Está en la página 1de 1219
INVESTIGACION Dake) aa.7 Xele ss Cree ta Hillier ° Lieberman Pe Pe Cad Ro Introducci6én ORIGENES DE LA INVESTIGACION DE OPERACIONES Desde el advenimiento de la Revolucién Industrial, cl mundo ha sido testigo de un creci- miento sin precedentes en el tamafo y a complejidad de las organizaciones. Los pequefios ta- Ilcres artesanales de otra época se convirtieron en las corporaciones actuales de miles de millones de détares. Una parte integral de este cambio revolucionario fae el gran aumento en la divisidn del trabajo y en la separaci6n de las responsabilidades administrativas en estas or- ganizaciones. Los restiltados han sido espectaculares. Sin embargo, junto con los beneficios, el aumento en el grado de especializacién creé nuevos problemas que ocurren hasta la fecha ‘en muchas empresas. Uno de estos problemas es la tendencia de muchas de las componentes de una organizacién a convertirse cn imperios de relativa autonom(a, con sus propias metas y sistemas de valores; con esto pierden la visién de la forma en que sus actividades y objetivos eneajan con los de toda la organizacién. 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 es que conforme la complejidad y Ia especializacién crecen, se vuelve més dificil asignar los recursos disponibles a las diferentes actividades de la manera més eficaz para la organizacién 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 investigacién de operaciones (a la que también se haré referencia como IO). Las raices de la 1O se remontan a muchas décadas, cuando se hicieron los primeros inten- tos para emplear el método cientifico en la administracién de una empresa. Sin embargo, el inicio de la actividad llamada investigacién de operaciones, casi siempre se atribuye a los servi- cios militares prestados a principios de la Segunda Guerra Mundial. Debido a los esfuerzos bélicos, existfa una necesidad urgente de asignar recursos ¢scasos a las distintas operacio- nes militares ya las actividades dentro de cada operacidnen la forma més efectiva. Poresto, las administraciones militares americana y briténica hicieron un llamado aun gran niimero de cientificos para que aplicaran el método cientifico a éste y a otros problemas estratégicos y tfeticos. De hecho, se les pidid que hicieran investigacin sobre operaciones (militares). Estos equipos de cientificos fueron los primeros equipos de IO, Con el desarrollo de métodos efec- tivos para el uso del nuevo radar, estos equipos contribuyeron al triunfo del combate aéreo britanico, A través de sus investigaciones para mejorar el manejo de las operaciones antisub- marinas y de proteccidn, jugaron tambien un papel importante en la victoria de la batalla del Atlintico Norte. Esfuerzos similares fueron de gran ayuda en la Campafia del Pacifico. Alterminar la guerra, e! éxito de la investigacidn de operaciones en las actividades bélicas generé un gran interés en sus aplicaciones fucra del campo militar. Como la explosi6n indus- trial segufa su curso, los problemas causados por el aumento en la complejidad y especializa- cién dentro de las organizaciones pasaron de nuevo a primer plano. Comenzé a ser evidente 1 Introduccién para un gran mimero de personas, incluyendo a los consultores industriales que habfan traba- jado con o para los equipos de IO durante la guerra, que esto’ problemas eran en esencia los ‘mismos que los enfrentados por la milicia, pero en un contexto diferente. Al inicio de la déca- dade 1950, estos individuos habfan introducido el uso de Ia investigacion de operaciones en la industria, los negocios y el gobierno. Desde entonces, se ha desarrollado con rapidez. Se pueden identificar por lo menos otros dos factores que tuvieron gran importancia en el desarrollo de la IO en este periodo, Uno es el gran progreso que ya se habfa hecho en el me- joramicnto de las técnicas disponibles. Después de la guerra, muchos cientificos que habfan participado en los equipos de IO o que tenfan informacién sobre este trabajo, se encontraban ‘motivados a buscar resultados sustanciales; de esto resultaron avances importantes. Un ejem- plo sobresaliente es el mnétoda simplex para resolver problemas de programacién lineal, desa- rrollado en 1947 por George Dantzig. Muchas de las herramientas caracteristicas de la 10, como programacién lineal, programacién dindmica, Iineas de espera y teorfa de inventarios, se habian desarrollado casi por completo antes del término de la década de 1950. Un segundo factor que dio un gran fmpetu al desarrollo de este campo fue la revoluucién de Jas computadoras. E] manejo efectivo de los complejos problemas inherentes ala IO, casi siem- pre requiere un gran mimero de célculos, Realizarlos a mano puede resultar casi imposible. Por lo tanto, el desarrollo de la computadora electrénica digital, con su capacidad para hacer cilculos aritméticos, miles 0 tal ver. millones de veces mds rapido que los seres humanos, fue tuna gran ayuda para la investigacin de operaciones. Un avance més tuyo lugar en la década de 1980 con el desarrollo de computadoras personales cada vez mds rpidas, acompatiado de buenos paquetes de software para resolver problemas de IO. Esto puso las técnicas al aleance de un gran mimero de personas. Hoy en dia, literalmente millones de individuos tienen acce- so aestos paquetes. En consecuencia, por rutina se usa toda una gama de computadoras, des- de las grandes hasta las portétiles, para resolver problemas de investigaci6n de operaciones. NATURALEZA DE LA INVESTIGACION DE OPERACIONES Como su nombre lo dice, la investigacién de operaciones significa “investigar sobre las ope- raciones”. Entonces, la investigacidn de operaciones se aplica a problemas que se reficren a la conduccidn y coordinacién de operaciones (0 actividades) dentro de una organizacién. La naturaleza de la organizacién es en esencia inmaterial y, de hecho, la IO se ha aplicado de ma- neta extensa en dreas tan diversas como manufactura, transporte, construcci6n, telecomuni- caciones, planeacién financiera, cuidado de la salud, milicia y servicios puiblicos, pornombrar s6lo unas cuantas. Asi, la gama de aplicaciones es extraordinariamente amplia. La parte de investigacién en el nombre significa que la TO usa un enfoque similar a lama- nera en que se leva cabo la investigacién en los campos cientificos establecidos, En gran me- dida, se usa el método cientifico para investigar el problema en cuestién. (De hecho, en ocasiones se usa el término ciencins de la administracién como sindnimo de investigacién de operaciones.) En particular, el proceso comienza por la observaciGn cuidadosa y la formula- cién del problema incluyendo la recoleccién de los datos pertinentes. El siguiente paso es la construccién de un modelo cientifico (por lo gencral matemdtico) que intenta abstraer acsencia del problema real. En este punto se propone la hipétesis de que el modelo es una re- presentacién suficientemente precisa de las caracteristicas esenciales de la situacién para que las conclusiones (soluciones) obtenidas sean vilidas también para el problema real. Después, is 1.3 Impacto de la investigacién de operaciones 3 _ se llevan a cabo los experimentosadecuados para:probar esta hipdtesis, modificarlasiesnece- sario yeventualmente verificarla. (Este paso se conoce comas#idavidwdet: modelo.) Entonces, en cierto modo, la IO incluye la investigacién cientifica creativa de las propiedades funda- mentales de las operaciones. Sin embargo, es mds que esto. En particular, la IO se ocupa tam- bién de la administraci6n practica de la organizacién. Asi, para tener éxito, deberd también proveer conclusiones claras que pueda usar el tomador de decisiones cuando las necesite. Una caracterfstica mds de la investigacién de operaciones es su.amplio punto de vista. Como quedé implicito en la seccién anterior, la IO adopta un punto de vista organizacional. Asi, intenta resolver los conflictos de intereses entre las componentes de la organizacién de forma que el resultado sea el mejor para la organizacién completa. Esto no significa que el ¢s- tudio de cada problema deba considerar en forma explicita todos los aspectos de la organiza- cién, mds bien los objetivos que se buscan deben ser consistentes con los objetivos globales. Una caracteristica adicional es que la investigacién de operaciones intenta encontrar una . mejor solucién (llamada solucidn ¢ptima) para el problema bajo consideracién. (Decimos una mejor solucién y no /a mejor soluci6n porque pueden existir muchas soluciones que empaten como la mejor.) En lugar de contentarse con mejorar el estado de las cosas, la meta es identifi- car el mejor curso de accién posible. Aun cuando debe interpretarse con todo cuidado en tér- minos de las necesidades reales de la administracién, esta “busqueda de la optimalidad” es un aspecto importante dentro de la investigacién de operaciones. Todas estas caracteristicas llevan de manera casi natural a otra. Es evidente que no puede esperarse que un solo individuo sea un experto en los multiples aspectos del trabajo de inves- tigacién de operaciones o de los problemas que se estudian; se requiere un grupo de indivi- duos con diversos antecedentes y aptitudes. Entonces, cuando se va a emprender un estudio de IO completo de un nuevo problema, por lo genera! es necesario emplear el enfoque de equi- po. Este debe incluir individuos con antecedentes firmes en matematicas, estadistica y teo- ria de probabilidades, al igual que en economia, administracién de empresas, ciencias de la computacién, ingenierfa, ciencias fisicas, ciencias del comportamiento y, por supuesto, en las técnicas especiales de IO. El equipo también necesita la experiencia y aptitudes necesarias para la consideracién adecuada a todas las ramificaciones del problema en la organizacion. IMPACTO DE LA INVESTIGACION DE OPERACIONES La investigacién de operaciones ha tenido un impacto impresionante en el mejoramiento de la eficiencia de numerosas organizaciones en todo el mundo. En el proceso, la IO ha hecho contribuciones significativas al incremento de la productividad dentro de la economia de va- rios paises. Hoy existen mds de 30 paises miembros de la International Federation of Opera- tional Research Societies (IFORS), y cada uno cuenta con una sociedad de investigacion de operaciones. Tanto en Europa como en Asia, existen federaciones de sociedades de IO que realizan conferencias y publican revistas internacionales e4 esos continentes. Sin duda, el impacto de la investigacién de operaciones continuard aumentando. Por ejemplo, segiin el U.S. Bureau of Labor Statistics, la IO es una de las dreas profesionales con crecimiento mds r4pido para estudiantes universitarios graduados en Estados Unidos. Para dar una mejor idea del amplio uso de la IO se enumeran en la tabla 1.1 algunas apli- caciones reales que han tenido reconocimiento. Observe la diversidad de organizaciones y aplicaciones en las primeras dos columnas. El lector curioso puede encontrar un articulo completo que describe cada aplicacién en el mimero de enero-febrero de Interfaces del aio 4 1 Introduccién TABLA 1.1 Algunas aplicaciones de investigacién de operaciones Aio de CapitulosAhorros Organizacién __Naturaleza de la aplicacién publicacién® relacionados* anuales ‘The Netherlands Desarrollo de politica nacional de administracién del 1985 28,1322, $15 millones Rijeswaterstaat agua, incluye mezcla de nuevas instalaciones, procedimientos de operacion y costeo. Monsanto Corp. Optimizacin de operaciones de produccién para cumplir 1985 2.12 $2 millones ‘metas con un costo minimo. United Airlines Programacién de turnos de trabajo en oficinas de 1986 29,12, 17,18, $6 millones reservaciones y aeropuertos para cumpli con las 20 necesidades del cliente a un costo minimo. ‘Citgo Petroleum Optimizacién de las operaciones de refinacién y de la 1987 29,20 $70 millones Corp. oferta, ditribucién y comercializaci6n de productos. San Francisco Optimizacién de la programaci6n y asignacién de oficiales 1989 2-4,12,20 $11 millones Police de patrulla con un sistema computarizado. Department Texaco, Ine. ‘Optimizacién de la mezcla de ingredientes disponibles 1989 2.13 $30 millones para que los productos de gasolina cumplieran con los ‘requerimientos de ventas y calidad. 1B Integracién de una red nacional de inventario de 1990 2.19.22 $20 millones + refacciones para mejorar el apoyo al servicio. $250 millones en ‘menor inventario Yellow Freight Optimizacién del disefo de una red nacional de 192 2,9, 13,20, 22. $17.3 millones System, Inc. ‘ransporte y la programacion de rutas de envio. New Haven Disefio de un programa efectivo de intercambio de agujas 1993 2 33% menos Health Dept. ___para combatirel contagio del SIDA. contagios ATaT Desarrollo de un sistema basado en PC para guiar alos 1993 17,18,22 $750millones clientes del negocio en el disefo del centro de lamadas. Delta Aidines _-Maximizacién de ganancias a partir dela asignaci6n de los 1994 2 $100 millones tipos de aviones en 2.500 wuelos nacionales. Digital Equipment —Reestructuraci6n de toda la cadena de proveedores entre 1995 2 $800 millones Corp. proveedores, plantas, centros de distribucién, sitios potencies y 4reas de mercado. China Seleecién y programacién éptima de proyectos masivos. 1995 12 ‘$425 millones para cumplir con las necesidades futuras de energia de! pais. ‘Cuerpo de Redisefio Sptimo del tamafo y forma del cuerpo de 1997 12 $1 100 millones defensa de defensa y su sistema de armas Sudsfrica Procter and Rediseho del sistema de produccion distribucién 197 8 '$200 millones Gamble rnorteamericano para reducir costos y mejorar la rapidez de llegada al mercado. Taco Bell Programacién éptima de empleados para proporcionar el 1998 12,20,22 $13 millones ‘servicio a clientes deseado con un costo minimo, Hewlett-Packard — Redisefio de tamafo y loclizacién de inventarios de 1998 17.18 $280 millones de seguridad en la linea de produccién de impresoras para ingreso adicional ‘cumplir metas de produccién. “Pertenece a los nlimeros de enero-febrero de Interfaces en donde se puede encontrar un articulo completo con la descripeién de } Ia aplicacion. {Se refiere a los capitulos de este libro que describen las técnicas de 10 empleadas en las aplicaciones. 1.4. Algoritmos y paquetes de |O 5 citado cn la tercera columna de la tabla. La cuarta cohumna contiene los capitulos de este Libro que describen los tipos de técnicas de IO usadas en la aplicacién. (Observe que muchas apli- caciones combinan varias técnicas.) La Ultima columna indica que estas aplicaciones signifi- caron ahorros anuales del orden de millones (y aun de decenas de millones) de délares, Lo que ¢s més, algunos beneficios adicionales no registrados en la tabla (como un mejor servicio al cliente y mayor control administrativo) se consideraron mds importantes, en ciertos casos, que los beneficios financieros. (El lector tendr4 oportunidad de investigar estos beneficios menos tangibles en los problemas 1.3-1 y 1.3-2.) ‘Aunque la mayorfa de los estudios de rutina de investigaci6n de operaciones proporcio- nan beneficios mucho més modestos que estas aplicaciones reconocidas, las cifras cn la co- tumna de Ja derecha de la tabla 1.1 reflejan el gran impacto que suelen tener Los estudios grandes y bien disefiadas de IO. En el capitulo siguiente se presenta una descripcién breve de estas aplicaciones y dos de cllas se estudian con més detalle en la seccién 3.5 como casos de estudio. 1.4 ALGORITMOS Y PAQUETES DE IO. Una parte importante de este libro es la presentacidn de los algoritmos (procedimientos ite- rativos de solucién) més importantes de IO para resolver cierto tipo de problemas. Algunos de estos algoritmos son excepcionalmente eficientes y por rutina se utilizan para problemas que incluyen cientos o miles de variables. Encontraré una introduccién acerca de cémo fun- cionan y qué los hace tan eficientes, Después usar los algoritmos para resolver diversos pro- blemas en una computadora, El CD-ROM llamado OR Courseware que acompafia a este libro seri la herramienta para hacerlo. Una caracteristica especial del OR Courseware es un programa llamado OR Tator que intenta ser su tutor personal para ayudarle en el aprendizaje de los algoritmos. Consiste en muchos ejemplos de demostracién que despliegan y explican los algoritmos en accién. Estos “demos” complementan los ejemplos del libro. Ademds, el OR Courseware incliye muchas rutinas interactivas para ejecutar los algorit- ‘mos de manera interactiva en un formato conveniente de hoja de calculo. La computadora realiza todos los célculos de rutina mientras el estudiante centra su atencidn en aprender y-cje- cutar la légica del algoritmo. Encontrard que estas rutinas interactivas son una manera efi- ciente c ilustrativa para resolver muchos de los problemas de tarea. En general, en la prictica los algoritmos se ejecutan en paquetes de software comercial. Pensamos que es importante familiarizar al estudiante con la naturaleza de los programas que usaré en la vida profesional, Por lo tanto, el OR Courseware incluye una gran cantidad de ma- terial para introducir los tres paquetes de mayor uso que se describen a continuacién, Juntos, estos paquetes le permitirdn resolver casi todos los modelos de IO encontrados en este libro con una gran eficiencia. Agregamos nuestras propias rutinas automdticas al OR Courseware s6lo para algunos casos en que no se aplicaban estos paquetes. Un enfoque muy comiin ahora es el uso del paquete de hojas de cdlculo Kider, Micrasoft Excel, para formular pequetios modelos de IO en ese formato. Después se usa e! Excel Solver para resolver los modelos. El OR Courseware inclaye un archivo de Excel separado para casi cada capitulo del libro. Cada vez.que se presenta un ejemplo que se puede resolver con Excel, se proporciona la formulacién completa en una hoja de calculo y se da la solucién en el archi- | Introduceién vo de Excel de ese capitulo, Para muchos modelos en el libro, se dispone de una plantilla de -Bxcel que ya incluye las ccuaciones necesarias para resolver el modelo. Algunos complementos de Excel también estén incluidos en el CD-ROM Después de muchos afios, LINDO (y su lenguaje de modelado LINGO) contintia do- minando el software de investigacién de operaciones, Las versiones para estudiante de LIN- DOy LINGO ahora se puede bajar gratis de Internet. En cuanto a Excel, cada vez que un cjemplo se pueda resolver con este paquete, se darén todos los detalles en una archivo de LINGO/LINDO para ese capitulo en el OR Courseware. CPLEX es un paquete de software de los mas recientes que tiene un amplio uso para re- solver problemas grandes que son un reto en investigacién de operaciones. Al manejar tales problemas, también cs comiin usar un sistema de modelado para formular el modelo matemsti- co de manera cficiente ¢ introducirlo en la computadora. MPL es un sistema de modelado amigable que utiliza CPLEX para resolver los modelos. ‘También se dispone de versiones de cstudiante gratis de estos paquetes en Internet. Para conveniencia del lector, se han incluido dichas versiones en el OR Courseware, De nuevo, todos los ejemplos que se pueden resolver con estos paquetes se detallan en los archivos en MPL/CPLEX para los capitulos correspon- dientes en el OR Courseware. Estos tres paquetes y la manera de usarlos se describirdn con mas detalle (en especial cer- ca del final de los capitulos 3 y 4). El apéndice 1 también proporciona documentacién para el OR Courseware y se incluye el OR Tutor, Para advertirie acerca del material relevante en cl OR Courseware, al final de cada capitu- loa partir del 3 se presenta una lista llamada ayuda parn el aprendizaje de este capitulo en OR Courseware. Como se explica al principio de la seceién de problemas de cada capitulo, se colo- caron simbolos ala izquierda del niimero del problema o del inciso cuando ese material puede ser titil (incluyendo los ejemplos de demostracién y las rutinas interactivas). PROBLEMAS 1.3-1. Seleccione una de las aplicaciones dadas en la ta- Dla 1.1. Lea el articulo que la describe en el ntimero de cenero-febrero de Interfaces del aiio indicado en la tercera columna, Escriba un resumen de dos paginas acerca de la aplicacidn y los beneficios que proporcioné (incluya los beneficios no financieros). 1.3-2. Seleccione tres de las aplicaciones de investiga cin de operaciones dadas ena tabla 1.1, Lea los articulos correspondientes en los mimeros de enero-febrero de Interfaces dc los aios indicados en la tercera cokumna, Para cada uno, escriba un resumen de una pagina acerca de la aplicacién y sus heneficios (incluya los no financieros). 24 2 Panorama del enfoque de modelado en investigacion de operaciones La mayor parte de este libro esta dedicada a los métodos matemiticos de investigacién de operaciones (IO). Esto es apropiado, ya que las técnicas cuantitativas constituyen la parte principal de lo que se conoce sobre el tema. Sin embargo, esto no significa que los estudios pricticos de IO sean en esencia ejercicios de mateméticas. De hecho, con frecuencia, el andli- sis matemitico sdlo representa una pequefia parte del trabajo que se requiere. El propésito de este capitulo es dar una mejor perspectiva con la descripcién de las etapas més importantes de un estudio caracteristico de 10. ‘Una manera de resumir las etapas usuales (no secuenciales) de un estudio de investiga- cién de operaciones es la siguiente: 1. Definicién del problema de interés y recoleccién de los datos relevantes. 2. Formulacién de un modelo matemdtico que represente el problema, 3. Desarrollo de un procedimiento basado en computadora para derivar una solucién al problema a partir del modelo. 4. Prueba del modelo y mejoramiento segtin sea necesario. 5. Preparacin para la aplicacién del modelo prescrito por la administracién. 6. Puesta en marcha. En las siguientes secciones se analizar4 cada una de estas etapas. La mayoria de los estudios de IO enumerados en ka tabla 1.1 proporcionan ejemplos ex- celentes de la realizacién correcta de estas etapas. Se intercalardn fragmentos de estos ejem- plos a lo largo de! capitulo con sus referencias para invitarlo a leer més sobre el tema. DEFINICION DEL PROBLEMA Y RECOLECCION DE DATOS Al contrario de los ejemplos de los libros de texto, la mayor parte de los problemas précticos que enfrenta un equipo de IO se les describen, al principio, de una manera vaga e imprecisa. Por consiguiente, la primera actividad a realizar es estudiar el sistema relevante y desarrollat un resumen bien definido del problema que se va a analizar. Esto ineluye determinar los obje- tivos apropiados, las restricciones sobre lo que se puede hacer, as interrelaciones del 4rea bajo estudio con otras dreas de la organizaci6n, los diferentes cursos de accidn posibles, los limites de tiempo para tomar una decisién, etcétera. Este proceso de definicién del problema es cru- cial ya que afectaré en forma significativa la relevancia de las conclusiones del estudio. iEs di- ficil extraer una respuesta “correcta” a partir de un problema “equivocado”! 2_ Panorama del enfoque de modelado en investigacién de operaciones Lo primero que debe reconocerse es que un equipo de 10, por lo general, trabaja en un nivel de asesorda. A los micmbros del equipo no sc les presenta un problema y sc les dice que lo resuelvan como puedan, sino que asesoran a la gerencia (casi siempre un tomador de decisio- nes clave). El equipo realiza un andlisis téenico devallado y después presenta recomendacio- nesalos administradores. Con frecuencia, el informe a la gerencia identifica cierto niimero de opciones que son atractivas, en particular con diferentes suposiciones o para diferentes gamas de valores de algiin parémetro que marca una politica que puede ser evaltiada s6lo por esa ge- rencia (por ejemplo, el trueque entre costo y benefici). El gerente evalia el estudio y sus reco- mendaciones, toma en cuenta una variedad de factores intangibles y toma una decisién final con base en sti mejor juicio, Entonces, es vital que el equipo de IO pueda observar al mismo nivel que la gerencia, incluyendo la identificacién del problema “correcto” desde el punto de vista gerencial y que, a su vez, la gerencia le brinde apoyo sobre cualquier curso que tome el estudio. Determinar los abjetivos adecuadas es un aspecto muy importante de la formulacién del problema. Para hacerlo, es necesario primero identificar a las personas de la administracién que de hecho tomarsn las decisiones concernientes al sistema cn estudio, y después escudri- fiar el pensamiento de estos individuos respecto a los objetivos pertinentes. (Incluir al toma- dor de decisiones desde el principioes esencial para obtener suapoyoal realizar el estudio.) Por su naturaleza, la TO se encarga del bienestar de toda la organizacin, no sélo de aigu- ‘nas componentes. Un estudio de IO busca soluciones éptimas globales y no soluciones sub- ‘ptimas aunque sean lo mejor para una de las componentes. Entonces, idealmente, los objetivos formulados deben coincidir con los de toda la organizacién, Sin embargo, esto no siempre es conveniente. Muchos problemas interesan nada més a una parte de la organiza~ cién, de manera que el anilisis serfa demasiado extenso silos objetivos fueran muy generales y si se prestara atencién especial a todos los efectos secundarios sobre el resto de la organiza- cin. En lugar de ello, los objetivos usados en un estudio deben ser tan especificos 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 nivel més alto. Cuando se trata de organizaciones lucrativas, un enfoque posible para no caer en el pro- blema de suboptimizacin es utilizar la maximizacidn de la,ganancia a largo plazo (consideran- do el valor del dinero en el tiempo) como un objetivo tinico. El adjetivo a laxgo plazo, indica que este objetivo proporciona la flexibilidad para considerar actividades que no se traducen de immediato en ganancias (como los proyectos de investigacién y desarrollo) pero que con el tiempo tendran que hacerlo para que Valgan la pena. Este enfoque tiene muchas ventajas, El objetivo es suficientemente especifico para usarlo en forma adecuada y al mismo tiempo lo bastante amplio para tomar en cuenta la meta basica de las organizaciones lucrativas. De he- cho, algunas personas piensan que cualquier otro objetivo legitimo se puede traduciren éste. Sin embargo, en la préctica, muchas organizaciones lucrativas no usan este enfoque. Algunos estudios de corporaciones norteamericanas han encontrado que la administracién tiende a adoptar la meta de ganancias satisfzctorias combinada con otros objetives, en lugar de enfocarse en la maximizacién de la ganancia a largo plazo. Algunos de estos otras objetivos pueden ser conservar la estabilidad en las ganancias, aumentar (0 conservar) la participacién del mercado con que se cuenta, permitir la diversificacién de productos, mantener precios ¢s- tables, mejorar las condiciones yel 4nimo de los trabajadores, mantener el control familiar so- bre el negocio e incrementar el prestigio de la compaffa. Al cumplir con estos objetivos tal vee se logre maximizar las ganancias a largo plazo, pero la relacién puede ser tan oscura que quiz sea mejor no incorporarlos en este objetivo. 2.1. Definicién del problema y recoleccién de datos 9 ‘Todayfa més, existen otras consideraciones que inclayen responsabilidades sociales muy distintas del motivo de las ganancias. Dentro de un solo pais, las cinco partes que que- dan afectadas en una empresa de negocios son: 1) los ditefis (accionistas, etc.), que desean obtener ganancias (dividendos, vahuacién de las acciones, etc.); 2) los empleados, que quicren un empleo seguro con un salario razonable; 3) los clientes, que quieren un producto confiable .un precio justo; 4) los proveedores, que desean integridad y un precio de venta razonable para sus bienes ,y 5) el gobierno, y por ende, la nacién, que quiere el pago de impuestos justos y que se tome en cuenta el interés nacional. Las cinco partes hacen contribuciones esenciales a la empresa, y ésta no debe servir a ninguna de estas partes para explorar a las otras, De lamisma manera, las corporaciones internacionales adquicren las obligaciones adicionales de cumplir con una practica social responsable. Entonces, aunque se acepte que obtener ganancias es la responsabilidad primordial de Ia gerencia (lo cual en tiltima instancia, beneficia a las cinco partes), deberdn también reconocerse estas responsabilidades sociales més extensas. Es comin que los equipos de IO pasen mucho tiempo en la recoleccin de los datos relevan- tes sobre el problema, Se necesitan muchos datos tanto para lograr un entendimiento exacto del problema como para proporcionar el insumo adecuado para el modelo matemitico que se formularé en a siguiente etapa del estudio. Con frecuencia, no se dispondré de muchos de los datos necesarios al inicio del estudio, ya sea porque nunca se guard6 la informacién o porque lo que se guardé esté obsoleto o en la forma equivocada. Entonces, muchas veces se debe ins- talar un nuevo sistema de informacidn gerencial para reunir los datos sobre la marcha en la for- ma adecuada, Tomar un tiempo considerable al equipo de IO recabar la ayuda de otros individuos clave de la organizacién para recolectar todos los datos vitales. Aun con este ¢s- fuerzo, muchos datos pueden ser “suaves”, es decir, estimaciones burdas basadas sdlo en jui- cios personales. A menndo, el equipo de IO pasaré una gran cantidad de tiempo intentando mejorar la precisién de los datos yal final tendré que trabajar con lo mejor que pudo obtener. Ejemplos. Un estudio de IO para el Departamento de Policia de San Francisco! dio como resultado el desarrollo de un sistema computarizado para la programacién y asignacién <6ptima de los oficiales de patrulla de la policfa, El nuevo sistema proporcioné un ahorro anual de$11 millones de délares, un incremento anual de $3 millones en los ingresos por infraccio- nes de trdnsito y una mejora de 20% en los tiempos de respuesta. Al estableccr los objetivas adecuados para este estudio, se identificaron tres de ellos como fundamentales: 1, Mantener un alto nivel de seguridad civil. 2. Mantener un alto nivel de estado de animo de los oficiales. 3. Minimizar el costo de las operaciones. Para satisfacer el primer objetivo, el departamento de policia y el gobierno de la ciudad esta- blecieron un nivel deseado de proteccidn. El modelo matematico impuso entonces el requisi- to de lograr este nivel de proteccién, De manera similar, el modelo impuso el requisito de balancear la carga de trabajo entre los oficiales con el fin de lograr el segundo objetivo. Por tl- timo, el tercer objetivo se incorporé adoprando la meta de largo plazo de minimizar el ntime- 0 de oficiales necesarios para cumplir con los dos primeros abjetivos. 1P, B, Taylory S, J, Huxley: “A Break from Tradition for the San Francisco Police: Patrol Officer Scheduling Using an Oprimization-Based Decision Suppor System”, Interfaces, 19(1): 4-24, enero-febrero, 1989. Vea en especial pp. #11. 10 22 2_ Panorama del enfoque de modelado en investigacién de operaciones El Departamento de Salud de New Haven, Connecticut utiliz6 un equipo de 10} pata disefiar un programa efectivo de intercambio de agujas para combatir el contagio de! vi- us que causa el SIDA (VIH), y tuvo éxito en la reduccion del 33% de la tasa de infeccion en tte los clientes del programa. La parte central de este estudio fue un innovador programa de recoleccién de dates para obtener los insumos necesatios para los modelos mateméticos de transmisiGn del SIDA. Este programa abarcé un rastreo completo decada aguja (y cada jerin- ga), con la identificacién, localizacién y fecha de cada persona que recibia una aguja y cada persona que la regresaba durante un intercambio, junto con la prueba de si la condicidn de la aguja eta VIH-positivo 0 VIH-negativo. ‘Unestudio de IO hecho para Citgo Petroleum Corporation? optimizé tanto las opera- ciones de refinacién como el abastecimiento, la distribucidn y la comercializacién de sus pro- ductos, logrando una mejora en las utilidades de alrededor de $70 millones de délares al afio. Larecolecciin de datos también jugé un papel muy importante en este estudio. Elequipo de 10. realizé juntas de requerimientos de datos con la alta aciministracién de Citgo paraasegurar la calidad continua de los datos. Se desarrollé un sistema de base de datos administrativo con tecnologia de punta y se instalé en una minicomputadora. Para los datos requeridos que no existian, se crearon pantallas de LOTUS 1-2-3 para que el personal de operaciones introdije- ra los datos en computadoras personales (PC) que después se transferian a la minicompu- tadora. Antes de introducir los datos en el modelo matemético, se us6 un programa para verificar errores ¢ inconsistencias. Al principio, este programa generaba ua listado de errores y mensajes de Tuna pulgada de ancho! Con el tiempo, el nimero de ertores y mensajes (que indicaban nimezos equivocados o dudosos) se redujo.a menos de 10 por cada nueva corrida, En a seccién 3.5 se describird el estudio de Citgo con mis detalle. FORMULACION DE UN MODELO MATEMATICO Una vez.definido el problema del tomador de decisiones, la siguiente etapa consiste en sefor- mularlo de manera conveniente para su andlisis. La forma convencional en que la investiga- cién de operaciones realiza esto es construir un modelo matemitico que represente la esencia del problema. Antes deanalizar cémo formular los modelos de este tipo, se explorard su natu- raleza general y, en particular, la de los modelos mateméticos. Los modelos, 0 representaciones idealizadas, son una parte integral de la vida diatia, Entre los ejemplos més comunes pueden citarse acromodelos, retratos, globos terriquieos otros. De igual manera, los modelos tienen un papel importante en la ciencia y los negocios, como lo hacen patente los modelos del 4tomo y de estructuras genéticas, las ecuaciones mate. maticas que describen las leyes fisicas del movimiento o las reacciones quimicas, las grficas, 10s organigramas y los sistemas contables en la industria, Esos modelos son invaluables, pues extraen la esencia de la materia de estudio, muestran sus interrelaciones y facilitan el anlisis. 'E, H. Kaplany E, O'Keefe: “Ler the Needles Do the Talking! Evaluating the New Haven Needle Exchange”, Inter ‘faces, 23(1): 7-26, enero-febrero, 1993, Vea en especial pp. 12-14. 2D. Klingman, N. Phillips, D. Sceiger, R. Wirth y W. Young: “The Challenges and Success Factors in Implementing an Integrated Products Planning System for Citgo", Interfcer,16(3): 1-19, mayo-junio, 1986, Vea en especial pp. 11-14, Vextambién D. Klingman, N. Philips, D. Steiger y W. Young, “The Successful Deployment of Management Science throughout Cigo Petroleum Corporation”, Jnterices, 17(1): 4-28, enero-febrero, 1987. Vea en especial pp. 13-18, Esta aplicacidn se describe en la seccién 3.5. 2.2. Formulacién de un modelo matemético Ui Los modelos matematicos también son representaciones idealizadas, pero estin expresa- das en términos de simbolos y expresiones matemiticas, Las leyes de la fisica como F = ma y E=me? son cjemplos familiares. En forma parecida, el modelo matemitico de un problema industrial es el sistema de ecuaciones y expresiones matemticas relacionadas que describen la esencia del problema. Asi, si deben tomarse-7 decisiones cuantificables relacionadas entre si, serepresentan comovariables de decision (digamos, #7), 225... %») para las quese deben de- terminar los valores respectivos. La medida de desempefio adecuada (por ejemplo, la ganan- Gia) se expresa entonces como una funcién matenratica de estas variables de decision (por cjemplo, P=3., +2, +--+ 5x,,). Esta funcién se llama funci6n objetivo. También sc ex- presan en términos matemiticos todas las limitaciones que se puedan imponer sobre los valo- res de las variables de decisién, casi siempre en forma de ecuaciones 0 desigualdades (como 41+ 3x1x2+ 2s $10), Tales expresiones mateméticas de las limitaciones, con frecuencia reciben el nombre de restricciones, Las constantes (los cocficientes 0 el lado derecho de las ecuaciones) en las restricciones yen la funcién objetivo se llaman parametros del modelo. El modelo matemético puede expresarse entonces como el problema de elegir los valores de las variables de decisién de manera que se: maximice la funci6n objetivo, sujetaa las restricciones dadas. Un modelo de este tipo, y algunas variaciones menores sobre él, tipifican los modelos analizados en investigacién de operaciones. La decerminacién de los valores adecuados que deben asignarse a los pardmetros del modelo (un valor por pardmetro) es critica ya la vez un reto dentro del proceso de construc- cién del modelo. Al contrario de los problemas en los libros donde se proporcionan los nume- 10s, dererminar los valores de los parémetros en los problemas reales requiere la recoleecton de dos datos velevantes. Como se vio en la seccién anterior, a menudo la recoleccién de datos exac- tos es dificil. Asi, cl valor asignado a un parémetro muchas veces es, por neccsidad, slo una estimacién, Debidoa la incertidumbre sobre el valor real del pardmetro, es importante anali- zat la forma en que cambiarfa (si lo hace) la solucién derivada del probléma cuando el valor asignado al pardmezro cambia por otros valores posibles. Este proceso se conoce como anli- sis de sensibilidad que se estudiard en la siguiente secci6n (y en gran parte del cap{tulo 6). ‘Aun cuando se hable dee!” modelo matemético de un problema en la industria, los pro- bblemas reales por lo general no tienen un solo modelo “correcta”. En la seccion 2.4 se descri- be la manera en que el proceso de prueba de un modelo conduce a una serie de modelos que proporcionan representaciones cada vez mejores del problema real. Es posible, incluso, desa- rrollar dos o més tipos de modelos diferentes para analizar ¢l mismo problema. Se darn numerosos ejemplos de modelos mateméticos a través del libro. Una clase de modelos cn especial importante, que se estudia en los capitulos siguientes, ¢s el modelo de programacién lineal, en el que las funciones matemdticas que aparecen tanto en [a funcin ‘objetivo comoen las restricciones, son funciones lineales, En el capftulo siguiente sc constru- yen modelos especificos de programacién lineal que se ajustan a diversos tipas de problemas, como determinar: 1) la mezela de productos que miaximiza la ganancia; 2) el disefio de la te- rapia de radiacién que combate de manera efectiva un tumot y que al mismo tiempo minimi- za el dafio al tejido sano circundante; 3) la asignacin de acres a distintas cosechas para maximizar el rendimiento toral neto, y 4) la combinacidn de métodos de control de contami- nacién que logran los estandares de calidad del aire a un costo minimo. Los modelos matemiticos tienen muchas ventajas sobre una descripcién verbal del pro- bblema. Una ventaja obvia es que el modelo matemstico describe un problema en forma mu- cho més concisa, Esto tiende a hacer més comprensible toda la estructura del problema y ayuda a revelar las relaciones importantes causa-efecto. Indica con mds claridad qué datos 12 2_ Panorama del enfoque de modelado en investigacién de operaciones adicionales son importantes para el andlisis. También facilita el manejo del problema en su to- talidad y al mismo tiempo el estudio de sus interrelaciones. Por ultimo, un modelo matemati- co forma un puente para cl empleo de técnicas mateméticas y computadoras de alto poder, para analizar el problema. Sin duda, existe una amplia disponibilidad de paquetes de softwa- re para resolver muchos tipos de modelos mateméticos, en micro y minicomputadoras. Por otro lado, existen obstéculos que deben cvitarse al usar modelos mateméticos. Unmodelo es, necesariamente, una idealizacién abstracta del problema, por lo que casi siem- pre se requieren aproximaciones y suposiciones de simplificacién si se desea que el modelo sca manejable (susceptible deer resuelto). Por lo tanto, debe tenerse cuidado de que el mode- losea siempre una representacion del problema. El criterio adecuado para juzgar la va- lidez.de un modelo es el hecho de si predice o no con suficiente exactitud los efectos relativos de los diferentes cursos de accién, para poder tomar una decisi6n que tenga sentido. En con- secuencia, no es necesario incluir detalles sin importancia o factores que tienen aproximada- mente 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 alter nativas, siempre que sus valores relativos (es decir, las diferencias entre sus valores) sean bas- tante precisos, Entonces, todo lo que se requiere es que exista una alta correlaciin entre la prediccién del modelo y lo que ocurre en la vida real. Para asegurar que este requisito se cum- pla, es importante hacer un ntimero consiclerable de prucbas del modelo y las modificaciones consecuentes, que sern el tema de a seccidn 2.4. Aunque esta fase de pruebas se haya coloca- do después en el orden del libro, gran parte del trabajo de validacién del modelo se lleva'acabo en la etapa de construccién para que sirva de gufa en la obtencién del modelo matemético. Al desarrollar el modelo, se recomienca empezar con una version muy sencilla y mover- se, de modo evolutivo, hacia modelos més claborados que reflejen mejor la complejidad del problema real. Este proceso de enrigquecimsiento del mortelo continiia slo mientras sea maneja- ble. El trueque bisico que debe tomarse en cuenta esté entre la precisién y el manejo del mo- delo, (Vea en la referencia 6 una descripcién detallada de este proceso.) Un paso crucial en la formulacién de un modelo de 10 es la construccién de la funcién objetivo. Esto requiere desarrollar una medida cuantitativa de la efectividad relativa para cada objetivo que el tomador de decisiones identifica a definir el problema. Sien el estudiose contempla més de un objetivo, es necesario transformar y combinar las medidas respectivas, en una medida compuesta de efectividad llamada medida global de efectividad. A veces esta medida compuesta puede ser algo tangible (como ganancias) y corresponder a una meta mas alta de la organizacién, o puede ser abstracta (como “utilidad”). En este caso, la tarea para de- sarrollar una funcién de utilidad puede ser compleja y requerit una comparacidn cuidadosa de los objetivos y su importancia relativa. Una vez. desarrollada la medida global de efectivi- lad, la fauncién objetivo expresa esta medida como una funcién matematica de las variables de decision. Existen métodos que contemplan al mismo tiempo y en forma explicita objetivos miltiples; en el capitulo 7 se analiza uno de ellos (programacién por objetivos). Ejemplos. Unestudio de IO realizado para Monsanto Corp.!se refiere ala optimizacién de las operaciones de produccidn en las plantas quimicas de esta compafia, para minimizar el costo de cumplir con las metas de cantidad de cierto producto quimico (anhidrido maléico) 'R. F, Boykin; “Optimizing Chemical Production at Monsanto”, Inzeficer, 15(1): 88-95, encro-Febrero, 1985. Vea en particular pp. 92-93. 2.2 Formulacién de un modelo matematico 13 qque debe producirse en un mes dado, Las decisiones que deben tomarse se relacionan con el disco de control de cada tino de los reactores catalfticos usados para fabricar este producto; el mimero de control determina tanto ka cantidad producids como el costa de opetacién del teactor. La forma del modelo matemstico que resulté es la siguiente: Se eligen los valores de las variables de decision Ry (eUe Betas para Minimizar )) Ry, aja sujetaa DL wRyeT fips Ry=, parai=1,2,...,7 Al Ry=001, 1. siel reactor ise opera en el niimero de control donde Ry = m ee 0 de otra manera eq = costo para el reactor é en el nimero de control j fy = produccién del reactor é en el mimero de control j T = meta de produccién + = mimero de reactores 5 = mimero de controles (incluyendo la posicién de’apagado) La funcién objetivo para este modelo es BEcy Ry . Las restricciones estén dadas en los tres ten- glones que siguen a la funcidn objetivo. Los pardinctras son ci, py yT. Pata el caso de Mon- santo, el modelo tiene més de 1000 variables de decisién Rig (esto es, 75 >1000). Con su implantaci6n se logré un ahorro anual de cerca de $2 millones de dlares. La oficina responsable del control del agua y los servicios pablicos del gobierno de Ho- Janda, cl Rijkswaterstaat, concesioné un importante estudio de IO! para guiarlo en el desa~ rollo de una nueva politica de administraci6n del agua. La nueva politica ahorré cientos de millones de délares en gastos de inversién y redujo el dao agricola en alrededor de $15 mi- Jones de délares anuales, al mismo tiempo que disminuyé la contaminacién térmica y la de-~ bida a las algas. En lugar de formular wn modelo matemético, se desarrolld un sistema integrado y comprensible de 150 modelos! Mas ain, para algunos de los modelos, se desatro- Maron versiones sencillas y complejas, La versién sencilla se usd para adquirie una visidn bési- ca que incluyd c] andlisis de trueques, La version compleja s¢ usd después en las corridas finales del andlisis o cuando se deseaba mayor exactitud o mds deralle en los resultados. Bles- tudio completa de 10 involucré directamente a mas de 125 personas-aiio de esfurerzo (mas de-un tercio de ellas en la recoleccién de datos), cred varias docenas de programas de compu- tadora y estructuré una enorme cantidad de datos. 2B. F, Gouller yel equipo PAWN: “Planning the Netherlands! Water Resoutees”, Zoterfters, 15(2): 3-33, ence ro febrero, 1985, Vea en especial pp. 7-18 14 2.3 2. Panorama del enfoque de modelado en investigacién de operaciones OBTENCION DE UNA SOLUCION A PARTIR DEL MODELO Una vez formulado el modelo matemético para el problema bajo estudio, la siguiente etapa 72 ) para derivar una solucién al problema a partir de este modelo, Puede pensarse que ésta debe ser Ia parte principal del estudio pero, en realidad, en la mayoria de los casos no le ez, De hhecho, a veces ésta es una ctapa relativamente sencilla, en la que se aplica uno de los algorit- mos (Procedimientositrativos de solucidn) de investigacién de operaciones en na compu tadora, empleando uno de los paquetes de software disponibles. Para el investigador de Gberaciones experimentado, encontrar a solucién es la parte divertida, mientras quel verda. dero trabajo se encuentra en las ctapas anteriores y en las subsccuentes, incluyencd el andl sis de sensibilidad o andlisis posdprimo, que se verd més adelante en esta seccion. Como la mayor parte de este libro esté dedicada ala obtencidn de soluciones pata los is- tintos tipos de modelos matemiéticos, en este momento no's necesarioaclararnatte al respec: to. Sin embargo, sf se requicre presentar la naturaleza de estas soluciones ‘Un tema comiin en 1O es la bisqueda de una solucién éptima, es deci, la mejor, Sin duds, como aqui se presenta, se han desarrollado muchos procedimientos para encontrarin En cierto tipo de problemas, pero es necesario reconocer que estas soluciones son 6ptimas s6lo respecto al modelo que se usa. Como cl modelo necesatiamente es una idealizacign mas uc na Fepresentacidn exacta del problema real, no existe una garantia utOpica de que la so- {hcion Sptima del modelo resulte se a mejor solucién posible que pueda implantarce paral problema real. Simplemente existen demasiados impondcrables e incertidumbres asoiados conlos problemas reales; pero si el modelo esté bien formulado y verificado, lasolucin debe render a una buena aproximacién de un curso de acci6n ideal en la realidad, Por esto, més que cnftascarse en cxigir lo imposible, la prueba del éxito de un estudio de IO debe ser propor- ciona ono unamejor guia en las decisiones que la que se puede obtener por otros medias, Eleminente cientifico de la administracién y premio Nobel de economia, Herbert Si- mon, introdujo el eoncepro de que en la préctica es mucho més frecuente satisfizar que opti- ‘pizar. Al inventar el término sariffzar como una combinaviGn de stigfaceryoptimizar: Sinvon describe la rendencia de los administradores a buscar una solucién que sea “le suficientemen tebuena” parael problema quese tiene, En lugar de intentar desarrellar una medida global de éficiencia para conciliar de manera 6ptima los conflctos entre os diferentes objetivex desea, bles (incluyendo los criterias bien establecidos para juzgar cl desempeno de los distintos seg: reece i organizacién), se puede usar un enfoque més pragmdtico. Las metas x pueden establecer de manera que marquen los niveles minimos satisfactorios deeficiencia en ae dif. rentesdreas, basindose quizd en niveles de desempefio anteriores 0 en los logros de la compe- eacia Si se encuentra una solucién que permita que todas estas metas se cumplan, es posible ue se adopte sin mis requisitos, Esta es la naturaleza de satifizar, {a disincién entre oprimizar y“satisfizar" refieja la diferencia entre a teora y la realidad, diferencia que con frecuencia se encuentra al tratar de implantar esa teoria en la prictica, En palabras de uno de los lideresingleses dela investigacidn de operaciones, Samu Eilon, “op- timizar ¢s la ciencia de lo absoluto; sarigfizar es el arte de lo factible”| 1.08 equipos de TO intentan incorporar al proceso de toma de decisiones lo mis posible Ge la “ciencia de lo absoluto”. Sin embargo, un equipo que trabaja con éxito, lo hace treano, ‘Eilon, Samuel, “Goals and Constraints in Decision-making”, Operational Retearch Quarterly, 23: 3-15, 1972; ica daa en la conferenca anual de 1971 de a Canadian Operatiotal Research Society ee ee ee 2.3. Obtencién de una solucién a partir del modelo 1s ciendo la necesidad més importante del tomador de decisiones de obtener una guia satisfac- roria para sus acciones en un periodo razonable. Por tanto, la meta de un estudio de investigacién de operaciones debe ser llevar a cabo el estudio de manera éptima, indepen- dientemente de si implica ono encontrar una solucién éptima para el modelo. Entonces,ade- mas de buscar la ciencia de lo absoluto, el equipo debe tomar en cuenta el costo del estudio y las desventajas de retrasar su terminacién, y después intentar maximizar los beneficios netos gue resulten de dicho estudio. Al reconocer este concepto, los equipos de investigacién de operaciones en ocasiones utilizan sdlo procedimientos heuristicos (es decir, procedimien- tos de disefio intuitivo que no garantizan una solucién éptima) para encontrar una buena so- lucién subéptima, Esto ocurre con més frecuencia en los casos en que el tiempo 0 el costo gue se requiere para encontrar una solucién éptima para un modelo adecuado del problema son muy grandes. En afios recientes, se han logrado grandes progresos en el desarrollo de procedimientos heuristicos eficientes (que incluyen los lamados metaheurfsticos), con lo que su uso es cada vez més amplio. Hasta aqui, ha quedado implicito que un estudio de investigaci6n de operaciones busca sdlo una solucién, que puede o no requerirse que sea Optima, De hecho, esto casi nunca es lo que se busca, Una solucién éptima para el modelo original puede estar muy alejada del ideal para el problema real, de manera que ¢s necesario hacer un anilisis adicional. El andlisis posdptimo (andlisis que s¢ lleva a cabo después de encontrar una solucién éptima) constitu- Ye una parte muy importante de la mayoria de los estudios de investigacién de operaciones. Este andlisis también se conoce como andlisis de qué pasa si puesto que involucra algunas preguntas acerca de qué pasaria con la solucién dptimasi se hubieran hecho suposiciones dife- rentes sobre las condiciones fituras. Con frecuencia, los administradores que tomatén las uil- timas decisiones son quienes hacen estas preguntas y no el equipo de 10. Con el advenimiento de los poderosos paquetes de software de hojas de cileulo, en Ia ac- tuélidad el papel central del andlisis posdptimo suele tenerlo una hoja de cdleulo. Una de sus grandes ventajas es la facilidad con que cualquier persona puede usarlas, incluidos los admi- nistradores, para ver qué pasa con una solucién éptima cuando se hacen cambios en el mode- Jo, Este proceso de experimentar con cambios en el modelo también puede ser util para llegar a. comprender el comportamiento del modelo y adquirir mayor confianza en su validez. nn cierto modo, el analisis posdptimo implica llevar a cabo un andlisis de sensibilidad para determinar qué pardmetros del modelo son criticos (los “pardmetros sensibles”) al de- terminar la solucién. Pina definicién comin de parsimetros sensibles (que se usard aqui) es Para un modelo maremitico con valores especificos para todos sus pardmetros, los pardmetros sensibles del modelo son aquellos cuyos valores no se pueden cambiar sin que la solucidn épti- ‘ma cambie. Esimportante identificar los pardmetros sensibles, porque determinan aquellos cuyos valores deben asignarse con mas cuidado para evitar distorsiones en los resultados del modelo. Por lo general, el valor de un pardmetro es una estimacién de alguna cantidad (por ejem- plo, la ganancia unitaria) cuyo valor exacto se conocer s6lo después de poner en préctica la solucién. Por lo tanto, despues de identificar los par4metros sensibles, se deben realizar esti- maciones més cercanas y cuidadosas de cada uno de ellos, o por lo menos del intervalo de va- Jotes posibles. Después se busca una solucién que sea buena para todas las combinaciones de los valores posibles de los pardmetros sensibles. Sila solucién sc implanta sobre la marcha, cualquier cambio posterior en el valor de un pardmetro sensible advierte de inmediato la necesidad de cambiar la solucién, 16 2 Panorama del enfoque de modelado en investigacién de operaciones 2.4 En algunos casos, ciertos parémetros del modelo representan politicas de decisién (como asignacién de recursos). Si es asf, con frecuencia existe alguna flexibilidad sobre los valores daclos a estos pardmetros. Tal vez algunos se puedan aumentar si otros se disminuyen. Eland- lisis poséptimo incluye la investigaciGn de estos trueqnes. Junto con ka ctapa de estudio que se presenta en la siguiente seccidn (prueba del modelo), cl anilisis poséprimo incluye la obrencién de un conjunto de soluciones que comprende una serie de aproximaciones, cada vez mejores, al curso de accién ideal. Asi, las debilidades apa- rentes de la solucién inicial se usan para sugerir mejoras al modelo, a sus datos de entrada y quizé al procedimicnto de solucién. Se obtiene entonces una nueva solucién, y el ciclose repi- te. Este proceso sigue hasta que las mejoras a soluciones sucesivas sean demasiado pequefias para justificarsu continuaci6n. Aun entonces, pueden presentarse a la gerencia varias solucio- res posibles (quizd soluciones que son dptimas para una de varias versiones plausibbles del modelo y sus datos de entrada) para hacer ka selecci6n final. Comose sugitié en la seccion 2.1, esta presentacién de soluciones alternativas se lleva a cabo cuando la elecci6n final entre ellas debe basarse en consideraciones que es mejor dejar al juicio de la administracién. Ejemplo. — Considere de nuevo el estudio de IO para el Rijkswaterstaat sobre la polftica nacional de administracién de agua en Holanda, que se introdujo al final de la seccidn ante~ rior. Este estudio no concluyé con la recomendaci6n de una sola solucién, Més bien, se iden- tificaron, analizaron y compararon varias alternativas atractivas. La cleccién final se dejé al proceso politico del gobierno de Holanda que culminé con la aprobacién del Parlamento. El ‘andlisis de sensibilidad tavo un papel importante en este estudio. Por cjemplo, cicrtos pardme- tos de los modelos representaron estandares ecoldgicos. El anilisis de sensibilidad incluyd la evaluacién del impacto en los problemas de agua silos valores de estos parimetros se cambia- ran de los estandares ecoldgicos acruales a otros valores razonables, Se us6 también pata eva- Iuar el impacto de cambios en las suposiciones de los modelos, por ejemplo, la suposicién sobre el efecto de tratados internacionales futuros sobre la contaminacién que pudiera llegar a Holanda, También se analizaron varios escenarios (como afios secos o htimedos en extre- mo), asignando las probabilidades adecuadas. PRUEBA DEL MODELO El desarrollo de un modelo matemitico grande es anélogo en algunos aspectos al desarrollo de un programa de computadora grande, Cuando se completa la primera versi6n, ¢s inevita- ble que contenga muchas fallas. El programa debe probarse de manera exhaustiva para tratar de encontrar y corregir tantos problemas como sea posible. Con el tiempo, después de una larga serie de programas mejorados, el programador ( equipo de programacién) conclu- ye que el actual proporciona, en general, resultados razonablemente validos. Aunque sin duda quedardn algunas fallas ocultas en el programa (y quiz nunca se detecten), se habrén climinado suficientes problemas importantes como para que sea confiable utilizarlo. ‘De manera similar, es inevitable que la primera versi6n de un modelo matemético grande tenga muchas fallas. Sin duda, algunos factores o interrelaciones relevantes no se incorpora- ronal modelo y algunos pardmetros no se estimaron correctamente. Esto no se puede cludir dada la dificultad en la comunicacién y la comprensién de todos los aspectos y sutilezas de un 24 Prueba del modelo 7 problema operacional complejo, as{ como la dificultad de recolectar datos confiables. Por lo tanto, antes de usar el modelo debe probarse de manera exhaustiva para intentar identificar y corregie todas las fallas que sc pueda. Con el tiempo, después de una larga serie de modelos mejorados, el equipo de investigacion de operaciones concluye que ¢l modelo actual produce resultados razonablemente vilidos. Aunque sin duda quedarén algunos problemas menores ocultos en el modelo (y quiz nunca se detecten), las fallas importantes se habran eliminado de manera que ahora es confiable usar el modelo, Este proceso de prucba y mejoramiento de un modelo para inerementar su validea.se ¢o- noce com validacién del modelo. Es dificil describir emo se lleva a cabo la validacién del modelo porque el proceso de- pende en gran parte del problema bajo estudio y del modelo usado. Sin embargo, se harénal- gunos comentarios generales y después se darin algunos ejemplos (vea més detalles sobre este tema en la referencia 2) Debido a que el equipo de IO puede pasar meses en las actividades de desarrollo de todas las piezas detalladas del modelo, es sencillo “no ver el basque por buscar los érboles”, Enton- ces, después de completar los detalles (“los arboles”) de la version inicial del modclo, una bue- na manera de comenzar las pruebas es observarlo en forma global (“el bosque”) para verificar Jos errores u omisiones obvias. El grupo que hace esta revisi6n debe, de preferencia, incluir porlo menos una persona que no haya participado en la formulacién. Alexaminar denuevo aformulacién del problema y compatarla con el modelo pueden descubrirse algunos errores. “También es titil asegurarse de que todas las expresiones mateméticas sean consistentes en las di- ‘smensiones de las unidades que emplean. Ademds, puede obtenerse un mejor conocimiento de Ja validez del modelo sie varfan los valores de los pardmetros de entrada y/o de las variables dedecisién, y se comprueba que los resultados del modelo se comportan de una manera facti- ble. A menudo esto es revelador, en especial cuando se asignan a los parémetros o variables valores extremos cercanos a sus méximos o a sus minimos. Un enfoque més sistemético para la prueba del modelo es emplear una prueba retros- pectiva, Cuando cs aplicable, esta prucha utiliza datos histéricos y reconstraye el pasado para decerminar si el modelo y la solucién resultante hubieran tenido un buen desempefio, de ha- berse usado, La comparacién de la efectividad de este desempefio hipotético con lo que en realidad ocurrié indica si el uso del modelo tiende a dar mejoras significativas sobre la préct caactual. Puede también indicar éreas en las que el modelo tiene fallas y requiere modificaci res. Lo que ¢s més, al emplear las alternativas de solucidn y estimar sus desempefios histéricos hipotéticos, se pueden reunir evidencias en cuanto a lo bien que el modelo predice los efectos relativos de los diferentes cursos de accién. Por otra parte, la prueba retrospectiva tiene la desventaja de que usa los mismos datos gue sirvieron para formular cl modelo. Envonces, fa pregunta crucial es siel pasado en reali- dad representa cl futuro, $i no ¢s asi, el modelo puede tener tin desempefio distinto en el futu- ro del que hubiera tenido en el pasado, Para vender esta desventaja de la prueba retrospectiva, a veces es iil continuar con las cir~ cunstancias actuales durante una temporada, Esto proporcionarg nuevos datos con los que no se contaba cuando se construyé el modelo. Estos datos se pueden emplear de la manera descrite para evaluar el modelo. "Es importante documentar el proceso usado para las pruebas de a validacién del modelo. Esto ayuda a aumentar la confianza de los usuarios subsecuentes en cl modelo. Més atin sien el futuro surgen preocupaciones sobre el modelo, esta documentaci6n ayudard a diagnosticar en dénde pueden encontrarse los problemas. EEE 25 2 Panorama del enfoque de modelado en investigacién de operaciones Fiemplos. " Considere una vez misel estudio de investigacion de operaciones para el Rijk« Saterstaatsobre la politica deadministraciOn del agua que se presenté en las secciones 2.2 2.8. El proceso de prueba del modelo en este caso const6 de tres grandes partes. Primero, el equipo de 10 verificé el comportamiento general de los modelos con la comprobacidn de si los resultados de cada uno de ellos cambiaban en forma razonable al cambiar los valores de los Pardmetros, Segundo, s hizo una prueba restrospectiva. Tercero, personas totalmente ajenas al proyecto, que inclufan expercos holandeses, levaron a cabo una revisién técnica cuidadoea de los modelos, la metodologia y los resultados. Este proceso llevé al reconocimiento de vas ios aspectos importantes y a mejoras en los modelos. Zambién se obtuve el conocimiento sobre muchos otros aspectos durante la exapa de va- lidacién del estudio de 1O para la Citgo Petroleum Corp., presentado al final de la seccion 2.1. Eneste caso, el modelo de las ‘operaciones en la refineria se probd con la recole: nde datos de ls entradas ysalidas de la misma durante varios meses; sc saron estos datos para ‘Pers la entrada al modelo y después se compararon los resultados del modelo con la pro- luccién real de la refiner. Este proceso de calibrary recalibrat cl modelo fue largo, pero en Ultima instancia condujo al uso rutinario del modelo para proporcionar la informacion para decisiones criticas. Como se mencioné en la seccién 2.1, la validacion y correccién de lox da. tos de entrada para cl modelo también tuvo un papel importante en este estudio, EB’ siguiente ejemplo se refiere aun estudio de 1O para IBM? que se tealizd con el objeto de integrar sured nacional de inventarios de refacciones para mejorar cl servicioa los clientes, al mismo tiempo que reducir el valor de los inventarios de IBM en més de $250 millones de dolares y ahorrar otros $20 millones de délares anuales mediante el mejoramiento de la ef clencia operacional. Un aspecto en particular interesante de la etapa de validacién del modelo gneeste estudio fue la manera en que se incorporaron al proceso de prueba los usuarios ita, del sistema de inventarios. Debido a que estos usuarios faturas (los administradores de IBM. Sn las dreas funcionales responsables de la implantacién del sistema de inventarios) chidaban Gel sistema que se desarrollaba, se asignaron representantes de la empresa aun equipo de usa. ‘ios que tendcia a funcién de asesorar al equipo de IO. Una vez desarrollada la version prel- minar del nuevo sistema (basada en un sistema de inventarios de multiniveles) se leva aeabo tuna prucba prelininar de implantacién. La extensa retroalimentacién por parte del equipo de usuarios llevé a mejoras importantes en el sistema propuesto, PREPARACION PARA APLICAR EL MODELO. £Qué pasa después de completar la etapa de pruebas y desarrollar un modelo aceptable? Si modelo ha de usarse varias veces, el siguiente paso es instalar un sistema bien documentado Para aplicar el modelo segxin lo establecido por la administraci6n, Este sistema incluirdel mo. elo yel procedimiento de solucion (que inchaye el andisis posdptimo) y os procedimientos Sperativos para su implantacién, Entonces, aun cuando cambic el personal, el sistema pucde consultarse periédicamente para proporcionat una solucién numérica especitica. Oy x; >0. Para resumir, en el lenguaje matemético de programacién lineal, el problema consiste en seleccionar valores de 3 y x» para Maximizar Z=3x, + 5x, sujeta a las restricciones wy mee 2x, < 12 3x, +24, < 18 m20 y x20. (Observe cémo la informacién dada en la tabla 3.1 queda en esencia duplicada en la distribu ci6n de los coeficientes de x, y x en el modelo de programacién lineal.) Solucién grafica Este pequefio problema tiene slo dos variables de decisidn y por lo tanto sélo dos dimensio- nes, as{ que se puede usar un procedimiento gréfico para resolverlo. Este procedimiento in- cluye la construcci6n de una grifica dedos dimensiones con x) yy en los ¢jes. El primer paso cs identificar los valores de (x, )) permitidos por las restricciones. Esto se hace dibujando cada una de las rectas que limitan los valores permitidos por una restriccién. Para comenzar, note que las restricciones de no negatividad, x; 20, x, 20 exigen que el punto (2c, ¢)) este nel lado positivo de los ejes (incluso sobre cualquiera de los dos ¢jes), es decir, en el primer cua- drante. Después, observe que la restriccién.x < 4 significa que (2) ) no puede estara la de- recha de la recta x,=4. Estos resultados se mucstran en la figura 3.1, cn la que el area sombreada contiene los tinicos valores de (#1, x2) que se permiten. De manera parccida, la testriccin 2x, 12 (0 de modo equivalente, x» <6) implica que la recta 2x =12 debe agregatse a la frontera de la region permisible. La tltima restriceién, 3x, + 2a <18 se encuentra al graficar los puntos (x), x2), tales que 3x, +2 =18 (otra 28 3. Introduccién a la programacién lineal FIGURA 3.1 El érea sombreada muestra los valores de (Xi, 2) permitidos por 20,920, 44. recta) para completar la frontera. (Observe que los puntos que cumplen 3x; +2xy <18 son aquellos que estan ya sea sobre o abajo de la recta 3.14, + 2, = 18, por lo que éstaesla recta que limita, y més alld de ella, la desigualdad no se satisface.) En la figura 3.2 se muestra la regién de valores permisibles de (x, x) llamada regidn factible. [La demostracién llamada Graphi- cal Method (método grifico) en el OR Tutor proporciona un ejemplo detallado de la cons- truccién de la regién factible.] FIGURA 3.2 a El érea sombreada muestra los valores 10 permitidos de (xj, x3), llamada la region ea ‘| 38m +2m=18 3.1 Ejemplo prototipo 29 FIGURA 3.3 Elvalor de (x, x2) que maximiza 3x+ 5x; es 26). El paso final ¢s scleccionar, dentro de esta regidn factible, el punto que maximiza cl valor de Z= 32 + Sx. Para descubrir como realizar este paso de manera eficiente intente algunos valores pot prueba y error, ‘Irate, por ejemplo, Z-= 10 = 3.) + Sry para ver si existe algun va- Jor de (21,42 ) dentro de la regiGn permisible que dé un valor de 10 para Z, ise dibuyja la recta 34 + 51 = 0, se puede ver que existen muchos puntos sobre esta recta que estén dentro de la regan (vea la figura 3.3). Como al intentareste valor arbitrario de Z = 10se tiene una mejor petspectiva, debe intentarse ahora un valor arbitrario mas grande, digamos Z=20=3%, +549. De nuevo, la figura 3.3 revela que un segmento de la recta3.cy + 523 = 20 se encuentra dentro de laregién, de manera que el méximo valor permisible de Z debe ser por lo menos 20. Observe ahora en la figura 3.3 que las dos rectas que se acaban de graficar son paralelas. Esto no cs una coincidencia, ya que cualquier recta construida de esta manera tiene la forma Z=32 +54) pata cl valor seleccionado de Z, lo que implica que 5x = 3x, + Z 0, en for- ma equivalente, 3 1 Ky Z e+ 5 Z Esta tiltima ecuacién, llamada forma de pendiente-ordenada de la funcién objetivo, de- muestra que la pendiene de las rectas es —3 (ya que cadla incremento de una unidad en x hace gue #, cambieen—3), mientras que laordenada de larecta (la interseccidn con cl cje x) e5}Z (puesto que 2 =} cuando x = 0). El hecho de que la pendiente esté fija en ~8 significa que todas las rectas construidas de esta manera son paralelas, De nuevo, si se comparan las rectas 10= 314 +52) y 20= 3x + Sx en la figura 3.3, se observa que la recta que da el valor mayor de Z (Z = 20) se encuentra mis lejos del origen ha- Gia arriba que Ja otra reera (2 = 10), Este hecho también esté implicito en la forma de pen- iente-ordenada de la fancién objetivo, lo que indica que la interseccién con el ge (3 Z) aumenta cuando crece el valor seleccionado de Z. 3. Introduccién ala programacién lineal Estas observaciones implican que el procedimiento de prueba y error para construir las rectas de la figura 3.3 involucra sdlo dibujar una familia de rectas paralelas que contengan al ‘menos un punto en la regién factible y elegir la que cortesponda al mayor valor de Z. La figu- 43.3 muestra que esta recta pasa por el punto (2, 6) y esto indica que la soluci6n optima es #1 = y x2=6. La ecuacion de esta recta es 31 + 5x) = 3(2)+5(6)= Z, que dice que cl valor Sptimo de Z es Z=36. El punto (2, 6) se encuentra en la interseccién de las dos rectas, 2x3 =12y3x; +2) =18, mostradas en la figura 3.2, por lo que el punto se puede calcular al- gebraicamente como la solucién simulténea de estas dos ecuaciones. Una vez.estudiado el procedimiento de prueba y error para encontrar el punto 6ptimo (2,6), se pueden seguir los pasos de este método en otros problemas, En lugar de dibujar va- rias rectas paralelas, es suficiente marcar una de ellas con una regla para establecer la pendien- tey después mover la regla con pendiente fija sobre la regiGn factible en la direccién en que Z mejora. (Cuando el objetivo sea minimizar Z, la regla se mueve en la direccidn en que Z decre- «e.) La regla se deja de mover en el momento en que todavia pasa por un punto de esta regién. Este punto es la solucién dptima deseada. ‘Con frecuencia se hace referencia a este procedimiento como el método gréfico de pro- ‘gtamacién lineal. Se puede usat para resolver cualquier problema de programacién lineal con dos variables de decisién. Con alguna dificultad, es posibleextender el métodoa tres variables de decisién pero no més de tres. (En el siguiente capitulo se estudia el mérodo simplex para resolver problemas mds grandes.) Conclusiones El equipo de IO utiliz6 este procedimiento para encontrar que la soluci6n éptima deseada es #1 =2, x7 =6, con Z = 36. Esta soluci6n indica que la Wyndor Glass Co. debe fabricar los pro- diictos I y 2a una tasa de 2 y 6 lotes por semana, respectivamente, con una ganancia total re- sultante de 36 000 délares semanales. No existe otra mezcla de los dos productos que sca tan redituable, segsin ef modelo. No obstante, en el capitulo 2se puso de manifiesto que un buen estudio de investigacién de operaciones no sélo encuentra wna solucién para el modelo #nicial formulado y ahf acaba. Todas y cada una de las seis etapas que se describieron son importantes incluso las pracbas ex- haustivas del modelo (vea la seccidn 2.4) y el andlisis posdptimo (seccién 2.3). Alreconocer la totalidad de estas realidades précticas, el equipo de IO std listo para eva- luar la validez del modelo de una manera més critica (esto continuard en la seccién 3.3) y para llevar a cabo un andlisis de sensibilidad sobre el efecto que tendrfa el hecho de que las estima- ciones dadas en Ja tabla 3.1 fueran diferentes debido a inexactitudes, cambios en las circuns- tancias, etcétera (esto continuard en la seccién 6.7). Continuacién del proceso de aprendizaje con OR Courseware Este ¢s el primero de muchos puntos en el libro en donde encontraré titil usar el OR Course- ware que se encuentra en el CD que acompafiaal libro. Un programa clave en este CD es el lla- mado OR Tutor que contiene un ejemplo de demostracién completo del métado grdfico introducido en esta seccidn. Al igual que muchos otros ejemplos de demostracién para otras secciones, éste resalta los conceptos que son dificiles de explicar en una pagina impresa. Pue- de consultar en el apéndice 1 la documentacién sobre cl software. Cuando formule un modelo de programacién lineal con mas de dos variables de decisién (por lo que no puede usarse el método grafico), el método simplex: desctito en el capiculo 4 le 3.2. Modelo de programacién lineal 31 3.2 permitird encontrar una solucién éptima de inmediato. Obtenerla también es titil para la vali- dacién del modelo, ya que encontrar una solucién sin sentido, indica que sc cometieron errores en Ja formulacidn del modelo. En la secci6n 1.4 se mencioné que ¢l OR Courseware es una introduccién a los tres pa- quetes de software comerciales que ms se usan —Excel Solver, LINGO/LINDO Y MPL/ CPLEX— para resolver una variedad de modelos de IO, Los tres paquetes incluyen el méto- do simplex para resolver problemas de programacién lineal. La seccién 3.6 describe cmo usar Excel para formular y resolver modelos de programacién lineal en el formato dena hoja de cileulo. Las descripciones de las otros paquetes se proporcionan en ka seccién 3.7 (MPL y LINGO), el apéndice 3.1 (LINGO), la seccién 4.8 (CPLEX y LINDO) y el apéndice 4.1 (LINDO), Ademés, el OR Courseware incluye un archivo para cada uno de los tres paquetes que muestra cémo se puede usar para resolver los ejemplos en este capitulo, MODELO DE PROGRAMACION LINEAL EI problema de la Wyndor Glass Co. se disefié para ifustrar un problema comin de pri maci6n lineal (en versién miniatura). Sin embargo, esta técnica es muy versdtil para describir- Ja mediante un solo ejemplo. En esta secciOn se presentardn las caracteristicas gencrales de los problemas de programacién lineal y las distintas formas legitimas del modelo matemitico. Se comenzard por establecer la terminologfa y notacién basicas. La primera columna de la tabla 3.2 resume las componentes del problema de la Wyndor Glass Co. La segunda, intro- duce términos més generales para estas Componentes, que se ajustarén a muchos problemas de programacién lineal. Los términos clave son recursos y actividades, en donde m denota el miimero de tipos de recursos que se pueden usar y m el niimero de actividades bajo considera- cién. Algunos ejemplos de recursos son dinero y tipos especiales de maquinaria, equipo, vehiculos y personal. Los ejemplos de actividades incluyen inversidn en proyectos especifi- cos, publicidad en un medio determinado y el envio de bienes de cierta fuente a cierto desti- ‘no. En cualquier aplicacién de programacién lineal, es posible que todas las actividades sean de un tipo general (como cualquiera de los ejemplos), y entonces cada una corresponderfa en forma individual a las alternativas especificas dentro de esta categorfa general. ‘Como se describié en la introduccién del capitulo, el tipo més usual de aplicacién de pro- gramacién lineal involucra la asignaciOn de recursos a ciertas actividades. La cantidad dispo- nible de cada recurso esté limitada, de forma que debe asignarse con todo cuidado. La determinacién de esta asignacién incluye elegir los niveles de las actividades que lograrén cl mejor valor posible de la medida global de efectividad. TABLA 3.2 Terminologia comiin para programacién lineal Ejemplo prototipo Problema general (Capacidad de produccién de las plantas Recursos 3 plantas m recursos Fabricacién de productos Actividades 2 productos actividades ‘Tasa de produccién del producto jx, Nivel de la actividad j, x, Ganancia Z_ Medida global de efectividad Z 32 CC _ _$$__ rr at 3. Introduccién a la programacién lineal {Ciertos simbolos se usan de manera convencional para denotar las distintas componen- res de un modelo de programacién lineal. Estos simbolos se enumeran 4 continuacién, junto Con st interpretacién para el problema general de asignacion de recursos a actividades, Z = valor de la medida global de efectividad. = nivel de la actividad j (para j=1,2,...,n). & i 4 = Incremento en Z obtenido al aumentar una unidad en el nivel de la actividad 7. 4% = cantidad de recurso i disponible para asignar a las actividades (para i= 1, Qyies mt). ‘94 = cantidad del recurso 4 consumido por cada unidad de la actividad j Elmodelo establece el problema en términos de tomar decisiones sobre los niveles de las acti- vidades, por lo que x, 25... %y $ellaman variables de decisin. Como se resumeen la tabla 3.3, losvalores dec; 4; yay (paraé= 1,2,..., my j=1,2,..,») son las onshantes de ontreda al modelo. Las ¢;, b; yay también se conocen como pardmetros del modelo. Observe la correspondencia entre la tabla 3.3 y la tabla 3.1. Forma estandar del modelo Para proceder con el problema de la Wyndor Glass Co., ahora se puede formular al mode- do matetndtico parael problema general de asignar recursos a actividades. En particular, este modelo consiste en clegir valores de 27, 9,...y &q para Maximizar Z= e131 + ¢3. +--+ 64.4, sujeta a las restricciones AH + wines +++ aig gs Sd, + ayy < by 421%) + ar2x, ++ AmiX1 + hy 2%1 ++ By Hy S yy, TABLA 3.3 Datos necesarios para un modelo de programacién lineal que maneja la asignacién de recursos a actividades Consumo de recursos por unidad de actividad Actividad Cantidad de Recurso 1 2 zs a recursos disponibles ! a 2 = On 5 2 a) en ne Pq b | m On ona Gn by Contribucién a Z por é = o unidad de actividad 3.2_ Modelo de programacién lineal 33 #20, 00 20) ye 20. Llamiamos a esta nuestra formia estdénilar} para el problema de programacién lineal. Cualquier situacién cuya formulacién matemdtica se ajuste a este modelo es un problema de programa- ion lineal. Observe que el modelo paraeel problema de la Wyndor Glass Co. se ajusta a nuestra forma estindar con m=3 y n=2. En este momento se puede resumir la terminologfa que se usard en los modelos de pro- gramiacidn lineal. La funcién que se desea maximizar, ¢153 + ¢)3) +--+ ¢,%q, S¢ llama fun- Gién objetivo. Por lo general, se hace referencia a las limitaciones como restricciones, Las primeras m restticciones (aquellas con una funcién de todas las variables a 3 + a 9) + +11, , 1c! lado izquierdo) a veces reciben el nombre de restricciones funcionales. De manera parecida, las restricciones x; >0 se conocen como restricciones de no negatividad (0 condiciones de no negatividad). Otras formas Debe hacerse notar que el modelo anterior no se ajusta a la forma natural de algunos proble- mas de programacién lineal. Las otras formas legitimas son las siguientes: 1. Minimizar en lugar de maximizar la funcién objetivo: Minimizar Z= e+ 0%) # +e, q. 2. Algunas restricciones fancionales con desigualdad en el sentido mayor o igual: aie tai9% ++ a5, %_ 2b; para algunos valores de i. 3. Algunas restricciones fiancionales en forma de ccuacién: Baxytaj.% +--+ ap,%,=b, para algunos valores de i. 4. Las variables de decisién sin la restriccién de no negatividad: j no restringida en signo para algunos valores de j. Cualquier problema que incluye una, varias 0 todas estas formas con las otras partes del mo- delo anterior también se clasifica como un problema de programacién lineal. Nuestra inter- pretacién de las palabras asignacién de recursos limitados entre actividades que compiten puede ya no aplicarse muy bien, sies que se aplica, pero sin importar cudl sea la interpretacién o el con- texto, lo tinico necesario es que la formulacién matemtica del problema se ajuste a las formas permitidas. ‘Terminologia para las soluciones del modelo Puede ser que el lector esté acostumbrado a que el término solucién signifique la respuesta fi- nala un problema, pero en programacién lineal (y sus extensiones) la convencién es bastante distinta. Ahora, cualguier conjunto de valores especificos para las variables de decisién (x1, 245-005) Se Hama una solucién, aunque sca s6lo una posibilidad descable o ni siquiera per- mitida, Después se identifican los tipos de soluciones usando un adjetivo apropiado. 2 Le llamamos muestra forma estindar en lugae de la forma estindar porque otros libros adopran otras formas, 34 3__Introduccién a la programaci6n lineal ‘Una solucién factible ¢s aquella para la que todas las restricciones se saiifacen, Una solucién no factible es una solucidn para ka que al menos wna restricciGn st viola. En el ejemplo, los puntos (2, 3) y (4, 1) en a figura 3.2 son soluciones facibles, mientras que (1, 3) y (4, 4) son soluciones no factibles. La regi6n factible es la coleccién de todas las soluciones factibles. La regiGn factible en cl ejemplo es toda el érca sombreada de la figura 3.2, Es posible que un problema no tenga soluciones factibles. Esto hubiera ocurrido de ha- berse requerido que los nuevos productos ruvieran un rendimiento neto de $50 000 semana- les por lo menos, para justificar la interrupcién de la fabricacién de la linea actual. La restriccién cortespondiente, 3%, +52 250 hubiera eliminado por completo la regién facti- ble, con lo que ninguna mezela de nuevos productos serfa superior a la situacién actual. Este caso se ilustra en la figura 3.4. Dado que existen soluciones factibles, la meta de la programacién lineal es encontrar una solucién factible que sea la mejor, medida por el valor de la funcidn objetivo en cl modelo. ‘Unasolucién éptima es una solucién factible que proporciona el valor mds favorable dela fan- cién objetivo. El valor més favorable significa cl valor mis grande sila funcién objetivo debe maximizarse, mientras que ¢s cl valor mds pequeno si la fancién objetivo ha de ser un mtnimo. La mayor parte de los problemas tendré nada més una solucién dptima. Sin embargo, también es posible tener més de una, Esto ocurrirfa en el ejemplo si laganancia por lore produ «ido del producto 2 se cambiara a $2,000. Esto cambia la funcién objetivo a Z= 34 +2x,, de manera que todos los puntos sobre el segmento de recta que va de (2, 6) a (4, 3) serfan solu- Fi 5 *% eae, 4 Maximizar Z=35+5% Wyndor Glass Co. at sujecoa ay <4 no tenerasolucones Bx +585250 oe ace factibles si se pit mn <18 cee ae 3x + Sm 250 34+ 5xq> 50 al a20, 420 problema. Es | 8m +20) < 18 Fem 20 al. <4 Fr 20 3.2. Modelo de programacién lineal 35 % Maximizar Z= 3x +2x) Z=18-3y+2m sujroa ys 4 20, <12 3a + 2m $18 420 120 “ados los puntos en el segmento 47 oscuro de la linea son éptimos, todos con Z = 18. ‘Seema miiltiples si ‘= Encién objetivo secombiaraa = 3n+2x, iones 6ptimas. Esto se ilustra en la figura 3.8. Igual que en este caso, cualquier problema que tenga soluciones 6ptimas miiltiples tendré un mimero infinite de ellas, todas con el mismo valor de la funcidn objetivo. Otra posibilidad es que e] problema no tenga soluciones éptimas. Esto ocurre sélo si: 1) no tiene soluciones factibles o 2) las restricciones no impiden que el valor de la fancién ob- jetivo (Z) mejore indefinidamente en la direccién favorable (positiva negativa). Este caso se conoce como un problema que tiene Z no acotada. Eliiltimo caso serfa cierto si enel ejemplo por error se omitieran las tiltimas dos restricciones fiancionales del modelo. Esto se ihustra en | hh figura 3.6. ‘Ahora se introduciré un tipo especial de soluciones factibles que tiene un papel impor- tante cuando el método simplex busca una solucién éptima. ‘Una solucién factible en tun vértice (FEV) cs una solucién que esté en tna esquina de la e~ | i6n factible. La figura 3.7 pone de relieve cinco soluciones factibles en los vértices para el ejemplo. Tas secciones 4.1 y 5.1 analizardn varias propiedades titiles de las soluciones FEV para problemas de cualquier tamafio, incluso la siguiente relacién con las soluciones éptimas. Relaci6n entre las soluciones dptimas y las soluciones FEV: considere cualquier problema de programaci6n lineal con soluciones factibles y una regién factible acotada. El proble- ma debe poseer soluciones FEV y al menos una solucién 6ptima. Mds atin, la mejor solu- cién FEV debe ser una solucién éptima. Entonces, si un problema tiene exactamente una solucién 6prima, ésta debe ser una solucidn FEV, Siel problema tiene miiltiples soluciones 6pri- | ‘mas, al menos dos deben ser soluciones FEV. 36 3 Introduceién a la programacién lineal (4.x), Z=0 (4, 10), Z = 62 Maximizar Z= 3% +54; sujeto a ast y 420, m20 (4, 8), Z = 52 sb (4.6),2- 42 FIGURA 3.6 El problema de la Wyndor Glass Co. no tendria soluciones 4 (4,4), 2 = 32 Sptimas sila nica restriceién funcional fuera < 4,ya que x y podria aumentar de = (4,2), Z= 22 modo indefinido en la region fatible sin le- gar aun valor maximo a deZ= 3x+ 543. o 2 4 6 8 10m El ejemplo tiene exactamente una solucién éptima, (x, #2) = (2,6), quees una solucién FEV, (Piense en cémo el método gréfico lleva a la solucién éptima que es una solucion FEV.) Cuando se modifica el ejemplo para que tenga soluciones éptimas milltiples, como se mues- tracn la figura 3.5, dos de estas soluciones Gptimas —(2, 6) y (4, 3)— son soluciones facti- bles en los vertices. 3.3. SUPOSICIONES DE PROGRAMACION LINEAL De hecho, todas las suposiciones de programacién lineal estan implicitas en la formulacién del modelo que se presenté en la seccién 3.2. Sin embargo, vale la pena hacer hincapié en cllas para que sea més sencillo evaluar siesta técnica cs adecuada para un problema dado. Aun mds, ¢s necesario analizar por qué el equipo de IO de la Wyndor Glass Co, concluyé que la formu- lacién de programacién lineal proporcionaba una representacién satisfactoria del problema. Proporcionalidad Laproporcionalidad es una suposicién sobre la funcién objetivo y sobre las restricciones, como se-resume a continuacién, ‘Suposicién de proporcionalidad: la contribucién de cada actividad al alo dela fiuncién obje- tivo Z es proporcional al nivel de la actividad x,, como lo representa el término ; x; en la funcién objetivo. De manera similar, la contribucién de cada actividad al lado iequierdo de cada restric- sid funcional es proporcional al nivel de la actividad +, como lo representa el téemino ay x; cn la restriccién. En consecuencia, esta suposicién elimina cualquier exponente diferente a1 para las. FIGURA 3.7 Los puntos son las cinco soluciones FEV para el problema de la Wyndor Glass Co. 3.3. Suposiciones de programacion lineal 37 (0, 0) 4,0) vatiables en cualquier término de las funciones (ya sea la funcién objetivo o la funcién en el lado inquierdo de las restricciones funcionales) en un modelo de progeamacién lineal. Para ilustrar esta suposicion, considere el primer término (8) en Ja funcién objetivo {Z= 3x) + 5x2 )paracl problema de la Wyndor Glass Go. Este término representa la ganancia generada por semana (en miles de délares) al fabricar el producto 1 a una tasa dex lotes por semana. La columna de proporcionalidad satisfécha de la tabla 3.4 muestra el caso qute se supu- so ena seccién 3.1, saber, que esta ganancia sin duda es proporcional a e;, de manera que 3; esc término apropiado para la funcién objetivo. Por el contrario, las siguientes tres co- Jumnas muestran casos hipotéticos diferentes en los que la suposicidn de proporcionalidad no se cumple. ‘Vea primero la columna del caso 7 cn la tabla 3.4, Este caso surgirfa si se tavieran costos fijos asociados al arranque de la fabricacién del producto 1. Por ejemplo, es posible que TABLA 3.4 _Ejemplos de proporcionalidad satisfecha o violada Ganancia del producto 1 ($000 por semana) Proporcionalidad x satisfecha aso 0 o o 0 0 1 3 2 3 3 2 ‘ 5 7 5 3 9 8 n ‘ 2 1 1a 6 Cuando la fancié incluye alg sérmine de producto crucado, la proporcionalidad debe interpretarse en el sentido de {gue los cambios en el valor de a funci6n son propotcionales los cambios en cada variable (1s) en forma individual, da clos cualesquicra valores fjos para as otras variables, Por lo tanto, un término de producto cruzado satisface la pro- porcionalidad siempre que cada variable cn c|sérmino tenga un exponente de 1. (Sin embargo, cualquier té:mino de Producto eruzado viola la suposicién de adisinidad que sc estudiar en seguida.) 38 3. Introduccién a la programacién lineal existan costos debidos a la preparacién de las instalaciones de produccién. También puede haber costos asociados con el arreglo de la distribucién del nuevo producto. Como se trata de costos en los que se incurre una sola vez, deben amortizarse cada semana para que sean con- mensurables con Z (ganancia en miles de délares por semana). Suponga que esta amortiza~ cién se hace y que los costos de preparacién o fijos totales significan una reduccién de 1 en Z, pero que la ganancia, sin considerar los costos fijos es de 32x). Esto quiere decir que la contri- bucién del producto 1 aZ es 3; —1 para x, >0, mientras que la contribucién es 3x =O cuan- do x,=0 (no hay costo fijo). Esta fncién de ganancias,! dada por la curva continua en la figura 3,8, sin duda no es proporcional a 21. A primera vista, pudiera parecer que el caso 2 de la tabla 3.4 es bastante parecido al aso 1. Pero el hecho es queel caso 2 surgede forma muy diferente, No existe un costo fijoy la ¢ganancia debida ala primera unidad del producto 1 por semana, por supuesto es $3, como se supuso en un principio. Pero ahora se tiene un rendimiento marginal creciente; es decir, la pendiente de la funcién de ganancia para el producto 1 (vea la curva continua en la figura 3.9) crece conforme 2x, aumenta. Esta violacion de la proporcionalidad puede ocurrir debido a economfas de escala que en ocasiones se pueden lograr para niveles altos de produccién, por ejemplo, a través del uso de maquinaria més eficiente para altos vollimenes, corridas de pro- diuccién més grandes, descuentos por cantidad por compras grandes de materia prima y por elefecto de la curva de aprendizaje debido al cual los trabajadores son cada vez més eficientes conforme adquieren experiencia en tun trabajo de produccién dado. Cuando el costo incre- mental disminuye, la ganancia incremental aumenta (si se supone un rendimiento marginal constante). FIGURA3.8 Contribucién 3: La curva sblida viola la dexiae i 12) suposicién de propor- clonalidad debido al costo fijo en que se incurre cuando » 9 aumenta de 0. Los Satisface la valores son los puntos suposicién de dados en la columna 6 {- Proporcionalidag del caso | de la tabla Ne 34. 3 0 Costo fijo—e a ila contribucién del producto 1 la funcidn Z fuera 3x, ~1 para toda x ® 0, inchiso x = 1, entonces la constante fija,-1, se podria eliminar de a fanci6n objetivo sin cambiar la soluicin Optima y se restablecera la proporcionalidad, Sin embargo, en este caso no es posible, ya que la coriseante =I no se aplica si x; = 0: 3.3 Suposiciones de programacién lineal FIGURA 3.9 La curva continua viola fa suposicién de proporcionalidad porque su pendiente (el rendimiento marginal del producto I) sigue en aumento conforme x; aumenta. Los valores en los puntos estén dados en la columna del caso 2 dela tabla 3.4. Contribucién dexpaZ 39 13] 15| ‘Viola la suposicién de roporcionalidad ‘Prep ~ 12 NS Satisface la suposicién de proporcionalidad Oompnlish bouwiaBivn dhune wr De nuevo, seguin Log datos de la tabla 3.4, el caso contrario del 2s el casv 3, en el que exis te un rendiimiento marginal decreciente, En este caso, la pendiente de la funcién de ganancia parael producto 1 (dada por la curva continua en la figura 3.10) disminuye conforme x, au- menta. Esta violacién de la proporcionalidad puede ocurrir debido a que los casts de comsercin- fizacién tengan que elevarse més que proporcionalmente para lograr aumentos en el nivel de ventas. Por ejemplo, tal vez cl producto 1 se pueda vender a una tasa de 1 por semana (x) = 1) sin publicidad, micntras que lograr ventas que sostengan una tasa de produccién de +, puede requerir una publicidad moderada, paras =3¢s posible que sea necesaria una extensa campafia publicitaria y para x, = 4 puede requerirse también una disminuci6n en los precios. Los tres casos son ejemplos hipotéticos de Ia forma en que la suposicién de proporciona- lidad puede no cumplirse. ¢Cusl es la situacién real? La ganancia real al fabricar el producto 1 FIGURA 3.10 La curva continua viola la suposicién de proporcio- nalidad ya que su pen- diente (el rendimiento ‘orginal del producto 1) sigue decreciendo cuando x aumenta, Los valores de los puntos estan dados en la columna del caso 3 dela tabla 3.4. Contribucién dex aZ 12 Satisface la suposicidn de propottionaiiad wi is Viola la suposicin de proporcionalidad 40 3. Introduccién a la programacién lineal (ocualquier otro) se deriva del ingreso de ventas menos os distintos costosdirectos eindiece tos. Es inevitable que algunas de estas componentes de costos no sean estrictamente propor- cionales @ las tasas de produccién, tal vez por alguna razén expucsta, Sin embargo, la Eee ean. 81 después de acumular tod las componentes de ganancia, la pro- Porcionalidad es una aproximacién rezonable para el modelado. Fn el problema ee la Wyndor Glass Co, el equipo de 10 verifies tanto lafuncién objetivo como las restriecicncs fancionales. La conclusién fue que sin duda podta suponerse la proporcionélidad sin dines siones serias. ‘Qué ocurre cuando la suposicién no se cumple, ni siquiera como una aproximacidn ra- ZOnable? En la mayor parte de los casos, est significa que se debe emplear programacién no lineal (presentada en el capitulo 13). Sin embargo, en la seccién 13.8 se sezale que cierta clase importante de falta de proporcionalidad se puede manejar mediante programscion lineal c, formulando el problema de manera adecuada, Lo que es mis, i se viole la suuposicién nada Ins debido alos costos fis, exist una extensiGn a programacida lineal (ragramacidmonnog ‘mista) que se puede usar, pesentada en la seccién 12.2 (el problema con costos jos) Aditividad Aunque la suposicién de proporcionalidad elimina los exponentes diferentes de uno, no rohibe los iérminasde productos crusades (rérminos que incluyen el producto dedos onion. ables). La suposicién deaditivided i climina esta posibilidad, comose vea contineacds, Suposicion de aditividad: cada funcién en un modelo de programacin lineal (ya seal une Sion objetivo oe! lado izquierdo de las restricciones funcionales) es lassema de lng, consribzsciones individuales de las actividades respectivas. Cl que este valor de la. fiuncitn se obstiene simplemente sumando los dos primeros renglones (3+-5=8),es decir, Z= 3x, + 5x comose supUuso antes. Por el contrario, las coltumnas que siguen muestran casos hipoteticos en los quel suposicién deaditividad queda violada (pero no la suposicién de proporcionalidad). TABLA 3.5_Ejemplos que satisfacen o violan la aditividad de la funcién ‘objetivo. Valor de Z Aditividad viol fara vii o sence Gy 2) Aditividad satisfecha Caso (1,0) 3 3 3 (0,1) 5 5 5 a) 8 9 7 3.3. Suposiciones de programacién lineal 4l Segiin Ja columna del caso 1 de Ja tabla) 3.5, se tiene una’ fancién objetivo deZ= 3x4 + Bip + X12, de manera que Z=3+-5++ 1=9 para (ei, #2)= (1, 1),loque viola la suposi- cin de aditividad de que Z= 3+5. (La suposicién de proporcionalidad todavia se satisface puesto que si se fija el valor de una variable, el incremento en Z debido a la otra variable es proporcional al valor de-csa variable.) Este caso surge si los das productos son complementa- rios de alguna forma en que la ganancia aumenta. Por ejemplo, suponga que se requiere una campafia publicitaria importante para comercializar cualquiera de los dos productos por sf solos, pero que la misma campatia puede promover de mafiera efectiva ambos productos. ‘Como se ahorra un costo alto para el segundo producto, la ganancia conjunta seré algo més que la suma de sus ganancias individuales si se producen por separado. El caso 2 de la tabla 3.5 también viola Ja suposicién de aditividad debido al término adi- cional en su funcién objetivo, Z=3.;+5x2-a1x9de forma que Z=3+5-1=7 para (182) = (1, 1). Al contrario del primer caso, el caso 2 surge cuando los dos productos son conipetitivos de algxin modo en que su ganancia conjunta disminuye. Por ejemplo, suponga que ambos productos deben usar la misma maquinaria y equipo. Si se produce cada uno pot sf solo, maquinaria y equipo se dedican a este tinico uso. Sin embargo, al fabricar ambos pro- ductos se requiere cambiar los procesos de produccién de uno a otro, con tiempo y costos in- yolucrados en Ja interrupcién temporal de la produccién de uno yy la preparacién de! otro. Coneste costo adicional importante, su ganancia conjunta serd algo menos que laswnma de sus ganancias individuales-al producirlos por separado. El mismo tipo de interaccidn entre actividades puede afectar la aditividad de las funcio- nes de restriccién, Por ejemplo, considere la tercera restriccién del problema de la Wyndor Glass Co., 321 + 2x9 <18, (Esta es la nica restriccién que incluye ambos productos.) Esta restricci6n se refierea la capacidad de produccién de la planta 3 en la quese dispone de 18 ho- ras semanales de tiempo de produccién para los dos nuevos productos y la funcidn en el lado izquicrdo (3.,-+ 2x2) representa el ntimero de horas de produccién semanales que se usarfan en estos productos, La columna de aditividad satisfécha de la tabla 3.6 muestra este caso, mientras que las dos columnas siguientes exponen casos en los que la funcién tiene un tértni- no adicional de producto cruzado que viola la aditividad. Para las tres colummnas, las contrib ciones individuales de los productos en cuanto al uso de la capacidad de la planta 3 son las supuestas antes, a saber,32, para el producto 1 y 2x, para el producto 2, 0 sea, 3(2) = 6, para =) =2 y2(8) =6 para x, = 3. Igual que en la tabla 3.5, la diferencia estriba en el ultimo ren- TABLA 3.6. Ejemplos de aditividad satisfecha o violada para una restricci6n funcional Cantidad de recurso usado Aditividad violada (G9) Aditividad satisfecha Caso 3 Caso 4 (2,0) 6 ‘ 6 (0,3) 6 6 6 (2,3) 12 15 108 Te 42 3. Introduccion a la programacién lineal gidn que ahora da el alor tral de la funcién para el tiempo de produccién utilizado cuando se fabrican los dos productos de manera conjunta. Para el caso 3 (vea la tabla 3.6), el tiempo de produccién utilizado por los dos productos estd dado por la funcién 3.x; + 2x2 + 0.5x).x), de manera que el valor total de la funciin es 6+6 +3=15 cuando (x,:¥2)=(2,3), logue viola la suposicidn de aditividad de que el valor es s6lo 6 +6 =12. Este caso puede surgir justo de la misma forma que se describié para el caso 2 (ta- bla 3.5): tiempo adicional desperdiciado em el cambio de procesos de produccién entre los dos productos. El término adicional de producto cruzado (0.5); ) representa el tiempo de produccién desperdiciado en esta forma. (Observe que al desperdiciar tiempo cambiando de un producto otro lleva, en este caso, a un término positivo de producto cruzado en donde la funcién total mide el tiempo de produccién utilizado, mientras que conduce a un término ne~ gativo de producto cruzado para el caso 2 ya que esa funcidn total mide la ganancia.) En clcaso4de a tabla 3.6, la funcién de la capacidad que se usa cs 3x1 + 2x2 -O.1x} xp, por lo que el valor de la funcién para (xi, x2)=(2,3)es6 +6 1.2 = 10.8, Este'caso surge de la siguiente manera. Igual que emel caso 3, suponga que las dos productos requieren el mismo tipo de maquinaria y equipo, pero que ahora el tiempo para cambiar de tn producto a otro es relativamente pequefio. Como cada producto pasa por uria serie de operaciones, las instala- ciones de produccién individual, que por lo general se dedican a ese producto, tendrfan algu- nos ticmpos ociosos, Estas instalaciones podrfan utilizarse durante estos tiempos en otros productos. En consecuencia, el tiempo total de produccién usado cuando se fabrican en for- ma conjunta los das productos es menor que la sma de los tiempos de produccidn usados por los productos individuales cuando se fabrican por separado. Después de analizar los tipos posibles de interaccién entre los dos productos ilustrados en estos cuatro casos, el equipo de IO coneluyé que ninguno tenia un papel importante en el problema real de la Wyndor Glass Co. Por lo tanto, la suposicién de aditividad se adopté como una aproximacién razonable. En otros problemas, sila aditividad no es una suposicién razonable, de forma que algu- nas 0 todas las funciones matemAticas del modelo necesariamente son no lineales (debido a rérminos de producto cruzado), resulta definitiva la entrada en el Ambito de la programacién no lineal (vea el capitulo 13). Divi: idad La siguiente suposicién se refiere a los valores permitidos para las variables de decisién. ‘Suposicién de divisibilidad: las variables de decisién en un modelo de programacién lineal pueden tomar cwalguier valor, incluso valotes no enteras, que satisfagan las restricciones funcio~ nales y de no negatividad. Asi, estas variables no estn testringidasas6lo valores enteros. Como cada variable de decisién representa el nivel de alguna actividad, se supondré que las actividades se pueden realizar a nivelesfracciomales. En el problema de la Wyndor Glass Co, las variables de decisién representan tasas de pro- duccién (mimero de lotes de un producto fabricados a la semana). Como estas tasas pueden tomar cualguier valor fraccional dentro de la regién factible, la suposicién de divisibilidad se cumple. Enciertas situaciones, la suposicién de divisibilidad no se cumple porque algunas 0 todas las variables de decisién deben restringirse a valores enteros. Los modelos matemiticos con sta restriccién se laman modelos de programacién enteray sc estudiarénenel capitulo 12. 3.3 Suposiciones de programacién lineal 43 Certidumbre La ultima suposicién se refiere a los pardmetras del modelo, es decir, a los coeficientes cj enla funcién objetivo, los cocficientes a g en las restricciones funcionales y los b; enel lado derecho de las restricciones funcionales. Suposicién de certidumbre: se supone que los valores asignados a cada parémetro de un mo- delo de programacién lineal son constantes conocidas. En los problemas reales, rara vez se satisface por completo la suposicion de certidumbre. Casi siempre se formula un modelo de programacién lineal para elegir un curso de accién futuro. Entonces, los valores de los parmetros que se emplean estan basados en una prediccién de las condiciones futuras, lo que es inevitable que introduzca cierto grado de incertidumbre Por esto, siempre ¢s importante realizar un andlisis de sensibilidad después de encon- traruna solucién éptima para los valores supuestos de los pardmetros)Como se presenté en la seccidn 2.3,(e! propdsito gencral es identificar los pardmetros sensibles (cs decir, aquellos cuyo valor no puede cambiar mucho sin cambiar la solucién éptima), ya que un cambio ma- yor enel valor de un parémetro sensible da la sefial inmediata de la necesidad de un cambioen la solucién que se est usando. ‘El andlisis de sensibilidad tiene un importante papel en el problema de la Wyndor Glass Co,, como se verd en la seccidn 6.7. De todas maneras, es necesario adquirir algunos conoci- mientos adicionales antes de terminar esta historia. Enalgunos casos, el grado de incertidumbre en los pardmetros es demasiado grande para que elanilisis de sensibilidad lo pueda manejar. Entonces es necesario establecer, en forma ex- plicita, estos pardmetros como variables aleatorias. Se han desarrollado formulaciones de este tipo, que se pueden consultar en las secciones 23.6 y 23.7 del sitio de Internet del libro, wwwmhhe.com/hillier. Perspectiva de las suposiciones En la seceién 2.2 se hizo hincapié en que el modelo matematico intenta ser sdlo una represen- tacién idealizada del problema real. Por lo general se requicren aproximaciones las suposi- ciones de simplificacién para que el problema se pueda manejar. Agregar demasiados detalles y precision puede hacer que el modelo sea dificil de manejar para llevar a cabo un andlisis uiil del problema. En realidad, todo lo quese necesita es que exista una correlacién relativamente alta entre la prediccién del modelo y lo que de hecho pasarfa en el problema real. Este consejo sin duda es aplicablea programacién lineal. Es muy frecuente en las aplica~ ciones reales de esta técnica que casi ninguna de las cuatro suposiciones se cumpla. Excepto quizé por la suposicién de divisibilidad, deben esperarse pequefias disparidades, Esto es cierto en especial para la suposicidn de certidumbre, de manera que cs normal que deba aplicarse el andlisis de sensibilidad para compensar la violacién de esta suposicién. Sin embargo, es importante que el equipo de investigacién de operaciones examine las cuatro suposiciones para el problema que se estudia y analice qué tan grandes son las dispari- dades. Si cualquiera de las suposiciones queda violada de manera importante, entonces se dis- pone de varios modelos alternativos, como se verd en capftulos posteriores de este libro. Una desventaja de estos modelos es que los algoritmos disponibles para resolverlos no son nileja- namente tan poderosos como el de programacién lineal, pero en algunos casos esto se ha ido solucionando. En algunas aplicaciones sc utiliza el poderoso enfoque de programacién lineal para el andlisis inicial y después un modelo més complejo para refinar el andlisis. 3.4 3_Introduccién a la programacién lineal Al trabajar los ejemplos de la siguiente secci6n encontraré queuna buena prictica es ana- lizar hasta qué grado se cumplen las cuatro suposiciones de programacién lineal, EJEMPLOS ADICIONALES El problema de la Wyndor Glass Co. es un ejemplo prototipo de progeamacién lineal en va- tos aspectos: comprende la asignacién de recursos limitados entre actividades que compiten por ellos, su modelo se ajusta a nuestra forma esténdar y su contexto es el tradicional de la pla- nneacién de la administracién para mejorarla, Sin embargo, la aplicacién de la programacién lineal es mucho mis extensa, Esta seccidn comienza por ampliar el horizonte, Al estudiar los siguientes ejemplos, observe que se caracterizan como problemas de programacién lineal por cl modelo matematico, mds que por su contexto. Luego, piense que ¢! mismo modelo mate- mitico surge en muchos otros contextos con sdlo cambiar los nombres de las actividades. Estos ejemplos son versiones simplificadas de aplicaciones reales (incluso los dos que se presentan como casos de estudio en la siguiente seccién. ) Disefio de terapia de radiacién Acaban de diagnosticar que MARY tiene céncer en una etapa bastante avanzada. Espectfiea- mente, tiene un tumor grande en el drea de la vejiga (una “lesién completa en la vejiga”). ‘Mary recibird los cuidados médicos més avanzados disponibles, para proporcionarle la mejor posibilidad de supervivencia, Estos cuidados incluyen una serapia de radiacién extensa. La terapia de radiacién incluye el uso de una méquina de rayos externos que pasa radia- i ionizante a través del cuerpo del paciente y daria tanto los tejidos cancerosos como los sa- nos. Es normal que se administren los rayos con precisién desde diferentes éngulos en un plano de dos dimensiones. Debidoa la atenuacién, cada rayo descarga mds radiacién sobre el tejido cercano al punto de entrada que sobre el cercano al punto de salida. La dispersién tam- bign causa que parte de la radiacién se descargue sobre tejidos que estén fuera de FIGURA 3.11 Seccién cruzada del ‘tumor de Mary (vista desde arriba), cercano a telidos criticos, y los rayos de radiacion usados. Rayo 2 ™~ dod \ Rayo 1 1. Vejiga y tumor 2. Recto, cdccix, ete. 3. Fémur, parte de la pelvis, etc. Jatrayectoria directa del rayo. Como las céhulas del tumor casi siempre se encuen- tran diseminadas entre céhulas sanas, la dosis de radiacion a través de la regidn del tumor debe ser suficiente para matar las células malignas que son un poco mis sensibles a ésta, pero suficientemente pequefia para no matar a las células sanas. ‘Al mismo tiempo, la dosis agregada que reciben los tejidos criticos no debe exce- der los niveles de tolerancia establecidos, con el objeto de prevenir complicacio- nes que puedan resultar ms serias que la enfermedad misma, Entonces, la dosis completa que recibe el cuerpo sano debe minimizarse. Por la necesidad de balancear con cuidado todos estos factores, el disefio de la terapia de radiacién es un proceso muy delicado. La meta principal deeste dise- fio es clegir la combinacién de rayos a utilizary la intensidad de cada uno para ge- nerar la mejor distribucién de la dosis posible. (La fuerza de la dosis en cualquier punto del cuerpo semideen unidades llamadas kilorads.) Una vez disefiado el tra- tamiento, se administra en muchas sesiones durante varias semanas. En el caso de Mary, el tamano y la localizacién del tumor hace que el disetio desu tratamiento sea un proceso més delicado que lo usual. La figura 3.1] mues- tra un diagrama de un corte transversal del tumor visto desde arriba, al igual que los tejidos cereanos criticos que deben evitarse. Estos tejidos incluyen drganos vi- tales (Por ejemplo, el recto) al igual que estructura dsea (como el fémutr y la pel- 3.4_Ejemplos adicionales 45 vis) que atenuardn la radiacién. Ademés, se muestra el punto de entrada y la direccién de los tinicos dos rayos que se pueden usar con un grado médico de seguridad en este caso. (El cjemplo se ha simplificado en esto, en la realidad se consideran docenas de rayos posibles.) Para cualquier rayo propuesto de una intensidad dada, el andlisis de cul seria la absor- cién de radiacién resultante en distintas partes del cuerpo requiere un proceso dificil. En resu- men, con base en un andlisis anatémico cuidadoso, la distribucién de energia dentro de un corte transversal de dos dimensiones se puede graficar en un mapa de isodosis en el que las curvas representan la fierza de la dosis como un porcentaje de la fuerza de la dosis en el punto de entrada, Después se coloca una red fina sobre el mapa de isodosis. Si se suma la radiacién absorbida en los cuadros que contienen cada tipo de tejido, se puede calcular la dosis prome- dio que absorben el tumor, los tejidos sanos y los tejidos criticos, La absorcién de la radiacion ¢s aditiva cuando se administra m4s de un rayo (en forma secuencial). Después de un andlisis exhaustivo, el equipo médico estimé con detalle los datos necesa- rios paral disefio del tratamiento de Mary; cl resumen se presenta en la tabla 3.7. La primera columna da una lista de las éreas del cuerpo que deben consideratse y las dos siguientes pro- porcionan la fraccién de la dosis de radiacién de cada rayo en el punto de entrada que se ab- sorbe en promedio en las Areas respectivas. Por ejemplo, si el nivel de la dosis en el punto de ‘entrada del rayo 1s 1 kilorad, entonces se absorberén 0.4 kilorad en toda la anatomfa sanaen el plano de dos dimensiones, un promedio de 0.3 kilorad en los tejidos critics cereanos, un promedio de 0.5 kilorad en las distintas partes del tumor y 0.6 kilorad se absorberan enel cen- tro del rumor, La tltima columna da las restricciones sobre la dosis total de ambos rayos que sé absorbe en promedio en las diferentes partes del cuerpo. En particular, la absorcién prome- dio de la dosis para la anatomia sana debe ser tan pequefia como sea posible, los tejidos criticos no deen exceder 2.7 Kilorads, el promedio sobre todo el rumor debe ser igual a6 kilorads yen el centro del tumor debe ser por fo menos 6 kilorads. Formulacién como un problema de programacién lineal. Las dos variables de decisin 27 y +2 representan la dosis (en kilorads) en el punto de entrada de los rayos 1 y 2, respectivamente. Como debe minimizarse la dosis toral que llega a la antatomfa sana, sea Z cesta cantidad, En este punto se pueden usar los datos de la tabla 3.7 para formular el siguiente modelo de programacién lincal.! TABLA 3.7 _ Datos para el disefio del tratamiento de radiacion de Mary Fraccién de la dosis de entrada pevaiaeeeeicie absorbida por area (promedio) “doe Pruinielnd Area Rayo | Rayo 2 total, kilorads ‘Anatomia sana, 04 05 Minimizar Talido critica 03 0.1 “27 Region del tumor 05 Os =6 Centro del tumor 06 of 26 Bp realidad, la abla 3,7. una simplificacién de la sitsaci6n real, de manera que el modelo seria algo més complicado que éste yrendirfa dacenas de variables yrestrieciones. Si se desea conocer los detalles de la siruacién general consulte 1D, Sondermany P. G, Abrahamson: “Radiotherapy Treatment Design Using Mathematical Prograruning Models", Operasions Research, 33:705-725, 1985 y su referencia 1, 46 3._Introduccién a la programacién lineal Minimizar Z=0.4x; + 0.82, sujeta a, 0.34; + Oley $2.7 05x + 0.5%, = 6 0.6x,+ 04x 2 6 y 20, 20 Observe las diferencias entre este modelo y el presentado en Ja seccidn 3.1 para la ‘Wyndor Glass Co. Este tiltimo involucraba maximizar Z, y todas las restricciones funcionales tenfan la forma <.B] nuevo modelo incorpora otras tres Formas legsbimas descritas en la sec~ cién 3.2, a saber, minimizar Z, restricciones funcionales de la forma = y restricciones funcio- nales de la forma >. Sin embargo, ambos modelos tienen sdlo dos variables, de manera que este nuevo pro- blema también se puede resolver por el método grdfico que se ilustré en la seccién 3.1. La figu- ra 3.12 muestra la solucién gréfica. La repidn fictible consiste nada més en el segmento entre los puntos (6, 6) y (7.5.4.5), ya que los puntos en este segmento son los tinicos que satisfacen todas las restricciones al mismo tiempo. (Observe que la restriccidn de igualdad limita la re- gion factiblea la recta que contiene este segmento y las otras restricciones funcionales deter minan los puntos extremos de! segmento.) La linea puntcada representa la funcién objetivo que pasa por la solucién éptima (#), %))=(7.5, 4.5) con Z = 5.25. Esta solucidn es éptima y no (6, 6) porque ditminuir Z (pata valores positivos de Z) empnja la funcién objetivo hacia el arigen (donde Z = 0), y Z = 5.25 para (7.5, 4.5) es menor que Z = 5.4 para (6, 6). ‘Asi, cl diseito éptimo es usar una dosis total en el punto deentrada de 7.6 kilorads para el rayo 1 y 4.5 kilorads para el rayo 2. Planeacién regional La CONFEDERACION SUR DE KIBBUTZIM esté formada por tres kibbutzim (comu- nidades agricolas comunales) en Israel. La planeacién global de este gruposse hace en su ofici- na de coordinacién técnica. En la actualidad planean la produccién agricola para el ato proximo. La produccién agricola esté limitada tanto por la extensién de tetreno disponible para itrigacién como por la cantidad deagua que la Comisién de Aguas (tina oficina del gobierno nacional) asigna para irrigarlo. La tabla 3.8 contiene los datos. TABLA 3.8 Datos de recursos para la Confederacién Sur de Kibbutzim. Kibbutz Terreno disponible (acres) _| Asignacién de agua (pies-acre) 1 400 600 2 600 800, 3 300. 375. 3.4. Ejemplos adicionales 47 ah 15> 0.62, + 0.45%) 2 6 10} 5 r Qe Z= 5.25 Oday + 0.5 FIGURA 3.12 L 0.5% + 0.5%) =6 Solucién grafica para al dieefo de la terapia® or.cbes es ee de radiacion de Mary. 0 5 10 “4 El tipo de cosecha adecuada para la regi6n incluye remolacha, algodén y sorgo, y éstas son precisamente las tres que estan en estudio para la estaci6n venidera. Las cosechas difieren primordialmente en su rendimiento neto esperado por acte y en su consumo de agua. Ade- més, el Ministerio de Agricultura ha establecido una cantidad maxima de acres que la Confe- deracién puede dedicar a estas cosechas. La tabla 3.9 muestra estas cantidades. TABLA 3.9 ~ Datos de cosechas para la Confederacién Sur de Kibbutzim Cantidad maxima | Consumode agua | Rendimiento neto Cosecha (acres) (acre-pie/acre) (acre) Remolacha 600 1000 Aigodén 500 750 250 Sorgo 48 3. lntroduccién a la programacién lineal Debido a la disponibilidad limitada de agua para irrigacién, la Confederacién no podré usar todo el terreno itrigable para las cosechas de la proxima temporada. Para asegurar la equidad entre los tres kibbutzim, han acordado que cada kibbutz. scmbraré la misma propor- cidn de sus tierras irrigables disponibles. Por ejemplo, siel kibbutz 1 siembra 200 de sus 400 acres disponibles, entonces el Kibbutz 2 debe sembrar 300 de sus 600 acres, mientras que el Kibbutz 3 sembrarfa 150 acres de los 300 que tiene. Cualquier combinacién de estas cosechas se puede sembrar en cualquiera de los kibbutzim. El trabajo al que se enftenta la oficina de cootdinacién técnica consisee en planear cudntos acres deben asignarse a cada tipo de cosecha en cada kibbutz, cumpliendo con las restricciones dadas, El objetivo es maximizar el rendi- micnto neto total para la Confederacién Sur. Formulacién como un problema de programacién lineal. Las cantidades sobre Jas que se tomar la decisién son el miimero de acres que se dedicardn a cada cosecha en cada Kibbutz. Las variables de decisién, x, (j =1, 2,..., 9), representan estas nueve cantidades, como se muestra en la tabla 3.10. Como la medida de efectividad Z es el rendimiento neto total, el modelo de programa- cién lineal que resulta para este problema es Maximizar Z=1000(x; + xy +243) + 750(x4 + x5 + x5) + 250(xy + x5 + 5), sujeta a las siguientes restricciones: 1. Terreno para uso en cada kibbutz: wt yt xy $400 dy + Xs +g $600 Bes # Xp + Ho < 300 2. Asignacién de agua para cada kibbutz: 3xj +24 + x7 $600 3x3 + 2x5 + 9 < 800 % 3xq + 2g + xy $375 3, Total de acres para cada cosecha: 1+ 4) + % $600 4+ Xs + x6 $500 7 +g + Xo S325 TABLA 3.10 Variables de decision para el problema de la Confederacién Sur de Kibbutzim Asignacién (acres) Kibbutz Cosecha 1 2 3 Remolacha x Lsy % Algodén ky Xs x Sorgo xy Xa xy 3.4. Ejemplos adicionales 4, Igual proporcidn de érca plantada: xt at x7 49 wy + wg t+ Xa 400 600 Mt Ns tx Xet met Xo 600 300 xp time thy tpt eat 7 300 400 5. No negatividad: 2,20, paraj=1,2 sto completa el modelo, a excepcidn de las igualdades que-no estin en la forma apropiada para un modelo de programacion lineal porque algunas variables extén en ellado derecho de las ecuaciones. Asi, la forma final! es Biv + ea + x7) Ber + Hs + ¥8) = 0 (xq omg + ¥g)— 2xg + %6 + X5)=0 Alig + x5 + X9)— 3a) + %4+ ¥7)=0 Laoficina de coordinacién técnica formulé este modelo y después aplicé el método sim- plex (que se desarrolla cn el capfralo siguiente) para encontrar-una solucién prima oes ay 4s as ¥55 50-87 1 ¥8, #9) = (133 $, 100, 25, 100, 250, 150, 0,0,0), como se muestra en la tabla 3.11. El valor éptimo de la funcién objetivo que obruvicron es Z~ 683 3334, es decir, un rendimiento neto total de $633 333.33 TABLA 3.| Solucion 6ptima para el problema de la Confederaci6n Sur de Kibbutzim Cosecha 1 2 3 Remolacha 1335 100 25 Algodén 100 250 150 1a realidad, cualquiera de exras ecuacioes es redundant y se putde elimina si se desea, Debido af fom de las ceurciones,cualeaquiea dos dla resricciones sobre rea plantada también se pueden climina® porave = satis Haare ee aunitca cuando se satsfcen rant la resticciones restantes del drea como estas ecusciones. Sip embargo, surgen problemas (excep un efuerno computacional us poco mayor) seinen, restieciones no Gesttite, por 1p que no debe preocuparse por identifcals y eliminaras del modelo formulado, 50 3. Introduccién a la programacién lineal Control de la contaminacién del aire La NORI & LEETS CO., una de las mayores productoras de acero del mundo occidental, esta localizada en la ciudad de Steeltown y es la tinica empresa grande de la localidad. Stecl- town ha crecido y prosperado junto con la compaffa, que de momento emplea a cerca de 50 000 residentes. La actitud de los habitantes ha sido siempre “lo que es bueno para Nori & Leets es bueno para nosotros”. Sin embargo, esta actitud est cambiando; la contaminacién no controlada del aire debida a los altos hornos de la planta esté en camino de arruinar la apa- riencia de la ciudad y de poner en peligro la salud de sus habitantes. Como resultado, después de una revuelta entre los accionistas se eligié un nuevo consejo directivo més responsable. Los nuevos directores han decidido seguir politicas de responsabi- lidad social y realizar pliticas con las autoridades de la ciudad y con grupos de ciuidadanos para tomar medidas respecto a la contaminacién ambiental. Juntos han establecido esténda- res rigurosos de calidad del aire para la ciudad de Steeltown. Los tres tipos principales de contaminantes son particulas de materia, xidos de azu- fre ¢ hidrocarburos. Los nuevos esténdares requicren que la compaiifa reduzca su emisién anual de estos contaminantes en las cantidades presentadas cn la tabla 3.12. Bl conscjo direc- tivo ha dado instrucciones ala gerencia para que el personal de ingenierfa determine cdmo lo- {grar estas reducciones en la forma més econémica. La fabricacién de acero tiene dos fuentes principales de contaminacién, los altos hornos para fabricar ¢l arrabio y los hornos de hogar abierto para transformar el hierro en acero. En ambos casos, los ingenieros determinaron que los métodos de abatimiento mas efectivos son: 1) aumentar la altura de las chimeneas,! 2) usar filtros (con trampas de gas) en las chimeneas y 3) incluir limpiadores de alto grado en los combustibles de los hornos. ‘Todos estos métodos ticnen limitaciones tecnolégicas en cuanto al nivel en que pueden usarse (por ejemplo, un in- cremento factible méximo en la altura de las chimeneas), pero también existe una gran flexibi- lidad para usar el método en cualquier nivel fraccionario de su limite tecnolégico. La tabla 3.13 muestra la cantidad de emisién (en millones de libras anuales) que se puede eliminar de cada tipo de horno usando el método de abatimiento al maximo limite tecnoldgi- co. Para fines de andlisis, se supone que cada método se puede usar a un nivel menor para lo- grar cualquier fraccién en las reducciones de las tasas de emisién mostradas en esta tabla, Mds atin, para cualquiera de los hornos, ¢! uso simultneo de otro método no afecta de manera sig- nificativa la reduccién de emisiones que alcanza cada uno de ellos. TABLA 3.12 Esténdares de aire limpio para Nori & Leets Co. Reduccién requerida en la tasa de emisién anual Contaminant (millones de libras) Parviculas 60 ‘Oxidos de azufre 150 Hidrocarburos 125 *Un tiempo después de realizado este estudio, este método especifico de reduecién de contaminacidn se convietiéen ‘materia de controversia. Como su efecto es reducir la contaminacién a nivel del suelo esparciendo las emisiones a una distancia mayor, los grupos ecologistas sostiencn que esto crea ms Ilwviadcida al mantener los Gxicos de azure més tiempo en claire. En consccuencia, la U.S, Environmental Protection Agency adopt nuevas reglasen 1985 para el- rinar los incentivos sobre el uso de chimeneas mis alas. 3.4 Ejemplos adicionales 51 TABLA 3.13. Reduccién en la tasa de emisi6n (en millones de libras por afio) con el uso maximo factible del método de abatimiento para Nori & Leets Co. ooo Chimeneas mas altas Filtros Mejores combustibles ‘Altos Hornosde | Altos. Hornosde | Altos Hornos de Contaminante | hernos hogar abierto | hornos hogar abierto| hornos hogar abierto Particulas 2 9 25 20 7 1B Oxides de azufre | 35 42 \8 31 56 49 Hidrocarburos 37 53 28 24 29 20 Después de obtener estos datos, quedé claro que ningiin método por s{solo podia lograr las reducciones requeridas. Por otro lado, la combinacién dedlos tres métodos a toda su capa- cidad (lo que serfa demasiado caro si se quiere que los productos sean competitivos en precio) resulta mucho més delo que se pide. Por todo esto, la conclusién de los ingenicros fie que de- bian usar alguna combinacién de métodos, tal vez con capacidades fraccionarias, basada en sus costos relativos. Lo quc es mis, debido a las diferencias entre los altos homnos y los hornos de hogar abierto, es probable que la combinacién sea diferente para cada tipo de horno. Se lev a cabo un andlisis para estimar el costo total anual de cada método de abatimien- to. El costo anual de un método inchuye el aumento cn los gastos de operacidn y manteni- miento al igual quc la reduccién en los ingresos debida a cualquier pérdida de eficiencia en el proceso de produccién que pueda resultar por cl uso del método. El otro costo importante es ¢l costo jo inicial (cl capital inicial) requerido para instalar cl método. Pata hacer que este cos- +o tinico fuera conmensurable con los costos anuales, se us6 el valor del dinero en el tiempo para calcular el gasto anual (sobre el tiempo esperado de vida del método) que serfa equiva- lente a este costo fijo inicial. El andlisis proporcioné estimaciones de los costos anuales rotales (en millones de déla- res), daclos en la tabla 3.14, en que se incurre al usar los métodos a toda su capacidad de abati- Micnto. También se determiné que ¢l costo de un método que se utiliza a un nivel menor es esencialmente proporcional a la capacidad fraccional de la capacidad de abatimiento dada en latabla 3.13 que se logra. Entonces, para cualquier fraccion lograda, el costo total anual serfa en esentcia la fraccién de la cantidad correspondiente cn la tabla 3.14. En este momento, todo esté listo para desarrollar el marco general del plan de la compa- fifa para disminuir la contaminaci6n. Este plan especifica qué tipo de métodos de abatimien- to deberén emplearse y a qué fracciones de su capacidad para: 1) los altos hornos y 2) los hornos de hogar abierto. Debido a la naturaleza combinatoria del problema de encontrar un TABLA 3.14 —Costo total anual para el uso maximo factible del método de abatimiento para Nori & Lets Co. (millones de délares) Método de abatimiento Altos hornos Hornos de hogar abierto ‘Chimeneas mis altas a 10 Filtros 7 6 Mejores combustibles 52 3. Introduccién a la programacién lineal plan que satisfaga los requisitos con el menor costo posible, se formé un equipo de investiga- idn de operaciones para resolverlo. Elequipo decidié enfocar el problema desde un punto de vista de programacion lineal, y formulé el modelo que se resume a continuacién. Formulacién como un problema de programacién lineal. Este problema tiene seis variables de decisién, » j,7=1, 2,....6, que representan el uso de cada uno de los tees mé- todos de abatimiento en cada tipo de homo, expresado como una finccidn de la capacidad de abatimiento (de manera que x ; no excedaa 1). En latabla 3.16 se muestra cl orden asignado a estas variables. Si se toma en Cuenta que cl objetivo es minimizar el costo total sin violar los requetimientos de reduccién en la emisién, los datos en las tablas 3.12, 3.13 y3.14 llevaron al siguiente modelo: Minimizar Z = 8x, + 10x) +743 + Ox4+ Llxs. +. 9%65 sujeta a la siguientes restricciones: 1. Reduccién de emis 12x + Ox +25xy + 2x4 17x + 13x52 60 35x + 4283 + 18g + Bvy + 56x5 +495 2 150 37x, + 53x; + 2843 + 24x, + 295 + 20s 2 120 2, Tecnoldgicas: vj SI; para j=1,2,14,6 3. No negatividad: 4,20, paraj=1,2,.. El equipo de IO usé este modelo! para encontrar el plan de costo minimo (ys 35 352045 5 %6) = (1, 0.623, 0.343, 1, 0.048, 1), conZ = 32.16 (costo total anual de $32.16 millones). Después realizé un andlisis de sensibili- Gad para explorar el efecto de hacer los ajustes posibles en los esténdares del aire dados en la tabla 3.12, y para verificar el efecro de inexactitudes en los datos de costo dados en la tabla 3.14, (Esta historia continuaré en el caso de estudio 6.1 al final del capitulo 6.) Después se hizo una plancaciGn detallada y la gerencia la aprobd Muy poco tiempo después e! programa se puso en préctica y los habitantes de Steeltown respiraron, (mds limpio) con alivio. TABLA 3.15. Variables de decision (fraccién del uso maximo factible del método de abatimiento) para Nori & Lets C Método de abatimiento Altos hornos Hornos de hogar abierto Chimeneas mas altas x x Filtros Mejores combustibles Una forrmulacién equivalente puede expresar cada variable de decision en unidades naturales para su mxétodo de aba- timiento; por ejemplo, = y x» podrfan representar el niimero de pies que aumiencan las alcuras de las chimeneas. 3.4 Ejemplos adicionales 53 Reciclado de desechos sélidos La SAVE-TT COMPANY opera un centro de reciclado que recoge cuatro tipos de material de desecho sdlido y los trata para amalgamarlos en un producto comercializable. (El tratamien- toy el amalgamado son dos procesos diferentes.) Se pueden hacer tres grados diferentes de este producto (vea la primera columna de la tabla 3.16), segiin la mezcla de materiales que se use. Aunque existe alguna flexibilidad para esta mezcla en cada grado, los esténdares de cali- Gad especifican tna cantidad minima y una méxima para la proporcidn de los materiales per- mitidos en ese grado. (Esta proporcién es el peso del material expresado como un porcentaje del peso total del producto de ese grado.) Para los dos grados més altos se especifica un por- centaje fijo de uno de los materiales. Estas especificaciones se dan en la tabla 3.16 junto conel costo de amalgamado y el precio de venta para cada grado. Elcentro de reciclado recoge los materiales de desecho sélido de ciertas fuentes habitua- les por lo que casi siempre puede mantener tuna tasa de produccién estable para tratarlos. En Ja tabla 3.17 se dan las cantidades disponibles para la recolecciGn y tratamiento semanal, al igual que el costo de! proceso para cada tipo de material. * La Save-It Coes propiedad de Green Earth, una organizacién dedicada a asuntos ecol6- sgicos, por lo que las ganancias se usan para apoyar las actividades de Green Earth. Esta orga- nizacién ha logrado contribuciones y apoyos por la cantidad de $30 000 semanales, que deben usarse s6lo para cubrir el costo del tratamiento completo de los desechos sélidos. El consejo directivo de Green Earth ha girado instrucciones a la administracién de la Save-It para que divida este dinero entre los materiales de manera tal que se recolecte y se trate al me- nas ia mitad de la cantidad disponible de cada tipo de material. Estas restricciones adicionales se enumeran en la tabla 3.17. Dentro de las restricciones especificadas en las tablas 3.16 3.17, la administracién desea determinar la cantidad que debe producir de cada grado,y la mezcla exacta de maceriales que usar para cada tuno, de manera que se maximice fa ganancia semanal neta (ingresos totales por ventas menos costo toral del amalgamado), exclusivo del costo del tratamiento fijo de $30 000 por semana que serd cubierto por donaciones. Formulacién como un problema de programacién lineal, Antes de intentar cons- muir un modelo de programacién lineal debe tenerse mucho cuidado en la definicién apro- piada de las variables de decisién. Si bien muchas veces esta definicién es obvia, otras es TABLA 3.16 Datos de productos para la Save-It Ci ‘Amalgamado | Precio de venta Grado Especificacién Coste ($) por libra | _($) por libra Material I: no mas de 30% del total Material 2: no menos de 40% del total x 50 4 | Material 3: no mas de 50% del total ame = Material 4: exactamente 20% del total Material |: no mis de 50% del total 8 | Material 2: no menos de 10% del total 7.00 Material 4: exactamente 10% del total Material |: no mas de 70% del total a 54 3. Introduccién a la programacién lineal TABLA 3.17 Datos de los materiales de desechos sélidos para Save-It Co. Costo del Libras por semana) tratamiento Material disponibles ($) por libra Restricciones adicionales i 3000 3.00 |. Para cada material, deben recolectarse y 2 2.000 6.00 tratarse al menos la mitad de las libras 3 4.000 4.00 disponibles por semana 4 1.000 5.00 2. Deben usarse $30 000 sermanales para tratar estos materiales Japartemedular de la formulacién, Después de identificar con claridad cul es la informacién que sirve y la forma més conveniente de mancjarla mediante las variables de decisién, se pue- den establecer la funcién objetivo y las restricciones sabre los valores de estas variables de de- cision. Eneste problema especifico, las decisiones que deben tomarse estén bien definidas, pero vale la pena pensar un poco en la manera de manejar la informacidn a través de ellas. (Intente hacerloy veassi primero obtiene el siguiente conjunto inapropindo de variables de decision.) Como un conjunto de decisiones se refiere ala cantidad de cada grado de producto que se debe fabricar, parecerfa natural definir un conjunto de variables de decisién acorde. Siguien- do esta linea de pensamiento, se define ‘yj = niimero de libras del producto de grado # producidas a la semana ( , B,C). Elotro conjunto de decisiones ¢s la mezcla de cada grado. Esta mezcla se identifica por la pro- porcién de cada material en el producto, lo que sugiere definir el otro conjunto de variables de dccisién como zy = proporcién del material jen el producto de grado i (@=A, B, C;j=1, 2, 3, 4). Sin embargo, la tabla 3.17 da los costos del tratamiento y la disponibilidad de los materiales por cantidad (libras) y no en proporciones y es esta informacion en cantidades la que se necesita registrar en algunas de las restricciones. Para el material j (j=1, 2, 3, 4), Cantidad en libras de material j usada por semana = 24,94 +8998 + Bq Yo- Por ejemplo, como la tabla 3.17 indica que se dispone de 3 000 libras del material 1 por sema- ra, una restriccién en el modelo seria 2a YatZayat Zaycs3000. Desafortunadamente, ésta no es una restriccidn legitima de programacién lineal. La expre- sidn en el lado izquierdo no es una funcién lineal porque incluye la maltiplicacién de varia- bles. Por lo tanto, no se puede construir un modelo de programacidn lineal con estas variables de deci Por suerte, existe otra manera de definirlas que s¢ ajustaré al Formato de programacién li- neal, (?Tienc usted una idea de cémo hacerlo?) Esto se logra con sélo sustituir cada producto de las variables de decisién anteriores por una sola variable: En otras palabras, se define 4y= 2491 (parai=A, B,C; j=1, 2, 3, 4) = niimero total de libras del material j asignadas al producto # a la semana, 3.4_Ejemplos adicionales 55 ¥ después se definen xy, como las vatiables de decisin. Al combinar la 4 en diferentes for- ‘masse legaalas siguientes cantidades necesarias en elmodelo (parai= A,B, Cj=1,2, 3,4). #n + #a+ His + ¥:4-= miimero de libras del producto grado i producido por semana. aj + y+ cj = mtimero de libras de material j usado por semana, Soi Pea = proporcién del material jen el producto de grado i. Etecho de que esa iltina expresin sea una fincion no lineal no causa complicaciones, Por ejemplo, considere la primera especificacién para cl producto grado A en a cola 3-é (a Proporcion cle material Lno debe exceder a 30%). Esta limitacién da a restriccin no lineal x, “a 50.3. Xai % 40+ 243+ Kay Sin embargo, al multiplicar ambos lados de esta desigualdad por el denominador se Mega ala restricci6n equivalente a S03(¢ a1 + x4 +45 + ¥ 44) de manera que 0.741 ~ 0.3% -0.3x43~0.3¥44 <0 que es una restriccidn legitima de programacién lineal. Con este ajustea ls tres cantidades dadas se Ilega directamente a todas las restricciones fancionales del modelo. La funcién objetivo se basa en cl objetivo de la gerencia de maxim, ar la ganancia semanal total (ingresos totales por ventas menos costo total del amalgamado) Maximzat’'Z'= 8.5(uay + 4° Maa ¥ 44)+ 45 (em + simp + sepa + pg) +3.5(¥a + xa + cy + X04), sujeta a las siguientes restricciones: 1. Especificaciones de mezcla (segunda columna de la tabla 3:16): Har SO3(ea + a2 + 4g + a4) (grado.A, material 1) Kaz 2 OA (% an + Xan + 243 + 44) (grado A, material 2) Hag SOB (41 + 474 Rag + 44) (grado A, material 3) 244 = 02a + xp + x3 + x44) (grado.A, material 4), Xm $0.5(xp + xm + app + xp) (grado B, material 1) ¥m = 0.Mg) + %m + Xy3 + x54) (grado B, material 2) #54 = O.l(em + xm + xm + Xp) (grado B, material 4), For $0.7 (sey + xe + ey + xc4) (grado C, material 1). 56 3. Introduccién a la programacién lineal 2, Disponibilidad de materiales (segunda columna de la tabla 3.17): day + xm + xc, $3000 (material 1) xp + Xm + Key $2000 (material 2) ag t ¥p3 + Xa S 4000 (material 3) Nast Xpa+ Xc4 S 1000 (material 4). 3. Restricciones sobre las cantidades tratadas (lado derecho de la tabla 3.17): ait em + xr 2 1500 (material 1) x43 + Xm + Xco 2 1000 (material 2) X43 + ¥m3 + ¥c3 = 2000 (matetial 3) ast Xpa+ ¥ca2 500 (material 4). 4. Restriccién sobre el costo del tratamiento (lado derecho de la tabla 3.17): Blea + m+ 1) + Olean + Xm + Xo) + 4(eaa + me + Xca) +5(x44+ Xa4+ ¥ca)=30 000. 5. Restricciones de no negatividad: ea 20, 4220, ing e420. Esta formulacién completa el modelo, extepto que las restricciones para las especificacio- nes de la mezcla necesitan rescribirse en la forma adecuada para un modelo de programacién lineal con todas las variables en el lado izquierdo y combinando los términos: Especificaciones de mezcla: 0.7%, - 0.3%, ~0.3x 43 -0.3x44 <0 (grado A, material 1) 04x41 + 0.6442 — 04X43 Ox ag 20 (grado A, material 2) 0.5x24) — 0.5x43 + 0.543 — 0.544 $0 (grado A, material 3) 0.2474) — 0.2449 0.2243 + 0.8% 44 = 0 (grado A, material 4). 05x) -0.5xp) ~ 0.5xg3 - 05x24 <0 (grado B, material 1) -0.Leg, + 0.9%; -O.1¥53 —O.1xp4 20 (grado B, maverial 2) -0.1¥p) - 0. —O.1aim + 0.9%p4 = 0 (grado B, material 4). 0.3s4¢y = O.7 ea — 0.7 He - 0.74 <0 (grado C, material 1). La tabla 3.18 muestra una solucién éptima para este modelo, despues estos valores de xy se usan para calcular otras cantidades de interés dadas en Ja misma tabla. El valor 6ptimo de la funcidn objetivo que se obtiene es Z= 35 108.90 (0 sea, una ganancia semanal total de $35 108.90). El problema de la Save-It Co, es un ejemplo de un problema de mezelas. El objetivo para nn problema de este tipo es encontrar la mejor mezcla de ingredientes que deben tener Jos productos finales para cumplir con ciertas especificaciones. Algunas de las primeras apli- caciones de programacién lineal se hicieron para la mezcla de pasolina,en donde los ingredien- tes del petrdleo se mezclaban para obtener varios grados de gasolina. El reconocido estudio 3.4 Ejemplos adicionales 57 TABLA 3.18. Solucién dptima para el problema de Save-It Co. Libras usadas por semana Material Nifvero da tibras Grado 1 2 3 4 producidas por semana A 4123 859.6 MATA 4298 2149 (19.2%) (40%) 20.6%) (20%) 8 2587.7 S175 1552.6 SITS 5175 (50%) (1096) (30%) (10%) a 0 0 o 0° 0 Total 3.000 1377, 2.000 947 ee ae ee de IO en Texaco presentado al final dela seccién 2.5 trata sobre mezcla de gasolina (aunque Texaco us6 un modelo de programacién no/ieal). Otros problemas de merclas inclayen pro- ductos finales como acero, fertilizantes y alimento para animales. Programacién de personal UNION AIRWAYS va agregar vuelos desde y hacia su acropuerto base ¥; porlo tanto, nece- sita contratar més agentes de servicio a clientes. Sin embargo, no esté claro cudntos més debe contratat, La administracién reconoce la necesidad de controlar el costo y al mnismo tiempo proporcionar de manera consistente un nivel satisfactorio de servicio, Por todo esto, un equi- po de IO est estudiando cdmo progtamara los agentes para proporcionar un servicio satis- factorio con el menor costo de personal. Con base en Ja nueva programacién de vuclos, se ha realizado un andlisis del mimero m/- imo de agentes de servicio a clientes que deben encontrarse de guardian diferentes momen- +08 del dia para proporcionar un nivel satisfactorio de servicio. La columna deladerecha dela tabla 3.19 muestra el mimero de agentes nccesario para los periodos dados cn la primera. TABLA 3.19. Datos para el problema de programacién de personal en Union Airways jos cubiertos “Turno Namero minimo Periodo 1 Z 3 4 5 _| necesario de agentes 6:00 am a 8:00 am v 48 8:00 am a 10:00 am vow n 10:00.am'a 12:00-am vo 65 12:00 am a 2:00 pm v vow 87 2:00 pm a 4:00 pm aA 64 pm a 6:00 pm vow a pm a 8:00 pm. vo 82 200 pm a 10:00 pm v 8 10:00 pra 12:00 pm vo¥ 52 12:00 prn-a 6:00 am v 15 ‘Costo diario por agente | $170 $160 $175 $180 $195 SE 58 3._Introduceién a la programacién lineal Los otros datos de la tabla reflejan uno de los acuerdos del contrato ¢oléctivo vigente entre la compafifa y el sindicato que representa a los agentes de servicio a clientes. El acuerdo es que cada agente trabaje un turno de 8 horas 5 dfas a la semana, y los turnos autorizados son Tamno 1: 6:00 am 22:00 pm Tumo2: 8:00 ama 4:00 pm ‘Turno 3: 12:00 (medio dfa) a 8:00 pm ‘Turno 4; — 4:00 pm a 12:00 am (media noche) ‘Fumo 5: ° 10:00 pm a 6:00 am ‘Las marcas en el cuerpo de la tabla 3.19 muestran las horas cubiertas por los rurnos respecti- vos. Como algunos turnos son menos deseables que otros, los salarios especificados en el contrato difieren de uno a otro. En el iltimo renglén se muestra la compensacién diaria (con las prestaciones) por cada agente paracada turno. El problema consiste en determinar cudn- tos agentes deben asignarse a los turnos respectivos cada dfa para minimizar el costo total de personal debidoa los agentes, seguin este tiltimo renglén, al mismo tiempo que se cumplen (o se sobrepasan) los requerimientos de servicio dados en la columma de la derecha. Formulacién como un problema de programacién lineal. Los problemas de pro- gramacién lineal siempre involucran encontrar la mejor mezela de los nivelesde actividad. La clave para formular este problema en particular es reconocer la naturaleza de las actividades. Las actividades cotresponden alos turnos, donde el nivel de cada actividad es el mimero de agentes asignados a ese turno. Asi, este problema trata de encontrar la mejor mezcla de ta ‘mais de twrnos. Como las variables de decisién siempre son los niveles de actividades, las cin- co variables de decisién en este caso son x; = mlimero de agentes asignados al turnoj, . paraj=1, 2, 3, 4,5. La restriccién principal sobre los valores de estas variables de décisidn es que cl numero de agentes que trabaja en cada periodo debe satisfacer el requerimiento minimo dado en la columna de la derecha de la tabla 3.19. Por ejemplo, de las 2:00 pm a las 4:00 pm, el nimero total de agentes asignados @ los turnos que cubren esté periodo (turnos 2 y 3) debe ser al me- nos 64, de manera que yt X32 64 ¢s la restriccién finncional para este periodo. Como el objetivo es minimizar el costo total de los agentes asignados alos cinco tumos, {os coeficientes de la fincién objetivo estén dados en cl tiltimo renglén de la tabla 3.19. Por lo tanto, el modelo completo de programacién lineal es Minimizar Z = 170x; + 160x, +175x5 + 180x 4419545, sujera.a ” 248 (6-8 am) pt 279 (8:10. am) x14 x 2 65 (10-12 am) mt + x 2 87 (12.am-2 pm) y+ Xs > 64 (2-4 pm) +e 273 (4-6 pm) 3.4 _Ejemplos adicionales 59 ah eg 282 (6-8 pm) x4 243. (8-10 pm) 4+ xe 252 (10-12 pm) Xs 2 15, (12 pm-6am) y xj20, paraj=l,2,3,45. Observando con cuidado, se-ve que la tervera restriccién, «1 + 7 2 68, de hecho noes ne- cesaria porque la segunda, i + #) 279, asegura que % +x, serd mayor que 65. Asi, #1 + ¥2 2 £65 es una restricciOn redundante que se puede climinar. De manera similar, la sexta restriccién seqt e473, tambidn es una restricci6n redundante porque la séptima es x3 + x4 > 82, (De hecho, tres de las restrieciones de no negatividad, x > 0, 420, #5 20, también son restriccio- nes redindantes debidoa la primera, la octava y la décima: x, 248, x42 43 y x5 215. Sinem- bargo, no hay ganancia en cuanto’ los célculos si se eliminan estas restricciones de no negatividad.) ‘La solucién dptima para este modelo es (+1, 25 83, 4) 5) = (48, 31, 39, 43, 15). Esto conduce a Z= 30 610, es decir, un costo total diario de personal de $30 610. ste problema cs tn ejemplo donde en realidad no se satisface la suposici6n de divisibili- dad de un modelo de programacién lineal. Elmimero deagentes asignados a cada curno nece- sita ser entero. Hablando estrictamente, el modelo debe tener una restriccién adicional para cada una de las variables de decision que-especifique que sus valores deben ser enteros. Al agregar estas restricciones el modelo de programacién lineal se convierte en un modelo de programaci6n entera (tema del capitulo 12). “Aun sin estas restricciones, resulta que Ja solucién-éptima dada tiene valores enteros, ast no hubo problema por no incluirlas. (La forma de las restricciones funcionales hizo que este resultado fuera probable.) Si alguna de las variables hubiera sido no entera, el enfogue mas sencillo hubiera sido redondearla a un valor entero. (El redorideo es factible en este ejemplo porque todas las restricciones funcionales son de la forma ® con coeticientes no negativos.) Cuando se redondea no necesariamente se obtiene una solucién dptima para el modelo de programacién lineal entera, pero el error que se introduce con algunos niumeros grandes ¢s Gespreciable en la mayorta de las situaciones précticas, De manera alternativa, se pueden usar {as técnicas de programacién entera descritas en el capitulo 12 para obtener una solucién ép- tima con valores enteros exacta. Laseccién 3.5 incluye el estudio de un caso sobre la manera en que United Airlines aplicé programacién lineal para desarrollar un sistema de programacién de personal de tamafio mu- cho mayor que el ejemplo. Red de distribucién de bienes El problema, La DISTRIBUTION UNLIMITED CO. fabricard el mismo nuevo pro- ducto en dos plantas distintas y después tendré que enviarlo a dos almacenes de distribucion, donde cualquiera de las dos falbricas puede abastecer a cualquiera delos dos almacenes. La red de distribucién disponible para el envio de este producto se musstra en la figura 3.13, donde Ely F2 son las dos fabricas, Al y A2 son los dos almacenes y CD es el centro de distribucion. Las cantidades que deben cnviarse desde Fl y F2 se muestran a la izquierda, y ls cantidades que deben recibirse en Al y A2 se muestran ala derecha. Cada lecha representa un canal fac- tiblede envio. F1 puede enviar directamente a Al y tiene tres rutas posibles (F1->CD—A2, 60 3_Introduceién a la programacién lineal Fl +F2CDA2yF1>A1>A2) paramandar bienes a A2. La fdbrica F2 tiene sélo una ruta a A2(F2-+CD-+A2) yunaa Al (F2-+CD-+A2->A1), El costo por unidad enviada a través de cada canal se muestra al lado de la flecha. También, junto a F1—>F2 y CD->A2 se muestran las cantidades méximas que se pueden enviar por estos canales. Los otros canales tienen suficiente capacidad para manejar todo lo que las fabricas pueden enviar. Ladecisién que debe tomarse se refiere a cudnto enviar a través de cada canal de distribu cién, Bl objetivo es minimizar el costo coral de envio. Formulacién como un problema de programacién lineal, Con siete canales de envio, se necesitan sicte vatiables de decision (¢p1-p25.51:005XFL-A1s *62-CDs*CD-A2s FALADs a2-a1) para representar las cantidades enviadas a través de los canales respectivos. Existen varias restricciones sobre los valores de estas variables. Ademds de las restriccio- nes usuales de no negatividad, se tienen dos restricciones de cota superion, eye1<10 y cp. a2 £80, impuestas por la capacidad limitada de envio de los dos canales, F1>F2 y CD ~>A2. Todas las demas restricciones surgen de las cinco restricciones de flujo neto, una para cada localidad. Estas restrieciones tienen la siguiente forma. Restriccién de flujo neto para cada localidad: Cantidad enviada — cantidad recibida = cantidad requerida. Como seiindica en la figura 3.13, estas cantidades requeridas son 50 pata FI, 40 pata F2, 30 para Al y-60 para A2. FIGURA 3.13 50 unidades Red de distribucién—proctucidas para Distribution Unlimited Co. 30 unidades requeridas Maximo $200/unidad | 16 unidades 40 unidades }60 unidades producidas racists re 35 _Algunos casos de estudio 61 3.5 &Cuél es la cantidad requerida para CD? Todas las unidades producidas en las fabricas se necesitan en algiin momento en Los almacenes, de manera que las unidades enviadas de las fi- bricas a los centros de distribucién deben mandarse a los almacenes. Por lo tanto, la cantidad. total enviada del centro de distribucién.a los almacenes debe set igwal a la cantidad total en- viada desde las fabricas al centro de distribucién. En otras palabras, la diferencia de estas dos cantidades enviadas (la cantidad requerida para la restriccién de flujo neto) debe ser cero. Como el objetivo es minimizar el costo total de envio, los coeficientes de la funcién obje- tivo son directamente los costos unitarios de envio dados en la figura 3.13. Porlo tanto, usan- do unidades monetarias en cientos de délares en esta funcién objetivo, el modelo completo de programacién lineal es Minimizar — Z =2xpupp + 4xpucp + 9¥erait 3¥r2.cp+ ¥ep-A2 4 3xqp aa +2% 3.415 sujeta a las siguientes restricciones: 1. Restricciones de flujo neto: Seven p10 Fear = 50 (Eébrica 1) Ser + 52.cp = 40 (Fabrica 2) rei co eeo As = 0. (centrode distribucién) > ¥evat + Xqyaa ~ ¥ag.ar 2730. (almacén 1) = Xeoa2—Kavaa + ¥aar 2-60 (almacén 2) 2. Restricciones de cota siiperior: Xp S10, ¥cp.a2 $80 3. Restricciones de no negatividad: xpre2 20, pcp 20, e020, *r2-cp 20, ¥cp.a2 20, saver, ap.4120- Este problema se verd de nuevo en la seccién 9.6 que esté dedlicado a problemas de pro gramacién lineal de este tipo (lamados problemas de flujo de costo minimo), En la secci6n 9.7 se Obtendré su solucién dptima. , Xerep #40, prar=10, #pa.cp= 40) Xep.ar = 80 XELP2 Rao aa eeaeD! El-costo toral de envio resultante es $49 000. ‘También se verd un caso referente a un problema mucho mds grande de este tipo al final de la siguiente seccién. ALGUNOS CASOS DE ESTUDIO Para proporcionar una mejor perspectiva del gran impacto que puede tener la programacién lineal, se presentan ahora tres casos de aplicacién real. Cada uno es una aplicacién eldsica, ini- ciada a principios de los 80, que se ha convertido en tn est4ndar de excelencia para aplicacio- nes futuras de programacién lineal. El primero tendrd grandes similitudes con el problema de a Wyndor Glass Co., pero en una escala més eal. De la misma manera, el segundo y el tercer SO 62 3_Introduccién a la programacién linea! ‘casos son las versiones teales de'los dos tims ejemplos presentados en la seccién anterior (los ejemplos de Union Airlines y de Distribution Unlimited). Eleccién de la mezcla del Producto en Ponderosa Industrial! Antes de venderse en 1988, PONDEROSA INDUSTRIAL era un fabricante de triplay con base en Andhuac, Chihuahua, que surea 25% del triplay en México. Igual que para cualquier fabricante de triplay los muchos productos de Ponderosa diferfan enel espesor y lacalidad de Jamadera, El mercado de tiplay en México es competitivo, de manera que ese mismo merca. do establece los precios de los productos. Los precios podfan fluctuat bastante de un mes a otro y haber grandes diferencias entre los productos y la variacién en sus precios, aun de un thes al siguiente. Como resultado, la contribucién de cada producto a la ganancia total de Ponderosa variaba todo el tiempo y de distintas maneras para cada uno de ellos Debiclo- este mareado efecto sobre las ganancias, a administracign se enfrentaba al pro- blema critico de elegir la miezcla de producto —cudnto produeir de cada producto—mensaal, Esra cleccién era muy compleja ya que también debfa tomar en cuenta las cantidades disponi- bles de los diferentes recursos necesarios para la fabricacién de los productos. Los recursos inds importantes eran troncos de cuatro categorias de calidad y las capacidades de produc. ci6n, tanto para la operacién de prensado como para la de lijado, Desde 1980 se usaba programacién lineal cada mes, como gufa para la decisién de mez- cla de productos. El modelo de programacién lineal tenfa el objetivo de maximizar la ganan- cia total de los productos, Las restricciones del modelo inclufan las diferentes testricciones de fecursos al igual que otras relevantes, como la de la cantidad minima de un producto que debe Surtirse alos clientes regulares y la cantidad méxima que se pucde vender. (Dara ayudar a la Blaneacion de la compra de materia prima, el modelo consideraba también cl impacto de la decisién sobre la mezcla de productos para el mes siguiente, sobre la produccién.) El modelo tenfa 90 variables de decisin y 45 restricciones fiancionales, Este modelo se usaba cada mes para encontrar la mezcla de productos para el mes Siguiente que serfa dptima si los valores estimados de los distintos pardmetros del moxicio. fucran exactos. Sin embargo, como algunos de estos valores cambiaban répidamente (por jemplo, las ganancias unitarias de los productos), se teaizaba un andliss de sensbiidad para determinar el efecto si los valores esperados eran inexactos. Estos resultados indicaban chan do debia ajustarse en la mezcla de productos (si el tiempo lo permitfa) al oeurrir cambios no Previstos en.el mercado (y por ende en la ganancia unitaria) de ciertos productos. ‘Una decisién mensual clave se referia al nimero de troncos que se compraban de las cua- tto categorias de calidad. Las cantidades disponibles para el proximo mes, de hecho, cran los Parimetros del modelo, Por lo tanto, después de tomar la decisiGn de compra y determinar la mezcla de productos Optima correspondiente, se fealizaba un amdliss posdprimo para investi- Bar cl efecto de los ajustes en las decisiones de compra. Por ejemplo, es muy sencillo verificar con programaciOn lineal cual serfa elimpacto sobre la ganancia total, ssc hiciera una compra ‘pia de troncos adicionales de cierta Categoria de calidad que permitiera aumentar ka pro- duccidn el mes siguiente, Ei sistema cle programacién lineal de Ponderosa era interactivo, de manera que la admi- piseraciOn récibfa una respuesta inmediata a sus preguntas de “que pasa si? sobre cl impacto =, onel que sc ha elegido <= para estas restricciones. (Esta selecci6n es necesaria aun cuando antes se hayan escrito los signos en 70 3 Introduccién a la programacién lineal FIGURA 3.15 Cuadro de dislogo de Solver después de cespecificar qué celdas en la figura 3.14 contienen los valores de ta funcién objetivo y las variables de decision y de indicar que la funcién objetivo se ‘maximizara. Jacolumna F de la hoja de cdlculo, porque Solver usa sélo las restricciones funcionales que se especifican en el cuadro de didlogo de “agregar restriccién”,) Si hubiera més restricciones fuuncionales que afiadir, se harfa clic en “agregar” para que aparezca de nuevo el cuadro de dilogo. Sin embargo, como no hay més en este ejemplo, el si- guiente paso es hacer clic en “aceptar” para regresar al cuadro de didlogo de Solver. Ahora el cuadro de didlogo resume el modelo completo (vea la figura 3.17) en términos de la hoja de céleulo de la figura 3.14. Pero antes de pedir a Solver que resuelva cl modelo, se realiza otro paso. Se lige el botén de “opciones” y aparece el cuadro de didlogo mostrado en la figura 3.18. Este cuadro permite especificar cierto mimero de opciones sobre la manera en que se resolveré el modelo. Las més importantes son las opciones “adoptar modelo lineal” y “asumir no negativos”. Asegiirese de elegir los cuadros de ambas opciones como se muestra ena figura, Esto indica a Solver que es un problema de programacién lineal con restricciones de no negatividad para todas las variables de decisi6n, y que el método simplex se debe usar FIGURA 3.16 cake eee Agregar restriccién después de especificar que se requiere que las sinerreee (ace Salm ls figura 3.14 sean menores © iguales que las celdas [ Aceptar = | respectivas G5, G6 y G7. 3.6 __Despliegue y solucion de modelos de PL en una hojade célculo eer rs FIGURA 3.17 Cuadro de didlogo de Solver después de especificar e! modelo en términos de la hoja de caleulo. FIGURA 3-18 ‘Guadro de didlogo de Opciones de Solver después de elegir las op- Gones “adoptar modelo neal” y “asumir no nega- ‘v0s” para indicar que se trata de un modelo lineal ‘con restricciones de no negatividad que debe resolverse con el método simplex.