Académique Documents
Professionnel Documents
Culture Documents
Antología
Investigación
de
Operaciones
Docente:
Temario
1. Programación Lineal
1.1. Definición, desarrollo y tipos de modelos de Investigación de Operaciones
1.2. Formulación de Modelos
1.3. Método Gráfico
1.4. Fundamentos del Método Símplex
1.5. Aplicaciones diversas de programación lineal
2. Análisis de Redes
2.1. Conceptos básicos
2.2. Problema de Transporte
2.3. Problema de Asignación
2.4. Problema de la ruta más corta
2.5. Programación de Proyectos (PERT-CPM)
3. Programación no Lineal
3.1. Conceptos básicos de problemas de programación no lineal
3.2. Ilustración gráfica de problemas de programación no lineal
3.3. Tipos de problemas de programación no lineal
3.4. Optimización clásica
3.4.1. Puntos de inflexión
3.4.2. Máximos y mínimos
4. Teoría de Inventarios
4.1. Sistemas de Administración y control
4.2. Modelos Determinísticos
4.2.1. Lote económico sin déficit
4.2.2. Lote económico con déficit
4.3. Lote Económico de producción
5. Líneas de espera
5.1. Definiciones, características y suposiciones.
5.2. Terminología y notación
5.3. Proceso de nacimiento o muerte
5.4. Modelos de Poisson
5.4.1. Un servidor
5.4.2. Múltiples Servidores
5.5. Análisis de Costos
Unidad 1
Programación Lineal
1.1. Definición, desarrollo y tipos de modelos de Investigación de Operaciones
Es muy notable el rápido crecimiento del tamaño y la complejidad de las organizaciones (empresas)
humanas que se ha dado en estos últimos tiempos. Tal tamaño y complejidad nos hace pensar que una sola
decisión equivocada puede repercutir grandemente en los intereses y objetivos de la organización y en
ocasiones pueden pasar años para rectificar tal error. También el ritmo de la empresa de hoy implica que las
DECISIONES se tomen más rápidamente que nunca, pues el hecho de posponer la acción puede dar una
decisiva ventaja al contrario en este mundo de la competencia.
La palpable dificultad de tomar decisiones ha hecho que el hombre se aboque en la búsqueda de una
herramienta o método que le permita tomar las mejores decisiones de acuerdo a los recursos disponibles y a
los objetivos que persigue. Tal herramienta recibió el nombre de Investigación de Operaciones.
De la definición de Investigación de Operaciones, como veremos en el siguiente apartado, podemos
resaltar los siguientes términos: organización, sistema, grupos interdisciplinarios, objetivo y metodología
científica.
Una organización puede entenderse como un sistema, en el cual existen componentes; canales que
comunican tales componentes e información que fluye por dichos canales. En todo sistema las
componentes interactúan unas con otras y tales interacciones pueden ser controlables e incontrolables. En
un sistema grande, las componentes se relacionan de muchas maneras, pero no todas son importantes, o
mejor dicho, no todas las interacciones tienen efectos importantes en las componentes del sistema.
Por lo tanto es necesario que exista un procedimiento sistemático que identifique a quienes toman
decisiones y a las interacciones que tengan importancia para los objetivos de la organización o sistema. Uno
de esos procedimientos es precisamente la Investigación de Operaciones.
Una estructura por la que no fluye información, no es dinámica, es decir, no podemos considerarla
como un sistema. Por lo tanto podemos decir que la información es lo que da “vida” a las estructuras u
organizaciones humanas.
Los objetivos de toda organización serán siempre alcanzar el liderato en su rama, controlando la
eficiencia y efectividad de todas sus componentes por medio de métodos que permitan encontrar las
relaciones óptimas que mejor operen el sistema, dado un objetivo específico.
Ante el tremendo avance que se ha dado en casi todas las ciencias en las últimas décadas, ya no es
factible querer saber un poco de todo, sino más bien especializarse en alguna rama de la ciencia. Los
problemas que se presentan en las organizaciones no fácilmente se pueden resolver por un sólo especialista.
Por el contrario son problemas multidisciplinarios, cuyo análisis y solución requieren de la participación de
varios especialistas. Estos grupos interdisciplinarios necesariamente requieren de un lenguaje común para
poder entenderse y comunicarse, donde la Investigación de Operaciones viene a ser ese puente de
comunicación.
El enfoque de la Investigación de Operaciones es el mismo del método científico. En particular, el
proceso comienza por la observación cuidadosa y la formulación del problema y sigue con la construcción
de un modelo científico (por lo general matemático) que intenta abstraer la esencia del problema real. En
este punto se propone la hipótesis de que el modelo es una representación lo suficientemente precisa de las
características esenciales de la situación como para que las conclusiones (soluciones) obtenidas sean válidas
también para el problema real. Esta hipótesis se verifica y modifica mediante las pruebas adecuadas.
Entonces, en cierto modo, la Investigación de Operaciones incluye la investigación científica creativa de las
propiedades fundamentales de las operaciones. Sin embargo, existe más que esto. En particular, la
Investigación de Operaciones se ocupa también de la administración práctica de la organización. Así, para
tener éxito, deberá también proporcionar conclusiones positivas y claras que pueda usar el tomador de
decisiones cuando las necesite.
1. La estructuración de una situación de la vida real como un modelo matemático, logrando una
abstracción de los elementos esenciales para que pueda buscarse una solución que concuerde
con los objetivos del tomador de decisiones. Esto implica tomar en cuenta el problema dentro
del contexto del sistema completo.
2. El análisis de la estructura de tales soluciones y el desarrollo de procedimientos sistemáticos
para obtenerlas.
3. El desarrollo de una solución, incluyendo la teoría matemática si es necesario, que lleva al valor
óptimo de la medida de lo que se espera del sistema (o quizá que compare los cursos de acción
opcionales evaluando esta medida para cada uno).
1. Formulación y definición del problema. En esta fase del proceso se necesita: una descripción de
los objetivos del sistema, es decir, qué se desea optimizar; identificar las variables implicadas, ya sean
controlables o no; determinar las restricciones del sistema. También hay que tener en cuenta las
alternativas posibles de decisión y las restricciones para producir una solución adecuada.
2. Construcción del modelo. En esta fase, el investigador de operaciones debe decidir el modelo a
utilizar para representar el sistema. Debe ser un modelo tal que relacione a las variables de decisión
con los parámetros y restricciones del sistema. Los parámetros (o cantidades conocidas) se pueden
obtener ya sea a partir de datos pasados o ser estimados por medio de algún método estadístico. Es
recomendable determinar si el modelo es probabilístico o determinístico. El modelo puede ser
matemático, de simulación o heurístico, dependiendo de la complejidad de los cálculos matemáticos
que se requieran.
3. Solución del modelo. Una vez que se tiene el modelo, se procede a derivar una solución matemática
empleando las diversas técnicas y métodos matemáticos para resolver problemas y ecuaciones.
Debemos tener en cuenta que las soluciones que se obtienen en este punto del proceso, son
matemáticas y debemos interpretarlas en el mundo real. Además, para la solución del modelo, se
deben realizar análisis de sensibilidad, es decir, ver cómo se comporta el modelo a cambios en las
especificaciones y parámetros del sistema. Esto se hace, debido a que los parámetros no
necesariamente son precisos y las restricciones pueden estar equivocadas.
4. Validación del modelo. La validación de un modelo requiere que se determine si dicho modelo
puede predecir con certeza el comportamiento del sistema. Un método común para probar la validez
del modelo, es someterlo a datos pasados disponibles del sistema actual y observar si reproduce las
situaciones pasadas del sistema. Pero como no hay seguridad de que el comportamiento futuro del
Ing. René Zahorí Torres Becerra 5
Antología de Investigación de Operaciones
5. Implementación de resultados. Una vez que hayamos obtenido la solución o soluciones del
modelo, el siguiente y último paso del proceso es interpretar esos resultados y dar conclusiones y
cursos de acción para la optimización del sistema. Si el modelo utilizado puede servir a otro
problema, es necesario revisar, documentar y actualizar el modelo para sus nuevas aplicaciones.
1. Determinísticos 2. Probabilísticos
1.1. Programación matemática 2.1. Programación estocástica
1.1.1. Programación lineal 2.2. Gestión de inventarios
1.1.2. Programación entera 2.3. Fenómenos de espera (colas)
1.1.3. Programación dinámica 2.4. Teoría de juegos
1.1.4. Programación no lineal 2.5. Simulación
1.1.5. Programación multiobjetivo
1.2. Modelos de transporte
1.3. Modelos de redes
Concepto de optimización.
Como su nombre lo dice, Investigación de Operaciones significa “hacer investigación sobre las
operaciones”. Esto dice algo del enfoque como del área de aplicación. Entonces, la Investigación de
Operaciones se aplica a problemas que se refieren a la conducción y coordinación de operaciones o
actividades dentro de una organización. La naturaleza de la organización es esencialmente inmaterial y, de
hecho, la Investigación de Operaciones se ha aplicado en los negocios, la industria, la milicia, el gobierno,
los hospitales, etc. Así, la gama de aplicaciones es extraordinariamente amplia. Casi todas las
organizaciones más grandes del mundo (alrededor de una docena) y una buena proporción de las industrias
más pequeñas cuentan con grupos bien establecidos de Investigación de Operaciones. Muchas industrias,
incluyendo la aérea y de proyectiles, la automotriz, la de comunicaciones, computación, energía eléctrica,
electrónica, alimenticia, metalúrgica, minera, del papel, del petróleo y del transporte, han empleado la
Investigación de Operaciones. Las instituciones financieras, gubernamentales y de salud están incluyendo
cada vez más estas técnicas.
Para llevar a cabo la Formulación de un Modelo es necesario seguir los siguientes puntos:
2. Restricciones. Para tener en cuenta las limitaciones tecnológicas, económicas y otras del sistema, el
modelo debe incluir restricciones (implícitas o explícitas) que restrinjan las variables de decisión a
un rango de valores factibles.
3. Función objetivo. La función objetivo define la medida de efectividad del sistema como una
función matemática de las variables de decisión. Se Maximiza “Ganancia” y se Minimiza “Costos”.
La solución óptima será aquella que produzca el mejor valor de la función objetivo, sujeta a las
restricciones.
Ejemplos
1. La WYNDOR GLASS CO. Produce artículos de vidrio de Alta calidad, entre ellos ventanas y
puertas de vidrio. Tiene tres plantas. Los marcos y molduras de aluminio se hacen en la planta 1, los
de madera en la planta 2 y la 3 produce el vidrio y ensambla los productos.
Debido a una reducción de las ganancias, la alta administración ha decidido reorganizar la línea de
producción de la compañía. Se descontinuarán varios productos no rentables y se dejará libre una
parte de la capacidad de la producción para emprender la fabricación de los 2 productos nuevos que
tienen ventas potenciales grandes:
Producto 1: Una puerta de vidrio de 8 pies con marco de aluminio.
Producto 2: Una ventana corrediza con marco de madera de 4 pies por 6.
El producto 1 requiere parte de la capacidad de producción en las plantas 1 y 3 y nada en la planta 2.
El producto 2 solo necesita trabajo en las plantas 2 y 3. La división de comercialización ha
concluido que la compañía puede vender todos los productos que se puedan fabricar en las plantas.
Sin embargo, como ambos productos competirán por la misma capacidad de producción en la
planta 3, no está claro que mezcla de productos sería la más rentable. Por lo tanto se ha formado un
equipo de IO para estudiar este problema.
Después de hacer una investigación, el depto. De IO determinó:
El porcentaje de la capacidad de producción en cada planta que estará disponible para estos
productos.
El porcentaje de esta capacidad que requiere cada unidad producida por minuto.
La ganancia unitaria por cada minuto.
Definición de variables:
2. La compañía XYZ fabrica zapatos de dos clases: Normales y de Lujo, se desea determinar su
producción de cada clase de zapatos en tal forma que maximice sus utilidades diarias durante el mes
siguiente. El tiempo empleado en producir un par de zapatos de lujo, es el doble del necesario para
un par estándar.
Si todos los zapatos fuesen de clase estándar la compañía tendría la capacidad de producir 1200
pares por día. El suministro de piel es suficiente para 900 pares por día sin importar la clase de
zapatos. De los otros materiales necesarios se tiene la capacidad de producir 600 pares de lujo por
día y 1300 pares estándar por día.
Las utilidades netas son de $60.00 y $30.00 para zapatos de Lujo y estándar respectivamente.
Definición de variables:
Xi >= 0 i
Definición de variables:
Xi >= 0 i
Los datos de cosechas para la Confederación Sur de kibbutzim son los siguientes:
Cumpliendo con las restricciones dadas el objetivo es maximizar el rendimiento total para la
Confederación Sur.
s.a.
Terreno: X1 + X2 + X3 <= 400 Cosecha: X1 + X4 + X7 <= 600
X4 + X5 + X6 <= 600 X2 + X5 + X8 <= 500
X7 + X8 + X9 <= 300 X3 + X6 + X9 <= 325
Agua: 3X1 + 2X2 + X3 <= 600 𝑋1 +𝑋2 +𝑋3 𝑋4 +𝑋5 +𝑋6 𝑋7 +𝑋8 +𝑋9
Proporción: = =
400 600 300
3X4 + 2X5 + X6 <= 800
Xi >= 0 i
3X7 + 2X8 + X9 <= 375
s.a.
Capacidad: X1 + X2 + X3 <= 750 Demanda: X1 + X4 + X7 >= 750
X4 + X5 + X6 <= 900 X2 + X5 + X8 >= 1200
X7 + X8 + X9 <= 450 X3 + X6 + X9 >= 900
La familia quiere determinar cuántos acres debe sembrar con cada tipo de cosecha y cuantas vacas y
gallinas debe mantener para maximizar su ingreso neto.
X1 = Cantidad de Soya a sembrar por acre X5 = Cantidad de gallinas a mantener por acre
X2 = Cantidad de Maíz a sembrar por acre X5 = Cantidad ganada en Invierno
X3 = Cantidad de Avena a sembrar por acre X6 = Cantidad ganada en Verano
X4 = Cantidad de vacas a mantener por acre
s.a.
Terreno: X1 + X2 + X3 + 1.5X4 <= 125 Hrs.-Hombre Verano:
Inversión: 1200X4+9X5 <= 40,000 50X1 + 75X2 + 40X3 + 50X4 + 0.3X5 <= 4000
Costos Utilidad
Proyecto
Año 1 Año 2 Año 3 Total
1 7 10 3 95
2 3 13 7 50
3 16 12 16 130
4 12 8 15 100
Definición de variables:
X1 = Proyecto 1
X2 = Proyecto 2
X3 = Proyecto 3
X4 = Proyecto 4
Xi >= 0 i
8. Una compañía distribuidora de cerveza desea saber que política de distribución minimizará sus costos
de distribución, si cuenta con depósitos en: Monterrey, México y Guadalajara, y los centros de
consumo a los que tiene que surtir son: Tecate, Culiacán, Durango y Mérida.
Los costos de distribución entre centros de consumo y depósitos, así como las capacidades y
demandas por periodos son:
Definición de variables: Xij Cantidad de miles de cartones que se van a mandar del centro de
producción i al lugar de consumo j. (i=1, 2, 3 y j=1, 2, 3, 4).
Min Z = 8X11 + 3X12 + 4X13 + 5X14 + 7X21 + 6X22 + 5X23 + 2X24 + 2X31 + 4X32 + 3X33 + 3X34
s.a.
Capacidad: X11 + X12 + X13 + X14 <= 550
X21 + X22 + X23 + X24 <= 300
X31 + X32 + X33 + X34 <= 200
Xij >= 0 ij
9. Una granja desea encontrar la fórmula de una dieta para pollos que suponga una mezcla de 100 lbs.
que es el lote diario requerido. La dieta debe contener al menos 0.8% pero no más de 1.2% de calcio,
al menos 22% de proteínas, a lo más 5% de fibra cruda. Suponga que los principales ingredientes
utilizados contienen maíz, soya y caliza. El contenido nutritivo de estos ingredientes se resume a
continuación:
X1 = Piedra Caliza
X2 = Maíz
X3 = Soya
Xi >= 0 i
El tiempo de mano de obra para cada unidad del modelo I es 2 veces el del modelo II y 3 veces el del
modelo III. La fuerza laboral completa de la fábrica puede producir el equivalente de 700 unidades
del modelo I. En una encuesta de mercado se indica que la demanda mínima de los 3 modelos es de
200, 250 y 150 unidades respectivamente, sin embargo las relaciones del no. unidades producidas
debe ser igual a 3:2:5. Suponga que los beneficios pos unidad de los modelos I, II y III son: 30, 20 y
50 unidades monetarias. Formule el problema por medio de un modelo de programación lineal.
X1 = Modelo I
X2 = Modelo II
X3 = Modelo III
Xi >= 0 i
11. Se procesan 4 productos sucesivamente en 2 maquinas. Los tiempos de manufactura en hrs. por
unidad de cada producto se tabulan a continuación para las 2 maquinas:
X1 = Producto 1
X2 = Producto 2
X3 = Producto 3
X4 = Producto 4
Xi >= 0 i
12. Para una cafetería que trabaja 24 horas se requieren las siguientes meseras:
Cada mesera trabaja turnos de 8 horas consecutivas por día. El objetivo es encontrar el número más
pequeño de meseras requerido para cumplir los requisitos anteriores. Formule el problema con un
modelo de programación lineal.
Min Z = X1 + X2 + X3 + X4 + X5+ X6 + X0
s.a.
X0 + X1 >= 4 (Turno de 02 – 06)
X1 + X2 >= 8 (Turno de 06 – 10)
X2 + X3 >= 10 (Turno de 10 – 14)
X3 + X4 >= 7 (Turno de 14 – 18)
X4 + X5 >= 12 (Turno de 18 – 22)
X5 + X0 >= 4 (Turno de 22 – 02)
Xi >= 0 i
13. Dos aleaciones A y B se hacen de materiales (I, II, III y IV) de acuerdo con las siguientes
especificaciones:
Aleación A: Aleación B:
A lo más 80% de I Entre 40% y un 60% de II
A lo más 30% de II Al menos 30% de III
Al menos 50% de IV A lo menos 70% de IV
Suponiendo que los precios de venta de las aleaciones A y B son $200.00 y $300.00 pesos por
tonelada. Formule un modelo de programación lineal para resolver este problema.
Definición de variables: Xijk Cantidad de minerales necesarios para extraer los metales (Aleación
i=1,2, Mineral j=1,2,3 y Constituyente k=1,2,3,4).
Min Z = 30(X111 + X112 + X113 + X114 + X211 + X212 + X213 + X214) + 40(X121 + X122 + X123 + X124
+ X221 + X222 + X223 + X224) + 50(X131 + X132 + X133 + X134 + X231 + X232 + X233 + X234)
Toneladas por mineral: ∑Xi1k <= 1,000, ∑Xi2k <= 2,000, ∑Xi3k <= 3,000
Xi >= 0 1
i
El modelo se puede resolver en forma gráfica si sólo tiene dos variables. Para modelos con tres o
más variables, el método gráfico es impráctico o imposible.
Cuando los ejes son relacionados con las variables del problema, el método es llamado método
gráfico en actividad. Cuando se relacionan las restricciones tecnológicas se denomina método gráfico en
recursos.
1. Graficar las soluciones factibles, o el espacio de soluciones (factible), que satisfagan todas las restricciones
en forma simultánea.
3. El espacio encerrado por las restricciones restantes se determinan sustituyendo en primer término <= por (=)
para cada restricción, con lo cual se produce la ecuación de una línea recta.
4. Trazar cada línea recta en el plano y la región en cual se encuentra cada restricción cuando se considera la
desigualdad lo indica la dirección de la flecha situada sobre la línea recta asociada.
5. Cada punto contenido o situado en la frontera del espacio de soluciones satisfacen todas las restricciones y
por consiguiente, representa un punto factible.
6. Aunque hay un número infinito de puntos factibles en el espacio de soluciones, la solución óptima puede
determinarse al observar la dirección en la cual aumenta la función objetivo.
7. Las líneas paralelas que representan la función objetivo se trazan mediante la asignación de valores arbitrarios
a fin de determinar la pendiente y la dirección en la cual crece o decrece el valor de la función objetivo.
1
Semana 1: Tarea de investigación: a) Realizar un mapa conceptual del tema 1.1 , Tarea en equipo b) Resolver los ejercicios de planteamiento
designados por el docente y realizar una documentación explicita (tema 1.2)
Para (Z)
Para (2) 3X1 + 5X2 = 15
Si X1 = 0, X2 = 6 Si X1 = 0, X2 = 3
y X2 = 0, X1 = 0 y X2 = 0, X1 = 5
X2
11
10 (1) Punto Optimo (2,6)
9
8 (3)
7 (2)
6
Z 5
4
Región
3 Factible
2
1
0 1 2 3 4 5 6 7 8 9 X1
Xi >= 0 i
Muchas personas clasifican el desarrollo de la programación lineal entre los avances científicos más
importantes de mediados del siglo XX, su impacto desde 1950 ha sido extraordinario. En la actualidad es
una herramienta de uso normal que ha ahorrado miles o millones de pesos a muchas compañías o negocios,
incluyendo empresas medianas en los distintos países industrializados del mundo; su aplicación a otros
sectores de la sociedad se está ampliando con rapidez. Una proporción muy grande de los cálculos
científicos en computadoras está dedicada al uso de la programación lineal.
¿Cuál es la naturaleza de esta notable herramienta y qué tipos de problemas puede manejar.
Expresado brevemente, el tipo más común de aplicación abarca el problema general de asignar recursos
limitados entre actividades competitivas de la mejor manera posible (es decir, en forma óptima). Con más
precisión, este problema incluye elegir el nivel de ciertas actividades que compiten por recursos escasos
necesarios para realizarlas. Después, los niveles de actividad elegidos dictan la cantidad de cada recurso que
consumirá cada una de ellas. La variedad de situaciones a las que se puede aplicar esta descripción es sin
duda muy grande, y va desde la asignación de instalaciones de producción a los productos, hasta la
asignación de los recursos nacionales a las necesidades de un país; desde la selección de una cartera de
inversiones, hasta la selección de los patrones de envío; desde la planeación agrícola, hasta el diseño de una
terapia de radiación, etc. No obstante, el ingrediente común de todas estas situaciones es la necesidad de
asignar recursos a las actividades eligiendo los niveles de las mismas.
La programación lineal utiliza un modelo matemático para describir el problema. El adjetivo lineal
significa que todas las funciones matemáticas del modelo deber ser funciones lineales. En este caso, las
palabra programación no se refiere a programación en computadoras; en esencia es un sinónimo de
planeación. Así, la programación lineal trata la planeación de las actividades para obtener un resultado
2
Semana 2: Tarea en equipo: c) Resolver los ejercicios del 1 al 5 del método gráficos (tema 1.3)
Ing. René Zahorí Torres Becerra 21
Antología de Investigación de Operaciones
Los términos clave son recursos y actividades, en donde m denota el número de distintos tipos de
recursos que se pueden usar y n denota el número de actividades bajo consideración. Algunos ejemplos de
recursos son dinero y tipos especiales de maquinaria, equipo, vehículos y personal. Los ejemplos de
actividades incluyen inversión en proyectos específicos, publicidad en un medio determinado y el envío de
bienes de cierta fuente a cierto destino. En cualquier aplicación de programación lineal, puede ser que todas
las actividades sean de un tipo general (como cualquiera de los ejemplos), y entonces cada una
correspondería en forma individual a las alternativas específicas dentro de esta categoría general.
El tipo más usual de aplicación de programación lineal involucra la asignación de recursos a ciertas
actividades. La cantidad disponible de cada recurso está limitada, de forma que deben asignarse con todo
cuidado. La determinación de esta asignación incluye elegir los niveles de las actividades que lograrán el
mejor valor posible de la medida global de efectividad.
Ciertos símbolos se usan de manera convencional para denotar las distintas componentes de un
modelo de programación lineal. Estos símbolos se enumeran a continuación, junto con su interpretación
para el problema general de asignación de recursos a actividades.
Z = valor de la medida global de efectividad
xj = nivel de la actividad j (para j = 1,2,...,n)
cj = incremento en Z que resulta al aumentar una unidad en el nivel de la actividad j
bi = cantidad de recurso i disponible para asignar a las actividades (para i = 1,2,...,m)
aij = cantidad del recurso i consumido por cada unidad de la actividad j
El modelo establece el problema en términos de tomar decisiones sobre los niveles de las
actividades, por lo que x1,x2,....,xn se llaman variables de decisión. Los valores de cj, bi y aij (para i =
1,2,....,m y j = 1,2,....,n) son las constantes de entrada al modelo. Las cj, bi y aij también se conocen como
parámetros del modelo.
Forma Canónica
Ahora se puede formular al modelo matemático para este problema general de asignación de
recursos a actividades. En Datos necesarios para un modelo de programación lineal que maneja la
asignación de recursos a actividades particular, este modelo consiste en elegir valores de x1,x2,....,xn para:
Optimizar (maximizar o minimizar) Z = c1x1 + c2x2 +....+ cnxn,
Sujeta a las restricciones:
a11x1 + a12x2 +....+ a1nxn < b1
a21x1 + a22x2 +....+ a2nxn < b2
.
.
.
am1x1 + am2x2 +....+ amnxn < bm
Proporcionalidad
La contribución de cada actividad al valor de la función objetivo Z es proporcional al nivel de
actividad xj, como lo representa el término cjxj en la función objetivo. De manera similar, la contribución de
cada actividad al lado izquierdo de cada restricción funcional es proporcional al nivel de la actividad xj, en
la forma en que lo representa el término aijxj en la restricción. En consecuencia, esta suposición elimina
cualquier exponente diferente a 1 para las variables en cualquier término de las funciones (ya sea la función
objetivo o la función en el lado izquierdo de las restricciones funcionales) en un modelo de programación
lineal.
Actividad
Establece que la entrada y salida de un recurso en particular al conjunto de actividades, deben ser
la misma cantidad; o sea, que las actividades transforman los recursos y no los crean o destruyen. Esta
suposición garantiza que la contribución total tanto a la función objetivo como a las restricciones, es igual
a la suma de las contribuciones individuales. Cuando en un problema dado no se tenga la aditividad puede
recurrirse al empleo de otras técnicas de la programación matemática, dependiendo de cada caso en
particular.
Aditividad
Cada función en un modelo de programación lineal (ya sea la función objetivo o el lado izquierdo
de las restricciones funcionales) es la suma de las contribuciones individuales de las actividades
respectivas.
Modelo Determinístico
El modelo de PL involucra únicamente tres tipos de parámetros: Cj, aij y bi; de ahí su sencillez y
gran aplicación. Sin embargo, el valor de dichos parámetros debe ser conocido y constante. Cuando el
valor de los parámetros tiene un cierto riesgo o incertidumbre, pude utilizarse la programación
paramédica, la programación estocástica, o realizarse un análisis de sensibilidad.
Modelo Estático
En algunos modelos matemáticos se han empleado con éxito las ecuaciones diferenciales, para
inducir la variable tiempo en ellos. En este sentido, puede decidirse que la PL utiliza un modelo estático,
ya que la variable tiempo no se involucra formalmente. Adquiriendo un poco de experiencia en la
formulación de modelos de PL, puede imbuirse la temporabilidad mencionada, con el uso de subíndices en
las variables.
1. Frecuentemente es necesario hacer simplificaciones del problema original para poder manipularlo
y detener una solución.
2. La mayoría de los modelos sólo considera un solo objetivo y frecuentemente en las
organizaciones se tienen objetivos múltiples.
3. Existe la tendencia a no considerar la totalidad de las restricciones en un problema práctico,
debido a que los métodos de enseñanza y entrenamiento dan la aplicación de esta ciencia
centralmente se basan en problemas pequeños para razones de índole práctico, por lo que se
En la solución gráfica observamos que la solución óptima está asociada siempre con un punto
extremo del espacio de soluciones. El método símplex está basado fundamentalmente en este concepto.
Careciendo de la ventaja visual asociada con la representación gráfica del espacio de soluciones, el
método símplex emplea un proceso iterativo que principia en un punto extremo factible, normalmente el
origen, y se desplaza sistemáticamente de un punto extremo factible a otro, hasta que se llega por último
al punto óptimo. En otras palabras Es un procedimiento iterativo que permite ir mejorando la solución a
cada paso. El proceso concluye cuando no es posible seguir mejorando más dicha solución.
Existen reglas que rigen la selección del siguiente punto extremo del método símplex:
1. El siguiente punto extremo debe ser adyacente al actual.
2. La solución no puede regresar nunca a un punto extremo considerado con la
anterioridad.
El algoritmo símplex da inicio en el origen, que suele llamarse solución inicial. Después se
desplaza a un punto extremo adyacente. La elección específica de uno a otro punto depende de los
coeficientes de la función objetivo hasta encontrar el punto óptimo. Al aplicar la condición de optimidad
a la tabla inicial seleccionamos a Xi como la variable que entra. En este punto la variable que sale debe
ser una de las variables artificiales.
Para comprender mejor realicemos el siguiente ejemplo:
Xi >= 0 i
Se introduce una variable de holgura (S) por cada una de las restricciones, para convertirlas en
igualdades, tomando en cuenta que si la restricción es (<=), la variable de holgura se suma y si es (>= o
=) la variable de hogula se resta y el lado derecho puede hacerse siempre positico multiplicando ambos
lados por -1. El resultado de esto da el siguiente sistema de ecuaciones lineales:
X1 + S1 = 4
2X2 + S2 = 12
3X1 + 2X2 + S3 = 18
En las columnas aparecerán todas las variables del problema y, en las filas, los coeficientes de las
igualdades obtenidas (restricciones), una fila para cada restricción y la última fila con los coeficientes de
la función objetivo:
X1 X2 S1 S2 S3
Z -3 -5 0 0 0
S1 1 0 1 0 0 4
S2 0 2 0 1 0 12
S3 3 2 0 0 1 18
4. Encontrar la variable de decisión que entra en la base y la variable de holgura que sale de la
base
1. Para escoger la variable de decisión que entra en la base, nos fijamos en la fila (Z), la de los
coeficientes de la función objetivo y escogemos la variable con el coeficiente negativo mayor
(en valor absoluto), para el caso de Maximizar. En el caso de la Miminizar la variable de
desición que entra en la base, es la variable con el coeficiente positivo mayor (en valor
absoluto), esto es conocido como CONDICIÓN DE OPTIMALIDAD.
2. En nuestro caso, la variable X2 de coeficiente - 5.
Si existiesen dos o más coeficientes iguales que cumplan la condición anterior, entonces se elige
uno cualquiera de ellos.
Si en la última fila no existiese ningún coeficiente negativo, significa que se ha alcanzado la
solución óptima. Por tanto, lo que va a determinar el final del proceso de aplicación del método
del símplex, es que en la última fila no haya elementos negativos.
La columna de la variable que entra en la base se llama columna pivote (Flecha Azul).
3. Para encontrar la variable de holgura que tiene que salir de la base, se divide cada término de la
última columna (vector solución) por el término correspondiente de la columna pivote, siempre
que estos últimos sean mayores que cero. En nuestro caso:
4/0 [=Error]
12/2 [=6]
18/2 [=9]
Como hay algún elemento menor o igual que cero no se toma en cuenta cociente. En el caso de
que todos los elementos fuesen menores o iguales a cero, entonces tendríamos una solución no
acotada y no se puede seguir.
El término de la columna pivote que en la división anterior dé lugar al menor cociente positivo,
indica la fila de la variable de holgura que sale de la base. Esta fila se llama fila pivote (Flecha
rojo) y corresponde al numero 6. Recuerde ceros y negativos no son tomados en cuenta. Esto se
conoce como CONDICIÓN DE FACTIBILIDAD.
Los nuevos coeficientes de X2 se obtienen dividiendo todos los coeficientes de la fila por el
pivote operacional, 2, que es el que hay que convertir en 1.
A continuación mediante la reducción gaussiana hacemos ceros los restantes términos de su
columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la función
objetivo Z.
También se puede hacer utilizando el siguiente esquema:
X1 X2 S1 S2 S3
Z -3 -5 0 0 0
S1 1 0 1 0 0 4
S2 0 2 0 1 0 12 Fila/2
S3 3 2 0 0 1 18
Para Z en nueva tabla = ((Fila/2)*5) +Z
Fila/2= (0 1 0 1/2 0 6)
Para S1 en nueva tabla = “ya tiene 0” se copia igual
Como en los elementos de la fila Z hay uno negativo, -3, significa que no hemos llegado todavía
a la solución óptima. Hay que repetir el proceso:
1. La variable que entra en la base es X1, por ser la variable que corresponde al coeficiente -3.
2. Para calcular la variable que sale, dividimos los términos de la última columna entre los términos
correspondientes de la nueva columna pivote:
Tabla II
X1 X2 S1 S2 S3
Z -3 0 0 5/2 0 30
S1 1 0 1 0 0 4
X2 0 1 0 1/2 0 6
S3 3 0 0 -1 1 6 Fila/3
Fila/3= (1 0 0 -1/3 1/3 2) Para Z en nueva tabla = ((Fila/3)*3) +Z
Se obtiene una nueva Iteración en la nueva tabla (tabla III): Para S3 en nueva tabla =“ya tiene 0” se copia igual
X1 X2 S1 S2 S3
Z 0 0 0 3/2 1 36
S1 0 0 1 1/3 -1/3 2
X2 0 1 0 1/2 0 6
X1 1 0 0 -1/3 1/3 2
Como todos los coeficientes de la fila de la función objetivo son positivos, hemos llegado a la
solución óptima.
La solución óptima viene dada por el valor de Z en la columna de los valores solución, en
nuestro caso el valor de Z es: 36. En la misma columna se puede observar el vértice donde se alcanza,
observando las filas correspondientes a las variables de decisión que han entrado en la base: Sol(2,6).
Nota:
* Si en el problema de maximizar apareciesen como restricciones inecuaciones de la forma: ax + by c; multiplicándolas por - 1 se
transforman en inecuaciones de la forma - ax - by - c y estamos en el caso anterior.
* Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo proceso, pero cambiando el sentido del criterio, es
decir, para entrar en la base se elige la variable cuyo valor, en la fila de la función objetivo, sea el mayor de los positivos y se finalizan las
iteraciones cuando todos los coeficientes de la fila de la función objetivo son negativos.
Xi >= 0 i
Se introduce una variable de holgura (S) por cada una de las restricciones, para convertirlas en
igualdades, tomando en cuenta que si la restricción es (<=), la variable de holgura se suma y si es (>= o
=) la variable de hogula se resta y el lado derecho puede hacerse siempre positico multiplicando ambos
lados por -1. El resultado de esto da el siguiente sistema de ecuaciones lineales:
X1 + S1 = 4
2X2 + S2 = 12
3X1 + 2X2 + S3 = 18
En las columnas aparecerán todas las variables del problema y, en las filas, los coeficientes de las
igualdades obtenidas (restricciones), una fila para cada restricción y la última fila con los coeficientes de
la función objetivo:
X1 X2 S1 S2 S3
Z 3 5 0 0 0
S1 1 0 1 0 0 4
S2 0 2 0 1 0 12
S3 3 2 0 0 1 18
4. Encontrar la variable de decisión que entra en la base y la variable de holgura que sale de la
base
1. Para escoger la variable de decisión que entra en la base, nos fijamos en la fila (Z), la de los
coeficientes de la función objetivo y escogemos la variable con el coeficiente negativo mayor
(en valor absoluto), para el caso de Maximizar. En el caso de la Miminizar la variable de
desición que entra en la base, es la variable con el coeficiente positivo mayor (en valor
absoluto), esto es conocido como CONDICIÓN DE OPTIMALIDAD.
Los nuevos coeficientes de X2 se obtienen dividiendo todos los coeficientes de la fila por el
pivote operacional, 2, que es el que hay que convertir en 1.
A continuación mediante la reducción gaussiana hacemos ceros los restantes términos de su
columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la función
objetivo Z.
También se puede hacer utilizando el siguiente esquema:
X1 X2 S1 S2 S3
Z 3 5 0 0 0
S1 1 0 1 0 0 4
S2 0 2 0 1 0 12 Fila/2
S3 3 2 0 0 1 18
Para Z en nueva tabla = ((Fila/2)*-5) +Z
Fila/2= (0 1 0 1/2 0 6)
Para S1 en nueva tabla = “ya tiene 0” se copia igual
Como en los elementos de la fila Z hay uno positivo, 3, significa que no hemos llegado todavía a la
solución óptima. Hay que repetir el proceso:
1. La variable que entra en la base es X1, por ser la variable que corresponde al coeficiente 3.
2. Para calcular la variable que sale, dividimos los términos de la última columna entre los términos
correspondientes de la nueva columna pivote:
4/1 [=4]
6/0 [=Error]
6/3 [=3]
y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es S3.
Tabla II
X1 X2 S1 S2 S3
Z 3 0 0 -5/2 0 -30
S1 1 0 1 0 0 4
X2 0 1 0 1/2 0 6
S3 3 0 0 -1 1 6 Fila/3
Fila/3= (1 0 0 -1/3 1/3 2) Para Z en nueva tabla = ((Fila/3)*-3) +Z
Como todos los coeficientes de la fila de la función objetivo son negativos o ceros, hemos
llegado a la solución óptima.
La solución óptima viene dada por el valor de Z en la columna de los valores solución, en
nuestro caso el valor de Z es: -36. En la misma columna se puede observar el vértice donde se alcanza,
observando las filas correspondientes a las variables de decisión que han entrado en la base: Sol(2,6).
Xi >= 0 i Xi >= 0 i
3 y4
http://www.investigacion-operaciones.com/SÍMPLEX_analitico.htm
3
Semana 3: Tarea en equipo: d) Resolver los ejercicios del 1 al 3 del método simplex (tema 1.4)
4
Semana 4: Tarea en equipo: e) Resolver los ejercicios del 4 al 5 del método simplex (tema 1.4)
Ing. René Zahorí Torres Becerra 32
Antología de Investigación de Operaciones
Ejercicio Solución
Resuelve el siguiente problema por el método Gráfico:
Z = 36
X1 = 2
X2 = 6
Z = 27
X1 = 4
X2 = 3
Z = 42
X1 = 4
X2 = 6
Z = 31
X1 = 13
X2 = 5
No converge
Z = 12
X1 = 3
X2 = 2
Z = 12
X1 = 3
X2 = 2
Z = 30
X1 = 6
X2 = 6
Z = 36
X1 = 2
X2 = 6
Z = 1099/45
X1 = 301/45
X2 = 49/45
Z = 1350
X1 = 0
X2 = 100
X3 = 230
Z = 31
X1 = 13
X2 = 5
Z = 12
X1 = 3
X2 = 2
Z = 24
X1 = 6
X2 = 3
Z = 20
X1 = 4
X2 = 4
Unidad 2
Análisis de Redes
2.1. Conceptos Básicos
El análisis de redes es el área encargada de analizar las redes mediante la teoría de redes
(conocida más genéricamente como teoría de grafos).
Social
Transporte
Eléctrica
Biológica
Internet
Información
Epidemiología
Cuando se habla de una red, se entiende como un grupo de individuos que, en forma agrupada o
individual, se relacionan con otros con un fin especifico, caracterizado por la existencia de flujo de
informacion. Las redes pueden tener muchos o pocos actores y una o más clases de relaciones entre
pares de actores.
Terminología de Redes
Flujo: Corresponde a la cantidad que debe transportarse desde un nodo i a un nodo j a través de
un arco que los conecta. La siguiente notación es usada: Xij= cantidad de flujo Uij= cota mínima de
flujo que se debe transportar Lij= cota maxíma de flujo que se puede transportar.
Arcos dirigidos /no dirigidos: Cuando el flujo puede transportarse en una sola dirección se
tiene un arco dirigido (la flecha indica la dirección). Si el flujo puede transportarse en ambas direcciones
existe un arco no dirigido (sin flecha).
Nodos adyacentes: Un nodo j es adyacente con un nodo i si existe un arco que une el nodo j con
el nodo i.
Ciclos: Un ciclo se produce cuando al partir de un nodo por un cierto camino se vuelve al mismo
nodo por otra ruta.
Árbol expandido: Es un árbol que conecta todos lo nodos de la red (contiene n-1 arcos).
El modelo de transporte busca determinar un plan de transporte de una mercancía de varias fuentes a
varios destinos. Los datos del modelo son:
Como solo hay una mercancía un destino puede recibir su demanda de una o más fuentes. El
objetivo del modelo es el de determinar la cantidad que se enviará de cada fuente a cada destino, tal que se
minimice el costo del transporte total.
La suposición básica del modelo es que el costo del transporte en una ruta es directamente
proporcional al número de unidades transportadas. La definición de “unidad de transporte” variará
dependiendo de la “mercancía” que se transporte.
El esquema siguiente representa el modelo de transporte como una red con m fuentes y n destinos.
Una fuente o un destino está representado por un nodo, el arco que une fuente y un destino, representa la
ruta por la cual se transporta la mercancía. La cantidad de la oferta en la fuente i es ai, y la demanda en el
destino j es bj. El costo de transporte unitario entre la fuente i y el destino j es Cij.
Sujeta a:
El primer conjunto de restricciones estipula que la suma de los envíos desde una fuente no puede ser
mayor que su oferta; en forma análoga, el segundo conjunto requiere que la suma de los envíos a un destino
satisfaga su demanda.
El modelo que se acaba de escribir implica que la oferta total i=1 m ai debe ser cuando menos igual
a la demanda total j=1 n bj. Cuando la oferta total es igual a la demanda total, la formulación resultante
recibe el nombre de modelo de transporte equilibrado. Este difiere del modelo solo en el hecho de que todas
las restricciones son ecuaciones, es decir:
X i j = ai, i=1,2,..., m
X i j = bj, j=1,2,..., n
En el mundo real, no necesariamente la oferta debe ser igual a la demanda o mayor que ella. Sin
embargo, un modelo de transporte siempre puede equilibrarse. El equilibrio, además de su utilidad en la
representación a través de modelos de ciertas situaciones prácticas, es importante para el desarrollo del
método de solución que explote completamente la estructura especial del modelo de transporte. Los dos
ejemplos que siguen presentan la idea del equilibrio y también sus implicaciones prácticas.
MG Auto Company tiene plantas en Los Ángeles, Detroit y Nueva Orleáns. Sus centros de
distribución principales son Denver y Miami. Las capacidades de las plantas durante el trimestre próximo
son 1 000, 1 500, y 1 200 automóviles. Las demandas trimestrales en los dos centros de distribución son de
2 300 y 1 400 vehículos. El costo del transporte de un automóvil por tren es de 8 centavos por milla. El
diagrama de las distancias recorridas entre las plantas y los centros de distribución son:
Denver Miami
Los Ángeles 1 000 1 690
Detroit 1 250 1 350
Nueva Orleans 1 275 850
Esto produce en costo por automóvil a razón de 8 centavos por milla recorrida. Produce los costos
siguientes (redondeados a enteros), que representan a C i j del modelo original:
Denver Miami
Los Ángeles 80 215
Detroit 100 108
Nueva Orleans 102 68
Mediante el uso de códigos numéricos que representan las plantas y centros de distribución,
hacemos que X i j represente el número de automóviles transportados de la fuente i al destino j. Como la
oferta total (= 1 000 + 1 500 + 1 200 = 3 700) es igual a la demanda ( = 2 300 + 1 400 = 3 700), el modelo
de transporte resultante está equilibrado. Por lo tanto, el siguiente modelo de PL que representa el problema
tiene todas las restricciones de igualdad.
Sujeto a:
X 11 X 12 = 1 000
X 21 X 22 = 1 500
X 31 X 32 = 1 200
X 11 X 21 X 31 = 2 300
X 12 X 22 X 32 = 1 400
Un método más resumido para representar el modelo de transporte consiste en utilizar lo que se
llama tabla de transporte. Esta es una forma de matriz donde sus renglones representan las fuentes y sus
columnas los destinos. Los elementos de costo C i j se resumen en la esquina noroeste de la celda de la
matriz (i, j). Por lo tanto, el modelo de MG se puede resumir en la tabla siguiente:
En el ejemplo anterior suponga que la capacidad de la planta de Detroit es de 1 300 automóviles (en
vez de 1 500). Se dice que la situación esta desequilibrada debido a que la oferta total (=3 500) no es igual a
la demanda total (=3 700).Nuestro objetivo consiste en volver a formular el modelo de transporte de manera
que distribuya la cantidad faltante(=3 700 – 3 500 = 200) en forma optima entre los centros de distribución.
Como la demanda es mayor que la oferta se puede agregar una planta ficticia con una capacidad de
200. Se permite que dicha planta, en condiciones normales, envíe su “producción“ a todos los centros de
distribución. Físicamente, la cantidad de unidades enviadas a un destino desde una planta ficticia
representará la cantidad faltante en ese destino.
La única información que falta para completar el modelo son los “costos de transporte” unitarios de
la planta ficticia a los destinos. Como la planta no existe, no habrá ningún envío físico y el costo de
transporte unitario es cero. Sin embargo, podemos enfocar la situación desde otro ángulo diciendo que se
incurre en un costo de penalización por cada unidad de demanda insatisfecha en los centros de distribución.
En este caso los costos de transporte unitarios serán iguales a los costos de penalización unitarios en los
diversos destinos.
Denver Miami
Los Ángeles 80 215 1 000
Detroit 100 108 1 300
Nueva Orleáns 102 68 1 200
Planta ficticia 0 0 200
De manera análoga, si la oferta en mayor que la demanda podemos añadir un destino ficticio que
absolverá la diferencia. Por ejemplo, suponga que la demanda en Denver disminuye a 1 900cualquier
automóvil enviado de una planta a un centro de distribución ficticio representa un excedente en la planta.
El siguiente ejemplo ilustra el uso del modelo del transporte en otros campos.
En otras palabras cuando la Demanda es mayor que la Oferta se crea una fila ficticia a la Oferta y se
le agrega el valor faltante para balancear el ejercicio.
Destino
1 2 3 4
1 10
2 30
Origen
Oferta
3 20
4 15
5 10
20 25 15 25
Demanda
Otro caso es cuando la Demanda es menor que la Oferta se crea una columna ficticia a la Demanda
y se le agrega el valor faltante para balancear el ejercicio.
Destino
1 2 3 4
1 50
2 50
Origen
Oferta
3 20
4 30
5 20
30 20 70 50
Demanda
Nota. Los costos deben ser ceros (0) y cuando queda un valor en la casilla ficticia se interpreta como
que falta por vender un no. de productos.
Métodos para hallar una solución básica factible a los problemas de transporte.
Estos métodos parten de un modelo balanceado y generan una solución básica factible con n+m-1
asignaciones, es decir valores >= 0. El costo total del envío se obtiene a través de la siguiente fórmula:
𝑚 𝑛
1) Asignar a la casilla (1,1) tantas unidades como lo permita la demanda y la oferta. Actualizar valores
de ambas.
2) Tachar columna o renglón que haya sido satisfecho (demanda u oferta), pero no ambas en caso de
haber sido satisfechas ambas.
3) Continuar asignando en las demás casillas continuas a la columna o renglón tachados siempre
considerando que este se encuentre en la esquina Noroeste, siga con el paso 2.
4) El problema terminará cuando exista solo una columna o solo un renglón sin tachar.
1) Seleccione la casilla con el menor costo de envío y asignar tanto tantas unidades como lo permita la
demanda y la oferta.
2) Actualizar la demanda y la oferta.
3) Tachar columna o renglón que haya sido satisfecho (demanda u oferta), pero no ambas en caso de
haber sido satisfechas ambas.
4) Continuar asignando de acuerdo al paso 2 hasta que quede un renglón o columna sin marcar.
Método de Vogel
1) Se calcula la diferencia de fila y columna entre El mayor y el menor costo que exista en cada fila y
columna.
2) Seleccione aquella columna o renglón que presente la mayor diferencia (los empates se rompen
arbitrariamente).
3) Localice el costo más pequeño de la matriz de costos en la columna o renglón elegidos por el paso
anterior.
4) Asigne tantas unidades como lo permita la oferta y la demanda.
5) Actualizar la demanda y la oferta.
6) Tachar columna o renglón que haya sido satisfecho (demanda u oferta), pero no ambas en caso de
haber sido satisfechas ambas.
7) Retornar al paso 2 hasta que quede un renglón o columna sin marcar.
Resolver los siguientes ejemplos aplicando los tres métodos de solución del modelo de transporte:
Ejercicio 1)
Destino
1 2 3 4
7 4 2 6
1 20
Origen
Oferta
8 3 5 6
2 35
1 2 0 4
3 40
30 19 25 21
Demanda
Ejercicio 2)
Destino
1 2 3 4
5 6 2 4
1 35
Origen
Oferta
3 6 8 62
2 42
4 1 9 10
3 23
20 10 40 30
Demanda
Ejercicio 3)
Destino
1 2 3 4
9 12 9 6
1 50
Origen
Oferta
7 3 7 7
2 60
6 5 9 11
3 20
20 40 40 60
Demanda
5 y6
5
Semana 5: Tarea en equipo: f) Resolver los ejercicios del 1 por los 3 métodos de transporte (tema 2.1 y 2.2)
6
Semana 6: Tarea en equipo: g) Resolver los ejercicios del 2 y 3 por los 3 métodos de transporte (tema 2.1 y 2.2)
Ing. René Zahorí Torres Becerra 43
Antología de Investigación de Operaciones
2.3.Problemas de Asignación
1. Diseño de una red de gasoductos marinos para conectar bocas de pozos en el Golfo de
México con un punto de entrega en tierra. El objetivo del modelo es minimizar el costo de
construcción del gasoducto.
2. Determinación de la ruta más corta entre dos ciudades, en una red de Carreteras.
3. Determinación de la capacidad máxima (en toneladas anuales) de una red de tubería para lodo
de carbón que une las minas en Wyoming con las centrales eléctricas en Houston. (Las
tuberías de lodo de carbón transportan el carbón suspendido en agua a través de tubos de
diseño especial.)
4. Determinación del programa de flujo con costo mínimo desde los campos petroleros hasta las
refinerías a través de una red de oleoductos.
5. Determinación del cronograma (fechas de inicio y terminación) de las actividades en la
construcción de un proyecto.
La solución de esas situaciones y otras parecidas se logra con una variedad de algoritmos de
optimización de redes. Este capítulo presentará cinco de esos algoritmos:
Las situaciones en las que se pueden aplicar estos algoritmos también se pueden fallar y resolver
en forma de programas lineales explícitos. Sin embargo, los algoritmos puestos, basados en redes, son
más eficientes que el método símplex.
Una red consiste en una serie de nodos enlazados con arcos (o ramas). La notación para des-
cribir una red es (N, A), donde N es el conjunto de nadas y A es el conjunto de arcos. Por ejemplo, la red
de la figura 2.2.1 se describe como sigue:
N = {1,2,3,4,5}
Con cada red se asocia algún tipo de flujo (por ejemplo, flujo de productos petrolero en un
oleoducto y flujos de tráfico de automóviles en carreteras). En general, el flujo en una red está limitado
por la capacidad de sus arcos, que pueden ser finitos o infinitos.
Se dice que un arco es dirigido u orientado si permite un flujo positivo en una dirección, y flujo
cero en la dirección opuesta. Una red dirigida tiene todos sus arcos dirigidos.
Una ruta es una sucesión de arcos distintos que unen dos nodos pasando por otros nodos,
independientemente de la dirección de flujo en cada arco. Una ruta forma un ciclo si conecta un nodo
consigo mismo, pasando por otros nodos. Por ejemplo, en la figura 2.2.1, los arcos (2,3), (3,5) y (5,2)
forman un bucle o circuito cerrado. Un ciclo es dirigido si consiste en una ruta dirigida, por ejemplo
(2,3), (3,4).y (4,2) en la figura anterior.
Una red conectada es aquella en que cada dos nadas distintos están enlazados al menos por una
ruta. La red de la figura 2.2.2 es un ejemplo de este tipo. Un árbol es una red conectada que puede
consistir sólo en un subconjunto de todos los nadas en ella, donde no se permiten ciclos, y un árbol de
expansión es un árbol que enlaza todos los nadas de la red, también sin permitir ciclos. En la figura
2.2.2. se ven ejemplos de un árbol y de un árbol de expansión para la red de la figura 2.2.1
FIGURA 2.2.2 Ejemplos de un árbol y de un árbol de expansión, para la red de la figura 2.2.1
Aunque existen muchas versiones de problemas de la ruta más corta, la atención se centrará en la
versión sencilla. Considere una red conexa y no dirigida con 2 nodos especialmente llamados origen y
destino. A cada ligadura (arco no dirigido) se asocia una distancia no negativa. El objetivo es encontrar la
ruta más corta del origen al destino.
Se dispone de un algoritmo relativamente sencillo para manejar este problema. La esencia del
procedimiento es que analiza toda la red a partir del origen; identifica de manera sucesiva la ruta más corta
a cada uno de los nodos en orden ascendente de sus distancias (más cortas), desde el origen; el problema
queda resuelto en el momento de llegar al nodo destino. Primero se describirá el método y después se
ejemplificará con la solución del problema de la ruta más corta que enfrenta la administración de Seervada
Park en la siguiente sección.
Objetivo de la n-ésima iteración: Encontrar el n-ésimo nodo más cercano al origen (Este paso se
repetirá para n = 1, 2, …hasta que el n-ésimo nodo más cercano sea el nodo destino).
Datos de la n-ésima iteración: n – 1 nodos más cercanos al origen – que se encontró enlas
iteraciones previas -, incluida su ruta más corta y la distancia desde el origen. (Estos nodos y el origen se
llaman nodos resueltos; el resto son nodos no resueltos).
Candidatos para n-ésimo nodo más cercano: cada nodo resuelto que tiene conexión directa por
una ligadura con uno o más nodos no resueltos proporcionan un candidato – esto es, el nodo no resuelto que
tiene la ligadura más corta -. (Los empates proporcionan candidatos adicionales).
Cálculo del n-ésimo nodo más cercano: para cada nodo resuelto y sus candidatos, se suma la
distancia entre ellos y la distancia de la ruta más corta desde el origen a este nodo resuelto. El candidato con
la distancia total más pequeña es el n-ésimo nodo más cercano – los empates proporcionan nodos resueltos
adicionales -, y su ruta más corta es la que genera esta distancia.
La administración de Seervada Park necesita encontrar la ruta más corta desde la entrada del parque
(nodo O) hasta el mirador (nodo T) a través del sistema de caminos que se presenta en la siguiente figura.
En la tabla se encuentran los resultados obtenidos al aplicar el algoritmo anterior – donde el empate del
segundo nodo más cercano permite pasar directo a buscar el cuarto nodo más cercano -. La primera
columna (n) indica el número de la iteración, después de quitar los que no sirven – los que no tienen
conexión directa con nodos no resueltos -. La tercera columna da los candidatos para el n-ésimo nodo más
cercano – nodos no resueltos con la ligadura más corta al nodo resuelto -. La cuarta columna calcula la
distancia de la ruta más corta desde el origen a cada candidato – esto es, la distancia al nodo resuelto más la
de la ligadura que va al candidato -. El candidato con la suma de distancias más pequeñas es el n-ésimo
nodo más cercano al origen, según se indica en la quinta columna. Las dos últimas columnas resumen la
información de este último nodo resuelto necesitaría para pasar a las iteraciones siguientes – es decir, la
distancia de la ruta más corta del origen a este nodo y la última rama en esta ruta -.
Ing. René Zahorí Torres Becerra 46
Antología de Investigación de Operaciones
Tabla de datos
Nodos resueltos Nodo no resuelto
conectados Distancia total n-ésimo nodo Distancia Última
n directamente a nodos
más cercano
involucrada más cercano mínima conexión
no resueltos conectado
1 O A 2 A 2 OA
O C 4 C 4 OC
2,3
A B 2+2=4 B 4 AB
A D 2+7=9
4 B E 4+3=7 E 7 BE
C E 4+4=8
A D 2+7=9
5 B D 4+4=8 D 8 BD
E D 7+1=8 D 8 ED
D T 8+5=13 T 13 DT
6
E T 7+7=14
Ahora se debe relacionar las columnas con la descripción del algoritmo. La entrada para la n-ésima
iteración se encuentra en las columnas 5 y 6 de las iteraciones anteriores, donde los nodos resueltos de la
quinta columna se enumeran después en la segunda par la iteración actual después de eliminar los que no
tienen conexión directa con nodos no resueltos. Los candidatos, para el n-ésimo nodo más cercano se
realiza en la columna 4 y los resultados se registran en las última tres columnas de la iteración actual.
La ruta más corta desde el nodo destino hasta el origen se puede rastrear hacia atrás en la última
columna de la tabla, con lo que se obtiene T→D→E→B→A→O o bien T→D→B→A→O. Por lo tanto, se
identificaron las dos opciones de ruta más corta desde el origen hasta el destino como
O→A→B→E→D→T y O→A→B→D→T, con una distancia total de 13 millas en cualquiera de las dos.
El problema del árbol de expansión mínima tiene algunas similitudes con la versión principal del
problema de la ruta más corta. En ambos casos se considera una red no dirigida y conexa, en la que la
información dada incluye alguna medida de longitud positiva – distancia, costo, tiempo, etc. – asociada con
la ligadura. Los dos problemas involucran también el hecho de seleccionar un conjunto de ligaduras con la
longitud más corta entre los dos conjuntos de ligaduras que satisfacen cierta propiedad. En el caso del
problema de la ruta más corta, esta propiedad es que la ligadura seleccionada debe proporcionar una
trayectoria entre el origen y el destino. Para el árbol de expansión mínima la propiedad requerida es que las
ligaduras seleccionadas deben proporcionar una trayectoria entre cada par de nodos.
1. Se tiene los nodos de una red pero no las ligaduras. En su lugar se proporcionan las ligaduras
potenciales y la longitud positiva de cada una si s inserta en la red. (Las medidas alternativas
para la longitud de una ligadura incluyen distancia, costo y tiempo).
2. Se desea diseñar la red con suficientes ligaduras para satisfacer el requisito de que haya un
camino entre cada par de nodos.
3. El objetivo es satisfacer este requisito de manera que se minimice la longitud total de las
ligaduras insertadas en la red.
Una red con n nodos requiere de sólo (n-1) ligaduras para proporcionar una trayectoria entre cada
par de nodos. No debe usarse más ligaduras puesto que ello aumentaría, sin necesidad, la longitud total de
las ligaduras seleccionadas. Las (n-1) ligaduras deben elegirse de tal manera que la red resultante – con solo
las ligaduras seleccionadas – forme un árbol de expansión – según la definición que se presentó
anteriormente - . Por lo tanto, el problema es encontrar el árbol de expansión con la longitud total mínima
de sus ligaduras.
La figura de 2.3. (a) se ilustra el concepto de árbol de expansión, pues los nodos O, A,B y C no
están conectados con los nodos D, E y T. Se necesita una ligadura más para hacer esta conexión. En
realidad, esta red consta de dos árboles, uno para cada uno de dos conjuntos de nodos. Las ligaduras de la
figura 2.3. (b), sí se expanden por toda la red – es decir, es una gráfica conexión según la definición de
redes -, pero no es un árbol porque tiene dos ciclos (O-A-B-C-O y D-T-E-D), esto es, tiene demasiadas
ligaduras. Como el problema de Seervada Park tiene n = 7 nodos, en la definición de redes se indicó que
una red debe tener exactamente n-1 = 6 ligaduras y ningún ciclo para calificar como árbol de expansión.
Esta condición se logra en la figura 2.3. (c), por lo que esta red es una solución factible – con una longitud
total de 24 millas en las ramas o ligaduras – para el problema del árbol de expansión mínima (Se verá que
esta solución no es óptima, puesto que es posible construir un árbol de expansión con sólo 14 millas es sus
ramas).
Algunas aplicaciones
Un Algoritmo
El problema del árbol de expansión mínima se puede resolver una forma bastante directa, puesto
que se trata de uno de los pocos problemas de la IO en el que se puede ser codicioso en cada etapa del
procedimiento de solución conduce al final de una solución óptima. Así, con el inicio en cualquier nodo, la
primera etapa consiste en elegir la rama más corta posible a otro nodo, sin preocuparse del efecto que esta
elección pueda tener en las decisiones posteriores. En la segunda etapa se trata de identificar el nodo no
conectado que esté más cerca de cualquiera de los dos que se acaban de conectar y después agregar la
ligadura correspondiente a la red. Este proceso se repite, según el resumen que se presenta a continuación,
hasta conectar todos los nodos. (Obsérvese que este proceso se ilustró en la figura 2.3. para construir el
árbol de expansión, pero ahora con la regla específica para seleccionar cada ligadura nueva.) Se garantiza
que la red resultante es un árbol de expansión mínima.
La manera más rápida de ejecutar este algoritmo en forma manual es el enfoque gráfico (ver
ejemplo).
La administración de Seervada Park necesita determinar los caminos bajo los cuales se deben tender
las líneas telefónicas para conectar todas las estaciones con una longitud total mínima de cable. Se
En forma arbitraria se selecciona el nodo O como inicio. El nodo no conectado más cercano a O es
A. Se conecta el nodo A con el nodo O
El nodo no conectado más cercano a cualquiera de los nodos O o A es el nodo B (más cerca a A).
Se conecta el nodo B con el nodo A
El nodo no conectado más cercano a O, A o B es el nodo C (más cercano a B). Se conecta el nodo C
con el nodo B.
El nodo no conectado más cercano a O, A o B es el nodo E (más cercano a B). Se conecta el nodo E
con el nodo B.
El único nodo no conectado es T. Está más cerca del nodo D. Se conecta el nodo T con el nodo D.
Todos los nodos han quedado conectados, por lo que ésta solución (óptima) que se buscaba. La
longitud total de las ramas es 14 millas.
Aunque con este procedimiento a primera vista puede parecer que la elección del nodo inicial
afectará la solución final – y la longitud total de las ligaduras -, en realidad no es así. Se sugiere verificar
este hecho en el caso del ejemplo, mediante otra aplicación del algoritmo, pero con un nodo distinto de O.
El tercer problema al que se enfrenta el administrador de Seervada Park durante la temporada pico
es determinar la ruta de algunos viajes de tranvía desde la entrada del parque (estación O) hasta el mirador
(estación T), de manera que el número de viajes diarios sea el máximo (cada camioneta debe regresar por la
misma ruta que tomó de ida, por lo que el análisis se harpa sólo sobre los viajes de ida). Para evitar
perturbaciones innecesarias a la ecología y a la vida silvestre se impusieron límites superiores estrictos
sobre el número de viajes de salida permitidos hacia el mirador para cada camino individual en la dirección
1. Todo flujo a través de una red conexa dirigida se origina en un nodo, llamado Fuente, y termina
en otro nodo llamado destino – la fuente y el destino en Seervada Park son la entrada en el noo
O y el morador en el nodo T, respectivamente -.
2. Los nodos restantes son nodos de trasbordo – en el problema de Seervada Park son los nodos A,
B, C, D y E –
3. Se permite el flujo a través de un arco sólo en la dirección indicada por la flecha, donde la
cantidad máxima de flujo está dada por la capacidad del arco. En la fuente, todos los arcos
señalan hacia afuera. En el destino, todos los arcos señalan hacia el nodo.
4. El objetivo es maximizar la cantidad total de flujo de la fuente al destino. Esta cantidad se mide
en cualquiera de las dos maneras equivalentes, esto es, la cantidad que sale de la fuente o la
cantidad que entra al destino.
Algunas aplicaciones
A continuación se mencionan algunos tipos de aplicaciones comunes del problema del flujo
máximo.
1. Maximizar el flujo a través de la red de distribución de una compañía desde sus fábricas hasta
sus clientes.
2. Maximizar el flujo a través de la red de suministros de una compañía de proveedores a las
fábricas.
3. Maximizar el flujo de petróleo por un sistema de tuberías.
4. Maximizar el flujo de agua a través de un sistema de acueductos.
5. Maximizar el flujo de vehículos por una red de transporte.
En algunas de estas aplicaciones, el flujo a través de la red se puede originar en más de un nodo y
también puede terminar en más de uno, aunque en el problema de flujo máximo puede tener sólo un origen
y un destino. Por ejemplo, una red de distribución de una compañía tiene varias fábricas y múltiples
clientes. En este caso se recurre a una reformulación ingeniosa para ajustar esta situación al problema. Se
trata de aumentar la red original para que incluya una fuente ficticia, un destino ficticio y algunos arcos
nuevos. La fuente ficticia se maneja como el nodo que da origen a todo el flujo que en realidad se origina
en algunos otros nodos. En cada uno de estos otros nodos se inserta un nuevo arco que va desde la fuente
ficticia hasta este nodo, donde la capacidad del arco es igual al flujo máximo que puede originar en este
nodo. De manera similar, el destino ficticio se trata como al nodo que absorbe todo el flujo que, en realidad,
termina en algún otro nodo. Por lo tanto, s coloca un nuevo arco desde cada uno de los otros nodos hasta el
destino ficticio con capacidad igual al máximo que en realidad termina en este nodo. Debido a estos
Ing. René Zahorí Torres Becerra 52
Antología de Investigación de Operaciones
Un Algoritmo
Como el problema de flujo máximo se puede formular como un problema de programación lineal,
se puede resolver con el método símplex. Sin embargo s dispone de un algoritmo de trayectorias
aumentadas mucho más eficiente. Este algoritmo se basa en dos conceptos intuitivos, el de una red residual
y el de una trayectoria aumentada.
Una vez que se han asignado flujos a los arcos de la red original, la red residual muestra las
capacidades restantes – llamados capacidades residuales – para asignar flujos adicionales. Por ejemplo,
considere el arco O→B de la figura que tiene una capacidad de 7. Ahora suponga que los flujos asignados
incluyen un flujo de 5 a través de este arco, lo que deja una capacidad residual de 7-5 = 2 para cualquier
asignación de flujo adicional a través de O→B. Este estado se describe en la red residual de la siguiente
manera
El número sobre el arco junto a u nodo señala la capacidad residual del flujo desde ese nodo hasta el otro.
Por lo tanto, además de que la capacidad residual de 2 del flujo de O a B, el 5 de la derecha indica una
capacidad residual de 5 para asignar un flujo desde B hasta O – es decir, para cancelar algún flujo asignado
antes de O a B -.
De inicio, antes de asignar cualquier flujo, la red residual tiene la apariencia que se muestra en la
figura 2.4. Todos los arcos de la red original se cambiaron de un arco dirigido a un arco no dirigido. No
obstante, las capacidades en la dirección original son las mismas y las capacidades en la dirección opuesta
son cero, de manera que las restricciones sobre los flujos no cambian.
Después, siempre que se asigna una capacidad de flujo a un arco, esa cantidad se resta de la
capacidad residual en la misma dirección y se suma la capacidad residual en la dirección opuesta.
Una trayectoria de aumento es una trayectoria dirigida del nodo fuente al nodo destino en la red
residual, tal que todos los arcos es esta trayectoria tienen capacidad residual estrictamente positiva. El
mínimo de estas capacidades residuales se llama capacidad residual de la trayectoria de aumento porque
representa la cantidad de flujo que es factible agregar en todo flujo a través de la red original.
1. Se identifica una trayectoria de aumento cuando se encuentra alguna trayectoria dirigida del
origen al destino en la red residual, tal que cada arco sobre ella tenga capacidad residual
estrictamente positiva. (si no existe una, los flujos netos asignados constituyen un patrón de
flujo óptimo)
2. Cuando se encuentra el mínimo de las capacidades residuales de los arcos sobre esta trayectoria
se identifica la capacidad residual c* de esta trayectoria de aumento. Se aumenta en c* el flujo
de esta trayectoria.
3. Se disminuye en c* la capacidad residual de cada arco en esta trayectoria de aumento. Se
aumenta en c* la capacidad residual de cada arco en la dirección opuesta en esta trayectoria. Se
regresa al paso 1.
Cuando se lleva a cabo el paso 1, con frecuencia habrá varias alternativas de trayectorias de
aumento entre las cuales se podrá escoger. Aunque la estrategia algorítmica para elegir es importante para
elevar la eficiencia de las aplicaciones a gran escala, no se profundizará en este tema relativamente
especializado. En consecuencia, en el siguiente ejemplo, la selección se hará en forma arbitraria.
La aplicación de este algoritmo al problema de Seervada Park conduce a los siguientes resultados. A
partir de la red residual inicial de la siguiente figura 2.4, se proporciona la nueva red residual después de
una o dos iteraciones, donde la cantidad total de flujo de O a T logrado hasta el momento se muestra en
negritas (junto a los nodos O y T).
Figura 2.4. Red residual del problema de Flujo Máximo de Seervada park
Iteración 1: en la figura 2.4, una trayectoria de aumento en O→B→E→T que tiene la capacidad
residual igual al min {7,5,6} = 5. Si se asigna un flujo de 5 a esta trayectoria, la red residual que resulta es:
Iteración 2: Se asigna un flujo de 3 a la trayectoria de aumento en O→A. La red residual que resulta
es:
El patrón de flujo actual se puede identificar ya sea por la acumulación de las asignaciones de flujo
o mediante la comparación de las capacidades residuales finales con las capacidades originales de los arcos.
Si se emplea este método, existe un flujo a través de un arco si la capacidad residual final es menor que la
capacidad original. La magnitud de este flujo es igual a la diferencia entre las capacidades. Al aplicar este
método de comparación de la red residual obtenida en la última iteración, se obtiene el patrón de flujo que
se muestra en la siguiente figura:
Una actividad es crítica si su retraso cusa retraso en el proyecto. Una no crítica es aquella que su
retraso no retrasa el proyecto, es decir tiene tiempo de holgura. La holgura puede definirse como el tiempo
de inicio más tardío (I.T.) menos su tiempo de inicio más próximo (I.P.).
La Ruta crítica de un proyecto es una cadena de actividades críticas. Los cálculos para obtenerla se
realizan en dos fases, y por ello se considera a dij como la duración de la catividad que va del nodo i al nodo
j.
IP TP
IT TT
Cálculo de Holgura
Holgura = TT-TP
= IT - IP
De donde la RUTA CRÍTICA será la actividad en la que se presenta una HOLGURA CERO
Ejemplo:
18
2 5
3 8 15 13
12 20 6
1 4 6 8
4 6 4
3 7
Notación: (0,3)
Se toma como tiempo de suración el mayor tiempo, por lo tanto el mayor es 40 y la tipificación
tiene 4 unidades de Holgura.
18
2 5
3 8 15 13 <40,27>
<27,12>
12 20 6
1 4 6 8
<12,0>
4 6 4
3 7
Ejemplos:
Resolver los siguientes ejemplos aplicando los cuatro métodos de solución del modelo de Redes
(camino más corto, árbol de expandido mínimo, flujo máximo y ruta crítica):
Ejercicio 1)
Ejercicio 2)
7
Semana 7: Tarea de investigación: h) Realizar una investigación del uso y aplicación e los modelos de redes, Tarea en equipo: g) Resuelva los ejercicios 1
y 2 de esta pagina
Ejercicio Solución
Resuelve el siguiente ejemplo por el método de Esquina Noroeste:
$391,00
$303,00
$243,00
$486,00
$398,00
$338,00
$757,00
$597,00
$493,00
$857,00
$697,00
$593,00
Ruta crítica es RC =
O,B,E,D,F
Ruta crítica es RC =
1,2,3,4,5
Holguras = 5
Holguras = 5
Holguras = 5
Unidad 3
Programación No Lineal
La programación no lineal o Dinámica es una técnica matemática que a menudo resulta útil a tomar
una sucesión de decisiones interrelacionadas. Proporciona un procedimiento sistemático para determinar la
combinación de decisiones que maximice la efectividad global.
Por fortuna, la programación dinámica suministra una solución con mucho menos esfuerzo que la
enumeración exhaustiva. (Los ahorros de cálculo serían enormes para versiones más grandes de un
problema.) La programación dinámica parte de una pequeña porción del problema y encuentra la solución
óptima para este problema más pequeño.
Considérese que las variables de decisión xn (n = 1,2,3,4) son el destino inmediato en la etapa n.
Así, la ruta seleccionada sería 1 - XI - X2 - X3 - X4 en donde X4 = 10. Sea fn(s, Xn) el costo total de la
mejor política global para las etapas restantes, dado que el vendedor se encuentra en el estado s listo para
iniciar la etapa n y se selecciona a XII como el destino inmediato. Dados s y n, denotemos por x el valor de
X*n que minimiza al fn(s, Xn) y sea f*(s) el valor mínimo correspondiente de fn(s, Xn) por tanto, f*n(s) =
fn(s, Xn). El objetivo es hallar f1*(1) y la pol1tica correspondiente. La programación dinámica hace esto,
hallando sucesivamente f4*(s),f3*(s), f2*(s) , a continuación, f1*(1).
Esta sección considera con mayor amplitud el enfoque de programación dinámica para los
problemas determinísticos, en los que el estado en la etapa siguiente queda completamente determinado por
el estado y la política en la etapa actual.
Etapa Etapa
n n+1
Contribución
Estado: Sn Sn+1
de Xn
fn(Sn,Xn) Fn*+1(Sn+1)
Una manera de catalogar los problemas de programación dinámica determinística es por la forma de
la función objetivo. Por ejemplo, el objetivo podría ser minimizar la suma de contribuciones de las etapas
individuales, o bien minimizar un producto de tales términos y así sucesivamente.
8
Semana 8: Tarea individual i) Entregar un resumen de los temas 3.1. y3.2.
Etapa n+1
Contribución Sn+1
de la Etapa n
1
Etapa n C1
Probabilidad
f*n+1(1)
P1
Decisión C2
Sn Xn P2
Estado 2
PN f*n+1(2)
fn(Sn,Xn)
CN
3
f*n+1(3)
Cuando se desarrolla de esta forma para incluir todos los estados y decisiones posibles en todas las
etapas, a veces recibe el nombre de árbol de decisión. Si el árbol de decisión no es demasiado grande,
proporciona una manera útil de resumir las diversas posibilidades que pueden ocurrir.
9
Semana 9: Tarea individual j) Entregar un ejemplo explicado Programación Dinámica Determinística,
10
10
Semana 10: Tarea individual k) Entregar un ejemplo explicado Programación Dinámica Probabilística.
Ejercicio Solución
La Cruz Roja Internacional se dedica a mejorar la atención médica en los países subdesarrollados del mundo.
Dispone de 5 brigadas médicas para asignarlas a tres de estos países. El consejo necesita determinar cuántas
brigadas debe asignar a cada país (si lo hace) para maximizar la medida de la eficiencia delas brigadas, la cual
será el incremento en el promedio de vida esperado en años, multiplicado por la población de cada país.
País 1 = 1 brigadas.
País 2 = 3 brigadas.
País 3 = 1 brigadas.
País 1 = 1 brigadas.
País 2 = 1 brigadas.
País 3 = 3 brigadas.
País 1 = 3 brigadas.
País 2 = 1 brigadas.
País 3 = 1 brigadas.
País 1 = 1 brigadas.
País 2 = 2 brigadas.
País 3 = 2 brigadas.
País 1 = 2 brigadas.
País 2 = 1 brigadas.
País 3 = 2 brigadas.
País 1 = 2 brigadas.
País 2 = 2 brigadas.
País 3 = 1 brigadas.
País 1 = 1 brigadas.
País 2 = 2 brigadas.
País 3 = 2 brigadas.
País 1 = 2 brigadas.
País 2 = 1 brigadas.
País 3 = 2 brigadas.
País 1 = 2 brigadas.
País 2 = 2 brigadas.
País 3 = 1 brigadas.
País 1 = 1 brigadas.
País 2 = 2 brigadas.
País 3 = 2 brigadas.
Un caza fortunas desea ir de Missouri a California en una diligencia y quiere viajar de la forma más segura
posible. Tiene los puntos de salida y destino conocidos, pero tiene múltiples opciones para viajar a través del
territorio. Se entera de la posibilidad de adquirir un seguro de vida como pasajero de la diligencia. El costo de
la póliza estándar se muestra en la tabla de la siguiente:
Costo de la póliza = $
11.00
Ruta a) A-C-E-H-J
Ruta b) A-D-E-H-J
Ruta c) A-D-F-I-J
Costo de la póliza = $
12.00
Ruta a) A-D-E-I-J
Costo de la póliza = $
12.00
Ruta a) A-B-F-H-J
Costo de la póliza = $
20.00
Ruta a) A-D-E-H-J
Ruta b) A-D-E-I-J
Costo de la póliza = $
17.00
Ruta a) A-B-F-H-J
Ruta b) A-B-G-H-J
Ruta c) A-B-G-I-J
Costo de la póliza = $
14.00
Ruta a) A-C-E-H-J
Ruta b) A-C-G-I-J
Costo de la póliza = $
14.00
Ruta a) A-C-E-I-J
Costo de la póliza = $
14.00
Ruta a) A-D-E-H-J
Costo de la póliza = $
11.00
Ruta a) A-B-E-I-J
Unidad 4
Teoría de Inventarios
4.1. Sistemas de Administración y control
Los sistemas de inventarios surgen de las diferencias entre el tiempo y la localización de la demanda
y el abastecimiento.
Desde el punto de vista del cliente, un artículo debe contener tantas unidades como puedan
demandarse, y nunca debería quedar fuera de existencia. Generalmente, así sucede en el caso de la leche o
el pan en una tienda de abarrotes. Los inventarios cuestan dinero, representan el capital inútil.
La cantidad comienza en un nivel alto y luego se reduce conforme se sacan las unidades. Cuando el
nivel baja se coloca una orden, la cual al recibirse incrementa el inventario y esto se repite una y otra vez.
La cantidad se controla con el tiempo y la cantidad de cada orden. Así, lo más importante es:
Definición y características
Tipos de inventarios.
a. Costo de la inversión estática en vía (Costo de oportunidad) lo menos que se pierde por este
concepto es lo que nos daría el banco en intereses (12 % aprox.).
b. Terrenos y edificios (12 %).
c. Sueldos del personal de almacén (3%).
d. Seguros (1%).
e. Robos y desperdicios (3%).
f. Depreciación y obsoletismo (6%).
1. Costo de ordenar.
2. Costo del faltante.
3. Costo de lo comprado.
4. Costo de mantener los inventarios en almacén.
Ejemplo:
Supongamos que una cía. tiene una demanda de un producto de 97 unidades por semana y que
puede comprarse en diversas formas: una cantidad de 5040 al año, una cantidad de 2520 cada 6 meses,
1680 cada 4 meses y así sucesivamente de acuerdo a las necesidades de la empresa.
El costo unitario de compra del artículo es de $2.50, el costo total y por satisfacer una orden es de
$35.00 y el costo anual de almacenamiento de la mercancía es del 20% del precio de compra de la misma.
Unidades
Costo de Mantener el inventario (Cmi) = Inventario Promedio * costo del Producto * 0.20 %
Costo Total = Costo de Mantenimiento del Inventario + Costo de Ordenar + Costo de Comprar
Número de pedidos = 6.
Costo Total = $ 13,020.
Demanda optima = 840.
Ejemplo 2:
No. de pedidos Tamaño pedido Inv. promedio Costo de mnto de inv. Costo de ordenar Costo de compra Costo total
1 144000 72000 115200 25 2304000 2419225
2 72000 36000 57600 50 2304000 2361650
3 48000 24000 38400 75 2304000 2342475
4 36000 18000 28800 100 2304000 2332900
5 28800 14400 23040 125 2304000 2327165
6 24000 12000 19200 150 2304000 2323350
7 20571 10285 16456 175 2304000 2320631
8 18000 9000 14400 200 2304000 2318600
9 16000 8000 12800 225 2304000 2317025
10 14400 7200 11520 250 2304000 2315770
11
11
Semana 11: Tarea individual l) Entregar el ejemplo 2 de esta pag explicado.
Nomenclatura:
Costo de ordenar =
Costo de tenencia =
Si la demanda es de 50 piezas por día y el proveedor pasa 10 días en surtir por tanto necesitamos
500 piezas para no tener faltante.
R = ? = 50 * 10 -500
D = 50 pza/día.
L = 10 días.
R=DL
Unidad = 5040
Ejemplo:
Una Cía. fabricante de refrescos a observado que requiere anualmente de 3000 baleros que son
utilizados en las bombas de agua con un programa de mantenimiento preventivo diseñado por el
departamento de producción. El costo de cada unidad es de $ 80,000, el costo de oportunidad de inversión
es de 12% del costo del producto. Los costos generados por el control de inventarios como son el sueldo de
personal de almacén, agua y electricidad es de 2,400 * unidad, otro costo que representa aun los deterioros,
extravió y envejecimiento de los productos almacenados anualmente y alcanzan un costo de $2,000 *
unidad .La orden de compra se ha estimado en $120,000.
Suponga que el proveedor tarda en promedio 15 días en surtir una orden, determinar:
Datos:
a) = Q = 227 unidad.
b) Imáx. = Q = 227 u.
c) =
𝐷∗𝐿 3000∗15
d) 𝑅= = = 123 𝑈𝑛𝑖𝑑𝑎𝑑𝑒𝑠
365 365
f) Ct = $ 262,585,903
g) =
Este modelo compara el costo de ordenar una compra por el costo de iniciar una tanda de
producción. Para determinar la cantidad optima a pedir o si sigue el procedimiento de manufacturar el
producto.
S = Tasa de producción.
Formulario:
Ejemplo:
Comprar:
Ci = $25 u.
Co= $5
Ch = 0.10*25 = $2.5
D = 2,500 u / año.
Ct = $ 62,750
Manufacturar:
S = 10,000 u / año.
Ci = $22 unidades.
Co =$50
Ch = 0.10 (22) = $2.2
D = 2,500 u / año.
De acuerdo con los costos obtenidos conviene mejor manufacturar el producto que comprarlo y una
vez que el gerente ha decidido fabricar el producto desea conocer también:
a. El inventario máximo.
b. El tiempo de producción.
c. El punto de reorden (una orden tarda 1 semana en atenderse).
d. El tiempo de ciclo.
e. El tiempo en que no existe producción y que no se puede ocupar para dar mantenimiento a las
maquinas.
f. El inventario promedio.
g. El número de órdenes de fabricación.
a)
b)
𝐷∗ 𝐿 2500 ∗ 7
c) 𝑅 = = = 48
365 365
d)
e) T - t = 57 - 14 = 43
f)
g)
12
12
Semana 12: Tarea individual m) Entregar este último ejemplo con un costo de compra de $30.00 unidad y un costo de manufactura de$28.00 unidad.
Es muy común que el precio de un producto por la cantidad que se compra o se produce. Esta
situación surge cuando se tiene la oportunidad de recibir un descuento en la compra de una cantidad grande.
Es posible que el costo de adicional de tener un inventario mayor, son ampliamente compensado
reduciendo el costo de compra y el costo de ordenar. La forma directa de saber si se deben acelerar
cantidades grandes es comparar el aumento de los costos con el precio normal con el ahorro generado por el
precio de descuento.
Ejemplo:
= = 100
3. Calcular el costo del inventario con el precio de descuento, comparar este costo con el anterior y
seleccionar la opción de menor costo.
Ejemplo:
Suponga que un proveedor nos ofrece un descuento del 5% si adquirimos lotes mayores o iguales a
200 unidades.
Datos:
Descuento 5%
Ci = 5 * 0.95 = $ 4.75
Ch = 1.50 + 0.10 (4.75) = $ 1.975
Ct = (4.75 * 2000) + (5 * 2000/200) + (1.975 * 200/2) = 9747.5
Ct = $ 9747.5 menor que la anterior.
Otro proveedor nos ofrece ahora un descuento del 40% si compramos lotes mayores o iguales a 120
unidades.
Datos:
Descuento 40%
Ci = 5 * 0.60 = $ 3
Ch = 1.50 + 0.10 (3) = $ 1.80
Ct = (3 * 2000) + (5 * 2000/120) + (1.80 * 120/2) = 6191
Ct = $ 6191 Optimo.
Ejemplo:
Suponga que un proveedor nos ofrece un descuento del 5% si adquirimos lotes mayores o iguales a
200 unidades.
Suponga que un proveedor nos ofrece un descuento del 10% si adquirimos lotes mayores o iguales a
250 unidades
Suponga que un proveedor nos ofrece un descuento del 15% si adquirimos lotes mayores o iguales a
300 unidades
13
13
Semana 13: Tarea individual n) Entregar los ejemplos de esta pag. el de 5%, 10% y 15%
Ejercicio Solución
Supongamos que una cía. tiene una demanda de un producto de 97 unidades por semana y que puede comprarse en diversas formas: una cantidad
de 5040 al año, una cantidad de 2520 cada 6 meses, 1680 cada 4 meses y así sucesivamente de acuerdo a las necesidades de la empresa. a) Inv. Prom. = 2520 Unidades
El costo unitario de compra del artículo es de $2.50, el costo total y por satisfacer una orden es de $35.00 y el costo anual de almacenamiento de la
mercancía es del 20% del precio de compra de la misma. Determinar: b) Costo de Mantto. de Inv. =
a. El Inventario promedio. $1260,00
b. El costo de mantenimiento de inventario.
Supongamos que una cía. tiene una demanda de un producto de 97 unidades por semana y que puede comprarse en diversas formas: una cantidad
de 5040 al año, una cantidad de 2520 cada 6 meses, 1680 cada 4 meses y así sucesivamente de acuerdo a las necesidades de la empresa.
El costo unitario de compra del artículo es de $2.50, el costo total y por satisfacer una orden es de $35.00 y el costo anual de almacenamiento de la a) Costo de compra = $12600,00
mercancía es del 20% del precio de compra de la misma. Considerando un costo de mantenimiento del inventario de $1260,00, Determinar: b) Costo Total = $13895,00
a. El costo de compra.
b. El costo Total.
Supongamos que una cía. tiene una demanda de un producto de 2880 piezas por semana y que puede comprarse en d iversas formas: una cantidad
de 144000 año, una cantidad de 72000 cada 6 meses, 48000 cada 4 meses y así sucesivamente de acuerdo a las necesidades de la empresa. a) Inv. Prom. = 72000 Unidades
El costo unitario de compra del artículo es de $16,00, el costo total y por satisfacer una orden es de $25.00 y el costo anual de almacenamiento de la
mercancía es del 10% del precio de compra de la misma. Determinar: b) Costo de Mantto. de Inv. =
a. El Inventario promedio. $115200,00
b. El costo de mantenimiento de inventario.
Supongamos que una cía. tiene una demanda de un producto de 2880 piezas por semana y que puede comprarse en diversas formas: una cantidad
de 144000 año, una cantidad de 72000 cada 6 meses, 48000 cada 4 meses y así sucesivamente de acuerdo a las necesidades de la empresa. a) Costo de compra =
El costo unitario de compra del artículo es de $16,00, el costo total y por satisfacer una orden es de $25.00 y el costo anua l de almacenamiento de la
mercancía es del 10% del precio de compra de la misma. Considerando un costo de mantenimiento del inventario de $115200,00, Determinar: $2304000,00
a. El costo de compra. b) Costo Total = $2419225,00
b. El costo Total.
Supongamos que una cía. tiene una demanda de un producto de 97 unidades por semana y que puede comprarse en diversas formas:
una cantidad de 5040 al año, una cantidad de 2520 cada 6 meses, 1680 cada 4 meses y así sucesivamente de acuerdo a las
necesidades de la empresa.
El costo unitario de compra del artículo es de $2.50, el costo total y por satisfacer una orden es de $35.00 y el costo anual de
almacenamiento de la mercancía es del 20% del precio de compra de la misma. Analizando la Tabla determinar:
a. El número de pedidos.
b. La demanda óptima.
a) No. de Pedidos = 6
b) Demanda óptima = 840
unidades
Supongamos que una cía. tiene una demanda de un producto de 2880 piezas por semana y que puede comprarse en diversas formas:
una cantidad de 144000 año, una cantidad de 72000 cada 6 meses, 48000 cada 4 meses y así sucesivamente de acuerdo a las
necesidades de la empresa.
El costo unitario de compra del artículo es de $16,00, el costo total y por satisfacer una orden es de $25.00 y el costo anual de
almacenamiento de la mercancía es del 10% del precio de compra de la misma. Analizando la Tabla determinar:
a. El número de pedidos.
b. La demanda óptima.
a) No. de Pedidos = 10
b) Demanda óptima = 14400
unidades
Una Cía. fabricante de refrescos a observado que requiere anualmente de 3000 baleros que son utilizados en las bombas de agua con un programa
de mantenimiento preventivo diseñado por el departamento de producción. El costo de cada unidad es de $ 80,000, el costo de oportunidad de
inversión es de 12% del costo del producto. Los costos generados por el control de inventarios como son el sueldo de personal de almacén, agua y
electricidad es de 2,400 * unidad, otro costo que representa aun los deterioros, extravió y envejecimiento de los productos almacenados anualmente y a) Q = 227 unidades.
alcanzan un costo de $2,000 * unidad. La orden de compra se ha estimado en $120,000. b) Inv. Max = 227 unidades.
Suponga que el proveedor tarda en promedio 15 días en surtir una orden, determinar:
a) El tamaño económico del lote. c) Inv. Prom = 113 unidades.
b) El inventario máximo.
c) El inventario Promedio.
Una Cía. fabricante de refrescos a observado que requiere anualmente de 3000 baleros que son utilizados en las bombas de agua con un programa
de mantenimiento preventivo diseñado por el departamento de producción. El costo de cada unidad es de $ 80,000, el costo de oportunidad de
inversión es de 12% del costo del producto. Los costos generados por el control de inventarios como son el sueldo de personal de almacén, agua y
electricidad es de 2,400 * unidad, otro costo que representa aun los deterioros, extravió y envejecimiento de los productos almacenados anualmente y
a) R = 123 unidades.
alcanzan un costo de $2,000 * unidad. La orden de compra se ha estimado en $120,000. b) Tiempo Requerido 27 Días
Suponga que el proveedor tarda en promedio 15 días en surtir una orden, determinar: c) Costo Total = $243174903
a) El punto de reorden.
b) El tiempo requerido para consumir el inventario máximo. d) N=13
c) Costo total del inventario.
d) Número de pedidos.
14
14
Semana 14: Tarea individual o) Resolver os ejercicios indicados por el Docente.
Unidad 5
Teoría de Líneas de Espera (Teoría de Colas)
5.1. Definiciones, características y suposiciones
En este capítulo se aplica la teoría de colas. Una Cola es una línea de espera y la teoría de colas es
una colección de modelos matemáticos que describen sistemas de líneas de espera particulares o de
sistemas de colas. Los modelos sirven para encontrar el comportamiento de estado estable, como la
longitud promedio de la línea y el tiempo de espera promedio para un sistema dado.
El problema es determinar qué capacidad o tasa de servicio proporciona el balance correcto. Esto no
es sencillo, ya que el cliente no llega a un horario fijo, es decir, no se sabe con exactitud en qué momento
llegarán los clientes. También el tiempo de servicio no tiene un horario fijo.
Definición.
Una Cola es una línea de espera y la teoría de colas es una colección de modelos matemáticos que
describen sistemas de líneas de espera particulares o sistemas de colas. Los modelos sirven para encontrar
el comportamiento de estado estable, como la longitud promedio de la línea y el tiempo de espera promedio
para un sistema dado. Esta información, junto con los costos pertinentes, se usa, entonces, para determinar
la capacidad de servicio apropiada.
Un sistema de colas puede dividirse en sus dos componentes de mayor importancia, la cola y la
instalación de servicio. Las llegadas son las unidades que entran en el sistema para recibir el servicio.
Siempre se unen primero a la cola; si no hay línea de espera se dice que la cola está vacía. De la cola, las
llegadas van a la instalación de servicio de acuerdo con la disciplina de la cola, es decir, de acuerdo con la
regla para decidir cuál de las llegadas se sirve después. El primero en llegar primero en ser servido es una
regla común, pero podría servir con prioridades o siguiendo alguna otra regla. Una vez que se completa el
servicio, las llegadas se convierten en salidas.
Ambas componentes del sistema tienen costos asociados que deben de considerarse.
Costo de Espera.
Esperar significa desperdicio de algún recurso activo que bien se puede aprovechar en otra cosa y
esta dado por:
Donde:
Cw = Costo de espera por hora (en dólares) por llegada por unidad de tiempo y
L = longitud promedio de la línea.
Costo de Servicio.
Este en la mayoría se trata de comprar varias instalaciones de servicio, en estos casos solo se ocupan
los costos comparativos o diferenciales.
Aquí hay que tomar en cuenta que para tasas bajas de servicio, se experimenta largas colas y costos
de espera muy altos. Conforme aumenta el servicio disminuyen los costos de espera, pero aumenta el costo
de servicio y el costo total disminuye, sin embargo, finalmente se llega a un punto de disminución en el
rendimiento. Entonces el propósito es encontrar el balance adecuado para que el costo total sea el mínimo.
Estructuras típicas.
Las llegadas pueden ser personas, cartas, carros, incendios, ensambles intermedios en una fábrica,
etc. En la siguiente tabla se muestran algunos ejemplos de varios sistemas de colas.
Permitiendo que varíen el número de colas y el número de servidores, pueden hacerse los diagramas
de los cuatro tipos de sistemas de la siguiente figura. Cada línea de espera individual y cada servidor
individual se muestran por separado.
El primer sistema que se muestra en la figura, se llama un sistema de un servidor y una cola o puede
describir un lavado de carros automático o un muelle de descarga de un solo lugar. El segundo, una línea
con múltiples servidores, es típico de una peluquería o una panadería en donde los clientes toman un
número al entrar y se les sirve cuando llega el turno. El tercer sistema, aquél en que cada servidor tiene una
línea de separada, es característico de los bancos y las tiendas de autoservicio. El cuarto sistema, es una
línea con servidores en serie, puede describir una fábrica.
La mayor parte de los modelos elementales de colas suponen que las entradas (llegada de clientes) y las
salidas (clientes que se van) del sistema ocurren de acuerdo al proceso de nacimiento y muerte. Este
importante proceso de teoría de probabilidad tiene aplicaciones en varias áreas. Sin embrago en el
contexto de la teoría de colas, el término nacimiento se refiere a llegada de un nuevo cliente al sistema
de colas y el término muerte se refiere a la salida del cliente servido. El estado del sistema en el tiempo t
(t 0), denotado por N (t), es el número de clientes que hay en el sistema de colas en el tiempo t. El
proceso de nacimiento y muerte describe en términos probabilísticos cómo cambia N (t) al aumentar t.
En general, dice que los nacimientos y muertes individuales ocurren aleatoriamente, en donde sus tasas
medias de ocurrencia dependen del estado actual del sistema.
Este modelo puede aplicarse a personas esperando en una cola para comprar boletos para el cine, a
mecánicos que esperan obtener herramientas de un expendio o a trabajos de computadora que esperan
tiempo de procesador.
Llegadas.
Cola.
En este modelo se considera que el tamaño de la cola es infinito. La disciplina de la cola es primero
en llegar, primero en ser servido sin prioridades especiales. También se supone que las llegadas no pueden
cambiar lugares en la línea (cola) o dejar la cola antes de ser servidas.
Instalación de Servicio.
Salidas.
Características de operación.
Cola:
Utilización de la instalación:
Supóngase un supermercado grande con muchas cajas de salida, en donde los clientes llegan para
que les marquen su cuenta con una tasa de 90 por hora y que hay 10 cajas en operación. Si hay poco
intercambio entre las líneas, puede tratarse este problema como 10 sistemas separados de una sola línea,
cada uno con una llegada de 9 clientes por hora. Para una tasa de servicio de 12 por hora:
Entonces:
= 2.25 Clientes
= 3 clientes.
= 0.75 o 75%
0.32
Entonces, para este ejemplo, el cliente promedio espera 15 minutos antes de ser servido. En
promedio, hay un poco más de dos clientes en la línea o tres en el sistema. El proceso completo lleva un
promedio de 20 minutos. La caja está ocupada el 75 % del tiempo. Y finalmente, el 32 % del tiempo habrá
cuatro personas o más en el sistema (o tres o más esperando en la cola).
Características de operación.
Las ecuaciones para las características de operación se vuelven un poco más complicadas.
Sea:
N = número de servidores.
A = tasa promedio de llegadas (llegadas por unidad de tiempo).
S = tasa promedio de servicio por cada servidor (llegadas por unidad de tiempo).
Entonces:
15
15
Semana 15: Tarea individual p) Entregar este último ejemplo con tasa de llegada de 12 clientes por hora y una tasa de servicio de 15 por hora.
Ejemplo:
Considérese la biblioteca de una universidad cuyo personal está tratando de decidir cuántas
copiadoras debe de instalar para uso de los estudiantes. Se ha escogido un equipo particular que puede
hacer hasta 10 copias por minuto. No se sabe cuál es el costo de espera para un estudiante, pero se piensa
que no deben tener que esperar más de dos minutos en promedio. Si el número promedio de copias que se
hacen por usuario es cinco, ¿cuántas copiadoras se deben instalar?
Se usa prueba y error para resolver este tipo de problemas, no se encuentra una solución general
como se hizo para el modelo de un servidor. Se tratará primero con dos copiadoras, después con tres, y así
hasta que se satisfaga el criterio del tiempo de espera.
¿Cuál es la tasa de servicio? Si el número promedio de copias es cinco y la copiadora puede hacer
hasta 10 copias por minuto, entonces pueden servirse en promedio hasta dos estudiantes por minuto. Pero,
en esto no se toma en cuenta el tiempo para insertar la moneda, cambiar originales, para que un estudiante
desocupe y otro comience a copiar. Supóngase que se permite un 70 % del tiempo para estas actividades.
Entonces la tasa de servicio neta baja a 0.6 estudiantes por minuto. Además se supone que los periodos pico
de copiado tienen una tasa de llegada de 60 estudiantes por hora, o 1 por minuto.
A = 1 por minuto.
S = 0.6 por minuto.
N=2
Esto excede el criterio del máximo de 2 minutos de espera para el estudiante promedio. Se tratarán
tres copiadoras.
Los costos de servicio influyen en el método para encontrar el sistema de menor costo. Si el costo
de servicio es una función lineal de la tasa de servicio, puede encontrarse una solución general para la tasa
óptima.
Para aplicar una solución general, se necesita una tasa de servicio que pueda variar de manera
continua.
Cuando los costos de servicio cambian en forma escalonada, se usa la técnica de prueba y error para
encontrar el sistema de menor costo. Se calcula el costo total para una tasa de servicio, después para la
siguiente y así sucesivamente. Esto continúa hasta que se encuentra un límite inferior o un mínimo tal, que
el aumentar o el disminuir las tasas de servicio da costos totales más altos.
Ejemplo:
Se está estudiando un muelle de carga y descarga de camiones para aprender cómo debe formarse
una brigada. El muelle tiene espacio sólo para un camión, así es un sistema de un servidor. Pero el tiempo
de carga o descarga puede reducirse aumentando el tamaño de la brigada.
Supóngase que puede aplicarse el modelo de un servidor y una cola (llegadas Poisson, tiempos de
servicio exponenciales) y que la tasa promedio de servicio es un camión por hora para un cargador. Los
cargadores adicionales aumentan la tasa de servicio proporcionalmente. Además, supóngase que los
camiones llegan con una tasa de dos por hora en promedio y que el costo de espera es de $ 20 por hora por
un camión. Si se le paga $ 5 por hora a cada miembro de la brigada, ¿Cuál es el mejor tamaño de esta?
Datos:
Ahora sea k = número de personas en la brigada. Se busca k tal que la suma de los costos de espera y
servicio se minimice:
Costo total = Cw LS + k CS
Las pruebas deben de empezar con tres miembros de la brigada, ya que uno o dos no podrían
compensar la tasa de llegadas de dos camiones por hora. Para una brigada de tres, la tasa de servicio es de
tres camiones por hora y puede encontrarse Ls con la siguiente ecuación:
16
16
Semana 16: Tarea individual q) Entregar este último ejemplo con datos dados por el Docente.
Como este costo es mayor que el de la brigada de cinco, se rebasó el límite inferior de la curva de
costo; el tamaño óptimo de la brigada es cinco personas.
Ejemplo:
Considérese un restaurante de comida rápida con un menú limitado. El restaurante se está diseñando
para que todos los clientes se unan a una sola línea para ser servidos. Una persona tomará la orden y la
servirá. Con sus limitaciones, la tasa de servicio puede aumentarse agregando más personal para preparar la
comida y servir las órdenes.
Esto constituye un sistema de un servidor y una cola. Si las llegadas y salidas son aleatorias, puede
aplicarse el modelo de una cola. Supóngase que la administración quiere que el cliente promedio no espere
más de dos minutos antes de que se tome su orden. Esto se expresa como:
Wq = 2 minutos
Rearreglando términos,
𝐴
𝑆(𝑆 − 𝐴) = 𝑊𝑞
𝐴
𝑆 2 − 𝐴𝑆 − 𝑊𝑞
=0
Como la tasa de servicio debe ser mayor que la tasa de llegadas, puede descartarse la solución
negativa. Entonces:
𝐴 𝐴2 𝐴
𝑠= + √4 +
2 𝑊𝑞
Para este ejemplo, se supuso:
Entonces:
Para cumplir los requerimientos, se necesita una tasa de casi 50 órdenes por hora. Si, por ejemplo,
una brigada de cinco puede manejar 45 órdenes por hora y una de seis puede procesar 50 por hora, entonces
sería necesario tener la brigada de seis.
Este modelo es igual que el anterior, excepto que se supone que el tiempo de servicio es
exactamente el mismo en cada llegada en lugar de ser aleatorio. Todavía se tiene una sola línea, tamaño de
la cola infinito, disciplina de la cola como primero en llegar primero en ser servido y llegadas Poisson.
Las aplicaciones típicas de este modelo pueden incluir un autolavado automático, una estación de
trabajo en una pequeña fábrica o una estación de diagnóstico de mantenimiento preventivo. En general, el
servicio lo proporciona una máquina.
En donde A = tasa promedio de llegadas (llegadas por unidad de tiempo) y S = tasa constante de
servicio (llegadas por unidad de tiempo).
Ejemplo:
Supóngase un lavado automático de autos con una línea de remolque, de manera que los autos se
mueven a través de la instalación de lavado como en una línea de ensamble. Una instalación de este tipo
tiene dos tiempos de servicio diferentes: el tiempo entre autos y el tiempo para completar un auto. Desde el
punto de vista de teoría de colas, el tiempo entre autos establece el tiempo de servicio del sistema. Un auto
cada cinco minutos da una tasa de 12 autos por hora. Sin embargo, el tiempo para procesar un auto es el
tiempo que se debe esperar para entregar un auto limpio. La teoría de colas no considera este tiempo.
Supóngase que el lavado de autos puede aceptar un auto cada cinco minutos y que la tasa promedio
de llegadas es de nueve autos por hora (con distribución Poisson). Sustituyendo:
92
𝐿𝑞 = = 1.125 𝑎𝑢𝑡𝑜𝑠
(2)(12)(12 − 9)
9
𝑊𝑞 = = 0.125 ℎ𝑟𝑠. 𝑜 7.5 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
(2)(12)(12 − 9)
(9)((2)(12) − 9)
𝐿𝑠 = = 1.875 𝑎𝑢𝑡𝑜𝑠
(2)(12)(12 − 9)
1.875
𝑊𝑠 = = 0.208 ℎ𝑟𝑠. 𝑜 12.5 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
9
9
𝑈0 = = 0.75 𝑜 75%
12
17
17
Semana 17: Tarea individual r) Entregar este último ejemplo con tasa de llegada de 12 clientes por hora y una tasa de servicio de 15 por hora.
Ejercicio Solución
Supóngase un supermercado grande con muchas cajas de salida, en donde los clientes
llegan para que les marquen su cuenta con una tasa de 90 por hora y que hay 10 cajas
en operación. Si hay poco intercambio entre las líneas, puede tratarse este problema
como 10 sistemas separados de una sola línea, cada uno con una llegada de 9 clientes Lq = 2,25 Clientes
por hora. Para una tasa de servicio de 12 por hora: Wq = 15 minutos
A = 9 clientes por hora
S = 12 clientes por hora
Calcular la Longitud Promedio y El Tiempo de Espera Promedio para una línea:
Supóngase un supermercado grande con muchas cajas de salida, en donde los clientes
llegan para que les marquen su cuenta con una tasa de 70 por hora y que hay 10 cajas
en operación. Si hay poco intercambio entre las líneas, puede tratarse este problema
como 10 sistemas separados de una sola línea, cada uno con una llegada de 7 clientes Lq = 1,11 Clientes
por hora. Para una tasa de servicio de 11 por hora: Wq = 9,5 minutos
A = 7 clientes por hora
S = 11 clientes por hora
Calcular la Longitud Promedio y El Tiempo de Espera Promedio para una línea:
Supóngase un supermercado grande con muchas cajas de salida, en donde los clientes
llegan para que les marquen su cuenta con una tasa de 120 por hora y que hay 10 cajas
en operación. Si hay poco intercambio entre las líneas, puede tratarse este problema
como 10 sistemas separados de una sola línea, cada uno con una llegada de 12 clientes Lq = 3,2 Clientes
por hora. Para una tasa de servicio de 15 por hora: Wq = 16 minutos
A = 12 clientes por hora
S = 15 clientes por hora
Calcular la Longitud Promedio y El Tiempo de Espera Promedio para una línea:
Supóngase un supermercado grande con muchas cajas de salida, en donde los clientes
llegan para que les marquen su cuenta con una tasa de 90 por hora y que hay 10 cajas
en operación. Si hay poco intercambio entre las líneas, puede tratarse este problema
como 10 sistemas separados de una sola línea, cada uno con una llegada de 9 clientes Ls = 3 Clientes
por hora. Para una tasa de servicio de 12 por hora: Ws = 20 minutos
A = 9 clientes por hora
S = 12 clientes por hora
Calcular la Longitud Promedio y El Tiempo de Espera Promedio para una línea:
Supóngase un supermercado grande con muchas cajas de salida, en donde los clientes
llegan para que les marquen su cuenta con una tasa de 70 por hora y que hay 10 cajas
en operación. Si hay poco intercambio entre las líneas, puede tratarse este problema
como 10 sistemas separados de una sola línea, cada uno con una llegada de 7 clientes Ls = 1,75 Clientes
por hora. Para una tasa de servicio de 11 por hora: Ws = 15 minutos
A = 7 clientes por hora
S = 11 clientes por hora
Calcular la Longitud Promedio y El Tiempo de Espera Promedio para una línea:
Supóngase un supermercado grande con muchas cajas de salida, en donde los clientes
llegan para que les marquen su cuenta con una tasa de 120 por hora y que hay 10 cajas
en operación. Si hay poco intercambio entre las líneas, puede tratarse este problema
como 10 sistemas separados de una sola línea, cada uno con una llegada de 12 clientes Ls = 4 Clientes
por hora. Para una tasa de servicio de 15 por hora: Ws = 20 minutos
A = 12 clientes por hora
S = 15 clientes por hora
Calcular la Longitud Promedio y El Tiempo de Espera Promedio para una línea:
Supóngase un supermercado grande con muchas cajas de salida, en donde los clientes
llegan para que les marquen su cuenta con una tasa de 90 por hora y que hay 10 cajas
en operación. Si hay poco intercambio entre las líneas, puede tratarse este problema
como 10 sistemas separados de una sola línea, cada uno con una llegada de 9 clientes
U = 75 %
por hora. Para una tasa de servicio de 12 por hora:
P = 32%
A = 9 clientes por hora
S = 12 clientes por hora
Calcular El promedio de ocupación de las instalaciones y La probabilidad de que la línea
exceda a 3 clientes:
Bibliografía
Hillier y Liberman
McGraw Hill
Investigación de Operaciones
Taha Handy
Wayne L. Winston
Tomsom
Enrique Castillo, Antonio J. Conejo, Pablo Pedregal, Ricardo García y Natalia Alguacil
Apuntes de Clase