Está en la página 1de 174

UNIDAD 1: PROGRAMACION LINEAL.

DEFINICION, DESARROLLO Y TIPOS DE MODELOS DE INVESTIGACION DE OPERACIONES

Historia de la Investigacin de Operaciones. La primera actividad de Investigacin de Operaciones se dio durante la Segunda Guerra Mundial en Gran Bretaa, donde la Administracin Militar llam a un grupo de cientficos de distintas reas del saber para que estudiaran los problemas tcticos y estratgicos asociados a la defensa del pas. El nombre de Investigacin de Operaciones fue dado aparentemente porque el equipo estaba llevando a cabo la actividad de investigar operaciones (militares). Motivados por los resultados alentadores obtenidos por los equipos britnicos, los administradores militares de Estados Unidos comenzaron a realizar investigaciones similares. Para eso reunieron a un grupo selecto de especialistas, los cuales empezaron a tener buenos resultados y en sus estudios incluyeron problemas logsticos complejos, la planeacin de minas en el mar y la utilizacin efectiva del equipo electrnico. Al trmino de la guerra y atrados por los buenos resultados obtenidos por los estrategas militares, los administradores industriales empezaron a aplicar las herramientas de la Investigacin de Operaciones a la resolucin de sus problemas que empezaron a originarse debido al crecimiento del tamao y la complejidad de las industrias. Aunque se ha acreditado a Gran Bretaa la iniciacin de la Investigacin de Operaciones como una nueva disciplina, los Estados Unidos tomaron pronto el liderazgo en este campo rpidamente creciente. La primera tcnica matemtica ampliamente aceptada en el medio de Investigacin de Operaciones fue el Mtodo Smplex de Programacin Lineal, desarrollado en 1947 por el matemtico norteamericano George B. Dantzig. Desde entonces las nuevas tcnicas se han

desarrollado gracias al esfuerzo y cooperacin de las personas interesadas tanto en el rea acadmica como en el rea industrial. Un segundo factor en el progreso impresionante de la Investigacin de Operaciones fue el desarrollo de la computadora digital, que con sus tremendas capacidades de velocidad de cmputo y de almacenamiento y recuperacin de informacin, permitieron al tomador de decisiones rapidez y precisin. Si no hubiera sido por la computadora digital, la Investigacin de Operaciones con sus grandes problemas de computacin no hubiera crecido al nivel de hoy en da. Actualmente la Investigacin de Operaciones se est aplicando en muchas actividades. Estas actividades han ido ms all de las aplicaciones militares e industriales, para incluir hospitales, instituciones financieras, bibliotecas, planeacin urbana, sistemas de transporte y sistemas de comercializacin. Caractersticas de la Investigacin de Operaciones. Es muy notable el rpido crecimiento del tamao y la complejidad de las organizaciones (empresas) humanas que se ha dado en estos ltimos tiempos. Tal tamao y complejidad nos hace pensar que una sola decisin equivocada puede repercutir grandemente en los intereses y objetivos de la organizacin y en ocasiones pueden pasar aos para rectificar tal error. Tambin el ritmo de la empresa de hoy implica que las DECISIONES se tomen ms rpidamente que nunca, pues el hecho de posponer la accin puede dar una decisiva ventaja al contrario en este mundo de la competencia. La palpable dificultad de tomar decisiones ha hecho que el hombre se aboque en la bsqueda de una herramienta o mtodo que le permita tomar las mejores decisiones de acuerdo a los recursos disponibles y a los objetivos que persigue. Tal herramienta recibi el nombre de Investigacin de Operaciones. De la definicin de Investigacin de Operaciones, como veremos en el siguiente apartado, podemos resaltar los siguientes trminos: organizacin, sistema, grupos interdisciplinarios, objetivo y metodologa cientfica. Una organizacin puede entenderse como un sistema, en el cual existen componentes; canales que comunican tales componentes e informacin que fluye

por dichos canales. En todo sistema las componentes interactan unas con otras y tales interacciones pueden ser controlables e incontrolables. En un sistema grande, las componentes se relacionan de muchas maneras, pero no todas son importantes, o mejor dicho, no todas las interacciones tienen efectos importantes en las componentes del sistema. Por lo tanto es necesario que exista un procedimiento sistemtico que identifique a quienes toman decisiones y a las interacciones que tengan importancia para los objetivos de la organizacin o sistema. Uno de esos procedimientos es precisamente la Investigacin de Operaciones. Una estructura por la que no fluye informacin, no es dinmica, es decir, no podemos considerarla como un sistema. Por lo tanto podemos decir que la informacin es lo que da vida a las estructuras u organizaciones humanas. Los objetivos de toda organizacin sern siempre alcanzar el liderato en su rama, controlando la eficiencia y efectividad de todas sus componentes por medio de mtodos que permitan encontrar las relaciones ptimas que mejor operen el sistema, dado un objetivo especfico. Ante el tremendo avance que se ha dado en casi todas las ciencias en las ltimas dcadas, ya no es factible querer saber un poco de todo, sino ms bien especializarse en alguna rama de la ciencia. Los problemas que se presentan en las organizaciones no fcilmente se pueden resolver por un slo especialista. Por el contrario son problemas multidisciplinarios, cuyo anlisis y solucin requieren de la participacin de varios especialistas. Estos grupos interdisciplinarios necesariamente requieren de un lenguaje comn para poder entenderse y comunicarse, donde la Investigacin de Operaciones viene a ser ese puente de comunicacin. El enfoque de la Investigacin de Operaciones es el mismo del mtodo cientfico. En particular, el proceso comienza por la observacin cuidadosa y la formulacin del problema y sigue con la construccin de un modelo cientfico (por lo general matemtico) que intenta abstraer la esencia del problema real. En este punto se propone la hiptesis de que el modelo es una representacin lo suficientemente precisa de las caractersticas esenciales de la situacin como

para que las conclusiones (soluciones) obtenidas sean vlidas tambin para el problema real. Esta hiptesis se verifica y modifica mediante las pruebas adecuadas. Entonces, en cierto modo, la Investigacin de Operaciones incluye la investigacin cientfica creativa de las propiedades fundamentales de las operaciones. Sin embargo, existe ms que esto. En particular, la Investigacin de Operaciones se ocupa tambin de la administracin prctica de la organizacin. As, para tener xito, deber tambin proporcionar conclusiones positivas y claras que pueda usar el tomador de decisiones cuando las necesite. La contribucin del enfoque de Investigacin de Operaciones proviene principalmente de: 1. La estructuracin de una situacin de la vida real como un modelo matemtico, logrando una abstraccin de los elementos esenciales para que pueda buscarse una solucin que concuerde con los objetivos del tomador de decisiones. Esto implica tomar en cuenta el problema dentro del contexto del sistema completo. 2. El anlisis de la estructura de tales soluciones y el desarrollo de procedimientos sistemticos para obtenerlas. 3. El desarrollo de una solucin, incluyendo la teora matemtica si es necesario, que lleva al valor ptimo de la medida de lo que se espera del sistema (o quiz que compare los cursos de accin opcionales evaluando esta medida para cada uno). Definicin. Investigacin de Operaciones o Investigacin Operacional. Se puede definir de la siguiente manera: La Investigacin de Operaciones es la aplicacin por grupos interdisciplinarios del mtodo cientfico a problemas relacionados con el control de las organizaciones o sistemas a fin de que se produzcan soluciones que mejor sirvan a los objetivos de toda la organizacin. Metodologa de la Investigacin de Operaciones. El proceso de la Investigacin de Operaciones comprende las siguientes fases: 1. Formulacin y definicin del problema.

2. Construccin del modelo. 3. Solucin del modelo. 4. Validacin del modelo. 5. Implementacin de resultados. Demos una explicacin de cada una de las fases: 1. Formulacin y definicin del problema. En esta fase del proceso se necesita: una descripcin de los objetivos del sistema, es decir, qu se desea optimizar; identificar las variables implicadas, ya sean controlables o no; determinar las restricciones del sistema. Tambin hay que tener en cuenta las alternativas posibles de decisin y las restricciones para producir una solucin adecuada. 2. Construccin del modelo. En esta fase, el investigador de operaciones debe decidir el modelo a utilizar para representar el sistema. Debe ser un modelo tal que relacione a las variables de decisin con los parmetros y restricciones del sistema. Los parmetros (o cantidades conocidas) se pueden obtener ya sea a partir de datos pasados o ser estimados por medio de algn mtodo estadstico. Es recomendable determinar si el modelo es probabilstico o determinstico. El modelo puede ser matemtico, de simulacin o heurstico, dependiendo de la complejidad de los clculos matemticos que se requieran. 3. Solucin del modelo. Una vez que se tiene el modelo, se procede a derivar una solucin matemtica empleando las diversas tcnicas y mtodos matemticos para resolver problemas y ecuaciones. Debemos tener en cuenta que las soluciones que se obtienen en este punto del proceso, son matemticas y debemos interpretarlas en el mundo real. Adems, para la solucin del modelo, se deben realizar anlisis de sensibilidad, es decir, ver como se comporta el modelo a cambios en las especificaciones y parmetros del sistema. Esto se hace, debido a que los parmetros no necesariamente son precisos y las restricciones pueden estar equivocadas. 4. Validacin del modelo. La validacin de un modelo requiere que se determine si dicho modelo puede predecir con certeza el comportamiento del

sistema. Un mtodo comn para probar la validez del modelo, es someterlo a datos pasados disponibles del sistema actual y observar si reproduce las situaciones pasadas del sistema. Pero como no hay seguridad de que el comportamiento futuro del sistema contine replicando el comportamiento pasado, entonces siempre debemos estar atentos de cambios posibles del sistema con el tiempo, para poder ajustar adecuadamente el modelo. 5. Implementacin de resultados. Una vez que hayamos obtenido la solucin o soluciones del modelo, el siguiente y ltimo paso del proceso es interpretar esos resultados y dar conclusiones y cursos de accin para la optimizacin del sistema. Si el modelo utilizado puede servir a otro problema, es necesario revisar, documentar y actualizar el modelo para sus nuevas aplicaciones. Estructura de los modelos empleados en la Investigacin de Operaciones. El enfoque de la Investigacin de Operaciones es el modelaje. Un modelo es una herramienta que nos sirve para lograr una visin bien estructurada de la realidad. As, el propsito del modelo es proporcionar un medio para analizar el comportamiento de las componentes de un sistema con el fin de optimizar su desempeo. La ventaja que tiene el sacar un modelo que represente una situacin real, es que nos permite analizar tal situacin sin interferir en la operacin que se realiza, ya que el modelo es como si fuera un espejo de lo que ocurre. Para aumentar la abstraccin del mundo real, los modelos se clasifican como 1) icnicos, 2) anlogos, 3) simblicos. Los modelos icnicos son la representacin fsica, a escala reducida o aumentada de un sistema real. Los modelos anlogos esencialmente requieren la sustitucin de una propiedad por otra con el fin de permitir la manipulacin del modelo. Despus de resolver el problema, la solucin se reinterpreta de acuerdo al sistema original. Los modelos ms importantes para la investigacin de operaciones, son los modelos simblicos o matemticos, que emplean un conjunto de smbolos y funciones para representar las variables de decisin y sus relaciones para describir el comportamiento del sistema. El uso de las matemticas para

representar el modelo, el cual es una representacin aproximada de la realidad, nos permite aprovechar las computadoras de alta velocidad y tcnicas de solucin con matemticas avanzadas. Un modelo matemtico comprende principalmente tres conjuntos bsicos de elementos. Estos son: 1) variables y parmetros de decisin, 2) restricciones y 3) funcin objetivo. 1. Variables y parmetros de decisin. Las variables de decisin son las incgnitas (o decisiones) que deben determinarse resolviendo el modelo. Los parmetros son los valores conocidos que relacionan las variables de decisin con las restricciones y funcin objetivo. Los parmetros del modelo pueden ser determinsticos o probabilsticos. 2. Restricciones. Para tener en cuenta las limitaciones tecnolgicas, econmicas y otras del sistema, el modelo debe incluir restricciones (implcitas o explcitas) que restrinjan las variables de decisin a un rango de valores factibles. 3. Funcin objetivo. La funcin objetivo define la medida de efectividad del sistema como una funcin matemtica de las variables de decisin. La solucin ptima ser aquella que produzca el mejor valor de la funcin objetivo, sujeta a las restricciones. Concepto de optimizacin. Una caracterstica adicional, que se mencion como de pasada, es que la Investigacin de Operaciones intenta encontrar la mejor solucin, o la solucin ptima, al problema bajo consideracin. En lugar de contentarse con slo mejorar el estado de las cosas, la meta es identificar el mejor curso de accin posible. An cuando debe interpretarse con todo cuidado, esta bsqueda de la optimalidad es un aspecto muy importante dentro de la Investigacin de Operaciones. reas de aplicacin de la Investigacin de Operaciones.

Como su nombre lo dice, Investigacin de Operaciones significa hacer investigacin sobre las operaciones. Esto dice algo del enfoque como del rea de aplicacin. Entonces, la Investigacin de Operaciones se aplica a problemas que se refieren a la conduccin y coordinacin de operaciones o actividades dentro de una organizacin. La naturaleza de la

organizacin es esencialmente inmaterial y, de hecho, la Investigacin de Operaciones se ha aplicado en los negocios, la industria, la milicia, el gobierno, los hospitales, etc. As, la gama de aplicaciones es extraordinariamente amplia. Casi todas las organizaciones ms grandes del mundo (alrededor de una docena) y una buena proporcin de las industrias ms pequeas cuentan con grupos bien establecidos de Investigacin de Operaciones. Muchas industrias, incluyendo la area y de proyectiles, la automotriz, la de comunicaciones, computacin, energa elctrica, electrnica, alimenticia, metalrgica, minera, del papel, del petrleo y del transporte, han empleado la Investigacin de Operaciones. Las instituciones financieras, gubernamentales y de salud estn incluyendo cada vez ms estas tcnicas. Para ser ms especficos, se consideran algunos problemas que se han resuelto mediante algunas tcnicas de Investigacin de Operaciones. La programacin lineal se ha usado con xito en la solucin de problemas referentes a la asignacin de personal, la mezcla de materiales, la distribucin y el transporte y las carteras de inversin. La programacin dinmica se ha aplicado con buenos resultados en reas tales como la planeacin de los gastos de comercializacin, la estrategia de ventas y la planeacin de la produccin. La teora de colas ha tenido aplicaciones en la solucin de problemas referentes al congestionamiento del trfico, al servicio de mquinas sujetas a descomposturas, a la determinacin del nivel de la mano de obra, a la programacin del trfico areo, al diseo de presas, a la programacin de la produccin y a la administracin de hospitales. Otras tcnicas de Investigacin de Operaciones, como la teora de inventarios, la teora de juegos y la simulacin, han tenido exitosas aplicaciones en una gran variedad de contextos.
ORGENES DE LA INVESTIGACIN DE OPERACIONES La toma de decisiones es un proceso que se inicia cuando una persona observa un problema y determina que es necesario resolverlo procediendo a definirlo, a formular un objetivo, reconocer las limitaciones o restricciones, a generar alternativas de solucin y evaluarlas hasta seleccionar la que le parece mejor, este proceso puede se cualitativo o cuantitativo. El enfoque cualitativo se basa en la experiencia y el juicio personal, las habilidades necesarias en este enfoque son inherentes en la persona y aumentan con la prctica. En muchas ocasiones este proceso basta para tomar buenas decisiones. El enfoque cuantitativo requiere habilidades que se obtienen del estudio de herramientas matemticas que le permitan a la persona mejorar su efectividad en la

toma de decisiones. Este enfoque es til cuando no se tiene experiencia con problemas similares o cuando el problema es tan complejo o importante que requiere de un anlisis exhaustivo para tener mayor posibilidad de elegir la mejor solucin. La investigacin de operaciones proporciona a los tomadores de decisiones bases cuantitativas para seleccionar las mejores decisiones y permite elevar su habilidad para hacer planes a futuro. En el ambiente socioeconmico actual altamente competitivo y complejo, los mtodos tradicionales de toma de decisiones se han vuelto inoperantes e inadmisibles ya que los responsables de dirigir las actividades de las empresas e instituciones se enfrentan a situaciones complicadas y cambiantes con rapidez que requieren de soluciones creativas y prcticas apoyadas en una base cuantitativa slida. En organizaciones grandes se hace necesario que el tomador de decisiones tenga un conocimiento bsico de las herramientas cuantitativas que utilizan los especialistas para poder trabajar en forma estrecha con ellos y ser receptivos a las soluciones y recomendaciones que se le presenten. En organizaciones pequeas puede darse que el tomador de decisiones domine las herramientas cuantitativas y l mismo las aplique para apoyarse en ellas y as tomar sus decisiones. Desde al 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 corporaciones actuales de miles de millones de pesos. Una parte integral de este cambio revolucionario fue el gran aumento en 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 creo nuevos problemas que ocurren hasta la fecha en muchas empresas. Uno de estos problemas es las tendencia de muchas de las componentes de una organizacin a convertirse en imperios relativamente autnomos, con sus propias metas y sistemas de valores, perdiendo con esto la visin de la forma en que encajan sus actividades y objetivos con los de toda la organizacin. Lo que es mejor para una componente,

puede ir en detrimento de otra, 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 (IO). Las races de la investigacin de operaciones se remontan a muchas dcadas, cuando se hicieron los primeros intentos para emplear el mtodo cientfico en la administracin de una empresa. Sin embargo, el inicio de la actividad llamada investigacin de operaciones, casi siempre 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 esto, las administraciones militares americana e inglesa hicieron un llamado a un gran nmero de cientficos para que aplicaran el mtodo cientfico a ste y a otros problemas estratgicos y tcticos. De hecho, se les pidi que hicieran investigacin sobre operaciones (militares). Estos equipos de cientficos fueron los primeros equipos de IO. Con el desarrollo de mtodos efectivos para el uso del nuevo radar, estos equipos contribuyeron al triunfo del combate areo ingls. A travs de sus investigaciones para mejorar el manejo de las operaciones antisubmarinas y de proteccin, jugaron tambin un papel importante en la victoria de la batalla del Atlntico Norte. Esfuerzos similares fueron de gran ayuda en a isla de campaa en el pacfico. Al terminar la guerra, el xito de la investigacin de operaciones en las actividades blicas gener un gran inters en sus aplicaciones fuera del campo militar. Como la explosin industrial segua su curso, los problemas causados por el aumento en la complejidad y especializacin dentro de las organizaciones pasaron de nuevo 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 IO durante la guerra, que estos problemas eran bsicamente los mismos que los

enfrentados por la milicia, pero en un contexto diferente. Cuando comenz la dcada de 1950, estos individuos haban introducido el uso de la investigacin de operaciones en la industria, los negocios y el gobierno. Desde entonces, esta disciplina se ha desarrollado con rapidez. Se pueden identificar por lo menos otros dos factores que jugaron un papel importante en el desarrollo de la investigacin de operaciones durante este perodo. 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 IO 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 Dantzing. 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. Un segundo factor que dio mpetu al desarrollo de este campo fue el advenimiento de la computadoras. Para manejar de una manera efectiva los complejos problemas inherentes a esta disciplina, por lo general se requiere un gran nmero de clculos. Llevarlos a cabo a mano puede resultar casi imposible. Por lo tanto, 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. Un avance ms tuvo lugar en la dcada de 1980 con el desarrollo de las computadoras personales cada vez ms rpidas, acompaado de buenos paquetes de software para resolver problemas de IO, esto puso las tcnicas al alcance de un gran nmero de personas. Hoy en da, literalmente millones de individuos tiene acceso a estos paquetes. En consecuencia, por rutina, se usa toda una gama e computadoras, desde las grandes hasta las porttiles, para resolver problemas de investigacin de operaciones. NATURALEZA DE LA INVESTIGACIN DE OPERACIONES

Como su nombre lo dice, la investigacin de operaciones significa "hacer investigacin sobre las operaciones". 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 de manera extensa en reas tan diversas como la manufactura, el transporte, la constitucin, las telecomunicaciones, la planeacin financiera, el cuidado de la salud, la milicia y los servicios pblicos, por nombrar slo unas cuantas. As, la gama de aplicaciones es extraordinariamente amplia. La parte de investigacin en el nombre significa que la investigacin de operaciones usa un enfoque similar a la manera en que se lleva a cabo la investigacin en los campos cientficos establecidos. En gran medida, se usa el mtodo cientfico para investigar el problema en cuestin. (De hecho, en ocasiones se usa el trmino ciencias de la administracin como sinnimo de investigacin de operaciones.) En particular, el proceso comienza por la observacin cuidadosa y la formulacin del problema incluyendo la recoleccin de los datos pertinentes. El siguiente paso es la construccin de un modelo cientfico (por lo general matemtico) que intenta abstraer la esencia del problema real. En este punto se propone la hiptesis de que el modelo es una representacin lo suficientemente precisa de las caractersticas esenciales de la situacin como para que las conclusiones (soluciones) obtenidas sean vlidas tambin para el problema real. Despus, se llevan a cabo los experimentos adecuados para probar esta hiptesis, modificarla si es necesario y eventualmente verificarla. (Con frecuencia este paso se conoce como validacin del modelo.) Entonces, en cierto modo, la investigacin e operaciones incluye la investigacin cientfica creativa de las propiedades fundamentales de las operaciones. Sin embargo, existe ms que esto. En particular, la IO se ocupa tambin de la administracin prctica de la organizacin. As, para tener xito, deber tambin proporcionar conclusiones 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 IO adopta un punto de vista

organizacional. de esta manera, intenta resolver los conflictos de intereses entre las 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 es que la investigacin de operaciones intenta encontrar una mejor solucin, (llamada solucin ptima) para el problema bajo consideracin. (Decimos una mejor solucin y no la mejor solucin porque pueden existir muchas soluciones que empaten como la mejor.) En lugar de contentarse con mejorar el estado de las cosas, la meta es identificar el mejor curso de accin posible. Aun cuando debe interpretarse con todo cuidado en trminos de las necesidades reales de la administracin, esta "bsqueda de la optimidad" es un aspecto 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 lo 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 emprender un estudio de investigacin de operaciones completo de un nuevo problema, por lo general es necesario emplear el empleo de equipo. Este debe incluir individuos con antecedentes firmes en matemticas, estadstica y teora de probabilidades, al igual que en economa, administracin de empresas, ciencias de la computacin, ingeniera, ciencias fsicas, ciencias 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 problema a travs de la organizacin. QU ES LA INVESTIGACIN DE OPERACIONES? Como toda disciplina en desarrollo, la investigacin de operaciones ha ido evolucionando no slo en sus tcnicas y aplicaciones sino en la forma como la conceptualizan los diferentes autores, en la actualidad no existe solamente una

definicin sino muchas, algunas demasiado generales, otras demasiado engaosas, aqu seleccionamos dos de las mas aceptadas y representativas. LA DEFINICIN DE CHURCHMAN, ACKOFF Y ARNOFF: LA INVESTIGACIN DE OPERACIONES ES DEL LA APLICACIN, CIENTFICO POR A GRUPOS PROBLEMAS INTERDISCIPLINARIOS, MTODO

RELACIONADOS CON EL CONTROL DE LAS ORGANIZACIONES O SISTEMAS (HOMBRE-MQUINA), A FIN DE QUE SE PRODUZCAN SOLUCIONES QUE MEJOR SIRVAN A LOS OBJETIVOS DE LA ORGANIZACIN.

De sta definicin se pueden destacar los siguientes conceptos: 1. Una organizacin es un sistema formado por componentes que se interaccionan, unas de estas interacciones pueden ser controladas y otras no. 2. En un sistema la informacin es una parte fundamental, ya que entre las componentes fluye informacin que ocasiona la interaccin entre ellas. Tambin dentro de la estructura de los sistemas se encuentran recursos que generan interacciones. Los objetivos de la organizacin se refieren a la eficacia y eficiencia con que las componentes pueden controlarse, el control es un mecanismo de autocorreccin del sistema que permite evaluar los resultados en trminos de los objetivos establecidos. 3. La complejidad de los problemas que se presentan en las organizaciones ya no encajan en una sola disciplina del conocimiento, se han convertido en multidisciplinario por lo cual para su anlisis y solucin se requieren grupos compuestos por especialistas de diferentes reas del conocimiento que logran comunicarse con un lenguaje comn. 4. La investigacin de operaciones es la aplicacin de la metodologa cientfica a travs modelos matemticos, primero para representar al problema y luego para resolverlo. La definicin de la sociedad de investigacin de operaciones de la Gran Bretaa es la siguiente: La investigacin de operaciones es el ataque de la ciencia moderna a los complejos problemas que surgen en la direccin y en la administracin de

grandes sistemas de hombres, mquinas, materiales y dinero, en la industria, en los negocios, en el gobierno y en la defensa. Su actitud diferencial consiste en desarrollar un modelo cientfico del sistema tal, que incorpore valoraciones de factores como el azar y el riesgo y mediante el cual se predigan y comparen los resultados de decisiones, estrategias o controles alternativos. Su propsito es el de ayudar a la gerencia a determinar cientficamente sus polticas y acciones. EN RELACIN A STA DEFINICIN DEBEN DESTACARSE LOS SIGUIENTES ASPECTOS: 1. Generalmente se asocian los conceptos de direccin y administracin a las empresas de tipo lucrativo, sin embargo, una empresa es un concepto ms amplio, es algo que utiliza hombres, mquinas, materiales y dinero con un propsito especfico; desde ste punto de vista, se considera como empresa desde una universidad hasta una armadora de automviles. 2. Para tratar de explicar el comportamiento de un sistema complejo, el cientfico debe representarlo en trminos de los conceptos que maneja, lo hace expresando todos los rasgos principales del sistema por medio de relaciones matemticas. A esta representacin formal se le llama modelo. 3. La esencia de un modelo es que debe ser predictivo, lo cual no significa predecir el futuro, pero si ser capaz de indicar muchas cosas acerca de la forma en que se puede esperar que un sistema opere en una variedad de circunstancias, lo que permite valorar su vulnerabilidad. Si se conocen las debilidades del sistema se pueden tomar cursos de accin agrupados en tres categoras: A) Efectuar cambios que lleven a la empresa o parte de ella a una nueva ruta; B) Realizar un plan de toma de decisiones; C) Instalar estrategias que generen decisiones. Cuando se aplica alguno de estos remedios, la investigacin de operaciones nos ayuda a determinar la accin menos vulnerable ante un futuro incierto. 4. El objetivo global de la investigacin de operaciones es el de apoyar al tomador de decisiones, en cuanto ayudarlo a cumplir con su funcin basado en estudios cientficamente fundamentados.

ENFOQUE DE LA INVESTIGACIN DE OPERACIONES: la parte innovadora de la IO es sin duda alguna su enfoque modelstico, producto de sus creadores aunado a la presin de supervivencia de la guerra o la sinerga generada al combinarse diferentes disciplinas, una descripcin del enfoque es la siguiente. (Ver la figura 11). 1. Se define el sistema real en donde se presenta el problema. Dentro del sistema interactuan normalmente un gran numero de variables. 2. Se seleccionan las variables que norman la conducta o el estado actual del sistema, llamadas variables relevantes, con las cuales se define un sistema asumido del sistema real. 3. Se construye un modelo cuantitativo del sistema asumido, identificando y simplificando las relaciones entre las variables relevantes mediante las utilizacin de funciones matemticas. 4. Se obtiene la solucin al modelo cuantitativo mediante la aplicacin de una o mas de las tcnicas desarrolladas por la IO. 5. Se adapta e imprime la mxima realidad posible a la solucin terica del problema real obtenida en el punto 4, mediante la consideracin de factores cualitativos o no cuantificables, los cuales no pudieron incluirse en el modelo. Adems se ajusta los detalles finales va el juicio y la experiencia del tomador de decisiones. 6. Se implanta la solucin en el sistema real.

LA INVESTIGACIN DE OPERACIONES OBTIENE LA SOLUCIN DEL PROBLEMA REAL INDIRECTAMENTE, Y NO COMO NORMALMENTE SE INTENTARA PASANDO DIRECTAMENTE DEL PROBLEMA REAL A LA SOLUCIN REAL.

METODOLOGA DE LA INVESTIGACION DE OPERACIONES

DEFINICIN DEL PROBLEMA Y RECOLECCIN DE DATOS La mayor parte de los problemas prcticos con los que se enfrenta el equipo IO estn descritos inicialmente de una manera vaga. Por consiguiente, la primera actividad que se debe realizar es el estudio del sistema relevante y el desarrollo de un resumen bien definido del problema que se va a analizar. Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se puede hacer, las interrelaciones del rea bajo estudio con otras reas de la organizacin, los diferentes cursos de accin posibles, los lmites de tiempo para tomar una decisin, etc. Este proceso de definir el problema es crucial ya que afectar en forma significativa la relevancia de las conclusiones del estudio. Es difcil extraer una respuesta "correcta" a partir de un problema "equivocado"! Por su naturaleza, la investigacin de operaciones se encarga del bienestar de toda la organizacin, no slo de algunos de sus componentes. Un estudio de IO busca soluciones ptimas globales y no soluciones subptimas aunque sean lo mejor para uno de los componente. Entonces, idealmente, los objetivos que se formulan debe coincidir con los de toda la organizacin. Sin embargo, esto no siempre es conveniente. Muchos problemas interesan nada ms a una parte de la organizacin, de manera que el anlisis sera innecesariamente besado si los objetivos fueran muy generales y si se prestara atencin especial a todos los efectos secundarios sobre el resto de la organizacin. En lugar de ello, los objetivos usados en un estudio deben ser tan especficos como sea posible, siempre y cuando contemplen las metas principales del tomador de decisiones y mantengan un nivel razonable de consistencia con los objetivos de los altos niveles. Las condiciones fundamentales para que exista un problema es que se establezca una diferencia entre lo que es (situacin actual) y lo que debe ser (situacin deseada u objetivo) y adems exista cuando menos una forma de eliminar o disminuir esa diferencia. Los componentes de un problema son: a) el tomador de decisiones o ejecutivo; b) los objetivos de la organizacin; c) el sistema o ambiente en el que se sita el problema; d) Los cursos de accin alternativos que se pueden tomar para resolverlo.

Para formular un problema se requiere; a) identificar las componentes y variables controlables y no controlables del sistema; b) identificar los posibles cursos de accin, determinados por las componentes controlables; c) definir el marco de referencia dado por las componentes no controlables; d) definir los objetivos que se busca alcanzar y clasificarlos por orden de importancia; e) identificar las interpelaciones importantes entre las diferentes partes del sistema y encontrar las restricciones que existen. FORMULACIN DE UN MODELO MATEMTICO Una vez definido el problema del tomador de decisiones, la siguiente etapa consiste en reformularlo de manera conveniente para su anlisis. La forma convencional en que la investigacin de operaciones realiza esto es construyendo un modelo matemtico que represente la esencia del problema. Antes de analizar como formular los modelos de este tipo, se explorar la naturaleza general de los modelos y, en particular, la de los modelos matemticos. El modelo matemtico est constituido por relaciones matemticas (ecuaciones y desigualdades) establecidas en trminos de variables, que representa la esencia el problema que se pretende solucionar. Para construir un modelo es necesario primero definir las variables en funcin de las cuales ser establecido. Luego, se procede a determinar matemticamente cada una de las dos partes que constituyen un modelo: a) la medida de efectividad que permite conocer el nivel de logro de los objetivos y generalmente es una funcin (ecuacin) llamada funcin objetivo; b) las limitantes del problema llamadas restricciones que son un conjunto de igualdades o desigualdades que constituyen las barreras y obstculos para la consecucin del objetivo. Un modelo siempre debe ser menos complejo que el problema real, es una aproximacin abstracta de la realidad con consideraciones y simplificaciones que hacen ms manejable el problema y permiten evaluar eficientemente las alternativas de solucin. Los modelos matemticos tienen muchas ventajas sobre una descripcin verbal del problema. Una ventaja obvia es que el modelo matemtico describe un problema en

forma mucho ms concisa. Esto tiende a hacer que toda la estructura del problema sea ms comprensible y ayude a revelar las relaciones importantes entre causa y efecto. De esta manera, indica con ms claridad que datos adicionales son importantes para el anlisis. Tambin facilita simultneamente el manejo del problema en su totalidad y el estudio de todas sus interpelaciones. Por ltimo, un modelo matemtico forma un puente para poder emplear tcnicas matemticas y computadoras de alto poder, para analizar el problema. Sin duda, existe una amplia disponibilidad de paquetes de software para muchos tipos de modelos matemticos, para micro y minicomputadoras. Por otro lado, existen obstculos que deben evitarse al usar modelos matemticos. Un modelo es, necesariamente, una idealizacin abstracta del problema, por lo que casi siempre se requieren aproximaciones y suposiciones de simplificacin si se quiere que el modelo sea manejable (susceptible de ser resuelto). Por lo tanto, debe tenerse cuidado de que el modelo sea siempre una representacin vlida del problema. El criterio apropiado para juzgar la validez de un modelo es el hecho de si predice o no con suficiente exactitud los efectos relativos de los diferentes cursos de accin, para poder tomar una decisin que tenga sentido. En consecuencia, no es necesario incluir detalles sin importancia o factores que tienen aproximadamente el mismo efecto sobre todas las opciones. Ni siquiera es necesario que la magnitud absoluta de la medida de efectividad sea aproximadamente correcta para las diferentes alternativas, siempre que sus valores relativos (es decir, las diferencias entre sus valores) sean bastante preciso. Entonces, todo lo que se requiere es que exista una alta correlacin entre la prediccin del modelo y lo que ocurre en la vida real. Para asegurar que este requisito se cumpla, es importante hacer un nmero considerable de pruebas del modelo y las modificaciones consecuentes. Aunque esta fase de pruebas se haya colocado despus en el orden del libro, gran parte del trabajo de validacin del modelo se lleva a cabo durante la etapa de construccin para que sirva de gua en la obtencin del modelo matemtico.

OBTENCIN DE UNA SOLUCIN A PARTIR DEL MODELO

Resolver un modelo consiste en encontrar los valores de las variables dependientes, asociadas a las componentes controlables del sistema con el propsito de optimizar, si es posible, o cuando menos mejorar la eficiencia o la efectividad del sistema dentro del marco de referencia que fijan los objetivos y las restricciones del problema. La seleccin del mtodo de solucin depende de las caractersticas del modelo. Los procedimientos de solucin pueden ser clasificados en tres tipos: a) analticos, que utilizan procesos de deduccin matemtica; b) numricos, que son de carcter inductivo y funcionan en base a operaciones de prueba y error; c) simulacin, que utiliza mtodos que imitan o, emulan al sistema real, en base a un modelo. Muchos de los procedimientos de solucin tienen la caracterstica de ser iterativos, es decir buscan la solucin en base a la repeticin de la misma regla analtica hasta llegar a ella, si la hay, o cuando menos a una aproximacin. PRUEBA DEL MODELO El desarrollo de un modelo matemtico grande es anlogo en algunos aspectos al desarrollo de un programa de computadora grande. Cuando se completa la primera versin, es inevitable que contenga muchas fallas. El programa debe probarse de manera exhaustiva para tratar de encontrar y corregir tantos problemas como sea posible. Eventualmente, despus de una larga serie de programas mejorados, el programador (o equipo de programacin) concluye que el actual da, en general, resultados razonablemente vlidos. Aunque sin duda quedarn algunas fallas ocultas en el programa (y quiz nunca se detecten, se habrn eliminado suficientes problemas importantes como para que sea confiable utilizarlo. De manera similar, es inevitable que la primera versin de un modelo matemtico grande tenga muchas fallas. Sin duda, algunos factores o interpelaciones relevantes no se incorporaron al modelo y algunos parmetros no se estimaron correctamente. Esto no se puede eludir dada la dificultad de la comunicacin y la compresin de todos los aspectos y sutilezas de un problema operacional complejo, as como la dificultad de recolectar datos confiables. Por lo tanto, antes de usar el modelo debe probarse exhaustivamente para intentar identificar y corregir todas las fallas que se

pueda. Con el tiempo, despus de una larga serie de modelos mejorados, el equipo de IO concluye que el modelo actual produce resultados razonablemente vlidos. Aunque sin duda quedarn algunos problemas menores ocultos en el modelo (y quiz nunca se detecten), las fallas importantes se habrn eliminado de manera que ahora es confiable usar el modelo. Este proceso de prueba y mejoramiento de un modelo para incrementar su validez se conoce como validacin del modelo. Debido a que el equipo de IO puede pasar meses desarrollando todas las piezas detalladas del modelo, es sencillo "no ver el bosque por buscar los rboles". Entonces, despus de completar los detalles ("los rboles") de la versin inicial del modelo, una buena manera de comenzar las pruebas es observarlo en forma global ("el bosque") para verificar los errores u omisiones obvias. El grupo que hace esta revisin debe, de preferencia, incluir por lo menos a una persona que no haya participado en la formulacin. Al examinar de nuevo la formulacin del problema y comprarla con el modelo pueden descubrirse este tipo de errores. Tambin es til asegurarse de que todas las expresiones matemticas sean consistentes en las dimensiones de las unidades que emplean. Adems, puede obtenerse un mejor conocimiento de la validez del modelo variando los valores de los parmetros de entrada y/o de las variables de decisin, y comprobando que los resultados del modelo se comporten de una manera factible. Con frecuencia, esto es especialmente revelador cuando se asignan a los parmetros o a las variables valores extremos cercanos a su mximo o a su mnimo. Un enfoque ms sistemtico para la prueba del modelo es emplear una prueba retrospectiva. Cuando es aplicable, esta prueba utiliza datos histricos y reconstruye el pasado para determinar si el modelo y la solucin resultante hubieran tenido un buen desempeo, de haberse usado. La comparacin de la efectividad de este desempeo hipottico con lo que en realidad ocurri, indica si el uso del modelo tiende a dar mejoras significativas sobre la prctica actual. Puede tambin indicar reas en las que el modelo tiene fallas y requiere modificaciones. Lo que es ms, el emplear las alternativas de solucin y estimar sus desempeos histricos

hipotticos, se pueden reunir evidencias en cuanto a lo bien que el modelo predice los efectos relativos de los diferentes cursos de accin. Cuando se determina que el modelo y la solucin no son vlidos, es necesario iniciar nuevamente el proceso revisando cada una de las fases de la metodologa de la investigacin de operaciones. ESTABLECIMIENTO DE CONTROLES SOBRE LA SOLUCION Una solucin establecida como vlida para un problema, permanece como tal siempre y cuando las condiciones del problema tales como: las variables no controlables, los parmetros, las relaciones, etc., no cambien significativamente. Esta situacin se vuelve ms factible cuando algunos de los parmetros fueron estimados aproximadamente. Por lo anterior, es necesario generar informacin adicional sobre el comportamiento de la solucin debido a cambios en los parmetros del modelo. usualmente esto se conoce como anlisis de sensibilidad. En pocas palabras, esta fase consiste en determinar los rangos de variacin de los parmetros dentro de los cuales no cambia la solucin del problema. IMPLANTACIN DE LA SOLUCIN El paso final se inicia con el proceso de "vender" los hallazgos que se hicieron a lo largo del proceso a los ejecutivos o tomadores de decisiones. Una vez superado ste obstculo, se debe traducir la solucin encontrada a instrucciones y operaciones comprensibles para los individuos que intervienen en la operacin y administracin del sistema. La etapa de implantacin de una solucin se simplifica en gran medida cuando se ha propiciado la participacin de todos los involucrados en el problema en cada fase de la metodologa. Preparacin para la aplicacin del modelo Esta etapa es crtica, ya que es aqu, y slo aqu, donde se cosecharn los beneficios del estudio. Por lo tanto, es importante que el equipo de IO participe, tanto para asegurar que las soluciones del modelo se traduzcan con exactitud a un procedimiento operativo, como para corregir cualquier defecto en la solucin que salga a la luz en este momento.

El xito de la puesta en prctica depende en gran parte del apoyo que proporcionen tanto la alta administracin como la gerencia operativa. Es ms probable que el equipo de IO obtenga este apoyo si ha mantenido a la administracin bien informada y ha fomentado la gua de la gerencia durante el estudio. La buena comunicacin ayuda a asegurar que el estudio logre lo que la administracin quiere y por lo tanto merezca llevarse a la prctica. Tambin proporciona a la administracin el sentimiento de que el estudio es suyo y esto facilita el apoyo para la implantacin. La etapa de implantacin incluye varios pasos. Primero, el equipo de investigacin de operaciones de una cuidadosa explicacin a la gerencia operativa sobre el nuevo sistema que se va a adoptar y su relacin con la realidad operativa. En seguida, estos dos grupos comparten la responsabilidad de desarrollar los procedimientos requeridos para poner este sistema en operacin. La gerencia operativa se encarga despus de dar una capacitacin detallada al personal que participa, y se inicia entonces el nuevo curso de accin. Si tiene xito, el nuevo sistema se podr emplear durante algunos aos. Con esto en mente, el equipo de IO supervisa la experiencia inicial con la accin tomada para identificar cualquier modificacin que tenga que hacerse en el futuro. A la culminacin del estudio, es apropiado que el equipo de investigacin de operaciones documento su metodologa con suficiente claridad y detalle para que el trabajo sea reproducible. Poder obtener una rplica debe ser parte del cdigo de tica profesional del investigador de operaciones. Esta condicin es crucial especialmente cuando se estudian polticas gubernamentales en controversia.

INTRODUCCIN A LA PROGRAMACIN LINEAL Muchas personas clasifican el desarrollo de la programacin lineal entre los avances cientficos ms importantes de mediados del siglo XX, su impacto desde 1950 ha sido extraordinario. En la actualidad es una herramienta de uso normal que ha ahorrado miles o millones de pesos a muchas compaas o negocios, incluyendo empresas medianas en los distintos pases industrializados del mundo; su aplicacin a otros sectores de la sociedad se est ampliando con rapidez. Una proporcin muy

grande de los clculos cientficos en computadoras est dedicada al uso de la programacin lineal. Cul es la naturaleza de esta notable herramienta y qu tipos de problemas puede manejar. Expresado brevemente, el tipo ms comn de aplicacin abarca el problema general de asignar recursos limitados entre actividades competitivas de la mejor manera posible (es decir, en forma ptima). Con ms precisin, este problema incluye elegir el nivel de ciertas actividades que compiten por recursos escasos necesarios para realizarlas. Despus, los niveles de actividad elegidos dictan la cantidad de cada recurso que consumir cada una de ellas. La variedad de situaciones a las que se puede aplicar esta descripcin es sin duda muy grande, y va desde la asignacin de instalaciones de produccin a los productos, hasta la asignacin de los recursos nacionales a las necesidades de un pas; desde la seleccin de una cartera de inversiones, hasta la seleccin de los patrones de envo; desde la planeacin agrcola, hasta el diseo de una terapia de radiacin, etc. No obstante, el ingrediente comn de todas estas situaciones es la necesidad de asignar recursos a las actividades eligiendo los niveles de las mismas. La programacin lineal utiliza un modelo matemtico para describir el problema. El adjetivo lineal significa que todas las funciones matemticas del modelo deber ser funciones lineales. En este caso, las palabra programacin no se refiere a programacin en computadoras; en esencia es un sinnimo de planeacin. As, la programacin lineal trata la planeacin de las actividades para obtener un resultado ptimo, esto es, el resultado que mejor alcance la meta especificada (segn el modelo matemtico) entre todas las alternativas de solucin. Aunque la asignacin de recursos a las actividades es la aplicacin ms frecuente, la programacin lineal tiene muchas otras posibilidades. de hecho, cualquier problema cuyo modelo matemtico se ajuste al formato general del modelo de programacin lineal es un problema de programacin lineal. An ms, se dispone de un procedimiento de solucin extraordinariamente eficiente llamado mtodo simplex, para resolver estos problemas, incluso los de gran tamao. Estas son algunas causas del tremendo auge de la programacin lineal en las ltimas dcadas.

MODELO DE PROGRAMACIN LINEAL Los trminos clave son recursos y actividades, en donde m denota el nmero de distintos tipos de recursos que se pueden usar y n denota el nmero de actividades bajo consideracin. Algunos ejemplos de recursos son dinero y tipos especiales de maquinaria, equipo, vehculos y personal. Los ejemplos de actividades incluyen inversin en proyectos especficos, publicidad en un medio determinado y el envo de bienes de cierta fuente a cierto destino. En cualquier aplicacin de programacin lineal, puede ser que todas las actividades sean de un tipo general (como cualquiera de los ejemplos), y entonces cada una correspondera en forma individual a las alternativas especficas dentro de esta categora general. El tipo ms usual de aplicacin de programacin lineal involucra la asignacin de recursos a ciertas actividades. La cantidad disponible de cada recurso est limitada, de forma que deben asignarse con todo cuidado. La determinacin de esta asignacin incluye elegir los niveles de las actividades que lograrn el mejor valor posible de la medida global de efectividad. Ciertos smbolos se usan de manera convencional para denotar las distintas componentes de un modelo de programacin lineal. Estos smbolos se enumeran a continuacin, junto con su interpretacin para el problema general de asignacin de recursos a actividades. Z = xj = cj = valor de la medida global de efectividad nivel de la actividad j (para j = 1,2,...,n) incremento en Z que resulta al aumentar una unidad en el nivel de la actividad j bi = cantidad de recurso i disponible para asignar a las actividades (para i = 1,2,...,m) aij = cantidad del recurso i consumido por cada unidad de la actividad j

El modelo establece el problema en trminos de tomar decisiones sobre los niveles de las actividades, por lo que x1,x2,....,xn se llaman variables de decisin. Los

valores de cj, bi y aij (para i = 1,2,....,m y j = 1,2,....,n) son las constantes de entrada al modelo. Las cj, bi y aij tambin se conocen como parmetros del modelo. FORMA ESTNDAR DEL MODELO Ahora se puede formular al modelo matemtico para este problema general de asignacin de recursos a actividades. En Datos necesarios para un modelo de programacin lineal que maneja la asignacin de recursos a actividades particular, este modelo consiste en elegir valores de x1,x2,....,xn para: optimizar (maximizar o minimizar) Z = c1x1 + c2x2 +....+ cnxn, sujeta a las restricciones: a11x1 + a12x2 +....+ a1nxn < b1 a21x1 + a22x2 +....+ a2nxn < b2 . . . am1x1 + am2x2 +....+ amnxn < bm

X1 0,

X2 0,

...,

Xn 0.

SUPOSICIONES DEL MODELO DE PROGRAMACIN LINEAL PROPORCIONALIDAD La contribucin de cada actividad al valor de la funcin objetivo Z es proporcional al nivel de actividad xj, como lo representa el trmino cjxj en la funcin objetivo. De manera similar, la contribucin de cada actividad al lado izquierdo de cada restriccin funcional es proporcional al nivel de la actividad xj, en la forma en que lo representa el trmino aijxj en la restriccin. En consecuencia, esta suposicin elimina cualquier exponente diferente a 1 para las variables en cualquier trmino de las funciones (ya sea la funcin objetivo o la funcin en el lado izquierdo de las restricciones funcionales) en un modelo de programacin lineal.

ACTIVIDAD Establece que la entrada y salida de un recurso en particular al conjunto de actividades, deben ser la misma cantidad; o sea, que las actividades transforman los recursos y no los crean o destruyen. Esta suposicin garantiza que la contribucin total tanto a la funcin objetivo como a las restricciones, es igual a la suma de las contribuciones individuales. Cuando en un problema dado no se tenga la aditividad puede recurrirse al empleo de otras tcnicas de la programacin matemtica, dependiendo de cada caso en particular.

ADITIVIDAD Cada funcin en un modelo de programacin lineal (ya sea la funcin objetivo o el lado izquierdo de las restricciones funcionales) es la suma de las contribuciones individuales de las actividades respectivas.

DIVISIBILIDAD Las variables de decisin en un modelo de programacin lineal pueden tomar cualquier valor, incluyendo valores no enteros, que satisfagan las restricciones funcionales y de no negatividad. As, estas variables no estn restringidas a slo valores enteros. Como cada variable de decisin representa el nivel de alguna actividad, se supondr que las actividades se pueden realizar a niveles fraccinales.

LIMITACIONES DEL MODELO DE PROGRAMACIN LINEAL MODELO DETERMINSTICO El modelo de PL involucra nicamente tres tipos de parmetros: Cj, aij y bi; de ah su sencillez y gran aplicacin. Sin embargo, el valor de dichos parmetros debe ser conocido y constante. Cuando el valor de los parmetros tiene un cierto riesgo o incertidumbre, pude utilizarse la programacin paramdica, la programacin estocstica, o realizarse un anlisis de sensibilidad.

MODELO ESTTICO En algunos modelos matemticos se han empleado con xito las ecuaciones diferenciales, para inducir la variable tiempo en ellos. En este sentido, puede decidirse que la PL utiliza un modelo esttico, ya que la variable tiempo no se involucra formalmente. Adquiriendo un poco de experiencia en la formulacin de modelos de PL, puede imbuirse la temporabilidad mencionada, con el uso de subndices en las variables.

MODELO QUE NO SUBOPTIMIZA Debido a la forma que se plantea el modelo de PL, o encuentra la solucin ptima o declara que sta no existe. Cuando no es posible obtener una solucin ptima y se debe obtener alguna, se recurre a otra tcnica ms avanzada que la PL, la cual se denomina programacin lineal por metas.

IMPACTO DE LA INVESTIGACIN DE OPERACIONES La investigacin de operaciones ha tenido un impacto impresionante en el mejoramiento de la eficiencia de numerosas organizaciones en todo el mundo. En el proceso, la investigacin de operaciones ha hecho contribuciones significativas al incremento de la productividad dentro de la economa de varios pases. Hay ahora ms de 30 pases que son miembros de la International Federation of Operational Research Societies (IFORS), en la que cada pas cuenta con una sociedad de investigacin de operaciones. Sin duda, el impacto de la investigacin de operaciones continuar aumentando. Por ejemplo, al inicio de la dcada de los 90, el U.S. Bureau of Labor Statistics predijo que la IO sera el rea profesional clasificada como la tercera de ms rpido crecimiento para los estudiantes universitarios en Estados Unidos, graduados entre 1990 y 2005. Pronostic tambin que, para el ao 2005, habra 100 000 personas trabajando como analistas de investigacin de operaciones.

RIESGO AL APLICAR LA INVESTIGACIN DE OPERACIONES

Al aplicar la I de O al estudio de sistemas y a la resolucin de problemas se corre el riesgo de tratar de manipular los problemas para buscar que se ajusten a las diferentes tcnicas, modelos de algoritmos establecidos en lugar de analizar los problemas y buscar resolverlos obteniendo las soluciones mejores, utilizando los mtodos apropiados, es decir resolver el problema utilizando los mtodos que proporcionan las mejoras soluciones y no buscar ajustar el problema a un mtodo especfico. Para llegar a hacer un uso apropiado de la I de O, es necesario primero comprender la metodologa para resolver los problemas, as como los fundamentos de las tcnicas de solucin para de esta forma saber cundo utilizarlas o no en las diferentes circunstancias.

LIMITACIONES DE LA INVESTIGACIN DE OPERACIONES 1. Frecuentemente es necesario hacer simplificaciones del problema original para poder manipularlo y detener una solucin. 2. La mayora de los modelos slo considera un solo objetivo y frecuentemente en las organizaciones se tienen objetivos mltiples. 3. Existe la tendencia a no considerar la totalidad de las restricciones en un problema prctico, debido a que los mtodos de enseanza y entrenamiento dan la aplicacin de esta ciencia centralmente se basan en problemas pequeos para razones de ndole prctico, por lo que se desarrolla en los alumnos una opinin muy simplista e ingenua sobre la aplicacin de estas tcnicas a problemas reales. 4. Casi nunca se realizan anlisis costo-beneficio de la implantacin de soluciones definidas por medio de la I de O, en ocasiones los beneficios potenciales se van superados por los costos ocasionados por el desarrollo e implantacin de un modelo.

FUENTE: http://www.investigacion-operaciones.com/Historia.htm

Definicin: La investigacin de operaciones (IO) aspira a determinar el mejor curso de accin (ptimo) de un problema de decisin con la restriccin de recursos limitados. El termino investigacin de operaciones muy a menudo esta asociado cas en exclusiva con la aplicacin de tcnicas matemticas para representar por medio de un modelo y analizar problemas de decisin. Aunque las matemticas y los modelos matemticos representan una piedra angular de IO, la labor consiste ms en resolver un problema que en construir y resolver modelos matemticos. Los modelos de programacion lineal pueden verse como sigue: Xo = F (X1,X2,...,Xn) Restricciones s.a. gi(X1,X2,...,Xn) BI, I=1,2,...,m Xj 0 , j=1,2,...,n Ejercicio: Diseo de la terapia radiactiva. Sea: X1: dosis de radiacin rayo 1 X2: dosis de radiacin rayo 2 MINIMIZAR DAO (Z)=0.4X1+0.5X2 0.3X1+0.1X2 2.7 (TEJIDO CRITICO) 0.5X1+0.5X2 = 6 (REGION DEL TUMOR) 0.6X1+0.4X2 6 (CENTRO TUMOR) X1 0, X2 0 Ejercicio: planeacin de la produccin. Sea: X1: unidades diarias producidas del producto 1. X2: unidades diarias producidas del producto 2. X3: unidades diarias producidas del producto 3. Minimizar el beneficio (Z)= 3X1+2X2+5X3 (ganancia por unidad). S.a. 1X1+2X2+1X3 430 3X1+0X2+2X3 460 1X1+4X2+0X3 420 X1 0, X2 0, X3 0 Determinar la produccion diaria optima para los 3 productos. Sea: X1: El nmero de acres de la granja 1 aplicado al cultivo de remolacha.

X2: El nmero de acres de la granja 2 aplicado al cultivo de remolacha. X3: El nmero de acres de la granja 3 aplicado al cultivo de remolacha. X4: El nmero de acres de la granja 1 aplicado al cultivo de algodn. X5: El nmero de acres de la granja 2 aplicado al cultivo de algodn. X6: El nmero de acres de la granja 3 aplicado al cultivo de algodn. X7: El nmero de acres de la granja 1 aplicado al cultivo de sorgo. X8: El nmero de acres de la granja 2 aplicado al cultivo de sorgo. X9: El nmero de acres de la granja 3 aplicado al cultivo de sorgo. Maximizar Z=400 (X1+X2+X3)+300(X4+X5+X6)+100(X7+X8+X9) S.a. las restricciones son disponibilidad de agua y total de acres para cada cosecha. Terreno disponible X1+X4+X7 400 X2+X5+X8 600 X3+X6+X9 300 (GRANJA 1) (GRANJA 2) (GRANJA 3)

Disponibilidad de agua 3X1+2X4+X7 600 (GRANJA 1) 3X2+2X5+X8 800 (GRANJA 2) 3X3+2X6+X9 375 (GRANJA 3) Total de acres para cada cosecha X1+X2+X3 600 X4+X5+X6 500 X7+X8+X9 325 (REMOLACHA) (ALGODON) (SORGO)

Igual porcin de area plantada X1+X4+X7 = X2+X5+X8 (GRANJA 1 Y 2 ) 600(X1+X4+X7) 400(X2+X5+X8) = 0 400 600 X2+X5+X8 = X3+X6+X9 (GRANJA 2 Y 3 ) 600 300 X3+X6+X9 = X1+X4+X7 (GRANJA 3 Y 1 ) 300 400 Xj 0 , j = 1, 2, ... ,9.

METODO GRAFICO

SOLUCIN GRFICA DE PROBLEMAS DE PROGRAMACIN LINEAL


Muchos problemas de administracin y economa estn relacionados con la optimizacin (maximizacin o minimizacin) de una funcin sujeta a un sistema de igualdades o desigualdades. La funcin por optimizar es la funcin objetivo. Las funciones de ganancia y de costo son ejemplos de funciones objetivo. El sistema de igualdades o desigualdades a las que est sujeta la funcin objetivo reflejan las restricciones (por ejemplo, las limitaciones sobre recursos como materiales y mano de obra) impuestas a la solucin (o soluciones) del problema. Los problemas de esta naturaleza se llaman problemas de programacin matemtica. En particular, aquellas donde la funcin objetivo y las restricciones se expresan como ecuaciones o desigualdades lineales se llaman problemas de programacin lineal.

Un problema de Un problema de programacin lineal consta de una funcin objetivo lineal por m programacin lineal sujeta a ciertas restricciones en la forma de igualdades o desigualdades linea Como ejemplo de un problema de programacin lineal en que la funcin objetivo debe maximizarse, considerese el siguiente problema de produccin con dos variables El granjero Lopez tiene 480 hectreas en la que se puede sembrar ya sea trigo o maz. El calcula que tiene 800 horas de trabajo disponible durante la estacin crucial del verano. Dados mrgenes de utilidad y los requerimientos laborales mostrados a la derecha, Cuntas hectreas de cada uno debe plantar para maximizar su utilidad?Cul es sta utilidad mxima?

Maiz: Utilidad: $40 po Trabajo: 2hs p Trigo: Utilidad: $30 p Trabajo: 1hs p

Solucin: Como primer paso para la formulacin matemtica de este problema, se tabula la informacin dada (Tabla 1). Si llamamos x a las hectreas de maz e y a las hectreas de trigo. Entonces la ganancia total P, en dlares, est dada por: P=40x+30y
Que es la funcin objetivo por maximizar.

Maz Horas Hectreas Utilidad por unidad 2 1 $40

Trigo 1 1 $30

Elementos disponibles 800 480

La cantidad total de tiempo par hectreas para sembrar maz y trigo est dada por 2x+y horas que no debe exceder las 800 horas disponibles para el trabajo. As se tiene la desigualdad: 2x+y<800

En forma anloga, la cantidad de hectreas disponibles est dada por x+y, y sta no puede exceder las hectreas disponibles para el trabajo, lo que conduce a la desigualdad. Por ltimo, si no queremos tener prdidas, x y y no pueden ser negativa, de modo que x>0 y>0 En resumen, el problema en cuestin consiste en maximizar la funcin objetivo P=40x+30y sujeta a las desigualdades 2x+y<800 x+y<480 x>0 y>0
Solucin Grfica Los problemas de programacin lineal en dos variables tienen interpretaciones geomtricas relativamente sencillas; por ejemplo, el sistema de restricciones lineales asociado con un problema de programacin lineal bidimensional- si no es inconsistentedefine una regin plana cuya frontera est formada por segmentos de recta o semirrectas, por lo tanto es posible analizar tales problemas en forma grfica. Si consideremos el problema del granjero Lpez, es decir, de maximizar P = 40x+ 30y sujeta a

2x+y<800 x+y<480 x>0, y>0

(7)

El sistema de desigualdades (7) define la regin plana S que aparece en la figura 5. Cada punto de S es un candidato para resolver este problema y se conoce

como solucin factible. El conjunto S se conoce como conjunto factible. El objetivo es encontrar entre todos los puntos del conjunto S- el punto o los puntos que optimicen la funcin objetivo P. Tal solucin factible es una solucin ptima y constituyen la solucin del problema de programacin lineal en cuestin. Como ya se ha observado, cada punto P(x,y) en S es un candidato para la solucin ptima del problema en cuestin, por ejemplo, es fcil ver que el punto (200, 150) est en S y, por lo tanto, entra en la competencia. El valor de la funcin objetivo P en el punto (200,150) est dado por P=40(200)+30(150)=12.500 . Ahora si se pudiera calcular el valor de P correspondiente a cada punto de S, entonces el punto (o los puntos) en S que proporcione el valor mximo de P formar el conjunto solucin buscado. Por desgracia, en la mayora de los problemas, la cantidad de candidatos es demasiado grande o, como en este problema, es infinita. As este mtodo no es adecuado. Es mejor cambiar de punto de vista: en vez de buscar el valor de la funcin objetivo P en un punto factible, se asignar un valor a la funcin P y se buscarn los puntos factibles que correspondieran a un valor dado de P. Para esto supngase que se asigna a P el valor 6000. Entonces la funcin objetivo se convierte en 40x+ 30y = 6.000,una ecuacin lineal en x e y; por lo tanto, tiene como grfica una lnea recta L1 en el plano. Est claro que a cada punto del segmento de recta dado por la interseccin de la lnea recta L1 y el conjunto factible S corresponde el valor dado 6000 de P. Al repetir el proceso, pero ahora asignando a P el valor de 12.000, se obtiene la ecuacin 40x+ 30y =12.000 y la recta L2 lo cual sugiere que existen puntos factibles que corresponden a un valor mayor de P. Obsrvese que la recta L2 es paralela a L1, pues ambas tienen una pendiente igual a 4/3. Esto se comprueba con facilidad escribiendo las ecuaciones en explcita de la recta. En general, al asignar diversos valores a la funcin objetivo, se obtiene una familia de rectas paralelas, cada una con pendiente igual a 4/3. Adems, una recta correspondiente a un valor mayor de P est ms alejada del origen que una recta con un valor menor de P. El significado es claro. Para obtener las soluciones ptimas de este problema, se encuentra la recta perteneciente a esta familia que se encuentra ms lejos del origen y que interseque al conjunto factible S. La recta requerida es aquella que pasa por el punto P(320,160) (Fig. 6), de modo que la solucin de este problema est dado por x=320, y=160 ( es decir que el granjero Lpez deber sembrar 320 hectreas de maz y 160 hectreas de trigo), lo que produce el valor mximo P=40(320)+30(160)=17.600. No es casualidad que la solucin ptima de este problema aparezca como vrtice del conjunto factible S. De hecho, el resultado es consecuencia del siguiente teorema bsico de la programacin lineal, que se enuncia sin demostracin.

Teorema 1

Si en problema de programacin lineal tiene una solucin, entonces sta debe apa esquina, del conjunto factible S asociado con el problema. Adems, si la funcin ob

dos vrtices adyacente de S, entonces se optimiza en todos los puntos del segmen estos vrtices, en cuyo caso existe una infinidad de soluciones al problema En nuestro ejemplo los nicos vrtice del conjunto factible S son los puntos coordenados: (0,0); (400,0); (320,160); (0,480 ), llamados tambin puntos esquinas (Fig. 6). Un ejemplo en el que tendramos infinitas soluciones, es: VERTICE P=40x+40y (0,0) (0,480) (320,160) (400,0) 0 19.200 19.200 16.000

Supngase que la utilidad por hectreas es de $40 para ambos, maz este caso muestra la misma utilidad total en los vrtices(0,480) y (320 que la lnea de utilidad en movimiento abandona la regin sombreada determinado por esos vrtices (adyacentes) , as todo punto en ese la mxima. Todava es vlido, sin embargo, que la utilidad mxima ocurr

El teorema 1 dice que la bsqueda de las soluciones a un problema de programacin lineal se puede restringir al examen del conjunto de vrtices del conjunto factible S relacionado con el problema. Como un conjunto factible S tiene un nmero finito de vrtices, el teorema sugiere que las soluciones a un problema de programacin lineal se puedan hallar inspeccionando los valores de la funcin objetivo P en los vrtices. Aunque el teorema 1 arroja un poco de luz acerca de la naturaleza de la solucin de un problema de programacin lineal, no indica cundo tiene solucin. El siguiente teorema establece ciertas condiciones que garantizan la existencia de la solucin de un problema de programacin lineal.

Teorema 2: Existencia de una solucin

Supngase un problema de programacin lineal con un conjunto factible S y una fu by. 1. Si S est acotado, entonces P tiene u valor mximo y n valor mnimo en S. 2. Si S no est acotado y tanto a como b son no negativos, entonces P tiene un va restricciones que definen a S incluyen las desigualdades x 0 e y 0. 3. Si S es el conjunto vaco, entonces el problema de programacin lineal no tien no tiene un valor mximo ni uno mnimo

El mtodo utilizado para resolver el problema del granjero Lpez recibe el nombre de mtodo de las esquinas. Este mtodo sigue un procedimiento muy sencillo para resolver los problemas de programacin lineal basado en el teorema1.

Mtodo de las 1. Se grafica el conjunto factible. esquinas 2. Se encuentran las coordenadas de todas las esquinas (vrtices) del conjunto 3. Se evala la funcin objetivo en cada esquina. 4. Se halla el vrtice que proporcione el mximo (mnimo) de la funcin objetivo. S con esta propiedad, entonces constituye una solucin nica del problema. Si la fun maximiza (minimiza) en dos esquinas adyacentes de S, entonces existe una infinid ptimas dadas por los puntos del segmento de recta determinado por estos dos v
Aplicaremos los conceptos antes emitidos al siguiente problema de nutricin, basado en los requerimientos, en el cual hay que minimizar la funcin objetivo.

Un nutricionista asesora a un individuo que sufre una deficiencia de hierro y vitamina B, y le indica que debe ingerir al menos 2400 mg de vitamina B-1 (tiamina) y 1500 mg de vitamina B-2 (riboflavina) durante cierto perodo de tiempo. Existen dos pldoras de vitaminas disponibles, la marca A y la marca B. Cada pldora de la marca A contiene 40 mg de hierro, 10 mg de vitamina B1, 5 mg de vitamina B-2 y cuesta 6 centavos. Cada pldora de la marca B contiene 10 mg de hierro, 15 mg de vitamina B-1 y de vitamina B-2, y cuesta 8 centavos (tabla 2). Cules combinaciones de pldoras debe comprar el paciente para cubrir sus requerimientos de hierro y vitamina al menor costo? Marca A Hierro Vitamina B-1 Vitamina B-2 Costo por pldora (US$) 40 mg 10 mg 5 mg 0,06 Marca B 10 mg 15 mg 15 mg 0,08 Requerimientos mnimos 2400 mg 2100 mg 1500 mg

Solucin: Sea x el nmero de pldoras de la marca A e y el nmero de pldoras de la marca B por comprar. El costo C, medido en centavos, est dado por C = 6x+ 8y que representa la funcin objetivo por minimizar. La cantidad de hierro contenida en x pldoras de la marca A e y el nmero de pldoras de la marca B est dada por 40x+10y mg, y esto debe ser mayor o igual a 2400 mg. Esto se traduce en la desigualdad. 40x+10y>2400 Consideraciones similares con los requisitos mnimos de vitaminas B-1 y B-2 conducen a las desigualdades:

10x+15y>2100 5x+15y>1500
respectivamente. As el problema en este caso consiste en minimizar C=6x+8y sujeta a

40x+10y>2400 10x+15y>2100 5x+15y>1500 x>0, y>0 El conjunto factible S definido por el sistema de restricciones aparece en la figura. Los vrtices del conjunto factible S son A(0,240); B(30,120); C(120; 60) y D(300,0).

Los valores de la funcin objetivo C en estos vrtices en la tabla que sigue

Vertice A (0,240) B(30,120) C(120,60) D(300,0)

C=6x + 8y 1920 1140 1200 1800

La tabla muestra que el mnimo de la funcin objetivo C=6x+8y ocurre en el vrtice B(30,120) y tiene un valor de 1140. As el paciente debe adquirir 30 pldoras de la marca A y 120 de la marca B, con un costo mnimo de $11,40.

El mtodo de las esquinas es de particular utilidad para resolver problemas de programacin lineal en dos variables con un nmero pequeo de restricciones, como han demostrado los ejemplos anteriores, sin embargo su efectividad decrece con rapidez cuando el nmero de variables o de restricciones aumenta. Por ejemplo, se puede mostrar que un ejemplo de programacin lineal en tres variables y cinco restricciones puede tener hasta diez esquinas factibles. La determinacin de las esquinas factibles requiere resolver 10 sistemas 3x3 de ecuaciones lineales y luego comprobar que cada uno es un punto factible, sustituyendo cada una de estas soluciones en el sistema de restricciones. Cuando el nmero de variables y de restricciones aumenta a cinco y diez, respectivamente (que an es un sistema pequeo desde el punto de vista de las aplicaciones en economa), la cantidad de vrtice por hallar y comprobar como esquinas factibles aumenta hasta 252, y cada uno de estos vrtices se encuentra resolviendo el sistema lineal ...de 5x5! Por esta razn, el mtodo de las esquinas se utiliza con poca frecuencia para resolver problemas de programacin lineal, su

valor reside en que permite tener una mejor idea acerca de la naturaleza de las soluciones a los problemas de programacin lineal a travs de su uso en la solucin de problemas de dos variables. FUENTE: http://www.investigacion-operaciones.com/Solucion_Grafica.htm

Mtodo grfico.
Supngase el usuario, que por un momento es dueo de una planta que produce nicamente dos tipos de cerveza: clara y obscura, Existen tecnologas bastantes para la elaboracin de cada uno de los tipos de cerveza, obviamente cada tecnologa a un costo diferente. El usuario no sabe cul cual deba ser su produccin ptima semanal de cada producto, y por lo tanto se decide a identificar dos variables de decisin. X1: miles de litros de cerveza clara a producir en una semana. X2: miles de litros de cerveza obscura a producir en una semana. El precio al mayoreo de 1 000 litros de cerveza clara es de $ 5 000.00 mientras que el precio al mayoreo de 1 000 litros de cerveza obscura es de $ 3 000.00. El ingreso semanal de la venta de ambos productos sera: Z = 5000 X1 +3000 X2 Si el objetivo del usuario, como el de cualquier industrial, es el de maximizar los ingresos semanales, producira un gran volumen de X 1 y X2 Cun grande? Por ejemplo, si produce y vende 100 000 litros de cerveza clara 100 000 litros de cerveza obscura en un a semana, un ingreso sera de Z = 5000(100) +3000(100) = 800000. Recuerde que las unidades son el miles de litros y por eso es necesario dividir la produccin semanal entre 1000. Para maximizar Z se debe incrementar X1 y X2 . Desgraciadamente hay restricciones fsicas en el sistema real de produccin que le impiden al dueo de la planta incrementar arbitrariamente la produccin de X 1 y X2. Entre otras restricciones se pueden mencionar las siguientes: espacio de almacenamiento, capacidad de produccin, capital, mano de obra, etc. Para facilidad de explicacin, solo se usarn 2 restricciones:

Restricciones de mano de obra. Restricciones de costos de produccin. Un estudio de tiempos y movimientos ha demostrado que para producir 1000 litros de cerveza clara se requiere un total de 3 obreros en el proceso de produccin. En cambio se requieren 5 obreros para producir 1000 litros de cerveza obscura. Se supone que la planta tiene un total de 15 obreros. Esto quiere decir que la produccin de X1 y X2 depende del nmero disponible de obreros. Esto puede representarse por la siguiente desigualdad:

La desigualdad (2.2) dice que la cantidad de obreros utilizados en la produccin semanal de X1 y X2 no puede exceder de 15. Producir 100 000 litros de cerveza clara y 100 000 litros de cerveza obscura utilizaran 800 obreros, que exceden al lmite disponible. Se supone que producir 1000 litros de cerveza clara le cuestan al dueo de la plana $500.00, mientras que 1000 litros de cerveza obscura le cuestan solamente $200.00. Su capital no le permite gastar ms de $1000.00 semanales en al produccin de X1 y X2 . Matemticamente esta restriccin puede expresarse as:

Cuyas dimensiones, son pesos. De nuevo la produccin de 100000 litros de X 1 y X2 significaran un gasto semanal de $ 70000.00 que excede al lmite de 1000. La pregunta a la que el dueo desea una solucin es la siguiente: Cuales deben ser los niveles de produccin semanal de cerveza clara X 1 y de cerveza obscura X2 que maximicen el ingreso por concepto de venta semanal, sin exceder las restricciones de personal y de capital? Matemticamente se trata de resolver el siguiente problema, llamado de programacin lineal Maximizar Z = 5000X1 +3000X2 Sujeto a 3X1 + 5X2 <= 15 500X1 + 200X2 <= 1000 X1 >=0, X2>=0

La ltima restriccin (X1 >= 0, X2 > = 0), se llama condicin de no negatividad, y evita que los resultados den un absurdo negativo, que en este caso podra significar una produccin negativa (destruccin). En un sistema de coordenadas rectangulares se puede describir grficamente, como el dueo de la planta puede resolver optimamente su programa de produccin semanal. Un eje del sistema medir la cantidad de cerveza clara X 1 y X2 deben ser no negativas, se refiere nicamente al cuadrante derecho del sistema coordenado. A continuacin se interpreta la representacin geomtrica de las desigualdades 3X1 + 5 X2 < = 15 500X1+200X2 <= 1000 Si por el momento se considera a estas desigualdades como igualdades, se tiene 3X1 + 5 X2 = 15 500X1+200X2 = 1000 o lo que es lo mismo X2 = 3 (3/5)X1 X2 Cerv.Obscura Img21_1 X2 = 5 (5/2)X1 Si arbitrariamente se le da valores a X1 se obtiene el correspondiente valor de X2 en ambas rectas. Un par de valores arbitrarios de X 1 generaran 2 puntos, que unidos dan la recta en cuestin. Se dan a X1 el valor cero en ambas rectas, y los valores cinco y dos a X2 respectivamente. La tabla a continuacin da el valor de X2:

Recta X2 = 3 (3/5) X1

Recta X2 = 5 (5/2)X2

Valor Arbitrario de X1 0 5

Valor Computado de X2 3 0

Valor arbitrario de X1 0 2

Valor Computado de X2 5 0

Cualquier punto (X1,X2) satisface la restriccin 5X1+2X2 < = 10 en las zonas sombreadas, mientras que en la zona blanca de la misma figura viola la restriccin.

Los puntos (X1,X2) contenidos dentro del rea sombreada, son los nicos que satisfacen las restricciones laborales, de capital y de no negatividad, simultneamente. El industrial tiene que buscar dentro de esa infinidad de puntos, cules son los que producen la mejor utilidad Z. Por ejemplo un punto A, donde X1=0 y X2=0, satisface todas las restricciones y no negatividad como se muestra a continuacin: 3(0) + 5(0) = 0 <= 15 500(0)+200(0) = 0 <= 1000 pero produce una utilidad de Z = 5000(0) +3000(0) = 0. El punto B donde se produciran X1 = 1000 litros de cerveza clara y X2= 1000 litros de cerveza obscura, tambin satisface todas las restricciones 3(1) + 5(1) = 8 <= 15 500(1)+200(1) = 700 <= 1000 1 >= 0, 1>=0 y produce una utilidad de Z = 5000(1) +3000(1) = 8000 pesos, que es una utilidad mucho mejor que la obtenida en el punto A. El punto C donde se produciran X1=3000 litros de cerveza clara y X2=3000 litros de cerveza obscura generaran una utilidad de Z = 5000(3) +3000(3) = 24000 pesos. Que es una utilidad mucho mejor que la producida por los puntos A y B. Sin embargo, la produccin del punto C viola las restricciones de personal y de capital. La primera porque utiliza 24 personas, cuando el mximo permisible son 15, 3(3) +5(3) = 24 no es menor o igual que 15, mientras que la segunda, porque se estn utilizando 2100 pesos, cuando el mximo permisible son 1000,

500(3) +200(3) = 2100 no es menor o igual que 1000. Esta regin sombreada lleva el nombre de regin de factibilidad.

A continuacin se ver cmo puede obtenerse grficamente el punto (X 1,X2) que da el nivel de la produccin, que satisfaciendo ambas restricciones proporciona la utilidad ptima.

La funcin de utilidad se expresa como Z = 5000 X1 +3000 X2 Supngase que Z es igual a 15000. Esto implica 15000 = 5000 X1 +3000 X2 o sea X2 = 5 (5/3) X1. Dndole a X1 valores arbitrarios de 0 y 3, se obtiene respectivamente valores de X2 iguales a 5 y 0. Al unir los puntos (0,5) y (3,0) con una recta, se obtendr el lugar geomtrico de todos los puntos (X1,X2) que satisfacen la recta. Grficamente se obtiene:

15000 = 5000 X1 + 3000 X2 Haciendo Z ahora igual a 10000, se obtiene una recta paralela a la anterior pero desplazada un poco hacia abajo. De la misma manera con una Z = 30000 se obtendra otra recta paralela a las dos anteriores, pero desplazada un poco hacia arriba. Grficamente se tiene

A estas alturas se puede afirmar que si se desplaza la recta hacia abajo, el valor de Z disminuye, mientras que un desplazamiento hacia arriba aumentara el valor de Z. LA pregunta del usuario que debe responder se cul es el mximo desplazamiento hacia arriba, que proporciona el mayor valor Z, y cuya correspondiente produccin no viole las restricciones de personal y capital. Un momento de reflexin observando la figura se convencer que el punto 0 de coordenadas (X1*,X2*) , es el punto buscado. En este ejemplo, ese punto es el siguiente: X1* = 1053 litros de cerveza clara X2* = 2368 litros de cerveza obscura, Que generan una utilidad ptima de Z* = 5000(1.053) +3000(2.368) = 12369 pesos.

FORMAS ESTANDAR Y CANONICA


En el desarrollo que a continuacin se presenta se usa la siguiente forma de la programacin lineal, denominada forma cannica. Mx Z = cX Sujeto a

Cualquier otra forma es equivalente a la anterior. Esta equivalencia se prueba fcilmente por medio del uso de cualquiera de las siguientes 5 reglas. Regla 1 Maximizar cX es equivalente a Minimizar cX Minimizar cX es equivalente a Maximizar cX Ejemplo: a) es equivalente a

Es equivalente a Regla 2 a. La desigualdad b. La desigualdad Ejemplo: es equivalente a

es equivalente a la desigualdad es equivalente a la desigualdad -

. .

es equivalente a Regla 3 Toda igualdad de la forma de dos desigualdades y Ejemplo: es equivalente a Regla 4 Toda desigualdad de la forma puede convertirse en igualdad mediante la adicin de un vector Y, llamado de holgura. El vector columna Y tiene m componentes, todas ellas no negativas, es decir

, puede descomponerse como la interseccin

Toda desigualdad de la forma puede convertirse en igualdad mediante la resta de un vector Z, llamado superfluo. El vector columna Z, tiene m componentes, todas no negativas, es decir:

Ejemplo:

a) es equivalente a

Donde el vector de holgura es

b) es equivalente a

Donde el vector de exceso o superfluo es

Regla 5 Una variable no restringida, o sea aquella que puede tomar toda clase de valores positivos, cero y negativos puede escribirse como la diferencia de dos variables no negativas.

METODO DE LA M
Mtodo de la M o de Penalizacin.
Hasta este momento se han presentado los detalles del mtodo smplex con la suposicin de que el problema se encuentra en nuestra forma estndar (maximizar Z sujeta a las restricciones funcionales de la forma y restricciones de no negatividad sobre todas las variables) con bi 0 para toda i = 1, 2, ..., m. En esta seccin se establecer cmo hacer los ajustes requeridos a otras formas legtimas de modelos de Programacin Lineal. Se ver que todos estos ajustes se pueden hacer en el paso inicial, de manera que el resto del mtodo smplex se aplica justo como se aprendi.

El nico problema serio que introducen las otras formas de restricciones funcionales (= ) es identificar una solucin inicial bsica factible. Antes, esta solucin inicial se encontraba en forma muy conveniente al hacer que las variables de holgura fueran las variables bsicas iniciales, donde cada una era igual a la constante no negativa del lado derecho de la ecuacin correspondiente. Ahora debe hacerse algo ms. El enfoque estndar que se utiliza es estos casos es la tcnica de variables artificiales. sta construye un problema artificial ms conveniente introduciendo una variable ficticia (llamada variable artificial) en cada restriccin que lo requiera. Esta nueva variable se introduce slo con el fin de que sea la variable bsica inicial para esa ecuacin. Las restricciones usuales de no negatividad tambin se aplican sobre estas variables y la funcin objetivo se modifica para que imponga una penalizacin exorbitante en el caso de que adquieran valores mayores que cero. Las iteraciones del mtodo smplex automticamente fuerzan a las variables artificiales a desaparecer (a volverse cero) una a una, hasta que todas quedan fuera de la solucin; despus de esto se resuelve el problema real. Para ilustrar la tcnica de las variables artificiales, primero se considerar el caso en que la nica forma no estndar en el problema es la presencia de una o ms restricciones en forma de igualdad. Restricciones en forma de igualdad. En realidad, cualquier restriccin en forma de igualdad: ai1x1 +ai2x2 + . . . + ainxn = bi es equivalente a dos restricciones de desigualdad: ai1x1 + ai2x2 + . . . + ainxn bi, ai1x1 + ai2x2 + . . . + ainxn bi Sin embargo, en lugar de hacer esta sustitucin e incrementar con ello el nmero de restricciones, es ms conveniente usar la tcnica de la variable artificial. Suponga que se

modifica el problema de ejemplo presentado y resuelto en la seccin anterior. El nico cambio que sufre el modelo de programacin lineal es que la tercera restriccin, 3x 1 + 2x2 18, se convierte en una restriccin de igualdad: 3x1 + 2x2 = 18 Aplicando la tcnica de las variables artificiales se introduce una variable artificial no negativa (denotada por x5) en la ltima ecuacin, como si fuera una variable de holgura: 3x1 + 2x2 + x5 =18 En resumen si tenemos una restriccin funcional en forma de igualdad y deseamos pasarla a su forma de igualdad, nicamente debemos sumar una variable artificial. Restricciones funcionales de la forma Para ilustrar la manera en que la tcnica de las variables artificiales maneja las restricciones de la forma usaremos el siguiente ejemplo:
Minimizar sujeta a Z = 0.4x1 0.3x1 0.5x1 0.6x1 x1 0, + + + + 0.5x2 0.1x2 0.5x2 = 0.4x2 x2 0

2.7 6 6

Notemos que la tercera restriccin es del tipo , por lo que para cambiarla a su forma de igualdad tendramos que restar una variable de supervit (o de excedente), quedando de la siguiente manera: 0.6x1 + 0.4x2 x5 = 6 Se ha restado la variable de excedente x5 (se utiliz x5 porque en la primera restriccin agregamos una variable de holgura que sera x 3 y en la segunda restriccin agregamos tambin una variable artificial que sera x 4; todo esto con el fin de convertir las

desigualdades a su forma de igualdades) para que consuma el exceso de 0.6x 1 + 0.4x2, o sea, lo que se pasa de 6. No obstante en este caso debe agregarse otra variable. Esta variable extra, llamada variable artificial se aumenta como sigue: 0.6x1 + 0.4x2 x5 + x6 = 6 La razn de esto es que, si no se agrega la variable artificial, no se estaran cumpliendo las restricciones de no negatividad. Para comprenderlo, se dejar sin aumentar. El mtodo smplex comienza por hacer todas las variables reales (originales) iguales a cero. Entonces: 0.6x1 + 0.4x2 x5 = 6 Sea x1 = 0 y x2 = 0, entonces: x5 = 6 de no negatividad) La variable artificial opera para mantener todas las variables no negativas cuando 0.6x1 + 0.4x2 es menor que 6. Si x1 = 0 y x2 = 0, entonces x5 = 0 y 0.6x1 + 0.4x2 x5 + x6 = 6 x6 = 6 En resumen, una restriccin de la forma se convierte a su forma de igualdad restando una variable de excedente y sumando una variable artificial. Consideremos el siguiente problema:
Maximizar sujeta a Z = 3x1 x1 3x1 + 5x2 2x2 2x2

x5 = 6 (que no cumple la restriccin

4 12 18

x1 0,

x2 0

Como explicamos anteriormente, para resolver este problema, debemos construir un problema artificial que tiene la misma solucin ptima que el problema real, haciendo dos modificaciones a este problema real. 1. Se aplica la tcnica de las variables artificiales introduciendo una variable artificial no negativa (denotada por x5) en la ltima ecuacin, como si fuera una variable de holgura: 3x1 + 2x2 + x5 =18 2. Se asigna una penalizacin enorme al hecho de tener x5 > 0, cambiando la funcin objetivo Z = 3x1 + 5x2 a: Z = 3x1 + 5x2 Mx5, donde M simblicamente representa un nmero positivo muy grande. Este mtodo que fuerza a x5 hasta el nivel de x5 = 0 en la solucin ptima se llama mtodo de la M. Nota: Para el caso de minimizacin, penalizamos a la variable artificial, hacindola aparecer en la funcin objetivo con un coeficiente de +M.

Ahora se encuentra la solucin ptima para el problema real aplicando el mtodo smplex al problema artificial.
Como x5 juega el papel de la variable de holgura en la tercera restriccin del problema artificial, esta restriccin es equivalente a 3x1 + 2x2 18. En particular, el sistema de ecuaciones despus de aumentar el problema artificial (en otras palabras, pasarlo a su forma de igualdades) es:
Maximizar Z, sujeta a Z 3x1 5x2 + Mx5 = 0

x1 3x1

+ x3 = + x4 = 2x2 + 2x2 + x5 = Para j = 1, 2, , 5 xj 0

4 12 18

En este momento estamos preparados para pasar los coeficientes a la tabla smplex:

Variable Bsica Z x3 x4 x5

Z 1 0 0 0

x1 3 1 0 3

x2 5 0 2 2

x3 0 1 0 0

x4 0 0 1 0

x5 M 0 0 1

Lado derecho 0 4 12 18

Cociente

Es ptima?

Esta tabla todava no est en la forma apropiada porque el coeficiente de x 5 es diferente de cero en la ecuacin de Z (es M). Por lo tanto, antes de que el mtodo smplex pueda aplicar la prueba de optimalidad y encontrar la variable bsica entrante, debe pasarse esta tabla a la forma apropiada para que cumpla la condicin smplex. Esta condicin que debe cumplir toda tabla del mtodo smplex para que pueda reportarnos la siguiente solucin bsica factible dice que: Toda variable bsica debe tener un 1 en la interseccin de su rengln y columna correspondiente y cero en los dems renglones incluido el rengln de Z, en otras palabras, que toda variable que sea bsica solamente debe aparecer en el rengln de la restriccin que representa. Para hacer cero el coeficiente M, utilizamos el rengln de x5 como rengln pivote multiplicndolo por M y sumando el resultado al rengln de Z. Realizando el procedimiento anterior, la tabla smplex queda de la siguiente manera:
Variable Bsica Lado derecho

x1 1 0 3

x2 0 2 2

x3

x4

x5

Cociente

Es ptima? (0, 0, 4, 12, 18) Z = 18M

Z
x3 x4 x5

1
0 0 0

-3M-3 -2M-5

0
1 0 0

0
0 1 0

0
0 0 1

18M
4 12 18

Mx 5 + Z

Podemos observar que la tabla anterior ya se encuentra en la forma apropiada y podemos leer la solucin bsica factible actual, que es (0, 0, 4, 12, 18), la cual aplicando la

prueba de optimalidad vemos que no es ptima ya que todava tenemos coeficientes negativos en el rengln de Z (los correspondientes a x 1 y x2). Aplicando el mtodo smplex a la tabla anterior tenemos: el coeficiente negativo con el mayor valor absoluto corresponde a x1 (3M3), recordemos que M es un nmero muy grande positivo, por lo tanto, x1 se convierte en la variable bsica entrante, realizando los cocientes correspondientes, vemos que x3 se convierte en la variable bsica saliente. El procedimiento completo para resolver este ejemplo se muestra en el siguiente conjunto de tablas:

Variable Bsica

x1

x2

x3

x4

x5

Lado derecho

Cociente

Es ptima?

Z
x3 x4 x5

1
0 0 0

-3M-3
1 0 3

-2M-5
0 2 2

0
1 0 0

0
0 1 0

0
0 0 1

18M
4 12 18 18/3 = 6 (4, 0, 0, 12, 6) 12/2 = 6 6/2 = 3 4/1 = 4 6/3 = 2 (4, 3, 0, 6, 0) Z = 27 Z = 6M+12 4/1 = 4 (0, 0, 4, 12, 18) Z = 18M

Z
x1 x4 x5

1
0 0 0

0
1 0 0

-2M-5
0 2 2

3M+3
1 0 3

0
0 1 0

0
0 0 1
M+5/2

6M+12
4 12 6

Z
x1 x4 x2

1
0 0 0

0
1 0 0

0
0 0 1

9/2
1 3 3/2

0
0 1 0

27
4 6 3

0 1 1/2
M+1

Z
x1 x3 x2

1
0 0 0

0
1 0 0

0
0 0 1

0
0 1 0

3/2
1/3 1/3 1/2

36
2 2 6 (2, 6, 2, 0, 0) Z = 36 ptima

1/3 1/3 0

MINIMIZACIN con el mtodo smplex. Una manera directa de minimizar Z con el mtodo smplex es cambiar los roles de los coeficientes negativos y positivos en el rengln de la funcin objetivo, tanto para la prueba de optimalidad como para la parte 1 de una iteracin. Se determina la variable bsica entrante mediante la eleccin de la variable con el coeficiente positivo menor en la

ecuacin de Z. La solucin bsica factible actual es ptima si y slo si todos los coeficientes de la ecuacin de la funcin objetivo (rengln de Z) son no positivos ( 0 ). Si es as, el proceso termina; de otra manera, se lleva a cabo otra iteracin para obtener la nueva solucin bsica factible, lo que significa el cambio de una variable no bsica por una bsica (parte 1) y viceversa (parte 2), y despus despejar las variables de la nueva solucin (parte 3). Notemos que no se ha dicho nada con respecto a la forma de obtener la variable bsica saliente en una iteracin, ya que este paso se realiza de la misma manera que cuando se est maximizando, es decir, se escoge aquella variable bsica con el menor cociente. Ilustremos la forma de utilizar el mtodo smplex para el caso de minimizacin. Consideremos el siguiente ejemplo:
Minimizar sujeta a Z = + 3x1 8x2 + x1 4x2 + x1 2x2 x1 0, x2 0

4 2

Pasando este problema a su forma de igualdades aadiendo las variables necesarias, obtenemos lo siguiente:
Minimizar Z, sujeta a Z Mx5 = 3x1 8x2 = x1 + 4x2 + x3 x4 + x5 = x1 + 2x2 0 para j = 1, 2, , 5 xj 0 4 2

Utilizando el mtodo de la M para obtener una solucin ptima por el mtodo smplex, obtenemos el siguiente conjunto de tablas:
Variable Bsica Lado derecho

x1

x2

x3

x4

x5

Cociente

Es ptima?

Z
x3 x5

1
0 0

3
1 1 1 1

8
4 2 4 2

0
1 0

0
0 1

M
0 1

0
4 2

Z
x3 x5

1
0 0

M3 2M8

0
1 0

M
0 1

0
0 1

2M
4 2 4/1 = 4 2/1 = 2

(0, 0, 4, 0, 2) Z = 2M

Z
x3 x1

1
0 0

0
0 1

2
2 2

0
1 0

3
1 1

M+3
1 1

6
2 2

(2, 0, 2, 0, 0) Z=6 ptima

Notemos que la primera tabla no se encontraba en la forma apropiada para el mtodo smplex, ya que el coeficiente de la variable bsica x5 era de M en el rengln de Z, lo cual hacia que no se cumpliera la condicin smplex.

Mtodo de las dos Fases.


En el ejemplo presentado en la seccin Restricciones funcionales de la forma , recordemos la funcin objetivo real: Problema real: Minimizar Z = 0.4x1 + 0.5x2

Sin embargo, el mtodo de la M utiliza la siguiente funcin objetivo a travs de todo el procedimiento: Mtodo de la M: Minimizar Z = 0.4x1 + 0.5x2 + Mx4 + Mx6

Como los dos primeros coeficientes (0.4 y 0.5) son despreciables comparados con M, el mtodo de dos fases puede eliminar la M usando las siguientes dos funciones objetivo que definen Z de manera completamente diferente: Mtodo de las dos fases: Fase 1: Fase 2: Minimizar Minimizar Z = x 4 + x6 Z = 0.4x1 + 0.5x2 (hasta que x4 = 0 y x6 = 0). (con x4 = 0 y x6 = 0).

La funcin objetivo de la fase 1 se obtiene dividiendo la funcin objetivo del mtodo de la M entre M eliminando los trminos despreciables, en otras palabras, la fase 1 consiste en la minimizacin de la suma de todas las variables artificiales que se introduzcan en el problema. Como la fase 1 concluye al obtener una solucin bsica factible para el problema real (aquella en la que x4 = 0 y x6 = 0), esta solucin se usa como la solucin

bsica factible inicial para aplicar el mtodo smplex al problema real (con su funcin objetivo) en la fase 2. Antes de resolver el ejemplo de esta manera se har un resumen de las caractersticas generales. Resumen del mtodo de dos fases. Paso inicial: Se revisan las restricciones del problema original introduciendo variables artificiales segn se necesite para obtener una solucin bsica factible inicial obvia para el problema artificial. Fase 1: uso del mtodo smplex para resolver el problema de programacin lineal: Minimizar Z = de todas las variables artificiales, sujeta a las restricciones revisadas. La solucin ptima que se obtiene para este problema (con Z = 0) ser una solucin bsica factible para el problema real. Fase 2: se eliminan las variables artificiales (de todas formas, ahora todas valen cero). Comenzando con la solucin bsica factible que se obtuvo al final de la fase 1, se usa el mtodo smplex para resolver el problema real. Enseguida se resumen los problemas que deben resolverse por el mtodo smplex en las fases respectivas para el ejemplo.
Problema para la fase 1: Minimizar sujeta a 0.3x1 + 0.1x2 + 0.5x1 + 0.5x2 0.6x1 + 0.4x2 x3 + x4 x5 + x6 = = = 2.7 6 6 W = x4 + x6,

y
x10 x20 x3 x40 x50 x60

Problema para la fase 2: Minimizar sujeta a 0.3x1 + 0.1x2 + 0.5x1 + 0.5x2 0.6x1 + 0.4x2 x3 x5 = = = 2.7 6 6 Z = 0.4x1 + 0.5x2,

y
x10 x20 x3 x50

Las nicas diferencias entre estos dos problemas se encuentran en la funcin objetivo y en la inclusin (fase 1) o exclusin (fase 2) de las variables artificiales x 4 y x6. Sin las variables artificiales, el problema para la fase 2 no tiene una solucin bsica factible inicial obvia. El nico propsito de resolver el problema para la fase 1 es obtener una solucin bsica factible con x4 = 0 y x6 = 0 que se pueda usar como la solucin bsica factible inicial para la fase 2. Las siguientes tablas muestran el resultado de aplicar el mtodo smplex a este problema para la fase 1:
Lado derecho

Variable Bsica

x1

x2

x3

x4

x5

x6

Cociente

Es ptima?

W
x3 x4 x6

1
0 0 0

0
0.3 0.5 0.6

0
0.1 0.5 0.4

0
1 0 0

1
0 1 0

0
0 0 1

1
0 0 1

0
2.7 6 6

W
x3 x4 x6

1
0 0 0

1.1
0.3 0.5 0.6

0.9
0.1 0.5 0.4

0
1 0 0

0
0 1 0

1
0 0 1

0
0 0 1

12
2.7 6 6 2.7/0.3=9 6/0.5=12 6/0.6=10
9/0.33=27.2 1.5/0.33=4.5

(0,0,2.7,6,0,6) W = 12

W
x1 x4 x6

1
0 0 0

0
1 0 0

0.53
0.33 0.33 0.2

3.66
3.33 1.66 2

0
0 1 0

1
0 0 1

0
0 0 1

2.1
9 1.5 0.6 (9,0,0,1.5,0,0.6) W = 2.1

0.6/0.2=3

W
x1 x4 x2

1
0 0 0

0
1 0 0

0
0 0 1

1.64
6.63 1.64 10

0
0 1 0

1.65
1.65 1.65 5

2.65
1.65 1.65 5

0.51
8.01 0.51 3
8.01/1.65=4.8 0.51/1.65=0.30

(8.01,3,0,0.51,0,0)
W = 0.51

W
x1 x5 x2

1
0 0 0

0
1 0 0

0
0 0 1

0
5 0.99 5.05

1
1 0.60 3

0
0 1 0

1
0 1 0

0
7.5 0.3 4.5

(7.5,4.5,0,0,0.3,0)
W=0 ptima fase 1

Notemos que ya hemos obtenido una solucin ptima para la fase 1 que consisti en la minimizacin de la suma de todas las variables artificiales. Observemos tambin que la funcin objetivo W termin con un valor de cero en la ltima tabla, lo que indica que las dos variables artificiales (x4 y x6) valen cero tienen valores recprocos y se cancelan mutuamente para dar cero. En nuestro caso, las dos variables artificiales valen cero ya que no se encuentran en la columna de las variables bsicas en la ltima tabla de la primera fase. La segunda fase consiste en resolver el problema original utilizando como tabla inicial de esta fase la ltima tabla de la primera fase pero sin considerar la columna de las variables artificiales ya que stas tomaron el valor de cero en la primera fase. El mtodo smplex aplicado a la segunda fase se muestra en el siguiente conjunto de tablas:
Variable Bsica Lado derecho Cociente

x1 1 0 0

x2 0 0 1

x3

x4

x5

x6

Es ptima?

Z
x1 x5 x2

1
0 0 0

0.4 0.5

0
0 1 0

0
0 1 0

0
7.5 0.3 4.5

5 1 0.99 0.60 3 5.05

Z
x1 x5 x2

1
0 0 0

0
1 0 0

0.5
0 0 1

2
5 0.99 5.05

0
0 1 0

3
7.5 0.3 4.5

Z
x1 x5 x2

1
0 0 0

0
1 0 0

0
0 0 1

0.52
5 0.99 5.05

0
0 1 0

5.25
7.5 0.3 4.5

(7.5,4.5,0,0,0.3,0)
Z = 5.25 ptima fase 2

Notemos que no fue necesario aplicar propiamente el mtodo smplex a la primera tabla de la segunda fase, ya que nicamente aplicando operaciones con matrices para tratar de llevar esta tabla a la forma apropiada para el mtodo smplex fue suficiente para resolver el problema planteado en la segunda fase. Es necesario aclarar que no siempre ocurrir de esta manera, es decir, si despus de dejar la tabla en la forma apropiada, es necesario aplicar el mtodo smplex, se debe aplicar como lo hemos estudiado. Nota: Independientemente de que el problema original (real) sea de maximizacin o minimizacin, la primera fase siempre consistir en la minimizacin de la suma de todas las variables artificiales.

FUENTE: http://www.investigacion-operaciones.com/Metodo_Minimizacion.htm

METODO DE LAS 2 FASES


En esencia es igual al mtodo de penalizacin, en que primero se introducen las variables artificiales al problema original Sujeto a

Quedando como Sujeto a

Donde W es el vector de variables artificiales con componentes la primera fase se resuelve el problema

. En

Sujeto a

La solucin ptima de esta fase debe ser . Si al obtener las condiciones de optimalidad en esta fase, , el problema original no tiene solucin. Supngase que la primera fase es ptima, y que la base asociada a la tabla es B. En la segunda fase se aplica el mtodo Simplex para resolver el problema Min cX Sujeto a

La solucin ptima a esta segunda fase, es la solucin ptima al problema original. Es importante observar que al empezar la segunda fase, todos los vectores de la base ptima correspondientes a la primera fase permanezcan unitarios. Emplense operaciones matriciales elementales para restituir todos aquellos vectores que deben ser unitarios.

Ejemplo:
Resulvase por el mtodo de doble fase el siguiente problema inicial Sujeto a

Primero se reescribe el problema como

Sujeto a

La primera fase consiste en resolver el problema Sujeto a

Aplicando el mtodo simplex, una vez que se ha cambiado la funcin objetivo a se tiene

1 A3 A4 Aw1 0 0 1

0 1 0 3

0 0 1 2

0 1 0 0

0 0 1 0

0 0 0 -1 4 6 18

Para tener el primer punto extremo se requiere que los vectores de la base sean unitarios. Por lo tanto se convierte , en vector .

Esta es la solucin ptima de la fase uno, y como el problema original tiene solucin. Para empezar la fase dos tmese todo la tabla ptima anterior, nicamente ignorando la columna los ( que ya nos e necesita) y el rengln de

. Sustityase ese rengln por la funcin objetivo original.

O equivalentemente

Los vectores unitarios e1, e2, e3, que son respectivamente a1, a4, a2, son restaurados por medio de operaciones matriciales elementales.

En este ejemplo no es necesario seguir iterando en la fase dos, pues al restaurar los vectores unitarios correspondientes a la base de la tabla ptima de la fase uno, se obtuvieron por pura coincidencia las condiciones de optimalidad para toda j en A. Por lo general este no ser el caso y ser necesario hacer varias iteraciones del mtodo simplex en la segunda fase. La solucin ptima es la misma que la obtenida en el mtodo grfico y en el mtodo de penalizacin, es decir :

Y h = -Z = -3 o Z = 3.

UNIDAD 2: ANALISIS DE REDES


PROBLEMA DE TRANSPORTE
La programacin lineal es un campo tan amplio que se extiende a subclases de problemas para los cuales existen mtodos de solucin especiales. Una de estas subclases se conoce como problemas de transporte. El mtodo smplex de programacin lineal, puede servir para resolver estos problemas. Pero se han desarrollado mtodos ms sencillos que aprovechan ciertas caractersticas de los problemas. Entonces, el mtodo del transporte son slo tcnicas especiales para resolver ciertos tipos de problemas de programacin lineal.

El transporte desempea un papel importante en la economa y en las decisiones administrativas. Con frecuencia la disponibilidad de transporte econmico es crtica para la sobrevivencia de una empresa. Qu significa problema de transporte? Supngase que un fabricante tiene tres plantas que producen el mismo producto. Estas plantas a su vez mandan el producto a cuatro almacenes. Cada planta puede mandar productos a todos los almacenes, pero el costo de transporte vara con las diferentes combinaciones. El problema es determinar la cantidad que cada planta debe mandar a cada almacn con el fin de minimizar el costo total de transporte. La manera ms fcil de reconocer un problema de transporte es por su naturaleza o estructura de-hacia: de un origen hacia un destino, de una fuente hacia un usuario, del presente hacia el futuro, de aqu hacia all. Al enfrentar este tipo de problemas, la intuicin dice que debe haber una manera de obtener una solucin. Se conocen las fuentes y los destinos, las capacidades y demandas y los costos de cada trayectoria. Debe haber una combinacin ptima que minimice el costo (o maximice la ganancia). La dificultad estriba en el gran nmero de combinaciones posibles. Puede formularse un problema de transporte como un problema de programacin lineal y aplicarse el mtodo smplex. Si se hiciera, se encontrara que los problemas de transporte tienen caractersticas matemticas nicas. Para visualizar esto, considrese el siguiente ejemplo: Ejemplo prototipo. Chcharos enlatados es uno de los productos ms importantes de la compaa P & T. Los chcharos se preparan en tres enlatadoras (cercanas a Bellingham, Washington; a Eugene, Oregn y a Albert Lea, Minnesota) y despus se mandan por camin a cuatro almacenes de distribucin (en Sacramento, California; Salt Lake City, Utah; Rapid City, South Dakota y Alburquerque, New Mexico) en el oeste de Estados Unidos. Puesto que los costos de embarque constituyen un gasto importante, la gerencia ha iniciado un estudio para reducirlos lo ms posible que se pueda. Se ha hecho una estimacin de la produccin de cada enlatadora para la prxima temporada y se ha asignado a cada almacn una cierta cantidad de la produccin total de chcharos. En la siguiente tabla se proporciona esta informacin (en unidades de carga de camin), junto con el costo de transporte por camin cargado para cada combinacin de enlatadora-almacn. Como se ve hay un total de 300 cargas de camin que se deben transportar. El problema es determinar el plan de asignacin de estos embarques a las distintas combinaciones de enlatadora-almacn que minimice el costo total de transporte.

COSTO DE EMBARQUE ($) POR CARGA


1 1 464 Enlatadora 2 352 3 995 Asignacin 80 Almacn 2 3 513 416 682 65 654 690 388 70 4 867 791 685 85

PRODUCCI N
75 125 100

Este, de hecho, es un problema de programacin lineal del tipo de los problemas de transporte. Para formularlo, sea Z el costo total de transporte y sea x ij (i = 1, 2, 3; j = 1, 2, 3, 4) el nmero de cargas de camin que se mandan de la enlatadora i al almacn j. Entonces el objetivo es seleccionar los valores de estas 12 variables de decisin (las x ij) para: Minimizar Z= 464x11 + 513x12 + 654x13 + 867x14 + 352x21 + 416x22 + 690x23 + 791x24 995x31 + 682x32 + 388x33 + 685x34 sujeta a las restricciones:

x11 + x12 + x13 + x14 x21 + x22 + x23 + x24 x11 x12 x13 x14 + x21 + x22 + x23 + x24 x31 + x32 + x33 + x34 + x31 + x32 + x33 + x34

= = = = = = =

75 125 100 80 65 70 85

xij 0 (i = 1, 2, 3; j = 1, 2, 3, 4)

La siguiente tabla muestra los coeficientes de las restricciones. Como se ver enseguida, lo que distingue a este problema como un problema de transporte es la estructura especial en el patrn de estos coeficientes, no su contexto.

x11 x12 x13 x14 1 A= 1 1 1 1 1 1 1

x21 1 1

Coeficiente de: x22 x23 x24 x31 x32 x33 x34 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Restricciones de enlatadora Restricciones de almacn

Entre parntesis, la solucin ptima para este problema es x 11 = 0, x12 = 20, x13 = 0, x14 = 55, x21 = 80, x22 = 45, x23 = 0, x24 = 0, x31 = 0, x32 = 0, x33 = 70, x34 = 30. Cuando se conozca la prueba de optimalidad se podr verificar este resultado. Modelo general del problema de transporte. Para describir el modelo general del problema de transporte es necesario emplear trminos que sean mucho menos especficos que los que se usaron para los componentes del ejemplo prototipo. En particular, el problema general de transporte se refiere (literal o en sentido figurado) a la distribucin de cualquier bien desde cualquier grupo de centros de abastecimiento, llamados orgenes, a cualquier grupo de centros de recepcin, llamados destinos, de tal manera que se minimicen los costos totales de distribucin. La correspondencia en terminologa entre el ejemplo prototipo y el problema general se resume en la siguiente tabla: Ejemplo prototipo Cargas de chcharos enlatados Tres enlatadoras Cuatro almacenes Produccin de la enlatadora i Asignacin al almacn j Costo de embarque por carga desde la enlatadora i al almacn j Problema general Unidades de un bien m orgenes n destinos si recursos en el origen i Demanda dj en el destino j Costo cij por unidad distribuida desde el origen i al destino j

As, por lo general, el origen i (i = 1, 2, ..., m) dispone de si unidades para distribuir a los destinos y el destino j (j = 1, 2, ..., n) tiene una demanda de dj unidades que recibe desde los orgenes. Una suposicin bsica es que el costo de distribucin de unidades desde el origen i al destino j es directamente proporcional al nmero distribuido, donde cij denota el costo por unidad distribuida. Igual que para el ejemplo prototipo, estos datos de entrada se pueden resumir en forma muy conveniente en la tabla de costos y requerimientos que se muestra enseguida:

Origen

1 2
. . .

Costo por unidad distribuida Destino 1 2 ... n ... c11 c12 c1n ... c21 c22 c2n
. . . . . . . . . . . .

Recursos s1 s2
. . .

m Demanda

cm1 d1

cm2 d2

... ...

cmn dn

sm

Sea Z el costo total de distribucin y x ij (i = 1, 2, ..., m; j = 1, 2,..., n) el nmero de unidades que se distribuyen del origen i al destino j, la formulacin de programacin lineal para este problema es:

Minimizar sujeta a

Z=

c
i =1 j =1

ij

xij

x
j =1

ij

= si

para i = 1, 2, ..., m

x
y
i =1

ij

= dj
xij 0,

para j = 1, 2, ..., n
para toda i y j

Note que la tabla que resulta de los coeficientes de las restricciones tiene la estructura especial que se muestra en la siguiente tabla:
Coeficiente de

x11 x12 . . . x1n x21 x22 . . . 1 A= 1 1


. . .

x2n . . . xm1 xm2 . . . xmn 1


. . .

...

1 1 1 ... 1 1 1
. . . .

Restricciones de origen

1 1

...

1
Restricciones de destino

1 ... 1
. .

Cualquier problema de programacin lineal que se ajuste a esta formulacin especial es del tipo de problemas de transporte, sin importar su contexto fsico. De hecho, se han realizado numerosas aplicaciones no relacionadas con el transporte que se ajustan a esta estructura especial.

sta es una de las razones por las que el problema de transporte se suele considerar como uno de los tipos especiales de problemas de programacin lineal ms importantes.

Una condicin necesaria y suficiente para que un problema de transporte tenga soluciones factibles es que:

si = dj
i =1 j =1

Esta propiedad se puede verificar observando que las restricciones requieren que:

s
i =1

d
j =1

sean iguales a

x
i =1 j =1

ij

Esta condicin de que los recursos totales deben ser iguales a la demanda total en realidad exige que el sistema est balanceado. Si el problema tiene algn significado fsico y esta condicin no se cumple, casi siempre significa que, o bien s i, o bien dj de hecho representan una cota y no un requerimiento exacto. Si este es el caso, se puede introducir un origen o destino imaginario (llamado origen ficticio o destino ficticio) para captar la holgura, con el fin de convertir las desigualdades en igualdades y satisfacer la condicin de factibilidad. El problema de transporte es slo un tipo especial de problemas de programacin lineal y puede resolverse aplicando el mtodo smplex tal y como lo hemos estudiado. Sin embargo, veremos que si se aprovecha la estructura especial que se muestra en la tabla anterior, se puede lograr un importante ahorro en los clculos. Se har referencia a este procedimiento simplificado como el mtodo smplex de transporte. Para hacer hincapi en la simplificacin lograda por el mtodo smplex de transporte, se revisar primero la forma en que el mtodo smplex general (no simplificado) establecera el problema de transporte en forma tabular. Despus de construir la tabla de los coeficientes de restriccin (vea la tabla anterior), de convertir la funcin objetivo a la forma de maximizacin y de usar el mtodo de la M para introducir las variables artificiales z 1, z2, ..., zm+n en las m+n ecuaciones de restriccin respectivas, se ve que las columnas de la tabla smplex tendran la forma que se muestra en la siguiente tabla: Variable bsica Z Ec. nm. (0) (1)
. . .

Coeficiente de Z ... 1 0

xij cij 1

...

zi M

...

zm+j M

...

Lado derecho 0

zi

(i)
. .

si

zm+j

(m+j)
. . .

dj

(m+n) En esta tabla, todos los elementos que no se muestran en estas columnas son ceros. El nico ajuste que queda por hacer antes de la primera iteracin es eliminar algebraicamente los coeficientes distintos de cero de las variables bsicas iniciales (artificiales) en el rengln de Z (rengln 0). Despus de cualquier iteracin subsecuente, el rengln 0 tendra la forma que se muestra en la siguiente tabla: Variable Ec. Coeficiente de bsica nm Z ... xij Z (0) 1 cijuivj Lado derecho

...

zi Mui

...

zm+j Mvj

...

siui djvj
i =1 j =1

A causa del patrn de ceros y unos que siguen los coeficientes en la tabla anterior, u i y vj tienen la siguiente interpretacin: ui = mltiplo del rengln i original que se ha restado (directa o indirectamente) del rengln 0 original durante todas las iteraciones del mtodo smplex que llevaron a la tabla actual. vj = mltiplo del rengln m+j original que se ha restado (directa o indirectamente) del rengln 0 original durante todas las iteraciones del mtodo smplex que llevaron a la tabla actual. El rengln 0 actual se puede obtener sin usar ningn otro rengln con slo calcular los valores de ui y vj directamente. Como cada variable bsica debe tener coeficiente cero en el rengln 0, estos valores se pueden obtener resolviendo el sistema de ecuaciones: cijuivj = 0 para cada i y j tal que xij es variable bsica,

lo cual se puede hacer de manera directa. Adems de los datos de entrada (los valores de c ij, si y dj), la nica informacin que necesita el mtodo smplex de transporte es la solucin bsica factible actual, los valores actuales de u i y vj y los valores resultantes de cijuivj para las variables no bsicas xij. Cuando se resuelve un problema

a mano es conveniente registrar esta informacin en una tabla smplex de transporte, como la que se muestra enseguida:

En los casos en que la sumatoria de todo lo que se produce en todos los orgenes es mayor que la sumatoria de todo lo que se demanda en todos los destino o viceversa, entonces se dice que el problema no est balanceado. En estos casos lo primero que se debe hacer antes de intentar resolver el problema es balancearlo.
m
n

Para el caso de SOBREPRODUCCIN (

i= 1

si

>

dj
j= 1

Si el caso es que se dispone de mayor produccin de la que se demanda, entonces para balancear el problema se agrega un destino imaginario o artificial (llamado tambin destino ficticio) el cual tendr como demanda dicha sobreproduccin. En cuanto a los costos asociados a este nuevo destino los estableceremos a cero (por qu?). El siguiente dibujo muestra lo que se debe hacer:

donde dn+1 = y ci,n+1 = 0, para i = 1, 2, ..., m

s d
i

i =1

j =1

Para el caso de SOBREDEMANDA (

dj
j= 1

>

s
j= 1

Si el caso es que se tiene mayor demanda de lo que se produce, entonces para balancear el problema se agrega un origen imaginario o artificial (llamado tambin origen ficticio) el cual tendr como recursos (producir) dicha sobredemanda. En cuanto a los costos asociados a este nuevo origen los estableceremos a cero (por qu?). El siguiente dibujo muestra lo que se debe hacer:

donde

sm+1 = y cm+1j = 0

dj si
j =1 i =1

para j = 1, 2, ..., n

Como todas las restricciones funcionales en el problema de transporte son igualdades, el mtodo smplex obtendra una solucin inicial bsica factible introduciendo variables artificiales y usndolas como variables bsicas iniciales. La solucin bsica que resulta de hecho slo es factible para la versin aumentada del problema, por lo que se necesita un buen nmero de iteraciones para hacer que el valor de estas variables artificiales sea cero y se alcancen las soluciones bsicas factibles reales. El mtodo smplex de transporte pasa por alto todo esto, pues usa un procedimiento ms sencillo para construir directamente una solucin bsica factible real en la tabla de transporte. Antes de describir este procedimiento, es necesario establecer que el nmero de variables bsicas en cualquier solucin bsica de un problema de transporte es una menos de lo que se espera. Normalmente en los problemas de programacin lineal, se tiene una variable bsica por cada restriccin funcional. En los problemas de transporte con m recursos y n destinos el nmero de restricciones funcionales es m+n. Sin embargo, el nmero de variables bsicas = m + n 1.

Esto se debe a que se manejan restricciones de igualdad y este conjunto de m + n ecuaciones tiene una ecuacin adicional o (redundante) que se puede eliminar. La razn es que se sabe que la cantidad total que se manda desde todos los orgenes debe ser igual que la cantidad total que se recibe en todos los destinos. Por lo tanto, cualquier solucin bsica factible en una tabla de transporte debe aparecer con exactamente m + n 1 asignaciones no negativas, en donde la suma de las asignaciones en cada rengln o columna es igual a su demanda o sus recursos 4.2. Mtodos para encontrar soluciones factibles. Al iniciar, todos los renglones de los orgenes y las columnas de destinos de la tabla smplex de transporte se toman en cuenta para proporcionar una variable bsica (asignacin). 1. Se selecciona la siguiente variable bsica (asignacin) entre los renglones y columnas en que todava se puede hacer una asignacin de acuerdo a algn criterio. 2. Se hace una asignacin lo suficientemente grande como para que use el resto de los recursos en ese rengln o la demanda restante en esa columna (cualquiera que sea la cantidad ms pequea). 3. Se elimina ese rengln o columna (la que tena la cantidad ms pequea en los recursos odemanda restantes) para las nuevas asignaciones.( Si el rengln y la columna tiene la misma cantidad de recursos y demanda restante, entonces arbitrariamente se elimina el rengln. La columna se usar despus para proporcionar una variable bsica degenerada, es decir, una asignacin con cero unidades.) 4. Si slo queda un rengln o una columna dentro de las posibilidades, entonces el procedimiento termina eligiendo como bsicas cada una de las variables restantes (es decir, aquellas variables que no se han elegido ni se han eliminado al quitar su rengln o columna) asociadas con ese rengln o columna que tiene la nica asignacin posible. De otra manera se regresa al paso 1. 4.2.1. Mtodo de la esquina noroeste.

1. Regla de la esquina noroeste: la primera eleccin es x11 (es decir, se comienza en la


esquina noroeste de la tabla smplex de transporte). De ah en adelante, si x ij fue la ltima variable bsica seleccionada, la siguiente eleccin es x i,j+1 (es decir, se mueve una columna a la derecha) si quedan recursos en el origen i. De otra manera, se elige xi+1,j (es decir, se mueve un rengln hacia abajo). Para hacer ms concreta esta descripcin, se ilustrar el procedimiento general, utilizando la regla de la esquina noroeste en el siguiente ejemplo:

Recursos 3 2 4 Demanda 3 7 4 3
4

6 3 8
2

4 2 5
1 10

5 2 3 10

Lo primero que debemos hacer al resolver cualquier problema de transporte es comprobar que est balanceado, si no lo estuviera, agregamos un origen o un destino artificial segn sea el caso para conseguir que el problema quede balanceado y podamos comenzar a resolverlo. En nuestro ejemplo, la sumatoria de los recursos de los tres orgenes es de 10 unidades que es igual a la sumatoria de las demandas de los destinos, por lo que nuestro problema est balanceado y podemos iniciar con la resolucin. Comenzamos asignando en la esquina noroeste de la tabla, es decir, en la celda correspondiente a la variable bsica x 11 (paso 1), podemos observar que en la primera columna se demandan 3 unidades del bien y en el primer rengln disponemos de 5 unidades, entonces enviamos las 3 unidades demandadas desde el origen 1 hacia el destino 1 (ya que hay los recursos suficiente para satisfacer toda la demanda) y decrementamos a 2 los recursos restantes en ese origen (paso 2). Con esto cubrimos toda la demanda del primer destino ( almacn) y lo cancelamos para las prximas asignaciones (paso3):

Recursos 3 2 4 Demanda 3 0
3

7 4 3
4

6 3 8
2

4 2 5
1

5 2 2 3

La siguiente asignacin ser en la celda correspondiente a la variable x 12 (paso 1) ya que todava le quedan recursos al origen 1 (adems es la esquina noroeste de la tabla restante despus de haber eliminado la primera columna). Notemos que en el segundo destino se demandan 4 unidades del bien y ahora solamente se disponen de 2 unidades en el origen 1, entonces se envan las 2 unidades del origen 1 al destino 2 para satisfacer 2 de las 4 unidades demandadas en este destino quedando 2 por satisfacer (paso 2) y cancelamos el origen 1 ya que no tiene ms unidades del bien

para (paso 3):

enviar

otro

destino

Recursos 3 2 4 Demanda 3 0
3

7 4 3
4 2

6
2

4 2 5
2 1

5 2 0 2 3

3 8

La siguiente asignacin ser en la celda correspondiente a la variable x 22 (paso 1) ya que no le quedan unidades del bien al origen 1 (notemos tambin que esa celda es la que se encuentra en la esquina noroeste de la tabla restante despus de haber eliminado el primer rengln y la primera columna y no olvidemos que estamos aplicando la regla de la esquina noroeste). Ya que solamente faltan 2 unidades para satisfacer por completo la demanda del segundo destino y se disponen exactamente de 2 unidades en el segundo origen, entonces enviamos 2 unidades del bien del origen 2 al destino 2 (paso 2) y cancelamos el segundo rengln ya que no le quedan ms unidades para enviar a otro destino. Dejamos pendiente la eliminacin de la segunda columna ya que nos servir ms adelante para hacer la asignacin de una variable bsica degenerada, es decir, una asignacin con cero unidades (paso 3):

3
3

2 2

7 4 3

6 3 8
2 1

Recursos 45 2 0 22 0 53

2 4 Demanda 3 0
4 2 0

La siguiente asignacin ser en la celda correspondiente a la variable x 32 (paso1) ya que no le quedan ms unidades al origen 2. Notemos que se demandan cero unidades del bien en el segundo destino, en este momento es cuando hacemos una asignacin de cero unidades convirtiendo as a la variable x32 en una variable bsica degenerada (paso 2) y ahora s podemos cancelar la segunda

columna para ya no considerarla ms en las siguientes asignaciones (paso 3). Notemos que esta demanda de cero unidades es satisfecha sin ningn problema por el origen 3 ya que ste dispone todava de 3 unidades del bien:

3 2 4

2 2 0

7 4 3
2

6 3 8
1

Recursos 45 2 0 22 0 53

Demanda

3 0

4 2 0

Como solamente queda un rengln dentro de las posibilidades (el rengln 3 no ha sido cancelado), entonces aplicando el paso 4 del procedimiento general para construir una solucin inicial bsica factible, la siguiente asignacin ser en la celda que corresponde a la variable x 33 (paso 1). Ya que la demanda del tercer destino (2 unidades) puede ser satisfecha muy bien por el tercer origen, entonces enviamos 2 unidades del bien del origen 3 al destino 3 quedando solamente 1 unidad en el tercer origen (paso 2) para enviarlo al cuarto destino y con eso cubrir su demanda de una unidad, cancelando de esta manera tanto el destino 3 como el destino 4 y el tercer rengln ya que la demanda de todos los destinos ya ha sido satisfecha y no quedan ms unidades del bien en ningn origen:

Recursos
3

3 2 4

2 2 0

7 4 3
2 0 2

6 3 8
1 0 1

45 2 0 22 0 53 1 0
Costo = 52

Demanda

3 0

4 2 0

La solucin inicial bsica factible es x11=3, x12=2, x22=2, x32=0 (variable bsica degenerada), x33=2 y x34=1 y el costo total de transporte asociado a esta primera Poltica de Transporte factible es de:
x
11

11

12

12

22

22

32

32

33

33

34

34

Costo =

3 (3) +

2 (7) +

2 (4) +

0 (3) +

2 (8) +

1 (5) = 52 unidades

Es necesario aclarar que esta no es la solucin final del problema, es necesario aplicar a esta primera solucin factible la prueba de optimalidad ya que puede existir una mejor poltica de transporte que minimice todava ms el costo total. 4.2.2. Mtodo de aproximacin de Vogel. Mtodo de Aproximacin de Vogel : para cada rengln y columna que queda bajo consideracin, se calcula su diferencia, que se define como la diferencia aritmtica entre el costo unitario ms pequeo (cij) y el que le sigue, de los que quedan en ese rengln o columna . (Si se tiene un empate para el costo ms pequeo de los restantes de un rengln o columna, entonces la diferencia es 0). En el rengln o columna que tiene la mayor diferencia se elige la variable que tiene el menor costo unitario que queda. (Los empates para la mayor de estas diferencias se pueden romper de manera arbitraria). Para hacer ms concreta esta descripcin, se ilustrar el procedimiento general, utilizando el mtodo de aproximacin de Vogel para resolver el ejemplo presentado anteriormente y que fue resuelto por la regla de la esquina noroeste: Iniciamos el mtodo calculando las primeras diferencias para cada rengln y columna. De las diferencias que obtuvimos nos fijamos primera asignacin: en la mayor (Por qu?), que resulta ser para la tercera columna. En esa columna encontramos el costo unitario (c ij) menor y en esa celda realizamos la

3 2 4 Demanda DIF. 3 1
4 1

7 4 3
2 0 3
1

6
2

Recursos DIF. 1 45 22 0 53
10 1 2 10 0 1

3 8

Nota: Marcaremos a la mayor de las diferencias seleccionada encerrndola en un crculo y escribindole como superndice el nmero que le corresponda en la secuencia de seleccin.

Observemos en la figura anterior que nicamente eliminamos el segundo rengln ya que la tercera columna nos servir despus para hacer la asignacin de una variable bsica degenerada.

Continuando con la aplicacin del mtodo, tenemos que calcular nuevamente las diferencias de las columnas ya que hemos eliminado un rengln y sto puede ocasionar que las diferencias aritmticas entre el costo unitario ms pequeo y el que le sigue ya no sean las mismas:

Recursos 3 2 4 Demanda DIF. 3 1 1


4 1 1 4
2

DIF.
1 0 1

7 4
3 2

6 3 8
2 0 3 2
1

45 22 0 53 0
10 1 2 1 10

Como siguiente paso deberamos calcular las nuevas diferencias de columnas, pero ya que solamente queda un rengln dentro de las posibilidades (sto no significa que solamente un rengln quede bajo consideracin ya que podemos observar que ninguna de las cuatro columnas (destinos) ha sido eliminada y todas quedan todava bajo consideracin), no es posible encontrar la diferencia aritmtica entre el costo menor y el que le sigue, por lo tanto vamos tomando una a una las celdas que quedan comenzando con la de menor costo unitario hasta que todas hayan sido asignadas. Recursos DIF.
3

7 4

0
2

6 3 8

45 2 1 0 22 0 53 0
10

1 0 1

2 4 Demanda DIF. 3 0 1 1
3 4 1 0 1 4
2

3
2 0 3 2
1

1 0 2 1

10

La solucin inicial bsica factible es x11=3, x12=1, x13=0 (variable bsica degenerada), x14=1, x23=2 y x32=3 y el costo total de transporte asociado a esta primera Poltica de Transporte factible es de:
x
11

11

12

12

13

13

14

14

23

23

32

32

Costo = 3 (3) +

1 (7) +

0 (6) +

1 (4) +

2 (3) +

3 (3) = 35 unidades

Es necesario aclarar que sta puede o no ser la solucin final del problema, es necesario aplicar a esta primera solucin factible la prueba de optimalidad ya que puede existir una mejor poltica de transporte que minimice todava ms el costo total. Comparacin de criterios alternativos para el paso 1. Se compararn estos dos criterios para elegir la siguiente variable bsica. La virtud principal de la regla de la esquina noroeste es la facilidad y rapidez con que se aplica. Sin embargo, como no le da importancia a los costos unitarios cij, por lo general la solucin que se obtiene distar mucho de la ptima. Si se realiza un esfuerzo un poco mayor para encontrar la solucin inicial bsica factible, es posible que se reduzca mucho el nmero de iteraciones que despus necesita el mtodo smplex de transporte para encontrar la solucin ptima. El objetivo del otro criterio es precisamente encontrar una solucin as. El mtodo de aproximacin de Vogel ha sido el ms popular durante muchos aos, en parte porque es relativamente fcil hacerlo a mano. Este criterio toma en cuenta los costos unitarios en forma efectiva ya que la diferencia representa el mnimo costo adicional en que se incurre por no hacer una asignacin en la celda que tiene el menor costo en esa columna o rengln. Podemos decir, que el mtodo de aproximacin de Vogel proporciona una mejor solucin inicial que el criterio de la esquina noroeste, en otras palabras es ms cualitativo. El siguiente paso despus de hallar una solucin inicial bsica factible (por cualquiera de los dos criterios expuestos anteriormente) es verificar si esta solucin inicial es efectivamente ptima aplicando la prueba de optimalidad. La prueba de optimalidad estndar del mtodo smplex para el problema de transporte, se puede reducir de la siguiente manera: Una solucin bsica factible es ptima si y slo si c ijuivj 0 para toda (i,j) tal que x ij es no bsica. As, lo nico que hay que hacer para realizar esta prueba es obtener los valores de u i y vj para la solucin bsica factible actual y despus calcular los valores c ijuivj segn se describe enseguida. Como el valor de cijuivj debe ser cero si xij es una variable bsica, ui y vj satisfacen el conjunto de ecuaciones: cij = ui + vj para cada (i,j) tal que xij es bsica.

Existen m+n1 variables bsicas y por tanto hay m+n 1 ecuaciones de este tipo. Como el nmero de incgnitas (las ui y vj) es m+n, se puede asignar un valor arbitrario a cualquiera de estas variables sin violar las ecuaciones. La eleccin de esta variable y su valor no afecta el valor de ningn c ijui vj, aun cuando xij sea no bsica, por lo que la nica diferencia (menor) estriba en la facilidad para resolver estas ecuaciones. Una eleccin conveniente para lograr esto es seleccionar la u i que tiene el mayor nmero de asignaciones en su rengln (los empates se rompen de manera arbitraria) y asignarle un valor de cero. Gracias a la sencilla estructura de estas ecuaciones, resulta muy fcil obtener algebraicamente los valores del resto de las variables. Para ejemplificar la prueba de optimalidad, consideremos la solucin inicial bsica factible obtenida por la regla de la esquina noroeste para nuestro ejemplo en cuestin:

v1 u1 u2 u3 Demanda 3
3

v2 3 2 4
4 2 2 0

v3 7 4 3
2 2

v4 6 3 8
1 1

Recursos 4 5 2 5
2 3

ui

Costo=5 2

vj
Para este problema, existen m+n 1=3+41=6 variables bsicas, que dan origen al siguiente conjunto de ecuaciones:
3 = u1+v1 7 = u1+v2 4 = u2+v2 3 = u3+v2 8 = u3+v3 5 = u3+v4 Observemos que resultaron ser 6 ecuaciones que involucran 7 incgnitas (tres de las u i y cuatro de las vj), por lo que este sistema de ecuaciones no es cuadrado. La forma de resolverlo es dando un valor arbitrario a una de las incgnitas, para que, a partir de l encontremos el valor de las dems. La regla para hacer esta asignacin arbitraria nos dice que sea para la u i ( rengln) que haya tenido el mayor nmero de asignaciones. En nuestro ejemplo, el rengln 1 tuvo dos asignaciones, el rengln 2 tuvo una asignacin y por ltimo el tercer rengln tuvo tres asignaciones, por lo que asignamos el valor de cero a la incgnita u 3. De esta asignacin resulta lo siguiente: 3 = u1+v1

7 = u1+v2 4 = u2+v2 3 = u3+v2 8 = u3+v3 5 = u3+v4

v2 = 3 v3 = 8 v4 = 5

Hemos obtenido el valor de tres incgnitas ms, v 2, v3 y v4, los cuales nos ayudarn para hallar el valor de las incgnitas restantes: 3 = u1+v1 7 = u1+v2 4 = u2+v2 3 = u3+v2 8 = u3+v3 5 = u3+v4 si u1=4, entonces v1= 1 si v2=3, entonces u1= 4 si v2=3, entonces u2= 1 v2 = 3 v3 = 8 v4 = 5

De esta forma hemos obtenido el valor de todas las incgnitas y procedemos a colocarlos en la tabla como sigue: v1 u1 u2 u3 Demanda 3
1 3

v2 3 2 4
4 3 2 2 0

v3 7 4 3
2 8 2

v4 6 3 8
1 5 1

Recursos 4 5 2 5
2 3

ui
4 1

Costo=5 2

vj

Ahora calculemos los valores cijuivj para las variables no bsicas, ya que para las bsicas, este valor es cero (por la forma de las ecuaciones con que se hallaron los valores de las incgnitas u i y vj), y coloquemos estos valores en la esquina inferior izquierda de cada celda: Para la celda (1,3): 6 4 8 = 6 Para la celda (1,4): 4 4 5 = 5 Para la celda (2,1): 2 1 (1) = 2 Para la celda (2,3): 3 1 8 = 6 Para la celda (2,4): 2 1 5 = 4 Para la celda (3,1): 4 0 (1) = 5

v1

v2 7

v3

v4

Recursos

ui

u1 u2 u3

3 2 0

2 2

6 0 4 2 0 3 0 6 3 6 8 0
2 8 1 5

4 1

5 2 2 4 5 3 0 Costo=5 2

2 4 5

0 4 3

Demanda

3
1

vj

En este momento se puede aplicar la prueba de optimalidad para verificar los valores de c ij uivj obtenidos. Como cuatro de estos valores (c 13u1v3= 6, c14u1v4= 5, c23u2v3= 6, c24 u2v4= 4), son negativos, se concluye que la solucin bsica factible actual no es ptima. Entonces, el mtodo smplex de transporte debe proceder a hacer una iteracin para encontrar una mejor solucin bsica factible. Una iteracin. Igual que para mtodo smplex estndar, una iteracin del mtodo smplex de transporte debe determinar una variable bsica entrante (paso 1), una variable bsica que sale (paso 2) y despus identificar la nueva solucin bsica factible que resulta (paso 3). Paso 1: como cijuivj representa la tasa a la que cambia la funcin objetivo si se incrementa la variable no bsica xij, la variable que entra debe tener un valor de c ijuivj negativo, para que el costo total Z disminuya. Entonces, los candidatos en la tabla anterior son x 13, x14, x23 y x24 . Entre ellos se elige el valor negativo ms grande (en trminos absolutos) de c ijuivj como la variable bsica entrante, que en este caso corresponde a x 13 y x23. En los casos en que haya empate para la eleccin de la variable bsica entrante, este empate se rompe de manera arbitraria, ya que tarde o temprano llegaremos a la misma solucin independientemente de la eleccin de la variable. Pero, observemos lo siguiente: ya que debemos elegir la variable bsica entrante, es decir, aquella que comenzar a tener un valor (ya que antes no lo tena porque era variable no bsica), entonces, es conveniente que elijamos aquella que tenga el costo menor, ya que el valor de la variable entrante multiplicado por su respectivo costo ser la contribucin al costo total. En nuestro caso, el costo

asociado a x13 es 6 y el costo asociado a x23 es 3, por lo que la variable que debemos elegir como entrante es x23. Paso 2: si se incrementa el valor de la variable bsica entrante, se establece una reaccin en cadena de cambios compensatorios en otras variables bsicas (asignaciones) para seguir satisfaciendo las restricciones de recursos y demanda. La primera variable bsica que disminuya su valor hasta cero ser la variable bsica que sale. En general, siempre existe slo una reaccin en cadena (en cualquier direccin) que se puede completar con xito para conservar la factibilidad, cuando la variable bsica entrante aumenta su valor. Esta reaccin en cadena se puede identificar si se hace una seleccin entre las celdas que tienen variables bsicas: primero, la celda donadora en la columna que tiene la variable bsica; despus, la celda receptora en el rengln que corresponde a la celda donadora; luego, la celda donadora en la columna en que se encuentra esta celda receptora, y as sucesivamente, hasta que la reaccin en cadena conduce a una celda donadora en el rengln que tiene a la variable bsica entrante. Cuando una columna o rengln tiene ms de una celda adicional con variable bsica, puede ser necesario explorar el camino que se va aseguir para averiguar cul debe seleccionarse como celda donadora o receptora. (Todas las dems menos la adecuada llegarn tarde o temprano a un camino sin salida en un rengln o columna que no tiene otra celda con una variable bsica). Despus de identificar la reaccin en cadena. La celda donadora que tiene la asignacin menor proporciona en forma automtica la variable bsica que sale. (En caso de un empate para la celda donadora, se puede elegir cualquiera para proporcionar la variable bsica que sale). Si x23 es la variable bsica entrante, la reaccin en cadena de la tabla anterior se resume enseguida. (Siempre se indicar la variable bsica entrante colocando un signo + encuadrado dentro de su celda):

v1 u1 u2 u3 0 2 4 5 Demanda 3
1 3

v2 3 2 0 7
2 2 0 4 3

v3 6 6 6
+

v4

Recursos 4 5 5 2 2

ui
4 1

0 4

3 4
1 1 5

2 + 3 0

8 2

5 0

0
2 8

Costo=5 2

vj

Al aumentar x23 debe disminuir x33 en la misma cantidad para conservar la demanda de 2 en la columna 3; esto a su vez requiere que se aumente x 32 en esa cantidad para mantener la oferta de 3 en el rengln 3 y esto a su vez exige una disminucin en el valor de x 22 para conservar la demanda de 4 en la columna 2. Esta disminucin en x22 completa con xito la reaccin en cadena ya que tambin conserva la oferta del rengln 2. El resultado final es que las celdas (2,3) y (3,2) se convierten en celdas receptoras, cada una con su asignacin adicional proveniente de las celdas donadoras (2,2) y (3,3). Estas celdas estn indicadas en la tabla anterior por medio de los signos + y ). Observe que tuvo que elegirse la celda (3,2) como celda receptora para el rengln 3 y no la (3,4), ya que esta ltima no hubiera tenido celda donadora en la columna 4 para continuar la reaccin en cadena. Note adems que, a excepcin de la variable bsica entrante, todas las celdas receptoras y donadoras en la reaccin en cadena deben corresponder a variables bsicas en la solucin bsica factible actual. Cada celda donadora disminuye su asignacin en una cantidad exactamente igual al aumento que tiene la variable bsica entrante (y las otras celdas receptoras). Entonces, la celda donadora que comienza con la asignacin ms pequea en este caso las celdas (2,2) y (3,3) debe ser la primera en llegar a una asignacin de cero conforme se incrementa la variable entrante x 23. As, x22 x23 se pueden convertir en la variable bsica que sale. Cuando existe empate para la variable bsica que sale, ste puede romperse de manera arbitraria, es decir, eligiendo cualquiera de las variables donadoras con la asignacin ms pequea como variable bsica saliente. Como una regla emprica, podemos seleccionar como variable bsica saliente aqulla que tenga asociado el mayor costo unitario, ya que como esta variable perder completamente su valor (es decir, se convertir de variable bsica a variable no bsica), esperaramos que el costo total de transporte disminuya. As, escogeramos a x33 como variable bsica saliente. Paso 3: la nueva solucin bsica factible se identifica sumando el valor (antes de los cambios) de la variable bsica que sale a las asignaciones de cada celda receptora y restando esta misma cantidad de las asignaciones de cada celda donadora. En la tabla anterior se observa que el valor de la variable bsica que sale x33 es 2, por lo que esta porcin de la tabla smplex de transporte cambia, como se ilustra en la siguiente tabla para la nueva solucin. (Como x 33 es no bsica en la nueva solucin, su nueva asignacin es cero y ya no se muestra en la tabla).

v1

v2 7

v3

v4

Recursos

ui

u1 0 u2 2 u3 5 Demanda 3

3 2

3 0 0 4 0
4

2 0 2 4 2 3

6 6 6 0
2

4 5 2 4 5

3 8 0
1

2 3

Costo=4 0

vj
En este momento se puede sealar una interpretacin til de las cantidades c ijuivj que se obtienen en la prueba de optimalidad. Debido al cambio de 2 unidades en las asignaciones de las celdas donadoras a las receptoras, el costo total cambia en: Z = 2(38+34) = 2(6) = 12 = 2(c23u2v3)

es decir, el costo total de transporte se decrementa en 12 unidades con respecto al costo anterior que era de 52 unidades. Notemos que hemos obtenido una nueva poltica de transporte, la cual podemos resumir as:
La nueva solucin bsica factible es x11=3, x12=2, x22=0 (variable bsica degenerada), x23=2, x32=2 y x34=1 y el costo total de transporte asociado es de:
x
11

11

12

12

22

22

23

23

32

32

34

34

Costo = 3 (3) +

2 (7) +

0 (4) +

2 (3) +

2 (3) +

1 (5) = 40 unidades

Antes de completar la solucin del problema ejemplo, se har un resumen de las reglas del mtodo smplex de transporte.

Resumen del mtodo smplex de transporte


Inicializacin: Se construye una solucin inicial bsica factible. Se realiza la prueba de optimalidad. Prueba de optimalidad: Se obtiene ui y vj eligiendo el rengln con el mayor nmero de asignaciones y estableciendo su ui = 0, y despus resolviendo el sistema de ecuaciones c ij = ui+vj para cada (i,j) tal que xij es bsica. Si cijuivj 0 para toda (i,j) tal que xij es no bsica, entonces la solucin actual es ptima por lo que el proceso se detiene. De lo contrario, se regresa a una iteracin.

Iteracin:

1. Se determina la variable bsica entrante: se elige la variable no bsica x ij que tiene el valor
negativo ms grande (en trminos absolutos) para cijuivj. 2. Se determina la variable bsica que sale identificando la reaccin en cadena ( encontrar un circuito) que se necesita para conservar la factibilidad cuando se aumenta el valor de la variable bsica entrante. Entre las celdas donadoras se selecciona la variable bsica que tiene el menor valor. 3. Se determina la nueva solucin bsica factible: se suma el valor de la variable bsica que sale a las asignaciones de las celdas receptoras y se resta este valor a las asignaciones de las celdas donadoras. Continuando con la aplicacin de este procedimiento a nuestro problema, tenemos que calcular los nuevos valores de las ui y vj y despus los valores cijuivj correspondientes a las variables no bsicas para determinar si todos cumplen con la prueba de optimalidad: Nuevamente existen m+n1=3+41=6 variables bsicas, que dan origen al siguiente conjunto de ecuaciones: 3 = u1+v1 7 = u1+v2 4 = u2+v2 3 = u2+v3 3 = u3+v2 5 = u3+v4 Observemos que nuevamente resultaron ser 6 ecuaciones que involucran 7 incgnitas (tres de las ui y cuatro de las vj). Ya que hay empate en el nmero de asignaciones que tiene cada rengln (2 asignaciones en cada rengln), asignemos el valor de cero a la incgnita u 1. De esta asignacin resulta lo siguiente: 3 = u1+v1 7 = u1+v2 4 = u2+v2 3 = u2+v3 3 = u3+v2 5 = u3+v4

v1=3 v2=7

Hemos obtenido el valor de dos incgnitas ms, v 1, y v2, los cuales nos ayudarn para hallar el valor de las incgnitas restantes:

3 = u1+v1 7 = u1+v2 4 = u2+v2 3 = u2+v3 3 = u3+v2 5 = u3+v4

v1=3 v2=7
si v2=7, entonces u2= 3 si u2= 3, entonces v3=6 si v2=7, entonces u3= 4 si u3= 4, entonces v4=9

De esta forma hemos obtenido el valor de todas las incgnitas y procedemos a colocarlos en la tabla como sigue: v1 u1 u2 u3
3

v2 3 2 4 7
2 0 2 4 7

v3 6 3 8

v4

Recursos 4 5 2 5
2 3

ui 0
3 4

4 2 3

1 1 9

Demanda

3
3

vj

2 6

Costo=4 0

Ahora calculemos los valores cijuivj para las variables no bsicas y coloquemos estos valores en la esquina inferior izquierda de cada celda: Para la celda (1,3): 6 0 6 = 0 Para la celda (1,4): 4 0 9 = 5 Para la celda (2,1): 2 (3) 3 = 2 Para la celda (2,4): 2 (3) 9 = 4 Para la celda (3,1): 4 (4) 3 = 5 Para la celda (3,3): 8 (4) 6 = 6

v1 u1 0 u2 2 u3 4 5
3

v2 3 0 2 0 7
2 0 2

v3 6 0 4 20 3 0
2

v4 5 3 4 8 6
1

Recursos 4 5 2 5 0
2 3

ui 0
3 4

Costo=4

Demanda

3
3

vj

4 7

2 6

1 9

Aplicando la prueba de optimalidad para verificar los valores de c ijuivj obtenidos, vemos que dos de estos valores ( c 14u1v4= 5, c24u2v4= 4) son negativos, se concluye que la solucin bsica factible actual no es ptima. Entonces, el mtodo smplex de transporte debe proceder a hacer una iteracin para encontrar una mejor solucin bsica factible. Aplicando el procedimiento descrito anteriormente, se llega al siguiente conjunto de tablas smplex de transporte que se muestra enseguida y que dan solucin al problema planteado:

v1 u1 u2 2 u3 4 5 Demanda 3
3 3

v2 3
2 7

v3 6 5
2

v4
+

Recursos 4 5 2
2 3

ui 0
3 4

0 0
0 2 4 7

0 0 4

3 4 8
1

20 + 3 0
2 6

6
1 9

Costo=4 0

vj

v1 u1 0 u2 2 u3 4 5 Demanda 3
3

v2 3 22 0 7
1 0 3 4

v3 6 5
2

v4
1

Recursos 4 5 2
2 3

ui

00 4 0 3 0
2

3 4 8 6
1

5 0

Costo=3 5

vj
La nueva solucin bsica factible es x11=3, x12=1, x14=1, x22=0 (variable bsica degenerada), x 23=2 y x32=3 y el costo total de transporte asociado es de:

11

11

12

12

14

14

22

22

23

23

32

32

Costo = 3 (3) +

1 (7) +

1 (4) +

0 (4) +

2 (3) +

3 (3) = 35 unidades

Como en esta ltima tabla todas las c ijuivj son no negativas (comprobarlo!), la prueba de optimalidad identifica este conjunto de asignaciones como ptimo, lo cual concluye el algoritmo.

FUENTE: http://www.investigacion-operaciones.com/material %20didactico/transporte.doc

PROBLEMA DE FLUJO MAXIMO

Modelo de Flujo Mximo Se trata de enlazar un nodo fuente y un nodo destino a travs de una red de arcos dirigidos. Cada arco tiene una capacidad mxima de flujo admisible. El objetivo es el de obtener la mxima capacidad de flujo entre la fuente y el destino. Caractersticas:
1. Todo flujo a travs de una red conexa dirigida se origina en un nodo, llamado fuente, y termina en otro nodo llamado destino. 2. Los nodos restantes son nodos de trasbordo. 3. Se permite el flujo a travs de un arco slo en la direccin indicada por la flecha, donde la cantidad mxima de flujo est dad por la capacidad del arco. En la fuente, todos los arcos sealan hacia fuera. En el destino, todos sealan hacia el nodo. 4. El objetivo es maximizar la cantidad total de flujo de la fuente al destino. Esta cantidad se mide en cualquiera de las dos maneras equivalentes, esto es, la cantidad que sale de la fuente o la cantidad que entra al destino.

El problema de flujo mximo se puede formular como un problema de programacin lineal, se puede resolver con el mtodo smplex y usar cualquier software. Sin embargo, se dispone de un algoritmo de trayectorias aumentadas mucho ms eficientes. El algoritmo se basa en dos conceptos intuitivos, el de red residual y el de trayectoria aumentada. Algoritmo de la trayectoria de aumento para el problema de flujo mximo:
1. Se identifica una trayectoria de aumento encontrando alguna trayectoria dirigida del origen al destino en la red residual, tal que cada arco sobre esta trayectoria tiene capacidad

residual estrictamente positiva. (Si no existe una, los flujos netos asignados constituyen un patrn del flujo ptimo). 2. Se identifica la capacidad residual c* de esta trayectoria de aumento encontrando el mnimo de las capacidades residuales de los arcos sobre esta trayectoria. Se aumenta en c* el flujo de esta trayectoria. 3. Se disminuye en c* la capacidad residual de cada arco en esta trayectoria de aumento. Se aumenta en c* la capacidad residual de cada arco en la direccin opuesta en esta trayectoria. Se regresa la paso 1.

Modelo de la ruta ms corta Considere una red conexa y no dirigida con dos nodos especiales llamados origen y destino. A cada ligadura (arco no dirigido) se asocia una distancia no negativa. El objetivo es encontrar la ruta ms corta (la trayectoria con la mnima distancia total) del origen al destino. Se dispone de un algoritmo bastante sencillo para este problema. La esencia del procedimiento es que analiza toda la red a partir del origen; identifica de manera sucesiva la ruta ms corta a cada uno de los nodos en orden ascendente de sus distancias (ms cortas), desde el origen; el problema queda resuelto en el momento de llegar al nodo destino. Algoritmo de la ruta ms corta:
1. Objetivo de la n-sima iteracin: encontrar el n-simo nodo ms cercano al origen. (Este paso se repetir para n=1,2, hasta que el n-simo nodo ms cercano sea el nodo destino.) 2. Datos para la n-sima iteracin: n-1 nodos ms cercanos al origen (encontrados en las iteraciones previas), incluida su ruta ms corta y la distancia desde el origen. (Estos nodos y el origen se llaman nodos resueltos, el resto son nodos no resueltos.) 3. Candidatos para el n-simo nodo ms cercano: Cada nodo resuelto que tiene conexin directa por una ligadura con uno o ms nodos no resueltos proporciona un candidato, y ste es el nodo no resuelto que tiene la ligadura ms corta. (Los empates proporcionan candidatos adicionales.) 4. Clculo del n-simo nodo ms cercano: para cada nodo resuelto y sus candidatos, se suma la distancia entre ellos y la distancia de la ruta ms corta desde el origen a este nodo resuelto. El candidato con la distancia total ms pequea es el n-simo nodo ms cercano (los empates proporcionan nodos resueltos adicionales), y su ruta ms corta es la que genera esta distancia.

NOTACIN Y TERMINOLOGA Red: Una red consiste en un conjunto de puntos y un conjunto de lneas que unen ciertos pares de puntos. Los puntos se llaman nodos (o vrtices). Las lneas se llaman arcos (o ligaduras, aristas o ramas). Los arcos se etiquetan para dar nombres a los nodos en sus puntos terminales, por ejemplo, AB es el arco entre lo nodos A Y B.

En un problema de programacin lineal, las redes pueden representar un conjunto de estaciones, campos petrolferos, almacenes, fabricas, sucursales, ciudades, interconectadas entre si a travs de caminos, conductos, tuberas que permiten fluir productos para la comercializacin o la distribucin. Arcos Dirigidos: Se dice que un arco es dirigido cuando el arco tiene flujo en una direccin (como en una calle de un sentido). La direccin se indica agregando una cabeza de flecha al final de la lnea que representa el arco. Al etiquetar un arco dirigido con el nombre de los nodos que une, siempre se coloca primero al nodo de donde viene y despus el nodo a donde va, esto es, un arco dirigido del nodo A al nodo B debe etiquetarse como AB y no como BA. Otra Manera es A B. Arcos No Dirigidos: Si el flujo a travs de un arco se permite en ambas direcciones (como una tubera que se puede usar para bombear fluido en ambas direcciones), se dice que es un arco no dirigido. Tambin se les llama ligadura. Aunque se permita que el flujo a travs de un arco no dirigido ocurra en cualquier direccin, se supone que ese flujo ser en una direccin, en la seleccionada, y no se tendr flujos simultneos en direcciones opuestas. Trayectoria: Una trayectoria entre dos nodos es una sucesin de arcos distintos que conectan estos nodos. Por ejemplo, una de las trayectorias que conectan los nodos O y T en la figura 1 es la sucesin de arcos OB-BD-DT (O B D T), y viceversa. Cuando algunos o todos los arcos de una red son arcos dirigidos, se hace la distincin entre trayectorias dirigidas y trayectorias no dirigidas. Trayectoria Dirigida: Una trayectoria dirigida del nodo i al nodo j, es una sucesin de arcos cuya direccin (si la tienen) es hacia el nodo j, de manera que el flujo del nodo i al nodo j, a travs de esta trayectoria es factible. Trayectoria No Dirigida: Una trayectoria no dirigida del nodo i al nodo j es una sucesin de arcos cuya direccin (si la tienen) pueden ser hacia o desde el nodo j. Con frecuencia alguna trayectoria no dirigida tendr algunos arcos dirigidos hacia el nodo j y otros desde l (es decir, hacia el nodo i). Ciclo: Un ciclo es una trayectoria que comienza y termina en el mismo nodo. En la red no dirigida que se muestra en la figura 5 existen muchos ciclos, OA-AB-BCCO. Red Conexa: Una red conexa es una red en la que cada par de nodos est conectado. Se dice que dos nodos estn conectados si la red contiene al menos

una trayectoria no dirigida entre ellos. Se debe resaltar que no es necesario que la trayectoria sea dirigida aun cuando la red sea dirigida. La figura 1 representa una red conexa. rbol de Expansin: es una red conexa para los n nodos, que contiene ciclos no dirigidos. Todo rbol de expansin tiene justo n-1 arcos, ya que este es el nmero mnimo de arcos necesarios para tener una red conexa y el mximo numero posible para que no haya ciclos no dirigidos. La figura 6 representa una red conexa, la figura 7 muestra los cinco nodos de la red conexa de la figura 6, ahora la figura 8 muestra el proceso para hacer crecer un rbol colocando una rama a la vez, hasta obtener un rbol de expansin. En cada etapa del proceso se tienen varias alternativas para el nuevo arco, por lo que la figura 8 muestra solo una de las muchas formas de construir un rbol de expansin. Capacidad de Arco: Es la cantidad mxima de flujo (quizs infinito) que puede circular en un arco dirigido. Nodo Fuente: (o nodo de origen) tiene la propiedad de que el flujo que sale del nodo excede al flujo que entra a l. Nodo Demanda: (o nodo destino) es el caso contrario al nodo fuente, donde el flujo que llega excede al que sale de l. Nodo de Trasbordo: (o nodo intermedio) satisface la conservacin del flujo, es decir, el flujo que entra es igual al que sale. REDES DIRIGIDAS Y NO DIRIGIDAS Red Dirigida: Es una red que tiene solo arcos dirigidos. En una red dirigida, un ciclo puede ser dirigido o no dirigido, segn si la trayectoria en cuestin es dirigida o no dirigida. (Como una trayectoria dirigida tambin es no dirigida, un ciclo dirigido es un ciclo no dirigido, pero en general el inverso no es cierto.) Por ejemplo en la figura 9 DE-ED es un ciclo dirigido. Por contrario, ABBC-CA no es un ciclo dirigido puesto que la direccin del arco AC es opuesta a la de los arcos AB y BC. Por otro lado, AB-BC-AC no es un ciclo dirigido porque ABCA es una trayectoria no dirigida. Red No Dirigida: Es una red donde todos sus arcos son no dirigidos. La figura 10 representa una red no dirigida. VISTA GENERAL DE ALGUNAS APLICACIONES PRCTICAS DE LA OPTIMIZACIN DE REDES

1. Diseo de redes de telecomunicacin (redes de fibra ptica, de computadores, telefnicas,


de televisin por cable, etc.)

2. Diseo de redes de transporte para minimizar el costo total de proporcionar las ligaduras
(vas ferroviarias, carreteras, etc.) 3. Diseo de una red de lneas de transmisin de energa elctrica de alto voltaje. 4. Diseo de una red de cableado en equipo elctrico (como sistemas de computo) para minimizar la longitud total del cable. 5. Diseo de una red de tuberas para conectar varias localidades. 6. Diseo de una red de tuberas de gas natural mar adentro que conecta fuentes del golfo de Mxico con un punto de entrega en tierra con el objetivo de minimizar el costo de construccin. 7. Determinacin de la ruta ms corta que une dos ciudades en una red de caminos existentes. 8. Determinar la capacidad anual de mxima en toneladas de una red de conductos de pasta aguada de carbn que enlaza las minas carboneras de Wyoming con las plantas generadoras de electricidad Houston. (Los conductos de pasta aguada de carbn transportan ste bombeando agua a travs de tubos adecuadamente diseados que operan entre las minas de carbn y el destino deseado.) 9. Determinacin del programa de costo mnimo de los campos petrolferos a refineras y finalmente a los campos de distribucin. Se pueden enviar petrleo crudo y productos derivados de la gasolina en buques tanque, oleoductos y/o camiones. Adems de la disponibilidad de la oferta mxima en los campos petrolferos y los requisitos de demanda mnima en los centros de distribucin, deben tomarse en cuenta restricciones sobre la capacidad de las refineras y los modos de transporte.

EJEMPLOS DE TERMINOS Se tiene la red de distribucin para Distribution Unlimited Co.

Nodos Arcos Arco Dirigido Trayectoria

A, B, C, D , E AB, AC, AD, BC, CE, DE, ED A B, A C, A D, B C, C E, D E, E D

Entre A y D: A A A Trayectoria Dirigida A B C E D C B E C D E D

Entre A y E

Entre B y D Trayectoria No Dirigida B Ciclo AB-BC-CA (ciclo no dirigido) Red Conexa Capacidad de Arco Nodo Fuente Nodo Demanda Nodo de Trasbordo OTRAS DEFINICIONES Red Residual: Una red residual muestra las capacidades restantes (llamadas capacidades residuales) para asignar flujos adicionales. Trayectoria de Aumento: Una trayectoria de aumento es una trayectoria dirigida del nodo fuente al nodo destino en la red residual, tal que todos los arcos en ese trayectoria tienen capacidad residual estrictamente positiva. El mnimo de estas capacidades residuales se llama capacidad residual de la trayectoria de aumento porque representa la cantidad de flujo que es factible agregar en toda la trayectoria. Por lo tanto, cada trayectoria de aumento proporciona una oportunidad de aumento ms el flujo a travs de la red original. Si es red conexa 3, 2, 5, 3, 4, 2, 1 A C, D B C A D DE-ED (ciclo dirigido)

FUENTE: http://www.monografias.com/trabajos16/flujo-redes/flujo-redes.shtml

RUTA CRITICA (PERT/CPM)


Dos son los orgenes del mtodo del camino crtico: el mtodo PERT (Program Evaluation and Review Technique) desarrollo por la Armada de los Estados Unidos de Amrica, en 1957, para controlar los tiempos de ejecucin de las diversas actividades integrantes de los proyectos espaciales, por la necesidad de terminar cada una de ellas dentro de los intervalos de tiempo disponibles. Fue utilizado originalmente por el control de tiempos del proyecto Polaris y actualmente se utiliza en todo el programa espacial. El mtodo CPM (Crtical Path Method), el segundo origen del mtodo actual, fue desarrollado tambin en 1957 en los Estados Unidos de Amrica, por un centro de investigacin de operaciones para la firma Dupont y Remington Rand, buscando el control y la optimizacin de los costos de operacin mediante la planeacin adecuada de las actividades componentes del proyecto. Ambos mtodos aportaron los elementos administrativos necesarios para formar el mtodo del camino crtico actual, utilizando el control de los tiempos de ejecucin y los costos de operacin, para buscar que el proyecto total sea ejecutado en el menor tiempo y al menor costo posible. 2. Usos El campo de accin de este mtodo es muy amplio, dada su gran flexibilidad y adaptabilidad a cualquier proyecto grande o pequeo. Para obtener los mejores resultados debe aplicarse a los proyectos que posean las siguientes caractersticas:
a. Que el proyecto sea nico, no repetitivo, en algunas partes o en su totalidad. b. Que se deba ejecutar todo el proyecto o parte de el, en un tiempo mnimo, sin variaciones, es decir, en tiempo crtico. c. Que se desee el costo de operacin ms bajo posible dentro de un tiempo disponible.

Dentro del mbito aplicacin, el mtodo se ha estado usando para la planeacin y control de diversas actividades, tales como construccin de presas, apertura de caminos, pavimentacin, construccin de casas y edificios, reparacin de barcos, investigacin de mercados, movimientos de colonizacin, estudios econmicos regionales, auditorias, planeacin de carreras universitarias, distribucin de tiempos de salas de operaciones, ampliaciones de fbrica, planeacin de itinerarios para cobranzas, planes de venta, censos de poblacin, etc. 3. Planeacin y control de proyectos con PERT-CPM La buna administracin de proyectos a gran escala requiere planeacin, programacin y coordinacin cuidadosa de muchas actividades interrelacionadas. Al principiar la dcada de 1950 se desarrollaron procedimientos formales basados en uso de redes y de las tcnicas de redes para ayudar en estas tareas. Entre los procedimientos mas sobresalientes se encuentran el PERT (tcnica de evaluacin

y revisin de programas) y el CPM (mtodo de la ruta critica).Aunque originalmente los sistemas tipo PERT se aplicaron para evaluar la programacin de un proyecto de investigacin y desarrollo, tambin se usan para controlar el avance de otros tipos de proyecto especiales. Como ejemplos se pueden citar programas de construccin, la programacin de computadoras, la preparacin de propuestas y presupuestos, la planeacin de l mantenimiento y la instalacin de sistemas de computo, este tipo de tcnica se ha venido aplicando aun a la produccin de pelculas, a las compaas polticas y a operaciones quirrgicas complejas. El objetivo de los sistemas tipo PERT consiste en ayudar en la planeacin y el control, por lo que no implica mucha optimizacin directa. Algunas veces el objetivo primario es determinar la probabilidad de cumplir con fechas de entrega especificas. Tambin identifica aquellas actividades que son ms probables que se conviertan en cuellos de botella y seala, por e4nde, en que puntos debe hacerse el mayor esfuerzo para no tener retrasos. Un tercer objetivo es evaluar el efecto de los cambios del programa. Por ejemplo, se puede valorar el efecto de un posible cambio en la asignacin de recursos de las actividades menos criticas a aquellas que se identificaron con cuellos de botella. Otra aplicacin importante es la evaluacin del efecto de desviarse de lo programado. Todos los sistemas tipo PERT emplean una red de proyecto para visualizar grficamente la interrelacin entre sus elementos. Esta representacin del plan de un proyecto muestra todas las relaciones de procedencia, respecto al orden en que se deben realizar las actividades. En la Fig. 1 s muestran estas caractersticas para la red de proyecto inicial para la construccin de una casa. Esta red indica que la excavacin debe hacerse antes de poner los cimientos y despus los cimientos deben completarse antes de colocar las paredes. Una vez que se levantan las paredes se pueden realizar tres actividades en paralelo. Al seguirla red hacia delante se ve el orden de las tareas subsecuentes. En la terminologa de PERT, cada arco de la red representa una actividad, es decir, una de las tareas que requiere el proyecto, cada nodo representa un evento que por lo general se define con el momento eque se terminan todas las actividades que llegan a ese nodo, Las puntas de flecha indican la secuencia en la que3 debe ocurrir cada uno de esos eventos. Lo que es mas, un evento debe preceder a la iniciacin de las actividades que llegan a ese nodo. Las puntas de flecha indican la secuencia en la que debe ocurrir cada uno de esos eventos. Lo que es mas, un evento debe preceder a la iniciacin de las actividades que salen de ese nodo. (En la realidad, con frecuencia se pueden traslapar etapas sucesivas de un proyecto, por lo que la red puede representar una aproximacin idealizada del plan de un proyecto.) El nodo hacia el que todas las actividades se dirigen es el evento que corresponde a la terminacin desde su concepcin, o bien, si el proyecto ya comenz, el plan para su terminacin. En l ultimo caso, cada nodo de la red sin arcos que llegan representa el evento de continuar una actividad en marcha o el evento de iniciar una nueva actividad que puede comenzar en cualquier momento. Cada arco juega un doble papel, el de representar una actividad y el de ayudar a representar las relaciones de procedencia entre las distintas actividades. En ocasiones, se necesita un arco para definir las relaciones de procedencia aun

cuando no haya una actividad real que representar. En este caso, se introduce una actividad ficticia que requiere un tiempo cero, en donde el arco que representa esta actividad ficticia se muestra como una flecha punteada que indica esa relacin de procedencia. Por ejemplo, considrese el arco 5 8 que representa una actividad ficticia en la Fig. 1; el nico objeto de este arco es indicar que la colocacin de la tubera debe estar terminada antes de poder comenzar los exteriores. Una regla comn para construir este tipo de redes es que dos nodos no pueden estar conectados directamente por mas de un arco. Las actividades ficticias tambin se pueden usar para evitar violar esta regla cuando se tienen dos o ms actividades concurrentes; en la Fig. 1 se ilustra esto con el arco 11 12. El nico propsito de este arco es indicar que debe terminarse la colocacin de pisos antes de instalar los acabados interiores sin tener dos arcos del nodo 9 al nodo 12. Una vez desarrollada la red la red de un proyecto, el siguiente paso es estimar el tiempo que se requiere para cada actividad. Estas estimaciones para el ejemplo de la construccin de una casa de la figura 1. se muestran en la figura 2 con los nmeros mas oscuros (en unidades de das de trabajo) que aparecen junto a los arcos. Estos tiempos se usan para calcular dos cantidades bsicas para cada evento, a saber, su tiempo ms prximo y su tiempo ms lejano. El tiempo ms prximo para un evento es el tiempo (estimado) en el que ocurrir el evento si las actividades que lo proceden comienzan lo mas pronto posible. Los tiempos ms prximos se obtienen al efectuar una pasada hacia delante a travs de la red, comenzando con los eventos iniciales y trabajando hacia delante en el tiempo, hasta los eventos finales, para cada evento se hace un calculo del tiempo en el que ocurrir cada uno, si cada evento procedente inmediato ocurre en su tiempo ms prximo y cada actividad que interviene consume exactamente su tiempo estimado. La iniciacin del proyecto se debe etiquetar con el tiempo 0. este proceso se muestra en la tabla 1. para el ejemplo considerado en las figuras 1 y 2. los tiempos ms prximos que se obtuvieron estn registrados en la figura 2, con el primero de los dos nmeros que se dan para cada nodo. El tiempo ms lejano para un evento es l ultimo momento (estimado) en el que puede ocurrir sin retrasar la terminacin del proyecto mas all de su tiempo ms prximo. Tabla 1. Calculo de los tiempos ms prximos para el ejemplo de la construccin de una casa. Evento Evento inmediato Anterior Tiempo Tiempo mas + de la prximo actividad Tiempo = mximo ms prximo

1 2 3 4 5 6 7

___ 1 2 3 4 4 4 5

___ 0+2 2+4 6 + 10 16 + 4 16 + 6 16+7 20+5 20+0 22+7 25+8 29+9 33+4 33+5 37+0 38+2

0 2 6 16 20 22 25

5 6

29

9 10 11 12

7 8 9 9 11

33 38 37 38

13

10

44

En este caso los tiempos ms lejanos se obtienen sucesivamente para los eventos al efectuar una pasada hacia atrs a travs de la red, comenzando con los

eventos finales y trabajando hacia atrs en el tiempo hasta los iniciales. Para cada evento l calculo del tiempo final en el que puede ocurrir un evento de manera que los que le siguen ocurran en su tempo mas lejano, si cada actividad involucrada consume exactamente su tiempo estimado. Este proceso se ilustra en la tabla 2, en donde 44 das es el tiempo ms prximo y el tiempo ms lejano para la terminacin del proyecto de construccin de la casa. Los tiempos ms lejanos para la terminacin del proyecto de construccin de la casa. Los tiempos mas lejanos que se obtuvieron se encuentran tambin en la figura 2 como el segundo numero que se da para cada nodo. Sea la actividad ( i , j ) la actividad que va del evento i al evento j en la red del proyecto. La holgura para un evento es la diferencia entre su tiempo ms lejano y su tiempo ms prximo. La holgura para una actividad ( i , j ) e3s la diferencia entre [ el tiempo mas lejano del evento] y [el tiempo mas prximo del evento i mas el tiempo estimado para la actividad]. As, si se supone que todo lo dems marcha a tiempo, la holgura para un evento indica cuanto retraso se puede tolerar para llegar a ese evento sin retrasar la terminacin del proyecto, y la holgura para una actividad indica lo mismo respecto a un retraso en la terminacin de esa actividad. En a tabla 3 se ilustran los calculo de estas holguras para el proyecto de la construccin de una casa. Una ruta critica de un proyecto es una ruta cuyas actividades tienen la holgura cero. (Todas las actividades y eventos que tienen holgura cero deben estar sobre una ruta crtica, pero no otras.) Tabla 2. Calculo de los tiempos ms lejanos para el ejemplo de la construccin de una casa Evento inmediato Evento Anterior lejano actividad prximo 13 12 11 10 __ 13 12 13 ___ 44-6 38-0 44-2 44 38 38 42 Tiempo Tiempo Tiempo mas - de la = mnimo ms

12 11

38-5 38-4 42-9 33-8 33-7 33-0 25-5 25-7 26-6 20-4 16-10 6-4 2-2

33

8 7 6 5

10 9 8 8 7

33 25 26 20

7 6 5

16

3 2 1

4 3 2

6 2 0

Tabla 3. Calculo de las holguras para el ejemplo de la construccin de una casa.

Evento 1 2

Holgura 00=0 2-2=0

Actividad (1,2) (2,3)

Holgura 2 - (0+2) = 0 6 - (2+4) = 0 16 - (6+10) = 0

3 4 5 6 7 8 9 10 11 12 13

66=0 16 - 16 = 0 20 20 = 0 26 - 22 = 4 25 25 = 0 33 - 29 = 4 33 33 = 0 42 - 38 = 4 38 37 = 1 38 - 38 = 0 44 44 = 0

(3,4) (4,5) (4,6) (4,7) (5,7) (6,8) (7,9) (8,10) (9,11) (9,12) (10,13) (12,13)

20 - (16+4) = 0 26 - (16+6) = 4 25 - (16+7) = 2 25 - (20+5) = 0 33 - (22+7) = 4 33 - (25+8) = 0 42 - (29+9) = 4 38 - (33+4) = 1 38 - (33+5) = 0 44 - (38+2) = 4 44 - (38+6) = 0

Si se verifica en la tabla 3 las actividades que tienen holgura cero, se observa que el ejemplo de la construccin de una casa tiene una ruta critica, 1 2 3 4 5 6 7 9 12 13, como se muestra en la figura 2 con las flechas mas oscuras. Esta secuencia de actividades criticas debe mantenerse estrictamente a tiempo, si se quiere evitar retrasos en la terminacin del proyecto. Otros proyectos pueden tener mas de una ruta critica; por ejemplo ntese lo que pasara en la figura 2 si el tiempo estimado de la actividad (4,6) se cambiara de 6 a 19. Resulta interesante observar en la tabla 3 que mientras que todos los eventos sobre la ruta critica (inclusive el 4 y el 7 ) necesariamente tienen holgura cero, no es as para la actividad (4 , 7), ya que su tiempo estimado es menor que la suma de los tiempos estimados para las actividades (4 , 5 ) y (5 , 7). En consecuencia, estas ultimas actividades estn en la ruta crtica, pero la actividad (4 , 7) no lo est. Esta informacin sobre los tiempos ms cercanas y ms lejanos, las holguras y la ruta crtica, es invaluable para el administrador del proyecto. Entre otras cosas, le permite investigar el efecto de posible mejoras en la planeacin para determinar en donde debe hacerse un esfuerzo especial para mantenerse y evaluar el impacto de los retrasos.

Graficas PERT La grfica PERT es una grfica original de redes no medidas que contiene los datos de las actividades representadas por flechas que parten de un evento i y terminan en un evento j.

En la parte superior de la flecha se indica el nmero de identificacin, generalmente los nmeros de los eventos (i-j). En la parte inferior aparece dentro de un rectngulo la duracin estndar (t) de la actividad. En la mitad superior del evento se anota el nmero progresivo, en el cuarto inferior izquierdo la ltima lectura del proyecto y en el cuarto inferior derecho la primera lectura del proyecto. Esta grfica tiene como ventaja la de informar las fechas ms tempranas y ms tardas de iniciacin y terminacin de cada actividad, sin tener que recurrir a la matriz de holguras.

Veamos cmo se presenta la ampliacin de la fbrica por medio de una grfica PERT. 4. Red de Actividades Se llama red la representacin grfica de las actividades que muestran sus eventos, secuencias, interrelaciones y el camino critico. No solamente se llama camino critico al mtodo sino tambin a la serie de actividades contadas desde la

iniciacin del proyecto hasta su terminacin, que no tienen flexibilidad en su tiempo de ejecucin, por lo que cualquier retraso que sufriera alguna de las actividades de la serie provocara un retraso en todo el proyecto. Desde otro punto de vista, camino critico es la serie de actividades que indica la duracin total del proyecto. Cada una de las actividades se representa por una flecha que empieza en un evento y termina en otro. Se llama evento al momento de iniciacin o terminacin de una actividad. Se determina en un tiempo variable entre el ms temprano y el ms tardo posible, de iniciacin o de terminacin. A los eventos se les conoce tambin con los nombres de nodos. Evento Evento Ij El evento inicial se llama i y el evento final se denomina j. El evento final de una actividad ser el evento inicial de la actividad siguiente. Las flechas no son vectores, escalares ni representan medida alguna. No interesa la forma de las flechas, ya que se dibujarn d acuerdo con las necesidades y comodidad de presentacin de la red. Pueden ser horizontales, verticales, ascendentes, descendentes curvas, rectas, quebradas, etc. En los casos en que haya necesidad de indicar que una actividad tiene una interrelacin o continuacin con otra se dibujar entre ambas una lnea punteada, llamada liga, que tiene una duracin de cero. La liga puede representar en algunas ocasiones un tiempo de espera para poder iniciar la actividad siguiente Varias actividades pueden terminar en un evento o partir de un mismo evento.

(a) Incorrecto, (b) Correcto. Al construir la red, debe evitarse lo siguiente:


1. Dos actividades que parten de un mismo evento y llegan a un mismo evento. Esto produce confusin de tiempo y de continuidad. Debe abrirse el evento inicial o el evento final en dos eventos y unirlos con una liga.

2. Partir una actividad de una parte intermedia de otra actividad. Toda actividad debe empezar invariablemente en un evento y terminar en otro. Cuando se presenta este caso, a la actividad base o inicial se le divide en eventos basndose en porcentajes y se derivan de ellos las actividades secundadas.

(a) Incorrecto; (b) Correcto.

3. Dejar eventos sueltos al terminar la red. Todos ellos deben relacionarse con el evento inicial o con el evento final.

(a) Incorrecto; (b) Correcto 5. Enfoque de tres estimaciones de PERT. Hasta ahora se ha supuesto implcitamente que se puede obtener estimaciones con una exactitud razonable del tiempo requerido para cada actividad del proyecto. En la realidad, con frecuencia existe bastante incertidumbre sobr cuales sern estos tiempo; de hecho se trata de una variable aleatoria que tiene cierta distribucin de probabilidad. La versin original de PERT toma en cuenta esta incertidumbre usando tres tipos diferentes de estimaciones par los tiempos de las actividades, con el fin de obtener informacin basica sobre su distribucin de probabilidad. Esta informacin para todos los tiempos de las actividades se utiliza para estimas la probabilidad de terminar el proyecto en la fecha programada. Las tres estimaciones empleadas por PERT para cada actividad son una estimacin ms probable, una estimacin optimista y una estimacin pesimista. La estimacin mas probable (denotada por m ) intenta ser la estimacin mas realista

del tiempo que puede consumir una actividad. En trminos estadsticos, es una estimacin de la moda (el punto mas alto) de la distribucin de probabilidad para el tiempo de la actividad. La estimacin optimista (denotada por a) procura ser el tiempo poco probable pero posible si todo sale bien; es en esencia una estimacin de la cota inferior de la distribucin de la probabilidad. Por ultimo, se intenta que la estimacin pesimista (denotada por b) sea el tiempo poco probable pero posible si todo sale mal. En trminos estadsticos, se trata en esencia de una estimacin de la cota superior de la distribucin de probabilidad. En la figura 3 se muestra la localizacin ideal de estas tres estimaciones con respecto a la distribucin de probabilidad. Tiempo transcurrido Figura 3. Modelo de distribucin de probabilidad para loas tiempos de las actividades en el enfoque de tres estimaciones de PERT: m = estimacin probable, a = estimacin optimista y b = estimacin pesimista. Se hacen dos suposiciones para convertir m, a y b en estimaciones del valor esperado ( te ) y la variancia ( 2) del tiempo que requiere la actividad. Una suposicin es que , la desviacin estndar (raz cuadrada de la variancia), es igual a un sexto del intervalo de los requerimientos de tiempo razonablemente posibles; esto es,

es la estimacin deseada de la variancia. El razonamiento para hacer esta suposicin es que se considera que las colas de muchas distribuciones de probabilidad (como en la distribucin normal) estn mas o menos a tres desviaciones estndar de la media, de manera que existe una dispersin de alrededor de seis desviaciones estndar entre las colas, por ejemplo, las cartas de control que se usan normalmente para el control estadstico de la calidad estn construidas de manera que la dispersin entre los limites de control se estima en seis desviaciones estndar. Para obtener la estimacin del valor esperado ( t e ), tambin es necesaria una suposicin sobre la forma de la distribucin de probabilidad, se supone que la distribucin es ( al menos aproximadamente) una distribucin beta. Este tipo de distribucin tiene la forma que se muestra en la figura 3, que es razonable para este propsito. Si se usa el modelo ilustrado en la figura 3 el valor esperado del tiempo de una actividad es aproximadamente Ntese que el medio del intervalo (a + b)/ 2 se encuentra entre a y b de manera que te es la media aritmtica ponderada de la moda y la mitad del intervalo, con un peso de dos tercios para la moda. Aunque la suposicin de una distribucin beta

es arbitraria, sirve para el propsito de localizar el valor esperado a m, a y b de una manera que parece ser razonable. Despus de calcular el valor esperado y la variancia estimados para cada una de las actividades, se necesitan tres suposiciones adicionales (o aproximaciones) para poder calcular la probabilidad de terminar el proyecto a tiempo. Una es que los tiempos de las actividades son estadsticamente independientes. Una segunda es que la ruta critica ( en trminos de los tiempos esperado) siempre requiere un tiempo total mayor que cualquier otra ruta. Esto implica que el valor esperado y la variancia, es sencillo encontrar la probabilidad de que esta variable aleatoria normal ( tiempo del proyecto) sea menor que el tiempo de terminacin programado. 6. Mtodo CPM para trueques entre tiempo y costo Las versiones originales de CPM y PERT difieren en dos aspectos importantes. Primero, el CPM supone que los tiempos de las actividades son deterministicos ( es decir, se pueden predecir de manera confiable sin incertidumbre significativa), por lo que no necesita las tres estimaciones que se acaban de describir. Segundo, en lugar de dar una importancia primordial al tiempo (explcitamente), el CPM asigna la misma importancia al tiempo y al costo y pon esto de relieve al construir un a curva de tiempo-costo para cada actividad, con la que se muestra en la figura 4. Esta curva representa la relacin entre el costo directo presupuestado para la actividad y su tiempo de duracin resultante. Figura 4. Curva tiempo-costo para la actividad (i,j). Por lo general la grafica se basa en dos puntos: el normal y el intensivo o de quiebre. El punto normal da el costo y el tiempo necesario cuando la actividad se realiza en la forma normal, sin incurrir en costos adicionales (horas extras de mano de obra, equipo o materiales especiales para ahorrar tiempo, etc.), Para acelerar la actividad. Por el contrario, el punto de quiebre proporciona el tiempo y el costo necesario cuando se realiza la actividad en forma intensiva o de quiebre, esto es se acelera completamente sin reparar en costos, con el fin de reducir su tiempo de duracin lo mas que se pueda. Como una aproximacin, se supone entonces que todos los trueques intermedios entre tiempo y costos son posibles y que se encuentran sobre el segmento de lnea que une a estos dos puntos. (Obsrvese en el segmento de lnea oscuro en la Fig. 4). As, las nicas estimaciones que tienen que obtener el personal del proyecto son el costo y el tiempo para estos dos puntos. El objetivo fundamental del CPM es determinar el trueque entre tiempo y costo que debe emplearse en cada actividad para cumplir con el tiempo de terminacin del proyecto que se programo a un costo mnimo. Una forma de determinar la combinacin optima del tiempo y costo es aplicar programacin lineal. para descubrir esto, es necesario introducir notacin nueva, parte de la cual se resume en la figura 4. Sea Dij = tiempo normal para la actividad (i , j) CDij = costo (directo) normal para la actividad (i , j) dij = tiempo de quiebre para la actividad (i , j) Cdij = costo (directo) de quiebre para la actividad (i , j)

Las variables de decisin para el problema son xij donde xij = tiempo de duracin de la actividad (i , j) Entonces existe una varible de decisin xij para cada actividad, pero no lo hay par alos valores de i y j que no tienen una actividad correspondiente. Para expresar el costo directo de la actividad ( i, j) como una funcin (lineal) de Xjj dentese la pendiente de la lnea que pasa por los puntos normal y de quiebre para la actividad (i , j) por

tambien definase Kij como la interseccin con el eje del costo directo de esta linea, com se muestra en la fig. 4, por tanto, costo directo de la actividad (i , j) = Kij + Sij xij, en consecuencia,

costo directo total del proyecto = en donde la sumatoria se extiende sobre todas las actividades (i , j). Ahora se puede establecer y formular matemticamente el problema. El problema: dado un tiempo T (mximo) de terminacin del proyecto, seleccinese la xjj que minimice el costo directo total del proyecto. Formulacin De Programacin Lineal. Para tomar en cuenta el tiempo de terminacin del proyecto en la formulacin de programacin lineal del problema, se necesita una variable ms para cada evento. Esta variable adicional es yk = tiempo ms prximo (desconocido) para el evento k, el cual es una funcin determinstica de Xij. Cada yk es una variable auxiliar, es decir, una variable que se introduce al modelo por ser conveniente en la formulacin y que no representa una decisin. El mtodo simplex trata a las variables auxiliares igual que a las variables de decisin (x ij ) normales. Para ver cmo se introducen las yk a la formulacin, considrese el evento 7 de la figura 1 Por definicin, su tiempo ms prximo es: y7 = mx {y4 + x47, y5 + x57}, En otras palabras y7 es la cantidad ms pequea tal que las dos restricciones siguientes se cumplen: y4 + x47 < y7 y5 + x45 < y7, por lo que estas dos restricciones se pueden incorporar directamente a la formulacin de programacin lineal (despus de pasar y 7 al lado izquierdo para obtener la forma apropiada). An ms, adelante se ver por qu la solucin ptima que se obtiene con el mtodo simples para el modelo completo har de manera

automtica que el valor de y7 sea la cantidad ms pequea que ,satisface estas restricciones, por lo que no se necesitan ms restricciones para incorporar la definicin de y7 al modelo. Dentro del proceso e incorporacin de estas restricciones para todos los eventos, se tiene que cada variable xij aparecer en exactamente una restriccin de este tipo,

que se puede expresar en la forma apropiada como

Para continuar con los preparativos para escribir el modelo completo de programacin lineal, se etiquetan Evento 1 = inicio del proyecto Evento n = terminacin del proyecto, con lo que =0 = tiempo de terminacin. .

Ntese tambin que es una constante fija que puede eliminarse de la funcin objetivo, de manera que minimizar el costo directo total para el proyecto es equivalente a maximizar es encontrar las (y las Por tanto, el problema de programacin lineal correspondientes) tales que

Maximizar Sujeta a:

Para todas las actividades (i , j)

Desde un punto de vista computacional, este modelo se puede mejorar algo al sustituir todas las por

en todo el modelo, para que el primer conjunto de restricciones funcionales ( ) se sustituya por las restricciones de no negatividad

Es conveniente tambin introducir restricciones de no negatividad para el resto de las variables:

aunque estas variables ya estaban forzadas a ser no negativas al establecer y 1 = 0, debido a las restricciones y

Una propiedad interesante de una solucin ptima para este modelo es que (en circunstancias normales) toda trayectoria de la red ser una ruta crtica que requiere un tiempo T, La razn es que una solucin de este tipo satisface las restricciones mientras que evita los costos adicionales en que se incurre por acortar el tiempo de cualquier trayectoria. La clave de esta formulacin es la manera en que se introducen las mediante las restricciones al modelo

, con el fin de proporcionar los tiempos

ms prximos para los respectivos eventos (dados los valores de las en la solucin bsica factible actual). Como los tiempos ms prximos se tienen que obtener en orden, todas estas finalmente el valor correcto de as la restriccin valor de cada (incluso el de son necesarias nada ms para obtener (para los valores actuales de las ), reforzando

. Sin embargo, obtener el valor correcto requiere que el ) sea la cantidad ms pequea que satisface

todas las restricciones . Ahora se har una descripcin breve de por qu (en circunstancias normales) esta propiedad se cumple para una solucin ptima.

Considrese una solucin para las variables anterior, entonces las

tal que toda trayectoria de la red es satisfacen la propiedad satisface todas las

crtica y requiere un tiempo T. Si los valores de las exactamente y la solucin completa para las restricciones. Sin embargo, si alguna una reaccin en cadena en la que alguna ltima instancia, y

son los verdaderos tiempos ms pr6ximos con se hace un poco ms grande, esto creara se tendra que hacer un poco ms etc., hasta que en

grande para satisfacer todava las restricciones

deba hacerse un poco ms grande y se viole la restriccin

. La nica manera de evitar esto con una un poco ms grande, es hacer que los tiempos de duracin de algunas actividades (posteriores al evento i) sean un poco ms pequeas, aumentando con esto el costo. Por lo tanto, una solucin ptima evitar que las restricciones . sean ms grandes de lo necesario para satisfacer las

El problema, como se estableci aqu, supone que se ha fijado una fecha de entrega especfica T (tal vez por contrato) para la terminacin del proyecto. En realidad, algunos proyectos no tienen una fecha de entrega, en cuyo caso no est claro el valor que debe asignarse a T en la formulacin de programacin lineal. En este tipo de situaciones, la decisin sobre T (que resulta ser la duracin del proyecto en la solucin ptima), de hecho depende de cul es el mejor trueque entre el costo total y el tiempo total del proyecto. La informacin bsica que se necesita para tomar esta decisin es cmo cambia el costo directo total mnimo al cambiar el valor de T en la formulacin anterior, como se muestra en la figura 5. Esta informacin se puede obtener cuando se usa progranlflci6n lineal parametrica para obtener la solucin ptima como una funci6n de T en todo el intervalo. Existen procedimientos an ms eficientes, para obtener esta informacin, que explotan la estructura especial del problema. La figura 5 proporciona una base til para la toma de decisiones del administrador sobre el valor de T (y la solucin ptima correspondiente para ) cuando los efectos importantes de la duracin del proyecto (distintos a los costos directos) son en esencia intangible. Ahora bien, cuando estos otros efectos que son bsicamente financieros (costos indirectos ), es apropiado combinar la curva del costo directo total de la figura 5 con una curva de costo indirecto total mnimo (supervisin, instalaciones, intereses, multas contractuales) contra t, como se muestra en la figura 6. La suma de estas curvas proporcionar la curva del costo total mnimo del proyecto para distintos valores de T. El valor ptimo de T ser entonces aqul que minimice esta curva de costo total. 7. Eleccin entre PERT y CPM

La eleccin entre el enfoque de las tres estimaciones de PERTy el mtodo de trueques entre el tiempo y el costo del CPM depende fundamentalmente del tipo de proyecto y de los objetivos gerenciales. El PERT es en particular apropiado cuando se maneja mucha incertidumbre al predecir los tiempos de las actividades y cuando es importante controlar de una manera efectiva la programacin del proyecto; por ejemplo, la mayor parte de los proyectos de investigacin y desarrollo caen dentro de esta categora. Por otro lado, el CPM resulta muy apropiado cuando se pueden predecir bien los tiempos de las actividades (quiz con base en la experiencia) y cuando estos tiempos se pueden ajustar con facilidad (por ejemplo, si se cambian tamaos de brigadas), al igual que cuando es importante planear una combinacin apropiada entre el tiempo y el costo del proyecto. Este ltimo tipo lo representan muchos proyectos de construccin y mantenimiento. En la actualidad, las diferencias entre las versiones actuales de PERT y CPM no son tan marcadas como se han descrito. Muchas versiones de PERT permiten emplear una sola estimacin (la ms probable) para cada actividad y omiten as la investigacin probabilstica. Una versin llamada PERT/Costo considera tambin combinaciones de tiempo y costo en forma parecida al CPM. 8. Diferencias Entre PERT y CPM La diferencia entre PERT y CPM es la manera en que se realizan los estimados de tiempo. E1 PERT supone que el tiempo para realizar cada una de las actividades es una variable aleatoria descrita por una distribucin de probabilidad. E1 CPM por otra parte, infiere que los tiempos de las actividades se conocen en forma determinsticas y se puede variar cambiando el nivel de recursos utilizados. La distribucin de tiempo que supone el PERT para una actividad es una distribucin beta. La distribucin para cualquier actividad se define por tres estimados:
1. el estimado de tiempo ms probable, m; 2. el estimado de tiempo ms optimista, a; y 3. el estimado de tiempo ms pesimista, b.

La forma de la distribucin se muestra en la siguiente Figura. E1 tiempo ms probable es el tiempo requerido para completar la actividad bajo condiciones normales. Los tiempos optimistas y pesimistas proporcionan una medida de la incertidumbre inherente en la actividad, incluyendo desperfectos en el equipo, disponibilidad de mano de obra, retardo en los materiales y otros factores.

Con la distribucin definida, la media (esperada) y la desviacin estndar, respectivamente, del tiempo de la actividad para la actividad Z puede calcularse por medio de las frmulas de aproximacin.

El tiempo esperado de finalizacin de un proyecto es la suma de todos los tiempos esperados de las actividades sobre la ruta crtica. De modo similar, suponiendo que las distribuciones de los tiempos de las actividades son independientes (realsticamente, una suposicin fuertemente cuestionable), la varianza del proyecto es la suma de las varianzas de las actividades en la ruta crtica. Estas propiedades se demostrarn posteriormente. En CPM solamente se requiere un estimado de tiempo. Todos los clculos se hacen con la suposicin de que los tiempos de actividad se conocen. A medida que el proyecto avanza, estos estimados se utilizan para controlar y monitorear el progreso. Si ocurre algn retardo en el proyecto, se hacen esfuerzos por lograr que el proyecto quede de nuevo en programa cambiando la asignacin de recursos.

FUENTE: http://www.monografias.com/trabajos13/planeco/planeco.shtml

El PERT/CPM fue diseado para proporcionar diversos elementos tiles de informacin para los administradores de proyectos.

Este mtodo expone la ruta crtica de un proyecto; esto es, las actividades que limitan la duracin de un proyecto. Antecedentes

PERT/CPM: Mtodo de la Ruta Crtica

En otras palabras, para lograr que el proyecto se realice pronto, las actividades de la ruta crtica debern realizarse pronto.

Por otra parte, si una actividad de la ruta crtica se retrasa, el proyecto como un todo se retrasar en la misma cantidad. Antecedentes

PERT/CPM: Mtodo de la Ruta Crtica

Las actividades que no estn en la ruta crtica tienen una cierta cantidad de holgura; es decir, pueden empezar ms tarde y permiten que el proyecto como un todo se mantenga conforme a lo programado.

El PERT/CPM identifica estas actividades y la cantidad de tiempo disponible para retardos.

Pero qu significa PERT/CPM?

PERT: Program Evaluation and Review Technique Maneja tiempos inciertos de las actividades del proyecto.

CPM: Critical Path Method Maneja tiempos conocidos de las actividades del proyecto.

Actualmente se ha tomado lo mejor de ambos mtodos y se han vuelto uno solo, conocido como Mtodo de la Ruta Crtica. Objetivo general del Mtodo de la Ruta Crtica "Que se desee el costo de operacin de un proyecto ms bajo posible dentro de un tiempo lmite disponible." Cules son sus aplicaciones?

Ejemplos:

Investigacin y desarrollo de nuevos productos.

Construccin de plantas, edificios y carreteras.

Diseo e instalacin de sistemas nuevos. Cules son las preguntas que el PERT/CPM contesta a los tomadores de decisiones?

Cul es el tiempo total para terminar el proyecto?. Cules son las fechas programadas de inicio y de terminacin para cada una de las actividades especficas?. Cules son las preguntas que el PERT/CPM contesta a los tomadores de decisiones?

Qu actividades son "crticas" y deben terminarse exactamente como se programaron para mantener el proyecto a tiempo?.

Cunto se pueden retardar las actividades "no crticas" antes de incrementar el tiempo de terminacin del proyecto?. Procedimiento para llevar a cabo el PERT/CPM

La trayectoria ms larga determina el tiempo total requerido para la finalizacin del proyecto.

Si se retardan las actividades de la trayectoria ms larga, la totalidad del proyecto tambin se retardar, por lo que la ms larga es la "ruta crtica".

Las actividades de la ruta crtica se conocen como "actividades crticas". Ejemplo de optimizacin de un proyecto utilizando PERT/CPM

Red del Proyecto

Utilizando el software "Manager" para resolver el modelo...

Utilizando el software "Manager" para resolver el modelo...

Entonces la "ruta crtica" del proyecto est dada por las siguientes actividades:

Actividades crticas del proyecto

Si el tiempo total requerido para terminar el proyecto es demasiado largo...

Deber tomarse la decisin de dnde y cmo reducir el tiempo de las actividades crticas. Si se modifica cualquiera de los tiempos de realizacin de las actividades, los clculos de la ruta crtica debern repetirse para determinar el impacto sobre el programa de actividades y sobre el tiempo de terminacin del proyecto. FUENTE: http://www.gestiopolis.com/recursos2/documentos/fulldocs/ger/pertcpmrob.htm

FUENTE: http://www.dexcel.org/espanol/conceptocalidad.htm

UNIDAD 3: PROGRAMACION NO LINEAL.


PLANTEAMIENTO DE PROBLEMAS DE PROGRAMACION NO LINEAL
Una suposicin importante de programacin lineal es que todas sus funciones (Funcin objetivo y funciones de restriccin) son lineales. Aunque, en esencia, esta suposicin se cumple para muchos problemas prcticos, es frecuente que no sea as. De hecho, muchos economistas han encontrado que cierto grado de no linealidad es la regla, y no la excepcin, en los problemas de planeacin econmica, por lo cual, muchas veces es necesario manejar problemas de programacin no lineal. De una manera general, el problema de programacin no lineal consiste en encontrar para maximizar , sujeta a

en donde

y las

son funciones dadas de n variables de decisin.

No se dispone de un algoritmo que resuelva todos los problemas especficos que se ajustan a este formato. Sin embargo, se han hecho grandes logros en lo que se refiere a algunos casos especiales , haciendo algunas suposiciones sobre las funciones, y la investigacin sigue muy activa.

OPTIMIZACION CLASICA: PUNTOS DE INFLEXION

DEFINICIN
El punto que, en una funcin continua, separa la parte convexa de la cncava, se llama punto de inflexin de la funcin. En ellos la funcin no es cncava ni convexa sino que hay cambio de concavidad a convexidad o al revs.

Los puntos de inflexin estn caracterizados por:

TEOREMA
Sea la ecuacin de una funcin.

Si no existe, y la derivada cambia de signo al pasar por el valor de x=a, entonces, el punto de la funcin de abscisa x=a es un punto de inflexin. Clasificacin de los puntos de inflexin

Nota Los puntos de inflexin donde la funcin es derivable, tienen la caracterstica de tener una recta tangente que cruza la grfica de f.

Ejemplo:

El punto x=1 es un punto de inflexin, puesto que antes de x=1 la derivada segunda es negativa (convexa) y despus de x=1 es positiva (cncava).

TABLA DE VALORES
X 1 Y -2 P. INFLEXIN

FUENTE: http://thales.cica.es/rd/Recursos/rd99/ed99-0295-01/punto7/punto7.html

Puntos de inflexin: Son puntos en los que la funcin pasa de ser cncava a ser convexa o viceversa. Una condicin necesaria para que un punto sea punto de inflexin es que la segunda derivada se anule en l. Por este motivo, para encontrarlos lo que haremos ser calcular la segunda derivada de la funcin e igualarla a cero. Si las soluciones de la ecuacin estn en el dominio de nuestra funcin, dicha solucin es punto de inflexin. Es decir, si n es el punto de inflexin.

FUENTE: http://html.rincondelvago.com/estudio-de-una-funcion.html

MAXIMOS Y MINIMOS

Sea f(x) una funcin y xo un punto del dominio.

DEFINICIN
La funcin f(x) presenta un mximo relativo en xo , cuando existe un entorno E(xo) tal que:

La funcin f(x) presenta un mnimo relativo en xo , cuando existe un entorno E(xo) tal que:

Son puntos que se distinguen por ser aquellos cuya imagen es la mayor o la menor (mximo - mnimo) de todas las imgenes de los alrededores. No se excluye que haya otros puntos "alejados" de x o cuya imagen sea mayor o menor que f(xo). A los mximos y mnimos relativos se los llama extremos relativos o simplemente extremos.

TEOREMA (CONDICIN NECESARIA PARA LA EXISTENCIA DE


EXTREMOS) Sea dominio. una funcin cuyo dominio es D=Dom(f) y xo un punto del

Demostracin

Nota La recta tangente en un extremo es paralela al eje OX, luego la derivada (la pendiente de la recta tangente) es cero.

Ejemplo:

Los puntos que anulan la derivada son los candidatos a ser extremos, pero no puede asegurarse que lo sean. A estos puntos se les llama puntos crticos.

TABLA DE VALORES
X 1/2 Y -1/4 P. Crtico

FUENTE: http://thales.cica.es/rd/Recursos/rd99/ed99-0295-01/punto5/punto5.html

PROBLEMAS NO RESTRINGIDOS:

MULTIPLICADORES DE LAGRANGE

TEOREMA:
Si un problema de optimizacin con restricciones de igualdad de la forma:
opt f(x) g1(x)=0 ....... gm(x)=0

tiene un ptimo local (mximo o mnimo) en el punto x0, donde adems las funciones f(x),g1(x),...,gm(x) admiten derivadas parciales de primer orden continuas y los vectores gradientes de las funciones de restriccin son linealmente independientes en x0. Entonces existen unos nmeros reales l1,...,lm, llamados multiplicadores de Lagrange tales que: Es decir, el vector gradiente de la funcin objetivo en el ptimo es combinacin lineal de los gradientes en el ptimo de las funciones de restriccin. Los multiplicadores de Lagrange tambin se suelen llamar pesos o variables duales asociadas a las restricciones y tienen importantes aplicaciones prcticas en la Economa, como se ver ms adelante. De nuevo, el teorema anterior establece una condicin necesaria de optimalidad pero no suficiente, en el sentido de que todo ptimo verifica la condicin anteiror pero podran existir puntos cumpliendo esta misma condicin que no fueran soluciones del problema. Para poder utilizar esta condicin en la localizacin de ptimos de un problema, deber procederse de la siguiente manera:

El teorema no podr ser utilizado si no se verifican las hiptesis de regularidad en l impuestas (derivabilidad y independencia lineal de los vectores gradientes de las restricciones). El no verificarse estas hiptesis puede provocar que algn punto ptimo no pueda ser localizado (ejemplo). En primer lugar, por ser solucin factible, todo punto ptimo debe verificar las restricciones (sistema de m ecuaciones). La relacin de dependencia lineal de los vectores gradiente permite obtener n ecuaciones adicionales que todo ptimo debe verificar. De esta forma se obtiene un sistema de n+m ecuaciones con n+m incgnitas (las n variables de decisin y los m multiplicadores de Lagrange). Las soluciones de este

sistema son los candidatos a ptimos del problema, estos puntos se llaman puntos estacionarios. Adems de obtenerse las coordenadas de los posibles ptimos, se obtienen los valores de sus multiplicadores de Lagrange asociados. La utilidad de estos valores se ver posteriormente. Entre las posibles soluciones del problema se hara necesario seleccionar cuales lo son realmente; para ello son necesarias la utilizacin de condiciones suficientes de optimalidad.

A continuacin se muestran unos ejemplos que pueden ayudar a clarificar la forma de proceder para buscar ptimos de problemas con restricciones de igualdad.

EJEMPLO:
Dado el problema de optimizacin:
max x-y+2z x^2+y^2=4 x+y+z=5

En primer lugar, obsrvese que todas las funciones que intervienen en el problema son de tipo polinomial y por tanto no tienen ningn problema de diferenciabilidad. Las funciones que determinan las restricciones (recordar que las restricciones siempre se suponen igualadas a cero) son:
g1(x,y,z)=x^2+y^2-4 g2(x,y,z)=x+y+z-5

y sus respectivos vectores gradientes son:


Grad g1(x,y,z)=(2x,2y,0) Grad g2(x,y,z)=(1,1,1)

estos dos vectores son linealmente independientes salvo en el caso (x,y,z)=(0,0,t), sin embargo, estos puntos no verifican las restricciones del problema, de forma que su exclusin no supone ninguna limitacin. El sistema que determinar las posibles soluciones del problema es:
x^2+y^2-4=0 x+y+z-5=0 1+l1*2x+l2=0 -1+l1*2y+l2=0 2+l2=0

Las soluciones de este sistema son:


x=0.632 x=-0.632 y=1.897 y=-1.897 z=2.470 z=7.520 l1=0.790 l1=-0.790 l2=-2 l2=-2

Puede asegurarse que si el problema tiene algn ptimo, ste debe ser alguno de los puntos anteriores. Hace falta un criterio que permita decidir si realmente son ptimos. El teorema de los multiplicadores de Lagrange establece una condicin necesaria de optimalidad pero no suficiente. El hecho de que no sea condicin suficiente hace que no pueda asegurarse que los puntos que la cumplen sean ptimos. Sin embargo, al ser una condicin necesaria, puede utilizarse para demostrar que un punto no es ptimo.

EJEMPLO:
En este ejemplo, se prueba que el punto (0,1,1) no puede ser solucin local del problema:
min x*z-1/y x*z+x=0 x+y+z=2

En primer lugar, se trata de un problema que se ajusta perfectamente a las condiciones impuestas en el teorema de los multiplicadores y adems el punto dado obviamente verifica las restricciones. Sin embargo, si dicho punto fuera mnimo del problema, deberan existir dos nmeros reales l1 y l2 tales que:
Grad f(0,1,1)+l1*Grad g1(0,1,1)+l2 *Grad g2(0,1,1)=0

pero este sistema de ecuaciones no tiene solucin; por tanto, el punto (0,1,1) no puede ser solucin del problema. El ltimo ejemplo muestra como el mtodo para localizar ptimos dado por Lagrange no siempre es vlido, ya que tiene importantes limitaciones, no solo en lo que a condiciones de diferenciabilidad se refiere.

EJEMPLO:
El programa matemtico
min x^2+y^2 (x-1)^3-y^2=0

alcanza su mnimo global en el punto (1,0), como puede comprobarse por el mtodo de eliminacin de variables. Sin embargo no puede encontrarse un l tal que
Grad f(1,0)+l*Grad g(1,0)= (0,0)

Por tanto el punto ptimo parece que no cumple una condicin que necesariamente todo ptimo debe cumplir. La razn de esta aparente contradiccin est en el hecho de que este programa no verifica las hiptesis de regularidad exigidas en el teorema de los

multiplicadores de Lagrange ya que el vector gradiente Grad g(1,0)= (0,0) no es linealmente independiente. FUENTE: http://usuarios.lycos.es/royel/principal/13/5/4/ Se pueden utilizar los multiplicadores de Lagrange para resolver los problemas no lineales en los cuales las restricciones son igualdades. Consideramos los del tipo siguiente:

(1) Para resolverlo, asociamos un multiplicador l 1 con la i-sima restriccin y formamos el lagrangiano

(2) Donde son constantes (desconocidas) denominadas multiplicadores de Lagrange. Despus resulvase el sistema de n + m ecuaciones:

Teorema : Si existe una solucin al programa (1), sta se encuentra contenida entre las soluciones al sistema anterior, siempre y cuando y todas tengan primeras derivadas parciales continuas y la matriz jacobina de m x n,

tenga rango m en X = X*

El mtodo de los multiplicadores de Lagrange es equivalente a emplear las ecuaciones de restriccin para eliminar algunas de las variables x de la funcin objetivo y resolver despus un problema de maximizacin sin restricciones para las restantes variables x.

Ejemplo:
Una compaa planea gastar 10,000 dlares en publicidad. Cuesta 3,000 dlares un minuto de publicidad en la televisin y 1,000 dlares un minuto de publicidad en la radio. Si la empresa compra x minutos de comerciales en la televisin y y minutos de comerciales en la radio, su ingreso, en miles de dlares, est dado por ingreso? Solucin: Se tiene el programa no lineal siguiente . Cmo puede la empresa maximizar su

Entonces

Hacemos

Obsrvese que 10 - 3x -y = 0 se convierte en la restriccin 3x + y = 10. La ecuacin (1) da As, y la ecuacin (2) da ,o

Sustituyendo (4) y (5) en la (3), obtenemos, o nos dan

. Entonces (4) y (5)

El hessiano para

es

Ya que cada mejor principal de primer orden es negativo, y , es una funcin cncava. La restriccin es lineal y, por lo tanto da la solucin ptima para el programa no lineal. As, la empresa tendra que comprar 69/28 minutos de tiempo de televisor y 73/28 minutos de tiempo de radio. Ya que l = , el gasto de un D extra (en miles) (para un D pequeo) aumentara los ingresos de la empresa en aproximadamente 0.25 D dlares (en miles). En general, si la empresa tiene a dlares para gastar en la publicidad, se puede demostrar que . Vemos que si gasta ms dinero en la publicidad, el incremento en el ingreso por cada dlar adicional para la publicidad se hace ms pequeo. FUENTE: http://www.itlp.edu.mx/publica/tutoriales/investoper2/tema12.htm

UNIDAD 4: TEORIA DE INVENTARIOS.


SISTEMAS DE ADMINISTRACION Y CONTROL

Cuando las empresas, producto de la globalizacin de sus negocios, empiezan a tener filiales y representaciones en diferentes partes del orbe, surge la necesidad de implementar y/o adecuar los sistemas de administracin por cuanto la forma y los diferentes requerimientos operativos han cambiado significativamente producto de estas nuevas formas de manifestacin empresarial. Las problemticas que se presentan pasan por problemas de comunicacin e informacin hasta de administracin logstica de operaciones y estrategias. En el mbito de la comunicacin e informacin pareciese que sistemas de redes globalizadas y algunas privadas de las empresas solucionan por s mismas esta necesidad, ahora extendida a travs de casi todo el mundo, pero nos enfrentamos ahora a nuevas situaciones complejas, pues los receptores y encargado de interpretar, aplicar y replicar los mensajes e intenciones de la administracin pertenecen y han sido formados en culturas a veces muy diferentes a las nuestras. Es as como por ejemplo la acepcin "poltica agresiva" o "campaa agresiva", entre otras, pueden ser interpretadas de diferentes formas, dependiendo de la formacin del receptor, pasando desde la sana incorporacin de nuevos y mayores esfuerzos hasta la violencia manifiesta aplicada en un verdadero campo de batalla de compra-venta agresivo. Sistemas de informacin administrativos eficientes a disposicin de las empresas existen muchos y variados, cumpliendo la gran mayora de ellos expectativas y necesidades de administracin y control de los diferentes flujos de informacin, pero ahora ante la globalizacin de los mercados, administradores y expertos tienen el nuevo desafi de orientar, adecuar y anticipar el efecto que estos tendrn en los diferentes usuarios internos, con diferentes formaciones y caractersticas tcnicas, de una misma empresa. Respecto a la administracin de operaciones y estrategias, ahora se requiere estudios y especificaciones precisas de los diferentes mercados objetivos, adecuando estrategias y productos a estas realidades. El producto nico y uniforme es ya una utopa reservada slo a productos emblemticos de aceptacin mundial representativos generalmente de grandes marcas. Si bien lo anterior se enmarca dentro de parmetros de la aplicacin de estrategias especficas para los diferentes mercados buscando posesionarse de los mismos acertadamente, ejemplos de exageracin existen varios, destacndose el de la empresa estadounidense B&D de electrodomsticos que lleg a tener 260 modelos diferentes para una misma herramienta, en un intento de cubrir demandas del auspicioso mercado europeo, cuando en realidad slo se necesitaban no ms de diez. La comunicacin, el manejo de la informacin y la administracin logstica de operaciones y estrategias debe adecuarse necesariamente de acuerdo al nivel de actividad y los mercados que las empresas pretenden explotar. La aplicacin de polticas, sistemas y estrategias planas no adaptadas es sinnimo de gran riesgo. Nuestras empresas han incursionado en diferentes mercados, muchas de ellas han comprendido y as lo han materializado, que se debe adecuar ante estos nuevos desafos no tan slo los productos, sino que tambin las estrategias y la administracin de las operaciones mismas. No es lo mismo tratar promocionar, colocar y vender chocolates en Mxico que en China. Costumbres, idiomas, gustos, administracin de salarios, formas de hacer negocios y trato comercial difieren gravitantemente de un pas a otro, adems de condiciones gubernamentales, legales y de distribucin fsica. Ahora hay que globalizar la administracin.

FUENTE: http://www.unap.cl/p4_unap/site/artic/20040825/pags/20040825090949.html

ADMINSTRACION DE INVENTARIOS Concepto Es la eficiencia en el manejo adecuado del registro, de la rotacin y evaluacin del inventario de acuerdo a como se clasifique y que tipo reinventario tenga la empresa, ya que a travs de todo esto determinaremos los resultados (utilidades o prdidas) de una manera razonable, pudiendo establecer la situacin financiera de la empresa y las medidas necesarias para mejorar o mantener dicha situacin. Finalidad de la Administracin de Inventarios La administracin de inventario implica la determinacin de la cantidad de inventario que deber mantenerse, la fecha en que debern colocarse los pedidos y las cantidades de unidades a ordenar. Existen dos factores importantes que se toman en cuenta para conocer lo que implica la administracin de inventario:
1. Minimizacin de la inversin en inventarios

El inventario mnimo es cero, a empresa podr no tener ninguno y producir sobre pedido, esto no resulta posible para la gran mayora de las empresa, puesto que debe satisfacer de inmediato las demandas de los clientes o en caso contrario el pedido pasara a los competidores que puedan hacerlo, y deben contar con inventarios para asegurar los programas d produccin. La empresa procura minimizar el inventario porque su mantenimiento es costoso. Ejemplo: al tener un milln invertido en inventario implica que se ha tenido que obtener ese capital a su costo actual as como pagar los sueldos de los empleados y las cuentas de los proveedores. Si el costo fue del 10% al costo de financiamiento del inventario ser de 100.000 al ao y la empresa tendr que soportar los costos inherentes al almacenamiento del inventario.
2. Afrontando la demanda

Si la finalidad de la administracin de inventario fuera solo minimizar las ventas satisfaciendo instantneamente la demanda, la empresa almacenara cantidades excesivamente grandes del producto y as no incluira en los costos asociados con una alta satisfaccin ni la perdida de un cliente etc. Sin embargo resulta extremadamente costoso tener inventarios estticos paralizando un capital que se podra emplear con provecho. La empresa debe determinar el nivel apropiado de inventarios en trminos de la opcin entre los beneficios que se esperan no incurriendo en faltantes y el costo de mantenimiento del inventario que se requiere. Importancia

La administracin de inventario, en general, se centra en cuatro aspectos bsicos:


1. Cuantas unidades deberan ordenarse o producirse en un momento dado. 2. En que momento deberan ordenarse o producirse el inventario. 3. Que artculos del inventario merecen una atencin especial. 4. Puede uno protegerse contra los cambios en los costos de los artculos del inventario.

El inventario permite ganar tiempo ya que ni la produccin ni la entrega pueden ser instantnea, se debe contar con existencia del producto a las cuales se puede recurrir rpidamente para que la venta real no tenga que esperar hasta que termine el cargo proceso de produccin. Este permite hacer frente a la competencia, si la empresa no satisface la demanda del cliente s ira con la competencia, esto hace que la empresa no solo almacene inventario suficiente para satisfacer la demanda que se espera, si no una cantidad adicional para satisfacer la demanda inesperada. El inventario permite reducir los costos a que da lugar a la falta de continuidad en le proceso de produccin. Adems de ser una proteccin contra los aumentos de precios y contra la escasez de materia prima. Si la empresa provee un significativo aumento de precio en las materias primas bsicas, tendr que pensar en almacenar una cantidad suficiente al precio mas bajo que predomine en le mercado, esto tiene como consecuencia una continuacin normal de las operaciones y una buena destreza de inventario. La administracin de inventario es primordial dentro de un proceso de produccin ya que existen diversos procedimientos que nos va a garantizar como empresa, lograr la satisfaccin para llegar a obtener un nivel ptimo de produccin. Dicha poltica consiste en el conjunto de reglas y procedimientos que aseguran la continuidad de la produccin de una empresa, permitiendo una seguridad razonable en cuanto a la escasez de materia prima e impidiendo el acceso de inventario, con el objeto de mejorar la tasa de rendimiento. Su xito va estar enmarcado dentro de la poltica de la administracin de inventario:
1. Establecer relaciones exactas entre las necesidades probables y los abastecimientos de los diferentes productos. 2. Definir categoras para los inventarios y clasificar cada mercanca en la categora adecuada. 3. Mantener los costos de abastecimiento al mas bajo nivel posible. 4. Mantener un nivel adecuado de inventario. 5. Satisfacer rpidamente la demanda. 6. Recurrir a la informtica.

Algunas empresas consideran que no deberan mantener ningn tipo de inventario porque mientras los productos se encuentran en almacenamiento no generan rendimiento y deben ser financiados. Sin embargo es necesario mantener algn tipo de inventario porque:

1. La demanda no se puede pronosticar con certeza. 2. Se requiere de un cierto tiempo para convertir un producto de tal manera que se pueda vender.

Adems de que los inventarios excesivos son costosos tambin son los inventarios insuficientes, por que los clientes podran dirigirse a los competidores si los productos no estn disponibles cuando los demandan y de esta manera se pierde el negocio. La administracin de inventario requiere de una coordinacin entre los departamentos de ventas, compras, produccin y finanzas; una falta de coordinacin nos podra llevar al fracaso financiero. En conclusin la meta de la administracin de inventario es proporcionar los inventarios necesarios para sostener las operaciones en le ms bajo costo posible. En tal sentido el primer paso que debe seguirse para determinar el nivel optimo de inventario son, los costos que intervienen en su compra y su mantenimiento, y que posteriormente, en que punto se podran minimizar estos costos. Caractersticas y Anlisis del Inventario Es necesario realizar un anlisis de las partidas que componen el inventario. Debemos identificar cuales son las etapas que se presentaran en le proceso de produccin, las comunes o las que se presenta en su mayora son:
o o o o Materia Prima Productos en proceso Productos terminados Suministros, repuestos

En caso de materia prima, esta es importada o nacional, si es local existen problemas de abastecimiento, si es importada el tiempo de aprovisionamiento. La obsolencia de los inventarios, tanto por nueva tecnologa como por desgaste tiempo de rotacin, tienen seguro contra incontinencias, deber realizarse la inspeccin visual de dicha mercadera. Se debe saber la forma de contabilizacin de los inventarios. Correcta valorizacin de la moneda empleada para su contabilizacin. Se debe conocer la poltica de administracin de los inventarios: con quienes se abastecen, que tan seguro es, preocupacin por tener bajos precios y mejor calidad; cuantos meses de ventas mantienen en materia prima, productos en procesos y productos terminados; cual es la rotacin de los inventarios fijada o determinada. reas involucradas en la administracin ya sea el Gerente de Produccin, Gerente de Marketing, Gerente de Ventas o Finanzas, etc. Como se realiza el control de los inventarios en forma manual o computarizada. Tecnologa empleada.

Naturaleza y liquidez de los inventarios, caractersticas y naturaleza del producto, caractersticas del mercado, canales de distribucin, analizar la evolucin y la tendencia. Tcnicas de Administracin de Inventarios Los mtodos comnmente empleados en le manejo de inventarios son:
o o El sistema ABC. El modelo bsico de cantidad econmico de pedido CEP.

El Sistema ABC Una empresa que emplea est sistema debe dividir su inventario en tres grupos: A, B, C. en los productos "A" se ha concentrado la mxima inversin. El grupo "B" esta formado por los artculos que siguen a los "A" en cuanto a la magnitud de la inversin. Al grupo"C" lo componen en su mayora, una gran cantidad de productos que solo requieren de una pequea inversin. La divisin de su inventario en productos A, B y C permite a una empresa determinar el nivel y tipos de procedimientos de control de inventario necesarios. El control de los productos "A" debe ser el mas cuidadoso dada la magnitud de la inversin comprendida, en tanto los productos "B" y"C" estaran sujetos a procedimientos de control menos estrictos. Modelo Bsico de Cantidad Econmica de Pedidos Uno de los instrumentos mas elaborados para determinar la cantidad de pedido optimo de una articulo de inventario es le modelo bsico de cantidad econmica de pedido CEP. Este modelo puede utilizarse para controlar los artculos "A" de las empresas, pues toma en consideracin diversos costos operacionales y financieros, determina la cantidad de pedido que minimiza los costos de inventario total. El estudio de este modelo abarca: 1) los costos bsicos, 2) Un mtodo grafico, 3) un mtodo analtico. Costos Bsicos. Excluyendo el costo real de la mercanca, los costos que origina el inventario pueden dividirse en tres grandes grupos: costos de pedido, costos de mantenimiento de inventario y costo total. Cada uno de ellos cuenta con algunos elementos y caractersticas claves. Costos de Pedidos. Incluye los gastos administrativos fijos para formular y recibir un pedido, esto es, el costo de elaborar una orden de compra, de efectuar los limites resultantes y de recibir y cortejar un pedido contra su factura. Los costos de pedidos se formulan normalmente en trminos de unidades monetarias por pedido.

Costos de Mantenimiento de Inventario: Estos son los costos variables por unidad resultantes de mantener un artculo de inventario durante un periodo especfico. En estos costos se formulan en trminos de unidades monetarias por unidad y por periodo. Los costos de este tipo presentan elementos como los costos de almacenaje, costos de seguro, de deterioro, de obsolescencia y el ms importante el costo de oportunidad, que surge al inmovilizar fondos de la empresa en el inventario. Costos Totales. Se define como la suma del costo del pedido y el costo de inventario. En le modelo (CEP), el costo total es muy importante ya que su objetivo es determinar el monto pedido que lo minimice. Mtodo Grafico. El objetivo enunciado del sistema CEP consiste en determinar el monto de pedido que reduzca al mnimo el costo total del inventario de la empresa. Esta cantidad econmica de pedido puede objetarse en forma grfica representando los montos de pedido sobre el eje x, y los costos sobre el eje y, el costo total mnimo se representa en el punto sealado como CEP. El CEP se encuentra en el punto en que se cortan la lnea de costo de pedido y la lnea de costo de mantenimiento en inventario. La funcin de costo de pedido vara en forma inversa con la cantidad de pedido. Esto significa que a medida que aumenta el monto de pedido su costo de pedido disminuye por pedido. Los costos de mantenimiento de inventario se relacionan directamente con las cantidades de pedido. Cuanto ms grande sea el monto del pedido, tanto mayor ser el inventario promedio, y por consiguiente, tanto mayor ser el costo de mantenimiento de inventario. La funcin del costo total presenta forma de U, lo cual significa que existe un valor mnimo para la funcin. La lnea de costo total representa la suma de los costos de pedido y los costos de mantenimiento de inventario en el caso de cada monto de pedido. Mtodo Analtico: Se puede establecer una formula para determinar la CEP de un articulo determinado del inventario. Es posible formular la ecuacin del costo total de la empresa. El primer paso para obtener la ecuacin del costo total es desarrollar una expresin para la funcin de costo de pedido y la de costo de mantenimiento de inventario. El costo de pedido puede expresarse como el producto del costo por pedido y el nmero de pedidos. Como dichos nmeros es igual al uso durante el periodo dividido entre la cantidad de pedido (U)/(C), el costo de pedido puede expresarse de la manera siguiente. Costo de pedido = PxU/Q El costo de mantenimiento de inventario se define como el costo por pedido de mantener una unidad, multiplicando por el inventario promedio de la empresa (Q/2). Dicho inventario se define como la cantidad de pedido dividida entre 2. El costo de mantenimiento se expresa. Costo de mantenimiento = MxQ/2

A medida en que aumenta a la cantidad de pedidos, Q, el costo de pedido disminuir en tanto que el costo de mantenimiento de inventario aumenta proporcionalmente. La ecuacin del costo total resulta de combinar las expresiones de costo de pedido y costo de mantenimiento de inventario como sigue. Costo total = (P x U/Q) mas (MxQ/2). Dado que la CEP se defina como la cantidad en pedido que minimiza la funcin de costo total, la CEP debe despejarse y se obtiene la siguiente frmula. CEP = 2PU/M. Punto de reformulacin. Una vez que empresa ha calculado su cantidad econmica de pedido debe determinar el momento adecuado para formular un pedido. En el modelo CEP se supone que los pedidos son recibidos inmediatamente cuando el nivel del inventario llega a cero. De hecho se requiere de un punto de reformulacin de pedidos que se considere el lapso necesario para formular y recibir pedidos. Suponiendo una vez ms una tasa constante de uso de inventario, el punto de reformulacin de pedidos puede determinarse mediante la siguiente frmula. Punto de reformulacin = tiempo de anticipo en das x uso diario. Control de la Produccin Para obtener un control sobre la existencia de inventario debemos tomar en cuenta tres variables que resultan sumamente importantes que son:
1. El nivel de ventas de la empresa. 2. La longitud y la naturaleza terica de los procesos de produccin. 3. La durabilidad en comparacin con la caducaron del producto terminado.

El director de produccin debe tomar decisiones concernientes a la manera de distribuir la capacidad productiva, de acuerdo a la demanda y la poltica de inventarios. Es necesario determinar el nmero de cada componente (materia prima, Partes compradas, partes fabricadas) que se necesitan para las cantidades de cada producto que se desean fabricar. El numero de unidades de cada componente que debe fabricarse o comprarse debido a existencia disponible no asignada, ordenes pendientes en produccin y de compras y un inventario final deseado en este periodo. Todo inventario representa un costo en cualquier empresa por eso los costos son una parte fundamental de controlar y evaluar dentro del proceso de al administracin de inventario. Control de Inventario Los diversos aspectos de la responsabilidad sobre los inventarios afectan a muchos departamentos y cada uno de stos ejerce cierto grado de control sobre

los productos, a medida que los mismos se mueven a travs de los distintos procesos de inventarios. Todos estos controles que abarcan, desde el procedimiento para desarrollar presupuestos y pronsticos de ventas y produccin hasta la operacin de un sistema de costo pro el departamento de contabilidad para la determinacin de costos de los inventarios, constituye el sistema del control interno de los inventarios, las funciones generales son: Planeamiento, compra u obtencin, recepcin, almacenaje, produccin, embarques y contabilidad. Planeamiento La base para planear la produccin y estimar las necesidades en cuanto a inventarios, la constituye el presupuesto o pronostico de ventas. Este debe ser desarrollado por el departamento de ventas. Los programas de produccin, presupuestos de inventarios y los detalles de la materia prima y mano de obra necesaria, se preparan o se desarrollan con vista al presupuesto de ventas. Aunque dichos planes se basan en estimados, los mismos tendrn alguna variacin con los resultados reales, sin embargo ellos facilitan un control global de las actividades de produccin, niveles de inventarios y ofrecen una base para medir la efectividad de las operaciones actuales. Compra u Obtencin En la funcin de compra u obtencin se distinguen normalmente dos responsabilidades separadas: Control de produccin, que consiste en determinar los tipos y cantidades de materiales que se quieren. Compras, que consiste en colocar la orden de compra y mantener la vigilancia necesaria sobre la entrega oportuna del material. Recepcin Debe ser responsable de lo siguiente:
o o o La aceptacin de los materiales recibidos, despus que estos hayan sido debidamente contados, inspeccionados en cuanto a su calidad y comparados con una copia aprobada de la orden de compra. La prelacin de informes de recepcin para registrar y notificar la recepcin y aceptacin. La entrega o envo de las partidas recibidas, a los almacenes (depsitos) u otros lugares determinados. Como precaucin contra la apropiacin indebida de activos.

Almacenaje Las materias primas disponibles para ser procesadas o armadas (ensambladas), as como los productos terminados, etc., pueden encontrarse bajo la custodia de

un departamento de almacenes. La responsabilidad sobre los inventarios en los almacenes incluye lo siguiente:
a. Comprobacin de las cantidades que se reciben para determinar que son correcta. b. Facilitar almacenaje adecuado, como medida de proteccin contra los elementos y las extracciones no autorizadas. c. Extraccin de materiales contra la presentacin de autorizaciones de salida para produccin o embarque.

Produccin Los materiales en proceso se encuentran, generalmente bajo control fsico, control interno de los inventarios, incluye lo siguiente: a. La informacin adecuada sobre el movimiento de la produccin y los
inventarios. b. Notificacin rpida sobre desperdicios producidos, materiales daados, etc., de modo que las cantidades y costos correspondientes de los inventarios. Puedan ser debidamente ajustados en los registros.

La informacin rpida y precisa de parte de la fbrica, constituye una necesidad para el debido funcionamiento del sistema de costo y los procedimientos de control de produccin. Embarques Todos los embarques, incluyndose aquellas partidas que no forman parte de los inventarios, deben efectuarse, preferiblemente, a base de rdenes de embarque, debidamente aprobadas y preparadas independientemente. Contabilidad Con respecto a los inventarios, es mantener control contable sobre los costos de los inventarios, a medida que los materiales se mueven a travs de los procesos de adquisicin, produccin y venta. Es decir la administracin del inventario se refiere a la determinacin de la cantidad de inventario que se debera mantener, la fecha en que se debern colocar las rdenes y la cantidad de unidades que se deber ordenar cada vez. Los inventarios son esenciales para las ventas, y las ventas son esenciales para las utilidades. FUENTE: http://www.monografias.com/trabajos15/inventario/inventario.shtml

MODELOS DETERMINISTICOS

Un modelo de Optimizacin Matemtica consiste en una funcin objetivo y un conjunto de restricciones en la forma de un sistema de ecuaciones o inecuaciones. Los modelos de optimizacin son usados en casi todas las reas de toma de decisiones, como en ingeniera de diseo y seleccin de carteras financieras de inversin . Los problemas de toma de decisiones se pueden clasificar en dos categoras: modelos de decisin determinsticos y modelos de decisin probabilsticos. En los modelos deterministicos, las buenas decisiones se basan en sus buenos resultados. Se consigue lo deseado de manera "deterministica", es decir, libre de riesgo. Esto depende de la influencia que puedan tener los factores no controlables, en la determinacin de los resultados de una decisin y tambin en la cantidad de informacin que el tomador de decisin tiene para controlar dichos factores. Aquellos que manejan y controlan sistemas de hombres y equipos se enfrentan al problema constante de mejorar (por ejemplo, optimizar) el rendimiento del sistema. El problema puede ser reducir el costo de operacin y a la vez mantener un nivel aceptable de servicio, utilidades de las operaciones actuales, proporcionar un mayor nivel de servicio sin aumentar los costos, mantener un funcionamiento rentable cumpliendo a la vez con las reglamentaciones gubernamentales establecidas, o "mejorar" un aspecto de la calidad del producto sin reducir la calidad de otros aspectos. Para identificar la mejora del funcionamiento del sistema, se debe construir una representacin sinttica o modelo del sistema fsico, que puede utilizarse para describir el efecto de una variedad de soluciones propuestas. Un modelo puede considerarse como una entidad que captura la esencia de la realidad sin la presencia de la misma. Una fotografa es un modelo de la realidad ilustrada en la imagen. La presin arterial puede utilizarse como un modelo de la salud de una persona. Una campaa piloto de ventas puede utilizarse como un modelo de la respuesta de las personas a un nuevo producto. Por ltimo, una ecuacin matemtica puede utilizarse como un modelo de la energa contenida en un determinado material. En cada caso, el modelo captura algn aspecto de la realidad que intenta representar. Ya que un modelo slo captura determinados aspectos de la realidad, su uso puede no ser apropiado en una aplicacin en particular porque no captura los elementos correctos de la realidad. La temperatura es un modelo de las condiciones climticas pero puede ser inapropiado si uno est interesado en la presin baromtrica. Una foto de una persona es un modelo de la misma pero brinda poca informacin acerca de sus logros acadmicos. Una ecuacin que predice las ventas anuales de un producto en particular es un modelo de ese producto pero tiene poca utilidad si lo que nos interesa es el costo de produccin por unidad. Por lo tanto, la utilidad del modelo depende del aspecto de la realidad que representa. Un modelo puede ser inadecuado aun cuando intenta capturar los elementos apropiados de la realidad si lo hace de una manera distorsionada o sesgada. Una ecuacin que pronostica el volumen mensual de ventas puede ser exactamente lo que el gerente de ventas quiere

pero podra generar grandes prdidas si arroja constantemente clculos de ventas altos. Un termmetro que lee de ms (o de menos) tendra poca utilidad para realizar un diagnstico mdico. En consecuencia, un modelo til es aquel que captura los elementos adecuados de la realidad con un grado aceptable de precisin. Un modelo matemtico es una ecuacin, desigualdad o sistema de ecuaciones o desigualdades, que representa determinados aspectos del sistema fsico representado en el modelo. Los modelos de este tipo se utilizan en gran medida en las ciencias fsicas, en el campo de la ingeniera, los negocios y la economa. Un modelo ofrece al analista una herramienta que puede manipular en su anlisis del sistema en estudio, sin afectar al sistema en s. Por ejemplo, supngase que se ha desarrollado un modelo matemtico para predecir las ventas anuales como una funcin del precio de venta unitario. Si se conoce el costo de produccin por unidad, se pueden calcular con facilidad las utilidades anuales totales para cualquier precio de venta. Para determinar el precio de venta que arrojar las utilidades totales mximas, se pueden introducir en el modelo distintos valores para el precio de venta, uno a la vez, determinando las ventas resultantes y calculando las utilidades anuales totales para cada valor de precio de venta examinado. Mediante un proceso de prueba y error, el analista puede determinar el precio de venta que maximizar las utilidades anuales totales. Lo ideal sera que si el modelo matemtico es una representacin vlida del rendimiento del sistema, mediante la aplicacin de las tcnicas analticas adecuadas, la solucin obtenida a partir del modelo debera ser tambin la solucin para el problema del sistema. As, la efectividad de los resultados de la aplicacin de cualquier tcnica operativa es en gran medida una funcin del grado en el cual el modelo representa al sistema en estudio. A fin de definir las condiciones que nos conducirn a la solucin del problema del sistema, el analista primero debe identificar un criterio segn el cual se podr medir el sistema. Este criterio a menudo se denomina medida del rendimiento del sistema o medida de efectividad. En aplicaciones empresariales, la medida de efectividad generalmente son los costos o las utilidades, mientras que en aplicaciones gubernamentales esta medida generalmente se define en trminos de un ndice costo/beneficio. El modelo matemtico que describe el comportamiento de la medida de efectividad se denomina funcin objetivo. Si la funcin objetivo es describir el comportamiento de la medida de efectividad, debe capturar la relacin entre esa medida y aquellas variables que hacen que dicha medida flucte. Las variables del sistema pueden categorizarse en variables de decisin y parmetros. Una variable de decisin es una variable que puede ser directamente controlada por el decisor. Tambin existen algunos parmetros cuyos valores pueden ser inciertos para el decisor. Esto requiere un anlisis de sensibilidad despus de descubrir la mejor estrategia. En la prctica, resulta casi imposible capturar la relacin precisa entre todas las variables del sistema y la medida de efectividad a travs de una ecuacin matemtica. En cambio, el analista de IO/CA debe tratar de identificar aquellas variables que afectan en mayor grado la medida de efectividad y luego debe intentar definir de manera lgica la relacin matemtica entre estas variables y la medida de efectividad.

Esta relacin matemtica es la funcin objetivo que se emplea para evaluar el rendimiento del sistema en estudio. La formulacin de una funcin objetivo que tenga sentido normalmente es una tarea tediosa y frustrante. Los intentos de desarrollo de una funcin objetivo pueden terminar en un fracaso. Esto puede darse porque el analista elige el conjunto incorrecto de variables para incluir en el modelo o bien, si el conjunto es el adecuado, porque no identifica correctamente la relacin entre estas variables y la medida de efectividad. En un nuevo intento, el analista trata de descubrir las variables adicionales que podran mejorar su modelo descartando aquellas que parecen tener poca o ninguna relevancia. No obstante, slo se puede determinar si estos factores realmente mejoran el modelo una vez realizadas la formulacin y prueba de nuevos modelos que incluyan las variables adicionales. Todo el proceso de seleccin y rechazo de variables puede requerir reiteraciones mltiples hasta desarrollar una funcin objetivo satisfactoria. En cada iteracin, el analista espera lograr alguna mejora en el modelo, aunque no siempre se tiene tanta buena suerte. Por lo general, el xito final es precedido por una serie de fracasos frustrantes y pequeos progresos. En cada etapa del proceso de desarrollo, el analista debe evaluar la correspondencia o validez del modelo. Normalmente se emplean dos criterios para realizar esta determinacin. El primero implica la experimentacin del modelo: someter el modelo a una serie de condiciones y registrar los valores asociados de la medida de efectividad dada por el modelo en cada caso. Si la medida de efectividad vara de manera antinatural con una sucesin de condiciones de entrada, es posible que la funcin objetivo no sea vlida. Por ejemplo, supngase que se desarrolla un modelo destinado a calcular el valor de mercado de viviendas unifamiliares. El modelo debe expresar el valor de mercado en dlares como una funcin de la superficie cubierta en pies cuadrados, cantidad de dormitorios, cantidad de baos y tamao del lote. Despus de desarrollar el modelo, el analista lo aplica a la tasacin de distintas viviendas, con distintos valores para las caractersticas mencionadas y descubre que el valor de mercado desciende a medida que aumenta la superficie cubierta expresada en pies cuadrados. Dado que este resultado no concuerda con la realidad, el analista cuestionara la validez del modelo. Por otro lado, supngase que el modelo es tal que el valor de las viviendas es una funcin creciente de cada una de las cuatro caractersticas citadas, como generalmente es de esperar. Si bien este resultado es alentador, no necesariamente implica que el modelo es una representacin vlida de la realidad, dado que la tasa de aumento de cada variable puede ser excesivamente alta o baja. La segunda etapa de la validacin del modelo requiere una comparacin de los resultados del modelo con los resultados obtenidos en la realidad. FUENTE: http://www.investigacion-operaciones.com/Modelos_Deterministicos.htm

Determinsticos: Cantidad fija de pedido, cuando siempre se pide la misma cantidad al proveedor; o de pedido fijo, cuando se solicita un nuevo lote cada cierto perodo de tiempo, denominado perodo ptimo entre pedidos. Parten de la hiptesis de que la demanda como tiempo de suministro se conoce con certeza.

Probabilsticos: Bien la demanda o el tiempo de suministro, o ambos, son aleatorios.

Modelos de cantidad fija de pedido :

a) Modelo bsico: Parte de las siguientes hiptesis:

o o o

Se supone que la demanda es cierta, constante y uniforme en el tiempo, de modo que la demanda diaria se calcula como la demanda total partida T. El tiempo de suministro se supone conocido, constante e independiente del tamao del lote o pedido. El proveedor tardar lo mismo en donarnos 1 unidad que 1000 unidades. Siempre se solicita una misma cantidad Q* conocida como lote econmico o lote ptimo, que es aquella cantidad que suministra los costes de almacenamiento ( emisin, ruptura, etc). Se pide el lote cuando el nivel de inventario alcanza una cantidad conocida como punto de pedido. El pedido se recibe en una sola entrega, justo en el momento en que el inventario se hace cero.

o o

b) Modelo de consumo y reaprovisionamiento simultneo : La misma hiptesis que antes, excepto una diferencia con el modelo anterior, y es que el pedido Q* no se recibe en una sola entrega, sino a razn de una tasa constante (p) denominada tasa de fabricacin o entrega. Durante el tiempo en que recibimos unidades, la demanda sigue mantenindose constante (d = D/ T) durante el tiempo de fabricacin o entrega.

FUENTE: http://html.rincondelvago.com/direccion-de-la-produccion.html

El Modelo Clsico OEC: Este es el modelo mas simple construido basndose en el principio de que los bienes obtenidos el mismo da que son ordenados sin permitir escasez. Claramente, se debe ordenar nuevamente cuando el inventario alcanza 0, o considerando el tiempo de reemplazo L La figura siguiente muestra los cambios en los niveles inventarios con respecto al tiempo:

La figura muestra el tiempo en el eje de las x y el nivel de inventario en el eje de las y. Se comienza en el tiempo cero cuando una orden llega. La cantidad de la orden es el tamao del lote, Q. El lote completo es enviado al mismo momento por lo que el inventario se dispara instantneamente desde 0 hasta Q. Los materiales son sustrados del inventario a una tasa de demanda constante, x, medida en unidades por tiempo. Luego que el inventario es mermado, el tiempo para el arribo de otra orden de tamao Q llega, y el ciclo se repite de nuevo. El patrn de inventario mostrado en la figura anterior, es obviamente una abstraccin de la realidad porque no se espera que un sistema real opere exactamente como mostramos. La abstraccin proporciona una estimacin del tamao de lote ptimo, llamado orden econmico de cantidad (OEC), y cantidades relacionadas. Consideraremos posiciones alternativas a esta definicin mas adelante.
Ordenes Costo Total= C1x/Q Almacenamiento

C2/(2Q)

La Cantidad Optima de Ordenes = Q* = (2xC1/C2) 1/2, por lo tanto, el Ciclo Optimo de Re-ordenamiento = T* = [2C1/(xC2)]1/2 Ejemplo Numrico 1: Suponga que su oficina utiliza 1200 cajas al ao de papel para maquinas de escribir. Usted debe determinar la cantidad que debe ser ordenada, y con que frecuencia se debe hacer. Los datos a considerar son la tasa de demanda x= 1200 cajas al ao, el costo de ordenamiento C1 = $5 por orden, costos de manutencin o mantenimiento C2 = $1.20 por caja, por ao. La cantidad ptima de ordenamiento es Q* = 100 cajas, esto nos proporciona el nmero de ordenes = 1200/100 = 12, es decir, 12 ordenes por ao, o una vez por mes. Note que se debe incorporar el tiempo de reemplazo (L), el cual es el intervalo de tiempo que transcurre desde que una orden es hecha hasta que es repuesto.

FUENTE: http://home.ubalt.edu/ntsbarsh/stat-data/Forecasts.htm

UNIDAD 5: LINEAS DE ESPERA.


DEFINICIONES, CARACTERISTICAS Y SUPOSICIONES

En este captulo se aplica la teora de colas. Una Cola es una lnea de espera y la teora de colas es una coleccin de modelos matemticos que describen sistemas de lneas de espera particulares o de sistemas de colas. Los modelos sirven para encontrar el comportamiento de estasdo estable, como la longitud promedio de la lnea y el tiempo de espera promedio para un sistema dado. El problema es determinar que capacidad o tasa de servicio proporciona el balance correcto. Esto no es sencillo, ya que el cliente no llega a un horario fijo, es decir, no se sabe con exactitud en que momento llegarn los clientes.Tambin el tiempo de servicio no tiene un horario fijo.
La teora de las colas es el estudio matemtico de las colas o lneas de espera. La formacin de colas es, por supuesto, un fenmeno comn que ocurre siempre que la demanda efectiva de un servicio excede a la oferta efectiva. Con frecuencia, las empresas deben tomar decisiones respecto al caudal de servicios que debe estar preparada para ofrecer. Sin embargo, muchas veces es imposible predecir con exactitud cundo llegarn los clientes que demandan el servicio y/o cuanto tiempo ser necesario para dar ese servicio; es por eso que esas decisiones implican dilemas que hay que resolver con informacin escasa. Estar preparados para ofrecer todo servicio que se nos solicite en cualquier momento puede implicar mantener recursos ociosos y costos excesivos. Pero, por otro lado, carecer de la capacidad de servicio suficiente causa colas excesivamente largas en ciertos momentos. Cuando los clientes tienen que esperar en una cola para recibir nuestros servicios, estn pagando un coste, en tiempo, ms alto del que esperaban. Las lneas de espera largas tambin son

costosas por tanto para la empresa ya que producen prdida de prestigio y prdida de clientes. La teora de las colas en si no resuelve directamente el problema, pero contribuye con la informacin vital que se requiere para tomar las decisiones concernientes prediciendo algunas caractersticas sobre la lnea de espera: probabilidad de que se formen, el tiempo de espera promedio. Pero si utilizamos el concepto de "clientes internos" en la organizacin de la empresa, asocindolo a la teora de las colas, nos estaremos aproximando al modelo de organizacin empresarial "just in time" en el que se trata de minimizar el costo asociado a la ociosidad de recursos en la cadena productiva. FUENTE: http://www.eumed.net/cursecon/dic/oc/colas.htm

Definicin. Una Cola es una lnea de espera y la teora de colas es una coleccin de modelos matemticos que describen sistemas de lneas de espera particulares o sistemas de colas. Los modelos sirven para encontrar el comportamiento de estado estable , como la longitud promedio de la lnea y el tiempo de espera promedio para un sistema dado. Esta informacin, junto con los costos pertinentes, se usa, entonces, para determinar la capacidad de servicio apropiada. Costos de los sistemas de colas. Un sistema de colas puede dividirse en sus dos componentes de mayor importancia, la cola y la instalacin de servicio . Las llegadas son las unidades que entran en el sistema para recibir el servicio. Siempre se unen primero a la cola ; si no hay lnea de espera se dice que la cola esta vaca . De la cola, las llegadas van a la instalacin de servicio de acuerdo con la disciplina de la cola, es decir, de acuerdo con la regla para decidir cul de las llegadas se sirve despus. El primero en llegar primero en ser servido es una regla comn, pero podra servir con prioridades o siguiendo alguna otra regla. Una vez que se completa el servicio, las llegadas se convierten en salidas. Ambas componentes del sistema tienen costos asociados que deben de considerarse. Costo de Espera. Esperar significa desperdicio de algn recurso activo que bien se puede aprovechar en otra cosa y esta dado por : Costo total de espera = CwL Donde Cw = costo de espera por hora (en dlares) por llegada por unidad de tiempo y L= longitud promedio de la lnea. Costo de Servicio. Este en la mayora se trata de comprar varias instalaciones de servicio , en estos casos solo se ocupan los costos comparativos o diferenciales. Sistema de costo mnimo.

Aqu hay que tomar en cuenta que para tasas bajas de servicio, se experimenta largas colas y costos de espera muy altos . Conforme aumenta el servicio disminuyen los costos de espera, pero aumenta el costo de servicio y el costo total disminuye , sin embargo , finalmente se llega a un punto de disminucin en el rendimiento. Entonces el propsito es encontrar el balance adecuado para que el costo total sea el mnimo. Estructuras tpicas. Las llegadas pueden ser personas, cartas, carros, incendios, ensambles intermedios en una fabrica, etc. En la siguiente tabla se muestran algunos ejemplos de varios sistemas de colas . Ejemplos de sistemas de colas

Situacin Aeropuerto Aeropuerto Depto de bomberos Compaa telefnica Lavado de carros La corte Panadera Carga de camiones Oficina de correos Crucero Fbrica

Llegadas Aviones Pasajeros Alarmas de incendio Nmeros marcados Autos Casos Clientes Camiones Cartas Autos Subensamble

Cola Aviones en carreteo Sala de espera Incendios Llamadas Autos sucios Casos atrasados Clientes con nmeros Camiones en espera Buzn Autos en lnea Inventario en proceso Cartas para mecanografiar Trabajos Personas enfermas

Mecanismo de Servicio Pista Avin Depto. De Bomberos. Conmutador Mecanismo de lavado Juez Vendedor Muelle de carga Empleados por correos Crucero Estacin de trabajo.

Cartas de negocios

Notas de dictado

Secretaria

Reproduccin Hospital

Pedidos Pacientes

Copiadoras Hospital

Permitiendo que varen el nmero de colas y el nmero de servidores, pueden hacerse los diagramas de los cuatro tipos de sistemas de la siguiente figura. Cada lnea de espera individual y cada servidor individual se muestra por separado. El primer sistema que se muestra en la figura, se llama un sistema de un servidor y una cola o puede describir un lavado de carros automtico o un muelle de descarga de un solo lugar.

El segundo, una lnea con mltiples servidores, es tpico de una peluquera o una panadera en donde los clientes toman un nmero al entrar y se les sirve cuando llega el turno. El tercer sistema, aqul en que cada servidor tiene una lnea de separada, es caracterstico de los bancos y las tiendas de autoservicio. El cuarto sistema , es una lnea con servidores en serie, puede describir una fbrica. 3. Modelo de un servidor y una cola. Este modelo puede aplicarse a personas esperando en una cola para comprar boletos para el cine, a mecnicos que esperan obtener herramientas de un expendio o a trabajos de computadora que esperan tiempo de procesador. Llegadas. Consiste en la entrada al sistema que se supone es aleatoria. No tienen horario, es impredecible en que momento llegarn . El modelo tambin supone que las llegadas vienen de una poblacin infinita y llegan una a la vez . Cola. En este modelo se considera que el tamao de la cola es infinito. La disciplina de la cola es primero en llegar, primero en ser servido sin prioridades especiales. Tambin se supone que las llegadas no pueden cambiar lugares en la lnea (cola) o dejar la cola antes de ser servidas. Instalacin de Servicio. Se supone que un solo servidor proporciona el servicio que vara aleatoriamente. Salidas. No se permite que las unidades que salgan entren inmediatamente al servicio. Caractersticas de operacin . Un servidor y una cola. Llegada Poisson. Cola infinita, primero en llegar primero en ser servido. Tiempos de servicio exponenciales. Cola : Longitud promedio de la lnea : Tiempo de espera promedio : Sistema: Longitud promedio de la lnea : Tiempo de espera promedio : Utilizacin de la instalacin :

Probabilidad de que la lnea exceda a n : Donde: A = tasa promedio de llegada. S = tasa promedio de servicio. Ejemplo : (Un supermercado ) Supngase un supermercado grande con muchas cajas de salida, en donde los clientes llegan para que les marquen su cuenta con una tasa de 90 por hora y que hay 10 cajas en operacin. Si hay poco intercambio entre las lneas, puede tratarse este problema como 10 sistemas separados de una sola lnea, cada uno con una llegada de 9 clientes por hora. Para una tasa de servicio de 12 por hora : Dados: A = 9 clientes por hora S = 12 clientes por hora Entonces : = 2.25 Clientes = 0.25 horas o 15 minutos. = 3 clientes. = 0.33 horas o 20 minutos. = 0.75 o 75% 0.32 Entonces, para este ejemplo, el cliente promedio espera 15 minutos antes de ser servido. En promedio, hay un poco ms de dos clientes en la lnea o tres en el sistema. El proceso completo lleva un promedio de 20 minutos. La caja est ocupada el 75 % del tiempo. Y finalmente, el 32 % del tiempo habr cuatro personas o ms en el sistema ( o tres o ms esperando en la cola). 4. Evaluacin del sistema cuando se conoce el costo de espera. Los costos de servicio influyen en el mtodo para encontrar el sistema de menor costo. Si el costo de servicio es un funcin lineal de la tasa de servicio, puede encontrarse una solucin general para la tasa ptima. Para aplicar una solucin general, se necesita una tasa de servicio que pueda variar de manera continua. Cuando los costos de servicio cambian en forma escalonada, se usa la tcnica de prueba y error para encontrar el sistema de menor costo. Se calcula el costo total para una tasa de servicio, despus para la siguiente y as sucesivamente. Esto contina hasta que se encuentra un lmite inferior o un mnimo tal, que el aumentar o el disminuir las tasas de servicio da costos totales ms altos. Ejemplo: Se esta estudiando un muelle de carga y descarga de camiones para aprender cmo debe formarse una brigada. El muelle tiene espacio slo para un camin, as es un sistema de un servidor. Pero el tiempo de carga o descarga puede reducirse aumentando el tamao de la brigada.

Supngase que puede aplicarse el modelo de un servidor y una cola (llegadas Poisson, tiempos de servicio exponenciales) y que la tasa promedio de servicio es un camin por hora para un cargador. Los cargadores adicionales aumentan la tasa de servicio proporcionalmente. Adems, supngase que los camiones llegan con una tasa de dos por hora en promedio y que el costo de espera es de $ 20 por hora por un camin. Si se le paga $ 5 por hora a cada miembro de la brigada, Cul es el mejor tamao de esta? Datos : A = 2 camiones por hora. S = 1 camin por persona. Cw = costo de espera = $20 por hora por camin. CS = costo de servicio = $ 5 por hora por persona. Ahora sea k = nmero de personas en la brigada. Se busca k tal que la suma de los costos de espera y servicio se minimicen : Costo total = Cw LS + k CS Las pruebas deben de empezar con tres miembros de la brigada, ya que uno o dos no podran compensar la tasa de llegadas de dos camiones por hora. Para una brigada de tres, la tasa de servicio es de tres camiones por hora y puede encontrarse Ls con la siguiente ecuacin : De la misma manera, para una brigada de cuatro : El costo es menor, por tanto se sigue adelante. Para una brigada de cinco : Este todava es menor : Como este costo es mayor que el de la brigada de cinco, se rebas el lmite inferior de la curva de costo; el tamao ptimo de la brigada es cinco personas. 5. Evaluacin del sistema con costos de espera desconocidos . En lugar de estimar el costo de espera, el administrador puede especificar un promedio mnimo de tiempo de espera o de longitud de lnea . Esto establece un lmite superior para Wq , el tiempo de espera en la cola (o para Lq, la longitud de lnea en la cola). Con este lmite superior puede encontrarse la tasa de servicio necesaria para cualquiera tasa de llegadas dadas. Ejemplo : Considrese un restaurante de comida rpida con un men limitado. El restaurante se est diseando para que todos los clientes se unan a una sola lnea para ser servidos. Una persona tomar la orden y la servir. Con sus limitaciones, la tasa de servicio puede aumentarse agregando ms personal para preparar la comida y servir las ordenes. Esto constituye un sistema de un servidor y una cola. Si las llegadas y salidas son aleatorias, puede aplicarse el modelo de una cola. Supngase que la administracin quiere que el cliente promedio no espere ms de dos minutos antes de que se tome su orden . Esto se expresa como : Wq = 2 minutos

Supngase tambin que la tasa mxima de llegadas es de 30 rdenes por hora. ordenando trminos, Como la tasa de servicio debe ser mayor que la tasa de llegadas, puede descartarse la solucin negativa. Entonces : Para este ejemplo, se supuso : A = 30 ordenes por hora. Wq = 2 minutos o 0.033 horas Entonces : = 15 + 33.5 = 48.5 rdenes por hora. Para cumplir los requerimientos, se necesita una tasa de casi 50 rdenes por hora. Si, por ejemplo, una brigada de cinco pueden manejar 45 rdenes por hora y una de seis puede procesar 50 por hora, entonces sera necesario tener la brigada de seis. 6. Modelo de un servidor con tiempos de servicio constantes. Este modelo es igual que el anterior, excepto que se supone que el tiempo de servicio es exactamente el mismo en cada llegada en lugar de ser aleatorio. Todava se tiene una sola lnea, tamao de la cola infinito, disciplina de la cola como primero en llegar primero en ser servido y llegadas Poisson. Las aplicaciones tpicas de este modelo pueden incluir un autolavado automtico, una estacin de trabajo en una pequea fbrica o una estacin de diagnstico de mantenimiento preventivo. En general, el servicio lo proporciona una mquina. Las caractersticas de operacin estn dadas por 4 : En donde: A = tasa promedio de llegadas (llegadas por unidad de tiempo) S = tasa constante de servicio (llegadas por unidad de tiempo). Ejemplo: Supngase un lavado automtico de autos con una lnea de remolque, de manera que los autos se mueven a travs de la instalacin de lavado como en una lnea de ensamble. Una instalacin de este tipo tiene dos tiempos de servicio diferentes : el tiempo entre autos y el tiempo para completar un auto. Desde el punto de vista de teora de colas, el tiempo entre autos establece el tiempo de servicio del sistema. Un auto cada cinco minutos da una tasa de 12 autos por hora. Sin embargo, el tiempo para procesar un auto es el tiempo que se debe esperar para entregar un auto limpio. La teora de colas no considera este tiempo. Supngase que el lavado de autos puede aceptar un auto cada cinco minutos y que la tasa promedio de llegadas es de nueve autos por hora ( con distribucin Poisson). Sustituyendo : 7. Modelo con servidores mltiples. Supngase que las llegadas son Poisson, los tiempos de servicio son exponenciales, hay una sola lnea, varios servidores y una cola infinita que opera con la disciplina de primero en llegar primero en ser servido. Las ecuaciones para las caractersticas de operacin se vuelven un poco ms complicadas.

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

FUENTE: http://html.rincondelvago.com/colas.html

Definicin. Una Cola es una lnea de espera y la teora de colas es una coleccin de modelos matemticos que describen sistemas de lneas de espera particulares o sistemas de colas. Los modelos sirven para encontrar el comportamiento de estado estable , como la longitud promedio de la lnea y el tiempo de espera promedio para un sistema dado. Esta informacin, junto con los costos pertinentes, se usa, entonces, para determinar la capacidad de servicio apropiada. Costos de los sistemas de colas. Un sistema de colas puede dividirse en sus dos componentes de mayor importancia , la cola y la instalacin de servicio . Las llegadas son las unidades que entran en el sistema para recibir el servicio. Siempre se unen primero a la cola ; si no hay lnea de espera se dice que la cola esta vaca . De la cola, las llegadas van a la instalacin de servicio de acuerdo con la disciplina de la cola, es decir, de acuerdo con la regla para decidir cul de las llegadas se sirve despus. El primero en llegar primero en ser servido es una regla comn, pero podra servir con prioridades o siguiendo alguna otra regla. Una vez que se completa el servicio, las llegadas se convierten en salidas. Ambas componentes del sistema tienen costos asociados que deben de considerarse.

Costo de Espera. Esperar significa desperdicio de algn recurso activo que bien se puede aprovechar en otra cosa y esta dado por : Costo total de espera = CwL Donde Cw = costo de espera por hora (en dlares) por llegada por unidad de tiempo y L= longitud promedio de la lnea. Costo de Servicio. Este en la mayora se trata de comprar varias instalaciones de servicio , en estos casos solo se ocupan los costos comparativos o diferenciales.

Sistema de costo mnimo. Aqu hay que tomar en cuenta que para tasas bajas de servicio, se experimenta largas colas y costos de espera muy altos . Conforme aumenta el servicio disminuyen los costos de espera, pero aumenta el costo de servicio y el costo total disminuye , sin embargo , finalmente se llega a un punto de disminucin en el rendimiento. Entonces el propsito es encontrar el balance adecuado para que el costo total sea el mnimo.

Estructuras tpicas. Las llegadas pueden ser personas, cartas, carros, incendios, ensambles intermedios en una fabrica, etc. En la siguiente tabla se muestran algunos ejemplos de varios sistemas de colas . Ejemplos de sistemas de colas Situacin Aeropuerto Aeropuerto Depto de bomberos Compaa telefnica Lavado de carros La corte Panadera Llegadas Aviones Pasajeros Alarmas de incendio Nmeros marcados Autos Casos Clientes Cola Aviones en carreteo Sala de espera Incendios Llamadas Autos sucios Casos atrasados Clientes con Mecanismo de Servicio Pista Avin Depto. De Bomberos. Conmutador Mecanismo de lavado Juez Vendedor

nmeros Carga de camiones Oficina de correos Crucero Fbrica Camiones Cartas Autos Subensamble Camiones en espera Buzn Autos en lnea Inventario en proceso Cartas para mecanografiar Trabajos Personas enfermas Muelle de carga Empleados por correos Crucero Estacin de trabajo. Secretaria Copiadoras Hospital

Cartas de negocios Notas de dictado Reproduccin Hospital Pedidos Pacientes

Permitiendo que varen el nmero de colas y el nmero de servidores, pueden hacerse los diagramas de los cuatro tipos de sistemas de la siguiente figura. Cada lnea de espera individual y cada servidor individual se muestra por separado. El primer sistema que se muestra en la figura, se llama un sistema de un servidor y una cola o puede describir un lavado de carros automtico o un muelle de descarga de un solo lugar. El segundo, una lnea con mltiples servidores, es tpico de una peluquera o una panadera en donde los clientes toman un nmero al entrar y se les sirve cuando llega el turno. El tercer sistema, aqul en que cada servidor tiene una lnea de separada, es caracterstico de los bancos y las tiendas de autoservicio. El cuarto sistema , es una lnea con servidores en serie, puede describir una fbrica.

MODELOS POISSON

Este modelo puede aplicarse a personas esperando en una cola para comprar boletos para el cine, a mecnicos que esperan obtener herramientas de un expendio o a trabajos de computadora que esperan tiempo de procesador. Llegadas.

Consiste en la entrada al sistema que se supone es aleatoria. No tienen horario, es impredicible en que momento llegarn . El modelo tambin supone que las llegadas vienen de una poblacin infinita y llegan una a la vez . Cola. En este modelo se considera que el tamao de la cola es infinito. La disciplina de la cola es primero en llegar, primero en ser servido sin prioridades especiales. Tambin se supone que las llegadas no pueden cambiar lugares en la lnea (cola) o dejar la cola antes de ser servidas. Instalacin de Servicio. Se supone que un solo servidor proporciona el servicio que vara aleatoriamente. Salidas. No se permite que las unidades que salgan entren inmediatamente al servicio. Caractersticas de operacin . Un servidor y una cola. Llegada Poisson. Cola infinita, primero en llegar primero en ser servido. Tiempos de servicio exponenciales. Cola : Longitud promedio de la lnea : Tiempo de espera promedio : Sistema: Longitud promedio de la lnea : Tiempo de espera promedio : Utilizacin de la instalacin : Probabilidad de que la lnea exceda a n : A = tasa promedio de llegada. S = tasa promedio de servicio. Ejemplo : (Un supermercado ) Supngase un supermercado grande con muchas cajas de salida, en donde los clientes llegan para que les marquen su cuenta con una tasa de 90 por hora y que

hay 10 cajas en operacin. Si hay poco intercambio entre las lneas, puede tratarse este problema como 10 sistemas separados de una sola lnea, cada uno con una llegada de 9 clientes por hora. Para una tasa de servicio de 12 por hora : Dados A = 9 clientes por hora S = 12 clientes por hora Entonces : = = = = = 2.25 Clientes 0.25 horas o 15 minutos. 3 clientes. 0.33 horas o 20 minutos. 0.75 o 75% 0.32 Entonces, para este ejemplo, el cliente promedio espera 15 minutos antes de ser servido. En promedio, hay un poco ms de dos clientes en la lnea o tres en el sistema. El proceso completo lleva un promedio de 20 minutos. La caja est ocupada el 75 % del tiempo. Y finalmente, el 32 % del tiempo habr cuatro personas o ms en el sistema ( o tres o ms esperando en la cola).

Modelo con servidores mltiples.


Supngase que las llegadas son Poisson, los tiempos de servicio son exponenciales, hay una sola lnea, varios servidores y una cola infinita que opera con la disciplina de primero en llegar primero en ser servido. Las ecuaciones para las caractersticas de operacin se vuelven un poco ms complicadas. Sea : N = nmero de servidores. A = tasa promedio de llegadas (llegadas por unidad de tiempo). S = tasa promedio de servicio por cada servidor (llegadas por unidad de tiempo). Entonces :

La cantidad P0 es la probabilidad de que no haya llegadas en una unidad de tiempo, lo cual no lo hace ms fcil de calcular. Para dos o tres servidores pueden combinarse y simplificar las dos ecuaciones para obtener, para N=2

Ntese que para N = 1 este modelo se reduce al modelo de un servidor. Ejemplo: |Considrese la biblioteca de una universidad cuyo personal est tratando de decidir cuntas copiadoras debe de instalar para uso de los estudiantes. Se ha escogido un equipo particular que puede hacer hasta 10 copias por minuto. No se sabe cul es el costo de espera para un estudiante, pero se piensa que no deben tener que esperar ms de ods minutos en promedio. Si el nmero promedio de copias que se hacen por ususario es cinco, cuntas copiadoras se deben instalar ? .

Se usa prueba y error para resolver este tipo de problemas, no se encuentra una solucin general como se hizo para el modelo de un servidor. Se tratar primero con dos copiadoras, despus con tres, y as hasta que se satisfaga el criterio del tiempo de espera. Cul es la tasa de servicio? Si el nmero promedio de copias es cinco y la copiadora puede hacer hasta 10 copias por minuto, entonces pueden servirse en promedio hasta dos estudiantes por minuto. Pero, en esto no se toma en cuenta el tiempo para insertar la moneda, cambiar originales, para que un estudiante desocupe y otro comience a copiar. Supngase que se permite un 70 % del tiempo para estas actividades. Entonces la tasa de servicio neta baja a 0.6 estudiantes por minuto. Adems se supone que los periodos pico de copiado tienen una tasa de llegada de 60 estudiantes por hora, o 1 por minuto. Se comenzar con dos copiadoras, ya que una no sera suficiente. A = 1 por minuto. S = 0.6 por minuto. N=2

Esto excede el criterio del mximo de 2 minutos de espera para el estudiante promedio. Se tratarn tres copiadoras.

Se necesitan tres copiadoras. La utilizacin de cada una ser :

ANALISIS DE COSTOS

ANLISIS ECONMICO DE LOS SISTEMAS DE COLAS En la seccin anterior se vio la ventaja de tener ms de un servidor, a saber la reduccin del tiempo de espera y el nmero de clientes que esperan para ser atendidos. Claramente, mientras ms servidores se tengan, mejor ser el servicio a los clientes. Sin embargo, cada servidor implica costos de operacin. De que manera evala usted este equilibrio entre el nivel de servicio y el costo? EJEMPLO 1.1: Problema de colas de American Weavers, Inc. American Weavers, Inc, tiene una fabrica de manufactura en Georgia. La planta tiene un gran numero de maquinas tejedoras que con frecuencia se atascan. Estas maquinas son reparadas basndose en el procedimiento de la primera en entrar, la primera en ser revisada, por uno de los 7 miembros del personal de reparacin. Durante varios recorridos, la gerente de produccin ha observado que, en promedio, de 10 a 12 maquinas estn fuera de operacin en cualquier momento debido a que estn atascadas. Ella sabe que contratar personal de reparaciones adicional bajara el nmero de mquinas sin funcionar, lo cual traera como consecuencia un aumento en la produccin, pero no sabe a cuantas personas ms debera contratar. Se desea determinar dicho nmero. MODELO Y ANALISIS DEL SISTEMA DE COLA ACTUAL. El primer paso que se debe dar consiste en analizar las condiciones de operacin actuales. Se debe reconocer que las maquinas tejedoras conforman un modelo de colas. Los clientes estn constituidos por las maquinas que se atascan de vez en cuando. Existe un gran numero de tales maquinas, de modo que se podra suponer razonablemente, que la poblacin de clientes es infinita. Se tienen 7 servidores independientes e idnticos que reparan las maquinas basndose en una estrategia de primera en entrar, primera en darle servicio. Se puede pensar en estas maquinas formando una sola fila en espera de pasar con el siguiente servidor que este disponible. Para modelar esta operacin, el siguiente paso consiste en reunir y analizar los datos correspondientes a los procesos de llegada y de servicio. Se supone lo siguiente:

1. La aparicin de maquinas atascadas puede ser aproximada por un proceso de llegada de Poisson con una tasa promedio de 25 por hora. 2. Cada mquina atascada requiere una cantidad aleatoria de tiempo para su reparacin, que puede ser aproximada por una distribucin exponencial con un tiempo promedio de servicio de 15 minutos, lo cual, para cada servidor, significa una tasa promedio de cuatro maquinas por hora. Con estas observaciones, el sistema actual puede modelarse como un sistema de colas M / M / 7, con = 25 maquinas por hora, = 4 maquinas por hora y una poblacin y un rea de espera infinita. TABLA 1:Medidas de rendimiento obtenidas con Queuing Analysis en el WinQSB . 02-082000 23:12:22 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 System: M/M/7 Customer arrival rate (lambda) per hour = Service rate per server (mu) per hour = Overall system effective arrival rate per hour = Overall system effective service rate per hour = Overall system utilization = Average number of customers in the system (L) = Average number of customers in the queue (Lq) = Average number of customers in the queue for a busy system (Lb) = Average time customer spends in the system (W) = Average time customer spends in the queue (Wq) = Average time customer spends in the queue for a busy system (Wb) = The probability that all servers are idle (Po) = The probability an arriving customer waits (Pw or Pb) = Average number of customers being balked per hour = From Formula 25.0000 4.0000 25.0000 25.0000 89.2857 % 12.0973 5.8473 8.3333 0.4839 hours 0.2339 hours 0.3333 hours 0.1017 % 70.1674 % 0 Performance Measure Result

Como se puede ver, el gerente de produccin haba estimado con bastante precisin el hecho de que entre 10 y 12 maquinas estn atascadas, en promedio; en cualquier momento. De hecho, ese numero en el informe es de 12.09. La lnea 10 del reporte indica que las maquinas atascadas estn fuera de operacin durante un tiempo promedio de 0.4839 horas, aproximadamente 29 minutos. Es necesario determinar el numero de reparadores adicionales que se necesitaran contratar. Se conocen las medidas de rendimiento de un total de 7 trabajadores. De que manera cambian las medidas de rendimiento si se aumenta el personal de reparacin ? Las medidas de rendimiento asociadas para un numero entre 7 y 11 reparadores se muestran en la TABLA 2 A medida que aumenta el tamao del personal de 7 a 11, el numero promedio de maquinas fuera de operacin disminuye de aproximadamente 12 a 6.333. Similarmente , la cantidad promedio de tiempo que una maquina esta fuera de operacin disminuye de 0.4839 horas ( aproximadamente 29 minutos ) a 0.2533 horas ( aproximadamente 15 minutos ). Ahora se necesita informacin sobre los costos para determinar cuantos reparadores adicionales, si se requieren, deben contratarse. TABLA 2: Medidas de rendimiento con diferentes tamaos de personal de reparacin. Numero de 7 Utilizacin (%) Numero esperado en la cola Numero esperado en el sistema Probabilidad de que un cliente tenga que esperar Tiempo esperado en cola Tiempo esperado en el sistema 8 9 reparadores 10 11 56.8182 0.0830 6.3330 0.0630 0.0033 0.2533

89.2857 78.1250 69.4444 62.5000 5.8473 1.4936 0.5363 6.7863 0.2360 0.0215 0.2715 0.2094 6.4594 0.1257 0.0084 0.2584

12.0973 7.7436 0.7017 0.2339 0.4839 0.4182 0.0597 0.3097

ANALISIS DE COSTOS DEL SISTEMA DE COLAS. Al analizar los mritos de contratar personal de reparacin adicional en American Weavers, Inc., se deben identificar dos componentes importantes:

1. Un costo por hora basado en el tamao del personal. 2. Costo total de = Costo por hora para * Numero de personal por hora cada reparador reparadores 3. Un costo por hora basado en el numero de maquinas fuera de operacin. Costo total por = Costo por hora para cada * Numero promedio la espera maquina fuera de operacin mquina fuera de operacin Para seguir adelante, se necesita ahora conocer el costo por hora de cada miembro del personal de reparacin ( denotado con Cs ) y el costo por hora de una maquina fuera de operacin ( denotado Ce ), que es el costo de una hora de produccin perdida. Suponga que el departamento de contabilidad le informa que cada reparador le cuesta a la compaa $ 50 por hora, incluyendo impuestos, prestaciones, etc. El costo de una hora de produccin perdida deber incluir costos explcitos, como la cantidad de ganancias no obtenidas, y costos implcitos, como la perdida de voluntad del cliente no se cumple con la fecha limite de entrega. Sin embargo, suponga que el departamento de contabilidad estima que la compaa pierde $ 100 por cada hora que una maquina este fuera de operacin. Ahora se puede calcular un costo total para cada uno de los tamaos de personal. Para un personal de 7 reparadores, el numero esperado de maquinas en el sistema es 12. 0973. Costo total = Costo del personal + Costo de la espera Costo por hora por * Numero de + Costo por hora por * Nmero persona reparadores cada maquina fuera esperado de de operacin mquinas fuera de operacin = ( 50 * 7 ) + ( 100 * 12.0973 ) = $ 1559.73 por hora. Realizando clculos parecidos para cada uno de los tamaos de personal restantes se tiene como resultado los costos por hora de cada alternativa presentada en la TABLA 3. De los resultados, se puede ver que la alternativa que tiene el menor costo por hora, $ 1128.63, es tener un total de 9 reparadores. En consecuencia, la recomendacin a la gerencia de produccin, es contratar a dos reparadores adicionales. Estos dos nuevos empleados tendrn un costo de $ 100 por hora, pero este costo adicional esta mas que justificado por los ahorros que se tendrn con menos maquinas fuera de operacin. La recomendacin reducir el costo por hora de $1559.73 a $ 1128.63, un ahorro de aproximadamente $ 430 por hora, mayor que la cantidad que cubre sus honorarios. TABLA 3: Costo por hora para diferentes tamaos de personal de reparacin .

Tamao de personal 7 8 9 10 11

Numero esperado Costo por hora ($) en el sistema 12.0973 7.7436 6.7863 6.4594 6.3330 ( 50 * 7 ) + ( 100 * 12.0973 ) = 1559.73 ( 50 * 8 ) + ( 100 * 7.7436 ) = 1174.36 ( 50 * 9 ) + ( 100 * 6.7863 ) = 1128.63 ( 50 * 10 ) + ( 100 * 6.4594 ) = 1145.94 ( 50 * 11 ) + ( 100 * 6.3330 ) = 1183.30

Caractersticas claves En resumen, para evaluar un sistema de colas en el que usted controla el nmero servidores o su tasa de servicio, se necesitan las siguientes estimaciones de costos y medidas de rendimiento:

El costo por servidor por unidad de tiempo (Cs) El costo por unidad de tiempo por cliente esperando en el sistema (Ce) El nmero promedio de clientes en el sistema (L)

Modelos que caracterizan los diferentes procesos de servicio. A continuacin se analizarn los diferentes modelos que caracterizan los procesos de servicio.

Lneas de espera con salidas y llegadas combinadas.

Se estudiarn a continuacin modelos para lneas de espera que combinan procesos de llegadas y salidas. Solo analizaremos lneas de espera donde los clientes son atendidos por c servidores que ofrecen servicios iguales desde el punto de vista del tiempo que requieren para prestar el mismo. El objetivo final de analizar situaciones de espera consiste en generar medidas de desempeo para evaluar sistemas reales. Se hace necesario para analizar los sistemas de espera decidir con anterioridad si nos interesa analizar el sistema en condiciones transitorias o de estado estable. Las lneas de espera que combinan salidas y llegadas se inician en condiciones transitorias y llegan gradualmente al estado estable despus de haber transcurrido un tiempo lo suficientemente grande, siempre que los parmetros permitan se alcance el estado estable. Utilizando el modelo general de Poisson, obtenemos la ecuacin general de equilibrio: n-1pn-1 + n + 1pn+1 = ( n+ n)pn , n =1,2,...

Las ecuaciones de equilibrio se resuelven en forma recursiva comenzando con p, y procediendo por induccin para determinar p n. En general, podemos demostrar por induccin que la probabilidad de que el sistema alcance el estado estable es: pn = [ ( n-1 n-2 0) / ( n n-1 1) ] p0 , n = 1,2 donde el valor de p0 se determina con la siguiente ecuacin:

pn = 1 Las medidas de desempeo del estado estable se pueden usar para analizar la operacin de las lneas de espera con el fin de hacer recomendaciones sobre el diseo del sistema. Se puede decir que existe una ntima relacin entre Ls y Ws de manera que cualquier medida Se determina automticamente a partir de la otra. Siendo e, f la tasa promedio efectiva de llegadas, entonces: Ls = e, f * Ws Y Lq = e, f Wq Tambin existe una relacin directa entre Ws y Wq pues por definicin: Ws = Wq + 1/ siendo la tasa de servicio por servidor activo, mientras que el tiempo estimado de servicio es 1/ .. - Modelos para lneas de espera especializadas de Poisson. Cada modelo de los que a continuacin se analizaran se describe en trminos de la notacin extendida por Kendall, como la deduccin de p n es completamente independiente de la disciplina de la lnea de espera, es apropiado usar el smbolo DG (disciplina general) en la notacin de Kendall.

Modelo (M/M/1) : (DG/ / )

Este es un modelo de servidor nico sin lmites en la capacidad del sistema o de la fuente de llamadas, con llegadas y salidas de Poisson con tasa medias y .. Definiendo = / obtenemos la siguiente frmula general para este modelo: Pn = (1- ) n , n = 0,1,2,

que es una distribucin geomtrica, donde adems p 0 = 1- . El requisito matemtico de que > 1 necesario para garantizar la convergencia de la serie geomtrica (1 + + 2 + ) , conduce a un elemento intuitivo. O sea > 1 significa que < lo que establece que la tasa de llegadas debe ser estrictamente menor que la tasa de servicio en la instalacin, para que el sistema alcance estabilidad. Para este modelo las medidas de bsicas de desempeo se calculan de la siguiente forma : Ls = E{ n} = ( ) / (1- ) Ws = Ls / = 1 / [ ( 1- ) ] Lq = Ls - / = 2 /(1- ) Wq = Lq / = / [ ( 1- ) ]

Modelo (M/M/1) : (DG/N/ )

La diferencia de este modelo y el anterior radica en que el nmero mximo de clientes (para este modelo) permitidos en el sistema es N (longitud mxima de la lnea de espera es = N-1). Esto significa cuando haya N clientes en el sistema, se impiden todas las nuevas llegadas o no se les permite unirse a la lnea de espera. En este modelo, haciendo = / obtenemos que: (1- ) / ( 1- N+1) ; 1 Po = 1 / N+1 ; = 1 entonces las formulas para pn pueden resumirse como: [ (1- ) / ( 1- N+1) ] n ; 1 pn = n = 0,1,2, ... 1 / (N+1) ; = 1 Para este modelo no se hace necesario que > 1 pues el nmero de unidades en el sistema esta controlado por la longitud de la lnea de espera (= N-1). Usando el valor anterior de pn, encontramos que el nmero esperado de unidades en el sistema se calcula como sigue: { [ 1-( N+1) N + N N+1] } / [ ( 1- ) ( 1- N+1) ] ; 1

Ls = N / 2 ; = 1 Las medidas Lq, Ws y Wq se pueden calcular a partir de Ls, una vez que se determina la tasa efectiva de llegadas ef de la forma siguiente: e, f = ( 1-pn) usando Ls y ef obtenemos las formulas para calcular, Lq, Wq y Ws: Lq = Ls-( e, f / ) = Ls - [ ( 1-pN )] / pN = Probabilidad de que una unidad no sea capaz de unirse al sistema. Wq = Lq / e, f = Ls / [ ( 1-pN ) ] Ws = Wq +1/ = Ls / [ ( 1-pN ) ]

Modelo (M/M/c) : (DG/ / ) .

En este modelo los clientes llegan con una tasa constante y un mximo de c unidades puede ser atendidos simultneamente. La tasa de servicio por servidor activo es tambin constante e igual a y e, f = .. El efecto ltimo de usar c servidores paralelos es acelerar la tasa de servicio al permitir servicios simultneos. Si el numero de clientes en el sistema, n, es igual o excede a c, la tasa combinadas de salidas de la instalacin es c .. Por otra parte, si n es menor que c, la tasa de servicio es igual a n . As, en terminos del modelo generalizado, tenemos:
n

=n0

n , n c n = c , n c Si hacemos = ; el valor de pn y p0 se calcula de la siguiente forma: ( n/ n!) p0 0 n c Pn = ( n/ cn-cc!) p0 n > c

p0 = {

( n/ n!) + c/ [ c!( 1- / c) ] } -1

Los valores de las medidas de desempeo se obtienen como sigue : Lq = [ c+1/ (c-1)(c- ) ] p0 = [ c / ( c- ) 2] pc Ls = Lq + Wq = Lq/? Ws = Wq + 1/ Las operaciones asociadas con este modelo pueden ser tediosas. Morse (1958) da dos aproximaciones tiles para po y Lq. Para mucho menor que 1, P0 1- y Lq c+1/ c2 Y para / c muy prxima a 1, P0 [ (c- )(c-1)] ! / cc y Lq / c- - Modelo (M/M/c) : (DG/N/ ) , c N. Esta situacin de espera difiere de la anterior pues se impone un lmite N sobre la capacidad del sistema (es decir, tamao mximo de la lnea de espera = N-c). En trminos del modelo generalizado, n y n para el modelo actual estn dadas por : ,0n<N n = 0, n N n , 0 n c n = c , c n N Sustituyendo por n y n en la expresin general de pn y observando que = / ; se obtiene : ( n/ n!) p0, 0 n c Pn = [ n/ ( c! cn-c) ] p0, c n N donde :

{ p0 =

( n/ n!) + c[ 1-( / c) N-c+1] / c!(1- / c) } -1, / c 1

( n/ n!) + ( c/ c!) ( N-c+1)] -1 , / c = 1

La nica diferencia entre pn en este modelo y el anterior ocurre en la expresin de p0 y el factor de uso / c no necesita ser menor que 1. Las medidas de desempeo se calculan de la siguiente forma : p0[ c+1/ ( c-1)!(c- )2] { 1-( / c) N c - ( N-c)( / c) N-c[ 1- ( / c) ] } , / c 1 Lq = P0[ c( N-c)(N-c+1)/ 2c! , / c = 1 Ls = Lq + (c+ donde : ) = Lq +
e,f /

= nmero estimado de servidores inactivos = e, f = ( 1-pn) = ( c- ) e, f = La tasa efectiva de llegada.

(c-n)pn

Modelo de autoservicio (M/M/ ) : ( DG/ / ) .

En este modelo el numero de servidores es ilimitado porque el cliente mismo es tambin el servidor. Este es normalmente el caso en los establecimientos de autoservicio. Una vez ms en trminos del modelo generalizado se tiene : n = , para toda n 0 n = n , para toda n 0 La sustitucin directa en la expresin de pn produce que : Pn = ( n / n! n ) p0 = ( n/ n!)p0

ya que

pn = 1 se deduce que :

P0 = 1 / 1+ + ( 2/ 2 ) + = 1/ e = e- Como resultado se obtiene que : Pn = ( e- n) / n! , n = 0,1,2, , adems pn sigue una distribucin de Poisson con media E{ n} = . Las medidas de desempeo se pueden obtener mediante la siguientes expresiones : Ls = E{ n} = . Ws =1/ . Lq = Wq = 0. Ntese que Wq = 0 porque cada cliente se atiende a si mismo. Esta es la razn por la que Ws es igual al tiempo de servicio medio 1/ . A modo de obtener una conclusin parcial de lo analizado hasta aqu, se puede decir que los resultados del modelo (M/M/ ) : (DG/ / ) se pueden utilizar para determinar aproximadamente los del (M/ / c) : ( DG/ / ) esto cuando c crece "lo suficiente". La ventaja que esto ofrece es que las operaciones son mucho ms sencillas en el modelo (M/M/ ) : (DG/ / ) . Tambin vale la pena destacar que los clculos demuestran que cuando se hace chica (es decir), es mucho mayor que , el modelo (M/M/ ) es una aproximacin bastante exacta del modelo (M/M/c) aun para c tan chica como 10. - Modelo de servicio de mquinas (M/M/R) : (DG/K/K), R > k. En este modelo se supone que se dispone de R tcnicos en reparaciones para dar servicio a k mquinas. Como una maquina descompuesta no puede generar nuevas llamadas mientras esta en servicio, el modelo es ejemplo de una fuente de llamadas finita. Si se define como la tasa de descompostura por mquina, se tiene : (k-n) , 0 n k

n = 0, n k n , 0 n R n = R , R n k 0, n > k Sustituyendo por n y n en la expresin de pn se obtiene : k np0 , 0 n R n Pn =k (n! n / R!Rn-R ) p0, R n k n

p0 = {

kn+

k (n! n / R!Rn-R ) n n

las otras medidas de desempeo estn dadas por :

Lq =

(n-R)pn ) = Lq + ef /

Ls = Lq + (RDonde :

= nmero esperado de tcnico s = ef = (R) = (k-Ls)

La segunda expresin de ef se obtiene como sigue. Como la tasa de llegadas dadas n mquinas en el sistema es ( k-n)(donde es la tasa de descompostura por mquina), en condiciones de estado estable : ef = E{ ( k-n) } = ( k-Ls) Los resultados se aplican al caso de un solo tcnico haciendo sencillamente R = 1. En este caso se puede probar que : Lq = k - [ 1+( 1/ ) ] ( 1 p0)

Ls = k -( 1 p0) /

Modelos en lneas de espera que no obedecen la distribucin de Poisson.

Los modelos de lneas de espera donde los procesos de llegada y/o salida no siguen las hiptesis de Poisson, conducen a resultados complejos y tal vez poco manejables. En estos modelos el tiempo de servicio se describe por medio de una distribucin general de probabilidades con media E { t} y varianza var{ t} . El anlisis de esta situacin no proporciona una expresin analtica manejable para las probabilidades pn. En vez de esto, los resultados del modelo slo proporcionan las medidas bsicas de desempeo, Ls, Lq, Ws, y Wq. Para igual a la tasa de llegadas a una instalacin con un solo servidor y dadas E{ t} y var{ t} como la media y la varianza de la distribucin del tiempo de servicio, se puede demostrar usando el anlisis de cadena de Markov que : Ls = E{ t} +[ 2( E2{ t} +var{ t} ) ] / 2 (1- E{ t} ) , (M/G/1) : DG/ / ) donde : E{ t} < 1 , de esta frmula se obtienen : Ws = Ls / Lq = Ls- E{ t} Wq = Lq / Aqu la tasa de servicio est dada por = 1/ E{ t} y e, f = para este modelo. Para el caso cuando el tiempo de servicio es aproximadamente constante, var { t} = 0 la frmula de Ls anterior se reduce a : Ls = + 2/ [ 2 (1 ) ] , (M/D/1) : (DG/ / ) donde = / y es la tasa constante de servicio. Las otras medidas de desempeo permanecen iguales. Si el tiempo de servicio es tipo Erlang con parmetros m y , con E{ t} = 1/ y var{ t} =1/(m 2) , la frmula de Ls sera : Ls = + ( 1+m) / (2m) [ / ( 1- ) ] , (M/Em/1) : (DG/ / )

Modelos de lneas de espera con prioridades en el servicio .

En los modelos de espera con prioridad, se suponen que se forman varias lneas de espera en paralelo, incluyendo los clientes que pertenezcan a cierto orden de prioridad. Si la instalacin tiene m, lneas de espera, suponiendo que la lnea de espera 1 tiene ms alta prioridad de servicio y la lnea de espera m incluye a clientes con ms baja prioridad. Las tasas de llegadas y servicio pueden variar para las diferentes filas de prioridad. El servicio de prioridad puede seguir una de estas dos reglas: 1. Regla de prioridad, donde el servicio de un cliente de ms baja prioridad puede ser interrumpido para favorecer a un cliente que llegue con ms alta prioridad. 2. Regla de no prioridad, donde un cliente, una vez que esta siendo atendido, saldr del establecimiento slo despus de que acabe ser atendido e independientemente de la prioridad del cliente que llegue. A continuacin se analizaran dos modelos que se rigen por la regla de no prioridad, que se aplican a servidores nicos y mltiples. En el caso de servidor nico supone llegadas de Poisson y distribuciones de servicio arbitrarias. En el caso de servidores mltiples, las llegadas y salidas siguen la distribucin de Poisson. El smbolo NPRP se utiliza con la notacin de Kendall para representar la disciplina de no prioridad, Mi y Gj representan distribuciones de Poisson y arbitraria.

Modelo de no prioridad con un servidor (M/G/1) : (NPRP/ / ) .

Sea Fi (t) la FDA de la distribucin de tiempo de servicio arbitraria para la i-sima lnea de espera (i = 1,2, m) y sea E{ t} y var{ t} la media y la varianza ,adems sea i la tasa de llegada en la i-sima fila por el tiempo unitario. Los valores de las medidas de desempeo se obtendrn de las siguientes expresiones : Wq(k) = [ i (E2{ t} +var{ t} )] / 2( 1-Sk-1) ( 1-Sk) Lq(k) = kWq(k) Ws(k) = Wq(k) + Ek{ t} Ls(k) = Lq(k) + k donde : k = kE{ t} Sk = i< 1 , k = 1,2,3 , m

S0 = 0 y aqu se definen Lq(k), Wq(k), Ls(k) y Ws(k) como las medidas de desempeo para la k-sima lnea de espera. Adems el tiempo de espera estimado en la lnea de espera para cualquier cliente sin importar su prioridad est dado por :

Wq = donde :

( k/ ) Wq(k)

i y k/ es el peso relativo de Wq(k). Un resultado similar se aplica a Ws.

- Modelo de no prioridad con varios servidores (M/M/c) : (NPRP/ / ) . Este modelo supone que todos los clientes tienen la misma distribucin del tiempo de servicio, los c canales tienen una distribucin de servicio exponencial idntica con tasa de servicio . Las llegadas de K-sima lnea de espera con prioridad ocurren segn una distribucin de Poisson con una tasa de llegada K, k = 1,2, ,m. Se puede demostrar para la k-sima lnea de espera que: Wq(k) = E{ 0} / ( 1-Sk-1) ( 1-Sk) , k = 1,2, ,m donde : S0 = 0

Sk =

i / c < 1

E{ 0} = 1/ c [ -c( c- ) ( c-1) !( n/ n!+ 1 ) , = / y la espera numrica estimada en la lnea de espera para todo el sistema viene dada por : Lq = Wq.

Lneas de espera sucesivas o en serie. Modelo en serie de dos estaciones con capacidad de lneas de espera cero.

A continuacin se analizaran lneas de espera de Poisson con estaciones de servicio dispuestas en serie, de manera que todo cliente debe pasar por las dos estaciones antes de completar el servicio. Para este modelo que describe esta situacin los tiempos de servicio en cada estacin estn exponencialmente distribuidos con la misma tasa de servicio . Las llegadas ocurren segn una distribucin de Poisson con tasa y no se permiten colas en ninguna de las dos estaciones. Para plantear este modelo se requiere de identificar primeramente los estados del sistema. Los smbolos 0, 1, b, representan los estados libres, ocupado y bloqueado respectivamente. Sean i y j los estados en la estacin 1 y 2. Entonces los estados del sistema se pueden representar : { ( i, j) } = { ( 0, 0) ; ( 1, 0) ; ( 0, 1) ; ( 1, 1) ; ( b, 1) } Definiendo pij(t) como la probabilidad de que el sistema se halle en el estado (i, j) en el tiempo t. Las probabilidades de transicin entre los tiempos t y t+h se resumen en la siguiente tabla: Estados t (0, 0) (0, 1) (1, 0) (1, 1) (b, 1) (0, 0) 1- h h( 1- h) (0, 1) 1- h- h h( 1- h) h( 1- h) h( 1- h) (1, 0) h 1-h h (1, 1) h( 1- h) (b, )

( 1- h) ( 1- h) h 1-h

Nota : Los cuadros vacos indican que las transiciones entre los estados indicados t y t+h son imposibles (=0). Por esto se pueden plantear las siguientes ecuaciones: p0, 0(t+h) = p0, 0(t)(1- h) + p0, 1(t)( h) p0, 1(t+h) = p0, 1(t)( 1- h- h) + p1, 0(t)( h) + p b, 1( t) ( h) p1, 0(t+h) = p0, 0(t)( h) + p1, 0(t)( 1- h) p1, 1(t)( h) p1, 1(t+h) = p0, 1(t)( h) + p1, 1(t)( 1-2 h)

pb, 1(t+h) = p1, 1(t)( h) + p b, 1(t)( 1- h) Recordando los trminos y tomando los lmites apropiados, las ecuaciones de estado estable son : p0, 1 - p0, 0 = 0 p1, 0 + p b, 1- p1,0 = 0 p0, 0 + p1, 1 p1, 0 = 0 p0, 0 + 2p1, 1 = 0 p1, 1 p b, 1 = 0 Analizando estas ecuaciones y agregando la siguiente condicin : p0, 0 + p0, 1 + p1, 1 + p b, 1 = 1 se llega a la conclusin de que la solucin para p i, j es : p0, 0 = 2/A p0, 1 = ( 2 ) / p1, 0 = ( 2 + 2 ) / p1, 1 = p b, 1 = 2/ donde A = 3 2 + 4 + 2. El nmero esperado en el sistema puede obtenerse como: Ls = 0 p0, 0 + 1(p0, 1 + p1, 0) + 2( p1, 1 + p b, 1) = ( 5 2 + 4 ) / 4 . - Modelo en serie de K estaciones con capacidad de lneas de espera infinita. Considere un sistema con k estaciones en serie, supngase que las llegadas a la estacin, provienen de una poblacin infinita de acuerdo a una distribucin de Poisson con tasa media de llegadas . Las unidades atendidas pasaran sucesivamente de una estacin a la siguiente hasta que salgan por la estacin k. La distribucin del tiempo de servicio en cada estacin i es exponencial con tasa media i para i = 1,2, ... , k. En estas condiciones, puede probarse que para i, la salida de la estacin i sigue una distribucin de Poisson con tasa media y que cada estacin puede tratarse

de forma independiente como un modelo (M/M/1) : (DG/ / ) . Esto significa que para la i-sima estacin las probabilidades de estado estable p n, i estn dadas por : pn, i = (1- i) ini ni = 0, 1, 2 ... para i = 1, 2, 3, ... ,k donde ni es el nmero en el sistema que solo consta de la estacin i. Los resultados del estado estable solo existirn si : i= / i < 1 . El mismo resultado puede extenderse al caso donde la estacin i incluye c i servidores en paralelo, cada uno con la misma tasa de servicio exponencial i por unidad de tiempo. En este caso cada estacin puede ser tratada como un modelo (M/M/c) : (DG/ / ) con tasa media de llegadas . De nuevo, los resultados de estado estable prevalecern nicamente si = ci i para i = 1, 2, ... , k. FUENTE: http://fmarrerodelgado.galeon.com/colas.html