna
CAPACIDAD MENSUAL
1700
2000
1700
2000
LIMA
5
4
6
9
TRUJILLO
3
7
5
8
TIENDAS
AREQUIPA
2
8
3
6
HUANCAYO
6
10
8
5
Solucin:
El problema requiere dos decisiones: una para determinar qu plantas
construir, y la otra para determinar el nmero de computadoras por enviar desde
cada planta construida a cada tienda detallista.
Para la primera decisin, debe elegirse qu plantas construir; para cada
decisin si/no se modela con una variable entera 0 1.
Sean las variables de decisin:
y1 =
1
0
y2 =
33
0
de otra forma
y3 =
1
0
y4 =
1
0
PLANTAS
Chiclayo
Cuzco
Piura
Tacna
TIENDAS
LIMA TRUJILLO AREQUIPA HUANCAYO
x11
x12
x13
x14
x21
x22
x23
x24
x31
x32
x33
x34
x41
x42
x43
x44
34
RESTRICCIONES DE SUMINISTRO
Nmero de unidades embarcadas desde Chiclayo = x 11 + x12 + x13 + x14
Este nmero no debe exceder la capacidad de esta planta. Obsrvese que esta
planta puede producir hasta 1700 computadoras por mes si se construye, y 0
unidades caso contrario. Usando la variable de decisin 0 1y 1, esta capacidad es
1700y1. Por lo tanto, la restriccin de suministro para la planta de Chiclayo es:
x11 + x12 + x13 + x14 1700y1
o
x11 + x12 + x13 + x14 - 1700y1 0
(Chiclayo)
En forma anloga, las restricciones de suministro para las otras tres plantas
de ensamblado son:
x21 + x22 + x23 + x24 - 2000y2 0
(Cuzco)
(Piura)
(Tacna)
RESTRICCIONES DE DEMANDA
Consideremos la tienda detallista de Lima. Por descomposicin,
Nmero de unidades embarcadas a Lima = x11 + x21 + x31 + x41
Como esta cantidad debe ser igual a la demanda de la tienda de 1700 unidades, la
restriccin de demanda en Lima es:
x11 + x21 + x31 + x41 = 1700
(Lima)
Las restricciones de demanda para las otras tres tiendas detallistas son:
35
(Trujillo)
(Arequipa)
(Huancayo)
(Chiclayo)
(Cuzco)
(Piura)
(Tacna)
RESTRICCIONES DE DEMANDA
x11 + x21 + x31 + x41 = 1700
x12 + x22 + x32 + x42 = 1000
x13 + x23 + x33 + x43 = 1500
x14 + x24 + x34 + x44 = 1200
(Lima)
(Trujillo)
(Arequipa)
(Huancayo)
RESTRICCIONES LOGICAS
y1, y2, y3, y y4 = 0 o 1 y las xij 0 y enteras (i = 1,2,3,4 y j = 1,2,3,4)
Para hallar la solucin utilice un paquete de software adecuado.
COSTOS FIJOS
($)
100
200
300
COSTO DE
PROCESO
($ /galn)
5
4
3
CAPACIDAD
MAXIMA DIARIA
(galones)
2,000
3,000
4,000
36
CPP espera una demanda diaria de 3,500 galones. El problema es mostrar
qu procesos usar y qu capacidades con el fin de satisfacer su demanda diaria
con un costo total mnimo.
Solucin:
Sean las variables de decisin:
y1 =
1
0
si el proceso 1 es usado
si el proceso 1 no es usado
y2 =
1
0
si el proceso 2 es usado
si el proceso 2 no es usado
y3 =
1
si el proceso 3 es usado
0
si el proceso 3 no es usado
Las variables y1, y2 y y3 son variables 0/1.
Sean las variables de produccin:
x1 = nivel de produccin para el proceso 1
x2 = nivel de produccin para el proceso 2
x3 = nivel de produccin para el proceso 3
El objetivo es escoger los procesos y los niveles de produccin que minimizan el
costo total.
Costo total = (costo total variable de produccin) + (costo total fijo)
= (5x1 + 4x2 + 3x3) + (100y1 + 200y2 + 300y3)
El modelo de programacin lineal entera es:
Min z = 5x1 + 4x2 + 3x3 + 100y1 + 200y2 + 300y3
s.a.
x1 + x2 + x3 = 3,500
(demanda diaria)
x1 2000y1 0 (x1 2000y1)
(capacidad proceso 1)
x2 3000y2 0 (x2 3000y2)
(capacidad proceso 2)
x3 4000y3 0 (x3 4000y3)
(capacidad proceso 3)
y1
1
y2
1
y3 1
x1, x2, x3 0 y1, y2, y3 enteros
La solucin ptima entera puede hallarse utilizando un software de computadora.
Minimizacin de costos
37
diaria de cada lnea y los correspondientes costos fijos se dan en la tabla siguiente.
La HPE tiene un propsito de demanda de 30,000 calculadoras por da. La gerencia
de la HPE desea un plan de promocin que minimice los costos y que especifique
cules lneas van a ser usadas y con qu capacidades, para satisfacer la demanda
mnima diaria de 30,000 calculadoras.
Tabla N 11: Produccin de calculadoras para la HPE
LINEA DE
ENSAMBLE
COSTOS FIJOS
(dlares por da)
A
B
C
D
5,000
6,000
1,000
7,000
COSTO DE
ENSAMBLE POR
CALCULADORA
(dlares)
6
4
7
3
CANTIDAD
MAXIMA
10,000
20,000
25,000
15,000
Solucin:
Sean las variables de decisin para la produccin:
x1 = nmero de calculadoras producidas por da en la lnea A
x2 = nmero de calculadoras producidas por da en la lnea B
x3 = nmero de calculadoras producidas por da en la lnea C
x4 = nmero de calculadoras producidas por da en la lnea D
Sean las variables para la lnea de ensamble:
y1 =
1
0
y2 =
1
0
y3 =
1
0
y4 =
1
0
s.a.
x1 + x2 + x3 + x4 = 30,000
x1
10,000y1
x2
20,000y2
x3
25,000y3
x4 15,000y4
(demanda diaria)
(capacidad en lnea A)
(capacidad en lnea B)
(capacidad en lnea C)
(capacidad en lnea D)
38
y1
1
1
y3
1
y4 1
x1, x2 , x3 , x4, y1, y2, y3, y4
y2
enteros (no-negativos)
2.
En un PLE
a) pasando por alto las condiciones de integralidad, todas las funciones de
restriccin son lineales
b) todas las variables de decisin son enteras
c) todas la variables de decisin deben ser no negativas
d) todo lo anterior
En un PLEM
a) la funcin objetivo es lineal
b) todas las variables de decisin deben ser enteras
c) algunos coeficientes deben ser enteros, otros no
d) todo lo anterior
La relajacin de un PL en un PLE
a) permite una funcin objetivo no lineal
b) pasa por alto las restricciones de integralidad de las variables de
decisin
c) relaja las restricciones de no negatividad de las variables de decisin
d) todo lo anterior
Una solucin redondeada de un PLE a maximizar puede no ser factible porque
a) viola las restricciones de integralidad
b) viola las restricciones de no negatividad
c) su VO es menor que el VO del problema relajado
d) nada de lo anterior
39
4.
5.
40
Tabla N 12: Costo de produccin
PRODUCTO A
Produccin
Costo
(unidades)
unitario
0-50
$ 10
50-10
8
PRODUCTO B
Produccin
Costo
(unidades)
unitario
0-40
$7
40-100
3
VALOR PRESENTE
NETO
(miles de $)
1
2
3
4
5
6
Presupuesto
50
40
30
40
50
60
estimado
DESEMBOLSOS
REQUERIDOS
Ao 1
Ao 2
$ 10
$ 15
20
10
10
15
20
10
10
15
20
10
90
80
Ao 3
$ 10
5
10
5
10
5
50
41
.
2.1
j= 1,2,3, ....., n
42
> indica que la i-esima restriccin es equivalente a xki = 0 donde xki es la i-esima
variable de holgura.
i
43
SENTIDO DE LA
OPTIMIZACIN
Maximizacin
Minimizacin
SENTIDO DE LA
OPTIMIZACION
Maximizacin
CONDICIONES REQUERIDAS
Funcin Objetivo
Espacio Solucin
Cncava
Conjunto convexo
Convexa
Conjunto convexo
CONDICIONES REQUERIDAS
f(x)
gi(x)
Cncava
Convexa
Cncava
Lineal
0
0
Sin restriccin
(1ir)
( r+1 i p )
( p+1 i n )
Convexa
Convexa
Cncava
Lineal
0
0
Sin restriccin
(1ir)
( r+1 i p )
( p+1 i n )
Minimizacin
44
Problema de programacin cuadrtica: Maximice o minimice el valor de
una funcin objetivo CUADRATICA sujeta a un conjunto de restricciones lineales de
igualdad y desigualdad as como a condiciones de no negatividad sobre los valores
de las variables de decisin.
Es obvio que la nica diferencia en estos dos problemas se encuentra en la
forma funcional de la funcin objetivo.
Ejemplo de funciones cuadrticas:
9 x12 4 x1 7
3x12 4 x1 x 2 15 x 22 20 x1 13 x 2 14
Estas funciones son la suma de los trminos que incluyen los cuadrados de
las variables (por ejemplo, 3x12 ), productos cruzados (por ejemplo, 4 x1 x 2 ),
funciones lineales (por ejemplo, 20x1 ) y constantes (por ejemplo, 14). En general
una funcin cuadrtica en N variables se puede escribir bajo la forma
N
Ax
i 1
2
i
N 1
i 1
j i 1
ij
x i x j C i xi D
i 1
Puede observarse que cuando todos los coeficientes Ai y Bij son cero
entonces la funcin es lineal. Por consiguiente, una funcin lineal es un caso
especial de una funcin cuadrtica.
Ejemplo numrico:
Min z = ( x1 6) 2 ( x2 8) 2
s.a.
x1 7
x2 5
x1 2 x 2 12
x1 x 2 9
x1 , x 2 0
45
s.a.
Donde
(Vector en con componentes continuas), C es un vector de precios
con n componentes, Q es una matriz de nxn , simtrica y positiva definida, es decir ,
para toda
, excepto X = 0, b es el vector de recursos con m
componentes, A es una matriz de m*n coeficientes tecnolgicos y 0 es un vector con
n ceros.
El problema de optimizacin anterior tiene restricciones lineales, si Q es una
matriz nula se convierte en un problema de programacin lineal. Como Q es positiva
definida , implica que W es una funcin estrictamente convexa y por lo tanto el
mnimo si existe es global; si Q es negativa definida, W es estrictamente cncava y
si el mximo existe es global.
A continuacin se escribe el problema en notacin algebraica, se le aplican
los multiplicadores de Lagrange, se verifican las condiciones necesarias y
suficientes de Karush Kuhn- Tucker que deben existir en un ptimo global.
El mtodo de Wolfe sigue con la reescritura del problema original como un
problema de programacin lineal con holguras complementarias; ste ltimo
problema es equivalente al problema original. El problema de programacin lineal a
resolver ser de 2(m + n)n variables, m + n restricciones lineales y m + n
restricciones de holgura complementaria.
Ejemplo: Resolver el siguiente problema de programacin cuadrtica por el
mtodo de Wolfe :
46
Solucin grafica
Nos permite visualizar el ptimo, pero tiene la desventaja de servir
nicamente para representar pocas variables, hasta tres (3).
Ejemplo 1: Resolver el siguiente problema de programacin cuadrtica.
47
Min z = ( x1 6) 2 ( x2 8) 2
s.a.
x1 7
x2 5
x1 2 x 2 12
x1 x 2 9
x1 , x 2 0
48
i) No necesariamente existe un vrtice ptimo. Por lo tanto para solucionar
este problema no se puede usar un algoritmo como el simplex, que busca
el mejor vrtice.
ii) Como un resultado directo de i), puede existir ms variables positivas en
la solucin ptima que restricciones. Para el problema del ejemplo hay 5
variables positivas (x1, x2, s1, s2, s3) y solo 4 restricciones.
Solucin por computadora
Los problemas de PC del mundo real se solucionan con computadoras.
Decision Solution Unit Cost or
Total
Dual Basis
Variable Value Profit c(j) Contribution Slack Status
1
2
3
4
X1
X2
X1
X2
4.00
4.00
* X1
* X2
-12.00
-16.00
1.00
1.00
Objective
Constraint
1
2
3
4
C1
C2
C3
C4
Function
-48.00
-64.00
16.00
16.00
0
0
basic
basic
Allowable Allowable
Min. c(j) Max. c(j)
-17.00
-26.00
-7.00
-6.00
Left Hand
Right Hand
Slack Shadow Allowable Allowable
Side
Direction
Side
or Surplus Price Min.RHS Max. RHS
4.00
4.00
12.00
8.00
<=
<=
<=
<=
7.00
5.00
12.00
9.00
3.00
1.00
0
1.00
0
0
4.00
0
4.00
4.00
2.00
8.00
M
M
13.67
M
Ejercicios:
Resolver los siguientes problemas de programacin cuadrtica (PC):
1)
2)
3)
Min. z = 2 x12 2 x 22 6 x1 2 x1 x 2
s.a.
x1 x 2 2
x1 , x 2 0
49
4)
Min. z = 10 x1 20 x 2 x1 x 2 2 x12 2 x 22
s.a.
x 2 x3 8
x1 x 2 x 4 10
xi 0
i=1,2,3,4
Seleccin de Cartera
La seleccin de cartera es un problema fundamental en las finanzas
modernas.
Problema: Un inversionista tiene $P para invertir en un grupo de n acciones
y quisiera saber cuanto invertir en cada una de ellas. La combinacin seleccionada
se conoce como cartera del inversionista. El inversionista tiene metas
contradictorias: le gustara tener una cartera que tuviera al mismo tiempo un gran
rendimiento esperado y un riesgo pequeo. Estas metas son contradictorias porque
lo ms frecuente es que, en el mundo real, las carteras con alto rendimiento
esperado tengan tambin alto riesgo.
Alto rendimiento esperado = alto riesgo
Rendimiento: Supngase que una inversin de Di dlares se aplica al activo
i y suponga que durante algn perodo de tiempo especificado estos Di dlares se
convierten en 1.3Di
1.3Di Di
0.30
En este caso, el rendimiento durante ese perodo es de
Di
El riesgo se mide mediante la varianza del rendimiento en la cartera.
El gerente de cartera busca bajos riesgos con alto rendimiento esperado, una
forma de enmarcar el problema es minimizar, la varianza del rendimiento (e.i,
minimizar el riesgo) sujeto a un lmite inferior del rendimiento esperado. Tambin
pueden existir algunas restricciones sobre la parte de la cartera dedicada a acciones
individuales en particular.
2.3.1 Formulacin del modelo de cartera
Suponer que:
Xi es la proporcin de la cartera invertida en la accin i
Ejemplo: En un modelo de dos acciones si se tiene P dlares para invertir y
si la solucin ptima fuera X1 = 0.7 y X2 = 0.3 entonces se invertira un total de
0.7P dlares en la accin 1 y los restantes 0.3P dlares en la accin 2.
50
1.
2.
3.
4.
(varianza de rendimientos)
(Se tiene que invertir todos los fondos)
Lmite inferior sobre el rendimiento
esperado de la cartera
Lmites superiores sobre las
inversiones en acciones individuales
Solucin:
0.75
X2 0.90
X1, X 2 0
G = 0.03
12 0.02
(Varianza de rendimiento)
de la
cartera)
(Lmites superiores sobre las inversiones en acciones
individuales)
51
Decision
Variable
1
2
3
4
5
X1
X2
X1
X1
X2
Objective
Constraint
1
2
3
4
C1
C2
C3
C4
0
0
9.00
4.00
6.00
Function
0
0
1.19
0.93
2.43
Dual Basis
Slack Status
0
0
basic
basic
Allowable Allowable
Min.c(j)
Max. c(j)
-8.50
-2.50
2.50
8.50
(Min.) = 4.55
Left Hand
Right Hand Slack
Shadow Allowable Allowable
Side
Direction
Side
or Surplus Price
Min. RHS Max. RHS
1.00
3.45
0.36
0.64
=
>=
<=
<=
1.00
3.00
0.75
0.90
0
0.45
0.39
0.26
0
0
0
0
1.00
-M
0.36
0.64
M
3.45
M
M
52
Supngase que:
X = fraccin del activo x en la cartera
Y = fraccin del activo y en la cartera
Z = fraccin del activo z en la cartera
Usaremos la terminologa activo i para referirse al activo x, al activo y o al
activo z.
-
1 n
Rit Ri
n t 1
1 n t
Ri Ri R tj R j
n t 1
Definimos:
G = lmite inferior sobre el rendimiento esperado de la cartera.
Si = lmite superior sobre la fraccin del activo i que puede estar en la cartera.
En trminos de los parmetros, la formulacin de la programacin cuadrtica
del problema de tres activos es:
Min Z = X2 X 2 Y2Y 2 Z2 Z 2 2 XY XY 2 XZ XZ 2 YZYZ objetivo cuadrtico
s.a.
RXX + RYY + RZZ G
X + Y + Z
= 1
La regin factible es igual que en PL
X
SX
Y
SY
Z SZ
X, Y, Z 0
53
-
X R
i 1
X
i 1
N 1
i2 2 X i X j ij
2
i
i 1 j i 1
Ejemplo: Consideremos tres acciones y rendimientos histricos desde 19952006. Las tres acciones seleccionadas son Cementos Pacasmayo, Telefnica y
Electro Per. Los rendimientos para 1995-2006 son (datos tomadas de las SBS,
2006).
Tabla N 14: Rendimientos actuales
RENGLON
CEMENTOS
TELEFNICA
PACASMAYO
ELECTRO
PER
0.300
0.225
0.149
0.103
0.290
0.260
0.216
0.216
0.419
-0.046
-0.272
-0.078
-0.071
0.144
0.169
0.056
0.107
-0.035
0.038
0.321
0.133
0.089
0.305
0.732
0.090
0.195
0.021
10
0.083
0.390
0.131
11
0.035
-0.072
0.006
12
0.176
0.715
0.908
54
Definicin de rendimiento
El rendimiento en el ao n se define mediante
(precio de cierre, n) (precio de cierre, n-1) + (dividendos, n)
(precio de cierre, n-1)
Telefnica
Electro Per
1.08075E-02
1.24072E-02
1.30751E-02
5.83917E-02
5.54264E-02
9.42268E-02
Cementos
Pacasmayo
Telefnica
Electro Per
Rendimiento promedio
ACCION
Cementos Pacasmayo
Telefnica
Electro Per
RENDIMIENTO PROMEDIO
8.90833E-02
0.213667
0.234583
0.15
1
0.75
0.75
0.75
0
Solucin:
La solucin especifica una cartera de 52% para el activo Cementos Pacasmayo,
37% para Telefnica y 12% para el activo Electro Per. El rengln C1 es activo,
puesto que el rendimiento anual esperado es exactamente 15%. El valor ptimo
seala que la varianza del rendimiento anual es aproximadamente de 0.023, lo que
significa que la desviacin estndar es 0.023 15% .
Decision
Total
Dual
55
Variable
1
2
3
4
5
6
7
8
9
Profit c(j)
X1
0.52
0
X2
0.37
0
X3
0.12
0
X1
* X1
0.01
X1
* X2
0.02
X1
* X3
0.03
X2
* X2
0.06
X2
* X3
0.11
X3
* X3
0.09
Objective
Function
Constraint
1
2
3
4
5
Value
Contribution
Slack
Status
Min. c(j)
Max. c(j)
0
0
0
0.00
0.00
0.00
0.01
0.00
0.00
(Min.) = 0.023
0
0
0
basic
basic
basic
-0.17
-0.01
-0.03
0.01
0.02
0.01
Left Hand
Right Hand Slack
Shadow
Side
Direction
Side
or Surplus Price
C1
C2
C3
C4
C5
0.15
1.00
0.52
0.37
0.12
>=
=
<=
<=
<=
0.15
1.00
0.75
0.75
0.75
0
0
0.23
0.38
0.63
0.38
0.01
0
0
0
Allowable
Min. RHS
Allowable
Max. RHS
0.13
1.00
0.52
0.37
0.12
0.21
1.14
M
M
M
ACTIVIDAD 2
1.
2.
56
2.2 En un problema de PC con n variables (x 1, xn), la funcin objetivo quiz
no incluya trminos de la forma
2
a. s j
b. x i x j
2
c. x i .x j
d. 9 x i
2.3 Un PL es un caso especial de un PC porque
a. la regin factible de un PL es un caso especial de una regin
factible
de un PC.
b. las funciones de restriccin de un PL son un caso especial de funciones
de restriccin de un PC.
c. las condiciones de no negatividad son especiales de un PL.
d. la funcin objetivo de un PL es un caso especial de una funcin
objetivo de un PC.
2.4
57
Min. z = 10 x1 20 x 2 x1 x 2 2 x12 2 x 22
s.a.
x 2 x3 8
x1 x 2 x 4 10
xi 0
i=1,2,3,4
4.
ACTIVO Y
0.423
0.391
0.298
-0.275
0.148
0.136
0.421
0.395
0.198
0.384
ACTIVO Z
0.185
0.246
0.521
-0.084
0.169
-0.042
0.141
0.722
0.031
0.143
Se pide:
a)
b)
c)
5.
A
B
B
A
0.01
0.001
0.001
0.04
-0.04
0.08
58
Al finalizar el estudio del presente fascculo el estudiante ser capaz de:
3.1
59
que caracterizan un problema de programacin dinmica.
El procedimiento general de resolucin de estas situaciones
en el anlisis recursivo de cada una de las etapas del problema,
inverso, es decir comenzando por la ltima y pasando en cada
a la etapa antecesora. El anlisis de la primera etapa finaliza con la
del ptimo del problema.
3.2
se divide
en orden
iteracin
obtencin
60
3.3.1 El problema de la diligencia
Ejemplo 1:
Considrese el grfico que contempla las rutas posibles para ir desde la ciudad 1
hasta la ciudad 10. Cada nodo representa una ciudad y los arcos la infraestructura
vial disponible. La tabla recoge el costo asociado al desplazamiento entre cada
par de nodos para cada una de las etapas. Supondremos que todos
los
desplazamientos tienen la misma duracin, y que el viaje ha de realizarse en
cuatro etapas. Cada una de ellas se corresponde con un nico
desplazamiento
entre un par de nodos del grafo, as al finalizar la primera etapa estaremos en una
de las ciudades 2, 3 4. La segunda etapa finalizar en la ciudad 5, la nmero 6
la nmero7. La tercera jornada nos llevar a la ciudad 8 o a la nmero 9. La cuarta
etapa permite finalizar el viaje en la ciudad 10.
5
8
10
6
9
7
5
10
Identifica el
nodo fin
Peso,
lb
1000
1100
700
800
500
Volumen,
3
pies
70
100
100
80
50
Valor
bonificacin
700
800
1100
1000
700
primera
restriccin
La solucin es:
mximo
P(n).
{C(n,P(n),i+P(n)-D(n))
f(n-1,i+P(n)-D(n))}
para
todo
Ejemplo 3:
La tabla muestra los datos del siguiente problema de produccin e inventario: la
demanda para los meses de enero, febrero, marzo y abril es de 4, 5, 3 y 4
unidades, respectivamente. Las capacidades de produccin son de 6, 4, 7, y
5
unidades; las capacidades de almacenaje son 4, 3, 2 y 4 unidades
respectivamente. Los costos de preparacin varan de un mes a otro y son: 500,
450, 500 y 600 u.m. para enero, febrero, marzo y abril.
Mes
Costos
Demanda
Enero
Febrero
Marzo
Abril
500
450
500
600
4
5
3
4
Capacidad de
produccin
6
4
7
5
Capacidad de
Almacenamiento
4
3
2
4
Las cantidades a producir mostradas en la tabla son de tal forma que permiten
un costo mnimo en la planeacin: se deben producir 5, 4, 3 y 4 unidades para los
meses de enero, febrero, marzo y abril respectivamente. El costo total es de
$7080, dividido en $2050 por concepto de costos de preparacin y $5030 de
costos variables. La tabla tambin muestra el juego de inventarios resultante de la
produccin y la demanda mensuales.
ACTIVIDAD 3:
1. Suponga que se desea seleccionar la ruta ms corta entre las ciudades O y T. La red
a continuacin muestra las rutas posibles entre ambas ciudades, las cuales cruzan
por las ciudades intermedias A-E.
A
12
D
7
8
8
T
O
7
9
5
C
13
Sectores:
1
2
0
0
45
20
70
45
90
75
105
110
120
150
3
0
50
70
80
100
130
Poda
Raleo
0 da
1 da
2 das
3 das
0.50
0.42
0.36
0.25
0.60
0.51
0.41
0.36
Cosecha
0.40
0.35
0.21
0.18
4.1 Introduccin
Comnmente los inventarios estn relacionados con la mantencin de
cantidades suficientes de bienes (insumos, repuestos, etc.), que garanticen una
operacin fluida en un sistema o actividad comercial. La forma efectiva de manejar
los inventarios es minimizando su impacto adverso, encontrando un punto medio
entre la poca reserva y el exceso de reserva. Esta actitud prevaleci en los pases
industrializados de Occidente, incluso despus de la segunda guerra mundial,
cuando Japn instaur con gran xito el sistema (famoso ahora) "Just in time",
ambiente que requiere un sistema de produccin (casi) sin inventario.
Definicion Just In Time: "JIT es una concepcin tendiente a eliminar los
inventarios, mediante mejoras en la calidad y reduccin de desperdicios. JIT
considera los inventarios como resultados de deficiencias en los componentes de la
produccin, tales como: diseo de productos; control de calidad; seleccin de
equipos; administracin del material, etc. Al eliminar estas imperfecciones, el
proceso productivo puede equilibrarse y la dependencia del flujo de produccin de
los inventarios puede minimizarse o eliminarse. El sistema JIT es muy adecuado
para la fabricacin de carcter repetitivo, en consecuencia los requerimientos de las
tcnicas tradicionales de control de inventario para otro tipo de procesos productivos
o de servicios, continuaran por cierto tiempo."
En la mayora de las situaciones del mundo real, el manejo de inventario
involucra un nmero apreciable de productos que varan en precio, desde aquellos
relativamente econmicos hasta los muy costosos. El inventario representa
realmente el capital ocioso, es natural que se ejerza un control en aquellos artculos
que sean responsables en el incremento en el costo de capital. Empricamente se ha
comprobado que un pequeo nmero de productos del inventario son los que suelen
incurrir en parte importante del costo del capital, por ende, son los que deben estar
sujetos a control ms estricto. ABC es un procedimiento simple que puede ser
utilizado para separar los artculos que requieran atencin especial en trminos de
control. Dicho procedimiento sugiere graficar el porcentaje de artculos del inventario
total contra el porcentaje del valor monetario total de estos artculos en un perodo
dado (generalmente un ao).
4.2
Modelos Deterministas
4.4
Ejemplo 1:
La materia prima principal para la creacin de un producto cuesta $20 por
unidad. Cada unidad del producto final requiere una unidad de esa materia
prima. Si la demanda para el prximo ao es de 1000 unidades Qu cantidad
se debe pedir?
Cada orden por ms unidades cuesta $5 y el costo de almacenaje por unidad por
ao es de $4.
En
la
ventana
Especificaciones
del
problema
de
inventario
(Inventory Problem Specification) procedemos a digitar los datos bsicos para la
solucin del problema:
Grficos resultantes
Podremos tambin realizar un anlisis grfico de los costos de este
sistema activando la opcin Anlisis grfico de los costos (Graphic Cost Analysis)
en el men Resultados (Results):
nueva orden es de $25. Una unidad faltante en inventario tiene un costo para la
empresa de $70.
La empresa cuenta con un inventario inicial de 100 unidades. Se desea prestar
un nivel de servicio del 98%, determinar la utilidad del modelo.
En la ventana Especificaciones del problema de inventario
(Inventory Problem Specification) procedemos a ingresar los datos bsicos del
problema, seleccionando el modelo de inventario adecuado:
El problema nos pide trabajar con una demanda con comportamiento normal:
4)
5)
Introduccin
No importa en qu cola se site: La otra siempre avanzar ms rpido
(Primera Ley de Harper)
Y si se cambia de cola, aqulla en la que estaba al principio empezar a ir ms
deprisa (Segunda Ley de Harper)
Las "colas" son un aspecto de la vida moderna que nos encontramos
continuamente en nuestras actividades diarias. En el contador de un supermercado,
en los Bancos, etc., el fenmeno de las colas surge cuando unos recursos
compartidos necesitan ser accedidos para dar servicio a un elevado nmero de
trabajos o clientes.
El estudio de las colas es importante porque proporciona tanto una base
terica del tipo de servicio que podemos esperar de un determinado recurso, como
la forma en la cual dicho recurso puede ser diseado para proporcionar un
determinado grado de servicio a sus clientes.
Debido a lo comentado anteriormente, se plantea como algo muy til el
desarrollo de una herramienta que sea capaz de dar una respuesta sobre las
caractersticas que tiene un determinado modelo de colas.
5.2
Definiciones iniciales
clientes llegan buscando un servicio de algn tipo y salen despus de que dicho
servicio haya sido atendido. Podemos modelar los sistemas de este tipo tanto como
colas sencillas o como un sistema de colas interconectadas formando una red de
colas. En la siguiente figura podemos ver un ejemplo de modelo de colas sencillo.
Este modelo puede usarse para representar una situacin tpica en la cual los
clientes llegan, esperan si los servidores estn ocupados, son servidos por un
servidor disponible y se marchan cuando se obtiene el servicio requerido.
El problema es determinar qu capacidad o tasa de servicio proporciona el
balance correcto. Esto no es sencillo, ya que un cliente no llega a un horario fijo, es
decir, no se sabe con exactitud en que momento llegarn los clientes. Tambin el
tiempo de servicio no tiene un horario fijo.
Los problemas de colas se presentan permanentemente en la vida diaria: un
estudio en EEUU concluy que, por trmino medio, un ciudadano medio pasa cinco
aos de su vida esperando en distintas colas, y de ellos casi seis meses parado en
los semforos.
5.3 Introduccin a la Teora de Colas
En muchas ocasiones en la vida real, un fenmeno muy comn es la
formacin de colas o lneas de espera. Esto suele ocurrir cuando la demanda real de
un servicio es superior a la capacidad que existe para dar dicho servicio. Ejemplos
reales de esa situacin son: los cruces de dos vas de circulacin, los semforos, el
peaje de una autopista, los cajeros automticos, la atencin a clientes en un
establecimiento comercial, la avera de electrodomsticos u otro tipo de aparatos
que deben ser reparados por un servicio tcnico, etc.
Todava ms frecuentes, si cabe, son las situaciones de espera en el contexto
de la informtica, las telecomunicaciones y, en general, las nuevas tecnologas. As,
por ejemplo, los procesos enviados a un servidor para ejecucin forman colas de
espera mientras no son atendidos, la informacin solicitada, a travs de Internet, a
un servidor Web puede recibirse con demora debido a congestin en la red o en el
servidor propiamente dicho, podemos recibir la seal de lneas ocupadas si la
central de la que depende nuestro telfono mvil est colapsada en ese momento,
etc.
5.3.1 Origen
El origen de la Teora de Colas est en el esfuerzo de Agner Kraup Erlang
(Dinamarca, 1878 - 1929) en 1909 para analizar la congestin de trfico telefnico
con el objetivo de cumplir la demanda incierta de servicios en el sistema telefnico
de Copenhague. Sus investigaciones acabaron en una nueva teora denominada
teora de colas o de lneas de espera. Esta teora es ahora una herramienta de valor
en negocios debido a que un gran nmero de problemas pueden caracterizarse,
como problemas de congestin llegada-salida.
5.3.2 Modelo de formacin de colas
En los problemas de formacin de cola, a menudo se habla de clientes, tales
como personas que esperan la desocupacin de lneas telefnicas, la espera de
mquinas para ser reparadas y los aviones que esperan aterrizar y estaciones de
servicios, tales como mesas en un restaurante, operarios en un taller de reparacin,
pistas en un aeropuerto, etc. Los problemas de formacin de colas a menudo
contienen una velocidad variable de llegada de clientes que requieren cierto tipo de
servicio, y una velocidad variable de prestacin del servicio en la estacin de
servicio.
Cuando se habla de lneas de espera, se refieren a las creadas por clientes o
por las estaciones de servicio. Los clientes pueden esperar en cola simplemente por
que los medios existentes son inadecuados para satisfacer la demanda de servicio;
en este caso, la cola tiende a ser explosiva, es decir, a ser cada vez mas larga a
medida que transcurre el tiempo. Las estaciones de servicio pueden estar
esperando por que los medios existentes son excesivos en relacin con la demanda
de los clientes; en este caso, las estaciones de servicio podran permanecer ociosas
la mayor parte del tiempo. Los clientes puede que esperen temporalmente, aunque
las instalaciones de servicio sean adecuadas, por que los clientes llegados
anteriormente estn siendo atendidos. Las estaciones de servicio pueden encontrar
temporal cuando, aunque las instalaciones sean adecuadas a largo plazo, haya una
escasez ocasional de demanda debido a un hecho temporal. Estos dos ltimos
casos tipifican una situacin equilibrada que tiende constantemente hacia el
equilibrio, o una situacin estable.
En la teora de la formacin de colas, generalmente se llama sistema a un
grupo de unidades fsicas, integradas de tal modo que pueden operar al unsono con
una serie de operaciones organizadas. La teora de la formacin de colas busca una
solucin al problema de la espera prediciendo primero el comportamiento del
sistema. Pero una solucin al problema de la espera consiste en no solo en
minimizar el tiempo que los clientes pasan en el sistema, sino tambin en minimizar
los costos totales de aquellos que solicitan el servicio y de quienes lo prestan.
La teora de colas incluye el estudio matemtico de las colas o lneas de espera y
provee un gran nmero de modelos matemticos para describirlas.
La disciplina FIFO (first in first out), tambin llamada FCFS (first come first
served): segn la cual se atiende primero al cliente que antes haya llegado.
La disciplina LIFO (last in first out), tambin conocida como LCFS (last come
first served) o pila: que consiste en atender primero al cliente que ha llegado
el ltimo.
La RSS (random selection of service), o SIRO (service in random order), que
selecciona a los clientes de forma aleatoria.
Mecanismo de servicio: Es el procedimiento por el cual se da servicio a los
clientes que lo solicitan. Para determinar totalmente el mecanismo de servicio
debemos conocer el nmero de servidores de dicho mecanismo (si dicho nmero
fuese aleatorio, la distribucin de probabilidad del mismo) y la distribucin de
probabilidad del tiempo que le lleva a cada servidor dar un servicio. En caso de que
los servidores tengan distinta destreza para dar el servicio, se debe especificar la
distribucin del tiempo de servicio para cada uno.
Canal
Mecanismo de Servicio
Llegada de un
Cliente
Cola
Fuente de Entrada
Disciplina de la Cola
Sistema de la Cola
Servicio
___/___/___
Distribucin de
tiempo entre
llegadas
Distribucin de
tiempos de
servicio
Nmero de
servidores
(n): Tasa media de servicio para todo el sistema (nmero esperado clientes
que completan su servicio por unidad de tiempo) cuando hay n clientes en el
sistema.
5.3.5 El proceso de llegada
Existen dos clases bsicas de tiempo entre llegadas:
Determinstico, en el cual clientes sucesivos llegan en un mismo intervalo de
tiempo, fijo y conocido. Un ejemplo clsico es el de una lnea de ensamble, en
donde los artculos llegan a una estacin en intervalos invariables de tiempo
(conocido como ciclos de tiempo).
Probabilstico, en el cual el tiempo entre llegadas sucesivas es incierto y
variable. Los tiempos entre llegadas probabilsticos se describen mediante una
distribucin de probabilidad.
En el caso probabilstico, la determinacin de la distribucin real, a menudo,
resulta difcil. Sin embargo, una distribucin, la distribucin exponencial, ha probado
ser confiable en muchos de los problemas prcticos. La funcin de densidad, para
una distribucin exponencial depende de un parmetro, digamos (letra griega
lambda), y est dada por:
f(t)=(1/ ) e-*T
en donde (lambda) es el nmero promedio de llegadas en una unidad de tiempo.
Con una cantidad, T, de tiempo se puede hacer uso de la funcin de densidad
para calcular la probabilidad de que el siguiente cliente llegue dentro de las
siguientes T unidades a partir de la llegada anterior, de la manera siguiente:
P(tiempo entre llegadas T) = 1- e-*T
Ejemplo: Si los clientes llegan al banco con una rapidez promedio de =20
por hora y si un cliente acaba de llegar, entonces la probabilidad de que el siguiente
llegue dentro de los siguientes 10 minutos (es decir Y=1/6 de hora) es:
P(tiempo entre llegadas 1/6 hora) = 1 e -20*(1/6)
= 1 e-3.3333
= 1 0.036
= 0.964
5.3.6 El proceso de servicio
El proceso de servicio define cmo son atendidos los clientes. En algunos
casos, puede existir ms de una estacin en el sistema en el cual se proporcione el
servicio requerido. Los bancos y los supermercados, de nuevo, son buenos
ejemplos de lo anterior. Cada ventanilla y cada registradora son estaciones que
proporcionan el mismo servicio. A tales estructuras se les conoce como sistemas de
colas de canal mltiple. En dichos sistemas, los servidores pueden ser idnticos, en
W = Wq + 1/
de modo que:
L = * W
Utilizando una lgica parecida se obtiene la siguiente relacin entre el nmero
promedio de clientes que esperan en la cola y el tiempo promedio de espera en la
fila:
{Tiempo promedio de clientes en el sistema} = {Nmero promedio de llegadas por
unidad de tiempo} * {Unidad de tiempo en la cola}
de manera que:
Lq = * Wq
Resumen:
La teora de las colas es el estudio matemtico de las colas o lneas de
espera. La formacin de colas es, por supuesto, un fenmeno comn que ocurre
siempre que la demanda efectiva de un servicio excede a la oferta efectiva.
Con frecuencia, las empresas deben tomar decisiones respecto al caudal de
servicios que debe estar preparada para ofrecer. Sin embargo, muchas veces es
imposible predecir con exactitud cundo llegarn los clientes que demandan el
servicio y/o cuanto tiempo ser necesario para dar ese servicio; es por eso que esas
decisiones implican dilemas que hay que resolver con informacin escasa. Estar
preparados para ofrecer todo servicio que se nos solicite en cualquier momento
puede implicar mantener recursos ociosos y costos excesivos. Pero, por otro lado,
carecer de la capacidad de servicio suficiente causa colas excesivamente largas en
ciertos momentos. Cuando los clientes tienen que esperar en una cola para recibir
nuestros servicios, estn pagando un coste, en tiempo, ms alto del que esperaban.
Las lneas de espera largas tambin son costosas por tanto para la empresa ya que
producen prdida de prestigio y prdida de clientes.
La teora de las colas en si no resuelve directamente el problema, pero
contribuye con la informacin vital que se requiere para tomar las decisiones
concernientes prediciendo algunas caractersticas sobre la lnea de espera:
probabilidad de que se formen, el tiempo de espera promedio.
Para que este sistema alcance una condicin de estado estable, la tasa de
servicio promedio, , debe ser mayor que la tasa de llegadas promedio, . Si ste no
fuera el caso, la cola del sistema continuar creciendo debido a que, en promedio,
llegaran ms clientes que los que pueden ser atendidos por unidad de tiempo.
Ejemplo: El problema de colas del MTC tiene un nmero de estaciones para
el pesado de camiones a lo largo de la autopista Huancayo-Lima, para verificar que
el peso de los vehculos cumple con las regulaciones estipuladas. La administracin
del MTC est considerando mejorar la calidad del servicio en sus estaciones de
pesado y ha seleccionado una de las instalaciones como modelo a estudiar, antes
de instrumentar los cambios. La administracin desea analizar y entender el
desempeo del sistema actual durante las horas pico, cuando llega a la bscula el
mayor nmero de camiones, suponiendo que el sistema puede desempearse bien
durante este perodo, el servicio en cualquier otro momento ser an mejor.
El gerente de operaciones siente que el sistema actual cumple con las cuatro
condiciones presentadas anteriormente. Su siguiente paso es estimar las tasas
promedio de llegada y de servicio en dicha estacin. De los datos disponibles,
suponga que la gerencia determina que los valores son:
= nmero promedio de camiones que llegan por hora = 60
= nmero promedio de camiones que pueden ser pesados por hora = 66
El valor de = 66 es mayor que el de = 60, de modo que es posible hacer el
anlisis de estado estable de este sistema.
5.4.1 Clculo de las medidas de rendimiento
(*) Intensidad de trfico:
= / = 60/66 = 0.9091
Mientras ms cerca est de 1, ms cargado estar el sistema, lo cual tiene como
resultado colas ms largas y tiempos de espera ms grandes.
En trminos de , y , las medidas de rendimiento, para el problema del
MTC, se calculan de la manera siguiente:
1. Probabilidad de que no haya clientes en el sistema (P 0)
P0 = 1 = 1 0.9091 = 0.0909
Este valor indica que aproximadamente 9% del tiempo un camin que
llega no tiene que esperar a que se le proporcione el servicio porque la
estacin de pesado est vaca; o, aproximadamente 91% del tiempo un
camin que llega tiene que esperar.
2. Nmero promedio en la fila (Lq)
Lq = 2 / 1 = (0.9091)2 / 1 0.9091 = 9.0909
En el estado estable, en promedio, la estacin de pesado puede esperar
tener aproximadamente nueve camiones esperando para obtener el
servicio (sin incluir al que est pesando).
3. Tiempo promedio de espera en la cola (Wq)
Wq = Lq / = 9.0909 / 60 = 0.1515
Este valor indica que, en promedio, un camin tiene que esperar 0.1515
horas, aproximadamente 9 minutos, en la fila antes de que empiece el
proceso de pesado.
4. Tiempo promedio de espera en el sistema (W)
W = Wq + 1/ = 0.1515 + 1/66 = 0.1667
Este valor indica que, en promedio, un camin invierte 0.1667 horas, 10
minutos, desde que llega hasta que sale.
5. Nmero promedio en el sistema (L)
L = * W = 60 * 0.1667 = 10
Este valor indica que, en promedio, existe un total de 10 camiones en la
estacin de pesado, ya sea en la bscula o esperando a ser atendidos.
6. Probabilidad de que un cliente que llega tenga que esperar (p w)
pw = 1 - P0 = = 0.9091
Este valor indica que aproximadamente 91% del tiempo un camin que
llega tiene que esperar.
7. Probabilidad de que haya n clientes en el sistema (Pn)
Pn = n * P0
Utilizando esta frmula se obtienen las siguientes probabilidades:
n
0
1
2
3
.
.
.
Pn
0.0909
0.0826
0.0751
0.0683
.
.
.
Las primeras tres lneas del primer cuadro muestran los datos de entrada.
Especficamente, este sistema consiste en un servidor, con tasa de llegada de 70
camiones por hora, y una tasa de servicio de 73 camiones por hora.
En el segundo cuadro se enumera los valores de las diferentes medidas de
rendimiento. La gerencia est particularmente preocupada tanto por el tiempo
promedio que un conductor de camin invierte en el sistema como por el nmero
esperado de camiones que esperan en la rampa. De los resultados que se
presentan en este cuadro, en promedio, un conductor de camin pasa 0.3333 horas
(20 minutos) desde el inicio al final del proceso (W). Tambin que el nmero
promedio de camiones que esperan en la rampa es de aproximadamente 22 (L q =
22.3744).
Basndose en estos resultados, la gerencia del MTC encuentra que tal nivel
de rendimiento es inaceptable. No solo porque los conductores se quejarn del
hecho de tener que tardar 20 minutos en el sistema, sino tambin porque la longitud
P0 =
s 1
n0
n!
1
s s
*
s! s
donde
n 0 1
s 1
...
0! 1!
( s 1)!
n 0 n!
s 1
n (1.75) 0 (1.75)1
= 1 + 1.75 = 2.75
0!
1!
n 0 n!
s 1
s
s
(1.75) 2
2
*
1.53125 * 8 12.25
n! s
2!
2 1.75
P0
1
1
0.06667
2.75 12.25 15
s 1
1
(1.75)3
1
*
*
P
*
* 0.06667
0
2
( s 1)! ( s )
1!
(2 1.75) 2
Lq
5.7167
0.081667
70
Este valor indica que en promedio, un camin tiene que esperar 0.0817
horas, aproximadamente 5 minutos, en la fila antes de iniciar el proceso
de pesado.
4. Tiempo promedio de espera en el sistema (W)
W Wq
1
1
0.081667
0.081667 0.025 0.10667
40
Este valor indica que en promedio, un camin tiene que esperar 0.10667
horas, aproximadamente 7 minutos, desde que llega hasta que sale de la
estacin.
5. Nmero promedio en el sistema (L)
L * W 70 * 0.10667 7.4667
Este valor indica que, en promedio, se tienen entre siete y ocho camiones
esperando en la estacin, ya sea en la bscula o en espera de ser
atendidos.
6. Probabilidad de que un cliente que llega tenga que esperar (p w)
pw
1
s
1
2
*s *
* P0 * (1.75) 2 *
* 0.06667
s!
s
2!
2 1.75
Este valor indica que aproximadamente 82% de las veces un camin que
llega tiene que esperar o, de manera equivalente, aproximadamente 18%
de las veces un camin que llega es pesado sin que tenga que esperar.
7. Probabilidad de que haya n clientes en el sistema (Pn)
Si n s:
Pn
n
* P0
n!
Pn
0.06667
0.11667
0.10210
Si n > s
Pn
n
* P0
( s!) s n s
n
3
4
.
.
.
Pn
0.08932
0.07816
.
.
.
s 1
s 2
1
U 1 P0
P1
P2 ... Ps 1
s
s
s
1
1 P0 P1 1 0.06667 (0.5 * 0.11667 ) 1 0.125 0.875
2
Este valor indica que cada bscula est ocupada 87% del tiempo.
5.5.2 Interpretacin de las medidas de rendimiento
Los resultados de la evaluacin de las frmulas con el paquete de cmputo
WINQSB, para el sistema de colas propuesto por el MTC, se muestra en el cuadro
siguiente. Las primeras tres lneas corresponden a los datos de entrada. Este
sistema tiene una tasa de llegada de 70 camiones por hora y dos servidores, con
una tasa promedio de servicio de 40 camiones por hora en cada servidor.
1. Suponga que un cajero bancario puede atender a los clientes a una velocidad
promedio de diez clientes por hora ( = 10). Adems, suponga que los clientes
llegan a la ventanilla del cajero a una tasa promedio de 7 por hora ( = 7). Se
considera que las llegadas siguen la distribucin exponencial. En la condicin
uniforme del sistema de colas, cules son las caractersticas de desempeo?
(calcule las medidas de rendimiento y luego interprtelos).
Ahora es posible evaluar el desempeo del sistema de colas. El administrador
tendr que tomar en consideracin el tiempo perdido del prestador del servicio
(30%), el tiempo que espera el cliente (0.233 horas) y la longitud de la lnea que
se forma ( 1.63 clientes). Si este rendimiento es inaceptable se puede colocar
un segundo prestador del servicio o hacer otros cambios en las caractersticas
de las llegadas, de la cola o del portador de los servicios?. Explique.
2.
UNIDAD 6: SIMULACION
Indicadores de logro:
Al finalizar el estudio del presente fascculo el estudiante ser capaz de:
Introduccin
Simulacin es la experimentacin con un modelo de una hiptesis o un
conjunto de hiptesis de trabajo.
Thomas H. Naylor y R. Bustamante la definen as: "Simulacin es una tcnica
numrica para conducir experimentos en una computadora digital. Estos
experimentos comprenden ciertos tipos de relaciones matemticas y lgicas, las
cuales son necesarias para describir el comportamiento y la estructura de sistemas
complejos del mundo real a travs de largos periodos de tiempo".
Una definicin ms formal formulada por R.E. Shannon es: "La simulacin es
el proceso de disear un modelo de un sistema real y llevar a trmino experiencias
con l, con la finalidad de comprender el comportamiento del sistema o evaluar
nuevas estrategias -dentro de los limites impuestos por un cierto criterio o un
conjunto de ellos - para el funcionamiento del sistema".
Etapas para realizar un estudio de simulacin
Coleccin de datos
Es importante que se definan con claridad y exactitud los datos que el modelo
va a requerir para producir los resultados deseados.
Validacin
A travs de esta etapa es posible detallar deficiencias en la formulacin del
modelo o en los datos alimentados al modelo. Las formas ms comunes de validar
un modelo son:
1.
2.
3.
4.
Interpretacin
Documentacin
Dos tipos de documentacin son requeridos para hacer un mejor uso del
modelo de simulacin. La primera se refiere a la documentacin del tipo tcnico y la
segunda se refiere al manual del usuario, con el cual se facilita la interaccin y el uso
del modelo desarrollado.
6.3
Modelos de simulacin
6.4
Simulacin en informtica
Simulacin en la preparacin
Simulacin en la educacin
Simulacin mdica
Juan
Tasa de Atencin:
0.067 cliente /
minuto
Tasa de llegada:
0.1 cliente / minuto
Hay que considerar que los bancos emplean un sistema de espera de tipo
PEPS (FIFO First In First Out), es decir, los primeros clientes en entrar
sern los primeros en ser atendidos.
Para ingresar esta informacin registramos la cantidad de actores
participantes en la ventana Especificaciones del Problema (Problem
Specification).
Beta (Beta)
Binomial (Binomial)
Constante (Constant)
Discreta (Discrete)
Erlang (Erlang)
Exponencial (Exponential)
Gamma (Gamma)
Hypergeomtrica (Hypergeometric)
Laplace (Laplace)
Normal (Normal)
Pareto (Pareto)
Poisson (Poisson)
Funcin de poder (Power Function)
Triangular (Triangular)
Uniforme (Uniform)
Weibull (Weibull)
El
Se puede observar que en los 100 minutos llegaron 1123 clientes (Total
Number of Arrival) El tiempo de espera promedio fue de 0.1879 (Average
Waiting Time). El nmero mximo de personas en el sistema fue de 17: 15 en
espera y 2 siendo atendidos (Maximun Numberin the System). En promedio
permanecieron 2,2144 personas en el sistema (Average Number in the System).
Un anlisis desde el punto de vista de los cajeros nos muestra ms
informacin de la simulacin:
El problema quedara:
ACTIVIDAD 6:
Fila 1
Fila 2
Fila 3
Mega Centro es una tienda que compra videos de estreno a S/. 25 la copia, los
renta en S/. 3 al da y despus de un mes los vende a otra tienda en S/. 5 la
Probabilidad
0.15
0.25
0.45
0.10
0.05
Bibliografa
ARBONAS, M.E. Optimizacin Industrial (I): Distribucin de los recursos.
Coleccin Productica No. 26. Marcombo S.A, 1989.
ARBONAS, M.E. Optimizacin Industrial (II): Programacin de recursos.
Coleccin Productica No. 29. Marcombo S.A, 1989.
BELLO PREZ, Carlos. Manual de produccin aplicado a las pequeas y
medianas empresas. Editorial ECOE EDICIONES. Colombia, 1997.
BELLO PREZ, Carlos. Pronsticos Empresariales: Como Proyectar su Empresa
al Futuro. ECOE EDICIONES. Colombia, 2000.
BUFFA, E. Operations Management:
Revolucionaria. La Habana, 1968.
Problems
and
Models.
Edicin
Aplicaciones
en
NDICE
Pg.
PRESENTACION
UNIDAD 1: PROGRAMACION LINEAL ENTERA
1.1 Introduccin.
1.2 Clasificacin de los Modelos de Programacin Lineal Entera
1.3 Mtodos de solucin para resolver problemas de Programacin Lineal
Entera
1.4 Relajacin PL..
1.5 Aplicaciones de Problemas de Programacin Entera..
1.6 Programacin Lineal Entera: El Enfoque Grfico.
1.7 Programacin Lineal Entera: Un Enfoque Conceptual
1.7.1 Enumeracin de las soluciones enteras posibles..
1.7.2 El mtodo de ramificacin y acotamiento: Un Enfoque Conceptual..
1.7.3 Programacin Lineal Entera: Uso de la computadora
1.7.4 Resolucin de Problemas de Programacin Lineal Entera
03
03
04
40
40
40
41
48
57
57
58
58
59
59
60
64
67
05
06
07
07
12
12
13
13
21
86
86
86
87
88
91
91
92
93
94
100
100
103
104
104
UNIDAD 6: SIMULACION..
6.1 Introduccin
6.2 Etapas para realizar un estudio de simulacin.
6.3 Modelos de simulacin.
6.3.1 Modelo terico.
6.3.2 Modelo conceptual..
6.3.3 Modelo sistmico.
6.4 Simulacin por computadora..
6.5 Simulacin en Informtica
6.6 Simulacin en la preparacin..
6.7 Simulacin en la Educacin.
6.8 Simulacin en las Ciencias Naturales
6.9 Simulacin Mdica
6.10 Simulacin con el WINQSB..
6.10.1 Ejemplo de simulacin..
6.10.2 Analizando los modelos
6.10.3 Simulacin en modo grfico.
109
109
109
110
111
111
111
111
112
113
113
113
114
114
114
118
121
BIBLIOGRAFA.
110
96
96
98