Inventarios

GESTIÓN DE INVENTARIOS

CLASIFICAIÓN DE LOS INVENTARIOS

 Demanda dependiente: Es aquella que es causada por las necesidades de un

semiterminado o un artículo de mas alto nivel en el proceso de valor agregado. Por
ejemplo: las llantas, los motores, etc. son artículos cuyas necesidades dependen de la
demanda de automóviles.
 Demanda independiente: Es aquella que surge a partir de decisiones ajenas
a la empresa, es decir, es determinada directamente por las necesidades del mercado.
Dentro de este grupo, es posible realizar una subdivisión: Demanda Independiente
Constante y Demanda Independiente Variable.
Teniendo en cuenta la anterior clasificación, se ha procedido a agrupar los diferentes
modelos de inventario de demanda dependiente que se han desarrollado.

MODELO GENERAL DE INVENTARIO

 Una política de inventario se encarga de dar respuesta a dos interrogantes básicos:
¿Cuánto pedir? y ¿Cuándo pedir?. Para resolver tales cuestiones basta con hacer uso
de una sencilla ecuación:

 El Costo de Compra se refiere al precio por unidad del artículo.

 El Costo de Preparación es el costo fijo incurrido cuando se coloca un
pedido, este costo no tiene relación con la cantidad pedida.
 El Costo de Almacenamiento es el costo de mantener una existencia
en el inventario.
 El Costo de Faltante es la penalización en la que se incurre cuando se
terminan las existencias.
MODELOS DETERMINÍSTICOS DE INVENTARIO

MODELO EOQ SIN FALTANTE

Modelo de Calidad Económica de Pedido (CEP) o Modelo EOQ por sus siglas en inglés
(Economic Order Quality), fue desarrollado por Ford Harris alrededor del año 1915.
La función de este modelo es calcular la cantidad que debe pedirse o producirse
minimizando los costos de colocación del pedido para inventario y los costos de
manejo de inventario. El modelo EOQ se basa en los siguientes supuestos:
1. La demanda es constante y conocida. La demanda de un producto no influye en
la de otro.
2. No existe incertidumbre en la demanda, la oferta y el tiempo de entrega. No se
presenta agotamiento de existencias.
3. Se genera un costo por mantener existencias en inventario.
4. Cada vez que se coloca un pedido se incurre en un costo.
5. Los costos por mantener existencias en inventario y por colocar pedidos no se
ven afectados por el tamaño del pedido.
6. La reposición es instantánea, no hay entregas parciales.
En base a los anteriores supuestos, se puede graficar el comportamiento de las
cantidades en función del tiempo.
 Niveles de inventario en un modelo EOQ sin faltante.

Del anterior gráfico se deduce que Q son las cantidades del pedido, d es el índice de
demanda y t es el tiempo.Teniendo en cuenta la ecuación que determina el costo total
de inventario, se puede deducir una nueva ecuación basada en supuestos
geométricos:

Es necesario expresar tal ecuación en función del tiempo, para esto se divide en
ambos lados de la igualdad por la expresión correspondiente al tiempo:

Realizando las operaciones correspondientes a reducción de términos semejantes, se

obtiene la siguiente ecuación final:
La anterior expresión determina el valor total por tiempo de unidad, pero como lo que
se desea obtener es el valor óptimo de tal función, que se representa por el punto en
que se interceptan el Costo por mantener existencias en el inventario (Cmi), el Costo
por pedir (Cp) y la proyección del punto inferior de la curva que determina el Costo
Total Anual (Ctanual).

Para obtener el punto óptimo, se procede a minimizar la función Costo Total Anual
respecto a Q. Suponiendo que Q es continua, una condición necesaria para encontrar
el valor óptimo es:

Teniendo esa condición presente, se procede a derivar la función y a realizar el

despeje correspondiente para obtener el punto óptimo Q:
De la anterior ecuación se deduce que:
1. Cuando la demanda es menor que la óptima, el costo de pedir es mayor que
el costo de mantener existencias en el inventario.
2. Si la demanda es la óptima, el costo de pedir y el de mantener en el
inventario son iguales.
3. Si la demanda es mayor que la óptima, el costo de pedir es menor que el costo
de mantener existencias en el inventario.

MODELO EOQ CON FALTANTE

En este modelo se admiten todos los supuestos, anteriormente enunciados del EOQ, con
la excepción de que en este caso, si se admiten faltantes. Es decir, si el cliente permite
que su pedido se satisfaga algún tiempo después, en caso de que no se encuentre
disponible algún artículo que éste haya solicitado, entonces la venta no se pierde. Bajo
esta condición, el inventario puede reducirse, aunque los costos anuales de inventarios
deben considerar entonces los costos por faltante.

Teniendo presente lo anterior, es posible graficar el comportamiento del inventario en

una empresa de la siguiente forma:
 Niveles de inventario en un Modelo EOQ sin flatante.
Del anterior gráfico, se deduce que Q son las cantidades del pedido, t es el tiempo
empleado en satisfacer tal pedido y S es el faltante en que se incurre al no satisfacer la
totalidad del pedido. Teniendo en cuenta la ecuación que determina el costo total de
inventario, se puede deducir una nueva expresión basada en supuestos geométricos.

La ecuación general para el costo total de inventario es:

De la anterior gráfica se deduce que:

Al reemplazar las anteriores expresiones en la ecuación general, se procede a deducir

la nueva expresión que determinará el punto óptimo del modelo:
Es necesario expresar la ecuación en función del tiempo, por lo que se divide en ambos
lados la de igualdad por el tiempo que se tarda en entregar un pedido:

Es necesario obtener el valor óptimo de Q y S, por lo cual se procede a derivar

parcialmente la ecuación (6) con respecto a Q y a S. Además, se asume que el valor de
esta derivada es igual a 0:
 MODELO LEP SIN FALTANTE

Modelo de Lote Económico de Producción. En este modelo se considera que la tasa de

producción (R) es mayor que la demanda (D) y se toma en cuenta que existe un costo
por generar una orden de producción.En este caso se prohíben los faltantes
estableciendo el costos por faltantes como infinito . Las condiciones para este
aprovisionamiento instantáneo de los insumos se modifican ligeramente cuando los
suministros se manufacturan al recibir la orden, en vez de que se surtan de existencias
de artículos ya manufacturados.

Niveles de inventario en un Modelo LEP sin faltante

Donde:
 t1 es el tiempo positivo de acción en fabricación
 t2 es el tiempo en el cual el inventario máximo llega a 0
 t = t1 + t2, es el tiempo total en el cual se está produciendo, es decir el tiempo
entre corrida.
De la anterior gráfica se deduce que:

Tomando en cuenta la ecuación general para el costo total de inventario se procede a

establecer una expresión que determine el óptimo para este modelo:
Para expresar la anterior ecuación en función del tiempo, se divide en ambos lados de
la ecuación por la expresión que determina el tiempo en que es entregado un pedido.
De dicha ecuación, se procede a derivar con respecto a Q con el fin de obtener el óptimo
para el modelo:

MODELO LEP CON FALTANTE

 Esta extensión de EOQ permite que existan faltantes y se cumplan las entregas
atrasadas, suponiendo que exista un nivel mínimo de atraso que la administración este
dispuesta a tolerar. Los faltantes ocurren en el sistema de producción por falta de
material, falta de capacidad o ambas. En este modelo se consideran las siguientes
variables:
 R: Tasa de producción
 D: Demanda
 Q: Cantidad de productos del pedido
 I: Inventario
 S: Faltante
 t1: Tiempo que transcurre desde que el inventario esta en 0 hasta alcanzar el
inventario máximo.
 t2: Tiempo que transcurre en agotarse el inventario máximo.
 t1+t2: Tiempo que transcurre en agotarse las existencias.
 t3: Tiempo en el cual empieza a acumularse los pedidos pendientes.
 t4: Tiempo en el que se enciende la máquina y el sistema se nivela con los
pedidos pendientes.
 t=t1+t2+t3+t4: Tiempo entre corridas.

Nievles de inventario en un Modelo LEP con faltante.

De la gráfica anterior se pueden hacer ciertas deducciones geométricas tales como
las que se muestran a continuación:
Aplicando la fórmula general del costo total de inventario, reemplazando las anteriores
deducciones se obtiene la siguiente expresión:

Al derivar parcialmente con respecto a Q y a S, se obtiene el óptimo del modelo, que se

encuentra representado por las siguientes expresiones:

MODELO EOQ PROBABILIZADO

El tamaño de las existencias estabilizadoras se determina de modo que la

probabilidad de agotamiento de las existencias durante el tiempo de entrega (el
periodo entre colocar y recibir un pedido) no exceda un valor predeterminado.
Sean:
L = tiempo de entrega entre colocar y recibir un pedido.
ðL = demanda promedio durante el tiempo de entrega.
σL = desviación standard de la demanda durante el tiempo de entrega.
B = tamaño de la existencia estabilizadora o stock de seguridad.
 ð = máxima probabilidad disponible de agotamiento de las existencias durante el
tiempo de entrega. (Distribución Normal)
XL = variable aleatoria que representa la demanda durante el tiempo de entrega.

Curva Normal

Las cantidades óptimas se calculan de igual manera que se hace para el modelo EOQ

sin faltante:

Para más información visita...

 http://books.google.es/books?id=9pNkg4eNTOcC&lpg=PP1&pg=PA550#v=on
epage&q&f=false
 http://books.google.es/books?id=3oHztjMSuL8C&lpg=PR1&dq=inauthor%3A
%22Hamdy%20A.%20Taha%22&pg=PA429#v=onepage&q&f=false
 http://rmorales.mayo.uson.mx/Mod%20de%20Inventario20061.pdf
EJERCICIO 1:

Un proveedor le ofrece la siguiente tabla de descuento para la adquisición de su

principal producto, cuya demanda anual usted ha estimado en 5.000 unidades.
El costo de emitir una orden de pedido es de $49 y adicionalmente se ha
estimado que el costo anual de almacenar una unidad en inventario es un 20%
del costo de adquisición del producto. ¿Cuál es la cantidad de la orden que
minimiza el costo total del inventario?.
Valor del Producto
Tamaño del Lote (Unidades) Descuento (%)
($/Unidad)
0 a 999 0% 5
1.000 a 1999 4% 4,8
2.000 o más 5% 4,75
 Para dar respuesta a esta situación se propone seguir los siguientes pasos:

PASO 1: Determinar el tamaño óptimo de pedido (Q*) para cada nivel o quiebre
de precios.

PASO 2: Ajustar la cantidad a pedir en cada quiebre de precio en caso de ser

necesario. En nuestro ejemplo para el tramo 1 Q(1)=700 unidades esta en el
intervalo por tanto se mantiene; para el tramo 2 Q(2)=714 está por debajo de la
cota inferior del intervalo, por tanto se aproxima a esta cota quedando
Q(2)=1.000; finalmente en el tramo 3 Q(3)=718 que también está por debajo de
la cota inferior del intervalo, por tanto se aproxima a esta cota quedando
Q(3)=2.000

PASO 3: Calcular el costo asociado a cada una de las cantidades determinadas

(utilizando la fórmula de costo total presentada anteriormente)

Costo Tramo 1 = C(700)=$25.700

Costo Tramo 2 = C(1.000)=$24.725
Costo Tramo 3 = C(2.000)=$24.822

Se concluye que el tamaño óptimo de pedido que minimiza los costos

totales es 1.000 unidades, con un costo total anual de $24.725.

EJERCICIO 2:

Una compañía se abastece actualmente de cierto producto solicitando una

cantidad suficiente
para satisfacer la demanda de un mes. La demanda anual del artículo es de 1500
unidades. Se
estima que cada vez que hace un pedido se incurre en un costo de $20. el costo
de
almacenamiento por inventario unitario por mes es de $2 y no se admite escasez.
a. Determinar la cantidad de pedido optima y el tiempo entre pedidos
b. Determinar la diferencia de costos de inventarios anuales entre la política optima
y la política actual, de solicitar un abastecimiento de un mes 12 veces al año.
Solución:
 r = 1500 unidades/año
C3 =$20
C1 =$2 unidad/mes = $24 unidad/año

T=Q*/r = 50/1500 = 1/30 año x 360 días/año = 12 días

Política Actual se le agota cada mes o sea 1/12 año
1/12=Q*/1500 Q*=125 (política actual)

Política Optima

Q*= 50

Diferencia de $540 por lo tanto se ahora más cuando existe la política optima.

EJERCICIO 3:

Suponga que R & B Beverage Company tiene una bebida refrescante que
muestra una tasa de demanda anual constante de 3600 cajas. Una caja de la
bebida le cuesta a R & B $3. Los costos de ordenar son $20 por pedido y los
costos de mantener son 25% del valor del inventario. R & B tiene 250 días hábiles
anuales, y el tiempo de entregar es de cinco días. Identifiquen los siguientes
aspectos de la política de inventario.
a. Lote económico a ordenar
b. Costo anual total

SOLUCION
a)
 EJERCICIO 4:

Westside Auto compra directamente del proveedor un componente que usa en la

manufactura de generadores para automóviles. La operación de producción del
generador de Westside, la cual trabaja a una tasa constante, requerirá mil
componentes por mes a lo largo del año (12000 unidades anuales). Suponga
que los costos de ordenar son $25 por pedido, el costo unitario es $2.50 por
componentes y los costos de mantener anuales y un tiempo de entrega de
cinco días. Responda las siguientes preguntas sobre la política de inventario.
a. ¿Cuál es la EOQ para esta componente?
b. ¿Cuál es el tiempo de ciclo?
c. ¿Cuáles son los costos totales por pedir y mantener inventario?

SOLUCIÓN

a)
EJERCICIO 5:

Una constructora debe abastecerse de 150 sacas de cemento por día, la

capacidad de producción de la máquina en la empresa es de 250 sacos al día, se
incurre en un costo de $400.00 cada vez que se realiza una corrida de
producción, el costo de almacenamiento es de $0.5 unidad por día, y cuando
hace falta materia prima existe una perdida de $0.7 unidad por día. a) Cuál seria
la cantidad optima a pedir. b) La escasez máxima que se presenta .
Solución:
Tamaño económico de lote, ciclo productivo, faltantes permitidos.
r = 150 sacos/día
k = 250 sacos/día
C3=$400
C1=$0.5 /día
C2=$0.7 /día

a)

b)

Conclusión: La cantidad optima a producir seria de 1,014 o 1,015 sacos por

corrida presentándose una escasez máxima de 169 sacos.

EOQ Con demanda variable

En los modelos de inventario se asumió una demanda conocida y estable,
pero la realidad no es así, ya que existe una demanda que varia con
respecto al tiempo.

Este modelo establece existencias de seguridad adecuadas que permitan

proporcionar un nivel especificado de protección para dar servicio a los
clientes cuando se desconoce la demanda.

Nivel de servicio: Es el porcentaje de demanda del comprador que se

satisface con material proveniente del inventario, así un nivel de 100%
representa la satisfacción de todos los requerimientos de comprador con
material existente en “bodega”.
El porcentaje de inexistencia es igual a 100% - el nivel de servicio.(1)
Cálculo de Inventario de seguridad:

M = Media o Demanda promedio

 = Desviación estándar.

tL = Desviación estándar con lead time .

tL = Lead time o tiempo de entrega.

α= 1 (Error o Probabilidad de Inexistencias)

N*

r = M + z·(Punto de re-orden)

Stock de seguridad = z·

Ejemplo 1:

La empresa de focos NIA desea saber cuando debe ordenar si la demanda

es variable, con una media de 154 unds por semestre y una desviación
estandar de 25 unds. cada unidad tiene un precio de $6, un costo de
mantener en inventario del 20% y el costo de pedir es $12.

M = 154 (Sem.) = 8008 (Anual)

Cp = 12
Cu = 6

Cmi = 20% = 1,2

Q* = 400
N* = 20
α = 1 = 0,05
20

(de 20 pedidos al año solo 1 es superado por la demanda)

z(1- 0,05) = z 0,95 = 1,96 (Valor de tabla de la normal)

r=M +z·

r = 154 + (1,96)(25)
r = 154 + 49 (Stock)
r = 194 Unds.

La empresa NIA debe pedir un nuevo lote de 400 Unds, cuando queden
194 Unds. en inventario.

Ejemplo 2:

La demanda diaria de “camotes” se encuentra distribuida normalmente con

una media de 50 (unidades/día) una desviación de 5(unidades/día).

El abastecimiento tiene un tiempo de espera de 6 (días).

El costo de solicitud la orden es de 8 (US$/orden), el costo unitario de cada

camote es de 1.2 (US$/unidad) y los costos de manejo son del 20% del precio
unitario.

Se desea dar un nivel de servicio de 95%.

¿Cuál sería la Política Optima?

Supuesto: 365 días al año.(1)

M = 50 (Diaria) = 300 (6 Dias) = 18250 (Anual)

Cp = 8

Cu = 1.2
Cmi = 20% = 0,24

tL = 12,247 (Desviación para 6 dias)

α = 1 - 0,95 = 0,05

z(1- 0,05) = z 0,95 = 1,96

 r=M +z·

r = 300 + (1,96)(12,247)
r = 300 + 24 (Stock)
r = 324 Unds.

a) La política es ordenar lotes de 1103 unidades

b) El punto de orden es de 324 unidades.
c) El Inv. Seguridad = 24 Unidad.

(1)Teoría de inventarios, CAPITULO 3: CONCEPTOS DE INVENTARIOS.

Modelo de inventarios
INVENTARIOS

Un inventario es un recurso empleado pero útil que posee valor económico. El problema se
plantea cuando una empresa expendedora o productora de bienes y servicios no produce en un
momento determinado la cantidad suficiente para satisfacer la demanda, por lo que debe
realizar un almacenamiento protector contra posibles inexistencias.

El objetivo radica en definir el nivel de inventario. Estas decisiones consisten en dar normas que
nos precisen en que instante se deben efectuar los pedidos del producto considerado y la
cantidad que se debe pedir.

En términos generales un inventario es un conjunto de recursos útiles que se encuentran ociosos

en algún momento. El objetivo de los problemas de inventario es minimizar los costes (totales o
esperados) del sistema sujetos a la restricción de satisfacer la demanda (conocida o aleatoria).
Entre los diferentes costes que puede haber en un problema de inventario están:
1.- Costes de fabricación.
2.- Costes de mantenimiento o almacenamiento.
3.- Costes de penalización o rotura por no satisfacer la demanda.
4.- Rendimientos o ingresos. (Puede o no incluirse en el modelo).
5.- Costes de recuperación o salvamento. (El valor de recuperación representa el valor de
desecho del artículo para la empresa, quizá a través de una venta con descuento).
6.- Tasa de descuento. La tasa de descuento toma en cuenta el valor del dinero en el tiempo.
Cuando una empresa compromete capital en inventarios, no puede usar este dinero para otros
fines.

Referencia: Investigación de operaciones HANDY TAHA

¿PORQUE TENER INVENTARIOS?

Se da la existencia de inventarios debido a que los

proveedores que abastecen los insumos a las empresas no pueden dar respuesta inmediata a los
requerimientos de esta; puesto que hay una diferencia entre el tiempo de abastecimiento y la
demanda interna. Es por esta razón que las empresas mantiene inventarios como colchón de
seguridad o un STOCK para que al momento de una necesidad se satisfaga la demanda.

INVENTARIO SEGÚN LA DEMANDA

Existen dos tipos de demanda:

*Demanda probabilística: demanda de un artículo que está sujeta a una cantidad significativa de
variabilidad. Ejemplo en un hospital no se sabe cuántos y que tipos de pacientes entraran en la
semana que entra, lo que ocasiona una demanda incierta de los suministros médicos. (Demanda
independiente: dos o más artículos en los que la demanda de un artículo no afecta la demanda
cualquiera de los otros artículos).

*Demanda determinìstica: demanda de un artículo que se conoce con certeza. Ejemplo en un

proceso de fabricación automatizada, sabe que una maquina inserta 20 chips por minuto en un
tablero de circuitos integrados, por lo tanto los chips son los artículos a mantenerse en el
inventario y la demanda determinìstica es 20 chips por minuto. (Demanda dependiente: dos o
más artículos en los que la demanda de un artículo determina o afecta la demanda de uno o más
de los otros artículos).
Referencia
Investigación de operaciones: el arte de la toma de decisiones; Kamlesh Mathur y Daniel Solow

REGLAS O PRINCIPIOS

1) Todo ítem debe estar debidamente

codificado y localizado
2) Todo movimiento de inventario ya sea de entrada, de salida o consolidad de datos deben estar
documentados (firmados y autorizados)
3) Los documentos de entrada deben diferenciarse de los documentos de salida (se utilizan
colores)
4) En cuanto sea posible, el lugar físico de entrada debe ser diferente al lugar físico locativo de
salida
5) Los ítem de un mismo código deben estar almacenados en un mismo lugar
6) Si es posible se debe marcar lo contado e inventariado
7) En una auditoria todo ítem debe ser contado tres veces por personas diferentes,
consignándolos en tarjetas diferentes y estableciendo las siguientes reglas de registro:

ü Si dos tarjetas coinciden en la cantidad se registra ese valor o cantidad

ü Si las tarjetas no coinciden se vuelve a contar con otro auditor
ü Hay una tarjeta de conteo de inventario y una física

8) Los ítems de mayor peso deben ubicarse en los niveles inferiores y los de menor peso en los
niveles superiores
9) Los ítems que tuvieron movimientos en el día deben verificarse sus saldos antes de cerrar el
día, es decir verificar la existencia física con la existencia lógica.
10) Nadie del personal de inventario se va antes que no esté cuadrado el movimiento de los
ítems de ese día
11) No se debe recibir premios o comisiones de los proveedores
12) Los recortes de inventario máximo son de tres días, después de finalizado el mes deben estar
los informes

Referencia: Medardo Gonzales, clase de investigación de operaciones.

Gestion de inventario
View more presentations from GraceDaniela

MODELOS CLÁSICO DE CONTROL DE INVENTARIOS

Los modelos de control de inventarios los podemos clasificar en:

1. MODELO EOQ (cantidad económica de producción)

Es una técnica de administración de inventarios para determinar el tamaño optimo de pedido de
un articulo; este modelo considera varios costos de inventario y luego determina que tamaño de
pedido minimiza el costo total del inventario. Los costos que se determinan son el costo de
mantener inventario y el costo de pedir. el modelo se clasifica en:

1.1 Modelo EOQ sin faltantes

supuestos:

*Demanda conocida y constante.

*Tiempo de reposición son instantáneos

*Existencia de dos costos: Costo de pedir y Costo de mantenimiento del inventario

*No se admiten faltantes

*Los costos no varían en el tiempo

*Relación directa costo - volumen

1.2 Modelo EOQ con faltantes
supuestos:

*Demanda conocida y constante.

*Tiempo de reposición son instantáneos

*Se aceptan faltantes

*Existencia de tres costos: Costo de pedir, Costo de mantenimiento del inventario y Costo de
faltante

*No se admiten faltantes

*Los costos no varían en el tiempo

*Relación directa costo - volumen

1.3 Modelo EOQ con descuentos por cantidad
Este modelo es idéntico al modelo EOQ anterior, excepto que el articulo en el inventario se
puede comprar con un descuento si el volumen de pedido excede un limite dado, es decir el
precio de compra por unidad.

EJERCICIO
Un proveedor le ofrece la siguiente tabla de descuento para la adquisición de su principal
producto, cuya demanda anual usted ha estimado en 5.000 unidades. El costo de emitir una
orden de pedido es de $49 y adicionalmente se ha estimado que el costo anual de almacenar una
unidad en inventario es un 20% del costo de adquisición del producto. ¿Cuál es la cantidad de la
orden que minimiza el costo total del inventario?.

Tamaño del Lote (Unidades) Descuento (%) Valor del Producto ($/Unidad)

0 a 999 0% 5

1.000 a 1999 4% 4,8

2.000 o más 5% 4,75

Para dar respuesta a esta situación se propone seguir los siguientes pasos:

PASO 1: Determinar el tamaño óptimo de pedido (Q*) para cada nivel o quiebre de

precios.

PASO 2: Ajustar la cantidad a pedir en cada quiebre de precio en caso de ser necesario. En
nuestro ejemplo para el tramo 1 Q(1)=700 unidades esta en el intervalo por tanto se mantiene;
para el tramo 2 Q(2)=714 está por debajo de la cota inferior del intervalo, por tanto se aproxima
a esta cota quedando Q(2)=1.000; finalmente en el tramo 3 Q(3)=718 que también está por
debajo de la cota inferior del intervalo, por tanto se aproxima a esta cota quedando Q(3)=2.000

PASO 3: Calcular el costo asociado a cada una de las cantidades determinadas (utilizando la
fórmula de costo total presentada anteriormente)

Costo Tramo 1 = C(700)=$25.700

Costo Tramo 2 = C(1.000)=$24.725

Costo Tramo 3 = C(2.000)=$24.822

Se concluye que el tamaño óptimo de pedido que minimiza los costos totales es 1.000 unidades,
con un costo total anual de $24.725.

http://www.investigaciondeoperaciones.net/eoq.html
2. MODELO LEP (lote económico de producción)
Este modelo de inventario sugiere que se la empresa lleve a cabo operaciones hasta llegar a un
nivel máximo de producción (Inventario máximo), despues de esto se dispone a detener la
producción hasta agotar las existencias, y luego que esto suceda deben volver a empezar el
proceso de producción.

Este modelo se clasifica en:

2.1 Modelo LEP sin faltantes

2.2Modelo LEP con faltantes
3. MODELO PROBABILISTICO (EOQ con demanda variable)
Este modelo permite faltantes en la demanda, la política requiere ordenar la cantidad y siempre
que el inventario caiga al nivel R. Como en el caso determinista, el nivel de reorden R es una
función del tiempo de entrega, entre colocar y recibir un pedido. Los valores óptimos de R, se
determinan minimizando el costo esperado por unidad de tiempo que incluye la suma de los
costos de preparación, conservación y faltante.

El modelo tiene 3 suposiciones

*la demanda no satisfecha durante el tiempo de entrega se acumula.
*no se permite mas de una orden pendiente.

*la distribución de la demanda durante el tiempo de entrega permanece estacionaria (sin

cambio) con el tiempo.

Referencia

Principios de administración financiera, Lawrence J Gitman, Elisa Nuñez Ramos, 2003

http://www.slideshare.net/GraceDaniela/gestion-de-inventario-8031603

WILFRIDO PARETO
 Sociólogo y economista italiano (París, 1848 - Céligny, Suiza, 1923). De origen aristocrático (era
hijo de un marqués exiliado en Francia por pertenecer al movimiento revolucionario de Mazzini),
Pareto estudió ingeniería en Turín y desarrolló una carrera brillante como ejecutivo de empresas
ferroviarias e industriales. Su vocación por las ciencias sociales fue tardía: hacia 1890 pasó de los
aspectos prácticos a los teóricos de la economía, siguiendo la línea de Léon Walras. Rechazado en
el mundo académico italiano, encontró acogida en Suiza, sucediendo a su maestro Walras en la
cátedra de Economía de Lausana (1893).

En los trece años que la desempeñó, hizo aportaciones muy relevantes a la teoría del equilibrio,
desarrollando los principios de una teoría utilitarista del bienestar (óptimo de Pareto); a partir de
análisis estadísticos llegó a la conclusión de que la distribución de la renta en cualquier sociedad
responde siempre a un mismo modelo, por lo que serían inútiles las políticas encaminadas a
redistribuir la riqueza (ley de Pareto).

En 1906 se retiró de la enseñanza para dedicarse sólo a la investigación, al tiempo que

desplazaba su atención de la economía a la sociología. Partiendo de un análisis psicologista de los
motivos de la conducta humana (entre los cuales incluyó ampliamente móviles irracionales que
no había tenido en cuenta en su pensamiento económico), desarrolló una teoría de las elites que
planteaba el carácter inevitable de la desigualdad social y de la dominación de las masas por una
minoría selecta.

Su esfuerzo por analizar la vida política prescindiendo de las apariencias ideológicas para
profundizar en la realidad descarnada de la lucha por el poder hacen que se le considere, junto
con Gaetano Mosca, uno de los iniciadores de la «ciencia política»; en todo caso, su análisis
refleja una nostalgia por el mundo liberal europeo en crisis frente a los avances de la política de
masas. En sus escritos criticó y ridiculizó las ideas de progreso, democracia, igualdad y socialismo,
poniendo en primer plano el componente de fuerza y de engaño que existe en la historia de la
humanidad.

Esta visión le convirtió en un predecesor ideológico del fascismo; efectivamente, Mussolini

intentó apropiarse del prestigio intelectual de Pareto, el cual nunca criticó al fascismo italiano e
incluso aceptó que le nombraran senador poco antes de morir. Entre las principales obras de
Pareto cabe señalar el Curso de Economía Política (1896-97), el Manual de Economía Política
(1906) y el Tratado de sociología general (1916).

http://www.biografo.info/biografias/ver/48814/Vilfredo-Pareto
 CLASIFICACIÓN ABC Y LA LEY DE PARETO.

En Logística, es habitual hablar de infinidad de tipos de segmentaciones ABC (a veces llamada

simplemente AC): ABC de entradas, ABC de Stock, ABC de salidas, de clientes, de roturas...que
dicho así, no da mucha información. En este artículo vamos a tratar de aclarar que es una
segmentación ABC y como se realiza.

Una segmentación ABC es una herramienta que nos sirve para centrarnos en lo que es más
importante. Realmente es una aplicación de la ley de Pareto, o la ley 80/20. Esta ley dice que el
"20% de algo siempre es responsable del 80% de los resultados" es decir que el 20% de algo es
esencial y el 80% es trivial. Por ejemplo, si hablamos de ventas, el 20% de los productos,
representan el 80% de las ventas y el otro 80% solo representa el 20% de las ventas. Por tanto
ese primer 20% de productos son los que deberían ser más importantes para la empresa. Esta ley
se basa en un conocimiento empírico y no siempre se cumple con exactitud. A veces no es 80/20
y es 80/30...depende de cada caso en particular, pero siempre hay un "poco" que representa un
"mucho"

En el caso de una segmentación ABC, lo que se suele hacer es, definir como:

ü Clase A: es el % de ese algo (ej: productos) que representa el 80% de los resultados (ej:
ventas)

ü Clase B: es el % de ese algo (productos), sin considerar la clase A, que representa el 15% de los
resultados restante (ventas)

ü Clase C: el resto de % de ese algo (productos) sin considerar las clases A y B que representara el
resultado restante: el 5%.

Cuando hablamos de clasificación ABC lo que se suele considerar es que la clase C es el conjunto
de la clase B y C anterior. Es decir, A representa el 80% de la venta y C el 20% (ley 80/20).

http://www.lrmconsultorialogistica.es/blog/feed/9-articulos/42-segmentacion-abc-picking.html

LA INVESTIGACIÓN DE OPERACIONES, USO DE MODELOS

Y METODOS DE OPTIMIZACION
March 16, 2011 by germanjames

I. LA INVESTIGACIÓN DE OPERACIONES, USO DE MODELOS Y METODOS DE

OPTIMIZACION

I.1 INTRODUCCION A LA INVESTIGACIÓN DE OPERACIONES

1. Un poco de Historia

Se inicia desde la revolución industrial, en los libros se dice que fue a partir de la segunda

Guerra Mundial. La investigación de operaciones se aplica a casi todos los problemas. En 1947,

en EE.UU., George Datzing encuentra el método simplex para el problema de programación

lineal. En la investigación de operaciones, las computadoras son la herramienta fundamental

en la investigación de operaciones.

2. Definición
La Investigación de Operaciones, es la aplicación del método científico por un grupo

multidisciplinario de personas a un problema, principalmente relacionado con la distribución

eficaz de recursos limitados (dinero, materia prima, mano de obra, energía), que

apoyados con el enfoque de sistemas (este enfoque, es aquel en el que un grupo de personas

con distintas áreas de conocimiento, discuten sobre la manera de resolver un problema en

grupo.). Puede considerarse tanto un arte como una ciencia. Como arte refleja los conceptos

eficiente y limitado de un modelo matemático definido para una situación dada. Como ciencia

comprende la deducción de métodos de cálculo para resolver los modelos.

2.1 Pasos del Método científico en IO

1. Definición del problema.- Desde el punto de vista de la Investigación de

operaciones(IO),esto indica tres aspectos principales:(a)Una descripción de la meta o el

objetivo del estudio,(b)Una Identificación de las alternativas de decisión y (c) Un

reconocimiento de las limitaciones, restricciones y requisitos del sistema

2. Construcción del Modelo._Dependiendo de la definición del problema, el equipo de

investigación de operaciones deberá decidir sobre el modelo mas adecuado para representar

el sistema (modelo matemático, modelo de simulación; combinación de modelos

matemáticos, de simulación y heurísticos)

3. Solución del Modelo.- En modelos matemáticos esto se logra usando técnicas de

optimización bien definidas y se dice que el modelo proporciona una solución optima. Si se

usan los modelos de simulación o heurísticos el concepto de optimalidad no esta bien definido,

y la solución en estos casos se emplea para obtener evaluaciones aproximadas de las medidas

del sistema

4.Validación del Modelo.- Un modelo es valido si, independientemente de sus inexactitudes

al representar el sistema, puede dar una predicción confiable del funcionamiento del sistema

5. Implantación de los resultados Finales.-La tarea de aplicar los resultados probados del

sistema recae principalmente en los investigadores de operaciones. Esto básicamente

implicaría la traducción de estos resultados en instrucciones de operación detallada, emitidas

en una forma comprensible a los individuos que administraran y operaran el sistema después.

La interacción del equipo de investigación de operaciones y el personal de operación llegara a

su máximo en esta fase.

I.2 TIPOS DE MODELOS DE INVESTIGACION DE OPERACIONES

Un modelo es una representación ideal de un sistema y la forma en que este opera. El objetivo

es analizar el comportamiento del sistema o bien predecir su comportamiento futuro.

Obviamente los modelos no son tan complejos como el sistema mismo, de tal manera que se

hacen las suposiciones y restricciones necesarias para representar las porciones más

relevantes del mismo. Claramente no habría ventaja alguna de utilizar modelos si estos no
simplificaran la situación real. En muchos casos podemos utilizar modelos matemáticos que,

mediante letras, números y operaciones, representan variables, magnitudes y sus relaciones.

Fig.1.2: Representación de un modelo

1. Modelos Matemáticos

Un modelo es producto de una abstracción de un sistema real: eliminando las complejidades

y haciendo suposiciones pertinentes, se aplica una técnica matemática y se obtiene una

representación simbólica del mismo. Un modelo matemático consta al menos de tres

conjuntos básicos de elementos:

Ø Variables de decisión y parámetros

Las variables de decisión son incógnitas que deben ser determinadas a partir de la solución

del modelo. Los parámetros representan los valores conocidos del sistema o bien que se

pueden controlar.

Ø Restricciones

Las restricciones son relaciones entre las variables de decisión y magnitudes que dan sentido

a la solución del problema y las acotan a valores factibles. Por ejemplo si una de las variables

de decisión representa el número de empleados de un taller, es evidente que el valor de esa

variable no puede ser negativo.

Ø Función Objetivo

La función objetivo es una relación matemática entre las variables de decisión, parámetros y

una magnitud que representa el objetivo o producto del sistema. Por ejemplo si el objetivo del

sistema es minimizar los costos de operación, la función objetivo debe expresar la

relación entre el costo y las variables de decisión. La solución ÓPTIMA se obtiene cuando el

valor del costo sea mínimo para un conjunto de valores factibles de las variables. Es decir hay

que determinar las variables x1, x2,…, xn que optimicen el valor de Z = f(x1, x2,…, xn) sujeto
a restricciones de la forma g(x1, x2,…, xn) £ b. Donde x1, x2,…, xn son las variables de

decisión Z es la función objetivo, f es una función matemática.

EJEMPLO 1.2.1: Sean X1 y X2 la cantidad a producirse de dos productos 1 y 2, los parámetros

son los costos de producción de ambos productos, $3 para el producto 1 y $5 para el producto

2. Si el tiempo total de producción esta restringido a 500 horas y el tiempo de producción es

de 8 horas por unidad para el producto 1 y de 7 horas por unidad para el producto 2, entonces

podemos representar el modelo como:

MinZ = 3X1 + 5X2 (Costo total de Producción)

Sujeto a (S.A):

8X1 + 7X2 £ 500 (Tiempo total de producción)

X1, X2>= 0 (Restricciones de no negatividad)

EJEMPLO 1.2.2: En una empresa se fabrican dos productos, cada producto debe pasar por

una máquina de ensamblaje A y otra de terminado B,antes antes de salir a la venta.El producto

1 se vende a $60 y el otro a $50 por unidad. La siguiente tabla muestra el tiempo requerido

por cada producto:

Producto Maquina A Maquina B

1 2H 3H

2 4H 2H

Total disponible 48 H 36 H

Para representar el modelo de este problema primero se debe determinar las variables

de decisión: Sea Xi: La cantidad a fabricar del producto 1 y 2 (i=1,2), entonces X1: cantidad

a fabricar del producto 1, X2: cantidad a fabricar del producto2, luego el modelo quedaría de

la siguiente manera:

MaxZ = 60X1+ 50X2 (máximo ingreso por ventas)

S.A: 2X1+ 4X2 <= 48 (disponibilidad horas _maquina A)

3X1+ 2X2 <= 36 (disponibilidad horas _maquina B)

X1, X2 >= 0 (Restricciones de no negatividad)

2. Modelos de Simulación

La simulación es una técnica para crear modelos de sistemas grandes y complejos que

incluyen incertidumbre. Se diseña un modelo para repetir el comportamiento del sistema. Este
tipo de modelamiento se basa en la división del sistema en módulos básicos o elementales que

se enlazan entre sí mediante relaciones lógicas bien definidas (de la forma SI / ENTONCES).

El desarrollo de un modelo de simulación es muy costoso en tiempo y recursos.

II. PROGRAMACION LINEAL

II.1 INTRODUCCION A LA PROGRAMACION LINEAL

1. INTRODUCION

La programación Lineal (PL) es una técnica de modelado matemático, diseñada para optimizar

el empleo de recursos limitados. La programación lineal se aplica exitosamente en el ejercito,

en la agricultura, la industria, los transportes, la economía, los sistemas de salud, en el ejercito

e incluso en los sistemas conductuales y sociales.

La utilidad de esta técnica se incrementa mediante el uso y disponibilidad de programas de

computadora altamente eficientes. De hecho la PL, debido a su alto nivel de eficiencia

computacional, es la base para el desarrollo de algoritmos de solución de otros tipos (más

complejos) de modelos de IO, incluyendo la programación entera, no lineal y estocástica.

2. MODELOS DE PROGRAMACION LINEAL

Para formular un problema de programación lineal se debe tener presente que la función

objetivo y todas las restricciones deben ser lineales y todas las variables deben ser continuas

(pueden asumir valores fraccionales).

2.1 SOLUCIÓN GRAFICA DE PL: Los modelos de PL que se resuelven por el método

geométrico o grafico solo son apropiados para casos en que el número de variables son a lo

más dos.

EJEMPLO 2.1.1: UN PROBLEMA DE MINIMIZACION (Contratación de

Personal): El departamento de control de calidad de la empresa Gerconsa S.A que fabrica

autopartes, desea contratar personal tanto senior como junior, para las inspecciones de sus

productos.

El personal senior recibe por su jornada de 8hrs., $188y realiza su labor a una tasa promedio

de 30 inspecciones por hora, con un rendimiento del 99%.en cambio el personal junior, recibe

$150 por su jornada, realizando 25 inspecciones por hora, con un rendimiento del 95%.

La demanda diaria de inspecciones es de 1600 unidades y el personal senior a contratar, no

debe ser mayor que el personal júnior.

Si las ensambladoras aplican una multa de $5 por cada unidad defectuosa, ¿cuánto de

personal senior y júnior, se debe contratar?

SOLUCION:

La formulación del modelo al problema de minimización seria:

Sea Xi: Numero de personal a contratar (i = senior, j = junior o

i =1,2)

La función objetivo consistiría en minimizar los costos de salario y los de castigo por unidad

defectuosa

Z = Salario + Multa

Salario = 118×1+ 150×2

Multa = (30*8*0.01X1+ 25*8*0.05X2)*5

Luego la función objetivo es:

MinZ = 200X1+ 200X2 y sujeta a las restricciones:

30(8) X1+25(8) X2>=1600 (Demanda diaria)

X1<= X2 (Relación personal)

Finalmente el modelo se reduce a:

MinZ = 200X1 + 200X2

S.A.: 6X1+ 5X2 >=40 (1)

X1 – X2 <=0 (2)

X1, X2 >=0

Gráficamente y después de haber utilizado el amigable software TORA el problema quedaría

así:
Fig.2.1: Solución grafica (optima) al problema de contratación de personal

Este modelo pudo haberse resuelto fácilmente graficando en las coordenadas X1 y

X2 y hallando el punto de intersección común a ambas rectas. Se puede ver que la

intersección de recta de la función objetivo con las rectas 1 y 2 lo hace dentro de la región

factible y en su punto mínimo (punto optimo), después de haber resuelto algebraicamente por

sistemas de ecuaciones simultaneas las restricciones 1 y 2 tenemos finalmente el punto optimo

mínimo para el problema:

X1=3.64

X2=3.64

Z*=1454.55

De los resultados puede verse que tenemos valores fraccionarios para un problema de

contratación de personal lo cual es inapropiado dado que se trata del recurso humano, sin

embargo solo se ha resuelto para efecto demostrativo grafico (además no olvidemos que en

PL las variables son continuas), ya que la programación lineal entera se encarga de darle una

solución Optima a este problema.

EJEMPLO 2.1.2: UN PROBLEMA DE MAXIMIZACION. Javier Cutipe es un exitoso

vendedor de la distribuidora de gaseosas Gerconsa y tiene que decidir como asignar sus

esfuerzos entre los diferentes tipos de clientes de las zonas de Moquegua que le han dado (san

Antonio, san francisco, la villa los ángeles, samegua, y chen chen).Puede visitar comerciantes

y clientes que compran al menudeo. Una visita a un comerciante usualmente le produce S/.400

en ventas, pero la visita en promedio dura 2horas y debe manejar también en promedio, 10
kilómetros. En una visita a un comprador al menudeo le vende S/.500 y requiere de unas

3horas y 20 kilómetros manejando el carro aproximadamente. Javier viaja trabajando como

máximo, 600kilometros por semana en su propio carro y prefiere trabajar nomás de 36 horas

por semana. Construya un modelo de programación lineal para Javier Cutipe Mamani

SOLUCION:

Sea: X1: Numero de comerciantes

X2: Numero de clientes al menudeo

El modelo resultante es:

Max Z= 400X1+500X2 (Ingreso por ventas brutas)

S.A: 2X1+3X2 <= 36 (restricción de horas semanales) (1)

10X1+20X2<=600 (restricción de distancia recorrida) (2)

X1,X2>=0 (Restricción de no negatividad)

Fig.2.2: Solución grafica (optima) al problema de Javier Cutipe

El modelo anterior se resuelve gráficamente aplicando Tora, también pudo haberse

resuelto fácilmente graficando en las coordenadas X1 y X2 y hallando el punto de

intersección común a la recta (1) con el eje X1, la recta de la función objetivo alcanza su nivel

máximo (punto optimo) en la región factible para X1=18 y X2=0, esto algebraicamente es

después de haber resuelto la restriccion1 (ecuacion1) y haciendo x2=0 en la misma ecuación

(nótese que la restricción 2 es redundante). Finalmente el punto óptimo mínimo para el

problema es de:

X1=18

X2=0

Z*= S/.7200

Este resultado nos dice que Javier Cutipe deberá concentrar sus esfuerzos solo en la venta a

18 comerciantes dado que alli maximizara sus ingresos por ventas en S/.7200

2.2 SOLUCIÓN POR COMPUTADORA DE PROBLEMAS DE PL

En la practica, donde los modelos típicos de programación Lineal implican cientos, o incluso

miles de variables y restricciones, la única forma de resolver estos problemas es utilizando un

programa apropiado de computadora. En el mercado informático existen softwares que tienen

módulos de programación lineal (PL) tal como el Tora, Storm, Programas como el lindo, lingo,

etc. También se puede hacer uso de Solver en Excel para resolver problemas de PL.

EJEMPLO 2.2.1: La figura 2.3 presenta la solución de TORA para el problema de contratación

de personal del ejemplo 2.1.1

Fig.2.3: Solución óptima usando TORA

La información de salida se divide en dos partes principales (1) resumen de la solución óptima

(optimum solution sumary) que comprende los valores óptimos de las variables de decisión y

el valor optimo de la función Objetivo y (2) Análisis de sensibilidad (Sensitivity análisis)

referente a hacer cambios en el lado derecho(right-and sides) y en los coeficientes de la función

objetivo

EJEMPLO 2.2.2: La figura 2.4 presenta la solución de LINDO para el problema de Javier

Cutipe del ejemplo 2.1.2

LP OPTIMUM FOUND AT STEP 1

OBJECTIVE FUNCTION VALUE

1) 7200.000

VARIABLE VALUE REDUCED COST

X1 18.000000 0.000000

X2 0.000000 100.000000

ROW SLACK OR SURPLUS DUAL PRICES

2) 0.000000 200.000000

3) 420.000000 0.000000

NO. ITERATIONS= 1

RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES

VARIABLE CURRENT ALLOWABLE ALLOWABLE

COEF INCREASE DECREASE

X1 400.000000 INFINITY 66.666664

X2 500.000000 100.000000 INFINITY

RIGHTHAND SIDE RANGES

ROW CURRENT ALLOWABLE ALLOWABLE

RHS INCREASE DECREASE

2 36.000000 84.000000 36.000000

3 600.000000 INFINITY 420.000000

Fig.2.4: Solución óptima usando LINDO

2.3 ANALISIS DE ALGUNOS MODELOS DE PL: Se presentan algunos modelos realistas

de de PL, en los cuales las definición de variables y la construcción de la función objetivo y de

las restricciones no son tan directas como en el caso de los modelos de dos variables. Además

la salida de TORA de la computadora para cada modelo permitirá interpretaciones muy

claras de las soluciones.

EJEMPLO 2.3.1: Un distribuidor de ferretería planea vender paquetes de tuercas y tornillos

mezclados. Cada paquete pesa por lo menos 2 libras. Tres tamaños de tuercas y tornillos

componen el paquete y se compran en lotes de 200 libras. Los tamaños 1 ,2 y 3 cuestan

respectivamente $20, $80 y $12, además:

a. El peso combinado de los tamaños 1y 3 debe ser al menos la mitad del peso total del paquete

b. El peso de los tamaños 1 y 2 no debe ser mayor que 1,6 libras

c. Cualquier tamaño de tornillo debe ser al menos 10 porciento del paquete total

¿Cuál será la composición del paquete que ocasionara un costo mínimo? (formule solamente

el modelo de pl.)

SOLUCION:

Formulación

Sea : X1 = peso de las unidades de tamaño 1

X2 = peso de las unidades de tamaño 2

X3 = peso de las unidades de tamaño 3

De este modo se tendrán las siguientes Restricciones:

x1+ x2+ x3 >=2 peso mínimo de cada paquete

X1 +X3 >= (X1+ X2+ X3)/2 Peso combinado d e l os tamaños 1 y 3

X1+ X2 <=1.6 Peso combinado de 1 y 2

X1>=0.10(X1+ X2+ X3) Condición de peso para cualquier tamaño

X2>=0.10(X1+ X2+ X3)

X3>=0.10(X1+ X2+ X3)

Siendo la función MinZ = 20X1+ 80X2+ 12X3)/200, en resumen se tiene el siguiente modelo:

MinZ = 0.1X1+0.04X2+0.06X3

S.A: X1+ X2+ X3 >= 2

X1 – X2+ X3 >=0

X1+ X2 <=1.6

0.9X1-0.1X2-0.1X3 >=0

-0.1X1+0.9X2-0.1X3 >=0

-0.1X1-0.1X2+0.9X3 >=0
X1, X2, X3 >=0

Fig.2.5: Solución óptima usando TORA

Del resultado del sotware Tora se puede ver que la solución optima es :

X1* = 0.20

X2* = 1.00

X3* = 0.80

Z*= 0.11

EJEMPLO 2.3.2: Al mezclar diferentes hidrocarburos se obtiene gasolina de diferentes grados.

En este ejemplo se supone que una refinería dispone sólo de dos tipos de gasolina cuyas

características se presentan en la siguiente tabla:

Mezclas Octanaje Presión de vapor Cantidad disponible
disponibles (Barriles)

Tipo 1 104 5 30,000

Tipo 2 94 9 70,000

Con la combinación de estos productos se pueden producir dos tipos de gasolina: para

automóvil y aviación. Las cualidades de estos productos aparecen en la siguiente tabla:

Producto final Mínimo Máxima presión Máxima venta Precio de

octanaje de vapor (Barriles) venta
(Barril)
Aviación 102 6 20,000 45.10

Automóvil 96 8 Sin tope 32.40

El octanaje y la presión de vapor del producto resultante es proporcional a la cantidad de cada

gasolina utilizada en la mezcla.

Por ejemplo para partes iguales de ambas gasolinas:

Octanaje: 0.5*104 + 0.5*94 = 99

Presión de vapor: 0.5*5 + 0.5*9 = 7

La empresa desea maximizar los ingresos por la venta de gasolina como producto final

Formulación

Sean x1 el número de barriles de gasolina del tipo 1 para aviación.

X2 el número de barriles de gasolina del tipo 2 para aviación.

X3 el número de barriles de gasolina del tipo 1 para automóvil.

X4 el número de barriles de gasolina del tipo 2 para automóvil.

La venta correspondiente a gasolina para aviación es 45.10*(x1 + x2) y la venta

correspondiente a gasolina para automóvil es 32.40(x3 + x4) entonces la función objetivo es:

Maximizar:

Z = 45.10x1 + 45.10x2 + 32.40x3 + 32.40x4

Existen varias restricciones:

Demanda de gasolina para aviación:

X1 + x2 £ 20,000

Cantidad disponible por tipo de gasolina:

X1 + x3 £ 30,000

X2 + x4 £ 70,000

Restricción de octanaje:

Aviación: (104x1 + 94x2)/(x1 + x2) ³ 102 Û 2x1 – 8x2 ³ 0

Automóvil: (104x3 + 94x4)/(x3 + x4) ³ 96 Û 8x3 – 2x4 ³ 0

Restricción de presión de vapor:

Aviación: (5x1 + 9x2)/(x1 + x2) £ 6 Û -x1 + 3x2 £ 0

Automóvil: (5x3 + 9x4)/(x3 + x4) £ 8 Û -3x3 + x4 £ 0

No negatividad:
X1, x2, x3, x4 ³ 0

En Resumen el modelo se presenta de la siguiente manera:

MaxZ = 45.10x1 + 45.10x2 + 32.40x3 + 32.40x4

X1 + x2 £ 20,000 Demanda de gasolina para aviación:

X1 + x3 £ 30,000 Cantidad disponible por tipo de gasolina

X2 + x4 £ 70,000 Cantidad disponible por tipo de gasolina

2x1 – 8x2 ³ 0 Restricción de octanaje aviación

8x3 – 2x4 ³ 0 Restricción de octanaje automóvil

-x1 + 3x2 £ 0 Restricción de presión de vapor aviación

-3x3 + x4 £ 0 Restricción de presión de vapor automóvil:

X1, x2, x3, x4 ³ 0 Restricción de no negatividad

Una vez Formulado el modelo matemático hacemos uso del TORA para encontrar una solución

óptima:

X1*=16000.00

X2*=4000.00

X3*=4666.67

X4*=14000.00

Z*= 1506800.00

Fig.2.6: Solución óptima usando TORA

III. EL METODO SIMPLEX

La idea general del método Simplex es comenzar en un punto extremo y desplazarse hacia un

punto extremo adyacente con el objeto de mejorar el valor de la función objetivo, manteniendo

la factibilidad. La manera más sencilla de seleccionar un punto extremo inicial es usar la

base B constituida por variables de holgura y/o artificiales. De esta forma la base B inicial es

la matriz identidad I que obviamente es una base. Los puntos extremos adyacentes se

determinan intercambiando un vector de B con un vector no básico que moverá la solución

hacia la optimalidad.

Tabla Simplex en forma matricial

Expresemos el programa lineal en forma matricial:

Max z = CX

Sujeto a: (AI)X = b

X >= 0

Subdividamos el vector X en XI y XII, entonces el problema estándar se puede escribir de la

siguiente manera: (I)

1 –CI –CII z 0

0 A I XI = b

XII

En una iteración cualquiera, sea XB La representación de las variables básicas y Bsu base

asociada, entonces XB representa a m elementos de X y B representa los vectores

de (AI) correspondientes a XB, y sea CB el vector de elementos de Casociado a XB.

Entonces:

B XB = b y z = CBXB

o bien:

1 –CB z = 0

0 B XB b

La solución se puede expresar:

z = 1 CBB-1 0 = CBB-1b

XB 0 B-1 b B-1b

Por lo tanto, aplicando este resultado, premultiplicando a (I) se obtiene

1 CBB-1 1 –CI –CII Z CBB-1b

0 B-1 0 A I XI = B-1b

XII

Esta ecuación matricial se resuelve mediante la iteración simplex general (II):

Básica XI XII Solución

z CBB-1A–CI CBB-1–CII CBB-1b

XB B-1A B-1 B-1b

Esta tabla muestra los detalles del cálculo del método simplex, es decir, si se conoce B se

puede encontrar en cada paso B-1, por lo tanto XB y z.

Por ejemplo consideremos el método simplex con variables de holgura, en este caso, CII = 0

la solución básica inicial se identifica como:

XB = XII, CB = CII = 0, B = I, B-1 = I

Sustituyendo en (II) se obtiene el método simplex general con variables de holgura (III):
Básica XI XII Solución

z –CI 0

XB A I b

Si utilizamos simplex con variables artificiales (variables utilizadas como variables de holgura

para las restricciones que no cumplen la forma estándar). En este caso CII = (-M,-M,…, -M)

(coeficientes de penalización para la función objetivo). La solución básica inicial se puede

expresar como:

XB = XII, CB = CII, B = I, B-1 = I

Sustituyendo en (II) se obtiene el método simplex general con variables artificiales y de

holgura (IV):
Básica XI XII Solución

z CIIA–CI 0 CIIb

XII A I b

EJEMPLO 3.1:

Max z = 3×1 + 10×2

Sujeto a:

X1 + 4×2 <= 8
X1 + 2×2 <= 4

X1, x2 >= 0

Forma típica:

Z -3×1 – 10×2 = 0

X1 + 4×2 + h1 = 8

X1 + 2×2 + h2 = 4

X1, x2, h1, h2 >=0

VB x1 x2 h1 h2 Solución

Z -3 -10 0 0 0

h1 1 4 1 0 8 8/4=2

h2 1 2 0 1 4 4/2=2

Por inspección entra x2 y puede salir tanto h1 como h2, escojamos arbitrariamente h1 y

cambiemos x2 por h1.

Primera iteración:

VB x1 x2 h1 h2 Solución

Z -1/2 0 5/2 0 20

x2 1/4 1 1/4 0 2

h2 1/2 0 -1/2 1 0

La solución básica después de la primera iteración es

X1 = 0, x2 = 2, h1 = 0, h2 = 0

Ø Al ser h2, variable básica, h2 = 0, se dice que es solución degenerada, es posible que el

método itere sin llegar a la solución optima.

Segunda iteración:

De la tabla anterior, entra x1 y sale h2:

VB x1 x2 h1 h2 Solución

Z 0 0 2 1 20
x2 0 1 1/2 -1/2 2

X1 1 0 -1 2 0

La función objetivo no se ha incrementado, un problema puede ser temporalmente degenerado

y luego encontrar la solución óptima.

EJEMPLO 3.2:

Max Z = 3×1 + 5×2

Sujeto a:

X1 -2×2 <= 5

2×1 <= 12

X1, x2 >= 0

Forma típica:

Z -3×1 – 5×2 = 0

X1 -2×2 + x3 = 5

2×1 + x4 = 12

X1, x2, x3, x4 >= 0

X3, x4 variables de holgura.

VB x1 x2 x3 x4 Solución

Z -3 -5 0 0 0

X3 1 -2 1 0 5

X4 2 0 0 1 12

X2 es variable entrante, no hay ninguna variable básica saliente, ya que los elementos de la

columna pivote son negativos o 0. En este caso se puede observar que el valor óptimo de z es

ilimitado, las restricciones en este caso no previenen un aumento ilimitado de la función

objetivo.

En este caso el problema de optimización se encuentra mal formulado.

EJEMPLO 3.3: Múltiples soluciones óptimas

Max z = 2×1 + 4×2

Sujeto a:

x1 + 2×2 <= 12

2×1 + 2×2 <= 12

x1, x2 >= 0

Forma típica:

Z – 2×1 – 4×2 = 0

X1 + 2×2 + x3 = 12

2×1 + x2 + x4 = 12

Primera iteración:

VB x1 x2 x3 x4 Solución

Z -2 -4 0 0 0

X3 1 2 1 0 12

X4 2 1 0 1 12

Variable no básica entrante x2

Segunda iteración:

VB x1 x2 x3 x4 Solución

Z 0 0 2 0 24

X2 1/2 1 1/2 0 6

X4 3/2 0 -1/2 1 6

Después de la segunda iteración queda la variable no básica x1 con coeficiente 0, podemos

hacer una iteración extra:

VB x1 x2 x3 x4 Solución

Z 0 0 2 0 24

X2 0 1 2/3 -1/3 4
X1 1 0 -1/3 2/3 4

Siempre que un problema tiene más de una solución óptima, al menos una de las variables no

básicas tiene un coeficiente igual a 0 en la ecuación de la función objetivo.

EJEMPLO 3.4:

Max 2×1 + 3×2

Sujeto a:

X1 + 2×2 + x3 = 4

X1 + x2 = 3

X1, x2, x3 >=0.

VB x1 x2 x3 x4 Solución

Z -2 -3 0 0 0

X3 1 2 1 -1/3 4

? 1 1 0 2/3 3

No hay variables de holgura para usarla como variable básica inicial en la ecuación (2) por lo

que la restricción se reescribe de la siguiente forma:

X1 + x2 + x4 = 3

donde x4 es variable artificial, como x4 no se hace 0 necesariamente sobre el plano (2),

debemos penalizar este valor en la función objetivo de manera que x4 se reduzca a 0 al

optimizar. Para esto se pone un coeficiente -M grande, en la función objetivo (-M al maximizar,

+M al minimizar con M > 0).

Al modificar la función objetivo queda así:

Z = 2×1 + 3×2 – Mx4

VB x1 x2 x3 x4 Solución

Z -M-2 -M-3 0 0 -3M

X3 1 2 1 0 4

X4 1 1 0 1 3
Primera iteración:

VB x1 x2 x3 x4 Solución

Z (-M-1)/2 0 (M+3)/2 0 -M+6

X2 1/2 1 1/2 0 2

X4 1/2 0 -1/2 1 1

Segunda iteración:

VB x1 x2 x3 x4 Solución

Z 0 0 1 M+1 7

X2 0 1 1 -1 1

X1 1 0 -1 2 2

Solución optima:

x1 = 2, x2 = 1, z = 7

Ø Para seleccionar la variable que entra en la tabla inicial tomamos el coeficiente más negativo

entre –M-2 y –M-3, siendo éste último. Sin embargo si hubiéramos utilizado un número muy

grande para M en una computadora, estos coeficientes se habrían considerado como iguales.

Para esto se utiliza el método simplex de dos fases.

III.1 EL METODO SIMPLEX DE DOS FASES

Una desventaja de la técnica M es el posible error de cálculo que puede resultar al asignarse

un valor muy grande a la constante M. Aquí se utilizan las variables artificiales, pero el uso de

la constante M se elimina resolviendo el problema en dos etapas:

FASE I: Agregar variables artificiales para asegurar una solución inicial. Formar una nueva

función objetivo para minimizar la suma de las variables artificiales sujeta a las restricciones

del problema original con las variables artificiales, si el mínimo es 0 (todas las variables

artificiales son 0), el problema original tiene soluciones factibles, entonces seguir con la Fase

II, si no detenerse.

FASE II: Utilizar la solución básica óptima de la FASE I como solución inicial para el problema

original

EJEMPLO 3.1.1: Un problema de penalización en dos fases:

Min z = 4×1 + x2
Sujeto a:

3×1 + x2 =3

4×1 + 3×2 >= 6

x1 + 2×2 <= 4

x1, x2 >= 0

Forma estándar con variables artificiales:

Min z = 4×1 + x2 + MR1 + MR2

Sujeto a:

3×1 + x2 + R1 = 3

4×1 + 3×2 – x3 +R2 = 6

x1 + 2×2 + x4 = 4

x1, x2, x3, R1, R2, x4 >= 0

FASE I:

Min r = R1 + R2

Sujeto a:

3×1 + x2 + R1 = 3

4×1 + 3×2 – x3 +R2 = 6

x1 + 2×2 + x4 = 4

x1, x2, x3, R1, R2, x4 >= 0

Como R1 y R2 están en la solución inicial, deben sustituirse en la función objetivo:

R = R1 + R2 = (3 – 3×1 – x2) + (6 – 4×1 – 3×2 + x3) = -7×1 – 4×2 + x3 + 9

Tabla inicial:

VB x1 x2 x3 R1 R2 x4 Solución

r 7 4 -1 0 0 0 9

R1 3 1 0 1 0 0 3
R2 4 3 -1 0 1 0 6

x4 1 2 0 0 0 1 4

La tabla optima se obtiene en dos iteraciones:

VB x1 x2 x3 R1 R2 x4 Solución

r 0 0 0 -1 -1 0 0

x1 1 0 1/5 3/5 -1/5 0 3/5

x2 0 1 -3/5 -4/5 3/5 0 6/5

x4 0 0 1 1 -1 1 1

Como el mínimo es 0, el problema tiene solución factible y pasamos a la fase II, las variables

artificiales sirvieron para encontrar una solución factible básica inicial.

Luego en la fase II resolvemos:

Min z = 4×1 + x2

Sujeto a:

x1 + 1/5 x3 = 3/5

X2 – 3/5 x3 = 6/5

X3 + x4 = 1

Para esto debemos efectuar las transformaciones correspondientes a la función objetivo, es

decir encontrar el coeficiente de las variables no básicas, en este caso x3, esto se logra

reemplazando en la función objetivo el valor de x1 y x2 de las ecuaciones.

Obteniéndose la tabla inicial para la fase II:

VB x1 x2 x3 x4 Solución

z 0 0 1/5 0 18/5

X1 1 0 1/5 0 3/5

X2 0 1 -3/5 0 6/5

X4 0 0 1 1 1

La tabla no es óptima ya que x3 debe entrar en la solución.

III.2 DEFINICION DEL PROBLEMA DUAL

El desarrollo de la programación lineal se ha visto reforzado por el descubrimiento de que todo

problema de programación lineal tiene asociado otro problema llamado dual.

El problema original se llama primal, ambos problemas están relacionados de tal manera que

la el valor de la función objetivo en el optimo es igual para ambos problemas, y la solución de

uno conduce automáticamente a la del otro.

Las relaciones entre ambos problemas facilitan el análisis de sensibilidad de un problema.

El dual es un problema de programación lineal se obtiene matemáticamente de un

problema primal.

La forma del problema dual es única y se define en base a la forma estándar general del

problema primal:

Optimizar (Max o Min) z = S j =1..ncjxj

Sujeto a S j =1..naijxj = bi

xj >= 0 con i = 1..m, j = 1..n

donde las n variables xj incluyen los excesos y las holguras.

El problema dual se construye simétricamente del primal de acuerdo a las siguientes reglas.

1. Para cada restricción primal (m restricciones) existe una variable dual yi (m variables),

la función objetivo se construye con los valores libres bi como coeficientes de las variables yi.

2. Para cada variable primal xj (n variables) existe una restricción dual (n restricciones),

la restricción se construye con los m coeficientes de las restricciones primales de esa variable.

Los valores libres son los n coeficientes cj.

3. Si la optimización primal es una Maximización, el problema dual es una Minimización y

las restricciones son >=. (y a la inversa Minimización primal, Maximización dual,

restricciones < ).

Ø Si consideramos los excesos y holguras las variables duales (yi)no tienen restricciones de

signo, en caso contrario en ambos problemas se considera variables >0. Por lo que las

variables duales correspondientes a restricciones del tipo = deben ser sin restricciones de

signo, recíprocamente cuando una variable en el primal no tiene restricción de signo, la

restricción correspondiente en el dual debe ser del tipo =.

EJEMPLO 3.2.1:

Max z = 3x1 + 5x2

Sujeto a:

x1 + 10×2 < 80

2x1 + 3x2 < 45

4x1 – 2x2 < 25

3x2 <60

x1, x2 > 0

Aplicando las reglas :

1. Para cada restricción primal (4 restricciones) existe una variable dual yi (4 variables)

y1 y2 y3 y4, la función objetivo se construye con los valores libres bi(80,45,25,60) como

coeficientes de las variables yi.

2. Para cada variable primal xj (2 variables sin considerar las variables de holgura) existe

una restricción dual (2 restricciones), la restricción se construye con los 4 coeficientes de las

restricciones primales de esa variable. Los valores libres son los 2 coeficientes cj (3, 5).

3. la optimización primal es una Maximización, el problema dual es una Minimización y las

restricciones son > .

Ø No hemos considerado las variables de excesos ni holguras las variables duales por lo que

en ambos problemas se considera variables ³ 0, no existen restricciones de =.

Problema dual:

1. Min Y = 80y1 + 45y2 + 25y3 + 60y4

Sujeto a:

Y1 + 2y2 + 4y3 > 3

10y1 + 3y2 – 2y3 + 3y4 > 5

y1, y2, y3, y4 > 0

2. Max Z = 3x1 + 7x2

Sujeto a:

2x1 + 5x2 = 15

x1 + 8x2 < 30

x1, x2 > 0

1. Para cada restricción primal (2 restricciones) existe una variable dual yi (2 variables)

y1 y2, la función objetivo se construye con los valores libres bi (15, 30) como coeficientes de

las variables yi.

2. Para cada variable primal xj (2 variables sin considerar las variables de holgura) existe

una restricción dual (2 restricciones), la restricción se construye con los 2 coeficientes de las

restricciones primales de esa variable. Los valores libres son los 2 coeficientes cj (3, 7).

3. Aplicando las reglas y la nota:

4. Nota: Para la segunda restriccion no hemos considerado las variables de excesos ni

holguras las variables duales por lo que en el dual y2 ³ 0, la primera restricción es de igualdad

por lo que la primera variable no tiene restricción de signo.

Problema dual:

Min Y= 15y1 + 30y2

Sujeto a:

2y1 + y2 ³ 3

5y1 + 8y2 ³ 7

y1 sin restricción de signo (irrestricta)

y2 ³ 0.

III.3 ANALISIS DE SENSIBILIDAD

Una vez obtenida la solución de un problema de programación lineal, es deseable investigar

cómo cambia la solución del problema al cambiar los parámetros del modelo.

Por ejemplo si una restricción de un problema es 4×1 + 6×2 < 80 donde 80 representa la

cantidad de recurso disponible. Es natural preguntarse ¿ que pasa con la solución del

problema si la cantidad de recurso (por ejemplo Horas) disminuye a 60?. Otras veces

podemos preguntarnos que pasa si cambiamos algunos coeficientes de la función

objetivo? O bien si agregamos una restricción o una variable. El estudio de la variación de un

problema de programación lineal debido a cambios de los parámetros del mismo, se

llama análisis de sensibilidad.

Una forma de responder estas preguntas sería resolver cada vez un nuevo problema. Sin

embargo esto es computacionalmente ineficiente.

Para esto es preferible hacer uso de las propiedades del método Simplex y de los problemas

primal y dual.

Recordemos que una vez que en un problema lineal se conoce B, C B y XB, la tabla simplex se

puede calcular utilizando B-1 y los datos originales del problema.

El efecto de los cambios en los parámetros del problema del análisis de sensibilidad

(posoptimo) se puede dividir en tres categorias:

1. Cambios en los coeficientes C de la función objetivo, solo afecta la optimalidad.

2. Cambios en el segundo miembro b solo pueden afectar la factibilidad.

3. Cambios simultáneos en C y b pueden afectar la optimalidad y la factibilidad.

EJEMPLO 3.3.1:

1. Cambios en los coeficientes objetivo:

Max z = 3×1 + 2×2 (ganancia)

Sujeto a

x1 + 2×2 + h1 = 6 (Materia Prima A)

2×1 + x2 + h2 = 8 (Materia prima B)

-x1 + x2 + h3 = 1 (demanda)

x2 + h4 = 2 (demanda)

x1, x2, x3, x4, x5, x6 > 0

Tabla primal Óptima:

VB x1 x2 x3 x4 x5 x6 Solución

z 0 0 1/3 4/3 0 0 12 2/3

x2 0 1 2/3 -1/3 0 0 1 1/3

x1 1 0 -1/3 2/3 0 0 3 1/3

x5 0 0 -1 1 1 0 3

x6 0 0 -2/3 1/3 0 1 2/3

Supongamos que cambiamos la función objetivo de z = 3×1 + 2×2 por z = 5×1 + 4×2, dado

el óptimo

XB = (x2, x1, x5, x6)

CB = (4, 5)

Y = (y1, y2, y3, y4)

= CBB-1 = (1, 2, 0, 0)
4 5 0 0 1/3 4/3 0 0

2/3 -1/3 0 0
 -1/3 2/3 0 0

-1 1 1 0

-2/3 1/3 0 1

Los nuevos coeficientes de la función objetivo son

Y(AI) – C que no es otra cosa que la diferencia entre ambos lados de las restricciones duales.

IV. MODELO DE TRANSPORTE

Existen dos aplicaciones importantes de la programación lineal que son el modelo de

transportes y el de asignación de recursos. Aún cuando la solución de estos modelos

puede obtenerse aplicando el método simplex, se estudian algoritmos especiales para la

solución de estos problemas.

Debido a su estructura especial, hace posible hace posible métodos de solución más eficientes

en términos del cálculo.

EJEMPLO 4.1:

Suponga que una compañía tiene m plantas de producción (i), de capacidad ai (i =

1…m) y n almacenes de distribución (j), con demanda bj (j = 1…n). El costo de transporte

entre la planta i y el almacén es conocido como cij.

El problema es determinar la cantidad (xij) que debe suministrar la planta i al almacén j, de

tal manera que el costo de transporte total sea mínimo. Las consideraciones de costos de

producción e inventario se pueden incorporar al modelo básico.

El modelo típico tiene cuatro componentes:

1. Un conjunto de m fuentes

2. Un conjunto de n destinos

3. Costos de transporte entre las fuentes y los destinos

4. Cantidades de producto para enviar entre las fuentes y los destinos.

El modelo general que representa el modelo de transporte es:

Min z = S iS j cijxij

Sujeto a:

S j xij = ai (fuentes i = 1..m)

S i xij = bj (destinos j = 1..n)

xij >= 0

IV.1 MODELOS BALANCEADOS Y NO BALANCEADOS

IV.1 MODELOS BALANCEADOS Y NO BALANCEADOS:

Un modelo de transporte se llama balanceado cuando:

S i ai = S j b

Esto significa que la suma de los suministros de todas las plantas debe ser igual a la suma de

las demandas de todos los almacenes.

Sin embargo en problemas de la vida real, esta igualdad rara vez se satisface.

Lo que se hace entonces es balancear el problema.

Si los requerimientos exceden a los suministros, se agrega una planta ficticia, que suministrará

la diferencia.

El costo de transporte desde la planta ficticia hacia cualquier almacén es cero.

Recíprocamente, si los suministros exceden a los requerimientos, se agrega un almacén ficticio

que absorberá el exceso.

El costo unitario de transporte desde las plantas al almacén ficticio es cero.

Ejemplo 4.1.1

Considere La Empresa Gerconsa productora de automóviles de tres plantas y dos centros de

distribución. Las capacidades de las tres plantas durante un trimestre son de 1000, 1500 y

1200 automóviles, la demanda trimestral en los dos centros de demanda son de 2300 y 1400

vehículos. El costo de transporte en dólares es:

Planta/Almacén 1 2

1 80 215

2 100 108

3 102 68

Sea xij el número de automóviles transportados desde la fuente i al destino j. Como la oferta

total (1000+1500+1200 = 3700) es igual a la demanda total (2300+1400 = 3700) el modelo

de transporte está equilibrado.

Por lo tanto el siguiente modelo representa la situación descrita:

Min z = 80x11 + 215x12 + 100x21 + 108x22 + 102x31 + 68x32

Sujeto a:

x11 + x12 = 1000

x21 + x22 = 1500

x31 + x32 = 1200

x11 + x21 + x31 = 2300

x12 + x22 + x32 = 1400

xij >= 0 para toda i, j.

Un método más resumido para representar el modelo de transporte consiste en utilizar los que

se llama tabla de transporte, esta es una matriz donde las filas representan las fuentes y las

columnas el destino. En cada celda se especifica la cantidad xij y el costo cij.:

Fuente/destino 1 2 Oferta

1 x11 80 x12 215 1000

2 x21 100 x22 108 1500

 3 x31 102 x32 68 1200

Demanda 2300 1400 3700

El método de transporte es un problema clásico dentro de la programación matemática; se

analiza la manera de obtener el costo mínimo de transportar una serie de productos desde n

fabricas, hasta m almacenes; cada envío tiene un costo particular que estará en función de la

distancia, el tipo de carretera, la cantidad y otras variables.

Como siempre, se entiende mejor con un ejemplo:

 La más famosa empresa dentro de las aulas universitarias, la Empresa Gerconsa, tiene
tres fabricas donde manufactura su famosísimo producto P, con capacidades de
producción de 25 (unidades por micronanosegundo, por segundo, hora, año… no importa,
es lo mismo para todos), 25,10 y debe surtir a 4 almacenes con demandas de 20,15,20,5
(unidades por micronanosegundo, segundos.. o lo que sea, siempre y cuando se maneje
la misma unidad temporal en todo el problema). Los costos de enviar desde cualquier
fábrica a cualquier almacén se pueden ver en la tabla abajo.
Capacidad de Producción (u/t)

Fabrica 1 Fabrica 2 Fabrica 3

25 25 10

Demanda de los Almacenes (u/t)

Almacén 1 Almacén 2 Almacén 3 Almacén 4

20 15 20 5

Costo de Transporte desde la Fabrica i al almacén j

Almacén
$/unid Almacén 1 Almacén 2 Almacén 3
4

Fabrica 1 2 2 0 4

Fabrica 2 5 9 8 3

Fabrica 3 6 4 3 2

Ahora la pregunta es cuánto se debe enviar desde cada fábrica a cada almacén con el fin de

obtener el mínimo costo.

Min Z = 2X11 + 2X12 +0X13 +4X14 +5X21 +9X22 +8X23 +3X24 +6X31+4X32 +

3X33 +2X24

Sujeto a:

1. Satisfacer la demanda de los almacenes:

X11+X21+X31 >= 20

X12+X22+X32 >= 15

X13+X23+X33 >= 20

X14+X24+X34 >= 5

2. No sobrepasar la capacidad disponible de las fabricas

X11+X12+X13+X14 <= 25

X21+X22+X23+X24 <= 25

X31+X32+X33+X34 <= 10

3. Por supuesto la condición de no negatividad y todas las variables enteras.

Bueno, aquí la formulación es un poco diferente a como lo hicimos en los dos ejemplos

anteriores. La idea aquí es la de tener dos matrices y dos vectores; una matriz se

corresponderá con las variables de decisión, y la otra matriz con los costos. La primera la

dejamos simplemente señalada, con algún formato para distinguirla, y la otra la digitamos. La

celda objetivo será la suma del producto de cada una de las posiciones de cada matriz con su

correspondiente en la otra; esto lo podemos hacer rápidamente con la función “sumaproducto”

del Excel. Las restricciones estarán en las columnas de “Consumo” y de “entregado”. Primero

preparemos el formato del problema, así:

Las variables de decisión están en el rango [B4-E6]. La celda objetivo sería algo así como esto:

= B4*B10+ C4*C10+… pero eso sería muy largo. La manera corta es:= SUMAPRODUCTO

(B4:E6,B10:E12).La cantidad entregada a cada almacén se ve en la fila 8. Por ejemplo para la

celda B8, su fórmula es:=B4+B5+B6. La restricción de la capacidad de las fabricas la

escribiremos en función del consumo en la columna G; por ejemplo para la celda

G4:=B4+C4+D4+E4. Las restricciones las escribiremos en el cuadro de diálogo como lo

entregado debe ser mayor o igual a lo requerido, y lo consumido debe ser menor igual que lo

disponible, tal como se puede ver en la captura siguiente:

Las variables de decisión deben ser enteras. Luego de introducir los datos en éste cuadro de

diálogo y de hacer click en resolver, se hallará la siguiente solución:

V. EL PROBLEMA DE LA ASIGNACIÓN

El Problema de la Asignación es un problema clásico de la Investigación de Operaciones y es

un caso particular del Problema del Transporte.

Este problema se trata de asignar una serie de Recursos a una serie de tareas. Tiene una

limitante y es que a cada tarea se le puede asignar sólo un recurso, pueden sobrar recursos o

podrían sobrar tareas pero no se le puede asignar dos recursos a una misma tarea, o tres…

por ejemplo si se tienen tres operarios con diferentes tiempos de operación en cuatro máquinas

el modelo nos diría como asignar los tres operarios a tres máquinas (nos sobraría una) de

manera que se minimice el tiempo total, pero no nos diría como asignar dos operarios a dos

máquinas y el otro operario a las otras dos máquinas

Ejemplos de Asignaciones: Operarios a Tareas, Máquinas a Operarios, Nadadores a Estilos,etc.

El Problema de la Asignación se basa en una información comparativa para tomar la decisión

de que asignar a que, por ejemplo una matriz de costos, una matriz de tiempos, de ingresos,
etc. Cuando la matriz no está balanceada, es decir, cuando no es cuadrada, cuando sobran

filas o columnas, se debe balancear para que tenga solución mediante la inclusión de filas o

columnas ficticias, con valores de cero en dicha matriz.

V.1 FORMULACION DE PROGRAMACION LINEAL

EJEMPLO 5.1.1: Existen cuatro operarios que se pueden asignar al trabajo con tres

máquinas. Un estudio de tiempos y movimientos ha arrojado los siguientes tiempos por

operario para las tres máquinas. Indicar que operario debe trabajar en que máquina y cuál de

ellos no será asignado a ninguna.

Máquina 1 Máquina 2 Máquina 3

Operario 1 10 7 9

Operario 2 7 5 8

Operario 3 9 8 10

Operario 4 8 9 7

Como la matriz no esta balanceada, es necesario incluir una máquina ficticia:

(esto es fundamental para asegurar que haya una respuesta. Si la matriz no está balanceada,

el problema no será factible de resolver)

Máquina 1 Máquina 2 Máquina 3 Máquina Ficticia

Operario 1 10 7 9 0

Operario 2 7 5 8 0

Operario 3 9 8 10 0

Operario 4 8 9 7 0

Xij = Se debe asignar el operario i a la máquina j? Sí o no?

En matemáticas existen dos números cuyas propiedades hacen que puedan representar estas

respuestas son el 1 y el 0, debido a que todo número multiplicado por 1 da el mismo número

entonces el 1 se puede reemplazar por la respuesta Sí y como todo número multiplicado por

cero da cero entonces se puede reemplazar por la respuesta No.

Así por ejemplo:

10X11 + 7X12 + 9X13 + 0X14

Representa el tiempo sumado que emplearía el operario1 en operar las máquinas, pero solo

una variable de las tres anteriores puede tomar el valor de Sí, o sea de 1 las demás tendrán
que tomar el valor de 0, y eso es debido a que el operario 1 sólo puede ser asignado a una

máquina, lo que significaría que el tiempo que utilice el operario 1 puede ser ya sea de “10”

de “7” o de “9”. Con base en esto podemos formular la función objetivo:

Min Z = 10X11 + 7X12 + 9X13

7X21 + 5X22 + 8X23
9X31 + 8X32 + 10X33
8X41 + 9X42 + 7X43

Restricciones:

Como cada operario sólo puede estar asignado a una máquina….

X11 + X12 + X13 + X14 = 1

X21 + X22 + X23 + X24 = 1

X31 + X32 + X33 + X34 = 1

X41 + X42 + X43 + X44 = 1

Y como cada máquina solo puede tener un operario asignado…

X11 + X21 + X31 + X41 = 1

X12 + X22 + X32 + X42 = 1

X13 + X23 + X33 + X43 = 1

X14 + X24 + X34 + X44 = 1

Xij = 1 o 0 para toda i,j.

Al resolver utilizando Software, por ejemplo el Solver del Excel, la respuesta que se obtiene es

la siguiente:
Máquina 1 Máquina 2 Máquina 3 Máquina Fic.

Operario
0 0 0 1
1

Operario
0 1 0 0
2

Operario
1 0 0 0
3

Operario
0 0 1 0
4
Esto significa que el Operario 1 queda asignado a la Máquina Ficticia (es decir, es el que sobra),

el operario 2 se asigna a la máquina 2, el operario 3 se asigna a la máquina 1 y el operario 4

se asigna a la máquina 3.

V.2 ALGORITMO HUNGARO

El Algoritmo Húngaro sirve para reemplazar los métodos tradicionales de la Programación

Binaria, que implican muchos cálculos, aprovechando la forma especial que tienen los

problemas de Asignación.

Los siguientes pasos que se presentan a continuación son para minimizar, pero con algunas

modificaciones se puede emplear también para maximizar.

Ø Si la matriz no está balanceada, balancearla incluyendo las filas o columnas ficticias

necesarias.

Ø De cada elemento de la matriz restar el mínimo valor de cada fila

Ø De cada elemento de la matriz restar el mínimo valor de cada columna

Ø Realizar la Asignación de la siguiente manera:

Ø Cada cero que se encuentre en la matriz significa que se puede asignar esa fila a esa

columna, pero una vez hecha esta asignación, ya no se tendrá en cuenta todos los demás

ceros de esa misma fila y esa misma columna, debido a que sólo se puede asignar una fila a

una columna.

Ø Buscar de arriba a abajo la fila que tenga menos ceros, pero que mínimo tenga uno. (Pues

si no tiene ninguno significa que esa fila no se puede asignar a ninguna columna) y asignar

esa fila a la columna donde esta el cero (puede ser el primer cero que encuentre de izquierda

a derecha). Tachar esa fila y esa columna para indicar que ya fueron asignados, para que los

demás ceros de esa fila y esa columna no se tengan en cuenta. Repetir este paso hasta que

haga todas las asignaciones que más pueda. Si todas las filas quedaron asignadas a todas las

columnas el problema ha finalizado y esa es la solución óptima, sino será necesario utilizar el

método de Flood (también se llama condición de Köning) que se explica a continuación.

V.2.1 MÉTODO DE FLOOD:

Ø Señalar todas las filas que no tienen una asignación. (Cuando digo señalar puede ser una

pequeña X a la izquierda de la fila o arriba de la columna)

Ø Señalar todas las columnas que tengan un cero en la columna señalada.

Ø Señalar todas las filas que tienen una asignación en las columnas indicadas.

Ø Repetir estos pasos hasta que no pueda señalarse más columnas o filas.

Ø Dibujar una línea por cada fila NO señalada y por cada columna SI señalada.

Ø Encontrar el mínimo valor de los elementos no cubiertos y restarlo a todos los elementos no

cubiertos, y sumar este valor a cada elemento que se encuentre en la intersección de una línea

horizontal con una línea vertical.

Ø Realizar la Asignación… si no es óptima hacer flood, iterar hasta que se pueda hacer la

asignación.

V.3 PROGRAMACION BINARIA EN EL PROBLEMA DE ASIGNACION

Muchas de las situaciones en la vida exigen una de dos respuestas posibles: si o no. Así es

que podemos representar éstas posibilidades con los valores 0 (no) y 1 (si), y aprovechar las

matemáticas para que nos den una mano ante decisiones difíciles; a esto es lo que solemos

llamar -por obvias razones- Programación Binaria.

Una de las muchísimas aplicaciones de la Programación Binaria, es el problema de la

Asignación. ¿Se debe asignar el recurso i a la tarea j ? ¿Si o no?

EJEMPLO 5.3.1:

Se tienen tres personas (recurso) para asignarlos a tres labores diferentes. Cada uno de ellos

puede efectuar cualquiera de las tareas existentes, pero con diferente nivel de especialidad.

Sus respectivos jefes los han calificado de 1 a 10, para cada tarea en particular. Por supuesto

el objetivo es el de asignar a las personas de manera tal que la calificación en conjunto sea la

máxima. Ver tabla de calificaciones abajo.

También funciona para minimizar. Por ejemplo, en vez de calificación podrían ser tiempos de

manufactura de cualquier tipo de productos, y el objetivo sería el de minimizar el tiempo total

de manufactura.

Calificación de Operario por Tarea

Tarea 1 Tarea 2 Tarea 3

Operario
8 6 4
1

Operario
9 7 3
2
Operario
6 5 7
3

Xij = 1 si asignamos el operario i a la tarea j, de lo contrario 0

En éste orden de ideas, nuestro deseo es maximizar la calificación total al asignar los operarios

a las diferentes tareas.

Max Z = 8X11 + 6 X12 + 4 X13 + 9X21 +7 X22 +3X33 +6X31 +5X32 +7X33

SUJETO A:

1. Cada operario sólo puede tener una tarea asignada

X11 +X12 +X13 = 1 (Es decir, sólo se puede responder Si una sóla vez.)

X21 +X22 +X23 = 1

X31 +X32 +X33 = 1

2. Cada tarea puede tener un sólo operario asignado

X11 + X21 + X31 = 1

X12 + X22 + X32 = 1

X13 + X23 + X33 = 1

3. La obvia: Xij = 0,1 para toda i y toda j.

Ahora en Excel…

Este puede ser el formato:

Las variables de decisión, están localizadas en el rango de celdas B4:D6, como ya habíamos

dicho son binarias, van a tomar el valor de 1 si se asigna ese operario a esa tarea, cero de lo

contrario. La calificación que se logre está en la celda B2, y es el resultado de sumar el producto

de dichas variables con su respectiva calificación en la matriz de abajo. Ya se había dicho que

esto se logra fácilmente así: =SUMAPRODUCTO (B4:D6, B9:D11). Como un operario sólo se

puede asignar a una tarea, colocamos una columna de Suma (E), ésta es por ejemplo para la
celda E4: =B4+ C4 + D4. Cuando agreguemos las restricciones, ésta columna debe ser igual

a uno, pues sólo se puede responder que si una vez, ni más, ni menos. De igual manera

agregamos una fila (7), para asegurarnos que a una tarea sólo se asigne un operario, por

ejemplo la celda B7: =B4+ B5+ B6 Deberá ser igual a 1. Ahora en el cuadro de diálogo de los

parámetros de Solver, lo colocamos así:

Luego de hacer click en resolver…

La calificación máxima lograda es de 22. Y se asignó el operario 1 a la tarea 2, el operario 2

a la tarea 1 y el operario 3 a la tarea 3. Para los programas Lineales enteros es muy importante

que Solver, esté debidamente configurado para un número suficiente de iteraciones, de

tiempo, de precisión y de convergencia, para esto ver los detalles de Solver

VI. BIBLIOGRAFIA

1. Eppen G.D , Gould F.J, Schmidt C.P. Investigaciòn de operaciones en la Ciencia

Administrativa
2. Hiller, Frederics.Introduccion a la Investigación de Operaciones, Quinta

Edicion, 1991_MC_Graw_Hill

3. Kaufman, Arnold.Metodos y Modelos de Investigacion de operaciones,Quinta

Edicion, 1984, CECSA

4. Levin, Richard I. Kirkpatrick, Charles A. Enfoques Cuantitativos a la

Administración. Primera Edicion, 1983

5. Lumberger David, Programación Lineal y no Lineal. Wesley ED Addison,

Iberoamericana, 1989, EUA.

6. Nagui,Mohammad. Investigación de Operaciones. Interpretación de Modelos y

Casos. Editorial Limusa, 1996, México

7. Prawda , Juan. Métodos y Modelos de Investigación de Operaciones, volumen 1:

Modelos Deterministicos, Octava Reimpresión, 1989, Limusa Mexico.

8. Taha, Hamdy A., Investigación de Operaciones. Sexta edición 1999, Alfa y Omega S.A.

Mexico

9. Web Site:

Ø http://www.elprisma.com

Ø http://selva.dit.upm.es/ cd/apuntes/tema3/tema3.html

Ø http://ekeko.rcp.net.pe/rcp/listas/ioper/iosa.html
Advertisements

Rate this:

5 Votes

Posted in Inv.Operativa I | Leave a Comment

Comments RSS
Leave a Reply
 ARCHIVES
o March 2011 (3)
 CATEGORIES
o Introduccion (1)
o Inv. Operativa II (1)
o Inv.Operativa I (1)
 PAGES
o Investigacion
Create a free website or blog at WordPress.com.

WPThemes.

Administración de Inventarios
EJEMPLO 1: Toma aproximadamente dos semanas (14 días) para que una
orden de tornillos de acero llegue, una vez que la orden se ha colocado. La
demanda para los tornillos es casi constante. La administradora ha observado
que la tienda de ferretería vende, en promedio, 500 de estos tornillos cada día.
Debido a que la demanda es más o menos constante, ella supone que puede
evitar completamente el faltante de inventario si ordena los tornillos en el
momento correcto. ¿Cuál es el punto de reorden?

EJEMPLO 2: El tiempo de entrega para uno de los productos de más movimiento

es de 21 días. La demanda durante este periodo promedia 100 unidades por día.
¿Cuál sería un punto de reorden apropiado?

EJEMPLO 3: Doug Brauer utiliza 1500 piezas por año de un cierto subensamble
que tiene un costo anual de manejo de inventario de 45 dólares por unidad. Cada
orden que coloca le cuesta 150 dólares a Doug. Doug opera 300 días por año y
ha encontrado que una orden se debe colocar con su proveedor seis días
laborales antes de que pueda esperar la recepción de esa orden. Para este
subesamble, encuentre:
a) La cantidad económica de la orden
b) El costo anual de manejo
c) El costo anual de ordenar
d) El punto de reorden

EJEMPLO 4: Jan Kottas es el propietario de una pequeña compañía que

produce cuchillos eléctricos que se utilizan para el corte de telas. La demanda
anual es de 8000 cuchillos, y Jan produce los cuchillos en lotes. En promedio,
Jan puede producir 150 cuchillos diariamente; durante el proceso de producción,
la demanda de cuchillos ha sido cerca de 40 cuchillos por día. El costo para
preparar el proceso de producción es de 100 dólares, y le cuesta a Jan 80
centavos de dólar manejar el inventario de un cuchillo durante un año. ¿Cuántos
cuchillos debe producir Jan en cada lote?
EJEMPLO 5: La compañía Yvette Angel manufactura un producto para el cual
la demanda anual es de 10000 piezas. La producción promedio es de 200 por
día, mientras que la demanda es cercana a 50 piezas por día. El costo de manejo
del inventario es de un dólar por unidad al año; los costos de preparación son de
200 dólares. Si usted desea fabricar este producto en lotes, ¿Qué tamaño de lote
se debe utilizar?

EJEMPLO 6: Christina Reilly, de Reilly Plumbing, utiliza 1200 piezas de una

parte suelta que cuesta 25 dólares por cada orden y el costo anual de manejo es
de 24 dólares. Calcule el costo total para tamaños de orden de 25, 40, 50, 60 y
100. Identifique la cantidad económica de la orden y considere las implicaciones
de cometer un error en el cálculo de la cantidad económica de la orden.

https://katos.jimdo.com/cursos/administraciondeoperaciones/