Investigacin De Operaciones

Volumen I
Segunda Edicin

Introduccin Formulacin Mtodo Grfico Mtodo Algebraico Mtodo Simplex Mtodo de las dos fases El problema Dual y el Mtodo Dual Simplex Anlisis Post-ptimo y Sensibilidad Transporte y Transbordo Asignaciones Programacin Lineal Entera y Binaria Administracin de proyectos PERT, CPM

Francisco Alfonso Chediak Pinzn

Ingeniero Industrial

c Corporacin Universitaria de Ibagu c Francisco Alfonso Chediak Pinzn

ISBN: 958-8028-21-3
Impreso por: Len Grficas Calle 14 No. 6-25 Ibagu - Colombia Tel. (8) 2625018 Fax (8)2616202 Corporacin Universitaria de Ibagu - Coruniversitaria Apartado 487 Conmutador (8) 2750011 Fax: 2750148 Barrio Ambal, Ibagu, Colombia. Esta publicacin no se puede reproducir, en un sistema computarizado ni transmitirse en cualquier forma o por cualquier medio, ya sea electrnico, fotocopiado mecnico, grabacin o cualquier otro, sin la autorizacin expresa del autor. Impreso en Colombia Printed in the Colombia Esta obra se termin de imprimir el 15 de Enero de 2004

Dedicatoria

As dijo Jehov: No se alabe el sabio en su sabidura, ni en su valenta se alabe el valiente, ni el rico se alabe en sus riquezas. Mas albese en esto el que se hubiere de alabar: en entenderme y conocerme, que yo soy Jehov, que hago misericordia, juicio y justicia en la tierra; porque estas cosas quiero, dice Jehov. Jeremas 9: 23, 24

Francisco Alfonso Chediak Pinzn

Ingeniero Industrial
3

Prlogo
Consciente de la importancia asumida en los tiempos modernos de los Mtodos Cuantitativos como la ciencia del arte de la toma de decisiones, el presente libro est escrito bajo la ptica de hacer fcil el aprendizaje y la aplicacin en pregrado de los temas asignados a la ctedra de Investigacin de Operaciones I y Mtodos Cuantitativos en los Programas de Ingeniera Industrial, Ingeniera de Sistemas, Administracin Financiera y Negocios Internacionales de la Corporacin Universitaria de Ibagu. Durante el desarrollo de los temas que lo ameritan, se ilustrar el uso del software WinQsb, INVOP y la herramienta Solver de Excel; Programas especializados en la investigacin de operaciones. Es de vital importancia el aprendizaje, manejo e interpretacin de la informacin suministrada por el software, en atencin al impulso que la invencin del computador, trajo al desarrollo de la Investigacin de Operaciones. Se recomienda al lector enfatizar su atencin a la formulacin de modelos, labor sta primordial para la aplicacin en la prctica de los mtodos de solucin, que sin una perfecta modelacin acarrea un estruendoso fracaso y prdida de recursos. Juicioso es tener como meta, estudiar todos los modelos posibles en los diferentes textos, revistas y trabajos de grado en donde se formulen problemas de investigacin de operaciones, la experiencia har fluir la inventiva que enfrentar el reto de formular el nuevo problema de optimizacin que en el desarrollo de nuestra profesin, con certeza nos brindar la oportunidad de resolverlo y tomar la mejor decisin posible. El primer captulo trata de manera introductoria los temas de: La toma de decisiones, La Investigacin de Operaciones, La Ingeniera Industrial y la Investigacin de Operaciones, y una breve resea histrica de la Investigacin de Operaciones, recomendando al lector efectuar la lectura del apndice 1 que recopila lecturas de diferentes autores que tratan los siguientes temas: Historia de la investigacin de Operaciones, Definicin de la Investigacin de Operaciones, Resea del
5

fundador de la programacin Lineal George Dantzing, La naturaleza del trabajo, condiciones de trabajo, Empleo y perspectivas futuras de trabajo de un analista de Investigacin de Operaciones, La investigacin de Operaciones en la Prctica, Estadsticas de las tcnicas ms usadas de Investigacin de Operaciones y una visualizacin general de los modelos de Investigacin de Operaciones. La lectura de stos artculos tiene como finalidad, responder la pregunta: para qu sirve la Investigacin de Operaciones? El captulo segundo est dedicado a la formulacin de problemas de programacin lineal, es una coleccin de modelos clsicos, debidamente resueltos y explicados. Tiene como objetivo capacitar al lector para enfrentarse a nuevos problemas. Al inicio del captulo se define matemticamente su forma general y sus caractersticas, adems se incluyen los artculos sobre Pautas y comentarios para la formulacin de modelos y Aprendiendo a formular Modelos. Se recomienda al lector enriquecerse, estudiando la mayor cantidad de modelos posibles en los textos de la bibliografa. Atendiendo a la pregunta de cmo solucionar los problemas formulados en el captulo segundo, el captulo tercero ofrece la metodologa para solucionar problemas de dos menos variables. Se ofrece en este captulo una coleccin de ejemplos resueltos y explicados, que ilustran todos los casos posibles de solucin que se pueden presentar. Se recomienda al lector resolver los problemas propuestos al final del captulo, ello le dar la certeza del aprendizaje logrado y le preparar para comprender las tcnicas de solucin que se explican en los captulos posteriores. El captulo cuarto resuelve la pregunta: cmo solucionar problemas de ms de dos (2) variables?. Aqu se presenta el mtodo algebraico, fundamental para la total comprensin del Mtodo Simplex, el Dual Simplex y el Anlisis Post ptimo. Mtodo Simplex, que resuelve lo dispendioso de la aplicacin del mtodo algebraico, se explica en el captulo quinto. Varios de los problemas formulados en el captulo segundo, son resueltos aqu mediante el Mtodo Simplex. Al final del captulo se ilustra el uso del software WinQsb y la herramienta Solver del Excel. El Mtodo Algebraico y el Mtodo simplex, segn las caractersticas del problema, hacen uso de variables artificiales que se acompaan en

la funcin objetivo con un coeficiente de valor muy grande y que se representa con una M, ello hace que los clculos sean dispendiosos; para evitar usarla se dise el Mtodo de las dos Fases, cuyo objetivo es eliminar el uso de la gran M durante el proceso de solucin, siendo ste mtodo el objetivo del captulo sexto. Los captulo sptimo y octavo presentan la formulacin del problema Dual, el Mtodo Dual Simplex, el anlisis post ptimo y de sensibilidad, herramienta fundamental para el tomador de decisiones quien podr analizar alternativas y generar estrategias, posteriores a la solucin del problema. Los captulos noveno y dcimo presentan Mtodos especficos para la solucin de problemas particulares de programacin lineal como lo son el problema del transporte, transbordo y asignaciones. Se ilustra en cada uno de estos captulos el uso del software WinQsb e INVOP. El captulo dcimo primero presenta Mtodos de solucin para atender aquellos problemas que por su naturaleza, exigen valores enteros para sus variables variables de carcter binario (0,1). Tambin se muestra el uso del software WinQsb para atender estos casos. En el ltimo captulo, el dcimo segundo, se estudia el apacionante tema del control de proyectos, se consideran las herramientas del diagrama GANTT, PERT y CPM, muy usados en nuestro medio y con los cuales el lector queda capacitado para usar stas herramientas en propuestas comerciales tales como las licitaciones. Para terminar esta presentacin, motivo a los lectores al uso de las tcnicas que ofrecen los Mtodos Cuantitativos para la toma de decisiones en su vida profesional, el hacerlo beneficiar grandemente a la sociedad, tal como ha ocurrido en otros pueblos que lo han hecho.

Francisco Alfonso Chediak Pinzn

Ingeniero Industrial

Contenido
Pgina CAPTULO 1: Introduccin La toma de decisiones La Investigacin de Operaciones La Ingeniera Industrial y la Investigacin de Operaciones Resea histrica de la Investigacin de Operaciones CAPTULO 2: Formulacin Objetivo Programacin Lineal Problema General Caractersticas de la Programacin Lineal Pautas y comentarios para la formulacin de modelos Aprendiendo a formular modelos Problema de produccin . El problema de las joyas . El problema de las bodegas Optimizacin del corte de madera Corridas de produccin El problema de los paquetes de tuercas Problema clsico de transporte El problema del transbordo El problema de localizacin de planta El problema de asignaciones Problema de la mezcla El problema del financiero El problema de distribucin de buses Problema de inventarios 21 21 22 23 24 24 27 29 31 33 34 35 37 39 41 43 45 47 49
9

15 16 16 17

 El problema de los manteles Sistema operativo de produccin . Problemas propuestos CAPTULO 3: Mtodo grfico Introduccin y Conjunto convexo Problema de nica solucin Problema de mltiples soluciones Problema de solucin indeterminada Problema sin solucin Problema de programacin Lineal Un caso de produccin Un caso de produccin Regla de equivalencia y constante en la funcin objetivo Un caso especial del Mtodo Grfico Ejercicios propuestos CAPTULO 4: Mtodo Algebraico Introduccin Ejemplo 1 Algoritmo del Mtodo Algebraico Ejemplo 2 Notas Importantes Ejemplo 3 Ejercicios propuestos CAPTULO 5: Mtodo Simplex Introduccin Ejemplo 1 : Solucin nica Ejemplo 2 : Gran M Ejemplo 3 : Mltiples soluciones Ejemplo 4 : Variables irrestrictas Ejemplo 5 : Nmero de variables v.s. Nmero de iteraciones Ejemplo 6: Solucin al problema de los paquetes con tuercas Conclusin WinQsb : Generalidades WinQsb : Mdulo de Programacin Lineal Problemas propuestos
10

50 51 53

59 60 64 65 66 66 68 71 73 76 77

81 82 82 89 94 95 97

101 102 105 106 108 110 111 113 113 114 115

CAPTULO 6: Mtodo de las dos fases Introduccin Fase I, Ejemplo Fase II, Ejemplo Ejercicios propuestos CAPTULO 7: El problema Dual y el Mtodo Dual Simplex Introduccin Formulacin del problema Dual El Mtodo Dual Simplex Algoritmo para maximizar en el Mtodo Dual Simplex Ejercicios propuestos CAPTULO 8: Anlisis Post-ptimo y Sensibilidad Introduccin Cambio en Cj cuando Xj* es no bsica Anlisis de sensibilidad Cambio en Cj cuando Xj* es bsica Anlisis de sensibilidad Cambio en bi Anlisis de sensibilidad Cambio en aij cuando Xj* es no bsica Anlisis de sensibilidad Cambio en aij cuando Xj* es bsica Anlisis de sensibilidad Adicin de una restriccin Adicin de una variable El WinQsb y el Anlisis de Sensibilidad Ejercicios propuestos CAPTULO 9 : Transporte y Transbordo Introduccin Modelo general del problema del transporte Metodologa General Ejemplo 163 164 165 166
11

121 121 122 123

125 126 127 128 130

135 137 138 139 141 141 142 144 145 146 147 148 150 152 155

Solucin Bsica Factible Mtodo de la esquina noroeste Mtodo del costo mnimo Mtodo de Vogel Mtodo Algebraico Mtodo heurstico Mtodo Modificado de Distribucin (Modi) Problema de transporte con costos de produccin El Problema del Transbordo Sistema Operativo de Produccin Software WinQsb para transporte Software INVOP para transporte Problemas propuestos CAPTULO 10: Asignaciones Introduccin y caractersticas del modelo Algoritmo para minimizar Algoritmo para maximizar Ejemplo 1 Ejemplo 2 Software WinQsb Software INVOP Problemas propuestos

167 168 170 171 173 174 175 180 183 185 188 190 192

199 200 201 201 204 205 207 208

CAPTULO 11: Programacin Lineal Entera y Binaria Introduccin y Mtodo grfico Mtodo de los planos cortantes de Gomory Mtodo de Bifurcacin y Acotacin (Branch And Bound) Mtodo aditivo de Egon Balas Para problemas binarios Ejemplo 1 Ejemplo 2 Software WinQsb para programacin lineal entera y binaria Problemas propuestos 215 216 219 220 221 223 226 227

12

CAPTULO 12: Administracin de proyectos PERT, CPM Introducci PERT determinstico Diagrama Gantt PERT probabilstico CPM Ejemplo 1 Ejemplo 2 Apndice 1 Historia de la Investigacin de Operaciones, Algunas definiciones de Investigacin de Operaciones, George Dantzing: Fundador de la Programacin Lineal, The College Mathematical Journal: Entrevista a George Bernard Dantzing, Analista de Investigacin de Operaciones: Naturaleza del trabajo, condiciones de trabajo, empleo y perspectivas futuras de trabajo. La Investigacin de Operaciones en la prctica, Mtodos que se usan con mayor frecuencia, Implicaciones para el uso de la ciencia de la administracin, Modelos de Investigacin de Operaciones. Apndice 2 Complemento indispensable para el captulo 12 es la tabla de distribucin normal acumulada, Aqu aparece la formula para estandarizar en trminos estadsticos y en trminos propios para el mtodo PERT probabilstico, tambin aparece la funcin de densidad de la distribucin de probabilidad normal y por supuesto la tabulacin de los valores acumulados de dicha distribucin. 275 231 232 234 239 243 245 249 253

13

14

Captulo 1 Introduccin

La Toma de Decisiones La Investigacin de Operaciones La Ingeniera Industrial y la Investigacin de Operaciones Resea histrica de la Investigacin de Operaciones

La toma de decisiones La toma de decisiones estratgicas para la vida de una empresa, es la principal responsabilidad indelegable de un gerente. El inicio de la toma de una decisin, generalmente empieza cuando se detecta un problema. Conocido el problema, el gerente debe proceder a definirlo de manera clara y formular el objetivo, seguidamente identifica las restricciones, evala las alternativas y seguramente el mejor curso de accin que lo llevar al la solucin ptima. Este proceso lo realiza de manera cualitativa o cuantitativa. Si lo hace bajo el enfoque cualitativo, el gerente est confiando en su juicio personal o en su experiencia pasada en situaciones similares. Si lo hace bajo el enfoque cuantitativo, no necesariamente debe tener experiencia en casos similares, pero si debe hacer un anlisis exhaustivo, especialmente si la decisin involucra una gran cantidad de dinero, un conjunto de variables muy grande se trata de un problema altamente repetitivo, en cuyo caso, el desarrollo de un procedimiento cuantitativo ahorrar tiempo valioso al gerente. La habilidad para resolver problemas mediante el anlisis cuantitativo, es propio de cada gerente, pero puede adquirirse aumentarse con la experiencia; Esta habilidad puede adquirirse mediante el estudio de las herramientas matemticas que ofrece la investigacin de operaciones, ellas le permitirn maximizar la efectividad en la toma de deci15

Introduccin

siones, pudiendo comparar y combinar informacin cualitativa y cuantitativa. La Investigacin de Operaciones (I.O.) Ofrece a los gerentes herramientas cuantitativas para la toma de decisiones que resuelven los problemas diarios de un negocio sirven para tomar decisiones en la planeacin a corto o largo plazo, sea el negocio de carcter gubernamental, de produccin, de servicios, gremial cooperativo. En el uso de la investigacin de operaciones se aplican los siguientes seis pasos metodolgicos cientficos a saber: 1. 2. 3. 4. 5. 6. Anlisis y definicin del problema. Desarrollo del modelo. Seleccin de datos de entrada. Obtencin de una solucin. Limitaciones del modelo y la solucin. Utilizacin del modelo.

La Ingeniera Industrial y la Investigacin de Operaciones La humanidad ha logrado muchos de sus progresos en los siglos ms recientes, como consecuencia de la aplicacin del mtodo cientfico a la administracin (Planeacin, Organizacin y Control de Operaciones). La Ingeniera Industrial naci cuando el hombre aplic el mtodo cientfico a los problemas administrativos. Ejemplo antiguo sobre organizacin, el que se narra en La Biblia en el libro de xodo, cuando Moiss, atendiendo el concejo de su suegro Jetro procede a nombrar los jueces que resolvern los problemas del pueblo de Israel. Otro ejemplo antiguo lo constituye la reparacin de los antiguos barcos en Venecia, mediante una lnea de ensamble sobre la que trabajadores expertos efectuaban trabajos especializados. Para 1832, Charles Babbage escribi sobre la economa de la maquinaria y los fabricantes, demostrando conocimientos en Ingeniera Industrial. Para finales del siglo XIX Frederick W. Taylor, convirti la Ingeniera Industrial en una profesin, merecindole el ttulo de padre la de administracin cientfica, mediante su trabajo que maximiz el rendimiento de los mineros, determinando que la nica variable realmente significativa era el peso combinado de la pala y su carga, diseando diferentes palas para di16

Introduccin

ferentes tipos de materiales. Otro hombre importante en los principios de la administracin cientfica fu Henry L. Gantt quien trabaj en resolver el problema de la planeacin de la produccin. Mientras que Taylor se enfocaba en resolver un problema nico, Gantt adopt un punto de vista ms amplio al observar los diferentes pasos en una operacin completa. ste cambio de inters alejndose de lo particular de la administracin hacia aspectos ms amplios fu en realidad una transferencia de nfasis de la Ingeniera Industrial a la Investigacin de Operaciones con un enfoque multidisciplinario a problemas complejos, reconocindose la necesidad de tener especialistas, reunidos para trabajar en equipos de investigacin con sistemas completos en vez de partes del sistema. Resea histrica de la Investigacin de Operaciones Arqumedes en el ao 212 antes de Jesucristo, cuando tena 75 aos, fu contratado por la ciudad de Siracusa para idear un mtodo de romper el sitio naval a la ciudad, que estaba bajo el ataque de los romanos. El concepto de Investigacin de Operaciones naci durante la primera guerra mundial en Inglaterra entre los aos 1914 1915, cuando F. W. Lanchester intent tratar cuantitativamente las operaciones militares, obteniendo ecuaciones que relacionaban el resultado de una batalla en funcin de la fuerza numrica relativa de los combatientes y de su capacidad relativa de fuego. Lanchester model una situacin que involucraba opciones estratgicas, y despus prob ese modelo contra la situacin real. ste procedimiento es el que los Investigadores de Operaciones han venido practicando desde entonces. Toms Alva Edison en los Estados Unidos de Amrica, estudi el proceso de la guerra antisubmarina. Efectu un anlisis estadstico para desarrollar maniobras mediante las cuales los barcos pudieran evadir y destruir a los submarinos. En 1917, el matemtico Dans A. K. Erlang, que trabajaba en la compaa telefnica de Copenhage, public el trabajo Soluciones a algunos problemas en la teora de probabilidades importantes en las centrales telefnicas automticas , contena frmulas de tiempo de espera que ms tardes fueron empleadas por la Oficina Postal Britnica para calcular el nmero de circuitos necesarios.

17

Introduccin

En 1915 Ford W. Harris describi el primer modelo sobre el tamao de lote econmico de inventario, posteriormente contribuyeron al desarrollo de modelos de control de inventarios H. S. Owen (1925), Benjamn Cooper (1926), R.H. Wilson (1926) y W. A. Mueller (1927). Las tcnicas matemticas del control de inventarios son de las ms antiguas herramientas de la Investigacin de Operaciones. El desarrollo de la Programacin Lineal ocurri hacia 1760 cuando los economistas empezaron a describir sistemas econmicos en trminos matemticos. El profesor de Harvard Wassily Leontieff desarroll un modelo de programacin Lineal que representaba la totalidad de la economa de los Estados Unidos de Norte Amrica. Como consecuencia del ingreso de Inglaterra a la segunda guerra mundial dos aos antes que Estados Unidos, en 1939 exista un ncleo de una organizacin Britnica de Investigacin de Operaciones y sus principales aportes fueron: El mejoramiento del sistema de radar, el caoneo antiareo, en la guerra antisubmarina, en la defensa de la poblacin civil, en el diseo del tamao de los convoy y en la conduccin de ataques de bombardeo sobre Alemania. El grupo de Investigacin de Operaciones con mayor publicidad fu el denominado El circo de blackett dirigido por el profesor P.M.S. Blackett de la Universidad de Manchester, ministro de la Royal Society, laureado nobel y ex-oficial naval. El grupo estaba conformado por 3 Fisioligistas, 2 Fsicos matemticos, 1 Astrofsico, 1 Oficial del ejrcito, 1 Topgrafo, 1 Fsico general y 2 Matemticos. El valor del enfoque del equipo Heterogneo fu de xito notorio. Al ingresar los Estados Unidos a la segunda guerra mundial, cre grupos de anlisis de operaciones en la fuerza area y en la armada, sta ltima cre grupos de Investigacin de Operaciones en el Laboratorio de municiones naval y en la dcima flota. Despus de la segunda guerra mundial, tanto el ejrcito como la fuerza area de los Estados Unidos de Norte Amrica, continuaron con los grupos de Investigacin de Operaciones pero las tcnicas desarrolladas empezaron a ser usadas en la planeacin de los negocios. La industria deba renovar su produccin y organizacin para servir rpidamente a las necesidades en tiempos de paz. En 1950 se organiz la Operations Research Society of Amrica (ORSA) y The Institute of Management Science (TIMS). Desde 1952 ORSA publica la revista Operations Research y desde 1953 TIMS publica su revista Management Science. Desde la dcada de los 70 (s) las dos socieda18

Introduccin

des publican la revista trimestral Interfases con trabajos y artculos relacionados con los problemas operacionales del uso de la ciencia administrativa y la investigacin de Operaciones. En Inglaterra se form en 1948 el Operational Research Club quien cambi su nombre posteriormente a la Operational Research Society of the United Kingdom y para 1950 crearon la revista Operational Research Quarterly. Ms recientemente se han formado sociedades de Investigacin de Operaciones en Francia, Italia, Israel y Austria. En Colombia, existe desde el ao 2000 la Sociedad Colombiana de Investigacin de Operaciones Socio, cuya sede se encuentra actualmente en las instalaciones de la Universidad de la Sabana, en el edificio A, oficina 9, telfono (+57 1) 861 5555 extencin 2518 y su pgina web es: www.socio.org.co Se recomienda al lector leer la totalidad del apndice 1, en donde se coleccionan varias lecturas interesantes sobre el tema.

19

20

Captulo 2 Formulacin
Max Min Z = C X C.S.R. AX<B XJ > 0 ;
Objetivo El presente captulo es una recopilacin de problemas representativos de programacin lineal, en donde se muestra al lector la solucin a diferentes modelos, buscando desarrollar la capacidad inventiva para formular problemas de optimizacin de recursos. Programacin Lineal - Problema General La Programacin Lineal resuelve un tipo muy especial de problema, uno en el cual todas las relaciones entre las variables son lineales, tanto en las restricciones como en la Funcin Objetivo. Definicin: Dado un conjunto de m desigualdades lineales ecuaciones lineales, con n variables, se requiere hallar valores no negativos de stas variables que satisfagan las restricciones y maximicen minimicen alguna funcin lineal de las variables llamada Funcin Objetivo. Matemticamente: Hallar XJ , J = 1, 2, . . . . . n Maximizar Minimizar Para:
......

j = 1, 2, ..., n

Z = C1X1 + C2X2 +

+ CnXn

con las siguientes restricciones:

21

Formulacin

a11X1 + . . . . . + a1jXj + . . . . . ai1X1 + . . . . . + aijXj + . . . . . am1X1 + . . . . . + amjXj+ . . . . . Xj > 0 ; j = 1, 2, . . . . . . n

+ a1nXn + ainXn

<> <>

b1 bi bm

+ amnXn < >

Caractersticas de la Programacin Lineal 1. Linealidad asume que no pueden haber trminos as: X1X2 a 14 X 3 2 Log X4

2. Asume las propiedades aditivas y multiplicativas. Si una unidad tipo 1 necesita 2 horas en la Mquina A y una unidad tipo 2 necesita 2 horas, entonces ambas necesitan 4 horas. Si una unidad tipo 3 necesita 1 hora en la mquina B, entonces 10 unidades necesitan 10 horas.

3. La funcin que se va a optimizar (maximizar minimizar) se llama funcin objetiva, fjese que no aparece ningn trmino independiente constante. Los valores de las Xj son independientes de cualquier constante. 4. Cuando se dice que hay m restricciones, no estn incluidas las condiciones Xj > 0 (condicin de no negatividad). 5. a) Cualquier conjunto de Xj que satisface las m restricciones se llama una solucin al problema. b) Si la solucin satisface la condicin de no negatividad Xj > 0 , se llama una solucin factible c) Una solucin factible que optimiza la funcin objetiva se llama una solucin factible ptima

Usualmente hay un nmero infinito de soluciones factibles al problema, de todas estas, tiene que hallarse una ptima
22

Formulacin

Pautas y comentarios para la formulacin de modelos En la conversin de modelos verbales a modelos formales, ser muy til describir primero con palabras un modelo que corresponda al problema dado. Es decir, se puede proceder de la siguiente forma: 1. Exprese cada restriccin en palabras; al hacer esto, ponga cuidadosa atencin en si la restriccin es un requerimiento de la forma > (mayor igual que, al menos, por lo menos, como mnimo), una limitacin de la forma < (menor igual que, no mayor que, como mximo), = (igual a, exactamente igual a). 2. Despus expresar el objetivo en palabras. 3. Identificar verbalmente las variables de decisin: Con frecuencia, una cuidadosa lectura del contenido del problema le revelar que las variables de decisin y el objetivo se le dan en la forma exacta que necesita. Es imperativo e importante que estn definidas en forma correcta sus variables de decisin. En ocasiones encontrar que hay varias elecciones posibles. Una gua til es hacerse a si mismo la pregunta: Qu decisin debe tomarse para optimizar la funcin objetivo ? . La respuesta a esta pregunta le ayudar a llegar a identificar correctamente las variables de decisin. 4. Expresar la funcin objetivo mediante smbolos, es decir en trminos de las variables de decisin. 5. Expresar las restricciones mediante smbolos, es decir, en trminos de las variables de decisin. En esta etapa es necesario e imperativo comprobar si las unidades son consistentes. Por ejemplo, si los coeficientes de una funcin objetivo estn dados por pesos por libra, las variables de decisin que aparezcan en la funcin objetivo deben resultar en libras, no en toneladas ni onzas. De manera anloga, compruebe que para cada restriccin las unidades del lado derecho son las mismas que las del lado izquierdo. Por ejemplo, si una de las restricciones es una limitante de la forma < de horas de trabajo, el lado derecho debe ser de horas de trabajo. Dicho de otra forma ms simple, no puede tener unidades de horas en el lado izquierdo de la restriccin y en el otro lado minutos segundos libras toneladas. Es conveniente comentar que las restricciones en programacin li23

Formulacin

neal no pueden tener una desigualdad estricta, con los signos < > . La razn de esto es de naturaleza matemtica para que asegure que un problema bien formulado tenga solucin ya que cualquier situacin del mundo real que uno pueda imaginar y que implique desigualdades de restriccin es casi seguro que la representacin con los signos < o > captar por completo el significado del mundo real. Aprendiendo a Formular Modelos Este capitulo contiene ejemplos de formulacin que le servirn para cimentar su habilidad al traducir problemas del mundo real a modelos matemticos. Esta transicin, o modo en que se ha de elaborar el modelo, la forma en que se definir las variables y se formularn las restricciones y la funcin objetivo es de primordial importancia. Intente resolver los siguientes problemas por si mismo. Formlelos con la rapidez que le sea posible y no lea en un problema ms de lo que se le da. Por ejemplo, no introduzca restricciones adicionales o matices lgicos o datos imaginarios que en su opinin podran hacer ms realista el modelo. Por ejemplo, no se preocupe por lo que ocurra la semana siguiente si el problema nunca se refiere a la semana siguiente. Los problemas que se muestran han sido escogidos para facilitarle el desarrollo del aprendizaje de la formulacin. Para lograr esto y que pueda comprobar su trabajo y calibrar su progreso dentro del contexto descrito, la formulacin correcta, debe carecer por completo de ambigedad. En otras palabras, que haya una respuesta correcta. Ms tarde, cuando tenga experiencia, la amplitud de las dudas en la interpretacin y las sutilezas del mundo real sern mayores. Debido a que el tema de la formulacin es tan importante y como la prctica es el nico camino para dominarlo, se recomienda hacer un nmero de problemas grande. Como ltimo consejo: No lea simplemente el problema y despus vaya de inmediato a la solucin. Esa sera la mejor forma de engaarse a si mismo sobre lo que ha comprendido. No lea la solucin hasta que est seguro de haber solucionado en forma correcta el problema por si mismo o est totalmente convencido que se encuentra en un callejn sin salida. 1. Problema de produccin Un taller tiene tres (3) tipos de mquinas A, B y C; puede fabricar dos (2) productos 1 y 2, todos los productos tienen que ir a cada mquina y cada uno va en el mismo orden: Primero a la mquina A, luego a la B y
24

Formulacin

luego a la C. La tabla siguiente muestra: 1. Las horas requeridas en cada mquina, por unidad de producto 2. Las horas totales disponibles para cada mquina, por semana 3. La ganancia por unidad vendida de cada producto
Tipo de Mquina A B C Producto 1 2 1 4 1 Producto 2 2 2 2 1,50 Horas disponibles por semana 16 12 28

Ganancia por unidad

Que cantidad de cada producto (1 y 2) se debe manufacturar cada semana, para obtener la mxima ganancia ? Cuantas horas semanales sobran en cada departamento ? Formulacin 1. Definicin de las variables: Xj = Unidades semanales a producir del articulo j-simo ( j=1 y 2) 2. Funcin objetivo: Maximizar Z = X1 + 3/2 X2 3. Restricciones: 2X1 + 2X2 < 16 Restriccin debida a las horas disponibles por semana de la MQ A X1 + 2X2 < 12 Restriccin debida a las horas disponibles por semana de la MQ B 4X1 + 2X2 < 28 Restriccin debida a las horas disponibles por semana de la MQ C 4. Condicin de no negatividad: Xj > 0 ; j = 1 y 2 5. Solucin Mediante el mtodo grfico: Preparamos analticamente las restricciones para graficarlas
25

Con las siguientes restricciones (c.s.r.):

Formulacin

2X1 + 2X2 < 16 2X1 + 2X2 = 16 X1 = 0 X2 = 0 X2= 8 X1 = 8 P(0,0) => 0 < 16 Verdad

X1 + 2X2 < 12 X1 + 2X2 = 12 X1 = 0 X2 = 0 X2 = 6 X1 = 12 P(0,0) => 0 < 12 Verdad

4X1 + 2X2 < 28 4X1 + 2X2 = 28 X1 = 0 X2 = 0 X2 =14 X1 = 7 P(0,0) => 0 < 28 Verdad

Z = X1 + 3/2 X2 Z = X1 + 3/2 X2= 3 X1 = 0 X2 = 0 X2 = 2 X 1 = 3

Fjese que la funcin objetivo X1 + 3/2 X2 = Z es la ecuacin de una familia de rectas paralelas (curvas de nivel), las que se generan cada vez que cambiemos el valor de Z, aqu hemos dado el valor arbitrario a Z de 3. Como observar en la grfica siguiente, la recta que representa a sta funcin objetivo, la desplazaremos a izquierda o derecha para encontrar el ltimo punto que intercepta a la derecha del rea de soluciones factibles, para encontrar la solucin factible ptima.

X1 + 3/2 X2 = 3 X1 = 0 X2 = 0 X2 = 2 X1 = 3

X1 + 3/2 X2 = 9 X1 = 0 X2 = 0 X2 = 6 X1 = 9

Observando la grfica se deduce que conviene tomar la funcin objetivo que ms se encuentre desplazada a la derecha, pero que toque el rea de soluciones factibles.

26

Formulacin

Tiempo sobrante de cada mquina: Mquina A 2X1*+2X2* < 16 2(4) +2(4) < 16 16 < 16 Se usan todas las horas semanales disponibles. Mquina B X1*+2X2* < 12 (4) +2(4) < 12 12 < 12 Se usan todas las horas semanales disponibles. Mquina C 4X1*+2X2* < 28 4(4) +2(4) < 28 24 < 28 A la Mquina C le sobran 4 horas Semanales.

2. El problema de las joyas Una joyera produce dos tipos de joyas: La tipo 1 y la tipo 2. Cada joya tipo 1 contiene 2 rubies y 4 diamantes y se vende a $10/Unidad y tiene un costo de produccin de $5/Unidad. Cada joya tipo 2 contiene 1 rub y 1 diamante, se vende a $6/Unidad y tiene un costo de produccin de $4/Unidad. La joyera dispone de 30 rubes y 40 diamantes para producir las joyas. Por la situacin del mercado, se deben producir al menos 10 joyas del tipo 2. a) Formule el problema de programacin lineal para maximizar la utilidad neta de la joyera (ventas - costos). b) En un plano carteciano, grafique las restricciones y sombree el rea de soluciones factibles. c) Grafique la funcin objetivo y determine en que direccin (izquierda derecha) se debe desplazar para que su valor aumente (maximice). d) Cuntas joyas de cada tipo se deben producir, para maximizar la utilidad neta?. e) Cul es la mxima utilidad neta? f) Cuntos rubes y diamantes sobran? Xj= Nmero de joyas a fabricar y vender, del tipo j-simo (j=1=Joya tipo 1, j=2=Joya tipo 2) Maximice Z=(10-5)X1+(6-4)X2 = 5X1+2X2 C.S.R. 2X1 + X2 < 30 Restriccin debida a la cantidad de rubes disponibles. 4X1 + X2 < 40 Restriccin debida a la cantidad de diamantes disponibles. X2 > 10 Restriccin debida a las condiciones del mercado.
27

Formulacin

Xj > 0 , j = 1 y 2 Condicin de no negatividad. 2X1 + X2 < 30 2X1 + X2 = 30 X1= 0 X2= 0 X2=30 X1=15 P(0,0)=>0<30 Verdad 4X1 + X2 < 40 4X1 + X2 = 40 X1= 0 X2= 0 X2=40 X1=10 P(0,0)=>0<40 Verdad X2 > 10 X2 = 10 P(0,0)=>0>10 Falso 5X1 + 2X2 = 100 X1= 0 X2=50 X2= 0 X1=20

2X1 + X2 = 30 4X1 + X2 = 40

Z* = 5X1* + 2X2* = 5(5) + 2(20) = 65 ; Adems:

28

Formulacin

2X1* + X2* < 30 2(5) + (20) < 30 30 < 30 No sobran rubies

4X1* + X2* < 40 4(5) + (20) < 40 40 < 40 No sobran diamantes

X2* > 10 20 > 10 Se producen 10 joyas tipo 2 de ms.

3. El problema de las bodegas Un barco de carga tiene tres bodegas: Proa, Popa y centro cuya capacidad mxima de peso a transportar en cada una de ellas es: 2.000, 1.500, y 3.000 toneladas respectivamente; Cada bodega tiene un volumen de: 100.000, 300.000 y 135.000 pies cbicos respectivamente. Se ofrecen tres tipos de carga denominadas A, B y C en las siguientes cantidades: 6.000, 4.000 y 2.000 toneladas respectivamente; si cada tonelada de los productos A, B y C ocupa 60, 50 y 25 pies cbicos y el capitn del barco tiene como poltica de seguridad, cargar el mismo porcentaje de toneladas en cada bodega, de tal forma que maximice las utilidades de la carga, sabiendo que por cada tonelada de los productos A, B y C obtiene una utilidad de $6, $8 y $5 respectivamente. Solucin Proa X 1A X 1B X 1C 2.000 Tn. 100.000 pies3 Popa X 2A X 2B X 2C 1.500 Tn. 300.000 pies3 Centro X3A X 3B X 3C 3.000 Tn. 135.000 pies3
6.000 Tn.
3

$6/Tn.

60 pies /Ton. 4.000 Tn.

3

$8/Tn. $5/Tn.
3

50 pies /Ton. 2.000 Tn.

25 pies /Ton.

X ij = Toneladas a transportar en la bodega i-sima (i=1=Proa, i=2=Ppopa, i=3=Centro) con el producto j-simo (j=A=Producto A,B= Producto B, C=Producto C) Max Z = 6(X1A+X2A+X3A) + 8(X1B+X2B+X3B) + 5(X1C+X2C+X3C) Con las siguientes restricciones:
29

Formulacin

X1A + X1B + X1C < 2.000 X2A + X2B + X2C < 1.500 X3A + X3B + X3C < 3.000 60X1A + 50X1B + 25X1C < 100.000 60X2A + 50X2B + 25X2C 60X3A + 50X3B + 25X3C

Restricciones debidas a la capacidad en toneladas de las bodegas 1,2 y 3, respectivamente.

Restricciones debidas a la capa< 300.000 cidad en volumen de las bodegas 1,2 y 3, respectivamente. < 135.000 Restricciones debidas a la oferta en toneladas de cada tipo de carga A, B, C respectivamente.

X1A + X2A + X3A < 6.000 X1B + X2B + X3B < 4.000 X1C + X2C + X3C < 2.000

(X1A + X1B + X1C)/2.000 = (X2A + X2B + X2C)/1.500 = (X3A + X3B + X3C)/3.000

La anterior restriccin, con base en que dos cosas iguales a una tercera son iguales entre s, se remplaza con las siguientes dos igualdades, debidamente simplificadas. Restriccines debidas a la poltica de seguridad, de cargar el 3X1A + 3X1B + 3X1C - 2X3A - 2X3B - 2X3C = 0 mismo porcentaje de toneladas en cada bodega. Xij > 0 ; i = 1,2,3 ; j = A,B,C
3X1A + 3X1B + 3X1C - 4X2A - 4X2B - 4X2C = 0

Empleando el WinQsb, se obtiene la siguiente solucin ptima: X1A= 285,7143 Ton. X1B= 1.600 Ton. X1C= 114,2875 Ton. Z* = $46.285,71 X2A= 1.500 Ton. X2B= 0 Ton. X2C= 0 Ton. X3A= 0 Ton. X3B= 2.400 Ton. X3C= 600 Ton.

30

Formulacin

4. Optimizacin del corte de madera En una marquetera se fabrican cuadros, cuyos marcos se obtienen de cortar varillas para perfil moldura, cuya longitud original es de 300 cms. El Departamento de ventas tiene pedido para el siguiente mes 175 cuadros de 119 x 90 cm. El Jefe de produccin ordena que se corten 350 molduras de 119 cms. Y 350 molduras de 90 cms. (Cada cuadro lleva 2 molduras de cada dimensin). Con sta manera de cortar la madera, la Fbrica necesita el capital para comprar 292 varillas para molduras de 300 cms. cada una y genera 14.450 cms. De desperdicio. Formule un problema de programacin lineal que minimice el desperdicio, la compra de materia prima y optimice la productividad.
300 cms.

Materia Prima: Varilla de madera para moldura de 300 cm de larga.

90 cms.

119 cms.

Nmero de molduras para 175 cuadros: 175 x 2 = 350

Mtodo de corte actual y su valoracin: Varillas que se compran para obtener las molduras de 119 cms.:
cms. 119 cms. 119 cms. 62

(175 x 2) / 2 = 175 varillas Desperdicio: 175 x 62 = 10.850 cms.

Varillas que se compran para obtener las molduras de 90 cms.:

cms. 90 cms. 90 cms. 90 cms. 30

(175 x 2) / 3 = varillas Desperdicio: 117 x 30 + 90 = 3.600 cms.

Total de varillas de 300 cms a comprar: 175 + 117 = 292 varillas Total de centmetros de desperdicio: 10.850+3.600=14.450 cms.

31

Formulacin

Formulacin Xj = Nmero de varillas a cortar de la forma j-sima (j = 1, 2 y 3) Formas posibles de cortar la varilla Forma 1
cms 119 cms 119 cms 62

Variable X1
cms 1

cms 119

cms 90

cms 90

X2

cms 90

cms 90

cms 90

cms 30

X3

Minimizar Z = 62X1 + X2 + 30X3 C.S.R. XJ > 0 2X1 + X2 = 350 2X2 + 3X3 = 350 ; J = 1, 2 y 3 Enteros

Minimizar el desperdicio
Restricciones debidas a la necesidad De Boceles de cada tamao Restriccin de no negatividad

Resolviendo por el mtodo de Branch and Bound el mtodo de los planos cortantes de Gomory usando el software WINQSB, se obtiene la siguiente solucin: X1* X2* X3* Z* = 89 Cortar 89 veces de la manera 1 = 172 Cortar 172 veces de la manera 2 = 2 Cortar 2 veces de la manera 3 = 5.750 centmetros de desperdicio mnimo.

Nmero de varillas a comprar: 89 + 172 + 2 = 263 varillas de 300 cms de largo cada una. Cuadro comparativo de los ahorros: Conceptos Antes Despus Diferencia % disminuido
32

Materia prima 292 263 29 9,93 %

Desperdicio (cms.) 14.450 5.750 8.700 60,20 %

Formulacin

5. Corridas de produccin Una empresa produce un artculo cuya unidad est compuesta por 4 unidades de componente A y 3 unidades de componente B que se producen por corrida de produccin a partir de las materias primas 1 y 2 y en tres diferentes departamentos. La produccin por corrida de produccin se muestra en la siguiente tabla: Elabore un plan de produccin para maximizar la cantidad de artculo a producir.
Materia Prima Materia Prima 1 2
Departamento 1 Departamento 2 Departamento 3 Disponibilidad 8 5 3 100 6 9 8 200

Componente A
7 6 8

Componente B
5 9 4

Formulacin:
XJ = Nmero de corridas de produccin en el departamento j-simo (j = 1,2 y 3) Nmero de componentes A: 7X1 + 6X2 + 8X3 Nmero de componentes B: 5X1 + 9X2 + 4X3 Nmero de artculos completos con los componentes A: (7X1 + 6X2 + 8X3) / 4 Nmero de artculos completos con los componentes B: (5X1 + 9X2 + 4X3) / 3

Unidad completa del Producto

Maximizar {Mnimo entero entre{ (7X1 + 6X2 + 8X3) / 4 , (5X1 + 9X2 + 4X3) / 3 }}

C.S.R. XJ > 0

8X1 + 5X2 + 3X3 < 100 6X1 + 9X2 + 8X3 < 200 J = 1, 2 y 3 Enteros

Restricciones debidas a la disponibilidad De materias primas tipo 1 y 2 Restriccin de no negatividad

Usando la tcnica de la programacin por metas y usando el WinQsb para programacin lineal entera en 43 iteraciones se encuentra la siguiente solucin ptima:

33

Formulacin

X1*= 1 Hacer la corrida de produccin en el departamento 1, 1 vez X2*= 7 Hacer la corrida de produccin en el departamento 2, 7 veces X3*=16 Hacer la corrida de produccin en el departamento 3, 16 veces Z*= 44 Unidades completas del producto Partes A a producir: 7X1* + 6X2* + 8X3* = unidades de A Partes B a producir: 5X1* + 9X2* + 4X3* = unidades de B Con 177 unidades de A se fabrican 177/4 articulo Con 132 unidades de B se fabrican 132/3 articulo 7(1) + 6(7) + 8(16) = 177 5(1) + 9(7) + 4(16) = 132 = 44 unidades enteras del = 44 unidades enteras del

8X1* + 5X2* + 3X3* < 100 ; 8(1) + 5(7) + 3(16) < 100 ; 91 < 100 Sobran 9 unidades de materia prima 1 6X1* + 9X2* + 8X3* < 200 ; 6(1) + 9(7) + 8(16) < 200 ; 197 < 200 Sobran 3 unidades de materia prima 2 6. El problema de los paquetes de tuercas Un distribuidor de ferretera planea vender paquetes de tuercas y tornillos mezclados. Cada paquete pesa por lo menos 2 libras. Tres tamaos de tuercas y tornillos componen el paquete y se compran en lotes de 200 libras. Los tamaos 1, 2 y 3 cuestan respectivamente $20, $8 y $12, adems: a) El peso combinado de los tamaos 1 y 3 debe ser al menos la mitad del peso total del paquete. b) El peso de los tamaos 1 y 2 no debe ser mayor que 1,6 libras c) Cualquier tamao de tornillo debe ser al menos el 10% del paquete total Cul ser la composicin del paquete que ocasionar un costo mnimo?

Vende bolsas de al menos 2 Libras cada una

34

Formulacin

Xj= Peso en libras de las tuercas y tornillos del tamao j-simo (j=1,2 y 3) en la bolsa Observe que: 20/200 es lo que vale una libra de tornillos tipo 1 8/200 es lo que vale una libra de tornillos tipo 2 12/200 es lo que vale una libra de tornillos tipo 3 Minimizar Z = 20/200 X1 + 8/200 X2 + 12/200 X3
X1 + X3 > (X1 + X2 + X3) / 2 X1 + X2 < 1,6 X1 > 0,1 (X1 + X2 + X3) X2 > 0,1 (X1 + X2 + X3) X3 > 0,1 (X1 + X2 + X3) X1 + X2 + X3 > 2 XJ = 0 C.S.R. Los tamaos 1 y 3 al menos la mitad del peso Los tamaos 1 y 2 no deben ser mayor de 1,6 lbs El tamao 1 debe ser al menos el 10% del total El tamao 2 debe ser al menos el 10% del total El tamao 3 debe ser al menos el 10% del total El paquete debe ser al menos de 2 libras J = 1, 2 y 3 Condicin de no negatividad

Solucin: Minimizar Z = 0,1X1 + 0,04X2 + 0,06X3 C.S.R. X1 - X2 X1 + X2 0,9X1 -0,1X2 -0,1X1 +0,9X2 -0,1X1 -0,1X2 X1 + X2 J = 1, 2 y 3 + X3 > 0 < 1,6 > 0 > 0 > 0 > 2

XJ > 0

- 0,1X3 - 0,1X3 + 0,9X3 + X3

Usando el WINQSB se encuentra que la solucin ptima es: X1* = 0,2 Libras del tamao 1 X2* = 1,0 Libras del tamao 2 X3* = 0,8 Libras del tamao 3 Z* = $0,108 Costo mnimo del paquete 7. Problema clsico del transporte Un fabricante tiene tres centros de distribucin en: Bogot, Medelln y Cali. Estos centros tienen disponibilidades de: 20, 40 y 40 unidades respectivamente. Sus detallistas requieren los siguientes cantidades:
35

Formulacin

Pereira 25, Tula 10, Anserma 20, Ibagu 30 y Armenia 15. El costo de transporte por unidad en pesos entre cada centro de distribucin y las localidades de los detallistas se dan en la siguiente tabla:
D Pereira Centros de distribucin Bogot Medelln Cali 55 35 40 e t Tula 30 30 60 a l l 40 100 95 i s t 50 45 35 a s Armenia 40 60 30 Anserma Ibagu

Cuanto unidades debe mandar el fabricante desde cada centro de distribucin a cada detallista, de manera que los costos totales de transporte sean mnimos? = Cantidad de unidades a enviar desde el centro de distribucin isimo (i = 1 = Bogot, i = 2 = Medelln, i = 3 = Cali), al detallista j-simo (j = 1 = Pereira, j = 2 = Tula, j = 3 = Anserma, j = 4 = Ibagu, j = 5 = Armenia) Minimizar Z = 55X11 + 30X12 + 40X13 + 50X14 + 40X15 + 35X21 + 30X22 + 100X23 + 45X24 + 60X25 + 40X31 + 60X32 + 95X33 + 35X34 + 30X35 C.S.R. X11 + X12 + X13 + X14 + X15 < 20 Restricciones debidas a la disX21 +X22 + X23 + X24 + X25 < 40 ponibilidad de unidades en los X31 +X32 + X33 + X34 + X35 < 40 respectivos centros de distribucin 1, 2 y 3 X11 + X12 + X13 + X14 + X15 + X21 + X31 X22 + X32 X23 + X33 X24 + X34 X25 + X35 > > > > > 25 10 20 30 15 Restricciones debidas a los requerimientos de unidades, de los detallistas respectivos 1, 2, 3, 4 y 5

Xij > 0 ; i = 1, 2 y 3 ; j = 1, 2, 3, 4 y 5 Empleando el WinQSB el INVOP obtenemos la siguiente solucin factible ptima: X*11 X*12 X*13 X*14 X*15
36

= = = = =

0 0 20 0 0

X*21 X*22 X*23 X*24 X*25

= 25 = 10 = 0 = 5 = 0

X*31 X*32 X*33 X*34 X*35

= = = = =

0 0 0 25 15

Z* = $ 3.525

Formulacin

8. El problema del transbordo Una empresa fabrica monitores de alta resolucin en dos plantas de produccin P1 y P2 . Las capacidades de produccin por semana son de 80 y 60 unidades, respectivamente. Los monitores se llevan a cuatro centros de ventas Vi , i = 1, 2, 3 Y 4 que solicitan para la prxima semana 30 unidades para V1, 20 para V2 y 40 para V4. V3 no ha cuantificado su demanda indicando que va a ser muy alta y aceptara toda la produccin. La legislacin vigente obliga a la empresa a transportar los monitores de las plantas a los puntos de venta a travs de alguno de los dos centros de control de calidad existentes C1 y C2 en los que se controlan los monitores y cuya capacidad es muy grande. El costo de control por unidad en C1 es de $4.000 y en C2 es de $6.000. Los costos en miles de pesos del transporte unitario de las plantas a los centros de control y de estos a los puntos de venta, aparecen en la tabla siguiente:
Plantas de produccin P1 Centros de control de calidad C1 C2 12 11 P2 10 9 C e n t r o s d e v e n t a V1 22 20 V2 20 V3 24 19 V4 23

La empresa desea distribuir toda la produccin para la semana entrante, sin mostrar preferencia por la utilizacin de un determinado centro de control o punto de venta, pues su inters reside en minimizar el costo global de transporte. Cual debe ser la distribucin de las plantas a los puntos de venta? Formulacin:

37

Formulacin

Xij = Unidades a enviar desde el nodo i-simo (i = 1,2,3 y 4) al nodo j-simo (j = 3,4,5,6,7 y 8) Minimizar Z = 12X13 + 11X14 + 10X23 + 9X24 + 4(X13 + X23) + 6(X14 + X24) + 22X35 + 20X36 + 24X37 +20X45 + 19X47 + 23X48 C.S.R. X13 + X14 < 80 X23 + X24 < 60 X13 + X23 = X35 + X36 + X37 X14 + X24 = X45 + X47 + X48 Restricciones debidas a la disponibilidad de monitores en las plantas p1 y p2 Restricciones debidas a que la suma de monitores entrante debe ser igual a la suma de monitores saliente de cada centro C1 y C2 Restricciones debidas a la demanda de monitores en cada centro de venta V1 , V2 , V3 y V4 Restriccin de no negatividad

X35 + X45 X36 X37 + X47 X48 Xij > 0 ;

> > > >

30 20 140 40 Enteros

Otra manera de formularlo es, convirtindolo en un problema clsico de transporte, as: Construimos una tabla de costos mnimos, desde cada origen Pi a cada destino Vj sealando el centro de control de calidad Ck , usado en dicha ruta de mnimo costo. V1 P1 P2 37 (C2)* 35 (C2) V2 36 (C1) 34 (C1) V3 36 (C2) 34 (C2) V4 40 (C2) 38 (C2)

Ejemplo: Para enviar monitores desde la planta P1 al centro de ventas V1 existen dos alternativas: 1) P1 => C1 => V1 con costos por unidad de: $12 + $4 + $22 = $38 2) P1 => C2 => V1 con costos por unidad de: $11 + $6 + $20 = $37 * Inscribimos el menor costo de estas dos alternativas en la tabla, especificando que se hace a travs del centro de investigacin C2
38

Formulacin

Xij = Cantidad de monitores de alta resolucin a enviar desde la planta i-sima (i=1, i=2) al centro de venta j-simo (j=1, 2, 3 y 4) Min Z = 37X 11+36X12+36X13+40X14+35X21+34X22+34X23+38X24 C.R.S. X11 + X12 + X13 + X14 X21 + X22+ X23 + X24 X11 + X12 + X13 + X14 + X21 X22 X23 X24 > > > > 30 20 140 40 < 80 < 60 Restricciones debidas a la disponibilidad de monitores en las plantas P1 y P2 Restricciones debidas a la demanda de monitores, encada centro de ventas V1 , V2 , V3 y V4 Condicin de no negatividad

Xij > 0 ; i = 1 y 2 ; j = 1, 2 , 3 y 4 Enteros

Solucin: Empleando cualquiera de las dos formulaciones, se obtiene mediante el WinQsb o el INVOP la siguiente solucin: De la planta de produccin P1 enviar 20 monitores al centro de control de calidad C1 De la planta de produccin P1 enviar 60 monitores al centro de control de calidad C2 De la planta de produccin P2 enviar 60 monitores al centro de control de calidad C2 Del centro de control de calidad C1 enviar 20 monitores al centro de ventas V2 Del centro de control de calidad C2 enviar 120 monitores al centro de ventas V3 Costo total Mnimo del trasporte y revisin de calidad $4.920 9. Problema de localizacin de planta Una empresa del sector textil, que opera en todo el pas, dispone de la siguiente configuracin: Dos plantas de fabricacin en Pereira e Ibagu, con capacidades de 900 y 1.500 unidades respectivamente. Cuatro almacenes regionales de distribucin que sirven a los clientes de sus respectivas zonas en: Neiva, Medelln, Cali y Bogot, con demandas de: 700, 800, 500 y 400 unidades respectivamente.
39

Formulacin

En los prximos aos, la empresa espera un crecimiento de la demanda del orden del 25%, lo cual ha llevado a la direccin de la misma a plantearse la apertura de una nueva fbrica. A la vista de los criterios que la empresa estima importantes para la localizacin de la nueva planta, existen dos alternativas a considerar: Pasto (alternativa 1) y Villavicencio (Alternativa 2). La eleccin recaer en aquella que provoque los menores costos de transporte entre las fbricas y los almacenes, dado que ambas parecen ser igualmente convenientes respecto a otros factores. La tabla siguiente muestra los costos de transporte unitarios entre cada origen y destino.
Plantas de fabricacin Pereira Ibagu Pasto Villavicencio Almacenes regionales de distribucin Neiva 6 2 6 6 Medelln 4 3 4 3 Cali 2 7 4 4 Bogot 6 5 8 2

Formulacin: (a) Considerando establecer la nueva planta en Pasto Xij = Unidades a enviar desde la planta i-sima (i = 1 = Pereira, i = 2 = Ibagu, i = 3 Pasto) al almacn j-simo (j = 1 = Neiva, j = 2 = Medelln, j = 3 = Cali, j = 4 = Bogot) Min Z = 6X11 + 4X12 + 2X13 + 6X14 + 2X21 + 3X22 + 7X23 + 5X24 + 6X31 + 4X32 + 4X33 + 8X34 C.S.R. Restricciones debidas a la dispoX11 + X12 + X13 + X14 = 900 nibilidad de unidades en las planX21 + X22 + X23 + X24 = 1.500 tas 1, 2 y 3 respectivamente X31 + X32 + X33 + X34 = 600 X11 + X21 + X31 = 700 + 175 = 875 Restricciones debidas a los requeX12 + X22 + X32 = 800 + 200 = 1.000 rimientos de unidades de los alX13 + X23 + X33 = 500 + 125 = 625 macenes regionales de distribuX14 + X24 + X34 = 400 + 100 = 500 cin 1, 2, 3 y 4 Xij > 0 ; i = 1,2 y 3 ; j = 1,2,3 y 4 Empleando el WinQsb o el INVOP, se obtiene la siguiente solucin ptima:
40

Formulacin

X*13 = 625 X*14 = 275

X*21 = 875 X*22 = 400 X*24 = 225

X*32 = 600 Z* = $9.375

(b) Considerando establecer la nueva planta en Villavicencio: Xij = Unidades a enviar desde la planta i-sima (i = 1 = Pereira, i = 2 = Ibagu, i = 3 Villavicencio) al almacn j-simo (j = 1 = Neiva, j = 2 = Medelln, j = 3 = Cali, j = 4 = Bogot)
Min Z = 6X11+4X12+2X13+6X14+2X21+3X22+7X23+5X24+6X31+3X32+4X33 +2X34

C.S.R. 900 Restricciones debidas a la disponibiX11 + X12 + X13 + X14 = X21 + X22 + X23 + X24 = 1.500 lidad de unidades en las plantas 1, 2 y X31 + X32 + X33 + X34 = 600 3 respectivamente X11 + X21 + X31 X12 + X22 + X32 X13 + X23 + X33 X14 + X24 + X34 = 875 = 1.000 = 625 = 500 Restricciones debidas a los requerimientos de unidades de los almacenes regionales de distribucin 1, 2, 3 y 4

Xij > 0 ; i = 1,2 y 3 ; j = 1,2,3 y 4 Empleando el WinQsb el INVOP, la solucin ptima es: X*12 = 275 X*13 = 625 X*21 = 875 X*22 = 625 X*32 = 100 X*34 = 500 Z* = $7.275

De los resultados obtenidos se deriva que Villavicencio es la mejor localizacin bajo el criterio de minimizar los costos del transporte. 10. El problema de asignaciones Se usan cuatro barcos cargueros para transportar bienes de un puerto a otros cuatro puertos (numerados 1,2,3 y 4). Se puede usar cualquier barco para hacer cualquiera de los cuatro viajes. Sin embargo, dadas algunas diferencias entre los barcos y las cargas, el costo total de cargar, transporte y descargue de bienes para las distintas combinaciones de barcos y puertos varia mucho. Estos costos se muestran el la siguiente tabla:
41

Formulacin
P 1 1 2 3 4 5 6 7 5 U 2 4 6 5 4 E R T 3 6 7 7 6 O 4 7 5 6 6

Barco

El objetivo es asignar los barcos a los puertos en una correspondencia uno a uno, de manera que se minimice el costo total de los cuatro barcos.
Xij = 0, No asigne el barco i-simo (i = 1,2,3 y 4) al puerto j-simo(j = 1,2,3 y 4) Xij = 1, Si asigne el barco i-simo (i = 1,2,3 y 4) al puerto j-simo(j = 1,2,3 y 4)

Minimice Z = 5X11 + 4X12 + 6X13 + 7X14 + 6X21 + 6X22 + 7X23 + 5X24 + 7X31 + 5X32 + 7X33 + 6X34 + 5X41 + 4X42 + 6X43 + 6X44 C.S.R. X11 + X12 + X13 + X14 X21 +X22 + X23 + X24 X31 +X32 + X33 + X34 X41 +X42 + X43 + X44 X11 + X12 + X13 + X14 + X21 + X31 + X41 X22 + X32 + X42 X23 + X33 + X43 X24 + X34 + X44 = = = = = = = = 1 1 1 1 1 1 1 1 Restricciones que aseguran que un solo barco es asignado a un solo puerto

Restricciones que aseguran que un solo puerto es asignado a un solo barco

Xij = 0,1 ; i = 1,2,3 y 4 ; j = 1,2,3 y 4 Empleando el WinQsb en su mdulo: Network Modeling (Modelo de redes) assignment problem (Problema de asignaciones) se obtiene la siguiente solucin ptima y factible. X*11 = 1 X*12 = 0 X*13 = 0 X*14 = 0 X*21 = 0 X*22 = 0 X*23 = 0 X*24 = 1 X*31 = 0 X*32 = 1 X*33 = 0 X*34 = 0 X*41 = 0 X*42 = 0 X*43 = 1 X*44 = 0 Z* = 21

42

Formulacin

Barco Barco Barco Barco

1 2 3 4

al al al al

Puerto Puerto Puerto Puerto

1 4 2 3

: : : :

Costo Costo Costo Costo

$ $ $ $

5 5 5 6

Costo total mnimo: $21 11. Problema de la mezcla Una compaa de petrleos produce tres tipos de gasolina: Super, Normal y Euro. Se obtienen por mezcla de tres calidades de crudo (A,B,C), que contienen tres componentes (1,2,3) . La participacin de estos componentes en la composicin de cada crudo es:
1 CRUDOS A B C 80 45 30 COMPONENTES (%) 2 3 10 30 40 5 20 25

Las especificaciones de los tres tipos de gasolina son:

C O M P O N E N T E S 1 2 > 60 < 25 (%) 3 10

SUPER GASOLINA NORMAL EURO

> 50
< 40

>

< 30

> 35

< 15

> 20

Los costos por barril de crudo A, B y C son: $650, $500 y $450, respectivamente. El presupuesto diario de compra es de $50 Millones. La disponibilidad diaria de crudos B y C se limita, respectivamente, a 3.000 y 7.000 barriles. Ciertos acuerdos obligan a comprar al menos 2.500 barriles de A. Las demandas de gasolina Super y Normal son de 2.000 y 2.500 barriles diarios, que deben satisfacerse. La compaa desea maximizar la produccin de gasolina Euro. Formule un modelo de programacin lineal que de respuesta al problema planteado por la compaa. Formulacin:
43

Formulacin

Xij = Cantidad de barriles diarios del crudo i-simo (i = A, B, C) dedicado al tipo de gasolina j-sima (j = S, N, E).

Maximizar Z = XAE + XBE + XCE C.S.R.

650(XAS+XAN+XAE) + 500(XBS+XBN+XBE) + 450(XCS+XCN+XCE) < 500000.000

Restriccin debida a la limitacin de disponibilidad de capital. XAS + XAN + XAE > 2.500 XBS + XBN + XBE < 3.000 XCS + XCN + XCE > 7.000 XAS + XBS + XCS > 2.000 XAN + XBN + XCN > 2.500 Restricciones debidas a las limitaciones de crudo y al acuerdo comercial Restricciones debidas a la demanda de gasolina Super y Normal, respectivamente Restricciones debidas al porcentaje de cada componente en la gasolina Super

0,80XAS+0,45XBS+0,30XCS > 0,60(XAS+XBS+XCS) 0,10XAS +0,30XBS+0,40XCS < 0,25(XAS+XBS+XCS) 0,05XAS+0,20XBS+0,25XCS > 0,10 (XAS+XBS+XCS)

0,80XAN+0,45XBN+0,30XCN > 0,50(XAN+XBN+XCN) Restricciones debidas al 0,10XAN +0,30XBN+0,40XCN < 0,30(XAN+XBN+XCN) porcentaje de cada com0,05XAN+0,20XBN+0,25XCN < 0,15 (XAN+XBN+XCN) ponente en la gasolina

Normal

0,80XAE+0,45XBE+0,30XCE < 0,40(XAE+XBE+XCE) 0,10XAE +0,30XBE+0,40XCE > 0,35(XAE+XBE+XCE) 0,05XAE+0,20XBE+0,25XCE > 0,20(XAE+XBE+XCE)

Restricciones debidas al porcentaje de cada componente en la gasolina Euro

Xij > 0 ; i = A, B, C ; j = S, N, E

44

Formulacin

12. El problema del financiero Un inversionista tiene la intencin de hacer varias inversiones, las cuales se extendern por un periodo de cinco aos, al final del cual necesitar de todo el capital. Las inversiones se hacen el 1 de Enero de cada ao y son: Inversin A: Disponible el 1 de Enero de cada ao y produce el 15% de inters al final de cada ao. Inversin B: Disponible en dos aos a partir de ahora (Comienzo del 3 ao), y produce un retorno del 25% al final del 3 ao y lo mximo que el inversionista considerar son $40.000 Inversin C: Disponible en un ao a partir de ahora (Comienzo del 2 ao), y produce el 40% al final del cuarto ao. Esta inversin ser de $30.000 como mximo. El inversionista tiene $100.000 disponibles para las inversiones. Cul debe ser el portafolio de inversin que le permita obtener la mxima cantidad de dinero al final del ao quinto? Formulacin: Xij = Cantidad de dinero a invertir en la alternativa i-sima (i=A, B y C) al principio del ao j-simo (j = 1, 2, 3, 4 y 5 ). Capital Inicial: $100.000

45

Formulacin

Maximizar Z = 100.000 + 0,15 (XA1 + XA2 + XA3 +XA4 + XA5) + 0,25XB3 + 0,4XC2

Para construir las restricciones piense, que al principio de cada ao va a tener disponibles algunas alternativas de inversin para las que no podr invertir ms de lo tenga disponible en ese momento. El lado izquierdo de las restricciones, representa la cantidad de dinero que el inversionista invertir en las alternativas disponibles al principio de cada ao y el lado derecho representa la cantidad de dinero disponible para invertir, que es la suma de: El capital inicial + La suma de todos los intereses recibidos hasta la fecha - Los capitales que estn invertidos en ese momento y que no han retornado. C.S.R.
XA1 < 100.000 XA2 + XC2 < 100.000+0,15XA1 XA3 + XB3 < 100.000+0,15(XA1+XA2)-XC2 XA4 < 100.000+0,15(XA1+XA2+XA3)+0,25XB3-XC2 XA5 < 100.000+0,15(XA1+XA2+XA3+XA4)+0,25XB3+0,4XC2 XB3 < 40.000 XC2 < 30.000

Restricciones debidas a la cantidad de dinero disponible al principio de cada uno de los cinco aos

Xij > 0 ; i = A, B y C ; j = 1, 2, 3, 4 y 5
46

Formulacin

Empleando el WinQsb se obtiene la siguiente solucin ptima factible: X*A1 = $100.000 X*A3 = $ 92.250 X*A2 = $115.000 X*A4 = $156.087,50 Z* = $206.425,7 13. Problema de distribucin de buses Transporte y Trnsito del Tolima estudia la factibilidad de introducir un sistema de autobuses de transporte masivo que aliviar el problema del smog al reducir el trnsito en la ciudad. El estudio inicial busca determinar el mnimo nmero de autobuses que pueden suplir las necesidades de transporte en la ciudad. El estudio inicial busca determinar el nmero mnimo de autobuses que pueden suplir las necesidades de transporte. Despus de recolectar la informacin necesaria, el ingeniero de la entidad advierte que el nmero mnimo de autobuses que se necesitan para cubrir la demanda flucta segn la hora del da. Estudiando los datos ms a fondo descubri que el nmero requerido de autobuses se puede suponer constante en intervalos sucesivos de 4 horas cada uno. En la figura se resumen los hallazgos del ingeniero. Se decidi que para hacer el mantenimiento diario requerido, cada autobs podra operar solo 8 horas sucesivas al da. X*A5 = $179.500,6 X*B3 = $ 40.000 X*C2 = $0

Xj = Nmero de buses a signar en el turno j-simo (j = 1, 2, 3, 4, 5 y 6) de 8 horas

47

Formulacin

J = 1 = Turno que empieza a las 12 a.m. J = 2 = Turno que empieza a las 4 a.m. J = 3 = Turno que empieza a las 8 a.m. J = 4 = Turno que empieza a las 12 meridiano J = 5 = Turno que empieza a las 4 p.m. J = 6 = Turno que empieza a las 8 p.m.
Horario de la demanda 12 - 4 4-8 8 - 12 12 - 4 4-8 8 - 12

De 12 a.m. a 8 a.m. De 4 a.m. a 12 meridiano De 8 a.m. a 4 p.m. De 12 Meridiano a 8 p.m. De 4 p.m. a 12 p.m. De 8 p.m. a 4 a.m.
Nmero de buses necesarios 4 8 10 7

Turnos de 8 horas, empezando a las 12 de la noche X1 12 - 8 X2 4 - 12 X3 8-4 X4 12 - 8 X5 4 - 12 X6 8-4

a a

a a

a a a

a a

a a

12

Minimizar Z = X1 + X2 + X3 + X4 + X5 + X6 C.S.R. X1 + X6 X1 + X2 X2 + X3 X3 + X4 X4 + X5 X5 + X6 > > > > > > 4 8 10 7 12 4

Restricciones debidas a la demanda de buses cada cuatro horas

Xj > 0 ; j = 1, 2, 3, 4, 5 y 6 ; y enteros Empleando la programacin lineal entera y el software WinQsb, se encuentra la solucin ptima factible siguiente: X*1 = X*2 = X*3 = X*4 = 4 10 0 8 X*4 = 4 X*6 = 0 Z* = 26 buses

Interpretacin X*1 = X*2 = X*3 = X*4 =

48

4 10 0 8

Asignar 4 buses en el turno de 12 de la noche a 4 a.m. Asignar 10 buses en el turno de 4 a.m. a 8 a.m. No asignar buses en el turno de 8 a.m. a 12 meridiano Asignar 8 buses en el turno de 12 meridiano a 4 p.m.

Formulacin

X*4 = 4 X*6 = 0

Asignar 4 buses en el turno de 4 p.m. a 8 p.m. No asignar buses en el turno de 8 p.m. a 12 de la noche

14. Problema de inventarios Un producto de la firma XYZ tiene la siguiente demanda pronosticada para los prximos cuatro meses: Mes 1: 2.800 unidades, Mes 2: 2.200 unidades, Mes 3: 3.200 unidades y Mes 4: 2.500 unidades. La compaa puede producir 2.700 unidades del artculo por mes en sus turnos normales. Utilizando tiempo extra es posible fabricar 300 unidades adicionales. La produccin en tiempo extra tiene un sobre costo de $10 por unidad. La administracin ha estimado que se incurre en un costo de almacenamiento de $2 por unidad que se produzca en un mes determinado y no se venda en el mismo. Se trata de determinar un programa ptimo de produccin que minimice los costos totales de produccin y almacenamiento. Supngase que la cantidad en existencia es cero y se desea un inventario final del periodo igual a cero.

Xi = Unidades a producir en el mes i-simo (i = 1, 2, 3 y 4) en tiempo normal. Yi = Unidades a producir en el mes i-simo (i = 1, 2, 3 y 4) en tiempo extra. Ii = Unidades a almacenar al final del mes i-simo (i = 1, 2, 3 y 4).

Minimizar Z = 10Y1 + 10Y2 + 10Y3 + 10Y4 + 2I1 + 2I2 + 2I3 C.S.R. X1 + Y1 = I1 + 2.800 I1 + X2 + Y2 = I2 + 2.200 I2 + X3 + Y3 = I3 + 3.200 I3 + X4 + Y4 = 2.500 Xi < 2.700 ; i = 1, 2, 3 y 4 Yi < 300 ; i = 1, 2, 3 y 4 Xi > 0 ; Yi > 0 ; Ii > 0 ; i = 1, 2, 3 y 4 Restricciones debidas a que el inventario inicial ms lo que se produce en tiempo normal mas lo que se produce en tiempo extra, debe ser igual a la demanda mas el inventario final.
49

Formulacin

Solucin usando el WinQsb X*1 = 2.700 X*2 = 2.700 X*3 = 2.700 X*4 = 2.500 Y*1 = 100 Y*2 = 0 Y*3 = 0 Y*4 = 0 I*1 = 0 I*2 = 500 I*3 = 0 Z* = 2.000

15. El problema de los manteles En un saln de banquetes se tienen programados banquetes durante los siguientes cinco das. Los requisitos de manteles por banquete son: Banquete Nmero de manteles 1 80 2 60 3 100 4 130 5 200

El problema del administrador es que se requieren manteles diferentes a los que se usan, por lo que tendr que comprar ese tipo de manteles. El costo de cada mantel es de $40 y el costo de mandarlo a la lavandera bajo servicio urgente para tenerlo listo a los dos das es de $10 por mantel. Cul es el modelo que le permitir al administrador cumplir con sus requisitos y adems minimizar el costo total?

Xi = Nmero de manteles a comprar para el banquete i-simo (i = 1, 2, 3, 4 y 5) Yi = Nmero de manteles a mandar a lavar despus del banquete isimo (i = 1, 2 y 3) Ii = Nmero de manteles limpios al final de cada banquete i-simo (i = 1, 2, 3 y 4) Minimizar Z = 40(X1 + X2 +X3 +X4 +X5) + 10(Y1 + Y2 + Y3)
50

Formulacin

X1 = 80 + I1 I1 +X2 = 60 + I2 Y1 + I2 + X3 = 100 + I3 Y2 + I3 + X4 = 130 + I4

Y3 + I4 + X5 = 200 Y1 < 80 Y2 < 60 Y3 < 100

Xi > 0 ; i = 1, 2, 3, 4 y 5 Ii > 0 ; i = 1, 2, 3 y 4 Yi > 0 ; i = 1, 2 y 3

Empleando el WinQsb se obtiene la siguiente solucin ptima factible: X*1 = 80 X*2 = 60 16. X*3 = 20 X*4 = 70 X*5 = 100 Y*1 = 80 Y*2 = 60 Y*3 = 100 I*i = 0 ; i = 1, 2, 3 Y 4 Z* = $15.600

Sistema Operativo de Produccin

La compaa Wetski Water Ski es la ms grande productora de skis para agua, como Usted sospecha, existe una estimacin de alta demanda, con un mximo en los meses de verano y un mnimo en los meses de invierno. Conociendo los costos y el pronstico por trimestre; Formule un programa de programacin lineal que minimice los costos y satisfaga la demanda. Cules son los costos de ese plan?
Trimestre 1 2 3 4 (Unidades) Pronstico de ventas 50.000 150.000 200.000 52.000

Costo de llevar inventario $3,00 Por par de skis/trimestre Produccin por empleado 1.000 par de skis/trimestre Fuerza de trabajo regular 50 trabajadores Capacidad en horas extras 50.000 pares de skis Capacidad de subcontratar (Maquila) 40.000 pares de skis Costo de produccin regular $50,00 por par de skis Costo de produccin en horas extras $75,00 por par de skis Costo de produccin subcontratada $85,00 por par de skis Solucin: Produccin mxima por trimestre con la fuerza de trabajo regular: 1.000 (Pares /Empleado) * 50 (Empleados) = 50.000 skis Xj = Pares de skis a fabricar con la fuerza de trabajo regular en el trimestre j-simo.
51

Formulacin

Hj = Pares de skis a fabricar en horas extras en el trimestre j-simo. Mj = Pares de skis a fabricar con subcontratos en el trimestre j-simo Ij = Unidades en inventario al final del trimestre j-simo J = 1, 2, 3, 4 Es trivial pensar que Io = 0 y I4 = 0 , para minimizar los costos.

Min Z=50(X1+X2+X3+X4)+75(H1+H2+H3+H4)+85(M1+M2+M3+M4)+. . . +3(I1+I2+I3)

C.S.R.

X1 + H1 + M1 I1 + X2 + H2 + M2 I2 + X3 + H3 + M3 I3 + X4 + H4 + M4 XJ < 50.000 HJ < 50.000 MJ < 40.000 XJ > 0 HJ > 0 MJ > 0 IJ > 0

= = = = ; ; ; ; ; ; ;

50.000 + I1 150.000 + I2 200.000 + I3 52.000 J=1,2,3,4 J=1,2,3,4 J=1,2,3,4 J=1,2,3,4 J=1,2,3,4 J=1,2,3,4 J=1,2,3,4

Empleando el WinQsb, la solucin para ste problema es: X1* = 50.000 X2* = 50.000 X3* = 50.000 X4* = 50.000 Interpretacin: Con la fuerza de trabajo regular, debemos producir 50.000, 50.000,
52

H1* = 50.000 H2* = 50.000 H3* = 50.000 H4* = 2.000

M1* = 20.000 M2* = 40.000 M3* = 40.000 M4* = 0

I1* = 70.000 I2* = 60.000 I3* = 0 Z* = 30290.000

Formulacin

50.000 y 50.000 pares de skis durante cada trimestre, respectivamente. Usando la capacidad en horas extras, debemos producir 50.000, 50.000, 50.000 y 2.000 pares de skis durante cada trimestre, respectivamente. Debemos subcontratar la elaboracin de 20.000, 40.000, 40.000 y 0 pares de skis durante cada trimestre, respectivamente. El inventario final para cada trimestre es: 70.000 para el primer trimestre, 60.000 para el segundo trimestre y 0 para el tercer trimestre.

Fjese que los costos de produccin e inventarios para cada trimestre son:
Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4 50.000(50)+50.000(75)+20.000(85) 70.000(3)+50.000(50)+50.000(75)+40.000(85) 60.000(3)+50.000(50)+50.000(75)+40.000(85) 50.000(50) + 2.000(75) Total = = = = = 7950.000 9860.000 9830.000 2650.000 30290.000

Nota: En el captulo de transporte, se formula y resuelve ste problema, como un problema de transporte. Problemas propuestos Formule cada uno de los siguientes problemas de programacin lineal y mediante el software WinQsb la herramienta Solver del Excel, halle la solucin ptima.
53

Formulacin 1. Un frutero necesita al menos 16 cajas de naranja, como mnimo 5 cajas de pltano y al menos 20 cajas de manzanas. Dos mayorista (A y B) le pueden suministrar sus necesidades, pero solo venden la fruta en contenedores completos. El mayorista A enva en cada contenedor 8 cajas de naranja, una de pltano y 2 de manzana El mayorista B enva en cada contenedor 2 cajas de naranja, una de pltano y 7 de manzanas. Sabiendo que el mayorista A se encuentra a 150 Km. de distancia y el mayorista B a 300 Km., Calcular cuntos contenedores habr de comprar a cada mayorista, con el objetivo de ahorrar tiempo y dinero, reduciendo al mnimo la distancia recorrida. Sol.: X1*=3, X2*=2, Z*=1.050 2. Una compaa tiene dos mina: La mina A produce diariamente una tonelada de carbn de antracita de alta calidad, dos toneladas de carbn de calidad media y cuatro toneladas de carbn de baja calidad; la mina B produce dos toneladas de cada una de las tres clases. La compaa necesita al menos 70 toneladas de carbn de alta calidad, 130 toneladas de carbn de calidad media y 150 toneladas de carbn de baja calidad. Los gastos diarios son de 150 y 200 dlares respectivamente. Cuntos das debern trabajar en cada mina para que los costos sean mnimos?. Sol.: X1*=60, X2*=5, Z*=$10.000. 3. Supongamos que las necesidades mnimas semanales de una persona en protenas, hidratos= de carbono y grasas son, respectivamente: 8, 12 y 9 unidades. Supongamos que debemos obtener un preparado con esa composicin mnima, mezclando dos productos A y B, cuyos contenidos por Kg. son los que se indican en la siguiente tabla:
Productos Protenas A B 2 1 Hidratos 6 1 Grasas 1 3 Costo/Kg. 600 400

a) Cuntos kilogramos de cada producto debern comprarse semanalmente para que el costo de preparar la dieta sea mnimo?. Sol.: X1*=3, X2*=2, Z*=$2.600 b) Cuntos kilogramos de cada producto debern comprarse semanalmente si el precio de A subiera a $1.000/kilogramo?. Sol.: X1*=1, X2*=6, Z*=$3.400 4. En una encuesta realizada por la televisin local, se ha detectado que un programa con 20 minutos de variedades y un minito de publicidad capta 30.000 espectadores, mientras que otro programa
54

Formulacin con 10 minutos de variedades y un minuto de publicidad capta 20.000 espectadores. Para un determinado periodo, la direccin de la red decide dedicar como mximo 80 minutos de variedades y 6 minutos de publicidad. Cuntas veces deber aparecer cada programa con el objeto de captar el mximo nmero de espectadores?. Sol: X1*=2, X2*=4, Z*=140.000 5. Una empresa tiene dos fbricas A y B. En ellas fabrica un mismo producto, a razn de 500 y 400 unidades por da respectivamente. El producto ha de ser distribuido posteriormente a tres centros de distribucin (1, 2, 3), que requieren, respectivamente, 200, 300 y 400 unidades. Los costos de transportar cada unidad del producto desde cada fbrica a cada distribuidor son los indicados en la siguiente tabla: Distribuidores Disponibilidad 1 2 3 A 60 10 50 500 B 40 20 25 400 Demanda 200 300 400 Fbricas Cuntas unidades deben ser enviadas desde cada fbrica a cada distribuidor, para que los costos totales del transporte sean mnimos?. Sol.: X12*=100, X13*=400, X21*=200, X22*=200, Z*=$23.000 6. Una multinacional farmacutica desea fabricar un compuesto nutritivo a base de dos productos: A y B. El producto A contiene el 30% de protenas, un 1% de grasas y un 10% de azcares. El producto B contiene un 5% de protenas, un 7% de grasas y un 10% de azcares. El compuesto tiene que tener, al menos 25 g. de protenas, como mximo 6 g. de grasas y como mnimo 30 g. de azcares. El costo del producto A es de $ 0,6/g. y el de B es de $ 6/g. Cuntos gramos de cada producto debe tener el compuesto para que el costo total sea mnimo?. Sol.: X1*=300, X2*=0, Z*=$180 7. Una compaa tiene dos minas M1 y M2 desde las cuales transporta carbn a dos grupos G1 y G2 de una central trmica. De la Mina 1 salen diariamente para la central 800 T de antracita y de la mina 2 300 T. De las 1.100 T., 500 tienen que ir al grupo 1 y 600 Toneladas hasta el el grupo 2. El costo de cada tonelada transportada de la mina 1 al grupo 1 es de $60, el de la mina 1 al grupo 2 es de $80, el de la mina 2 al grupo 1 es de $40 y el de la mina 2 al grupo 2 es de $50. Cuntas toneladas hay que transportar desde cada mina hasta cada grupo para que el costo total sea mnimo?. Sol.: X11*=500, X12*=300, X22*=300, Z*=$69.000
55

Formulacin 8. Una asociacin agrcola tiene dos fincas: La finca 1 tiene 400 Ha. de tierra utilizable para la siembra y dispone de 500 m3 de agua, mientras que la finca 2 tiene 900 Ha. de tierra utilizable para la siembra y dispone de 1.200 m3 de agua. Los cultivos aconsejados son: Caf y pltano. El caf consume 3 m3 de agua por Ha. y tiene un beneficio por Ha. de $700 y el pltano consume 2 m3 de agua por Ha. y tiene un beneficio por Ha. de $500. Se ha establecido una cuota mxima por cada cultivo: 800 Ha. para el caf y 600 Ha. para el pltano, siendo el porcentaje de terreno cultivado el mismo en cada finca.Cuntas hectreas hay que sembrar en cada finca de cada tipo de cosecha para que el beneficio sea mximo? Sol.: X 11*=28,2051, X 12 *=207,6923, X 21 *=138,4615, X 22 *=392,3077, Z*=$416.666,7 9. Una empresa constructora dispone de dos tipos de camiones C1 y C2 y quiere transportar 100 T. de arena a una obra. sabiendo que dispone de 6 camiones tipo C1 con capacidad para 15 T. y con un costo de $4.000 por viaje y de 10 camiones tipo C2 con una capacidad de 5 T. y con un costo de $3.000 por viaje. Cul es el nmero de camiones de cada tipo que debe usar para minimizar los costos de transporte?.Sol.: X1*=6, X2*=2, Z*=$30.000,00 10. Un puesto de prensa vende bolgrafos a $20 y cuadernos a $30. Llevamos $240 y pretendemos comprar los mismos cuadernos que bolgrafos por lo menos. Cul ser el nmero mximo de piezas (bolgrafos mas cuadernos) que podemos comprar?. Sol.: X1*=3 bolgrafos, X2*=6 cuadernos, Z*= 9 piezas (Solucin entera). 11. Una compaa area dispone de dos tipos de aviones A1 y A2 para cubrir un determinado trayecto. El avin A1 debe hacer ms veces el trayecto que el avin A2 pero no puede sobrepasar de 120 viajes. Entre los dos aviones deben hacer ms de 60 vuelos, pero menos de 200. En cada vuelo, A1 consume 900 litros de combustible y A2 700 litros. En cada viaje del avin A1 la empresa gana $30.000 y $20.000 por cada viaje del avion A2. a) Cuntos viajes debe hacer cada avin para obtener la mxima ganancia?. Sol.: X1*=120 vuelos, X2*=80 vuelos, Z*=$5200.000 b) Cuntos vuelos debe hacer cada avin para que el consumo de combustible sea mnimo?. Sol.: X 1*=30 vuelos, X 2*=30 vuelos, Z*=48.000 litros.

56

Formulacin 12. Un joyero fabrica dos tipos de anillos: El anillo A1 precisa 1 gr. de oro y 5 gr. de plata, vendiendo la unidad a $40. Para el anillo tipo A2 emplea 1,5 gr. de oro y 1 gr. de plata y los vende a $50 la unidad. El joyero dispone en su taller de 750 gr. de cada metal. Cuntos anillos debe fabricar de cada clase para obtener la mximo venta?.Sol.: X1*=57, X2*=462, Z*=$25.380 (Solucin entera).

13. Un inversionista dispone de un capital de $6.000,00 para invertir en dos actividades denominadas A y B. La inversin A exige un aporte de $5.000,00 y 400 horas de trabajo y su ganancia estimada es de $4.500,00 (sin tener en cuenta el valor del dinero en el tiempo). La invesin B exige un aporte de $4.000,00 y 500 horas de trabajo y su ganancia estimada es de $4.500,00. Ambas inversiones son flexibles y permiten participar con cualquier fraccin que se quiera. Si se elige una participacin parcial, todas las cifras mencionadas: Inversin, tiempo y ganancia se deben multiplicar por esa fraccin. Si el inversionista dispone de 600 horas como mximo, en que proporcin debe participar en cada tipo de inversin para maximizar su ganancia?.Sol.: X1*=1, X2*=0, Z*=$4.500

14. Una empresa de bienes raices, analiza 5 proyectos de desarrollo posibles. La siguiente tabla muestra las ganancias estimadas a largo plazo (valor presente neto), que generara cada proyecto y la inversin requerida para emprenderlo, en millones de dlares. Proyectos 1 2 1 1,8 6 12 de desarrollo 3 4 5 1,6 0,8 1,4 10 4 8

Ganancia estimada Capital requerido

Los propietarios de la empresa, reunieron $20 millones de capital de inversin para estos proyectos. Ellos quieren elegir la combinacin de proyectos que maximice la ganancia total estimada a largo plazo (valor presente neto) sin invertir ms de $20 millones. Formule un modelo de programacin lineal entera binaria (PEB) para ste problema y resuelvalo empleando el WinQsb. Sol.: X1*=1, X2*=0, X3*=1, X4*=1, X5*=0, Z*=$3,4 millones de dlares. Se eligen los contratos 1, 3 y 4.

57

58

Captulo 3 Mtodo Grfico

Introduccin En el presente captulo se muestra la solucin a varios tipos de problemas de programacin lineal que solamente tienen en su formulacin dos variables, empleando el mtodo grfico. Conjunto convexo Un conjunto C es un conjunto convexo si el segmento rectilneo que une cualquier par de puntos de C se encuentra completamente en C.

Conjunto convexo

Conjunto no convexo
59

Mtodo Grfico

1. Problema de nica solucin Maximice Z = 2X1 + X2 C.S.R. 2X1 X1 X1 X1 - X2 - X2 + 2X2 + 4X2 < 8 < 3 < 14 < 24

Xj > 0 ; j = 1, 2 Clculos analticos para graficar el sistema de inecuaciones lineales, incluyendo la condicin de no negatividad (Xj > 0 ; j = 1, 2), que nos indica que solamente trabajaremos en el primer cuadrante del plano cartesiano, cuadrante en donde X1 y X2 son positivas.
1 Restriccin 2X1 - X2 < 8 2X1 - X2 = 8 X1 = 0 X2 = 0 X2 = -8 X1 = 4 P(0,0) => 0 < 8 Verdad 2 Restriccin X1 - X2 < 3 X1 - X2 = 3 X1 = 0 X2 = 0 X2 = -3 X1 = 3 P(0,0) => 0 < 3 Verdad 3 Restriccin X1 + 2X2 < 14 X1 + 2X2 = 14 X1 = 0 X2 = 0 X2 = 7 X1 = 14 P(0,0) => 0 < 14 Verdad 4 Restriccin X1 + 4X2 < 24 X1 + 4X2 = 24 X1 = 0 X2 = 0 X2 = 6 X1 = 24 P(0,0) => 0 < 24 Verdad Funcin Objetivo Z = 2X1 + X2 2X1 + X2 = 2 X1 = 0 X2 = 2 X2 = 0 X1 = 1

Restricciones Fjese que para cada inecuacin, primero suponemos que es una igualdad y luego tabulamos dos puntos fciles de calcular, como lo son las intersecciones de la recta con los ejes cartesianos abcisa y ordenada, esto siempre que el trmino independiente (Lado derecho de la inecuacin) sea diferente de cero, es decir siempre y cuando la recta no pase por el origen de coordenadas P(0,0). A continuacin con un punto de prueba cualquiera P(X1 , X2), (Asegrese que se encuentre al lado derecho izquierdo de la recta, NO sobre ella, es decir, el punto de prueba NO puede pertenecer a la recta), Aqu, como ya sabemos que la recta no pasa por el origen de coordenadas (Trmino independiente diferente de cero), usamos como punto de prueba P(0,0), es decir X1 = 0, X2 = 0 que nos facilita los clculos cuando lo remplacemos en la inecuacin y observamos si la hace una verdad una falsedad; Averiguar esto nos permite conocer si el rea solucin de la inecuacin est al lado derecho izquierdo (Por supuesto, incluyendo los puntos sobre la recta, ya que todas las inecuaciones son menor igual ( < )); Si el punto de prueba hace verdad la inecuacin lineal, entonces, todos los puntos que se encuentran al
60

Mtodo Grfico

mismo lado del punto de prueba la harn verdad, si el punto de prueba no hace verdad la inecuacin lineal, los puntos que la harn verdad estn al lado contrario en donde se encuentra el punto de prueba. Esto es, si el punto de prueba se encuentra al lado izquierdo de la recta y hace verdad la inecuacin, entonces el rea de soluciones para sta inecuacin, son todos los puntos que pertenecen a la recta y los que se encuentran al lado izquierdo de ella. Si el punto de prueba situado a la izquierda de la recta, no hace verdad la inecuacin, entonces el rea de soluciones para sta inecuacin, son todos los puntos que pertenecen a la recta y los que se encuentran al lado derecha de ella. Funcin objetivo La funcin objetivo Z = 2X1 + X2 expresada como 2X1 + X2 = Z tiene la estructura de una lnea recta, solo que no conocemos su trmino independiente. Graficando sta ecuacin con diferentes valores para Z, observamos que la funcin objetivo, representa una familia de rectas paralelas, que al aumentar el valor de Z la recta se desplaza hacia el lado derecho, por lo que concluimos que Z aumenta cuando la recta se desplaza paralelamente hacia la derecha, esto se cumple siempre que la ecuacin de la funcin objetiva tenga pendiente negativa, es decir inclinada al lado izquierdo. Para funciones objetivo con pendiente positiva (Inclinadas al lado derecho), se recomienda dar varios valores a Z y graficar para observar si al desplazarse a la derecha Z aumenta o por el contrario disminuye.

2X1 + X2 = 2

2X1 + X2 = 4

2X1 + X2 = 6 X1 = 0 X2 = 0 X2 = 6 X1 = 3

X1 = 0 X2 = 0 X1 = 0 X2 = 0 X2 = 2 X1 = 1 X2 = 4 X1 = 2

Aqu se le ha dado a Z el valor arbitrario de 2, ya que solo necesitamos graficar una de las rectas que pertenece a la familia de rectas paralelas, para facilitar la tabulacin de la funcin objetivo, se recomienda dar el valor arbitrario de Z como un mltiplo de los coeficientes de las variables, que se consigue fcilmente, multiplicando el coeficiente de X1 por el coeficiente de X2 . Es conveniente fijarse en los valores de las coordenadas para graficar la funcin objetivo observando que sean parecidos en magnitud a los hallados para graficar las restricciones
61

Mtodo Grfico

(Observe que puede dar el valor adecuado a Z), esto har que la grfica quede convenientemente presentada para el anlisis. Existen dos procedimientos para encontrar la solucin factible ptima: 1. Evaluar la funcin objetivo Z en cada una de las esquinas del rea de soluciones factibles. La debilidad de este procedimiento se presenta cuando se tienen muchas restricciones que por supuesto generan un rea con muchas esquinas, volvindose dispendiosa la consecucin de sus coordenadas, que implica la solucin de muchos sistemas de ecuaciones lineales. 2. Usando la funcin objetivo para determinar la esquina del rea de soluciones factible que la optimiza. La debilidad de ste procedimiento se presenta cuando la funcin objetiva es aproximadamente paralela a uno de los lados del rea de soluciones factible, originando la duda visual sobre la grfica, de cual de los dos extremos (esquinas) es el que hace que la funcin objetivo se optimice. Se recomienda usar el segundo procedimiento y en caso de dudas visuales sobre la grfica, recurrir al primer procedimiento para dirimir la duda respecto al par de esquinas. Primer procedimiento: Evaluar la funcin objetivo Z en cada una de las esquinas del rea de soluciones factibles.

62

Mtodo Grfico

El valor de la funcin objetivo en cada una de las esquinas del rea de soluciones factible es: Z(0,0) Z(0,6) Z(4,5) Z(6,4) do = = = = 2(0) + 0 = 2(0) + 6 = 2(4) + 5 = 2(6) + 4 = 0 6 13 16

Z(3,0) = 2(3) + 0 = 6

La funcin objetivo se maximiza cuanZ(5,2) = 2(5) + 2 = 12 X1 = 6 y X2 = 4

Segundo procedimiento: Usando la funcin objetivo para determinar la esquina del rea de soluciones factible que la optimiza.

Fjese que al desplazar la funcin objetivo Z hacia la derecha, el ltimo punto a la derecha del rea de soluciones factible que toca es: X1 = 6 , X2 = 4. Para encontrar las coordenadas debemos interceptar las ecuaciones de las restricciones X1 + 2X2 = 14 con 2X1 - X2 = 8 Una manera de hacer esto es empleando el mtodo de los determinantes, que para un sistema de dos ecuaciones y dos variables es:

63

Mtodo Grfico

2. Problema de mltiples soluciones Maximice Z = 5/2X1 + X2 C.S.R. 3X1 + 5X2 5X1 + 2X2 < < 15 10

Xj > 0 ; j = 1, 2
1 Restriccin 3X1 + 5X2 < 15 3X1 + 5X2 = 15 X1 = 0 X2 =0 X2 = 3 X1 = 5 P(0,0) => 0 < 15 Verdad 2 Restriccin 5X1 + 2X2 < 10 5X1 + 2X2 = 10 X1 = 0 X2 = 0 X2 = 5 X1 = 2 P(0,0) => 0 < 10 Verdad Funcin Objetivo Z = 5/2X1 + X2 5/2X1 + X2 = 5/2 X2 = 0 X1 = 0 X2 = 5/2 X1 = 1

Observe que la solucin ptima recae sobre un lado del rea de soluciones factible, o sea que todos los puntos que pertenecen a la recta 5X1 +2X2=10 entre los puntos (2,0) y (20/19, 45/19), maximizan la funcin objetivo, esto es, existen mltiples soluciones, dos de ellas son: X1*=2, X2*=0, Z*=5 X1*=20/19, X2*=45/19, y por supuesto Z*=5 Una forma ms tcnica de expresar la solucin es: La solucin son todas las parejas de puntos que pertenecen a la recta 5X1+2X2=10, en el intervalo 20/19 < X1 < 2 en el intervalo 0 < X2 < 45/19 ; Cualquiera de estos dos puntos hace que Z valga 5 Z*20/19,45/19 = 5/2X1* + X2* = 5/2(20/19) + (45/19) = 5 Z*2,0 = 5/2X1* + X2* = 5/2(2) + (0) = 5
64

Mtodo Grfico

3. Problema de solucin indeterminada Minimice Z = - X1 + X2 C.S.R. X1 > - 0,5X1 + X2 X2 < 1

2 Restriccin 1 Restriccin Funcin Objetivo X1 - X2 > 0 -1/2X1 + X2 < 1 Z = - X1 + X2 X1 - X2 = 0 -1/2X1 + X2 = 1 - X1 + X2 = 3 X1 = 0 X2 = 5 X1 = 0 X2 = 0 X1 = 0 X2 = 0 X2 = 0 X1 = 5 X2 = 1 X1 = -2 X2 = 3 X1 = -3 P(3,0) => 3 > 0 P(0,0) => 0 < 1 Verdad Verdad

Xj > 0 ; j = 1, 2

Fjese que para tabular la ecuacin de la primera restriccin, cuyo trmino independiente es igual a cero, es una ecuacin que pasa por el origen de coordenadas P(0,0) y por lo tanto corta el eje de la abcisa y la ordenada en el mismo punto P(0,0), esto hace necesario tabular un segundo punto, que para el presente caso se uso X2 = 5 y se despej X1 obteniendo el valor de 5, con lo que obtenemos un segundo punto P(5,5), que delimita la lnea recta. - X1 + X2 = 3 X1 = 0 X2 = 3 X2 = 0 X1 = - 3 - X1 + X2 = 5 X1 = 0 X1 = 0 X2 = 5 X2 = -5

Fjese que al desplazar la funcin objetivo hacia la derecha, siempre encontrar un punto ms a la derecha del rea de soluciones factible que la minimice. Entre ms a la derecha se encuentre un punto (X1 , X2) que pertenezca al rea de soluciones factibles, ms pequeo ser el valor de la funcin objetivo, pero siempre habr una alternativa de encontrar un punto (X1 , X2) ms a la derecha, por ser una rea abierta. Se dice entonces que el problema tiene solucin indeterminada.
65

Mtodo Grfico

Si se est modelando sobre un problema real y ocurre ste caso, falta considerar una restriccin, que justamente cierre el rea de soluciones factibles por el lado derecho. Se ha dejado de considerar la restriccin de algn recurso, ya que los valores de las variables en la realidad no pueden crecer de manera ilimitada, irrestrictamente. 4. Problema sin solucin Este caso se presenta cuando entre las restricciones existen al menos dos de ellas que sean excluyentes, tal como: X1 < 2 y X1 > 4 . Aqu nunca podremos encontrar un nmero que al mismo tiempo sea menor igual a 2 y mayor igual a 4, las dos restricciones son excluyentes y por lo tanto no existe rea de soluciones factible, grficamente se observa de la siguiente manera:

Si esto ocurre al formular sobre un caso de la vida real, revise la lgica de las restricciones involucradas, en especial el sentido de las desigualdades. Generalmente un par de variables de la vida real no tienen este comportamiento.

5. Problema de programacin lineal Para el siguiente problema de programacin lineal: Z = 3X1 5X2 con las siguientes restricciones: 5X1 4X2 > -20 ; X1 < 8 ; X2 < 10 ; X2 > 3 ; 5X1 + 4X2 > 20 y Xj > 0 ; j =1,2 a) En un plano cartesiano grafique las restricciones y la funcin objetivo, sealando claramente el rea de soluciones factible. b) Calcule las coordenadas de los vrtices del rea de soluciones factibles. c) Calcule el valor de la funcin objetivo Z en cada vrtice del rea de soluciones factibles. d) Cul es el valor de X1 y X2 que maximiza, y el que minimiza la funcin objetivo Z.

66

Mtodo Grfico
1 Restriccin 5X1 4X2 > -20 5X1 4X2 = -20 X1 = 0 X2 = 0 X2 = 5 X1 = -4 P(0,0) => 0 > -20 Verdad Funcin Objetivo Z = 3X1 5X2 3X1 5X2 = 15 X1 = 0 X2 = 0 X2 = -3 X1 = 5 2 Restriccin X1 < 8 X1 = 8 P(0,0) => 0 < 8 Verdad Perpendicular al eje X1 3 Restriccin X2 < 10 X2 = 10 P(0,0) => 0 < 10 Verdad Perpendicular al eje X2 4 Restriccin X2 > 3 X2 = 3 P(0,0) => 0 > 3 Falso Perpendicular al eje X2 5 Restriccin 5X1 + 4X2 > 20 5X1 + 4X2 = 20 X1 = 0 X2 = 0 X2 = 5 X1 = 4 P(0,0) => 0 > 20 Falso

Para encontrar las coordenadas de algunas esquinas del rea de soluciones factibles, que no se observan a simple vista en la grfica, se hace necesario resolver los siguientes sistemas de ecuaciones: 5X1 + 4X2 = 20 X2 = 3 5X1 4X2 = -20 X2= 10 5X1 + 4(3) = 20 X1 = 8/5 5X1 4(10) = -20 X1 = 4 P(8/5,3) P(4,10)

El valor de la funcin objetivo Z = 3X1 5X2 en cada uno de los vrtices es: Z 8/5, 3 = 3(8/5) 5(3) = 25/4 60/4 = -35/4 Z 8, 3 = 3(8) 5(3) = 24 15 = 9 Mximo: X1* = 8 ; X2* = 3 ; Z* = 9 Z 8, 10 = 3(8) 5(10) = 24 50 = -26 Z 4, 10 = 3(4) 5(10) = 12 50 = -38 Mnimo: X1* = 4 ; X2* = 10 ; Z* = -38 Z 0, 5 = 3(0) 5(5) = 0 25 = - 5
67

Mtodo Grfico

Fjese que la funcin objetivo del presente ejercicio, tiene pendiente positiva (est inclinada hacia la derecha), y que al desplazarse paralelamente hacia la derecha el valor de Z aumenta y hacia la izquierda el valor de Z disminuye. Al remplazar los valores de las variables (tanto del mximo como del mnimo) en las restricciones, estas deben cumplirse. Adicionalmente observe que el punto que hace que Z sea mnimo, es la interseccin de las rectas 5X1 4X2 = -20 y X2 = 10 , a estas restricciones se les denomina activas de estricto cumplimiento, el resto de restricciones se les denomina no activas o de no estricto cumplimiento. Igualmente para el caso de maximizar en el que las restricciones activas o de estricto cumplimiento son: X1 < 8 y X2 > 3 . Para observar esto remplazamos tanto el punto mximo como el mnimo en cada una de las restricciones. X1* = 4 ; X2* = 10 Valor que hace a Z*Mnimo = -30
X2* < 10 10 < 10 Verdad Activa De estricto cumplimiento X2* > 3 10 > 3 Verdad Inactiva De no estricto cumplimiento 5X1* + 4X2* > 20 5(4)+4(10) > 20 20+40 > 20 60 > 20 Verdad Inactiva De no estricto cumplimiento 5X1* 4X2* > -20 X1* < 8 5(4)-4(10) > -20 4<8 20 40 > -20 -20 > -20 Verdad Verdad Inactiva Activa De estricto De no estricto cumplimiento cumplimiento

X1* = 8
5X1* 4X2* > -20 5(8)-4(3) > -20 40 12 > -20 28 > -20 Verdad Inactiva De no estricto cumplimiento

X2* = 3
X1* < 8 8<8

Valor que hace a Z*Maximo = 9

X2* < 10 3 < 10 Verdad Inactiva De no estricto cumplimiento X2* > 3 3 >3 Verdad Activa De estricto cumplimiento 5X1* + 4X2* > 20 5(8)+4(3) > 20 40+12 > 20 52 > 20 Verdad Inactiva De no estricto cumplimiento

Verdad Activa De estricto cumplimiento

6. Un caso de produccin La corporacin XYZ fabrica dos modelos de producto Z-1.200 y Z1.500 Los requerimientos de produccin y las disponibilidades estn mostradas a continuacin.

68

Mtodo Grfico
Requisitos de mano de obra Modelo Z-1.200 20 0 25 11 Modelo Z-1.500 0 30 23 11 Capacidad Horas / da 2.300 1.540 2.440 1.300

Departamento 1 2 3 4

Los beneficios unitarios logrados a la venta de los modelos Z-1.200 y Z-1.500 son de $50 y $40 , respectivamente. Encuentre el nmero ptimo de cada producto que va a producir. Si la corporacin XYZ est produciendo actualmente 30 unidades del modelo Z-1.200 y 20 unidades del modelo Z-1.500, Cunto est dejando de ganar? Solucin Xj = Unidades a producir y vender del producto j-simo (j = 1 = Modelo Z-1.200, j = 2 = Modelo Z-1.500). Maximice Z = 50X1 + C.S.R. 20X 1 30X 2 25X1 + 23X2 11X1 + 11X2 Xj > 0 ; j = 1, 2 40X2 < 2.300 < 1.540 < 2.440 < 1.300

1 Restriccin 2 Restriccin 20X1 < 2.300 30X2 < 1.540 20X1 = 2.300 30X2 = 1.540 X1 = 115 X2 = 51,3 P(0,0)=>0 < 2.300 P(0,0)=>0 < 1.540 Verdad Verdad Funcin Objetivo Z = 50X1 + 40X2 50X1+40X2=4.000 X1 = 0 X2 = 0 X2 = 100 X1 = 80

3 Restriccin 25X1+23X2 < 2.440 25X1+23X2 = 2.440 X2 = 0 X1 = 0 X2 = 106,08 X1 = 97,6 P(0,0) => 0 < 2.440 Verdad

4 Restriccin 11X1 + 11X2 < 1.300 11X1 + 11X2 = 1.300 X2 = 0 X1 = 0 X2 = 118,18 X1 = 118,18 P(0,0) => 0 < 1.300 Verdad

69

Mtodo Grfico

Fjese en la grfica que la cuarta restriccin: 11X1 + 11X2 < 1.300 es redundante, si la retiramos de la grfica, el rea de soluciones factible sigue siendo la misma y el ptimo tambin. Si actualmente X1 = 30 y X2 = 20 entonces Z = 50(30) + 40(20) = 2.300 , luego se estn dejando de ganar: $4.880 $2.300 = $2.580 Interpretacin: Para obtener el beneficio total mximo de $4.880, se deben producir y vender 97,6 unidades del modelo Z-1.200 y no producir el modelo Z1.500. El modelo Z-1.200 contribuye al beneficio total con: 50(97,6) = $4.880, y el modelo Z-1.500 contribuye al beneficio total con: 40(0) = $0 . Un anlisis sobre las restricciones, empleando la solucin ptima nos permite conocer la siguiente informacin: 20X1 < 2.300 20(97,6) < 2.300 1.952 < 2.300 30X2 < 1.540 30(0) < 1.540 0 < 1.540 El departamento 1 trabajar 1.952 horas / da de las 2.300 horas disponibles. Luego tendr (2.300 1.952) 348 horas por da en que no produce ninguno de los dos modelos. En el departamento 2, todas las horas disponibles no sern usadas. No se producirn unidades de ninguno de los dos modelos.

25X1+23X2 < 2.440 25(97,6)+23(0)< 2.440 2.440 < 2.440 11X1 + 11X2 < 1.300 11(97,6)+ 11(0) < 1.300 1.073,6 < 1.300
70

Todas la horas disponibles en el departamento 3, sern utilizadas, produciendo el modelo Z-1.200

En el departamento 4 se trabajarn 1.073,6 horas / da de las 1.300 disponibles, se tendrn 226,4 horas / da ociosas.

Mtodo Grfico

7. Un caso de produccin Una compaa automotriz produce automviles y camiones. Cada vehculo tiene que pasar por un taller de pintura y por un taller de montaje de la carrocera. Si el taller de pintura pintara solamente camiones, se podran pintar 40 camiones al da, y si pintara solamente automviles, se podran pintar 60 automviles. Si el taller de carroceras ensamblara solamente camiones, podra ensamblar 50 camiones al da y si ensamblara solamente automviles, podra ensamblar 50 automviles al da. Cada camin aporta $300 a la utilidad y cada automvil, $200 Solucin Fjese que aqu nos han dado las coordenadas por donde cada restriccin corta los ejes cartesianos abcisa y ordenada, por lo tanto debemos conseguir las ecuaciones de cada restriccin, conociendo dos puntos que pertenecen a la recta. Xj = Unidades a producir del j-simo tipo de vehculo (j = 1 = Automviles, j = 2 = Camiones) Taller de Pintura Si X1 = 0 => X2 = 40 Si X2 = 0 => X1 = 60 m = Y2 Y1 / X2 X1 m = -40 / 60 = -2/3 Y = mX + b = -2/3X + 40 3Y=-2X+120 =>2X+3Y=120 2X1+3X2 = 120 => 2X1+3X2 < 120 Taller de ensamble de la carrocera Si X1 = 0 => X2 = 50 Si X2 = 0 => X1 = 50 m = Y2 Y1 / X2 X1 m = -50 / 50 = - 1 Y = mX + b = - X + 50 X + Y = 50 => X1 + X2 < 50
71

Mtodo Grfico

Maximice Z = 200X1 + 300X2 C.S.R. 2X1 + 3 X2 X1 + Xj > 0 ; j = 1, 2

1 Restriccin 2X1 + 3X2 < 120 2X1 + 3X2 = 120 X2 = 5 X1 = 0 X2 = 40 X1 = 60 P(0,0) => 0 < 120 Verdad

< <

120 Restriccin debida a las horas dispo nibles en el taller de pintura. 50 Restriccin debida a las horas dispo nibles en el taller de ensamble de la carrocera.
Funcin Objetivo Z = 200X1 + 300X2 200X1 + 300X2 = 6000 X2 = 0 X1 = 0 X2 = 20 X1 = 30

X2

2 Restriccin X1 + X2 < 50 X1 + X2 = 50 X2 = 0 X1 = 0 X2 = 50 X1 = 50 P(0,0) => 0 < 50 Verdad

Z* = 200X1* + 300X2* = 200(30) + 300(20) = 6.000 + 6.000 = 12.000 Z* = 200X1*+ 300X2* = 200 (0) + 300(40) = 0 + 12.000 = 12.000 Interpretacin: El problema tiene mltiples soluciones, dos de ellas son las mostradas sobre la grfica, analizando la solucin X1* = 30 ; X2* = 20 sobre las restricciones, el departamento de pintura y el departamento de ensamble de la carrocera utilizarn todo el tiempo disponible. 2X1+3X2 < 120 2(30)+3(20)< 120 60 + 60 < 120 120 < 120
72

Todas la horas disponibles en el departamento de pintura, sern utilizadas as: 60 horas pintando automviles y 60 horas pintando camiones.

Mtodo Grfico

X1 + X2 < 50 30 + 20 < 50 50 < 50

Todas la horas disponibles en el departamento de ensamble de carrocera, sern utilizadas as: 30 horas ensamblando carroceras en automviles y 20 horas ensamblando carroceras en camiones.

8. Regla de equivalencia y constante en la funcin objetivo Una planta ensambladora de radios produce dos modelos, HiFi-1 y HiFi2, en la misma lnea de ensamble. La lnea de ensamble consta de tres estaciones. Los tiempos de ensamble en las estaciones son:
Estacin de trabajo 1 2 3 Minutos por unidad de producto producido Radios HiFi-1 6 5 4 Radios HiFi-2 4 5 6

Cada estacin de trabajo tiene una disponibilidad mxima de 480 minutos por da. Sin embargo, las estaciones de trabajo requieren mantenimiento diario, que constituye el 10%, 14% y 12% de los 480 minutos totales de que se dispone diariamente para las estaciones 1, 2 y 3 respectivamente. La compaa desea determinar las unidades diarias que se ensamblarn de HiFi-1 y HiFi-2 a fin de minimizar la suma de tiempos inactivos en las tres estaciones. Solucin
Xj=Cantidad de radios a producir del modelo j-simo (j=1=HiFi-1 ; j=2=HiFi-2)
Tiempo que se usar Cada estacin de trabajo en minutos 6X1 + 4X2 5X1 + 5X2 4X1 + 6X2 Tiempo inactivo de Cada estacin de trabajo en minutos 432,0 - 6X1 + 4X2 422,4 - 4X1 + 6X2 412,8 - 5X1 + 5X2

Estacin de trabajo 1 2 3

Disponibilidad Mxima en minutos (1-0,10)480=432,0 (1-0,14)480=412,8 (1-0,12)480=422,4

Z = 432,0 - 6X1 + 4X2 + 412,8 - 5X1 + 5X2 + 422,4 - 4X1 + 6X2 Z = -15X1 15X2 + 1.267,2 Para facilitar la solucin del problema, hacemos los siguientes cambios:
73

Mtodo Grfico

Z = -15X1 15X2

Como el trmino independiente 1.267,2 es constante, lo podemos obviar y al final lo sumamos a la solucin optima Podemos multiplicar la funcin objetivo por (-1) y maximizar, al final volvemos a multiplicar a Z por (-1), esto se llama la regla de equivalencia: Min (-Z) = Max(+Z) Min (Z) = Max (-Z)

Max Z = 15X1 + 15X2

Z = 15X1 + 15X2 C.S.R. 6X1 + 4X2 5X1 + 5X2 4X1 + 6X2 < 432,0 < 412,8 < 422,4 Restricciones debidas a la disponibilidad de tiempo en cada una de las estaciones de trabajo 1, 2 y 3 respectivamente.

Xj > 0 ; j = 1, 2
1 Restriccin 2 Restriccin 3 Restriccin Funcin Objetivo

6X1 + 4X2 < 432 5X1 + 5X2 < 412,8 4X1 + 6X2 < 422,4 Z = 15X1 + 15X2 6X1 + 4X2 = 432 5X1 + 5X2 = 412,8 4X1 + 6X2 = 422,4 15X1+15X2 = 600 X1 = 0 X2 = 0 X1 = 0 X2 = 0 X1 = 0 X2 = 0 X1 = 0 X2 = 0 X2 = 108 X1 = 72 X2 = 82,56 X1 = 82,56 X2 = 70,4 X1 = 105,6 X2 = 40 X1 = 40 P(0,0) => 0 < 432 P(0,0) => 0 < 412,8 P(0,0) => 0 < 14 Verdad Verdad Verdad

5X1 + 5X2 = 412,8 6X1 + 4X2 = 432

74

5X1 + 5X2 = 412,8 4X1 + 6X2 = 422,4

Mtodo Grfico

Tiempo inactivo mnimo bajo las dos soluciones consideradas Z50,88 ; 31,68 = -15X1* 15X2* + 1.267,2 = -15(50,88) 15(31,68) + 1.267,2 = 28,8 minutos Z36,48 ; 46,08 = -15X1* 15X2* + 1.267,2 = -15(36,48) 15(46,08) + 1.267,2 = 28,8 minutos Bajo cada una de las dos soluciones ofrecidas, de las mltiples, podemos saber en las restricciones el tiempo inactivo de cada estacin de trabajo. Bajo la solucin X1* = 50,88
Estacin de trabajo 1 6X1* + 4X2* < 432 6(50,88) + 4(31,68) < 432 432 < 432 No estar inactiva

X2* = 31,68
Estacin de trabajo 3 4X1* + 6X2* < 422,4 4(50,88) + 6(31,68) < 422,4 393,6 < 422,4 Tiempo inactiva: 28,8 minutos

Estacin de trabajo 2 5X1* + 5X2* < 412,8 5(50,88) + 5(31,68) < 412,8 412,8 < 412,8 No estar inactiva

Bajo la solucin X1* = 36,48

Estacin de trabajo 1 6X1* + 4X2* < 432 6(36,48) + 4(46,08) < 432 403,2 < 432 Tiempo inactiva: 28,8 minutos

X2* = 46,08
Estacin de trabajo 3 4X1* + 6X2* < 422,4 4(36,48) + 6(46,08) < 422,4 422,4 < 422,4 No estar inactiva

Estacin de trabajo 2 5X1* + 5X2* < 412,8 5(36,48) + 5(46,08) < 412,8 412,8 < 412,8 No estar inactiva

La estacin de trabajo 2, nunca tendr tiempo inactivo, siempre estar trabajando todo su tiempo disponible, 412,8 minutos.
75

Mtodo Grfico

9. Un caso especial del mtodo grfico Hallar el mximo y el mnimo, mediante el mtodo grfico, al siguiente problema de programacin lineal. Z = 3X1 + X2 C.S.R. X1 X2 X1 + X2 3X1 + 2X2 < < > = 3 3 4 12

Xj > 0 ; j = 1, 2 Solucin:
1 Restriccin X1 < 3 X1 = 3 P(0,0) => 0 < 3 Verdad 2 Restriccin X2 < 3 X2 = 3 3 Restriccin 4 Restriccin Funcin X1 + X2 > 4 3X1 + 2X2 = 12 Objetivo X1 + X2 = 4 Z = 3X1 + X2 X1 = 0 X2 = 0 3X1 + X2 = 3 X1 = 4 X1 = 0 X2 = 0 X1 = 0 X2 = 0 P(0,0) => 0 < 3 X2 = 4 Verdad P(0,0) => 0 > 4 X2 = 6 X1 = 4 X2 = 3 X1 = 1 Falso

Mnimo X2* = 3 3X1 + 2X2 = 12 3X1 + 2(3) = 12 X1* = 2 * Z 2,3 = 3X1*+X2*=3(2)+3=9

76

Z*

3,3/2

Mximo X1* = 3 3X1 + 2X2 = 12 3(3) + 2X2 = 12 X2* = 3/2 * = 3X1 +X2*=3(3)+3/2=21/2=10,5

Mtodo Grfico

Fjese que aqu, el rea de soluciones factible es un segmento de la recta 3X1 + 2X2 = 12 Y sus extremos el mnimo y mximo respectivamente. Nota: Puede darse el caso en que el rea de soluciones factible, se reduzca a un punto, en cuyo caso el mximo = mnimo. Ejercicios propuestos 1. Identifique el rea de soluciones factible para cada una de las siguientes inecuaciones lineales, de forma independiente. Suponga que todas las variables son positivas. a) 3X1 + X2 < 7 d) X1 X2 < 0 b) X1 2X2 > 5 e) X1 + X2 > 0 c) 2X1 3X2 < 8 f) X1 <4

2. Identifique la direccin del crecimiento o decrecimiento de Z en cada uno de los siguientes casos: a) Maximizar Z = X1 - X2 c) Minimizar Z = - X1 2X2 b) Minimizar Z = -3X1 + X2 d) Maximizar Z = 5X1 - 6X2

3. Determine el rea de soluciones factibles para el siguiente sistema de inecuaciones lineales: X1 + X2 < 4 4X1 + 3X2 < 12 -X1 + X2 > 1 X1 + X2 < 6 X1 , X2 > 0 Qu restricciones son redundantes ? Reduzca el sistema al menor nmero de restricciones que definirn el mismo espacio de soluciones

4. Escriba las restricciones asociadas con el espacio de soluciones que se presenta en la grfica e identifique todas las restricciones redundantes.

77

Mtodo Grfico

5. Considere el siguiente problema: Maximizar Z = 6X1 - 2X2 C.S.R. X1 X2 < 1 3X1 - X2 < 6 Demuestre en forma grfica y analtica que en la solucin ptima, las variables X1 y X2 pueden aumentarse en forma indefinida en tanto que el valor de la funcin objetivo Z se mantiene constante.

Xj > 0 ; j = 1, 2

6. Resuelva grficamente el siguiente problema: Maximizar Z = 5X1 + 6X2 C.S.R. X1 2X2 > 2 -2X1 + 3X2 > 2

X1 , X2 irrestrictas en signo 7. Considere el siguiente problema: Maximizar Z = 3X1 + 2X2 C.S.R. 2X1 + X2 < 2 3X1 + 4X2 > 12 Demuestre grficamente que el problema no tiene puntos extremos factibles. Qu se puede concluir en relacin con la solucin al problema?

Xj > 0 ; j = 1, 2 8. Resolver grficamente: Maximizar Z = 5X1 + 2X2 C.S.R. X1 + X2 < 10 X1 = 5

Xj > 0 ; j = 1, 2 9. Considere el espacio de soluciones del punto 4; Determine la solucin ptima, suponiendo que la funcin objetivo es la siguiente:
a) Min Z = 2X1 + 6X2 d) Min Z = X1 2X2 b) Max Z = -3X1 + 4X2 c) Min Z = 3X1 + 4X2 f) Max Z = X1

e) Min Z = X1

78

Mtodo Grfico

10. Considere el siguiente problema de programacin lineal: Maximizar Z = 3X1 + 4X2 C.S.R. -2X1 + 4X2 2X1 + 4X2 -6X1 - 3X2 < 16 < 24 > -48 a) Use el mtodo grfico para encontrar la solucin ptima (X1 , X2) y el valor de la funcin objetivo Z* b) Encuentre los valores de holgura o excedente de cada restriccin.

Xj > 0 ; j = 1, 2

11. Considere el siguiente problema de programacin lineal: Minimice Z = 5X1 + 2X2 C.S.R. 3X1 5X1 8X1 7X1 + + + + 6X2 4X2 2X2 6X2 > 18 > 20 > 16 < 42 a) Use el mtodo grfico para encontrar la solucin ptima y Z* b) Cules restricciones son activas? c) Cules son los valores de holgura o excedente de cada restriccin? d) Cuntos puntos extremos tiene la regin factible?

Xj > 0 ; j = 1, 2

79

80

Captulo 4 Mtodo Algebraico

Introduccin En la necesidad de desarrollar un mtodo para resolver problemas de programacin lineal de ms de dos variables, los matemticos implementaron el mtodo algebraico, el que ms tarde se convertira en el tan afamado mtodo simplex. Como su nombre lo indica, el mtodo usa como su principal herramienta, el lgebra, que ligada a un proceso de lgica matemtica dio como resultado el mtodo algebraico. Con el siguiente ejemplo se ilustra el algoritmo del mtodo algebraico; El ejercicio que se usa para ello es de dos variables X1 , X2 , con el propsito de observar lo que el mtodo realiza sobre la grfica en el plano cartesiano, ofrecindonos sta metodologa la ventaja de comparar paso a paso el mtodo grfico con el mtodo algebraico.

81

Mtodo Algebraico

Ejemplo 1 Maximizar Z = X1 + X2 C.S.R. 5X1 + 3X2 < 15 3X1 + 5X2 < 15 Xj > 0 ; j = 1, 2 Todo problema de programacin lineal que se formule de la forma Maximice, con todas sus restricciones < y con la condicin de no negatividad, se le llama Forma Estndar Forma Normal

El rea de soluciones factible, las coordenadas de cada esquina y el valor de la funcin objetivo Z en cada una de ellas, se muestra en la grfica siguiente:

Algoritmo del Mtodo Algebraico 1) Hallar una solucin bsica y factible (Solucin inicial) a) Expresar las inecuaciones (desigualdades) como ecuaciones (igualdades) b) Hallar una variable bsica para cada ecuacin c) Organizar el sistema de ecuaciones lineales 2) Escoger la variable que entra 3) Escoger la variable que sale 4) Reorganizar el sistema de ecuaciones
82

Mtodo Algebraico

5) Repetir los pasos 2, 3 y 4 hasta encontrar la solucin 1) Hallar una solucin bsica factible a) Expresar todas la inecuaciones como ecuaciones lineales, para ello y en ste caso usamos variables de relleno, tambin llamadas de holgura, para igualar el lado izquierdo al lado derecho de la inecuacin; as: 5X1 + 3X2 < 15 5X1 + 3X2 + X3 = 15 3X1 + 5X2 < 15 3X1 + 5X2 + X4 = 15

Aqu X3 y X4 son las variables de holgura o relleno, que al adicionarlas al lado izquierdo, establecen la igualdad con el lado derecho de la inecuacin lineal. La variables X1 y X2 se denominan variables de decisin o variables reales, las variables de relleno o holgura, se usan para convertir una inecuacin en una ecuacin, esto es, igualar el lado izquierdo al lado derecho. Las variables de holgura o de relleno, se suman o restan al lado izquierdo de la inecuacin, segn convenga para establecer la igualdad. b) Escoger en cada ecuacin una variable que sirva como solucin inicial al problema y que tome un valor positivo ( > 0), NO son elegibles las variables de decisin o variables reales. Entonces, las variables de holgura o relleno (si las hay), son las primeras opcionadas a ser escogidas como variables bsicas y factibles, lo que significa que deben tomar un valor mayor o igual a cero ( > 0), dicho de otra forma, las variable bsicas factibles, deben cumplir con la condicin de no negatividad. De no conseguirse una variable de holgura que sea factible, se utiliza el recurso de las variables de sper-avit o artificiales, pero de ste caso nos ocuparemos en el segundo ejemplo, para el que usaremos el denominado mtodo de la gran M. Aqu tanto X3 como X4 , variables de holgura, son escogidas como variables bsicas factibles, ya que ambas asumen valores positivos al ser X1 y X2 variables no bsicas e iguales a cero (0), esto es: 5X1 + 3X2 + X3 = 15 X1 = X2 = 0 , entonces X3 = 15 , valor > 0 3X1 + 5X2 + X4 = 15 X1 = X2 = 0 , entonces X4 = 15 , valor > 0
83

Mtodo Algebraico

Organizamos el sistema de ecuaciones de la siguiente manera: En la ecuacin ( 0 ) siempre Z es la variable bsica. Fjese que en cada ecuacin existe una y solo una variable bsica con coeficiente ( 1 ), lo que permite leer su valor de manera automtica al lado derecho; esto es: Z = 0 ; X3 = 15 y X4 = 15 ; esto es una SOLUCIN BSICA FACTIBLE. Una lista clasificada de las variables es: X1 = 0 X2 = 0 X3 = 15 X4 = 15 Z = 0 Variable de decisin variable real, Variable no bsica Variable de decisin variable real, Variable no bsica Variable de holgura relleno, Variable bsica Variable de holgura relleno, Variable bsica Variable de decisin variable real, Variable bsica, Siempre !!

2) Escoger la variable que entra Aqu analizamos si existe una solucin mejor que la solucin bsica factible, para ello despejamos de la ecuacin (0) del sistema de ecuaciones inmediatamente anterior a Z y hacemos la siguiente pregunta:
CUL ES LA VARIABLE QUE AL CRECER HACE QUE Z CREZCA MS?

Aqu la velocidad de crecimiento, tanto de X1 como de X2 es uno (1), coeficiente de las variables X1 y X2 , luego se presenta un empate, el cual se dirime al azar, escogemos como variable para entrar a X1 . Como regla general, la variable para entrar es aquella que al crecer haga que Z crezca ms, ya que el objetivo es Maximizar el valor de Z, Dicho de otra forma, entrar la variable que tenga el coeficiente ms positivo, si estuvisemos minimizando se escoge la variable que haga que Z disminuya ms, o sea la que tenga el coeficiente ms negativo. Si no hubiese variable para entrar, ello indica que nos encontramos en la solucin ptima.
84

Mtodo Algebraico

3) Escoger la variable que sale Despejamos de la ecuacin ( 1 ) y ( 2 ) las variables bsicas. (1) X3 = 15 5X1 3X2 (2) X4 = 15 3X1 5X2 Como de las variables no bsicas X1 y X2 ya fue escogida X 1 para entrar a la base, entonces X2 seguir siendo variable no bsica e igual a cero (0), esto simplifica las ecuaciones as: Fjese que para todos los casos, siempre quedarn despejadas las variables bsicas en funcin de la variable escogida para entrar.

(1) X3 = 15 5X1 (2) X4 = 15 3X1

Aqu la pregunta es:

CUL ES LA VARIABLE BSICA QUE RESTRINGE MS EL CRECIMIENTO DE LA VARIABLE QUE ENTRA?

Para averiguarlo, hacemos que las variables bsicas X3 y X4 asuman su menor valor factible o sea cero (0) y observamos el valor que asume la variable escogida para entrar (X1). (1) 15 5X1 = X3 (1) 15 5X1 = 0 X1 = 3 X3 deja crecer a X1 , como mximo hasta 3 Resumiendo: (2) 15 3X1 = X4 (2) 15 3X1 = 0 X1 = 5 X4 deja crecer a X1 , como mximo hasta 5

La variable bsica que debe salir es aquella que restringa ms el crecimiento de la variable que entra, en caso de empate, se dirime arbitrariamente. Aqu se est cuidando la factibilidad de las variables, esto es, que todas sean positivas ( > 0 ) . En el caso de ser un problema de minimizacin, la presente regla de seleccin es la misma.
85

Mtodo Algebraico

Para nuestro problema, la variable que sale es X3 ya que como mximo dejar crecer a X1 hasta 3, mientras que X4 la deja crecer como mximo hasta 5. 4) Reorganizar el sistema de ecuaciones

Observe que al entrar X1 y salir X3 , el sistema de ecuaciones ya no tendr una sola variable bsica en cada fila con coeficiente uno (1), esto es:

Fjese que en la ecuacin (1) se encuentra la variable que entra X1 y la variable que sale X3 por ello en sta fila solo queda como variable bsica X1 , lo molo aqu es que tiene coeficiente diferente de uno (1), por ello multiplicamos toda la fila por el inverso del coeficiente de X1 (1/ 5) y la ecuacin resultante la llamamos Fila Pivote ya que posteriormente servir para eliminar a X1 de las ecuaciones (0) y (2). (1) 5X1 + 3X2 + X3 = 15 (1/5) (1) X1 + 3/5X2 + 1/5X3 = 3 Fila pivote

Para encontrar el nuevo sistema de ecuaciones en el que en cada fila figure una y solo una variable bsica con coeficiente uno (1), de tal forma que se pueda leer automticamente su valor en el trmino independiente de cada ecuacin, multiplicamos la fila pivote por el coeficiente de X1 (multiplicado por 1), de cada una de las otras ecuaciones y sumamos la fila pivote con cada una de las otras ecuaciones para encontrar las nuevas ecuaciones del sistema. Para nuestro problema, esto es: Multiplicamos la fila pivote, fila (1) por uno (1) y le sumamos la fila (0). El resultado es la nueva fila (0). (1) X1 + 3/5X2 + 1/5X3 = 3 (1) Nueva fila (0) Z X1 X2 =0 (1) X1 + 3/5X2 + 1/5X3 = 3 (0) Z - 2/5X2 + 1/5X3 = 3

86

Mtodo Algebraico

Fjese que hemos eliminado a X1 de la ecuacin (0) Multiplicamos la fila pivote por (-3) y le sumamos la fila (2), el resultado es la nueva ecuacin (2) (1) X1 + 3/5X2 + 1/5X3 = 3 (-3) Nueva fila (2) 3X1 + 5X2 + X4 = 15 (1) -3X1 - 9/5X2 - 3/5X3 = -9 (2) 16/5X2 - 3/5X3 + X4 = 6

Fjese que hemos eliminado a X1 de la ecuacin (2) El nuevo sistema de ecuaciones es:

Una lista clasificada de variables para sta iteracin es: X1 = 3 X2 = 0 X3 = 0 X4 = 6 Z =3 Variable Variable Variable Variable Variable de de de de de decisin variable real decisin variable real holgura relleno holgura relleno decisin variable real Variable Variable Variable Variable Variable bsica no bsica no bsica bsica bsica

Fjese en las siguientes caractersticas que siempre debe tener el sistema de ecuaciones En cada fila hay una y solo una variable bsica con coeficiente uno (1) En la funcin objetivo, ecuacin cero (0), la variable bsica siempre es Z y estar acompaada por las variables no bsicas. Los trminos independientes, siempre sern los valores de las variables bsicas para cada ecuacin. Observe en la grfica, que lo que ha hecho el mtodo algebraico es saltar de una esquina del rea de soluciones factible a otra esquina contigua y ha empezado por la peor solucin bsica factible posible.

87

Mtodo Algebraico

Ahora la pregunta es:

ES STA LA SOLUCIN PTIMA?

La respuesta la hallamos, si encontramos una variable que al entrar haga que la funcin objetivo crezca ms, lo anterior significa que debemos repetir los pasos 2, 3 y 4 hasta que no se encuentre una variable que haga que Z crezca, cuando ello ocurra estamos en el ptimo. II Iteracin Variable que entra Z = 2/5X2 1/5X3 + 3 ; variable que entra: X2 Variable que sale X1 = 3 3/5X2 X4 = 6 16/5X2 X2 < 5 X2 < 15/8 = 1,875 ; variable que sale X4

Nuevo sistema de ecuaciones ltimo sistema de ecuaciones (0) Z (1) (2)

88

X1

+ +

2/5X 2 + 3/5X 2 + 16/5X 2 -

1/5X 3 1/5X 3 3/5X 3 +

X4

= = =

3 3 6

(5/16)

Mtodo Algebraico

Nuevo sistema de ecuaciones (0) (1) (2) Z X1 + 1/8X 3 + 1/8X 4 = 15/4 + 5/16X 3 - 3/16X 4 = 15/8 - 3/16X 3 + 5/16X 4 = 15/8

X2

(2/5) (-3/ 5)

III Iteracin Variable que entra (0) Z +1/8X3 + 1/8X4 = 15/4 Z = 15/4 1/8X3 1/8X4 Ninguna variable al crecer hace que Z crezca, luego estamos en la solucin ptima. Solucin ptima Variables de decisin reales X1* = 15/8 = 1,875 X2* = 15/8 = 1,875 Z* = 15/4 = 3,75 Variables de holgura relleno X3* = X4* = 0

Fjese que X3 = X4 = 0 significa, que los recursos que representan las restricciones 1 y 2 se usarn en su totalidad, ambas restricciones son activas, de estricto cumplimiento. Ahora resolveremos un segundo ejemplo que tiene las siguientes caractersticas. El criterio de optimizacin en la funcin objetivo es de Minimizacin
Ms de 2 variables, de hecho tendr tres (3) variables de decisin reales. Se consideran en las restricciones las inecuaciones del tipo < , = y > Aprenderemos en ste ejemplo, cmo el mtodo algebraico nos indica que el problema tiene mltiples soluciones.

Ejemplo 2 Minimizar Z = 6X1 + 4X2 + 2X3 C.S.R. 6X1 + 2X2 + 6X3 > 6 6X1 + 4X2 = 12 2X1 - 2X2 < 2 Xj > 0 ; j = 1, 2, 3
89

Mtodo Algebraico

I Iteracin El objetivo de la primera iteracin es conseguir la solucin bsica factible y lograr el primer sistema de ecuaciones, para esto conseguiremos en cada una de las restricciones una variable bsica factible, as: Primera restriccin: 6X1 + 2X2 + 6X3 > 6 Aqu para establecer la igualdad, se hace necesario restar una variable al lado izquierdo en atencin a que es mayor igual al lado derecho, para ello empleamos la variable X4 , resultando la siguiente igualdad: 6X1 + 2X2 + 6X3 X4 = 6 . Ahora escogemos una variable en sta ecuacin para ser variable bsica factible, la candidata es X4 , pero ella toma el valor de X4 = -6 (recuerde que X1 = X2 = X3 son Variables de decisin reales, no bsicas e iguales a cero (0)), en atencin a que X4 asume un valor no factible (negativo, no cumple con la condicin de no negatividad), se hace necesario emplear una nueva variable, que adicionada convenientemente asuma un valor factible y nos sirva como variable bsica, sta variable la llamamos X5 y se denomina variable de Super-avit variable artificial, quedando la ecuacin de la siguiente manera: 6X1 + 2X2 + 6X3 X4 + X5 = 6 ; Aqu escogemos como variable bsica a X5 quien asume el valor de X5 = 6, las dems variables son no bsicas iguales a cero (0). Lo nico malo es que al adicionar X5 al lado izquierdo de la ecuacin, la hemos desbalanceado, a no ser que nos aseguremos que X5 al final valga cero (0), esto se logra, castigando adicionando a X5 en la funcin objetivo con un coeficiente muy grande en comparacin con el resto de coeficientes de las dems variables, de tal forma que nunca sea escogida para entrar a la base y termine siendo variable no bsica igual a cero (0), este artificio matemtico es conocido como mtodo de la gran M. Aqu como nuestra funcin objetivo tiene como criterio de optimizacin minimizar, la variable que entra ser aquella que tenga el coeficiente ms negativo, por ello debemos adicionar a X5 como +MX5 , de sta manera jams ser escogida para entrar a la base. La funcin objetivo queda de la siguiente manera: Minimizar Z = 6X1 + 4X2 + 2X3 + MX5 Segunda restriccin: 6X1 + 4X2 = 12 Aqu la igualdad ya est hecha, luego no se necesita variable de holgura relleno, pero al escoger variable tenemos el inconveniente de no encontrar ninguna variable como candidata ya que inicialmente X1 = X2 = X3 son Variables de decisin reales, no bsicas e iguales a cero (0). Debemos entonces hacer uso de la variable artificial Super-avit
90

Mtodo Algebraico

X6 adicionndola convenientemente en la igualdad de tal manera que asuma un valor factible ( > 0 ), quedando as: 6X1 + 4X2 + X6 = 12 , por supuesto la adicionamos a la funcin objetivo como +MX6 , quedando la funcin objetivo as: Minimizar Z = 6X1 + 4X2 + 2X3 + MX5 + MX6 .
Nota: Siempre que se adiciona una variable artificial de Super-avit, se debe adicionarla en la funcin objetivo. Si la funcin objetivo es Maximice la adicionamos como MXj y si la funcin objetivo es Minimice la adicionamos como +MXj.

Tercera restriccin: 2X1 - 2X2 < 2 Para sta restriccin solo necesitamos una variable de holgura relleno X7 que asume como variable bsica factible en razn a toma un valor de X7 = 2 El problema queda expresado de la siguiente manera: Minimizar Z = 6X1 + 4X2 + 2X3 + MX5 + M6 C.S.R. 6X1 + 2X2 + 6X3 X4 + X5 = 6 6X1 + 4X2 + X6 = 12 2X1 - 2X2 + X7 = 2 Xj > 0 ; j = 1, 2, 3, 4, 5, 6, 7 El sistema de ecuaciones es: (0) Z - 6X 1 - 4X 2 - 2X 3 - MX 5 - MX 6 (1) 6X 1 + 2 X2 + 6X 3 - X 4 + X5 (2) 6X 1 + 4X 2 + X6 (3) 2X 1 - 2 X2 + X7 = = = = 0 6 (M) 12 (M) 2

Antes de empezar a iterar, debemos asegurar que en cada ecuacin exista una y solo una variable bsica con coeficiente uno (1) y que en la ecuacin (0), la variable bsica sea Z. Como en la ecuacin (o) existen adicionalmente a Z dos variables bsicas X5 y X6 , debemos tratar la ecuacin (0) con las ecuaciones (1) y (2) para eliminar a X5 y X6 de la ecuacin (0), ello se logra sumndole a la ecuacin (0) el resultado de multiplicar las ecuaciones (1) y (2) por M. La nueva ecuacin (0) por supuesto solo tendr como variable bsica a Z.

91

Mtodo Algebraico
(0) Z (1) (2) (0) Z + 6X1 6MX1 + 6MX1 + 4X2 2MX2 + 4MX2 2X3 6MX3 - MX4 + MX5 - MX6 = 0 MX5 = 6M + MX6 = 12M = 18M

(12M-6)X1 + (6M-4)X2 + (6M-2)X3 - MX4

El nuevo sistema de ecuaciones es:

(0) Z + (12M-6)X1 + (6M-4)X2 + (6M-2)X3 - MX4 6X1 + 2 X2 + 6X3 - X4 (1) (2) 6X1 + 4X2 (3) 2X1 2 X2 - + X5 - + X6 = = = = 18 M 6 12 2

- + X7

En sta primera iteracin el valor de las variables es: X1 = NB = 0 X2 = NB = 0 X3 = NB = 0 X4 = NB = 0 II iteracin Variable que entra: Z = 18M(12M6)X1(6M-4)X2(6M-2)X3 + MX4 Variable que entra: X1 Variable que sale: X5 = 6 6X1 X6 = 12 6X1 X7 = 2 2X1 X1 < 1 X1 < 2 X1 < 1 Aqu se presenta un empate entre X5 y X7 , arbitrariamente se escoge como variable para salir a X5 . X5 = VB = 6 Solucin: X6 = VB = 12 X7 = VB = 2 Z = VB = 18M Z X1 = 0 X2 = 0 X3 = 0 = 18M

Nuevo sistema de ecuaciones

(0) Z + (12M-6)X1 + (6M-4)X2 + (6M-2)X3 - MX4 - (1) (2) (3)
(0) Z (1) (2) (3) -

6X1 + 6X1 + 2X1 -

2 X2 + 4X2 2 X2

6X3 -

X4 + X5

= X6 X7

18 M = 6 (1/6) = 12 = 2

+(2M-2)X2 X1 + 1/3X2 2X 2

-(6M-4)X3 + -

+(M-1)X4 -(2M-1)X5 1/6X4 + X4 1/3X4 1/6X5 X5 +X 6 1/3X5

= 6M+6 = = +X7 = 1 6 0
[-(12M-6)], (-6), (-2)

X3 6X3 + 2X3 +

8/3X2 -

92

Mtodo Algebraico

En sta segunda iteracin el valor de las variables es: X1 = X2 = X3 = X4 = VB = 1 NB = 0 NB = 0 NB = 0 X5 = NB = 0 X6 = VB = 6 X7 = VB = 0 Z = VB = 6M + 6 Solucin: X2 = 0 X3 = 0 Z = 6M + 6 X1 = 1

III iteracin
Variable que entra: Z=(6M+6)-(2M-2)X2+(6M-4)X3(M1)X4+(2M-1)X5

Variable que entra: X2 Variable que sale: X1 = 1 1/3X2 X6 = 6 2X2 8/3X2 X7 =

Aqu se presenta un empate entre X2 < 3 X1 y X6 , arbitrariamente se escoge X2 < 3 No restringe como variable para salir a X6.

Observe que para cualquier valor positivo de la variable que entra X2 , X7 permanecer positiva, esto quiere decir que X7 no restringe el crecimiento de la variable que entra X2 Nuevo sistema de ecuaciones
(0) Z (1) (2) (3) X1 + + (2M-2)X2 + (6M-4)X3 + (M-1)X4 - (2M-1)X5 1/3 X2 + 2X2 6X3 + 2X3 + X3 1/6X4 + 1/3X4 X4 1/6X5 1/3X5 X5 + X6 = 6M+6 = = + X7 = 1 6 (1/2) 0

8/3 X2 -

(0) Z (1) (2) (3) X1

- 2X3

X2 - 3X3 + 1/2X4 - 1/2X5 + - 10X3 + 5/3X4 - 5/3X5 +

+ 2X3 - 1/3X4 + 1/3X5 -

MX5 -

En sta tercera iteracin el valor X1 = VB = 0 X2 = VB = 3 X3 = NB = 0 X4 = NB = 0 X5 = NB = 0 X6 = NB = 0 X7 = VB = 8 Z = VB = 12

(M= 12 = 0 1)X 6 [-(2M-2)] (-1/3) (8/3) 1/6X 6 = 3 1/2X 6 + X7 = 8 4/3X 6 de las variables es: Solucin:X1 = 0 X2 = 3 X3 = 0 Z = 12

Variable que entra: Z = 12 + 2X3 + MX5 + (M-1)X6

93

Mtodo Algebraico

No hay variable que al crecer haga que Z disminuya (Minimizar), entonces estamos en la solucin ptima. El mtodo algebraico da una seal de que el problema tiene mltiples soluciones, cuando el coeficiente en la funcin objetivo (Ecuacin (0)) de una variable no bsica es cero (0). Aqu el coeficiente de la variable no bsica X4 en la funcin objetivo es cero (0). Solucin: El problema tiene mltiples soluciones, una de ellas es: Variables de decisin X 1* = 0 X2* = 3 X3* = 0 Z* = 12 Variables de holgura X4* = 0 X7* = 8 Variables artificiales X5* = 0 X6* = 0

Fjese que las variables artificiales X5* y X6* terminaron siendo no bsicas iguales a cero (0), de acuerdo con el artificio matemtico inicial mtodo de la gran M. Al reemplazar la solucin ptima en las restricciones se obtiene que: 6X1 + 2X2 + 6X3 > 6 6X1 + 4X2 = 12 2X1 - 2X2 < 2 5(0) + 2(3) + 6(0) > 6 6(0) + 4(3) = 12 2(0) 2(3) < 2 6> 6 12 = 12 -6 < 2 Restriccin activa Restriccin no activa Restriccin activa Se usa el mnimo recurso Se usa todo el recurso Se usa menos del recurso Notas importantes: Cuando en la solucin ptima, al menos una de las variables bsicas sea variable artificial de Super-avit, el problema no tiene solucin, a no ser que valga cero ( 0 ) Cuando al decidir cul es la variable para entrar a la base, todas las variables bsicas no restringen a la variable que entra, entonces es un problema de solucin indeterminada. Cuando en una iteracin se escoge una variable para entrar y otra para salir y en la siguiente iteracin se escoge como variable para entrar la que sali y como variable para salir la que entro, se dice que el problema se ha degenerado y por lo tanto no tiene una solu-

94

Mtodo Algebraico

cin, ya que en las iteraciones siguientes se repetirn sistemticamente los sistemas de ecuaciones. Un resumen para las reglas de decisin del mtodo algebraico es: Criterio a decidir Gran M Variable que entra Variable que sale ptimo Ejemplo 3 La empresa Laminas S.A. produce lminas de 180 x 30 cm. ; ha recibido los siguientes tres (3) pedidos: 5.000 lminas de 60 x 30 cm. ; 15.000 lminas de 70 x 30 cm. Y 5.000 lminas de 50 x 30 cm. La empresa desea cumplir exactamente con los pedidos, no quiere tener existencias en inventario y desea saber cul debe ser su programacin de corte, de tal manera que minimice el desperdicio. Xj = Nmero de lminas a cortar de la forma j-sima (j=1,2,3,4,5,6,7) Maximizar -M La ms positiva (+) La menos (+) Todos los Cj < 0 Minimizar +M La ms negativa (-) La menos (+) Todos los Cj > 0

Minimizar Z = 10X2+30X3+40X4+10X5+20X7 C.S.R. = Con las siguientes restricciones: 3X1 + 2X2 + X6 + X7 = 5.000 2X4 + X5 + X6 = 15.000 X2 + 3X3 + 2X5 + X6 + 2X7 = 5.000

Xj > 0 ; j = 1,2,3,4,5,6,7 Min Z=10X2+30X3+40X4+10X5+20X7+MX8+MX9+MX10 C.S.R. 3X1 + 2X2 + X6 + X7 + X8 = 5.000 2X4 + X5 + X6 + X9 = 15.000 X2 + 3X3 + 2X5 + X6 + 2X7 + X10 = 5.000 Xj > 0 ; j = 1,2,3,4,5,6,7,8,9,10 Variables bsicas X8 , X9 y X10 95

Mtodo Algebraico

I Iteracin

II Iteracin Variable que entra: X1 Variable que sale : X8 X8 = 5.000 3X1 X9 = 15.000 X10 = 5.000 X1 < 5.000/3 No Restringe No Restringe

III Iteracin Variable que entra: X5 Variable que sale : X10 X1 = 5.000/3 X9 = 15.000 X5 X10 = 5.000 2X5 No restringe X5 < 15.000 X5 < 2.500

IV Iteracin Variable que entra: X4 Variable que sale : X9 X1 = 5.000/3 X9 = 12.500 2X5 X5 = 2.500 No restringe X4 < 6.250 No restringe

96

Mtodo Algebraico

V Iteracin Variable que entra: X6 Variable que sale : X1 X1 = 5.000/3 1/3X6 X4 = 6.2500 1/4X6 X5 = 2.500 - 1/2X6 X6 < 5.000 X6 < 25.000 X6 < 5.000

Variable que entra: No hay variable para entrar, estamos en el ptimo. Solucin: Variables de decisin o Variables reales X1 *=X 2*=X 3*=X 5*=X 7*=0 X4* = 5.000 X6* = 5.000 Z* = 200.000 Variables artificiales o Variables de Super avit

X8* = X9* = X10* = 0

Interpretacin: Para que halla un mnimo de desperdicio de 200.000 cm de lmina y cumplir exactamente con los pedidos, hay que cortar 5.000 lminas de la forma 4 y 5.000 lminas de la forma 6 Ejercicios propuestos Resolver empleando el mtodo grfico, si el problema es de dos (2) variables y mediante el mtodo algebraico, los siguientes ejercicios: 1) Maximizar Z = 3X1 + 5X2 C.S.R. X1 < 4 3X1 + 2X2 < 18 Xj > 0 ; j = 1, 2 2) Maximizar Z = 3X1 + 5X2 C.S.R. X1 < 4 X2 < 6 3X1 + 2X2 < 18 Xj > 0 ; j = 1, 2 Respuesta: X1* = 0 X2* = 9 Z* = 45 Respuesta: X1* = 2 X2* = 6 Z* = 36

97

Mtodo Algebraico

3) Minimizar Z = 4X1 + X2 C.S.R. 3X1 + X2 = 3 4X1 + 3X2 > 6 X1 + 2X2 < 4 Xj > 0 ; j = 1, 2 4) Minimizar Z = X1 + 2X 2 C.S.R. 3X1 + X2 > 3 4X1 + 3X2 > 6 X1 + X2 < 3 Xj > 0 ; j = 1, 2 5) Maximizar Z = X1 + X2 C.S.R. X1 + 2X2 < 6 2X1 + X2 > 9 Xj > 0 ; j = 1, 2 6) Maximizar Z = 2X1 + 3X 2 C.S.R. X1 + 3X2 < 6 3X1 + 2X2 < 6 Xj > 0 ; j = 1, 2 7) Max Z = 6X1 + 4X2 + 2X3 C.S.R. 6X1 + 2X2 + 6X3 < 6 6X1 + 4X2 = 12 2X1 - 2X2 < 2 Xj > 0 ; j = 1,2,3 8) Max Z = 4X1 - 2X2 + 2X3 C.S.R. 2X1 + 2X2 + 2X3 + 2X4 < 16 4X2 2X3 < 8 4X1 - 2X2 - X4 < 4 Xj > 0 ; j = 1,2,3,4
98

Respuesta: X1* = 2/5 = 0,4 X2* = 9/5 = 1,8 Z* = 17/5 = 3,4

Respuesta: X1* = 3/2 = 1,5 X2* = 0 Z* = 3/2 = 1,5

Respuesta: X1* = 6 X2* = 0 Z* = 6

Respuesta: X1* = 0,8571 X2* = 1,7143 Z* = 6,8571

Respuesta: X1* = 0 X2* = 3 X3* = 0 Z* = 12

Respuesta: X1* = 1 X2* = 0 X3* = 7 X4* = 0 Z* = 18

Mtodo Algebraico

9) Max Z = 5X1 - 2X2 + 3X3 C.S.R. 2X1 + 2X2 - X3 > 2 3X1 - 4X2 < 3 X2 + 3X3 < 5 Xj > 0 ; j = 1,2,3 10) Max Z = 6X1 - 2X2 C.S.R. X1 - X2 < 1 3X1 - X2 < 6 Xj > 0 ; j = 1,2 11) Min Z = 3X1 - 9X2 - 5X3 + 4X4 C.S.R. X1 + 4X2 + 5X3 + 8X4 < 8 X1 + 2X2 + 6X3 + 4X4 < 4 Xj > 0 ; j = 1,2,3,4 12) Min Z = 2X1 + 9X2 + 6X3 + 8X4 C.S.R. X1 + X2 + X3 - X4 = 1 X1 + 2X2 - X3 + 2X4 = 0 Xj > 0 ; j = 1,2,3,4

Respuesta: X1* = 23/3 = 7,6 5 X2* = X3* = 0 Z* = 85/3 = 28,3 Respuesta: X1* = 5/2 = 2,5 X2* = 3/2 = 1,5 Z* = 12

Respuesta: X1* = 0 X2* = 2 X3* = 0 X4* = 0 Z* = -18 Respuesta: X1* = 1/2 = 0,5 X2* = 0 X3* = 1/2 = 0,5 X4* = 0 Z* = 4 Respuesta: X1* = 4 X2* = 13 X3* = 11 Z* = 16

13) Min Z = 0,5X1 + 1,5X2 0,5X3 C.S.R. -0,5X1 0,5X2 + X3 < 2,5 X1 0,5X2 + 0,5X3 < 3,0 0,5X1 1,5X2 + 2,5X3 > 10,0 Xj > 0 ; j = 1,2,3 14) Max Z = X1 + 2X2 - X3 + 4X4 C.S.R. X1 + 2X2 - 3X3 + X4 = 4 X1 + 2X2 + X3 + 2X4 = 4 Xj > 0 ; j = 1,2,3,4

Respuesta: X1* = 0 X2* = 2 X3* = 0 X4* = 0 Z* = 4 Soluciones mltiples

99

100

Captulo 5 Mtodo Simplex

Introduccin El mtodo algebraico es muy dispendioso, en razn a que trabaja con todos los datos de las ecuaciones, para mejorar ste aspecto se cre el mtodo simplex cuya gran virtud es su sencillez, mtodo muy prctico, ya que solo trabaja con los coeficientes de la funcin objetivo y de las restricciones. Ilustraremos su funcionamiento mediante un ejemplo, pero previamente mostraremos las reglas de decisin para determinar la variable que entra, la que sale, la gran M, y cmo determinar que estamos en el ptimo; Todas stas reglas de decisin fueron deducidas del mtodo algebraico, solamente que aqu se han acomodado para ser usadas en el tipo de tablero simplex que se usar.
Criterio de decisin Gran M en la funcin objetivo Variable que entra Maximizar - MXj La ms negativa de los Zj - Cj La menos positiva de los b/a , Siendo a > 0 , de lo contrario no restringe Cuando todos los Zj Cj > 0 Minimizar +MXj La ms positiva de los Zj - Cj La menos positiva de los b/a , Siendo a > 0 , de lo contrario no restringe a la variable que entra Cuando todos los Zj Cj < 0

Variable que sale

Solucin ptima

101

Mtodo Simplex

Adicionalmente se presentan las siguientes notas a tener en cuanta: Si en el tablero simplex de la solucin ptima queda al menos una variable de Super avit artificial dentro de las variables bsicas, con un valor > 0 , el problema no tiene solucin, esto quiere decir que al menos existen dos restricciones excluyentes, por lo tanto no existe rea de soluciones factible y menos una solucin , en ste caso se debe revisar la formulacin del problema. Si al escoger la variable que sale, ninguna de las variables bsicas restringe el crecimiento de la variable no bsica escogida para entrar, el problema tiene solucin indeterminada y se debe revisar la formulacin en busca de una nueva restriccin que no se tuvo en cuenta en la formulacin inicial. Si en el tablero simplex del ptimo, al menos una de las variables no bsicas tiene coeficiente cero (0) en la funcin objetivo, esto es su Zj Cj = 0, el problema tiene mltiples soluciones y se nos est ofreciendo una de ellas.

Ejemplo 1: Solucin nica Maximizar Z = X1 + X2 C.S.R. 5X1 + 3X2 < 15 3X1 + 5X2 < 15 Xj > 0 ; j = 1, 2 Todo problema de programacin lineal que se formule de la forma Maximice, con todas sus restricciones < y con la condicin de no negatividad, le llamaremos Forma Estndar Forma Normal.

Aqu, al igual que en el mtodo algebraico, debemos conseguir una solucin bsica factible, empleando las variables de holgura y/o artificiales, quedando el sistema de ecuaciones as: Maximizar Z = X1 + X2 C.S.R. 5X1 + 3X2 + X3 = 15 3X1 + 5X2 + X4 = 15 Xj > 0 ; j = 1,2,3,4 Las variables bsicas son X3 y X4 y por su puesto en la funcin objetivo Z. Este ejercicio es el ejemplo 1 del capitulo de mtodo algebraico. Compare los resultados entre los dos mtodos.

A continuacin construimos la siguiente tabla:

102

Mtodo Simplex

El valor de la funcin objetiva Z, se encuentra frente a la casilla de Zj Cj , en ste caso vale cero (0) y se calcula multiplicando el vector fila (en la tabla es la columna inmediatamente anterior a la de las variables bsica V.B.) que contiene los coeficientes de las variables bsicas en la funcin objetiva original por el vector columna de los trminos independientes b CXB = Vector fila de los coeficientes en la funcin objetivo original de las variables bsicas actuales, sus valores se encuentran en la primera columna del tablero. b = Vector columna de los trminos independientes de las restricciones, que al mismo tiempo son los valores de las variables bsicas actuales, sus valores se encuentran bajo la columna denominada b

El valor de los Zj Cj se calcula multiplicado el vector fila CxB por el vector apuntador aj de la columna de la variable j-sima, menos el Cj, esto es: Zj Cj = CxB aj Cj ; Los clculos se efectan as:

103

Mtodo Simplex

Cj

_ V.B. b 0 X3 15 0 X4 15 Zj - Cj 0

-->

1 X1 5 3 -1

1 X2 3 5 -1

0 X3 1 0 0

0 b/a X4 a > 0 0 15/5=3 (1/5) 1 15/3=5 0

Variable que entra X1 Variable que sale X3

Recuerde que la columna de b/a se calcula, siempre y cuando el denominador sea a > 0 ; de lo contrario la variable bsica respectiva no restringe el valor de la variable escogida para entrar, los valores de a, estn en el respectivo vector apuntador de la variable j-sima escogida para entrar, en sta iteracin son 5 y 3 y el calculo respectivo 15/ 5 = 3 y 15/3 = 5; Lo que significa que la variable bsica X3 restringe el crecimiento de la variable que entra X1 hasta 3 (no la deja tomar valores superiores a 3) y la variable bsica X4 restringe el crecimiento de la variable que entra X1 hasta 5 (no la deja tomar valores superiores a 5). Por supuesto la variable bsica que restringe ms el crecimiento de la variable que entra X1 es X3 por lo tanto es la variable bsica escogida para salir. La fila de la variable bsica escogida para salir se divide por el elemento que se encuentra en la interseccin de dicha fila con la columna de la variable que entra, la fila resultante es la fila pivote y se coloca en un nuevo tablero, desde el que se suman mltiplos de la fila pivote a las dems filas del tablero anterior de tal forma que se eliminen de cada una de ellas la variable escogida para entrar, en nuestro caso X1 , este procedimiento se denomina, hacer un uno (1) en la interseccin y el resto de la columna ceros (0), por lo tanto en dicha columna aparecer un vector unitario, el procedimiento se repite en cada iteracin, hasta que todos los Zj Cj sean mayores iguales a cero en el caso de maximizar menores iguales a cero en el caso de minimizar. A continuacin se muestran todas las iteraciones y en cada fila los valores por los cuales fueron multiplicadas para ser sumadas a otras filas, ello se expresa como sumar mltiplos de una fila a otra. Fjese que se suman mltiplos de las restricciones a la funcin objetivo para eliminar las variables bsicas de ella.
104

-->

Mtodo Simplex

Variable que entra X2 (-3) Variable que sale X4 (5/16)

Solucin ptima: X1* = 15/8 X2* = 15/8 Z * = 15/4 Conclusiones: La solucin es nica: X1* = 15/8 ; X2* = 15/8 ; Z* = 14/4 El mtodo simplex es ms prctico que el mtodo algebraico

Ejemplo 2: La gran M Minimizar Z = 6X1 + 4X2 + 2X 3 C.S.R. 6X1 + 2X2 + 6X3 > 6 6X1 + 4X2 = 12 2X1 - 2X2 < 2 Xj > 0 ; j = 1, 2, 3 Minimizar Z = 6X1 + 4X2 + 2X3 + MX5 + M6 C.S.R. 6X1 + 2X2 + 6X3 X4 + X5 = 6 6X1 + 4X2 + X6 = 12 2X1 - 2X2 + X7 = 2 Xj > 0 ; j = 1, 2, 3, 4, 5, 6, 7

Las variables bsicas son X5 = 6 , X6 = 12 , X7 = 2 Este ejercicio es el ejemplo 2 del capitulo de mtodo algebraico. Compare los resultados entre los dos mtodos, en cada iteracin.

(1/6)

105

Mtodo Simplex

(-6) (-2) (1/2)

El problema tiene mltiples soluciones, una de ellas es: Variables de decisin: X1* = 0 , X2* = 3 , X3* = 0 , Z* = 12 Variables de holgura : X4* = 0 , X7* = 8 Variables artificiales: X5* = 0 , X6* = 0 Ejemplo 3: El problema del corte Aqu, se muestra el mtodo simplex aplicado al ejemplo 3 del captulo de mtodo algebraico. Minimizar Z = 10X2 + 30X3 + 40X4 + 10X5 + 20X7 C.S.R. = Con las siguientes restricciones: 3X1 + 2X2 + X6 + X7 = 5.000 2X4 + X5 + X6 = 15.000 X2 +3X3 + 2X5 + X6 + 2X7 = 5.000 Xj > 0 ; j = 1,2,3,4,5,6,7 Adicionando las variables artificiales necesarias para obtener una solucin bsica factible, el problema queda expresado de la siguiente forma:

106

Mtodo Simplex

Min Z = 10X2 + 30X3 + 40X4 + 10X5 + 20X7 + MX8 + MX9 + MX10 C.S.R. 3X1 + 2X2 X2 + 3X3 + X6 + X7 + X8 = 5.000 2X4 + X5 + X6 + X9 = 15.000 + 2X5 + X6 + 2X7 + X10 = 5.000

Xj > 0 ; j = 1,2,3,4,5,6,7,8,9,10 Variables bsicas X8 , X9 y X10

(1/3)

-->

(1/2)

-->

(1/2)

-->

(3)

-->

107

Mtodo Simplex

Solucin:
Variables de Decisin: X1* = X2* = X3* = X5* = X7* = 0 ; X4* = X6* = 5.000 Z* = 200.000

Variables Artificiales: X8* = X9* = X10* = 0 Interpretacin: Para que halla un mnimo de desperdicio de 200.000 cm de lmina y cumplir exactamente con los pedidos, hay que cortar 5.000 lminas de la forma 4 y 5.000 lminas de la forma 6 Ejemplo 4: Variables irrestrictas En este ejemplo se muestra como resolver un problema en donde no todas las variables deben cumplir la condicin de no negatividad, dicho de otra manera, con variables irrestrictas. Aqu el secreto consiste en reemplazar cada una de las variables irrestrictas por la diferencia de dos variables que si deban cumplir la condicin de no negatividad. Maximizar Z = 4X1 + 5X2 + 2X3 X4 C.S.R. X1 + X2 + 2X3 X4 > 1 2X1 + 2X2 - 3X3 + X4 < 3 X1 + 4X2 + 3X3 + 2X4 < 5 Xj > 0 ; j = 1, 2, 4 Aqu X3 tiene libertad en el signo, esto es, puede tomar valores positivos negativos. Hacemos X3 = K W , en donde K y W son positivas, K > 0 y W > 0

Fjese que si K > W => X3 ser positiva, si K = W => X3 ser igual a cero (0) y si K < W => X3 ser negativa. Lo que hemos conseguido es convertir un problema que es irrestricto en su variable X3 en uno que es restringido en todas sus variables, el problema queda as: Maximizar Z = 4X1 + 5X2 + 2K 2W X4 C.S.R. X1 + X2 + 2K 2W X4 > 1 2X1 + 2X2 - 3K + 3W + X4 < 3 X1 + 4X2 + 3K 3W + 2X4 < 5 Xj > 0 ; j = 1, 2, 4 ; K > 0 ; W > 0
Fjese que este problema, es uno clsico de programacin lineal. procedemos a resolverlo empleando el mtodo simplex. Adicionamos las variables de holgura y artificiales que sean necesarias para conseguir la solucin bsica factible.

108

Mtodo Simplex

Maximizar Z = 4X1 + 5X2 + 2K 2W X4 MX6 C.S.R. = 1 X1 + X2 + 2K 2W X4 X5 + X6 2X1 + 2X2 - 3K + 3W + X4 X7 = 3 X1 +4X2 + 3K 3W + 2X4 + X8 < 5 Xj > 0 ; j = 1, 2, 4 ; K > 0 ; W > 0

Aqu las variables bsicas son: X6, X7, y X8

(1/2)

(3) (-3) (2)

(-7/2) (-5/2) (-1/7)

(2) (-5) (7/18)

109

Mtodo Simplex

(3) (-2/7) (3/ 7)

(2/3) (-1/2) (7/6)

(3) (7/2)

Aqu todos los Zj Cj son > 0 , entonces estamos en la solucin ptima. La solucin, mostrando las variables clasificadas es:
Variables de decisin Variables de holgura Variables artificiales

X1* = 8/3 X2* = 0 X3* = K* - W* = 7/9 0 = 7/9 X4* = 0 Z * = 110/9 = 12,22

X5* = 29/9 X7* = 0 X8* = 0

X6* = 0

Ejemplo 5: Nmero de variables v.s. Nmero de iteraciones En este ejemplo observaremos que a pesar de que el sistema tiene 4 variables, el nmero de iteraciones es apenas de 2
110

Mtodo Simplex Min Z = 3X1 - 9X2 - 5X3 4X4 C.S.R. X1 + 4X2 + 5X3 + 8X4 < 8 X1 + 2X2 + 6X3 + 4X4 < 4 Xj > 0 ; j = 1, 2, 3, 4 Min Z = 3X1 - 9X2 - 5X3 4X4 C.S.R. X1 + 4X2 + 5X3 + 8X4 + X5 =8 X1 + 2X2 + 6X3 + 4X4 + X6 = 4 Xj > 0 ; j = 1, 2, 3, 4, 5, 6

(1/4)

Solucin: X1* = 0 X2* = 2 X3* = 0 Z * = -18 Ejemplo 6: El problema de los paquetes de tuercas

X5* = 0 X6* = 0 X4* = 0

Solucin al problema nmero 4) El problema de los paquetes de tuercas, del captulo 2, formulacin.
Min Z = 0,1X1 + 0,04X2 +0,06X3 C.S.R. X1 X2 + X3 X1 + X2 0,9X1 0,1X2 0,1X3 -0,1X1 + 0,9X2 0,1X3 -0,1X1 0,1X2 + 0,9X3 X1 + X2 + X3 Xj > 0 ; j = 1, 2, 3 Min Z = 1/10X1 + 1/25X2 + 3/50X3 C.S.R. X1 X2 + X3 > 0 X1 + X2 < 8/5 9/10X1 1/10X2 1/10X3 > 0 -1/10X1 + 9/10X2 1/10X3 > 0 -1/10X1 1/10X2 + 9/10X3 > 0 X1 + X2 + X3 > 2 Xj > 0 ; j = 1, 2, 3

> 0 < 1,6 > 0 > 0 > 0 > 2

Las variables bsicas son: Min Z = 1/10X1 + 1/25X2 + 3/50X3 +MX10 X4 , X5 , X6 , X7 , X8 , X10 C.S.R. - X1 + X2 - X3 + X4 = 0 X1 + X2 + X5 = 8/5 - 9/10X1 + 1/10X2 + 1/10X3 + X6 = 0 1/10X1 - 9/10X2 + 1/10X3 + X7 = 0 1/10X1 + 1/10X2 - 9/10X3 + X8 = 0 X1 + X2 + X3 - X9 + X10 = 2 Xj > 0 ; j = 1, 2, 3 111

Mtodo Simplex

(1)

(-1)(-1/10)(9/10) (-1/10)(-1) (5)

(1)(-1) (4/5)(-2) (1/10)

(5)(-2)(4) (4)(3)

112

Mtodo Simplex Variables de decisin Variables de holgura Variables artificiales

X1* = 1/5 X2* = 1 X3* = 4/5 = 0,8 Z * = 27/250 = 0,108

X4* X5* X6* X7* X8* X9*

= = = = = =

0 2/5 = 0,4 0 4/5 = 0,8 3/5 = 0,6 0

X10* = 0

Conclusin El mtodo simplex es ms prctico que el mtodo algebraico, pero para problemas de un mediano nmero de variables y restricciones, fcilmente se vuelve dispendioso por el nmero de iteraciones y demorado para obtener la solucin ptima, es aqu donde el uso del computador se hace indispensable y til en trminos de eficiencia, para ello existe el software adecuado, los ms conocidos son: Winqsb de Yih-Long Chang, distribuido por John Wiley & Sons. Inc N.Y. Solver de Frontline Systems Inc. , que viene integrado con el Excel de Microsoft. Lindo de Lindo Systems Inc. Que viene integrado con Visicalc. El AD, Ayuda a la decisin de la Universidad Cienfuegos de Cuba.

Se sugiere consultar las siguientes pginas en Internet: www.cui.edu.co/industrial/SOF01.html http://members/tripod.com/~operativa www.lindo.com De estos lugares se puede bajar software gratuito en demostracin, manuales y adems se dispone de interesantes enlaces. El Winqsb es un software muy completo para resolver problemas de Mtodos Cuantitativos, tiene los siguientes mdulos: 1) 2) 3) 4) 5) 6) Anlisis de aceptacin. Planeacin agregada. Anlisis de decisin. Programacin dinmica. Localizacin y distribucin. Series de tiempo. 11) Procesos de Markov. 12)Planeacin del requerimiento de materiales. 13)Modelos de redes. 14)Programacin no lineal. 15)PERT CPM
113

Mtodo Simplex

7) Programacin meta. 8) Sistemas y teora de inventarios. 9) Programacin del trabajo. 10)Programacin lineal y entera.

16)Programacin cuadrtica. 17)Grficas de control de calidad. 18)Anlisis de colas. 19) Sistemas de simulacin de colas.

A continuacin se presentan las principales ventanas del mdulo de programacin lineal y entera.

Fjese que hay que darle un nombre al problema, los datos de entrada se pueden almacenar en un archivo que tendr el nombre del problema, esto es til cuando el problema es grande. El resto de la ventana se explica por si sola, debido a la claridad de las preguntas. Fjese en la variedad en el tipo de variables. A continuacin se muestra un ejemplo de cmo se introducen los datos de un pequeo problema.

114

Mtodo Simplex

Fjese que se puede cambiar el tipo de variable, de forma individual, al igual que el sentido de la desigualdad cambiarla por una igualdad. El software resuelve problemas de dos variables por el mtodo grfico, resuelve el problema mostrando todos los tableros (paso a paso) muestra la solucin de inmediato; Tambin efecta anlisis de sensibilidad, hace grficas y trabaja con el problema de la dualidad. La solucin final se muestra a continuacin:

El precio sombra es lo que se incrementa la funcin objetivo por unidad adicional de recurso, aqu si el recurso de la restriccin uno, que es 180 unidades, se incrementara a 181 unidades, la funcin objetivo crece en 16 unidades monetarias. Problemas propuestos 1. Suponga que una persona acaba de heredar $6.000 y desea invertirlos. Al or sta noticia, dos amigos distintos le ofrecen la oportunidad de participar como socio en dos negocios, cada negocio planteado por cada amigo. En ambos casos, la inversin significa dedicar un poco de tiempo el siguiente verano, al igual que invertir
115

Mtodo Simplex

efectivo. Con el primer amigo, al convertirse en socio completo, tendra que invertir $5.000 y 400 horas, y la ganancia estimada (ignorando el valor del tiempo) sera de $4.500. Las cifras correspondientes a la proposicin del segundo amigo son $4.000 y 500 horas, con una ganancia estimada de $4.500. Sin embargo, ambos amigos son flexibles y le permitiran entrar en el negocio con cualquier fraccin de la sociedad; la participacin en las utilidades sera proporcional a esa fraccin. Como de todas maneras, sta persona est buscando un trabajo interesante para el verano (600 horas a lo sumo), ha decidido participar en una ambas propuestas, con la combinacin que maximice la ganancia total estimada. Formule y resuelva el problema. Solucin: X1* = 1 ; X2* = 0 ; Z* = $4.500

2. Una compaa manufacturera descontinu la produccin de cierta lnea de productos no redituable. Esto cre un exceso considerable en la capacidad de produccin. La gerencia quiere dedicar sta capacidad a uno o ms de tres productos; llmense productos 1, 2 y 3. En la siguiente tabla se resume la capacidad disponible de cada mquina que puede limitar la produccin:

El nmero de horas-mquina que se requiere para cada producto es:

116

Mtodo Simplex

El departamento de ventas ha indicado que las ventas potenciales para los productos 1 y 2 exceden la tasa mxima de produccin y que las ventas potenciales del producto 3 son a20 unidades por semana. La ganancia unitaria sera $50, $20 y $25, respectivamente, para los productos 1, 2 y3 . El objetivo es determinar cuntos productos de cada tipo debe producir la compaa para maximizar la ganancia. Solucin: X1*=26,1905 unidades del producto 1 X2*=54,7619 unidades del producto 2 X3*=20 unidades del producto 3 Mxima ganancia Z* = $2.904,762

Contribucin del producto 1 a la ganancia: $1.309,5240 Contribucin del producto 2 a la ganancia: $1.095,2380 Contribucin del producto 3 a la ganancia: $500 La fresadora ser usada todo el tiempo disponible; 500 horas El torno ser usado todo el tiempo disponible; 350 horas La rectificadora ser usada 118,5714 horas y quedar ociosa durante 31,4286 horas Toda la demanda potencial del producto 3 ser fabricada. Por cada hora adicional de la fresadora, la ganancia aumentar en $4,7619 Por cada hora adicional de torno, la ganancia aumentar en $1,4286 El aumento de 1 hora adicional en la rectificadora no aumentar la ganancia. Por cada unidad potencial de demanda del producto 3, la ganancia aumentar en $1,1905 para mantener la solucin ptima actual, el beneficio por unidad de cada producto, debe estar entre: 25 < Ganancia por unidad del producto 1 < 51,25 19 < Ganancia por unidad del producto 2 < 40 25,8095 < Ganancia por unidad del producto 3 < infinito

3. Se ha concedido permiso a una empresa de turismo para realizar vuelos entre Ibagu y las islas de San Andrs e interinsulares. para ello, debe comprar turborreactores con los que cubrir los vuelos entre Ibagu y las islas, as como aviones de hlice y/o helicpteros con los que atender los vuelos interinsulares. El presupuesto de compra es de 2.800 millones de pesos. Las caractersticas de los aparatos que puede comprar se resumen en la tabla.
117

Mtodo Simplex

Se pueden contratar hasta 20 pilotos y 16 azafatas. Se desea emplear al menos a 3 copilotos. El trfico entre Ibagu y San Andrs se estima en 8.000 pasajeros por mes y el interinsular en 500 pasajeros por mes. El permiso concedido requiere que el nmero mnimo de aparatos sea 15. La compaa desea operar con costo de mantenimiento mnimo. a) Formule un problema de programacin lineal que proporcione al plan ptimo de compra. b) Resolverlo e interpretar la solucin. Solucin: Se deben comprar 2 turborreactores, 3 aviones de hlice y 10 helicpteros, siendo el costo de mantenimiento diario mnimo $720.000 4. Un empresario pretende fabricar dos tipos de congeladores denominados A y B. Cada uno de ellos debe pasar por tres operaciones antes de su comercializacin: Ensamblaje, pintado y control de calidad. Los congeladores requieren, respectivamente, 2,5 y 3 horas de ensamblaje, 3 y 6 Kg. De esmalte para su pintado y 14 y 10 horas de control de calidad. Los costos totales de fabricacin por unidad son, respectivamente, 30 y 28, y los precios de venta 52 y 48, todos ellos en miles de pesos. El empresario dispone semanalmente de 4.500 horas para ensamblaje, de 8.400 Kg. De esmalte y 20.000 horas para control de calidad. Los estudios de mercado muestran que la demanda semanal de congeladores no supera las 1.700 unidades y que, en particular, la de tipo A es de, al menos, 600 unidades. Se desea: a) Formular un modelo de programacin lineal que indique cuntos congeladores deben fabricarse de cada tipo para que el beneficio sea mximo, teniendo en cuenta el estudio de demanda. b) Resolverlo mediante el mtodo simplex. Interpretar la solucin ptima incluyendo las variables de holgura.
118

Mtodo Simplex

c) Determinar los precios sombra de las horas de ensamblaje y control de calidad. Al fabricante le ofrecen disponer de 200 horas ms para ensamblaje con un costo adicional total de $750.000 pesos. Debera aceptar la oferta? Solucin: Debe producir 882 congeladores tipo A y 764 congeladores tipo B con un beneficio ptimo de $34684.000 En el departamento de ensamblaje sobran 3 horas, no se consumirn 295,6 Kg. De esmalte, sobrarn 12 horas de control de calidad, se dejarn de producir 54 congeladores, se fabricarn 282 congeladores tipo A por encima del lmite de 600 Por cada hora de ensamble adicional (dentro del intervalo 4.268,5 ; 4.725) el beneficio aumentar en $3.530 5. En un laboratorio se fabrican 4 productos P1, P2, P3, P4 que consumen un da por unidad en su proceso completo de produccin, aunque se pueden producir varias unidades simultneamente. El espacio (m2) en el almacn y la mano de obra (nmero de trabajadores) disponibles limitan la produccin. La siguiente tabla contiene los datos relevantes del proceso de produccin, as como los costos de fabricacin y precios de venta (en miles de pesos).

a) Encontrar el plan de produccin de beneficio mximo b) Interpretar los valores de los precios sombra c) Cul es el rango de los recursos del programa construido para el que se mantiene la optimalidad de tales valores? d) La firma podra alquilar 150 m2 ms de superficie de almacn a un costo de $70.000 por da. Debera alquilar ste espacio? Si es as, Cul es el nuevo plan de produccin?

119

Mtodo Simplex

Solucin: De producto 1 debe producir 10 unidades y de producto 4, 20 unidades; de los productos 2 y 3 no debe producir. Por cada m2 adicional de bodega el beneficio aumenta en $680 Por cada trabajador adicional el beneficio aumenta en $1.600

120

Captulo 6 Mtodo de las dos fases

Cmo evitar usar la gran M

Introduccin Como en el computador se usa la gran M, Un nmero muy grande, existe un efecto de error en los clculos, ya que la gran M tiende a infinito, para evitar usar la gran M, se diseo el Mtodo de las dos fases. Fase I Minimizar la sumatoria de las variables de Super-Avit Artificiales, usadas en el problema. Si Z = 0 , proceder con la fase II Si Z es diferente de cero, el problema no tiene solucin Fase II Use la solucin de la fase I como solucin inicial factible de la fase II, teniendo en cuenta que todas las variables de Super-Avit Artificiales son iguales a cero.

121

Mtodo de las dos fases

Ejemplo
Min Z = 4X1 + X2 C.S.R. 3X1 + X2 = 3 4X1 + 3X2 > 6 X1 + 2X2 < 4 XJ > 0 ; J = 1,2 Min Z = 4X1 + X2 + MX3 + MX5 C.S.R. 3X1 + X2 + X3 =3 4X1 + 3X2 X4 + X5 =6 X1 + 2X2 + X6 = 4 XJ > 0 ; J = 1,2,3,4,5,6

Fase I Min Z = X3 + X5 C.S.R. 3X1 + X2 + X3 =3 4X1 + 3X2 X4 + X5 =6 X1 + 2X2 + X6 = 4 XJ > 0 ; J = 1,2,3,4,5,6

Fjese Que en la fase I , siempre ser Minimizar la suma de todas las variables Artificiales que tenga el problema. A continuacin procedemos a solucionar el problema planteado, usando el mtodo simplex, ya sea manualmente mediante el software Winqsb. De forma manual, los resultados son los siguientes:

(1/3)

(-4)(-1) (3/5)

(-1/3)(-5/3)

Fjese que aqu Z* = 0 Fase II Con la solucin ptima de la fase I, planteamos el siguiente problema:
122

Mtodo de las dos fases Min Z = 4X1 + X2 C.S.R. X1 + 3/5X3 + 1/5X4 1/5X5 = 3/5 X2 4/5X3 3/5X4 + 3/5X5 = 6/5 X3 + X4 X5 +X6 = 1 XJ > 0 ; J = 1,2,3,4,5,6 En la fase I, establecimos que X3 = X5 = 0 Luego las eliminamos de las restricciones Min Z = 4X1 + X2 C.S.R. X1 + 1/5X4 = 3/5 X2 3/5X4 = 6/5 + X4 +X6 = 1 XJ > 0 ; J = 1,2,4,6

Fjese que el nuevo problema no tiene la gran M, ya que han dejado de figurar las variables Artificiales, en atencin a que ya sabemos que efectivamente son iguales a cero. La solucin al nuevo problema se halla mediante el mtodo simplex. As:

(1)

(3/5)

(-1/5)(3/5)

Solucin X1* = 2/5 X2* = 9/5 Z * = 17/5 X4* = 1 X6* = 0 X3* = X5* = 0

Nota: El lector debe resolver el ejemplo, empleando el mtodo simplex con la gran M y comparar los tableros con los del mtodo de las dos fases, para observar que el mtodo de las dos fases, lo que hace es evitar los tableros en donde figura la gran M. Ejercicios propuestos Resolver empleando el mtodo de las dos fases, todos los ejercicios resueltos y propuestos de los captulos 4 y 5 que usen la gran M.
123

124

Captulo 7 El problema Dual y el Mtodo Dual Simplex

Introduccin En el desarrollo de la programacin Lineal, se descubri la existencia de un problema que se encuentra estrechamente relacionado con un problema de Programacin Lineal dado: Dicho problema se denomin PROBLEMA DUAL. Cada problema dado (Problema principal, Problema primo, Problema primero), de programacin lineal, se encuentra en dualidad con otro problema que tiene las siguientes muy interesantes caractersticas: 1. En problemas de un gran nmero de restricciones, resolver el problema dual en la computadora es ms eficiente que resolver el problema principal. 2. En algunas ocasiones resulta ms sencilla la resolucin del problema dual que la del problema principal, en trminos de menor nmero de iteraciones. 3. Los valores ptimos de las variables del dual, proporcionan una interpretacin econmica del problema principal, interesante. 4. Algunas veces se puede evitar el uso de las variables artificiales (Super-Avit), mediante la aplicacin del mtodo de solucin denominado Dual Simplex, sobre el problema dual. 5. Facilita el estudio del impacto sobre la optimalidad por cambios en el problema original.
125

El problema Dual y el Mtodo Dual Simplex

El presente captulo tiene como objetivo principal, formular el problema dual y mostrar el mtodo de solucin para el problema dual, denominado Mtodo Dual-Simplex, para problemas de maximizacin, ya que, por medio de la regla de equivalencia (Min(z) = Max(-z))Toda formulacin de un problema de programacin lineal se puede expresar de la forma estndar: Maximice (z), con todas las restricciones < Si tenemos un problema de programacin lineal as:

Existe otro problema, el Dual, que se expresa as:

Problema Principal En donde Problema Principal

Problema Dual

Problema Dual

El siguiente ejemplo numrico ilustra lo anterior: Problema Principal

Max Z = 4X1 + 3X2 C.S.R. X1 + 2X2 < 7

Problema Dual
Min Z = 7Y1 + 15Y2 C.S.R. Y1 + 3Y2 > 4

Xj > 0 ; j = 1,2

3X1 + 2X2 < 15

Yj > 0 ; j = 1,2

2Y1 + 2Y2 > 3

Fjese que cada restriccin del problema principal est representada por una variable en el dual.
126

El problema Dual y el Mtodo Dual Simplex

Otro ejemplo numrico es el siguiente: Problema Principal Max ZX = 3X1 2X2 c.s.r. < 4 (Y1) X1 X2 < 6 (Y2) (Y3) X1 + X2 < 5 - X2 < -1 (Y4) Xj > 0 ; J = 1, 2 El problema principal tiene cuatro (4) restricciones, entonces el dual tendr cuatro (4) variables. Cada uno de los recursos del problema principal estar representado por una variable en el problema dual. Entre el problema principal y el problema dual existen las siguientes relaciones: 1. El dual del dual, tiene como resultado el problema principal. 2. Una restriccin que es una igualdad en el problema principal, genera una variable en el dual sin restriccin en el signo 3. Una variable del problema principal, sin restriccin en el signo, genera una restriccin de igualdad en el problema dual. 4. El nmero de restricciones del problema principal es igual al nmero de variables en el problema dual. 5. El nmero de variables del problema principal es igual al nmero de restricciones en el problema dual. EL MTODO DUAL SIMPLEX Una vez formulado el problema dual, debemos encontrar su solucin, el mtodo a emplear ser el denominado Mtodo Dual-Simplex el cul empieza con una solucin ptima o mejor que ptima (Zj Cj > 0 ; j ), pero no factible (Algunos bi son < 0), y se mueve hacia el ptimo mediante iteraciones que mejoran su factibilidad conservando su optimalidad. Fjese que es lo contrario al mtodo Simplex, en donde se empieza mediante una solucin factible pero no ptima y mediante iteraciones se mejora la optimalidad, conservando la factibilidad. Esto se ilustra mediante la siguiente grfica:
127

Problema Dual Min ZY = 4Y1 + 6Y2 + 5Y3 - Y4 c.s.r. + Y3 > 3 Y1 Y2 + Y3 - Y4 > -2 YJ > 0 ; J = 1, 2, 3, 4

El problema Dual y el Mtodo Dual Simplex

Mtodo Simplex Solucin Factible Pero NO ptima

Solucin Optima y Factible

Mtodo Dual Simplex Solucin NO Factible Pero ptima

Mtodo Simplex Mejora la Optimalidad Conservando la Factibilidad

Mtodo Dual Simplex Mejora la Factibilidad Conservando la Optimalidad

ALGORITMO PARA MAXIMIZAR EN EL MTODO DUAL SIMPLEX Se requiere que el problema est expresado en trminos de Maximizar la Funcin objetivo y todas sus restricciones con mayor igual ( > ) Variable que sale de la Base: Aquella que tenga el valor menos factible sea la ms negativa, matemticamente: XB,r = Mnimo i XB,i ; XB,i < 0 implica que la solucin es NO factible. Variable que entra a la Base: Aquella variable que tenga el valor menos negativo en su expresin: ( Zj - Cj ) / ar,j , matemticamente: (ZK - CK ) / ar,k = Mximo j (Zj - Cj ) / ar,j ; Siendo ar,j < 0 . El siguiente ejemplo ilustra un paralelo entre el Mtodo Simplex y el Mtodo Dual Simplex en donde se resalta para cada iteracin, la relacin entre los dos (2) Mtodos. Hallar la solucin ptima al problema siguiente: Problema Principal Max Z(x) = 3X1 + 5X2 c.s.r. X1 < 4 X2 < 6 3X1 + 2X2 < 18 XJ > 0 ; J = 1,2 Problema Dual Min Z(y) = 4Y1 + 6Y2 + 18Y3 c.s.r. Y1 + 3Y3 > 3 Y2 + 2Y3 > 5 YJ > 0 ; J = 1,2,3

Max Z(x) = 3X1 + 5X2 Max Z(y) = - 4Y1 - 6Y2 - 18Y3 c.s.r. c.s.r. X1 + X3 = 4 - Y1 - 3Y3 + Y4 =-3 X2 + X4 = 6 - Y2 - 2Y3 + Y5 = - 5 3X1 + 2X2 + X5 = 18 YJ > 0 ; J = 1,2,3,4,5 XJ > 0 ; J = 1,2,3,4,5
128

El problema Dual y el Mtodo Dual Simplex

Problema Principal

Problema Dual

X1 = 0 X2 = 0 X3 = 4

X4 = 6 X5 = 18 ZX = 0

Y1 = 0 Y2 = 0 Y3 = 0

Y4 = -3 Y5 = -5 ZY = 0

Y1 = 0 Y2 = 0 Y3 = 0

Y4 = -3 Y5 = -5 ZY = 0

X1 = 0 X2 = 0 X3 = 4

X4 = 6 X5 = 18 ZX = 0

X1 = 0 X2 = 6 X3 = 4

X4 = 0 X5 = 6 ZX = 30

Y1 = 0 Y2 = 5 Y3 = 0

Y4 = - 3 Y5 = 0 ZY = 30

Y1 = 0 Y2 = 5 Y3 = 0

Y4 = - 3 Y5 = 0 ZY = 30

X1 = 0 X2 = 6 X3 = 4

X4 = 0 X5 = 6 ZX = 30

X1 = 2 X2 = 6 X3 = 2

X4 = 0 X5 = 0 ZX = 36

Y1 = 0 Y2 = 3 Y3 = 1

Y4 = 0 Y5 = 0 ZY = 36

Y1 = 0 Y2 = 3 Y3 = 1

Y4 = 0 Y5 = 0 ZY = 36

X1 = 2 X2 = 6 X3 = 2

X4 = 0 X5 = 0 ZX = 36

129

El problema Dual y el Mtodo Dual Simplex

Observe que en el Dual Simplex se hizo uso de la regla de equivalencia, multiplicando la funcin objetiva por (-1), y al final, nuevamente se multiplic el valor de Z por (-1). En cada iteracin del Mtodo Simplex se muestra que: 1. Los Zj Cj de las variables de holgura X3,X4,X5 (Z3-C3 , Z4-C4 , Z5C5) son los valores de las variables reales del Dual (Y1,Y2,Y3) 2. Los Zj Cj de las variables reales X1,X2 (Z1-C1 , Z2-C2) son los valores de las variables de holgura del Dual (Y4,Y5) En cada iteracin del Mtodo Dual Simplex se muestra que: 1. Los Zj Cj de las variables de holgura Y4,Y5 (Z4-C4 , Z5-C5) son los valores de las variables reales del problema principal (X1,X2) 2. Los Zj Cj de las variables reales Y1,Y2 ,Y3 (Z1-C1 , Z2-C2 , Z3-C3) son los valores de las variables de holgura del problema principal (X 3,X 4,X 5) En el siguiente captulo, denominado ANLISIS POST-PTIMO Y SENSIBILIDAD, el Mtodo Dual Simplex es herramienta fundamental para lograr la informacin necesaria que permita hacer el anlisis posterior, despus de haber encontrado la solucin ptima. Ejercicios propuestos 1. Una fbrica hace tres productos: Mesas, sillas y libreros, que se procesan a travz de los departamentos de ensamble, acabados y empaque. El departamento de ensamble tiene 60 horas disponibles; El departamento de acabados puede manejar hasta 40 horas de trabajo y el departamento de empaque hasta 80 horas. La fabricacin de una mesa requiere 3 horas de ensamble, 2 horas en el departamento de acabados y 1 hora en el departamento de empaque. La fabricacin de una silla requiere 4 horas en el departamento de ensamble, 1 hora en el departamento de acabados y 3 horas en el departamento de empaque. La fabricacin de un librero requiere 2 horas en cada uno de los tres departamentos. Si la utilidad es de $2 por mesa producida y vendida, $4 por silla producida y vendida y $3 por librero producido y vendido, cul es la mejor combinacin posible de mesas, sillas y libreros a producir y vender para obtener la mxima utilidad?

130

El problema Dual y el Mtodo Dual Simplex

a) Formule el problema como uno de programacin lineal y resuelvalo empleando el mtodo simplex. Lea la solucin al problema dual en el tablero ptimo del simplex. b) Formule el problema dual y resuelvalo empleando el mtodo dual simplex. Lea la solucin al problema principal en el tablero ptimo del simplex dual. 2. Un fabricante de telas en Ibagu se puso en contacto con los estudiantes de Investigacin de Operaciones de Coruniversitaria en busca de ayuda en una situacin donde picos estacionales en la demanda excedan la capacidad de produccin corriente. El fabricante sabe que para satisfacer la demanda estacional, tiene que programar la produccin anticipadamente y despus almacenarla. Adems tiene la opcin, tanto de tiempo normal como de tiempo extra, con un costo de mano de obra ms alto para el tiempo extra. En la tabla siguiente se muestra la demanda pronosticada (En horas de la planta) y la capacidad disponible (En horas de la planta) tanto para la temporada de demanda alta (Los ltimos 6 meses del ao) y la temporada baja (Los primeros 6 meses del ao).

Tomando en cuenta el costo por hora de mano de obra para produccin en tiempo normal o tiempo extra y el costo de almacenar una hora de produccin por longitudes variables de tiempo, los contadores de costos de la compaa llegaron a la cifra de costos aplicables siguientes:

131

El problema Dual y el Mtodo Dual Simplex

Formule el problema como uno de programacin lineal y resuelvalo empleando el mtodo simplex. Lea la solucin al problema dual en el tablero ptimo del simplex. Sugerencia: Defina la variable como la cantidad de unidades de producto a producir en el trimestre i-simo en el tipo de tiempo j-simo para ser vendida en el el trimestre k-simo. Solucin: Costo Mnimo: $1.185

3. En una compaa que fabrica hilos se tiene el problema tpico llamado balance del telar, que se origina en dos operaciones primarias: El cardado, que es el proceso que hace que las fibras de algodn queden arregladas en la misma direccin y el hilado que convierte una grea suelta de algodn en un hilo fuerte al jalar y doblar simultaneamente en un huso. Cuando la fbrica produce hilos gruesos el proceso de cardado no puede dar abasto a la hilatura, cada huso produce tantas yardas de hilo por hora que la operacin de cardado simplemente se atrasa, debido a la limitacin de produccin de la seccin de cardado. De forma contraria, cuando la fbrica produce hilos finos, la cantidad de hilo producida por hora por huso es tan pequea, que la operacin de cardado puede abastecer suficiente algodn para hilar en slo dos horas al da y como consecuencia las mquinas se paran una buena parte del da. La situacin desde el punto de vista de los trabajadores, produce horarios irregulares de trabajo y desde el punto de vista de la gerencia la incapacidad de determinar que clase de hilos producir para maximizar la contribucin a la utilidad. La fbrica produce y vende seis tipos de hilo, de diferente grosor (Llamado nmeros); Cada uno de stos hilos tiene su propia contribucin a las utilidades y se produce una cantidad diferente de hilo por hora por huso.
132

El problema Dual y el Mtodo Dual Simplex

Para resolver el problema se reuni la siguiente informacin. La capacidad mxima de la seccin de cardado en libras de algodn por hora, las libras por hora que los seis diferentes nmeros de hilo de algodn produciran en un huso, La contribucin ganada por cada uno de los seis nmeros de hilos y el nmero de husos que la compaa tiene en operacin en sus mquinas de hilado.

Capacidad mxima de la seccin de cardado: 20.000 Libras/ Turno de 8 horas Husos actuales en operacin: 15.000 Formule el problema como uno de programacin lineal y resuelvalo empleando el mtodo simplex. Lea la solucin al problema dual en el tablero ptimo del simplex. Sugerencia: Defina la variable como la cantidad de libras a producir por tipo de hilo j-esimo, siendo j = 1,2,3,4,5,6

133

134

Captulo 8 Anlisis Post-ptimo y Sensibilidad

Cambio Cambio Cambio Cambio Cambio Adicin Adicin en en en en en de de Cj cuando Xj* es no bsica Cj cuando Xj* es bsica bi ai,j cuando Xj* es no bsica ai,j cuando Xj* es bsica una restriccin una variable

Introduccin En todo modelo cuantitativo los distinto coeficientes pueden estar sujetos a cambios, fluctuaciones o errores. Por ello, su conocimiento no siempre es preciso y pueden cambiar en muchas ocasiones. Un uso tpico es el caso en el que hemos obtenido la solucin ptima y deseamos encontrar la nueva solucin ptima cuando hayan cambiado, por ejemplo, las disponibilidades de los recursos (bi), los precios costos unitarios por unidad (Cj), cambio en los coeficientes tecnolgicos (ai,j), incorporacin de una nueva variable (Nuevo producto Xj) y adicin de una nueva restriccin. Necesario para el tomador de decisiones conocer en que rango se puede mover los distintos coeficientes mencionados, mantenindose la presente solucin ptima; ello le da una ventaja competitiva frente a otro tomador de decisiones, de incalculable valor en dependencia con la situacin problema particular. En ste captulo se consideran siete (7) posibles cambios en las condiciones iniciales del problema original, uno a la vez, con su respectivo anlisis de sensibilidad, presentando los argumentos para cada caso y una metodologa prctica y rpida en su aplicacin; para ello se usa el siguiente ejemplo, al que inicialmente encontramos la solucin ptima mediante el mtodo simplex, colocando al frente de cada tablero su respectivo sistema de ecuaciones del mtodo algebraico.

135

Anlisis Post-ptimo y Sensibilidad

Problema Principal Maximizar Z = 3X1 + 5X2 c.s.r. X1 < 4 3X1 + 2X2 < 18 XJ > 0 ; J = 1,2

Adicin de variables de Holgura Maximizar Z = 3X1 + 5X2 c.s.r. + X3 = 4 X1 3X1 + 2X2 + X4 = 18 XJ > 0 ; J = 1,2,3,4 = 0 (0) ZX 3X1 5X2 (1) X1 + X3 = 4 + X4 = 18 (2) 3X1 + 2X2 X1 = 0 X2 = 0 X3 = 4 X4 = 18 ZX = 0

+ 5/2X4 = 45 (0) ZX + 9/2X1 (1) X1 + X3 = 4 (2) 3/2X1 + X2 + 1/2X4 = 9 X1 = 0 X2 = 9 Solucin ptima y factible: Problema Principal X1* = 0 X2* = 9 X3* = 4 X4* = 0 ZX* = 45 Y1* = 0 Y2* = 5/2 Y3* = 9/2 Problema Dual Y4* = 0 ZY* = 45 X3 = 4 X4 = 0 ZX = 45

Sobre la presente solucin ptima, consideraremos los siguientes cambios, uno a la vez para cada caso, con su respectivo anlisis de sensibilidad y metodologa abreviada. 1. 2. 3. 4.
136

Cambio Cambio Cambio Cambio

en en en en

Cj cuando Xj* es no bsica Cj cuando Xj* es bsica bi ai,j cuando Xj* es no bsica

Anlisis Post-ptimo y Sensibilidad

5. Cambio en ai,j cuando Xj* es bsica 6. Adicin de una restriccin 7. Adicin de una variable Los casos 1 y 2 se generalizarn bajo una metodologa nica que haga fcil su aplicacin, al igual que en los casos 4 y 5 en los que adicionalmente se mostrar su relacin con el concepto de productividad, tema importante del estudio del trabajo. En el caso 3 se encontrar el significado de los valores de las variables del Dual, denominado EL PRECIO SOMBRA y el COSTO REDUCIDO, valores stos importantes para el anlisis econmico y la toma de decisiones. 1.CAMBIO EN CJ CUANDO XJ* ES NO BSICA Aqu se propone que la funcin objetivo original sea cambiada de la siguiente manera: ZX = 6X1 + 5X2 ; Se ha modificado el valor de ZX = 3X1 + 5X2 C1 = 3 por C1 = 6 ; Siendo C1 el coeficiente de X1 variable que en el ptimo es NO-Bsica ste cambio tiene un efecto sobre el valor de Z1* - C1 en el ptimo actual, que tiene un valor de 9/2, valor que ahora podr tener las siguientes opciones: Si el nuevo valor de Z1* - C1 > 0 ; Entonces la solucin ptima se mantiene igual en el problema principal y en el dual solo cambia el valor de la variable de holgura Y3* Si el nuevo valor de Z1* - C1 = 0 ; Entonces la solucin ptima se mantiene igual en el problema principal pero de soluciones mltiples y en el dual solo cambia el valor de la variable de holgura Y3* cuyo valor ser cero (0) Si el nuevo valor de Z1* - C1 < 0 ; La solucin deja de ser ptima haciendo necesario el empleo del mtodo simplex, escogiendo X1 como la variable que entra a la base El problema aqu, es encontrar el nuevo valor de Z1* - C1 , que en trminos generales se deduce as:
137

Anlisis Post-ptimo y Sensibilidad

ZJ* - CJ = ZJ* - CJ + CJ CJ = (ZJ* - CJ) (CJ CJ) ; Quedando en definitiva que el nuevo valor es igual a: El valor actual de (Z1 C1) restndole la diferencia entre el nuevo valor y el actual valor de C1, as: (Z1 C1) = 9/2 (6-3) = 3/2 ; valor ste mayor que cero, por lo tanto la solucin actual sigue siendo ptima y se mantiene para todos los valores de Xj* y de Zx* cambiando solo el valor de la variable del dual Y3* que ahora toma el valor de 3/2 Una manera abreviada de efectuar ste procedimiento, consiste en realizar los cambios directamente sobre el tablero simplex de la solucin ptima y recalcular el valor de Z1 C1 que nos indicar si la solucin presente conserva su optimalidad por el contrario la pierde, quedando en ste caso el tablero listo para efectuar la iteracin siguiente. X =0 Y* = 0 X2 = 9 X3 = 4 X4 = 0 ZX = 45
1

Y2* = 5/2 Y3* = 3/2 Lo nico que cambi Y4* = 0 ZY* = 45

Anlisis de sensibilidad Ahora la pregunta es: Entre que valores puede variar C1 , de tal forma que el tablero simplex ptimo actual se mantenga ptimo y factible ? Para contestar sta pregunta, basta con plantear la ecuacin que recalcula el valor de (Z1 C1) , colocando en el tablero ptimo como valor para C1, un valor cualquiera que cumpla con la condicin de que su Z1 C1 debe ser > 0 para mantener la respuesta actual ptima y factible (5)(3/2) + (0)(1) C1 > 0 Entonces C1 < 15/2 para mantener la solucin actual ptima y factible; el valor de C1 debe estarcomprendido entre el rango: - < C1 < 15/2

138

Anlisis Post-ptimo y Sensibilidad

Si Cj es el precio unitario de venta del artculo uno (1), entonces su precio de venta puede estar entre cero (0) y $7,50 sin alterar la solucin ptima actual, fjese que en la solucin actual X1* = 0 o sea no se producen ni venden unidades del producto uno (1) Tan pronto C1 tome un valor mayor de $7,50 , la solucin actual no se mantendr y habr que efectuar nuevas iteraciones empleando el mtodo simplex para encontrar la nueva solucin ptima, un ejemplo de ello es el caso de C1 = 8 , para el que Z1 C1 valdr: (Z1 C1 ) = (5)(3/2) + (0)(1) 8 = - 1/2 = - 0,5 La consecucin de la nueva solucin ptima para cuando C1 = 8 , se deja al lector, quien debe efectuar la iteracin sobre el tablero ptimo, escogiendo como variable que entra a X1 2.CAMBIO EN CJ CUANDO XJ* ES BSICA Para ste caso se propone que la funcin objetivo sea cambiada de la siguiente manera: ZX = 3X1 + X2 ; Se ha modificado el valor de C2 ZX = 3X1 + 5X2 = 5 por C2 = 1 ; Siendo C2 el coeficiente de X2 , variable que en el ptimo es variable Bsica. Aqu el nuevo valor de Zj* - Cj es: ZJ* - CJ = ZJ* - CJ + CJ CJ = (ZJ* - CJ) (CJ CJ) ; Como el (ZJ* - CJ) pertenece a una variable bsica, su valor siempre ser igual a cero (0), quedando la expresin simplificada a: ZJ* - CJ = - (CJ CJ) ; Quedando en definitiva que el nuevo valor es igual a menos la diferencia entre el nuevo valor y el actual valor de Cj, as: Z2* - C2 = - (1 5) = 4 ; Esto implica que en la ecuacin (0) del mtodo algebraico aparecer la variable bsica X2 con el coeficiente 4, evento que obliga a modificar el sistema de ecuaciones, eliminando a X2 de la ecuacin (0) ya que en ella solo puede figurar como variable bsica Z. El sistema de ecuaciones queda as:

139

Anlisis Post-ptimo y Sensibilidad

(0) ZX + 9/2X1 + 4X2 + X3 (1) X1 (2) 3/2X1 + X2

+ 5/2X4 = 45 = 4 + 1/2X4 = 9

Multiplicando la ecuacin (2) por (- 4) y sumndole la ecuacin (0), eliminamos a X2 de la funcin objetivo, quedando el sistema as: Observe que el coeficiente de X1 es negativo, lo que indica que la solucin no es ptima y que hay que iterar empleando el mtodo simplex.

(0) ZX 3/2X1 (1) X1 + X3 (2) 3/2X1 + X2

+ 1/2X4 = 9 = 4 + 1/2X4 = 9

(-3/2)

Nueva solucin ptima: X4* = 0 X1* = 4 X2* = 3 ZX* = 15 X3* = 0

Y1* = 3/2 Y2* = 1/2 Y3* = 0

Y4* = 0 ZY* = 15

Una manera abreviada de efectuar ste procedimiento, consiste en realizar los cambios directamente sobre el tablero simplex de la solucin ptima y recalcular todos los valores de los Zj Cj que nos indicar si la solucin presente conserva su optimalidad por el contrario la pierde, quedando en ste caso el tablero listo para efectuar la iteracin siguiente, si ello es necesario.
Z = (1)(9) + (0)(4) = 9 Z1 C1 = (1)(3/2) + (0)(1) 3 = Z2 C2 = (1)(1) + (0)(0) 1 = Z3 C3 = (1)(0) + (0)(1) 0 = Z4 C4 = (1)(1/2) + (0)(0) 0 =

3/2 0 0 1/2

Fjese que aqu, el tablero simplex ha quedado automticamente listo para iterar, ya que se observa en l, que su solucin es factible ( bi > 0 ) pero no ptima, en atencin a que el valor de (Z1 C1 ) < 0 sea 3/2
140

Anlisis Post-ptimo y Sensibilidad

; Los valores del tablero simplex para la siguiente iteracin son los mismos que se hallaron anteriormente. Anlisis de sensibilidad Ahora la pregunta es: Entre que valores puede cambiar C2 , de tal forma que se mantenga la solucin actual ptima y factible. Para contestar sta pregunta, basta con plantear las ecuacin que recalcula el valor de (Zj Cj) de cada una de las variables no bsicas, colocando en el tablero ptimo como valor para C2, un valor cualquiera que cumpla con la condicin de que su Zj Cj debe ser > 0 para mantener la respuesta actual ptima y factible.
(3/2) C2 + (0)(1) 3 > 0 para Z1 C1 C2 > 2 (1/2) C2 + (0)(0) 0 > 0 para Z4 C4 C2 > 0

Para mantener la solucin actual ptima; el valor de C2 debe estar comprendido dentro del rango: 2 < C2 < + ; Esto se puede apreciar grficamente as:

3.CAMBIO EN bi El anlisis de ste caso nos revelar el significado de las variables del dual, dando origen a dos conceptos de interpretacin econmica denominados el precio sombra y el costo reducido. En las aplicaciones prcticas, es muy aplicado, ya que se trata de cambios efectuados sobre la disponibilidad de los recursos. Un cambio en un bi afecta los valores de las variables bsicas en la solucin ptima, haciendo que sta siga factible o no, por ello se dice que afecta la factibilidad del problema. Si al efectuar el cambio, al menos un bi se hace < 0; Entonces se hace necesario aplicar el mtodo dual simplex.

141

Anlisis Post-ptimo y Sensibilidad

El coeficiente de la variable de holgura de la ecuacin donde ocurre el cambio, nos indica el nmero de veces que cada ecuacin ha sido sumada restada de las dems ecuaciones sea el nmero de veces que ocurre el cambio, siendo el cambio la diferencia entre el nuevo y el actual valor de bi Para ste caso se propone cambiar la segunda restriccin de la siguiente forma: 3X1 + 2X2 < 18 a 3X1 + 2X2 < 14

Ecuacin donde ocurre el cambio: La segunda restriccin Variable que inicia con coeficiente uno (1), la variable artificial: X4 Los coeficientes de X4 en cada fila, indican el nmero de veces que ocurri el cambio en cada fila; sobre el trmino independiente. 45,4,9 = Trminos independientes de la solucin ptima actual. (0) 45 + 5/2 (14-18) = 35 5/2,0,1/2 = Nmero de veces que ocu(1) 4 + 0 (14-18) = 4 rre (2) 9 + 1/2( 14-18) = 7 el cambio en cada fila (14-18) = El cambio, el nuevo bi menos el actual bi Como todos los bi nuevos son > 0 ; Entonces b1 = 4 ; b2 = 7 ; La nueva solucin es: X1* = 0 X2* = 7 X3* = 4 X4* = 0 ZX* = 35 Y1* = 0 Y2* = 5/2 Y3* = 9/2 Y4* = 0 ZY* = 35

Si al menos un bi nuevo fuese < 0 (negativo, NO factible); Entonces se modifica el tablero simplex ptimo con los nuevos bi y se aplica el mtodo dual simplex para efectuar las iteraciones y encontrar el nuevo ptimo. Anlisis de sensibilidad Ahora la pregunta es: Entre que valores pueden cambiar los bi (Recursos) , de tal forma que se mantenga la solucin actual factible. Para contestar sta pregunta, basta con plantear las ecuaciones que
142

Anlisis Post-ptimo y Sensibilidad

calculan los valores de los bi nuevos, remplazando el nuevo bi, por un valor cualquiera que cumpla con la condicin de que el nuevo valor de las variables bsicas sea > 0 que mantenga la respuesta actual factible. Anlisis de sensibilidad para b1 (1) 4 + 1 (b1- 4) > 0 b1 > 0 Luego b1 debe tomar valores entre 0 < b1 (2) 9 + 0(b1 - 4) > 0 < para que el tablero simplex ptimo No restringe actual se mantenga factible

Anlisis de sensibilidad para b2 Luego b2 debe tomar valores entre 0 < b2 (2) 9 + 1/2 (b2-18) > 0 < para que el tablero simplex ptimo b2 > 0 actual se mantenga factible

(1) 4 + 0 (b2- 18) > 0 No restringe

Es interesante observar que le sucede al valor actual de Z* cuando se hace un cambio de una unidad (1) en bi Cambio en b1 de 4 a 5 (0) 45 + 0 (5-4) = 45 + 0 (1) = 45 (1) 4 + 1 (5-4) = 4 + 1 (1) = 5 (2) 9 +0 (5-4) = 9 + 0 (1) = 9 Cambio en b2 de 18 a 19 (0) 45 + 5/2 (19-18) = 45 + 5/2 (1) = 95/2 (1) 4 + 0 (19-18) = 4 + 0 (1) = 4 (2) 9 + 1/2 ( 19-18) = 9 + 1/2 (1) = 19/2 Aqu, Z* aument 5/2, Observe que la segunda variable del dual Y2 vale 5/2 Aqu, Z* no aument. Observe que la primera variable del dual Y1 vale cero (0)

Lo anterior significa que las variables reales del dual (Y1* , Y2*) son el incremento de Z* por unidad de recurso aumentado, siempre y cuando ste aumento de los recursos se mantenga dentro del rango de sensi143

Anlisis Post-ptimo y Sensibilidad

bilidad (0 < b1 < ) y (0 < b2 < ). Por ello, el valor de las variables reales del dual es llamado el precio sombra. De manera similar, las variables de holgura del dual (Y3* , Y4*) indican lo que Z* disminuye por cada unidad que se decida hacer crecer a una variable NO bsica, esto se llama el costo reducido. 4.CAMBIO EN aij CUANDO Xj* ES NO-BSICA Aqu se efecta el cambio sobre el coeficiente tecnolgico de las variables, para muchos problemas ste coeficiente tecnolgico ai,j es el valor inverso de la productividad, concepto ste de vital importancia para el tomador de decisiones. Productividad P=Q/t Coeficiente tecnolgico ai,j = t / Q Q = Unidades t = Tiempo

Para ste cambio y los siguientes, de nuevo se aplica el principio de que el coeficiente de la variable de holgura de la ecuacin donde ocurre el cambio, nos indica el nmero de veces que cada ecuacin ha sido sumada restada de las dems ecuaciones sea el nmero de veces que ocurre el cambio, siendo el cambio la diferencia entre el nuevo y el actual valor de ai,j Se propone hacer el cambio en la segunda restriccin de la siguiente forma: 3X1 + 2X2 < 18 por X1 + 2X2 < 18 ; El a2,1 a cambiado de 3 a 1 y es el coeficiente de X1 que en el ptimo es variable NO bsica. El cambio ocurre en la ecuacin (2), que tiene la variable de holgura X4 que inici con coeficiente (1), luego su coeficiente en cada ecuacin indica el nmero de veces que ocurre el cambio en cada ecuacin. Matemticamente: En el ptimo: + 5/2X4 = 45 (0) ZX + 9/2X1 (1) X1 + X3 = 4 (2) 3/2X1 + X2 + 1/2X4 = 9 El coeficiente de X4 indica el nmero de veces que ocurre el cambio en cada fila, siendo el cambio (1 3)

144

Anlisis Post-ptimo y Sensibilidad

(0) ZX + [9/2 + 5/2(1 3)] X1 + 5/2X4 = 45 (1) [ 1 + 0(1 3)] X1 + X3 = 4 + 1/2X4 = 9 (2) [ 3/2 + 1/2(1 3)] X1 + X2 El coeficiente de X1 en la (0) ZX - 1/2X1 + 5/2X4 = 45 ecuacin (0) que es el (Z1 (1) X1 + X3 = 4 C1) se ha vuelto negativo, in+ 1/2X4 = 9 dicando que la solucin NO es (2) 1/2X1 + X2 ptima, luego debemos iterar.

Solucin: X1* = 4 X2* = 7 X3* = 0 X4* = 0 ZX* = 47 Y1* = 1/2 Y2* = 5/2 Y3* = 0 Y4* = 0 ZY* = 47

Anlisis de sensibilidad Entre que valores puede cambia a21 (Coeficiente tecnolgico) , de tal forma que se mantenga la solucin actual ptima. Para contestar sta pregunta, basta con replantear la ecuacin que recalcula el valor de (Z1 C1 ), remplazando el nuevo a2,1 , por un valor cualquiera que cumpla con la condicin de que el nuevo valor de (Z1 C1 ) sea > 0 , que mantenga la respuesta actual ptima. 9/2 + 5/2 ( a2,1 3 ) > 0 ; Despejando a2,1 se encuentra que a2,1 > 6/ 5 ; Luego el rango de sensibilidad para a2,1 es: 6/5 < a2,1 <
145

Anlisis Post-ptimo y Sensibilidad

5. CAMBIO EN aij CUANDO Xj* ES BSICA Como el cambio se efecta sobre el coeficiente de una variable que en el ptimo es Bsica, ello har que aparezca dicha variable con coeficiente diferente de cero (0) en la funcin objetivo, teniendo que ser eliminada. ste proceso ocasionar cambios en los Zj - Cj de las variables NO bsicas que en caso de tomar valores menores que cero (0), no mantienen la optimalidad y habr que iterar empleando el mtodo simplex; Tambin pueden ocurrir cambios en los bi convirtiendo la solucin en NO factible, en cuyo caso debe emplearse el mtodo Dual Simplex Se propone cambiar el a22 de 2 a 4 , coeficiente de X2 en la segunda restriccin, variable que en el ptimo actual es variable bsica. 3X1 + 2X2 < 18 cambiar por 3X1 + 4X2 < 18 La ecuacin en donde ocurre el cambio es la segunda, y en ella la variable que empez con coeficiente uno (1) es X4 , luego los coeficientes de X4 en cada ecuacin indican las veces que ocurre al cambio en cada ecuacin, matemticamente: El coeficiente de X4 indica el nmero de veces que ocurre el cambio en cada fila, siendo el cambio (4 2)

+ 5/2X4 = 45 (0) ZX + 9/2X1 (1) X1 + X3 = 4 (2) 3/2X1 + X2 + 1/2X4 = 9

+ 5/2X4 = 45 (0) ZX + 9/2X1 + [0 + 5/2 (4 2)] X2 (1) X1 + [0 + 0 (4 2)] X2 + X3 = 4 (2) 3/2X1 + [1 + 1/2 (4 2)] X2 + 1/2X4 = 9

(0) ZX + 9/2X1 + 5X2 (1) X1 (2) 3/2X1 + 2X2

+ X3

+ 5/2X4 = 45 = 4 + 1/2X4 = 9

5X2 debe eliminarse de la funcin objetivo (2X2)debe tener coeficiente (1), luego multiplicamos toda la fila por (1/2)

146

Anlisis Post-ptimo y Sensibilidad

(0) ZX + 9/2X1 + 5X2 (1) X1 (2) 3/4X1 + 1X2 (0) ZX + 3/4X1 (1) X1 (2) 3/4X1 + X2 Optimalidad

+ X3

+ 5/2X4 = 45 = 4 + 1/4X4 = 9/2 + 5/4X4 = 45/2 = 4 + 1/4X4 = 9/2

+ X3

(-5)

Factibilidad b1 = X3* = 4 ; Valor que es > 0 b2 = X2* = 9 ; Valor que es > 0

El nuevo Z1* - C1 = 3/4 ; Valor que es > 0 El nuevo Z4* - C4 = 5/4 ; Valor que es > 0 Solucin: X1* = 0 X2* = 9/2 X3* = 4 X4* = 0 ZX* = 45/2

Y1* = 0 Y2* = 5/4 Y3* = 3/4

Y4* = 0 ZY* = 45/2

Anlisis de sensibilidad Entre que valores puede cambia a22 (Coeficiente tecnolgico) , de tal forma que se mantenga la solucin actual ptima y factible. Para ste caso el anlisis es ms complejo ya que ocurren cambios tanto en los (Zj-Cj), como en los bi poniendo en peligro tanto la optimalidad como la factibilidad de la solucin. Como en todos los casos anteriores, se reconstruyen las ecuaciones que dan origen a los cambios tanto de los (Zj-Cj ), como de los bi Anlisis de sensibilidad, cuidando la optimalidad, ( Zj-Cj ) > 0 para las variables No Bsicas. para (Z1 C1)

147

Anlisis Post-ptimo y Sensibilidad

para (Z4 C4)

Anlisis de sensibilidad, cuidando la factibilidad, bi > 0 para todas las restricciones. para b1 : [0 + 0 ( a22 2 )] (9/2) + 4 > 0 ; NO altera la factibilidad para b2 : [1 + ( a22 2 ) > 0 ; a22 > 0

Concluyendo; El valor de a22 debe estar dentro del siguiente rango: 0 < a22 < 4 6. ADICIN DE UNA RESTRICCIN ste caso plantea la posibilidad de aadir una restriccin, que se halla olvidado, en la formulacin inicial del problema, como en el caso de los problemas de solucin indeterminada, en los que se presume el no haber tenido en cuenta la restriccin de un recurso que afecta la solucin del problema. Supongamos que se ha olvidado tener en cuenta la siguiente tercera (3) restriccin: X2 < 6 Observamos si la nueva restriccin cumple con la solucin ptima actual; Si cumple, la solucin actual se mantiene, si no, aadimos la nueva restriccin. La solucin actual es: X1* = 0 ; X2* = 9 ; Remplazando en la nueva restriccin X2 < 6 ; 9 < 6 ; Aseveracin sta que es falsa, luego debemos proceder a aadir la nueva restriccin, as:
148

Anlisis Post-ptimo y Sensibilidad

(3) X2 < 6 (3) X2 + X5 = 6 ; X5 nueva variable de holgura y variable bsica de sta ecuacin, luego debemos eliminar a X2 porque tambin es variable bsica en la solucin ptima actual; Recordemos que en cada ecuacin solo debe aparecer una variable bsica, con coeficiente (1), para lograrlo, tratamos la ecuacin (3) con la (2), eliminando X2 y obteniendo la nueva ecuacin (3), as: (2) 3/2 X1 + X2 (3) - X2 (3) 3/2 X1 (3) - 3/2 X1 + 1/2 X4 = 9 - X5 = -6

+ 1/2 X4 X5 = 3 Multiplicando por (-1) - 1/2 X4 + X5 = -3 El nuevo sistema de ecuaciones es:

(0) Z + 9/2 X1 + 5/2 X4 = 45 (1) X1 + X3 = 4 (2) 3/2 X1 + X2 + 1/2 X4 = 9 (3) - 3/2 X1 - 1/2 X4 + X5 = -3 En donde X5 = -3 ; valor no factible. Introducimos los datos al tablero simplex y aplicamos el mtodo dual simplex para eliminar la infactibilidad generada por la adicin de la nueva restriccin. Mtodo Dual - Simplex

(- 2/3 )

149

Anlisis Post-ptimo y Sensibilidad

Nueva solucin: X1* = 2 X2* = 6 X3* = 2 X4* = 0 X5* = 0 ZX* = 36 Y1* = 0 Y2* = 1 Y3* = 3 Y4* = 0 Y5* = 0 ZY* = 36

7. ADICIN DE UNA VARIABLE Aqu se considera la adicin de una variable, que en la vida real puede ser un producto nuevo, entonces estamos midiendo los efectos de sta decisin y sus implicaciones sobre la solucin actual. El cambio que se propone es el siguiente:

Max Z = 3X1 + 5X2 C.S.R. X1 < 4 3X1 + 2X2 < 18 XJ > 0 ; J = 1,2

Max Z = 3X1 + 5X2 + 7X5 C.S.R. X1 X5 < 4 3X1 + 2X2 + 2X5 < 18 XJ > 0 ; J = 1,2,5

Fjese que es la combinacin de un cambio en un Cj y el cambio de ai,j en dos (2) restricciones, al mismo tiempo. El C5 ha cambiado de (0) a (7) en la funcin objetivo. El coeficiente de X5 en la 1 restriccin cambi de (0) a (1); El cambio fue de (1 0) = 1 El coeficiente de X5 en la 2 restriccin cambi de (0) a (2); El cambio fue de (2 0) = 2 El objetivo se reduce a reconstruir toda la columna de la nueva variable X5 en cada una de las ecuaciones del simplex. Aplicamos nuevamente el concepto de que la variable que inicia con coeficiente 1 (Generalmente las variables de holgura), Su coeficiente en el ptimo nos indica, el nmero de veces que ocurri el cambio en cada ecuacin. Hay que tener en cuenta que en el mtodo algebraico todos los trminos se trasladan al lado izquierdo, cambiando su signo, por eso aqu, el coeficiente de X5 empez con un coeficiente de ( -7); Matemticamente:

150

Anlisis Post-ptimo y Sensibilidad

(0) Zx + 9/2 X1 + 5/2 X4 + [ -7 + (0)(1) + (5/2)(2) ] X5 (1) X1 + X3 +[ ( 1)(1) + ( 0 )(2) ] X5 + 1/2 X4 + [ (0)(1 ) + (1/2)(2) ] X5 (2) 3/2 X1 + X2

= 45 = 4 = 9

Fjese que los nuevos coeficientes de X5 para cada ecuacin estn afectados por tres (3) trminos: La primera columna corresponde al efecto producido por la aparicin de X5 en la funcin objetiva, por ello solo afecta la ecuacin cero (0), la segunda columna refleja el efecto producido por un cambio de un ai,j en la primera restriccin y por ltimo, la tercera columna refleja el efecto producido por un cambio de un ai,j en la segunda restriccin. Efectuando los clculos aritmticos, el sistema de ecuaciones queda as: (0) Z + 9/2 X1 + 5/2 X4 - 2 X5 = 45 (1) X1 + X3 + X5 = 4 (2) 3/2 X1 + X2 + 1/2 X4 + X5 = 9 Fjese que la optimalidad se ha afectado ya que el Z5 C5 es igual a 2, por lo que hay que iterar, empleando el mtodo simplex

Fjese en el orden Nueva solucin: X1* = 0 X2* = 5 X3* = 0 X4* = 0 X5* = 4 ZX* = 53 Y1* = 2 Y2* = 5/2 Y3* = 13/2 Y4* = 0 Y5* = 0 ZY* = 53
151

Anlisis Post-ptimo y Sensibilidad

El WinQsb y el Anlisis de Sensibilidad Por ltimo nos ocuparemos de ilustrar el uso del Software WinQsb en lo que se relaciona con la solucin de problemas de programacin lineal y el anlisis de Sensibilidad. A continuacin ilustraremos la ventana inicial, en donde introducimos los datos generales del problema, luego, la ventana de captura de los datos correspondientes a la funcin objetiva y las restricciones y por ltimo la ventana que nos muestra los resultados de la solucin ptima; El problema que se usa, es el mismo que se ha utilizado como ejemplo durante todo el captulo. Max Z = 3X1 + 5X2 C.S.R. X1 < 4 3X1 + 2X2 < 18 XJ > 0 ; J = 1,2

Fjese que el problema debe tener un nombre, el cual ser usado en los informes escritos y de pantalla. El nmero de restricciones no incluye las restricciones de NONEGATIVIDAD. El software le ofrece cuatro (4) tipo de variables: Continua positiva, Entera positiva, Binaria (0,1) e irrestricta (Que puede tomar cualquier valor). Se recomienda el formato de matriz de hoja de clculo por ser la ms didctica.
152

Anlisis Post-ptimo y Sensibilidad

Con doble clic del ratn se puede cambiar el sentido de la desigualdad convertirla en igualdad, y el tipo de variable. Tambin se puede restringir el valor de cada variable, cambiando su valor mnimos y mximo. Para solucionar el problema se da clic sobre el icono que aparece en la parte superior y que se seala en la grfica siguiente:

El programa anuncia, mediante una ventana, que el problema ha sido solucionado y que la solucin ptima ha sido archivada, se acepta dando clic sobre el botn de aceptar, siguiente:

En la siguiente ventana se nos ofrece la solucin ptima y algunos datos del anlisis de sensibilidad, cuyo significado, entramos a explicar. Para efectos de una interpretacin que guarde mayor relacin con la realidad, supondremos que las variables X1 y X2 representan las cantidades a producir de los artculos 1 y 2. Las restricciones representan la cantidad de recursos disponibles del tipo A y B y la funcin objetiva son las utilidades logradas. En el encabezado de sta ventana se muestra la hora y la fecha en que la que se logr la presente solucin.
153

Anlisis Post-ptimo y Sensibilidad

La ventana la hemos dividido en dos, mediante una lnea de color rojo, en la parte superior de dicha lnea, se encuentra la informacin relacionada con las variables bsicas, y la funcin objetivo. En sta rea, el significado para la fila 1, de los datos de izquierda a derecha es: Del artculo 1 (X1*) debemos producir cero (0) unidades. Su utilidad por unidad (C1) es de $3 y su contribucin a al utilidad total es de cero (0) pesos (0)(3)=0. Si decidiramos llevar la contraria a sta solucin ptima y decidiramos producir unidades del producto 1, entonces por cada unidad producida, perderamos $4,50 de nuestras utilidades, esto se denomina el costo reducido del producto 1. En la siguiente casilla a la derecha, se nos informa que sta variable est en su valor lmite posible (X1 > 0). Por ltimo, en las dos ltimas casillas de sta fila, se muestra el anlisis de sensibilidad para C1 que nos indica que la utilidad por unidad del artculo 1 debe estar en el rango de: - < C1 < 15/2 para que la solucin actual se mantenga ptima. El significado para la fila 2, de los datos de izquierda a derecha es: Del artculo 2 (X2*) debemos producir 9 unidades. Su utilidad por unidad (C2) es de $5 y su contribucin a al utilidad total es de $45 [(5)(9)=45]. Aqu el costo reducido es de $0 en atencin a que s se van a producir unidades del artculo 2. En la siguiente casilla a la derecha, se nos informa que sta variable es bsica. En las dos ltimas casillas de sta fila, se muestra el anlisis de sensibilidad para C2 que nos indica que la utilidad por unidad del artculo 2 debe estar en el rango de: 2 < C2 < + para que la solucin actual se mantenga ptima. En la siguiente fila se muestra el valor total de la contribucin valor mximo de la funcin objetivo Z* = $45

154

Anlisis Post-ptimo y Sensibilidad

En la parte inferior de la lnea roja, se encuentra la informacin referente a cada una de las restricciones y su interpretacin es la siguiente: La fila 1 corresponde a la restriccin 1, referente a la disponibilidad del recurso A , para el que se muestra el valor del lado izquierdo, evaluado con la solucin optima y que indica que del recurso A no se utilizar ninguna unidad, de las 4 disponibles, por ello la holgura excedente de dicho recurso es de 4 unidades. El precio sombra nos indica que si se dispone de una unidad adicional del recurso A, ello ocasionar un incremento en la utilidad de $0 ;Siempre y cuando el valor del recurso se encuentre entre los lmites de sensibilidad 0 < b1 < ; que son los valores que hacen que la solucin actual permanezca factible. La fila 2 corresponde a la restriccin 2, referente a la disponibilidad del recurso B , para el que se muestra el valor del lado izquierdo, evaluado con la solucin optima y que indica que del recurso B se utilizan 18 unidades, de las 18 disponibles, por ello la holgura excedente de dicho recurso es de 0 unidades. El precio sombra nos indica que si se dispone de una unidad adicional del recurso B, ello ocasionar un incremento en la utilidad de $2,50 siempre y cuando el valor del recurso se encuentre entre los lmites de sensibilidad 0 < b2 < ; que son los valores que hacen que la solucin actual permanezca factible. Ejercicios propuestos 1. Considere el siguiente problema de programacin lineal Maximice Z = - X1 + 3X2 2X3 C.S.R. 3X1 X2 + 2X3 < 7 Recurso A < 12 Recurso B -2X1 + 4X2 -4X1 + 3X2 + 8X3 < 10 Recurso C

Xj > 0 ; j = 1,2,3

a) Cul es la solucin ptima ? ZX* , X1*, X2*, X3*, X4*, X5* ^ X6* en donde X4, X5*^ X6 son variables de holgura de las restricciones correspondientes a los recursos A,B,C respectivamente. b) Formule el Dual. c) Cul es la solucin ptima del dual. d) Si consideramos que Z es ganancia en pesos. Cul seria la contribucin a la ganancia si hubiese una unidad ms de recurso A ?, lo
155

Anlisis Post-ptimo y Sensibilidad

mismo para B, lo mismo para C. e)Supngase que datos mas recientes nos dicen que la funcin objetiva es: Z = -X1 + 3X2 + X3 . Es la vieja solucin todava ptima ? si no, encuentre la nueva solucin ptima. f)Suponga que queremos investigar el efecto de cambiar la funcin objetiva a Z = -X1 + X2 2X3 . An ser ptima la antigua solucin ? si no, encuentre el nuevo ptimo. g)Haga un anlisis se sensibilidad para cada uno de los C j h)Si uno encuentra que solo hay 10 unidades disponibles del recurso B, el ptimo ser el mismo? Si no, encuentre el nuevo ptimo. i)Haga un anlisis de sensibilidad para cada uno de los b i j)Cambiara la solucin ptima si aadimos la nueva restriccin X1 + X2 + X3 < 8 . Si s, encuentre el nuevo ptimo. k)Supngase que se ha descubierto que una cuarta actividad, denotada por X7 , es relevante y que el nuevo modelo matemtico es: Maximice Z = - X1 + 3X2 2X3 + X7 C.S.R. 3X1 X2 + 2X3 + X7 < 7 Recurso A -2X1 + 4X2 - 2X7 < 12 Recurso B -4X1 + 3X2 + 8X3 - X7 < 10 Recurso C Xj > 0 ; j = 1,2,3,7 Es la antigua solucin con X7 = 0 an ptima? Si no, encuentre el nuevo ptimo.

Nota: No son necesarios clculos largos para ninguno de los encisos del problema La solucin ptima actual es:

2. Se ha concedido licencia a una nueva empresa de turismo, para realizar vuelos entre Bogot y las Islas de San Andrs y Providencia e Interinsulares (Vuelos entre las islas del archipilago). para ello, debe comprar turborreactores con los que cubrir los vuelos entre Bogot y las Islas, as como Aviones de Hlice y/o helicpteros con los que servir los vuelos interinsulares. El presupuesto de compra es de $2.800000.000. Las caractersticas de los aparatos que puede comprar la empresa de turismo son:
156

Anlisis Post-ptimo y Sensibilidad

Se pueden contratar como mximo 10 pilotos y 16 azafatas. Se desea contratar al menos 3 copilotos. El trfico entre Bogot y las Islas de San Andrs se estima en 8.000 pasajeros por mes; y el interinsular en 500 pasajeros por mes. El permiso concedido requiere que el nmero mnimo de aparatos sea de 15. La Empresa de Turismo desea operar con costos de mantenimiento mnimos. a) Formular un modelo de programacin Lineal que proporcione el plan ptimo de compra. b) Resolver e interpretar al solucin, manualmente y con el Software WinQsb. c) Si existe la posibilidad de contratar 10 pilotos ms, Cul ser la nueva solucin? d) Un cambio en el contrato reduce el nmero mnimo de aparatos a 14, Cul es el efecto econmico a sta modificacin? 3. Un Empresario pretende fabricar dos tipos diferentes de congeladores denominados A y B . Cada uno de ellos debe pasar por tres operaciones antes de su comercializacin: Ensamblaje, pintura y control de calidad. Los congeladores requieren, 2,5 y 3 horas de ensamblaje respectivamente, 3 y 6 kilogramos de esmalte para su pintura respectivamente y 14 y 10 horas de control de calidad respectivamente. Los costos totales de fabricacin por unidad son: $30.000 y $28.000 respectivamente, y los precios de venta $52.000 y $48.000 respectivamente. El Empresario dispone semanalmente de 4.500 horas para ensamblaje, 3.400 kilogramos de esmalte y de 20.000 horas para control de calidad. Los estudios de mercado muestran que la demanda semanal de congeladores no supera las 1.700 unidades y que, la demanda del congelador tipo A, es de al menos, 600 unidades. Se desea: a) Formular un modelo de programacin lineal que indique cuntos congeladores deben fabricarse de cada tipo para que el bene157

Anlisis Post-ptimo y Sensibilidad

ficio sea mximo, teniendo en cuenta el estudio de demanda. b) Resolverlo mediante el mtodo simplex. Interpretar la solucin ptima incluyendo las variables de holgura (Redondear la solucin al valor entero por defecto). Resolverlo empleando el WinQsb, escogiendo como tipo de variable, la opcin de ENTERA. c) Determinar los precios sombra de las horas de ensamblaje y control de calidad. Al fabricante le ofrecen disponer de 200 horas ms para ensamblaje con un costo adicional total de $750.000. Debera aceptar la oferta? 4. Una editorial dispone para impresin de 4.500 horas y para encuadernacin de 4.000 horas. La tabla que sigue da los tiempos, en horas, empleados en ambas tareas para cuatro libros Li ; i = 1,2,3,4 , as como sus beneficios, en miles de pesos.

a) Formule un modelo de programacin lineal que proporcione el mximo beneficio y resulvalo. b) Suponga que el departamento comercial de la Editorial no encuentran la solucin razonable, y creen que, a lo sumo, se podrn vender 5.000 copias del libro L4 a ese precio. para vender 10.000, su precio deber bajar en $2.000 por copia. Qu consecuencias tiene sta hiptesis?. Obtener la mejor solucin. c) Al director de la Editorial le gustara imprimir el libro L2 . Deseara saber las consecuencias sobre el beneficio, as como la produccin de los libros L1 y L4 si se producen 2.000 copias de L2. d) Si adems en c) se propone que el libro L2 lo encuaderne otra editorial que carga $500 ms por copia, Merece la pena sta propuesta? 5. Una compaa vende dos tipos de fertilizantes que son fabricados en dos departamentos. El tipo A contribuye con $3 y el tipo B contribuye con $4 por tonelada.

158

Anlisis Post-ptimo y Sensibilidad

A cul departamento debe dar prioridad en los fondos para la expancin de la planta? 6. Del problema principal, sabemos que una unidad de X1 contribuye con $6 por unidad a la utilidad, requiere 2 horas en el departamento A y 1 hora en el departamento B. Una unidad de x2 contribuye con $7 por unidad a la utilidad y requiere 1 hora en el departamento A y 3 horas en el departamento B. La capacidad mxima para cada departamento es de 40 horas. Formule el dual e indique el valor que se incrementa la utilidad por cada hora adicional en cada departamento. 7. Un taller de artesanas fabrica dos productos en dos departamentos. El producto X1 contribuye con $6 por unidad a la utilidad y toma 6 horas en el departamento 1 y 6 horas en el departamento 2. El producto X2 contribuye con $14 por unidad a la utilidad y toma 8 horas en el departamento 1 y 2 horas en el departamento 2. El departamento 1 tiene una capacidad de 38 horas y el departamento 2 42 horas. Indique el nmero mximo de produccin en unidades y el nivel de produccin para maximizar la utilidad y muestre la diferencia en la contrinucin a la utilidad de los dos. 8. Una compaa requiere vendedores entrenados, las ventas del producto tienden a ser estacionales. La compaa rquiere el siguiente nmero mnimo de vendedores durante cada mes del ao.

Despus de contratar un vendedor, se le enva a una escuela de entrenamientodurante 4 meses; despus de su entrenamiento, el vendedor empieza a vender activamente. Aunque los miembros de la fuerza de venta reciben un buen salario, el trabajo es bastante pesado y la empresa ha observado que cada mes, aproximadamente el 10% del personal activo renuncia a la empresa. Construya la funcin objetivo y las restricciones que le permita a la compaa determinar el nmero de
159

Anlisis Post-ptimo y Sensibilidad

candidatos a vendedores que deben admitirsen al entrenamiento cada mes por los prximos 12 meses. La compaa desea contratar el menor nmero de personas pero manteniendo los requerimientos mnimos de la fuerza de venta para cada mes. Al principio de enero, la fuerza de venta consta de 50 vendedores activos y 90 en entrenamiento de los cuales 30 se convertirn en vendedores activos el 1 de marzo y 60 en vendedores activos el 1 de abril. Use el WinQsb y haga un completo anlisis post-ptimo a la solucin ptima de ste problema. 9. He aqu la funcin objetivo, las restricciones y la tabla simplex final para un problema de mezcla de productos de programacin lineal: Funcin objetivo: Maximizar Z = 2X1 + 5X2 + 8X3 con las siguientes restricciones: 6X1 + 8X2 + 4X3 < 96 Departamento 1 2X1 + X2 + 2X3 < 40 Departamento 2 5X1 + 3X2 + 2X3 < 60 Departamento 3 XJ > 0 ; j = 1,2 y 3

a. Comente sobre el valor adicional para la compaa al aadir capacidad adicional en cada uno de los tres departamentos. b. Determine el rango sobre el cual los precios marginales para las variables de holgura sern vlidos. c. Determine el rango sobre el cual los coeficientes de X2 y X3 pueden variar sin afectar la solucin ptima. d. Cul tendra que ser la contribucin por unidad de X1 para que est en la solucin ptima? e. Cules son las implicaciones de mercado de las respuestas que encontr en la parte c) y d) anteriores? 10. Del problema principal sabemos que una unidad del producto 1 con160

Anlisis Post-ptimo y Sensibilidad

tribuye a la utilidad con $7 y que requiere 3 unidades de entrada 1 (1 ingrediente) y 2 horas de mano de obra. Una unidad del producto 2 contribuye a la utilidad con $5 y requiere 1 unidad de entrada 1 y 1 hora de mano de obra. La capacidad de las entradas es actualmente de 48 unidades y hay 40 horas de mano de obra. Formule el dual de este problema e indique el valor para la firma de otra unidad de entrada 1 y otra hora de mano de obra. 11. He aqu la funcin objetivo, las restricciones, y la table simplex final de un problema de programacin lineal de mezclas que involucra 4 productos y 3 departamentos. Funcin objetivo: Maximice Z = 2X1 + 4X2 + X3 + X4 siguientes restricciones: X1 + 3X2 + X4 < 4 Departamento 1 2X1 + X2 < 3 Departamento 2 X2 + 4X3 + X4 < 3 Departamento 3 Xj > 0 ; j = 1,2,3 y 4 con las

a) Comente sobre el valor que tiene para esta compaa el aadir capacidad adicional en cada uno de estos tres departamentos. b) Determine el rango sobre el cual cada uno de los precios marginales para las variables de holgura sern vlidos. c) Determine el rango sobre el cual cada uno de los coeficientes de X1, X2 y X3 puede variar sin afectar la solucin ptima. d) Cul tendra que ser la contribucin de X4 para que estuviera en la solucin ptima? e) Cules son las implicaciones de mercado de las respuestas que encontr para las partes c) y d) anteriores?

161

Anlisis Post-ptimo y Sensibilidad Anlisis Post-ptimo y Sensibilidad 12. Considere el siguiente problema de programacin lineal:

Maximice Z = C1X1 + C2X2 C.S.R. 2X 1 - X 2 < X1 - X2 < b1 Recurso A b2 Recurso B

Xj > 0 ; j = 1,2 Sean X3 y X4 las variables de holgura para las restricciones respectivas. Cuando C1 = 3, C2 = -2 y b1 = 30 y b2 = 10, el mtodo simplex llev a la siguiente tabla final.
Cj 3 X1 0 1 0 -2 X2 1 0 0 0 X3 1 1 1 0 X4 -2 -1 1

V.B. -2 X2 3 X1 ZJ - CJ

b 10 20 40

1. 2. 3. 4. 5. 6. 7. 8. 9. 10.

Formule el problema dual. Escriba la solucin al problema principal Escriba la solucin al problema dual. En cuanto se incrementa Z por unidad adicional de recurso A? . En cunto se incrementa Z por unidad adicional de recurso B? En cuanto se reduce Z por unidad adicional del producto X1?. En cunto se reduce Z por unidad adicional del producto X2? Haga un anlisis de sensibilidad para la disponibilidad del recurso A (b1). Haga un anlisis de sensibilidad para la disponibilidad del recurso B (b2) Haga un anlisis de sensibilidad para C1. Haga un anlisis de sensibilidad para C2. Si se ofrecen 5 unidades adicionales del recurso A por un valor total de 25 unidades monetarias. Usted las comprara? Explique la respuesta claramente. Hasta cunto pagara Usted como mximo por una unidad adicional de recurso B?. Explique su respuesta. Si el recurso B se incrementa en 10 unidades. El tablero ptimo actual se mantiene?, si no, encuentre el nuevo ptimo y escriba la nueva solucin para todas las variables del principal y del dual.

162

Captulo 9 Transporte y Transbordo

Introduccin En ste captulo estudiaremos un modelo particular de problema de programacin lineal, uno en el cual su resolucin a travs del mtodo simplex es dispendioso, pero que debido a sus caractersticas especiales ha permitido desarrollar un mtodo ms prctico de solucin. El modelo de transporte se define como una tcnica que determina un programa de transporte de productos o mercancas desde unas fuentes hasta los diferentes destinos al menor costo posible. Tambin estudiaremos el problema del transbordo en el que entre fuentes y destinos, existen estaciones intermedias. Por ltimo estudiaremos el software WinQsb y el Invop.

163

Transporte y Transbordo

Modelo General del Problema del Transporte Es un caso especial de problema de programacin Lineal, en el que todos los coeficientes de las variables en las restricciones tienen coeficiente uno (1), esto es: ai,j = 1 ; para todo i , para todo j Grficamente:

Xij= Unidades a enviar desde la fuente i-sima (i=1,...,m) al destino jsimo (j=1,...,n). Ci,j= Costo de enviar una unidad desde la fuente i-sima (i=1,...,m) al destino j-simo (j=1,...,n) ai = Disponibilidad (oferta) en unidades, de la fuente i-sima (i=1,...,m) bj = Requerimiento (demanda) en unidades, del destino j-simo (j=1,...,n)
Lo disponible = Lo requerido Oferta = Demanda Mercado Perfecto

Matemticamente: Minimizar Z = C1,1X1,1 +...+ C1,jX1,j +...+ C1,nX1,n +...+ Ci,1Xi,1 +...+ Ci,jXi,j +...+ Ci,nXi,n +...+ Cm,1Xm,1 +...+ Cm,jXm,j +...+ Cm,nXm,n
164

Transporte y Transbordo

C.S.R.
A A
i

X11 ++ X1j ++ X1n = a1 : : : : Xi1 ++ Xij ++ Xin = ai : : : : Xm1 ++ Xmj ++ Xmn = am

Todo lo disponible es enviado

X11 ++ Xij ++ Xmn = : : : X1j ++ Xij ++ Xmj = : : : Xm1 ++ Xmj ++ Xmn =

b1 : bj : bn

Xij > 0 ,
j

Todo lo enviado fue requerido

!No se pierde nada!

Otra manera de formularlo Minimice Z= C.S.R. Todo lo disponible es enviado

Todo lo enviado fue requerido

Observacin:
Disponibilidad = Requerimiento Oferta = Demanda Mercado Perfecto

Metodologa General
Modelo Imperfecto
Generalmente es lo que ocurre en la vida real.

Modelo Perfecto
Igualamos la oferta a la demanda, mediante fuentes o destinos de holgura

Mtodo de Solucin
- Hallar una solucin bsica y factible. - Hallar la solucin ptima

Solucin

Interpretacin
Interpretar la solucin terica v.s. la realidad.

165

Transporte y Transbordo

Metodologa de solucin
Solucin Bsica Factible Optimizacin Solucin ptima Interpretacin

Mtodos Esquina Noroeste Costo Mnimo Vogel Ejemplo

Mtodos Algebraico Heurstico Modi

Tres (3) fbricas envan su producto a cinco (5) distribuidores. Las disponibilidades, los requerimientos y costos unitarios de transporte, se dan en la siguiente tabla.

Qu cantidad del producto se debe enviar desde cada fbrica a cada distribuidor para minimizar los costos del transporte? NOTA: La X significa que desde la fbrica 3 es imposible enviar unidades al distribuidor 5 Solucin Observe que el modelo no es perfecto: La oferta es diferente a la demanda. Se adiciona una fbrica de relleno con costos de transporte igual a cero (0) y que ofrezca justo lo que le hace falta a la oferta para ser igual a la demanda.
Modelo Imperfecto Modelo de mercado perfecto

ai Fbricas 40 1 60 2 70 3 170 50 4 220

166

Distribuidores 1 2 3 4 5

bj 30 40 50 40 60 220

NOTA: Adicionamos la fbrica cuatro (4) con una oferta de 50 unidades, para igualar la oferta a la demanda, dicha fbrica es de holgura.

Transporte y Transbordo

Formulacin Xij = Unidades a enviar desde la fbrica i-sima (i=1,2,3,4) al distribuidor j-simo (j=1,2,3,4,5) Minimizar Z = 20X11 + 19X12 + 14X13 + 21X14 + 16X15 + 15X21 + 20X22 + 13X23 + 19X24 + 16X25 + 18X31 + 15X32 + 18X33 + 20X34 + MX 35 >> Valor muy grande en comparacin con los dems Cij Nota: A X35 se le castiga con un coeficiente muy grande Gran M ya que Z nunca se minimizar mientras X35 > 0 ; Luego X35 terminar siendo variable NO-Bsica, igual a cero (0) para que Z se minimice. Con Las siguientes restricciones: X11 + X12 + X13 + X14 X21 + X22 + X23 + X24 X31 + X32 + X33 + X34 X41 + X42 + X43 + X44 X11 + X21 + X31 X12 + X22 + X32 X13 + X23 + X33 X14 + X24 + X34 X15 + X25 + X35 + X41 + X42 + X43 + X44 + X45 + + + + = = = = = X15 = 40 X25 = 60 X35 = 70 X45 = 50 30 40 50 40 60

Todo lo disponible es enviado

Todo lo requerido fue enviado

Xij > 0 ; i = 1,2,3,4 ; j = 1,2,3,4,5

Solucin Bsica Factible Como cada variable figura dos (2) veces en el sistema de ecuaciones, entonces tiene m+n-1 grados de libertad y el nmero de variables bsicas debe ser igual al nmero de grados de libertad del sistema. Lo anterior nos asegura una solucin bsica factible no degenerada. NMERO DE VARIABLES BSICAS = m + n 1

167

Transporte y Transbordo

Mtodo de la esquina noroeste Caractersticas . Sencillo y fcil de hacer . No tiene en cuenta los costos para hacer las asignaciones . Generalmente nos deja lejos del ptimo Algoritmo 1. Construya una tabla de ofertas (disponibilidades) y demandas (requerimientos). 2. Empiece por la esquina noroeste. 3. Asigne lo mximo posible (Lo menor entre la oferta y la demanda, respectivamente) 4. Actualice la oferta y la demanda y rellene con ceros el resto de casillas (Filas Columnas) en donde la oferta la demanda halla quedado satisfecha. 5. Muvase a la derecha o hacia abajo, segn halla quedado disponibilidad para asignar. 6. Repita los pasos del 3 al 5 sucesivamente hasta llegar a la esquina inferior derecha en la que se elimina fila y columna al mismo tiempo. Nota: No elimine fila y columna al mismo tiempo, a no ser que sea la ltima casilla. El romper sta regla ocasionar una solucin en donde el nmero de variables bsicas es menor a m+n-1, produciendo una solucin bsica factible degenerada. En nuestro problema de ejemplo: Aqu, asignamos en la fila 1, columna 1 lo mximo posible entre 40 y 30 o sea 30 unidades; X11=30 variable bsica. Actualizamos la oferta y la demanda, quedando stas en: 10 y 0 y rellenamos con cero el resto de la columna 1, ya que la demanda de 30 unidades qued satisfecha. Terminando el mtodo, el tablero aparecer as:

168

Transporte y Transbordo

X11 = 30 X12 = 10 X22 = 30 X23 = 30 X33 = 20 X34 = 40 X35 = 10 X45 = 50 Nota: Es una solucin bsica factible no degenerada, porque se satisface todas las demandas y ofertas, todas las Xij > 0 y el nmero de variables bsicas es m+n1 = 4+5-1 = 8 Como evitar eliminar fila y columna al mismo tiempo, sin estar en la ltima casilla, uso de Supongamos que nuestro problema es: El a1 = 40 y a2 = 60 se han cambiado por a1 = 30 y a2 = 70 produciendo un empate entre la oferta y la demanda de la casilla 1,1 de 30 unidades

Para ste caso, procedemos as: Escoger satisfacer la fila o la columna (oferta o demanda), para nuestro ejemplo escogemos satisfacer la oferta, entonces decidimos que a la demanda le queda una cantidad muy pequea por satisfacer, llamada (epsilon) cuyo valor es aproximadamente igual a cero (0), 0 y para efectos de clculos futuros epsilon = 0.

Fjese que el nmero de variables bsicas es m+n-1=8 X11 = 30 X21 = = 0 X22 = 40 X23 = 30 X33 = 20 X34 = 40 X35 = 10 X45 = 50

169

Transporte y Transbordo

Mtodo del costo mnimo Caractersticas . Es ms elaborado que el mtodo de la esquina noroeste . Tiene en cuenta los costos para hacer las asignaciones . Generalmente nos deja alejados del ptimo Algoritmo 1. Construya una tabla de disponibilidades, requerimientos y costos 2. Empiece en la casilla que tenga el menor costo de toda la tabla, si hay empate, escoja arbitrariamente (Cualquiera de los empatados). 3. Asigne lo mximo posible entre la disponibilidad y el requerimiento (El menor de los dos). 4. Rellene con ceros (0) la fila o columna satisfecha y actualice la disponibilidad y el requerimiento, restndoles lo asignado. Nota: Recuerde que no debe eliminar satisfacer fila y columna al mismo tiempo, caso en que la oferta sea igual a la demanda, en tal caso recuerde usar la (Epsilon). 5. Muvase a la casilla con el costo mnimo de la tabla resultante (Sin tener en cuenta la fila o columna satisfecha). 6. Regrese a los puntos 3,4,5 sucesivamente, hasta que todas las casillas queden asignadas. En nuestro ejemplo, la tabla queda as:

Fjese que el menor costo de toda la tabla es cero (0), pero hay 5 celdas con costo cero (0), Escogemos al azar la fila 4, columna 1 y asignamos lo mximo posible entre 50 y 40 o sea 30, rellenamos la columna 1 con ceros (0) ya que qued satisfecha y actualizamos la oferta de 50 a 20 (50 30 = 20). Ahora escogemos el menor costo en la tabla que queda, volvindose a presentar un mltiple empate, el cual dirimimos escogiendo la casilla
170

Transporte y Transbordo

de la fila 4, columna 2, y asignamos lo mximo posible entre 40 y 20. Diligenciando todo el tablero obtenemos:

Fjese que el nmero de variables bsicas es m+n-1=8 X15 = 40 X23 = 50 X25 = 10 X32 = 20 X34 = 40 X35 = 10 X41 = 30 X42 = 20 Nota: Es una solucin bsica factible no degenerada, porque se satisfacen todas las demandas y ofertas, todas las Xij > 0 y el nmero de variables bsicas es m+n-1=8 Mtodo de vogel Caractersticas . Es ms elaborado que los anteriores, ms tcnico y dispendioso. . Tiene en cuenta los costos, las ofertas y las demandas para hacer las asignaciones. . Generalmente nos deja cerca al ptimo. Algoritmo 1. Construir una tabla de disponibilidades (ofertas), requerimientos (demanda) y costos. 2. Calcular la diferencia entre el costo mas pequeo y el segundo costo ms pequeo, para cada fila y para cada columna. 3. Escoger entre las filas y columnas, la que tenga la mayor diferencia (en caso de empate, decida arbitrariamente). 4. Asigne lo mximo posible en la casilla con menor costo en la fila o columna escogida en el punto 3. 5. asigne cero (0) a las otras casillas de la fila o columna donde la disponibilidad el requerimiento quede satisfecho.
171

Transporte y Transbordo

6. Repita los pasos del 2 al 5, sin tener en cuenta la(s) fila(s) y/o columna(s) satisfechas, hasta que todas las casillas queden asignadas. Nota: Recuerde que no debe satisfacer filas y columnas al mismo tiempo; caso en que la disponibilidad sea igual al requerimiento; en tal caso use el (epsilon).

Fjese que la mayor diferencia la tiene la columna 4 con un valor de 19, escogido entre 2,2,3,0,15,13,19 y 16. El menor costo de la columna 4 es cero (0), se asigna lo mximo posible entre 50 y 40, que es 40, se satisface la columna y se actualiza la oferta y la demanda. Ahora recalculamos las diferencias, sin tener en cuenta la columna 4, que est satisfecha. Una vez ejecutado todo el algoritmo hasta asignar todas las casillas, obtenemos la siguiente asignacin bsica y factible inicial.

172

Transporte y Transbordo

Fjese que el nmero de variables bsicas es: m+n-1=8 Solucin bsica factible no degenerada: X15=40 ; X21=30 ; X23=20 ; X25=10 ; X32=40 ; X33=30 ; X44=40 ; X45=10 Z = 16(40)+15(30)+13(20)+16(10)+15(40)+18(30)+0(40)+ 0(10) = 2.650 Conclusin: Hemos conseguido tres (3) soluciones bsicas factibles no degeneradas (# de variables bsicas = m+n-1=8) por medio de tres (3) mtodos: El de la esquina noroeste, el del costo mnimo y el de Vogel. Pero ninguna de ellas nos garantiza que la solucin encontrada es la ptima. Para saberlo, debemos estar seguros que ninguna de las variables no bsicas pueda entrar a la base haciendo que la funcin objetivo disminuya. Para discernir un mtodo que nos evale el efecto de introducir una unidad de cada variable no bsicas, recurrimos al mtodo algebraico que posteriormente se convertir en el mtodo MODI. Importante: A partir de cualquiera de stas tres (3) soluciones bsicas factibles no degeneradas, debemos comenzar a iterar, para encontrar el ptimo.

Mtodo algebraico El sistema de ecuaciones iniciales es:

(0) Z-20X11-19X12-14X13-21X14-16X15-15X21-20X22-13X23-19X24-16X25-18X31-15X32-18X33-20X34-MX35 = 0

(1) (2) (3) (4)

X11 + X21 + X31 + X41 +

X12 X22 X32 X42

+ X13 + X14 + X15 = 40 (0) + X23 + X44 + X15 = 60 (0) + X33 + X34 + X35 = 70 (5) + X43 + X44 + X45 = 50 (-16)

(5) (6) (7) (8) (9)

X11 + X12 + X13 + X14 + X15 +

X21 + X31 + X41 X22 + X32 + X42 X23 + X33 + X43 X24 + X34 + X44 X25 + X35 + X45

= = = = =

30 40 50 40 60

(15) (10) (13) (16) (16)

Fjese que en la ecuacin (0) aparece Z (Variable bsica) acompaada de todas las variables bsicas escogidas inicialmente. Como en la ecuacin (0) la variable bsica debe ser Z, debemos sumar mltiplos de las restricciones a la funcin objetivo, de tal forma que se eliminen las variables bsicas X 1 5 , X 2 1 , X 2 3 , X 25 , X 32 , X 33 , X 44 , X 4 5 . Una forma de lograr esto, es multiplicar cada restriccin por las constantes que aparecen entre parntesis, frente a cada restriccin.
173

Transporte y Transbordo
Z-20X11-19X12-14X13-21X14-16X15-15X21-20X22-13X23-19X24-16X25- 18X31-15X32-18X33-20X3415X11+10X12+13X13+16X14+16X15+15X21+10X22+13X23+16X24+16X25+15X31+10X32+13X33+16X34+ Z- 5X11- 9X12X13- 5X14 -10X22 - 3X24 + 2X31 MX35- 0X41- 0X42- 0X43- 0X44- 0X45 = 0 5X35-16X41-16X42-16X43-16X44-16X45 = 360-800 X41- 6X42- 3X43- 0X44- 0X45 = 2.650 16X35+15X41+10X42+13X43+16X44+16X45 = 450+400+650+640+960

5X31+ 5X32+ 5X33+ 5X34+

+ X34-(M-21)X35-

Observe que la nueva funcin objetiva es:

Z=5X11+9X12+X13+5X14+10X22+3X24-2X31-X34+(M-21)X35+X41+6X42+3X43+2.650

Fjese que se han eliminado todas las variables bsicas de la funcin objetivo, siendo solamente Z la variable bsica con un valor de 2.650 Si nos preguntamos: Cual es la variable que al aumentar hace que Z disminuya ms, la respuesta es X31 (Tiene el coeficiente ms negativo), luego es la mejor candidata para ser la variable que entra ya que por cada unidad que aumente, los costos totales del transporte se disminuyen en 2 unidades monetarias. Nota: ste proceso es muy dispendioso !! y por lo tanto vamos a considerar otro. Mtodo de heurstico Partiendo de la solucin bsica factible obtenida mediante el mtodo de Vogel. Analizamos que efecto causa sobre el valor de la funcin objetivo actual (Z=2.650) el intentar enviar 1 unidad desde la fbrica 1 al distribuidor 1 (X11=1). ste cambio causa un desequilibrio en la oferta y la demanda; La primera fila suma 41 en lugar de 40 y la primera columna suma 31 en lugar de 30. Esto se arregla sumando 1 y restado 1 en sitios estratgicos, de tal forma que la oferta y la demanda se vuelvan a cumplir. El nuevo valor de Z es: Z = 20(1) + 16(39) + 15(29) + 13(20) + 16(11) + 15(40) + 18(30) + 0(40) + 0(10) = 2.655 El valor de Z se increment en: 2.6552.650 = 5. Observe que 5 es el coeficiente de X11 en la nueva ecuacin de Z obtenida mediante el mtodo algebraico.
174

Transporte y Transbordo

Conclusin: Mediante ste mtodo podemos analizar todos los efectos, de considerar enviar una unidad desde las fbricas a los distribuidores, en las casillas de las variables no-bsicas (Xij = 0) , para observar si existen variables no-bsicas que al entrar a la base, hagan que Z disminuya; Por supuesto, los resultados coincidirn con los coeficientes de la funcin objetiva lograda mediante el mtodo algebraico. Conclusin: El presente mtodo es muy dispendioso, aunque un poco menos que el mtodo algebraico; Si se efecta en su totalidad, el resultado es: Aqu, al igual que en el mtodo algebraico la variable a escoger para entrar a la base es: X31 ya que por cada unidad que crezca, hace que Z disminuya 2 unidades monetarias. Ahora se describe un mtodo ms prctico para encontrar ste ltimo tablero en donde podemos escoger la variable que entra de forma rpida. Primero se muestra la deduccin matemtica del mtodo y despus su aplicacin prctica. El procedimiento recibe el nombre del Mtodo Modificado de distribucin (Modi), ya que lleva a escoger la variable que entra, la variable que sale y la nueva solucin mejorada en donde Z disminuye su valor. Mtodo Modificado de distribucin (Modi) Variable que entra El problema original es:

175

Transporte y Transbordo

Al haber escogido una solucin bsica factible (Con cualquiera de los tres (3) mtodos estudiados: Esquina noroeste, mnimo costo Vogel), aparecen en la funcin objetivo algunas de las variables bsicas, y cualquier mltiplo de las restricciones puede sumarse o restarse de la funcin objetiva para eliminarlas, llamamos stos mltiplos ui y vj ; Luego: Escogemos los ui y los vj de tal manera que al restar los mltiplos de las restricciones a la funcin objetivo, se eliminen las variables bsicas de sta.

Para las VARIABLES BSICAS, se debe cumplir que Cij ui vj = 0 Para las VARIABLES NO BSICAS, su coeficiente es Cij ui vj

Partiendo de la solucin bsica factible encontrada por el mtodo de vogel, aplicamos el mtodo de modi, para averiguar cual es la variable no bsica que debe entrar y cual la variable bsica que debe salir. para ello efectuamos los siguientes pasos: 1. Construimos una tabla de costos para las variables bsicas y en ella calculamos los ui y los vj que cumplan Cij ui vj = 0 2. Construimos una tabla de costos coeficientes en la funcin objetiva para las variables no bsicas cuyo valor es Cij ui vj
176

Transporte y Transbordo

Z = 2.650 Solucin bsica factible no degenerada lograda mediante el mtodo de vogel, con m+n-1=8 variables bsicas.

Tabla de costos para las variables bsicas Calculamos los ui ^ vj de tal forma que Cij ui vj = 0. Asignamos el primer valor de ui de v j arbitrariamente, Preferentemente 0 (Puede ser cualquier valor) en la fila columna, que tenga la mayor cantidad de asignaciones (Variables Bsicas), para nuestro caso, fila 3 columna 5. Con base en ste primer valor, calculamos todos los ui y vj , aplicando Cij ui vj = 0, para ui = Cij vj vj = Cij ui , as:
V1 = C21 u2 = 15 - 0 = 15 V3 = C23 u2 = 13 - 0 = 13 V5 = C25 u2 = 16 - 0 = 16 u1 = C15 v5 = 16 - 16 = 0 u3 = C33 v3 = 18 -13 = 5 u5 = C45 v5 = 0 16 = -16 V2 = C32 u3 = 15 - 5 = 10 V5 = C45 u5 = 0 (-16) = 16

Observe que el clculo para cualquier ui ,es el costo menos el respectivo vj y para cualquier vj , es el costo menos el respectivo ui Tabla de costos para las variables no bsicas Cij-ui-vj, as:
C11 u1 v1 = 20 0 15 = 5 C12 u1 v2 = 19 0 10 = 9 C13 u1 v3 = 14 0 13 = 1 C14 u1 v4 = 21 0 16 = 5 C22 u2 v2 = 20 0 10 = 10 C24 u2 v4 = 19 0 16 = 3

C31 u3 v1 = 18 5 15 = -2 C34 u3 v4 = 20 5 16 = -1 C35 u3 v5 = M 5 16 = M-21

C41 u4 v1 = 0 (-16) 15 = 1 C42 u4 v2 = 0 (-16) 10 = 6 C43 u4 v3 = 0 (-16) 13 = 3

Observe que stos clculos se pueden hacer directamente sobre la tabla, aplicando para las casillas de las variables no bsicas Cij ui vj 177

Transporte y Transbordo

Fjese que en sta ltima tabla, estn todos los coeficientes de las variables no bsicas en la funcin objetiva, despus de haber sumado mltiplos de las restricciones a la funcin objetivo para eliminar las variables bsicas. La nueva funcin objetivo es:
Z=5X11+9X12+X13+5X14+10X22+3X24-2X31-X34+(M-21)X35+X41+6X42+ 3X43+2.650

La variable que al crecer hace que Z disminuya ms es X31 , luego escogemos sta variable para entrar a la base. Observe que en la tabla de costos para las variables no bsicas se encuentran los valores en que aumenta disminuye Z por cada unidad de crecimiento de las variables no bsicas. Identificada la variable para entrar (X31), debemos determinar la variable para salir, que debe ser aquella que primero se vuelva cero (0) a medida que la variable que entra crezca. para ello, construimos un circuito cerrado de (+) y (-), empezando, sumando en la casilla de la variable que entra X31. Observe que el circuito de (+) y (-) tiene como objetivo preservar la suma de las filas y de las columnas, esto es, seguir satisfaciendo la oferta y la demanda, conservando la factibilidad del problema. Z=2.650 ; Variable que entra X31. Fjese que a medida que X31 crece, X21 y X33 decrecen en la misma cantidad. Aqu X21 y X33 llegan a cero al mismo tiempo. Escogemos arbitrariamente a X33 como variable que sale y a X21 al restarle 30 quedar con un valor de 0

Z=(40)(16)+(0)(15)+(50)(13)+(10)(16)+ (30)(18)+(40)(15)+(40)(0)+(10)(0) = 2.590 . Fjese que m+n-1=8 . X21 es variable bsica = 0 . La oferta es igual a la demanda. . Z disminuye en 60 unidades; 2(30)=60 2.650 60 = 2.590

178

Transporte y Transbordo

La pregunta aqu es: sta es la solucin ptima?, la respuesta la conoceremos cuando calculemos la nueva tabla de costos para las variables no bsicas.

Tabla de costos para las variables bsicas: Cij ui vj = 0

Tabla de costos para las variables no bsicas: Cij ui vj Fjese que todos son > 0 Estamos en la solucin ptima. Solucin ptima Variables bsicas: X21* = = 0 X23* = 50 X15* = 40 X25* = 10 X31* = 30 X32* = 40 X54* = 40 X55* = 10 Z* = 0(16)+0(15)+50(13) +10(16)+30(18)+40(15)+ 40(0) +10(0) = 2.590

Interpretacin de la solucin La forma ptima de hacer los envos desde las fbricas (1,2,3) a los distribuidores (1,2,3,4,5) para que los costos totales del transporte sean mnimos es: Desde la fbrica 1 al distribuidor 5 enviar 40 unidades, a un costo de: $ 640 Desde la fbrica 2 al distribuidor 3 enviar 50 unidades, a un costo de: $ 650 Desde la fbrica 2 al distribuidor 5 enviar 100 unidades, a un costo de: $ 160 Desde la fbrica 3 al distribuidor 1 enviar 30 unidades, a un costo de: $ 540 Desde la fbrica 3 al distribuidor 2 enviar 40 unidades, a un costo de: $ 600
179

Transporte y Transbordo

Total de unidades enviadas 170, a un costo total de $2.590 Observe que el distribuidor 4 se quedar sin sus 40 unidades y que el distribuidor 5 sin sus 10 unidades, en total quedar una demanda insatisfecha de 50 unidades (Informacin que conocimos desde el principio), lo relevante aqu, es que ahora sabemos a quien no enviarle las 50 unidades que no tienen los distribuidores y que podemos tomar decisiones administrativas referentes a la demanda no cubierta, tales como: 1. Conseguir las 50 unidades a travs de la competencia agremiada, como consecuencia de acuerdos previamente establecidos. 2. Acordar con el distribuidor 4 y 5 cubrir dicha demanda en el periodo de produccin siguiente. 3. Otras decisiones podrn ser tomadas en concordancia con la situacin real. Problema de transporte con costos de produccin Una compaa tiene 4 fbricas (F1 , F2 , F3 , F4), que envan su produccin a 4 almacenes (A1 , A2 , A3 , A4). Los costos y capacidades de produccin, en cada una de las 4 fbricas son:

Las demandas mensuales del producto en cada uno de los 4 puntos de distribucin son:

Los costos del transporte, en $/Unidad, entre las diversas combinaciones de fbricas y almacenes son:
180

Transporte y Transbordo

Formule Un problema de programacin lineal para minimizar los costos de transporte y produccin, y encuentre la solucin ptima. Xij = Unidades de producto a enviar desde la fbrica i-sima (i=1,2,3,4), al almacn j-simo(j=1,2,3,4) Minimizar Z = 40(X 11 +X 12 +X 13 +X 14 +) + 43(X 21 +X 22 +X 23 +X 24 ) + 39(X31+X32+X33+X34) + 45(X41+X42+X43+X44) + 48X11 + 60X12 + 56X13 + 58X14 + 47X21 + 57X22 + 53X23 + 59X24 +51X31 + 63X32 + 61X33 + 63X34 + 51X41 + 63X42 + 55X43 + 61X44
C.S.R. X11 + X12 + X13 + X14 X21 + X22 + X23 + X24 X31 + X32 + X33 + X34 X41 + X42 + X43 + X44 < < < < 140 X11 + X21 + X31 + X41 260 X12 + X22 + X32 + X42 360 X13 + X23 + X33 + X43 220 X14 + X24 + X34 + X44 > 180 > 280 > 150 > 200 Xij > 0 ; i = 1,2,3,4 J = 1,2,3,4

Simplificando la funcin objetivo, queda as: Minimice Z = 88X11 + 100X12 + 96X13 + 98X14 + 90X21 + 100X22 + 96X23 + 102X24 + 90X31 + 102X32 + 100X33 + 102X34 + 96X41 + 108X42 + 100X43 + 106X44 Evaluamos las oferta frente a la demanda, de no ser iguales, la igualamos mediante variables de holgura. Fbricas F1 F2 F3 F4 ai 140 260 360 220 980 Distribuidores A1 A2 A3 A4 A5 bj 180 280 150 200 810 170 980 Creamos el almacn artificial A5 con una demanda de 170 unidades.

181

Transporte y Transbordo
X11 X21 X31 X41 + X12 + X13 + X14 + X22 + X23 + X24 + X32 + X33 + X34 + X42 + X43 + X44 + + + + X15 = X25 = X35 = X45 = 140 260 360 220 X11 + X12 + X13 + X14 + X15 + X21 + X31 + X22 + X32 + X23 + X33 + X24 + X34 + X25 + X35 + X41 X42 X43 X44 X45 = = = = = 180 Xij > 0 ; i = 1,2,3,4 J= 280 150 1,2,3,4,5 200 170

Nmero de variables bsicas: m + n 1 = 4 + 5 1 = 8 Partiendo de sta solucin bsica factible no degenerada encontrada por el mtodo de aproximacin de vogel, aplicamos el mtodo de modi, para efectuar las iteraciones y encontrar la solucin ptima. Z = 78.880 140 160 100 180 120 60 50 170 98 ui -4 -2 0 2 X14* = X22* = X23* = X31* = X32* = X34* = X43* = X45* = 140 160 100 180 120 60 50 170

90 90 2 2 4
182

100 102 102 2 4

102 100 98 102 -2 2 2 6 4 2

96

La fbrica 4 se quedar con 170 unidades en su bodega, ya que el destinatario 5 es artificial.

Z* = 140(98) + 160(100) + 100(96) + 180(90) + 120(102) + 60(102) + 50(100) + 170(0) = $78.880

2 2

Transporte y Transbordo

El problema del transbordo Este problema corresponde al enunciado del problema nmero 8 del captulo de formulacin. All se convirti un problema de transbordo en un problema clsico de transporte, construyndose la siguiente matriz de costos.

Igualamos la oferta y la demanda mediante la creacin de una planta de produccin ficticia.

Aplicamos el mtodo aproximativo de Vogel

Nmero de variables Bsicas: m+n-1 = 3+4-1 = 6

183

Transporte y Transbordo

20 30 36 0 0 1 1

Z = 4.920 60 60 20 40 36 34 0 0 4 36 34 0

Z = 20(36) + 60(36) + 60(34) + 30(0) + 20(0) = 4.920 Solucin ptima: X12* = X13* = X23* = X31* = X33* = X34* = 20 60 60 30 20 40

0 0

0 0

Z* = $4.920

De acuerdo a la matriz de costos y al grfico presentado en el problema 6 del captulo de formulacin, las unidades debern ser despachadas as:

Desde la planta de produccin P1 , enviar 20 monitores de alta resolucin al centro de ventas V2 , a travs del centro de control de calidad C1. Desde la planta de produccin P1, enviar 60 unidades al centro de ventas V3, a travs del centro de control de calidad C2.. Desde la planta de produccin P2, enviar 60 unidades al centro de ventas V3, a travs del centro de control de calidad C2 . Grficamente:

184

Transporte y Transbordo

Costos Totales:

20(12) + 20( 4) + 20(20) = 720 60(11) + 60( 6) + 60(19) = 2.160 60( 9) + 60( 6) + 60(19) = 2.040 $4.920

Sistema Operativo de Produccin Este problema corresponde al enunciado del problema nmero 16 del captulo de formulacin. All se resolvi mediante el mtodo simplex; Aqu construimos una tabla de costos, disponibilidades y requerimientos. Usaremos la tcnica del problema del transporte para resolver ste problema de produccin.

185

Transporte y Transbordo

Xij = Unidades a fabricar mediante la fuerza de trabajo regular en el trimestre i-simo (i=1,2,3,4), para atender la demanda del trimestre j-simo (j=1,2,3,4). Hij = Unidades a fabricar mediante la fuerza de trabajo en horas extras en el trimestre i-simo (i=1,2,3,4), para atender la demanda del trimestre j-simo (j=1,2,3,4). Mij = Unidades a fabricar mediante la fuerza de trabajo subcontratada en el trimestre i-simo (i=1,2,3,4), para atender la demanda del trimestre j-simo (j=1,2,3,4) Siendo j = i, ... ,n ; Ya que no es lgico producir unidades para atender demandas pasadas. En la parte superior derecha de cada casilla aparece el costo unitario por unidad producida, es as como una unidad producida durante el primer trimestre con la fuerza de trabajo normal, para suplir la demanda del segundo trimestre, tiene un costo de $53, distribuidos as: $50 de produccin ms $3 de inventario.

186

Transporte y Transbordo

Empezamos por la esquina noroeste y asignamos lo mximo posible para atender la demanda de 50.000 unidades, produciendo lo mximo posible en tiempo normal, cubrimos la demanda. Nos movemos a la fila del segundo trimestre con produccin en tiempo normal y asignamos lo mximo posible (50.000), hacindose necesario producir lo mximo posible en horas extras, (50.000) y en trabajo suplementario (40.000), para un total de 140.000 unidades a producir, quedando sin cubrir la demanda de 10.000 unidades, ya que la totalidad de la demanda para el segundo trimestre es de 150.000 unidades. Lo anterior obliga a recurrir a unidades (lo ms baratas posibles) producidas en el trimestre inmediatamente anterior, luego asignamos 10.000 unidades a producir en el primer trimestre en tiempo extra para cubrir la demanda del segundo trimestre; Este movimiento se muestra en la tabla parcial siguiente:

Completando la tabla, los datos aparecen as:

187

Transporte y Transbordo

En la ltima columna queda diseado el plan de produccin por tipo de fuerza de trabajo y por trimestre; En la ltima fila se muestran los costos de las unidades producidas por trimestre. Los inventarios trimestrales se observan sobre cada columna, anteriores al trimestre observado y ellos son: 10.000 y 60.000 unidades para los trimestres 2 y 3 respectivamente, todas unidades producidas durante el primer semestre. Problema clsico del transporte Este problema corresponde al enunciado del problema nmero 7 del captulo de formulacin. Aqu, se mostrar la aplicacin del software WinQsb e Invop para encontrar la solucin ptima. Software WinQsb El WinQsb maneja el problema del transporte en su mdulo de Modelos de Redes, el cual en su inicio nos muestra la siguiente ventana, que se debe diligenciar as:
188

Transporte y Transbordo

Fjese que ste mdulo tambin resuelve otros modelos de redes, que se especifican en la parte izquierda de la ventana. Los datos se pueden ingresar de dos formas: En una matriz tablero de doble entrada (recomendado) de forma grfica. A continuacin se ilustra el ingreso de datos en la tabla de doble entrada

El modo de edicin del men principal permite cambiar los rtulos de las fuentes y los destinos. No es necesario que la oferta sea igual a la demanda, el software se encarga de agregar fuentes destinos de holgura, segn sea la necesidad. Para solucionar el problema, se da clic sobre el icono que aparece en la parte superior y que se seala en la figura siguiente:
189

Transporte y Transbordo

El WinQsb le ofrecer entonces una ventana con la respuesta ptima del problema, indicando cuntas unidades enviar desde cada una de las ciudades de origen a cada una de las ciudades de destino, con su costo por envo y el costo total de la operacin. Si se usa ste icono, el WinQsb nos ilustrar mediante una red la respectiva respuesta ptima al problema.

Observe que en ste problema la oferta de los Centros de distribucin es igual a los requerimientos de los detallistas, por lo tanto no hubo necesidad de adicionar ni fuentes, ni destinos ficticios y se trata de un problema de mercado perfecto. A continuacin se ilustra el mismo problema; Pero bajo el software del INVOP (Investigacin de Operaciones), Software creado por Beatriz Loubet y Sandra Segura de la Facultad de Ciencias Econmicas de la Universidad del Cuyo en Argentina; El software est hecho en lenguaje Delphi y puede ser adquirido gratuitamente de la siguientes direcciones en internet: http//members.tripod.com/~operativa www.cui.edu.co/industrial/SOF01.html Software INVOP Este software maneja las siguientes aplicaciones: Asignaciones, Trans190

Transporte y Transbordo

porte, Distancias en redes (Ruta ms corta, rbol de mnimo recorrido, Agente viajero), Flujo de redes. El invop est en Espaol y su metodologa dirigido a la enseanza, ofreciendo al usuario tanto la parte terica de fundamento matemtico como la parte prctica de solucin de problemas con sus respectivos ejemplos. El Invop presenta una ventana principal, en la que hace una breve, pero til resea de sus aplicaciones, de ellas seleccionamos la de transporte, como se muestra en la figura siguiente:

Al escoger la opcin de transporte, el INVOP nos ofrece una ventana en donde captura los datos del problema y en un recuadro situado en la parte inferior derecha, donde nos ofrece la solucin ptima. Colocando el cursor sobre algunos sitios de inters de sta ventana, se ofrece un rtulo en fondo amarillo con la respectiva instruccin de ayuda. En la parte inferior izquierda de la ventana se especifica el criterio de optimizacin y la cantidad de fuentes y destinos, en la parte superior derecha se introducen los costos por unidad a transportar y habilitando el cuadro de control, se editan los encabezados de fila y colum191

Transporte y Transbordo

na, al igual que las ofertas y las demandas de fuentes y destinos. Cuando la informacin del problema est introducida, se procede a solucionar el problema, haciendo clic sobre el icono del men superior, que tiene la figura de una calculadora, Entonces se llena el cuadro en la parte inferior derecha con la solucin ptima. En la figura siguiente se ilustra sta ventana.

Se recomienda al Usuario del Software leer la ayuda (Help), en la que se explica toda la parte conceptual y matemtica del algoritmo del transporte al igual que se ilustran varios ejemplos de muy buena calidad. Problemas Propuestos 1. Formular, Resolver manualmente, e interpretar la solucin, de todos los problemas de ejemplo de la Ayuda del Software INVOP. 2. Desarrolle un algoritmo para el caso de Maximizacin de un problema de transporte; Tanto para encontrar la solucin bsica inicial por el mtodo de vogel, como para hallar la solucin ptima por el mtodo MODI. (Sugerencia: Use la regla de equivalencia Max(Z) = Min(-Z)). 3. Una cadena de cinco (5) Almacenes, ubicados en diferentes partes
192

Transporte y Transbordo

del pas, requieren cierta mercanca para cada uno de sus almacenes. Las Empresas abastecedoras han informado que disponen de la mercanca solicitada, pero en tres (3) diferentes fbricas. La escasez del producto hace que la cadena de almacenes deba transportar la mercanca. En base a los costos del transporte por unidad, a los requerimientos de los almacenes y a la disponibilidad de las fbricas, que se muestra en el siguiente cuadro; Formule el problema de programacin lineal que minimice los costos totales del transporte y resulvalo. Solucin:
X25= 300 ; X32= 100 Z*=84.000 X11= 1.000 ; X22= 700

X33= 600 ; X34= 800

4. Una Compaa desea saber, que poltica de distribucin minimizar sus costos totales, se cuenta con tres (3) fbricas y cuatro (4) clientes, la produccin de las fbricas es de: 550,300 y 260 unidades respectivamente; y las necesidades de los cuatro (4) clientes son: 250,300,200, y 160 unidades respectivamente. Los costos de enviar una (1) unidad entre cada fbrica y los clientes se da a continuacin:
Solucin: X12=300 ; X13= 190 X24=160 ; X31= 250 X33= 10 ; Z* =2.510

5. Considere el problema de transporte que tiene la siguiente tabla de costos y requerimientos.

Solucin: X15=50 ; X21=40 X23=20 ; X34=40 X42=30 ; X43=30 X44=10 ; X54=10 Z*=2.530

193

Transporte y Transbordo

a) Use el mtodo de la esquina noroeste para obtener una solucin bsica factible. b) Use el mtodo del costo mnimo para obtener una solucin bsica factible. c) Use el mtodo de vogel para obtener una solucin bsica factible. d) Obtenga la solucin ptima, partiendo de la solucin bsica obtenida por el mtodo de vogel. 6. Considere el problema del transporte que tiene la siguiente tabla de costos y requerimientos:
Solucin: X12=50 ; X21=20 X23=20 ; X31=10 X34=39 ; X36=11 X44= 1 ; X45=30 Z*=330

a) Use el mtodo de la esquina noroeste para obtener una solucin bsica factible. b) Use el mtodo del costo mnimo para obtener una solucin bsica factible. c) Use el mtodo de vogel para obtener una solucin bsica factible. d) Obtenga la solucin ptima, partiendo de la solucin bsica obtenida por el mtodo de vogel. 7. Una compaa tiene un programa de embarque. La empresa tiene 3 fbricas y 4 bodegas. A continuacin se dan los datos necesarios en trminos de costo del transporte, capacidad de cada fbrica y los requerimientos de cada bodega. Busque un programa ptimo de embarque de tal manera que los costos sean mnimos.
Solucin: X11= 400 ; X13= 200 X14=1000 ; X21=1200 X32= 400 ; X33= 200 Z*=34.000

194

Transporte y Transbordo 8. Una compaa tiene 4 almace-

nes y 6 tiendas. Los almacenes juntos tienen un exceso de 22 unidades de un producto dado, que se divide entre ellos como sigue:

Las 6 tiendas juntas necesitan 22 unidades del producto. Los requerimientos individuales son: Los costos de enviar una unidad del producto del almacn isimo a la tienda j-sima son:

Cuntas unidades se deben enviar de cada almacn a cada tienda, para minimizar los costos? Cul es el costo total mnimo?
Solucin: X13=5 ; X22=3 ; X23=1 ; X26=2 ; X31=1 ; X32=1 ; X41=3 ; X44=2 ; X45=4 Z* = 112

9. Se tiene que distribuir un producto desde 3 fbricas (A, B, C), hasta 5 almacenes (d, e, f, g, h), la siguiente tabla muestra: Costos, demandas y ofertas. Qu cantidad de producto se debe enviar de cada fbrica a cada almacn, si se quiere minimizar los costos?
Solucin: X12=2 ; X14=17 ; X21=11 ; X22=10 ; X23=7 ; X32=1 ; X35=24 ; Z*=2.986

195

Transporte y Transbordo

10. Se envan automviles en camin desde 3 centros de distribucin a 5 distribuidores. El costo de envo est basado en la distancia recorrida entre las fuentes y destinos. El costo es independiente de si el camin hace el recorrido con una carga parcial o completa. La tabla que sigue, hace un resumen de las distancias a recorrer entre los centros de distribucin y los distribuidores y tambin las cifras mensuales de oferta y demanda calculadas en nmero de automviles. Cada camin puede transportar un mximo de 18 vehculos. Dado que el costo de transporte por kilmetro recorrido es de $10; Formule el problema como un modelo de transporte, resulvalo e interprete la solucin.
Solucin: X11=6 ; X14=9 X15=8 ; X22=3 X23=9 ; X32=9 Z* = $37.000 Z* = 3.700 Km.

11. FIBRATOLIMA ha transportado desde su planta en Ibagu, 400 Toneladas de tela al puerto de Santa Marta, 200 Toneladas al puerto de Cartagena y 150 Toneladas al puerto de Barranquilla; para atender sus pedidos de exportacin as: Panam requiere 200 Toneladas que pagar a $120.000 Tonelada; Honduras requiere 300 Toneladas que pagar a $110.000 Tonelada y Venezuela desea 250 Toneladas que pagar a $100.000 Tonelada. A Fibratolima le cuesta $50.000 traer cada tonelada de su planta en Ibagu hasta Santa Marta, $40.000 Tonelada a Cartagena y $30.000 Tonelada a Barranquilla. La siguiente tabla muestra el costo por tonelada de transportar la tela desde cada puerto de embarque al sitio de pedido.

Se requiere:
196

Transporte y Transbordo

a) Formular el problema. b) Use el mtodo de vogel para obtener una solucin inicial. c) Obtenga la solucin ptima.
Solucin: X11=150 ; X13=250 ; X22=200 ; X31=50 ; X32=100 ; Z*=$34250.000

12. Tres plantas generadoras de energa elctrica, con capacidades de 25,40 y 30 millones de kilowatts-hora (KWH), suministra electricidad a 3 ciudades cuyas demandas son: 30, 35 y 25 millones de KWH. El costo en unidades monetarias (u.m.) de la venta de corriente elctrica a las diferentes ciudades, por milln de KWH es: Durante el siguiente mes, se incrementa un 20% la demanda en cada una de las tres ciudades. para satisfacer el exceso de demanda, la compaa elctrica debe comprar electricidad adicional de otra red a 100 u.m. por milln de KWH. a) Formule el problema como uno de transporte, con el fin de establecer el plan de distribucin ms econmico, desde el punto de vista de la compaa elctrica. b) Utilizando el mtodo de vogel, encuentre una solucin bsica factible. c) Encuentre la solucin ptima e interprete la solucin.
Solucin: X13=25 ; X22=40 ; X31=23 ; X32=2 ; X33=5 ; X41=13 ; Z*=$4.971

13. Una compaa produce motores elctricos pequeos en cada una de sus tres plantas, para 4 fabricantes de instrumentos. Los costos de produccin por unidad varan segn las ubicaciones, debido a diferencias en el equipo de produccin y en el rendimiento de los trabajadores. Los costos de produccin por unidad y la capacidad mensual (Oferta) se presentan en la siguiente tabla
PLANTA Costo de Produccin por Unidad Capacidad de Produccin Mensual

A B C

17 20 24

800 600 700

Tabla de costos por u n i d a d transportada.

Los pedidos de los clientes que deben producirse el siguiente mes, se muestran en la tabla siguiente:
197

Transporte y Transbordo

La empresa debe decidir cuntas unidades se producirn en cada planta y qu porcin de la demanda de cada cliente se surtir desde cada una de ellas. Se desea minimizar la produccin total y los costos de transporte. Formule el problema como uno de transporte y resulvalo, indicando claramente cuntas unidades se deben enviar y producir desde cada planta a cada cliente y cul es el costo mnimo.
Solucin: X11=300 ; X12=100 ; X13=400 ; X24=600 ; X32=400 ; Z*=$40.500

14. Una empresa tiene 3 centros de distribucin: Bogot, Barranquilla y Medelln, con una capacidad de despacho de 9.000, 11.000 y 5.000 unidades por semana. Los clientes estn clasificados por zonas: Occidente, Costa, Oriente y Viejo Caldas; Cuyas demandas por semana son: 6.000, 5.000, 8.500 y 4.500 unidades respectivamente. En la siguiente tabla se muestran los costos de despachar 100 unidades desde cualquier centro de distribucin a cualquier zona.

Cul es la cantidad de unidades que hay que despachar desde cada centro de distribucin a cada cliente con el fin de que los costos totales del transporte sean mnimos y todos los clientes queden satisfechos. 15. Una firma dedicada al alquiler de automviles, tiene escasez de coches en una serie de ciudades ubicadas en Colombia. Las Ciudades de Bogot, Medelln, Cali y Barranquilla disponen de 20,35,15 y 10 coches menos de los que se necesitan para los alquileres esperados. El director de la firma se entera que en Ibagu, Armenia y Pereira tienen 40, 25 y 30 coches de ms respectivamente. Los costos en pesos, del transporte de un coche entre las distintas ciudades queda reflejado en la siguiente tabla. El problema consiste en minimizar el costo total de transporte para solucionar el problema de escasez.
Solucin: X11=15 ; X14=10 ; X21=5 ; X22=5 ; X23=15 ; X32=30 ; Z*=$1.470 198

Captulo 10 Asignaciones

Introduccin El problema de asignaciones es un caso especial del problema del transporte, uno en el cual, todas las variables son de carcter binario (0,1) y a cada fuente se le debe asignar uno y solo un destino, y a cada destino una y solo una fuente. Al final del captulo, se ilustra el uso del software WinQsb e Invop para resolver ste tipo de modelo. Caractersticas del modelo Xij = 0 = No asigne la fuente i-sima al destino j-simo Xij = 1 = Si asigne la fuente i-sima al destino j-simo
199

Asignaciones

ai = 1 , para todo i bj = 1 , para todo j

aij = 1 , para todo i y para todo j m = n , Nmero de fuentes igual a nmero de destinos

Cij = Costo de asignar la fuente i-sima al destino j-simo Grficamente

El presente modelo de asignacin, se puede resolver mediante el mtodo simplex, pero al resultar dispendiosa su solucin, los Hngaros desarrollaron un mtodo ms efectivo y prctico, el cual se ilustra a continuacin. Para iniciar la aplicacin del algoritmo, se debe igualar el nmero de fuentes al nmero de destinos, con fuentes destinos ficticios, si ello es necesario. Algoritmo para Minimizar 1. Construya una tabla de costos en la que el nmero de filas sea igual al nmero de columnas y en cada casilla figure el costo de asignar cada fuente (Filas) a cada destino (Columnas). 2. Reste el valor del elemento mnimo (Costo Mnimo) de cada fila a cada elemento de la fila. Con la tabla resultante, haga lo mismo pero para cada columna.
200

Asignaciones

3. Examinar las filas y las columnas sucesivamente. Para cada fila (Columna) que tenga exactamente uno y solo un cero, resrvelo para asignarlo (encirrelo en un cuadrado), y no considere (Tache), los otros elementos cero de la correspondiente columna (Fila). ste proceso se debe repetir hasta que todos loa elementos cero estn reservados eliminados (Tachados). En caso de que sistemticamente queden ceros no reservados ni tachados, despus de recorrer repetitivamente las filas y las columnas, elija un cero al azar y resrvelo tchelo y proceda con el resto de los ceros, reservndolos tachndolos. Si los elementos reservados para asignar, representan una asignacin completa (A cada fuente le corresponde un destino y a cada destino le corresponde una fuente), se ha encontrado la solucin ptima; de lo contrario pase al punto cuatro (4). 4. Cubrir todos los ceros (Reservados Tachados), con un nmero de lneas horizontales y verticales, igual al nmero de ceros reservados para asignar. 5. Examinar todos los elementos no cubiertos por una lnea, escoger el mnimo de stos y restarlo de todos los elementos no cubiertos; luego sumarlo a cada elemento que se encuentre en la interseccin (Si la hay) de dos (2) lneas. 6. Ir al punto tres (3), para tratar de encontrar un solucin completa. Algoritmo para Maximizar Restar del mayor de toda la tabla, todos los elementos de la tabla y proceda a minimizar con la tabla resultante. Ejemplo 1 Un taller a comprado 3 mquinas nuevas de usos distintos. Hay 4 sitios posibles para stas mquinas, pero algunos de stos sitios son ms preferibles que otros, por razn de costo de manejo de materiales, el objetivo es asignar las mquinas en los sitios, para minimizar el costo total de manejo de materiales. Los costos de manejo de materiales, segn se coloque cada mquina en cada sitio, son:
201

Asignaciones

X = La mquina B no cabe en el sitio 2

Solucin
13 15 5 0 10 M 7 0 12 13 10 0 11 20 6 0

Como m n (m = 3 y n = 4), adicionamos una mquina ficticia (Fila 4, Variables de holgura), que tienen coeficiente cero (0) en la funcin objetiva. Para evitar que la mquina B sea asignada al sitio 2, castigamos en la funcin objetiva con un costo muy alto (M) a la variable X22, variable artificial. El menor elemento de cada fila ha sido restado de todos los elementos de cada fila, en la fila 1 el menor costo es 10, luego los nuevos elementos de la fila 1 son: 13 10 = 3 ; 10 10 = 0 ; 12 10 = 2 ; 11 10 = 1 ; Al menos en cada fila debe quedar un cero (0), el del elemento ms pequeo. Teniendo como referencia la tabla anterior, el menor elemento de cada columna ha sido restado de todos los elementos de cada columna. Como en cada columna hay un cero, la tabla queda igual a la anterior.

3 2 0 0

0 2 0

2 5 0

1 7 1 0

M-13 0

3 2 0 0

0 2 0

2 5 0

1 7 1 0

M-13 0

Ahora, intentamos hacer una asignacin completa, para ello hacemos la siguiente pregunta clave para cada fila. HAY UN SOLO CERO (0) EN LA FILA ?, SI S, RESRVELO PARA ASIGNARLO Y TACHE TODOS LOS CEROS DE LA COLUMNA RESPECTIVA. Una vez recorridas todas la filas, hacemos la misma pregunta para cada columna. HAY UN SOLO CERO (0) EN LA COLUMNA ?, SI S, RESRVELO PARA ASIGNARLO Y TACHE TODOS LOS CEROS DE LA FILA RESPECTIVA.

202

Asignaciones

Hay un solo cero en la fila 1?: Si, en la columna 2, entonces lo reservamos y tachamos todos los ceros de la columna 2.

Hay un solo cero en la fila 2?: Si, en la columna 3, entonces lo reservamos y tachamos todos los ceros de la columna 3.

Hay un solo cero en la fila 3?: Si, en la columna 1, entonces lo reservamos y tachamos todos los ceros de la columna 1.

Hay un solo cero en la fila 4?: Si, en la columna 4, entonces lo reservamos y tachamos todos los ceros de la columna 4.

Fjese que en el ltimo tablero, todos los ceros han quedado, reservados tachados, no se hizo necesario recorrer las columnas. Aqu existe una asignacin completa, en atencin a que a cada mquina le a sido asignado un sitio y a cada sitio le hemos asignado una mquina, los sitios reservados los sealizamos con ceros encerrados en un cuadro. Solucin ptima La mquina A es asignada al sitio 2, con un costo de manejo de materiales de $10 La mquina B es asignada al sitio 3, con un costo de manejo de materiales de $13 La mquina C es asignada al sitio 1, con un costo de manejo de materiales de $ 5 La mquina D es asignada al sitio 4, con un costo de manejo de materiales de $ 0 La ltima asignacin corresponde a la mquina de holgura D, colocada para hacer igual el nmero de mquinas al nmero de sitios; lo anterior significa que el sitio 4 quedar vaco. El costo ptimo de manejo de materiales es de $28; que se logra asignando las mquinas a los sitios sealados. Otra manera de calcular el costo mnimo consiste en sumar las cantidades que han sido restadas en cada fila y columna, esto es: 10 (el menos de la fila 1)+13 (el menor de la fila 2)+5 (el menor de la fila 3)= $28
203

Asignaciones

Ejemplo 2 El jefe de un departamento, tiene 5 obreros y 5 trabajos para hacer, los obreros difieren en su eficiencia y los trabajos difieren en su dificultad intrnseca. El estimado de los tiempos que cada hombre tomar para hacer cada trabajo, est dado en la siguiente tabla. Cmo debern asignarse los trabajos, uno a cada obrero, para minimizar el total de horas hombre? Cada trabajo debe ser ejecutado por uno y solo un obrero y a cada obrero solo le debe ser asignado uno y solo un trabajo. Solucin Aqu, el nmero de fuentes es igual al nmero de destinos (El nmero de filas es igual al nmero de columnas) dicho de otra forma, el nmero de trabajos es igual al nmero de obreros, luego no se hace necesario ninguna variable de holgura. Restar el elemento ms pequeo de cada fila a todos los elementos de cada fila.

Restar el elemento ms pequeo de cada columna a todos los elementos de cada columna.

204

Asignaciones

No se logro una asignacin completa, ya que al trabajador 3, no le fue asignado ningn trabajo. Entonces, con un nmero de lneas, horizontales y / verticales iguales al nmero de ceros reservados , tachamos todos los ceros. N de lneas = Nmero de ceros reservados = 4 De los elementos no tachados, escogemos el menor (2), lo restamos de todos los elementos no tachados y lo sumamos en las intersecciones que forman las lneas horizontales con las verticales. Si no hay intersecciones, no se suma. Con la tabla resultante, intentamos nuevamente hacer una asignacin completa. Aqu, hemos logrado una asignacin completa. A cada trabajo le hemos asignado un trabajador y a cada trabajador le hemos asignado un trabajo.

Solucin Al trabajo A, le asignamos el trabajador 1, quien emplear 11 horas. Al trabajo B, le asignamos el trabajador 4, quien emplear 6 horas. Al trabajo C, le asignamos el trabajador 5, quien emplear 16 horas. Al trabajo D, le asignamos el trabajador 3, quien emplear 17 horas Al trabajo E, le asignamos el trabajador 2, quien emplear 10 horas. El tiempo total para ejecutar los 5 trabajos es de 60 horas. Si suma todos los elementos restados durante el proceso, tmbien encontrar el valor mnimo: (8+6+12+17+10)+(1+4)+2 = 60 Para ilustrar el uso del software WinQsb e Invop, usaremos los datos numricos del ejemplo 2. Software WinQsb El problema de asignaciones en el WinQsb, forma parte del mdulo de redes y el ingreso de datos se efecta mediante la siguiente ventana:
205

Asignaciones

Los datos requeridos son los mismos que para el problema del transporte. Los datos se pueden ingresar de dos formas: En una matriz tablero de doble entrada de forma grfica. A continuacin se ilustra el ingreso de datos en la matriz tabla de doble entrada. Fjese que la siguiente tabla en comparacin con la ofrecida en el problema del transporte, carece de disponibilidades y requerimientos.

Para solucionar el problema, se da clic sobre el icono que aparece en la parte superior, hacia el centro de la ventana; entonces el WinQsb le ofrecer una ventana con la respuesta ptima del problema, mostrando en ella , que trabajador se debe asignar a cada uno de los cinco trabajos, las horas que emplear cada trabajador y el tiempo total de realizacin de todos los trabajos.
206

Asignaciones

Si se usa ste icono, el WinQsb nos ilustrar mediante una red la respectiva respuesta ptima al problema.

Software INVOP En la ventana principal del INVOP, escogemos la opcin de asignaciones, y el programa nos ofrece una ventana en la que en la parte inferior izquierda se selecciona el criterio de optimizacin, en la parte superior derecha introducimos los datos, teniendo la opcin de cambiar los rtulos de las filas y las columnas. A continuacin damos clic sobre el icono que Representa una calculadora y en la misma ventana, en la parte inferior derecha el programa nos ofrece la solucin ptima.
207

Asignaciones

Se recomienda leer todo el tutorial de ste programa, en ella se ofrecen ejemplos prcticos y todo el respaldo matemtico del algoritmo del problema. Problemas propuestos 1. El gerente de una empresa, tiene 4 trabajadores y 4 trabajos para ejecutar, por su experiencia y el nivel de dificultad de cada uno de los trabajos, los tiempos de ejecucin de cada trabajador, se muestran en la siguiente tabla. El gerente desea que cada trabajo sea ejecutado por un solo trabajador y a cada trabajador, solo se le asigne un trabajo.

Que trabajador se debe asignar a cada trabajo, de tal manera que la duracin total de todos ellos sea la mnima?
Solucin: X11=X23=X32=X44=1 ; Z=41 208

Asignaciones

2. Considere el problema de asignacin, cuya matriz de costos es la siguiente:

Solucin: X14=X22=X33=X41=1 ; Z*=97

3. El entrenador de un equipo de natacin debe asignar competidores para la prueba de 200 metros combinados por equipos, para enviarlos a las olimpiadas juveniles. Como muchos de sus nadadores son rpidos en ms de un estilo, no le es fcil decidir a que estilo asignar a cada uno. Los cuatro mejores nadadores y sus mejores tiempos (En segundos), en cada estilo son:
Solucin: Z*=126,2 Segundos X13=X24=X32=X41=1

El entrenador quiere determinar como asignar los cuatro nadadores a los cuatro tipos de nado, para minimizar la suma de los mejores tiempos correspondientes. 4. Un corredor de bienes races, planea la venta de 5 lotes de terreno y ha recibido ofertas individuales de cuatro clientes. Debido a la cantidad de capital que se requiere, stas ofertas se han hecho en el entendimiento de que ninguno de los cuatro clientes comprar ms de un lote. Las ofertas se muestran en la siguiente tabla: El corredor de bienes races quiere maximizar su ingreso total a partir de esas ofertas. Resuelva ste problema mediante el mtodo Hngaro.
Solucin: X13=X25=X32=X41=1 ; Z* = $54

209

Asignaciones

5. Una empresa va a decidir cul de cuatro vendedores debe asignar a cada uno de sus cuatro distritos de ventas. Cada vendedor est en condiciones de lograr ventas diferentes en cada distrito. En la tabla siguiente se muestran las estimaciones de ventas para diferentes combinaciones de vendedor y distrito. A la empresa le gustara maximizar el volumen de ventas total. Sin embargo, es imposible asignar al vendedor B para el distrito 1 y al vendedor A para el distrito 2, ya que esas decisiones violaran las polticas de rotacin de personal. Use el mtodo Hngaro para resolver ste problema. Establezca el valor ptimo de la funcin objetivo.
Solucin: X14=X23=X31=X42=1 ; Z* = 320

6.

Una compaa de contadores, tiene tres nuevos clientes. Se asignarn a los tres clientes, tres jefes de proyecto. Con base en los distintos antecedentes y experiencia de los citados, las diversas asignaciones entre jefes de proyecto y clientes, vara en funcin de los tiempos esperados de terminacin. Se muestra a continuacin las posibles asignaciones y los tiempos esperados de terminacin. Resuelva el problema y determine que jefe de proyecto se le asigna a cada cliente.
Solucin: X12=X21=X33=1 ; Z* = 64

7. Se tienen 4 trabajadores que deben ser asignados a 4 trabajos, con base en los tiempos empleados por cada uno de ellos en cada trabajo, cul es la asignacin ptima que permite, en conjunto, obtener el tiempo mnimo?.
Solucin: X11=X23=X32=X44=1 ; Z* = 42

210

Asignaciones

8. Cuatro personas acaban de terminar el curso de ventas de la compaa y se les va a asignar a cuatro distritos diferentes. Basndose en su experiencia, actuacin en el curso, conocimiento del proyecto y los clientes potenciales, la administracin a hecho estimaciones del xito esperado de cada uno en cada distrito. Las estimaciones en la escala de 1 (Bajo) al 10 (Alto), son:
Solucin:

X13=X24=X32=X41=1 Z* = 35

9. El gerente de una agencia de publicidad, debe decidir, cul de cuatro ejecutivos de contabilidad debe asignar a cada uno de sus cuatro clientes principales. En la tabla se presentan los costos estimados de la asignacin de cada ejecutivo. Use el mtodo Hngaro para encontrar la solucin ptima del problema y establezca el valor de la funcin objetivo.
Solucin:

X 11 =X 24 =X 33 =X 42 =1 Z* = 68

10. Coruniversitaria recibe ofertas para las 4 rutas de buses escolares de la ciudad. Cuatro compaas presentaron las ofertas que se muestran en la tabla siguiente: Suponga que se puede asignar solamente una ruta a cada licitador. Utilice el mtodo de asignacin para minimizar el costo de Coruniversitaria para operar las 4 rutas de buses.
Solucin: X11=X22=X33=X44=1 ; Z* = 15.000 211

Asignaciones

11. Container, Inc., fabrica contenedores de muchos tamaos y formas. Recientemente ha recibido pedidos para producir diversas cantidades de contenedores de cocina de 5 diferentes tamaos. Cada tamao de contenedor puede producirse en cualquiera de cuatro mquinas. Debido a las distintas tecnologas y tiempos de disposicin, el nmero total de horas, incluyendo el tiempo de disposicin, necesarias para procesar cada tamao de contenedor en cada mquina vara, como se muestra en la siguiente tabla: Adecuar una mquina para que cambie el tamao de un contenedor toma largo tiempo, as que la gerencia ha decidido que cada mquina producir contenedores de un solo tamao. Por tanto, solo se producirn 4 de los 5 tamaos en las 4 mquinas disponibles dentro de la fecha lmite asignada. Como los ingresos por cada tamao de contenedor son aproximadamente iguales, la gerencia de Container, Inc., es indiferente en cuanto a cual de los 5 pedidos no satisfacer. Como gerente del departamento de produccin, se le ha pedido determinar cules 4 de los 5 pedidos aceptar y desarrollar un plan de produccin que minimice el tiempo de procesamiento total para satisfacer esos pedidos.
Solucin: X12=X21=X34=X53=1 ; Z* = 98

12. La empresa cauchos del Tolima, necesita realizar 4 proyectos, por falta de personal se va a subcontratar a 4 empresas para que cada una realice un proyecto. Todas las empresas estn en condiciones de realizar cualquiera de los proyectos. El gerente general no sabe como distribuir los proyectos. Usted, como ayuda idnea del gerente, Qu le aconsejara?
Solucin: X12=X24=X33=X41=1 Z* = 52

212

Asignaciones

13. Se cuenta con 4 aviones que deben fumigar 4 campos sembrados. Por las caractersticas de los aviones y de los sembrados, cada avin emplea tiempos distintos en la fumigacin de cada campo, como se ve en el siguiente cuadro: Se trata de determinar que avin debe fumigar cada uno de los campos, de tal manera que las horas de vuelo sean las mnimas posibles. Hallar dos soluciones.
Solucin: X14=X21=X33=X42=1 ; Z* = 8

14. En la Universidad, cuatro contratistas diferentes, proponen construir cuatro edificios. Cada contratista ha remitido propuestas para la construccin de los cuatro edificios. El problema consiste en determinar que edificio debe adjudicarse a cada contratista para lograr el mnimo costo de la construccin de los cuatro edificios. En la tabla siguiente se muestran los costos de cada propuesta en millones de pesos.
Solucin: X14=X21=X33=X42=1 Z* = 234

15. Una compaa transportadora dispone de cinco camiones situados en las ciudades A, B, C, D, E. Se requiere un camin en las ciudades 1, 2, 3, 4, 5, 6. En la tabla siguiente se muestra el kilometraje entre las ciudades. El problema consiste en determinar la asignacin de camiones que minimiza el kilometraje recorrido por los camiones.
Solucin: X12=X26=X33=X41=X54=1 Z* = 55 Km.

213

214

Programacin Lineal Entera y Binaria

Captulo 11 Programacin Lineal Entera y Binaria

Introduccin Muchos de los problemas de la vida real exigen soluciones con nmeros entero, por lo tanto las variables de dicho problema deben ser definidas como variables enteras. Los mtodos de solucin que contemplaremos en ste capitulo son: Mtodo grfico, Mtodo de los planos cortantes de Gomory, Mtodo de Bifurcacin y Acotacin (Branch And Bound), el Mtodo de Egon Balas en donde las variables son de carcter binario (0,1). Por ltimo se ilustra el uso del software WinQsb para atender ste tipo de problema. Mtodo Grfico Es idntico al mtodo grfico de programacin lineal continua, solo que aqu, se seleccionan solo las soluciones enteras dentro del rea de soluciones factibles.
215

Programacin Lineal Entera y Binaria

Ejemplo

Aqu, las intersecciones de la cuadrcula, contenida en el rea sombreada, conforma las soluciones factibles. Entonces, el punto ms a la derecha del rea, que se intercepte con el barrido de la funcin objetivo, es la solucin ptima. ste mtodo es eficaz slo para problemas de dos (2) variables menos. para problemas de ms de 2 variables, estudiaremos el Mtodo de los planos cortantes de Gomory y el Mtodo de Bifurcacin acotacin, denominado tambin Branch And Bound.

Mtodo de los planos cortantes de Gomory ste mtodo sirve para solucionar problemas de ms de dos (2) variables. Algoritmo 1. Encontrar la solucin, empleando el mtodo simplex. 2. Si la solucin es entera, entonces estamos en el ptimo. 3. Si no es entera, introducir una restriccin nueva para la variable
216

Programacin Lineal Entera y Binaria

no entera, que tenga la mayor parte fraccional (Quebrar empates arbitrariamente) y resolver el nuevo problema mediante el mtodo dual simplex. Nueva restriccin a partir de la restriccin actual que tenga la variable cuyo valor en su parte fraccional sea mayor. a) Escriba cada constante como la suma de: Un nmero entero de cualquier signo y una fraccin no negativa, menor que uno (1). b) Cambiar la ecuacin trasladando los coeficientes enteros al lado derecho. Ejemplo Max: C.S.R. Xj > 0 Z = X1 + 5X2 X1 + 10X2 < 20 X1 < 2 y enteros para toda j Max: C.S.R. Xj > 0 Z = X1 + 5X2 X1 + 10X2 + X3 = 20 X1 + X4 = 2 y enteros para toda j

A continuacin solucionamos el problema por el mtodo simplex, tal como se hara si el problema fuese de programacin lineal continua.

Variable que entra X2 (1/10) Variable que sale X3

Variable que entra X1 Variable que sale X4

217

Programacin Lineal Entera y Binaria

Solucin ptima pero no entera: X1 = 2 ; X2 = 9/5 ; X3 = 0 ; X4 = 0 ; Z* = 11 Ecuacin 1 (Fila 1) para construir la nueva restriccin; ya que tiene la variable (X 2), cuyo valor en su parte fraccional es mayor. Clculo de la nueva restriccin, a partir de la ecuacin 2. X2 + 1/10X3 1/10X4 = 9/5 Remplazamos cada constante por la suma de un nmero entero de cualquier signo y una fraccin no negativa menor que uno (1). (1+0)X2 + (0+1/10)X3 + (-1+9/10)X4 = (1+4/5) Simplificando

X2 + 1/10X3 X4 + 9/10X4 = 4/5 + 1 ;Trasladamos los trminos con coeficiente entero, al lado derecho. 1/10X3 + 9/10X4 = 4/5 + 1 X2 + X4 ; Fjese que el lado izquierdo subrayado debe ser positivo y el lado derecho subrayado, debe ser entero, luego podemos asegurar que: 1/10X3 + 9/10X4 > 4/5 ; Multiplicando por (-1): -1/10X3 9/10X4 < -4/ 5; y Adicionando una variable de holgura: -1/10X3 9/10X4 + X5 = -4/5 ; Ecuacin sta que adicionamos, as:

X1 = 10/9 = 1 + 1/9 ; X2 = 17/9 = 1 + 8/9 ; X3 = 0 ; X4 = 8/9 ; X5 = 0 Z = 95/9 = 10, 5 Escogemos la variable bsica con mayor parte fraccionaria, en caso de empate, se escoje al azar. Elegimos X4
218

Programacin Lineal Entera y Binaria

1/9X3 + X4 10/9X5 = 8/9 (0+1/9)X3 + (1+0)X4 + (-2+8/9)X5 = 8/9 1/9X3 + 8/9X5 = 8/9 X4 + 2X5 Positivo Entero

1/9X3 + 8/9X5 > 8/9 -1/9X3 8/9X5 < -8/9 -1/9X3 8/9X5 + X6 = -8/9

Solucin factible, ptima y entera

X1* X2* X3* X4* X5* X6* Zx*

= = = = = = =

0 2 0 2 1 0 10

Y1* Y2* Y3* Y4* Y5* Y6* ZY*

= = = = = = =

3/8 0 0 5/8 0 0 10

Mtodo de Bifurcacin y Acotacin (Branch And Bound) Es una estrategia sistemtica, que reduce mucho el nmero de combinaciones que se deben examinar. Algoritmo 1. Encontrar la solucin mediante el Mtodo Simplex. Si la solucin no es entera, pase al segundo punto. 2. Elija una variable con valor no entero y actela por encima y por debajo del valor entero ms prximo, sto da lugar a dos nuevas restricciones, con cada una de ellas se generan dos nuevos problemas de Programacin Lineal; que se deben resolver. 3. Si ninguna solucin es entera, con la rama de mayor valor de Z, se crean nuevas ramas y se resuelven nuevos problemas por programacin lineal. Deseche los ramales cuyo valor de Z est por debajo del valor de Z calculado con la solucin ptima no entera inicial, redondeada hacia abajo (cota inferior). 4. Se repite el punto 3, Hasta encontrar la solucin entera ptima.
219

Programacin Lineal Entera y Binaria

INICIO X1 = 3,25 X2 = 1,25 Z = 18,75 Cota inferior Z=5(3)+2(1)=17
La solucin con valores redondeados no garantiza el ptimo

Max: Z = 5X1 + 2X2 C.S.R. 2X1 + 2X2 < 9 3X1 + X2 < 11 XJ > 0 ; j=1,2 y enteros

X2 < 1 Max: Z = 5X1 + 2X2 C.S.R. 2X1 + 2X2 < 9 3X1 + X2 < 11 X2 < 1 XJ>0 ; j=1,2 y enteros

X2 > 2

X1 = 3,33 X2 = 1,00 Z = 18,67

X1 < 3

El Mayor Z

X1 = 2,50 X2 = 2,00 Z = 16,50

Max: Z = 5X1 + 2X2 C.S.R. 2X1 + 2X2 < 9 3X1 + X2 < 11 X2 > 2 XJ > 0 ; j = 1, 2 y Enteros

X1 > 4

Max: Z = 5X1 + 2X2 C.S.R. 2X1 + 2X2 < 9 3X1 + X2 < 11 X2 < 1 X1 < 3 XJ > 0 ; j = 1, 2 y Enteros

X1 = 3 X2 = 1 Z = 17

No hay Solucin Factible

Max: Z = 5X1 + 2X2 C.S.R. 2X1 + 2X2 < 9 3X1 + X2 < 11 X2 < 1 X1 > 4 XJ>0 ; j=1,2 y enteros

Observe que la primera acotacin se realiz sobre la variable X2, pero pudo haber sido sobre X1, de todas formas el mtodo es dispendioso, en especial si se hace manualmente. Mtodo Aditivo de Egon Balas para problemas binarios (0,1) No confundir ste mtodo para solucionar problemas de asignaciones, aqu el problema de programacin lineal tiene la forma general y lo diferente es que las variables solo pueden tomar valores binarios (0,1). La filosofa del mtodo se basa en pensar que si se tiene una funcin objetiva minimizando y todos sus trminos son positivos, entonces, entre menos variables tomen el valor de uno (1), la funcin objetiva ser mnima. Algoritmo 1. La funcin objetivo se minimiza, en caso de maximizacin, use la regla de equivalencia: Maximizar (Z) = Minimizar (-Z). 2. Se requiere que Cj > 0 , para todo j. En caso de que Cj < 0 , entonces Xj se sustituye por: 1 - XJ , es decir: Xj = 1 - XJ Ejemplo: Min Z = 3X1 - 2X2 => X2 = 1 - X2 Remplazando Z = 3X1 - 2(1 - X2 ) = 3X1 - 2 + 2X2

220

Programacin Lineal Entera y Binaria

Min Z = 3X1 + 2X2 - 2 , que para el caso queda: Min Z = 3X1 + 2 X2 Nota: El cambio de variable, tambin se debe aplicar a todas las restricciones. Ejemplo 1 Para apreciar la utilidad del mtodo, resolveremos el siguiente ejemplo, primero, contemplando todas las posibles soluciones y a continuacin aplicando el mtodo aditivo de Egon Balas, que reduce el nmero de soluciones posibles a contemplar. Minimice Z = 8X1 + 7X2 + 6X3 + 5X4 + X5 -6X1 3X2 + 2X3 4X4 X5 < -3 -4X1 5X2 4X3 3X4 + 3X5 < -7
Xj = 0,1 ; j = 1,2,3,4,5

El nmero posible de soluciones es de 2n , en donde n es el nmero de variables. En el ejemplo, el nmero posible de soluciones es 25 = 32 En el siguiente diagrama se muestran todas las 32 posibles soluciones.

Algunas de stas soluciones no son factibles, ya que no satisfacen las restricciones. Aquellas que satisfagan las restricciones, debern ser remplazadas en la funcin objetivo y la que la haga ms pequea, ser la solucin ptima. ste procedimiento es dispendioso, tanto en la consecucin de todas las soluciones como en su evaluacin para todas las restricciones y en su evaluacin final sobre la funcin objetiva. Aplicacin del Mtodo de Egon Balas Evaluamos cada restriccin, primeramente suponiendo que todas las variables valgan cero, y despus, alternativamente a cada variable le asignamos el valor de uno (1) y al resto de variables el valor de cero (0). Cada vez que una solucin no satisfaga una restriccin, el que tan lejos est de satisfacerla, lo llamamos infactibilidad.
221

Programacin Lineal Entera y Binaria

Ejemplo: Si X1 = 1 y X2 = X3 = X4 = X5 = 0 Remplazando en la restriccin uno (1), establecemos que: -3 < 0 , luego aqu la infactibilidad es cero (0), ya que la solucin evaluada, satisface la restriccin, convirtindola en una afirmacin verdadera. Remplazando en la restriccin dos (2), establecemos que: 3 < 0 , luego aqu la infactibilidad es tres (3), ya que la solucin evaluada, no satisface la restriccin, convirtindola en una afirmacin falsa. El que tan lejos est de ser una verdad, es lo que llamamos infactibilidad. En total, la solucin evaluada tiene una infactibilidad de 0 + 3 = 3 Si en sta primera iteracin, encontramos una solucin cuya infactibilidad sea cero (0), hemos encontrado la solucin factible y ptima. Si encontramos que varias soluciones tienen la infactibilidad igual a cero (0), remplazamos todas stas soluciones en la funcin objetivo y la solucin ptima ser aquella que haga que Z sea mnima. Si no hay ninguna solucin con su infactibilidad igual a cero (0), Escogemos la solucin que menor infactibilidad tenga y de ella la variable que est valiendo uno (1). Remplazamos en las restricciones dicha variable y sobre dichas restricciones iniciamos la segunda iteracin. ste procedimiento se repite hasta encontrar la solucin ptima factible.

222

Programacin Lineal Entera y Binaria

Primera Iteracin
-6X1 3X2 + 2X3 4X4 X5 + 3 < 0 -4X1 5X2 4X3 3X4 + 3X5 + 7 < 0 X1 = X2 = X3 = X4 = X5 = 0 3<0 7 < 0 Infactibilidad = 10 X 1 = 1 ; X2 = X3 = X 4 = X5 = 0 -3 < 0 3 < 0 Infactibilidad = 3 X 2 = 1 ; X1 = X3 = X 4 = X5 = 0 0<0 2 < 0 Infactibilidad = 2 ; La menor X 3 = 1 ; X1 = X2 = X 4 = X5 = 0 5<0 3 < 0 Infactibilidad = 8 X 4 = 1 ; X1 = X2 = X 3 = X5 = 0 -1 < 0 4 < 0 Infactibilidad = 4 X 5 = 1 ; X1 = X2 = X 3 = X4 = 0 2 <0 10 < 0 Infactibilidad = 12

Segunda Iteracin (X2 = 1)

-6X1 + 2X3 4X4 X5 <0 -4X1 4X3 3X4 + 3X5 + 2 < 0 X1 = 1 ; X3 = X4 = X5 = 0 -6 < 0 -2 < 0 Infactibilidad = 0 ; X3 = 1 ; X1 = X4 = X5 = 0 2<0 -2 < 0 Infactibilidad = 2 X4 = 1 ; X1 = X3 = X5 = 0 -4 < 0 -1 < 0 Infactibilidad = 0 X5 = 1 ; X1 = X3 = X4 = 0 -1 < 0 5 < 0 Infactibilidad = 5 En sta iteracin hay dos soluciones con infactibilidad igual a cero (0), evaluado la funcin objetivo con ambas soluciones, encontramos la solucin ptima con Z = 12 Solucin: X1* = 0 ; X2* = 1 ; X3* = 0 ; X4* = 1 X5* = 0 ; Z* = 12 Solamente se hizo necesario escudriar 10 de las 32 soluciones posibles. Podemos asegurar que el mtodo hace una bsqueda sistemtica que evita probar todas las combinaciones posibles.

Z=15

Z=12

Aqu concluimos, que lo menos malo es fijar la primera variable con valor de uno (1) a X2 ya que presenta la menor infactibilidad, remplazamos a X2 = 1 en las dos restricciones e iniciamos la 2 iteracin. Ejemplo 2

Una empresa de bienes raices, analiza 5 proyectos de desarrollo posibles. La siguiente tabla muestra las ganancias estimadas a largo plazo (valor presente neto), que generara cada proyecto y la inversin requerida para emprenderlo, en millones de dlares.
223

Programacin Lineal Entera y Binaria

Ganancia estimada Capital requerido

Proyectos 1 2 1 1,8 6 12

de desarrollo 3 4 5 1,6 0,8 1,4 10 4 8

Los propietarios de la empresa, reunieron $20 millones de capital de inversin para estos proyectos. Ellos quieren elegir la combinacin de proyectos que maximice la ganancia total estimada a largo plazo (valor presente neto) sin invertir ms de $20 millones. Formule un modelo de programacin lineal entera binaria (PEB) para ste problema y resuelvalo empleando el mtodo aditivo de Egon Balas. XJ = 0 , NO elegir el proyecto j-simo (j = 1,2,3,4,5) XJ = 1 , SI elegir el proyecto j-simo (j = 1,2,3,4,5) Max Z = X1 + 1,8X2 + 1,6X3 + 0,8X4 + 1,4X5 C.S.R. 6X1 + 12X2 + 10X3 + 4X4 + 8X5 < 20 XJ = 0,1 Min Z = -X1 - 1,8X2 - 1,6X3 - 0,8X4 - 1,4X5 X1 = 1-X1 ; X2 = 1-X2 ; X3 = 1-X3 ; X4 = 1-X4 ; X5 = 1-X5 Min Z = -(1-X1) - 1,8(1-X2) - 1,6(1-X3) - 0,8(1-X4) - 1,4(1-X5) Min Z = X1 + 1,8X2 + 1,6X3 + 0,8X4 + 1,4X5 - 6,6
C.S.R 6(1-X1) + 12(1-X2) + 10(1-X3) + 4(1-X4) + 8(1-X5) < 20

Regla de equivalencia Max Z = Min (-Z)

-6X1 - 12X2 - 10X3 - 4X4 - 8X5 + 20 < 0 Luego el problema queda as:

Min Z = X1 + 1,8X2 + 1,6X3 + 0,8X4 + 1,4X5 C.S.R. -6X1 - 12X2 - 10X3 - 4X4 - 8X5 + 20 <

224

Programacin Lineal Entera y Binaria 1 Iteracin X1 = X2 = X3 = X4 = X5 = 0 20 < 0 ; I = 20 2 Iteracin

Con X2 = 1 ; la restriccin se simplifica a: -6X1 - 10X3 - 4X4 - 8X5 + 8 < 0

X1 = 1 , X3 = X4 = X5 = 0 2<0 ; I=2

X1 = 1 , X2 = X3 = X4 = X5 = 0 14 < 0 ; I = 14

X2 = 1 , X1 = X3 = X4 = X5 = 0

8 < 0 ; I = 8 * Mnima Infactibilidad

X3 = 1 , X1 = X4 = X5 = 0 -2 < 0 ; I = 0 Solucin factible, Z = 3,2 No ptima X4 = 1 , X1 = X3 = X5 = 0 4<0 ; I=4

X3 = 1 , X1 = X2 = X4 = X5 = 0 10 < 0 ; I = 10

X4 = 1 , X1 = X2 = X3 = X5 = 0 16 < 0 ; I = 16

X5 = 1 , X1 = X2 = X3 = X4 = 0 12 < 0 ; I = 12

X5 = 1 , X1 = X3 = X4 = 0 0<0 ; I=0 Solucin factible, Z = 3,4 ptima

Lo mejor es: X2 = 1

Luego: X1* = 1 X2* = 0 X3* = 1 X4* = 1 X5* = 0

Se eligen los contratos: 1,3 y 4 para obtener la mayor ganancia esperada de 3,4 millones de dlares

225

Programacin Lineal Entera y Binaria

Software WinQsb El software WinQsb en su mdulo de programacin lineal y entera, presenta en su ventana inicial las opciones respectivas, incluyendo la de programacin lineal binaria, de la siguiente manera: En sta ventana se selecciona una de las opciones encerradas en la elipse de color rojo. El resto de las ventanas se tramita de igual manera que para un problema de programacin lineal continua. En la siguiente ventana, el WinQsb permite establecer el tipo de variable de manera individual; de ah que podemos tener un problema de programacin lineal con variables mezcladas, como se muestra en el siguiente ejemplo.

Dando doble clic sobre la casilla de tipo de variable, se ofrece consecutivamente las variables tipo continua, entera, binaria e irrestricta, ste ltimo tipo de variable es la que no tiene restriccin en el signo y puede tomar valores tanto negativos como positivos. Tambin podemos fijar lmites para los valores de las variables, siendo un problema de programacin lineal restringido, en el ejemplo se exige que X1 puede tomar valores enteros entre 3 y 50. La solucin se muestra en ventanas idnticas a las ya explicadas en programacin lineal continua y se ofrece el mismo tipo de informacin. Una conclusin relevante es la utilidad del computador y del software
226

Programacin Lineal Entera y Binaria

para la solucin de problemas de programacin lineal, que sin dicha herramienta es supremamente dispendiosa la consecucin de la solucin ptima para problemas de tamao mediano y grande, que son los que en la vida real se presentan. Problemas propuestos 1. Resolver grficamente los siguientes ejercicios de programacin lineal entera. a) Max : Z = X1 + 5X2 C.S.R. X1 + 10X2 < 20 < 2 X1 Xj > 0 j = 1, 2 y enteros c) Max : C.S.R. Xj > 0 Z = 5/2X1 + X2 3X1 + 5X2 < 15 5X1 + 2X2 < 10 y enteros j b) Max : C.S.R.
A

Xj > 0

Z = 3X1 + X2 X1 + 2X2 < 8 3X1 4X2 < 12 y enteros j

Solucin: a) X1* = 0 ; X2* = 2 ; Z* = 10 b) X1* = 5 ; X2* = 1 ; Z* = 16 c) X1* = 2 ; X2* = 0 ; Z* = 5

2. Resolver manualmente empleando el mtodo de los planos cortantes de Gomory y mediante el software WinQsb los siguientes ejercicios de programacin lineal entera. a) Max : Z = 3X1 + X2 C.S.R. X1 + 2X2 < 8 3X1 4X2 < 12 Xj > 0 j y enteros b) Max : C.S.R. Xj > 0 c) Max : C.S.R.
A A

Xj > 0

Solucin: X1*=5 ; X2*=1 ; Z*= 16

Z = 5X1 + 2X2 2X1 + 2X2 + X3 =9 3X1 + X2 + X4 = 11 y enteros j Z = 5X1 + 2X2 2X1 + 2X2 + X3 =9 3X1 + X2 + X4 = 11 y X1 , X3 enteros

Solucin: X1*=3 ; X2*=1 ; Z*= 17

Solucin: X1*=3 ; X2*=3/2 X3*=0 ; X4*=1/2 Z*= 18

227

Programacin Lineal Entera y Binaria

3. Resolver manualmente empleando el mtodo de Bifurcacin y Acotacin (Branch And Bound) y mediante el software WinQsb los siguientes ejercicios de programacin lineal entera. a) Max : Z = 5X1 + 2X2 C.S.R. 2X1 + 2X2 < 9 3X1 + X2 < 11
A
j

Solucin: X1* = 3,3 ; X2* = 1 ; X3* = 0,3 X4* = X5* = 0 ; Z* = 18,67

Xj > 0 ;

y X2 entero

b) Max : Z = 60X1 + 50X2 C.S.R. 2X1 + 4X2 < 80 3X1 + 2X2 < 55 X1 < 16 X2 < 18
A

Solucin: X1* = 9 ; X2* = 14 ; Z*= 1.240

Xj > 0

y enteros

4. Resolver manualmente empleando el mtodo aditivo de Egon Balas y mediante el software WinQsb los siguientes ejercicios de programacin lineal binaria. a) Min: Z = 5X1 + 7X2 + 10X3 + 3X4 + X5 C.S.R. -X1 + 3X2 - 5X3 X4 + 4X5 < -2 2X1 - 6X2 + 3X3 + 2X4 2X5 < 0 X2 - 2X3 + X4 + X5 < -1 Xj = 0,1 j = 1,2,3,4,5 b) Max: Z = 3X1 + 2X2 - 5X3 - 2X4 + C.S.R. X1 + X2 + X3 + 2X4 + X5 7X1 + 3X3 - 4X4 + 3X5 11X1 6X2 + 3X4 - 3X5 Xj = 0,1 j = 1,2,3,4,5 3X5 < 4 < 8 > 3 Solucin: X2* = X3* = 1 X1* = X4* = X5* = 0 Z* = 17

Solucin: X1* = X2* = 1 X3* = X4* = X5* = 0 Z* = 5

5. Una Compaa se especializa en la preparacin de programas de computadora para el gobierno y la industria. Estos programas se escriben en uno de cuatro lenguajes de programacin: Fortran,
228

Programacin Lineal Entera y Binaria

assambler, cobol y apl. La compaa tiene un programador que realiza sta labor y existen cinco trabajos de programacin que deben terminarse lo ms pronto posible. La utilidad de cada tarea se muestra en la siguiente tabla.

En la siguiente tabla se muestra el tiempo que necesita el programador para terminar cada trabajo y el tiempo de que dispone despus de realizar sus dems tareas.

Qu trabajos debe aceptar realizar la compaa para maximizar la utilidad? Formule el problema como uno de programacin lineal binaria, emplee el mtodo manual de egon balas y el software WinQsb para solucionarlo. Solucin: Aceptar los trabajos 3, 4 y 5 para una utilidad mxima de $350

229

230

Captulo 12 Administracin de proyectos Gantt - PERT - CPM

E 6 5 11 5 11 0 A 5 0 5 0 5 0 B 1 0 1 2 3 2 C 2 1 3 3 5 2 D 4 5 9 7 11 2 F 3 11 14 11 14 0

Introduccin En ste captulo se muestran las herramientas bsicas para la administracin de proyectos, tales como el diagrama Gantt, el PERT determinstico, el PERT probabilstico y el mtodo CPM. En la historia de la humanidad, el hombre se ha enfrentado al reto de elaborar proyectos cada vez ms grandes y complejos, de tal forma que surge la necesidad de coordinar numerosas actividades en toda la organizacin. Entre 1958 y 1959 se desarrolla en Estados Unidos, el proyecto de construccin del cohete polaris, durante el cul se empiezan a aplicar las novedosas tcnicas de control de proyectos PERT y CPM. Algunas de las aplicaciones ms frecuentes de stas tcnicas son: Proyectos de construccin, programacin de computadoras, programacin y propuestas de licitaciones, la planeacin de mantenimiento y la instalacin de sistemas de computadoras.

231

Administracin de Proyectos: Gantt, PERT, CPM PERT: Program Evaluation and Review Technique Tcnica de evaluacin y revisin de programas. Usos pricipales 1. Para determinar la duracin mnima de un proyecto si la duracin de sus actividades es constante su variacin es tan pequea que se puede asumir como constante, entonces recibe el nombre de PERT determinstico. Si la duracin de sus actividades es variable recibe el nombre de PERT probabilstico y estaremos interesados en determinar la probabilidad de que el proyecto se termine dentro del tiempo predeterminado. 2. Para identificar las actividades que pueden ser cuello de botella y que conforman la ruta crtica. El conocer dichas actividades tiene un efecto directo sobre la agenda del tomador de decisiones y sobre la eleccin del personal responsable del cumplimiento del cronogram de dichas actividades, que puede causar consecuencias econmicas graves para la empresa e inclusive para su existencia. 3. Evaluar los efectos de cambios en el programa del proyecto. El primer paso para aplicar el sistema PERT CPM a un proyecto, es representar el proyecto en forma de una red, para lo cual es til la construccin de un diagrama Gantt, que identifica claramente los diferentes tipos de tiempos a tener encuenta para la representacin grfica de la red PERT CPM. Existen dos tcnicas para representar los proyectos, una denominada ACTIVIDAD - RAMAL, en la cual, las actividades van sobre los ramales de la red y los nodos representan los sucesos; y otra llamada ACTIVIDAD - NODO, en la que, las actividades van sobre los nodos y los ramales indican la precedencia de las actividades. Emplearemos la segunda tcnica, ACTIVIDAD - NODO, tambin denominada MTODO DE ROY, por ofrecer mayor facilidad en la representacin grfica de las actividades y de sus precedencias. Pert determinstico Aqu se asume que el tomador de decisiones administrador del proyecto, conoce suficientemente las actividades, tanto, que puede asegurar que su duracin se puede considerar constante.
232

Administracin de Proyectos: Gantt, PERT, CPM Se ilustra el mtodo PERT con el siguiente ejemplo: Se proporciona la siguiente informacin sobre un proyecto que est compuesto por seis (6) actividades: Actividades Tiempo estimado Actividad precedentes (Semanas) A Ninguna 5 B Ninguna 1 C B 2 D A, C 4 E A, C 6 F D, E 3 a) Construya un diagrama Gantt. b) Construya la red del proyecto. c) Encuentre el tiempo de inicio ms pronto, el tiempo de inicio ms tarde, el tiempo de finalizacin ms temprano, el tiempo de finalizacin ms tarde y el tiempo de holgura, para cada una de las actividades del proyecto. d) Si todas las dems actividades se llevan el tiempo estimado, Cul es el tiempo mximo que puede atrasarse la actividad D sin retrasar la terminacin del proyecto? Solucin a) Diagrama Gantt: Consiste bsicamente en una tabla de doble entrada, en donde las actividades se representan sobre las filas y el tiempo transcurrido del proyecto sobre las columnas. Para cada actividad se asignan dos filas: En la primera se reprenta mediante barras horizontales la duracin de cada actividad, teniendo en cuenta la precedencia y empezando cada actividad lo ms pronto posible. Sobre la segunda fila de cada actividad se representa mediante barras horizontales la duracin de cada actividad, teniendo en cuenta la precedencia pero empezando cada actividad lo ms tarde posible, sin alterar la duracin total mnima del proyecto.

233

Administracin de Proyectos: Gantt, PERT, CPM Diagrama Gantt Actividades A B C D E F

1 2 3 4 5 6 7 8 9 10 11 12 13 14

Duracin en semanas

Observaciones

Aqu, sobre el diagrama Gantt se han colocado, las barras en la primera fila de cada actividad, teniendo en cuenta las precedencias e iniciando cada actividad, lo ms pronto posible. El resultado final indica que el proyecto se puede realizar en un tiempo mnimo de 14 semanas. Ahora colocamos el segundo juego de barras, sobre la segunda fila de cada actividad, teniendo en cuenta las precedencias e iniciando cada actividad lo ms tarde posible, sin perjudicar la duracin mnima total del proyecto de 14 semanas. Actividades A B C D E F Duracin en semanas Observaciones
Actividad Crtica Holgura de 2 semanas Holgura de 2 semanas Holgura de 2 semanas Actividad Crtica Actividad Crtica

1 2 3 4 5 6 7 8 9 10 11 12 13 14

Fjese que las actividades A, E y F, su inicio no se puede posponer, sin alterar la duracin total mnima del proyecto de 14 semanas, ello obliga a que se ejecuten de manera precisa, cualquier atraso en alguna en varias de ellas tiene un efecto directo sobre la duracin total del proyecto. Si la actividad A aumenta su duracin en una semana, la duracin total del proyecto aumentar en una semana. stas actividades reciben el nombre de ACTIVIDADES CRTICAS y deben ser supervisadas por el tomador de decisiones dueo del proyecto, de manera exhaustiva, disponer del mejor personal, que garantice su realizacin sin demoras. Igualmente se debe supervisar el arribo a tiempo de las materias primas para stas actividades y todo aspecto que tenga que ver con ellas que pueda directa indirectamente ocacionar duraciones adicionales.
234

Administracin de Proyectos: Gantt, PERT, CPM Cualquier aumento en la duracin total del proyecto, ocasiona aumento en los costos, cobro del de seguro de cumplimiento y deterioro de la imagen de la empresa. Fjese que las actividades B, C y D tienen una holgura de 2 semanas, lo cual quiere decir que su inicio ms pronto se puede retrazar como mximo 2 semanas, sin que afecte la duracin mnima total del proyecto de 14 semanas. Del grfico Gantt se deduce que cada actividad tiene cuatro tiempos significativos a tener en cuenta, y son: TIEMPO DE INICIO MS TEMPRANO: Es la fecha ms pronta posible para iniciar las labores de la actividad. TIEMPO DE INICIO MS TARDE: Es la fecha ms tarde posible para iniciar las labores de la actividad, sin alterar la duracin total mnima del proyecto. TIEMPO DE TERMINACIN MS TEMPRANO: Es la fecha ms pronta posible para finalizar las labores de la actividad. TIEMPO DE TERMINACIN MS TARDE: Es la fecha ms tarde posible para finalizar las labores de la actividad, sin alterar la duracin total mnima del proyecto. HOLGURA: Es el tiempo mximo que una actividad puede retrasarse sin alterar la duracin total mnima del proyecto. Es la diferencia entre el tiempo de inicio ms tarde y el tiempo de inicio ms temprano la diferencia entre el tiempo de terminacin ms tarde y el tiempo de terminacin ms temprano.
HOLGURA = TIEMPO DE INICIO MS TARDE - TIEMPO DE INICIO MS TEMPRANO HOLGURA = T. DE TERMINACIN MS TARDE - T. DE TERMINACIN MS TEMPRANO

Actividad D

1 2 3 4 5 6 7 8 9 10 11 12 13 14

Duracin en semanas

Observaciones
Holgura de 2 semanas

7-5=2 11-9=2

Tiempo de inicio ms temprano Tiempo de inicio ms tarde

Tiempo de terminacin ms tarde Tiempo de terminacin ms temprano

235

Administracin de Proyectos: Gantt, PERT, CPM Representacin del proyecto mediante una red El paso siguiente consiste en representar el proyecto mediante una red, empleando la tcnica ACTIVIDAD - NODO. En los nodos colocamos las actividades, teniendo en cuenta las presedencias, para lo cual usamos los ramales flechas que unen cada par de nodos. La simbologa que se usar para los nodos es la siguiente:
Nombre de la actividad T. de inicio ms temprano Tiempo de inicio ms tarde Holgura Duracin de la actividad T. de finalizacin ms temprano Tiempo de finalizacin ms tarde

E 6 5 11 5 11 0 A 5 0 5 0 5 0 B 1 0 1 2 3 2 C 2 1 3 3 5 2 F 3 11 14 11 14 0

D 4 5 9 7 11 2

Observaciones: 1. No espere lograr en el primer intento una red perfecta, lo normal es hacer varios intentos, dibujando solamente los nodos , el nombre de la actividad que representa y las flechas ramales (sin colocar los tiempos), cuando logre una red que cumpla con las precedencias y que su presentacin sea lo ms clara y sencilla, evitando en lo posible los cruces de nodos, y de preferencia en orden lgico de izquierda a derecha de arriba hacia bajo; solamente entonces dibuje la red sobre la que va a colocar los tiempos. 2. Fjese que pueden existir varios nodos origen varios nodos finales 3. Al menos debe tener un nodo origen y un nodo destino con holgura cero. 4. La unin de los nodos que tengan holgura cero, conforman una cadena que se denomina LA RUTA CRTICA. En una red pueden haber
236

Administracin de Proyectos: Gantt, PERT, CPM varias rutas crticas; En nuestro caso la ruta crtica la conforman las actividades A-E-F y el tiempo mnimo del proyecto es de 14 semanas. Explicacin de los clculos 1. Las actividades A y B, por carecer de precedencias, pueden iniciar lo ms pronto posible, y, esto lo denominamos el tiempo de inicio ms temprano sea cero (0). A dicho tiempo de inicio ms temprano, le sumamos la duracin de la respectiva actividad, obteniendo el tiempo de finalizacin ms temprano. Para el caso de la actividad A: Tiempo de finalizacin ms temprano de A = 0 + 5 = 5. Fjese que si al tiempo de finalizacin mas temprano le restamos el tiempo de inicio ms temprano el resultado es: 5 - 0 = 5, que es la duracin de la actividad. Si como tiempo de inicio ms temprano, se hubiera colocado uno (1), sta resta hubiese dado: 5 - 1 = 4, que no corresponde a la duracin de la actividad, por ello el tiempo de inicio ms temprano para todas las actividades que no tienen precedencia es cero (0). 2. Para calcular el tiempo de inicio ms temprano de la actividad E, debemos tener en cuenta el tiempo de terminacin ms temprano de todas las actividades que la preceden, para ste caso, las actividades A y C cuyos tiempos de terminacin ms temprano son: 5 y 3 semanas respectivamente, luego, como la actividad E no puede iniciar hasta que las actividades precedentes A y C hayan terminado no puede empezar hasta que la actividad A, que tiene el mayor tiempo de terminacin mas temprano, finalice; por ello el tiempo de inicio ms temprano de la actividad E es 5 semanas. Tiempo de inicio ms temprano de una actividad con precedencias Al mayor tiempo de terminacin ms temprano de las actividades precedentes

3. Fjese que la duracin mnima del proyecto es igual al mayor tiempo de terminacin ms temprano de las actividad que finalizan, que no son precedentes de otras, para nuestro caso solo hay una, la actividad F, cuyo tiempo de terminacin ms temprano es de 14 semanas, luego sta es la menor duracin del proyecto.
237

Administracin de Proyectos: Gantt, PERT, CPM Tiempo total minimo del proyecto Al mayor tiempo de terminacin ms temprano de las actividades que no son precedentes de otras (Nodos terminales)

4. Fjese que los clculos siguen una secuencia lgica de izquierda a derecha, igual a la secuencia lgica de la red. 5. Para el clculo de los tiempos de inicio y de terminacin ms tarde es conveniente hacerlo de derecha a izquierda. 6. El tiempo de finalizacin ms tarde de todos los nodos finales, es igual al tiempo total mnimo del proyecto. Para nuestro caso 14 semanas, por ello la actividad F (nodo terminal = no es precedente de ninguna otra actividad) tiene como tiempo de terminacin ms tarde, 14 semanas. 7. El tiempo de inicio ms tarde es igual al tiempo de terminacin ms tarde menos la duracin de la actividad. Para la actividad F el clculo correspondiente es: 14 - 3 = 11 semanas. Tiempo de inicio ms tarde = Tiempo de terminacin ms tarde Duracin de la actividad

8. Fjese que el tiempo de terminacin ms tarde de la actividad C depende del tiempo de inicio ms tarde de las actividades E y D cuyos valores respectivos son 5 y 7 semanas, debemos escoger el menor de los dos en atencin a que las actividades E y D no pueden iniciar hasta que la actividad C termine. Para nuestro caso, el tiempo ms tarde de terminacin de la actividad C es igual al min{5,7} = 5 semanas. Tiempo de finalizacin ms tarde Al menor tiempo de inicio mas tarde de las actividades que precede

9. Fjese que nunca pueden aparecer HOLGURAS NEGATIVAS, todas deben ser > 0

238

Administracin de Proyectos: Gantt, PERT, CPM Luego la respuesta a las pregntas a) y b) de nuestro problema han sido contestadas y explicadas en detalle. Respuesta a la pregnta C): Si todas las actividades se llevan el tiempo estimado, el tiempo mximo que puede atrasarce la actividad D es igual a su HOLGURA, sto es dos (2) semanas.

PERT PROBABILSTICO Aqu el tiempo de duracin de cada actividad es una variable aleatoria, la cual sigue una distribucin de probabilidad. En la mayora de la literatura sobre el tema, se usa la distribucin de probabilidad beta unimodal, llamada tambin, distribucin de probabilidad de tres tiempos estimados, cuyos parmetros son: a = Tiempo optimista, si tido va bien, bajo condiciones ideales m = Tiempo ms probable, si todo marcha dentro de lo normal b = Tiempo pesimista, si todo va mal, bajo condiciones psimas El tiempo esperado y la varianza de la distribucin de probabilidad beta unimodal son:

Ejemplo Como administrador de un proyecto, se enfrenta a la red de actividades que se muestra en la figura y a los estimados de tiempo optimista, ms probable y pesimsta de las actividades. a) Represente el proyecto mediante una red ACTIVIDAD - NODO b) Calcule el tiempo esperado y la varianza de cada actividad, suponiendo una distribucin beta unimodal de probabilidad. c) Calcule el tiempo de inicio esperado ms temprano, el tiempo de inicio esperado ms tarde, el tiempo de finalizacin esperado ms
239

Administracin de Proyectos: Gantt, PERT, CPM temprano, el tiempo de finalizacin esperado ms tarde y la holgura esperada para cada una de las actividades del proyecto. d) Especifique la ruta crtica, el tiempo esperado de conclusin del proyecto y su varianza esperada. e) Encuentre la probabilidad de que las actividades de la ruta crtica concluyan dentro de 27 semanas, dentro de 25 semanas, dentro de 23 semanas, en ms de 27 semanas, entre 25 y 27 semanas. f) Cuntas semanas permitir una probabilidad del 90% de concluir la ruta crtica a tiempo? 3 D C 5 F 6

B 1 A 2

G 7 H I 8

Actividad Ficticia

E 4
Tiempo optimista ai (Semanas)

Actividades

A B C D E F G H I Solucin

1 1 4 1 7 4 4 7 1

Tiempo ms probable mi (Semanas)

3 3 5 4 8 6 5 9 3

Tiempo pesimista bi (Semanas)

5 5 6 7 9 8 6 11 5

Para representar el proyecto como una red ACTIVIDAD - NODO, observamos en la red ACTIVIDAD - FLECHA que suministra el enunciado del problema, cules son las precedencias de cada actividad, con sta informacin reescribimos la tabla de datos y efectuamos los clculos del tiempo esperado y la varianza para cada actividad.
240

Administracin de Proyectos: Gantt, PERT, CPM

Actividades

A B C D E F G H I

Actividades Predecesoras Ninguna A B B A D,E C,F E G,H

ai

bi

mi

1 1 4 1 7 4 4 7 1

5 5 6 7 9 8 6 11 5

3 3 5 4 8 6 5 9 3

(1+5+4(3))/6=3 (1+5+4(3))/6=3 (4+6+4(5))/6=5 (1+7+4(4))/6=4 (7+9+4(8))/6=8 (4+8+4(6))/6=6 (4+6+4(5))/6=5 (7+11+4(9))/6=9 (1+5+4(3))/6=3

((5-1)/6)2=4/9 ((5-1)/6)2=4/9 ((6-4)/6) 2=1/9 ((7-1)/6)2=1 ((9-7)/6) 2=1/9 ((8-4)/6) 2=4/9 ((6-4)/6) 2=1/9 ((11-7)/6) 2=4/9 ((5-1)/6)2=4/9

Ahora podemos representar el proyecto sobre una red ACTIVIDAD NODO y tabajando con el tiempo esperado, efectuar los clculos necesarios para hallar los tiempos solicitados. Tiempo esperado (te) B 3 3 6 4 7 1 C 5 6 11 12 17 6 G 5 17 22 17 22 0

A 3 0 3 0 3 0

D 4 6 10 7 11 1 E 8 3 11 3 11 0

F 6 11 17 11 17 0 H 9 11 20 13 22 2

I 3 22 25 22 25 0

Las preguntas a), b) y c) han quedado resueltas. d) La ruta crtica est conformada por las actividades: A-E-F-G-I, el tiempo esperado mnimo de conclucin del proyecto es de 25 semanas y su varianza del tiempo esperado del proyecto, es la sumatoria de las varianzas que pertenecen a la ruta crtica.
241

Administracin de Proyectos: Gantt, PERT, CPM

e) Estandarizamos usando la frmula de la distribucin normal de probabilidad, que escrita en trminos propios del PERT probabilstico se expresa as: Z= Tiempo Predeterminado - Tiempo Esperado Mnimo del Proyecto Desviacin estndar del tiempo mnimo esperado del proyecto

De manera abreviada: Z = (Tp - te)/s Para los tres casos solicitados, tenemos: Para Tp=27 Z = (27-25)/ Z = 1,60 P(Z < 1,60) = 0,9452 Para Tp=25 Z = (25-25)/ Z=0 P(Z < 0) = 0,5 Para Tp=23 Z = (23-25)/ Z = -1,60 P(Z < -1,60) = 0,0548

La probabilidad de que el proyecto se termine en 27 semanas menos es 0,9452 La probabilidad de que el proyecto se termine en 25 semanas menos es 0,5 La probabilidad de que el proyecto se termine en 23 semanas menos es 0,0548 La probabilidad de que el proyecto se realice en ms de 27 semanas es de 1 - 0,9452 = 0,0548 La probabilidad de que el proyecto se realice entre 25 y 27 semanas es de 0,4452 f) Aqu, primero averiguamos cul es el valor de Z que tiene una probabilidad de 0,9, para ello buscamos en el interior de la tabla de distrucin normal acumulada el valor ms aproximado a 0,9, siendo ste 1,28 y planteamos la siguiente ecuacin, que resolviendola nos ofrece un tiempo predeterminado de 26,596. En la eventualidad de exigirse semanas completas, la aproximacin siempre de debe hacer al siguiente entero, para nuestro caso 27 semanas.
242

Administracin de Proyectos: Gantt, PERT, CPM Z = (Tp - 25)/ Tp = 26,596 Semanas Mtodo de la ruta crtica, CPM Caractersticas 1. Supone que los tiempos de las actividades son determinsticos, es decir se pueden predecir de manera confiable, sin incertidumbre significativa. 2. En lugar de dar una importancia primordial al tiempo, el CPM asigna la misma importancia al tiempo y al costo. Comportamiento de los costos directos En la grfica siguiente se ilustra el comportamiento de los costos directos de un proyecto, en la cual se deduce la frmula de la pendiente que nos indica lo que se incrementa el costo directo total por unidad de tiempo reducido en el proyecto. CC = Costo directo a duracin mnima crtica Cn = Costo directo a duracin normal Dc = Duracin mnima crtica de la actividad Dn = Duracin normal de la actividad Costos directos Cc
Cc - Cn

1,28 = (Tp - 25)/

Tp = 1,28

+ 25

Pendiente = (Cc - Cn)/(Dn -Dc) A menor duracin los costos directos se incrementan Dn Duracin

Cn Dc

Dn -Dc

243

Administracin de Proyectos: Gantt, PERT, CPM Costos indirectos Cc

Cc - Cn

Pendiente = (Cc - Cn)/(Dc -Dn) A menor duracin los costos indirectos se reducen Duracin

Cn Dn

Dc -Dn

Dc

Lo anterior a nivel infinitesimal, ahora, si sumamos punto a punto obtenemos la grfica de los costos totales que se ilustra a continuacion. Costos Costos Totales Costo Total Mnimo Costos Indirectos

Costos Directos Duracin a Costo Total Mnimo Procedimiento 1. Se calcula la RUTA CRTICA y se colocan los costos directos a duracin normal asociados a ella. 2. Considerar la reduccin en la duracin del proyecto. a) La atencin se debe centrar sobre las actividades de la RUTA CRTICA a fin de lograr una reduccin en la duracin al mnimo costo posible. b) Se debe comprimir tanto como sea posible la actividad crtica que tenga la pendiente tiempo - costo ms pequea. Se recomienda hacer sta operacin por unidad de tiempo ya que durante la reduccin, la ruta crtica puede variar. c) El nuevo programa debe considerarse ahora para reduccin, seleccionando la actividad crtica con la mnima pendiente.
244

Duracin

Administracin de Proyectos: Gantt, PERT, CPM El procedimiento se repite hasta que todas las actividades crticas estn en su tiempo de duracin mnima hasta que estemos en el tiempo requerido por el dueo del proyecto. Ejemplo 1 Considere el proyecto que tiene las actividades, sus precedencias, duracin y costos, normales y crticos que se muestran en la siguiente tabla: Actividad A B C D E F Actividada Mnimo Normal precedente Duracin Costo Duracin Costo Ninguna 8 100 6 200 Ninguna 4 150 2 350 A 2 50 1 90 A 10 100 5 400 B 5 100 1 200 C,E 3 80 1 100

Reduzca el proyecto a su duracin mnima al menor costo directo posible. Solucin El costo total del proyecto a duracin normal es: 100 + 150 + 50 + 100 + 100 + 80 = 580 Clculo de la pendiente de cada actividad: Actividad A B C D E F Pendiente

(200 - 100)/( 8 - 6) = 50 (350 - 150)/( 4 - 2) = 100 ( 90 - 50)/( 2 - 1) = 40 (400 - 100)/(10 - 5) = 60 (200 - 100)/( 5 - 1) = 25 (100 - 80)/( 3 - 1) = 10

Luego la duracin a tiempo normal, el costo normal y la ruta crtica se ilustran en la siguiente red del proyecto:

245

Administracin de Proyectos: Gantt, PERT, CPM

D 10 8 18 8 18 0 A8 0 8 0 8 0 B 4 0 4 6 10 6 C 2 8 10 13 15 5 E 5 4 9 10 15 6

Duracin: 18 Semanas Costos directos: $580 Ruta crtica: A-D Actividad a Disminuir en 1 semana: A, con la menor pendiente de $50/Semana
F 3 10 13 15 18 5

Fjese que hay dos nodos terminales: D y F, el tiempo mnimo del proyecto es el mayor tiempo de finalizacin ms pronto de las dos actividades, esto es el mximo entre {13,18}, siendo 18 el correspondiente a la actividad D

D 10 7 17 7 17 0 A7 0 7 0 7 0 B 4 0 4 5 9 5 C 2 7 9 12 14 5 E 5 4 9 9 14 5

Duracin: 17 Semanas Costos directos: 580+50= $630 Ruta crtica: A-D Actividad a Disminuir en 1 semana: A, con la menor pendiente de $50/Semana
F 3 9 12 14 17 5

Fjese que la actividad A de 7 semanas se puede reducir a 6 semanas, que es su duracin mnima.

D 10 6 16 6 16 0 A 6 0 6 0 6 0 B 4 0 4 4 8 4 C 2 6 8 11 13 5 E 5 4 9 8 13 4

Duracin: 16 Semanas Costos directos: 630+50= $680 Ruta crtica: A-D Actividad a Disminuir en 1 semana: D, con pendiente de $60/Semana
F 3 9 12 13 16 4

Fjese que la actividad A que posee la menor pendiente, no se puede disminuir mas por haber llegado a su duracin mnima, luego consideramos la siguiente actividad de la ruta crtica con menor pendiente D y la disminuimos en 1 semana.

246

Administracin de Proyectos: Gantt, PERT, CPM

D 9 6 15 6 15 0 A 6 0 6 0 6 0 B 4 0 4 3 7 3 C 2 6 8 10 12 4 E 5 4 9 7 12 3

Duracin: 15 Semanas Costos directos: 680+60= $740 Ruta crtica: A-D Actividad a Disminuir en 1 semana: D, con pendiente de $60/Semana
F 3 9 12 12 15 3

Aqu la pregunta es: Se puede disminuir la duracin de la actividad D de 9 semanas a su duracin mnima de 5 semanas de una vez?. La respuesta es NO, porque en el proceso de disminuir de semana en semana, la ruta crtica puede cambiar y ser otra actividad diferente la que se debe disminuir .

D8 6 14 6 14 0 A 6 0 6 0 6 0 B 4 0 4 2 6 2 C 2 6 8 9 11 3 E 5 4 9 6 11 2

F 3 9 12 11 14 2

Duracin: 14 Semanas Costos directos: 740+60= $800 Ruta crtica: A-D Actividad a Disminuir en 1 semana: D, con pendiente de $60/Semana

D7 6 13 6 13 0 A 6 0 6 0 6 0 B 4 0 4 1 5 1 C 2 6 8 8 10 2 E 5 4 9 5 10 1

F 3 9 12 10 13 1

Duracin: 13 Semanas Costos directos: 800+60= $860 Ruta crtica: A-D Actividad a Disminuir en 1 semana: D, con pendiente de $60/Semana

247

Administracin de Proyectos: Gantt, PERT, CPM

D6 6 12 6 12 0 A 6 0 6 0 6 0 C 2 6 8 7 9 1

Duracin: 12 Semanas Costos directos: 860+60= $920 Rutas crticas: A-D y B-E-F Actividades a Disminuir en 1 semana: D, con pendiente de $60/Semana
F 3 9 12 9 12 0

Fjese que existen dos rutas crticas independientes (sin actividades en comn para ambas rutas). Si disminuimos en 1 semana B 4 E 5 la actividad D la ruta crtica B-E-F subsis4 9 0 4 tir y en la siguiente grfica tendremos que 4 9 0 4 disminuir en 1 semana la actividad F, de 0 0 menor pendiente ($10/semana), en dicha ruta, todo ello para lograr disminuir el proyecto de 12 a 11 semanas. Para ste caso podemos hacer la disminucin simultaneamente sobre las actividades D y F, como se muestra a continuacin.
D5 6 11 6 11 0 A 6 0 6 0 6 0 B 4 0 4 0 4 0 C 2 6 8 7 9 1 E 5 4 9 4 9 0

Duracin: 11 Semanas Costos directos: 920+60+10= $990 Rutas crticas: A-D y B,E,F Actividad a Disminuir en 1 semana: No hay Fjese que en la ruta crtica A-D todas sus actividades han llegado a su duracin mnima, luego por ms que disminuyamos cualesquiera de las actividades de la ruta crtica B,E,F siempre prevalecer como ruta crtica A-D con su duracin de 11 semanas, por lo cual el proyecto ha llegado a su mnima reduccin.

F 2 9 11 9 11 0

Conclucin El proyecto como mximo se puede reducir a 11 semanas con un costo directo total de $990 El mtodo CPM es una negociacin trueque de duracin y costos directos, pero de manera inteligente. A continuacin presenta un ejemplo an ms completo, en donde se tienen en cuenta los costos indirectos, los costos directos, los costos totales del proyecto y adicionalmente se grafican, obteniendo la duracin del proyecto para que los costos totales sean mnimos.

248

Administracin de Proyectos: Gantt, PERT, CPM Ejemplo 2 Para un proyecto que tiene los tiempos en semanas, los costos directos, los costos indirectos y los costos de acortamiento en millones de pesos que se muestran en la tabla, calcule: a) Los costos totales directos de terminar el proyecto en 9,10,11,12 y 13 semanas. b) Para los costos indirectos que se muestran; grafquese los costos totales, directos e indirectos y determine el tiempo de conclucin de menor costo total. Actividad A B C D E F G Actividad Tiempo Costo Tiempo Costo precedente normal normal crtica crtico 500 800 No tiene 2 1 900 1300 No tiene 5 3 800 1000 No tiene 4 3 400 400 A 1 1 1200 1800 C 3 2 700 900 B,D,E 6 4 600 1200 C 8 4 Total 5100

Duracin del proyecto 9 10 11 12 13 Costos indirectos 6.000 6.150 6.200 6.500 7.100 Solucin Clculo de las pendientes Actividad A B C D E F G Pendiente 300/1 = 300 400/2 = 200 200/1 = 200 No tiene 600/1 = 600 200/2 = 100 600/4 = 150
A B C E G

Construccin de la red
D F

Fjese que la red tiene tres actividades iniciales (A,B,C) y dos actividades terminales (F,G)

La actividad D no tiene pendiente, quiere decir ello que su duracin normal es irreductible.
249

Administracin de Proyectos: Gantt, PERT, CPM

A 2 0 2 4 6 2 B 5 0 5 2 7 2 C 4 0 4 0 4 0

D 1 2 3 6 7 4 F 6 7 13 7 13 0 E 3 4 7 4 7 0 G 8 4 12 5 13 1

Duracin: 13 Semanas Costos directos: $5.100 Ruta crtica: C-E-F Actividad de la ruta crtica a Disminuir en 1 semana: F, con la menor pendiente de $100/Semana.

A 2 0 2 4 6 2 B 5 0 5 2 7 2 C4 0 4 0 4 0

D 1 2 3 6 7 4 F5 12 12 0

Duracin: 12 Semanas Costos directos: 5.100+100=$5.200 Rutas crticas: C-E-F y C-G Actividad a disminuir en 1 semana: C Aqu hay dos rutas crticas, fjese que tienen en comn la actividad C cuya pendiente es $200/semana. Si disminuimos la actividad F en 1 semana, por tener la menor pendiente en su ruta, la ruta crtica C-G sobrevivir y disminuiremos la actividad G en 1 semana, por tener la menor pendiente en su ruta de $150/semana, luego para disminuir la duracin del proyecto de 12 a 11 semanas nos cuesta 100+150= $250. mejor opcin es disminuir en 1 semana la actividad comn C que causa de inmediato la reduccin de 1 semana en la duracin total del proyecto y pasar de 12 a 11 semanas nos costar $200 en vez de $250

7 7

E 3 4 7 4 7 0 G 8 4 12 4 12 0

250

Administracin de Proyectos: Gantt, PERT, CPM

A 2 0 2 3 5 3 B 5 0 5 1 6 1 C3 0 3 0 3 0

D 1 2 3 5 6 3 F5 11 11 0

6 6

Duracin: 11 Semanas Costos directos: 5.200+200=$5.400 Rutas crtica: C-E-F y C-G Aqu la actividad comn C ha llegado a su mnima duracin, luego para reducir en 1 semana todo el proyecto debemos considerar las actividades F y G, mnimas y reducibles cada una en su ruta crtica respectiva, los costos totales se incrementaran en 100+150= $250

E 3 3 6 3 6 0 G 8 3 11 3 11 0

A 2 0 2 3 5 3 B 5 0 5 1 6 1 C3 0 3 0 3 0

D 1 2 3 5 6 3 F4 10 10 0

6 6

Duracin: 10 Semanas Costos directos: 5.400+100+150= $5.650 Rutas crtica: C-E-F y C-G Aqu, persisten las dos rutas crticas, en CE-F la nica que se puede reducir es E con una pendiente de $600/semana y en la ruta crtica C-G la nica reducible es G, con una pendiente de $150/semana, luego reducir el proyecto en 1 semana cuesta 600+150= $750

E 3 3 6 3 6 0 G7 3 10 3 10 0

251

Administracin de Proyectos: Gantt, PERT, CPM

A 2 0 2 2 4 2 B 5 0 5 0 5 0 C3 0 3 0 3 0 E 2 3 5 3 5 0 G6 3 9 3 9 0 D 1 2 3 4 5 2 F4 5 9 5 9 0

Duracin: 9 Semanas Costos directos: 5.650+600+150= $6.400 Rutas crtica: B-F, C-E-F y C-G Aqu, ya hemos conseguido los costos directos para 9,10,11,12 y 13 semanas.

Tabla resumen Duracin del proyecto 9 10 11 12 13 Costos indirectos 6.000 6.150 6.200 6.500 7.100 Costos directos 6.400 5.650 5.400 5.200 5.100 Costos Totales 12.400 11.800 11.600 11.700 12.200 En la tabla resumen se observa que el proyecto se debe hacer en 11 semanas para lograr un costo total mnimo de $11.600 Costos ($) Costos Totales Costo Total $11.600 Mnimo Costos Indirectos Costos Directos 11 Duracin a Costo Total Mnimo Duracin (Semanas)

252

Apndice 1 Lecturas
Historia de la Investigacin de Operaciones Definiciones de Investigacin de Operaciones Biografa de George Bernard Dantzig El analsta de Investigacin de Operaciones La Investigacin de Operaciones en la prctica Modelos de Investigacin de Operaciones

Historia de la Investigacin de Operaciones Desde el advenimiento de la Revolucin Industrial, el mundo ha sido testigo de un crecimiento sin precedentes en el tamao y la complejidad de las organizaciones. Los pequeos talleres artesanales se convirtieron en las actuales corporaciones de miles de millones de dlares. Una parte integral de este cambio revolucionario fue el gran aumento de la divisin del trabajo y en la separacin de las responsabilidades administrativas en estas organizaciones. Los resultados han sido espectaculares. Sin embargo, junto con los beneficios, el aumento en el grado de especializacin cre nuevos problemas que ocurren hasta la fecha en muchas empresas. Uno de estos problemas es la tendencia de muchos de los componentes de la organizacin a convertirse en imperios relativamente autnomos, con sus propias metas y sistemas de valores, perdiendo con esto la visin de cmo sus actividades y objetivos encajan con los de toda la organizacin. Lo que es mejor para un componente, puede ir en detrimento de otro, de manera que pueden terminar trabajando con objetivos opuestos. Un problema relacionado con esto es que, conforme la complejidad y la especializacin crecen, se vuelve ms difcil asignar los recursos disponibles a las diferentes actividades de la manera ms eficaz para la organizacin como un todo. Este tipo de problemas, y la necesidad de encontrar la mejor forma de resolverlos, proporcionaron el ambiente adecuado para el surgimiento de la investigacin de operaciones. Las races de la investigacin de operaciones se remontan a muchas dcadas, cuando se hicieron los primeros intentos para emplear el enfoque cientfico en la administracin de una empresa. Sin embargo, el inicio de la actividad llamada investigacin de operaciones, casi siem253

Apndice

pre se atribuye a los servicios militares prestados a principios de la Segunda Guerra Mundial. Debido a los esfuerzos blicos, exista una necesidad urgente de asignar recursos escasos a las distintas operaciones militares y a las actividades dentro de cada operacin, en la forma ms efectiva. Por todo esto, las administraciones militares americana e inglesa hicieron un llamado a un gran nmero de cientficos para que aplicaran el enfoque cientfico a ste y a otros problemas de estrategia y tctica. De hecho, se les pidi que hicieran investigacin sobre operaciones militares. Estos equipos de cientficos fueron los primeros equipos de investigacin de operaciones. Sus esfuerzos contribuyeron de una manera definitiva al triunfo del combate areo ingls en la isla de Campaa en el Pacfico, de la batalla del Atlntico Norte y de muchas otras. Estimulados por el evidente xito de la investigacin de operaciones en lo militar, los industriales comenzaron a interesarse en este nuevo campo. Como la explosin industrial segua su curso al terminar la guerra, los problemas causados por el aumento de la complejidad y especializacin dentro de las organizaciones pasaron a primer plano. Comenz a ser evidente para un gran nmero de personas, incluyendo a los consultores industriales que haban trabajado con o para los equipos de investigacin de operaciones durante la guerra, que estos problemas eran bsicamente los mismos que los enfrentados por la milicia, pero en un contexto diferente. De esta forma, la investigacin de operaciones comenz a introducirse en la industria, los negocios y el gobierno. Para 1951, ya se haba introducido por completo en Gran Bretaa y estaba Estados Unidos en proceso de hacerlo. Se pueden identificar por lo menos otros dos factores que jugaron un papel importante en el desarrollo de la investigacin de operaciones durante este periodo. Uno es el gran progreso que ya se haba hecho en el mejoramiento de las tcnicas disponibles en esta rea. Despus de la guerra, muchos cientficos que haban participado en los equipos de investigacin de operaciones o que tenan informacin sobre este trabajo, se encontraban motivados a buscar resultados sustanciales en este campo; de esto resultaron avances importantes. Un ejemplo sobresaliente es el mtodo simplex para resolver problemas de programacin lineal, desarrollado en 1947 por George Dantzig. Muchas de las herramientas caractersticas de la investigacin de operaciones, como programacin lineal, programacin dinmica, lneas de espera y teora de inventarios, fueron desarrolladas casi por completo antes del trmino de la dcada de 1950. Adems del rpido desarrollo terico, el segundo factor que dio un gran mpetu a la investigacin de operaciones fue el advenimiento de las computadoras. Para manejar de una manera efectiva los complejos problemas inherentes a esta disci254

Apndice

plina, por lo general se requiere un gran nmero de clculos; llevarlos a cabo a mano puede resultar casi imposible. Entonces el desarrollo de la computadora electrnica digital, con su capacidad para realizar clculos aritmticos, miles o tal vez millones de veces ms rpido que los seres humanos, fue una gran ayuda para la investigacin de operaciones. Hillier F.S., Lieberman G. J., Introduccin a la Investigacin de Operaciones, Mc Graw Hill, Quinta Edicin. Los inicios de lo que hoy se conoce como Investigacin de Operaciones se remontan a los aos 1759 cuando el economista Quesnay empieza a utilizar modelos primitivos de programacin matemtica. Ms tarde, otro economista de nombre Walras, hace uso, en 1874, de tcnicas similares. Los modelos lineales de la Investigacin de Operaciones tienen como precursores a Jordan en 1873, Minkowsky en 1896 y a Farkas en 1903. Los modelos dinmicos probabilsticos tienen su origen con Markov a fines del siglo pasado. El desarrollo de los modelos de inventarios, as como el de tiempos y movimientos, se lleva a cabo por los aos veintes de este siglo, mientras que los modelos de lnea de espera se originan con los estudios de Erlang, a principios del siglo XX. Los problemas de asignacin se estudian con mtodos matemticos por los hngaros Konig y Egervary en la segunda y tercera dcadas de este siglo. Los problemas de distribucin se estudian por el ruso Kantorovich en 1939. Von Neuman cimienta en 1937 lo que aos ms tarde culminara como la Teora de Juegos y la Teora de Preferencias (esta ltima desarrollada en conjunto con Morgenstern). Hay que hacer notar que los modelos matemticos de la Investigacin de Operaciones que utilizaron estos precursores, estaban basados en el Clculo Diferencial e Integral (Newton, Lagrange, Laplace, Lebesgue, Leibnitz, Reimman, Stieltjes, por mencionar algunos), la Probabilidad y la Estadstica (Bernoulli, Poisson, Gauss, Bayes, Gosset, Snedecor, etc.). No fue sino hasta la Segunda Guerra Mundial, cuando la Investigacin de Operaciones empez a tomar auge. Primero se le utiliz en la logstica estratgica para vencer al enemigo (Teora de Juegos) y, ms tarde al finalizar la guerra, en la logstica de distribucin de todos los recursos militares de los aliados dispersos por todo el mundo. Fue debido precisamente a este ltimo problema, que la fuerza area norteamericana, a travs de su centro de investigacin Rand Corporation, comision a un grupo de matemticos para que resolviera este problema que estaba consumiendo tantos recursos humanos, financieros y materiales. Fue el doctor George Dantzig, el que en 1947, resumiendo el trabajo de muchos de sus precursores, inventara el mtodo Simplex,
255

Apndice

con lo cual dio inicio a la Programacin Lineal. Con el avance de las computadoras digitales se empez a extender la Investigacin de Operaciones, durante la decena de los cincuenta en las reas de Programacin Dinmica (Bellman), Programacin No Lineal (Kuhn y Tucker), Programacin Entera (Gomory), Redes de Optimizacin (Ford y Fulkerson), Simulacin (Markowitz), Inventarios (Arrow, Karlin, Scarf, Whitin), Anlisis de Decisiones (Raiffa) y Procesos Markovianos de Decisin (Howard). La generalizacin de la Investigacin de Operaciones ha tratado de darla Churchman, Ackoff y Arnoff. Prawda Juan, Mtodos y Modelos de Investigacin de Operaciones, Ed. Limusa Algunas Definiciones De Investigacin De Operaciones La Investigacin de Operaciones es la aplicacin, por grupos interdisciplinarios, del mtodo cientfico a problemas relacionados con el control de las organizaciones o sistemas a fin de que se produzcan soluciones que mejor sirvan a los objetivos de toda organizacin. Ackoff, R. L. y Sasieni M. W. Fundamentals of Operations Research, John Wiley & Sons,1968 Qu es la investigacin de operaciones? Una manera de tratar de responder a esta pregunta es dar una definicin. Por ejemplo, la investigacin de operaciones puede describirse como un enfoque cientfico de la toma de decisiones que requiere la operacin de sistemas organizacionales. Sin embargo, esta descripcin, al igual que los intentos anteriores de dar una definicin, es tan general que se puede aplicar a muchos otros campos. Por lo tanto, tal vez la mejor forma de entender la naturaleza nica de la investigacin de operaciones sea examinar sus caractersticas sobresalientes. Como su nombre lo dice, la investigacin de operaciones significa hacer investigacin sobre las operaciones. Esto dice algo tanto del enfoque como del rea de aplicacin. Entonces, la investigacin de operaciones se aplica a problemas que se refieren a la conduccin y coordinacin de operaciones o actividades dentro de una organizacin. La naturaleza de la organizacin es esencialmente inmaterial y, de hecho, la investigacin de operaciones se ha aplicado en los negocios, la industria, la milicia, el gobierno, los hospitales, etc. As, la gama de aplicaciones es extraordinariamente amplia. El enfoque de la investigacin de operaciones es el mismo del mtodo cientfico. En particular, el proceso comienza por la observacin cuidadosa y la formulacin del problema y sigue con la construccin de un modelo
256

Apendice

cientfico (por lo general matemtico) que intenta abstraer la esencia del problema real. En este punto se propone la hiptesis de que el modelo es una representacin lo suficientemente precisa de las caractersticas esenciales de la situacin como para que las conclusiones (soluciones) obtenidas sean vlidas tambin para el problema real. Esta hiptesis se verifica y modifica mediante las pruebas adecuadas. Entonces, en cierto modo, la investigacin de operaciones incluye la investigacin cientfica creativa de las propiedades fundamentales de las operaciones. Sin embargo, existe ms que esto. En particular, la investigacin de operaciones se ocupa tambin de la administracin prctica de la organizacin. As, para tener xito, deber tambin proporcionar conclusiones positivas y claras que pueda usar el tomador de decisiones cuando las necesite. Una caracterstica ms de la investigacin de operaciones es su amplio punto de vista. Como qued implcito en la seccin anterior, la investigacin de operaciones adopta un punto de vista organizacional. Puede decirse que intenta resolver los conflictos de intereses entre los componentes de la organizacin de forma que el resultado sea el mejor para la organizacin completa. Esto no significa que el estudio de cada problema deba considerar en forma explcita todos los aspectos de la organizacin sino que los objetivos que se buscan deben ser consistentes con los de toda ella. Una caracterstica adicional, que se mencion incidentalmente, es que la investigacin de operaciones intenta encontrar la mejor solucin, o la solucin ptima, al problema bajo consideracin. En lugar de contentarse con slo mejorar el estado de las cosas, la meta es identificar el mejor curso de accin posible. Aun cuando debe interpretarse con todo cuidado, esta bsqueda de la optimalidad es un aspecto muy importante dentro de la investigacin de operaciones. Todas estas caractersticas llevan de una manera casi natural a otra. Es evidente que no puede esperarse que un solo individuo sea un experto en todos los mltiples aspectos del trabajo de investigacin de operaciones o de los problemas que se estudian; se requiere un grupo de individuos con diversos antecedentes y habilidades. Entonces, cuando se va a realizar un estudio de investigacin de operaciones completo de un nuevo problema, por lo general es necesario organizar un equipo. ste debe incluir individuos con antecedentes firmes en matemticas, estadstica y teora de probabilidades, al igual que en economa, administracin de empresas, computacin electrnica, ingeniera, ciencias fsicas y del comportamiento y, por supuesto, en las tcnicas especiales de investigacin de operaciones. El equipo tambin necesita tener la experiencia y las habilidades necesarias para permitir la consideracin adecuada de todas las ramificaciones del
257

Apendice

problema a travs de la organizacin y para ejecutar eficientemente todas las fases del estudio. En resumen, la investigacin de operaciones se ocupa de la toma de decisiones ptima y del modelado de sistemas determinsticos y probabilsticos que se origina en la vida real. Estas aplicaciones, que ocurren en el gobierno, en los negocios, en la industria, en ingeniera, en economa y en las ciencias naturales y sociales, se caracterizan, en gran parte, por la necesidad de asignar recursos escasos. En estas situaciones, se puede obtener un conocimiento profundo del problema a partir del anlisis cientfico que proporciona la investigacin de operaciones. La contribucin del enfoque de investigacin de operaciones proviene principalmente de: 1.- La estructuracin de una situacin de la vida real como un modelo matemtico, con lo que se logra una abstraccin de los elementos esenciales para que pueda buscarse una solucin que concuerde con los objetivos del tomador de decisiones. Esto implica tomar en cuenta el problema dentro del contexto del sistema completo. 2.- El anlisis de la estructura de tales soluciones y el desarrollo de procedimientos sistemticos para obtenerlas. 3.-El desarrollo de una solucin, incluyendo la teora matemtica, si es necesario, que lleve al valor ptimo de la medida de lo que se espera del sistema (o quiz que compare los cursos de accin alternativos evaluando esta medida para cada uno). Hillier, F. S. y Lieberman G J. Introduccin a la Investigacin de Operaciones, Mc Graw Hill, 1994 El ramo de la investigacin operacional desciende - bajo ciertos aspectos- de la administracin cientfica, incrementada por mtodos ms refinados (principalmente matemticos): la tecnologa computacional y de una orientacin rumbo a los problemas ms amplios. La Investigacin de Operaciones adopta el mtodo cientfico como estructura para la solucin de los problemas, dando mayor nfasis al juicio objetivo que al juicio subjetivo. Los autores de la escuela matemtica, provienen la mayora de la matemtica, de la estadstica, de la ingeniera y de la economa y poseen una orientacin ntidamente tcnico-econmica y estrictamente racional y lgica. Las definiciones de I.O. (Investigacin de Operaciones) varan desde tcnicas matemticas especficas hasta el mtodo cientfico en s. Muchas de las definiciones incluyen tres aspectos bsicos al enfoque de I. O. Para la toma de decisiones administrativas:

258

Apendice

1.- Una visin sistemtica del problema a ser resuelto. 2.-Una concordancia en cuanto al uso de mtodo cientfico en la resolucin de problemas. 3.- La utilizacin de tcnicas especficas de estadstica, probabilidad y modelos matemticos para ayudar a quien toma las decisiones a resolver el problema. La I.O. es considerada simplemente una teora de la decisin aplicada : la investigacin operacional utiliza cualquier mtodo cientfico, matemtico o lgico, para hacer frente a los problemas que se presentan cuando el ejecutivo busca un raciocinio eficaz para enfrentar sus problemas de decisin. En su sentido ms amplio, la I.O. puede ser caracterizada como la aplicacin de mtodos cientficos, tcnicas cientficas e instrumentos cientficos a problemas que involucran operaciones de sistemas, de modo que provean a los ejecutivos responsables de las operaciones, soluciones ptimas para los problemas. El enfoque de I.O. incorpora el enfoque sistemtico al reconocer que las variables internas en los problemas decisoriales son interdependientes e interrelacionadas. La investigacin operacional es la aplicacin de mtodos, tcnicas e instrumentos cientficos a los problemas que envuelven las operaciones de un sistema, de modo que proporcione, a los que controlan el sistema, soluciones ptimas para el problema observado. Esta se ocupa generalmente de operaciones de un sistema existente..., esto es, materiales, energas, personas y mquinas ya existentes. El objetivo de la investigacin operacional es capacitar la administracin para resolver problemas y tomar decisiones. Los principales campos de aplicacin de la I.O. son: a. Relativa a personas: 1.- Organizacin y gerencia. 2.- Ausentismo y relaciones de trabajo. 3.- Economa. 4.- Decisiones individuales. 5.- Investigaciones de mercado. b. Relativa a personas y mquinas: 1.- Eficiencia y productividad. 2.- Organizacin de flujos en fbricas. 3.- Mtodos de control de calidad, inspeccin y muestreo. 4.- Prevencin de accidentes. 5.- Organizacin de cambios tecnolgicos. c. Relativa a movimientos:
259

Apendice

1.- Transporte. 2.- Almacenamiento, distribucin y manipulacin. 3.- Comunicaciones. Chiavenato Idalberto, Introduccin a la Teora General de Administracin, Mc. Graw Hill, 1989 George Dantzig: Fundador de la Programacin Lineal SIAM News, Noviembre de 1994 A pesar de los grandes adelantos en la optimizacin computacional ocurridos durante los ltimos 20 aos (por ejemplo, los avances en los mtodos de punto interior), el mtodo Simplex inventado por George B. Dantzig en 1947 es an la herramienta principal en casi todas las aplicaciones de la programacin lineal. Dantzig es considerado como uno de los tres fundadores de la programacin lineal, compartiendo dicho honor con Von Neumann y Kantorovich. A travs de su investigacin en teora matemtica, computacin, anlisis econmico y aplicaciones de problemas industriales ha logrado contribuir ms que cualquier otro investigador al desarrollo de la programacin lineal. El trabajo de Dantzig ha sido reconocido con numerosos honores, de entre los cuales sobresalen: La Medalla Nacional de la Ciencia (1975), el Premio John Von Neumann de la Sociedad Americana de Investigacin de Operaciones y el Instituto de Ciencias Administrativas (1974), la membresa en la Academia Nacional de Ciencias, la Academia Nacional de Ingeniera y la Academia Americana de Ciencia y Arte. La programacin lineal y sus derivados (tales como la optimizacin no lineal con restricciones y la programacin entera) han sido capaces de pasar la prueba del tiempo sin debilitarse, y en nuestros das afectan las prcticas econmicas de las organizaciones y sus administraciones. El cientfico computacional Laszolo Lovasz dijo en 1980, Si se tomaran estadsticas acerca de cul problema matemtico usa la mayora del tiempo computacional en el mundo (sin incluir problemas de manejo de bases de datos, como la bsqueda y ordenamiento), seguramente la respuesta sera la programacin lineal. En ese mismo ao Eugene Lawler de Berkeley dijo lo siguiente: La programacin lineal se usa para asignar recursos, planear la produccin, planear el horario de trabajadores, planear la cartera de inversin y formular estrategias de mercado (y militares). La versatilidad e impacto econmico de la programacin lineal en el mundo industrial actual es realmente impresionantes. En palabras del propio Dantzig: El tremendo poder del mtodo Simplex
260

Apendice

me sorprende constantemente. Citando el simple ejemplo del problema de asignacin (70 personas para 70 tareas) y el enorme poder computacional que se requerira para analizar todas las permutaciones y seleccionar la solucin ptima, observ lo siguiente: slo toma un momento encontrar la solucin ptima usando una computadora personal y un paquete que maneje el mtodo simplex estndar. Dantzig escribi en 1991: es interesante notar que el problema original que ocasion mi investigacin est todava pendiente, es decir, el problema de la planeacin dinmica a travs del tiempo, particularmente bajo condiciones de incertidumbre. Si este tipo de problemas pudieran resolverse satisfactoriamente, se podra contribuir (tras una buena planeacin) al mejoramiento de este mundo y del ser humano. La contribucin de Dantzig, segn sus explicaciones, naci de su experiencia en el Pentgono durante la Segunda Guerra Mundial, en donde se convirti en experto en programacin (mtodos de planeacin hechos con calculadoras). En 1946, como consejero matemtico de la Fuerza Area Norteamericana, tuvo el reto de mecanizar los procesos de planeacin. En aquellos tiempos de computadoras pre-electrnicas, mecanizar quera decir usar aparatos analgicos o mquinas de tarjetas perforadas. (Programar era un trmino militar que no se refera a las instrucciones usadas por la computadora para resolver problemas, sino a los planes o calendarizaciones propuestas para el entrenamiento, logstica, o despliegue de unidades de combate. El nombre de programacin lineal, que ha confundido a mucha gente, est basado en la definicin militar de programa). Los que mandan generalmente mueven las manos y dicen He considerado todas las alternativas. Pero eso es casi siempre basura. Lo ms probable es que no pudiesen estudiar todas las combinaciones. George Bernard Dantzig naci el 8 de Noviembre de 1914 en Prtland, Oregon, USA. Actualmente es profesor emrito en el departamento de Investigacin de Operaciones de la Universidad de Stanford. Se recomienda consultar la siguiente direccin en internet www.stanford.edu/dept/eesor/people/faculty/dantzig/ George B. Dantzig , el creador de la programacin lineal, en una entrevista publicada en The College Mathematical Journal, Marzo de 1986. Se presenta a continuacin, parte de esta entrevista: Considere el problema de asignar 70 hombres a 70 empleos. Una actividad consiste en asignar el isimo hombre al j-simo empleo. Las restricciones son dos: en primer lugar hay 70 hombres, cada uno de los cuales debe asignarse a un puesto, y en segundo lugar, cada uno de los
261

Apendice

70 puestos existentes debe estar ocupado. El nivel de una actividad puede ser 1, lo cual indica que est siendo usada, o 0, lo cual significa que no. En consecuencia hay 2 x 70 =140 restricciones y 70 x 70 = 4900 actividades con 4900 variables correspondientes de decisin unocero. Por desgracia tambin hay factorial de 70 permutaciones o formas de hacer las asignaciones. El problema consiste en comparar estas factorial de 70 formas y elegir la que sea la ptima o mejor segn algn criterio previamente establecido. En el ejemplo anterior, factorial de 70 es un nmero muy grande. A fin de tener una idea de qu tan grande es, supngase que se hubiese tenido una computadora IBM del tipo main-frame en el instante en el que ocurri el Big Bang hace quince millones de aos. Habra podido, entre ese entonces y ahora, examinar todas las soluciones posibles? No! No obstante, supngase que se hubiese tenido una computadora aun ms poderosa, una que pudiese examinar mil millones de asignaciones por segundo. La respuesta seguira siendo negativa. Aun si la Tierra se llenase con computadoras cuyas rapideces fueran de nanosegundos, todas ellas trabajando en paralelo, la respuesta aun sera no. Sin embargo, si existiesen diez Tierras, todas llenas con computadoras del tipo mencionado, todas programadas en paralelo desde el instante del Big Bang hasta que el Sol fuese una esfera fra, entonces quizs la respuesta podra ser s. Lo notable es que el mtodo Simplex, con la ayuda de una computadora moderna, puede resolver este problema en una fraccin de segundo. Cuando el problema de la planeacin fue formulado inicialmente para la Fuerza Area, no exista la nocin exacta de una funcin objetivo, la idea de una meta claramente definida. Por supuesto, tenamos slo un falso respeto hacia el concepto de objetivo. En el discurso de los militares escuch a menudo decir, nuestro objetivo es ganar la guerra. En el mundo de los negocios se escuchara quizs nuestro objetivo es obtener ganancias. Sin embargo, era imposible hallar alguna relacin directa entre la meta establecida y las acciones emprendidas para tal fin. Si se estudiaba con cuidado el paso siguiente, se poda ver que algn lder haba promulgado un montn de reglas bsicas que, en su concepto, llevaran a la meta. Esto distaba mucho de lo que sera honestamente estudiar todas las combinaciones alternativas de las acciones a seguir para elegir la mejor combinacin. Los que mandan generalmente mueven las manos y dicen He considerado todas las alternativas. Pero eso es casi siempre basura. Lo ms probable es que no pudiesen estudiar todas las combinaciones. Antes de 1947 era inconcebible pensar
262

Apendice

en la existencia de una herramienta como la programacin lineal que permitiese examinar millones de combinaciones. No haba algoritmo o herramienta computacional que pudiera hacer eso. No descubr el modelo de la programacin lineal en un instante, sino que tuvo un proceso de evolucin. Se dedic casi un ao completo a la tarea de decidir si mi modelo podra ser utilizado en la formulacin de problemas prcticos de distribucin de tiempos. Como usted sabe, la planeacin y la distribucin de tiempos se llevaron a una escala inmensa durante la guerra. El funcionamiento de la Fuerza Area fue equivalente al funcionamiento de la economa de toda una nacin. En el proceso intervinieron cientos de miles de personas. La logstica tuvo una magnitud difcil de entender para alguien que no haya estado all. Mi colega Marshall Wood y yo revisamos miles de situaciones tomadas de nuestra experiencia durante la guerra. Las reglas bsicas empleadas en la planeacin se expresaban en un formato completamente distinto del que se emplea en la actualidad para formular un programa lineal. Lo que hicimos fue revisar estas reglas una por una y demostrar que casi todas ellas podan reformularse aceptablemente en un formato de programacin lineal. Pero no todas. En algunos casos era necesario tomar en cuenta el carcter discreto de las variables y las no convexidades. Cuando formul por primera vez mi modelo de programacin lineal, lo hice sin una funcin objetivo. Estuve luchando por algn tiempo con la adicin de reglas bsicas para elegir de entre las soluciones factibles la que en algn sentido fuese ptima. Pero pronto abandon esta idea y la sustitu por la de una funcin objetivo a ser maximizada. El modelo que formul no estaba hecho especficamente para fines militares. Poda aplicarse a toda clase de problemas de planeacin; todo lo que tena que hacerse era cambiar los nombres de las columnas y los renglones, y entonces era aplicable a un problema de planeacin econmica lo mismo que a un problema de planeacin industrial. Biografa de George Bernard Dantzig George Dantzig studied mathematics at the University of Maryland, receiving his A.B. in 1936. The following year he received an M.A. in mathematics from the University of Michigan. Dantzig worked as a Junior Statistician in the U.S. Bureau of Labor Statistics from 1937 to 1939, then, from 1941 to 1946, he was head of the Combat Analysis Branch, U.S.A.F. Headquarters Statistical Control. He received his doctorate in mathematics from the University of California, Berkeley in 1946. In that year he was appointed Mathemati263

Apendice

cal Advisor for USAF Headquarters. In 1947 Dantzig made the contribution to mathematics for which he is most famous, the simplex method of optimization. It grew out of his work with the U.S. Air Force where he become an expert on planning methods solved with desk calculators. In fact this was known as programming, a military term that, at that time, referred to plans or schedules for training, logistical supply or deployment of men. Dantzig mechanized the planning process by introducing linear programming, where programming has the military meaning explained above. The importance of linear programming methods was described, in 1980, by Laszlo Lovasz who wrote:If one would take statistics about which mathematical problem is using up most of the computer time in the world, then ... the answer would probably be linear programming. Also in 1980 Eugene Lawler wrote:[Linear programming] is used to allocate resources, plan production, schedule workers, plan investment portfolios and formulate marketing (and military) strategies. The versatility and economic impact of linear programming in todays industrial world is truly awesome. Dantzig however modestly wrote:The tremendous power of the simplex method is a constant surprise to me. Dantzig became a research mathematician with the RAND Corporation in 1952, then in 1960 he was appointed professor at Berkeley and Chairman of the Operations Research Center. While there he wrote Linear programming and extensions (1963). In 1966 he was appointed Professor of Operations Research and Computer Science at Stanford University. His work in a wide range of topics related to optimization and operations research over the years has been of major importance. However, writing in 1991, Dantzig noted that:... it is interesting to note that the original problem that started my research is still outstanding - namely the problem of planning or scheduling dynamically over time, particularly planning dynamically under uncertainty. If
264

Apendice

such a problem could be successfully solved it could eventually through better planning contribute to the well-being and stability of the world. Dantzig has received many honours including the Von Neumann Theory Prize in Operational Research in 1975. His work is summarized by Stanford University as follows:A member of the National Academy of Engineering, the National Academy of Science, the American Academy of Arts and Sciences and recipient of the National Medal of Science, plus eight honorary degrees, Professor Dantzigs seminal work has laid the foundation for much of the field of systems engineering and is widely used in network design and component design in computer, mechanical, and electrical engineering. Article by: J J OConnor and E F Robertson El Analista de Investigacin de Operaciones Naturaleza del Trabajo Dirigir una organizacin u operacin compleja, tal como una extensa planta manufacturera, una aerolnea, o un despliegue militar requiere coordinacin precisa de materiales, mquinas y gente. Los analistas de investigacin de operaciones ayudan a las organizaciones a coordinar y operar de la manera ms eficiente aplicando mtodos cientficos y principios matemticos a los problemas organizacionales. Los administradores pueden evaluar alternativas y escoger el curso de accin ptimo para la organizacin. Los analistas de investigacin de operaciones, tambin llamados analistas de las ciencias administrativas, son solucionadores de problemas. Los problemas que atacan estn en su mayora relacionados con las grandes organizaciones de negocios: estrategia, pronsticos, distribucin de recursos, disposicin de medios, control de inventarios, calendarizacin de personal, y sistemas de distribucin. El mtodo que usan generalmente involucra un modelo matemtico (conjunto de ecuaciones) que explica la manera en que ocurren las cosas dentro de la organizacin. Dicho modelo es una representacin simplificada que permite al analista dividir los sistemas en partes, asignar valores numricos a cada componente, y examinar las relaciones matemticas entre ellos. Estos valores pueden ser alterados para determinar qu ocurrira bajo diferentes circunstancias. Los principales tipos de modelos son: simulacin, optimizacin lineal, redes, lneas de espera, y
265

Apendice

teora de juegos. Los analistas de investigacin de operaciones hacen uso extensivo de los recursos computacionales en su trabajo. Generalmente son expertos en el manejo de bases de datos, programacin, y desarrollo de software sofisticado. La mayora de los modelos realizados por los analistas de investigacin de operaciones son tan complicados que slo una computadora los puede resolver eficientemente. Los problemas que manipulan varan segn la industria. Por ejemplo, un analista para una aerolnea coordinar la calendarizacin de vuelos y mantenimiento, estimados de nivel de pasajeros, y consumo de combustible para producir un calendario que optimice todos estos factores y as asegure la seguridad y producir la mayor ganancia posible. Por otro lado, un analista empleado en un hospital se concentrar en diferentes problemas, como el control de admisin de pacientes, el manejo del flujo de pacientes, la asignacin de turnos, monitoreo de uso de servicios de farmacia y laboratorios, o el pronstico de la demanda para nuevos servicios del hospital. El papel del analista de investigacin de operaciones vara de acuerdo a la estructura y filosofa administrativa de la compaa. Algunas empresas centralizan la investigacin de operaciones en un departamento; otras dispersan el personal de investigacin de operaciones a travs de todas las divisiones. Algunos analistas de investigacin de operaciones se especializan en un tipo de aplicacin; otros se generalizan. El grado de supervisin vara segn la estructura y experiencia de la organizacin. En algunas empresas los analistas tienen un grado muy alto de independencia profesional; en otras, los analistas son supervisados celosamente. Los analistas de investigacin de operaciones tienen una relacin muy cercana con los administradores de alto nivel, quienes tienen una gran variedad de requerimientos de soporte. Los analistas deben adaptar su trabajo para cubrir estas necesidades. Sin considerar la estructura de la organizacin o la industria, la investigacin de operaciones vincula un conjunto similar de procedimientos. Los administradores comienzan el proceso describiendo los sntomas del problema al analista. El analista define entonces el problema, el cual algunas veces es de naturaleza general y otras es especfico. Por ejemplo, un analista de una manufacturera automotriz querr determinar el nivel ptimo de inventario de cada uno de los materiales para un nuevo proceso de produccin o, ms especficamente, para determinar cunto acero debe ser almacenado. Despus de que el analista define el problema, aprende todo lo que se puede acerca de l. Investiga el problema, despus lo divide en pequeos
266

Apendice

componentes. Entonces acumula informacin acerca de cada una de esas partes. Generalmente esto involucra consultar a un gran nmero de personal. Por ejemplo, para determinar la cantidad ptima de acero a ser almacenado, el analista podra hablar con los ingenieros acerca de los niveles de produccin; discutir arreglos de adquisicin con los compradores industriales; Y examinar los datos de los costos de almacenamiento provistos por el departamento de contabilidad. Con esta informacin, el analista de investigacin de operaciones est listo para seleccionar la tcnica analtica ms apropiada. Puede haber muchsimas tcnicas que se adapten al problema, aunque tambin puede ser que slo una se ajuste a nuestras necesidades. En algunos casos, el analista debe construir un modelo original para examinar y explicar el sistema. En casi todos los casos, el modelo seleccionado debe de ser modificado para reflejar las circunstancias especficas de la situacin. Un modelo para la calendarizacin de vuelos de una aerolnea, por ejemplo, puede tomar en cuenta la cantidad de combustible requerido para las rutas de vuelo, varios niveles de demanda de los pasajeros, diferentes precios de los boletos, calendarizacin de los pilotos, y costos de mantenimiento. El analista selecciona los valores para estas variables, alimenta con ellos a la computadora, la cual ha sido programada para hacer los clculos requeridos, y corre el programa para producir el calendario ptimo de vuelos. En este punto, el analista presenta el trabajo final a la administracin adems de ciertas recomendaciones basadas en los resultados de los anlisis. Para la toma final de decisiones se requerirn corridas adicionales basadas en diferentes suposiciones. Una vez que se toma una decisin, el analista trabaja para asegurar su instrumentacin. Condiciones de trabajo Los analistas de investigacin de operaciones generalmente trabajan horas regulares en ambiente de oficina. Debido a que trabajan en proyectos que son de inters inmediato para la alta administracin, los analistas trabajan constantemente bajo presin y por lo general ms de 40 horas por semana. El trabajo es de naturaleza sedentaria, y se requiere muy poca fuerza fsica. Empleo El campo para los analistas de investigacin de operaciones fue de 57,000 empleos en 1990 en Estados Unidos. Se requieren en la mayora de las industrias. Las empresas que ms necesitan los servicios de un analista de investigacin de operaciones son las manufactureras de qumicos, maquinaria y equipo de transporte; empresas que proveen servicios de transporte y telecomunicaciones; bancos; agencias de
267

Apendice

seguros; empresas de servicios pblicos; y agencias gubernamentales de todos los niveles. Algunos analistas trabajan en agencias de consultora administrativa que desarrollan aplicaciones de investigacin de operaciones para empresas que no tienen personal de este tipo. La mayora de los analistas en el gobierno trabajan para las fuerzas armadas. Adems, varios analistas que trabajan en la industria privada trabajan tambin directa o indirectamente para la Defensa Nacional. Perspectivas futuras de trabajo Se espera que las oportunidades de trabajo para los analistas de investigacin de operaciones crezcan mucho ms rpido que el promedio de las ocupaciones hasta el ao 2005 debido a la importancia que est cobrando el anlisis cuantitativo en la toma de decisiones y la cada vez mayor disponibilidad de recursos computacionales. Cada vez ms organizaciones estn usando tcnicas de investigacin de operaciones para mejorar la productividad y reducir los costos. Adems, hoy en da se pueden encontrar computadoras con las capacidades requeridas para correr aplicaciones de investigacin de operaciones a muy bajos costos. Esto permite que hasta las empresas pequeas se interesen por la investigacin de operaciones. Esta tendencia estimular en gran medida la demanda de analistas de investigacin de operaciones en los prximos aos. Se espera que el mayor crecimiento de la demanda de trabajo ocurra en los sectores de transporte, manufactura, finanzas y servicios. Las empresas en estos sectores reconocen que el anlisis cuantitativo puede ocasionar mejoras sustanciales en la eficiencia operativa y las utilidades. Cada vez ms aerolneas, por ejemplo, estn usando investigacin de operaciones para determinar la calendarizacin ptima de vuelos y mantenimiento, seleccionar las mejores rutas de servicio, analizar las caractersticas de los clientes, y controlar el consumo de combustible, entre otras cosas. Las cadenas de moteles estn comenzando a utilizar la investigacin de operaciones para mejorar su eficiencia. Por ejemplo, analizan los patrones de trfico de automviles y las actitudes de los clientes para determinar la localizacin, tamao y estilo de los nuevos moteles. La Investigacin De Operaciones en la prctica En esta seccin se presenta un breve panorama de las tcnicas de la Investigacin de Operaciones. Despus se presentan los resultados de algunas investigaciones que muestran cules tcnicas se han utilizado con mayor frecuencia en la prctica y qu es necesario hacer para permitir al lector utilizar con xito la Investigacin de
268

Apendice

Operaciones a lo largo de su carrera. Tcnicas de la ciencia de la Investigacin de Operaciones En este texto se describen las siguientes tcnicas de la ciencia de la Investigacin de Operaciones. Programacin lineal: es un mtodo de solucin de problemas que se ha desarrollado para situaciones que implican la maximizacin o la minimizacin de una funcin lineal sujeta a restricciones lineales que limitan la medida en la que se puede tender hacia la funcin objetivo. Programacin lineal con nmeros enteros: Es un mtodo que se utiliza para problemas que pueden ser planteados como programas lineales, con el requisito adicional de que algunas o todas las decisiones recomendadas deben asumir valores enteros. Modelos de redes: Es una representacin grfica de un problema que consiste en pequeos crculos, a los que se denomina nodos, interconectados por lneas a las que se denomina arcos. Existen procedimientos de solucin especializados para este tipo de problemas que permiten resolver rpidamente muchos problemas gerenciales en reas como diseo de sistemas de transporte, diseo de sistemas de informacin y programacin de proyectos. Administracin de proyectos PERT/CPM: En muchos casos los administradores asumen la responsabilidad de la planeacin, la programacin y el control de proyectos que constan de numerosas tareas o trabajos que son llevados a cabo por diversos departamentos, personas, etc. PERT y CPM son tcnicas que ayudan a los administradores a cumplir con sus responsabilidades en la administracin de proyectos. Modelos de inventarios: Estos modelos se utilizan para auxiliar a administradores que enfrentan los problemas duales de mantener suficientes inventarios para satisfacer la demanda de bienes y, al mismo tiempo, de incurrir en los menores costos posibles por el mantenimiento de esos inventarios. Modelos de lneas de espera (teora de colas): Se han desarrollado los modelos de lneas de espera (colas o filas) para ayudar a los administradores a comprender y a tomar mejores decisiones con respecto a la operacin de sistemas que implican lneas de espera.

269

Apendice

Simulacin en computadora: Esta es una tcnica que se utiliza para ensayar modelos de la operacin de un sistema en el tiempo. Tal tcnica emplea un programa computacional para modelar la operacin y realizar clculos sobre la simulacin. Anlisis de decisiones: El anlisis de decisiones puede servir para determinar estrategias ptimas en situaciones en las que existen varias alternativas de decisin y un patrn de eventos incierto o llenos de riesgo. Programacin de metas: Esta es una tcnica que se utiliza para resolver problemas de decisiones con criterios mltiples, por lo general dentro de una estructura de programacin lineal. Proceso analtico de jerarquizacin. Es una tcnica de toma de decisiones con criterios mltiples que permite la inclusin de factores subjetivos para llegar a la decisin que se recomienda. Pronsticos: Los mtodos de pronstico se pueden emplear para predecir aspectos futuros de una operacin de negocios. Modelos de procesos de Markov: Los modelos de procesos de Markov son tiles para estudiar la evolucin de ciertos sistemas despus de varias repeticiones. Por ejemplo, se han usado procesos de Markov para describir la probabilidad de que una mquina que est funcionando en un periodo contine funcionando o se descomponga en otro periodo. Programacin dinmica: Esta programacin es una tcnica que permite descomponer un problema grande de manera que, una vez que se han resuelto los problemas ms pequeos obtenidos en la descomposicin, se tiene una solucin ptima para el problema completo. Mtodos que se usan con mayor frecuencia Un estudio realizado por Forgionne acerca de ejecutivos de empresas indica la frecuencia con la que se utilizan diversas tcnicas de la ciencia de la Investigacin de Operaciones. Como se muestra en la Tabla siguiente, los mtodos que se usan con mayor frecuencia son los mtodos estadsticos, la simulacin en computadora, PERT/CPM, programacin lineal y teora de colas. Frecuencia de uso en % de respuestas Nunca Moderada Frecuente Estadstica Simulacin en computadora
270

1.6 12.9

38.7 53.2

59.7 33.9

Apendice

PERT/CPM Programacin lineal Teora de las colas Programacin no lineal Programacin dinmica Teora de los juegos

25.8 25.8 40.3 53.2 61.3 69.4

53.2 59.7 50.0 38.7 33.9 27.4

21.0 14.5 9,7 8.1 4.8 3,2

Estudio de Ledbetter y Cox apoya estas conclusiones al jerarquizar, en orden de uso, regresin (anlisis estadstico), programacin lineal, simulacin, modelos de redes (PERT/CPM), filas o colas, programacin dinmica y teora de juegos. Una investigacin de Thomas y DaCostaS mostraba que el 88% de todas las empresas grandes utilizan los pronsticos y que ms de 50% hacen uso de mtodos cuantitativos para programacin de la produccin, control de inventarios, presupuestos de capital y transporte. Un estudio realizado por Gaither sobre las aplicaciones de la ciencia de la administracin en empresas manufactureras apoya tambin la elevada frecuencia de utilizacin del anlisis estadstico, la simulacin y la programacin lineal. Sin embargo, PERT/CPM es el mtodo que se identifica como el ms frecuentemente empleado en las empresas manufactureras investigadas. Las empresas manufactureras reportan tambin una utilizacin superior al promedio de la teora de colas, la programacin no lineal y la programacin segn enteros. Como parte de una investigacin sobre practicantes en el gobierno, la industria y la academia, Shannon, Long y Buckles pidieron a administradores en ejercicio que sealaran si estaban familiarizados con los diversos mtodos cuantitativos y si haban utilizado o no esos mtodos en aplicaciones especficas. Los resultados, que se muestran en la siguiente Tabla, ofrecen apoyo adicional en el sentido de que es probable que las tcnicas de la ciencia de la administracin que ms se conocen y utilizan son programacin lineal, simulacin, anlisis de redes y teora de colas. Implicaciones para el uso de la ciencia de la administracin Recientemente, Morgans revis 12 investigaciones sobre empresas y 3 investigaciones sobre practicantes que se han realizado en los ltimos 30 aos, incluyendo todos los estudios mencionados antes. Mtodo Programacin Lineal Simulacin Anlisis de redes Rango de Conocinmiento 1 2 3 Uso(%) 83,8 80,3 58,1
271

Apndice

Lneas de espera rboles de decisin Programacin entera Anlisis de reposicin Programacin Dinmica Procesos de Markov Programacin no lineal Programacin de metas Teora de juegos

4 5 6 7 8 9 10 11 12

54,7 54,7 38,5 38,5 32,5 31,6 30,7 20,5 13,7

Su anlisis apoya tambin el dato de que PERT/CPM, Programacin lineal y simulacin se encuentran entre los mtodos que se utilizan con mayor frecuencia. Sin embargo, y esto es ms importante, despus de realizar un estudio cuidadoso de los resultados de todas las empresas, concluy que (1) cualquier empresa que est empezando a servirse de tcnicas de ciencia de la administracin debe ubicar a los analistas en las reas funcionales y no en unidades centralizadas; (2) el uso inicial de la ciencia de la Investigacin de Operaciones se debe concentrar en las tcnicas que se utilizan con mayor frecuencia y en las ms tiles; y (3) la mejor manera de eliminar las barreras que se oponen al uso de la ciencia de la administracin es haciendo que los administradores comprendan mejor las tcnicas de la ciencia de la administracin. Adems, para lograr la confianza y el apoyo de los administradores de primer nivel, el analista de CA/IO debe aprender a vender sus mtodos y soluciones, haciendo especial nfasis en el mejoramiento de la comunicacin con los administradores.

Tomado de: Introduccin a los Mtodos Cuantitativos para administracin, por David R. Anderson, Dennis J. Sweeney, Thomas A. Williams. Grupo Editorial Iberoamericano.

272

Apndice

Modelos de la Investigacin de Operaciones Modelos de Investigacin de Operaciones

Determinsticos
Optimizacin no lineal Mtodos Clsicos Mtodos de bsqueda Programacin no Lineal Optimizacin lineal Programacin Lineal Transporte y Asignacin Programacin Entera y 0,1 Redes

Hbridos
Programacin Dinmica Inventarios

Estocsticos
Programacin Estocstica Lneas de espera Procesos Estocsticos Teora de decisiones y juegos

Simulacin

PERT CPM Mtodos Heursticos

273

274

Estandarizacin

Funcin de densidad

Apendice 2
0 Z

Distribucin de Probabilidad Normal Acumulada (0,1)

Z 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 0.00 0.5000 0.5398 0.5793 0.6179 0.6554 0.6915 0.7257 0.7580 0.7881 0.8159 0.8413 0.8643 0.8849 0.9032 0.9192 0.9332 0.9452 0.9554 0.9641 0.9713 0.9772 0.9821 0.9861 0.9893 0.9918 0.9938 0.9953 0.9965 0.9974 0.9981 0.9987 0.9990 0.9993 0.9995 0.9997 0.9998 0.9998 0.9999 0.9999 1.0000 0.01 0.5040 0.5438 0.5832 0.6217 0.6591 0.6950 0.7291 0.7611 0.7910 0.8186 0.8438 0.8665 0.8869 0.9049 0.9207 0.9345 0.9463 0.9564 0.9649 0.9719 0.9778 0.9826 0.9864 0.9896 0.9920 0.9940 0.9955 0.9966 0.9975 0.9982 0.9987 0.9991 0.9993 0.9995 0.9997 0.9998 0.9998 0.9999 0.9999 1.0000 0.02 0.5080 0.5478 0.5871 0.6255 0.6628 0.6985 0.7324 0.7642 0.7939 0.8212 0.8461 0.8686 0.8888 0.9066 0.9222 0.9357 0.9474 0.9573 0.9656 0.9726 0.9783 0.9830 0.9868 0.9898 0.9922 0.9941 0.9956 0.9967 0.9976 0.9982 0.9987 0.9991 0.9994 0.9995 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000 0.03 0.5120 0.5517 0.5910 0.6293 0.6664 0.7019 0.7357 0.7673 0.7967 0.8238 0.8485 0.8708 0.8907 0.9082 0.9236 0.9370 0.9484 0.9582 0.9664 0.9732 0.9788 0.9834 0.9871 0.9901 0.9925 0.9943 0.9957 0.9968 0.9977 0.9983 0.9988 0.9991 0.9994 0.9996 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000 0.04 0.5160 0.5557 0.5948 0.6331 0.6700 0.7054 0.7389 0.7704 0.7995 0.8264 0.8508 0.8729 0.8925 0.9099 0.9251 0.9382 0.9495 0.9591 0.9671 0.9738 0.9793 0.9838 0.9875 0.9904 0.9927 0.9945 0.9959 0.9969 0.9977 0.9984 0.9988 0.9992 0.9994 0.9996 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000 0.05 0.5199 0.5596 0.5987 0.6368 0.6736 0.7088 0.7422 0.7734 0.8023 0.8289 0.8531 0.8749 0.8944 0.9115 0.9265 0.9394 0.9505 0.9599 0.9678 0.9744 0.9798 0.9842 0.9878 0.9906 0.9929 0.9946 0.9960 0.9970 0.9978 0.9984 0.9989 0.9992 0.9994 0.9996 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000 0.06 0.5239 0.5636 0.6026 0.6406 0.6772 0.7123 0.7454 0.7764 0.8051 0.8315 0.8554 0.8770 0.8962 0.9131 0.9279 0.9406 0.9515 0.9608 0.9686 0.9750 0.9803 0.9846 0.9881 0.9909 0.9931 0.9948 0.9961 0.9971 0.9979 0.9985 0.9989 0.9992 0.9994 0.9996 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000 0.07 0.5279 0.5675 0.6064 0.6443 0.6808 0.7157 0.7486 0.7794 0.8078 0.8340 0.8577 0.8790 0.8980 0.9147 0.9292 0.9418 0.9525 0.9616 0.9693 0.9756 0.9808 0.9850 0.9884 0.9911 0.9932 0.9949 0.9962 0.9972 0.9979 0.9985 0.9989 0.9992 0.9995 0.9996 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000 0.08 0.5319 0.5714 0.6103 0.6480 0.6844 0.7190 0.7517 0.7823 0.8106 0.8365 0.8599 0.8810 0.8997 0.9162 0.9306 0.9429 0.9535 0.9625 0.9699 0.9761 0.9812 0.9854 0.9887 0.9913 0.9934 0.9951 0.9963 0.9973 0.9980 0.9986 0.9990 0.9993 0.9995 0.9996 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000 0.09 0.5359 0.5753 0.6141 0.6517 0.6879 0.7224 0.7549 0.7852 0.8133 0.8389 0.8621 0.8830 0.9015 0.9177 0.9319 0.9441 0.9545 0.9633 0.9706 0.9767 0.9817 0.9857 0.9890 0.9916 0.9936 0.9952 0.9964 0.9974 0.9981 0.9986 0.9990 0.9993 0.9995 0.9997 0.9998 0.9998 0.9999 0.9999 0.9999 1.0000

275

276

Bibliografa
BAZARAA, Mokhtar S., JARVIS, John J., SHERALI, Hanif D., Programacin Lineal y flujo de redes. Editorial Limusa S.A. de C.V. Grupo Noriega Editores, Balderas 95, Mxico D. F. Segunda edicin. 1.998 CHANG, Yih-Long. WinQsb, Soporte para el software. John Wiley & Sons, Inc. 1.998 EPPEN D. G., GOULD F. J., SCHMIDT C. P. Investigacin de operaciones en la ciencia administrativa., Editorial Prentice Hall Hispanoamericana S.A., Mxico. Tercera edicin 1.992 GALLEGHER Charles A., HUNG, J. Watson. Mtodos cuantitativos para la toma de decisiones en la administracin. Editorial McGraw-Hill Interamericana, Mxico. Primera edicin 1.982 GONZALEZ ARIZA, Angel Len. Manual prctico de investigacin de operaciones. Segunda edicin 1.998. Ediciones Uninorte. HILLIER, Frederick S.; LIEBERMAN, Gerald J. Introduccin a la investigacin de operaciones. Sptima edicin. Editorial McGraw-Hill Interamericana, Mxico. 2001 LEVIN, Richard., KIRKPATRICK, Charles A., Enfoques cuantitativos a la administracin. Compaa editorial continental, S. A. Mxico. Novena reimpresin 1.997 MATHUR, Kamlesh., SOLOW Daniel., Investigacin de Operaciones : El arte de la toma de decisiones. Editorial Prentice Hall Hispanoamericana S.A. 1.996 SASIENI, Maurice., YASPAN, Arthur., FRIEDMAN, Lawrence. Investigacin de Operaciones, Mtodos y problemas. Editorial Limusa, Mxico, 1.978

277

MOSKOWITZ, Herbert; WRIGHT, Gordon P., Investigacin de operaciones. Editorial Prentice Hall Internacional, Londres. Primera edicin 1.982 NAMAKFOROOSH, Mamad Naghi. Investigacin de operaciones. Editorial Limusa PRAWDA WITENBERG, Juan. Mtodos y modelos de investigacin de operaciones. Volumen 1. Editorial Limusa 1.995 ROS INSUA, Sixto; ROS INSUA David; MATEOS, Alfonso; MARTN, Jacinto. Programacin lineal y aplicaciones. Editorial Alfaomega S.A. 1.997 SHAMBLIN, James E.; STEVENS Jr. G. T. Investigacin de operaciones: Un enfoque fundamental. Editorial McGraw-Hill Interamericana, Mxico. SOLOW, Daniel; KAMLESH, Mathur. Investigacin de operaciones. Editorial Prentice Hall Hispanoamericana S.A., Mxico. STEPHEN B. Bergen. Apuntes de los cursos de investigacin de operaciones de la Universidad se Stanford. Universidad Tecnolgica de Pereira . TAHA, Handy A. Investigacin de operaciones: Una introduccin. Editorial Prentice Hall, Mxico. Sexta edicin 1.998 VARELA, Jaime Enrique. Introduccin a la investigacin de operaciones. Editorial Fondo Educativo Interamericano S.A., Colombia. Primera edicin 1.982 WINSTON, Wayne L. Operations Research, Applications And Algorithms. Duxbury Press And Imprint of Wadsworth Publishing Company, Belmont, California. Tercera edicin 1.994

278

Software
A continuacin damos una lista de programas informticos con la direccin Web, en las que el lector podr obtener informacin reciente y detallada del software, incluyendo en muchos casos una versin de evaluacin. ARSHAM, Hossein Dr. www.brave.as/arsham AIMMS, Paragon Decisin Technology, Haarlem, Holanda, http:// www.paragon.nl BOGAZII UNIVERSITY ISTANBUL-TURKEY, Departamento de sistemas., http://mis.boun.edu.tr/erdem/winqsb.html CORPORACIN UNIVERSITARIA DE IBAGU, Programa de Ingeniera Industrial., www.cui.edu.co/industrial/io.htm CPLEX for AMPL, MINOS for AMPL, Compass Modeling Solutions, Reno, Nevada, http://www.modeling.com FORT MP, Numerical Algorithms Group., http://www.nag.com GAMS, Gams Development Corporation, Washington, http:// www.gams.com INVESTIGACIN OPERATIVA., http://members.tripod.com/ ~operativa LINDO, LINGO, WHATS BEST, Lindo Systems, Chicago, http:// www.lindo.com LP/MIPSolvers, PREMIUM SOLVER for EXCEL, frontline Systems, http://www.frontsys.com LPS-867, Applied Automated Engineering Corporation, Pennington, N. J., http://www.aae.com

279

MPL Modeling System, Maximal Software, Arlington, Va., http:// www.maximal-usa.com SAS Software, SAS Institute, Cary N.C., http://www.sas.com DSPims, Aspen Technology, http://www.aspentech.com XPRESS-MP, Dash Associates Ltd., Blisworth, UK, http://www. Dash.co.uk

280