Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNIVERSIDAD
NACIONAL
DE COLOMBIA
Sede Palmira
Departamento de Ciencias Básicas
UNIVERSIDAD NACIONAL DE COLOMBIA
Sede Palmira
ISBN : 958-8095-09-3
Derechos reservados .
LISTA DE FIGURAS 7
INTRODUCCiÓN. 9
2. PROGRAMACiÓN LINEAL. 16
3. PROGRAMACiÓN ENTERA. 73
APÉNDICE A. 217
BIBLIOGRAFíA 230
LISTA DE FIGURAS
,,' igura 12. Cambio de flujo de unidades del segundo tablero. lOS
Figura 13. Sistema de vías para el transporte en autobuses de una ciudad. 120
Figura 14. Posibilidades de construir una red eléctrica entre siete municipios. 127
Figura 14-1. Diseño para construir una red eléctrica entre siete municipios. 128
Figura 16. Solución factible para una Red de flujo máximo propuesta. 132
Figura 20. Red sin trayectorias de aumento para el ejemplo de flujo máximo. 135
Figura 22. Hoja de trabajo en EXCEL para el ejemplo de la red de distribución. 141
Figura 23. Cuadro de diálogo de SOLVER en EXCEL. 142
Figura 24. Hoja EXCEL con la solución SOLVER para la red de distribución. 143
Figura 27. Diagrama de red para el proyecto del traslado de las oficinas. 153
Figura 29. Distribución beta para las tres estimaciones dc tiempo dc PERl'. 162
El texto y el material didáctico están divididos en diez secciones que cubren los temas
del curso de Investigación de Operaciones para la carrera de Administración de
Empresas de la Universidad Nacional de Colombia, Sede Palmira.
Cada tema se ilustra con suficientes ejemplos y al final de cada sección se proponen
ejercicios para que sean resueltos por el lector.
9
1. GENERALIDADES SOBRE INVESTIGACiÓN DE OPERACIONES.
10
INVESTIGACION DE OPERAC IONES PARA I NGEN IER IAS y ADM IN ISTRACION DE EMPRESAS
11
LU IS ALBERTO RINCON ABR IL
Las etapas esenciales en el uso de cualquiera de las anteriores técnicas son las
siguientes:
12
INVEST l t'.\C ION DE O I'ER,\C IONES I',\ R,\ I N(;[N IERI ,\ S y L | iI セ i n i s G i@ R,\C ION DE eセ iGre s L |s@
1.1.1 Ejemplos.
13
L U IS A L BE RTO RI NCON AB RIL
d) Por aumento en las ventas, una procesadora requiere mayor espacio de bodegas.
Una solución alternativa considera la compra de un depósito a 10 Km de la fábrica,
para almacenar los productos terminados. Este plan requiere el traslado del
producto terminado desde la planta hasta el depósito. La gerencia debe
determinar el número óptimo de camiones que serán alquilados o comprados .
Equivale esto, a estimar:
14
I NYESTIGAC ION DE OPERAC IONES PARA I NGEN I ER I /\S y ADM IN ISTR ACION DE EMPRESAS
15
2. PROGRAMACiÓN LINEAL.
16
IN\ I S-II G\C!ON Dr: Ol'rlU( ' IO NES I',\RA I NGEN I ER I,\ S y L |dセi i n i s M i サG|c iHI n@ DC uipreセas@
J7
LU IS ALI3ERTO R INCON AI3RIL
La función F(Xj ) en las variables X 1, X2, X 3,.... .... ,X n; es lineal , si puede ser
expresada como: F(Xj ) = a1X1 + a2X2 + a3X3 + ........ + anX n
y la condición de no negatividad :
X>O
J- para todo j = 1, 2, 3,.. .... ,n
En donde:
Xj : Variable de decisión asociada con cada actividad j-ésima U=1 ,2,3,... .n) .
18
INVESTI GAC IO N DE O PE RAC ION ES PA R A I NGEN IERI AS y A DMI N ISTR AC ION DE EMPR ESAS
c¡: Coeficiente de efectividad por unidad para la actividad j-ésima U=1,2,... ,n).
b¡: Cantidad limitante del recurso i-ésimo (i=1 ,2,3, .. .m).
a¡¡ : Cantidad de recurso i-ésimo por unidad de actividad j-ésima. Normalmente
reciben el nombre de coeficientes tecnológicos.
Z: Cuantifica la función objeto seleccionada.
Aunque existen varias técnicas para lograr el modelo matemático de cada problema
en particular, se recomienda la siguiente para llegar al propósito.
Es cualquier conjunto de valores positivos para las variables: X 1, X2 , X3 , ... . .... ,X n ; que
cumple cada una y todas las restricciones del modelo matemático de programación
Lineal. En caso contrario, es decir, no cumplen la condición de no negatividad o
algunas de las restricciones, se define como no factible.
19
L U IS ,\ U 3E RTO RI NCON ,\BR IL
Es el conjunto de valores para las variables: X" X2 , X3 , ....... . ,Xn ; que satisfacen el
criterio de factibilidad y optimizan la función objetiva del modelo matenlático de
programación Lineal.
20
INVEST IG¡\C ION DE OPERAC IO NES P;\RA INGEN IER I ,\S y [ |dセQinstraco@ DE H IPR ES /\S
Variables de decisión.
Restricciones.
21
L U I S 1\l.Ilr.RTO RI NCON ,\I1R II .
Producción de salchichas
Alternativa Tipo I Tipo 11
Propuesta Ton/sem Ton/sem
1 O O
2 40 60
3 70 80
4 90 90
5 80 90
6 90 80
22
INVEST Il,AC ION DE OPE RAC IONES PA RA ING EN IERI AS y ADM IN ISTR AC ION DE EMPRESAS
Variables de decisión.
Restricciones.
23
I.lIIS ,\ 1 B !. RTO RINCON ,\I3RIL
X1 + X2 2 50
De acero se mezclarán ::; 70 Ton
X1 ::; 70
De chatarra se mezclarán ::; 40 Ton
X2 ::; 40
El tiempo para la producción ::; 120 horas
2X 1 + 3X 2 ::; 120
La relación chatarra/acero ::; 7/8
7X 1 - 8X 2 2 O
24
INVEST IGAC ION DE OPERAC IONES PARA I NGEN I ER I AS y ,\DM IN IST RAC ION D E EMPRESAS
Variables de decisión.
X 1 : Ton/semana de tomate A.
X2 : Ton/semana de tomate B.
X3 : Ton/semana de tomate C.
Restricciones.
2S
LUIS ALBERTO RINCON ABR IL
26
IN\TS'II(; ,\C!ON DE OPER ,\CIONES PARA INCEN IERI AS y L |iIセ i n i str O |cion@ DE eセ ip res N |s@
Variables de decisión.
X, : Número de mesas.
X2 : Número de sillas,
X 3 : Número de escritorios,
X4 : Número de libreros.
Restricciones.
27
LU IS ALBERTO RINCON ABR I L
28
INVEST IGAC ION DE OPERAC I ONES P;\I<A INGEN IERI AS y adセ i n i strac i on@ DE EM PRESAS
Ejemplo de solución factible gráfica. Aplicando los conceptos de la sección 2.4 .1,
la región solución para el siguiente conjunto de restricciones se tiene en la figura 1.
2X,+3X 2 ::; 12 R1
3X, + 2X 2 ::; 12 R2
X, + X2 ;c: 2 R3
XI ;c: O para j = 1,2
El gráfico se obtiene trazando las rectas correspondientes a las restricciones R1, R2,
R3 Y ubicando el semiplano solución para cada una de ellas.
29
L U I S I\ L J3ERTO I{ INCON ABR Il.
Uno de los teoremas que se presentará para el método Simplex , considera que la
solución óptima al Programa Lineal coincide con uno de los puntos extremos del
conjunto de soluciones factibles ; por tanto en los programas de dos variables de
decisión , será necesariamente uno de los vértices de la región solución. Así pues,
para encontrar la solución óptima basta reemplazar cada uno de los vértices en la
función objetiva y observar cuál genera el mayor valor en el caso de maximizar o cuál
el menor valor en el caso de minimizar.
30
INVEST IG /\C ION DE OPER /\ClONr.S I',\R ,\ INGEN IER I AS y イ|dセ i n i str L |c i on@ DE H I PRES¡\S
El cual tiene solución para Xl = 2.4 Y X2 = 2.4. Con esto los vértices de la región
están determinados y son: A = (0 ,4) , B = (0 ,2) , C = (2,0) , 0 = (4,0) Y E = (2.4 ,2 .4).
Se tendrá entonces que: l A = 12 , l B = 6 , l c = 8 , l o = 16 Y lE = 16.8. Así que
Max(Z) =16.8, que se obtiene para X1 =2.4 Y X2 =2.4.
31
LU IS 1\ Ll3E RTO RINCO ABRIL
0 11 {l1 2 {I I セ@ .. .. . . . . .. 0 1/1
{/ 2 1 {I n {I 23 .......... O 2 /1
A {/ 3 1 0 32 A .1.)
" ....... . .. (l ,
."1
. . . .... . . . . . .. .
XI b,
X2 bo
X = X -', b = b, e - (c
- I Co C,., cJ
X II bJl
= ex
Opt(Z)
sujeto a: AX :s b
x>o
Consiste en escribir el modelo con la Función objetiva para maximizar y todas las
restricciones de la forma S, esto es:
Max(Z) = ex
Sujeto a: AX < b
32
INVESTIGACION DE OPERAC IONES PARA INGEN I ER IAS y ADM IN ISTRAC ION DE EMPRESAS
x > O
Max(Z) = 4X 1 + X2
R1 : X1 + X2 <4
R2 : X1 + 2X 2 セ@ 6
Xi 2: O para j = 1,2
Z - 4X 1 - X2 =O
R1: X 1 + X2 + X 3 = 4
R2: X1 + 2X 2 + X4 =6
33
1.1 li S ,\'-BERTO RINCON ABR IL
2.5.4.1 Solución básica factible. Una solución básica factible al programa lineal de
la forma básica con m restricc iones y n+m variables (n de decisión y m de holgura)
es aquella con no más de m componentes positivas que satisface cada una de las
restricciones .
34
IN\'EST IU ,\C ION DE O PER,\C IONES P¡\ R¡\ I N(iEN IERI ,\S y ¡\mdI N ISTR ¡\C ION DE EMPR ESAS
Considerando el programa lineal en su forma básica, éste puede ser escrito como:
Z- ex = o
(A I)X = b
X>O
3S
LU IS ALBE RTO RI NCON ABR IL
36
IN\· I S II (ó .\C ION DE O prR .\C ION F S P,\ R,\ I N(ó l .N II' RI.\S y N | iI セ i nist r N |c i HIn@ DE eセ iG r i sN|@
Se supone que se inicia con una solución básica factible dada por BX s = b , que
corresponde a un punto extremo de la región de factibilidad , el cual si no es óptimo,
deb e moverse a un punto extremo vecino con objeto de mejorar la función objetiva.
Esto se puede hacer cambiando un vector de la base B por un vector de N. Hay
varias forma s de hacerlo, pero Dantzig 2 fijó la teoría que justifica el cambio que
garantiza el mejor incremento en la función objetiva. Va se había obseNado que
cua lquier columna al de S (no en B) puede escribirse aj = LVkjak con k = 1, .... ,m.
Supón gase que el vector que sale de B es a r y que la componente Vr¡ de VI es
di ferente de cero . Entonces se tiene aj =LVkjak + Vrjar con k = 1 ,.... ,m y diferente de r.
(/ (/ )/,
Esto es, (/ , = )' '- "L....)'¡ , '¡f Y" * O. Por otro lado la solución básica factible puede
1/ ,.,
escribirse LakXbk = b , equivale con arX Sr + LakXbk = b para k=1 ,.... ,m y diferente de
X II Y, {[X II
r. Reemplazando a, en ella se obtiene I (X /Il -
y
"
I}
)u , + '
y
JI
'= iJ, que es una
nueva solución básica. Examinando ahora qué condiciones debe cumplir esta
solución pa ra que sea factible. Ella puede reescribirse como Ix ¡¡¡ + x,(/, = h . En
X Y X
donde se ha definido X, = X ¡¡¡ - 11", X, = 11, las cuales se requieren
Y" Y" '
positivas. Dado que X Br セ@ O, se requiere que Vr¡ > O para que Xr セ@ O. De otra parte si
todas las Y kl S O para k=1 ,2,.... ,m y k # r, se garantiza que X k セ@ O. Sin embargo, qué
, OANTZI G G. B .. Compu tationa l algo rit hm of the revised si mp lex meth od. RANO report RM-1 266.
Cali fornia 1953.
37
L U IS ALBERTO RINCON ,\13R II.
x y
ocurri ría si alguna YkJ < O. Analizando se tiene que X ¡¡; - ---.!.' A, セ@ O. Y" > O, que
Y"
Xli,
puedo escribir como X ¡¡; セ@ O. Y" > O, para garantizar que esto se cumpla se
YA, Y"
requiere que X ¡¡¡ セ@ X li, O. Y" > O. De esta condición sólo se puede estar seguro
YA, Y"
Esta regla garantiza que el cambio de un vector de B por otro de N genera una
nueva solución básica factible . Como resultado de este cambio se obtiene una
nueva base B que difiere de la base anterior B en un solo vector. Como cada base se
asocia con un extremo de la región de factibilidad , con el cambio de base el proceso
se ha movido a otro punto extremo XB tal que:
X B = S·1b, Z = CBX B
El siguiente análisis muestra la regla que permite hacer la mejor selección del vector
aJ en N que se debe introducir en B. El valor de Z asociado con el punto extremo X B
de la base es Z = CBXB y el asociado con la nueva base X'B será Z' = C'BX'B. Ya se ha
mencionado que la única diferencia entre las base B y B' es que se ha sacado el
vector ar y se ha reemplazado por el vector aj de N. Entonces la única diferencia entre
CB y C'B se encuentra en la r-ésima componente, es decir:
38
INVESTI G/\C ION DE O l'lcR/\ C IONES I'¡\R ¡\ IN(, EN I E RI ¡\ S Y ᄀ |d セ i n i s tr ac i on@ D E H IPRES/\ S
X Y e X
·,
es t e t ermlno, se pue d e escn'b'Ir Z '= "L e¡¡¡ X /I! -
"LC m セ y /JO'
セM "
y- - . con y,,
+ - ,fj, =F O :::::;.
1/ /'1
Z '-
X
- Z - - n,-
y
I ('II!',y + e ,/1,-
X
Y
:::::;. Z '= Z _ X 'J, セL@ + e, X n, :::::;. T = Z - ( :: - e ) _
, .1
X
Y
B,
39
L U IS ¡\Lll LRTO RI NCON I\BRIL
El teorema 4 establece las condiciones que debe cumplir una solución para que sea
la solución óptima de un programa lineal.
Zj - Cj セ@ 0, para todo j.
Definen el cambio de vector a realizar para encontrar la nueva base cuando alguno
de los requisitos del criterio de optimalidad no se cumple.
2.5.7.1 Criterio Primal. Permite mejorar el valor de la función objetiva. Debe ser
aplicado cuando se tiene una solución básica factible , esto es, Xk セoL@ para todo k y
existen algunos ZI - cl < O. Consiste en lo siguiente:
1. Entra en la base aquella variable Xl (vector al) que tiene el ZI - cI más negativo,
(columna de trabajo).
2. Sale de la base aquel a, que genera el X /1, = Mello/"( X ¡¡¡ CO II Y¡¡ > O) , (f'lI a de
Y,¡ ¡ Y¡,
trabajo).
2.5.7.2 Criterio Dual. Permite convertir a factible una solución básica no factible. Por
lo tanto debe ser aplicado cada que la solución básica obtenida sea no factible .
Consiste en lo siguiente:
1. Sale de la base aquel a, para el que se tenga el XB, más negativo. (fila de trabajo) .
40
INVESTI(; /\UON DE OPERAC IONES PARA I NGEN I ER I AS y L |iIセ i n i str i |cion@ DE eセャprsa@
Construir el Tablero
Simplex
Es la solución
óptima? Definir el Elemento Construir el nuevo
Pivot Tablero Simplex
Si
41
LU I S 1\I . JlERTO R INCON MlR IL
z X, X2 X3 Xn X n+, X n+2 X n +3 X n +m
z(c¡ 1 -C l -C2 -C3 -C n O O O O O
a n +, O all a1 2 a1 3 al n 1 O O O b1
a n +2 O a21 a22 a23 a2n O 1 O O b2
a n +3 O a31 a32 a33 a3n O O 1 O b3
En este tablero la base B esta formada por {a n+l , a n+2 , a n+3 ,....... , a n+m }, mientras
que N la forman {al, a2 , a3 ,.... ... , a n }. Equivale a decir que {X n+1 , X n+2 , X n+3 ,... .. .. ,
Xn+m } son las variables básicas y que {Xl , X 2 , X 3 ,.... ... , X n } son variables no
básicas . Con esto, cada tablero muestra una solución básica al asignar el valor O a
cada variable no básica , para que las variables básicas tom en como valor el
correspondiente término independi ente . As í pues, en este primer tablero se tiene que :
42
INY L STIG,\C ION DE OPERAC IONES PARA INGEN IER I AS y L |dセ i n i strac i on@ DE EMPRESAS
Cada uno de los criterios primal y dual definieron una fila de trabajo (vector de salida)
y una columna de trabajo (vector de entrada) . Esta posición de fila y columna en el
tablero determina el elemento pivote. De tal manera que en el siguiente tablero, este
debe pasar a ser 1 y el resto de la columna conformada por ceros.
Debe ser obtenido sobre el elemento pivote previamente definido usando el método
de eliminación de Gauss que se presenta en el apéndice A .
Max(Z) = 6X 1 + 4X 2
2X 1 + 3X 2 S 12
2X 1 + X 2 S 8
xQ LR セ@ O
Z - 6X 1 =O
- 4X 2
2X 1 + 3X 2 + X3 = 12
43
LUIS I\LBERTO RINCON I\BRII _
2X 1 + X2 + X4 = 8
XI セ@ O para j = 1,2,3,4
Z X1 X2 X3 X4 b Tablero
Z¡-c¡ 1 -6 -4 O O O
A3 O 2 3 1 O 12 Inicial
A4 O 2 1 O 1 8
Z--c· 1 O -1 O 3 24
A3 O O 2 1 -1 4 Segundo
A1 O 1 Y2 O Y2 4
Z·-c· 1 O O Y2 5/2 26
A2 O O 1 Y2 Y2 2 Final
A1 O 1 O -1,4 3,4 3
Tablero inicial: Solución básica factible pero no óptima, pues Z1 - C1 = -6, Z2 - C2 = -4,
con variables básicas X3 = 12, X4 = 8 Y variables no básicas: X1 = X2 = o. Se debe
entonces generar un nuevo tablero (nueva base). De acuerdo con el criterio primal , la
variable X1 (vector a1) entra a la base y el vector a4 sale de la base; el elemento
pivote aparece señalado.
Segundo tablero: La nueva base es {a3 ad. Presenta una solución básica factible no
óptima, pues Z2 - C2 = -1 con las variables básicas X3 = 4, X 1 = 4 Y variables no
básicas X2 = X4 = o. Se debe entonces generar un nuevo tablero (nueva base). De
acuerdo con el criterio primal , la variable X2 (vector a2) entra a la base y el vector a3
sale de la base; el elemento pivote aparece señalado.
Tablero final : La nueva base es {a2 ad. Presenta la solución óptima, pues cumple el
criterio de optimalidad, esto es ZI - cI セ@ O, para todo j y X Bk セ@ O para todo k. Las
variables básicas X2 = 2, X 1 = 3 Y las variables no básicas X3 = X4 = O. Además este
tablero presenta que Max(Z) = 26.
44
l NVrST1(ói\C1()N DE OPER/\C10NES P,\Ri\ l NGEN 1ER1 ¡\S y ᄀ|dセ i n Q strᄀ|c QP n@ DE eセiprsゥ|@
Max(Z) = 2X 1 + 5X 2 + 5X 3
X 1 + X2 + X 3 S 60
2X 1 - X 2 S 18
X2 - X3 S 6
Z - 2X 1 - 5X 2 - 5X 3 =O
X 1 + X 2 + X 3 + X 4 = 60
2X 1 - X2 + X5 = 18
X2 - X3 + X6 = 6
Xi?: O para j = 1,2 ,3,4 ,5,6
Z X1 X2 X3 X4 Xs X6 b Tablero
Z -c· 1 -2 -5 -5 O O O O
a4 O 1 1 1 1 O O 60 Inicial
as O 2 -1 O O 1 O 18
a6 O O 1 -1 O O 1 6
Z·-c · 1 -2 O -10 O O 5 30
a4 O 1 O 2 1 O -1 54 Segundo
as O 2 O -1 O 1 1 24
a2 O O 1 -1 O O 1 6
Z¡-c¡ 1 3 O O 5 O 5 300
a3 O % O 1 % O -% 27 Final
as O 5/2 O O % 1 % 51
a2 O Y2 1 O % O % 33
45
LU IS ALBERTO RINCON ABR IL
Tablero inicial: Base {a4 as a6}. Solución básica factible pero no óptima, en donde
las variables básicas X4 = 60 , Xs = 18, X6 = 6 Y las variables no básicas X 1 = X2 = X3 =
O. Se debe generar un nuevo tablero (nueva base). De acuerdo con el criterio primal ,
la variables X2 (vector a2) Y X3 (vector a3) cumplen la condición para entrar a la base;
este empate se rompe arbitrariamente entrando a una de ellas X2, entonces el vector
a6 sale de la base; el elemento pivote aparece señalado.
Tablero final: La base final es {a3 as a2}. Es la solución óptima, pues cumple el
criterio de optimalidad , esto es z¡ - c¡ 2: O, para todo j y X Bk 2: O para todo k. Las
variables básicas X3 = 27, Xs = 51 , X2 = 33 Y las variables no básicas: X 1 = X4 = X6 =
o. Además Max(Z) = 300.
Min(C) = 2X 1 + 2X2
X 1 + X2 S 12
X 1 + 2X 2 2: 10
3X 1 + 2X 2 2: 12
X1.2 2: O
46
INVESTIGACION DE OPERAC IONES PARA INGEN IER IA S y ᄀ|dセ i n i strac i on@ DE EMPRESAS
Z X1 X2 X3 X4 Xs b Tablero
z¡-c¡ 1 2 2 O O O O
a3 O 1 1 1 O O 12 Inicial
a4 O -1 -2 O 1 O -10
as O -3 -2 O O 1 -12
z¡-c¡ 1 O 2/3 O O 2/3 -8
a3 O O 1/3 1 O 1/3 8 Segundo
a4 O O -4/3 O 1 -1/3 -6
a1 O 1 2/3 O O -1 /3 4
z·-c· 1 O O O % % -11
a3 O O O 1 1,4 1,4 13/2 Final
a2 O O 1 O -% 1,4 9/2
a1 O 1 O O % -% 1
Tablero inicial: Base inicial {a3 a4 a5}. Solución básica no factible , pues se tiene que
las variables básicas: X 3 = 12, X4 = -10 , X5 = -12 Y variables no básicas: X, = X2 = O.
Debe entonces generarse un nuevo tablero (nueva base). De acuerdo con el criterio
dual, sale de la base a5 Y entra la variable X 1 (vector a1) ; el elemento pivote aparece
señalado.
Segundo tablero: La nueva base es {a3 a4 a,}. Solución básica no factible, pero
menos "infactible" que la anterior, esto es lo que logra el criterio dual. Con variables
básicas X3 = 8, X4 = -6, X, = 4 Y variables no básicas: X2 = X5 = o. Debe generarse un
nuevo tablero (nueva base). De acuerdo con el criterio dual, sale de la base a4 y entra
la variable X2 (vector a2); el elemento pivote aparece señalado.
Tablero final: La base final es {a3 a2 a,}. Solución óptima , pues cumple el criterio de
optimalidad , esto es z¡ - c¡ セ@ O, para todo j y X Bk セ@ O para todo k. Las variables
47
LlI lS ,\LBrRT O RI NCON ,\13 1<1 1.
Entre los vectores y matrices de los tableros Simplex hay varias re laciones, (algunas
de las cuales se usaron como elementos matemáticos en la demostración del
método) , que se presentarán en esta sección y que resultan ser de gran importancia
en análisis de post-optimización , tema que se trata en el apartado 2.7.
Vector columna y¡: Conformado por los elementos akJ para la variable XJ en el
tablero inicial.
Vector columna Y¡: Conformado por los elementos akJ para la variable XJ en el
tablero final.
Vector fila CN: Conformado con los zJ- cJdel tablero final para las variables de la
base inicial.
• Matriz básica B: Estructurada con los vectores YJ del tablero inicial para la base
final.
• Matriz inversa de la básica B-': Estructurada con los vectores Y¡ del tablero final
para la base inicial.
48
IN\TS11(;/lCION DE OP I i{ ,\C IONES P/lR ,\ I N(;EN I ER I /lS y L |dセ i n i strOャcion@ DE H IPR ESAS
Teorema: Un Programa Lineal carece de solución cuando existiendo algún XB, < O,
todo los correspondientes a" son positivos.
49
LUIS ALBERT O RINCON ABR IL
Min(C) = 3X l + 2X2
Xl + X2 S 3
2X l + 3X 2 セ@ 12
Xl ,2 セ@ O
El lector podrá fácilmente verificar que este programa carece de solución , trazando
para ello las restricciones en el plano cartesiano y observando que no existe ningún
punto que verifique las restricciones y la condición de no negatividad .
50
INVESTIG ACION DE OPERAC IONES PARA INGEN I ERI AS y ADM IN ISTRAC ION DE EMPRESAS
Max(Z) = 4X 1 + 2X 2
X 1 + X2 セ@ 8
2X 1 + X2 セ@ 12
X1.2 セ@ O
Como este Programa Lineal tiene la forma canónica se construye la forma básica:
Z - 4X 1 - 2X 2 = O
X 1 + X2 + X3 = 8
2X 1 + X2 + X4 = 12
Xj セ@ O para j = 1,2,3,4
Z X1 X2 X3 X4 b Tablero
z¡-c¡ 1 -4 -2 O O O
A3 O 1 1 1 O 8 Inicial
A4 O 2 1 O 1 12
z·-c · 1 O O O 2 24
A3 O O 112 1 -% 2 Final 1
A1 O 1 % O Y2 4
z¡-c¡ 1 O O O 2 24
A2 O O 1 2 -1 4 Final 2
A1 O 1 O -1 1 4
51
L U I S A L BERTO RINCON I\BR IL
Para un Máx(Z) = 24 , los tableros final 1 y final 2 presentan soluciones óptimas que
se pueden escribir como:
4
il
N| セ@ - O 2
d cl .fIll a l I y
IX'1 IX' 1
.1 = d el .fil/u l 2 .
.1 1 2 .\ .1
x" O .\"
Todas las soluciones óptimas pueden ser expresadas como una combinación
convexa de estas dos soluciones encontradas.
Max(Z) = 2X 1 + X2
X1 + X2 セ@ 4
X 1 - X2 S 2
X1,2 セ@ O
52
INVEST IG¡\C ION DE OPERAC IONES PARA I NGEN I ER I AS y adセ i n i str ヲ |c i on@ DE EMPRESAS
53
L U I S A L BERTO RI CON AB RIL
Esta nueva solución puede resultar factible o no factible ; si es el primer caso será
la nueva solución óptima . Para el segundo caso , ésta será reemplazada en el
tablero final y se procederá a reestablecer la factibilidad usando el criterio dual.
S4
INVr:ST I(ó ,\C ION DE OPERM.' IONES P;\R ,\ INlóE I ER I,\S y adセ i n i s tr O |c i on@ DE H I PRES ,\S
Solucion.
Variables De Decisión.
55
LU I S ,\L13ERTO RINCON ABRIl.
Algoritmo Simplex
z X, X2 X3 X4 Xs X6 Xl b Tablero
z·-c¡ 1 -4 -6 -8 O O O O O
a4 O -1 -1 -1 1 O O O -120 Inicial
as O -1 O O O 1 O O -30
a6 O O -1 1 O O 1 O O
al O 0.6 0.5 OA O O O 1 80
z·-c· 1 4 2 O -8 O O O 960
a3 O 1 1 1 -1 O O O 120 Segundo
as O -1 O O O 1 O O -30
a6 O -1 -2 O 1 O 1 O -120 Criterio
al O 0.5 0.1 O OA O O 1 32 Dual
z·-c· 1 3 O O -7 O 1 O 840
a3 O Y2 O 1 -Y2 O % O 60 Tercero
as O -1 O O O 1 O O -30
a2 O 0.05 1 O -% O -Y2 O 60 Criterio
a7 O 0.15 O O OA5 O 0.05 1 26 Dual
z·-c· 1 O O O -7 3 1 O 750
a3 O O O 1 -% Y2 Y2 O 45 Cuarto
a, O 1 O O O -1 O O 30
a2 O O 1 O -% % -Y2 O 45 Criterio
a7 O O O O 0.45 0.15 0.05 1 21 .5 Primal
z¡-c¡ 1 O O O O 16/3 16/9 140/9 9760/9
a3 O O O 1 O 2/3 5/9 10/9 620/9 Final
a, O 1 O O O -1 O O 30
a2 O O 1 O O 2/3 -4/9 10/9 620/9
a4 O O O O 1 1/3 1/9 20/9 430/9
S6
INVEST IGAC ION DE OPERAC IONES PARA I NGEN I ER I AS y ADM IN ISTRAC ION DE EMPRESAS
Solución Óptima.
Xl = 30 Ton de concentrado 1.
X2 = 620/9 Ton de concentrado 2.
X3 620/9 Ton de concentrado 3.
X4 = 430/9 Holgura de la restricción 1
Análisis de Post-Optimización.
C u = (8 4 6 O)
a) Cuál es la nueva solución si el total de la producción debe ser al menos 150 Ton ,
no dispone sino de 120 Ton de materia prima A y las demás limitaciones no cambian.
57
LU I S ,\ L BERTO RINCON A BR IL
- 150
-30
En este caso el nuevo vector /J' = y calculando X 'BO = S-1 b ' se obtiene
O
120
.1'¡()
30
X 'lJo= 100 y Z' = CBX'BO = 5120/3. Qu e resulta ser factible , por lo tanto es solución
X1 = 30 Ton de concentrado 1.
X2 = 340/3 Ton de concentrado 2.
X3 = 340/3 Ton de concentrado 3.
X4 = 260/3 Holgura de la restricción 1
El nuevo vector /J '= [=ᄀ セャ@ => X 'BO = S-1 b ' ]{ セ セ[Z@ 1 y z' = =
CBX'BO 880/9. Que resulta
40 M セ@
.'
58
INVr.STI (; ,\C ION DE O I'EI{ ¡\ C IO N ES I',\R J\ I NGEN IER I J\ S y j| dセ i n i s tr L| c i HIn@ DE eセ i pr es イ |s@
Z X1 X2 X3 X4 Xs X6 X7 b Tablero
z-c 1 O O O O 16/3 16/9 140/9 880/9
a3 O O O 1 O 2/3 5/9 10/9 -10/3 Nuevo
a1 O 1 O O O -1 O O 30 Tablero
a2 O O 1 O O 2/3 -4/9 10/9 140/3 Final
a4 O O O O 1 1/3 1/9 20/9 -80/3
Para este caso c' 1 =35 - (1 + 0.6*20 + 0.4*30) =10 Y (Z1 - C1)' =- 6
Z X1 X2 X3 X4 Xs X6 X7 b Tablero
z·-c· 1 O O O O 16/3 16/9 140/9 9760/9
a3 O O O 1 O 2/3 5/9 10/9 620/9 Recuperar
O 1 O O O -1 O O 30 La
a2 O O 1 O O 2/3 -4/9 10/9 620/9 Base
a4 O O O O 1 1/3 1/9 20/9 430/9
z¡-c¡ 1 O O O O -2/3 16/9 140/9 11 380/9
a3 O O O 1 O 2/3 5/9 10/9 620/9 Criterio
a1 O 1 O O O -1 O O 30 Primal
a2 O O 1 O O 2/3 -4/9 10/9 620/9
a4 O O O O 1 1/3 1/9 20/9 430/9
z¡-c¡ 1 O O 1 O O 7/3 50/3 4000/3
as O O O 3/2 O 1 5/6 5/3 310/3 Final
a1 O 1 O 3/2 O O 5/6 5/3 400/3
a2 O O 1 -1 O O -1 O O
a4 O O O -Y2 1 O -1 /6 5/3 40/3
S9
LU IS ALBERTO RINCON ABRIL
X3 = X6 = X7 = O. Variables no básicas.
En 1950 aparecen los primeros intentos para dar solución a programas lineales
mediante el uso de un computador, pero las primeras soluciones acertadas a un
programa lineal en un computador de alta velocidad , solo se obtuvieron en Enero de
1952 con el uso de la máquina SEAC , del National Bureau of Standard . Desde
entonces, el Algoritmo Simplex, ha sido codificado en varios lenguajes de
programación . El profesional que requiere del uso de la programación lineal , hoy en
día, en verdad no necesita más que del diseño del modelo matemático, pues las
soluciones están al alcance hasta de los más pequeños computadores y la eficiencia
de las respuestas de los programas de computador sólo dependen de un correcto
diseño del modelo matemático al problema . La aplicación de mayor uso actualmente
resulta ser la herramienta SOLVER de EXCEL , la cual se presentará en esta
sección. Hoy en día, muchos libros sobre Investigación de Operaciones vienen
acompañados de Software de aplicación para la solución de varios problemas . Por
ejemplo el texto de Hillier y Lieberman 3 dispone el OR Courseware con
procedimientos didácticos y aplicaciones para la solución de varios problemas.
' HILLlER Frederick y LlEBERMAN Gerald, Introducción a la Investigació n de Ope raciones. Editoria l
Mc Graw Hi11. 1997. México.
60
INVI STI(; ,\C IO N DI' ()I'I RM ' IONI S P,\R ,\ IN(;I.N II I{L\S y |i Iセ instr N|c iHIn@ DE eセipr イ ᄋ s N |s@
1 Este programa puede usarse gratuitamente y el lector podrá hace r una copia de su instalador por
Internet en la direccion
61
L U IS A LllE ln O R INCON .\I3R 11.
Los modelos de Programación Lineal encajan dentro del grupo tres que resue lve la
herramienta Solver, por lo tanto siempre podrá ser usada para este propósi to. Se
ilustrará su uso con un ejemplo para el cual ya se había construído el modelo
matemático en la sección 2.3.4.
Variables de decisión.
62
IN\' I.S1 I(;'\UON D I. O I'I.R ,\ClON I S I'/\ R /\ I N(; EN I ER I,\S y G| d セ i n i s t rG|c i on@ D E H IP RES r\S
Modelo Matemático
Xl + X2 セ@ 50
2X l + 3X 2 ::; 120
7X l - 8X 2 セ@ O
Xl ::; 70
X2 ::; 40
Xl , X2 セ@ O
Entre las filas uno y 10 se considera una matriz para los parámetros del modelo
matemático del Programa Lineal. Por ejemplo las celdas B5: E5 pueden leerse
como 1 Xl + 1X2 セ@ 50 , que resulta ser la primera restricción , mientras que las
celdas B 1O:E 10 pueden leerse como 600X l + 300X 2 , que corresponde con la
función objetiva.
63
I IIl S \1 Ilf Rl() I<I N("() N M1RIL
la función Objetiva . Las celdas B 16:C 16 se han previsto para que Solver escriba
los valores de Xl, X2 , una vez los calcule.
.-
A B I e I oJ E
---- F
MODELO MATEMATICO
-
5 Aleació n 1 1 > 50
6 Capacid ad de Trabajo 2 3 < 120
7 Relac ió n 7 -8 > O
!----- !
8 ,Dispon ibilidad Acero 1 < 70
9 Di spon ibilidad Chatarra 1 < 40
._- J
10 F.O . Min(Costo) 600 300 !
11
12 --
SOLUCION POR SOLVER
13
14 Acero Chatarra Limitación
--
セ@ X1 X2
I
16 Valores obtenidos .1- I
17 Valores mínimos O O
I
I
---
I
18
Aleació n
19 =B5'B$ 16 =C5'C$16 > 50 =SUMA(B19C19)
I 20 -lCapaci dad de Trabajo =B6'B$16 =C6'C$16 < 120 =SUMA(B20 :C20)
121 .Relació n =B7'B$ 16 =C7'C$ 16 > O =S UMA(B21C21 )
122 Dispon ibilidad Ace ro =B8'B$1 6 =C8'C$16 < 70 =SUMA(B22:C22)
23 Dispon ibilidad Chatarra =B9'B$16 =C9'C$ 16 < 40 =S UMA(B23C23)
24 F.O . Min(Costo) =B10' B$16 =C 10'C$ 16 =S UMA(B24C24 )
25
Preparada esta hoja de cálculo se procede a usar la opción SOLVER del menú de
HERRAMIENTAS de EXCEL y se responde el cuadro de diálogo de la siguiente
forma:
64
INVES-I I(, ,\C ION DE OPER /\C IONES P,\Ri\ I NCiEN IER I i\S y ゥ|dセ i n i str L |cion@ DE {セipres L |s@
D E F
Parámetro, de Solver 11
Cerrar
c- t].é xirno
c。ュセョ、ッ@ las celdas
Qpoones" ,
Suietas a las si9uientes restricciones:
I IUld .-, ./
I• I
3. Cambiando las Celdas. Se selecciona las celdas donde Solver escribirá los
valores encontrados para las variables .
5. Resolver. Una vez se responde el cuadro de diálogo, se pul sa este botón para
que EXCEL presente los resultados sobre la hoja de trabajo , tal como lo
muestra la siguiente tabla:
6S
l .l ' I S !\ I. HI-.RTO RI NCON ,\131' 11.
A B e J D E F
MODELO MATEMATICO
2
3 Acero Chatarra I Limitación Nセ@
4 X1 X2 セ@ ..
5 Aleado n 1 1 ? 50 1
6 Capac idad de Trabaj o 2 3 < 120 -
7 Relacio n 7 -8 > O
8 Dispon ibilidad Acero 1 < 70
9 Dispon ibilidad Chatarra 1 < 40 -
10 F.O. M in (Cos to) 600 300
- l.
NセM
11
I 12 I SO LUCIO N POR SOLVER I
-
13
14 Acero - Chatarra Limitación
15 X1 X2
16 Valore s obtenidos 30 20
17 Valore s mínimos O O
18
19 Al eacio n 30 -
20 > 50 50
20 Capac idad de Trabajo 60 60 < 120 120
21 Relacio n 210 -160 > O 50
M セ@
22 Dispon ib il idad Acero 30 O < 70
23 Dispon ibilidad Chatarra O 20 < 40 20
24 F.O. M in (Cos to) 18000 6000
-
24000
1. La fila 16 muestra los valores obtenidos para las variables de decisión; esto es,
30 Ton de Acero y 20 Ton de Chatarra .
66
INVEST I(; ,\CION IlF OPFR ,\C ION lcS !',\RA i n Hセe n ier L |s@ y L |dセinstr[cHI@ DI' イセiprf sNG|@
1. CONCEPTOS TEÓRICOS.
1.1. Presente una aplicación generalizada de Programación Lin eal para algún caso,
por ejemplo: Diseño industrial de raciones , Mezcla industrial de productos, Política
de préstamos bancarios , Uso y urbanización de la tierra , Asignación de personal,
Asignación de recursos , etc.
1.2. Cómo se construye el programa dual a partir de un programa primal y que
relaciones existen entre éstos?
1.3. Explique la forma en que puede aplicar el análisis de post-optimización con la
herramienta Solver de Excel.
2.2. Una compañía de alquiler de camiones dispone dos tipos de vehículos, el camión A
que tiene 40 pies 3 de espacio refrigerado y 80 pies 3 de espacio no refrigerado; el
camión B tiene 60 pies 3 de cada tipo de espacio. Una procesadora de alimentos
debe transportar 1800 pies 3 de producto refrigerado y 2400 pies 3 de producto no
refrigerado El camión A lo alqui lan a $US 9 el Km y el camión B a $US 12 el Km .
2.2.2. Escriba el modelo matemático, considerando el alqui ler de Camión C con 100
pies 3 refrigerados a $US 8 el Km?
67
L U I S A LB ERTO RI NCON A BRIL
2.3. Una industria de Aceite y Torta de Soya tiene capacidad para procesar hasta 60
Ton/día de Soya , las que adquiere a $55000 la Ton. Debe suministrar por lo
menos 16 Ton/día de Aceite. La industria usa dos procesos con los siguientes
rendimientos por Ton de Soya:
Para completar los pedidos , esta industria puede comprar Aceite a granel con
otros productores a $205000 la Ton , que le cuesta envasarla $8000 la Ton. La
industria vende Ton. de Aceite a $210000. y Ton. de Torta de Soya a $60000.
Presente un modelo matemático que permita planificar la producción en
condiciones óptimas.
2.4. Una imprenta dispone de 1800 tiras de cartulina de 13 pulg de largo. Debe atender
un pedido que le exige cortes de tal manera que disponga al menos 1000 tiras de
7 pulg , 2000 tiras de 5 pulg. La tabla muestra las cantidades de tiras de 5 y 7 pulg
por tira de cartulina de 13 pulg que puede obtener mediante los cortes posibles :
2.4.1. Cuántas tiras de 13 pulg. debe cortar en las formas A y B para cumplir el
pedido minimizando el desperdicio?
2.4 .3. Será solución factible cortar 600 tiras en la forma A y 1100 tiras en la forma
B?
2.5. El Departamento de Servicios de un almacén proporciona servicios de reparación
para los electrodomésticos vendidos. Durante una semana cinco televisores, 12
grabadoras y 18 hornos microondas fueron devueltos para reparación . Dos
técnicos (Juan y Pedro) son contratados temporalmente para ayudar en dicho
68
INVEST IGi\C ION DE O PER AC IONES P¡\RA INGEN I ER I ;\S y 」|dセ Qi n i s tr [|c i on@ DE H IPRESAS
departamento. En una jornada de ocho horas Juan puede reparar dos televisores
o 3 grabadoras o 4 hornos , mientras que Pedro puede reparar un televisor o 2
grabadoras o 3 hornos en el mismo tiempo. El salario diario está definido en
$20000 para Juan y $ 15000 para Pedro . Presente un modelo matemática para
calcular el número de horas contratadas para que los costos sean mínimos.
Se supone que los pagos que no se cubren son irrecuperables y, por lo tanto, no
producen ingresos por concepto de intereses. La competencia con otras financieras
del área hace que el banco asigne de los fondos totales al menos el 50% para
actividades agrícolas e industriales y los préstamos para vivienda deben ser al
menos el 50% de los asignados a actividades comerciales y compra de vehículos.
Además , este banco tiene una política establecida que especifica que la relación
global de pagos irrecuperables no puede ser superior a 0.004. Presente un modelo
matemático que le permita al banco calcular las asignaciones a cada uno de los
tipos de préstamos.
3. SOLUCiÓN GRÁFICA.
69
L U IS f\ L BE RTO RINCON ,\BR IL
4X, - 2X 2 S O 6X , + 8X 2 S 120
6X , + 5X 2 S 60 X, + X 2 2: 4
3X, + 4X 2 2: 12 X, S 12
X2 S 8 X 2 S 12
X " X 2 2: O X" X 2 2: O
c) Min(Z) = cX , + cX 2 d) Min(Z) = 6X , + 5X 2
2X , + 3X 2 2: 6 3X , + 2X 2 S 300
X, + X2 s5 2X , + 3X 2 S 300
X, - X2 S 1 X, 2: 50
X" X 2 2: 0 X 2 2: 50
4 . MÉTODO SIMPLEX.
70
INVrST I(ó¡\C ION DE O PER ,\C IONES P,\R ,\ I NCóEN IE RI ¡\S y ᄀ|dセ i n i st r ᄀ|c ャ n@ DE eセ i p r es L | s@
71
LU IS ALBERT O RI NCON AB RIL
4.5.1. Qué volumen debe producir de cada vacuna para optimizar utilidades?
4.5.2. Suponga que por una depresión económica el número de empleados debe
reducirse a 5 y el costo de producción a 5000 $/hora. entonces cuál es la nueva
solución?
4.5 .3. Idem anterior para 5 personas y 10000 $/hora.
4.5.4 . Suponga que la utilidad unitaria de la vacuna B se reduce a 1000 $/Iitro.
entonces cuál es la nueva solución?
72
3. PROGRAMACiÓN ENTERA.
Para el modelo de Programación Lineal se optimiza una función sobre una región
convexa, mientras que en la Programación Entera se optimiza sobre una región de
factibilidad que generalmente no es convexa . Por lo tanto , la solución de
problemas enteros ; resulta más complicada que la Programación Lineal.
73
I.L' I." .\ I.I1ERTO RI NCON ABR IL
Las variantes del modelo de Programación Lineal, tienen que ver con las
condiciones de valores enteros que tienen que tomar algunas de las variables de
decisión. Los ca sos son los sigui entes.
Es una variante del Programa Lineal , para el cua l todas las variables de decisión
además de cumpl ir la condición de no negatividad deben ser todas en teras. Por
consigu iente el modelo matem ático generalizado es:
"
Oplillli;:o r (Z) =L e,x,
1::.. 1
" <
slIje/o o: LO'l x , セ@ h, . pa ra i = 1,2,3 .... .. .. , /1 1
1= 1 -
Los métodos de solución desarrollados para este mode lo son los siguientes .
74
INV I·.ST IG I\C ION DE OPE RAC IONES I'A I<I\ I N(iENIE I<I. \S y mIセ i n i s t r ᄀ |c i on@ DE H IP RESi\S
En esta variante del Programa Lineal , todas las variables de decisión son positivas
y solamente algunas de ellas deben ser enteras. Por lo tanto el modelo matemático
generalizado es:
" ,
. (Z) = '"
O¡Jlillli .-or ¿ e ,',
r + '"
¿ e J..'J..
r
,=\ , =\
11 11 <
.1/lie IO (/: ¿o" x ,
,=\
+ ¿, =\ p " \' , -セ Aj L N@ po/'{/ i = 1.2,3 .. .... ., /11
x, セ@ O po/'{/ .i = 1.2 .3 ...... 11
."¡ セ@ O elll e ro . p o /'{/ /.: = 1,2.3 .... , J'
Los métodos de solución desarrollados para este modelo son los siguientes .
Esta variante del Programa Lineal , suele utilizarse para modelar problemas con
actividades que deben o no ejecutarse. Por analogia con el sistema de los
números binarios , las variables de decisión toman un único valor entero entre O y
1. Esto es, si la actividad no se ejecuta la variable correspondiente toma el valor O,
de lo contrario el valor 1. Por consiguiente el modelo matemático generalizado es:
75
LUIS ALBERTO RI NCON A BRIL
11
oー イゥャQ セ。イHzI@ = L e ,x ,
11 <
slljero a: L a" x , : b" para i = 1,2.3 ........ , 111
,; 1 -
X
J
= O , si la acrividad j /l O es reakada ..
x J = 1 , si la acrividad j es reakada ..
Los métodos de solución desarrollados para este modelo son los siguientes.
Problema general
Supóngase que se tiene una disponibilidad total de dinero K, que puede invertirse
en una o varias de N alternativas posibles ; donde para la alternativa j-ésima , se
requ iere I¡ dinero de la disponibilidad total y evaluada su factibilidad se obtiene un
valor presente neto VPN¡ . Se desea , entonces , establecer en cuales alternativas
emplear el dinero total disponible.
76
Modelo.
Encontrar los valores de Xi , para todo j=1 ,2" ... ,n, tal que:
"
sujeto a : "L.,; / ,, x , ;<; K
,_1
x, = O ,si la im'ersión j no es rea lizada ..
.\', = 1 ,si la illl'ersiólI j es rea kada ..
Como puede observarse , este modelo encaja dentro del grupo de problemas de
programación entero cero uno (PECU) , por ello se desarrollará alguna técnica de
solución para el (PECU) .
Método de solución.
77
LU I S 1\L13ERTO RINCON ABR IL
Producido por Kolesar' con base en Nodos. Supone que un Nodo lleva un índice J
si la alternativa J se incluye y J* si no se incluye. Un Nodo con índice (J ,K) significa
que se incl uye la alternativa J y después la alternativa K, mientras que el índice
(J *,K) significa que la alternativa J no se incluye pero la K sí . Cuando se llega a un
Nodo, se analiza cuáles no han sido bifurcados y se procede a bifurcar aquel que
resulte más conveniente para la función objetiva . Finalmente entre los Nodos que
presentan solución factible debe seleccionarse el óptimo .
1 36 54 1.5
2 24 18 0.75
3 30 60 2
4 32 32 1
5 26 13 0.5
El grupo fin anciero debe tomar la decisión de aceptar o rechazar cada proyecto .
Cuáles proyectos se deben incluir y cu áles rechazar con el fin de maximizar el
valor presente neto total?
, KOLE SAR, P .. A Branch and Bound Algorilhm lo r tire Knapsck Problem. Managmenl Science.
Volumen 13. 1982.
78
INVEST I(;AC ION DE OPERAC IONES PARA I NGEN I ERI AS y ADM IN ISTR AC ION DE EMPRESAS
Indice
Antiguo Nuevo l· VPN · Pi
3 1 30 60 2
1 2 36 54 1.5
4 3 32 32 1
2 4 24 18 0.75
5 5 26 13 0.5
Obsérvese que el cociente Pi también indica los millones de dólares que se dejarán
de recibir por no invertir un millón de dólares en el proyecto j.
79
LU IS ALBERTO R INCON ABR I L
J Ij VPNj Observaciones
1 30 60
2 36 54
3 32 32
Totales 98 146 Solución no
Exceso -7 -7=-7x1 Factible
91 139
CUADRO 4. Nodo (1 *)
J Ij VPNj Observaciones
2 36 54
3 32 32
4 24 18
Totales 92 104 Solución no
Exceso -1 -0.75=-1 xO. 75 Factible
91 103.25
80
INVEST IGACION DE OPE RAC IONES PARA I NGEN I ER I AS y ADM IN ISTRAC ION DE EM PRESAS
Factible Imposible
Con base en lo anterior, entre los nodos no ramificados (1) Y (1 *), se selecciona el
nodo (1) , puesto que 139 > 103.25 Y se procede con el análisis de los nodos (1 ,2) Y
(1 ,2*).
81
L U IS A L BERTO RINCON A B RI L
J Ij VPNj Observaciones
1 30 60
2 36 54
3 32 32
Totales 98 146 Solución no
Exceso -7 -7=-7x1 Factible
91 139
J Ij VPNj Observaciones
1 30 60
3 32 32
4 24 18
5 26 13
Totales 112 123 Solución no
Exceso -21 -10.5=-21xO .5 Factible
91 112.5
En la Figura 7, para los nodos sin ramificación (1 *), (1 ,2) Y (1,2*) el que tiene mejor
valor para la función objetiva es (1 ,2) puesto que 139 > 103.25 Y 139> 112.5, por lo
tanto se ramificará el nodo (1 ,2) . El algoritmo continúa con el estudio de los nodos
(1 ,2,3) Y (1 ,2,3*).
J I¡ VPN¡ Observaciones
1 30 60
2 36 54
3 32 32
Totales 98 -1000 Solución
imposible
82
INVf'STIGAC ION DE OPERAC IONES PARA INGEN IER I AS y ADM IN ISTRAC ION DE eセ i presa@
J I¡ VPN¡ Observaciones
1 30 60
2 36 54
4 24 18
5 26 13
Totales 116 145 Solución no
Exceso -25 -12 .5=-25xO .5 Factible
91 132.5
De los 4 nodos sin ramificación (mirar Figura 7): (1 *) , (1 ,2*) , (1 ,2,3*) Y (1 ,2,3) , el
nodo (1 ,2,3*) tiene el mejor valor para la función objetiva, por lo tanto se ramifica y
se procede con el análisis de los nodos (1,2,3* ,4) Y (1,2 ,3* ,4*).
J I¡ VPN ¡ Observaciones
1 30 60
2 36 54
4 24 18
5 26 13
Totales 116 145 Solución no
Exceso -25 -12 .5=-25xO .5 Factible
91 132.5
83
LU IS A L BERTO RINCON ABR IL
J J¡ VPN¡ Observaciones
1 30 60
2 36 54
5 26 13
Totales 92 127 Solución no
Exceso -1 -0 .5=-1 xO .5 Factible
91 126.5
J J¡ VPN¡ Observaciones
1 30 60
2 36 54
4 24 32
5 26 13
Totales 116 -1000 Solución
imposible
Este nodo presenta unas condiciones similares a las ocurridas para el cuadro 7,
por lo tanto la solución es imposible . El valor, que en el anterior cuadro se asignó a
la función objetiva, es debido a la solución imposible.
J J¡ VPN¡ Observaciones
1 30 60
2 36 54
4 24 18
Totales 90 132 Solución Factible
84
INVEST IG,\C ION DE ()I'ERAC IONES P,\ RI\ INGEN I ER I,\S y I\DM IN ISTR AC ION D E EMPR ESAS
Invertir:
Hay que hacer notar que el número total de posibles soluciones en este problema
es セHsI@L. .
¡ c(J k
.
= 2' = 32 , de las cuales el proceso de bifurcación y acotación
PROBLEMA.
Para los 4 proyectos independientes del Cuadro 13, se quiere establecer 'la mejor
combinación de ellos , asumiendo que los Flujos de fondos netos ocurren después
85
L U IS ,\ I.I3ERTO RI NCON ,\131< 11.
PROYECTO
A B C D
Inversión inicial 50000 20000 25000 30000
Flujo de fondos (neto anual) 20000 10000 15000 16000
Vida económica del proyecto (anos) 14 12 10 8
Solución :
( 1 + i )" - I
Donde el factor: (P I A, i . n ) = - , permite calcular el valor presente neto de
i( 1+ i )"
Los cuatro proyectos son Factibles , por cuanto el VPN de cada uno de ellos no
sobrepasa la inversión propuesta .
Con base en los índices calculados los proyectos deben ordenarse en la siguiente
forma :
86
INVEST IC; ,\C ION DE OI'E R!\C IONES I',\ I{ ,\ INl;EN I ERI ,\S y L| d セ i n i st r ゥ|c i on@ D E EMPR ESAS
Al través de las tab las siguien tes se usará la técnica (Al gori tmo) descrita en el
ejemplo anterior.
J Ij VPNj Observaciones
1 25000 37886
2 20000 24392
3 30000 3 1393.6
4 50000 422 10
Totales 125000 13588 1.6 Solución no
Exceso -25000 -2 11 05=-25000xO.8442 Factible
100000 114776.6
J I¡ VPN ¡ Observaciones
2 20000 24392
3 30000 3 1393 .6
4 50000 422 10
Totales 100000 97995.6 Solución Factible
Analizando la Figura 2, entre los nodos (1) y (1*) , se debe ramificar a (1) y anal izar
(1 ,2) Y (1 ,2*).
87
LU IS I\ Ll lERTO RINCON i\BR IL
J I¡ VPN ¡ Observaciones
25000 37886
2 20000 24392
3 30000 3 1393 .6
4 50000 422 10
T otales 125000 13588 1.6 Solución no
Exceso -25000 -21 105=-25000xO .8442 Factible
100000 11 4776.6
Factible
Imposible
88
INVEST IG /\CION DE OPERAC IONES P,\Ri\ INGEN IER I AS y ゥ|dセ i n i s t rac i on@ DE eセ i p r esa@
J I¡ VPN ¡ Observaciones
1 25000 37886
3 30000 31393.6
4 50000 42210
Totales 105000 111489.6 Solución no
Exceso -5000 -4221 =-5000xO. 8442 Factible
100000 107268.6
J I¡ VPN ¡ Observaciones
1 25000 37886
2 20000 24392
3 30000 31393 .6
4 50000 42210
Totales 125000 135881.6 Solución no
Exceso -25000 -21105=-25000xO.8442 Factible
100000 114776.6
J VPN ¡ Observaciones
1 25000 37886
2 20000 24392
4 50000 42210
Totales 95000 104488 Solución Factible
Del análisis de la Figura 8, con base en los valores para la función objetiva , es
claro que se debe ramificar el nodo (1 ,2,3) Y proceder a analizar los nodos :
(1 ,2,3,4) Y (1 ,2, 3,4*) .
89
LU IS ,\LBERT O RINCON ,\ BRIL
J VPN ¡ Observaciones
1 25000 37886
2 20000 24392
3 30000 31393.6
4 50000 42210
Totales 125000 136881 .6 Solución imposible
Este nodo es imposible porque exige tener en cuenta las 4 alternativas , obligando
a sobrepasar la disponibilidad .
J VPN, Observaciones
1 25000 37886
2 20000 24392
3 30000 31393 .6
Total es 75000 93671 .6 Solución Factible
Invertir:
90
IN\ I S'II (;'\C ION 1)1. 0 1' 11< \C IONES P,\ R,\ ING L N IERI ¡\S y L |dセ i n i s G i@ R,\C ION DE H IPRES ,\S
1.1. Use la herramienta Solver de Ex cel para resolver el problema 2.2 de los
camiones con espacio refrigerado y no refrigerado de la sección 2.9.
Artículo j 1 2 3 4 5
PesoW 5 8 3 2 7
Volumen VI 1 8 6 5 4
Inqreso R 4 7 6 5 4
El pe so y el volumen máximo que se puede cargar están dados por 112 y 109
unidades,
91
L UIS A LB ERTO RI NCON A J3RIL
1.4. La tabla siguiente muestra que las máquinas 1 y 2 pueden fabricar los artículos A
y B mientras que la máquina 3 únicamente produce el artículo A. La empresa
dispone de una semana para cumplir un pedido de 2000 unidades del artículo A y
1800 unidades del artículo B. Si los precios de venta son 2000 $/ unidad para A y
1500 $/unidad para B.
Costo en $/unidad
Máquina Artículo Artículo Capacidad de
A B producción semanal
1 1000 800 900 artículo A ó
900 artículo B
2 600 600 800 artículo A ó
1200 artículo B
3 700 2000 artículo A
2. Programación Binaria.
2.1. Use la herramienta Solver de Excel para resolver el problema de los cuatro
proyectos independientes del Cuadro 13 resuelto en este capítulo.
2.2. Una compañía debe adquirir al menos 500 Ton de materia prima, tiene las
siguientes ofertas:
Proveedor A B C D E
Cantidad (Ton) 150 200 180 240 300
Costo total (Dólares) 15000 18000 18000 21000 27000
92
2.3. CO IC, Contratistas de obras de Ingeniería Civil , tiene la posibilidad de contratar
o no cada uno de los seis proyectos para los cuales se muestra en la tabla
siguiente, los ingresos derivados y los costos globales, los cuales no se pueden
transferir de un rubro a otro. La empresa hará los contratos que le signifiquen el
mayor Ingreso neto total.
93
4. EL PROBLEMA DEL TRANSPORTE .
Tiene que ver con encontrar un plan de costo mínimo para transportar una
mercancía desde varios orígenes hasta varios destinos. Este modelo se puede
extender para resolver numerosas aplicaciones que no se relacionan con el
transporte dentro de los problemas de control de inventarios, flujo de efectivo,
asignación de recursos.
94
INV rS I IG i\CION DE OPERAC IONES P,\Ri\ INGEN IERI ¡\S y ゥ |dセ i n i st r i| c i on@ 1)1: U IP RES ,\S
que deben enviarse desde cada origen i-ésimo hasta cada destino j-ésimo , si el
costo unitario de transporte entre éstos es c¡j y cada destino demanda b j unidades
mientras que cada origen dispone a¡ unidades .
Orígenes Destinos
X 11 , C 11
Calcular el número de unidades que se deben enviar desde cada uno de los
orígenes hasta cada uno de los destinos, atendiendo la demanda de los destinos y
las ofertas de los orígenes para minimizar el costo total de transporte.
95
1 1 ' 1\ \1 ᄀ[iNセ@ 1() 1< 1r>:( '()'\J ,\1l1< 11.
X ij : Cantidad que será enviada desde el origen i-ésimo (i=1 , .... ,m) hasta el destino
j-ésimo (j=1 , .... ,n).
Expresión matemática que calcula el costo total de transportar las X ij por cada una
de las rutas ゥセ ェ N@ Se supone que C ij es el costo de transportar una unidad desde el
origen i hasta el destino j,
11 111
4.2.4 Restricciones.
X l1 + X 12 + X 13 + ...... + X 1n ::::: a 1
11
Esto es: IX
¡=l
'1 ::; (/ i para i= 1,2, .... ,m
96
IN\ I S II( ;,\CION 111e OI'FRACION I .S 1' ,\1, /\ i nHセ ャ・ n i Z ri L |s@ y ゥ|QIセ i n i strᄀ|cion@ DI: eセ ipre sᄀ|@
111
" X /1 ? b1 para J-
Est o es.. L.. '- 1 ,2 ,.... ,n
L セ i@
11 111
Mill(C) = ¿ ¿ c¡¡ X ¡i
i=1 i=1
11
Sujeto a: ¿ X ii ::;
) =1
O¡ para i=1 ,2,.... ,m
111
¿X I} ?b ¡ paraj=1,2 ,.... ,n
;= 1
4.2.6 Particularidad.
Aunque para satisfacer totalmente la demanda debe tenerse :La; セ@ :Lb j , el algoritmo
de solución parte de un modelo expresado de tal manera que todas las
restricciones generadas por la oferta y la demanda resulten igualdades. Por lo
tanto:
97
LU IS ,\I.13ERT O RINCON .\13 RI I.
11 111
Min(C) = ¿ ¿ Ci¡ X i¡
¡=I i= 1
1/
¿ X i/ =Oi
Sujeto a: j= 1
111
L X ;i =b j
;= 1
XIJ" -> O
DESTINOS
ORIGEN ES 1 2 3 n Oferta
1 セ@ セ@ セ@ L L セ@ a1
X11 X 12 X13 X1n
2 セ@ セ@ セ@ L L セ@ a2
X21 X22 X23 X2n
3 セ@ セ@ セ@ L L N セ@
a3
X 31 X 32 X 33 X3n
L L L L L L
M セ@ セ@ セ@ L L N セ@
am
Xm1 Xm2 Xm3 Xmn
Dema nd a b1 b2 b3 bn
98
IN\ ' I: ST lló¡\C ION DI. O PLR ,\C IONr.S P,\ Ri\ INGEN I ICRI ,\S y L |dセ i n i strᄀ| cャ on@ DE e セ i pr esᄀ|@
Existen varios métodos para obtener una prime ra solució n básica factible , pero
entre ellos se destacan: Método de la Esquina Noroeste, Método sucesivo del
menor costo un itario y Método de aproximación de Vogel.
Significa lo anterior que la primera asignación será: Xii = Menor(a i , b¡) para el
Menor( Ci¡ ).
Es un procedimien to heurístico que suele producir una primera solución mejor que
los dos anteriore s; pues con frecuencia ésta resul ta una so lución óptima o cercana
a la óptim a. Los pasos del procedimien to son los siguien tes:
99
I 1I 1S 1\ 1 B I RTO RINCON AB RI L
(a) Paso 1. Se calcula una penalización para cada fila (y columna) restando el
menor elemento de costo de la fila (columna) del elemento de costo menor
siguiente en la misma fila (columna).
(b) Paso 2 . Se identifica la fila o columna con la mayor penalización , los empates
se rompen arbitrariamente. Se asigna el mayor va lor posible en la fila o
columna seleccionada con el costo uni tario más bajo de la misma .
Sucesivamente se procede de esta manera hasta asignar todo el flujo posible.
DESTINOS
ORIGEN ES 1 2 3 4 Ofe rt a
1 セ@ L--º- セ@ セ@ 300
Xl l X12 X13 X14
2 セ@ セ@ lJJL セ@ 500
X2l X22 X23 X24
3 L--º- セ@ LR セ@ 100
X31 X32 X33 X34
Demanda 100 300 300 200
100
INVESTIGAC ION DE OPERACIONES PAR I\ I NGEN I ER I AS y ADM IN ISTR AC ION DE EMPRESAS
DESTINOS
ORIGENES 1 2 3 4 Oferta
1 セ@ セ@ セ@ セ@ 300
100 200
2 セ@ セ@ U-ª--- セ@ 500
100 300 100
3 セ@ セ@ セ@ セ@ 100
100
Demanda 100 300 300 200
lOJ
L U IS ALBERT O RINCON ABR IL
DESTINOS
ORIGEN ES 1 2 3 4 Oferta
1 セ@ l-º--- セ@ セ@ 300
300
2 セ@ セ@ Ll-ª---- セ@ 500
300 200
3 セ@ セ@ セ@ 100
100 l-º---
Demanda 100 300 300 200
102
INVES1 IGAC IO N DE OPER AC IONES PA RA ING EN I ER I,\ S y a d セ ii n i s tr ac i o@ DE EMPR ES ,\ S
(b) Paso 2. Como el elemento de menor costo está en la misma fila p, entonces en
la columna r, se busca un valor X kr > O con costo Ckr .
(e) Paso 3. Se identifica el costo Ckq, que cierra un ciclo tal como lo muestra la
figura 10, para compensar las unidades cambiadas del flujo pq al flujo pr ,
trasladando del flujo kr al flujo kq .
Ejemplo. Para el caso de los tres centros de producción (orígenes) y los cuatro
distribuidores (destinos) tratado en la sección anterior, pártase de la solución inicial
encontrada por la esquina Noroeste y obténgase la solución óptima.
103
LU IS c\LBERTO RINCON f\BR I L
DESTINOS
ORIGENES 1 2 3 4 Oferta
1 セ@l セ@ セ@ 300
100 2 OO L--º----
2 セ@ セ@ セ@ セ@ 500
100 300 100
3 L--º---- セ@ セ@ セ@ 100
100
Demanda 100 300 300 200
(1,2) (1,4)
- (2,2) (2,4)
セ」]@ - 40 + 14 - O + 22 =- 4
104
INVESTIG /\C ION DE OPERAC IO ES PARA I NGEN IER I AS y adセ i n i stracャon@ DE EMPRESAS
Segundo tablero
DESTINOS
ORIGENES 1 2 3 4 Oferta
1
100
l?iL
QP セ@ セ@ セ@
100
300
2 セ@ セ@ セ@ セ@ 500
200 300
3 セ@ l1.ª-- LR セ@ 100
100
Demanda 100 300 300 200
(1,1) (1,4)
(3,1) (3,4)
セ」]@ - 36 + O - 20 + 22 = - 34
Figura 12. Cambio de flujo de unidades del segundo tablero.
105
L UIS A I. BE RTO RINCON AB RIL
Tercer tablero
DESTINOS
ORIGEN ES 1 2 3 4 Oferta
セ@
1
QP セ@ セ@ セ@
200
300
2 セ@ セ@ l.!-ª-- セ@ 500
200 300
3
QP セ@ セ@ LR セ@ 100
SOLUCiÓN ÓPTIMA:
l . Un intermedia rio del mercadeo agropecuari o tie ne soli citu des (demanda) de 4 centros de
acopio por las ca ntidades de un determin ado producto qu e se muestran en la tabla. El
106
INVEST IG ,\C IO N DE OPERAC IONES PA RA INGEN I ERI AS y adセ i n i st r ac i on@ DE eセ i pr esa@
Area de distribución
Refinería 1 2 3 4
1 120 180 200 180
2 200 300 100 150
3 150 250 100
107
LUIS I\Ll3ERTO RINCON ABR IL
108
5. EL PROBLEMA DE ASIGNACiÓN
Determinar cómo asignar cada uno de los elementos (asignados i =1 ,2 ,3, ........ ,n) a
cada una de las actividades (localidades j =1 ,2,3, ..... ,n), de tal manera que a cada
localidad le corresponda uno y un solo asignado si para cada actividad existe un
coeficiente de efectividad y se debe optimizar la efectividad total.
109
L U IS ALBERTO RINCON ABRIL
110
INVEST IGAC ION DE O PER /\C IONES PARA I NGEN I ER I AS y i\DM IN IST RAC ION DE EM PR ESAS
JI 11
Op t (Z) = ¿ ¿ Cij X i¡
j=1 i=1
5.1.4 Restricciones.
1/
Esto es: ¿ X ij = J
j= 1
para i=1,2,.... ,n
1/ 1/
Op /(Z) = ¿ ¿ cij X ij
j=1 i=1
111
LU IS I\ L BERTO RINCON ABRI L
1/
Sujeto a: L X li =]
j=1
para i=1 ,2,.... ,n
11
L Xi¡ =1
;= 1
para j= 1,2, .... ,n
Al comparar este modelo con el problema del transporte , se observa que sus
estructuras son similares. De hecho, el problema de asignación es sólo un caso
especial de los problemas de transporte en donde los orígenes son los
asignados y los destinos son las asignac iones, tareas o localidades , que
cumple :
112
INVESTIGAC ION DE OPE RAC IONES P¡\ RA I NGEN IERI AS y adセ i n i s tr ac i HIn@ DE eセ ipr esa@
Localidades
Asignados 1 2 3 n
1 ls.L セ@ lsL L L セ@ 1
X11 X 12 X13 X1n
2 セ@ セ@ セ@ L L セ@ 1
X21 Xn X23 X2n
3 セ@ L52R セ@ L L セ@ 1
X31 X32 X33 X 3n
L L L L L L
N セ@ セ@ Ls& L L セ@ 1
Xn1 Xn2 X n3 Xnn
1 1 1 1
113
L UIS ,\ Lll mTO RI NCON ABR IL
Piezas
Torno P1 P2 P3 P4
T1 26 32 24 18
T2 34 20 34 40
T3 20 14 22 12
T4 18 16 24 14
P1 P2 P3 P4
T1 セ@ LR セ@ U-ª-- 1
1
T2 セ@ セ@ セ@ セ@ 1
1
T3 セ@ セ@ セ@ セ@ 1
1
T4 U-ª-- l!-ª- セ@ セ@ 1
1
1 1 1 1
P1 P2 P3 P4
T1 セ@ LR セ@ U-ª-- 1
1
T2 セ@ セ@ セ@ セ@ 1
1
T3 セ@ L!±- lR セ@ 1
1
T4 L1-ª-- セ@ セ@ セ@ 1
1
1 1 1 1
IJ4
IN\ ' ES'II(;,\C ION DE OPER ,\C IONES P,\R ,\ INGE IER I,\S y adセ i n i strac i o@ DE eセ i pres L |s@
Piezas
Torno P1 P2 P4 A
T1 26 32 \,24} 18
T2 ( 34) 20 34 4Q
T3 @セ A 22 (12
T4 18 \. 16) 24 14
Piezas
Torno P1 P2 A P4
T1 26 Jg \,24} 18
T2 34 ( 20) 34 4Q.
T3 20 14 22 (12
T4
--
( 18) 16 24 14
liS
LU IS A LBERTO RINCON ABR IL
Nuevo Producto
Ejecutivo P1 P2 P3 P4
E1 90 60 80 50
E2 90 50 60 50
E3 70 70 50 60
E4 60 70 80 80
Nuevo Producto
Ejecutivo P1 P2 P3 P4
E1 90 60 80 50
E2 90
" 50 60 50
E3 70 70
" 50 60 "
E4 60 70 80 80
"
De conformidad con esta solución inicial, deben hacerse las siguientes
asignaciones:
11 6
I VrST ll; ¡\C ION DE OPERAC IONES P¡\Ri\ INGrN IERI ¡\S y ᄀ|dセ i n i st r ac i o@ D E EMPRESAS
Nuevo Producto
Ejecutivo P1 P2 P3 P4
E1 90 60 80 50
E2 90 " 50 60 50
E3 70 70 50
" 60
E4 60 70 80
" 80
"
Rendimiento promedio = R = )4 (90 + 60 + 70 + 80) = 75
Nuevo Producto
Ejecutivo P1 P2 P3 P4
E1 90 60 80 50
E2 90 50 60 " 50
E3 70 " 70 50 60
E4 60 70 80
" 80
"
117
L U IS ALBE RTO RI NCON I\BRIL
Máquina
Artículo 1 2 3 4
1 15 15 6
2 21 12 6 9
3 27 12 15
4 21 6 18 21
2. Hay que asignar cinco vendedores a cinco zonas de venta. La capacidad de venta de
cada vendedor en cada zona en una escala de O a 100, se muestra en la siguiente
tabla . Si se desea realizar la asignación de los cinco vendedores sobre la base de la
mayor capacidad promedia, cómo se debe hacer?
Zona de Ventas
Vendedor Z1 Z2 Z3 Z4 Z5
V1 80 50 60 20 70
V2 60 50 50 90 80
V3 50 60 70 70 60
V4 40 70 20 80 40
V5 70 20 70 80 80
J J8
6. MODELOS DE REDES
119
LU IS A LBERTO RINCON AI3 RIL
Ejemplo. Supóngase que una persona debe resolver el problema de viajar desde
un origen O hasta un destino final F a lo largo de una ciudad . La figura 13 muestra
las diferentes rutas de autobuses para hacerlo. En cada una de esos caminos
aparece un número que indica la longitud del mismo o el costo de escoger dicho
camino o el tiempo empleado en recorrerlo. Si la persona está restringida a viajar
de izquierda a derecha sin devolverse. La pregunta que se debe resolver es: Cuál
es la ruta más corta entre O y F? , ó en otras circunstancias , Cuál es la ruta de
costo o tiempo mínimo entre O y F?
120
INVEST IGAC ION DE OPERAC IONES PA RA INGEN IERI AS y ADM IN IST R,\C ION DE EM PR ESAS
Una red consiste en un conjunto de puntos y líneas, éstas unen a los puntos por
parejas. Los puntos se llaman nodos (o vértices). La red de la figura 13 tiene siete
nodos representados por siete círculos . Las líneas se llaman arcos (o ligaduras ,
aristas o ramas). La red de la figura 13 tiene 13 arcos que corresponden a los 13
caminos de este sistema de transporte de la ciudad. Los arcos se definen con los
nodos terminales ; por ejemplo, AB es el arco entre los nodos A y B en la figura 13.
Los arcos de una red pueden tener un flujo de algún tipo que pasa por ellos , por
ejemplo , el flujo de autobuses sobre los caminos de la ciudad. Un arco dirigido
sólo permite el flujo en una dirección. La dirección se indica mediante una cabeza
de flecha . La notación de un arco dirigido se hace con el nombre de los nodos que
une , colocando primero el nodo de donde viene y después el nodo a donde va,
esto es , un arco dirigido del nodo A al nodo B debe indicarse como AB ó aセb N@ Un
arco de ligadura o no dirigido permite el flujo en ambas direcciones.
Una red que sólo tiene arcos dirigidos se llama red dirigida. Si todos sus arcos
son ligados , se trata de una red ligada. Si dos nodos no están unidos por un arco
a veces resulta conveniente saber si están conectados por una serie de arcos . Una
121
LU IS I\LBERTO RINCON ABR IL
trayectoria entre dos nodos es una sucesión de arcos distintos que conectan
estos nodos. Por ejemplo , la sucesión de arcos OB , BE Y EF conforman una de las
trayectorias que conectan a los nodos O y F en la figura 13. Pero otra trayectoria
es O セ@ e セ@ E セ@ F. Una trayectoria dirigida del nodo 1 al nodo j es una sucesión
de arcos con dirección hacia el nodo j, de manera que el flujo del nodo 1 al nodo j
a través de esta trayectoria es factible . Una trayectoria ligada del nodo 1 al nodo j
es una sucesión de arcos cuya dirección puede ser hacia o desde el nodo j. Un
ciclo es una trayectoria que comienza y termina en el mismo nodo. Dos nodos
están conectados si en la red existe al menos una trayectoria entre ellos. Una red
es conexa si cada par de nodos están conectados; por lo tanto, la red de la figura
13, es conexa y dejará de serlo si se suspenden los arcos A セ@ B, A セ@ D YA セ@ F
La capacidad del arco es la cantidad máxima de flujo que puede circular en éste .
En los nodos fuentes , el flujo que sale de ellos excede el flujo que entra. En los
casos contrarios , esto es , el flujo que llega excede al que sale, se tienen nodos
demandas. En un nodo de transbordo o intermedio, el flujo que entra es igual al
que sale .
Para el anál isis de este modelo se puede suponer una red conexa y no dirigida con
dos nodos principales llamados origen y destino. A cada uno de los arcos no
dirigidos se asocia una distancia. El objetivo del problema es encontrar la ruta más
corta o trayectoria con la mínima distancia total, que va desde el origen al destino.
122
INVEST IGAC ION DE OPERAC IONES PARA INGEN I ER I AS y ADM IN ISTR AC ION DE EMP RESAS
En cada una de las k-ésimas iteraciones se debe definir para el k-ésimo nodo , la
distancia más corta desde el origen hasta el k-ésimo nodo. Si d ik define la distancia
entre los nodos i, k; entonces se puede calcular la distancia más corta desde el
origen hasta el nodo k-ésimo con la siguiente expresión:
Ejemplo. Encontrar la ruta más corta desde el origen (nodo O) hasta el final (nodo
F) a través del sistema de vías que se muestra en la figura 13. En la tabla siguiente
se encuentran los resultados obtenidos al aplicar el algoritmo anterior a este
problema .
123
LU IS ALBERTO RINCON AB RIL
Las dos últimas columnas de la tabla anterior, resumen la información del último
nodo resuelto ; esto es , la distancia de la ruta más corta desde el origen a este
nodo y la última rama en esta ruta más corta . Además muestra que la ruta más
corta para el sistema de vías de la figura 13 es oセaf@ y mide 20 unidades.
Particularmente también se puede necesitar encontrar las rutas más cortas del
origen a cada uno de los demás nodos de la red . El Algoritmo mostrado en el
ejemplo precedente , obtiene las rutas más cortas a cada nodo desde el origen.
124
INVESTIGAC ION DE OPERAC IONES PARA I NGEN IERIAS y ADMIN ISTRAC ION DE EMPRESAS
Este problema tiene algunas similitudes con el problema de la ruta más corta. De
manera general , en ambos casos se considera una red no dirigida y conexa , en la
que los datos dados incluyen medidas para cada ligadura (distancia , costo, tiempo ,
etc .). Involucran también el hecho de seleccionar un conjunto de ligaduras que
tiene la longitud total más corta entre todas las ligaduras que cumplan
determinada propiedad. En el problema de la ruta más corta , la ligadura
seleccionada debe generar una trayectoria entre el origen y el destino, mientras
que para el árbol de expansión mínima se requiere que las ligaduras seleccionadas
generen una trayectoria entre cada par de nodos, de tal manera que la suma de
todas las trayectorias sea mínima. Una red con n nodos sólo requiere n - 1
ligaduras para generar una trayectoria entre cada par de nodos. Por lo tanto, el
problema es encontrar el árbol de expansión con la longitud total mínima de sus
ligaduras .
L25
L U ISALBERTO RI CON ABR il
126
INVrST I(, ,\C ION DE OPER ,\CIONrS P,\RA INCEN IER Ir\S y ᄀ|dセ i n i str L |c i on@ DI" eセiprsᄀ|@
Figura 14. Posibilidades de construir una red eléctrica entre siete municipios.
127
LUIS ALBERTO RINCON ABR I L
En la figura 14-1 , la red eléctrica definitiva aparece con línea continua. Como en
este problema hay n =7 nodos, dispone de n - 1 =6 ligaduras y ningún ciclo para
calificar como un árbol de expansión .
......
......
......
20............ ......
......
/
12 /
/
/
/
20/
/
/
/
/
Figura 14-1. Diseño para construir una red eléctrica entre siete municipios.
128
INVEST IGAC ION DE OPERAC IONES PA RA INGEN IER IAS y ADM IN ISTRAC ION DE EM PRESAS
Los problemas de esta clase son aplicaciones de Programación Lineal con una
característica especial, siempre tienen una solución óptima con base en números
enteros si los datos de entrada también son enteros. Esto permite el diseño de
algoritmos eficientes que pueden ser aplicados a la solución de una variedad de
problemas combinatorios. Entre estos se disponen, el algoritmo de flujo máximo, el
cálculo de flujos de costo mínimo.
129
LU I S ¡\ U 3ERTO RINCON ABR IL
I
I
I
I
, Fuente I
:_____ .____ J Depósito
Estaciones de
Refinerías
bombeo
, Terminales
Supóngase que cada arco (i, j) de una red dirigida tiene asociado un número no
negativo C¡j denominado la capacidad del arco, Si esta capacidad representa la
máxima cantidad de algún artículo que pueda enviarse a través del arco, la
pregunta inmediata es, Cuál es la cantidad máxima del artículo que se puede
enviar de un nodo a otro , dentro de la red?
130
INVEST I(; ,\C ION !lE O PEI,AC IONES PA RA INGEN I ERI ¡\S Y L |iIセ i n i str ᄀ |cion@ DE EM PR ESAS
6.5.2 Restricciones.
o S Xii S Gii
El término V representa el valor del flujo total. Se llama flujo posible a cualquier
conjunto de valores que satisfacen las restricciones anteriores. Es evidente que
este modelo corresponde a un problema lineal en donde el objetivo es maximizar el
valor de V sujeto a las anteriores restricciones.
Max(V) = X 12 + X 13
Sujeto a las restricciones:
X 12 + X 32 - X 24 =O
X 13 - X 32 - X 34 =O
X 12 S 4 , X 13 S 3 , X 32 S 2 , X 34 S 2 , X 24 S 4
Xii セ@ O
J31
LU IS ALBERTO RINCON ABR IL
4 (4,3) 4 ,4)
(2,1)
(3,2) (2,1)
Figura 16. Solución factible para una Red de flujo máximo propuesta.
La figura 16 ilustra un flujo factible desde el nodo 1 al nodo 4 para una red . El
primer número de la pareja asociada con cada uno de los arcos es la capacidad
del arco y el segundo número es el flujo del arco.
El modelo matemático para la figura 16, muestra que este problema es soluble por
el Método Simplex. Sin embargo , se dispone de un algoritmo basado en dos
conceptos intuitivos: red residual y trayectoria aumentada . Una vez se han
asignado flujos a los arcos de la red original , las capacidades restantes o
residuales conforman la red residual que sirve para asignar flujos adicionales.
132
IN\ I S·II (;.\(' ION DE O I'LR ;\(' IO N I.S I'.\ R/\ IN(; I 'JlERI AS y ᄀ| d セ i n i s ャ@ RA C ION D r eセ ipr esa@
(40,O)
Cuando se inicia el Algoritmo , todas las trayectorias son de aumento , por cuanto
para cada una de ellas , todos los arcos tienen capacidad residual. Aplicando el
algoritmo para la red residual 1 セRVW L@ se obtiene la capacidad residual =
Menor {80 - O, 30 -O , 60 -O} = 30. Flujo que se agrega a esta trayectoria en la
figura 18.
133
L UIS ALBERTO RINCON ABR IL
セ@ (1 0,0)
. fセNGイP@ '-¡l..
. . . .HセNZ@ . . . .
••...•..• ·····• ...•セUP L PI@ セQ@ 0,0) ..../
(40,0)··...
. セRP@ O) •••••••••
. .l ..,/
····0. . . jNTセLPI@
:\ ,
Zセ@
... ::·.. •••/ (60,0)
(40,30)
.................
(40 ,40)
134
INVESTIG /\C ION DE OPERAC IONES PA RA INGEN I ER I,\S y adセ i n i s tr ac i on@ DE EM PR ESAS
(40,30)
(40,40)
Figura 20. Red sin trayectorias de aumento para el ejemplo de f.lujo máximo.
Una solución final es óptima si para toda trayectoria indiscriminada que se quiera
asignar no puede evitar el uso de cancelación de flujos asignados con anterioridad.
Puede resultar difícil , cuando las redes son grandes, encontrar una trayectoria de
aumento. El siguiente procedimiento sistemático simplifica el hecho. Se comienza
135
1l G i セ@ 1\ L llFR"1() RI NCON ABR il
por analizar todos los nodos que se unen desde el origen con un arco y con
capacidad residual positiva. Enseguida , para cada uno de estos nodos , se
determinan todos los nuevos nodos a los que se llega desde este nodo con un solo
arco con capacidad residual positiva. Esto se repite hasta llegar al nodo final. Se
obtiene como resultado , un árbol con todos los nodos a los que se puede llegar
desde el origen, a lo largo de una trayectoria con capacidad de flujo residual
estrictamente positiva. Este procedimiento de abanico siempre identificará una
trayectoria de aumento , si existe . Aunque el anterior procedimiento es muy directo,
será útil poder reconocer cuándo se tiene un patrón óptimo sin tener que buscar de
manera exhaustiva una ruta que no existe . A veces es posible esto con el resultado
de un teorema importante de teoría de redes , conocido como el teorema del flujo
máximo - cortadura mínima. Una cortadura se define como cualquier conjunto
de arcos dirigidos que contienen al menos un arco de cada trayectoria dirigida que
va del nodo origen al nodo destino. El valor de la cortadura es la suma de las
capacidades de los arcos de la cortadura.
Teorema del flujo máximo - cortadura mínima. Para cualquier red con un solo
nodo origen y un solo nodo destino, el flujo máximo factible del origen al destino
es igual al valor de la cortadura mínima para todas las cortaduras de la red.
El análisis para la red residual inicial de la figura 17, presenta el siguiente conjunto
de cortes con la correspondiente capacidad
136
IN\' I S'II (¡AC ION DI. OPFRAC IONES PARA INGEN I ER I AS y adセ i n i strac i on@ DE EMPRESAS
Por lo tanto , 120 es el valor de la cortadura mínima que equivale al flujo máximo
factible presentado en la figura 20,
Es una solución muy eficiente que aborda un conjunto muy amplio de aplicaciones ,
tomando en cuenta un flujo a través de una red con capacidades limitadas en sus
arcos, Tal como se tiene para el problema de la ruta más corta, considera un costo
(o distancia) para el flujo a través de cada arco. E igual que para los problemas del
transporte y asignación , puede considerar el flujo desde varios orígenes (nodos
fuente) hasta varios destinos (nodos demanda).
El problema del flujo de costo mínimo se puede resolver de manera tan eficiente
porque se puede formular como un problema de programación lineal y resolver
mediante una versión simplificada llamada método Símplex de Redes. En la
siguiente sección se describirá el uso del método Simplex.
En una red conexa dirigida con al menos un nodo origen y al menos un nodo
destino, se dispone la siguiente información:
b¡ = flujo neto generado en el nodo i. En este caso, b¡ > O en los nodos fuentes, b¡
< O en los nodos demandas y b¡ = O en los nodos transbordos .
137
L U IS A LBERTO RINCON A BR IL
Variables de decisión.
Función Objetiva.
Minimizar el costo total de enviar los recursos disponibles a través de la red para
cumplir con la demanda.
11 11
Mil/ (Z) = ¿¿ e" X " . Las sumas se toman sólo sobre arcos existentes .
i = l j= J
Restricciones.
Para cada nodo , el flujo total que entra menos el flujo total que sale es igual al flujo
neto generado en este nodo.
El flujo a través del arco ゥセェL@ debe ser positivo, sin exceder la capacidad del arco .
flujo de costo mínimo tenga soluciones factibles , debe cumplir que Lb,
"
= O. Esto
i= 1
es , el flujo total generado por los nodos orígenes debe ser igual al flujo total
absorbido por los nodos destinos.
En muchos problem as, las cantidades b i y d ij serán valores enteros ; en este caso ,
en la soluci ón las cantidades de flujo Xij tendrán que ser también enteros . Sin
138
I ' \'r.STIGAC ION DE OPER ,\C IONES P¡\R¡\ INGE IER I¡\S y ᄀ|dセ i n i str O |c i on@ DE eセ ipre s イ |s@
Variables de decisión.
Función Objetiva.
139
I. UIS A l BERTO RI NCON AB RI L
Restricciones.
Restricciones de no negatividad.
50 unidades de 30 unidades
900 Dól/unid demandadas
"O
c:
--o
::1
:o
o
o
N
40 unidades de 60 unidades
producción demandadas
140
IN\'LS1IC; I\C10N I) \. OPER I\C ION I: S P,\R ,\ I N(;rN I ER I AS y ゥ|dセ i n i st r ゥ|c i on@ DE eセ ipr esa@
los problemas de flujo de costo mínimo y es esta estru ctura especial la que lleva a
la propiedad de soluciones enteras, De otro lado , cuando se tienen n restricciones
de nodo, únicamente hay n-1 independientes, esto es , una de ellas es redundante ,
Esto se puede comprobar porque al sumar todas estas ecuaciones, se obtienen
ceros en ambos lados , Como existen n - 1 restricciones independientes , estas
ecuaciones proporcionan n- 1 variables básicas para una solución básica factible ,
A B e D E F G H J K
18 Nodo 1 _ SS'S$14 - CS'C$14 =05'0$14 = ES 'E $14 =FS'F$14 =GS'G$14 =HS'H$14 =SUMA(S1S.H1S)
= 50
Nodo 2 - S6'S$14 _C6'C$14 _06 ' 0$14 _F6'F$14 =F6'F$14 =G6 ' G$14 - H6'H$14 - SUMA(S 19 H 19)
19 = 40
20 Nodo 3 =STS$14 =CTC$14 _ OTO$14 - ETE$14 _ FTF$14 _GTG$14 =HTH$14 - SUMA(S20H20)
= O
21 Nodo 4 - SS'S$14 - CS'C$14 = OS'O$14 = ES'E$14 =FS'F$14 =GS ' G$14 =HS'H$14 = SUMA(S21 H21)
= -30
22 Nodo 5 - S9'S$14 - C9'C$14 _ 09 ' 0$14 =E9'E$14 _F9'F$14 - G9'G$14 _ H9'H$14 -S UMA(S22H22)
= -60
23 Arco 1,2 _SlO ' 8$14 - C10'C$14 =010'0$14 =E10'E$14 =F10'F$14 =G10 ' G$14 =H10'H$14 =SUMA(S23 H23)
< 10
24 Arco 3, 5 _S11'S$14 - C11 ' C$14 011'0$14 - E11'E$14 _ F11'F$14 - G11'G$14 _ H11'H$14 - SUMA(S24 H24)
< 80
25
14 J
L U I S I\ L I3E RTO RINCON A IlRI L
セ、ゥNZョ@ 1:.er ャョ セL[・ エ 。イ@ Eormato tie rramientas Datos VeQtana -;J
Parámetros de Solver
CelQ," objetivo:
Resolver
\Iólor de l." celda ob jetivo :
Cerrar
(-- [:1i:dmo (;- r',·1i'o.irno C' y'alores de: lo
Cam!djando las celdas
Qpciones , , .
Suje tas a las siguientes restric ciünes:
o D D
142
IN" I' STI(, \C ION DI. OPLRAC IONES PAR ,\ IN(,EN IERIAS y ᄀ|dセ i@ ISTR ¡\C IO DE eセ i prfNsa@
A B e D E F G H J K
Figura 24. Hoja EXCEL con la solución SOLVER para la red de distribución.
143
LU IS ALBERTO RINCON MlR IL
144
6.7 EJERCICIOS Y PROBLEMAS PROPUESTOS.
1. Encontrar las Rutas más cortas para cada Red de la siguiente figura.
Red A
Origen
Red B
Año Añoj
i 1 2 3
O 16 36 62
1 20 42
2 24
145
L UIS A LB ERTO RINCON ABRIL
3. Una compañía debe suministrar 1000 cajas de cartón por mes a una fábrica. Para los
próximos cuatro meses , el costo de fabricación de cada caja será $1000 en el primer
mes, $ 1800 en el segundo mes, $2000 en el tercer mes y $2800 en el cuarto mes. El
costo de mantenimiento y bodega por caja es de 600 $/mes. Si la producción por mes
se realiza en múltiplos de 1000 Y se desea encontrar el programa de producción más
eficiente en términos de costo , entonces se necesita formular el modelo como una
representación de Red y resolverlo.
5. Considere para las Redes del problema 1 que los arcos son de ligadura y diseñe para
cada una el árbol de mínima expansión.
6. Modificar el valor del flujo 0---72 a 16 en la Red A del problema 1 y los valores de los
flujos 0---7 1 a 10, 0---73 a 20 y 6---78 a 16 en la Red B. En ambos casos considerar el
problema de flujo máximo, donde el origen es el nodo fuente y el destino el nodo
demanda . Las capacidades son los valores que se muestran en los arcos. Usando el
algoritmo de la trayectoria de aumento resolver el problema.
J46
IN\TST IG AClON IX OPERACIONES PARA INGEN IERI AS y i |dセGinstraco@ DE EMPRESAS
cantidad hasta el almacén 2. Pero ambas plantas pueden usar camiones para mandar
hasta 500 unidades de cada planta al centro de distribución , desde los que se puede
enviar hasta 500 unidades a cada almacén. La tabla siguiente muestra el costo unitario
de transporte por cada ruta , las cantidades que se producen en las plantas por periodo
y las cantidades que se requieren en los almacenes por periodo.
147
7. PROGRAMACiÓN DE PROYECTOS CON PERT-CPM.
148
INVEST IGAC ION DE OPE RAC IONES PARA INGEN IER I AS y ADM IN ISTR¡\C ION DE EM PR ESAS
Estas técnicas fueron desarrolladas por dos grupos diferentes entre 1956 y 1958.
E. 1. du Pont de Nemours & Company desarrolló el CPM como una aplicación a
los proyectos de construcción y posteriormente Mauchly Associates, lo extendió a
nuevas aplicaciones. El PERT , fue producido por un grupo consultor para la Marina
de Estados Unidos, con el fin de programar las actividades de investigación y
desarrollo del programa de misiles Polaris.
149
I. U IS A I. BERTO RINCON ABR IL
150
Regla 1. Cada actividad quedará representada por un sólo arco en la red. Ninguna
actividad puede disponerse más de una vez en la red . Diferente es el caso en que
una actividad se descompone en segmentos, los cuales pueden estar
representados por arcos separados. La colocación de una banda transportadora en
un proceso de producción puede hacerse en secciones.
151
LUI S ,\LB ERTO RIN C O N I\BRIL
I
I
F
Regla 3. Cada que se agrega una actividad a la red , se deben definir las
actividades que deben terminar antes de que esta actividad pueda comenzar, las
actividades que deben seguir a esta actividad y las actividades que deben
E!jecutarse simultáneamente con esta actividad .
J52
IN\ イ セ@ Il l; ¡\C ION DE OPERAC IONES PA R/\ INl;EN I ERI AS y ゥ|dセ i n i s tr ゥ|c i on@ DE H IPRESi\S
F1 Y Fi Actividades
ficticias
Figura 27. Diagrama de red para el proyecto del traslado de las oficinas.
15 3
1.1I1S ALBERTO RINCON All RIL
Una ruta crítica define una cade na de actividades críticas que unen los eventos
inicial y final del diagrama de red e identifica todas las actividades críticas del
proyecto. El método para determinar tal ruta se ilustrará con un ejemplo numérico.
Actividad A B C D E F G H I J
Tiempo 3 5 3 4 8 2 4 2 5 3
Cálculos hacia adelante. Sea TP¡ , el tiempo de inicio más próximo de todas las
actividades que se inician en el evento i o el tiempo de ocurrencia más próximo del
evento i. Convencionalmente este tiempo se toma en O para el evento de "inicio" .
154
IN\TST IGi\C ION IX OPER ,\C IONES pᄀ|jセ ᄀ |@ INGEN I ER I /\S y i\DM IN ISTRf\C ION DE H I PRES r\S
Los cálculo s hacia adelante para la figura 27 proporcionan los siguientes valores :
Cálculos hacia atrás. Sea TT¡ el tiempo de ocurrencia más tardío , para todas las
actividades que terminan en el evento i. Si n es el evento de terminación de todo el
proyecto , entonces , TT n = TP n e iniciará el cálculo hacia atrás . En general , para
cada uno de los demás nodos i, el tiempo de ocurrencia más tardío se calculará
como:
TT, = Míllfn,
, - d I! J
Los cálculos hacia atrás para la figura 27 proporcionan los siguientes valores:
J55
LU IS ,\I.IlERTO RINCON A BRIL
Una actividad ゥセェ@ está en la ruta crítica si satisface las tres condiciones siguientes :
TT¡ = TP¡
TT j = TP j
TT j - TT¡ = TP j - TP¡ = d¡j
156
INVEST ICAC ION DE OPERAC IONES PARA IN(,EN I ER I¡\S Y ADM IN ISTRAC ION DE EMPRESAS
Una vez se haya encontrado la Ruta Crítica , se debe proceder a calcular todas las
holguras de las actividades no críticas. Para determinar estas holgu ras , es
necesario encontrar dos parámetros adicionales, el tiempo de in icio más tardío
(lT¡j) y el tiempo de fina lización más próximo (FP¡j) para cada actividad; los
cuales cumplen las siguientes expresiones matemáticas :
IT¡j = TT j - d¡j
FP¡j = TP¡ + d¡j
Holgura total HT¡j. Diferencia entre el máximo tiempo disponible para rea lizar la
actividad y su duración ; esto es :
157
I. U IS i\ LllERTO RINCON ABR IL
Holgura libre HL¡¡. Suponiendo que todas las actividades comienzan tan pronto
como sea posible , es el exceso de tiempo disponible sobre su duración para cada
actividad ; es decir:
HLi¡ = TP¡ - TP¡ - d¡¡
Todos los cálculos de ruta crítica , incluidas las holguras total y libre para las
actividades no críticas, pueden presentarse como aparecen en la tabla de la
página siguiente. En ésta , se observa que las actividades críticas tienen las
holguras total y libre iguales a O.
158
IN\' I S I IG \l'ION DI 01' 1 ¡{ ,\C IONES PA R,\ INl; I: N IERI AS y i |iIセ i n i s tr ᄀ|c i on@ DE eセipr sa@
actividades simultáneas por las limitaciones de personal y equipo . En este caso las
holguras totales para las actividades no críticas resultan muy útiles. Cambiando
una actividad no crítica (hacia atrás o hacia adelante) entre sus límites TP y TT , se
pueden cumplir los requisitos de recursos. Aun en abundancia de recursos (no hay
recursos limitados) , se acostumbra usar las holguras totales para nivelar los
recursos sobre la duración del proyecto completo. Esto significa una planeación ,
uso y control de los recursos más estable comparada con el caso donde el uso de
la fuerza laboral y de la maquinaria de trabajo cambia fuertemente entre un periodo
y otro.
Actividades críticas
. . .
® .. '9'.
セN@
Actividades no críticas
• • • '-o
.- - - , - ---.------.----------,.-------'
1¡\: tF i:2 : セ@
.セN[@ . ... .; ... .; ..':(. . .
セZ@ : tr.=4 : t¡;'\
.セN@ . ... ., ....... .,. .. -". ..セ@ .
o
.. ..
4 8 12 16 20 セT@
Semanas del proyecto
J5 9
LU IS A L BERTO RINCON ¡\BR IL
4-1 2 no consume tiempo , por lo tanto , se muestra como una línea vertical. Las
actividades críticas se indican con líneas continuas. Los límites de tiempo para las
actividades no críticas se muestran con líneas punteadas; tales actividades pueden
programarse dentro de esos intervalos , siempre y cuando no se alteren las
relaciones de precedencia.
160
INVEST IGAC ION DE O PERAC IONES PARA INGEN I ER I¡\S y AD MI N ISTR AC ION DE EMPRESAS
2. El punto medio Y2(a + b) tiene una ponderación de la mitad de la del punto más
probable m . Entonces , el valor esperado Te es la media de Y2(a + b) Y 2m:
[2111 +
= -J {/ +-
a+ b) ] = - b+ 4111
T,' 6- -
I 1 (
"
161
LU IS ALBERTO RINCON ,\ llR IL
a
Simétrica I
b
/ セ GO i B@
/
,-
a m b
Figura 29. Distribución beta para las tres estimaciones de tiempo de PERT.
Los cálculos de la red para la fi gura 27 reali zados en las se cc iones pre cedentes
fueron tomados di rectamente pa ra cada d ij , reemplazándolos con la estim ac iones
Te de la siguie nte tab la:
ACTIVIDAD a b m Te 02
A Seleccionar el s ItlÓ de las Oficinas 1.5- 4.5 3 3 0.250
B Crear el plan organlzaciona l y finanCiero 3 7 5 5 0.444
e Determinar nece sidades de personal 0.5 4.5 3.25 3 0.444
D Diseñar la Instal ación 2 7 3.75 4 0.694
E Construir el Inte nor de la Instalación 6 12 9 9 1.000
F Seleccionar el p ersonal que será transfendo 0.5 3.5 2 2 0.250
G Contratar nuevo s empleados 0 .75 5.25 4.5 4 0 .563
H Trasladarreglst ros, personal y otros 0.25 3.75 2 2 0.340
I Hace r los arregl os fin ancieros con otras sedes 2 12 4 5 2 .778
J Capaci tar el nue vo personal 1 4 3.25 3 0 .250
162
INVrSTI(i¡\(' ION DE OPER ,\C IONES PA RA I NGEN IER II\S y ADM IN I STR AC ION DE EMPRESAS
La tabla siguiente muestra que para la aplicación de este enfoque en la ruta crítica
de la figura 27 (actividades 1 セSTRUXYI L@ el tiempo esperado del
proyecto es 23 semanas con una varianza de 2.832 .
B Q セ S@ 5 0.444
e S セ T@ 3 0.444
F1 T セ R@ o
D R セ U@ 4 0.694
E U セ X@ 8 1.000
J X セ Y@ 3 0.250
Tiempo del proyecto 23 2 .832
1. Para elaborar el presupuesto del año siguiente, una empresa debe recolectar
información de sus departamentos de Ventas, Producción , Contabilidad y Tesorería. La
tabla siguiente indica las actividades y sus duraciones. Construir el modelo de red del
problema y realizar los cálculos de Ruta Crítica .
J63
LUIS ALBERTO RINCON A BRIL
164
INVESTI(i ,\CION I)E OPI-.I{ ,\C IONES 1',\1< ,\ I NGEN IERI ,\S y L |iIセ i n i str i |c i HIn@ DE H IPRES¡\S
Construir el modelo de red del problema y realizar los cálculos de Ruta Critica.
J65
8. MODELOS DE INVENTARIOS
166
INVEST IG,\C ION DE OPERAC ION I:S I',\R ,\ ING EN I FR I,\S y adセ i n i s t r L |c i on@ DE eセ i iG r esa@
y : Costo de penalización por unidad de tiempo o dinero por cada unidad que se
retrasa.
r : Punto de reorden o Nivel del inventario para el que se debe ordenar un nuevo
pedido de tamaño Q.
167
I l llS I\ Lll rln O RINCON 1\Il RIL
168
INV LST IC; .\ClON I)r Oi' 1 R,\C IONES PAR ;\ INGEN I ER l f\S y L |dセ i n i strac i on@ DE EMP RESAS
Con base en estos criterios , la Figura 30 describe la variación del nivel del
inventario a lo largo del tiempo . En esta , T representa la longitud del periodo y 0 0
es el valor inicial del inventario. En general , O = AT. En particular, en la figura 30,
00 = AT. El problema será encontrar el valor de O que produzca los costos
menores anuales para una función Ca(O). Esta función resulta ser la suma de los
siguientes costos parciales:
/ r AT "
C, = r de (t)dt = Jro IC( Q -At)dt = I C( Q - -
2
). C0 ll1 0 T = Q , ellfOll ces :
I JI) P
A
C = I CT Q
/' '")
Q = I QT Q
T :2 :2
J69
L U IS A LBERTO RINCON AB RIL
3. Costo anual de hacer los pedidos. Costo del pedido por el número de
- esto es: el = A -I = A セ@ I = A A .
pe d I'dos en el ano,
, T (J,!. Q
de le A :2AA :2AA
_ " =- -A - =o entonces Q" = -- = --
dQ :2 Q' ' le . /¡
Tr = T* - T d Y r =A T r
170
IN\' I セ@ 11( ; \C!ON DE OPFR ¡\C!ONES P¡\RA I NGEN I ERI AS y adセ i n i s tr O |c i on@ DE eセ i presa@
Q*
2AA セ TP@
Tamaño económico del lote: Q" = = 200 Ton
, /¡ 0.02
. d optlma
Longltu ·· d i · do: 7" "=
e peno . Q '" = 200
- = S días .
A 40
Tiempo de reorden: Tr = T* - Td =5 - 2 = 3 días
Punto de reorden: r =A Tr = 40 x 3 = 120 Ton
17 1
L U I S ,\ L BE RTO RINCON A IlR II .
Se coloca un nuevo pedido a los tres días de inicia r cada periodo cuando el nivel
de inventarios llega a 120 unidades.
Este caso obedece a una de dos circunstancias. En un primer caso, las demandas
acumuladas insatisfechas pueden esperar hasta ser atendidas. En un segundo
caso, las demandas insatisfechas acumuladas se pierden. En cualquiera de estos
casos hay que considerar un costo de penalización adicional por no satisfacer a
tiempo la demanda. Este costo tendrá dos componentes, C pen = n + <1>. El primer
elemento representa el costo fijo por las unidades retrasadas y el segundo un
costo proporcional al tiempo de retraso.
Cm= l e I (Q _ S) T¡ = I cA (Q _ S) Q - s = l e (Q - S) 2
T '2 Q 2A 2Q en donde S es la
cantidad retrasada .
172
INV L STI(; ,\CION DE OPERAC IONES P/\RA INCEN ILR I /\S y i |dセ i n i stracャon@ DE EM PRES ,\S
3. Costo anual de hacer los pedidos. Costo del pedido por el número de
·d I -
Pe d I os en e ano , esto es : e, I
= A TI = A IJI = -QA A .
4. Costo de penalización. Se definió como Cpen = n + <1>. esto es , el costo fijo por
las unidades retrasadas más un costo proporcional al tiempo de retraso. Si ¡..t
define el costo fijo por cada unidad retrasada y y el costo proporcional al tiempo
I T, S I A SS A I }S c
e = ¡"IS + y - = uS - + y =- (¡ISA - -)
'"'' T :2 T 'Q 2A Q Q :2
173
LU IS A LBERTO RINCON ,\I3R IL
A (Q _ S) C l yS e
e" (Q , S) = Ae + A
Q
+ le
2Q
- + - (USA+ -
Q . 2
)
Aplicando los conceptos del cálculo diferencial se pueden encontrar los valores
óptimos para Q y S.
'. le . pA . ! t e - .: p eAe セi a@
S·,'= Q"- => S ·,'= I _. 2AA- M M セ@
le +y le + y ! le +y , le + y le + y
174
INV[ST IGi\ClON UE O I' ER,\ClONES P,\R¡\ I N(,EN I ER I,\S y i\D MI N IST RI\C ION D E e セ Qp resᄀ|@
2.2. Si se permiten retrasos en las entregas , con un costo fijo por cada unidad
retrasada de $US 2 y un costo de cada unidad proporcional al tiempo de
retraso de $US 1, determinar cada cuánto debe hacerse una corrida y de
qué tamaño debe ser.
3.2. Si se admiten retrasos en las entregas , con un costo fijo por cada galón
retrasado de $US 0.3 y un costo de cada galón proporcional al tiempo de
retraso de $US 0.2, determinar cada cuánto debe comprar y de qué tamaño
debe ser el pedido.
J7S
l. U IS 1\ LB r::RTO RINCO N A BRIL
unidad de tiempo hasta que alcanza el tamaño del lote . Los artículos se retiran
a una tasa de A (A< <1» artículos por unidad de tiempo. En este modelo se
Nivel de
Inventario
Tiempo
T1
176
9. MODELOS DE ESPERA O TEORíA DE COLAS.
177
L U I S A LB ERTO R INCON A BRIL
efectivamente para recibir atención este cliente o tiempo que el individuo pasa en
el sistema. Se define una estación de servicio como la porción de una instalación
o estación que puede suministrar servicio a un cliente a la vez.
Clientes
Fuente de
Entrada !> CHe ntet>,-_C_O_I a_> Estación de
servicio
servidos
En muchos casos se supone que las llegadas ocurren con una distribución de
l
Poisson , es decir, P (x = j) = e )'?e . En este caso, el parámetro A., es la intensidad
. JI
o tasa promedio de llegadas al sistema o valor esperado del número de llegadas
por unidad de tiempo. Ocasionalmente , las llegadas pueden ser en lotes de
tamaño fijo o variable . Un ejemplo lo constituyen las llegadas de aviones a
aeropuertos ; cada avión se considera una unidad que requiere servicio ; mientras
que los pasajeros que llegan dentro del avión componen un lote que requiere la
utilización de otros servicios.
178
INVEST IG ,\C10N DE OPER /\C IONES PARA INGEN IER I AS y ゥ|dセ i n i strac i on@ DE H IPRES AS
La duración t del servicio, ocurre en muchos casos de acuerdo con una distribución
exponencial f(t) = pe -pi. El parámetro p representa la tasa promedio de servicio o
valor esperado del número de clientes atendidas por unidad de tiempo.
.....................................................................
179
L U IS A L flERTO RINCO ABR IL
Si el sistema de cola se encuentre en el estado estable , esto es , una cola que lleva
operando mucho tiempo y por la cual han pasado o pasarán muchos clientes y se
supone que los límites usados en las siguientes expresiones existen , entonces:
I
1 ¿ E(S, )
1 , EU )
- = LIII1 - - = l■ャ セ@
A iM^ セ@ j , J.1 jセ o@ .i
\V = l ■ ャQ
¿E(W: )
I
ML L セLM i ⦅M L = LíIl1 _ 0 _
r E (n(r ))dl
---
tM^ セ@ T
I
T
Sr P (n(l ) = 11 )dl
¿P(W, "5. / )
P = Lílll =-:.(,-
1 ---- P(W ::; 1) = Lílll L セ i@
BtM^ セ@ T i M^セ@ j
180
INVEST ICi .\C ION IX O PER ,\C IONES 1',\1< ,\ INGEN II, RI¡\S y ᄀ|iIセ i n i st r ᄀ|c i HIn@ DE eセ i p r es O |s@
181
L UIS A Lll ERT O RI NCON ,\ B RIL
todo i, se puede demostrar que Cada r tiene una distribución exponencial con
parámetro A .
11 1
Esto es, se trata de una distribución binomial con parámetro uft independiente de
J82
INVFST IUAC ION DE O I'I. R,\C IONES PARA IN( ;EN I FR I!\S y ᄀ |dセ i n i s t rG|H M i HIn@ DE F MPR FS¡\S
183
LUIS ,\ U 3ERTO RINCON ABRIL
P (I+/i )- P(I ) O( /i )
Entonces " /i " =A" j セ L@ Q Hi IK Llj LKi セ \K iHゥIMa L K Lu L I セ L Hゥ IK@ h' tomando el
dP() (t ) = -AP (1 )
() 、セ L Hi I@ = AP ( / )-AP ( / )
( II dI ,,- 1 "
184
IN\TST IGACION DE O PER ,\C IONES PARA I 'GF. I F.R I¡\S y L |dセ i n i strac i on@ DE EMPRES¡\S
ai O セ I ] サi L pᄀ@
(A, + {I l ) P¡ = A(] i セ I@ + .u 2 Pe
La figura 36 muestra los diversos estados a los cuales puede llegar el sistema. Si
se igualan las tasas hacia adentro y hacia afuera de cada estado , se obtienen las
ecuaciones de balance . A esto se le reconoce como el principio de tasa de entrada
igual a tasa de salida.
Estado An-2
I •••••
\.--.J
J.ln J.ln+ 1
J.ln-I
185
LU I S ,\LBERTO RINCON ABR IL
De esta forma simplificada , se obtienen las ecuaciones que rigen el sistema. Este
procedimiento es muy utilizado para desarrollar las relaciones que rigen los
diversos tipos de colas. Este sistema se resuelve en función de Po de la siguiente
manera :
Estado
o:
1:
2:
11 - 1 : p1/
=セ ー@ 11 - 1
+ _1- ( P I! I P 1/ I
-A 11 - 2 P11 - 2 )
¡..t " P"
1/: p" = -A"- p" + -1 (¡..t " P" - A,, _JP',-J)
¡..t ,,+J ¡..t ,,+J
186
INvrSTIc;"CION D I·: O l' !" R,\C!ONFS PA R" INGEN I ER Ir\S y ADM IN ISTRAC ION DE EMPRESAS
" A セ@ セ@
I b"
se pueden calcular Po = , \" P Estas expresiones plantean la
b "
L. "
condición indispensable para la existencia de las probabilidades de estado estable .
Es necesario que la suma L b n converja.
Dado que se pueden asignar diferentes valores no negativos a las tasas 1.. 0 , Al, 1.. 2 ,
1.. 3, ....... An y Pl , P 2, P 3,··· ···· pn del proceso de nacimiento y muerte , existe una gran
flexibilidad para modelar un sistema de colas. Los modelos más usados en teoría
de colas están basados directamente en este proceso y entradas Poisson y
tiempos de servicio exponenciales.
h
"
= rr
" ;l
,_ 1 ,L/
= ( )"
;l
JI
セ@ C IICIlldo セ@
;l
JI
<I
. b;l A A
Entonces se obtiene que セ L ]@ , -"- = ( 1- IH セ I B@ = ( 1- p)p " COII P =セ N@ Es decir,
L. b" JI JI JI
la condición para que existan las probabilidades es que p < 1. La probabilidad de
187
L UIS ,\U3E RTO RI NCON AB RI L
188
IN\TST I(; ,\CION D I- OI'ER ,\ C IONES PARA I Nl;EN II: RI AS y i |dセ i n i s tr i |c i on@ DE H I PRESAS
Estado
i|セ@ •••••
u 2u 3u (s-1 )u su su
189
LLlI S I\ L Br:RTO RI NCO ' A BR IL
j
l
sp ( A) , 1
dOllde P = セ@ I (A) " + _p
1) L.,
,, _o ll. ,LI
., . 1
S.( .lp-/l)
1. Identifique los clientes y los servidores del sistema de colas en cada una de las
siguientes situaciones:
1.1. Las cajas registradoras de un supermercado.
1.2 . Una estación de bomberos.
1.3. La caseta de peaje de una carretera.
1.4. Un taller de reparación de carros.
1.5. Un muelle de carga y descarga.
1.6 . Un grupo de máquinas semiautomáticas asignadas a un operador.
4. Considere un sistema M/M/ 1 con p = 1.0. Compare L para los casos en los cuales A es
0.6 , 0.9 Y 0.99, re spectiva mente . Igual para Q Y w. Cal cule la probabilidad de que el
tiempo de espera sea mayor que 4 unidades P [W > 4 l.
190
IN\' I.S1IG ,\C10N J)E 01'1 J{ .. \C ION I.S I',\R ¡\ ING I: N II: R I,\S Y j | d セ i n i stjサ L |cQPn@ DE H IPR ESAS
5. Un flujo de votantes por dos candidatos cumple un proceso de Poisson con tasas de
llegada Al y A2 independientes. Mostrar que el flujo tot al es un proceso de Poisson con
tasa (Al + A2). Determine la probabilidad de que el primer cliente vote por el primer
candidato .
7. Una cabina telefónica recibe clientes Poisson que llegan a un promedio de 12 minutos
entre cada cliente , las llamadas tienen una duración exponencial de un promedio de 4
minutos. La empresa de teléfonos decide que colocaría un segundo teléfono si los
clientes tienen que esperar en promedio más de cuatro minutos para que desocupen el
teléfono .
7.1. ¿Para que valor de A se sucede este cambio?
7.2. ¿Cuál debe ser A, sí la compañía de teléfonos coloca otro aparato sólo si la
probabilidad de que un cliente tenga que esperar exceda de 0.6?
8. Una pequeña estación de gasolina tiene cupo para dos carros solamente. Los clientes
potenciales son Poisson a tasa desconocida , pero que no se detienen si el espacio
está lleno (es decir, se pierden) . Se sabe que el tiempo promedio entre los clientes
actuales (aquellos que se detienen y son servidos) es de 6 minutos. Hay un
despachador con servicio exponencial y con media de 5 minutos .
J9 \
L U I S ,\ U 3ERT O RI NCO ,\ B RIL
9. Un sistema de colas tiene dos servidores, una distribución de tiempo entre llegadas
Poisson con media de 2 horas y una distribución de tiempo de servicio Exponencial
con media de 2 horas por servidor. Si a las 12 del día llega el primer cliente.
9.1 . Cuál es la probabilidad de que la siguiente llegada ocurra antes de la 1 P.M ., Entre
la 1 y las 2 P.M . Después de las 2 PM .?
9.2. Cuál es la probabilidad de que le número de llegadas entre la 1 y las 2 P.M. sea O,
2 ó más clientes?
10. El gerente de un supermercado debe decidir a quién contratar de dos cajeras , María ,
que trabaja despacio y puede ser empleada por C 1 = 5 $US/hora; o Alicia , que trabaja
más rápido y cuesta C2 $US/hora , donde C2 > C1. Ambas dan servicio exponencial a
tasas f.! , = 20 clientes/hora y セャ R@ = 30 clientes/ hora , respectivamente . La llegada a la
caja es Poisson con A = 10 clientes/hora. El gerente estima que en promedio, el tiempo
de cada cliente vale 0.02 $US/min y debe ser tomado en cuenta en el modelo.
10.1. Calcular el costo esperado por hora al contratar a Alicia o María.
10.2. ¿Cuánto estaría usted dispuesto a pagarle a Alicia?
10.3. Si no se conoce la tasa de servicios de Alicia , encuentre una cota superior para
la cantidad que se le pagaría.
192
10. MODELOS DE DECISiÓN MARKOVIANOS
193
L U IS 1\ 1J3E RTO RINCON ;\13 1<11 .
194
i n| G iN セt iH [G| c i on@ D I. O I'LI{ ,\CIONrS [>,\1< ,\ I NGEN I ER Ir\S y イ|dセ i n i strᄀ|c i on@ DE EMPRESAS
A los resultados EJ , con J=1,2,3., .. , se les denomina estados del sistema . A las
probabilidades condiciona les P{X t + 1 =J I Xt-1 =i} se les llama probabil idades de
transición . Cuando Xt -1 =i y Xt+ 1 =J , se dice que el sistema realizó una transición
Ei4 EJ en el paso t. Las Cadenas de Markov homogéneas conform an un grupo
especial de probabilidades de transición que son independientes de t. Se
acostumbra la siguiente notación PIJ = P{X I =J I XI-1 =i l-1} y nAt ) = P{ XI =J}. Por
,<
i セ@ 1 P¡ , P¡ , P¡ ,
P" P" P" P"
P= P'I P" Pl1 P"
J95
LU IS A LBERTO RINCON ABR I L
Considerando el siguiente modelo para el cambio del valor de una acción. Al final
del día se registra el precio. Si subió , la probabilidad de que el próximo día suba es
0.66 . Si bajó , la probabilidad de que el próximo día suba es sólo 0.45 . En este caso
puede representar el estado O el precio de la acción sube y el estado 1 que baja .
La matriz de transición está dada por
Los estados posibles del clima de una región son : O día lluvioso, 1 día bueno , 2 día
con nieve. Nunca hay días buenos en secuencia . Después de un día bueno existe
la misma posibilidad de que el siguiente sea lluvioso o con nieve . El 50% de los
días lluviosos y el 50% de los días con nieve se repiten. Cuando un día es lluvioso
existe la misma posibilidad de que el siguiente sea bueno o con nieve. Cuando un
día es con nieve existe la misma posibilidad de que el siguiente sea bueno o
lluvioso. La matriz es :
25
P¡,2 1 lo.5 0.25
P¡ 2 = 0.5 ° 0.0.5 1
p ・セ@ 0.5 0.25 0.25
196
10.3 ECUACIONES DE CHAPMAN KOLMOGOROV.
paso en forma recursiva. Para n = 2, ーG セ Zャ@ =I i セ L@ P" , . Estos elementos son las filas
197
l.U I S 1\ l. HERTO RINCON I\ ll l< ll .
P'" = P' =
0.63::>
0.26-1
0 ..\6X
0.36X
O
O.:l6X
O·'' fl''O
O
O
0.632
026-1
O.36X
0.368
O
0.36X
()
O
0283 0. 252
(U5 1 0.3 19 0.23:1
0233 01"]
0233
0.097
0.080 01 8-1 0.368 0.368 0.080 0. 18-1 0.368 (U68 0.2-1 9 0.286 0.3 0. 165
Así que , si se tiene dos relojes al final de una semana, la probabilidad de que no
haya existencias en inventario cuatro semanas después es 0.284 .
Del estado Ek se puede llegar al estado EJ si existe un n>O tal que P¡';') > O. Una
retorno a J ocurra en el paso n se le llama / ;"), entonces Pi;') = ¿" I ;I) P;;'-I) y la
1-1
198
IN\ 'ES11(; ,\C ION DE OPER I\C IONES PA R .. \ I NGEN I ER II\S y adセ i n i s tr ᄀ|c i on@ DE H IPR ESt\S
O'
199
LUIS ,\LI3ERTO RI 'eo 'i\I3RIL
n(I) = (1 0{0.5 0.5 ) = (0.5 0.5)=> n('2 )=(0.5 0.5{0.45 0.55) = (0.45 0.55)=(Tr() Tri)
セ@ OA 0.6 セ@ 0.44 0.56
El lector podrá comprobar que para rc(O) = (1 O) , los valores sucesivos de rc(n) son :
N O I '2 3 4
7t1) I 0.5 0.45 0.445 0.445
Así mismo , para rc(O) = (O 1), los valores sucesivos de rc(n) son:
N O I "2 3 4
7t1) I 0.4 0.44 0.445 0.445
En ambos casos se observa que 7t(n) = (0.445 0.555) cuando n crece . Se puede
demostrar que esta cadena es ergódica, solucionando el sistema de ecuaciones:
n = TrP
200
INVEST IGAC ION DE OPERAC IONES PARA INGEN I ERI AS y ADM IN IST RAC ION DE EMPRESAS
7[/0.5 0.5 1
セ@ 0.4 0.6)
El lector puede analizar una de estas ecuaciones resulta redundante, por lo tanto
se elimina una cualquiera de ella y se obtiene la solución TCo = 0.445 Y TCl = 0.555 .
La sección anterior estudió las cadenas de Markov cuyos estados son ergódicos
(recurrentes y no periódicas). Si no se tiene el requerimiento de que los estados
sean no periódicos , entonces el LíI/1 ーG セ BI@ puede no existir. Pero , el siguiente límite
i iセo@
siempre existe para una cadena de Markov irreducible con estados recurrentes:
Lí/l/ ( セ@
11_00 11
f.. ーN セᄀI@
セ Zi@
= 7[, ' en donde las TCJ satisfacen las ecuaciones de estado estable
201
L U IS I\L13ERTO RINCO A BR IL
períodos está dado por la expresión E( 1 f e,) y usando el resultado del límite
1/ Gセ i@
1 " ] '"
セ ZA e@ [ iOセ ・ L I@ ] セjイ L ・ L@
202
IN\ I. S1 1(; ,\c\ON DE O I' I.R AC IONES PARA INGEN IER I AS y adセ i n i str i| c i on@ DE H IPRESAS
Cuál es la probabilidad de que un cliente llegue a tener una mala deuda dado que
la cuenta pertenece al estado 1 a 30 días de retraso. Igualmente , dado que la
cuenta está en 31 a 60 días de retraso .
f 13 = P 10 f 03 + P 11 f 13 + P 12 f 23 + P 13 f 33
f 23 = P20 f03 + P 21 f 13 + P 22 f 23 + P 23 f33
A partir de la matriz se sustituyen los valores para cada P,J y como f03 = O Y b = 1,
estas ecu aciones se convierten en:
203
LU IS ALBERTO RINCON ABR IL
f 13 = 0.2f 13 + 0.11 23
f 23 = 0.1f 13 + 0.2f 23 + 0.2
204
11"\'1 ST l ló \(' ION Dr. OPFR ¡\C!ONES P.\R .\ IN(ó l: N ILRI.\S y . |dセ i n i str N |cQP@ DE H I PRES .. \S
El último elemento de esta matriz de transición indica que, una vez que la máquina
se vuelve inoperable (entra al estado 3) , permanece inoperable , esto es, el estado
3 es absorbente. Dejar la máquina en este estado seria intole rab le ya que esto
detendría el proceso de producc ión, por lo que la máq uina debe reemplazarse. (La
reparación no es factible en este estado). La nueva máquina comenzaría entonces
en el estado O. El proceso de reemplazo toma 1 semana de manera que la
producción se pierde durante este periodo. El costo de la producción perdida
(ganancia perdida) es de $US 2000 y el costo de reemplazar la máquina es de
$US 4000 de manera que el costo total en el que se incurre siempre que la
máquina actual entra al estado 3 es de $US 6000. Antes de que la máquina llegue
al estado 3, puede incurrirse en costos por producir artículos defectuosos. Los
costos esperados por semana debido a artículos defectuosos $US O, 1000 Y 3000
respectivamente para los estados O, 1, 2. Estos costos relevantes están asociados
con la política de mantenimiento , reemplazar la máquina cuando es inoperable,
pero no darle mantenimiento en otros casos . Bajo esta política , la evolución del
estado del sistema o sucesión de máquinas , es una cadena de Markov con la
siguiente matriz de transición:
Estado O 1 2 3
O O 7/8 1/ 16 1/ 16
1 O 34 1/8 1/8
2 O O Y2 Y2
3 1 O O O
205
L U I S ,\1J3I.RTO RI NCON A8 RII.
Para evaluar esta política de mantenimiento , deben considerarse tanto los costos
inmediatos en que se incurre en la siguiente semana, como los costos
subsecuentes que resultan cuando el sistema evoluciona de esta forma. Una
medida de desempeño usada para cadenas de Markov es el costo promedio
esperado por unidad de tiempo sobre un periodo largo. El calculo de esta medida ,
exige encontrar las probabilidades de estado estable con el siguiente sistema :
7[0 = 7[.1
7 :\
7[ ( = 7[0 + 7[ 1
8 4
1 l l
7[ , = 7[(, + 7[ 1 + - 7[ ,
- 16 8 2 -
1 1 1
7[ 1 = - 7[0 + - 7[1 + - 7[ ,
. 16 8 '2 -
1= 7[0 +7[ 1 KW{ セ@ +7[1
2 7 '2 2
Solu ción: 7[ 0 =- , 7[ 1 = - , 7[ , = - . 7[= -
13 13 - 13 .1 13
Así, a la larga , el costo promedio esperado por semana para esta política de
mantenimiento es . .,
e= 07[(J + 10007[ 1 + .,0007[ , +
-
6000n 1
.
25000
= --
13
206
INVEST l l;AC ION J)E OI'ER /\C IONES I',\ R /\ INGEN I ER I AS y i| d セ i n i st r [ |c i on@ DE EM PRESAS
$2000 por las ganancias perdidas al no producir. Las decisiones posibles después
de cada inspección son las siguientes:
Uno de los modelos para los procesos markovianos de decisión se puede resumir:
207
I lllS .·\I.I![R10 RI NCO N .\13RII.
Cada una de estas políticas tiene una matriz de transición diferente , como se
muestra enseguida:
De los costos totales por semana de la sección anterior, los valores de C'k son:
208
1;\\ 1 セ@ II(; ,\CIO;\ D I. ()P I IUC! O N I.S I'/\ R/\ IN(; I.N II : RI ,\S Y j|QIセ i n Q s tr G|H Z Q Pn@ DE eセ GiQサ M⦅ s L |s@
El costo promedio esperado a largo plazo por unidad de ti empo , se calcu la con la
1/
expresión E( e) =I C,¡lr" siendo k = d¡(R) para cada i y 1t¡ representa la
1"
distribución de estado estable para los estados del sistema según la política R que
se está evaluando. Una vez obtenidos 1to, 1t" 1t2 Y 1t3 para cada una de las cuatro
políticas , el cálculo de E(C) se presenta en la siguiente tabla:
209
L U IS A LBERTO RI en ,\BI< IL
11 1
° 1111 ° 11/2 D,"1
セ@ 1
O
o
O o
2 10
IN\' I.S11(; ,\C ION D I- OpE I{ ,\C IONES p,\I{ ,\ IN(;r:N I ER I.\S y i |iIセ i n i strac i on@ DE eセ i presᄀM|セ@
セ ャ@
,
/ c O
/
1 '
J
1/
/ -1 X
O O 1
Variables de decisión , Para cada i = O, 1, .... ,m y k = 1, 2,.. " .. " 1, sea )(¡k la
probabilidad incondicional de estado estable de que el sistema se encuentre en el
estado i y se tome la decisión k,
211
L U I S ,\Lll ': IH O RINCON ,\RR I L
Cada X'k tiene una relación con la D'k correspondiente , pues de las reglas de
probabilidad condicional , se tiene X ik = ni Diko Siendo ni la probabilidad de estado
estable de que la cadena de Markov se encuentre en el estado i. Se cumple
X x ,¡
= Ix ,¡
I
entonces Tr , de manera que D,¡ = -"--
¡ _I Tr ,
Restricciones.
m m I
I lIi I
decir, I
.1. _ 1
X I! = II x ,¡ p,¡ (k)
I - (J 1. - 1
para J = 0,1 ,2, ...... ,m .
," I
Mil/(Z) = I I C,¡ x ,¡
I-() .1. - 1
/11 I
Sujeto a las restricciones : IIx" = 1
1_ 0 /..:;:J
I 111 I
I
J. .;.:; )
X I! - I I X ,¡ p,¡ (k) = O
I - () J. - I
212
INVEST IGAC ION DE O PER ,\C IONES PARA I NGEN IER I AS y adセ B n i strac i on@ DE eセ i presa@
X ,¡
Una resuelto el modelo, se encuentra a D,I = I
LX ,!
I セ i@
Min(Z) = 1000 X11 + 6000 X13 + 3000 X21 + 4000 X22 + 6000 X23 + 6000 X33
21 3
L U IS ,\ I. 13ERTO RI NCO N ,\ 13 RIL
1. Dos máquinas dan premio , la primera con probabilidad a y la segunda con probabilidad
b. Una persona juega, si pierde juega de nuevo en la misma máquina, si gana cambia
de máquina. Encuentre la matriz de transición y las probabilidades de estado.
3. Una máquina , cuando está operando al comenzar el día tiene una probabilidad de 0.1
de descomponerse en algún momento de ese día. Cuando esto ocurre , la reparación
se hace al siguiente día y se termina al finalizar ese día .
3.1. Formule la evolución del estado de la máquina como una cadena de Markov,
identificando los tres estados posibles al final del día y después construyendo la
matriz de transición (de un paso) .
3.2. Encontrar el tiempo esperado de primera pasada del estado i al estado j.
3.3. Si la máquina tiene 20 días sin descomponerse desde la última reparación , cuál es
el número esperado de días que la máquina permanecerá en operación antes de
la siguiente descompostura.
214
IN\ I.S11<i \UON DE 0 1'1 R,\C IONES P,\ R,\ ING I·.N IERI ,\S y L | jI セ i n i strac i on@ J) E eセ ャ イ r es L | s@
de marca como una cadena de Markov, incluyendo tres estados: los estados A y B
representan a los clientes que beben cerveza producida por las mencionadas
cervecerías y el estado C representa a todas las demás marcas. Los datos se toman
cada mes y el analista del CÓNDOR construye la siguiente matriz de transición con
datos hi stóricos.
A B e
A 0.7 0.2 0.1
B 0.2 0.7 0.1
e 0.2 0.2 0.6
4.1. ¿Cuáles son los porcentajes de mercado en el estado estable para las dos
cervecerías grandes?
215
L U IS A LB ERT O RI NCON ABR IL
6.1. Cada año en que el mercado sube (o baja) 100 puntos , el F1 tiene ganancias o
pérdidas de $US 200, mientras que el F2 tiene ganancias o pérdidas de $US 100.
Si el mercado sube o baja 200 puntos en un año, las ganancias o pérdidas del F1
serán de $US 500 mientras que las del F2 serán de $US 200. Si el mercado no
cambia , ninguno de los fondos tiene ganancias o pérdidas. El inversionista quiere
determinar su política óptima de inversión con el fin de minimizar en el largo plazo
el costo (pérdida menos ganancia) promedio esperado por año.
6.2. Formule este problema como un problema de decisión de Markov identificando los
estados y las decisiones. Después encuentre las Cik .
6.3. Identifique todas las políticas determinísticas. Para cada una, encuentre la matriz
de transición y escriba una expresión para el costo promedio esperado (a la larga)
por periodo en términos de las probabilidades de estado estable nO, n1, n2, .... "nm.
6.4. Encontrar la política óptima por enumeración exhaustiva.
PO =
(0.9 0.1)
0.6 0.4
RO = (2
1 -3
-1) PI=(0.7 0.3)
0.2 0.8
RO=(4
2
1)
-1
216
APÉNDICE A.
A.1 MATRIZ.
Los aij de la Matriz A=(aij) son llamados elementos de la matriz y el doble subíndice
define la posición de fila y columna. En el caso anterior diremos que la matriz es de
orden mxn y lo podremos simbolizar como Amn.
A.2.1 Vector columna (Vector): Es una matriz con solamente una columna y cualquier
número de filas.
A.2.2 Vector fila (Fila): Es una matriz con solamente una fila y cualquier número de
columnas.
217
L U I S i\ U 3ERTO RI NCON j\Il RIL
A.2.4 Matriz cuadrada : Una matriz A se llama cuadrada si m=n , esto es, tiene igual
número de filas y columnas. Se dice que es de orden n y se simboliza An.
A.2.5 Matriz triangular: Es una matriz cuadrada que cumple una de las siguientes
condiciones:
- 2 3 1 - 1 O O O
O 1 2 - 1 f3 O O
A= B=
O O -V'2 3 4 2 l2 O
..,
O O O f3 ,) O -13
A.2.6 Matriz diagonal : Es una matriz cuadrada con a'j = O para todo i 7:- j. Equivale a decir
que cualquier elemento ocupando una posición fuera de la diagonal de la matriz es nulo.
A.2.7 Matriz idéntica: Es una matriz diagonal con a" =1 . Equivale a decir que cada
elemento de la diagonal es 1.
1 O O O
O 1 O Oo, O
1= O O O
O
O O O Oo, 1
A.2 .8 Transpuesta de una matriz. Dada. una matriz A de orden mxn , su transpuesta
AT, será otra matriz de orden nxm , obtenida al intercambiar respectivamente filas por
columnas en la matriz A.
!! ,.
218
IN\TS11(; .\CION J)E ()I'I R,\C IONES I" \R¡\ ING I,N I ER II\S y i |jIセ i@ ISTR ¡\C IO DE eセiprsイ|@
T
Una matri z A, se llama simétrica , si cumple A = A; Y se llama oblicuamente simétrica ,
T
cuando cumple A = -A.
A.3IGUALDAD DE MATRICES.
A.4.1 Suma de matrices : La suma de las matrices Amn Y Bmn es otra matriz Cmn , tal que
cada elemento en la posición fila i-ésima , columna j-ésima de la matriz resultado , se
obtiene como:
A.4.2 Producto escalar: Operación producto entre un número real a y una matriz A.
La expresión anterior indica que el escalar multiplicará a cada uno de los elementos de
la matriz.
A mp * B pn = C mn
2 19
LUI S ALBERTO RINCON ABR IL
C=AB=
-1
(2 O
ᄚQIHセ@ - 1 1] (-LxI+bO+Orl - 1.\{- I)+ld+OIO - lxi + b:2+010) = (- 1 2 21)
セ@ セ@ = 2r! +010+ bl 21{- I)+Oxl+bO 2rl+Ox2+bO 3 - 2
Asociativa: (A + B) + C = A + (B + C)
(A *B)*C = A*(B*C)
a(A*B) = (aA)*B = A*(aB)
Conmutativa: A + B = B + A
Distributiva: (a + B)A = aA + BA
a(A + B) = aA + aB
(A + B)*C = A*C + B*C
A*(B + C) = A*B + A*C
A.S VECTORES.
Entenderemos un vector como una matriz con una sola columna , por lo tanto sobre
los vectores aparecen definidas las mismas operaciones con las mismas propiedades
que para las matrices.
220
INVESTIG,\CION DE OI'ER /\CIONES PARA INGEN IER I /\S y adセ ャi n i strᄀ|c i on@ DE H IPR ES ,\S
A.5.1 Combinación lineal: Dados los vectores V l , V2, V3,... .,Vn y los escalares al , a2,
a3, .. ... ,a n ; el vector V obtenido como: V = al V l + a2V2 + a3V3 + ..... + anVn , es una
combinación lineal de los vectores dados.
Por ejemplo los vectores \1 = {セ@ ) .1' U = (: 1, son linealmente independientes. Para
22 1
L U I S 1\ I. BE RTO RINCON AB RIL
TEOREMA: Cualquier punto sobre un segmento de línea puede ser expresado como
una combinación convexa de los extremos del segmento.
222
INVEST IG ,\CION DC OPEI< ¡\C IONES P/\R ,\ II'GEN I ER I AS y adセ Qi nistrac i on@ DE EMPRESAS
A.6 DETERMINANTES.
Asociado con cualquier matriz cuadrada A = (a,j), existe un número único llamado el
determinante de A, que se simboliza de cualquiera de las siguientes formas det(A), I A 1,
I a l·
'j
A.5.3 Menor de un elemento : Dada una matriz cuadrada A, para cada elemento a,j, se
define su menor d,j, como el determinante que se puede calcular cuando en la matriz A,
se suspende la fila i-ésima y la columna j-ésima. Para la siguiente matriz:
del =(-2)(-3)-2(- 1) =8
d" = 1(-3)-2.11=-5
d" = 1(- 1)-(-2) 1 = 1
A.5.5 Cofactor de un elemento : Dada una matriz cuadrada A, para cada elemento a,j,
se define su cofactor f,j , como el menor signado multiplicado por el mismo elemento
f'j = (-1 tja'j d'j
En el ejemplo de los puntos anteriores: f21 = -8*3 = -24, f22 = -5*0 = O Y f23 = -1*1 = -1. De
este ejercicio, el lector podrá deducir que si a'j = O, entonces f'j =O.
22 3
LU I S I\ I. BE RTO RI NCON AI3 RIL
A.5.6 Determinante para la matriz de orden n セ@ 2. Existe una propiedad para las
matrices cuadradas , la cual no se va a demostrar, la suma de los cofactores de
cualquier fila o columna es siempre el mismo valor. Este aspecto "específico " fue
definido como el determinante de la matriz. Asi pues, dada una matriz cuadrada A, se
tiene que det(A) = D ,J , para una sola fila i-ésima o una sola columna j-ésima . En el
ejemplo que se viene presentando se puede calcular det(A) = -24 + O -1 =-25.
A.5.? Propiedades de los determinantes. La demostración de las siguientes
propiedades se dejan al lector y en ellas se supone que cuando se habla del
determinante de una matriz A, se entiende la estructura IAI .
3. Si 181 es el determinante obtenido al multiplicar por a un solo vector fila o columna del
determinante lA\, entonces: 181 = alAI·
224
IN \ I S rJ G ,\ C IO N D E OPER ,\C10 N ES pL|ャ セB@ ING EN IER I AS y ,\DM IN I STR AC ION DE e セ ipre sa@
A.6.2 Matriz Adjunta . La adjunta de una matriz cuadrada A es otra matriz cuadrada J
del mism o orden , estructurada como la transpuesta de los menores signados de A, esto
es , Si A =(ajj), entonces J =(m jj)T
A.6.3 Matriz Inversa. Una matriz B recibe el nombre de inversa de la matriz cuadrada
A, si A*B = 1. La inversa de A se designa como A '. Puede demostrarse que si A es no
I
singular, esto es IAI 1:- O, entonces A- = I .J .
A
Para cu alquier matriz cuadrada no singular A, A-' es única y cumple A* A-' =A-'* A =I
A=
{{ el (1 l' (/ 211
X= X'j
X,
b=
b,
(f
",1 (/ 11/2 { I "/II X" b,
225
LU IS ALBERT O R INCüN ABR IL
Si A es cuadrada , esto es , m = n y no singular, el vector solución está dado por X =A- 1b.
Aplicar esta expresión para encontrar X, exige un procedimiento demasiado
congestionado de operaciones, el cual fue totalmente mejorado mediante el método de
eliminación de Gauss.
1. Construir la estructura ( A 11 1 b ).
2. Realizar las combinaciones lineales adecuadas entre las filas de esta matriz para que
en la posición donde está A, aparezca la matriz idéntica 1.
1
3. Cuando esto se logra la anterior estructura se convierte a ( 1 1 A- 1X ).
Para encontrar la inversa de una matriz A, el proceso será iniciar con (A 11), realizar las
combinaciones lineales para terminar con (1 1 A-\
2X , +3X , + X ; =2
X1+X , +X ; = O
- X, +X , +2 X ;= 4
226
INVESTIG /\C ION DE OPERAC IONES PARA INGEN IER I AS y ADM IN ISTRAC ION DE EMPRESAS
Con esta información se puede construir el tablero inicial ( A 1I 1 b ), el cual queda como:
2 I 3 1 1 O O 2 F1
1 1 1 O 1 O O F2
-1 1 2 O O 1 4 F3
1 3/2 Y2 Y2 O O 1 F1 1=Y2 F1
O [3J Y2 -Y2 1 O -1 F2 1=F2- F1 1
O 5/2 5/2 Y2 O 1 5 F3 1=F3+ F1 1
1 O 2 -1 3 O -2 F1 2=F1 1 -3/2F2 2
O 1 -1 1 -2 O 2 F2 2= -2F2 1
O O I 5 -2 5 1 O F3 2=F3 1 -5/2F2 2
1 O O -1 /5 1 -2/5 -2 F1 3=F1 2-1 /5F33
O 1 O 3/5 -1 1/5 2 F23=F22+F3 3
O O 1 -2/5 1 1/5 O F3 3 =1/5F3 2
b) El "vector unitario" debe generarse con 1 en la posición del marco (elemento pivote) y
ceros en el resto de la columna.
c) La fila que contiene el elemento pivote ( fila pivote) debe multiplicarse por el inverso
del pivote, para pasar al nuevo tablero.
d) Las demás filas se obtienen realizando entre ella y la fila pivote la correspondiente
combinación lineal que genere el cero del "vector unitario".
227
I_U I S A L BERTO RINCON A BR IL
T
determinar: a) A + B b) CD e) DC d) BC - 2AD e) C + D
a) b)
5. Dada A= (= S)enCOl1lrOr
J I
B= (x -" ) , para que:
:: l'
T
(a) AB = BA (b) AB = I (e) AB = A (d) AB = A2
22 8
INVEST IG¡\C ION DE OPERACIONES PARA INGEN IER I¡\S y ᄀ |iIセ i i n i s tr ac i HIn@ DE H 1PRESAS
18 18
15 18
VI = 9 V2 = O
O 8
O O
Expresar mediante una combinación lineal convexa todas las posibles soluciones
óptimas al programa lineal.
a) 2X 1 + 3X 2 - 5X 3 =-3 b) 3X 1 + 2X 2 - X3 = 4
3X 1 - 2X 2 + 4X 3 = 15 2X 2 + 3X 3 = 8
5X 1 + 3X 2 - 2X 3 = 6 X1 + X2 + X3 = 4
c) 2X 1 + X2 + X3 = 10 d) X1 + X2 + X3 + X4 = 3
X1 + 2X 2 + X3 = 8 2X 1 - X2 - X3 = O
X1 - X2 + 2X 3 = 2 X1 + 2X 2 - X3 + 2X 4 = 2
X3 + X4 = 1
229
BIBLIOGRAFíA
AHUJA, R., MAGNANTI T, Y ORLlN, J,. Netwoork flows : Theory, Algorithms and
applications. Ed. Prentice Hall. New Jersey. 1993.
BAZARAA, M., JARVIS J,. Linear programming and Netwoork flows. 3a . Edición .
Ed , Willey. New York. 1995.
BINGHAM, R. Programas de computación para formular alimentos. Avicultura
profesional. pp 134-136. 1983.
BRONSON, R. Teoría y problemas de investigación de operaciones. Ed. McGraw
Hill. México 1983. 324 p.
COOPER, Robert B., Introduction to Oueueing Theory. 3 a . Edición . Elsevier
North Holland. Nueva York. 1988.
COWLES, K y CARLlNG B. , Markov chain Monte Cario convergen ce
diagnostics. Journal Am . Stat. Assoc., 1996. p 91 , 883-904.
DANTZIG, G. B. Linear Programming and Extensions. Princeton University Press.
Princeton. 1963.
EPPEN G. D., GOULD F. G., SCHMIDT C.P. MOORE J. H. Y WEATHERFORD
1. R., Investigación de Operaciones en la ciencia administrativa. Editorial Prentice
Hall. Ouinta Edición . 1998. México.
FU, M. C. ,Optimization via Simulation , Annals of Operations Research . 1994. P
199-248.
GASS, S. 1. An IlIustrated guide to Linear programming. Ed . Dover Publications.
1990.
GILKS, W., RICHARDSON S., Markov chain Monte in practice. Chapman Hall.
1996.
HILLlER, Frederick S. y LlEBERMAN, Gerald J., Introducción a la
Investigación de Operaciones. Editorial Mc Graw Hill. Cuarta Edición. 1997.
México.
INFANTE, A. Programación Lineal. Bogotá . Universidad de América, 1979. 352
p.
230
I VESTIGAC ION DE OPERAC IO ES PARA I NGEN I ER I AS y adセ i n i strac i on@ DE eセ i presa@
231
LUIS ALBERTO RINCÓN ABRIL
ISBN 958809509 - 3