Está en la página 1de 19

Universidad Csar Vallejo Piura Facultad de Ingeniera

INVESTIGACIN DE OPERACIONES

LA INVESTIGACIN DE OPERACIONES Existen diversas definiciones para la Investigacin de Operaciones, pero vamos a realizar una sntesis de J. Wiley de 1957, extrada de una entrevista para una publicacin de administracin moderna en la universidad de Harvard: "La Investigacin de Operaciones es la aplicacin del mtodo cientfico al estudio de las alternativas en una situacin problema, con miras a proporcionar una base cuantitativa, para llegar a una solucin ptima, en trminos de las metas buscadas" La investigacin de Operaciones no proporciona decisiones, slo datos cuantitativos, para ayudar al director o al administrador a tomarlas y su mayor contribucin ha sido, el desarrollo de los modelos conceptuales para la toma de decisiones. Podemos citar a los modelos descriptivos, llamados tambin de simulacin, usados en ciertas situaciones generalmente complejas o a los modelos de Optimizacin, cuyo propsito es llegar a una solucin optima en trminos de un objetivo. LOS PASOS QUE SIGUE LA INVESTIGACIN DE OPERACIONES 1. Definicin del Problema: es el resultado de la observacin y el anlisis del sistema y sus objetivos. Aqu debe reconocerse el rea problema donde han de operar las soluciones, la cual, el investigador tcnicamente le denomina sistema. El propsito de definir el problema pasa en primer lugar por reconocer las varias alternativas existentes y principalmente determinar cul es el objetivo que se plantea, para, en trminos de ese objetivo, poder definir la medida de efectividad. Un enfoque muy sencillo, es usar ciertas metas como restricciones funcionales, diciendo por ejemplo: el objetivo del problema es minimizar los costos, pero manteniendo un nivel mnimo de servicio al cliente o un nivel mximo de existencias 2. La Construccin de un Modelo : luego de tener una visin clara del problema y definidos: el sistema, los objetivos y sus consecuentes medidas de efectividad y de haber identificado, cuales sern nuestras restricciones operativas, el siguiente paso es formular el problema, construyendo un modelo relacional matemtico, capaz de reflejar la realidad funcional del sistema. Aunque todos los modelos van encaminados a simular la realidad, los que se denominan modelos de simulacin, son aquellos, en los cuales parcialmente se controlan algunas de las variables involucradas y se tienen que asignar posibles valores, para aquellas variables no controladas Qu son las variables controladas y no controladas en un modelo de simulacin? Vamos a valernos de un modelo de marketing en una empresa cualquiera, para explicar su diferencia: La empresa si lo desea, puede probar con un nmero diferente de distribuidores y vendedores en su aparato organizacional, contratar y/o prescindir de los que sean necesarios, para efectivizar sus variables (las variables controladas, en funcin de los objetivos), en cambio, los precios de la competencia, sern ajenas al control de la organizacin y slo podrn asumirse con cierto grado de posibilidad (llamadas, variables no controladas) 3. Obtencin de una Solucin: para llegar a una solucin existen dos procedimientos vlidos y ampliamente usados. El procedimiento analtico: estableciendo una serie de relaciones matemticas tan exactas como sencillas nos sea posible (las que se estudiarn con mayor detalle con los Modelos). Este anlisis nos permite reconocer y prescindir de las variables que no tienen la importancia suficiente, en la bsqueda de la solucin razonable al problema que nos hemos planteado El procedimiento numrico: el analista o programador prueba con varios valores para las variables de control. Los procedimientos numricos varan desde la simple prueba de acierto o error, las iteraciones sucesivas de ensayo y repeticiones complejas, hasta que se logre la aproximacin a una solucin optima. Se han desarrollado algunas tcnicas para ayudar a los analistas a emprender ms rpido los ensayos y a identificar las soluciones ptimas. 4. Probar el Modelo: esto puede hacerse comparando los resultados obtenidos en el modelo, con la realidad emprica (con lo que sucede en el sistema real), recurriendo por lo general a registros histricos y en la prctica, es la manera ms sencilla de validarlo

Valdivieso Ojeda, Franklin

-7-

Universidad Csar Vallejo Piura Facultad de Ingeniera

INVESTIGACIN DE OPERACIONES

5.- Retroalimentacin: un modelo que alguna vez fue preciso puede dejar de serio, por lo tanto se deben detectar las desviaciones de los insumos (inputs) que se obtienen en la realidad, del sistema, para corregir y ajustar dichas desviaciones en nuestro modelo. 6.- Poner en Prctica la solucin: que el modelo se implante y los insumos operen para poner en prctica las soluciones encontradas es el paso culminante, a este respecto, los investigadores de operaciones tienen muy en claro que una vez implantado el modelo, el monitoreo y el asesoramiento recin empiezan. Modelos de Decisin en Investigacin de Operaciones La Investigacin de Operaciones aborda en la actualidad, problemas de diversa naturaleza: a. Problemas determinsticos b. Problemas bajo condiciones de riesgo c. Problemas bajo condiciones de incertidumbre Los problemas determinsticos: son aquellos donde nos es posible conocer los insumos y las condiciones operacionales caractersticas del sistema, cuyas salidas podemos considerarlas como singulares, es decir, se presentan de una nica manera. Los problemas en condiciones de riesgo , son aquellos donde a pesar de no tener salidas singulares, nos es posible estimar la ocurrencia de las salidas en trminos de probabilidades. Los problemas en condiciones de Incertidumbre en cambio, no permiten estimar las salidas en funcin de probabilidades, (en el caso que nos sea posible conocer los posibles resultados) y algunas veces, tampoco se nos permite conocer, cul ser la ocurrencia de los resultados Qu es un modelo? Es un medio utilizado frecuentemente para analizar el comportamiento de un sistema real, casi siempre, con el fin de mejorar su desempeo. El modelo, es una representacin razonablemente fiel, de una realidad emprica, donde se nos permite simplificar algunas caractersticas de la realidad de un problema, con la finalidad de construir la estructura lgica ms adecuada para su anlisis formal. Clasificacin General de los Modelos de investigacin de Operaciones 1. Modelos Icnicos o Fsicos: Como maquetas, mapas, globos terrestres, etc. 2 Modelos Por Analoga: Se construye un "Modelo Sustituto", el que nos permite representar al real, para analizar su comportamiento. . 3. Modelos Simblicos: Utilizan los smbolos y relaciones matemticas, se representan en forma analtica como un conjunto de ecuaciones e inecuaciones matemticas 4. Modelos descriptivos: Expresados en lenguaje convencional (Ingles, espaol, etc.).Tienen como base la intuicin y el sentido comn 5. Modelos Tipo Procedimiento: Llamados tambin "Modelos de Simulacin. Conjunto de procedimientos a seguir para la solucin a un problema. 6. Modelos Mentales: Representacin de ideas, imgenes y supuestos que influyen en nuestro modo de comprender las cosas y buscar las soluciones, etc. Elementos: Para que un modelo cientfico sea til, debe incorporar realismo y simplicidad. Por un lado debe ser una aproximacin necesaria y razonable del sistema real (incorporando sus caractersticas esenciales), por el otro, debe buscarse la simplicidad, de otra manera sera un instrumento intil, imposible de manipularlo y demasiado costoso o complicado. Fases de un Estudio de Investigacin de Operaciones Tradicionalmente se consideraban como tres, las fases por las que pasaba el estudio de un problema de Investigacin Operacional: La fase de Anlisis, la fase de diseo y finalmente la de seleccin. En la actualidad se incluyen: 1. El planteamiento del problema 2. La construccin del Modelo para representar el sistema donde opera 3. La obtencin de una solucin 4. Las pruebas y evaluacin de la solucin. 5. Implantacin y retroalimentacin (Aplicacin y Conservacin de la Solucin).

Valdivieso Ojeda, Franklin

-8-

Universidad Csar Vallejo Piura Facultad de Ingeniera

INVESTIGACIN DE OPERACIONES

Los Modelos de Programacin Lineal Modelos Programacin : Lineal : : Por que son una representacin (abstraccin), de un sistema "real" Utilizamos este trmino como sinnimo de planeacin (Plan de accin) para conseguir un objetivo de optimizacin. Puesto que este tipo de modelo, expresa todas sus relaciones funcionales mediante expresiones de primer grado.

La estructura del modelo matemtico de programacin lineal es la siguiente: 1. Una funcin objetivo 2. Un conjunto de restricciones: funcionales, relacionales u operacionales 3. Un conjunto de condiciones tcnicas (condiciones de aplicabilidad de la solucin encontrada) La Funcin Objetivo Como se ha explicado, en todo Modelo de Programacin Lineal, solamente hay una funcin objetivo y ser bien de maximizacin o minimizacin. Cualquier meta adicional que se plantee se deber formular como una restriccin operacional, de tal forma, que en dicha restriccin, se establezca cuales debern ser los niveles mnimos o mximos permitidos o aceptados en la solucin. As por ejemplo: El objetivo de una planta de produccin es minimizar lo costos, pero con una produccin no menor a ciertos niveles requeridos (los que deben garantizar el abastecimiento a los clientes) La formulacin matemtica de los objetivos, es una funcin lineal de la forma: Optimizar Z = C1X1 +C2X2 + ...CnXn Z, define la medida de efectividad del sistema, como una funcin lineal de Optimizacin, donde "Optimizar" puede significar: maximizar (utilidades, rendimientos, ganancias) o minimizar (tiempos, costos, desperdicios, etc.) Formulacin de restricciones En esta parte del modelo, se plantean mediante ecuaciones e inecuaciones matemticas, las capacidades operativas del sistema, las disponibilidades de los recursos, las demandas potenciales del mercado o la manera en que se transforman o usan los recursos disponibles, (mediante los coeficientes de transformacin a ij) .Los coeficientes usados en las restricciones y en la funcin objetivo son llamados parmetros del problema, los cuales, deben ser necesariamente conocidos. Su formulacin matemtica, son un conjunto de relaciones, todas lineales, de la forma:

aij Xj = bi
a11X1 + a12X2 + a13 X3 + a1nXn a21X1 + a22X2 + a23 X3 + a2nXn a31X1 + a32X2 + a33 X3 + a3nXn Donde: ......................................................... = b1 = b2 = b3 .............

aij : Coeficientes tecnolgicos de transformacin am1X1 + am2X2 + am3 X3 + amnXn = bm bi : disponibilidad, capacidad o demanda, de cada factor Xj : Variable de decisin o actividad de produccin, que utiliza los recursos Condiciones tcnicas:

Valdivieso Ojeda, Franklin

-9-

Universidad Csar Vallejo Piura Facultad de Ingeniera

INVESTIGACIN DE OPERACIONES

Toda solucin encontrada debera poder ser aplicada. Nosotros planteamos las condiciones tcnicas de aplicabilidad cuando formulamos por ejemplo, que toda solucin debe ser mayor o igual a cero y en casos de programacin entera, que dichos valores no sean fraccionarios Xj 0 Propiedades de los Modelos de Programacin Linea l: La mayora de ellas resultan ms que evidentes: Linealidad: Por que todas las funciones del modelo son "lineales" o de primer grado Certeza: Puesto que todos los parmetros son valores conocidos y adems determinsticamente, (de una nica manera), por otra parte, las salidas que se obtienen son siempre singulares Existencia de una sola funcin Objetiva. Por que en los modelos de programacin lineal solamente se plantea la optimizacin un objetivo Aditividad: Podemos verificar esta propiedad claramente, en la funcin Objetivo: "La contribucin total es el resultado de la sumatoria de las contribuciones parciales de cada variable de decisin". De igual manera, el consumo o gasto total de un recurso, es la sumatoria de cmo utiliza cada variable o actividad dicho recurso (el gasto de todas las actividades individuales) Proporcionalidad: Se evidencia claramente, al formular matemticamente las contribuciones de cada variable de decisin, en la funcin Z, con el trmino Cj.Xj. La contribucin total es proporcional al nivel de actividad de la variable X, es decir, se ganar el doble, si se produce el doble Ejemplos 1.- La CIA Full Electronics actualmente ensambla equipos de sonido y DVDs. Cada Equipo de sonido vendido tiene un margen de utilidad de $ 30.0 y cada DVD de $ 10.0. Ambos productos hacen uso de los departamentos de ensamblado digital, as como de control de manufactura. Las disponibilidades, en horas semanales, de ambos departamentos, son: Ensamblaje = 400 horas, QC = 250 horas. Por otra parte, el tiempo necesario para producir cada uno de los electrodomsticos en cada departamento es: un equipo de sonido necesita una hora en el departamento de ensamblaje y 0.25 horas en el departamento de control de calidad Cada DVD necesita 0.5 horas en ensamblaje y 0.10 horas de control de calidad Desarrolle un modelo de PL, orientado a la Maximizacin de utilidades, en la produccin semanal de la CIA Definicin de las variables: X1 = cantidad de equipos de sonido que se deben producir X2 = cantidad de DVDs que se deben producir Formulacin de la funcin Objetivo Las utilidades marginales por cada variable de decisin son: 30 dlares por cada equipo de sonido y 10, por cada DVD. El objetivo, es la maximizacin de las utilidades combinadas de los dos artculos
Max Z = 30 X1 + 10X2

Las restricciones Funcionales X1+ 0.50 X2 400 0.25X1 + 0.10 X2 250 Las condiciones tcnicas

Valdivieso Ojeda, Franklin

- 10 -

Universidad Csar Vallejo Piura Facultad de Ingeniera X1, X2 0, enteras

INVESTIGACIN DE OPERACIONES

2.- Una fbrica de carpas de campaa multipersonales, actualmente produce dos modelos, cuyos precios de venta unitarios en el mercado, son: $. 140.00 y $ 170.00, respectivamente. Los materiales usados en la fabricacin son: lona pesada y tela impermeable. En la siguiente tabla se proporcionan los estndares de produccin y los costos unitarios por modelo
Modelo - Material Modelo 1 Modelo 2 Lona 4m 6m Tela Impermeable 6m 4m Horas -Maquina 2 4 Cost. Unit $ 100.00 $ 120.00

Actualmente, la fbrica solamente tiene pendiente, un contrato con Defensa Civil por 20 unidades del Modelo-1 y las disponibilidades de los factores de produccin ascienden a: 200 metros de Lona, 240 de tela impermeable y 120 horas mquina. A partir de Informacin proporcionada: Formule el modelo de Programacin Lineal que maximice las utilidades Definicin de las variables: X1 = cantidad de carpas del modelo-1, que se deben producir X2 = cantidad de carpas del modelo-2, que se deben producir Formulacin de la funcin Objetivo Las utilidades marginales, por cada variable de decisin, se calcularn a partir de los precios de venta y sus respectivos costos: Modelo-1: Modelo-2:
140- 100 = 40 dlares por cada carpa producida 170- 120 = 50 dlares por cada carpa producida

El objetivo, es la maximizacin de las utilidades combinadas de los dos productos Max Z = 40 X1 + 50X2 Las restricciones Funcionales 4X1 6X1 2X1 X1 + 6 X2 200 + 4X2 + 4X2 240 120 20

X1, X2 0, enteras

Las condiciones tcnicas

3.-Una escuela de primaria de la ciudad, ha preparado para sus 500 alumnos, una excursin por el da de la primavera y se ha puesto en contacto con la empresa de transporte que goza de su mayor confianza. La empresa de transporte le asegura 8 omnibuses medianos de 32 plazas y 10 grandes de 50 plazas, pero para esa fecha slo dispondr de 14 conductores. El alquiler de cada vehculo grande cuesta 200 soles y el de cada mediano, 120 soles. Calcular Cuntos vehculos de cada tipo se debern alquilar, para que el costo de la excursin resulte lo mas econmica posible para la escuela? Definicin de las variables: X1 = numero de unidades de transporte medianos, que se deben alquilar X2 = numero de unidades de transporte grandes, que se deben alquilar

Valdivieso Ojeda, Franklin

- 11 -

Universidad Csar Vallejo Piura Facultad de Ingeniera

INVESTIGACIN DE OPERACIONES

Formulacin de la funcin Objetivo El objetivo, es la minimizacin de los costos combinados de alquiler, de los transportes que sern usados en la excursin por el da de la primavera Min Z = 120 X1 + 200X2 Las restricciones Funcionales 32X1 + 50X2 X1 X2 X1 + X2 500 8 10

14

Las condiciones tcnicas X1, X2 0, enteras Ejemplo -4 Los propietarios de una pequea bodega, han decidido vender gaseosas y cerveza los fines de semana y aprovechar su proximidad a las plataformas deportivas, situadas a unos cuantos metros (frente a su local), as que adquieren una congeladora y deciden empezar este sbado. La caja de gaseosa chica, la compraran a 12 soles (por 24 botellas) y cada unidad la venderan a 70 cntimos La botella de litro y medio a 2.20 soles y la venderan a 3.5 soles ( por unidad) La caja de cerveza cuesta 30 soles y cada botella la venderan a 3.5 soles Dicha congeladora tiene una capacidad para 8 cajas de cerveza grande (96 botellas) Para 10 cajas de gaseosa chica , si se llenara de gaseosas de litro y medio, para 42 botellas. Los deseos de los dueos, son maximizar sus ganancias , pero adems consideran que deberan tener al menos 2 cajas de cerveza helndole, unas tres cajas de gaseosa chica y aunque sea, unas 8 botellas de litro y medio de gaseosa. Asesore a la pequea bodega y optimice sus utilidades. Solucin producto Gaseosa chica Botella gaseosa 1 litro y medio Botella de cerveza grande

costo venta Margen de Utilidad

0.50 0.70 0.20

2.20 3.50 1.30

2.50 3.50 1.0

Declaracin de las variables GC = cantidad de botellas de gaseosa chica a congelar GG = cantidad de botellas de gaseosa grande (litro y medio) a congelar CG = cantidad de botellas de cerveza grande a congelar El objetivo : La maximizacin de las ganancias

Valdivieso Ojeda, Franklin

- 12 -

Universidad Csar Vallejo Piura Facultad de Ingeniera Max Z = 0.20 GC. + 1.30 GG + 1.0 CG RESTRICCIONES GC / 240+ GG / 42 + CG /96 1 CG GG GC GC, GG, CG 0, enteras 24 8 36

INVESTIGACIN DE OPERACIONES

Plantee la condicin adicional, que la seora cuenta actualmente con 200 soles, para empezar el negocio EL MODELO DE MEZCLAS El modelo de Mezclas se orienta hacia la optimizacin (minimizacin de los costos) que se producen al mezclar, diferentes productos (insumos), los cuales debern ser capaces de satisfacer unos requerimientos especificados El ejemplo planteado a continuacin, esta referido, a la optimizacin de mezclas de fertilizacin agrcola El modelo clsico de mezclas agrcolas requiere la siguiente informacin 1. Una lista de todos los posibles productos (insumos agrcolas), que puedan ser utilizados para satisfacer los requerimientos del campo 2. La composicin porcentual en peso de los elementos y/o componentes 3. Los costos unitarios de los insumos 4. Puede o no incluir, la asimilacin porcentual del insumo y/o componente, por parte de la planta 5. El tamao de la plantacin ( nmero de plantas ) 6. Los requerimientos ( cantidades requeridas en peso de los elementos qumicos ), por planta o del total del campo 4. El grupo agro exportador Mangos Piuranos, se encuentra en la fase de abonamiento de uno de sus campos ubicado en el valle de Cieneguillo. El experto en fruticultura ha recomendado las siguientes dosis de N, P, K, luego del anlisis de suelos practicado la semana pasada: 400 gramos de Nitrgeno (N), 230 gramos de fsforo (P) y 120 gramos de Potasio (K), por cada plantn. En dicho campo se practica agricultura intensiva en las 600 hectreas que se poseen y en cada Ha, existe una densidad de 410 plantas. Se le plantea al encargado de ingeniera industrial, que desarrolle un modelo matemtico de programacin lineal orientado hacia la optimizacin de los costos. Los tres productos triples que se consiguen en el mercado tienen la siguiente composicin por Kg y sus costos por bolsa de 50 Kg se muestra a continuacin:

PRODUCTO TRIPLE A

gramos de N por Kg de producto 460

gramos de P por Kg de producto 170

Gramos de K por Kg de producto 90

Costo por Kg S/. 1.80

Valdivieso Ojeda, Franklin

- 13 -

Universidad Csar Vallejo Piura Facultad de Ingeniera


TRIPLE B TRIPLE C 380 360 240 160 80 120

INVESTIGACIN DE OPERACIONES

S/. 1.65 S7. 1.60

Total de plantones en el campo: 600 x 410 = 246000 Necesidad de N, P, K, en kilogramos, en el campo: N: P: K: 24600 x 0.400 = 98400 24600 x 0.230 = 56580 24600 x 0.120 = 29520

Formulacin del Modelo El problema consiste en determinar las cantidades de cada producto, (A, B, C) que debern mezclarse, de un nmero disponible de productos, llamados insumos, los que contienen algunos de los elementos requeridos (en ciertas cantidades). Dicha mezcla debe satisfacer las condiciones planteadas (las necesidades mnimas) y resultar la ms econmica de ponerse en prctica Definicin de las variables: X1 = Kilogramos del Triple-A en la mezcla X2 = Kilogramos del Triple-B en la mezcla X3 = Kilogramos del Triple-C en la mezcla Formulacin de la funcin Objetivo El objetivo, es la minimizacin de los costos totales de mezclar los productos triples, que sern usados en el abonamiento, de acuerdo a las necesidades del campo.
Min Z = 1.80 X1 + 1.65X2 + 1.60 X3

Las restricciones Funcionales 0.460 X1 + 0.380 X2 + 0.360 X3 0.170 X1 + 0.240 X2 + 0.160 X3 0.090 X1 + 0.080 X2 + 0.120 X3 Las condiciones tcnicas
X1, X2, X3 0

98400 (requerimiento de Nitrgeno) 56580 (requerimiento de Fsforo) 29520 (requerimiento de Potasio)

MODELO DE DECISIN PARA LA ADQUISICIN DE MAQUINARIA 5. Esta CIA, ha decidido adquirir nuevos camiones de acarreo de minerales, para sus operaciones en Cerro de Pasco y actualmente debe decidir la compra de la flota y la composicin de la misma, basados en las necesidades que le formulan sus diversos departamentos. El departamento de logstica analiza las prestaciones ms significativas, en el desempeo de los tres modelos ms confiables del mercado, las que se describen a continuacin: Vehculo Acarreo veloc de Trabajo Precio (US. $) T-Oper.dia
1 oper 2 oper 21 h 2 oper

operarios

K-70 70 TM 40 km/ h C-110 110 TM 35 km/h JD-100 100 TM 35 km/h

0.8 millones 18 h 1.3 millones 22 h 1.1 millones

Dicho departamento, ha resumido las necesidades de todas compra, de la siguiente manera:

las reas involucradas con la

La gerencia le ha asignado 30 millones de dlares para dichas adquisiciones

Valdivieso Ojeda, Franklin

- 14 -

Universidad Csar Vallejo Piura Facultad de Ingeniera

INVESTIGACIN DE OPERACIONES

El Departamento de Mantenimiento ha planteado tener capacidad de atencin para la nueva flota hasta para 30 unidades El Departamento de Recursos humanos considera que solamente puede dar alojamiento para 150 nuevos operarios en el campamento (contrataciones de personal, destinados para la nueva flota) El presupuesto asignado para el mantenimiento de la nueva flota es 960 mil dlares anuales

Adicionalmente le proporcionamos la informacin necesaria, relacionada con el costo de mantenimiento y las tareas en la empresa: Los costos de mantenimiento-anuales por vehculo son :
K-70 = USS/. 25 000 C-110 = USS/. 40 000 JD-100 =USS/. 30 000

Las actividades en la minera se realizan a tiempo completo , tres turnos al da

Formule Usted el modelo de P.L que le permita a la CIA adquirir la nueva flota y optimizar la tarea de acarreo, (carga y distancia movilizada), en las operaciones diarias. Formulacin del Modelo El problema consiste en seleccionar como estar compuesta la flota de vehculos destinados al transporte de material en la mina, de tal forma, que se maximice la capacidad diaria de acarreo. La medida de efectividad que definimos como acarreo resulta del producto de la capacidad de carga muerta de los vehculos, la velocidad promedio de operacin y el nmero de horas efectivas al da que pueden trabajar los camiones. Definicin de las variables: XK = nmero de unidades de los camiones K-70 a comprarse XC = nmero de unidades de camiones C-110 a comprarse XJ = nmero de unidades de camiones J-100 a comprarse Formulacin de la funcin Objetivo El objetivo, es la maximizacin de la capacidad total de acarreo diario, de la flota a ser adquirida, donde los ndices de productividad de cada variable de decisin, (camiones) son:
K-70 C-110 J-100 : 70 x 40 x 18 :110 x 35 x 22 :100 x 35 x 21 = = = 50400 TM/ da 84700 TM/da 73500 TM/da

Max Z = 50400 XK + 84700 XC + 73500 XJ Las restricciones Funcionales 0.800 XK + 1.300 XC + XK + 3 XK + 25000 XK XC + 6XC + 1.100 XJ XJ 30.0 6XJ 150 30.0

+ 40000 XC +

30000XJ 960000

Las condiciones tcnicas XK, XC, XJ 0, enteras Ejercicios Modelo de Mezclas

Valdivieso Ojeda, Franklin

- 15 -

Universidad Csar Vallejo Piura Facultad de Ingeniera

INVESTIGACIN DE OPERACIONES

1-Cierto granjero regional, dedicado a la crianza y venta de pollo, desea determinar qu cantidades de los distintos tipos de alimentos deber mezclar, de tal forma, que la mezcla alimenticia aporte las cantidades nutricionales necesarias a un costo mnimo. En la tabla siguiente se proporcionan las cantidades nutricionales contenidas en un kilogramo de cada tipo de alimento, los requisitos nutricionales totales diarios de la granja y los costos por kilogramo de los alimentos disponibles

Ingrediente nutricional

Kilogramo de balanceado de maz 190 130 105 0.92

Kilogramo de Pasta de algodn 150 80 120 1.36

Kilogramo de balanceado de soya 140 160 116 1.40

Requerimiento mnimo diario de la granja 20000 18000 7500

Carbohidratos Protenas Vitaminas Costo (c)

2. El Fundo Sol del Chira, actualmente desea realizar las tareas de abonamiento de su plantacin de limones, estimadas en unas 5000 plantas. El propietario se ha visto entusiasmado por la idea de aplicar la programacin lineal por primera vez en su empresa y lograr la optimizacin del costo relacionado con el abonamiento, que esta a punto de realizar. Para ello, realiza el anlisis de suelos del campo y consulta luego con un especialista en fruticultura de ctricos, el cual le recomienda que cada planta requiere una aplicacin de: 300 gramos de N, 100 gramos de P, 225 gramos de K, 70 gramos de Mg y 70 gramos de Ca. Luego de averiguar los diferentes productos que se recomiendan para dicho cultivo, su composicin y los respectivos costos, le solicita la ayuda a su hermano menor, un estudiante de ingeniera industrial, el cual le ha comentado sobre la optimizacin que podra lograrse, formulando un modelo de mezclas de programacin lineal.
Producto SUPER GUANO AZUL NITROFOSKA ELITE CAMPOMASTER MAGNOCAL SULFATO DE CAL NITRATO DE CALCIO NITRATO DE POTASIO NITRATO DE AMONIO SULFATO DE AMONIO FOSFATO DIAMNICO CLORURO DE POTASIO SULFATO DE POTASIO SULPOMAG Composicin porcentual en peso 12% N, 12% P, 17% K, 2% Mg 12% N, 10% P, 20% K, 2% Mg 20% N, 20% P, 20% K 4% Ca, 5% Mg, 30% S 20% Ca, 10% Mg, 10% S, 15.5% N, 26.5% Ca, 13% N, 44% K 33% N, 3% P, 21% N, 24% S, 18% N, 46% P 60% K 50% K, 18% S 22% K, 18% Mg , 22% S Costo de bolsa S/. 83.00 S/. 133.00 S/. 87.00 S/. 29.00 S/. 12.00 S/. 96.00 S/. 96.00 S/. 70.00 S/. 54.00 S/. 80.00 S/. 57.00 S/. 68.00 S/. 48.00 Costo por Kg S/. 1.66 S/. 2.66 S/. 1.74 S/. 0.58 S/. 0.24 S/. 1.92 S/. 1.92 S/. 1.40 S/. 1.08 S/. 1.60 S/. 1.14 S/. 1.36 S/. 0.96

Necesidades por planta en el fundo 300 gr de N 100 gr de P 225 gr de K 70 gr de Mg 70 gr de Ca Plantas en el fundo: 5000 Necesidades totales de cada elemento en el fundo: 1500 Kg. de N 500 Kg. de P

Valdivieso Ojeda, Franklin

- 16 -

Universidad Csar Vallejo Piura Facultad de Ingeniera 1125 Kg. de K 350 Kg. de Mg 350 Kg de Ca

INVESTIGACIN DE OPERACIONES

A partir de la informacin que se describe en el problema anterior, formule el Modelo de Programacin Lineal de mezclas, que debera aplicarse, para minimizar los costos de abonamiento en dicho fundo. 3.- MODELO DE DECISIN DE COMPRA DE MAQUINARIA Cierta empresa minera debe adquirir con urgencia 12 cargadores frontales de gran envergadura (en total) y ha decidido comprarlos localmente a importadores locales y no importarlos directamente, por que el proceso le tomara unos 45 das. Por su elevado costo, actualmente existen solamente dos empresas que los venden y le ofrecen las siguientes condiciones de negociacin: El primero le ofrece ahora slo los cuatro cargadores que dispone en stock a 750 mil dlares y le garantiza que si realiza la compra en unos das (antes de una semana), el precio de los mismos equipos se cotizar en 742 mil por cada uno( por una oferta especial ), comprometindose con cinco unidades adicionales, que le estn llegando. El segundo le podra vender en 746 mil dlares cada uno, los tres que tiene ahora y se compromete en traer con urgencia va area de Brasil a un precio de 750 mil dlares, hasta seis unidades ms, en el transcurso de la semana. El punto es que la empresa necesita un mnimo de 6 unidades en las operaciones ahora y los restantes, podran esperar una semana ms. Formule el Modelo de Programacin Lineal que optimice la compra de la maquinaria. 4. EL MODELO DE INVERSIN DE CARTERA La formulacin de este modelo se orienta hacia la maximizacin de las utilidades , que puede lograrse al colocar un capital disponible, entre dos o ms opciones existentes. El capital ser invertido en una serie de colocaciones, (de acuerdo al plan de inversin de las opciones), de tal forma, que al cabo de un perodo determinado se logr maximizar los retornos totales de la inversin. Cada opcin de inversin genera unas utilidades (intereses), durante el perodo que es colocado el dinero, permitindose la reinversin, total o parcial del dinero disponible, hasta completarse el perodo. La solucin del problema, nos permite conocer la asignacin ptima del capital, en cada uno de los planes, a lo largo del perodo Aplicacin: El Banco Regional actualmente, debe decidir como colocar seis millones de dlares, en los prximos aos. Las dos opciones que actualmente maneja el Banco son los planes (A y B). El Primer plan(A), consta de una serie de colocaciones anuales de capital con una tasa anual de 25% en intereses. El plan B son una serie de colocaciones de dinero por dos aos con unos intereses del 65% al final del periodo (bianual). La institucin se ha planteado recuperar todo dentro de cinco aos. Formule el Modelo de Programacin Lineal que permita al Banco regional optimizar sus utilidades en este quinquenio. 5. EL MODELO DE INVERSIN CON NDICES DE RIESGO Inversiones del Sur es un grupo chileno, que actualmente disponen de un capital de 5 millones de dlares, dispuestos a participar en la economa peruana. Su participacin puede ser total o parcial, en cada una de las cinco opciones siguientes que se les estn presentando. Sus analistas financieros han presentado el siguiente cuadro, resumiendo los montos de participacin total en cada opcin, los retornos esperados al cabo de un ao y los respectivos ndices de riesgo asociado al negocio y de acuerdo al desembolso de capital

OPCIN INMUEBLES

INVERSIN TOTAL POR OPCION 2,000,000

RETORNOS 3,000,000

NDICES DE RIESGO 6

Valdivieso Ojeda, Franklin

- 17 -

Universidad Csar Vallejo Piura Facultad de Ingeniera


GRIFOS SUPERMERCADOS BANCA BOLSA 2,500,000 3,000,000 1,250,000 2,000,000 3,500,000 4,800,000 2,800,000 2,750,000

INVESTIGACIN DE OPERACIONES

5 8 10 4

Los ndices de riego son proporcionales a la asignacin de fondos o participacin en el negocio, as por ejemplo: si se decidiera invertir solo un milln de dlares en la opcin inmuebles, su ndice de riesgo sera 3 (tres), o si la participacin en la bolsa solo fuera de medio milln, el ndice respectivo sera uno (1), y el ndice acumulado sera cuatro (4), para una inversin acumulada de un milln y medio de dlares. Acerca de las posiciones en el directorio: Los accionistas en el directorio han asumido tres diferentes posiciones: 1. Algunos consideran que este ao debera adoptarse una poltica ambiciosa, puesto que los indicadores econmicos en el pas son los mejores y orientarse hacia una maximizacin de utilidades 2. Otros miembros consideran que debera plantearse un retorno no menor al 52.5 % de utilidades (que es la media de la organizacin en la regin) y considerando la crisis en los EEUU y Europa, orientarse hacia una minimizacin de riesgos. 3. El ltimo grupo, considera, que se acercan las elecciones y estn de acuerdo en implantar una poltica orientada a la maximizacin de utilidades, pero con riesgo controlado y cuyo ndice acumulado no supere los 6.5 puntos Formule usted, los modelos de PL de acuerdo a las diferentes polticas de inversin que plantean los miembros del directorio. 4. EL MODELO DE TRANSPORTE El modelo de transporte se orienta hacia la minimizacin de los costos totales de transporte , que se generan al abastecer un conjunto de nodos de demanda, llamados destinos, desde unos nodos fuente (orgenes). El planteamiento del modelo esta basado en los valores conocidos de las capacidades totales de cada una de las fuentes, as como de las demandas o necesidades de cada punto destino. Mediante una funcin objetivo de optimizacin, se describe matemticamente el costo total (combinado) de transporte, a partir de los costos unitarios correspondientes (coeficientes conocidos). La solucin del problema, nos permite determinar las cantidades que debern transportarse, en cada caso, (origen-destino), as como el costo total del transporte Aplicacin: La Empresa Peruana de Cervezas dispone de tres bodegas distribuidas en Lima (O1, O2, O3) para atender los 4 puntos de distribucin en todo el departamento, ubicados al: Norte, Sur, Este y Oeste. Estas bodegas se encuentran ubicadas a escasa distancia de las tres plantas que posee la cervecera en la capital y de donde se distribuye el producto a los 4 puntos antes citados. Los costos de transporte estn en funcin del recorrido (distancia del Origen al destino). Las demandas y las capacidades totales de las fuentes y los puntos de demanda, se muestran en la siguiente tabla
BODEGAS P. NORTE O1 0.55 soles O2 0.70 O3 0.65 DEMANDAS 85 000 costos : en soles P. SUR 0.65 0.60 0.60 50 000 P. ESTE 0.60 0.55 0.75 90 000 P. OESTE CAPACIDAD 0.70 70 000 0.60 120 000 0.65 90 000 55 000 Unidades : cajas de cerveza

Formule el modelo matemtico que le permita a la empresa cervecera optimizar su poltica de costo en el transporte del producto

EL MTODO GRFICO El mtodo grfico, es el ms fcil de comprender de todos los que revisaremos y adicionalmente, nos permitir visualizar algunas de las definiciones importantes que se asocian frecuentemente

Valdivieso Ojeda, Franklin

- 18 -

Universidad Csar Vallejo Piura Facultad de Ingeniera

INVESTIGACIN DE OPERACIONES

con los modelos de programacin lineal, sin embargo, en la prctica, este mtodo tiene una seria limitacin en problemas con ms de dos variables, por lo que resulta inaplicable para la gran mayora de problemas reales. El mtodo se basa en delinear sobre el primer cuadrante (debido a la condicin de no negatividad) el conjunto de ecuaciones e inecuaciones del problema, para delimitar la regin de factibilidad de las soluciones, luego, graficar la funcin objetivo sobre dicha regin y finalmente identificar los valores ptimos de solucin, de acuerdo a las caractersticas de la funcin de optimizacin del problema planteado Definiciones: El mtodo grfico, como ningn otro, es propicio para la comprensin de las siguientes definiciones: La regin de factibilidad: es aquella donde se verifican (cumplen) todas las restricciones formuladas en el modelo Solucin factible: cualquier punto localizado en la regin de factibilidad es una solucin factible Solucin Bsica: se denomina solucin bsica a aquellos puntos que se encuentran en la interseccin de las rectas graficadas, (inecuaciones del modelo) y de stas con los ejes coordenados Solucin Bsica Factible: en la Programacin Lineal, una solucin es bsica y factible cuando la interseccin se encuentra o pertenece a la regin de factibilidad Solucin bsica degenerada: cuando una o ms variables toman el valor igual a cero se tendr una solucin bsica degenerada. Si todas las variables (positivas) son diferentes de cero la solucin es no degenerada Solucin ptima de un Modelo de programacin Lineal: es la solucin que maximiza o minimiza la funcin objetivo y satisface las restricciones planteadas. A continuacin se presenta el siguiente modelo, que nos servir como nuestro primer ejemplo, para comprender dichas definiciones y luego aplicar el mtodo: Ejemplo-1 Z max = SA: 3X1 + 4X2 12 2X1 + 5 X2 10 X1 4 5X1 + 2 X2

Condicin tcnica de no negatividad X1, X2 0 Grfico de las restricciones del modelo y la funcin Objetivo

Valdivieso Ojeda, Franklin

- 19 -

Universidad Csar Vallejo Piura Facultad de Ingeniera

INVESTIGACIN DE OPERACIONES

Origen

Solucin bsica factible no degenerada (Interseccin de rectas C1 y C2)

Punto (4 ,0) interseccin en el eje X1 solucin bsica factible (degenerada)

Regin de factibilidad Punto (0 ,2) interseccin con eje X2 Solucin bsica factible (degenerada)

Solucin ptima degenerada: Punto (4, 0) solucin bsica degenerada (para Y = 0) El Grfico de la Funcin Objetivo: la funcin objetivo es trazada sobre cada uno de los vrtices del polgono de factibilidad y al hacerlo se busca una solucin bsica y factible claro est, pero adems ptima aplicada sobre alguna de las rectas de la familia de Z ptima. Precisamente dicha solucin representa la solucin ptima del programa Para el caso de una funcin de maximizacin (como la del ejemplo), el criterio es seleccionar aquella recta paralela a Z ptima ms alejada del origen, mostrada en trazo continuo en el punto (4,0) Para el caso de una funcin de minimizacin el criterio es seleccionar la recta ms prxima al origen Ejemplo-2 Aplique el mtodo grfico para solucionar los siguientes modelos de programacin lineal Zmax = 5X1 + 3X2 SA: 3X1 + 5X2 15 5X1 + 2X2 10 CNN: X1, X2 0 Graficamos las inecuaciones del modelo sobre los ejes XY, luego encontramos la regin de factibilidad y finalmente trazamos Z ptima (lnea gruesa), sobre los puntos solucin.

Valdivieso Ojeda, Franklin

- 20 -

Universidad Csar Vallejo Piura Facultad de Ingeniera

INVESTIGACIN DE OPERACIONES

La solucin mxima, ser aquella que se encuentra en la regin de factibilidad y aplicada sobre una paralela de la familia Z optima, se encuentra ms alejada del origen

En este caso la solucin ptima es: X1 = 1.05

X2 = 2.37;

Z = 5 (1.05) + 3 (2.37) = 12.37

Ejemplo-3: Encuentre la solucin a travs del mtodo grfico al siguiente modelo de P.L. Zmax = 3X1 + 2X2 SA : 2X1+X2 10000 X1+X2 X1 CNN 8000 4000

X1, X2 0

La solucin ptima encontrada es Zmax= 18, Ejemplo-4:

X 1 =2 , X2= 6

Valdivieso Ojeda, Franklin

- 21 -

Universidad Csar Vallejo Piura Facultad de Ingeniera

INVESTIGACIN DE OPERACIONES

Min Z= 3X1 +4X2 Sa: 2X1 +2.5 X2 20 3X1 +2.7 X2 25 4X1 +1.9 X2 28 X1 X1, X2 0
Al graficar las restricciones del modelo, la regin de factibilidad resultante es un polgono abierto, cuyo punto solucin se encuentra sobre X1 = 5. Obsrvese que el otro punto solucin, corta al eje Y en la ordenada Y0 = 14.74, pero se encuentra mas alejada del origen Solucin ptima del modelo: X1 = 5.0 , X2 = 4.21; Z = 31.84

INTRODUCCIN A LOS MTODOS ANALTICOS DE SOLUCIN LAS TRANSFORMACIONES ELEMENTALES DE UN MODELO DE PROGRAMACIN LINEAL La formulacin (general) de los Modelos de Programacin Lineal es la siguiente

Optimizar Z = C1X1 + C2X2 + + CnXn Sujeto a:

Funcin Objetivo

Valdivieso Ojeda, Franklin

- 22 -

Universidad Csar Vallejo Piura Facultad de Ingeniera a11 x1 + a12x2 + + a1n xn a21 x1 + a22 x2 + + a2n xn am1x1 + am2 x2 + + amnxn Con la condicin general: X1, X2, , Xn 0 = b1 = b2 = bm

INVESTIGACIN DE OPERACIONES

Condiciones Tcnicas de no negatividad

En ella se aprecia, que la funcin lineal de optimizacin, en la prctica, puede ser de minimizacin o de Maximizacin, indistintamente. Ntese as mismo que las restricciones funcionales pueden ser ecuaciones o inecuaciones en ambas direcciones

La Forma cannica de los Modelos de Programacin Lineal


Dos de las formulaciones matemticas de los Modelos de Programacin Lineal se han hecho bastante conocidas: La forma Cannica y la Estandarizada Un Modelo de Programacin Lineal se encuentra en su forma cannica cuando la Funcin Objetivo es de Maximizacin y todas las restricciones funcionales son del tipo menor igual que

Max Z = C1X1 + C2X2 + + CnXn


Sujeto a: a11 x1 + a12x2 + + a1n xn a21 x1 + a22 x2 + + a2n xn am1x1 + am2 x2 + + amnxn Con la condicin (general) : X1, X2, , Xn 0 b1 b2 bm

Funcin Objetivo

Condiciones Tcnicas de no negatividad

La forma estandarizada de los Modelos de Programacin Lineal en cambio, es aquella, en donde las inecuaciones han sido transformadas en ecuaciones (igualdades matemticas, entre los primeros y los segundos miembros de las restricciones). El Proceso de estandarizacin es bastante sencillo, como aprenderemos a continuacin Modelo Estandarizado de Programacin Lineal

Max Z = C1X1 + C2X2 + + CnXn

0S1 + 0 S2

+ .+

0Sm

Funcin Objetivo

sujeto a:
a11 x1 + a12x2 + + a1n xn + S1 a21 x1 + a22 x2 + + a2n xn + S2 am1x1 + am2 x2 + + amnxn + Sm Con la condicin (general): X1, X2, , Xn 0 = b1 = b2 = bm

Condiciones Tcnicas de no negatividad

Valdivieso Ojeda, Franklin

- 23 -

Universidad Csar Vallejo Piura Facultad de Ingeniera

INVESTIGACIN DE OPERACIONES

Si bien es cierto, no todos los Modelos de Programacin Lineal se encuentran expresados en su forma cannica, utilizando las siguientes transformaciones elementales, podemos expresar cualquier otra forma, que tenga el modelo, en su forma Cannica 1. Max. Z equivale a Ejemplo Max Z = 3X1 + 5 X2 + 6 X3 equivale a: Min Z = -3X1 - 5 X2 - 6 X3 Min. Z

De la misma forma
Min Z equivale a Max Z Min Z
2.

= 1.80 X1 + 1.65X2 +1.60 X3

equivale a

Max Z = - 1.80 X1 - 1.65X2 - 1.60 X3

Las restricciones matemticas del tipo O de la misma forma:

AX b equivalen a - AX - b AX b equivalen a - AX - b ejemplo:


equivale a equivale a -5 X1 - 6 X2 - 9 x3 - 9400 3 X 1 - 5 X2 -14

5 X1 + 6 X2 + 9 x3 9400 3 X1 + 5 X 2 14

3.

cada restriccin Funcional formulada mediante una Ecuacin (igualdad) restricciones del tipo AX b

AX = b, equivalen a dos
500

AX b.

Ejemplo:
y 32X1 + 50X2

32X1 + 50X2 = 500 equivale a : 32X1 + 50X2 500 4.

Una variable no restringida en signo, puede expresarse como la diferencia de dos variables no negativas. Ejemplo: Si X1 es una variable no restringida, equivale X1 = X2 X3 Y X1 1200 luego X2 X3 1200

Donde X2, X3 0. La estandarizacin de los Modelos de Programacin Lineal El Proceso de estandarizacin como expresamos anteriormente, consiste en transformar cualquier modelo lineal de programacin y formularlo matemticamente mediante ecuaciones (igualdades), entre los primeros miembros y los segundos, en las restricciones funcionales y Operacionales planteadas. El proceso resulta bastante lgico, Para compensar cada una de las inecuaciones, deberemos agregar una variable de holgura o quitar una variable de exceso al primer miembro, segn sea el caso Las variables de Holgura y de Exceso : Resultan cantidades desconocidas ( variables), las cuales se usarn para igualar ambos miembros de una restriccin La variable de Holgura entonces, es aquella que se adiciona al primer miembro de una inecuacin y compensarla con el segundo miembro, cuando la restriccin (inecuacin) es del tipo menor igual que. Ejemplo:

Valdivieso Ojeda, Franklin

- 24 -

Universidad Csar Vallejo Piura Facultad de Ingeniera

INVESTIGACIN DE OPERACIONES

Si: 3 X1 + 5 X2 14, la manera de compensar ambos miembros de la inecuacin es adicionndole una variable, tal como S1, al primer miembro. Luego: 3 X 1 + 5 X2
+

S1

= 14

La variable de Exceso, ser aquella que se resta al primer miembro de una inecuacin y compensarla con el segundo, cuando la restriccin (inecuacin) es del tipo mayor igual que. Ejemplo: Si : 32X1 + 50X2 500 estandarizamos esta restriccin , restando una cantidad tal como S2 , de tal forma, que ambos miembros se igualen en la ecuacin : 32X1 + 50X2 - S2
=

500

Las Variables Artificiales: Nosotros debemos estandarizar el modelo (como paso previo a la aplicacin del Algoritmo del Simplex), haciedo uso de las variables de Holgura y/o exceso y transformar las inecuaciones en igualdades. Este proceso es muy fcil de comprender para la mayora de los estudiantes, sin embargo, no es suficiente del todo en algunos casos. Las Variables Artificiales se hacen necesarias cuando las restricciones que hemos transformado en ecuaciones tienen variables de exceso (se les ha restado una cantidad) y el signo negativo, dificulta la formacin de la Matriz Unidad (Base) en el tablero inicial. En tales circunstancias recurrimos a estas variables adicionales llamadas Artificiales, cuyo valor es cero, las cuales se agregan al primer miembro y as poder superar esta dificultad inicial. Ejemplo: 32X1 + 50X2 - S2
+

A1 = 500

A1: Variable Artificial igual a cero (Artificio matemtico para salvar el problema que se genera con los signos negativos de las variables de exceso) que se agrega a la ecuacin matemtica

Valdivieso Ojeda, Franklin

- 25 -