Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cochabamba-Bolivia
Mayo 2006
NDICE
CAPTULO 1
1.1
Resea histrica
1.2
Qu es la Investigacin de Operaciones?
1.3
1.3.1
1.3.2
1.3.3
1.3.4
1.3.5
5
6
7
8
10
1.4
10
1.5
11
1.6
11
1.7
12
1.7.1
1.7.2
1.7.3
1.7.4
Programacin Lineal
Teora de Redes (incluye PERT/CPM)
Teora de colas (lneas de espera)
Modelo de hoja de clculo electrnica
12
13
14
14
1.8
Conclusiones
15
1.9
Bibliografa
15
1.10
Enlaces
15
CAPTULO 2
16
16
2.1
Introduccin a la modelizacin
16
2.2
17
2.3
18
2.4
Problemas Resueltos
19
2.5
Problemas Propuestos
22
2.6
Bibliografa
25
2.7
Enlaces
25
CAPTULO 3
26
26
3.1
Introduccin
26
3.2
26
3.3
3.4
3.4.1
3.4.2
3.5
Mtodo grfico
26
27
30
35
3.5.1
35
37
39
39
39
40
41
43
43
3.6
Problemas propuestos
44
3.7
Bibliografa
47
3.8
Enlaces
47
CAPTULO 4
48
48
4.1
Introduccin
48
4.2
48
4.2.1
4.3
4.4
4.5
52
Mtodo Smplex
53
55
Mtodo de penalizacin
61
4.5.1
Mtodo de la M
Ejemplo de aplicacin 4.3
4.5.2
Mtodo de las dos fases
Ejemplo de aplicacin 4.4
4.6
49
50
50
51
51
51
51
52
Fundamentos matemticos
4.6.1
Soluciones bsicas y bases
4.6.2
Mtodo Smplex
4.6.2.1
Tabla Smplex en forma matricial
62
62
64
65
68
69
69
69
4.7
4.8
71
72
77
79
4.8.1
Degeneracin
Ejemplo de aplicacin 4.7
4.8.2
ptimos alternativos
Ejemplo de aplicacin 4.8
4.8.3
Solucin no acotada
Ejemplo de aplicacin 4.9
4.8.4
Solucin no factible
Ejemplo de aplicacin 4.10
4.9
4.9.1
4.9.2
4.9.3
79
79
81
81
83
83
85
85
86
86
87
89
4.10
Problemas propuestos
94
4.11
Bibliografa
98
4.12
Enlaces
98
CAPTULO 5
99
5.3
5.3.1
5.3.2
5.4
Introduccin
Definicin del problema dual
99
101
102
104
5.4.1
5.4.2
5.5
99
5.5.1
Mtodo dual Smplex
5.5.1.1
Condicin dual de factibilidad
5.5.1.2
Condicin dual de ptimalidad
Ejemplo de aplicacin 5.4.
5.5.2
Algoritmo smplex generalizado
Ejemplo de aplicacin 5.5.
5.5.3
Tcnica de la cota superior
Ejemplo de aplicacin 5.6.
104
105
106
106
107
108
109
110
110
110
112
113
113
113
113
113
114
116
116
118
120
5.6
121
5.7
124
5.7.1
5.8
5.8.1
124
124
125
126
126
126
127
127
127
127
127
128
129
129
129
131
131
132
132
5.9
Problemas propuestos
134
5.10
Bibliografa
137
5.11
Enlaces
137
CAPTULO 6
138
MODELO DE TRANSPORTE
138
6.1
Introduccin
138
6.2
138
6.3
138
6.4
141
6.5
El algoritmo de transporte
143
6.5.1
144
144
145
146
147
147
150
150
152
153
155
156
6.6
6.6.1
6.6.2
6.6.3
6.7
6.7.1
6.7.2
6.7.3
6.8
161
161
162
162
164
164
166
168
173
174
177
El modelo de asignacin
179
Concepto
Solucin matemtica del modelo de asignacin
Solucin del modelo de asignacin
Ejemplo de aplicacin 6.9
Ejemplo de aplicacin 6.10
179
179
180
180
182
6.10
183
6.11
184
6.12
Problemas propuestos.
185
6.13
Bibliografa.
188
6.14
Enlaces
188
6.9
6.9.1
6.9.2
6.9.3
CAPITULO 7
189
189
7.1
Introduccin
189
7.2
189
7.3
192
7.3.1
Algoritmos de la ruta ms corta
7.3.1.1
El algoritmo de Dijkstra.
Ejemplo de aplicacin 7.1
7.3.1.2
El algoritmo de Floyd
Ejemplo de aplicacin 7.2
7.3.2
Formulacin del problema de la ruta ms corta en programacin lineal
7.3.2.1
Formulacin 1
Ejemplo de aplicacin 7.3
7.3.2.2
Formulacin 2
Ejemplo de aplicacin 7.4
7.3.3
Solucin por computadora de la ruta ms corta
7.3.3.1
Solucin con TORA
7.3.3.2
Solucin con WinQSB
7.3.3.3
Solucin con hoja de clculo de Excel
192
192
193
196
198
201
201
202
202
203
204
204
207
209
7.4
7.4.1
7.5
7.5.1
Algoritmos del problema de flujo mximo
7.5.1.1Algoritmo de Ford y Fulkerson
Ejemplo de aplicacin 7.6
Ejemplo de aplicacin 7.7
7.5.1.2
Algoritmo de flujo mximo
Ejemplo de aplicacin 7.8
7.5.2
Formulacin del problema de flujo mximo con programacin lineal
Ejemplo de aplicacin 7.9
7.5.3
Solucin por computadora del problema de flujo mximo
7.5.3.1
Solucin con TORA
7.5.3.2
Solucin con WinQSB
7.5.3.3
Solucin con hoja de clculo de Excel
7.6
7.6.1Representacin en red
Ejemplo de aplicacin 7.10
7.6.2
Formulacin con programacin lineal
Ejemplo de aplicacin 7.11
7.6.3
Algoritmo smplex de red capacitada
Ejemplo de aplicacin 7.12
7.6.4
Solucin del modelo de flujo capacitado a costo mnimo con hoja de calculo Excel
212
212
212
215
215
216
219
220
220
221
223
223
225
228
228
229
229
230
232
235
235
235
236
237
238
240
245
7.7
Problemas propuestos
248
7.8
Bibliografa
250
7.9
Enlaces
250
CAPTULO 8
251
251
8.2
Antecedentes
252
8.3
253
8.4
254
8.5
255
8.6
8.7
8.8
255
256
257
259
259
260
8.9
8.10
8.11
8.12
264
264
265
266
267
268
Redes PERT
269
271
8.13
Dificultades de PERT
273
8.14
274
8.14.1
8.14.2
8.14.3
274
277
280
8.15
Conclusiones
289
8.16
Resumen
289
8.17
Problemas propuestos
290
8.18
Bibliografa
292
8.19
Enlaces
292
CAPTULO 9
293
TUTORIAL DE MS PROJECT
293
9.1
293
9.2
Fases de un proyecto.
293
9.3
295
9.4
299
9.4.1
9.4.2
9.4.3
9.4.4
9.5
9.5.1
299
300
302
304
306
306
9.6
307
9.7
308
9.8
Generalidades.
308
9.9
El entorno de trabajo.
309
9.9.1
9.9.2
9.9.3
9.9.4
9.9.5
9.9.6
9.9.7
Barra de ttulo.
Barra de mens y mens contextuales.
Barras de herramientas.
Gestin de barras de herramientas.
Propiedades de la barra de men
Gua de proyectos.
Barra de vistas.
311
312
314
314
315
316
317
9.9.8
9.9.9
9.9.10
9.9.11
9.10
Zona de vista.
Barras de desplazamiento.
Barra de estado.
Combinaciones de vistas.
318
318
318
318
Creacin de un Proyecto
318
9.10.1
319
9.11
321
9.12
Propiedades de un proyecto.
322
CAPITULO 10
324
SISTEMAS DE COLAS
324
10.1
324
10.2
Definicin.
324
10.3
324
325
10.4
325
10.5
326
10.6
Costo de espera.
327
10.7
327
10.8
Estructuras tpicas.
328
329
330
10.9
10.10 Modelos con nacimientos puros y muertes puras (relacin entre las distribuciones
exponenciales y de poisson)
331
10.10.1 Modelos de nacimientos puros
Ejemplo de aplicacin 10.3
10.10.2 Modelos de muertes puras
Ejemplo de aplicacin 10.4
10.11
10.12
331
333
334
334
335
337
338
340
341
343
343
344
10.13
346
10.14
346
346
347
10.15
Problemas propuestos
348
10.16
Bibliografa
350
10.17
Enlaces
350
ANEXO A
351
Operaciones Matriciales
351
Matrices
352
352
Tipo de matrices
352
Matrices no singulares
352
Mtodo para calcular la inversa de una matriz mtodo de operaciones de rengln (Gauss
Jordan).
353
Relacin de operaciones matriciales sencillas
356
ANEXO B
358
358
359
Captulo 1
CAPTULO 1
INTRODUCCIN A LA INVESTIGACIN DE
OPERACIONES
1.1 Resea histrica
En los siglos XVII y XVIII, grandes matemticos como Newton, Leibnitz,
Bernouilli y, sobre todo, Lagrange, que tanto haban contribuido al desarrollo del clculo
infinitesimal, se ocuparon de obtener mximos y mnimos condicionados de determinadas
funciones.
Posteriormente el matemtico francs Jean Baptiste-Joseph Fourier (1768-1830)
fue el primero en intuir, aunque de forma imprecisa, los mtodos de lo que actualmente
llamamos programacin lineal y la potencialidad que de ellos se deriva.
Si exceptuamos al matemtico Gaspar Monge (1746-1818), quien en 1776 se
interes por problemas de este gnero. Debemos remontarnos al ao 1939 para encontrar
nuevos estudios relacionados con los mtodos de la actual programacin lineal, en este ao,
el matemtico ruso Leonodas Vitalyevich Kantarovitch publica una extensa monografa
titulada Mtodos matemticos de organizacin y planificacin de la produccin en la que
por primera vez se hace corresponder a una extensa gama de problemas una teora
matemtica precisa y bien definida llamada, hoy en da, programacin lineal.
En 1941-1942 se formula por primera vez el problema de transporte, estudiado
independientemente por Koopmans y Kantarovitch, razn por la cual se suele conocer
con el nombre de problema de Koopmans-Kantarovitch.
Tres aos ms tarde, G. Stigler plantea otro problema particular conocido con el
nombre de rgimen alimenticio ptima.
En estos aos posteriores a la Segunda Guerra Mundial, en Estados Unidos se
asumi que la eficaz coordinacin de todas las energas y recursos de la nacin era un
problema de tal complejidad, que su resolucin y simplificacin pasaba necesariamente por
los modelos de optimizacin que resuelve la programacin lineal.
Paralelamente a los hechos descritos se desarrollan las tcnicas de computacin y
los ordenadores, instrumentos que haran posible la resolucin y simplificacin de los
problemas que se estaban gestando.
En 1947, G.B. Dantzig formula, en trminos matemticos
muy precisos, el enunciado estndar al que cabe reducir todo
problema de programacin lineal. Dantzig, junto con una serie de
investigadores del United States Departament of Air Force,
formaran el grupo que dio en denominarse SCOOP (Scientific
Computation of Optimum Programs).
Una de las primeras aplicaciones de los estudios del grupo
SCOOP fue el puente areo de Berln. Se continu con infinidad
de aplicaciones en el rea de la construccin, bancario y
preferentemente militar.
Captulo 1
Captulo 1
2.
Captulo 1
3.
4.
Captulo 1
Figura 1.1
Captulo 1
Captulo 1
El eminente cientfico de la administracin y premio Nbel de Economa, Herbet Simn, introdujo este
concepto de satisfizar
Captulo 1
Captulo 1
inicial del modelo, una buena manera de comenzar las pruebas es observarlo en forma
general (el bosque) para verificar los errores u omisiones obvias.
Tambin es til asegurarse de que todas las expresiones matemticas sean
consistentes en las dimensiones de las unidades que emplean. Adems, pueden obtenerse un
mejor conocimiento de la validez del modelo variando los valores de los parmetros de
entrada y/o de las variables de decisin y comprobando que los resultados del modelo se
comporten de una manera factible. Esto es especialmente revelador cuando se asignan a los
parmetros o a las variables valores extremos cercanos a su mximo o su mnimo.
Un enfoque ms sistemtico para la prueba del modelo matemtico es emplear una
prueba retrospectiva. Cuando es aplicable, esta prueba utiliza datos histricos y
reconstruye el pasado para determinar si el modelo y la solucin resultante hubieran tenido
un buen desempeo hipottico con lo que en realidad ocurri, indica si el uso del modelo
tiende a dar mejoras significativas sobre la prctica actual. Puede tambin indicar reas en
las que el modelo tiene fallas y requiere modificaciones. Lo que es mas, al emplear las
alternativas de solucin y estimar sus desempeos histricos hipotticos, se pueden reunir
evidencias en cuanto a lo bien que el modelo predice los efectos relativos de los diferentes
cursos de accin.
Por otra parte, la prueba retrospectiva tiene la desventaja de que usa los mismos
datos que sirvieron para formular el modelo. Entonces surge la pregunta crtica; es si el
pasado en realidad representa el futuro. Si no es as, el modelo puede tener un desempeo
distinto en el futuro del que hubiera tenido en el pasado.
Para salvar esta desventaja de la prueba retrospectiva. A veces es til continuar con
las cosas como estn por una temporada. Esto proporcionara datos con los que no se
contaban cuando se construy el modelo. Estos datos se pueden emplear de la manera que
se describi para evaluar un modelo.
Es importante documentar el proceso usado para las pruebas de la validacin del
modelo. Esto ayuda a aumentar la confianza en el de los usuarios subsecuentes. Ms aun, si
en el futuro surgen preocupaciones sobre el modelo, esta documentacin ayudara a
diagnosticar en donde pueden estar los problemas.
Aplicacin: En un estudio de I.O. para IBM se realizo con el fin de integrar su red
nacional de inventarios de refacciones para mejorar el servicio a los clientes, al mismo
tiempo que reducir el valor de los inventarios de IBM en mas de 250 millones de dlares y
ahorrar otros 20 millones de dlares anuales a travs del mejoramiento de la eficiencia
operacional. Un aspecto en particular interesante de la etapa de validacin del modelo en
este estudio fue la manera en que se incorporaron el proceso de prueba los usuarios
futuros del sistema de inventarios. Debido a que estos usuarios futuros (los
administradores de IBM en las reas funcionales responsables de la implantacin del
sistema de inventarios) dudaban del sistema que se estaba desarrollando, se asignaron
representantes a un equipo de usuarios que tendra la funcin de asesorar al equipo de I.O.
Una vez desarrollada la versin preliminar del nuevo sistema (basada en el sistema de
inventarios de multiniveles) se lleva acabo una prueba preliminar de implantacin.
La extensa retroalimentacin por parte del equipo de usuarios llevo a mejoras
importantes en el sistema propuesto.
Captulo 1
10
Captulo 1
Restricciones.
Cuando una solucin de un modelo planteado satisface todas las restricciones es una
solucin factible, y cuando adems de ser factible produce el mejor valor (mximo o
mnimo) de la funcin objetivo se le llama solucin ptima. Fuera de que los modelos
investigacin de operaciones deben optimizar determinado criterio objetivo sujeto a un
conjunto de restricciones, la calidad de la solucin que se obtenga depende de la exactitud
del modelo para representar el sistema real. Lo cual concluimos es que la solucin ptima
de un modelo solo es la mejor para ese problema. Por lo cual inferimos que si el modelo
representa al sistema real en forma razonablemente buena, su solucin tambin ser ptima.
11
Captulo 1
Clase de
Incertidumbre
Frecuencia de uso
en corporaciones
Programacin Lineal
D, P
D, P
D, P
Programacin Entera
Programacin Dinmica
D, P
Programacin Estocstica
Programacin No Lineal
Teora de Juegos
Control ptimo
D, P
Lneas de Espera
Ecuaciones Diferenciales
* En la anterior tabla se muestran con letras en negrillas y cursivas los tipos que se
utilizaran en el curso de sistemas de ingeniera
A continuacin se dar una pequea explicacin de los modelos matemticos que se
utilizaran en este curso.
12
Captulo 1
3.
Son intuitivos. Los modelos de redes proveen un lenguaje para tratar los problemas,
mucho ms intuitivo que "variables, objetivo, restricciones".
13
Captulo 1
14
Captulo 1
1.8 Conclusiones
Aunque el resto del siguiente texto nos aboquemos primordialmente a la
construccin y solucin de los modelos matemticos a travs de la programacin lineal,
modelos de redes (incluyendo PERT/CPM) y la teora de colas.
En este capitulo se trato de hacer hincapi en que esto eso solo una porcin del
proceso completo que se necesita para llevar a cabo a un estudio de investigacin de
operaciones representativo. Las otras etapas que se describieron tambin son importantes
para el xito o fracaso del estudio. Lo cual se pide al estudiante que no pierda de vista en
los siguientes captulos; el papel que juega el modelo y el procedimiento de solucin dentro
del proceso completo.
Tambin se concluye que por el hecho de los modelos matemticos, la investigacin
de operaciones esta muy estrechamente ligado al uso de las computadoras. Hasta hace
poco, se haban utilizado casi exclusivamente computadoras grandes, pero cada vez es
mayor el uso de microcomputadoras y estaciones de trabajo.
1.9 Bibliografa
INVESTIGACIN DE OPERACIONES Hamdy A. Taha [Sptima Edicin]
INVESTIGACIN DE OPERACIONES Moskowitz, Herbert; Wrigth, Gordon P.
INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Frederick S.
Hillier, Gerald J. Lieberman. [Sexta Edicin]
1.10 Enlaces
http://www.itson.mx/dii/elagarda/apagina2001/PM/pl.html
http://www.quia.com/servlets/quia.activities.common.ActivityPlayer?AP_rand=307
787524&AP_activityType=3&AP_urlId=166798&AP_continuePlay=true166798
http://www.investigacion-operaciones.com/Introduccion_IO.htm
15
Captulo 2
CAPTULO 2
MODELIZACIN A LA PROGRAMACIN LINEAL
2.1 Introduccin a la modelizacin
En numerosas ciencias, entre ellas la construccin, se hace necesario el estudio y
anlisis de fenmenos del mundo real, y por ello se hace necesaria la aplicacin del mtodo
cientfico a este estudio. Como acabamos de ver con anterioridad una de las fases de la
aplicacin del modelo cientfico se basa en la construccin del modelo o formulacin de
hiptesis. En nuestro caso nos concentraremos en la construccin de modelos.
Aunque hay numerosas acepciones y definiciones de un modelo, hemos elegido la
de Aracil 1: Un modelo constituye una representacin abstracta de un cierto aspecto de la
realidad, y tiene una estructura que esta formada por los elementos que caracterizan el
aspecto de la realidad modelada y por las relaciones entre estos elementos.
A partir de este concepto de modelo se pueden obtener distintas clasificaciones
(icnico, analgicos, simblicos, etc.). Sin embargo, solo estamos interesados en los
modelos matemticos, es decir, los modelos formales basados en lgica matemtica, y se
basan en un conjunto de relaciones matemticas (tales como ecuaciones, inecuaciones,
relaciones lgicas, etc.) que se corresponden con las relaciones del mundo real (tales como
relaciones tecnolgicas, leyes fsicas, restricciones del mercado, etc.).
La importancia de la construccin de modelos matemticos en cualquier campo de
la ingeniera es evidente, no obstante vamos a enumerar alguna de ellas 2:
1. La construccin de modelos revela, relaciones que no son evidentes a primera vista.
Este resultado se alcanza con el mejor conocimiento que se adquiere cuando
empieza a modelar, es decir, cuando mejor se va conociendo la realidad del
fenmeno que se intenta representar.
2. Una vez construido el modelo matemtico, es posible extraer de l propiedades y
caractersticas de las relaciones entre los elementos que de otra forma
permaneceran ocultas. Tambin, es posible representar situaciones complejas que
son admisibles en otro tipo de modelos, y no solo es esa posibilidad de
modelizacin, sino tambin la de resolucin del mismo, aunque no sea una solucin
analtica sino numrica (realizada por un ordenador).
3. En la mayora de las situaciones de la ingeniera del mundo real, no es factible
experimentar con la realidad, por ser prohibitivamente caro, peligroso , hasta,
imposible. Por ejemplo, si se intenta conocer el impacto de la puesta en prctica de
una determinada accin en el campo de la construccin. En este caso para evaluar
las consecuencias se construye un modelo donde se puedan analizar los resultados
en diversas situaciones con un costo prcticamente nulo y sin riesgos sociales ni
econmicos.
1
Aracil, J (1983): introduccin a la dinmica de sistemas. Ed. Alianza Madrid. Pg. 18.
Puede verse al respecto, Williams, H.P. (1978): Model Building in mathematical programming. Jhon
Willey & Sons. Nueva York. Pg. 3.
16
Captulo 2
Es importante resaltar que un modelo esta realmente definido por las relaciones que
incorpora. Estas relaciones son independientes de los datos a introducir en el modelo,
ya que un modelo puede ser usado para diferentes ocasiones y en varios contextos
diferentes.
Aunque acabamos de ver algunas de las ventajas de la modelizacin, sobre el uso
de los modelos en la ingeniera hay posturas diferentes, por una parte esta las personas
que ponen en tela de juicio la validez de los modelos, en tanto en cuanto no son capaces
de cuantificar muchas instancias de los problemas reales, por ejemplo, el costo o
utilidad social. Otros niegan su utilidad basndose en el grado de precisin de los datos
a incorporar al modelo matemtico. Pero frente de estos, en otro extremos estn los
fervientes defensores de la modelizacin total para la toma de decisiones, en este caso
convendra resaltar la calidad de las respuesta que produce el modelo, depende
obviamente, de la seguridad de su estructura y de los datos a el incorporados, y que una
excesiva confianza en ellos es peligroso. Nos vamos a entrar en esta polmica, sino que
lo nico que queremos es poner en manifiesto que los modelos deben usarse como una
herramienta mas para la toma de decisiones y que debe valorarse en su justa medida, ya
que difcilmente es comprensible un problema complejo sin una mnima Modelizacin,
aunque tambin hay que reconocer que no es posible modelizar la totalidad de las
situaciones reales.
El modelo que se utilizara en la matera ser el modelo de optimizacin el cual trata
de identificar un ptimo (por general, el ptimo general) del problema, es decir, buscar
la mejor de las alternativas posibles, estos mtodos son los que estn basados en las
tcnicas de programacin matemticas.
17
Captulo 2
b) Definicin de las variables. Es decir, identificar las posibles decisiones. Esta es una
de las fases criticas de la modelizacin, por ello es conveniente prestar mucha
atencin a esta definicin. Esta fase hay que identificar (e interpretar el significado)
y denominar a las variables. Este segundo aspecto, aunque puede parecer triviales
tambin de gran importancia. Hay que denominar a las variables de forma que sean
fcilmente reconocibles, es decir, que no indique que quieren representar. Mucha
veces, se denominan a las variables por sencillez, x1 , x 2 , x3 , etc., pero estos nombres
no nos informan de forma inmediata de su significado, por ello es conveniente
denominarlas de forma mas coherentes, por ejemplo, si queremos identificar la
cantidad de madera necesaria para producir mesas la podramos denominar MADNEC. en lugar de x2 . La eleccin del nombre debe ajustarse a las caractersticas del
decidor, y tambin a la longitud de caracteres admisibles por los programas de
ordenador que resuelven estos problemas, por lo general seria admisible un nombre
hasta de ocho caracteres.
A la hora de identificar las variables tenemos que tomar en consideracin si
las variables son deterministas o estocsticas, si son endgenas o exgenas, etc., es
decir, ante que clase de variables vamos a tratar en el problema.
c) Identificacin y formalizacin de las restricciones. Esta es tambin una de las fases
importantes. Se trata en definitiva de identificar cuales son las limitaciones a las que
esta sujeto el problema, y el plantearlas matemticamente. A veces esto resulta muy
sencillo. En esta fase hay que denominar e identificar a las restricciones con los
nombre adecuados, de forma que sea fcil interpretar los resultados obtenidos.
d) Identificar la funcin objetivo. La cuantificacin de los resultados que se desean
alcanzar. Aunque no en todos los problemas es inmediato definir el objetivo,
siempre es posible encontrar una funcin que permita evaluar los resultados de cada
una de las acciones.
Para verificar estas condiciones, seguidamente abordaremos algunas
consideraciones para llegar a concretar las fases enumeradas anteriormente, estos pasos son
simplemente una derivacin de las reglas del sentido comn aplicadas a la construccin de
los modelos.
En primer lugar, abordaremos algunos aspectos importantes sobre los modelos
lineales, lo ms usuales en el campo de la ingeniera, para posteriormente ir aumentando la
complejidad.
18
Captulo 2
19
Captulo 2
20
Captulo 2
MP1
MP2
Utilidad por
tonelada
Toneladas de materia
prima por tonelada de
Pintura
Pinturas para
para
exteriores
interiores
3
7
4
1
100000
Disponibilidad
mxima
diaria
(toneladas)
20
9
300000
x1 , x2
21
Captulo 2
Captulo 2
Tipo
Organismo
Estatal
Bonos Empresa
Privada
95
10 3,166
Bonos Estatales
85
15
3,99
92
21
6,30
90
21
5,94
3
4
Deuda Publica
Nacional
Deuda Publica
Regional
Fuente
Das Neto
Extranjera
Pagares Estatales
97
30
6,38
Moneda Extranjera
93
1,75
Captulo 2
La cantidad colocada en inversiones estatales no debe ser superior al 70% del total
invertido.
La cantidad invertida en bonos debe ser superior a lo invertido en deuda
pblica.
La razn entre las inversiones en efectos de titularidad pblica (inversiones
2, 3, 4 y 5) y las inversiones en efectos de titularidad privada (inversiones 1
y 6) deben ser a lo sumo de tres a uno.
No debe colocarse ms de un 60% en inversiones catalogadas por el
organismo estatal con un ndice inferir o igual a B.
La calidad media de la inversin segn el ndice de fuente extranjera debe
ser como mnimo 92.
Debido a las disposiciones legales, la cantidad mxima que puede invertirse
en pagars estatales es de Bs.4000000.
La duracin media de la inversin debe estar comprendida entre 14 y 21
das.
Plantear el anterior problema como un modelo de Programacin Lineal
4. Una empresa de confecciones puede producir 1000 pantalones o 3000 blusas (o una
combinacin de ambos) diariamente. El departamento de acabado puede trabajar
sobre 1500 pantalones o sobre 2000 blusas (o una combinacin de ambos) cada da;
el departamento de mercadeo requiere que se produzcan diariamente al menos 400
pantalones. Si el beneficio de un pantaln es de Bs. 4000 y el de una blusa es de Bs.
3000. Cuntas unidades se deben de producir de cada uno para maximizar las
utilidades?
Plantear el anterior problema como un modelo de Programacin Lineal
5. El gobierno actual requiere el mximo apoyo para que se apruebe en el Congreso el
plan de desarrollo propuesto para el prximo ao. A travs de sus consejeros ha
sabido que hay 35 parlamentarios de un grupo de coalicin y 27 de otro partido que
an no han definido su voto. El presidente decide entonces concertar por telfono a
estos congresistas indecisos para convencerlos de que lo apoyen, sabiendo que tiene
una probabilidad 0,9 de xito con los miembros de la coalicin y 0,6 de otro partido.
Cuntos parlamentarios de cada partido deber telefonear para maximizar su
probabilidad de xito si no puede realizar un nmero total de llamadas superior a 30
en el actual rgimen de austeridad
24
Captulo 2
2.6 Bibliografa
INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Frederick S.
Hillier, Gerald J. Lieberman. [Sexta Edicin]
2.7 Enlaces
http://www.investigacion-operaciones.com/Introduccion_modelizacion.htm
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4060014/docs_curso/Capitul
o%20II/modelizacion.htm
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4060014/docs_curso/Capitul
o%20II/problemas.htm
25
Captulo 3
CAPTULO 3
PROGRAMACIN LINEAL - MTODO GRFICO
3.1 Introduccin
La programacin lineal se aplica a modelos de optimizacin en los que las funciones
objetivo y restriccin son estrictamente lineales.
Este captulo comienza con el caso de un modelo de dos variables y presenta su
solucin grfica. Esta solucin grfica permite tener una perspectiva del desarrollo del
mtodo smplex (que se vera en el captulo 4), tcnica algebraica general. Tambin presenta
ideas concretas para el desarrollo y la interpretacin de anlisis de sensibilidad en
programacin lineal.
2.
3.
26
Captulo 3
x1 = Camiones de 15 Tn
x 2 = Camiones de 5 Tn
Funcin objetivo:
min z = 4000 x1 + 3000 x 2
Sujeta a:
15 x1
+ 5x 2
100
x1
6
x2
10
x1 ,
x2
0
[R0]
[R1]
[R2]
[R3]
[R4] y [R5]
Cada ecuacin lineal de este problema lo rotularemos como Ri (i = 0, 1, 2,, m), donde
R0 corresponde a la funcin objetivo y las Ri (i = 0, 1, 2,, m) restantes a las
restricciones funcionales y de no negatividad. La solucin se obtiene graficando las
restricciones Ri, tomando para ello dos puntos que sern unidos posteriormente para formar
una recta. Como las rectas son inecuaciones presentan dos hiperplanos, de los cuales uno se
27
Captulo 3
3
20
,0]. Uniendo estos dos puntos obtendremos la
formndose los puntos P1 [0,20] y P2 [
3
ecuacin R1; como la inecuacin es del tipo menor o igual, el dominio ser hacia abajo
(esto se puede comprobar reemplazando cualquier punto que este por debajo de la recta y
se notara que cumple con la inecuacin). El procedimiento se repite para todas las otras
restricciones.
La interseccin de todos los dominios de las restricciones, formara un conjunto o un
espacio S llamado REGIN FACTIBLE que contendr a todos los puntos que cumplen
con todas las restricciones del problema de PL.
La figura 3.1 muestra el procedimiento descrito anteriormente.
28
Captulo 3
1.
x1
6
2.
3.
29
Captulo 3
Problemas de repaso
1.
x1 + 2 x 2
x1 +
x2
x1 0; x 2 0
a) Cules smbolos representan las variables de decisin?
b) Cul expresin representa la funcin objetivo?
c) Es x1 = 1 y x 2 = 2 una solucin factible?
d) Es x1 = 2 y x 2 = 1 una solucin factible?
e) Es la solucin factible x1 = 3 y x 2 = una solucin mejor que la solucin
factible x1 = 1 y x 2 = 1?
2.
x1 + 2 x 2
b)
x1 + 2 x 2
=4
c)
x1 + 2 x 2
3.
4.
x1
x2
x1 + x 2
x1 0; x 2 0
Encuentre la solucin ptima (utilidad mxima) para este problema.
30
Captulo 3
x1 + 2x2
2 + 2(1)
=4 4
x1 + x2
2 + 1
= 3 1
x1 0
y x2 0
2 0
2.
a) Los puntos intersectos de x1 + 2x2 4 pueden ser determinados como sigue.
Sea x1 = 0 en la ecuacin x1 + 2x2 4. Entonces 2x2 = 4 x2 = 2. Por tanto, un
punto intersecto es x1 = 0 y x2 = 2 (P1 [0,2]). Similarmente, Sea x2 = 0 en la
ecuacin x1 + 2x2 4. Entonces x1 = 4 y el otro punto intersecto es x1 = 4 y x2 =
0 (P2 [4,0]). Ambos puntos intersectos son representados en la figura 3.2.
Figura 3.2
Captulo 3
32
Captulo 3
3.
Sea z = Bs.10 en la funcin de costos z = x1 + x2. Tenemos entonces 10 = x1 + x2
con puntos intersectos x1 = 0, x2 = 10 entonces P1 [0,10], y x2 = 0, x1 = 10
entonces P2 [10,0].
Similarmente, siendo z = Bs.20 en la funcin de costos se obtiene 20 = x1 + x2
con puntos intersectos x1 = 0, x2 = 20 entonces P3 [0,20], y x2 = 0, x1 = 20
entonces P4 [20,0]. Las dos lneas paralelas se muestran en la figura 3.5 con las
lneas de crecimiento y decrecimiento del costo total.
4.
Para resolver este problema, usaremos el procedimiento grfico.
Maximizar z = 2 x1 + 3 x 2 } Objetivo
Sujeto a
5
x1
x 2 5
Restricciones
x1 + x 2 8
0
x1 ; x 2
Paso 1. Representacin grfica de las restricciones. Hay tres restricciones para ser
graficadas. Las ecuaciones correspondientes y sus puntos intersectos son
como sigue:
33
Captulo 3
P1
P2
P3
P4
P5
VRTICE
x1 x2
0
0
5
0
5
3
3
5
0
5
Utilidad z = 2x1+3x2
0 = 2(0) + 3(0)
10 = 2(5) + 3(0)
19 = 2(5) + 3(3)
21 = 2(3) + 3(5)
15 = 2(0) + 3(5)
Tabla 3.2
34
Captulo 3
35
Captulo 3
=>
36
Captulo 3
Figura 3.7 Resultado grfico del ejemplo de aplicacin 1 obtenido con TORA
2. Haga clic en new Problem, coloque los datos del problema (criterio de la
funcin objetivo, formato de los datos de entrada, nmero de variables) y haga
clic en OK.
37
Captulo 3
4.
Figura 3.8 Resultado grfico del ejemplo de aplicacin 3.1obtenido con WinQSB
38
Captulo 3
5 C2 1
15 C1 0
Si C2 0, entonces
0 C1 15
1 C2
5
39
Captulo 3
C1
C
(o de 2 ) deben dividirse en dos conjuntos, en que
C2
C1
los denominadores no puedan ser cero.
C1
C
y 2 es que mientras que esas relaciones
C2
C1
estn dentro de los lmites especificados, la solucin ptima permanece sin cambios en D.
Obsrvese que si deduce que z = C1x1 + C2x2 coincide con 15x1 + 5x2 = 100, puede
presentarse ptimos alternativos en cualquier lugar del segmento de recta DF. Sin embargo,
esta observacin no cambia el hecho que D siga siendo ptimo.
Se pueden usar las condiciones dadas para determinar el intervalo ptimo para uno
de los coeficientes cuando el otro permanece con su valor original, en z = 4000x1 + 3000x2,
as, dado C2 = 3000, el intervalo ptimo asociado para C1 se determina a partir de la
0 C
15
0
15
condicin 1 , sustituyendo C2 = 3000, se obtiene 3000 C1 3000
1 C2
5
1
5
5 C2 1
sea 0 C1 9000 . En forma parecida, dado C1 = 4000, la condicin
, dar
15 C1 0
4000
como resultado
C2
3
Figura 3.9 Intervalo de factibilidad para el modelo del ejemplo de aplicacin 3.1
40
Captulo 3
90 R 1 140
1
x 2 = R1 18
5
41
Captulo 3
A continuacin veamos la materia prima R2. La figura 3.11 muestra que el intervalo
de la factibilidad para R2 (si R1 = 100 toneladas) esta limitado por los extremos C y F,
10
20
siendo C = (
,0) y F = ( ,10), limitan al intervalo de factibilidad de R2. As,
3
3
20
Cantidad de R 2 en C =
3
10
Cantidad de R 2 en F =
3
Entonces, mientras R1 = 100, el intervalo de factibilidad para R2 es:
10
20
R2
3
3
De nuevo, puede usted verificar que si R1 = 100, la solucin asociada se define por:
x1 = R2
10
20
R2
x 2 = 20 3R 2 3
3
42
Captulo 3
Actividades del
modelo de
programacin lineal
del
Modelo
Figura 3.12 Representacin de un programa lineal como modelo de entrada y salida (datos y resultados)
54000 24000
= Bs. 600
140 90
43
Captulo 3
20
10
,0) y F = ( ,10), entonces
3
3
20
80000
Z en C = 4000x1 + 3000x2 = 4000( ) + 3000(0) = Bs.
= Bs. 26666.667
3
3
130000
10
= Bs. 43333.33
Z en F = 4000x1 + 3000x2 = 4000( ) + 3000(10) = Bs.
3
3
Como C = (
Entonces,
130000 80000
3
3 = Bs. 5000
yi =
20 10
3
3
En este caso el resultado indica que un aumento o disminucin de 1 camin se 15
10
20
toneladas en R1, en el intervalo de
R2
aumenta o disminuye la utilidad en Bs.
3
3
5000.
x1 + 2x 2
6 x1 2 x 2 3
2 x1 + 3 x 2 6
x1 + x 2 3
x1 , x 2 0
Maximizar
Dependiendo de:
4 x1 + 8 x 2
6 x1 2 x 2 3
2 x1 + 3 x 2 6
2 x1 + 3 x 2 24
x1 , x 2 0
2.
44
Captulo 3
3.
Maximizar
Dependiendo de:
3 x1 + 5 x 2
3 x1 + 2 x 2 6
x1 + x 2 5
3 x1 + 8 x 2 12
3 x1 + 2 x 2 18
x1 , x 2 0
Minimizar
Dependiendo de:
x1 + x 2
3 x1 5 x 2 30
3 x1 + 2 x 2 9
x1 , x 2 0
Minimizar
Dependiendo de:
3 x1 + 7 x 2
x1 x 2 4
x1 2 x 2 10
2 x1 1x 2 2
x1 , x 2 0
4.
5.
45
Captulo 3
Departamento 1.
Departamento 2.
Departamento 3.
Producto
1
2
1
2
1
3
2
3
8. En la tabla se presentan los requisitos por unidad y los ingresos netos para equipo
forestal y equipo de excavacin. Definan las variables de decisin y elaboren un
programa lineal que maximice los ingresos.
Datos del equipo forestal de excavacin.
Hierro Trabajo Requisitos de Tratamiento Ingreso
(lb.)
(hrs.)
transmisiones
(hrs.)
Neto
Forestal
950
65
1
28
Bs.450
Excavacin
4000
120
1
16
Bs.895
Disponibilidad 650000 23000
450
7200
Equipo
9. Una compaa produce dos tipos de ladrillos. Cada ladrillo del tipo 1 requiere el
doble de tiempo en mano de obra que el segundo tipo. Si todos los ladrillos son del
tipo 2, la compaa puede producir un total de 500 ladrillos al da. El mercado limita
las ventas diarias del tipo 1 y 2 a 150 a 250 ladrillos respectivamente. Suponga que
los beneficios por cada ladrillo son de Bs.8 para el tipo 1 y Bs.5 para el tipo 2.
Determine el nmero de ladrillos a ser producidos de cada tipo para maximizar el
beneficio.
46
Captulo 3
10. Todo el acero producido por VINTO tiene que cumplir con las siguientes
especificaciones: 3.2 a 3.5% de carbono; 1.8 a 2.5% de silicio; 0.9 a 1.2% de nquel;
resistencia a la traccin de por lo menos 45000 lb./pulg2. VINTO produce el acero
mezclando dos aleaciones. El costo y las propiedades de cada aleacin se dan en la
tabla. Supngase que se puede determinar la resistencia a la traccin de una mezcla
promediando las resistencias de las aleaciones que se mezclan. Por ejemplo, una
mezcla de una tonelada que se compone de 40% de la aleacin 1 y de 60% de la
aleacin 2, tiene una resistencia a la traccin de 0.4 (42000) + 0.6 (50000). Utilizar
mtodo grfico de la programacin lineal para determinar como minimizar los
costos de produccin de una tonelada de acero.
Tabla
Costo por tonelada
(dlares)
Porcentaje de
Silicio
Porcentaje de
nquel
Porcentaje de
carbono
Resistencia a la
traccin
Aleacin 1
190
Aleacin 2
200
2%
2.52%
1%
1.5%
3%
4%
3.7 Bibliografa
3.8 Enlaces
http://www.investigacion-operaciones.com/contenido.htm
http://www.sectormatematica.cl/media/proglineal.htm
47
Captulo 4
CAPTULO 4
PROGRAMACIN LINEAL - MTODO SMPLEX
4.1 Introduccin
El mtodo smplex es un procedimiento general para resolver problemas de
programacin lineal desarrollado por George Dantzig en 1947, est comprobado que es un
mtodo extraordinariamente eficiente que se usa en forma rutinaria para resolver problemas
grandes en las computadoras de hoy en da. Tambin se usan extensiones y variaciones del
mtodo smplex para realizar anlisis pos-ptimo (incluyendo el anlisis de sensibilidad)
sobre el modelo.
El algoritmo smplex es un mtodo algebraico de programas lineales que aprovechan
las propiedades de las soluciones bsicas. Su estrategia consiste en explorar soluciones
bsicas hasta llegar a la ptima, de modo que la exploracin se dirija siempre en la
direccin que asegure una mayor aproximacin a dicho ptimo.
El mtodo grfico del Captulo 3 indica que la solucin ptima de un programa lineal
siempre esta asociada a un punto de esquina del espacio de soluciones. Este resultado es la
clave del mtodo smplex algebraico y general para resolver cualquier modelo de
programacin lineal.
La transicin de la solucin del punto de esquina geomtrico hasta el mtodo smplex
implica un procedimiento de cmputo que determina en forma algebraica los puntos de
esquina. Esto se logra convirtiendo primero a todas las restricciones de desigualdad en
ecuaciones, para despus manipular esas ecuaciones en una forma sistemtica.
Una propiedad general del mtodo smplex es que resuelve la programacin lineal en
iteraciones. Cada iteracin desplaza la solucin a un nuevo punto de esquina que tiene
potencial de mejorar el valor de la funcin objetivo. El proceso termina cuando ya no se
pueden obtener mejoras.
El mtodo smplex implica clculos tediosos y voluminosos, lo que hace que la
computadora sea una herramienta esencial para resolver los problemas de programacin
lineal. Por consiguiente, las reglas computacionales del mtodo smplex se adaptan para
facilitar el clculo automtico.
El mtodo smplex, con la ayuda del computador, puede resolver problemas de
programacin lineal hasta con varios millares de variables y restricciones.
48
Captulo 4
[R2]
x2 10
[R3]
49
Captulo 4
2x1 x2 + 3x3
x1 x2 + x3
= 10
3x1 + 2x2 + 2x3 15
x1
3
x1
0
x2
0
x3
No restringida
2x1 x2 + 3x3
x1 x2 + x3
3x1 + 2x2 + 2x3 + h1
x1
S2
x1,
h1, S2
x2
x3
= 10
= 15
=3
0
0
No restringida
No todas las variables son no negativas, de modo que el programa lineal del ejemplo
4.1 todava no se encuentra en forma estndar. Es necesario llevar a cabo una convencin
adicional.
Captulo 4
2x1 x2 + 3x3
x1 x2 + x3
= 10
3x1 + 2x2 + 2x3 + h1
= 15
x1
S2 = 3
x1,
h1, S2 0
x2
0
x3
No restringida
x1,
x3 , x3 ,
h1, S2
x2
= 10
= 15
=3
0
0
51
Captulo 4
Maximizar
Sujeto a
52
Captulo 4
Figura 4.2
Paso 0.
Captulo 4
Paso1. Encuentre una solucin bsica factible inicial para el sistema de ecuaciones. Esto
puede ser hecho en el modelo de programacin lineal por inspeccin.
Paso 2. Encuentre una solucin bsica factible mejor. Ahora estamos en la fase iterativa
del mtodo, el proceso se llama operaciones de rengln de Gauss-Jordan.
Observe la figura 4.2 que vamos al paso 3 y regresamos al paso 2 y seguimos
repitiendo estos dos pasos hasta que tenemos una solucin bsica factible para
terminar en el paso 4.
En cada iteracin el mtodo smplex se mueve de una solucin bsica factible
actual a una solucin bsica factible adyacente. Esta iteracin Paso 2 y 3,
requiere que una variable no bsica, llamada la variable bsica entrante,
remplace una variable bsica llamada variable bsica saliente, en la solucin
actual.
Las candidatas a convertirse la variable bsica entrante son solamente las
variables no bsicas. Cul de las variables no bsicas escoger?. La nueva
variable bsica tiene que aportar un mejoramiento (aportar una utilidad ms alta
en caso de Max) sobre la solucin bsica factible actual. Por consiguiente,
escogemos la variable no bsica que incremente la utilidad z en la mayor
proporcin.
Paso 3. Resuelva para la nueva solucin bsica factible MEJOR. El paso 3 tiene dos
partes: determinar la variable a salir de la base y resolver para los nuevos
valores de las variables bsicas.
La variable bsica saliente no es de libre escogencia.
Nuestra meta es escoger una variable bsica para remover, tal que la variable
entrante pueda tener un valor tan grande como sea posible, sin violar alguna de
las restricciones en el modelo.
Paso 3 (Cont.). Encuentre los valores de las restantes variables bsicas. Ahora hemos
identificado las variables entrantes y salientes. Falta determinar los valores
nuevos del resto de las variables. Para llevar a cabo este paso necesitamos
convertir el sistema original de ecuaciones.
Paso 4. Solucin ptima. Cuando los valores de los coeficientes del rengln Z sean
todos 0 (caso maximizacin) o 0 (caso minimizacin) se habr alcanzado el
ptimo factible.
La primera necesidad es entender ciertos trminos claves antes de aplicar los pasos
2 y 3 del mtodo smplex para un problema dado en la forma de los coeficientes separados.
Tales son:
1. Columna pivote
2. Fila pivote
3. Nmero pivote.
1. La columna pivote es la columna de coeficiente que estn asociadas con la
variable no bsica que ha sido escogido para convertirse en la variable bsica
entrante.
54
Captulo 4
Estandarizando:
Max Z = 8x1 + 5x2 + 0h1 + 0h2 + 0h3
Restricciones:
2x1 + x2 + h1 = 500
x1
+ h2 = 150
m=3
x2 + h3 = 250
x1, x2, h1, h2, h3 0
n=5
n m = 5 3 = 2 variables no bsicas
m = 3 variables bsicas
Entonces: x1 = x2 = 0 variables no bsicas
y por lo tanto h1 = 500; h2 = 150 y h3 = 250 variables bsicas
55
Captulo 4
x1
x2
h1
h2
h3
h1
soluci
n
500
h2
150
h3
0
-8
1
-5
0
0
0
0
1
0
250
0
Tabla 1
x1
x2
h1
h2
h3
1
0
h3
0
1
Z
-8
-5
columna pivote
150
0
0
0
0
1
0
250
0
Bsica
h1
h2
Paso3. Ahora tenemos que determinar cul de las variables bsicas actuales h1, h2 o
h3, es la que va a ser la variable saliente.
Recuerda que:
La variable escogida como variable bsica saliente es la variable bsica
actual que permite a la variable bsica entrante x1 tener el valor ms grande
posible sin violar alguna de las restricciones del modelo.
Para decidir cual variable sale, usamos la columna de la variable bsica, la columna
pivote y la columna de solucin y se calculan las razones entre los valores y los coeficientes
tal como se muestra en seguida.
Variable
Bsica
x1
h1
500
500/2 =250
h2
150
150/1 =150
minima
razon =150
h3
0
-8
250
0
250/0 =
Ignorar
soluci
Razon del
n
solucin/coeficiente
El mnimo entre 250 y 150 es 150 que tiene lugar en el rengln de h2, donde h2 es la
variable bsica actual. Por tanto el rengln de h2 de la tabla 1 pasa a ser la fila pivote y h2
se convierte en la variable saliente. Entonces, x1 remplaza a h1 en la base.
En resumen:
La fila pivote, y por tanto la variable bsica saliente, es la fila que contiene
la razn Solucin/Coeficiente ms pequea haciendo caso omiso de las
variables (y por ende de las filas) cuyo denominador sea cero o negativo.
56
Captulo 4
Tanto la columna pivote (la variable bsica entrante) como la fila pivote (la variable
bsica saliente) son delineadas en la prxima versin de la tabla 1. Como el nmero
interseccin entre la columna pivote y fila pivote es +1 entonces, ste es el nmero pivote.
fila pivote
nmero pivote
Bsica
x1
x2
h1
h2
h3
h1
soluci
n
500
h2
150
h3
250
-8
-5
columna pivote
Tabla 1
Paso 3 (Cont.). Encontrar la nueva solucin bsica factible. Para hacer un cambio de base
usando la tabla smplex, necesitamos lo siguiente:
1. El nmero pivote tiene que ser convertido +1 y la variable bsica entrante
remplaza la variable bsica saliente en la columna de las variables bsicas.
2. Cada uno de los coeficientes restantes en la columna pivote tienen que ser
convertidos a 0.
Para lograr el punto 1. dividimos cada coeficiente de la fila pivote por el nmero
pivote. Esto es, remplazando el rengln h2 por el nuevo rengln x1. Esto conduce a la nueva
tabla 2.
1 iteracin
Bsica
h1
x1
x2
h1
h2
h3
-2
soluci
n
200
x1
150
h3
Z
0
0
1
-5
0
0
0
8
1
0
250
1200
Tabla 2
57
Captulo 4
x2 = 0
h2 = 0
numero pivote
Bsica
h1
x1
0
x2
1
h1
1
h2
-2
h3
0
soluci
n
200
x1
h3
Z
1
0
0
0
1
-5
0
0
0
1
0
8
0
1
0
150
250
1200
Soluc./Coef.
200/1 = 200
150/0 =
250/1 = 250
Columna pivote
Tabla 2
58
Captulo 4
2 iteracin
Bsica
x1
x2
h1
h2
h3
x2
-2
soluci
n
200
x1
150
h3
0
0
0
0
-1
5
2
-2
1
0
50
2200
Tabla 3
Variables
bsicas
x2 =200
x1 = 150
h3 =50
Z = 2200
Variables
h1 = 0
h2 = 0
no bsicas
59
Captulo 4
fila pivote
Bsica
x2
x1
h3
Z
x1
0
1
0
0
x2
1
0
0
0
h1
1
0
-1
5
h2
-2
1
2
-2
soluci
Soluc./Coef.
n
200
200/-2 = -100
150
150/1 = 150
50
50/2 = 25
2200
nmero pivote
h3
0
0
1
0
Columna pivote
Tabla 3
x1
x2
h1
h2
h3
x2
soluci
n
250
x1
0.5
-0.5
125
h2
0
0
0
0
-0.5
4
1
0
0.5
1
25
2250
Tabla 4
60
Captulo 4
Variables
bsicas
x2 =250
x1 = 125
h2 =25
Z = 2250
Variables
h1 = 0
h3 = 0
no bsicas
61
Captulo 4
4.5.1
Mtodo de la M
(1)
(2)
(3)
Estandarizando:
Min Z = 5x1 + x2 + 0h2 + 0S3 + MR1 + MR3
Restricciones:
x1 + x2 + R1
=5
x1
+ h2
=3
x1 + 3x2
S3 + R3 = 12
x1, x2, h2, S3, R1, R3 0
n m = 6 = 3 variables no bsicas
m = 3 variables bsicas
Entonces: x1 = x2 = S3 = 0 variables no bsicas
y por lo tanto R1 = 5, h2 = 3 y R2 = 12 variables bsicas
m=3
n=6
Observe que a las restricciones de igualdad (1) se aade una variable artificial R1. A
la restriccin (2) que es del tipo menor o igual se aade una variable de holgura h2 y a la
restriccin (3) que es del tipo mayor o igual se resta una variable de excedencia y una
variable artificial R3.
62
Captulo 4
x1
x2
S3
R1
h2
R3
sol.
h2
R3
Z
1
-5
3
-1
-1
0
0
-M
0
0
1
-M
12
0
x1
x2
S3
R1
h2
R3
sol.
h2
R3
Z
1
-5 + 2M
3
-1 + 4M
-1
-M
0
0
0
0
1
0
12
17M
x1
x2
S3
R1
h2
R3
sol.
0.667
0.333
-0.333
h2
x2
0.333
-0.333
0.333
-14/3 + 2/3 M
-1/3 + 1/3 M
1/3 -4/3 M
4 +M
x1
x2
S3
R1
h2
R3
sol.
0.5
1.5
-0.5
1.5
h2
-0.5
-1.5
0.5
1.5
x2
-0.5
-0.5
0.5
3.5
7-M
-2 -M
11
63
Captulo 4
x1
x2
S3
R1
h2
R3
sol.
-1
h2
x2
-4
1-M
-M
Tabla ptima.
En la solucin ptima hallada se puede notar que las variables artificiales han
desaparecido de la base convirtindose en no bsicas. En la funcin objetivo desaparece
tambin el valor de M; por tanto el problema tiene solucin ptima factible y es la que
aparece en la ltima tabla.
64
Captulo 4
FASE 2
Se toma en cuenta la ultima tabla de la FASE 1 (se pueden eliminar las
columnas que corresponden a las variables artificiales ya que estas se habrn
hecho cero) y se introducen los valores originales de la funcin objetivo. Se
presentara el problema de que las variables bsicas finales no tienen
coeficiente cero en la funcin objetivo, esto se corrige con operaciones
elementales de fila.
Se verifica la optimidad viendo si todos los coeficientes de la funcin objetivo
son mayores o iguales que cero (caso Max); si esto no procede a iterar con los
pasos del smplex hasta encontrar el ptimo.
Ejemplo de aplicacin 4.4
Un alumno que repite la materia de sistemas de ingeniera acude al psiquiatra y este
le informa que su falta de entusiasmo se debe a un dficit de tiamina y niacn
prescribindole un mnimo de 1 mg. y 10 mg. diarios, respectivamente. El doctor le sugiere
que obtenga la mitad de la dosis mediante un desayuno a base de cereales. El alumno, que
no cuenta con demasiados recursos econmicos, trata de hacer mnimo el costo de las
vitaminas. Una vez en el supermercado, se informa acerca de los dos nicos desayunos que
le agradan: A y B.
Cereal Tiamina por Onza Niacn por Onza
A
B
0.12 mg.
0.13 mg.
0.60 mg.
1.59 mg.
Determinar la mezcla a realizar para que el costo sea mnimo y asegure la mitad de
la dosis de vitaminas prescritas por el psiquiatra.
Sea: x1 = Cereal A por onza
x2 = Cereal B por onza
Funcin objetivo: Min Z = 14x1 + 24x2
Restricciones:
0.12x1 + 0.13x2 1
(1)
0.60x1 + 1.59x2 10 (2)
x1 , x2 0
Estandarizando:
Min Z = 14x1 + 24x2 + 0S1 + 0S2
Restricciones:
0.12x1 + 0.13x2 S1 = 1
0.60x1 + 1.59x2 S2 = 10
x1, x2, S1, S2 0
FASE I.
min r = R1 + R2
Sujeto a:
0.12 x1 + 0.13 x 2 S1 + R1 = 1
0.60 x1 + 1.59 x 2 S 2 + R2 = 10
x 1 , x 2 , S1 , S 2 , R 1 , R 2 0}
m=2
n=6
65
Captulo 4
n m = 6 2 = 4 variables no bsicas
m = 2 variables bsicas
Entonces: x1 = x2 = S1 = S2 = 0 variables no bsicas
y por lo tanto R1 = 1 y R2 = 10 variables bsicas
Observe que a las restricciones de mayor o igual se aade una variable artificial R1 y
R2 respectivamente
Tabla inicial o iteracin cero.
Bsica
x1
R1
R2
r
S2
R1
R1
-1
soluci
n
1
0
0
-1
0
0
-1
1
-1
10
0
x2
S1
0.12
0.13
0.6
0
1.59
0
soluci
Sol./Coef Var
n
entrante
Bsica
x1
x2
S1
S2
R1
R1
R1
0.12
0.13
-1
7.69
R2
0.6
0.72
1.59
1.72
0
-1
-1
-1
0
0
1
0
10
11
6.29
Bsica
x1
x2
S1
S2
R1
R1
R1
0.07
-1
0.08
-0.08
0.18
2.23
x2
0.38
0.07
1
0
0
-1
-0.63
0.08
0
0
0.63
-1.08
6.29
0.18
-10.00
S2
0.87
-12.23
12.23
-1
soluci
n
2.23
x2
0.92
0
1
0
-7.69
0
0
0
7.69
-1
0
-1
7.69
0
Bsica
x1
x2
S1
S2
R1
R1
66
Captulo 4
FASE II. Despus de eliminar las columnas artificiales, el problema original se escribe as:
Min Z = 14x1 + 24x2
Restricciones:
0.87x1
12.23S1 + S2 = 2.23
0.92x1 + x2 7.69S1
= 7.69
x1, x2, S1, S2 0
En esencia, la FASE I es un procedimiento que transforma las ecuaciones originales
de restriccin en tal forma que se obtiene una solucin factible bsica de inicio para el
problema. La tabla asociada con la FASE II del problema es por consiguiente:
Bsica
x1
x2
S1
S2
S2
0.87
-12.23
soluci
n
2.23
x2
Z
0.92
-14
1
-24
-7.69
0
0
0
7.69
0
Bsica
x1
x2
S1
S2
S2
0.87
-12.23
2.23
2.57
x2
0.92
8.15
1
0
-7.69
-184.62
0
0
7.69
184.62
8.33
x1
x2
S1
S2
solucin
-14.10
1.15
2.57
x2
Z
0
0
1
0
5.32
-69.68
-1.06
-9.40
5.32
163.65
Tabla ptima
La salida de las columnas de las variables artificiales al terminar la FASE I solo se
hacen cuando toda ellas sean no bsicas (como ilustra el ejemplo). Sin embargo, es posible
que las variables artificiales sigan siendo bsicas pero a nivel cero al final de la FASE I. En
ese caso, esas variables formaran por necesidad, parte de la solucin bsica de inicio por
FASE II.
67
Captulo 4
a12
a22
...
am2
...
...
...
...
a1,n-m
a2,n-m
...
am,n-m
68
Captulo 4
69
Captulo 4
XI
CBB-1A-CI
B-1A
XII
CBB-1-CII
B-1
Solucin
CBB-1b
B-1b
Esta tabla muestra los detalles del clculo del mtodo smplex, es decir, si se conoce
B se puede encontrar en cada paso B-1, por lo tanto XB y z.
Por ejemplo consideremos el mtodo smplex con variables de holgura, en este caso,
CII = 0 la solucin bsica inicial se identifica como:
XB = XII, CB = CII = 0, B = I, B-1 = I
Sustituyendo en (II) se obtiene el mtodo smplex general con variables de holgura
(III):
Bsica XI XII Solucin
z
-CI
0
XB
A I
b
Si utilizamos smplex con variables artificiales (variables utilizadas como variables
de holgura para las restricciones que no cumplen la forma estndar). En este caso CII = (M,-M,..., -M) (coeficientes de penalizacin para la funcin objetivo). La solucin bsica
inicial se puede expresar como:
XB = XII, CB = CII, B = I, B-1 = I
Sustituyendo en (II) se obtiene el mtodo smplex general con variables artificiales
y de holgura (IV):
Bsica
XI
XII Solucin
z
CIIA-CI 0
CIIb
XII
A
I
b
70
Captulo 4
I mxm
1 0 . . . . 0 0
0 1.... 0 0
. ...... . .
=
...... .
0 0.... 1 0
0 0..... 0 1
ij
= (..., j
r
,)
rj
y
j = B-1Pj
si rj = 0
Bsig-1 no existe.
71
Captulo 4
( B 1b) k
kj
, con kj > 0 }
si no se
(1)
(2)
Estandarizando:
Maximizar Z = 4x1 + 3x2+ 6x3 + 0h1 + 0h2
sujeta a:
3x1 + 1x2+ 3x3 + h1
= 30
2x1 + 2x2+ 3x3
+ h2 = 40
x1, x2, x3, h1, h2 0
72
Captulo 4
x1
3 1 3 1 0 x 2
30
2 3 01 x3 =
2
40
B h
A
4
b
h5
C = (4,3,6,0,0);
XB = (h4, h5);
CB = (0,0);
1 0
B-1 = I =
0 1
B = (P4, P5) = I
1 iteracin
Paso 1. Determinacin del vector entrante Pj
1 0
Y = CBB-1 = (0,0)I = (0,0) = (0,0)
0 1
Calculamos zj - cj = YPj- cj
3 1 3
Y(P1,P2,P3) - (c1,c2,c3) = (0,0)
2 2 3
- (4,3,6) = (-4,-3,-6)
40 40
43
3
= 3 = B-1P3 = IP3 = P3 = = (3,3)T
3
5
( B 1b) k
( B 1b) 4 ( B 1b) 5
30 40 30
= min {
}
={
} ={ ; } =
;
= 10
3
3
3
3
3 3
k
4
5
3
ij
= (..., j
r
,)
rj
53
= ( j , 3 )
4 4
1
1 3
= ( ; )
3 3
73
Captulo 4
1
0
E = 3
1 1
Luego:
Bsig-1
1
0
= EB = E = 3
1 1
-1
1
0 30 10
T
XB = (x3, h5) = B b = 3
40 = 10 = (10,10)
1 1
XB = (10,10)T
-1
Bsica
XI
Solucin
XII
CBB-1A-CI CBB-1-CII
B-1A
XB
B-1
CBB-1b
B-1b
1 iteracin
Bsica x1 x2 x3 h4 h5 Solucin
z
60
x3
1 1/3 1 1/3 0
10
h5
-1
10
-1
-1
2 iteracin
C = (4,3,6,0,0);
XB = (x3, h5);
CB = (6,0);
1
0
B = 3
1 1
-1
1
0
Y = CBB = (6,0) 3
= (2,0)
1 1
-1
Calculamos zj - cj = YPj- cj
3 1 1
Y(P1,P2,P4) - (c1,c2,c4) = (2,0)
2 2 0
- (4,3,0) = (-1,-2,0)
Captulo 4
1
0 30 10
T
XB = B b = 3
40 = 10 = (10,10)
1 1
-1
1
1
32
0 1
1
-1
= 3 = ( ,1)T
= 2 = B P2 = 3
3
1 1 2 1
5
= min {
( B 1b) k
kj
} ={
( B 1b) 4 ( B 1b) 5
10 10
} = { ; } = {30;10} = 10
;
3
3
1 1
4
5
3
ij
rj
,)
rj
32 1
)
,
52 52
1
= ( ;1 )
3
E = (e1, e2,...,er-1, , er+1, ...em) =
1
E =
0
1
-
3
1
Luego:
Bsig-1
1 1
1
2
0
-
1 -
= EB =
3 3
3
= 3
1 1 1 1 1
-1
T
XB = (x3, x2) = B b = 3
3 = 3 = ( ,10)
40
3
1 1 10
20
XB = ( ,10)T
3
-1
75
Captulo 4
XI
Solucin
XII
CBB-1A-CI CBB-1-CII
B-1A
XB
B-1
CBB-1b
B-1b
2 iteracin
Bsica
x1
x2 x3
h4
h5
Solucin
70
x3
4
3
2
3
x2
-1
-1
1
3
20
3
10
3 iteracin
C = (4,3,6,0,0);
XB = (x3, x2);
CB = (6,3);
1
2
-
B = 3
3
1 1
-1
-1
Y = CBB = (6,3) 3
3 = (1,1)
1 1
Calculamos zj - cj = YPj- cj
Y
3 1 0
(P1,P4,P5) - (c1,c4,c5) = (1,1)
2 0 1
- (4,0,0) = (1,1,1)
x1= 0, x2 =10, x3 =
76
Captulo 4
x1
x2
x2
x1
S3
S1
3
8
1
2
1
8
1
S2
2
3
1
3
3
8
2
S3
Solucin
4
3
Hallar
a) El mximo valor de Z
b) Las ecuaciones originales.
Utilizando la tabla Smplex en forma matricial
Bsica
z
XB
XI
CBB-1A-CI
B-1A
Solucin
CBB-1b
B-1b
XII
CBB-1-CII
B-1
Tenemos:
1 - 1
3
2
1
B = - 1 3
8 8
1
-2
0 ;
0 1
1
B A = 1 0 ;
0 0
3
4
1
B b = 2 ,
3
3
[8
C B B -1-C II = 3
0
0 1 a11 a 12
0 A = 1 0 = a 21 a 22
0 0 a31 a 32
1
3
0
4
0 b = 2
3
1
77
Captulo 4
3.45
b = 2.93
5.41
Determinacin de los coeficientes de la funcin objetivo
[c2
c1
[c2
0 -[c3
1 -1
3
2
3
c3 ]- 1
8
8
1
-2
c1
1 -1
3
2
3
0]- 1
8
8
1
-2
0 -[0
c4
[8
c5 ] = 3
[8
0] = 3
c = 1.54
CB 2
c1 = 3.14
Para la hallar la solucin ptima se utiliza la siguiente ecuacin:
C B B -1b = [3.14
1.54
1 -1
3
2
3
0] - 1
8
8
1
-2
0
3.45
0 2.93 = 3.38
1 5.41
78
Captulo 4
4.8.1 Degeneracin
Al aplicar la condicin de factibilidad del mtodo smplex, se puede romper un
empate en la razn mnima en forma arbitraria. Cuando se presenta un empate, al menos
una variable bsica ser cero en la siguiente iteracin, y se dice que la nueva solucin es
degenerada.
No hay que alarmarse al manejar una solucin degenerada, a excepcin de una
pequea incomodidad terica de ciclado, que describiremos en breve. Desde el punto de
vista prctico, la condicin indica que el modelo tiene al menos una restriccin redundante.
Para poder presentar mejor perspectiva de los impactos prcticos y tericos de la
degeneracin presentaremos un ejemplo numrico, que resolveremos en forma algebraica y
grfica.
Ejemplo de aplicacin 4.7
4x1 x2 + h1
8
4x1 + 3x2
+ h2
12
4x1 + x2
+ h3 8
x1
,x2
,h1
,h2
,h3 0
79
Captulo 4
Bsica
x1
x2
h1
h2
h3
Solucin
razn
h1
-1
h2
12
entra x1
h3
sale h1
-3
-2
Iteracin
Bsica
x1
x2
h1
h2
h3
Solucin
razn
x1
-0.25
0.25
-8
h2
-1
entra x2
h3
-1
sale h3
-2.75
0.75
Iteracin
Bsica
x1
x2
h1
h2
h3
Solucin
razn
x1
0.13
0.13
16
h2
-2.00
entra h1
x2
-0.50
0.50
sale h2
-0.63
1.38
Iteracin
Bsica
x1
x2
h1
h2
h3
Solucin
x1
-0.13
0.38
1.5
h1
-2
x2
Z
0
0
1
0
0
0
0.5
0.63
-0.5
0.13
2
8.5
optimo
Pasan dos lneas por el punto ptimo (x1 = 1.5, x2 = 2). Como este es problema
bidimensional, esta sobredeterminado y una de las restricciones es redundante.
En la prctica, el slo conocer que algunos de los recursos son superfluos puede ser
valioso durante la implementacin de la solucin. Esta informacin tambin puede conducir
a descubrir irregularidades en la construccin del modelo. Desafortunadamente no hay
tcnicas fiables para identificar las restricciones redundantes en forma directa a partir de la
tabla.
80
Captulo 4
81
Captulo 4
Estandarizando:
Maximizar z = 4x1 + 8x2+ 0h1 + 0h2 + 0h3
sujeta a:
2x1 +4x2 + h1
10
2x1 +2x2
+ h2 8
x1
,x2
,h1
,h2 0
La siguiente tabla muestra las iteraciones del modelo.
Iteracin
Bsica
x1
x2
h1
h2
Solucin
razn
h1
10
2.5
entra x2
h2
sale h1
-4
-8
Iteracin
Bsica
x1
x2
h1
h2
Solucin
razn
x2
0.5
0.25
2.5
entra x1
h2
-0.5
sale h2
20
Iteracin
Bsica
x1
x2
h1
h2
Solucin
x2
0.5
-0.5
tabla
ptima
x1
Z
1
0
0
0
-0.5
2
1
0
3
20
x2 = 2.5
x2 = 1
82
Captulo 4
83
Captulo 4
Iteracin
Bsica
x1
x2
h1
h2
Solucin
razn
h1
-2
20
10
entra x1
h2
80
20
sale h1
-4
-2
Iteracin
Bsica
x1
x2
h1
h2
Solucin
razn
x1
-1
0.5
10
-10
entra x2
h2
-2
40
10
sale h2
-6
40
Iteracin
Bsica
x1
x2
h1
h2
Solucin
x1
0.25
20
tabla no
acotada
x2
Z
0
0
1
0
-0.5
-1
0.25
1.5
10
100
-20
razn
84
Captulo 4
6x1 + 3 x2 6
9x1 + 12x2 36
x1 , x2 0
(1)
(2)
Estandarizando:
Maximizar Z = 9x1 + 6x2 MR1
sujeta a:
6x1 + 3x2 + h1
=6
9x1 + 12 x2 S2 +R1 = 36
x1, x2, h1, S2, R1 0
La siguiente tabla muestra las iteraciones del modelo.
Iteracin
Bsica
x1
x2
S2
h1
R1
h1
entra x1
R1
12
-1
36
sale h1
-9
-6
Solucin
Bsica
x1
x2
S2
h1
R1
Solucin
razn
h1
entra x2
R1
12
-1
36
sale h1
-9 - 9M
-6 - 12M
-36M
h1
0.33
R1
0
Solucin
2
Bsica
x2
x1
2
x2
1
S2
0
tabla no
acotada
R1
-15
-1
-4
12
3 + 15M
6 + 12M
12 - 12M
Captulo 4
86
Captulo 4
Figura 4.5
87
Captulo 4
Figura 4.6
Una vez hecha la seleccin de Linear and Integer Programming haga clic en new
Problem, y coloque los datos del problema (criterio de la funcin objetivo, formato de los
datos de entrada, nmero de variables y restricciones) y haga clic en OK
Figura 4.7
Figura 4.8
88
Captulo 4
Una vez ingresados los datos del problema escoja una de los mtodos para iniciar
las iteraciones del modelo de programacin lineal en Solve and Analyse y haga clic en
Solve and Display Steps.
Y aparecer la primera iteracin, luego presione smplex Iteration = > Next
Iteration. Hasta hallar el ptimo. En la figura 4.9 se resuelve el ejemplo 4.3.
Figura 4.9
89
Captulo 4
colgarse en la parte inferior del problema. Lo importante es que sepa donde estn, para
Solver las pueda referenciar. Sin embargo, siempre se aconseja usar el formato que sugiere
la figura, porque mejora la legibilidad del modelo.
Figura 4.10
Cmo se vincula Solver con los datos de la hoja de clculo? Primero, se dan
definiciones algebraicas equivalentes de la funcin objetivo y del lado izquierdo de las
restricciones usando los datos (celdas sombreadas) y la funcin objetivo, as como las
variables (celdas rectangulares gruesas). A continuacin se coloca las formulas resultantes
en celdas apropiadas del rectngulo de lnea interrumpida. La tabla siguiente muestra las
funciones algebraicas, las formulas equivalentes de la hoja de clculo y su colocacin en
celdas adecuadas.
Expresin
algebraica
Objetivo Z
Restricci
n1
Restricci
n2
Restricci
n3
8x1 + 5x2
2x1 + 1x2
1x1 + 0x2
0x1 + 1x2
Formula en hoja
clculo
=
B5*$B$12
C5*$C$12
=
B6*$B$12
C6*$C$12
=
B7*$B$12
C7*$C$12
=
B8*$B$12
C8*$C$12
de
+
+
+
+
Celda
objetivo
D5
D6
D7
D8
Observe que slo necesita usted capturar la formula para la celda D5, y a
continuacin copiar en las celdas D6:D8. Para hacerlo en forma correcta, se deben
reemplazar B12 y C12 (que representan x1 y x2) con las referencias fijas $B$12 y $C$12.
Para programas lineales ms grandes, seria ms cmodo ingresar
=SUMAPRODUCTO (B5:C5, $B$12:$C$12)
en la celda D5, y copiarlos en las celdas D6:D8.
Llegados a este punto, todos los elementos del modelo de programacin lineal
quedan listos para enlazarse con Solver. Desde el men Herramientas de Excel,
90
Captulo 4
seleccione Solver para abrir la caja de dialogo que se ve en la figura 4.11. Primero, usted
define la funcin objetivo Z, y el sentido de optimizacin, capturando los datos siguientes:
Celda objetivo: $D$5
Valor de la celda objetivo: Mximo
Cambiando las celdas: $B$12:$C$12
Esta informacin indica a Solver que las variables definidas por las celdas $B$12 y
$C$12 se determinan maximizando la funcin objetivo de la celda $D$5.
El ltimo paso es establecer las restricciones de los problemas haciendo clic en el
botn Agregar del cuadro de dilogo. Aparecer otro cuadro de dialogo para facilitar la
captura de los elementos de las restricciones (lado izquierdo, tipo de desigualdad y lado
derecho) en una forma adecuada. En ese nuevo cuadro de dilogo, las restricciones se
ingresan como sigue:
$D$6:$D$8 <= $F$6:$F$8
Recuerde que F6:F9 definen el lado derecho de las restricciones.
Las nicas restricciones restantes son las de no negatividad, que se aumentaran al
modelo haciendo Agregar y escribiendo a continuacin:
$B$12:$C$12 >= 0
Figura 4.11
91
Captulo 4
marcado con Adoptar modelo lineal para obtener un resultado adecuado de programacin
lineal. Opciones tambin permite especificar que todas las variables sean no negativas.
Figura 4.12
Figura 4.13
92
Captulo 4
Celdas cambiantes
Celda
Nombre
$B$12 Solucin x1
$C$12 Solucin x2
Valor Gradiente
Igual reducido
125
0
250
0
Coeficiente
objetivo
Aumento
Aumento
permisible permisible
8
2
8
5
1E+30
1
Restricciones
Celda
Nombre
$D$6 Produccion de ladrillos Total
$D$7 Ventas del tipo 1 Total
$D$8 Ventas del tipo 2 Total
Valor Sombra
Restriccin
Aumento
Aumento
Igual
precio
lado derecho permisible permisible
500
4
500
50
250
125
0
150
1E+30
25
250
1
250
250
50
Figura 4.14
93
Captulo 4
5 x1 2 x2 + 6 x4 8
2 x1 + 3 x2 2 x3 + 3 x4 3
x1 + x3 + 2 x4 0
x1 , x2 , x3 , x4 0
2. Usando el mtodo smplex, encontrar una solucin ptima para el siguiente
problema de programacin lineal.
MaximizarZ = 1x1 + 2 x2 + 3 x3
sujeta a
x1 + x2 + x3 30
x1 2 x 2 + 2 x 3 20
x1 , x2 , x3 0
3. Usando el mtodo smplex resolver el siguiente problema de programacin lineal.
MaximizarZ = x1 + x 2
sujeta a
x1 + x 2 20
x1 , x 2 0
Explique, usando los mtodos grficos y de la tabla smplex, por qu este problema
tiene mltiples soluciones ptimas.
4. Encontrar una solucin ptima para el siguiente problema de programacin lineal.
MaximizarZ = x1 + x2 + 2x3
sujeta a
x1 + 2 x2 + x3 = 10
x1 2 x2 + x3 12
x1 , x2 , x3 0
94
Captulo 4
x1 + 2 x 2 6
2 x1 + x3 12
x1 , x2 , x3 0
6. Resolver el siguiente problema de programacin lineal.
x1 + x 2 100
x1 + x 2 50
x1 , x2 0
8. Encontrar una solucin ptima para el siguiente problema de programacin lineal.
MaximizarZ = 2 x1 + 2 x 2 + 4 x3
sujeta a
2 x1 + x 2 + x3 2
3 x1 + 4 x 2 + 2 x3 8
x1 , x2 , x3 0
9. Resolver el siguiente problema de programacin lineal.
MaximizarZ = x1 + 3 x 2 + 2 x3
sujeta a
0.6 x1 + 2 x 2 + 0.8 x3 900
x1 200
x 2 200
x 2 300
x 2 4 x3 0
x 2 + 2 x3 0
x1 , x2 , x3 0
95
Captulo 4
x1 5
x2 7
x3 2
x4 4
x1 + x 2 3
x3 + x 4 4
x1 , x 2 , x3 , x 4 0
11. Resolver el siguiente problema de programacin lineal.
96
Captulo 4
Disponibilidad
Campo
Rancho de horas
200
100
12000
Carpintero
50
120
13000
Albail
97
Captulo 4
4.11 Bibliografa
MODELOS LINEALES DE OPTIMIZACIN Rafael Terrazas Pastor [Segunda
Edicin]
INVESTIGACIN DE OPERACIONES Hamdy A. Taha [Sptima Edicin]
INVESTIGACIN DE OPERACIONES Moskowitz, Herbert; Wrigth, Gordon P.
MTODOS Y MODELOS DE INVESTIGACIN DE OPERACIONES Juan
Prawda [Vol. 1 Modelos Deterministicos]
4.12 Enlaces
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4060014/docs_curso/conteni
do.html
http://www.ieci.ucm.cl/Programa/Io/IO_3.htm
98
Captulo 5
CAPTULO 5
ANLISIS DE DUALIDAD Y SENSIBILIDAD DE LA
PROGRAMACIN LINEAL
5.1 Introduccin
La solucin de la programacin lineal se basa en una toma instantnea de las
condiciones que prevalecen en el momento de formular y resolver el modelo. Pero se debe
tener en cuenta que en el mundo real, los ambientes de decisiones rara vez permanecen
estticos, y es fundamental determinar como cambia la solucin ptima cuando cambian los
parmetros del modelo. Eso es lo que hace el anlisis de sensibilidad.
Maximizar o Minimizar = c j x j
j =1
Sujeta a:
n
a
j =2
ij
x j = bi , i = 1,2,, m
x j 0, j = 1,2,, m
Las variables xi,j =1,2,..., n, incluyen las variables que se denominan de
excedencia, holgura y artificiales, si las hubiera.
La tabla 5.1 el cual muestra como convertir un problema dual a partir de un primal,
lo que se tiene a continuacin son las condiciones que requieren:
1. Se define una variable dual por cada ecuacin primal (restricciones).
2. Se define una restriccin dual por cada variable primal.
99
Captulo 5
ym
am1
am2
..
amj
xn
cn
a1n
a2n
amn
J-sima restriccin
dual
..
b1
b2
..
..
..
xj
cj
a1j
a2j
..
..
..
..
..
..
x2
c2
a12
a22
..
..
Variables Duales
y1
y2
x1
c1
a11
a21
bm
Coeficientes objetivo
duales
Objetivo
Tipo de Restriccin
Signos de variables
maximizacin
minimizacin
minimizacin
maximizacin
No restringido
No restringido
Todas las referencias primales son ecuaciones con lado derecho no negativo y todas las variables son no
negativas.
100
Captulo 5
Maximizar z = 10 x1 + 8 x2 + 5 x3
Sujeta a:
x1 + 2 x2 + 3 x3 10
Maximizar z = 10 x1 + 8 x2 + 5 x3 + 0 x4
Sujeta a:
x1 + 2 x2 + 3 x3 + x4 = 10
10 x1 + 5 x2 + x3 = 15
10 x1 + 5 x2 + x3 + 0 x4 = 15
x1 , x2 , x3 0
x1 , x2 , x3 , x4 0
Variables
Duales
y1
y2
Problema Dual
Minimizar w = 10 y1 + 15 y 2
Sujeta a:
y1 + 10 y2 10
2 y1 + 5 y2 8
2 y1 + y2 5
y1 + 0 y2 0
( y1 0, y2 sin restricciones )
y1 , y2 sin restriccciones
Como se puede observar en el ejemplo se debe tener en cuenta las 4 condiciones:
1. como se tiene dos restricciones se tiene dos variables duales ( y1 , y2 ).
2. como se ve en la forma de ecuacin el problema primal tiene cuatro variables
( x1 , x2 , x3 , x4 ) por lo tanto
y1 + 10 y2 10
2 y + 5 y 8
2
Se deber tener 4 restricciones 1
2 y1 + y2 5
y1 + 0 y2 0
3. como indica esta condicin se ve claramente en este ejemplo que los coeficientes
x1 + 2 x2 + 3x3 + x4 = 10
columna de las dos restricciones
que corresponden a los
10 x1 + 5 x2 + x3 + 0 x4 = 15
coeficientes de cada variable, lo cual se observa de la variable x1 son 1 y 10, de la
variable x2 son 2 y 5, as sucesivamente son utilizadas en el lado izquierdo de las
restricciones como se ve:
101
Captulo 5
Tambin se indica que los coeficientes del lado derecho de las restricciones del
problema primal son utilizados como coeficientes en la funcin objetivo del
problema dual del lado derecho. Como se muestra a continuacin:
4. como seala esta condicin, los coeficientes de la funcin objetivo del problema
primal que son 10, 8, 5 y 0 son utilizados en el lado derecho de las restricciones del
problema dual. Como se muestra a continuacin:
Requerimientos u.
/comida.
20
30
10
10
Nutriente
102
Captulo 5
con xi
4 x1
+3 x 2
+2 x3 > 20 Nutriente A
5 x1
+6 x 2
+3 x3 > 30 Nutriente B
1 x1
+2 x 2
+1 x3 > 10 Nutriente C
2 x1
+3 x 2
+1 x3 > 5 Nutriente D
2 x1
+3 x 2
+1 x3 > 10 Nutriente E
> 0, i = 1, 2,3.
103
Captulo 5
Este segundo modelo representa el enfoque dual del primero y de nuevo podemos
verificar que se presentan ciertas relaciones estructurales, a saber
1. El vector de coeficientes objetivo de uno es la transpuesta del vector de coeficientes
recurso del otro
2. El vector de coeficientes recurso del uno es la transpuesta del vector de coeficientes
objetivo del otro.
3. La matriz de coeficientes tecnolgicos de uno es la transpuesta de la matriz de
coeficientes tecnolgicos del otro.
4. Ambos problemas estn en formato cannico, o sea que tienen las siguientes
caractersticas
4.1 El objetivo del primal es minimizar, mientras que el del dual es maximizar.
4.2 Las restricciones del primo son del tipo =, y las del dual del tipo =.
4.3 Las variables de ambos problemas solo pueden tomar valores mayores o iguales
que cero.
Pero las relaciones de forma no son las ms importantes para nuestro estudio de la
dualidad en Programacin lineal, como si lo son las relaciones lgicas existentes entre sus
soluciones ptimas y el significado econmico de las variables del modelo dual.
104
Captulo 5
x1 + 2 x 2 4
x1 + 2 x 2 4
x1 2 x 2 4
105
Captulo 5
Variables de inicio
Rengln del
objetivo z
Columnas de
restriccin
0 0
Matriz identidad
(Tabla de Inicio)
Matriz identidad: todos los elementos de la diagonal principal iguales a 1 y fuera de la diagonal principal
iguales a cero
106
Captulo 5
Variables de inicio
Rengln del
objetivo z
Columnas de
restriccin
Matriz Inversa
(Tabla General)
Figura 5.1
Valores ptimos
de las variables
duales
Inversa primal
=
ptima
Los elementos del vector rengln de los coeficientes objetivos del primal original
deben aparecer en el mismo orden que aparecen las variables bsicas en las columnas
bsicas de la tabla smplex.
Mtodo 2
Coeficientes zprimal ptimos
(costo reducido)
de cualquier
variable xj
Lado derecho de
la j-esima
107
Captulo 5
=4
x1 , x 2 , x3 0
Para preparar para resolver con el mtodo smplex (mtodo de la M), se debe
agregar dos variables artificiales R en la primera y segunda restriccin, los problemas
primales y duales que son asociados se muestran a continuacin:
Problema Primal 1
Problema Primal 3
Maximizar z = 1x1 + 5 x 2 + 3x 3
Maximizar z = 1x1 + 5 x 2 + 3x 3
Sujeta a:
Sujeta a:
x1 + 2 x 2 + x 3 + x 4
x1 + 2 x 2 + x 3 = 3
2 x1 x 2
x1 2 x 2 x 3
=4
2 x1 x 2
x1 , x 2 , x 3 0
=3
+ x5
= 3
+ x6
2 x1 + x 2
=4
+ x 7 = 4
x1 , x 2 , x 3 0
Problema Primal 2
Problema Dual
Maximizar z = 1x1 + 5 x 2 + 3x 3
Minimizar w = 3 y1 3 y 2 + 4 y 3 4 y 4
Sujeta a:
Sujeta a:
x1 + 2 x 2 + x 3
y1 y 2 + 2 y 3 2 y 4 1
x1 2 x 2 x 3 3
2 y1 2 y 2 y 3 + y 4 5
2 x1 x 2
y1 y 2 3
2 x1 + x 2
x1 , x 2 , x 3 0
Resolviendo con el Mtodo de la M, se obtiene la tabla primal ptima siguiente
Tabla 5.3 Tabla ptima del primal del ejemplo 5.2
Basicas
z
x3
x1
0
0
x2
2
2.5
x3
0
1
R1
3+M
1
R2
M-1
-0.5
Solucion
5
1
x1
-0.5
0.5
La matriz inversa ptima, que se obtiene y se seala las variables de inicio R1 y R2.
1 0.5
Inversa ptima =
0 0.5
108
Captulo 5
A continuacin se vera como se obtiene los valores ptimos duales usando los dos
mtodos que se mencionaron con anterioridad.
Mtodo 1. Lo primero que se debe observar es que las variables ptimas aparecern en la
tabla en orden, primero x3 y despus x1, lo cual debe los elementos de los coeficientes
originales del objetivo para las dos variables deben aparecer en el mismo orden
(Coeficientes objetivo originales) = (Coeficientes de x3, coeficientes de x1)
= (3, 1)
Ahora se puede calcular los valores duales ptimos como sigue:
(y1, y2) = (Coeficientes objetivo originales de x3, x1) (Inversa ptima)
1 0.5
= (3, 1)
0 0.5
= (3,-1)
Mtodo 2. Como el problema dual tiene dos variables, se necesitan dos ecuaciones para
llegar a la solucin. Tomemos las restricciones duales asociadas con las variables primales
de inicio R1 y R2. Como se sabe por la definicin de dual, las restricciones duales asociadas
con las variables primales de inicio son:
Variable de inicio R1: y1 M
Variable de inicio R2: y 2 M
Tambin, de acuerdo con la tabla ptima que se vio en la tabla 5.3
Coeficientes z de R1 = 3 + M
Coeficientes z de R2 = M 1
De acuerdo con el Mtodo 2.
3 + M = y1 ( M ) y1 = 3
M 1 = y 2 ( M ) y 2 = 1
Note que en cada ecuacin interviene exactamente solo una variable, por que la
solucin esta disponible de inmediato. Este siempre es el caso de las restricciones duales
asociada con las variables de inicio.
109
Captulo 5
Inversa en la
iteracin i
Columna
original de
restriccin
Formula 1
Lado izquierdo
de la restriccin
dual
correspondiente
Lado derecho de
la restriccin
dual
correspondiente
Formula 2
Inversa ptima =
0.5
0
El uso de la Formula 1 se ilustra calculando todas las columnas de lado izquierdo y
lado derecho de la tabla ptima:
Columna de x1 en
iteracin ptima
Inversa en la iteracin
ptima
Columna de x1
original
0
1 0.5 1
=
0.5 2
0
1
110
Captulo 5
Columna de x 2 en
iteracin ptima
Columna de x3 en
iteracin ptima
Columna de R1 en
iteracin ptima
Columna de R1 en
iteracin ptima
Columna de lado
derecho en la
iteracin ptima
Inversa en la
iteracin ptima
Columna de x 2
original
1 0.5 2
2.5
0.5 1
0
0.5
Inversa en la
iteracin ptima
Columna de x3
original
1 0.5 1
1
=
0.5 0
0
0
Inversa en la
iteracin ptima
Columna de R1
original
1 0.5 1
1
=
0.5 0
0
0
Inversa en la
iteracin ptima
Columna de R1
original
1 0.5 0
0.5
0.5 1
0
0.5
Inversa en la
iteracin ptima
Columna de lado
derecho original
1 0.5 3
1
=
0.5 4
0
2
111
Captulo 5
A continuacin se mostrara como se hacen los clculos del rengln objetivo, con la
Formula 2. Los valores ptimos de las variables duales (y1, y2) = (3,-1) que se calcularon
en el ejemplo de aplicacin 5.2, con dos mtodos distintos. Estos valores son utilizados en
la Formula 2 para determinar los coeficientes asociados de z como se ve a continuacin:
Coeficientes de x1 en z = y1 + 2 y 2 1 = 3 + 2 ( 1) 1 = 0 .
Coeficientes de x 2 en z = 2 y1 y 2 5 = 2 (3) ( 1) 5 = 2 .
Coeficientes de x3 en z = y1 3 = 3 3 = 0
Coeficientes de R1 en z = y1 ( M ) = 3 + M
Coeficientes de R2 en z = y1 ( M ) = 1 + M
Es importante saber que los clculos realizados por las Formulas 1 y 2, pueden ser
aplicadas a cualquier iteracin, sea problema primal o dual. Solo se necesita la inversa
asociada con la iteracin primal o dual y los datos de la programacin lineal original. Lo
cual se obtiene la tabla ptima del problema primal siendo la tabla 5.3.
Tabla 5.3 Tabla ptima del primal del ejemplo 5.2
Basicas
z
x3
x1
0
0
x2
2
2.5
x3
0
1
R1
3+M
1
R2
M-1
-0.5
Solucion
5
1
x1
-0.5
0.5
Valor objetivo en el
problema de
Maximizacin
Valor objetivo en el
problema de
minimizacin
112
Captulo 5
min
, rj < 0
rj
113
Captulo 5
Para el inicio de una programacin lineal que sea ptima y no factible a la vez, debe
cumplir dos condiciones:
1. La funcin objetivo debe satisfacer la condicin de ptimalidad del mtodo smplex
regular.
2. Todas las restricciones deben ser del tipo ( ).
Por la segunda condiciones se requiere convertir toda ( ) a ( ), solo se debe
multiplicar ambos lados de la desigualdad ( ) por -1. Si en la programacin lineal hay
restricciones (=) se debe reemplazar la ecuacin con dos desigualdades, por ejemplo:
x1 + x 2 = 1
Equivale a:
x1 + x 2 1, x1 + x 2 1
O bien tambin equivale a:
x1 + x 2 1, x1 x 2 1
Despus de convertir todas las restricciones en ( ), la programacin lineal tendr
una solucin de inicio no factible si, y solo si al menos uno de los lados derechos de las
desigualdades es estrictamente negativo. En caso contrario si z es ptima y ninguno de lo
lados derechos es negativo no habr necesidad de aplicar el mtodo smplex dual, por la
solucin de inicio ya es ptima y factible.
Ejemplo de aplicacin 5.4.
Minimizar z = 2 x1 + 3 x 2
Sujeta a:
2 x1 + 2 x 2 30
x1 + 2 x 2 10
x1 , x 2 0
Lo primero que se debe hacer en este ejemplo es el de multiplicar la segunda
desigualdad o restriccin por -1 para poder convertirlas a restricciones ( ). As, la tabla de
inicio es:
Bsicas
x1
x2
x3
x4
Solucin
-2
-3
x3
30
x4
-1
-2
-10
114
Captulo 5
x1
x2
x3
x4
Rengln de z (z j c j )
-2
-3
Rengln de x 4 , 4 j
-1
-2
3
2
Razn,
z jc j
4 j
, 4 j < 0
Por la razn obtenida indica que la variable de entrada es x 2 , se puede observar que
una variable x j es candidata a para entrar a la solucin bsica solo que su ij sea
estrictamente negativa. Eso quiere decir en el ejemplo no se debe tomar en cuenta las
variables x3 y x 4 .
A continuacin la siguiente tabla debe obtenerse de la misma manera que se obtiene
con las conocidas operaciones de rengln
Bsicas
x1
x2
x3
x4
Solucin
-0.5
-1.5
15
x3
20
x2
0.5
-0.5
En esta ltima tabla es factible (y ptima) por lo que se termina el algoritmo (como
se observa en esta ultima tabla no hay ya variable que entre por que el resultado de x3 es
positivo, lo cual no cumple la condicin dual de factibilidad, por lo que se lo deja en esta
tabla, lo que insina que la variable x1 no entra en la variables bsicas y es igual a 0). La
solucin que corresponde es x1 = 0, x 2 = 5 y z = 15 .
Para la compresin del alumno del mtodo smplex dual en la figura 5.2 se muestra
en forma grafica la trayectoria que fue seguida por el algoritmo para resolver el ejemplo de
aplicacin 5.4. La trayectoria se inicia en el punto (0,0).
115
Captulo 5
Captulo 5
Bsicas
z
x1
x2
x3
x4
x5
x6
-2
Solucin
0
x4
-2
-8
x5
-1
x6
-1
10
x1
x2
x3
x4
x5
x6
-2
-1
0
1
x2
0
1
Solucin
0
x5
x6
2
1
2
14
Bsicas
z
Ahora la tabla anterior es factible, pero no ptimo, para lo cual se resuelve usando el
smplex primal para determinar la solucin ptima. En general si es que no pudiramos
haber encuentra la factibilidad con la tabla anterior, se puede repetir la veces que sean
necesarias hasta encontrar la factibilidad o de otro modo hasta que haya pruebas de que no
tenga solucin factible, una vez atendida la factibilidad el siguiente paso.
2. Es el ocuparse de la ptimalidad que puede ser resuelto aplicando la condicin
acomodada de ptimalidad del mtodo smplex primal. De la anterior tabla, se
resuelve y se obtiene la siguiente tabla:
x1
x2
x3
x4
x5
x6
-2
-1
0
1
x2
0
1
Solucin
0
x5
x6
2
1
14
Bsicas
z
117
Captulo 5
La variable x3 es la variable que entra por ser el que tiene el coeficiente ms negativo, y la
variable x6 es la variable que sale por la razn mnima que se hace con el mtodo smplex
primal, lo cual da la siguiente tabla:
Bsicas
x1
x2
x3
x4
x5
x6
-0.5
0.5
Solucin
0
x2
-0.75
-0.25
0.5
x3
-0.25
0.25
0.5
x6
2.25
-1.25
-1.5
14
x1
x2
x3
x4
x5
x6
0.22
0.66
0.22
Solucin
3.11
x2
-0.67
0.33
8.66
x3
0.11
0.33
0.11
1.55
x1
-0.56
-0.67
0.44
6.22
x1 = 6.22
Las respuestas factibles y ptimas son x 2 = 8.66
x3 = 1.55
118
Captulo 5
bsica factible debe satisfacer las restricciones de cota superior adems de las normales de
cota inferior (no negatividad).
Para poner en practica esta idea, note que una variable de decisin x j con una
restriccin de cota superior x j u j siempre se puede sustituir por:
xj = uj yj
En donde y j ser entonces la variable de decisin. En otras palabras, se puede
elegir entre dos tipos de variables de decisin, la cantidad mayor que cero ( x j ) o la
cantidad menor que u j ( y j = u j x j ). (Se har referencias a x j y y j como variable de
decisin complementarias) como:
0 xj uj
119
Captulo 5
4x1
+ x2
=
+ x3 =
2x1
0 x1 4 0 x2 15
12
4
0 x3 6
2x1
+ (4 x1
+ 2(2 x1
2x1
x2
+ x2
2x3
+ x3
= 0
= 12)
= 4)
=
20
Para comenzar con la primera iteracin, esta ecuacin (0) inicial indica que la
variable bsica entrante inicial es x1 . Como las restricciones de cota superior no estn
incluidas, el conjunto inicial completo de ecuaciones y los clculos correspondientes para
seleccionar la variable bsica que sale se muestra en la tabla siguiente:
Conjunto inicial de ecuaciones
(0)
(1)
(2)
2x1
+ 4x1
2x1
+ x2
+ x3
= 20
= 12
= 4
120
Captulo 5
solucin bsica factible y x1 se convierte en la nueva variable bsica en la ecuacin (2). Este
reemplazo lleva a los siguientes cambios en esa ecuacin:
2x1
2x1
2x1
+
+
x1
(2)
x3
6 y3
y3
1
y3
2
=
=
=
4
4
2
+ x2
+ x1
y3
2 y3
1
y3
2
= 22
= 8
=
121
Captulo 5
Construccin de indicadores.
Anlisis y pronstico de riesgo.
Optimizacin y calibracin de modelos.
A continuacin, sigue una lista abreviada de las razones por las cuales se debe tener
en cuenta el anlisis de sensibilidad:
Toma de decisiones o desarrollo de recomendaciones para decisores:
Para probar la solidez de una solucin ptima. Las sorpresas no forman parte
de las decisiones ptimas slidas.
Para identificar los valores crticos, umbrales, o valores de equilibrio donde
cambia la estrategia ptima.
Para identificar sensibilidad o variables importantes.
Para investigar soluciones sub-ptimas.
Para desarrollar recomendaciones flexibles que dependan de las
circunstancias.
Para comparar los valores de las estrategias de decisin simples y complejas.
Para evaluar el riesgo de una estrategia o escenario.
Comunicacin:
122
Captulo 5
Accin recomendada
No es necesaria accin alguna.
para
para
Usar
el
mtodo
smplex
generalizado para obtener una
nueva solucin.
123
Captulo 5
Inversa en la
iteracin i
Columna
original de
restriccin
Formula 1
Se tiene que tener en cuenta, de que el lado derecho de la tabla expresa los valores
de las variables bsicas. En el siguiente ejemplo se muestra este procedimiento:
Ejemplo de aplicacin 5.7.
Ladrillos S.A. fabrica tres tipos de ladrillos: Ladrillo de 3era Clase, Ladrillo de 2da
Clase y Ladrillo de 1era Clase, los cuales se hacen con 3 operaciones. Los lmites diarios de
tiempo disponible para las tres operaciones son 430, 460 y 420 minutos, respectivamente y
las utilidades por el ladrillo de 3era Clase, 2da Clase y 1era Clase son Bs. 3, Bs. 2 y Bs. 5,
respectivamente. Los tiempos de fabricacin de la 3era Clase, en las 3 operaciones son 1, 3 y
1 minutos, respectivamente. Los tiempos respectivamente para el de 2da Clase y 1era Clase
son (2, 0, 4) y (1, 2, 0) minutos (un tiempo de cero indica que no se uso la operacin).
Si x1 , x 2 y x3 representan la cantidad diaria de unidades fabricadas de ladrillos de
3 Clase, 2da Clase y 1era Clase y si los modelos de programacin lineal primal y dual son
los siguientes:
era
Problema Primal
Maximizar z = 3 x1 + 2 x 2 + 5 x3
Sujeta a:
x1 + 2 x 2 + x3 430 (Operacin 1)
3 x1
+ 2 x3 460
x1 + 2 x3
420
(Operacin 2)
(Operacin 3)
x1 , x 2 , x3 0
Solucin ptima:
x1 = 0, x 2 = 100, x3 = 230, z = 1350 Bs
Problema Dual
Minimizar w = 430 y1 + 460 y 2 + 420 y 3
Sujeta a:
y1 + 3 y 2 + 3 y 3 3
2 y1
+ 4 y3 2
y1 + 2 y 2
y1 , y 2 , y 3 0
Solucin ptima:
y1 = 1, y 2 = 2, y 3 = 0, z = 1350 Bs
124
Captulo 5
x1
x2
x3
x4
x5
x6
Solucin
-3
-2
-5
x4
430
x5
460
x6
420
x1
x2
x3
x4
x5
x6
1
1
2
2
1
x2
4
1
Solucin
1350
100
x3
230
-2
20
Bsicas
z
2
2
x6
2
1
Inversa en la
=
iteracin i
Nuevo lado
derecho de la
iteracin i
Formula 1
1 1 0
602 140
4
x2 2
1 0 644 = 322
x3 = 0
2
x
1 1 588 328
6 2
Lo cual las nuevas variables bsicas x 2 , x3 y x6 siguen siendo factibles con los
nuevos valores 140, 322 y 328. La utilidad ptima correspondiente es 1890 Bs.
5.7.2
125
Captulo 5
430 + D1
460
420
1 1 0
+
100
430 + D1
4
x2 2
2 0
1 0 460 = 230
0
x3 = 0
x
1 1 420 20 + 20 D1 0
6 2
200 D1 10
Lo cual equivale a variar los minutos de disponibilidad de la operacin en el
siguiente intervalo:
430 200 (Capacidad de la operacion 1) 430 + 10
230 (Capacidad de la operacion 1) 440
El cambio en el valor objetivo ptimo que esta relacionado con D1 es D1 y1 , siendo
y1 el valor por unidad (precio dual), en Bs. por minuto de la operacin 1.
5.7.3
5.7.3.1
126
Captulo 5
5.7.3.2
5.7.3.3
Supongamos que se reemplaza una restriccin por una nueva. Cul es el efecto de
este intercambio?
El proceso: Determine si la restriccin previa es obligatoria (es decir, activa,
importante) hallando si el valor de holgura/excedente es cero. Si es obligatoria, el
reemplazo puede afectar la solucin ptima corriente. Reemplace la restriccin y
resuelva el problema. De lo contrario (si no es una restriccin obligatoria),
determine si la solucin corriente satisface la nueva restriccin. Si la satisface,
entonces este intercambio no afectar la solucin ptima. De lo contrario (si la
solucin corriente no satisface la nueva restriccin), reemplace la restriccin
anterior por la nueva y resuelva el problema.
5.7.3.4
5.7.3.5
5.7.3.6
127
Captulo 5
x2
x3
x4
x5
x6
x7
0
0
2
1
1
1
2
x2
4
1
Solucin
1350
100
x3
230
-2
2
1
x6
2
2
20
x7
500
Bsicas
z
128
Captulo 5
x1
x2
x3
x4
x5
x6
x7
0
0
2
1
1
1
2
x2
4
1
Solucin
1350
100
x3
230
-2
2
1
20
-30
Bsicas
z
x6
x7
2
2
Luego se aplica el mtodo smplex dual lo cual dar como resultado la nueva
solucin ptima: x1 = 0, x 2 = 90, x3 = 230, z = 1330 Bs .
5.8
5.8.1
129
Captulo 5
Problema Primal
Maximizar z = 2 x1 + 3 x 2 + 4 x3
Sujeta a:
x1 + 2 x 2 + x3 430 (Operacin 1)
3 x1
+ 2 x3 460
x1 + 2 x3
420
(Operacin 2)
(Operacin 3)
Problema Dual
Minimizar w = 430 y1 + 460 y 2 + 420 y 3
Sujeta a:
y1 + 3 y 2 + 3 y 3 2
+ 4 y3 3
2 y1
y1 + 2 y 2
x1 , x 2 , x3 0
y1 , y 2 , y 3 0
x1
x2
x3
x4
x5
x6
-2
-3
-4
Solucin
0
x4
430
x5
460
x6
420
As:
(Nuevos coeficientes objetivo de x 2 , x3 y x6 bsicas) = (3, 4, 0)
Las variables duales se calculan con el Mtodo 1 de la seccin 5.6, como sigue:
1 1 0
2
4
1 0 = 3 , 5 ,0
( y1 , y 2 , y3 ) = (3,4,0) 0
2 4
2
2
1
1
Los coeficientes del rengln z se determinan como la diferencia entre los lados
izquierdos y derecho de las restricciones duales (formula 2, seccin 5.6). No es necesario
otra vez calcular los coeficientes de las variables bsicas x 2 , x3 y x6 en el rengln objetivo,
por que siempre son iguales a cero, independientemente de los cambios que se haya hecho a
los coeficientes objetivos.
( )
x1 : y1 + 3 y 2 + y 3 2 = 3 + 3 5 + 0 2 = 13
2
4
4
x 4 : y1 0 = 3
2
x5 : y 2 0 = 5
4
130
Captulo 5
x2
x3
x6
x1
3
4
1
4
3
2
2
x2
x3
x4
3
2
1
2
-2
x5
x6
Solucin
1220
100
230
20
4
1
4
1
2
1
Los elementos que estn en la celda sombreada son las nuevas z j c j para las
variables no bsicas x1 , x 4 y x5 , todos los elementos restantes de la tabla son iguales a los de
la iteracin original ptima. Entonces la nueva solucin ptima se determina haciendo
entrar x1 y salir x6 con lo que se da es:
x1 = 10, x 2 = 102.5, x3 = 215 y z = 1227.50 Bs
5.8.2
131
Captulo 5
4 d1 0
sea
d1 4
Analizando y remplazando quiere decir que la solucin actual permanecer ptima
siempre que el coeficiente objetivo c1 (= 3 + d1 ) de x1 no sea mayor que 3 + 4 = Bs. 7.
1 0 1 = 1
Columna de restriccin de x7 = 0
2
2
2
2
1 1 1
132
Captulo 5
x1
x2
x3
x7
x4
x5
x6
1
1
2
2
1
100
x3
230
-1
1
4
1
2
1
x2
4
1
Solucin
1350
20
Bsicas
z
x6
2
2
-2
2
1
133
Captulo 5
c) Fo:
Sa:
x1 + x2 0
3x1 + 5x2 0
5x1 + 3x2 0
2x1 3x2 4
x1; x2 NO RESTRINGIDO
2. Considere el siguiente modelo de programacin lineal
MODELO PRIMAL
Maximizar z = 2x1 + 3x2
Sujeto a
4x1 + 5x2 6
7x1 + 8x2 9
x1; x2 0
Dar el dual del modelo primal.
3. Considere el siguiente modelo de programacin lineal
MODELO PRIMAL
Maximizar z = 2x1 + 3x2 4x3
Sujeto a
5x1 + 6x2 + 7x3 8
8x1 9x2 + 10 x3 11
x1; x2; x3 0
Dar el dual de este modelo.
134
Captulo 5
7.
135
Captulo 5
z x1 x2 x3 S1 S2 Valor
0
0
1
1
0
0
0
1
0
1
1
9
-1
1
1
0
1
3
4
2
14
Dar la solucin ptima para el dual del modelo primal. Muestre que las soluciones
ptimas de ambos modelos satisfacen las condiciones de holgura complementaria.
9.
z x1 x2 x3 -S1 S2 Valor
0
0
1
1
0
0
0
1
0
1
1
9
-1
1
1
0
1
3
4
2
14
Dar la solucin ptima para el dual del modelo primal anterior. Muestre que las
soluciones ptimas del primal y del dual, satisfacen las condiciones de holgura
complementaria.
10. Resuelva por el Dual y de la tabla ptima del primal
Minimizar w = 3y1+2y2-y3
Sujeto a:
y1+2y2-y310
2y1+y2+2y38
y1+y2+y30
136
Captulo 5
5.10 Bibliografa
MODELOS LINEALES DE OPTIMIZACIN Rafael Terrazas Pastor [Segunda
Edicin]
INVESTIGACIN DE OPERACIONES Hamdy A. Taha [Sptima Edicin]
INVESTIGACIN DE OPERACIONES Moskowitz, Herbert; Wrigth, Gordon P.
INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Frederick S.
Hillier, Gerald J. Lieberman. [Sexta Edicin]
5.11 Enlaces
http://apuntes.rincondelvago.com/analisis-de-sensibilidad.html
http://www.itlp.edu.mx/publica/tutoriales/investoper1/unidad4.htm
http://cursos.universia.net/app/es/showcourse.asp?cid=2146
www.itson.mx/dii/elagarda/apagina2001/ PM/word/dualidadysensibilidad.ppt
www.geocities.com/gilberto-rojas/index35.html
137
Captulo 6
CAPTULO 6
MODELO DE TRANSPORTE
6.1 Introduccin
Comnmente se han considerado como un caso particular de los problemas lineales
los problemas de transporte y de asignacin. Pero hemos de notar que se trata en realidad
de problemas de programacin entera, dado que las variables que aparecen en estos
problemas son variables que han de tomar valores enteros. Este tipo de problemas los
vamos a tratar como problemas especiales de programacin lineal, dado que su estructura
especial ha hecho que se desarrollen algoritmos especficos para este tipo de problemas,
ms eficientes que el mtodo smplex. No obstante, estamos ms interesados en plantear su
estructura que en su resolucin particular. Para ello recurriremos al uso del algoritmo de
smplex, aunque indicaremos diferentes programas de software donde encontrar los
algoritmos particulares para este tipo de problemas.
138
Captulo 6
Figura 6.1
Min z =
C
i =1 j =1
ij
xij
Sujeto a:
n
x
j =1
ij
ai
i = 1, 2,, m
ij
bj
j = 1, 2,, n
x
i =1
xij 0
i = 1, 2, , m
j = 1, 2,, n
139
Captulo 6
Donde:
z = Funcin Costo de Transporte Total a ser Minimizada.
Cij = Costo unitario de transportar el producto del origen i al destino j.
xij = N de unidades del producto a transportar del origen i al destino j (i = 1,
2,, m y j = 1, 2,, n).
ai = Oferta y/o capacidad del i-simo origen.
bj = Demanda y/o requerimiento del j-simo destino.
m = N de orgenes u ofertas.
n
= N de destinos o demandas.
n
En este problema, el primer conjunto de restricciones xij ai nos esta
j =1
indicando que los envos totales de cada uno de los i orgenes no puede exceder de la
cantidad disponibles en cada uno de los i almacenes. Por ejemplo, consideremos el origen
3. Para este origen la ecuacin correspondiente seria la siguiente:
x31 + x32 + ..... + x3n a3
en donde x31 representa la cantidad enviada desde el origen 3 hasta el almacn 1, x32 es la
cantidad enviada desde el origen 3 hasta el almacn 2, y as sucesivamente. El trmino
independiente a3 representa la cantidad total disponible en el origen 3, la cual -por
supuesto- no puede sobrepasarse.
m
la cantidad recibida por cada uno de los j destinos no puede ser inferior a la demanda del
mismo. Estas ecuaciones tienen una interpretacin similar a la dada anteriormente.
La simple observacin de la estructura del problema nos indica que la suma de
disponibilidades en los orgenes debe ser mayor (o igual) que la suma de demandas de los
destinos. En el caso contrario, es decir
demandas.
Min z = c x
Sa.:
Ax=d
x0
140
Captulo 6
Sa.:
Restricciones de Oferta
Restricciones de Demanda
Orgenes
1
2
2
C11
x11
Oferta
C1n
C12
x12
x1n
C21
x21
C2n
C22
x22
x2n
Demanda
a2
a1
Cm1
xm1
Cm2
Cmn
xm2
b1
xmn
b2
am
bn
ai = b j
En el caso que en un problema determinado no se cumpla esta
condicin, es decir, la cantidad disponible sea superior a la
cantidad demanda entonces podemos recurrir a incluir un
destino ficticio que recoja este exceso. O bien, en el caso
141
Captulo 6
Condicin 2:
Condicin 3:
Condicin 4:
Condicin 5:
Esta quinta condicin nos permite garantizar que si los ai y los bj son enteros y no
negativos, los valores de las variables en toda solucin factible bsica y entonces existe por
lo menos una solucin factible bsica ptima que es entera.
Por tanto, a partir de esta condicin ya no es necesario introducir la condicin de
integridad de las variables para obtener una solucin ptima entera. Estas condiciones son
las que han permitido desarrollar nuevos algoritmos ms eficientes que el mtodo smplex,
es decir, algoritmos que emplean menos tiempo y menos iteraciones en resolver el
problema. No obstante, como ya hemos comentado con anterioridad para resolver los
problemas que plantearemos a continuacin usaremos un programa lineal.
142
Captulo 6
143
Captulo 6
a = b
i
O sea;
Oferta = Demanda
Sin embargo cuando se presenta un desbalance se debe considerar:
1. Si la oferta es mayor que la demanda, se debe aadir un centro de
DEMANDA ARTIFICIAL n + 1, donde la demanda bn + 1 es igual a (ai bj), con costos igual a cero (ejemplo 6.1).
2.
144
Captulo 6
= 350
Restr. de oferta
x21 + x22 + x23 + x24 = 600
+ x21
x11
x12
+ x22
x13
Ficticio
= 325
= 300
+ x23
x14
xij 0 (i =1,2
= 275
Restr. de demanda
+ x24 = 50
y j = 1, 2, 3, 4)
Las dos variables en esta restriccin (ver la restriccin resaltada) son variables
ficticias. x14 y x24 en realidad representan la cantidad del producto en los puntos de
suministro de Cochabamba y Sucre, respectivamente, que no es enviada.
Ejemplo de aplicacin 6.2
Problema de transporte no balanceado: La demanda excede el suministro.
Una determinada empresa que posee dos plantas de produccin en Cochabamba y
Sucre con una capacidad de almacenamiento de 350 y 600 Toneladas, respectivamente.
Tiene que suministrar sus productos a tres clientes situados en Santa Cruz, Tarija y La Paz.
La demanda de estos clientes es de 350, 375 y 275 Toneladas, respectivamente.
La distancia desde Cochabamba a Santa Cruz es de 538 Km., a Tarija de 1046 Km.
y a La Paz de 439 Km. La distancia de Sucre a Santa Cruz es de 393 Km., a Tarija de 693
Km. y a La Paz de 673 Km. Debido a que se trata de un producto que requiere unos
transportes especiales, el costo del transporte por kilmetro y tonelada es de 5 $us.
La empresa se plantea cual debe ser la cantidad a transportar desde cada almacn a
cada uno de los clientes, de forma que el costo del transporte sea mnimo.
Este problema, es un ejemplo tpico de transporte, aunque podemos observar que las
ofertas desde los almacenes son inferiores a las demandas, en este caso podramos
plantear un suministro ficticio.
As, la demanda total = 1000 Toneladas excede al suministro total = 950 Toneladas
por la cantidad de 1000 950 = 50 Toneladas.
Para construir una red de transporte balanceado (suministro = demanda) creamos un
punto de suministro ficticio con una cantidad disponible = demanda suministro = 50
toneladas. Designaremos el nuevo punto de suministro ficticio con el nmero 3. Este
nuevo punto de suministro producir tres nuevas variables ficticias: x31, x32 y x33.
145
Captulo 6
= 350
x21 + x22 + x23
Ficticio
= 600
Restr. de ofer.
+ x21
x31
+ x22
x12
x13
= 350
+ x32
+ x23
xij 0 (i =1,2,3
= 375
Restr. de dem.
+ x33 = 275
y j = 1, 2, 3)
Las variables resaltadas son variables ficticias. x31, x32 y x33; representan la
cantidad de requerimientos en los puntos de demanda Santa Cruz, Tarija y La Paz
respectivamente, que no es satisfecha (dficit).
Un problema de distribucin o de transporte puede ser balanceado aadiendo
un punto de suministro ficticio, si la demanda total excede al suministro total o
aadiendo un punto de demanda ficticio, si el suministro total excede a la demanda.
146
Captulo 6
1 = b1 x11
D2
D3
D4
Oferta
O1
20
30
40
20
20
O2
60
30
50
40
O3
20
10
40
70
Demanda
20
35
147
Captulo 6
Entonces:
Primeramente ver si el problema esta balanceado Demanda = Oferta. El problema
esta balanceado porque el total de la oferta y demanda total son ambos igual a 35 unidades.
El modelo de transporte esta balanceado y la meta es minimizar el costo de envi
sujeto a las restricciones de disponibilidad y requerimientos. Esto es:
Minimizar Z = 20x11 + 30x12 + 40x13 + 20x14 + 60x21 + 30x22 + 50x23 + 40 x24
+20x31 + 10x32 + 40x33 + 70x34
Sujeto a:
= 20
x11 + x12 + x13 + x14
x21 + x22 + x23 + x24
=6
Restr. ofer.
x31 + x32 + x33 + x34 = 9
x11
+ x21
x31
=5
x12
+ x22
+ x32
= 20 Rest. dem.
x13
+ x23
+ x33
=5
x14
+ x24
+ x34 = 5
xij 0 (i =1, 2, 3 y j = 1, 2, 3, 4)
Entonces el modelo tiene m + n ecuaciones, entonces 3 + 4 1 = 6 variables
bsicas.
Al aplicar el procedimiento al modelo, se obtiene la solucin bsica factible de
inicio, las flechas indican el orden en el que se generan las cantidades asignadas.
Matriz de costos de transporte
iteracin cero
Destinos
Orgenes
1
2
3
Oferta
30
40
20
60
30
50
40
20
10
40
70
20
20
6
9
35
1 iteracin
Destinos
Orgenes
Oferta
20
30
40
20
60
30
50
40
20
10
40
70
2
3
Demanda
20
Demanda
20
15
6
9
35
148
Captulo 6
2 iteracion
Destinos
Orgenes
2
20
Oferta
30
40
20
60
30
50
40
20
10
40
70
15
2
3
0
Demanda
6
9
35
6 iteracion
Destinos
Orgenes
1
20
5
Oferta
30
40
20
30
50
40
40
70
15
60
20
3
Demanda
10
4
5
0
0
0
0
35
149
Captulo 6
iteracin cero
Destinos
Orgenes
1
2
3
Destinos
Orgenes
Oferta
30
40
20
60
30
50
40
20
10
40
70
20
20
6
9
1
2
30
40
20
60
30
50
40
10
40
70
9
5
Oferta
20
20
3
Demanda
20
Demanda
1 iteracin
11
20
6
0
150
Captulo 6
2 iteracin
Destinos
Orgenes
1
30
40
20
60
30
50
40
10
40
70
11
15
6
0
3 iteracin
Destinos
Orgenes
2
20
3
30
4
40
Oferta
20
2
3
60
30
50
40
20
10
40
70
9
0
Demanda
11
10
6
0
4 iteracin
Destinos
Orgenes
2
20
3
30
4
40
10
20
Oferta
20
60
30
50
40
10
40
70
9
0
Demanda
0
6
0
5 iteracin
Destinos
Orgenes
2
20
3
30
4
40
10
Oferta
20
60
30
50
40
10
40
70
1
20
3
Demanda
Oferta
Demanda
20
20
9
0
0
5
0
151
Captulo 6
6 iteracin
Destinos
20
5
3
30
4
40
10
30
1
20
50
40
40
70
20
10
9
Oferta
60
Demanda
Orgenes
0
0
0
0*20 +
152
Captulo 6
iteracin cero
Destinos
Orgenes
1
2
3
Oferta
20
30
40
20
60
30
50
40
20
10
40
70
Demanda
20
Castigo
20
10
20
Castigo
20
10
10
35
1 iteracin
Destinos
Orgenes
1
2
3
20
30
40
20
60
30
50
40
20
10
40
70
Demanda
11
Castigo
40
10
20
Destinos
Orgenes
20
10
Oferta
20
30
40
20
60
30
50
40
10
40
70
20
Castigo
Demanda
Castigo
2 iteracin
Oferta
9
0
11
10
20
Castigo
15
10
10
153
Captulo 6
3 iteracin
Destinos
Orgenes
2
20
3
30
4
40
Oferta
20
5
60
20
30
50
40
10
40
70
11
10
Castigo
10
10
20
Demanda
Castigo
4 iteracin
Destinos
Orgenes
2
20
3
30
4
40
Oferta
20
10
5
60
30
50
40
20
10
40
70
9
0
Demanda
10
Castigo
Castigo
5 iteracin
Destinos
Orgenes
2
20
3
30
4
40
20
30
50
40
10
40
70
6
20
Demanda
Castigo
60
Oferta
Castigo
6 iteracin
Destinos
Orgenes
1
20
5
3
30
4
40
60
Oferta
20
30
50
40
10
40
70
6
20
3
Demanda
9
0
0
0
0
154
Captulo 6
Captulo 6
2
20
v4=
v3=
v2=
30
Oferta
4
40
20
50
40
40
70
15
60
30
5
20
10
4
5
0
35
e24 = 40 0 80 = 40
e31 = 20 (-10) 20 = 10
e32 = 10 (-10) 30 = 10
Orgenes
u1= 0
1
u2= 0
2
u3= -10
3
Demanda
20
Oferta
20
6
9
35
Por lo tanto, el menor eij corresponde a e14 con valor -60. Lo que significa que por
cada unidad asignada a la variable x14 el efecto global neto es de -60, independientemente
de que el costo asociado a dicha casilla sea de 20. Veamos si existe un loop factible y el
mximo valor que podra tomar la variable.
Por lo tanto, la variable de entrada es x14.
156
Captulo 6
Orgenes
u1= 0
1
u2= 0
2
u3= -10
3
20
Demanda
Oferta
20
6
9
35
Como las variables deben ser positivas, el valor de debe ser tal que no introduzca
una variable negativa a la tabla. En este caso, la condicin que controla es 1 - = 0, por lo
tanto = 1. Entonces, la variable de salida es x23.
Introducimos el valor de = 1, entonces tendremos:
1 iteracin
Destinos
1
Orgenes
2
20
3
30
40
20
14
60
2
Oferta
30
50
40
6
20
10
40
5
Demanda
20
70
4
20
6
9
35
(1)
u2 + v2 = 30
(4)
u1 + v2 = 30
(2)
u3 + v3 = 40
(5)
u1 + v4 = 20
(3)
u3 + v4 = 70
(6)
20
Oferta
20
6
9
35
157
Captulo 6
Demanda
20
Oferta
20
6
9
35
Como las variables deben ser positivas, el valor de debe ser tal que no introduzca
una variable negativa al la tabla. En este caso, la condicin que controla es 4 - = 0, por lo
tanto = 4. Entonces, la variable de salida es x34.
Introducimos el valor de = 4, entonces tendremos:
2 iteracin
Destinos
1
Orgenes
2
20
3
30
40
10
20
20
60
2
Oferta
30
50
40
10
40
70
6
20
Demanda
5
20
35
(1)
(2)
(3)
u2 + v2 = 30
u3 + v2 = 10
u3 + v3 = 40
(4)
(5)
(6)
158
Captulo 6
Orgenes
u1= 0
1
u2= 0
2
u3= -20
3
Demanda
20
Oferta
20
6
9
35
Demanda
Oferta
20
6
9
35
Como las variables deben ser positivas, el valor de debe ser tal que no introduzca
una variable negativa a la tabla. En este caso, la condicin que controla es 5 - = 0, por lo
tanto = 5. Entonces, la variable de salida es x33.
Introducimos el valor de = 5, entonces tendremos:
3 iteracin
Destinos
1
Orgenes
2
20
30
5
Oferta
4
40
60
2
20
5
30
50
40
10
40
70
6
20
3
Demanda
9
5
20
20
6
9
35
Captulo 6
Demanda
Oferta
20
6
9
35
Destinos
1
Orgenes
2
20
30
5
Oferta
4
40
60
2
20
5
30
50
40
10
40
70
6
20
3
Demanda
9
5
20
20
6
9
35
Captulo 6
Destinos v1= 20
v2= 30 v3= 40 v4= 20
1
2
3
4
20
30
40
20
5
5
5
5
60
30
50
40
6
20
10
40
70
9
Orgenes
u1= 0
1
u2= 0
2
u3= -20
3
Demanda
20
Oferta
20
6
9
35
Destinos v1= 20
v2= 30 v3= 40
1
2
3
20
30
40
5-
5+
5
60
30
50
+
6-
20
10
40
9
Orgenes
u1= 0
1
u2= 0
2
u3= -20
3
Demanda
20
v4= 20
4
20
5
40
Oferta
70
5
20
6
9
35
La variable puede entrar a la base con valor de 5, el valor de la funcin objetivo es:
40
161
Captulo 6
(1),
(3),
(5),
u1 + v2 = 30 +
u1 + v4 = 20
u3 + v2 = 10
(2)
(4)
(6)
Si u1 = 0 entonces tenemos:
u1 = 0,
v1 = 20
v2 = 30 + , v3 = 40
v4 = 20,
u2 =
u3 = 20
Luego, calculamos los eij para todas las variables no bsicas y sus restricciones:
eij = Cij ui vj
e21 = C21 u2 v1 = 60 + 20
= 40 + 0
e23 = C23 u2 v3 = 50 + 40
= 10 + 0
= 20 + 0
e24 = C24 u2 v4 = 40 + 20
e31 = C31 u3 v1 = 20 (-20 + ) 20 = 20 0
e33 = C33 u3 v3 = 40 (-20 + ) 40 = 20 0
e34 = C34 u3 v4 = 70 (-20 + ) 20 = 70 0
-40
-10
-20
20
20
70
20 c12 50
6.6.3 Incrementos en una oferta y en una demanda.
Si tanto en alguna oferta ai como en alguna demanda bj se produce un aumento de
, se mantiene el balanceo del problema. En este caso, se demuestra que:
Znuevo = Zoriginal + ui + vj
La expresin anterior se obtiene a partir de que tanto los ui y los vj equivalen a
menos el precio sombra de la restriccin asociada a cada origen i o destino j segn
corresponda.
Por ejemplo, si la oferta del origen1 y la demanda del destino 2 crece en una unidad,
se tiene:
Znuevo = 820 + 1 0 + 1 30 = 850
Una vez definido el nuevo valor de la funcin objetivo, es importante determinar
como cambian los valores de las variables.
162
Captulo 6
24
Oferta
20
6
11
37
Destinos v1= 20
v2= 30 v3= 40 v4= 20
1
2
3
4
Orgenes
u1= 0
20
30
40
20
1
6
4
5
5
u2= 0
60
30
50
40
2
6
u3= -20
20
10
40
70
3
10
Demanda
20
Oferta
20
6
10
36
163
Captulo 6
Seleccione SOLVE PROBLEM = > Iterations, y escoja uno de los tres mtodos
(Esquina Noroeste, Costo Mnimo o de Vogel) para iniciar las iteraciones del modelo de
transporte. El modelo de iteraciones ofrece dos funciones tiles.
Puede usted igualar cualquier u o v a cero antes de generar la iteracin 2 (lo
predeterminado es u1 = 0). Observe entonces que aunque cambian los valores de ui y
de vj, permanece sin cambios la evaluacin de las celdas no bsicas (= ui + vj cij).
Esto quiere decir que al principio se puede igualar a cero cualquier u o v (de hecho,
cualquier valor) sin afectar los clculos de optimalidad.
1. Puede usted probar su comprensin de la seleccin del loop haciendo clic (en
cualquier orden) en las celdas que forman el loop. Si su eleccin es correcta,
la celda cambiar de color (verde para la variable de entrada, rojo para la
variable de salida y gris en cualquier otro caso).
La figura muestra las iteraciones del ejemplo 6.3, con TORA, comenzando con el
mtodo de la Esquina Noroeste.
164
Captulo 6
165
Captulo 6
Una vez hecha la seleccin de Network Modeling haga clic en new Problem, y
escoja el tipo de problema en este caso Transportation Problem (Problema de transporte)
y coloque los datos del problema (criterio de la funcin objetivo, formato de los datos de
entrada, nmero de fuentes y destinos) y haga clic en OK
Una vez ingresados los datos del problema escoja una de los mtodos para iniciar
las iteraciones del modelo de transporte en Solve and Analyse y haga clic en Select Initial
Solution Method y presione Ok.
166
Captulo 6
Una vez seleccionado el mtodo para hallar la solucin bsica factible de inicio
proceda a calcular el ptimo haciendo clic en Solve and Analyse y haga clic en Solve and
Display Steps Tabla y presione Ok. Y aparecer la tabla inicial escogida por el tipo de
mtodo escogido, luego presione Iteration = > Next Iteration. Hasta hallar el ptimo. En
la figura se resuelve el ejemplo 6.3.
167
Captulo 6
Las relaciones del modelo relacionan las cantidades transportadas con la oferta total
en cada origen y con la demanda total en cada destino; es decir:
168
Captulo 6
$A$19.
Mnimo.
$B$20:$K$29.
$B$30:$K$30 = $B$16:$K$16
$L$20:$L$29 = $L$6:$L$15
Dentro de Opciones
169
Captulo 6
170
Captulo 6
Una vez hecho lo anterior, la hoja de clculo usa la funcin NDICE para copiar en
forma automtica las restricciones de capacidad en la columna C (celda C22 hacia abajo).
Para usar infinito se usa el nmero 999999.
La nica informacin necesaria para resolver el modelo es los parmetros de
SOLVER. La celda objetivo $B$20 ya esta automatizada con la siguiente frmula general,
y no necesita cambiarse para todos los modelos de tamao hasta 10 x 10.
=SUMAPRODUCTO (B22:B122, J21:J121)
Solo debe el Alumno ocuparse con los elementos de Cambiando las Celdas y de
Restricciones. De acuerdo con la figura, el elemento de Cambiando las Celdas es:
$B$22:$B$33
Los renglones 22:33 abarcan todas las rutas del modelo, y cambian cuando cambia
el tamao del modelo de transporte.
Las restricciones se enuncian verbalmente como sigue:
flujo de entrada (i,j) capacidad de ruta (i,j)
(flujo de entrada flujo de salida) por el nodo j = demanda en el nodo j
Para el primer conjunto de restricciones, el lado izquierdo est en la columna B
(celda B22 hacia abajo) y el lado derecho esta en la columna C (celda C22 hacia abajo).
Para el ejemplo de la figura, las restricciones correspondientes son:
$B$22:$B$33 <= $C$22:$C$33
El segundo conjunto de restricciones se genera en las columnas F y G como sigue:
$F$21:$F$27 = $G$21:$G$27
De nuevo, obsrvese que los renglones 21:27 cubren la cantidad total de nodos del
modelo y cambian con el modelo de este.
Las restricciones de no negatividad se toman en cuenta en la ventana Opciones de
SOLVER.
171
Captulo 6
172
Captulo 6
Min Z =
j
c
i =1 j =1
ij
xij
s.a:
m+ n
x
k =1
m+ n
ik
x ki = ai
k i
k i
m+n
m+n
k =1
k =1
x k ,m + j x m + j ,k = b j
k m+j
xij 0
i = 1, 2,, m.
k =1
j = 1, 2,, n.
k m+j
i = 1, 2,, m+n
j = 1, 2, , m+n
173
Captulo 6
13
25
28
Sucre
15
12
26
25
Cochabamba
16
17
La Paz
14
16
Santa Cruz
Beni
174
Captulo 6
Cochabamba y La Paz son puntos de transbordo. Santa Cruz y Beni son puntos de demanda
de 130 unidades cada uno. Esquemticamente, la situacin se muestra en la figura.
Tarija
Cbba
Santa Cruz
Sucre
La Paz
Beni
= 150
= 200
= 350
x11
x12
+ x31
+ x22
+ x41
+ x32
+ x23
x13
x14
+ x42
+ x33
+ x24
x15
= 350
+ x43
+ x34
+ x25
xij 0 (i =1,2,3,4
= 350
+ x35
= 130
+ x44
= 130
+ x45 = 90
y j = 1, 2, 3, 4,5)
175
Captulo 6
Cbba
La Paz
Santa
Beni Ficticio
8
13
25
28
0
150
15
12
26
25
0
200
0
6
16
17
0
0
350
6
0
14
16
0
0
130
130
90
Demanda
5iteracin
(final)
Destinos
Orgenes
Tarija
Cbba
8
130
15
La Paz
13
6
130
6
La Paz
Demanda
0
350
350
350
14
16
0
130
130
0
0
0
0
0
Beni Ficticio
28
0
20
26
25
0
130
70
16
17
0
12
220
Santa
25
Sucre
Cbba
Oferta
90
Oferta
150
200
350
350
1050
176
Captulo 6
10
20
10
250
350
50
10
50
15
400
20
30
20
300
20
30
En el ejemplo, s = 200 + 250 + 300 = 750. La demanda total es 400 + 350 = 750,
(problema balanceado). Como en el ejemplo los puntos de transbordo no tienen ni demanda
ni oferta por si mismos, la oferta y demanda en la tabla deber ser igual a s. Una vez
planteado la tabla, se pueden emplear los mtodos vistos anteriormente para obtener una
solucin inicial factible y obtener la solucin ptima. En este caso la tabla queda (incluida
la solucin ptima):
Minimizar Z =
+99x15 +99x16 +99x17 +99x18 +10x24 +20x25 +50x26 +99x27 +99x28 +99x34 +15x35 +99x36 +99x37 +99x38
20x14
+
+20x45 +10x46 +10x47 +99x48 +99x54 +0x55 +30x56 +99x57 +30x58 +99x64 +99x65 +0x66 +50x67 +20x68
0x44
x14 +x15 +x16 +x17 +x18
= 200
= 250
x34 +x35 +x36 +x37 +x38
= 300
x44 +x45 +x46 +x47 +x48
= 750
x54 +x55 +x56 +x57 +x58
= 750
x64 +x65 +x66 +x67 +x68 = 750
+x24
+x34
+x44
+x54
+x64
= 750
+x25
+x35
+x45
+x55
+x65
= 750
+x26
+x36
+x46
+x56
+x66
= 750
+x27
+x37
+x47
+x57
+x67
= 400
+x28
+x38
+x48
+x58
+x68 = 350
x24 +x25 +x26 +x27 +x28
x14
x15
x16
x17
x18
177
Captulo 6
1 iteracin
MEN
Destinos
Orgenes
200
250
300
Oferta
20
99
99
99
99
10
20
50
99
99
99
15
0
4
99
20
99
10
99
10
99
750
99
30
99
30
750
99
6
Demanda
99
50
400
0
20
350
0
0
0
0
0
0
5 iteracin
Destinos
Orgenes
200
250
Oferta
20
99
99
99
99
10
20
50
99
99
99
3
15
99
99
99
300
0
20
10
300
10
50
99
30
99
450
99
50
700
750
30
300
99
6
Demanda
99
400
750
20
50
400
750
200
250
300
750
750
750
350
200
400
400
350
200
250
250
50
6
300
300
50
300
178
Captulo 6
6.9.1 Concepto
El problema de asignacin es un caso particular del modelo de transporte que tiene
dos caractersticas a ser tomadas en cuenta:
La variable de decisin xij toma los valores de 1 0 transformndose en una
variable binaria de aceptacin o no aceptacin.
Las ofertas y demandas son uno , entonces ai = bj = 1
El modelo de ASIGNACIN consiste en asignar m centros de oferta a n centros
de demanda. Esta asignacin debe hacerse UNO A UNO, minimizando el COSTO
TOTAL ASOCIADO.
1 si i se asigna a j
X ij =
0 si i no se asigna a j
Funcin objetivo
m
Min Z =
C
i =1 j =1
ij
X ij
Sujeto a:
n
X
j =1
ij
=1
; i
ij
=1
; j
X
i =1
Xi j = 1,0
179
Captulo 6
T1
T2
T3
Mnimo del
rengln
T1
T1
p1 = 3
T2
T2
p2 = 4
T3
T3
p3 = 2
180
Captulo 6
T1
T2
T3
q1 = 0
q2 = 1
q3 = 0
Mnimo de la
columna
T1
T2
T3
Paso 4. En los lugares con costo 0, probar una asignacin tentativa uno a uno.
T1
T2
T3
T2 3
T3 3
Paso 6. Seleccionar el valor ms pequeo que no este cruzado por lneas. Este
elemento o valor se resta de todo elemento no tachado y se agrega a
todo elemento intersecado por una lnea horizontal y vertical
Valor mnimo no tachado 2, sumando y restando.
A B C
T1 0
T2 1
T3 1
181
Captulo 6
T2
T3
T1
T2
T3
T1
T2
T3
182
Captulo 6
T1
T2
T3
T1
T2
T3
183
Captulo 6
s.a:
ijk
= aik
ijk
= b jk
ijk
= d ij
xijk 0
Para que este problema sea consistente, debe verificarse que:
; a ik = b jk
; d ij = b jk
aik = d ij
k
Min z =
C
i =1 j =1
ij
xj
s.a:
m
ij
= bj
j = 1, 2,, n
ij
= aj
i = 1, 2,, m
xij d jk
k = 1, 2,, p
i =1
n
j =1
m
P
i =1
m
ijk
a = b
i =1
j =1
xij 0
i = 1, 2,, m
j = 1, 2,, n
184
Captulo 6
Origen
1
2
3
Demanda
a)
b)
c)
2.
Destino
2
3
8
4
2
1
6
4
3
4
3
5
7
3
3
Recursos
4
3
2
Una compaa tiene tres plantas que fabrican cierto producto que debe mandarse a
cuatro centros de distribucin. Las plantas 1, 2 y 3 producen 12, 17 y 11 cargas
mensuales, respectivamente. Cada centro de distribucin necesita recibir 10 cargas
al mes. La distancia en km. desde cada planta a los respectivos centros de
distribucin es la siguiente:
Planta
1
2
3
Centro de distribucin
1
2
3
4
800 1300 400 700
1100 1400 600 1000
600 1200 800 900
Proyecto
A
B
C
Necesidades
Semanales, Cargas
de Camin
50
75
50
Planta
W
X
Y
Disponibilidad
Semanal, Cargas
de Camin
45
60
40
Informacin de Costos:
De
Al proyecto A
Al proyecto B
Al proyecto C
Planta W
$4
$3
$3
Planta X
Planta Y
185
Captulo 6
4.
Una compaa tiene las plantas A, B y C las cuales suministran arena a las
distribuidoras D, E, F y G. Las capacidades mensuales de cada planta son:
A=160 m3, B=150 m3, y C=190 m3
Los requerimientos mensuales de las distribuidoras son:
D=80 m3, E=90 m3, F= 110 m3, G= 160 m3
Los costos unitarios de envi son:
HACIA
$40
$50
$40
$40
$40
$50
$50
$50
$50
$40
$40
$40
DESDE
$5
$10
$5
$0
$5
$9
$5
$10
$10
$10
$15
$5
DESDE
Centro de
Distribucin
D1
D2
D3
Perdidas
($/unidad)
2
3
2
Capacidad
Semanal
75
100
Centro
Distribuidor
D1
D2
D3
Demanda
Semanal
50
50
100
Hacia D1 D2 D3
Desde
O1
3 2 1
O2
4 5 6
186
Captulo 6
7.
8.
Tres depsitos surten a cinco almacenes. La tabla indica el costo de transporte por
unidad entre depsitos y almacenes. El dao de un puente principal ha impedido las
entregas desde el deposito A hasta el almacn 4, desde el deposito B hasta el 5 y
desde el C hasta el 2. Dentro de estas circunstancias determinar el esquema ptimo
del transporte.
Dep. A
Dep. B
Dep. C
Almacn 1
75
Almacn 2
345
Almacn 3
180
Almacn 4
90
210
Almacn 5
Capacidad
850
300
450
N Req.
1
22
20
16
20
22
62
2
26
28
20
22
26
217
3
12
14
26
26
10
444
4
10
12
20
22
4
315
5
18
20
1.5
6
16
50
6
18
20
28
7
11
13
6
2
24
20
8
8.5
10
22
21
14
90
9
20
22
18
18
21
150
Oferta
960
201
71
24
99
a)
b)
1
x
x
2
x
x
5
x
x
x
x
x
x
x
x
187
Captulo 6
9. Una compaa llam a licitacin para realizar cuatro trabajos de construccin. Tres
personas se han presentado. Las propuestas en miles de dlares estn dadas en la tabla
siguiente, donde (*) indica que la persona no ofrece nada para ese trabajo. La persona 1
puede hacer slo un trabajo, pero las personas 2 y 3 pueden llegar ha hacer hasta 2
trabajos.
Cul es la mejor asignacin, desde el punto de vista de la compaa, si todas las
personas deben realizar al menos un trabajo?
Suponga que la persona 2 debe realizar el trabajo 1. Encuentre la mejor
asignacin.
Persona 1
Persona 2
Persona 3
Trabajo 1
55
51
*
Trabajo 2
49
48
47
Trabajo 3
46
44
45
Trabajo 4
46
*
45
6.13 Bibliografa.
MODELOS LINEALES DE OPTIMIZACIN Rafael Terrazas Pastor [Segunda
Edicin]
INVESTIGACIN DE OPERACIONES Hamdy A. Taha [Sptima Edicin]
INVESTIGACIN DE OPERACIONES Moskwitz, Herbert; Wrigth, Gordon P.
INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Frederick S.
Hillier, Gerald J. Lieberman. [Sexta Edicin]
6.14 Enlaces
http://www.investigacionoperaciones.com/Problemas_Transporte/transporte_2004.pdf
http://mipagina.cantv.net/jcpons1/Capitulo21.pdf
http://www.investigacionoperaciones.com/material%20didactico/TRANSPORTE.pdf
188
Captulo 7
CAPITULO 7
MODELOS DE REDES DE OPTIMIZACIN
7.1 Introduccin
Los modelos de redes son estructuras especiales del modelo de programacin lineal
y que por sus caractersticas propias tienen algoritmos especficos para su solucin.
La teora y el anlisis de redes de optimizacin, encuentra aplicacin en varias
ramas del saber tales como: la Ingeniera Civil, la ingeniera industrial, la ingeniera
elctrica, la informtica, la ciberntica, la gestin de proyectos, el planeamiento, etc. Existe
tambin un rea de aplicacin concerniente a grupos sociales, comunicacin, estructuras de
lenguaje y enlaces qumicos. Como se podr notar el rea de accin y aplicacin de la
teora de redes es amplio y su teora clsica esta asociada a lo que se llama la teora de
grafos.
El desarrollo de este capitulo estudiara los siguientes problemas:
El problema de la RUTA MS CORTA que se presenta por ejemplo en los
sistemas de transporte.
El problema del RBOL DE EXPANSIN MNIMA que se presenta por
ejemplo en problemas relacionados a diversos tipos de conexiones.
El problema de FLUJO MXIMO que se asocia a problemas de flujo a partir
de un origen hacia un destino.
El problema de REDES DE ACTIVIDADES utilizando para realizar la
planificacin de tareas y programas de actividades.
Ramas
Flujo
Intersecciones
Caminos
Vehculos
Aeropuertos
Rutas areas
Aviones
Tuberas
Fluidos
Centros de trabajo
Rutas
Trabajos
189
Captulo 7
Las llamadas REDES DIRECCIONADAS son las que tienen arcos dirigidos,
caso contrario se llamaran redes ADIRECCIONADAS. Ejemplo:
Figura 7.1
Figura 7.2
Una red es INCONEXA si esta tiene algn punto de inconexin. Por ejemplo:
Figura 7.3
190
Captulo 7
Figura 7.4
Podemos decir con propiedad que una red conexa que tiene n nodos, n 1 ramas y
sin ciclos, se llama RBOL DE EXPANSIN.
Se puede definir la siguiente nomenclatura relacionada con un arco o rama (i,j):
xij 0, es el flujo del nodo i al nodo j.
ij 0, es la capacidad mxima del flujo de i a j.
ij 0, es la capacidad mnima del flujo de i a j.
dij 0, es el costo por unidad de flujo. Si dij 0, se llama EGRESO,
si dij 0, se llama INGRESO.
Cuando un flujo sale de un nodo se llama EFLUJO y cuando llega a un nodo se le
llama INFLUJO.
Se llama nodo FUENTE u ORIGEN al nodo por donde entra el flujo a la red, es
decir que cada una de sus ramas tiene una orientacin tal que el flujo se mueve
hacia fuera de ese nodo. Los orgenes son generadores del flujo.
Figura 7.5
Se llama nodo DESTINO o FINAL al nodo por donde sale el flujo de la red, es
decir que cada una de las ramas esta orientada hacia ese nodo. Los nodos destino
absorben el flujo.
Figura 7.6
191
Captulo 7
192
Captulo 7
4
3
1
5
6
5
7
8
6
3
4
Figura 7.7
En esta red, los nmeros representan la distancia y la idea es hallar las rutas ms
cortas del nodo 1 hacia los dems nodos, es decir el rbol de recorrido mnimo.
El proceso es realizado n 1 veces, entonces 7 1 = 6 iteraciones.
Las redes resultantes de la aplicacin de estos pasos son:
Iteracin 0.
Nodo Etiqueta Estado
1
[0,]
Permanente
Iteracin 1.
Nodo
1
2
4
Etiqueta
[0,]
[0+2,1] = [2,1]
[0+7,1] = [7,1]
Estado
Permanente
Temporal
Temporal
Para las dos etiquetas temporales [2,1] y [7,1], el nodo 2 produce la menor distancia
(u2 = 2). Entonces, se cambia el estado del nodo 2 a permanente.
Iteracin 2.
Nodo
1
2
4
3
5
Etiqueta
[0,]
[2,1]
[7,1]
[2+4,2] = [6,2]
[2+1,2] = [3,2]
Estado
Permanente
Permanente
Temporal
Temporal
Temporal
[2,1]
2
2
[0,- ] 1
1
5 [3,2]
3
[6,2]
193
Captulo 7
Iteracin 3.
Nodo
1
2
4
3
5
6
7
Etiqueta
[0,]
[2,1]
[7,1]
[6,2]
[3,2]
[3+8,5] = [11,5]
[3+5,5] = [8,5]
Estado
Permanente
Permanente
Temporal
Temporal
Permanente
Temporal
Temporal
[2,1]
2
2
[0,- ] 1
3
[6,2]
[3,2]
5
7
[8,5]
6
[11,5]
Etiqueta
[0,]
[2,1]
[7,1]
[6,2]
[3,2]
[11,5]
[8,5]
[6+3,3] = [9,3]
[6+6,3] = [12,3]
Estado
Permanente
Permanente
Temporal
Permanente
Permanente
Temporal
Temporal
Descartar
Descartar
[2,1]
2
2
[0,-] 1
4
[6,2] 3
1
5
6
[3,2]
5
7
[8,5]
6
[11,5]
4
[7,1]
Del nodo 3 se puede ir al nodo 4 y 6 pero ya existen etiquetas temporales con menor
distancia por lo que se descarta estas dos ltimas etiquetas.
Entonces la etiqueta temporal [7,1] del nodo 4 se cambia a permanente (u4=7)
Iteracin 5.
Nodo
1
2
4
3
5
6
7
6
Etiqueta
[0,]
[2,1]
[7,1]
[6,2]
[3,2]
[11,5]
Estado
Permanente
Permanente
Permanente
Permanente
Permanente
Cambiar por
[9,4]
[8,5]
Temporal
[7+2,4] =[9,4] Temporal
[2,1]
2
2
[0,-] 1
4
[6,2] 3
1
5
6
[3,2]
5
7
8
6
3
4
[7,1]
[8,5]
[11,5]
[9,4]
194
Captulo 7
Iteracin 6.
Nodo
1
2
4
3
5
7
6
Etiqueta
[0,]
[2,1]
[7,1]
[6,2]
[3,2]
[8,5]
[9,4]
Estado
Permanente
Permanente
Permanente
Permanente
Permanente
Permanente
Permanente
(2,1)
2
2
(0,1) 1
(6,2) 3
7
(3,2)
5
7
8
4
3
2
4
(7,1)
(8,5)
(9,4)
Figura 7.8
Procedimiento de Etiquetado de Dijkstra
RUTA MS CORTA
DESDE 1
DISTANCIA
12
123
14
125
146
1257
195
Captulo 7
7.3.1.2
El algoritmo de Floyd
Cjk
Cik
1
Do =
So =
2
:
i
:
n
1
2
:
i
:
n
d21
2
d12
j
d1j
n
d1n
d2j
:
dnj
d2n
:
dn1
:
di2
:
dn2
1
:
1
:
1
2
2
:
2
:
2
j
j
j
:
j
:
j
n
n
n
:
n
:
:
di1
:
dij
:
din
:
196
Captulo 7
Paso genral k.
Definir el rengln k y la columna k como rengln pivote y
columna pivote. Aplicar la operacin triple a cada elemento dij en Dk 1
para toda i y j. si se satisface la condicin
dik + dkj dij (i k, j k e i j)
Hacer los siguientes cambios:
a) Crear Dk reemplazando dij en Dk 1 por dik + dkj.
b) Crear Sk reemplazando sij en Sk 1 por k. Igualar k = k + 1 y repetir el
paso k.
Figura 7.10
Implementacin de la operacin
Triple en forma matricial
197
Captulo 7
5
7
8
4
Figura 7.7
1
2
3
4
5
6
7
2
2
Do
3
3
5
6
4
7
1
5
8
5
6
2
8
5
4
1
1
1
1
1
1
1
2
3
4
5
6
7
2
2
2
2
2
2
2
3
3
3
3
3
3
3
So
4
4
4
4
4
4
4
5
5
5
5
5
5
5
6
6
6
6
6
6
7
7
7
7
7
7
7
2
2
4
9
1
3
5
6
4
7
9
3
S1
5
1
5
8
5
6
2
8
5
4
1
2
3
4
5
6
7
1
1
1
1
1
1
2
2
2
1
2
2
2
3
3
3
3
3
3
3
4
4
1
4
4
4
4
5
5
5
5
5
5
5
6
6
6
6
6
6
198
7
7
7
7
7
7
7
Captulo 7
2
6
7
3
2
2
4
9
1
3
6
4
3
5
6
S2
4
7
9
3
10
2
5
3
1
5
10
8
5
6
2
8
5
4
1
2
3
4
5
6
7
1
2
1
2
1
1
2
2
2
1
2
2
2
3
2
3
3
3
3
3
4
4
1
4
2
4
4
5
2
5
5
2
5
5
6
6
6
6
6
6
7
7
7
7
7
7
7
2
6
7
3
12
2
2
4
7
1
10
3
6
4
3
5
6
4
7
7
3
8
2
S3
5
3
1
5
8
8
5
6
12
10
6
2
8
5
4
1
2
3
4
5
6
7
1
2
1
2
3
1
2
2
2
3
2
3
2
3
2
3
3
3
3
3
4
4
3
4
3
4
4
5
2
5
5
3
5
5
6
3
3
6
6
6
7
7
7
7
7
7
7
1
2
3
4
5
6
7
2
6
7
3
9
2
2
4
7
1
9
D4
3
4
7
6
4
7
3
3
5
8
2
5
S4
5
3
1
5
8
8
5
6
9
9
5
2
8
5
4
1
2
3
4
5
6
7
1
2
1
2
4
1
2
2
2
3
2
4
2
3
2
3
3
3
4
3
4
4
3
4
3
4
4
5
2
5
5
3
5
5
6
4
4
4
6
6
7
7
7
7
7
7
7
199
Captulo 7
1
2
3
4
5
6
7
2
6
7
3
9
8
2
2
4
7
1
9
6
D5
3
4
7
6
4
7
3
3
5
8
2
5
10 13
S5
5
3
1
5
8
8
5
6
9
9
5
2
8
7
8
6
10
13
5
4
1
2
3
4
5
6
7
1
2
1
2
4
5
2
2
2
3
2
4
5
3
2
3
3
3
4
5
4
4
3
4
3
4
5
5
2
5
5
3
5
5
6
4
4
4
6
6
7
5
5
5
5
7
7
1
2
3
4
5
6
7
2
6
7
3
9
8
2
2
4
7
1
9
6
D6
3
4
7
6
4
7
3
3
5
8
2
5
9
6
S6
5
3
1
5
8
8
5
6
9
9
5
2
8
7
8
6
9
6
5
4
1
2
3
4
5
6
7
1
2
1
2
4
5
2
2
2
3
2
4
5
3
2
3
3
3
4
6
4
4
3
4
3
4
6
5
2
5
5
3
5
5
6
4
4
4
6
6
7
5
5
6
6
7
7
2
6
7
3
9
8
2
2
4
7
1
9
6
3
6
4
3
5
5
9
4
7
7
3
8
2
6
S7
5
3
1
5
8
8
5
6
9
9
5
2
8
7
8
6
9
6
5
4
1
2
3
4
5
6
7
1
2
1
2
4
5
2
2
2
3
2
4
5
3
2
3
3
3
4
6
4
4
3
4
3
4
6
5
2
5
5
3
5
5
6
4
4
4
6
6
7
5
5
6
6
7
7
200
Captulo 7
Del nodo 1 al nodo 7, d17 = 8, la ruta asociada s17 = 5, la ruta inicial es 157,
ahora bien, s15 = 2 5, el segmento (1,5) no es un enlace directo y 15 se debe
reemplazar por 125, y la ruta 157 se transforma ahora en 1257.
A continuacin como: s12 = 2, s25 = 5 y s57 =7, la ruta 1257 no necesita
ms disecciones y el proceso termina.
Del nodo 1 al nodo 2, d12 = 2, la ruta asociada s12 = 2, el segmento (1,2) es un
enlace directo. La ruta ser 12
Y as sucesivamente para los dems nodos.
NODO
2
3
4
5
6
7
RUTA MS CORTA
DISTANCIA
DESDE 1
12
2
123
6
14
7
125
3
146
9
1257
8
7.3.2.1 Formulacin 1
En esta formulacin se supone que entra a la red una unidad externa de flujo en el
nodo s y sale en el nodo t, siendo s y t dos nodos entre los que se busca determinar
la ruta ms corta.
Se definen:
xij = Cantidad de flujo en el arco (i, j) para toda i y j factibles.
Cij = Longitud de arco (i, j) para toda i y j factibles.
Como solo puede haber una unidad de flujo en algn arco en cualquier momento, la
variable xij debe asumir solamente valores binarios (0 o 1). As, la funcin objetivo del
programa lineal se vuelve:
Minimizar z =
ij
ij
Todos los arcos definidos (i, j)
Hay una restriccin que representa la conservacin de flujo en cada nodo; esto es, en
cualquier nodo j,
Flujo total que entra = Flujo total que sale
201
Captulo 7
2
15
100
20
50
10
1
30
60
Figura 7.11
Insercin de un flujo unitario para determinar la
ruta ms corta entre el nodo s = 1 y el nodo t = 2
1
1
1
1
1
1
1
1
= 1
=1
=0
=0
=0
7.3.2.2 Formulacin 2
La segunda formulacin es en realidad el problema dual del programa lineal en la
formulacin 1. Como la cantidad de restricciones en la formulacin 1 es igual a la
cantidad de nodos, el problema dual tendr tantas variables como cantidad de nodos haya
en la red. Tambin, las variables duales no deben estar restringidas, porque todas las
restricciones de la formulacin 1 son ecuaciones.
Sea:
yj = la restriccin dual asociada al nodo j.
202
Captulo 7
Como s y t son los nodos inicial y terminal de la red, el problema dual se define
como sigue:
Maximizar z = yt ys
Sujeta a:
yj yi cij para toda i y j factibles
Signo no restringido para toda yi y yj
Ejemplo de aplicacin 7.4
Para aplicar la formulacin 2 al ejemplo de aplicacin 7.3, el problema dual
asociado con el programa lineal anterior es:
Maximizar z = y2 y1
Sujeta a:
y2 y1 100 (ruta 12)
y3 y1 30 (ruta 13)
y3 y2 20 (ruta 23)
y4 y3 10 (ruta 34)
y5 y3 60 (ruta 35)
y2 y4 15 (ruta 42)
y5 y4 50 (ruta 45)
y1, y2,, y5 no restringida
Aunque el problema dual anterior es una definicin matemtica pura derivada del
problema primal, en realidad se puede interpretar el problema en una forma lgica. Se
define:
yi = distancia al nodo i
Con esta definicin, la distancia ms corta del nodo inicial 1 al nodo terminal 2 se
determina maximizando y2 y1. La restriccin asociada con la ruta (i, j) indica que la
distancia del nodo i al nodo j no puede ser mayor que la longitud directa de esa ruta. Puede
ser menor si se puede llegar al nodo j desde el nodo i pasando por otros nodos que formen
una ruta ms corta. Por ejemplo, la distancia mxima del nodo 1 al nodo 2 es 100. Con la
definicin de yi como la distancia al nodo i, se puede suponer que todas las variables son no
negativas (en lugar de no tener restriccin). Tambin se puede suponer que y1 = 0 es la
distancia la nodo 1.
Con base en la explicacin anterior, y suponiendo que todas las variables son no
negativas, la solucin ptima es:
z = 55, y1 = 0, y2 = 55, y3 = 30, y4 = 40, y5 = 0
El valor de z = 55 millas expresa la distancia ms corta del nodo 1 al nodo 2, que
tambin es igual a y2 y1 = 55 0 = 55.
La determinacin de la ruta misma, a partir de esta solucin, es algo ingenioso. Se
ve que la solucin satisface en forma de ecuacin a las restricciones de las rutas 13, 34
y 42, por que sus holguras son igual a cero; esto es y3 y1 = 30, y4 y3 = 10, y2 y4 =
15. Este resultado identifica que la ruta ms corta es 1342.
203
Captulo 7
Figura 7.12
Figura 7.13
204
Captulo 7
Figura 7.14
Seleccione SOLVE PROBLEM = > Iterations, y escoja uno de los dos mtodos
(Algoritmo de Dijkstra o el algoritmo de Floyd) para iniciar las iteraciones del modelo de
red.
Figura 7.15
205
Captulo 7
La figura 7.16 muestra las iteraciones del ejemplo de aplicacin 7.1, con TORA, por el
algoritmo de Dijkstra.
Figura 7.16 Solucin de la ruta ms corta del ejemplo de aplicacin 7.1 con TORA
206
Captulo 7
Figura 7.17
Una vez hecha la seleccin de Network Modeling haga clic en New Problem, y
escoja el tipo de problema en este caso Shortest Path Problem (Problema de camino ms
corto) y coloque los datos del problema (criterio de la funcin objetivo, formato de los
datos de entrada, nmero de nodos) y haga clic en OK
Figura 7.18
207
Captulo 7
Figura 7.19
Una vez ingresados los datos del problema haga clic en Solve and Analyse y haga
clic en Solve and Display Steps Network.
Figura 7.20
Aparecer la primera iteracin, luego presione Iteration = > Next Iteration. Hasta
hallar el ptimo. En la figura 7.21 se resuelve el ejemplo de aplicacin 7.1.
208
Captulo 7
Figura 7.21
Figura 7.22 Solucin de la ruta ms corta entre los nodos del ejemplo de aplicacin 7.1 con
WinQSB.
209
Captulo 7
Figura 7.23
210
Captulo 7
Datos de Entrada
N de Nodos
N1
N2
N3
N4
N5
N6
N7
N1
9999
2
9999
7
9999
9999
9999
<<Maximo 10
N2
2
9999
4
9999
1
9999
9999
Demanda
0
0
0
0
0
0
1
Solucin ptima:
Clculos intermedios:
8
Costo Total =
Nombre Nodo
Flujo Demanda Desde
Desde - hasta
Flujo Capacidad
N1
1
1
1
1
N1 - N2
1
999999
N2
2
0
0
1
N1 - N3
0
999999
N3
3
0
0
1
N1 - N4
0
999999
N4
4
0
0
1
N1 - N5
0
999999
N5
5
0
0
1
N1 - N6
0
999999
N6
6
0
0
1
N1 - N7
0
999999
N7
7
-1
-1
2
N2 - N1
0
999999
2
N2 - N3
0
999999
2
N2 - N4
0
999999
2
N2 - N5
1
999999
2
N2 - N6
0
999999
2
N2 - N7
0
999999
3
N3 - N1
0
999999
3
N3 - N2
0
999999
3
N3 - N4
0
999999
3
N3 - N5
0
999999
3
N3 - N6
0
999999
3
N3 - N7
0
999999
4
N4 - N1
0
999999
4
N4 - N2
0
999999
4
N4 - N3
0
999999
4
N4 - N5
0
999999
4
N4 - N6
0
999999
4
N4 - N7
0
999999
5
N5 - N1
0
999999
5
N5 - N2
0
999999
5
N5 - N3
0
999999
5
N5 - N4
0
999999
5
N5 - N6
0
999999
5
N5 - N7
1
999999
6
N6 - N1
0
999999
6
N6 - N2
0
999999
6
N6 - N3
0
999999
6
N6 - N4
0
999999
6
N6 - N5
0
999999
6
N6 - N7
0
999999
7
N7 - N1
0
999999
7
N7 - N2
0
999999
7
N7 - N3
0
999999
7
N7 - N4
0
999999
7
N7 - N5
0
999999
7
N7 - N6
0
999999
Hasta
2
3
4
5
6
7
1
3
4
5
6
7
1
2
4
5
6
7
1
2
3
5
6
7
1
2
3
4
6
7
1
2
3
4
5
7
1
2
3
4
5
6
Costo uni
2
9999
7
9999
9999
9999
2
4
9999
1
9999
9999
9999
4
3
5
6
9999
7
9999
3
9999
2
9999
9999
1
5
9999
8
5
9999
9999
6
2
8
4
9999
9999
9999
9999
5
4
Figura 7.24 Solucin de la ruta ms corta entre los nodos 1 y 7 del ejemplo de aplicacin 7.1 con
SOLVER de Excel
211
Captulo 7
Paso 2.
Paso 3.
Captulo 7
7
D
2
5
4
3
E
4
Figura 7.25
7
D
2
5
4
3
E
4
Figura 7.26
7
D
2
5
4
B
E
4
Figura 7.27
7
D
2
5
1
C
4
B
E
4
Figura 7.28
213
Captulo 7
2
5
4
3
E
4
Figura 7.29
2
5
4
3
E
4
Figura 7.30
7
D
2
5
1
C
4
B
E
4
Figura 7.31
Todos los nodos han quedado conectados, por lo que sta es la solucin ptima que
se buscaba. La longitud total de las ramas es 14 km.
Aunque con este procedimiento a primera vista puede parecer que la seleccin del
nodo inicial afectara la solucin final (y la longitud de los arcos), en realidad no es as. Se
sugiere que se verifique este hecho para el ejemplo, aplicando de nuevo el algoritmo, pero
iniciando en un nodo distinto de O.
214
Captulo 7
Figura 7.32
Figura 7.33
Seleccione SOLVE PROBLEM, para iniciar las iteraciones del modelo de red.
Figura 7.34
215
Captulo 7
La figura 7.35 muestra las iteraciones del ejemplo de aplicacin 7.5, con TORA.
Figura 7.35 Solucin del rbol de expansin mnima del ejemplo de aplicacin 7.5 con TORA
Figura 7.36
Una vez hecha la seleccin de Network Modeling haga clic en new Problem, y
escoja el tipo de problema en este caso Minimal Spanning Tree (rbol de expansin
mnima) y coloque los datos del problema (criterio de la funcin objetivo, formato de los
datos de entrada, nmero de nodos) y haga clic en OK
216
Captulo 7
Figura 7.37
Una vez ingresados los datos del problema haga clic en Solve and Analyse y haga
clic en Solve and Display Steps Network.
Figura 7.38
Aparecer la primera iteracin, luego presione Iteration = > Next Iteration. Hasta
hallar el ptimo. En la figura 7.39 se resuelve el ejemplo de aplicacin 7.5.
217
Captulo 7
Figura 7.39 Solucin del rbol de expansin mnima del ejemplo de aplicacin 7.5 con WinQSB.
218
Captulo 7
x x
ij
ji
= f ; Si i = 1
x x
ij
ji
= 0 ; Si i 1, n
x x
ij
ji
= f ; Si i = n
1j
Sujeto a:
f si i = 1
j xij j x ji = 0 si i 1, n
f si i = n
0 ij xij ij
Donde:
xij = Flujo por unidad de tiempo que cruza el arco (i, j)
xij = Flujo total de salida del nodo i.
j
ji
219
Captulo 7
De acuerdo a esta formulacin, los arcos del nodo productor a cada uno de los
centros de oferta (2, 3,., m) tendrn una capacidad mxima de flujo igual a la oferta del
lugar. Los arcos de los n centros consumidores al nodo destino, tendrn una capacidad
mnima igual a la demanda del entro. Los arcos que van de los centros de oferta a los
centros de consumo, tendrn una capacidad mxima igual a la capacidad disponible de
transporte por unidad de tiempo entre estos puntos.
Paso 2.
Seleccionar min como la capacidad de flujo mnimo de entre todos los arcos
seleccionados en el paso 1. Esto quiere decir que estamos aumentando el
flujo existente a travs de la red porque enviamos un flujo adicional de rmin
sobre este recorrido.
Paso 3.
Paso 4.
Volver al paso 1.
220
Captulo 7
6
3
B
5
0
0
0
0
Iteracin 1. Recorrido O A D T
min= 3
6
0
3
B
5
3
0
4
6
0
0
0
0
3
0
Iteracin 2. Recorrido O C E T
min= 2
6
0
5
B
3
3
0
4
6
0
2
0
2
3
2
221
Captulo 7
T
E
x jO = f
Oj
xOA + xOC = f
3+2=5
Para el nodo destino T:
Tj
x jT = f
j
x DT x ET = f
3 2 = 5
Para un nodo intermedio, por ejemplo el nodo E:
x
j
Ej
x jE = 0
j
x ET xCE = 0
22=0
La red resultante muestra el flujo mximo y puede ser cortada de diferentes
maneras, de tal manera que se establece el siguiente teorema.
EL FLUJO MXIMO DE CUALQUIER RED ES IGUAL A LA MNIMA
CAPACIDAD DE CORTE
Para explicar este teorema, se definen:
222
Captulo 7
Corte. Cualquier particin del conjunto de nodos en dos clases ajenas: C1 y Cn; la
clase 1 contiene al nodo original y la clase n contiene al nodo destino.
Capacidad De Corte. Es la suma de las capacidades de los arcos que conectan a
todos los nodos que van de C1 a Cn.
Entre todos los cortes posibles en la red, el que tenga la capacidad menor permite el
flujo mximo en la red.
Ejemplo de aplicacin 7.7
Por lo tanto para el ejemplo de aplicacin 7.6 se tiene:
0
6
3
B
5
0
0
4
6
0
0
0
0
0
0
Clase 1 (C1)
Clase n (Cn)
{O}
{A, B, C, D, E, T}
{O, A}
{B, C, D, E, T}
{O, A, B}
{C, D, E, T}
{O, A, B, C}
{D, E, T}
{O, A, B, C, D}
{E, T}
{O, A, B, C, D, E}
{T}
{O, C, E}
{A, B, D, T}
Capacidad de Corte
XOA +XOC
3 + 5
=8
XOC + XAB + XAD
5 + 6 + 6 = 17
XOC + XAD + XBC + XBD + XBE
5 + 6 +4
+ 4 + 6 = 25
XAD + XBD + XBE + XCE
6 + 4 + 6 + 2 = 18
XBE + XCE + XDE + XDT
6 + 2 + 3 + 5 = 16
XDE + XET
5 + 2 = 7
XOA + XCB + XEB + XED + XET
3 + 0 + 0 + 0 + 2 =5
223
Captulo 7
remanentes). La red con los residuales actualizados se llama red residual. Se usar la
notacin ( cij , c ji ) para representar esos residuales.
Para un nodo j que recibe flujo al nodo i, se define una etiqueta [aj, i], donde aj es el
flujo del nodo i al nodo j.
Los pasos del algoritmo son como sigue:
Paso 1. Para todos los arcos (i, j) se iguala la capacidad residual con la capacidad
inicial; esto es, ( cij , c ji ) = ( C ij , C ji ). Sea a1 = y se etiqueta el nodo fuente
1 con [, ]. Se iguala i = 1 y se prosigue al paso 2.
Paso 2. Determinar Si, el conjunto de nodos j no etiquetados que se pueden alcanzar
directamente desde el nodo i, con arcos con residuales positivos (esto es
cij > 0 para toda j Si). Si , ir al paso 3. En caso contrario ir al paso 4.
Paso 3. Determinar k Si tal que
cik = max {cij }
j Si
224
Captulo 7
6
3
B
5
0
0
4
6
0
0
0
0
0
0
225
Captulo 7
6
3
O
[o-o,- ]
B
3
0
0
4
6
0
2
0
2
0
2
[2,E]
[2,C]
[5,O]
Iteracin 2.
Paso 1. Igualar aO = y etiquetar el nodo O con [, ]. Poner i = O.
Paso 2. SO = {A, C}( ).
Paso 3. k = A porque cOA = max {cOA, cOC}= max{3, 3} = 3.(Aunque los empates se
rompen en forma arbitraria, TORA selecciona siempre el nodo empatado que
tenga el ndice menor.) Tomar aA = cOA = 3 y etiquetar el nodo A [3, O].
Igualar i = A y repetir el paso 2.
Paso 2. SA = {B, D}
Paso 3. k = B porque cAB = max {cAB, cAD}= max{6, 6} = 6. Tomar aB = cAB = 6 y
etiquetar el nodo B [6, A]. Igualar i = B y repetir el paso 2.
Paso 2. SB = {C, D, E}
Paso 3. k = D porque cBD = max {cBC, cBD, cBE}= max{4, 4, 6} = 4. Tomar aD = cBD =
4 y etiquetar el nodo D [4, B]. Igualar i = D y repetir el paso 2.
Paso 2. SD = {E, T}
Paso 3. k = T porque cDT = max {cDE, cDT}= max{3, 5} = 5. Tomar aT = cDT = 5 y
etiquetar el nodo T [5, D]. Se obtuvo una irrupcin. Ir al paso 5.
Paso 5. La ruta de irrupcin se determina con las etiquetas comenzando en el nodo T y
termina en el nodo O; esto es, (T) [5, D] (D) [4, B] (B) [6, A]
(A) [3, O] (O). As, N2 = {O, A, B, D, T}y f2 = mn {aO, aA, aB, aD,
aT} = {, 3, 6, 4, 5} = 3. Las capacidades residuales a lo largo de la ruta N2
son:
( cij , c ji )
a) ( cOA , c AO ) = ( C OA f 2 , C AO + f 2 ) = (3 3,0 + 3) = (0,3)
( c AB , c BA ) = ( C AB f 2 , C BA + f 2 ) = (6 3,0 + 3) = (3,3)
( c BD , c DB ) = ( C BD f 2 , C DB + f 2 ) = (4 3,0 + 3) = (1,3)
( c DT , cTD ) = ( C DT f 2 , CTD + f 2 ) = (5 3,0 + 3) = (2,3)
226
Captulo 7
3
0
O
[o-o,- ]
3
[6,A]
B
4
3
1
6
0
2
0
2
[4,B]
0
3
2
[5,D]
Iteracin 3.
Todos los arcos que salen del nodo O tienen residuales ceros, a excepcin del arco
OC, como el nodo C tiene residuales ceros, en consecuencia no hay irrupciones posibles.
Entonces pasaremos al paso 6 para determinar la solucin.
Paso 6. El flujo mximo en la red es F = f1 + f2 = 2 + 3 = 5 unidades. El flujo en los
distintos arcos se calcula restando los ltimos residuales ( cij , c ji ) en la
iteracin 2 de las capacidades iniciales ( C ij , C ji ), como se ve en la tabla
siguiente:
Arco
(O,A)
(O,C)
(A,B)
(A,D)
(B,C)
(B,D)
(B,E)
(C,E)
(D,E)
(D,T)
(E,T)
( C ij , C ji ) ( cij , c ji )
(3,0) (0,3) = (3, 3)
(5,0) (3,2) = (2, 2)
(6,0) (3,3) = (3, 3)
(6,0) (6,0) = (0, 0)
(4,0) (4,0) = (0, 0)
(4,0) (1,3) = (3, 3)
(6,0) (6,0) = (0,0)
(2,0) (0,2) = (2, 2)
(3,0) (3,0) = (0,0)
(5,0) (2,3) = (3, 3)
(2,0) (0,2) = (2,2)
Flujo Direccin
3
OA
2
OC
3
AB
0
3
BD
0
2
CE
0
3
DT
2
ET
227
Captulo 7
20
0
0
10
5
0
30
1
20
10
30
0
0
0
40
20
Figura 7.40
228
Captulo 7
Figura 7.41
Figura 7.42
Figura 7.43
Figura 7.44
229
Captulo 7
La figura 7.45 muestra las iteraciones del ejemplo de aplicacin 7.1, con TORA
Figura 7.45 Iteraciones de flujo mximo para el ejemplo de aplicacin 7.1 con TORA
230
Captulo 7
Figura 7.46
Figura 7.47
Una vez ingresados los datos del problema haga clic en Solve and Analyse y haga clic en
Solve and Display Steps Network.
Figura 7.48
Aparecer la primera iteracin, luego presione Iteration = > Next Iteration. Hasta hallar
el ptimo. En la figura 7.49 se resuelve el ejemplo de aplicacin 7.1.
231
Captulo 7
Figura 7.49 Solucin del problema de flujo mximo del ejemplo de aplicacin 7.1 con WinQSB.
232
Captulo 7
Figura 7.50
233
Captulo 7
Datos de Entrada:
N De Nodos
N1
N2
N3
N4
N5
N1
0
0
0
0
0
N6
N7
<<maximo 10
Matriz de Capacidades (la entrada en blanco = infinito)
N2
N3
N4
N5
N6
N7
3
0
5
0
0
0
0
6
0
6
0
0
0
0
4
4
6
0
0
0
0
0
2
0
0
0
0
0
3
5
Solucin ptima:
Intermediate calculations:
Costo Total =
Nombre
Desde - Hasta
N1 - N2
N1 - N3
N1 - N4
N1 - N5
N1 - N6
N1 - N7
N2 - N1
N2 - N3
N2 - N4
N2 - N5
N2 - N6
N2 - N7
N3 - N1
N3 - N2
N3 - N4
N3 - N5
N3 - N6
N3 - N7
N4 - N1
N4 - N2
N4 - N3
N4 - N5
N4 - N6
N4 - N7
N5 - N1
N5 - N2
N5 - N3
N5 - N4
N5 - N6
N5 - N7
N6 - N1
N6 - N2
N6 - N3
N6 - N4
N6 - N5
N6 - N7
N7 - N1
N7 - N2
N7 - N3
N7 - N4
N7 - N5
N7 - N6
Flujo Capacidad
3
3
0
0
2
5
0
0
0
0
0
0
0
0
0
6
0
0
3
6
0
0
0
0
0
0
0
0
0
4
0
4
0
6
0
0
0
0
0
0
0
0
0
0
2
2
0
0
0
0
0
0
0
0
0
0
0
3
3
5
0
0
0
0
0
0
0
0
0
0
2
2
0
0
0
0
0
0
0
0
0
0
0
0
N1
N2
N3
N4
N5
N6
N7
Nodo
Flujo
1
2
3
4
5
6
7
5
0
0
0
0
0
-5
Demanda Desde
0
0
0
0
0
0
0
1
1
1
1
1
1
2
2
2
2
2
2
3
3
3
3
3
3
4
4
4
4
4
4
5
5
5
5
5
5
6
6
6
6
6
6
7
7
7
7
7
7
Hasta
2
3
4
5
6
7
1
3
4
5
6
7
1
2
4
5
6
7
1
2
3
5
6
7
1
2
3
4
6
7
1
2
3
4
5
7
1
2
3
4
5
6
Flujo
Unitario
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Figura 7.51 Solucin de flujo mximo desde el nodo 1 hasta 7 del ejemplo de aplicacin 7.1 con
SOLVER de Excel
234
Captulo 7
Figura 7.52
Arco capacitado con flujo externo
235
Captulo 7
prcticamente ilimitada. Los costos de transporte, por m3, se indican en sus arcos
respectivos.
Figura 7.53
( i , j ) A
ij
X ij
Sujeta a:
jk
ij
= fj, j
( j , k ) A
( i , j ) A
lij X ij u ij
La ecuacin para el nodo j mide el flujo fj neto en el nodo j como siguen:
(Flujo que sale del nodo j) (Flujo que entra al nodo j) = fj
El nodo j funciona como fuente si fj > 0 y como sumidero si fj < 0.
Siempre se puede eliminar la cota inferior lij de las restricciones, mediante la
sustitucin:
,
La nueva variable de flujo xij , tiene un limite superior igual a uij lij. Adems, el
flujo neto en el nodo i se vuelve fi lij y en el nodo j es fj + lij. La figura 7.54 muestra la
transformacin de la actividad (i,j) despus de que ha salido por sustitucin la cota inferior.
236
Captulo 7
Figura 7.54
Eliminacin de la cota inferior en los arcos
$1
(50,80)
(70
$3
[50]
$5
[200]
,12
0)
$1
$4
)
20
,1
00
(1
$2
$4
$2
$6
[-120]
5
[-80]
Figura 7.55
50
80
x34
1
x35
2
x46
2
x56
4
= 100
= 200
1
1
= 50
1
1
= -150
1
1 = - 80
1 1 = -120
70 0 100 0
120 120
237
Captulo 7
Figura 7.56
f
i =1
=0
238
Captulo 7
Esto indica que la oferta en la red debe ser igual a la demanda total, lo cual se puede
lograr aumentando una fuente o destino ficticio lo cual su objetivo es balancear y esta
conectado con dems nodos de la red y as cumplir con esta condicin, esta fuente o destino
ficticio sus caractersticas son:
Arcos de costo unitario cero.
Y capacidad infinita.
Pero este balanceo no asegura que tenga el problema una solucin factible, se
requiere el conocimiento del mtodo smplex y con la teora de la dualidad antes visto, y
complementariamente puede ayudar el saber el mtodo smplex con cota superior.
Paso 0
Paso 1
Paso 2
Una red con n nodos y flujo neto cero lo que quiere decir que 1 + 1 + +n = 0, lo
cual consiste en n-1 ecuaciones independientes de restricciones, lo cual una solucin bsica
asociadas debe incluir n-1 arcos. Lo cual puede demostrar que una solucin bsica le
corresponde a un rbol de expansin de la red.
El arco entrante lo que consiste en el paso 1 se determina, calculando zij cij , los
coeficientes objetivo, para todos los arcos no bsicos actuales (i, j). Si zij cij 0 para todas i
y j, la base actual (la que se tiene en ese momento) es ptima. En caso contrario se
selecciona el arco no bsico con la z ij cij ms positivo para entrar en la base.
El clculo de los coeficientes objetivo se basa en la dualidad, exactamente como se
hizo con el modelo de transporte. Cuando se aplica el programa lineal, sea wi la variable
dual asociada con la restriccin del nodo i; entonces, el problema dual (excluyendo las
cotas superiores) es
n
Maximizar z = f i wi
i =1
Sujeta a:
wi w j cij (i, j ) A
wi de signo no restringido, i = 1, 2, , n
Segn la teora de la programacin lineal,
wi w j = cij , para el arco bsico (i, j)
239
Captulo 7
Ya que por definicin el programa lineal original tiene una restriccin redundante,
se puede asignar un valor arbitrario a una de las variables duales (comparando con el
algoritmo de transporte). Por comodidad de iguala w1 = 0. A continuacin se resuelven las
ecuaciones (bsicas) wi w j = cij para determinar los valores duales restantes. De acuerdo
con el mtodo 2 de la seccin 5.5. Se sabe segn esto que el coeficiente objetivo de la xij no
bsica es la diferencia entre el lado izquierdo y el lado derecho de la restriccin dual
correspondiente al dual, es decir:
zij cij = wi w j cij
Lo nico que queda por mostrar es la determinacin de la variable de salid, lo cual
haremos con un ejemplo numrico. A continuacin.
Costo unitario
Planta 1
150
$3
(200)
(200)
(150)
$5
$2
(150) $7
$1 (oo)
$3
$6
(400)
Planta 2
400
250 Ciudad 1
(400)
(200)
$8
300 Ciudad 2
Figura 7.57
Red para el ejemplo de aplicacin
Iteracin 0.
Paso 0. Determinacin de una solucin inicial bsica factible: El rbol de expansin
factible inicial de la figura 7.58 (indicados con arcos de lnea llena) se obtiene
por inspeccin. En el caso normal se usa una tcnica de variable artificial para
llegar a esa solucin.
240
Captulo 7
[150]
$3
1
$5
50
$1 (oo)
$6
0)
40
40
0(
0(
40
30
0)
(150) $7
$3
[-250]
0)
20
(
0
10 $2
(1
[400]
150(200)
(200)
$8
[-300]
En la figura 7.58, la solucin bsica factible consiste en los arcos (lnea llena) (1,3),
(2,5), (5,3) y (5,4), con los flujos factibles de 150, 400, 100 y 300 unidades,
respectivamente. Esto deja a los arcos (lneas interrumpida) (2,1), (1,5), (3,4) y (2,4) para
representar a las variables no bsicas. La notacin x(c) en los arcos indica que se asigna un
flujo de x unidades a un arco con capacidad c. Los valores predeterminados para x y c son 0
y , respectivamente.
Iteracin 1.
Paso 1. Determinacin del arco entrante: Se obtienen los valores duales resolviendo
las ecuaciones bsicas actales.
w1 = 0
wi wj = Cij
As se obtienen
Arco (1,3): w1 w3 = 3, por consiguiente w3 = 3
Arco (5,3): w5 w3 = 2, por consiguiente w5 = 1
Arco (2,5): w2 w5 = 3, por consiguiente w2 = 2
Arco (5,4): w5 w4 = 6, por consiguiente w4 = 7
Ahora se calculan zij Cij para las variables no bsicas, como sigue:
Arco (1,5): w1 w5 C15 = 0 (1) 5 = 4
Arco (2,1): w2 w1 C21 = 2 0 7 = 5
Arco (2,4): w2 w4 C24 = 2 (7) 8 = 1
Arco (3,4): w3 w4 C34 = 3 (7) 1 = 3
Por lo anterior, el arco (3,4) entra a la solucin bsica.
241
Captulo 7
[150]
$3
)
00
10 $2
(1
$5
50
5
0)
0(
40
$1 (oo)
$6
0)
40
40
0(
w5= -1
30
$3
[-250]
2
0(
(150) $7
[400]
150(200)
+
-
(200)
$8
[-300]
Paso 2. Determinacin del arco saliente: En la figura 7.59 se ve que el arco (3,4) forma
un bucle con los arcos bsicos (5,3) y (5,4). De acuerdo con la definicin del
rbol de expansin, ya no se puede formar otro bucle. Como el flujo en el arco
nuevo (3,4) debe aumentar, se ajusta el flujo en los arcos del bucle con una
cantidad igual, para, mantener la factibilidad de la nueva solucin. Para lograrlo se
identifica el flujo positivo (+) en el bucle, con la direccin del arco entrante (es
decir, de 3 a 4). A continuacin se asigna (+) o (-) a los arcos restantes del bucle,
dependiendo de si el flujo en cada uno es en o contra la direccin del flujo del arco
entrante. Estas convenciones de signo se muestran en la figura 7.59.
La determinacin de la cantidad mxima de flujo en el arco entrante (3,4), se basas
en dos condiciones:
1. El flujo nuevo en los arcos bsicos actuales del bucle no puede ser negativo.
2. El flujo nuevo en el arco entrante no puede exceder su capacidad.
La aplicacin de la condicin 1 indica que el flujo en el arco (5,4) no puede
disminuir en ms de 300 unidades. La condicin dos estipula que los flujos en los arcos
(5,3) y (3,4) puede aumentar cuando mucho hasta la capacidad del arco mnimo [100, ] =
100 unidades. Entonces, el cambio mximo de flujo en el bucle es mnimo [100, 300] = 100
unidades. Los nuevos flujos en el bucle son entonces 100 unidades en el arco (3,4), 100 +
100 = 200 unidades en el arco (5,3) y 300 100 = 200 unidades en el arco (5,4).
Debido a que ninguno de los arcos bsicos sale de la base a nivel cero, el nuevo arco
(3,4) debe permanecer no bsico en la cota superior. Sin embargo, para no manejar arcos no
bsicos que estn en el valor de su capacidad (o cota superior) se implementara la
sustitucin.
X34 = 100 x43, 0 x43 100
242
Captulo 7
Esta sustitucin se hace en las ecuaciones de flujos asociadas con los nodos 3 y 4
como sigue.
Se tiene que:
Ecuacin actual del flujo en el nodo 3: x13 + x53 = x34 + 250
Ecuacin actual del flujo en el nodo 4: x24 + x34 + x54 = 300
Entonces, la sustitucin x34 = 100 x43 da como resultado:
Nueva ecuacin del flujo en el nodo 3: x13 + x53 = 350 x43
Nueva ecuacin del flujo en el nodo 4: x24 x43 + x54 = 200
En la figura 7.60 se ven los resultados de estos cambios. La direccin de flujo en el
arco (3,4) queda invertida ahora a 43 con x34 = 0, que era lo que se quera. Tambin la
sustitucin requiere cambiar el costo unitario del arco (4,3) a $-1. Indicaremos esta
inversin de direccin en la red, etiquetando el arco con un asterisco.
1
1
(1
$5
50
w5= -1
-$1
40
0)
40
[-350]
$6
40
0(
0(
)
00
2
0(
20 $2
20
$3
0)
(150) $7
[400]
150(200)
100(oo)*
[150]
$3
+
-
(200)
$8
w2= 2
[-200]
w4= -7
Iteracin 2
La figura 7.61 resume los nuevos valores de zij Cij
Ahora se calculan zij Cij para las variables no bsicas, como sigue:
Arco (1,5): w1 w5 C15 = 0 (1) 5 = 4
Arco (2,1): w2 w1 C21 = 2 0 7 = 5
Arco (2,4): w2 w4 C24 = 2 (7) 8 = 1
Arco (4,3): w4 w3 C43 = 7 (3) (1) = 3
Y muestra que el arco (2,4) entra a la solucin bsica. Tambin define al bucle
asociado con el nuevo arco entrante, y as asigna signos a sus arcos.
243
Captulo 7
150(200)
)
00
2
0(
20 $2
(1
50
$5
(150) $7
-$1
w5= -1
[-350]
100(oo)*
[150]
w3 = -3
$3
[400]
$6
0)
40
40
0(
0(
40
20
$3
0)
(200)
$8
w2= 2
[-200]
w4= -7
$3
150(200)
)
00
2
0(
20 $2
(1
$5
50
(150) $7
-$1
[-350]
100(oo)*
[150]
[400]
$6
)
00
20
0(
4
(4
00
)
$3
200(200)
$8
[-200]
244
Captulo 7
Iteracin 3. Los clculos de las nuevas wi y zij Cij de la figura 7.63 muestra que
la solucin es ptima. Con un costo de $3150
Los valores de las variables originales se obtienen por sustitucin en reversa, como
se ve en la figura 7.63
Ahora se calculan zij Cij para las variables no bsicas, como sigue:
Arco (1,5): w1 w5 C15 = 0 (1) 5 = 4
Arco (2,1): w2 w1 C21 = 2 0 7 = 5
Arco (4,5): w4 w5 C45 = 6 (1) 6 = -11
Arco (4,3): w4 w3 C43 = 6 (3) (1) = 2
w1= 0
150(200)
)
00
2
0(
20 $2
(1
$5
50
(150) $7
-$1
w5= -1
[-350]
100(oo)*
[150]
w3 = -3
$3
0(
40
20
00
[400]
2
w2= 2
$6
(4
$3
0)
200(200)
$8
[-200]
w4= -6
7.6.4 Solucin del modelo de flujo capacitado a costo mnimo con hoja de
calculo Excel
Como en los casos de los modelos de ruta ms corta y de flujo mximo, la hoja de
clculo Excel que se desarrollo para el modelo general de transporte (seccin 6.7.3) se
aplica con facilidad al modelo de flujo en red capacitada. La figura 7.64 muestra la
aplicacin al ejemplo 7.10. La hoja de clculo esta diseada para redes con 10 nodos como
mximo. En la matriz de capacidades celdas (N6:W15), una celda en blanco representa un
arco con capacidad infinita. Un arco inexistente se representa con un elemento de capacidad
cero. Como ilustracin, en el ejemplo 6.5.4, el arco de capacidad infinita 12 se representa
con un elemento en blanco en la celda O6, y el arco inexistente 34 se muestra con un
elemento cero en la celda Q8. LA matriz de costos unitarios esta en las celdas B6:K15. En
forma arbitraria se asignaron costos unitarios ceros a todos los arcos inexistentes.
Una vez que se crearon las matrices de costos unitarios y de capacidades, el resto de
la hoja de calculo (las secciones de clculos intermedios y solucin ptima) se crea en
forma automtica, delineando las celdas necesarias para actualizar los parmetros de Solver
para Cambiando las celdas y Restricciones. YA est definida la Celda Objetivo para
cualquier red (con 10 nodos o menos). En forma especifica, para el ejemplo 6.5.4 se tiene:
245
Captulo 7
246
Captulo 7
Datos de entrada:
N de nodos
6
<<mximo 10
N1
0
0
0
0
0
0
N2
3
0
0
0
0
0
Demanda
0
Solucin ptima:
N1
N2
N3
N4
N5
N6
Costo
Total = 680
Desde-Hasta
N1 - N2
N1 - N3
N1 - N4
N1 - N5
N1 - N6
N2 - N1
N2 - N3
N2 - N4
N2 - N5
N2 - N6
N3 - N1
N3 - N2
N3 - N4
N3 - N5
N3 - N6
N4 - N1
N4 - N2
N4 - N3
N4 - N5
N4 - N6
N5 - N1
N5 - N2
N5 - N3
N5 - N4
N5 - N6
N6 - N1
N6 - N2
N6 - N3
N6 - N4
N6 - N5
N4
1
0
1
0
0
0
0
150
80
Clculos intermedios:
Nombre
Flujo Capacidad
0
999999
20
999999
50
50
0
0
0
0
0
0
0
999999
0
0
80
999999
0
0
0
0
0
0
70
70
0
999999
0
0
0
0
0
0
0
0
0
0
0
100
0
0
0
0
0
0
0
0
0
999999
0
999999
0
999999
0
999999
0
999999
0
999999
N1
N2
N3
N4
N5
N6
N3
4
5
0
0
0
0
N1
N2
N3
N4
N5
N6
Nodo
Flujo
1
2
3
4
5
6
70
80
50
-120
-80
0
Oferta
100
200
50
0
0
0
120
Demanda Desde
100
200
50
-150
-80
-120
1
1
1
1
1
2
2
2
2
2
3
3
3
3
3
4
4
4
4
4
5
5
5
5
5
6
6
6
6
6
Costo
unitario
Hasta
2
3
4
5
6
1
3
4
5
6
1
2
4
5
6
1
2
3
5
6
1
2
3
4
6
1
2
3
4
5
3
4
1
0
0
0
5
0
6
0
0
0
1
2
0
0
0
0
0
2
0
0
0
0
4
0
0
0
0
0
247
Captulo 7
a)
b)
c)
A
4
1
5
(origen)
1
4
(destino)
A
4
(origen)
5
6
O
3
C
5
F
1
7
8
(destino)
248
Captulo 7
4. Actualmente, todas las calles del barrio que aparece en la figura son de tierra. Se est
desarrollando un proyecto de pavimentacin para enviar a la Municipalidad. Se desea
que al menos sea posible trasladarse entre los seis puntos ms importantes del sector
por calles pavimentadas. Cules calles recomendara usted pavimentar de modo de
minimizar el costo del proyecto?
40
20
50
40
3
10
4
30
5
30
40
30
20
6
40
5. Suponga que las distancias entre cuatro ciudades vecinas son las que se presentan en
el esquema.
2
6
3
5
7
C
D
6
Suponga que hay inters de pavimentar y conectar estas ciudades a un costo mnimo.
Indique cules seran las rutas a pavimentar desde un punto de vista gubernamental o
del estado y desde un punto de vista de los usuarios.
6. Debido a la construccin de un nuevo sistema de vas subterrneas en una ciudad, se
han planeado dos redes de rutas alternas para el desvo del trnsito. Los diferentes
lmites de velocidad y las vas de trnsito producen diversas capacidades de flujo en
los distintos arcos de las redes propuestas. Cul de las dos redes es la ms adecuada?
Fundamente su respuesta.
Alternativa N1.
(Inicio desvo)
5
1 6
5
0 2
2
0
2 3
3 7
3
5 8
1
1
0 6 7
0
0
7
0
(Fin desvo)
0
0 4 5
249
Captulo 7
Alternativa N2.
(Inicio desvo)
6
0 2 2
0
4
1 6
4 6
0
3
0
3 4
01
0 5 2
0
6
0
(Fin desvo)
7. La empresa SEMAPA, cuenta con una red de caeras muy heterogneas en cuanto a
aos de servicio, y quiere llevar agua de la Planta potabilizadora en A hasta el barrio
G, abasteciendo en el camino todos los dems barrios (B, C, D, E, F). Pretende que el
caudal medido en decenas de litros por segundo sea mximo, pero debido a la edad
avanzada de algunos tramos debi confeccionar un croquis de la ciudad en el cual
consta el flujo mximo que soporta cada tramo.
2
7
0
6
C
3
0
0
5
2
0
0
0
0
0
0
Se pide:
a)
b)
7.8 Bibliografa
MODELOS LINEALES DE OPTIMIZACIN Rafael Terrazas Pastor [Segunda
Edicin]
INVESTIGACIN DE OPERACIONES Hamdy A. Taha [Sptima Edicin]
INVESTIGACIN DE OPERACIONES Moskowitz, Herbert; Wrigth, Gordon P.
INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Frederick S.
Hillier, Gerald J. Lieberman. [Sexta Edicin]
7.9 Enlaces
http://home.ubalt.edu/ntsbarsh/opre640S/SpanishIN.htm#rmaxflpr
250
Captulo 8
CAPTULO 8
PROGRAMACIN DE ACTIVIDADES Y CONTROL DE
PROYECTOS CPM Y PERT
8.1
Los proyectos en gran escala por una sola vez han existido desde tiempos antiguos;
este hecho lo atestigua la construccin de las pirmides de Egipto y los acueductos de
Roma. Pero slo desde hace poco se han analizado por parte de los investigadores
operacionales los problemas gerenciales asociados con dichos proyectos.
El problema de la administracin de proyectos surgi con el proyecto de
armamentos del Polaris, empezando 1958. Con tantas componentes y sub-componentes
juntos producidos por diversos fabricantes, se necesitaba una nueva herramienta para
programar y controlar el proyecto. El PERT (evaluacin de programa y tcnica de revisin)
fue desarrollado por cientficos de la oficina Naval de Proyectos Especiales. Booz, Allen y
Hamilton y la Divisin de Sistemas de Armamentos de la Corporacin Lockheed Aircraft.
La tcnica demostr tanta utilidad que ha ganado amplia aceptacin tanto en el
gobierno como en el sector privado.
Casi al mismo tiempo, la Compaa DuPont, junto con la Divisin UNIVAC de la
Remington Rand, desarroll el mtodo de la ruta crtica (CPM) para controlar el
mantenimiento de proyectos de plantas qumicas de DuPont. El CPM es idntico al PERT
en concepto y metodologa. La diferencia principal entre ellos es simplemente el mtodo
por medio del cual se realizan estimados de tiempo para las actividades del proyecto. Con
CPM, los tiempos de las actividades son determinsticos. Con PERT, los tiempos de las
actividades son probabilsticos o estocsticos.
El PERT/CPM fue diseado para proporcionar diversos elementos tiles de
informacin para los administradores del proyecto. Primero, el PERT/CPM expone la "ruta
crtica" de un proyecto.
Estas son las actividades que limitan la duracin del proyecto. En otras palabras,
para lograr que el proyecto se realice pronto, las actividades de la ruta crtica deben
realizarse pronto. Por otra parte, si una actividad de la ruta crtica se retarda, el proyecto
como un todo se retarda en la misma cantidad. Las actividades que no estn en la ruta
crtica tienen una cierta cantidad de holgura; esto es, pueden empezarse ms tarde, y
permitir que el proyecto como un todo se mantenga en programa. El PERT/CPM identifica
estas actividades y la cantidad de tiempo disponible para retardos.
El PERT/CPM tambin considera los recursos necesarios para completar las
actividades. En muchos proyectos, las limitaciones en mano de obra y equipos hacen que la
programacin sea difcil. El PERT/CPM identifica los instantes del proyecto en que estas
restricciones causarn problemas y de acuerdo a la flexibilidad permitida por los tiempos de
holgura de las actividades no crticas, permite que el gerente manipule ciertas actividades
para aliviar estos problemas.
251
Captulo 8
8.2
Antecedentes
Dos son los orgenes del mtodo del camino crtico: el mtodo PERT (Program
Evaluation and Review Technique) desarrollo por la Armada de los Estados Unidos de
Amrica, en 1957, para controlar los tiempos de ejecucin de las diversas actividades
integrantes de los proyectos espaciales, por la necesidad de terminar cada una de ellas
dentro de los intervalos de tiempo disponibles. Fue utilizado originalmente por el control de
tiempos del proyecto Polaris y actualmente se utiliza en todo el programa espacial.
El mtodo CPM (Crtical Path Method), el segundo origen del mtodo actual, fue
desarrollado tambin en 1957 en los Estados Unidos de Amrica, por un centro de
investigacin de operaciones para la firma Dupont y Remington Rand, buscando el control
y la optimizacin de los costos de operacin mediante la planeacin adecuada de las
actividades componentes del proyecto.
Ambos mtodos aportaron los elementos administrativos necesarios para formar el
mtodo del camino crtico actual, utilizando el control de los tiempos de ejecucin y los
costos de operacin, para buscar que el proyecto total sea ejecutado en el menor tiempo y al
menor costo posible.
Definicin: El mtodo del camino crtico es un proceso administrativo de
planeacin, programacin, ejecucin y control de todas y cada una de las actividades
componentes de un proyecto que debe desarrollarse dentro de un tiempo crtico y al costo
ptimo.
Usos: El campo de accin de este mtodo es muy amplio, dada su gran flexibilidad
y adaptabilidad a cualquier proyecto grande o pequeo. Para obtener los mejores resultados
debe aplicarse a los proyectos que posean las siguientes caractersticas:
a. Que el proyecto sea nico, no repetitivo, en algunas partes o en su totalidad.
b. Que se deba ejecutar todo el proyecto o parte de el, en un tiempo mnimo, sin
variaciones, es decir, en tiempo crtico.
c. Que se desee el costo de operacin ms bajo posible dentro de un tiempo
disponible.
Dentro del mbito aplicacin, el mtodo se ha estado usando para la planeacin y
control de diversas actividades, tales como construccin de presas, apertura de caminos,
pavimentacin, construccin de casas y edificios, reparacin de barcos, investigacin de
mercados, movimientos de colonizacin, estudios econmicos regionales, auditorias,
planeacin de carreras universitarias, distribucin de tiempos de salas de operaciones,
ampliaciones de fbrica, planeacin de itinerarios para cobranzas, planes de venta, censos
de poblacin, etc.
252
Captulo 8
8.3
253
Captulo 8
8.4
Los mtodos CPM (mtodo de la ruta crtica o del camino crtico, critical path
method) y PERT (tcnica de evaluacin y revisin de programa, program evaluation and
review technique) se basan en diagramas, y tienen por objeto auxiliar en la planeacin,
programacin y control de proyectos. Se define un proyecto como conjunto de actividades
interrelacionadas, en la que cada actividad consume tiempo y recursos. El objetivo del
CPM y del PERT es contar con un mtodo analtico para programar las actividades. En la
figura 8.1 se resumen los pasos de estas tcnicas. Primero se definen las actividades del
proyecto, sus relaciones de precedencia y sus necesidades de tiempo.
Captulo 8
8.5
2.
3.
4.
El primer paso para construir la diagrama CPM/PERT consiste en hacer una lista de
cada una de las actividades y de las actividades que inmediatamente las debe preceder.
Para la pregunta 4, la duracin de los tiempos estimados (das, semanas, horas, etc.)
de cada actividad se establece de acuerdo al rendimiento de la mano de obra y del nmero
de obreros asignados a cada actividad.
8.6
Cada actividad del proyecto se representa con un arco que apunta en la direccin de
avance del proyecto. Los nodos del diagrama establecen las relaciones de precedencia entre
las diferentes actividades del proyecto.
Regla 1.
Regla 2.
La figura 8.2 muestra como se puede usar una actividad ficticia para representar
dos actividades concurrentes, A y B. Por definicin, la actividad ficticia, que normalmente
se representa con un arco de lnea interrumpida, no consume tiempo o recursos. La
insercin de una actividad ficticia en una de las cuatro formas que se ven en la figura 8.2,
mantiene la concurrencia de A y B, y tambin proporciona nodos finales nicos para las dos
actividades (para satisfacer la regla 2)
Red
A
A
B
2
B
A
B
A
Figura 8.2 Uso de una actividad ficticia para tener representacin nica de las actividades
concurrentes A y B
255
Captulo 8
Regla 3.
Para contestar estas preguntas se podr necesitar el uso de actividades ficticias, para
asegurar las precedencias correctas entre las actividades. Por ejemplo, considere al
siguiente segmento de un proyecto.
1. La actividad C comienza de inmediato despus de haber terminado A y B.
2. La actividad E se inicia despus de que solo termino la actividad B
La 1 parte de la figura 8.3 muestra la representacin incorrecta de esta relacin de
precedencia, porque pide que A y B terminen antes de poder iniciar E. En la 2 parte se
corrige la situacin con el uso de la actividad ficticia.
Figura 8.3 Uso de una actividad ficticia para asegurar una relacin de precedencia correcta.
256
Captulo 8
Predecesor (es)
Instalacin de faenas
Llevar servicios al sitio
Excavar
Vaciar cimientos
Plomera exterior
Muro de mampostera
Instalacin elctrica
Contrapiso
Armar el techo
Plomera interior
Cubierta
Recubrimiento aislante exterior
Instalar ventanas y puertas exteriores
Poner ladrillo
Aislar paredes y techos
Revoque interior
Cielo raso
Acabados interiores
Acabados exteriores
Limpieza y retiro de escombro
A
C
B, C
D
F
G
F
E, H
I
F, J
F
L, M
G, J
O
I, P
P
I, N
S
Duracin
(Das)
1
2
1
2
6
10
3
1
1
5
2
1
2
4
2
2
1
7
7
3
Tabla 8.1
La figura 8.5 muestra el diagrama que describe las relaciones de precedencia entre
las diferentes actividades. Con las actividades ficticias (lneas segmentada), se obtienen
nodos finales nicos para las actividades de concurrentes. La numeracin de los nodos se
hace en forma que indique el avance en el proyecto.
257
Captulo 8
K-2
I-
S- 7
18
11
12
3
19
14
Q-1
-2
E-6
17
T-
O-2
10
N-4
L-1
9
H-1
J-
F - 10
-1
A
C-1
D-2
-3
16
M-2
P-2
13
R-7
15
258
Captulo 8
8.7
8.8
= mx {
+ Dpj,
+ Dqj,..,
+ Dvj}
259
Captulo 8
Paso inicial.
Paso general j. Dado que los nodos p, q, , y v estn enlazados en forma directa
con el nodo j por actividades de salida (j, p), (j, q),, (j, v) y que
ya se calcularon los tiempos ms tardos de los nodos p, q, , y
v, el tiempo tardo del nodo j se calcula como sigue:
j = mn {p Djp, q Djq,.., v Djv}
El paso hacia atrs se termina cuando se calcula 1.
Con base en los clculos anteriores, una actividad (i, j) ser crtica si satisface tres
condiciones:
1. i = i
2. j = j
3. j i =
= Dij
=0
Nodo 2.
+ D12 = 0 + 1 = 1
Nodo 3.
+ D23 = 1 + 1 = 2
Nodo 4.
= mx. {
Nodo 5.
+ D35 = 2 + 2 = 4
Nodo 6.
+ D56 = 4 + 10 = 14
Nodo 7.
+ D67 = 14 + 1 = 15
Nodo 8.
+ D78 = 15 + 2 = 17
Nodo 9.
+ D69 = 14 + 3 = 17
Nodo 10.
10
= mx. {
+ D14,
+ D4-10,
+ D9-10}= mx. {2 + 6, 17 + 1}
+ D9-11,
11
= mx. {
+ D6-11,
10
+ D10-11}
260
Captulo 8
Nodo 12.
12
Nodo 13.
13
={
11
7
+ D11-12 = 23 + 2 = 25
+ D7-13,
12
14
13
+ D13-14 = 27 + 1 = 28
Nodo 15.
15
13
+ D13-15 = 27 + 7 = 34
Nodo 16.
16
= mx. {
+ D6-16,
11
17
= mx. {
+ D7-17,
16
18
Nodo 19.
19
= mx. {
17
+ D17-18 = 28 + 7 = 35
8
+ D8-19,
14
+ D14-19,
15
+ D15-19,
18
+ D18-19}
= mx. {17 + 0, 28 + 0, 34 + 0, 35 + 3}
= mx. {17, 28, 34, 38} = 38
Los clculos indican que se puede acabar en 38 das.
Paso hacia atrs.
Nodo 19. Hacer o definir 19=
19
= 38
261
Captulo 8
= 14, 11 =
11
= 23, pero j i =
= Dij
23 14 = 23 14 = 0
6 =
= 14, 16 =
16
= 24, pero j i =
= Dij
24 14 = 24 14 = 2
9 =
= 17, 11 =
11
= 23, pero j i =
= Dij
23 17 = 23 17 = 0.
Por consiguiente, esas actividades no son crticas.
262
Captulo 8
Leyenda
Paso hacia adelante
28
15
-2
4
17
17
11
10
12
18
18
29
25
E-6
12
2
17
35
35
S- 7
18
T-
23
23
P-2
38
28
19
14
13
31
27
38
38
Fin del paso
hacia adelante
Q-1
4
4
N-4
L-1
16
O-2
-1
A
F - 10
D-2
M-2
28
28
24
24
J-
I-
H-1
22
C-1
14
14
1
1
-3
2
2
K-2
0
0
Ruta critica
38
17
R-7
15
38
34
Figura 8.6
Clculos de los pasos hacia delante y hacia atrs para el proyecto del ejemplo de aplicacin 8.2.
263
Captulo 8
8.9
Se indica como se puede usar la informacin obtenida con los clculos de la seccin
8.7 para desarrollar el programa de tiempo, o cronograma. Se reconoce que i representa el
tiempo ms temprano de iniciacin de una actividad (i, j), y que j representa el tiempo ms
tardo de terminacin. Esto quiere decir que ( i, j) limita el intervalo mximo de tiempo
durante el cual se puede programar la actividad (i, j).
Construccin de un cronograma preliminar. Se ilustrara con un ejemplo el
mtodo para construir un cronograma preliminar.
Ejemplo de aplicacin 8.4
Determinar el cronograma para el proyecto del ejemplo de aplicacin 8.3 (figura
8.6)
Se puede tener un cronograma preliminar para las distintas actividades del proyecto
poniendo sus intervalos de tiempo respectivos como se ve en la figura 8.7. Es necesario
hacer dos observaciones.
1. Las actividades crticas (representadas por las lneas llenas) se deben
programar una inmediatamente despus de la otra, para asegurar que el
proyecto se termine en la duracin especificada de 38 das.
2. Las actividades no crticas (representadas por lneas segmentadas) abarcan
intervalos que tienen duraciones mayores y que por tanto permiten holguras
en su programacin dentro de sus intervalos asignados.
Figura 8.7 Cronograma preliminar para el proyecto del ejemplo de aplicacin 8.2
264
Captulo 8
Figura 8.8
Calculo de las holguras totales y libres
265
Captulo 8
b. Si FFij < TFij , entonces el inicio de la actividad (i, j) se puede demorar cuando
mucho hasta FFij a partir de su tiempo ms temprano de inicio (i) sin causar
conflicto con el programa. Toda demora mayor que FFij (pero no mayor que TFij)
se debe acompaar por una demora igual a partir de j en el tiempo de iniciacin
de todas las actividades que salen del nodo j.
La implicacin de la regla es que una actividad (i, j) no crtica tendr bandera roja si
su FFij < TFij . Esta bandera roja solo importa si se decide demorar el inicio de la
actividad respecto a su tiempo temprano de inicio i, en cuyo caso se debe poner
atencin a los tiempos de inicio de las actividades que salen del nodo j, para evitar
conflictos en el programa.
Ejemplo de aplicacin 8.5
Calcular las holguras de las actividades no crticas del diagrama en el ejemplo 8.5, y
describir su uso en la finalizacin de un cronograma para el proyecto.
La tabla siguiente resume los clculos de las holguras totales y libres. Conviene ms
hacer los clculos en forma directa sobre la diagrama, usando el procedimiento de la figura
8.6
Actividad
Holgura total
Holgura libre
Duracin
no crtica
(TF)
(FF)
B
14
2
12 0 2 = 10
202=0
FIC
34
0
12 2 0 = 10
220=0
I
67
1
28 14 1 = 13 15 14 1 = 0
FIC
6 11
0
23 14 0 = 9 23 14 0 = 9
M
6 16
2
24 14 2 = 8
24 14 2 =8
K
78
2
38 15 2 = 11 17 15 2 = 0
FIC
7 13
0
31 15 0 = 16 27 15 0 = 12
FIC
7 17
0
28 15 0 = 13 28 15 0 = 13
FIC
8 19
0
38 17 0 = 21 38 17 0 = 21
FIC
9 11
0
23 17 0 = 6 23 17 0 = 6
O
11 12
2
29 23 2 = 4 25 23 2 = 0
31 25 2 = 4 27 25 2 = 0
P
12 13
2
Q
13 14
1
38 27 1 = 10 28 27 1 = 0
38 27 7 = 4 34 27 7 = 0
R
13 15
7
FIC 14 19
0
38 28 0 = 10 38 28 0 = 10
FIC 15 19
0
38 34 0 = 4 38 34 0 = 4
Tabla 8.2
Los clculos ponen bandera roja en las actividades B (1,4), FIC (3,4), I (6,7), K
(7,8), FIC (7,13), O (11,12), P (12,13), Q (13,14) y R (13,15), porque sus FF < TF. Las
actividades restantes FIC (6,11), M (6,16), FIC (7,17), FIC (8,19), FIC (9,11), FIC (14,19)
y FIC (15,19), tienen FF = TF, por lo que se pueden programar en cualquier momento entre
su inicio ms temprano y su terminacin ms tarda.
En cuanto a la actividad I con bandera roja, se ve que FF = 0. Eso quiere decir que
cualquier demora en el inicio de I despus de su tiempo ms temprano de inicio (= 14) se
debe acoplar con una demora al menos igual en el inicio de sus actividades posteriores E y
F.
266
Captulo 8
D x
ij ij
todas las actividades definidas (i , j )
267
Captulo 8
A
X12
1
-1
1
B
X14
2
-1
C
X23
1
-1
1
Fict.
X34
0
-1
1
D
X35
2
E
X410
6
F
X56
10
G
X69
3
Fict.
X611
0
H
X910
1
Fict.
X911
0
I
X67
1
J
X1011
5
K
X78
2
Fict.
X717
0
Fict.
X713
0
L
X1116
1
M
X616
2
N
X1617
4
O
X1112
2
P
X1213
2
Q
X1314
1
R
X1315
7
S
X1718
7
T
X1819
3
Fict.
X819
0
Fict.
X1419
0
Fict.
X1519
0
-1
-1
1
-1
1
-1
-1
-1
1
-1
1
1
1
-1
-1
1
-1
-1
-1
-1
1
-1
1
-1
-1
1
-1
1
-1
1
-1
-1
1
1
1
-1
1
-1
-1
1
-1
1
= -1
=0
=0
=0
=0
=0
=0
=0
=0
=0
=0
=0
=0
=0
=0
=0
=0
=0
=1
Tabla 8.3
TORA obtiene la siguiente solucin ptima de la programacin lineal propuesta para la ruta crtica CPM en la tabla siguiente:
Z = 38, x12(A), x23(C), x35(D), x56(F), x69(G), x910(H), x1011(J), x1116(L), x1617(N), x1718(S), x1819(T) = 1; todas las dems = 0. La solucin
define la ruta crtica la ruta crtica como A C D F G H J L N S T, y la duracin del proyecto es 38 das.
268
Captulo 8
2 = 16 (b a )
El razonamiento para hacer esta suposicin es que se considera que las colas de
muchas distribuciones de probabilidad (como en la distribucin normal) estn ms o menos
a 3 desviaciones estndar de la media, de manera que existe una dispersin de alrededor de
6 desviaciones estndar entre las colas.
Para obtener la estimacin del valor esperado Te, tambin es necesaria una
suposicin sobre la forma de la distribucin de probabilidad.
Suposicin 2: la distribucin de probabilidad de cada actividad es (al menos
aproximadamente) una distribucin beta .
Este tipo de distribucin tiene la forma que se muestra en la figura 8.9, con una sola
moda (m) y dos puntos terminales (a y b), en donde se supone que 0 a b. As, se ajusta
bien a las definiciones de los tres tiempos estimados, y da una forma razonable para la
distribucin de los tiempos de las actividades.
Bajo estas suposiciones, el valor esperado del tiempo de una actividad es
aproximadamente
269
Captulo 8
Te = 2m + (a + b )
3
2
Figura 8.9
Modelo de la distribucin de probabilidad para los tiempos de las actividades en el enfoque de tres
estimaciones de pert: m=estimacin ms probable, a=estimacin optimista y b=estimacin pesimista
Los clculos de ruta crtica (CPM) que se describieron en la secciones 8.7 y 8.8 se
puede aplicar en forma directa, sustituyendo la estimacin nica D por D .
Ahora es posible estimar la probabilidad de que un nodo j en la diagrama suceda en
un tiempo programado especificado con anterioridad, S j . Sea e j el tiempo ms temprano
de ocurrencia del nodo j. como las duraciones de las actividades que van del nodo de inicio
al nodo j son variables aleatorias, e j tambin debe ser una variable aleatoria. Suponiendo
que todas las actividades en la diagrama sean estadsticamente independientes, se puede
determinar la media, E{e j } y la varianza, var {e j } como sigue, si solo hay una ruta desde el
nodo de inicio hasta el nodo j, la media es la suma de las duraciones esperadas D , para
todas las actividades a lo largo de esa ruta, y la varianza es la suma de las varianza de las
mismas actividades. Por otra parte, si hay ms de una ruta que llegue al nodo j , ser
necesario calcular primero la distribucin estadstica de la duracin de la ruta ms larga,
antes de calcular la media y la varianza correctas.
Este problema es bastante difcil, por que equivale a determinar la distribucin del
mximo de varias variables aleatorias. Por consiguiente, una hiptesis simplificadora es
calcular la media y la varianza, E{e j } y var {e j }, como el de la ruta al nodo j que tenga la
suma mayor de duraciones esperadas de las actividades. Si hay dos o ms rutas que tienen
270
Captulo 8
la misma media (o promedio), se selecciona la que tenga la varianza mayor, por que refleja
la mxima incertidumbre y en consecuencia conduce a un estimado ms conservador de las
probabilidades.
= P{z K j }
var {e j }
var {e j }
En donde
z = Variable aleatoria normal estndar
S j E{e j }
Kj =
var {e j }
La variable aleatoria normal estndar z tiene media 0 y desviacin estndar 1. La
justificacin para usar la distribucin normal es que e j es la suma de variables aleatorias
independientes.
Ejemplo de aplicacin 8.7
Se tiene el proyecto del ejemplo 8.3. Para evitar repetir los clculos de ruta crtica,
se seleccionaron los valores de a, m y b en la tabla siguiente, de tal modo que D ij = Dij para
toda i y j en el ejemplo 8.3
Actividad
i-j
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
T
1-2
1-4
2-3
3-5
4-10
5-6
6-9
9-10
6-7
10-11
7-8
11-16
6-16
16-17
11-12
12-13
13-14
13-15
17-18
18-19
Optimista 1
(a)
1
1
1
1
4
8
1
1
1
3
1
1
1
2
1
1
1
5
5
1
Ms probable 2
(m)
1
2
1
2
6
10
3
1
1
5
2
1
2
4
2
2
1
7
7
3
Pesimista 3
(b)
3
4
3
4
8
12
5
3
3
8
4
3
4
6
4
5
3
9
10
5
Tabla 8.4
Los valores estimados optimistas son tomados en funcin a los rendimientos de la mano de obra en
condiciones favorables sin que se presente ningn contratiempo.
2
Los valores estimados ms probables son tomados en funcin a los rendimientos de la mano de obra en
condiciones normales.
3
Los valores estimados pesimistas son tomados en funcin a los rendimientos de la mano de obra en
condiciones adversas presentndose varios contratiempos.
271
Captulo 8
1-2
1-4
2-3
3-5
4-10
5-6
6-9
9-10
6-7
10-11
7-8
11-16
6-16
16-17
11-12
12-13
13-14
13-15
17-18
18-19
1.33
2.17
1.33
2.17
6.00
10.00
3.00
1.33
1.33
5.17
2.17
1.33
2.17
4.00
2.17
2.33
1.33
7.00
7.17
3.00
0.11
0.25
0.11
0.25
0.44
0.44
0.44
0.11
0.11
0.69
0.25
0.11
0.25
0.44
0.25
0.44
0.11
0.44
0.69
0.44
Tabla 8.5
La tabla siguiente muestra la trayectoria ms larga del nodo 1 a los distintos nodos,
junto con su media y su varianza asociados.
Nodo
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
1-2
1.33
1-2-3
2.66
1-4
2.17
1-2-3-5
4.83
1-2-3-5-6
14.83
1-2-3-5-6-7
16.16
1-2-3-5-6-7-8
18.33
1-2-3-5-6-9
17.83
1-2-3-5-6-9-10
19.16
1-2-3-5-6-9-10-11
24.33
1-2-3-5-6-9-10-11-12
26.5
1-2-3-5-6-9-10-11-12-13
28.83
1-2-3-5-6-9-10-11-12-13-14
30.16
1-2-3-5-6-9-10-11-12-13-15
35.83
1-2-3-5-6-9-10-11-16
25.66
1-2-3-5-6-9-10-11-16-17
29.66
1-2-3-5-6-9-10-11-16-17-18
36.83
1-2-3-5-6-9-10-11-16-17-18-19
39.83
Tabla 8.6
0.665
1.330
1.085
2.415
7.415
8.080
9.165
8.915
9.580
12.165
13.250
14.415
15.080
17.915
12.830
14.830
18.415
19.915
272
Captulo 8
Por ultimo, en la tabla siguiente se calcula la probabilidad de que cada nodo se realice en un
tiempo S j preestablecido, especificado por el analista.
Ruta ms larga basada
en duraciones medias
Nodo
Media de
la ruta
Desviacin estndar
de la ruta
1-2
1.33
0.665
1-2-3
2.66
1.330
1-4
2.17
1.085
1-2-3-5
4.83
2.415
1-2-3-5-6
14.83
7.415
1-2-3-5-6-7
16.16
8.080
1-2-3-5-6-7-8
18.33
9.165
1-2-3-5-6-9
17.83
8.915
10
1-2-3-5-6-9-10
19.16
9.580
11
1-2-3-5-6-9-10-11
24.33
12.165
12
1-2-3-5-6-9-10-11-12
26.5
13.250
13
1-2-3-5-6-9-10-11-12-13
28.83
14.415
14
1-2-3-5-6-9-10-11-12-13-14
30.16
15.080
15
1-2-3-5-6-9-10-11-12-13-15
35.83
17.915
16
1-2-3-5-6-9-10-11-16
25.66
12.830
17
1-2-3-5-6-9-10-11-16-17
29.66
14.830
18
1-2-3-5-6-9-10-11-16-17-18
36.83
18.415
19
1-2-3-5-6-9-10-11-16-17-18-19
39.83
19.915
Sj
Kj
P = {z K j }4
1
2
2
3
2
3
4
5
12
16
14
18
18
20
15
20
18
21
23
25
26
27
27
30
30
31
33
37
25
27
28
30
34
37
38
40
-0.50
1.01
-0.50
0.26
-0.16
0.76
-0.34
0.07
-0.38
0.16
-0.27
0.23
-0.04
0.18
-0.32
0.24
-0.12
0.19
-0.11
0.06
-0.04
0.04
-0.13
0.08
-0.01
0.06
-0.16
0.07
-0.05
0.10
-0.11
0.02
-0.15
0.01
-0.09
0.01
0.31
0.84
0.31
0.6
0.44
0.78
0.37
0.53
0.35
0.56
0.39
0.59
0.48
0.57
0.37
0.59
0.45
0.57
0.46
0.52
0.48
0.52
0.45
0.53
0.5
0.52
0.44
0.53
0.48
0.54
0.45
0.51
0.44
0.504
0.46
0.504
Tabla 8.7
273
Captulo 8
Figura 8.9
274
Captulo 8
demorar el tiempo de inicio de una actividad no crtico, usando las listas desplegables, que
se explican por si solas, dentro del cuadro inferior izquierdo de la pantalla. El impacto de
una demora de una actividad no crtica se vera en forma directa en el cronograma, junto con
una explicacin.
La figura 8.12 y 8.13 muestran los resultados obtenidos de los clculos de PERT en
esos cuadros se pueden ver la media y la varianza de cada actividad o bien se puede ver
tambin la media y la varianza de la ruta ms larga a cada nodo de la red.
Figura 8.10
Figura 8.11
275
Captulo 8
Figura 8.12
Figura 8.13
276
Captulo 8
Figura 8.12
Una vez hecha la seleccin de PERT_CPM haga clic en new Problem, y escoja el
tipo de problema (Deterministic CPM o Probabilistic PERT) en este caso Deterministic
CPM y coloque los datos del problema (titulo del problema, numero de actividades, unidad
de tiempo y formato de entrada de datos) y haga clic en OK. Como se muestra en la figura
8.13
Figura 8.13
277
Captulo 8
Proceda a ingresar los datos del problema de la siguiente manera (figura 8.14):
Figura 8.14
Una vez ingresados los datos del problema haga clic en Solve and Analyse y haga
clic en Solve Critical Path.
Figura 8.15
278
Captulo 8
Figura 8.16
Figura 8.17
279
Captulo 8
En un mapa vaco, haga clic y arrastre en cualquier parte en el mapa para aadir
una nueva tarea. una caja de tarea aparecer en la esquina superior izquierda.
2.
En un mapa con tareas, haga clic dentro de una tarea y agregue un espacio vaco
para crear una nueva tarea que es dependiente de la primera tarea.
3.
En un mapa con tareas, haga clic y arrastre en el espacio vaco para crear una
nueva tarea.
280
Captulo 8
281
Captulo 8
Dependencias
Una dependencia es una relacin entre dos tareas. Para especificar que las tareas en
su proyecto ocurren en cierta orden, crea dependencias entre estas tareas dando un
golpecito a una tarea y arrastre entre tareas. Una dependencia dice que una tarea debe
seguir otra tarea de alguna.
Crear dependencias
Para crear una dependencia:
1. Haga clic y arrastre de una tarea a otra para crear un fin para empezar la
dependencia (la primera tarea deba terminar antes del segundo pueda
empezar).
O
2. Haga clic y arrastre de una tarea a espacio vaco en el mapa para crear una
nueva tarea que es dependiente de la primera tarea.
Para modificar una dependencia entre dos tareas:
282
Captulo 8
Programacin
PERT Chart EXPERT fija la hora de las tareas basadas en la informacin que entre.
Usa la fecha de principio de proyecto (o proyecte la fecha de fin al fijar la hora del fin de
proyecto), la duracin, dependencias y limitaciones para hacer clculos cuando cada tarea
debe empezar y terminar. PERT Chart EXPERT calcula tambin el camino crtico. Ms
abajo est una explicacin de cmo se fijan la hora de las tareas.
Las tareas son programadas basadas en lo siguiente:
1.
2.
3.
4.
5.
2.
3.
Al horario del fin del proyecto, escoja el horario del proyecto empieza opcin de
fecha y entra una fecha en la fecha de fin de proyecto. Cuando fija la hora de del fin de
proyecto, todo tareas se da un tan tarde como sea posible limitacin y es el horario hacia
atrs de la fecha entra.
283
Captulo 8
Duracin
La duracin es la cantidad del tiempo que toma para completar una tarea. Una
duracin para una tarea se puede ingresar en minutos, horas, das, semanas, meses o aos.
Una duracin se puede entrar en el campo de duracin usando el formato siguiente:
M = Minutos
H = Horas
D = Dias
W = Semanas
MO = Meses
Y = Aos
Al fijar la hora de desde el principio del proyecto (verifique la opcin El horario
del proyecto empieza fecha bajo el mapa de herramientas tome forma), la duracin est
acostumbrado a calcular la fecha de fin de una tarea.
Al fijar la hora de del fin del proyecto (desmarque la opcin El horario del
proyecto empieza fecha bajo el mapa de herramientas tome forma), la duracin est
acostumbrado a calcular la fecha de principio de una tarea.
Nota: Las unidades de duracin anteriores toman en cuenta el calendario
(trabajando y el tiempo no de trabajo). En defecto, PERT Chart EXPERT proporciona unas
horas trabajadas en una semana de 5 das estndares, el calendario cotidiano de las 8 horas.
La duracin que usted entra trabajar alrededor de este calendario y como cambia este
calendario su horario cambiar en conformidad.
Las duraciones se pueden entrar tambin en los das pasados. Los das pasados
ignoran el calendario y horarios basado en un da de 24 horas, 7 das una semana sin das
no de trabajo. Pase las unidades de duracin se definen por entrar una e antes de la unidad
de duracin. Por ejemplo, 12eh para 12 las horas pasados o 5ed para 5 los das pasados.
Una duracin de 5 pas los das del mircoles haran el fin de una tarea ocurre el domingo
por la tarde.
Para entrar la duracin:
1.
O
2.
Dependencias
Unas de las caractersticas principales del, PERT Chart EXPERT son la habilidad
para hacer clic y arrastrar para crear fcilmente dependencias entre tareas.
Existen varios tipos diferentes de dependencias. El tipo bsico de la dependencia es
el fin para empezar dependencia. Esto significa que no puede empezar una tarea hasta uno
se termina. As:
284
Captulo 8
Use el ratn para hacer clic de adentro un tarea, arrastre a otro y suelte para
crear la dependencia. En defecto, esto crea un fin para empezar dependencia
entre la primera tarea usted escogi y la segunda tarea.
Lag (Retraso)
La mayor parte de las tareas en un proyecto empiece haya terminado
inmediatamente al gusto de uno pero ocasionalmente puede necesitar entrar una demora.
Cuando existe una cantidad del tiempo que debe transpirar antes de la tarea de segundo
deba ocurrir puede usar A retraso para esto. Un retraso es la cantidad del tiempo que la
tarea de segundo debe esperar despus del primero ataree principios o fines.
Fechas de limitacin (Constraint Dates)
Una fecha de limitacin es una fecha especfica que usted cesionario a una tarea.
Conjuntamente con esta fecha es un tipo de limitacin que determina cmo la fecha es
usada (deba empezar en, deba terminar en, empiece ningn ms temprano entonces, etc.).
Existe varios tipos diferentes de limitaciones, requiera todo que entra una fecha excepte
cuanto antes y como tarde como sea posible.
Tipo de limitacin
El campo de tipo de limitacin le permite para entrar el tipo de limitacin. Escoja
de uno del siguiente:
Lo antes posible.- Los horarios la tarea para suceder tan pronto como que ello
puede basado en dependencias que preceden la tarea, la duracin de la tarea y la fecha de
principio de proyecto. El Cuanto antes la limitacin hace no limite en realidad una tarea
para una fecha particular. Ponga la limitacin teclee para cuanto antes si ya no desee para
tener una fecha de limitacin asociada con una tarea. Entonces ser programado basado en
las dependencias.
285
Captulo 8
Lo ms tarde posible.- Los horarios la tarea para suceder tan tarde como ello puede
basado en las dependencias que siguen la tarea, la duracin de la tarea y la fecha de fin de
proyecto. El Como tarde como sea posible la limitacin hace no limite en realidad una
tarea para una fecha particular.
No terminar antes del.- coloque el horario y la fecha de la tarea para no terminar
antes de la fecha en el campo de fecha de limitacin.
No terminar despus del coloque el horario y la fecha de la tarea para no
terminar despus de la fecha en el campo de fecha de limitacin...
Deba terminar en.- Los horarios la tarea para terminar en la fecha listado en el
campo de fecha de limitacin.
Deba empezar en.- Los horarios la tarea para empezar en la fecha listado en el
campo de fecha de limitacin.
No comenzar antes del coloque el horario y la fecha de la tarea para no
comenzar antes de la fecha en el campo de fecha de limitacin.
No comenzar despus del.- coloque el horario y la fecha de la tarea para no
comenzar antes de la fecha en el campo de fecha de limitacin.
Fecha de limitacin (Constraint Date)
La fecha de limitacin es usada conjuntamente con el tipo de limitacin para fijar la
hora de tareas. El cuanto antes y tan tarde como sea posible los tipos de limitacin no usar
una limitacin fecha as permitiendo la tarea para ser programado basado en las
dependencias asociadas con una tarea.
Ruta Crtica
La ruta crtica es un clculo de horario que determina el camino largusimo para el
fin de un proyecto o al fin de un conjunto de tareas. PERT Chart EXPERT puede calcular el
camino crtico en dos vas. Estos son:
Al fin del proyecto (To the end of the project). - Todas las tareas son comparadas
con la ltima tarea en el proyecto. Si una demora en una tarea impactara esta fecha
entonces la tarea es considerada crtica.
Las dos excepciones para esto es obligacin empezar On/Must Finish en
limitaciones de fecha y las tareas completados (Start On/Must Finish On date constraints
and Completed Tasks). Una tarea con una necesidad empieza en o deba terminar en la
limitacin de fecha est considerado crtico y una tarea que est completo es siempre
Noncritical considerado. El ejemplo debajo de las exhibiciones el camino crtico al fin del
proyecto.
Al fin de cada conjunto de tareas (o la tarea) Cada red de tareas calcula el
camino crtico separadamente dentro de su propio conjunto de tareas. Una tarea es
considerado crtica si ello impacta el fin de su red de tareas (una tarea sencilla es an
considerada su propia red y es por lo tanto crtico). El ejemplo debajo de exhibiciones dos
separe la red de tareas unidas, cada camino crtico calculador dentro de su propio conjunto
de tareas.
286
Captulo 8
.
Transferir un diagrama de evaluacin y revisin del funcionamiento para
Microsoft Project
El PERT Chart EXPERT de uso para crear sus proyectos primero y entonces
transferencia estos mapas a Microsoft Project para programacin adicional.
Si crea un nuevo mapa en PERT Chart EXPERT, configure este mapa y salve este
mapa, es considerado autnomo PERT Chart EXPERT. Esto significa que el archivo de
diagrama de evaluacin y revisin del funcionamiento es un archivo autnomo con todos
los datos y formato dentro de este archivo.
En el PERT Chart EXPERT usted puede hacer dependencias entre tareas y
modificar varios campos de la informacin sobre las tareas en su proyecto, PERT Chart
EXPERT contiene un sistema de programacin simple. Para la programacin ms
elaborada, para manejar recursos, haga la nivelacin de recurso, etc. puede transferir el
diagrama de evaluacin y revisin del funcionamiento para Microsoft Project.
Para transferir el diagrama de evaluacin y revisin del funcionamiento (PERT
Chart EXPERT) actual a Microsoft Project, escoja el botn de barra de herramientas de
Goto Project como se ve en la figura.
287
Captulo 8
288
Captulo 8
8.15 Conclusiones
El PERT y CPM han sido aplicados a numerosos proyectos. Empezando con su
aplicacin inicial al proyecto Polaris y al mantenimiento de plantas qumicas, hoy ellos (y
sus variantes) se aplican a la construccin de carreteras y de edificios, y al desarrollo y
produccin de artculos de alta tecnologa tales como aviones, vehculos espaciales, barcos
y computadores.
El PERT se desarroll para proyectos en donde hubiera incertidumbre en el tiempo
de las actividades (usualmente debido a que el proyecto nunca se haba intentado antes y
por tanto no haba bases de datos, para los tiempos de las actividades). Esto condujo al
enfoque probabilstico que se tom. Mientras que en PERT los estimados de tiempo y sus
distribuciones han sido de controversia, el PERT ha constituido una herramienta til para la
administracin de proyectos. La principal desventaja es que no es funcional para grandes
proyectos, debido a los tres estimados de tiempo que se requieren en cada actividad y a la
capacidad limitada de los computadores actuales, para almacenar esta vasta cantidad de
datos. Adems, el costo de actualizar y mantener la informacin del proyecto con el tiempo
en ambientes tan dinmicos, puede ser excesivamente prohibitivo.
Por otra parte, el CPM se desarroll para manejar proyectos repetitivos o similares
(e.j., mantenimiento de plantas qumicas). Obviamente, se gana gran cantidad de
experiencia con el tiempo en tales circunstancias, aun cuando dos proyectos puede que no
sean iguales. Esta experiencia llev al anlisis de tcnicas de colisin utilizadas en los
diagramas CPM. Mientras que el CPM y PERT son esencialmente lo mismo, sus matices
hacen cada uno aplicable ms que el otro en situaciones diferentes. En ambos mtodos la
informacin esencial deseada es la ruta crtica y las holguras. Estas, le permiten al director
del proyecto hacer decisiones con base a informacin, basado en el principio de
administracin por excepcin, sobre los planes y proyectos del trabajo actual y monitorear
el progreso del proyecto.
8.16 Resumen
El PERT/CPM fue diseado para proporcionar diversos elementos tiles de
informacin para los administradores del proyecto. Primero, el PERT/CPM expone la "ruta
crtica" de un proyecto. Estas son las actividades que limitan la duracin del proyecto. En
otras palabras, para lograr que el proyecto se realice pronto, las actividades de la ruta crtica
deben realizarse pronto. Por otra parte, si una actividad de la ruta crtica se retarda, el
proyecto como un todo se retarda en la misma cantidad. Las actividades que no estn en la
ruta crtica tienen una cierta cantidad de holgura; esto es, pueden empezarse ms tarde, y
permitir que el proyecto como un todo se mantenga en programa. El PERT/CPM identifica
estas actividades y la cantidad de tiempo disponible para retardos
289
Captulo 8
(6)
(2)
(3)
(5)
(4)
(4)
(0)
(6)
(7)
(4)
(7)
(2)
(2)
(5)
1
AC
2
BC
AB
1
BD
AB
2
BE
AB
5
CF
A C, B C
4
CD
A C, B C
1
CE
A C, B C
2
ED
B E, C E
3
EF
B E, C E
6
EG
B E, C E
8
D F C D, B D, E D
3
D G C D, B D, E D
7
FH
C F, D F, E F
2
FG
C F, D F, E F
5
G H E G, F G, D G
6
a) Hallar la ruta crtica por CPM
b) Hallar las holguras libres
c) Que sucede si la actividad D F se modifica a dos das de duracin?
290
Captulo 8
3. Antes de poder introducir un nuevo producto al mercado se deben realizar todas las
actividades que se muestran en la tabla (todos los tiempos estn en semanas).
Se tiene la siguiente programacin de actividades:
Actividad Predecesor
A
B
C
D
E
F
G
H
A
C
A, D
B
E
F, G
6
5
3
2
3
4
4
2
10
6
4
3
5
5
6
4
291
Captulo 8
8.18 Bibliografa
INVESTIGACIN DE OPERACIONES Hamdy A. Taha [Sptima Edicin]
INVESTIGACIN DE OPERACIONES Moskowitz, Herbert; Wrigth, Gordon P.
INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Frederick S.
Hillier, Gerald J. Lieberman. [Sexta Edicin]
8.19 Enlaces
http://www.elprisma.com/apuntes/ingenieria_industrial/cpmpert/default1.asp
http://www.monografias.com/trabajos13/planeco/planeco.shtml#pl
http://www.auladeeconomia.com/metcuant-practicas.htm#pertcpm
http://www.auladeeconomia.com/metcuant-material.htm#pertcpm
292
Captulo 9
CAPITULO 9
TUTORIAL DE MS PROJECT
9.1 Introduccin - Definiciones iniciales.
Un proyecto siempre tiene una duracin y un trabajo a realizar, pero, una planificacin y
anlisis previos son fundamentales, dado que el xito de un proyecto no es algo que sucede
de modo espontneo. Por lo tanto, lo primero y ms importante es planificar: Crear un
plan de proyecto.
Aadir tambin que un proyecto utiliza un conjunto de recursos de diferentes naturalezas
que son utilizados para la consecucin de una serie de tareas debidamente enlazadas,
concatenadas y/o quizs solapadas en el tiempo... Al final, se obtienen los objetivos fruto
del proyecto. El objetivo final de todo proyecto es un producto terminal obtenido, nico y
de calidad.
En resumen, existen tareas a realizar y para realizar esas tareas se utilizan distintos recursos
que posibilitan su ejecucin. Efectuadas las tareas, el objetivo del proyecto es el fin a
alcanzar con mayor o menor desviacin respecto a lo planificado inicialmente.
Tarea: Actividad que tiene un comienzo y un final. Las tareas se solapan, se enlazan, se
concatenan en el tiempo hasta alcanzar una tras otra, la finalizacin del proyecto. Todo
proyecto esta compuesto por tareas. A lo largo del proyecto se pueden establecer unos
hitos.
Hito: Tarea de duracin cero que sirve para evaluar objetivos parciales dentro del proyecto
antes de que ste concluya. Son como puntos de control o marcadores situados
estratgicamente en momentos importantes del proyecto.
Recurso: Conjunto de personas, equipamiento y materiales empleados en la realizacin de
las tareas.
Objetivo: Criterio cuantificable que debe cumplirse para que el proyecto se considere
concluido. Los criterios a cumplir pueden ser la calidad del producto, medidas de costo,
programacin... Existen objetivos no cuantificables directamente tales como la satisfaccin
del cliente.
293
Captulo 9
Se dice que un proyecto es Temporal porque tiene una duracin determinada (una semana,
dos aos...). El factor tiempo es muy importante en la gestin de proyectos. Para la
elaboracin de un proyecto siempre se tendr que fijar o bien una fecha de comienzo a
partir de la cual desarrollar el proyecto hasta alcanzar una fecha de finalizacin, o bien lo
contrario: Se fijar una fecha de terminacin a partir de la cual y retrospectivamente (para
atrs) se vayan "retrocediendo" las tareas a realizar (con sus duraciones) hasta alcanzar la
fecha de comienzo. Los proyectos no son indefinidos, sino que tienen una fecha de
finalizacin y/o de inicio. El que exista una fecha de comienzo y una fecha de finalizacin,
es un factor que diferencia a los proyectos de las llamadas "operaciones en curso". Estas
suelen transcurrir de manera indefinida. Por ejemplo las actividades cotidianas de un
departamento de recursos humanos, de un departamento contable... Sin embargo el objetivo
de contratar a dos expertos en ventas puede constituir un proyecto ya que dichas personas
debern estar contratadas para tal fecha.
En MS Project, la duracin de las tareas se puede fijar en meses, semanas, das, horas o
minutos (las siglas respectivas son: ms, s, d, h, m).
294
Captulo 9
Informacin: Con Microsoft Office Project Standard 2003, podemos dominar con rapidez
el proceso de administracin de proyectos mediante la Gua de proyectos. Se trata de una
ayuda interactiva paso a paso que nos ayuda a configurar proyectos (mediante asistentes),
administrar tareas y recursos, realizar un seguimiento de los procesos as como crear
informes a partir de la informacin de los proyectos.
La gestin de proyectos requiere la aplicacin de una serie de tcnicas, que a lo largo de los
aos han ido surgiendo:
En 1.917 Henry L. Gantt desarrolla un sistema de representacin grfica donde se plasman
las tareas o actividades a realizar frente a una escala de tiempo (en MS Project, hoy se
denomina escala temporal). Hoy esta forma de representacin la utiliza MS Project en su
vista denominada Diagrama de Gantt.
En 1.950 las empresas buscaban expertos capaces de coordinar las tareas y relacionarlas.
295
Captulo 9
En 1.957 Surge el CPM (Critical Path Method) o mtodo de ruta crtica que permite
calcular la duracin de un proyecto en virtud de las tareas que lo componen y su
encadenamiento y/o simultaneidad (que varias tareas se pueden desarrollar al tiempo o bien
una cuando acabe la anterior...). Ese mismo ao, el gobierno americano crea el diagrama
de Pert (Program Evaluation and Review Technique) que relaciona las tareas.
En 1.958, se demuestra la relacin entre el diagrama de Pert y del CPM y bajo esta relacin
se establece que cualquier modificacin en la duracin en una tarea situada la ruta crtica
repercute en la modificacin de la fecha de terminacin del proyecto. Mas tarde
detallaremos que es eso de la ruta crtica.
MS Project conjuga estas tres tcnicas: Gantt, Pert y CPM en su forma de trabajar.
Como ya se ha comentado y para resumir, la planificacin es el paso vital para que el
proyecto se desarrolle bien. Para ello, los pasos a seguir inicialmente, bien pueden ser los
siguientes:
1. Definir la lista de tareas e Hitos.
2. Estimar la duracin de cada tarea.
3. Determinar las relaciones entre las tareas.
4. Construir la estructura de descomposicin de trabajo (WBS).
5. Evaluacin de los recursos del proyecto.
6. Asignacin de recursos a las tareas.
7. Optimizar la estructura.
Con esta informacin, Microsoft Project crea una programacin:
1.- Definir la lista de tareas e hitos. Consiste en acotar los trabajos a realizar. Para realizar
los trabajos se necesitan unos recursos. Las tareas habr que definirlas como algo concreto
y no como algo general. Tendrn una descripcin razonable (ni demasiado general ni
demasiado especfica).
2.- Estimar la duracin de cada tarea. Ya se ha comentado en este captulo como estimar
la duracin de las tareas. La duracin de una tarea, es el periodo de tiempo entre la fecha de
comienzo de una tarea y su fecha de finalizacin. De la duracin de las tareas, se derivar la
duracin del proyecto.
Demoras.
Existen duraciones que pueden verse modificadas, es decir, que la fecha de
finalizacin de una tarea puede verse alterada. A esa alteracin en la duracin y calendario
de las tareas (fecha de comienzo y/o finalizacin de la tarea) se le denomina demora.
Cuando la fecha de comienzo de una tarea se pospone respecto a la prevista, se dice que
existe un retraso. Con MS Project, se pueden organizar y as como realizar un seguimiento
de las tareas de forma eficaz para evitar retrasos y no salirse del presupuesto. Existen por lo
tanto mrgenes de demora dentro de los proyectos. Siempre debemos tener en cuenta la
mxima que dice: "Todo lo que pueda pasar... Va a pasar."
Margen de demora: Es la cantidad de tiempo que una tarea se puede posponer
respecto a la fecha inicial prevista, sin que ello afecte a las fechas de otra tarea o bien a la
fecha final del proyecto.
Si el margen de demora NO afecta a la duracin de otras tareas, dicho margen de
demora se denomina margen de demora permisible (que no pasa nada si se da, se puede
permitir). Es, por lo tanto, la cantidad de tiempo que se puede posponer una tarea sin que
ello suponga un retraso en otras tareas.
Para conseguir esto, que una tarea no se vea afectada por una demora permisible de
otra tarea anterior, los plazos a los que estn sujetos los vnculos, pueden ser adelantados
296
Captulo 9
y/o retrasados o pospuestos, es decir, una tarea que debera comenzar al terminar la
predecesora, se puede adelantar y comenzar sin que haya terminado la anterior con lo cual
se produce un solapamiento que no incide negativamente en el desarrollo del proyecto.
Si el margen de demora NO afecta a la duracin total del proyecto, dicho margen de
demora se denomina margen de demora total. Es la diferencia entre la fecha de comienzo
ms tarde y la fecha de comienzo ms pronto de una tarea. Por ejemplo, una tarea puede
comenzar entre tal y tal fecha. Ese es el margen. Pero si todas o varias de las tareas
comienzan en el umbral de sus fechas de ms tarde, la fecha final del proyecto se ver
retrasada en consecuencia. Son demoras totales.
Existen tareas cuyo margen de demora tiene que ser cero, es decir que no admiten
demoras en absoluto ya que dichos mrgenes incidiran en la duracin final y total del
proyecto. Estas tareas definen lo que MS Project denomina RUTA CRTICA.
Las tareas que definen dicha ruta crtica se denominan TAREAS CRTICAS.
3.- Determinar las relaciones entre las tareas. Las tareas se tienen que ejecutar en un
determinado orden. Las tareas de un proyecto tienen que estar vinculadas entre ellas, es
decir, tienen que tener un vnculo. Los vnculos establecen relaciones de orden entre las
tareas. MS Project establece cuatro posibles tipos de vnculos entre las tareas:
FIN A COMIENZO (FC): Cuando Finaliza la tarea predecesora, la tarea actual
Comienza (este tipo de vnculo es el mas comn y el que MS Project establece de
forma predeterminada cuando se vinculan dos tareas).
297
Captulo 9
FIN A FIN (FF): Cuando Finaliza una tarea, Finaliza la tarea actual.
298
Captulo 9
tipo de vista (diagrama de Pert), las tareas que constituyen la ruta crtica aparecen con un
formato diferente para destacar (generalmente en color rojo). Ver imagen:
5.- Evaluacin de los recursos. Con que recursos se va a contar para llevar a cabo las
tareas. Identificar personas o grupos de personas, el equipamiento necesario para cada tarea
as como las instalaciones necesarias para la realizacin de cada tarea. Tambin es posible
cuantificar econmicamente cada uno de los recursos (cuanto cuesta cada uno), de querer
hacer un seguimiento econmico y presupuestario del proyecto.
6.- Asignacin de recursos a las tareas. Se trata de asociar a cada tarea los materiales,
personal y equipamiento de que se dispone, es decir los recursos anteriormente definidos.
7.- Optimizar la estructura. Para optimizar la estructura del proyecto, es preciso
determinar y modificar los mrgenes de demora de las tareas, existe flexibilidad de
plazos? Mas de una tarea se puede solapar en el tiempo?, etc. De este modo, se mejora y
optimiza el proyecto.
299
Captulo 9
9.4.2 Tareas.
- Introducir las tareas y sus duraciones: Men de Ver - Diagrama de Gantt. En la tabla
izquierda, introducir las tareas en secuencia y hacia abajo. En principio la duracin de cada
tarea es de un da. MS Project lo representa con un 1?
Para las duraciones, escribir la cantidad de tiempo que llevar cada tarea expresndola en
meses, semanas, das, horas o minutos, sin contar los perodos no laborables. Podemos
utilizar las abreviaturas siguientes:
Meses = ms, semanas = s, das = d, horas = h, minutos = m. Si la duracin es estimada (no
definitiva) se acompaa del signo de interrogacin (? -el derecho, el que se utiliza en
ingls). Por ejemplo 3d? representa una duracin estimada de 3 das.
Recordemos: La duracin, es el periodo total de trabajo activo necesario para completar
una tarea. Generalmente es el periodo de tiempo de trabajo desde el comienzo hasta el final
de una tarea, segn se defina en el calendario del proyecto y en el calendario de recursos (a
un recurso se le puede asociar un calendario diferente del general como caso excepcional).
Otro concepto bien distinto es la duracin transcurrida que es el periodo de tiempo
necesario para completar una tarea, tomando como base una jornada de 24 horas, es decir
todo el tiempo (da y noche), y una semana de 7 das, incluyendo, domingos, festivos as
como otros das no laborables. Por ejemplo el tiempo de fraguado de un hormign para el
suelo de una obra puede ser considerado en sbado, domingo... Si necesita de 3 das, no es
preciso que esos das sean laborables. El tiempo asignado a esa tarea ser por lo tanto
cifrado en un periodo de tiempo transcurrido. Las siglas utilizadas para especificar los
periodos de tiempo transcurrido asociados a las tareas terminan con la letra t. As por
300
Captulo 9
301
Captulo 9
En la lnea negra con flecha que vincula las tareas se puede hacer doble clic para modificar
el tipo de relacin a cualquiera de las ya explicadas en este captulo y que de nuevo se
resumen en el siguiente cuadro para sellar conceptos:
Lo mismo que para establecer vnculos existe un botn, existe otro botn que permite
desvincular tareas: Desvincular tareas
.
En un proyecto, es muy frecuente tener que modificar los plazos de las tareas y tener que
reprogramar. En ocasiones aparecen las llamadas delimitaciones. Las delimitaciones son
302
Captulo 9
restricciones que se fijan respecto a cuando tiene que comenzar una tarea o bien para
cuando tiene que estar concluida. (Por ejemplo, la tarea estar concluida para antes de tal
fecha o bien para tal fecha).
Siempre que se une una tarea a un proyecto, MS Project le asocia una delimitacin por
defecto. Si la fecha del proyecto ha sido programada a partir de una fecha de comienzo, la
delimitacin para las tareas es que comiencen lo antes posible (LAP). En el caso de que el
proyecto est programado a partir de una fecha de finalizacin, al insertar una tarea, de
forma predeterminada, esa tarea va a tener la delimitacin de que comience lo mas tarde
posible (LMTP). Otras delimitaciones que se pueden adjudicar a una tarea son las
siguientes:
- NFDD: No finalizar despus del...
- NCDD: No comenzar despus del...
- Superponer tareas o agregar tiempo de posposicin entre ellas: Despus de
especificada la secuencia de tareas, es posible que indiquemos retrasos o posposiciones en
la fecha de comienzo de alguna de ellas.
Se denomina tiempo de posposicin al periodo de tiempo que se define entre dos tareas
vinculadas.
Por ejemplo: Si entre 2 tareas con una vinculacin del tipo FC (fin a comienzo)
establecemos una posposicin de 2 das, esto significar que la segunda de esas dos tareas
comenzar 2 das mas tarde de que finalice la primera de ellas. Estos tiempos de
posposicin, en principio, son valores siempre positivos. Sin embargo si la relacin entre
dos tareas es de FC pero la segunda tarea, la sucesora, puede comenzar unos das antes, se
va a producir un solapamiento en el tiempo con la tarea predecesora. Esto se indica en MS
Project como una posposicin de valor negativo. A esto se le denomina tiempo de
adelanto.
Los tiempos de posposicin o de adelanto se pueden especificar como valores absolutos o
bien como valores porcentuales de la duracin de la tarea en la ficha predecesora de
propiedades de la tarea.
- Establecer fechas fijas para el comienzo o final de una tarea: Cuando se desea,
independientemente de las relaciones entre las tareas, que una de ellas comience en una
determinada fecha, se dice que aparece una restriccin o delimitacin inflexible.
Como se indica?: Para una tarea - Informacin de la tarea - solapa avanzado - Tipo de
delimitacin - Fecha de delimitacin. Tambin desde el botn de informacin de la tarea.
.
- Dividir tareas: En ocasiones una tarea es preciso interrumpirla para acometer otras tareas
con lo cual, queda en la primera una especie de laguna o interrupcin. Queda dividida para
ser continuada mas tarde. Generalmente estas divisiones de deben a causas imprevistas
como por ejemplo la enfermedad de un trabajador para el que no se dispone de sustituto.
303
Captulo 9
304
Captulo 9
Para asignar los recursos a las tareas, estando en la vista de diagrama de Gantt, se
selecciona una tarea y se le asignan los recursos correspondientes teniendo en cuenta que a
una tarea se la puede asignar mas de un recurso. En este caso, se seleccionaran varios
mediante los mtodos de seleccin que conocemos (los propios de Windows utilizando las
teclas del teclado Control y Mays).
Para asignar recursos tenemos el botn: Asignar recursos
.
A los recursos se les asigna un trabajo que realizan y ese trabajo, se expresa en unidades
porcentuales. Un 100% significa que ese recurso se involucra a jornada completa en el
proyecto y en esa tarea concreta.
- Duracin de las tareas: Una tarea tiene una duracin establecida inicialmente en la tabla
de tareas. Si a una tarea se le asocian mas recursos para su ejecucin, MS Project,
automticamente le reduce la duracin.
Por ejemplo: Si a una tarea se le asigna un recurso que resuelve un trabajo al 100% (por
ejemplo un fontanero que trabaja a jornada completa, es decir las 8 horas diarias), si la
duracin estipulada para la tarea es de 2 das, y si la jornada laboral es de 8 horas diarias, al
asignarle ese recurso dicha tarea se realizar en 2 das (8 horas X 2 das = 16 horas). Hasta
aqu
normal.
Pero si adems de ese recurso se le asigna despus otro recurso igual (o sea 2 fontaneros a
jornada completa), la tarea se llevara a cabo en la mitad de
tiempo, es decir en un da. Requerira 2 recursos de a 8
horas: 16 horas s, pero la duracin de la tarea se reducira a
1 da. Esto sucede porque predeterminadamente, MS
Project para cada tarea, en sus propiedades, tiene marcada una casilla de verificacin
denominada Programacin condicionada por el esfuerzo. Si se desmarca esa casilla, la
duracin de la tarea del ejemplo seguira siendo de 2 das pese a tener el doble de recursos
para efectuarse.
Esta opcin se encuentra en Informacin de la tarea, solapa Avanzado
.
Nota: Si se desea que para todas las nuevas tareas que se definan en el proyecto a partir de
un determinado momento se desea tener esa opcin desactivada, desde el lugar desde donde
se configuran todos los productos Microsoft, es decir, desde Men Herramientas Opciones, acudiremos a la solapa Programacin y desactivaremos esta casilla, as, las
nuevas
tareas
no
estarn
condicionadas
por
el
esfuerzo
(inicialmente est activada).
- Comprobacin y modificacin de las asignaciones de los recursos.
Desde el Men desplegable Ver - Uso de recursos podremos ver las asignaciones de
recursos a tareas as como comprobar la sobre asignacin de recursos. Si el nombre del
recurso aparece en rojo es que se encuentra sobre asignado. Es muy conveniente revisar
esas asignaciones.
305
Captulo 9
306
Captulo 9
307
Captulo 9
9.8 Generalidades.
Una vez conocidos los trminos y posibilidades que este programa pone a nuestro alcance
como administradores de proyectos, es el momento de conocer de cerca sus pantallas, su
aspecto (tambin llamado interfaz), sus barras de botones, etc. Como ya hemos comentado,
la filosofa de trabajo y ubicacin de las operaciones generales a lo largo de los mens
desplegables, se mantiene como en el resto de los productos Microsoft.
La versin con la que vamos a realizar este curso es la del reciente MS Project 2003 pero la
compatibilidad con las versiones anteriores, de no disponer de la versin 2003, es
prcticamente total. No existe, por lo tanto, inconveniente en poder seguir este curso si
disponemos de otras versiones anteriores tales como MS Project 2000 o bien MS Project
98. La forma de trabajar es, afortunadamente para nosotros, idntica. nimo por lo tanto.
El programa MS Project se instala desde el CD correspondiente, ahora como producto
integrado en el conjunto de aplicaciones informticas de oficina Microsoft Office Project
2003.
308
Captulo 9
En el caso de que la instalacin sea de MS Project versin 2000, la ubicacin por ejemplo,
es la carpeta sealada en Direccin, y el archivo principal del programa es en este caso
WINPROJ.EXE que aparece en primer lugar en la lista de archivos de la siguiente pantalla
(a la derecha):
309
Captulo 9
Por qu cerrarlo? Porque ofrece posibilidades tales como acceder a la ayuda on-line (si
estamos con conexin permanente a Internet) sobre el programa, buscar ayuda sobre el
tema que tecleemos en el panel de buscar que presenta, o bien abrir alguno de los archivos
de proyecto recientemente utilizados, o bien crear un proyecto nuevo:
Estas ltimas opciones, las podremos realizar desde el Men desplegable de Archivo Abrir.
310
Captulo 9
311
Captulo 9
312
Captulo 9
en caso de dudas. Esto enlazar con la ayuda del programa para tratar de responder a dicha
pregunta. A la derecha del todo de la barra de mens, otro botn de cerrar sirve para cerrar
el proyecto con el que estemos trabajando ahora (documento actual). Pero, de hacer esto,
nos quedaramos dentro del programa: Cerramos al documento pero no el programa.
Es el botn de cerrar de arriba del todo a la derecha (como hemos visto) el que cierra el
programa MS Project. Por lo tanto uno cierra el programa (el de arriba del todo) y el otro
cierra el proyecto vigente o actual dentro del programa.
Los mens desplegables de MS Project son los siguientes:
- Men de Archivo: Contiene las acciones a realizar con el proyecto en uso (los proyectos
se almacenan en disco como archivos. Cada proyecto ser un archivo). Abrir un proyecto,
guardar el proyecto actual, imprimirlo, enviarlo por correo electrnico a un destinatario,
propiedades del proyecto en uso...
- Men de Edicin: Operaciones tales como cortar, copiar, pegar, pegados especiales,
buscar, ir a, reemplazar, vincular y desvincular tareas, dividir tareas...
- Men de Ver: Permite cambiar las vistas (cosa que tambin se puede hacer desde la barra
de vistas de la izquierda -de tenerla mostrada-), manejo y personalizacin de barras de
herramientas, encabezados y pies de cara a imprimir, por ejemplo un diagrama de Gantt,
cambiar los zooms...
- Men de Insertar: Desde l insertaremos tareas, recursos, tareas repetitivas (que se
repiten a intervalos de tiempo regulares), insertaremos un proyecto dentro del actual (con
vinculacin o sin vinculacin
) reorganizndose todo el proyecto,
permite insertar objetos varios, hipervnculos, columnas en la hoja de la vista actual...
- Men de Formato: Operaciones que tienen que ver con la forma esttica (formatos) de
las vistas tales como fuentes, estilos, colores...
- Men de Herramientas: Desde aqu se configura el programa como ya hemos visto en
alguna accin, se configuran y asignan los recursos, se establecen los calendarios del
proyecto,
se
establecen
los
seguimientos
sobre
el
proyecto
actual...
- Men de Proyecto: Sus opciones aportan informaciones sobre el proyecto, permite
ordenar, establecer y aplicar filtros, esquematizar (hacer esquemas) tareas, agrupar tareas...
- Men de Colaborar: Permite trabajando con una aplicacin complementaria a MS
Project llamada MS Project Server, compartir la informacin del proyecto con otros
miembros del equipo del proyecto. Estos aspectos se realizan mediante opciones de este
men.
- Men de Ventana: Simultanear la visualizacin de varios proyectos abiertos en mosaico,
cambiar de uno a otro... (como siempre se ha actuado con este men).
- Men de Ayuda (?): Presenta las posibilidades para buscar ayudas sobre aspectos del
programa. Trae una novedosa herramienta para detectar y reparar posibles problemas con el
propio programa MS Project. Se configura y gestiona el asistente del Office (el muequito
ayudante en forma de clip que suele aparecer por pantalla ofrecindonos sus servicios de
ayuda).
313
Captulo 9
314
Captulo 9
Accederemos a un men de botones como el anterior, en el que se puede hacer clic sobre
cualquier elemento para aadirlo o eliminarlo de la barra de herramientas.
La barra de herramienta segn su posicin pueden ser flotantes o estar fusionadas con los
contornos de la ventana de documento. En funcin de las barras de herramientas visibles y
su posicin, el aspecto de la ventana de MS Project puede variar mucho.
Aviso: En ocasiones, las barras de herramientas que se encuentran fusionadas o "aparcadas"
en vez de encontrarse "en paralelo", se encuentran "empalmadas" una a continuacin de la
otra (en la misma horizontal), por este motivo, alguna de las dos barras no se muestra
completa (con todos los botones que el usuario espera de ella), provocando de este modo
desconcierto al no ser encontrados ciertos botones. Que hacer? Deberemos arrastrar una de
ellas posicionndola en paralelo debajo de la otra.
Si se desea aadir o quitar de cierta barra de herramientas cualquier botn sea de la
naturaleza que sea, est aparcada o no, mediante el men de contexto (clic con el botn
derecho del ratn) sobre cualquier botn de cualquier barra. En el men que se despliega
mostrando las barras de herramientas disponibles as como las que se encuentran
visualizadas y las que no, abajo del todo podemos encontramos la opcin de
Personalizar...
Personalizar nos da paso al siguiente panel, que entre otras posibilidades, nos permite desde
la solapa superior de Comandos, ver todas las acciones o comandos (a la derecha)
315
Captulo 9
Para aadir alguno de esos comandos a una de las barras de herramientas visualizadas basta
con arrastrar ese comando (su icono) hasta la posicin en la barra de herramientas deseada
siguiendo estos 3 pasos:
1.
2.
3.
Con lo cual dicho comando, en forma de botn queda en la barra a la que lo hemos
arrastrado.
Para eliminar un botn cualquiera de una barra de herramientas (quitar un botn) basta con
arrastrarlo fuera de la barra mientras se mantiene pulsada la tecla ALT.
.
316
Captulo 9
Presenta ...
Nota: El que la barra de herramientas llamada Gua de proyectos aparezca o no,
inicialmente en pantalla al ejecutar el programa MS Project, depende del estado de la
casilla de verificacin
que se encuentra bajo la solapa Interfaz
del panel accedido desde Men de Herramientas - Opciones.
317
Captulo 9
9.9.10Barra de estado.
En la zona inferior de la pantalla aparece esta barra indicando aspectos como si se tienen
bloqueadas las teclas maysculas, si estamos para editar en modo insertar o en modo
sobrescribir... Nada especial que mencionar.
318
Captulo 9
abrirlo as como protegerlo mediante contrasea (entre otras cosas). Tambin hablaremos
de conceptos de Windows fundamentales para el correcto uso de los archivos y tambin de
los archivos de plantilla. Comenzamos.
319
Captulo 9
Otra forma de comenzar un proyecto es cerrar mediante Men Archivo - Cerrar el proyecto
llamado Project1 inicial que aparece en pantalla (sin guardar los cambios en el caso de que
sea preguntado) y desde el propio Men de Archivo - Nuevo, crearemos un nuevo proyecto
en blanco. Esto nos dejara en la misma situacin anterior de un nuevo proyecto vaco como
punto de partida para trabajar, ubicndonos en la vista diagrama de Gantt.
Desde la solapa General de ese mismo panel podemos establecer que aparezca o no la vista
de tareas al inicio de un nuevo proyecto y si aparecer o no de forma automtica el panel de
propiedades del proyecto al crear uno nuevo. Tambin se define el nombre de usuario del
programa y el nmero de archivos recientes que aparecen en la parte inferior del men
desplegable de archivo para poder abrir de forma rpida proyectos recientes (entre otras
320
Captulo 9
cosas).
Por defecto MS Project propone como fecha de comienzo la fecha actual del sistema.
Desplegando en el cuadro de Fecha de comienzo mediante el triangulito derecho, aparece
un calendario Windows desde el cual podemos avanzar o retroceder meses (con sendos
botones con triangulito negro en la parte superior), aos y de este modo indicar el da de la
fecha deseada como fecha de inicio del proyecto. Para nuestro ejemplo fijaremos la fecha 1
de junio de 2004.
Al sealar una fecha queda fijada como fecha de inicio del proyecto. En ese mismo panel,
aparece inmediatamente debajo un cuadro donde se fija Programar a partir. Desde aqu se
establece si las fechas iniciales del proyecto se fijan a partir de la fecha de comienzo o bien
a partir de la fecha de finalizacin (ver explicacin en captulo-1). Por defecto aparece
fijado este cuadro en Programar a partir de la fecha de comienzo:
As, la fecha de finalizacin por lo tanto quedar supeditada a la duracin de las tareas que
compongan el proyecto, y por este motivo la fecha de finalizacin aparece atenuada ya que
no se puede fijar en este momento.
Si se programa a partir de la fecha de finalizacin, el cuadro que aparece atenuado es el
contrario, el de la fecha de comienzo.
Al aceptar el panel, el panel derecho de la vista diagrama de Gantt se desplaza hasta
aparecer dicha fecha en pantalla.
321
Captulo 9
Captulo 9
desean ver los archivos en esta ventana como Vista previa, podamos visualizar en la mitad
derecha del panel una pequea parte del contenido de los archivos (as sabremos mas sobre
si es ese o no el proyecto que deseamos abrir). Es una opcin interesante pero hace que
"engorde" el tamao de los archivos de proyecto.
323
Captulo 10
CAPTULO 10
SISTEMAS DE COLAS
10.1 Introduccin a sistemas de colas
El sistema de colas es parte de la vida diaria, esto se ve siempre al esperar un
servicio. Esperamos para entrar a un restaurante, hacemos colas en la caja de un
supermercado y nos formamos para recibir el servicio en la oficina de correos. Y este
fenmeno no se limita a los humanos, puede ser los trabajos que esperan ser procesados en
una mquina, los cronogramas de vuelos, la espera de los automviles en luz roja, en la
misma construccin el hecho de empezar algn tem requiere la espera de la finalizacin de
uno o varios tems. Desafortunadamente no se puede eliminar la espera sin incurrir en
gastos desmesurados. De hecho, todo lo que cabe esperar es reducir el impacto
desfavorable a niveles tolerables.
En este captulo se aplica la teora de colas. El problema es determinar que
capacidad o tasa de servicio proporciona el balance correcto. Esto no es sencillo, ya que el
cliente no llega a un horario fijo, es decir, no se sabe con exactitud en que momento
llegarn los clientes. Tambin el tiempo de servicio no tiene un horario fijo.
10.2 Definicin.
Una Cola es una lnea de espera y la teora de colas es una coleccin de modelos
matemticos que describen sistemas de lneas de espera particulares o sistemas de colas.
Los modelos sirven para encontrar el comportamiento de estado estable, como la longitud
promedio de la lnea y el tiempo de espera promedio para un sistema dado. Esta
informacin, junto con los costos pertinentes, se usa, entonces, para determinar la
capacidad de servicio apropiada.
324
Captulo 10
325
Captulo 10
326
Captulo 10
Ambas componentes del sistema tienen costos asociados que deben de considerarse.
Figura 10.1
Modelo de decisin para lnea de espera basado en costo
327
Captulo 10
Llegadas
Aeropuerto
Aviones
Aeropuerto
Depto. de
bomberos
Compaa
telefnica
Lavado de
carros
Pasajeros
Alarmas de
incendio
Nmeros
marcados
La corte
Casos
Panadera
Clientes
Carga de
camiones
Oficina de
correos
Crucero
Autos
Camiones
Cola
Aviones en
carreteo
Sala de espera
Incendios
Pista
Avin
Depto. De
Bomberos.
Llamadas
Conmutador
Autos sucios
Mecanismo
de lavado
Casos
atrasados
Clientes con
nmeros
Camiones en
espera
Cartas
Buzn
Cartas de
negocios
Reproduccin
Autos
Subensamble
Notas de
dictado
Pedidos
Hospital
Pacientes
Autos en lnea
Inventario en
proceso
Cartas para
mecanografiar
Trabajos
Personas
enfermas
Fbrica
Mecanismo
de Servicio
Juez
Vendedor
Muelle de
carga
Empleados
por correos
Crucero
Estacin de
trabajo.
Secretaria
Copiadoras
Hospital
328
Captulo 10
Figura 10.2
Modelos de sistemas de colas
329
Captulo 10
f (t ) = e t , t > 0
Tambin se sabe que para la distribucin exponencial
E{ t } =
P{t T } =
dt
= 1 e T
e (T + S )
=
e s
= e T
= P{t > T }
330
Captulo 10
60
= 1.5 fallas por hora. As, la
40
1.5
10
60
f t <
= 0.22
= 1 e
60
Que es baja. Si en este momento son las 7:00 P.M., la probabilidad de que suceda una
falla a las 8:30 P.M. aumenta hasta aproximadamente 0.9 (comprubelo). Estos 2 valores
extremos indican que no se puede analizar la afirmacin del operador con base en
estimaciones de probabilidad, y que se debe confiar en las caractersticas de la distribucin
exponencial (aleatoriedad total) para refutar la afirmacin.
= e
Para un intervalo suficientemente pequeo h > 0,
(h )2 = 1 h + 0(h 2 )
Po (h) = e h = 1 h +
2!
331
Captulo 10
Pn` (t ) = lim h 0
Po` (t ) = lim h 0
En donde
Pn (t + h) Pn (t )
= Pn (t ) + Pn 1 (t ), n > 0
h
Po (t + h) Po (t )
= Po (t ), n = 0
h
la
332
Captulo 10
Las fuertes relaciones entre las distribuciones exponenciales y de poisson, para una
frecuencia de llegadas por unidad de tiempo se pueden resumir como sigue:
Exponencial
Tiempo t entre
llegadas
sucesivas
t0
De Poisson
Cantidad n de llegadas
durante un periodo especifico
T.
n = 0, 1, 2,
( T ) n e T
f (t ) = e t , t 0 p n (T ) =
, n = 0, 1, 2..
n!
Variable aleatoria
Intervalo
Funcin de densidad
Valor de la media
unidades de
T llegadas durante T.
tiempo
P{t A} = 1 e A Pn N (T ) = p o (T ) + p1 (T ) + +
Probabilidad acumulada
P{t > A} = e A
p o ( A) = e A
24 60
= 120 Nacimientos/da.
12
po
0
(
120 1) e 1201
(1) =
0!
=0
333
Captulo 10
10.10.2
p N (t + h) = p N (t )(1 h)
p N (t + h) = p N (t )(1 h) + p n +1 (t ) h, 0 < n < N
p N (t + h) = p o (t )(1) + p1 (t ) h
Cuando h0, se obtiene
p N` (t ) = p N (t )
p n` (t ) = p n (t ) + p n +1 (t ),0 < n < N
p o` (t ) = p1 (t )
La solucin de esas ecuaciones es la distribucin truncada de poisson:
( t ) N n e t
p n (t ) =
, n = 1,2, , N
( N n)!
p o (t ) = 1
p
n =1
(t )
334
Captulo 10
P0(t ) +
Lambda
0
0
0
0
0
0
0
Mu
3
6
9
12
45
18
21
c
1
1
1
1
1
1
1
Lmite de la fuente
18
18
18
18
18
18
18
335
Captulo 10
Se definir lo siguiente:
n = Cantidad de clientes en el sistema (en la cola y en el servicio)
n = Frecuencia de llegada cuando hay n clientes en el sistema
n = Frecuencia de salida cuando hay n clientes en el sistema
Pn = Pr obalidad de estado estable de que haya n clientes en el sistema
El modelo generalizado define a Pn como funcin de n y Pn. Despus se usan esas
probabilidades para determinar las medidas de funcionamiento del sistema, como la
longitud promedio de la cola, el tiempo promedio de espera y la utilizacin promedio de la
instalacin.
Las probabilidades Pn se calculan usando el diagrama de frecuencia de transicin
(o rapidez o tasa de transicin) de la figura 10.3. El sistema de cola est en el estado n
cuando la cantidad de clientes en l es n. Como se explic en la seccin 10.9, la
probabilidad de que suceda ms de un evento durante un intervalo pequeo h, tiende a cero
cuando h0. Eso quiere decir que para n > 0, el estado n solo puede cambiar a dos estados
posibles: n 1 cuando hay una salida de frecuencia n, y n + 1 cuando hay una llegada con
la frecuencia n. El estado 0 slo puede cambiar al estado 1 cuando hay una llegada con la
frecuencia 0. Observe que 0 no esta definida, porque no pueden haber salidas si el sistema
est vaci.
Figura 10.3
Diagrama de transicin en colas de poisson
Bajo condiciones de estado estable, para n > 0, las tasas esperadas de flujo de
entrada y de salida del estado n deben ser iguales. Con base en el hecho que el estado n slo
puede cambiar a los estados n 1 y n + 1, se obtiene:
Tasa esperada de
= n 1 Pn 1 + n +1 Pn +1
flujo hacia el estado n
De igual manera,
Tasa esperada de
= ( n + n ) Pn
flujo que sale del estado n
Al igualar las dos frecuencias se obtiene la siguiente ecuacin de balance:
n 1 Pn 1 + n +1 Pn +1 = (n + n ) Pn , n = 1, 2,...
En la figura 10.3 se ve que la ecuacin de balance asociada con n = 0 es
0 P0 = 1 P1
Las ecuaciones de balance se resuelven recursivamente en funcin de P0 como
sigue: para n = 0.
P1 = 0 P0
1
Despus, para n = 1,
0 P0 + 2 P2 = (1 + 1 ) P1
336
Captulo 10
Se sustituyen P1 = 0 P0 y se simplifica, para obtener (comprubelo!).
1
P2 = 1 0 P0
2 1
Se puede demostrar por induccin que, en general.
....0
Pn = n 1 n 2
n n 1 .....1
P0 , n = 1, 2,...
n =0
Pn = 1
n = 0, 1,...
60
12 = 5, m3 a necesitarse por hora, n = 0, 1, 2, 3
Entonces:
10
P1 = P0 = 2 P0
5
2
10
P2 = P0 = 4 P0
5
3
10
P3 = P0 = 8 P0
5
3
10 10
P4 = P0 = 8 P0
5 10
3
10 10
P5 = P0 = 8 P0
5 10
10
P6 =
5
10
P0 = 8 P0
10
3
10 10 10
Pn =
5 10 15
n 6
2
P0 = 8
3
n 6
P0 , n = 7, 8,...
337
Captulo 10
2 2
2
P0 + P0 2 + 4 + 8 + 8 + 8 + 8 + 8 + 8 + 8 + ..... = 1
3
3 3
2 2
P0 31 + 8 1 + + + ...... = 1
3 3
1
, x <1
xi =
1 x
i =0
Para obtener:
= 1
P0 31 + 8
2
En consecuencia P0 =
1
.
55
= 3P0 + 2( P1 + P2 + P3 ) + 1( P4 + P5 + P6 ) + 0( P7 + P8 + ...)
de mixers sin funcionar
= 1 Mixer
338
Captulo 10
Figura 10.4
Esquema de un sistema de cola con c servidores en paralelo
Una notacin cmoda para resumir las caractersticas de la cola son las que se
muestra en la figura 10.4 y tiene el siguiente formato:
(a/b/c) : (d/e/f)
En donde:
a = Distribucin de las llegadas
b = Distribucin de las salidas (o del tiempo de servicio)
c = Cantidad de servidores en paralelo (= 1, 2,..., )
d = Disciplina de la cola
e = Cantidad mxima (finita o infinita) admisible en el sistema (en la cola
ms en servicio)
f = Tamao de la fuente (finito o infinito)
Las notaciones normales o estndar para representar las distribuciones de llegadas y
de salidas (smbolos a y b) son:
M = Distribucin de Markov (o de Poisson) de las llegadas o de las salidas
(o lo que es igual, distribucin exponencial del tiempo entre llegadas o
tiempo de servicio)
D = Tiempo constante (determinstico)
Ek = Distribucin de Erlang o gamma del tiempo (o bien, la suma de
distribuciones exponenciales independientes)
GI = Distribucin general del tiempo entre llegadas
G = Distribucin general del tiempo de servicio
Entre la notacin de disciplinas de cola (smbolo d) estn:
339
Captulo 10
Ls = nPn
n =1
Lq =
(n c) P
n = c +1
340
Captulo 10
=
+
Esto se traduce a
W s = Wq +
Ls = Lq +
ef
c = Ls Lq =
ef
(Utilizacion de la instalacion ) = c
c
Captulo 10
n = 6
Automviles/hora,
n = 0, 1, 2, ..., 8
60
n 30 = 2n, automviles/hora, n = 0, 1, 2,...,5
n =
5 60 = 10, automviles/hora, n = 6, 7, 8
30
De acuerdo con la seccin 10.11,
3n
n = 1, 2,...., 5
P0 ,
n!
Pn = n
3 P,
n = 6, 7, 8
5!5 n 5 0
Figura 10.5
Relacin entre
, ef , perdido
3 3 2 33 3 4 35 3 6
37
38
P0 + P0 +
+ +
+ +
+ 2 + 3 = 1
1
!
2
!
3
!
4
!
5
!
5
!
5
5!5
5!5
Captulo 10
As,
Ws =
Ls
ef
3.1286
= 0.53265 hora
5.8737
1
= 0.03265 hora
2
La cantidad promedio de puestos ocupados es la misma que la cantidad promedio de
servidores ocupados,
ef 5.8737
c = L s Lq =
=
= 2.9368 puestos
2
De c se obtiene
c 2.9368
Utilizacin de cajones = =
= 0.58736
c
5
Wq = 0.53265 -
10.12.2
En esta seccin se presentan dos modelos para el caso en que hay un solo servidor
(c = 1). En el primer modelo no se establece limite para la cantidad mxima en le sistema, y
en el segundo se supone un limite finito del sistema. Ambos modelos suponen una fuente
de capacidad infinita. Las llegadas suceden con la frecuencia de clientes por unidad de
tiempo, y la tasa de servicio es clientes por unidad de tiempo.
Los resultados de los dos modelos (y en realidad de todos los modelos restantes de
la seccin 10.12) se deducen como casos especiales del modelo generalizado de la seccin
10.11.
Se usar la notacin de Kendall para resumir las caractersticas de cada caso. Como
las deducciones de Pn en la seccin 10.11 y de todas las medidas de desempeo en la
seccin 10.12.1 son totalmente independientes son de determinada disciplina de cola, se
usar el smbolo DG (disciplina general) con la notacin.
(M/M/1) : (DG//). Con la notacin del modelo generalizado se tiene que
n =
, n = 0, 1, 2, ....
n =
Tambin, ef = y perdido = 0, porque todos los clientes que llegan pueden entrar al
sistema.
343
Captulo 10
Si =
Pn = n Po , n = 0, 1, 2,...
1
Suponiendo que < 1, la serie geomtrica tiene la suma finita
, y entonces,
1
P0 = 1 , siempre que < 1
La frmula general de Pn es entonces la de la siguiente distribucin geomtrica:
Pn = (1 ) n , n = 1, 2, ..... ( < 1)
La deduccin matemtica de Pn impone la condicin que < 1 o que < . Si ,
la serie geomtrica no converge, y no existirn las probabilidades de Pn de estado estable.
Este resultado tiene sentido, intuitivamente, porque a menos que la tasa de servicio sea
mayor que la frecuencia de llegada, la cola crece en forma indefinida.
La medida de desempeo Lq se puede deducir como sigue:
n =0
n =0
Ls = nPn = n(1 ) n
d n
d n = 0
d 1
=
= (1 )
d 1 1
= (1 )
Como ef = para este caso, las medidas restantes de desempeo se calculan con las
ecuaciones de la seccin 10.12.1. As,
Ws =
Ls
1
1
=
(1 )
Wq = W s
Lq = Wq =
(1 )
2
1
c = Ls Lq =
344
Captulo 10
una volqueta es exponencial, con 10 minutos de promedio. Las volquetas que no se pueden
estacionar en la instalacin pueden esperar en el arroyo junto al camino. Eso quiere decir
que para todo fin prctico no hay lmite del tamao del sistema. El residente de obra de la
construccin desea determinar el tamao del estacionamiento.
60
Para este caso = 4 volquetas por hora y =
= 6 volquetas por hora.
10
Como =
Figura 10.6
Resultados del ejemplo de aplicacin obtenidos con TORA
Por ejemplo, podr ser ms factible disear el estacionamiento de tal modo que una
volqueta que llegue encuentre lugar al menos el 90% de las veces.
Sea K la cantidad de puestos de estacionamiento. Tener K puestos equivale a tener
K + 1 lugares en el sistema (en la cola y en la cola de carga). Una volqueta que llega
345
Captulo 10
1 K +1
La suma de la serie geomtrica truncada es igual a
. Entonces, la condicin
1
se reduce a
1 K +1 0.9
Al simplificar la desigualdad se obtiene
K +1 0.1
10.14.1
Modelos de costos.
346
Captulo 10
Las formas ms sencillas de EOC y EWC son las siguientes funciones lineales:
EOC ( x) = C1 x
EWC ( x) = C 2 Ls
En donde
C1 = Costo por unidad de x por unidad de tiempo
C2 = Costo de la espera por unidad de tiempo por cada cliente que espera
En los dos ejemplos que siguen se explica el uso del modelo de costo. En el primero
se supone que x es igual a la tasa de servicio , y en el segundo se supone que x es igual a la
cantidad de servidores en paralelo, c.
10.14.2
La viabilidad del modelo de costo depende de lo bien que se pueda estimar los
parmetros de costo. En general es difcil estimarlo, en especial el relacionado con el
tiempo de espera de los clientes. El modelo de aspiracin alivia esta dificultad al trabajar en
forma directa con las medidas de desempeo de la cola que se trate. La idea es determinar
un intervalo aceptable de nivel de servicio ( o c) especificando limites razonables de
medidas contrapuestas de desempeo. Esos lmites son los niveles de aspiracin que desea
lograr quien toma las decisiones.
Ilustraremos el procedimiento aplicndolo al modelo de varios servidores donde se
desea determinar una cantidad c Aceptable de servidores. Esto se hace teniendo en cuenta
las dos medidas (contrapuestas) de desempeo.
1. El tiempo promedio en el sistema Ws.
2. El porcentaje de inactividad de los servidores, X.
El valor de Ws se puede calcular usando TORA. El porcentaje de inactividad se
puede calcular como sigue:
X=
c ( Ls Lq )
ef
cc
100 =
100 = 1
c
c
c
100
347
Captulo 10
Figura 10.7
Aplicacin de niveles de aspiracion
En la toma de decisiones en lnea de espera
En donde y son los niveles de aspiracin especificados por quien toma las
decisiones. Por ejemplo, se puede estipular que = 3 y = 10 por ciento.
348
Captulo 10
349
Captulo 10
10.16 Bibliografa
INVESTIGACIN DE OPERACIONES Hamdy A. Taha [Sptima Edicin]
INVESTIGACIN DE OPERACIONES Moskowitz, Herbert; Wrigth, Gordon P.
INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Frederick S.
Hillier, Gerald J. Lieberman. [Sexta Edicin]
10.17 Enlaces
http://www.elprisma.com/apuntes/curso.asp?id=8921
http://www.itlp.edu.mx/publica/tutoriales/investoper2/
http://www.elprisma.com/apuntes/apuntes.asp?page=22&categoria=604
http://www.elprisma.com/apuntes/curso.asp?id=5892
350
Captulo 10
351
Anexo A
ANEXO A
Operaciones Matriciales
350
Anexo A
Matrices
Definicin de una matriz
Una matriz es un ordenamiento rectangular de elementos. El elemento aij de la matriz A
ocupa el i-esimo rengln y la j-esima columna del conjunto. Se dice que una matriz con
m renglones y n columnas es de tamao (o orden) mn. por ejemplo, la siguiente matriz
es de tamao (43).
a
a
a
21 22 23
A=
= a ij
a 31 a 32 a 33
a a a
41 42 43
4 x3
Tipo de matrices
1. Una matriz cuadrada tiene m = n.
2. Una matriz inversa es una matriz cuadrada en la que los elementos de la
diagonal principal son 1 y los elementos diagonales 1 y los elementos no
diagonales son cero. Por ejemplo una matriz indentidad de (33).
1 0 0
I 3 = 0 1 0
0 0 1
1 4
1 2 3
A = 2 5 A T =
4
5
6
3 6
Matrices no singulares
Una matriz es de rango r si el mayor ordenamiento cuadrado en ella que tiene
determinante distinto de cero es del tamao r. Matriz cuadrada con determinante
distinto de cero se llama matriz no singular o de rango total. Por ejemplo,
1 2 3
A = 2 3 4
3 5 7
351
Anexo A
= 1 0
2 3
(A
) (
A A 1 I = I A 1
1 2 3 x1 3
2 3 2 = x2 = 4
3 3 4 x 5
3
La solucin de X y la inversa de la matriz de base se pueden obtener directamente con
la ecuacin
A 1 ( A I b ) = I A 1 A 1b
2 3 2 0 1 0 4
3 3 3 0 0 1 5
Iteracin 1
1 2
3 1 0 0 3
0 1 4 2 1 0 2
0 3 5 3 0 1 4
Iteracin 2
1 0 5 3 2 0 1
1 1 4 2 1 0 2
0 0 7 3 3 1 2
352
Anexo A
Iteracin 3
1 0 0 7
0 1 0 2
7
0 0 1 3
1
7
5
7
3
5
7
4
7
1
7
7
6
7
2
3
6
2
, x 2 = y x 3 = . La inversa de A es la matriz del lado
7
7
7
derecho, que es la misma que se obtiene con el mtodo de la matriz adjunta.
Si B 1 Pj
1
B 1 Pj
(B
(B
)
)
lugar r , B 1 P
j
+1
1
B Pj m
1
Pj
Pj
Para demostrar la validez de la formula B-1siguiente se define F como una matriz identidad
de m cuya r-sima columna se reemplaza por B-1Pj; esto es,
F = e1 , e r 1 , B 1 Pj , e r +1 , , e m
Ya que Bsiguiente difiere de B solo por que r-sima columna se sustituye con Pj, entonces
B siguiente = BF
As,
1
B siguiente
= (BF ) = F 1 B 1
1
353
Anexo A
2 1 0
B = 0 2 0
4 0 1
Iteracin 0
Bo = B
1
o
1 0 0
= 0 1 0
0 0 1
Iteracin 1
2 0 0
B1 = 0 1 0
4 0 1
2
1
Bo P1 = P1 = 0
4
2
0
E 1 =
2
4
B11
r =1
0 0
1 0
0 1
1
0 0
2
= 0 1 0
2 0 1
Iteracin 2
2 1 0
B2 = 0 2 0 = B
4 0 1
1
1
0 0 1
2
2
B11 P2 = 0 1 0 2 = 2 r = 2
2 0 1 0 2
354
Anexo A
E2 = 0
B 1 = B 21 = E 2 B11
1
1
2
1
4
2
0
1
1
+
0 = 0
2
2
( 2 ) 1 0 1
1
4
1
= 0
2
0 1
1
1
0 1
4
2 0 0 2
1
0 0 1 0 = 0
2
1 2 0 1 2 1
(escalar) (matriz)
a21 a22 a2 n
p
V = (v1 , v2 , , vm ), A =
,P = 2
a a a
mn
pm
m1 m 2
1. (Vector rengln matriz, VA). La operacin solo se define si el tamao del
vector rengln V es igual a la cantidad de reglones de A lo cual se da:
m
m
m
VA = vi ai1 , vi ai 2 , , vi ain
i =1
i =1
i =1
355
Anexo A
n
a mj pj
j =1
1
10, 20, 30 1 10 + 2 20 + 3 30 120
2 =
=
=
40, 50, 60 80, 100, 120
(2)
356
Anexo B
ANEXO B
Tabla de Distribucin Normal
356
Anexo B
z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
4.0
4.1
4.2
4.3
4.4
0'00
0.50000
0.53983
0.57926
0.61791
0.65542
0.69146
0.72575
0.75804
0.78814
0.81594
0.84134
0.86433
0.88493
0.90320
0.91924
0.93319
0.94520
0.95543
0.96407
0.97128
0.97725
0.98214
0.98610
0.98928
0.99180
0.99379
0.99534
0.99653
0.99744
0.99813
0.99865
0.99903
0.99931
0.99952
0.99966
0.99977
0.99984
0.99989
0.99993
0.99995
0.99997
0.99998
0.99999
0.99999
0.99999
0'01
0.50399
0.54380
0.58317
0.62172
0.65910
0.69497
0.72907
0.76115
0.79103
0.81859
0.84375
0.86650
0.88686
0.90490
0.92073
0.93448
0.94630
0.95637
0.96485
0.97193
0.97778
0.98257
0.98645
0.98956
0.99202
0.99396
0.99547
0.99664
0.99752
0.99819
0.99869
0.99906
0.99934
0.99953
0.99968
0.99978
0.99985
0.99990
0.99993
0.99995
0.99997
0.99998
0.99999
0.99999
0.99999
0'02
0.50798
0.54776
0.58706
0.62552
0.66276
0.69847
0.73237
0.76424
0.79389
0.82121
0.84614
0.86864
0.88877
0.90658
0.92220
0.93574
0.94738
0.95728
0.96562
0.97257
0.97831
0.98300
0.98679
0.98983
0.99224
0.99413
0.99560
0.99674
0.99760
0.99825
0.99874
0.99910
0.99936
0.99955
0.99969
0.99978
0.99985
0.99990
0.99993
0.99996
0.99997
0.99998
0.99999
0.99999
1.00000
0'03
0.51197
0.55172
0.59095
0.62930
0.66640
0.70194
0.73565
0.76730
0.79673
0.82381
0.84849
0.87076
0.89065
0.90824
0.92364
0.93699
0.94845
0.95818
0.96637
0.97320
0.97882
0.98341
0.98713
0.99010
0.99245
0.99430
0.99573
0.99683
0.99767
0.99831
0.99878
0.99913
0.99938
0.99957
0.99970
0.99979
0.99986
0.99990
0.99994
0.99996
0.99997
0.99998
0.99999
0.99999
1.00000
0'04
0.51595
0.55567
0.59483
0.63307
0.67003
0.70540
0.73891
0.77035
0.79955
0.82639
0.85083
0.87286
0.89251
0.90988
0.92507
0.93822
0.94950
0.95907
0.96712
0.97381
0.97932
0.98382
0.98745
0.99036
0.99266
0.99446
0.99585
0.99693
0.99774
0.99836
0.99882
0.99916
0.99940
0.99958
0.99971
0.99980
0.99986
0.99991
0.99994
0.99996
0.99997
0.99998
0.99999
0.99999
1.00000
0'05
0.51994
0.55962
0.59871
0.63683
0.67364
0.70884
0.74215
0.77337
0.80234
0.82894
0.85314
0.87493
0.89435
0.91149
0.92647
0.93943
0.95053
0.95994
0.96784
0.97441
0.97982
0.98422
0.98778
0.99061
0.99286
0.99461
0.99598
0.99702
0.99781
0.99841
0.99886
0.99918
0.99942
0.99960
0.99972
0.99981
0.99987
0.99991
0.99994
0.99996
0.99997
0.99998
0.99999
0.99999
1.00000
0'06
0.52392
0.56356
0.60257
0.64058
0.67724
0.71226
0.74537
0.77637
0.80511
0.83147
0.85543
0.87698
0.89617
0.91309
0.92786
0.94062
0.95154
0.96080
0.96856
0.97500
0.98030
0.98461
0.98809
0.99086
0.99305
0.99477
0.99609
0.99711
0.99788
0.99846
0.99889
0.99921
0.99944
0.99961
0.99973
0.99981
0.99987
0.99991
0.99994
0.99996
0.99998
0.99998
0.99999
0.99999
1.00000
0'07
0.52790
0.56749
0.60642
0.64431
0.68082
0.71566
0.74857
0.77935
0.80785
0.83398
0.85769
0.87900
0.89796
0.91466
0.92922
0.94179
0.95254
0.96164
0.96926
0.97558
0.98077
0.98500
0.98840
0.99111
0.99324
0.99492
0.99621
0.99720
0.99795
0.99851
0.99893
0.99924
0.99946
0.99962
0.99974
0.99982
0.99988
0.99992
0.99995
0.99996
0.99998
0.99998
0.99999
0.99999
1.00000
0'08
0.53188
0.57142
0.61026
0.64803
0.68439
0.71904
0.75175
0.78230
0.81057
0.83646
0.85993
0.88100
0.89973
0.91621
0.93056
0.94295
0.95352
0.96246
0.96995
0.97615
0.98124
0.98537
0.98870
0.99134
0.99343
0.99506
0.99632
0.99728
0.99801
0.99856
0.99897
0.99926
0.99948
0.99964
0.99975
0.99983
0.99988
0.99992
0.99995
0.99997
0.99998
0.99999
0.99999
0.99999
1.00000
0'09
0.53586
0.57535
0.61409
0.65173
0.68793
0.72240
0.75490
0.78524
0.81327
0.83891
0.86214
0.88298
0.90147
0.91774
0.93189
0.94408
0.95449
0.96327
0.97062
0.97670
0.98169
0.98574
0.98899
0.99158
0.99361
0.99520
0.99643
0.99736
0.99807
0.99861
0.99900
0.99929
0.99950
0.99965
0.99976
0.99983
0.99989
0.99992
0.99995
0.99997
0.99998
0.99999
0.99999
0.99999
1.00000
357
Anexo B
358