Documentos de Académico
Documentos de Profesional
Documentos de Cultura
OPERACIONES
ñ
Investigación de
Operaciones
UN ENFOQUE FUNDAMENTAL
JAMES E. SHAMBLIN
School of Industrial Engineering and Management
Oklahoma State University
G. T. STEVENS, Jr.
School of Industrial Engineering and Management
Oklahoma State University
TRADUCTORES:
McGRAW-HILL
MÉXICO e BOGOTÁ e BUENOS AIRES € GUATEMALA 0 LISBOA € MADRID
NUEVA YORK e PANAMÁ e SAN JUAN e SANTIAGO e SÁO PAULO
AUCKLAND 0 HAMBURGO e JOHANNESBURGO e LONDRES e MONTREAL
NUEVA DELHI e PARÍS e SAN FRANCISCO e SINGAPUR
ST. LOUIS e SIDNEY e TOKIO e TORONTO
INVESTIGACIÓN DE OPERACIONES
Un enfoque fundamental
ISBN 968-451-284-8
Traducido de la primera edición en inglés de
OPERATION RESEARCH; A Fundamental Approach
ISBN 0-07-056378-0
Á E
Es E MES SEA
E
es " FE (3 ER p
|
TABLA DE MATERIAS
Prólogo
Naturaleza de la investigación operacional pa
Apéndice A
413
418
Apéndice B
420
Apéndice C
421
Indice
==
Pd ls Elsisibs 2
a Scanmentala Ycu ca lb
És
ij
AO ME
PROLOGO
Este libro fue escrito para llenar el cometido de servir como texto general
de investigación operacional en pregrado y en los primeros cursos de
posgrado. Su propósito es explicar e interpretar las matemáticas de la in-
vestigación operacional. Estimamos que la aplicación y, lo que es más
importante, la comprensión de la mayor parte del campo básico de la inves-
tigación operacional no requiere de matemáticas complicadas. Según
nuestra experiencia, un profesional dedicado a la asesoría o a la aplica-
ción de la investigación operacional debe interpretar primero el ambiente
físico o económico para poder construir un modelo matemático. Además la
aplicación de los resultados de las operaciones matemáticas exige que
re-
estos se interpreten sobre una base física o económica. Por eso hemos
de las ma-
currido constantemente a la interpretación física o económica
dirige
temáticas en lugar de insistir en teoremas y pruebas. El libro se
principalmente a los estudiantes que necesitan aplicar los conceptos de
base
investigación operacional, por lo cual en muchos casos se emplea una
intuitiva para su comprensi ón en lugar de un tratamient o más riguroso.
a los
En algunos casos este tratamiento se realiza en las notas anexas
emplearse a discreción del instructor. Las
capítulos, las cuales pueden
X PROLOGO
JAMES E. SHAMBLIN
G. T. STEVENS, Jr.
INVESTIGACION DE
OPERACIONES
Td MOMADITEIV VA
PRADIDAMATO
1
NATURALEZA DE LA INVESTIGACION
OPERACIONAL
CONSTRUCCION DE UN MODELO
Después de la formulación del problema, el siguiente paso es construir un
modelo del problema o del sistema en estudio. En 7/0 este es usualmente
un modelo matemático. De hecho hay otras clases de modelos, por ejemplo,
modelos físicos y esquemáticos. Un ejemplo de modelo físico es un modelo
a escala de una planta usado para estudios de diseño de plantas. Un dia-
grama de organización que muestra la interrelación entre las diferentes
funciones de una compañía es un ejemplo de modelo esquemático.
Un modelo matemático es un conjunto de ecuaciones que describen
un sistema o problema. El modelo matemático generalmente contiene dos
clases de ecuaciones: (1) la función de efectividad y (2) las restricciones.
La función de efectividad, frecuentemente denominada ecuación objetivo,
es una expresión matemática del objetivo del estudio; por ejemplo, la ex-
presión matemática de la ganancia o costo de una operación particular.
Son ejemplos de restricciones, las expresiones matemáticas de las limita-
ciones sobre una operación o sistema.
Las ecuaciones objetivo y de restricción son funciones de dos tipos de
variables, variables controlables (de decisión) y variables incontrolables.
Una variable controlable es aquella que puede ser directamente controlada
por quien toma las decisiones. Los valores de esas variables deben deter-
minarse. Las variables incontrolables son aquellas que no están bajo el
DEDUCCION DE UNA SOLUCION 3
donde x, y xp son el- número de unidades producidas por año, esto es,
las variables controlables. En esta formulación, las ganancias por uni-
dad, costos por unidad, cantidades producidas y tiempos de producción
son todas variables no controlables. La ecuación (1-1) es la ecuación ob-
jetivo, y las ecuaciones (1-2) a (1-4) son las restricciones.
Debe recordarse que un modelo es una aproximación de un sistema
real. Por consiguiente, todas las variables pueden no estar incluidas en
el modelo. Esto a veces es mal interpretado por personas no familiarizadas
con el enfoque de la JO. Ningún especialista de JO reclamará que su modelo
incluye todas las posibles variables o que las respuestas obtenidas a
partir del modelo son infalibles cuando se aplican a un sistema real en
estudio. Cualquier procedimiento aproximado está sujeto a algún error.
Lo que se pretende es hacer el error tan pequeño como sea posible.
La descripción de un sistema mediante un modelo hace posible anali-
zar el sistema y ensayar diferentes alternativas sin interrumpir el sistema
real. Otra ventaja es que un modelo tiende a hacer más explícito el proble-
ma, y puede aclarar relaciones importantes entre las variables. Un modelo
aclarará qué variables son importantes y qué datos son necesarios para
el análisis de un sistema. Una vez formulado el modelo, es posible analizar
el problema.
ESTABLECIMIENTO DE CONTROLES
Una vez que un modelo y su solución se consideran aceptables, deben colo-
carse controles sobre la solución. Esos controles se establecen para detec-
tar cualquier cambio significativo de las condiciones en las cuales se basa
el modelo. Obviamente, si cambian tanto que el modelo ya no es una re-
presentación precisa del sistema, el modelo se invalida. Por consiguiente,
debe establecerse algún mecanismo para detectar cualquier cambio del
sistema tan pronto como sea posible de manera que el modelo pueda revi-
sarse y refleje esos cambios.
EJECUCION
La ejecución de la solución obtenida a partir del modelo es la última fase
de un estudio de JO. En esta fase el grupo de JO explica la solución a la
administración responsable del sistema en estudio. Es importante que
la explicación de la solución se haga en función de los procedimientos
usados en el sistema real. Una vez que haya acuerdo sobre la solución, es
responsabilidad de ambas partes traducir la solución en un procedimiento
REFERENCIAS 9
OJEADA AL LIBRO
Este libro describe modelos tradicionales de JO tales como modelos de
remplazo, modelos de inventarios y teoría de colas. Además se presentan
herramientas y técnicas, tales como álgebra matricial, cadenas de Markov,
programación lineal y dinámica, y simulación. Se hará énfasis en la aplica-
ción de los temas presentados y en su explicación mediante ejemplos nu-
méricos en lugar de pruebas matemáticas estrictas.
Obviamente, en cualquier texto introductorio, la discusión de los diver-
sos temas debe terminarse en algún punto. Se han escrito libros enteros
sobre algunos temas considerados aquí. El propósito del libro :es propor-
cionar al estudiante una base sobre la cual pueda apoyar un estudio más
amplio de un tema particular. Las referencias que describen aplicaciones
más amplias y un tratamiento matemático más teórico de los temas se
encuentran al final de cada capítulo
REFERENCIAS
” caps.
1 Ackoff, R. L., y M. W. Sasieni: “Fundamentals of Operations Research,
1-4, John Wiley € Sons, Inc., Nueva York, 1968.
to Operations
2 Churchman, C. W., R. L. Ackoff, y E. L. Arnoff: “Introduction
Research,” John Wiley € Sons, Inc., Nueva York, 1957, pts. LIN y IX.
” caps.
3 Hillier, F. S., y G. J. Lieberman: “Introduction to Operations Research,
1 y 2, Holden-Day, Inc., Publisher, San Francisco , 1967.
,”' cap. 1,
>
CONCEPTOS BASICOS
Población y muestra
La población (distribución de base o universo) es la colección de objetos
o medidas en consideración. Una población puede ser finita o infinita. Una
muestra es un grupo de objetos tomados de una población. El caso usual
consiste en estimar las características de la población (parámetros) de-
terminando las características de la muestra (estadígrafos). Por ejemplo,
la media y la varianza de una población frecuentemente se estiman a partir
de la media y la varianza de una muestra tomada de la población.
Variable aleatoria
Una variable aleatoria, también llamada variable al azar o estocástica, es
una función cuyo valor numérico depende del resultado de un experimento
de azar. La función puede ser únicamente una regla que asigne un valor
con base en el resultado del experimento. Como ejemplo de variable alea-
toria, se considera el experimento de tomar n varillas de hierro y medir sus
longitudes, x1, X2, ..., Xi, ---» Xn- En este caso x, es la variable alea-
toria, y la regla puede consistir en asignar los valores medidos a cada x;.
Cualquier función de una variable aleatoria es también una variable
aleatoria. Esto es, si las longitudes son usadas en algunos cálculos sub-
siguientes, los resultados de esos cálculos son también variables aleatorias.
ESTADISTICA DESCRIPTIVA
La estadística se puede dividir en dos clasificaciones generales, estadísti-
ca inductiva y estadística descriptiva. La estadística inductiva o inferen-
cia estadística se refiere a la deducción de conclusiones acerca de una
población sobre la base de una muestra tomada de esa población. La esta-
dística descriptiva se refiere a la presentación en forma comprensible de
los datos recolectados. En este capítulo, sólo se considera la estadística
descriptiva.
Una colección de datos en su forma natural generalmente no consti-
tuye una gran fuente de información. Por ejemplo, los datos presentados
Tabla 2-1 NUMERO DE UNIDADES
VENDIDAS POR DIA
26
28
24
Z3
25
29
23
26
26
27 SEORARU3
SUSSUIIRRR
8 REPASO DE ESTADISTICA Y PROBABILIDAD
N = número de observaciones == 30
>
de
Número
ocurrencias
222350 24 125 27 28 30
Número de ventas por día
FIGURA 2-1
Histograma del número de ventas por día.
Distribuciones de frecuencias
Una distribución de frecuencias separa los datos en clases y muestra el
número de ocurrencias en cada clase, o frecuencias de clase. En la figu-
ra 2-1 las clases son 22,23, 24, ..., 30, y la frecuencia de clase de la clase
24 es cinco.
N = número de observaciones = 40
un
Bb
GU
N
ocurrencias
de
Número
28,5 29,0 29,5 30,0 30,5 31,0 31,5 32,0 32,5 33,0 33,5 34,0 34,5 35,0 35,5 36,0 36,5 37,0 37,5 38,0 38,5 39,0 395 40,0
Valores de los datos
FIGURA 2-2
Histograma de los datos de la tabla 2-2 con un intervalo
de clase de 0,5.
AO)
9 N = número de observaciones = 40
3 ¿8
17)
La 7,
16
E
SA
E
803
Z 2
1
30
25
20
15 N=30
de
Número
ocurrencias
10
0
A A SE AT A O)
Número de ventas por día
FIGURA 2-4
Distribución acumulativa de la frecuencia del número de
ventas por día.
ESTADISTICA DESCRIPTIVA 11
0,250
0,167 0,167
0,125
relativa
Frecuencia
A a E TO JS Ss.
Número de ventas
por día
FIGURA 2-5
Frecuencia relativa del número de ventas por día.
Tendencia central
Tres medidas comunes de tendencia central son la media, la mediana y
la moda. La media (valor esperado, esperanza, o promedio) se define ma-
temáticamente por
ES DETA
Ms (Q-1)
n n
1,00
0,75
0,50
acumulative
relativa
Frecuencia
SA A A A e 20)
Número de ventas
por día
FIGURA 2-6
Frecuencia relativa acumulativa del número de ventas por día.
26.+28.+24
+ 13: 4:23...775
a
ESTADISTICA DESCRIPTIVA E8
la
Ya que hay 30 valores, no hay un valor intermedio definido. Por tanto,
el quinceav o y el
mediana es el promedio de los dos valores intermedios,
en este caso. La mediana es (26+ 26)/2 = 26. Si se hu-
dieciseisavo
el valor
biera tenido un número impar de valores, la mediana habría sido
intermedio.
un conjunto
La moda es el valor que ocurre con mayor frecuencia en
La moda no
de datos. La moda de los datos dados en la tabla 2-1 es 26.
o de datos puede
necesariamente es única, ni tiene que existir. Un conjunt
tener más de una moda, o puede no tener ninguna.
Frecuencia
Valores
(a)
Moda
Mediana
Media
Dispersión
Tres medidas de la dispersión son la amplitud, la desviación típica y la
varianza. Estas medidas describen el esparcimiento de un conjunto de
datos. La amplitud es simplemente la diferencia entre el mayor y menor
valor de los datos. Una desventaja de la amplitud es que no tiene en
cuenta la acumulación de los datos.
La medida de dispersión más usada es la varianza (o su raíz cuadra-
da, la desviación típica). La varianza básicamente mide el valor medio
de las desviaciones de la media al cuadrado. Matemáticamente, la varian-
za se define como
ep 10
n—1 al
a?
(22 — 25,8)? + (23 — 25,8)? + (23 — 25,8)? + --- + (30 — 25,8)?
30 — 1
108,20
= 3,73
29
y la desviación típica es
d= V3,13 = 1,93
PROBABILIDADES
Las probabilidades proporcionan un medio para expresar matemática-
mente el grado de seguridad o duda de un suceso al azar. La probabilidad
de un suceso varía desde O hasta 1. Un suceso con probabilidad 0 cierta-
mente no ocurre; un suceso con probabilidad 1 ciertamente ocurre.
PROBABILIDADES 15
Combinaciones y permutaciones
Para la solución de muchos problemas de probabilidades, es necesario co-
nocer cuántos conjuntos diferentes de r objetos se pueden seleccionar
a partir de n objetos o cuántos conjuntos ordenados de r objetos pueden
seleccionarse a partir de n objetos. La primera cuestión es un problema
de combinación y la segunda un problema de permutación. Por ejemplo,
se considera el caso de un lápiz azul, uno rojo y uno verde. ¿Cuántas
combinaciones diferentes de dos colores son posibles a partir de los de
los tres lápices? Las diferentes combinaciones son rojo-verde, verde-azul,
y azul-rojo; un total de tres combinaciones. Debe notarse que la respues-
ta puede ser la misma si las combinaciones se designan como verde-rojo,
azul-verde, y rojo-azul ya que en combinaciones la ordenación de un con-
junto no es importante. Matemáticamente, el número de combinaciones es
cr n!
er
n! se lee “n factorial” y es igual a (n)(n — 1)(n — 2) --- (1). Por
donde
0! =1. C,” es el número de combinaciones de n objetos
definición
IF ds por
tomando r al tiempo. En el problema de los lápices n =
tanto
3! 3!
as_o 'P
Ús a o
AR TA
C
pS
; OA
AAA
2 (G-2)
y permutaciones es
Un método para distinguir entre combinaciones
los n objetos se colocan
recordar que cuando se trata con permutaciones
maneras de efectuar esto.
en r celdas y se desea encontrar las diferentes
“diferente” sea entendido
Es importante que el significado de la palabra
el número de placas de
completamente. Por ejemplo, si se desea encontrar
formar si los dígitos usados son
seis dígitos diferentes que se pueden
colocar los dígitos de 0 a 9.
0, 1, 2, ..., 9, se tienen seis celdas para
16 REPASO DE ESTADISTICA Y PROBABILIDAD
10!
p A0=
= 151.200
de (Qe 61
9!
PASEA
Y 15.120
Teoremas de probabilidad
En esta sección se repasan cinco teoremas básicos de probabilidad.
Teorema 2-1 Si A y B son dos sucesos independientes con pro-
babilidades P(A) y P(B), entonces la probabilidad de que ambos su-
cesos ocurran es
PA y B)=[P(MIP(B)] Q5S //
Teorema 2-2 Si A y B son dos sucesos dependientes, la probabi-
lidad de que ambos sucesos ocurran es la probabilidad del primero
multiplicada por la probabilidad de que si el primero: ha ocurrido, el
segundo también ocurrirá
una bola blanca es +;. Por tanto, la probabilidad de que la bola sea azul,
roja, O blanca es
42
+ $%= 1,0
DISTRIBUCIONES DE PROBABILIDAD
En esta sección se repasan algunas distribuciones frecuentes de proba-
bilidad. Una distribución de probabilidad asigna una probabilidad a cada
valor posible de una variable aleatoria.
Distribución hipergeométrica
La distribución hipergeométrica es la distribución de probabilidad discreta
básica. Es aplicable al caso de muestreo sin remplazo. Consideremos una
colección de N artículos, D tienen una determinada propiedad, y el resto,
N — D, no tienen esta propiedad. Si una muestra de n artículos se saca
sin remplazo, entonces la probabilidad de exactamente r sucesos en la
muestra n es
N-DprD
P(r)= Er (2-10)
Como ejemplo, una bolsa contiene 20 bolas; 15 son rojas, y 5 son blan-
cas. Si se extraen 3 bolas al tiempo (o una a una sin remplazo), ¿cuál es
la probabilidad de que exactamente 2 bolas sean rojas? Si las bolas rojas
se consideran como aquellos artículos que tienen una cierta propiedad
(ser rojas), entonces D = 15 y la solución es
E u 20180 15 Ce 15 35
P(r =2)= 222 == 2
€ Gl 76
DISTRIBUCIONES DE PROBABILIDAD 19
Si'se remplaza, esto es, se extrae una bola, se observa su color, y entonces
se remplaza, y esto se hace 3 veces, entonces la probabilidad de tener
2 bolas rojas de 3 que se sacan es
Pír.r.w) +P(r,w,r) + P(w.,r.r)
Distribución binomial
La distribución binomial es una distribución discreta descrita por la
relación
P=H=i
ha o
(53 un
bolas
Por tanto, usando la ecuación (2-11), la probabilidad de extraer dos
rojas de tres que se extraen es
Pr=2=C0'0) =
Distribución de Poisson
La distribución de Poisson es una distribución discreta usada en situa-
ciones probabilísticas donde el área de oportunidad para la ocurrencia de
un evento es grande pero la probabilidad de una ocurrencia en un inter-
valo particular o en un punto particular es muy pequeña. Algunos ejemplos
tradicionales de situaciones prácticas donde la distribución de Poisson
se considera aplicable son: el número de defectos en una determinada
longitud de un alambre aislado, los errores de impresión cometidos por
una secretaria recargada de trabajo, las imperfecciones de una placa de
vidrio, accidentes industriales, y llegadas en modelos de colas.
En cada uno de esos ejemplos el área de oportunidad se considera
grande pero la probabilidad de una ocurrencia en un punto se considera
pequeña. Matemáticamente, la probabilidad de exactamente r ocurrencias
de un evento, usando una distribución de Poisson, es
np = 10(0,05) = 0,5
r=2
P(r < 2) = 0,986
Distribución normal
Una de las más usadas es la distribución normal, algunas veces lla-
mada distribución gaussiana, curva normal, o distribución en forma de
campana. La distribución normal es continua y simétrica con respecto a
la media y se extiende desde — « hasta +=. Matemáticamente, la fun-
ción densidad de probabilidad (FDP) de la distribución normal está
definida por
1 2/202 (2-13)
A f0)= een _oa<x<owo
/2n0
donde r = 3,141 ---
e= 2,172 ---
uy = media
o = desviación típica
La probabilidad de que una variable aleatoria distribuida normal-
mente sea igual o menor que a es el área bajo la curva normal desde — w
hasta a, como se indica en la figura 2-8. Matemáticamente, esta probabili-
dad está dada por
Pasa =| : E de (Q-14)
Y - a /2n0
FIGURA 2-8
Distribución normal o ar +oo
(2-16)
ZN
= —0,75
8
Por tanto, a = 0,2266.
El valor a = 0,2266 también se interpreta como la proporción de
valores menores que 14.
Distribuciones rectangulares
La distribución rectangular (uniforme) puede ser discreta o continua. Se
aplica a situaciones donde las probabilidades de todos los sucesos son
iguales.
En el caso continuo, la (FDP) es
fx)
FIGURA 2-9
Distribución rectangular.
El) =3+3=5
y la varianza es
2 BEN
12 ,
FDA=F()=1-e""%* (221)
La media y la desviación típica de la distribución exponencial son
ambas . ¿
Como ejemplo, se supone que el tiempo medio de servicio de una uni-
dad es 2 horas y necesitamos determinar la probabilidad de un tiempo
de servicio menor que 3 horas. Usando la ecuación (2-21) tenemos ?
Px<5)=1-e*%=]-e!15 =0,777
APROXIMACIONES
Bajo ciertas condiciones los problemas de probabilidad se pueden resolver
aproximando la distribución teóricamente correcta a otra distribución. Por
ejemplo, se toma una muestra de 5 artículos, sin remplazo, de un lote de
100 artículos que tiene 10 artículos defectuosos. La probabilidad de exac-
tamente 2 artículos defectuosos es
Es OA E 10
= E
P(r=2)= = 0,0702
Cs
+ 100
10
P =100 = 0,10
db 500,1)
ono)
a = 0,9319
y el área desde — «w hasta 2,5 es
_ 25-— 5(0,1) -
e o
a = 0,9986
EU +X + +) ==) 2 (2-22)
¡=1
donde xi, x2, ..., xn son las variables aleatorias y u, es la media
de la ¡-ésima variable aleatoria. LE
1 =ku, (2-26) 1
Teorema 2-9 Si una variable aleatoria x con varianza de u,? se
multiplica por una constante k, para dar la variable aleatoria y = kx,
entonces la varianza «,? de y es
imitador mem) 7
ALGUNOS TEOREMAS PARA VARIABLES ALEATORIAS 27
y la varianza es
12
of =MANa 12(120)? = 172.800
i=1
Por tanto, la probab ilidad de una deman da anual menor que 12.600 uni-
dades es an 12.600 — 12.000 _ 600 LAS
o / 104:800 415
a = 0,9265
28 REPASO DE ESTADISTICA Y PROBABILIDAD
REFERENCIAS
1 Aigner, D. J.: “Principles of Statistical Decision Making,” The Macmillan
Company, Nueva York, 1968.
2 Hahn, G. J., y S. S. Shapiro: “Statistical Models in Engineering,” John Wiley
€ Sons, Inc., Nueva York, 1967.
3 Lindgren, B. W., y G. W. Mcelrath: “Probability and Statistics,” The Macmillan
Company, Nueva York, 1959.
4 Mosteller, F., R. E. K. Rourke, y G. B. Thomas: “Probability with Statistical
Applications,” Addison-Wesley Publishing Company Inc., Reading, Mass., 1961.
5 Schlaifer, R., “Probability and Statistics for Business Decisions,” McGraw-Hill
Book Company, Nueva York, 1959.
PROBLEMAS
2-1 Los datos tabulados muestran el peso en libras de una muestra de 42 artículos
manufacturados por una compañía.
(a) Dibujar un histograma de los datos utilizando un intervalo de clase de
0,3; usar 7,25 como punto medio del primer intervalo de clase.
(b) Dibujar la distribución de frecuencia relativa de los datos.
(c) Dibujar la distribución de frecuencia acumulativa relativa de los datos.
(d) Calcular el promedio y la desviación típica de la muestra.
DATOS
2-2 ¿Cuáles son la mediana y la moda de los datos dados en el problema 2-1?
2-3 Usando los resultados del problema 2-1, responder las siguientes preguntas:
(a) ¿Cuál es la probabilidad de que el peso de un artículo sea 7,30?
(b) ¿Cuál es la probabilidad de que el peso de un artículo sea 7,35 o menor?
(c) ¿Cuál es la probabilidad de que el peso de un artículo sea 7,36 o mayor?
2-4 Calcular lo siguiente:
(a) C2f (b) Po
ted Bat (1d) Cs
(e) Si Py” = 5.040, determinar Cs". (f) Si C4” = 70, determinar P+4”.
2-5 Determinar si cada uno de los siguientes problemas es de combinación o
de permutación y resolverlo.
en un
(a) ¿En cuántas formas diferentes se pueden colocar siete libros
estante si sólo hay espacio para cinco libros?
de cinco per-
(b) ¿De cuántas maneras se puede formar un comité diferente
sonas con diez personas disponib les?
de un juego
(c) ¿Cuántas manos diferentes de 13 cartas se pueden repartir
de 52 cartas diferentes?
tres demócratas y
(d) ¿De cuántas maneras puede formarse un comité de
grupo de siete demócra tas y seis repu-
dos republicanos a partir de un
blicanos? '
los dígitos 5, 8, 3, 6 uti-
2-6 ¿Cuántas sumas diferentes se pueden formar con
tiempo?
lizando cualquier número de estos dígitos al mismo
seis libros. Hay cinco libros
2-7 Un estante para libros tiene espacio para colocar
libros diferent es de inglés. Si se colocan
diferentes de matemáticas y seis
de matemá ticas y tres de inglés, cuántos arreglos
en el estante tres libros
se mantie nen todos los libros de matemá ticas y de ¡inglés
son posibles si
juntos?
seguidas: ¿cuántos símbolos di-
2-8 Se puede formar un símbolo con tres letras
c, d, e, f, si:
ferentes se pueden formar usando las letras a, b,
repetir una letra en un mismo símbolo?
(a) No se permite
(b) Se pueden repetir las letras?
el número de trayectorias
2-9 Considerar la red mostrada en la figura, determinar
punto B, siendo cada trayectoria de la
que hay desde el punto A hasta el
menor longitud posible.
PROB. 2-9 A
Saco 1 Saco 2
10 negras 7 negras
6 blancas 4 anaranjadas
3 blancas
30 5
20 17
20 11
10 14
40 20
30 14
SO 8
30 8
40 14
10 21
40 11
NE Y T AO O E AOS
Desviación típica,
Producto |Media unidades /año| unidades/año
A 10.000 2.000
B 20.000 4.000
€ 15.000 3.000
A
A A
A A A
32 REPASO DE ESTADISTICA Y PROBABILIDAD
INTRODUCCION
a matricial a sistemas
En este capítulo se estudia la aplicación del álgebr
e en cuanto a la utilización de este
de ecuaciones lineales, especialment
progra mación lineal y cadenas de
concepto en temas de JO tales como
ente o se omiten los con-
Markov. Por tanto, se consideran superficialm
con mayor frecuencia en otros
ceptos del álgebra lineal que se aplican
La discusión de estos temas puede encon-
campos de las matemáticas.
los sistemas de ecuaciones li-
trarse en las referencias. Con respecto a
adecuada para manejar gran
neales, el álgebra matricial es una forma
operaciones de suma, resta,
cantidad de datos y efectuar rápidamente
división. Estas operaciones que
multiplicación, y (en un sentido amplio)
de ecuaciones lineales cons-
pueden emplearse para resolver conjuntos
tituyen el álgebra matricial.
Acero = 5 lb
Producto A < Piezas fundidas 10 lb
Pernos != 30 unidades
Acero requerido| 5 lb 7 1b 10 lb 3 lb
Acero requerido = [5 7 10 3]
Este es un vector fila 1 Xx 4 ya que es una sola fila que tiene 4 elementos,
o columnas.
Ordenando en forma de tabla los requerimientos de material de todos
los productos, el resultado es una matriz 3 Xx 4, o sea, una matriz de 3
-filas y 4 columnas.
Acero Sis IS
Piezas fundidas |l0 9 12 5
Pernos 30 22 40 15
Sido drid
requerimientos/unidad = | 10 9 12 5
30 221 40 15
uu
NU
NT 0-14 =7 3
Ss 1450 1 2l| es una matriz 3 Xx 5.
> E 4 06
Por tanto la
El tamaño de un vector o matriz se indica por su orden.
tamaño se
última matriz del ejemplo 3-1 es de orden 3X 5. El orden o
de columnas.
indica anotando primero el número de filas y luego el número
Orden = filas x columnas
Una matriz
Una matriz cuadrada tiene tantas filas como columnas.
as es de n-ésimo orden.
cuadrada que tiene n filas y n column
representar
Las matrices y vectores son una forma conveniente de
los datos represe ntados en esta
datos de manera condensada. Realmente,
conserv an su signifi cado.
forma pueden ser numéricos o simbólicos pero
peso, dimensi ones, dinero,
Los datos pueden representar unidades de
ica, e inclusive una
personas, velocidades, fuerzas, una constante matemát
variable indefinida x o y.
OPERACIONES MATRICIALES
Suma y resta
puede efectuarse con vectores 0 matrices en dos
La suma y/o resta
formas: (1) sumando o restando una constante a la matriz o vector y (2)
sumando o restando dos matrices o vectores.
36 APLICACION DEL ALGEBRA MATRICIAL A SISTEMAS DE ECUACIONES LINEALES
3
22 5
4
4+2| l6
o A A ca
1 1 3
24150 =3P10]e Ma id=lá la
La resta se efectúa en la misma forma.
3 1
4
20] He 2
pero (3-3)
1 ps!
BSO ZA DUES] (3-4)
Esta operación se efectúa realmente sumando dos vectores, uno de los
cuales tiene todos sus elementos iguales a 2:
2 3
2 4 , > e
Pd (véase la discusión sobre suma de vectores)
2 —-1
O E
lo 7 -2=[ 3]
[a] + 2 - Las 2 111
Los vectores pueden sumarse o restarse en la misma forma que las
matrices, pero deben ser del mismo orden. Esto es, un vector fila 1x 5
puede sumarse solamente a otro vector fila 1 x 5. Una matriz 5 x 7 puede
sumarse solamente a otra matriz 5 Xx 7. Cuando se suman dos vectores
del mismo orden, cada elemento de un vector se suma al elemento corres-
pondiente del otro vector. Las mismas reglas se aplican a las matrices.
OPERACIONES MATRICIALES 37
14 3 17
—-5 9 4
T1+|-S|= a (3-5)
1 0 1
4 —-9 -5
14 3 11
—5 9 —14
T1-| -5|= 12 (3-6)
1 0 1
4 9 —5
8 3 14 —1 92 pe
14 271 + a 41 = 21 31 (3-9)
6 -—15 —8 0 -2 -—15
8 3 14 —1 —6 4
14 27| — 7 4] = 7 23 (3-10)
6 —15 —8 0 14 *—15
4
[3 4 01+]|5 no es posible (3-13)
2
8 3 14 —1
| |. 7 4 no es posible (3-15)
14. 27
—8 0
Multiplicación
con algunas restricciones
Las matrices y los vectores pueden multiplicarse
adicionales. A manera de ilustración, pueden amplia
rse los datos del
38 APLICACION DEL ALGEBRA MATRICIAL A SISTEMAS DE ECUACIONES LINEALES
Producto
Material AÁ B C D
Acero SITE TOR ES
Piezas fundidas 10 9 12 5
Pernos 30 22 40 15
Requerimientos de
piezas fundidas = 10 x 100 + 9 x 50 + 12 x 80 + 5 x 200
1.000 + 450 + 960 + 1.000
3.410 lb de piezas fundidas
Requerimientos de
pernos = 30 x 100
+ 22 x 50 + 40 x 80+ 15x 200
3.000 + 1.100 + 3.200 + 3.000
= 10.300 pernos
A E e 2.250
10 912 s|| 2o| =|3.410 (3-16)
30 22 40 15]| 0) | L10.300
Se observa que para obtener los requerimientos de acero de 2.250 lb,
la fila superior de la matriz se multiplicó por el vector columna y el resul-
tado se sumó.
100
S0
[5 7 10 3] 80
= (5 x 100) + (7 x 50) + (10 x 80) + (3 x 200) = 2.250 (3-17)
200
E Sr
E ES =(3x49+(5x9+(Qx 1) =59 ix]
1
igual
5 Mo
(2 ó[¿|= 0x9 +69 =3 1x2x2x1
no es igual
E , SS
[3 1 s1[$) no es posible 1x3x2xl
EJEMPLO 3-3
PTAS
PTAS
[2 15 -e x 4)+(3 x 7) =29
7 =(1x4)+(4x
4
[1 a 7) =32
qn
(2 33] = (2 x 5) + (3 x 3) =19
)
S
[! a
] =(1x 5)+(4x 3)=17
patas
Se observa que el producto de la fila 1 x columna 1 es el elemento (1,1)
de la matriz resultante. Análogamente fila 1 x columna 2 da el elemento
(1, 2), etc. 1111
EJEMPLO 3-4
5 2 11 [-3 9 7
6 9: -2 4 0 8
4 —1 0 2. =3 7
(Sx -D)4+(2x4)+ (1 x 2) (S x 9) + (2 x 0) + (1 x —5)
=|(6x -3)+(9x 4) + (-2x2) (6x 9)+(9x 0)+(-2x -5)
(4x -3)+(-1x4)+(0x2) (4x9 +(-1x0)+(0x —5)
(5x7+(2x8)+(1
x 7)
(6x7)
+(9x 8) + (-2x 7)
Enron ca]
-5 40 58
-| 14 64 0o|
—T6. "36 "20 111/
OPERACIONES MATRICIALES 41
PASS A o
Filas Columnas
Es 2-3 06
3:45
E mn a Garate. 0
=1- 0779 rá
_[8+35-3 4+42+0 -6+28+27 1240-12
28-40—1 14-48+0 -21-32+9 42-0-4
A | 40 46 49 8
Lig 3411544 5| 98 (3-19)
vectores sea
Esto significa la posibilidad de que el producto de dos
una matriz.
4 4x2 4x3]_[8 12
[+207 -[; x2 Tx 3 E y > ad
igual
A
AS 1x2
Filas Columnas
o un vector
Similarmente, el producto de una matriz y un vector puede ser
o una matriz, según el alineamiento de la multipl icación .
no es igual
4 ¡5 add Ml
=[8+21 [29
10+9]= 19] XP N:2XZL
12M : ' (3-22)
AS Filas Columnas
igual
E z5)E E w A = Ss
NA Ei Filas Columnas
no es igual
159
der7 ¿[2 3] ble
no es posible 0d
Xx odas)
=
proposición:
El estudiante puede verificar la siguiente
Es «Ls db 5)
DEL ALGEBRA MATRICIAL A SISTEMAS DE ECUACIONES LINEALES
42 APLICACION
3 01+Y
Sea C =|0.4 3 pDemostrar que (4 + B)C = AC + BC
20 IIS ES O A 9 ES US
as Emol ar o a pS
PAINE E AS: q AOS. LL
4 1||J0 4 3 3 2||0 4 3
de A EE
¡PS 2 4 Sql
Entonces
LMN=LM
x N=L x MN
REPRESENTACION SIMBOLICA
Aunque la notación matricial es conveniente, en la práctica usual se con-
densa aún más la notación, representando matrices y vectores, por medio
de símbolos algebraicos. Las matrices ordinariamente se representan con
letras mayúsculas y los vectores con letras minúsculas. De esta manera
AB indica la multiplicación de las matrices A y B; y c +d indica la
suma de los vectores c y d.
Los elementos componentes de una matriz pueden identificarse me-
diante subíndices. Así el término en minúsculas a,, representa el ele-
mento de la ¡-ésima fila y la j-ésima columna de la matriz A mientras que
REPRESENTACION SIMBOLICA 43
a E
A; Ai 4;3 ai; Ain
C1
C2
yA [d, d, d; d,,)
j
Cm
cón la
representarse:
Por tanto un sistema de ecuaciones lineales puede
notación matricial o con la notación algebraica.
44 APLICACION DEL ALGEBRA MATRICIAL A SISTEMAS DE ECUACIONES LINEALES
nxXxl mxXxl
MATRIZ IDENTIDAD
La división, tal como se efectúa normalmente en álgebra, no es posible en
álgebra matricial. Para los propósitos de este libro, una matriz identidad /
es una matriz cuadrada (que tiene tantas filas como columnas) que tiene
una diagonal principal formada de unos, y ceros en las demás posiciones.
100.00
0.1000
l
[0211 0301155050
00010
OO 0:01
ARI ASx5
Al = IA (3-33)
b 1
Elda: y Í ab=-€
a a a
b=-
Inversa de A = A7!
A FL 3 Al 01 2
MAT
LA 6 Ze lbs lo 1090
AA E
35 Misael op
|
2 —3|[4 6| |0 1|
Á =Í á una matriz 2 x 2
1 0 2 ,
B El Eos a una matriz 2Xx 3
8 —3 16 q
cl A la una matriz
2 Xx 3
4 6
S 7
O A ES
4 1||2 —] Al nb6 ni de 2
I=AX (3-36)
X debe ser la
De acuerdo con las propiedades definidas anteriormente,
llevar el signo de igual-
inversa de A o A7!. Realmente no es necesario
dad durante esta conversión.
Aijoltnsl
2 4
s
1 De manera análoga, se conserva la igualdad si se efectúan operacione
con las columnas en B y C. El lector puede verificar esto para su propia
conveniencia.
48 APLICACION DEL ALGEBRA MATRICIAL A sISTEMAS DE ECUACIONES LINEALES
Hallar A7!.
a lo Y]
En primer lugar se multiplica o se divide para obtener 1 en la esquina
superior izquierda de A (posición 1) en este caso, se divide la primera
fila por 2.
1.1.2 350
4 6 O... 1
lo 2] 133]
l 2 350
Por tanto,
el EI)
41 =| 1 En
EJEMPLO 3-6 Obtener la inversa de la siguiente matriz de 3xX 3.
Efectuar operaciones con las filas para convertir esta matriz en una matriz
identidad. »
Z 1 4 LTDNO
—4 0 -2 UR
6 2 0 007
A 40:00
a la 01 0
A y AA
MATRIZ IDENTIDAD 49
6 na
N
NN 0 0507 1
rd egpigso: 2
0 1 3 0
o o€ 23 n-
O
: ] || o
1 0 y 0 -—1 0
O: de 0 A
ult
¡Dordk al :
10
¡Otal
Jr
ju
00]
Gol
O]Lonseneraaaeaasasaod
50 APLICACION DEL ALGEBRA MATRICIAL A SISTEMAS DE ECUACIONES LINEALES
ale >
0j=
oln
ma
Po
pr
00! 1111
No todas las matrices tienen inversa. Una matriz que no tiene in-
versa se denomina matriz singular. Para aquellos familiarizados con de-
terminantes, agregamos que una matriz singular tiene un determinante
de valor cero. Esta situación equivale a encontrar la intersección de dos
líneas paralelas. Se dice que una matriz no es singular si tiene inversa.
Si para una matriz existe una inversa, esta es única. No es posible
prever siempre si una matriz es singular; sin embargo, no será posible
continuar los cálculos empleados para obtener su inversa. Si A es singular,
eventualmente un ensayo conduce a la división por cero o a la obtención
de una fila nula (todos sus elementos son cero).
sao y 94
Par a 0.10
A oc00!1
Car e 110.0
0103. 50 IA
Duplo md Oíid
Pego poo apaqpaida pp
O' 1:30 Hf=40
0.0.0 A
Se observa en este caso que la fila 3 es una combinación lineal (suma) de
las filas 1 y 2.
La inversa puede utilizarse para resolver ecuaciones lineales simul-
táneas. Considérese el siguiente problema:
2X; + 4x, =8
4x; + ÓX>» = 10
DA ,
A -l 6]matriz de coeficientes
bs j
E e vector columna de variables
2
ls] = Leo
4 6jlx, 10
De un ejemplo anterior
y.
pl 3 =1b
ca $ A Ax A
De o ENO O =A "D
x=A"!b
x, = — 348) + 1(10) = -2
x, = 1(8) + —3(10)
=3
pd ed e
EJEMPLO 3-7 Sea
Entonces
AB =C
Eds oe 1003
BECA"
Despejar
A.
ABB"*=AB"'B=CB"'
mon mi
Al=CB"?
E
oeal,
69-13
A
ABBO
a BOC
A E 9 desEE al o
ASB NC
A MEA! 4 ll Dl 61 Pe
00 -+ HLOBH 4d —43 4]
BUABAABB?
|
a
|
n=
na ala A [30 EA
Las Ilo
- 43 pju
Hr
4x, =h 6x> = 10
REFERENCIAS 53
Xi E 2x> A
4x, + 6x,= 10
Xi + 2x, =4
0x, —- 2x= —6
REFERENCIAS
1 Gere, James M., y William Weaver, Jr.: “Matrix Algebra for Engineers,” D.
Van Nostrand Company, Inc., Princeton, N.J., 1965.
Z Hadiev, G.: “Linear Algebra,” Addison-Wesley Publishing Company, Ínc.,
Reading, Mass., 1961.
Hohn, Franz E.: “Elementary Matrix Algebra,” The Macmillan Company, Nue-
va York, 1958.
Kemeny, John G., Hazelton Mirkel, J. Laurie Snell, y Gerald L. Thompson: “Fi-
nite Mathematical Structures,” págs. 205-336, Prentice-Hall, Inc., Englewood
Cliffs, N.J., 1959.
Or Levin, Richard LI, y Charles A. Kirkpatrick: '““Quantitative Approaches to Ma-
nagement,” 2a. ed., págs. 274-306, McGraw-Hill Book Company, Nueva York,
1971.
54 APLICACION DEL ALGEBRA MATRICIAL A SISTEMAS DE ECUACIONES LINEALES
PROBLEMAS
: 3-1 Dadas las matrices
3,2 2,1 A
x= |4 1 Y = |4 3 Z 5.120
6 2 6.2 114
determinar:
(a) X+Y+2Z (b) 2X
(c) 3Z2-4Y (d) X+2Y-3Z
6 e
£L=[f 2 3] M=(4 0 2] N = ]1 P = |6
1 1
Xx 3 7 Xx
3-5 Si |y| + [1] = [9], ¿a qué será igual | y |?
z 2 4 z
24 2
3-7 SiA h | yaC Al ¿cuál será X si AX = C? HallarX si A2X = C.
. La 8 38
3-8 Si A = E a yC=- Me ol ¿cuál será X si AX = C?
«a?
PROBLEMAS 55
Xx > Xx2+ X3 =8
Sx2+ x3 =18
(Cc) x1—x2+x3 =2
2x1—x2+3x3=6
x2+4x3=2
Notación | Descripción
del estado| física
1111
cadenas de Mar-
Para analizar esta clase de problemas se utilizan las
de probab ilidad , y puede analizarse
kov. En realidad, este es un problema
58 FORMULACION Y ANALISIS DE LAS CADENAS DE MARKOV DE PRIMER ORDEN
Siguiente compra
(n= 1)
Ford 40 30 30
Ckevrolet 20 S0 30
Plymouth 25 2 S0
S. Sz S;
Si [0200,30 0,30
P=S,| 0,20 0,50 030,
S3 10,25 0,25 0,50
Compra de Plymouth S3
Compra de Ford Si
Si S> Sm
Si Pi "Pra 05% Pim donde O < p,¡<!
pS S2 Par PZA ES a
E A SO ISO ES NBaA TAE LN IN
Sm Pm Pm2 Pmm po
0O<pij<!l (4-1)
> Pi =1 (4-2)
Por tanto una matriz de transición P está compuesta por filas de vectores
de probabilidad V,.
Compra en
Compra en la ocasión
la siguiente después de la
ocasión, n = 1 siguiente, n = 2
Ford
A p= 0,30
Chevrolet (0,4110,3) = 0,120
Plymouth
Compra
presente, Ford
p” NS Ford
Ñ a] = 0,25
A Chevrolet (0,310,251 = 0,075
Plymouth
FIGURA 4-1
Posibles resultados en dos pasos, n = 2
Compra en n = 1 |Compra en n = 2
(siguiente ocasión) ¡(en la ocasión después
de la siguiente)
Ford Chevrolet
Chevrolet Chevrolet
Plymouth Chevrolet
5 ——
o
posibilidades se
Cuando se suman las probabilidades de todas estas
obtiene el resultado que se presenta en la tabla
A A o
Compra en n = 1 Compra en n = 2
- E Probabilidad
Probabilidad | Estado Probabilidad conjunta
Estado
de un Ford, S; en n = 0,
Por tanto la probabilidad de que el propietario
la siguiente, S2 en n = 2,
compre un Chevrolet en la ocasión después de
es 0,345.
técnica de análisis faci-
Este resultado puede obtenerse utilizando la
r lugar se considera lo que sig-
litada por las cadenas de Markov. En prime
62 FORMULACION Y ANALISIS DE LAS CADENAS DE MARKOV DE PRIMER ORDEN
Vo =D Deo Pad o y Pi =1
ANALISIS DE PROBABILIDAD POR MEDIO DE CADENAS DE MARKOV 63
P” da una
En realidad, si se desea el resultado después de n pasos,
los vectores in-
información aún más completa ya que se compone de todos
de estar en cualquier
dividuales V”” Por tanto P” da las probabilidades
s posibles.
estado dado para todas las condiciones, o estados, iniciale
7 8 Y)
4 5 6
FIGURA 4-2
Trazado de las calles por
donde Jaime conduce. E 2
¿Des
14 NÓ Placas, 9
EOL 0 pta td10 0, 0
1440. d+:0 4580 20:40 ¿0
A10,14-0.:04:02.10.100
dada ds Otra 0
e ra rd E o ll
é10.0.401.0.0,0.4
100. 0 4 0,0 0.30
Oo 0.0.2 074.0
0 0.000340340
(estado)
Jaime puede eventualmente llegar a cualquier localización dada
esta es una
a partir de cualquier localización presente (estado). Por tanto
cadena ergódica.
si des-
La matriz de transición se puede inspeccionar para determinar
a. Se efectúa una prueba sencilla para determi -
cribe una cadena ergódic
r desde cada estado inicial o present e todos
nar la posibilidad de alcanza
mente desde s;
los demás estados. (En algunos casos se puede ir directa
desde s2 hasta s1). Conside rar la ma-
hasta s2 pero no directamente
triz de transición.
x—-
ROOROoOxxw *xx
ox
Doxoxa
OxXOoOxoOwuw
UuBbonNno
e ir directamente desde
Sea X igual a algún valor positivo ps. Es posibl
sin embargo, es posible ir des-
el estado 1 hacia cada estado excepto el 3;
e ir desde el estado 1 hacia
de 1 hasta 2 y luego hacia 3. Por tanto es posibl
los demás estados, sólo es ne-
cualquier otro estado. Ahora se comprueban
hasta el estado 1 ya que esto im-
cesario demostrar que es posible llegar
s.
plica que es posible ir a los demás estado
Estado 2: ir 5, luego desde 5 hacia 1
hasta
Estado 3: ir 5, luego desde 5 hacia 1
hasta
Estado 4: ir 1 hasta
Estado 5: ir 1 hasta
ición de una cadena ergódica.
Por consiguiente esta es la matriz de trans
66 FORMULACION Y ANALISIS DE LAS CADENAS DE MARKOV DE PRIMER ORDEN
X MO Xx X XXX XX MA A A
A, Gl,GA LS. > BE, A, PR GR E GRS. ¿Ue
PESTO OO" Xx AI POSTA TA XxX UAT Pell A
SU IE o AER AAA IR, SER. Fade tk
AA O USO y callos. eos Ger Fs AA a
Comprobación:
A partir de 1 ir hacia 1 ó 2 directamente, luego desde 2 hacia 3. Desde
2 ir hacia 1. Desde 3 ir hacia 2, luego hacia 1. Por tanto es ergódica.
4
0 0X 0
Xx Xx 0 XxX
0 0X 0
bb
—
uN oxox-
OxXon
dm
xO
O X Ari 0. Ke
Esta matriz puede repetir continuamente este patrón para todas las po-
tencias reales de P; por consiguiente no es regular.
Desde 1 hacia 1 6 3, y desde 3 hacia 3 ó 1; por tanto no se puede ir des-
de 1 hacia 2 Ó 4. No es ergódica.
oA
e ro X 0 X X XXX X
p2[9 Xx Xx 0] p_ | 0 lea PR
Y 0070 Y XXAD lx x x x| "eular
ld) Msi 0 XX XX iD
DETERMINACION DE LAS CONDICIONES DE ESTADO ESTABLE 67
p¡=1 (4-4)
Y según la proposición 2,
v3 =0,375
EJEMPLO 4-7 Si
0,2 0,5 0,3
P=|0,1 0,6 0,3
05 00,55
0,5v1 — 0O,4va = O
0,3u1 + 0,3v2 SS 0,5u3 = 0
Uy = 0,282
vz = 0,352 :
va = 0,366 1111
Descripción física
No. de No. de
Estado partes buenas |partes defectuosas
Si (0,0) Precisamente
S2 (1,0) al comenzar
S3 (2,0)
Sa (3,0)
Ss (4,0)
Sé (5,0)
S7 (0,1) Absorbente
Ss (1,1)
Sy (2,1)
Sio (3,1)
Si (4,1) Ll
ta
YO
ByN
O
yn
— OOO
OO
O
ae
ps
ANALISIS DE LAS CADENAS DE MARKOV ABSORBENTES 71
Sy S2 S3 Sa Ss Sé S7 Sa So Sio Sii
Si 0,9 0,1
S2 0,9 0,1
Sy 0,9 0,1
Sa 0,9 0,1
Ss 0,9 0,1
SS 1
Sy 1
Si l
So l
Sio 1
Sh 1
Se observa que una vez alcanzados los estados S¿ hasta S,,, la proba-
bilidad de que el proceso permanezca en el respectivo estado es 1. Por tan-
to es imposible (probabilidad cero) ir desde cualquiera de estos estados
hasta cualquier otro estado. Físicamente esto se debe a que el inspector
podrá tomar una decisión de aceptación y/o rechazo en ese momento y
terminar la inspección.
I 0
¡y pri
Á N
Se (SO 1 0 0 0 0 0
S, (0,1) 1 0 0 0 0 0
Ss (1,1) 1 0 0 0 0 0
Sy (2,1) 1 0 0 0 0 0
Sio(3,1) 1 0 0 0 0 0
S11(4,1) 1 0 0 0 0 0
SELLO: 0D
Hallar IT — N.
Hallar (1 — N)-1.
Probabilidad de ir desde ¡
hasta j en 2 pasos = probabilidad de ir
desde ¡ hasta k en
1 paso X probabilidad
de ir desde k hasta
j en 1 paso, sumada
para todos los valores
dek = NR.
Probabilidad de ir desde ¡
hasta j en 3 pasos = probabilidad de ir
desde ¡ hasta k en 2
pasos X probabilidad
de ir desde k hastaj
en 1 paso, sumada para
todos los valores de
k = NA.
S,
S,
S;
1 0] f0,4 0,3] _ [ 0,6 04)
3% qu 4 E il LS 0,5
tapo 129]
(1— N)*' =|0,82 2,50
un
Esto significa que el número de ocasiones antes de que el dueño de
vez un Plymout h es 2,08 + 1,25 = 3,33. Ade-
Ford compre por primera
a
más, el número de pasos para alcanzar por primera vez el estado S3
partir de Sz es 0,82 + 2,50 = 3,32.
r por prime-
EJEMPLO 4-9 Determinar el número de pasos para alcanza
ra vez los estados Si y 32.
primera vez S;.
Determinación del número de pasos para alcanzar por
Convertir Si, en un estado absorbe nte.
78 FORMULACION Y ANALISIS DE LAS CADENAS DE MARKOV DE PRIMER ORDEN
10 =| 0 - [9 05]-| 0,5 pd
0, 1] ¿L0,25:0,5): 1L550;2530:1:0,5
2,86 1d
erjoltd le 2,86
e SS
111267
“El número esperado de ocasiones antes de que un dueño de Ford compre
un Chevrotet 2,22 + 1,33 = 3,55; para el dueño de un Plymouth es 1,11 +
2,67 = 3,78. 1111
Entrada
Máquina A
p= 0,9
p= 0,05
Inspección A
p= 0,90
Máquina B
p= 0,92
D
Inspección B a.
p= 0,92
Máquina C
p= 0,98
p= 0,03
Inspección €
p= 0,94
Empaque y trasporte
FIGURA 4-3
Diagrama esquemático del flujo de trabajo en
un taller de maquinaria.
Máquina A
Máquina B 10
Máquina C 12
Inspección
(cada una) 10
Empaque y trasporte
Estado Descripción
Máquina A
Inspección A
Máquina B
Inspección B
Máquina C
Inspección C
Empaque y trasporte
0M03D00'120N- Desechos
8 pm
FORMULACION DE PROBLEMAS FISICOS O ECONOMICOS SEGUN UNA CADENA DE MARKOV 81
Se observa que los estados 7 y 8 son estados absorbentes. Una vez com-
pletada y trasportada una parte, esta no es devuelta; similarmente, des-
pués de haber sido desechada no se vuelve a utilizar.
Para responder la primera pregunta, se requiere la probabilidad de
absorción por el estado 7. Esta es la probabilidad de que una parte sea
completada, empacada y trasportada. Esto requiere el análisis de una ca-
dena absorbente.
] 2 3 4 5 6 7 8
1 0,9 'NT o 0,10
2lo,05 0,90 0,05
A o
3 0,97 0,03
a 0
Pa 0,04 0,92 de A
5 0,98 s| o 0,02
6 0,03 slo,94 0,03
1 Z 3 4 5 6
ir 4 — 0,9
0/08 *1 200
3 1 — 0,97
Ci" =004 1 —0,92
5 15. 0:88
6 —0,03 1
1 Ze 3 4 S 6
se halla el pro-
Para obtener la probabilidad de absorción por el estado 7,
ducto (1 — N)-'A.
1 2
10,75 0,25
210,83 0,17
(1— N)*A =3|0,88 0,12
410,91 0,09
5| 0,95 0,05
6L0,97 0,03
actoriamente una
Por consiguiente, la probabilidad de completar satisf
Si se comien zan exactamente 100
parte que entra (al estado 1) es 0,75.
82 FORMULACION Y ANALISIS DE LAS CADENAS DE MARKOV DE PRIMER ORDEN
REQUERIMIENTOS ESTIMADOS
DE HORAS-HOMBRE
POR CADA PARTE QUE ENTRA
Operación Horas-hombre
Máquina A
Inspección A 0,23
Máquina B 2,20
Inspección B 0,22
Máquina C 1,21
Inspección C
REQUERIMIENTOS ESTIMADOS
DE HORAS-HOMBRE
POR CADA PARTE TERMINADA
Operación Horas-hombre
COSTOS DE OPERACION
Máquina A 10 $42,0
Inspección A 3,10
Máquina B 29,30
Inspección B 2,90
Máquina C 19,32
Inspección C 2,70
Empaque y trasporte 0,80
Este método general puede usarse para estimar el costo del producto y
los requerimientos de mano de obra o de tiempo de máquina, aún tenien-
do en cuenta el hecho de que los procedimientos de contabilidad varían
de una empresa a otra.
Aunque casi todos los problemas de colas pueden analizarse por me-
dio de una cadena de Markov es posible aplicar otras técnicas apropia-
das. Cuando se requieren distribuciones poco comunes de llegadas o de
servicios las cadenas de Markov son especialmente útiles. Como ejemplo,
se considera el siguiente problema de colas. Una estación de servicio que
tiene un solo canal y únicamente tres espacios para los clientes que llegan
a esperar servicio. :
Si se define un estado como el número de unidades en el sistema (ya
en este caso los clien-
sea en servicio o esperando), el máximo valor es 4;
tes que llegan no son atendidos y regresan hacia la población original.
unidad
Sea un paso un pequeño incremento de tiempo At tal que una
que llegue no pueda ser atendida durante ese tiempo. Por consistencia,
84 FORMULACION Y ANALISIS DE LAS CADENAS DE MARKOV DE PRIMER ORDEN
No. de unidades
No. de llegadas | Probabilidad servidas Probabilidad*
0,6
0,4 1
0
Esta es una probabilidad condicional, esto es. la probabilidad de que dos unidades
sean servidas = 0,1 dado que dos unidades requieren servicio.
Probabilidad Descripción
REFERENCIAS
1 Clark, A. Bruce, y Ralph L. Disney: “Probability and Random Processes for
Engineers and Scientists,” John Wiley € Sons, Inc.. Nueva York 1970.
2 Hillier, Frederick S. y Gerald J. Lieberman: “Introduction to Operations Re-
search,” págs. 402-438, Holden-Day, Inc., Publisher, San Francisco, 1967.
3 Kemeny, John G., Hazelton Mirkel, J. Laurie Snell, y Gerald L. Thompson:
““Finite Mathematical Structures,” págs. 384-438, Prentice-Hall, Inc., Eng-
lewood Cliffs, N. J., 1959.
4 Kemeny, John G., y Y. Laurie Snell: “Finite Markov Chains,” Prentice-Hall,
Inc., Englewood Cliffs, N. J., 1960.
5 Levin, Richard I., y Charles A. Kirkpatrick: “Quantitative Approaches To
Management,” 2a. ed., págs. 346-367, McGraw-Hill Book Company, Nueva York,
1971.
PROBLEMAS
4-1 Dos equipos juegan un campeonato de siete partidos; cuando un equipo ga-
na cuatro juegos, se le declara campeón y la serie termina. Si la probabilidad
de ganar cualquier juego es 0,6 para los Vaqueros y 0,4 para los Gigantes,
representar esta situación como una cadena de Markov y formar la matriz
de transición P.
4-2 Determinar p? y p? para cada una de las siguientes matrices de transi-
ción. ¿Es una cadena regular?
4-3 Hallar el vector de estado estable V* de cada una de las siguientes matri-
ces regulares.
Marca recién
comprada
y. O, AN
X [0,7 0,2 0,1
rail ros0,5 02|
presente zl03 0,33 0,4
4-6 Hailar si es posible el vector de estado estable V+» de cada una de las ca-
denas del problema 4-5.
4-7 Dos muchachos comparan monedas. Federico gana si las monedas son igua-
les y Jaime gana si son diferentes. Jaime comienza con tres monedas y Fe-
derico con dos monedas, el juego termina cuando cualquiera de ellos tenga
todas las monedas.
(a) Formular esta situación como una cadena de Markov.
(b) ¿Cuál es la probabilidad de que Federico gane todas las monedas.
de
(c) ¿Cuál es el número esperado de jugadas que pueden hacerse antes
que el juego termine?
matriz
¿Cuál es la probabilidad de que el proceso descrito por la siguiente
pueda estar en el estado 1?
3
1 [0,6 0,4
2 |0,2 0,8
A!
1 [0,2 0,3 0,4 0,1
2 ler0imlef 0h 0
3 | 1 0:10 40
41070 0071
4-12 La matriz de transición P de una cadena de Markov está dada por
3d
a o A y a+b+c=1
UA a,b,c>0
Lote rechazado
Número de
3 poa Y
partes 2 o
o
malas
q Lote aceptado
inspeccionadas : o EA
l 2 3 4 5 6
Número de partes inspeccionadas
PROB. 4-15
Número de partes inspeccionadas.
ciento de las partes son de mayor tamaño y el 5 por ciento de menor tamaño,
¿cuál es la probabilidad de aceptación?
4-17 Una máquina funciona durante un determinado período de tiempo cón una
probabilidad de falla de 0,3. El 60 por ciento de las veces la falla puede repa-
rarse exactamente en un período, y en los demás casos se requieren exacta-
mente dos períodos para la reparación. Se puede suponer que las fallas se pre-
sentan al final de un período. El costo por tiempo perdido es de $50 por perío-
do.
(a) Formular esta situación como una cadena de Markov, describir los esta-
dos y las suposiciones, y desarrollar una matriz de transición.
(b) Es posible contratar un ayudante adicional, con un costo de $20 por
período de tiempo, con el objeto de que la falla siempre sea reparada den-
tro del mismo período. ¿Es conveniente hacer esto?
4-18 En un determinado proceso de producción, cada artículo pasa por dos etapas
de fabricación. Al final de cada etapa, los artículos se desechan (probabili-
dad de 0,2) se regresan para rehacerlos (probabilidad de 0,3), o pasan a la
etapa siguiente (probabilidad de 0,5).
(a) Describir esta situación como una cadena de Markov y establecer la ma-
triz de transición.
(b) ¿Cuál es el número esperado de pasos hacia la absorción?
(c) =>Si en un lote se comienzan 100 partes, ¿cuál es el número esperado de
partes buenas que pueden completarse?
O
MODELOS DE REMPLAZO
NECESIDAD DE REMPLAZO
Si se mantiene un riesgo durante un tiempo prolongado, el equipo se de-
teriora y es inevitable la decisión respecto a la necesidad de su remplazo.
Esta necesidad de remplazo puede ser ocasionada por una pérdida de efi-
ciencia que conduce a un deterioro económico. En este caso, el momento
en el cual es evidente la necesidad de remplazo no se presenta de una ma-
nera precisa o definida. Existe un punto de remplazo óptimo entre las
funciones de costo crecientes y decrecientes. La función de costo decre-
ciente es la depreciación del equipo original, esto es, la distribución del
costo del capital durante un mayor período de tiempo da lugar a un menor
costo promedio. Esto favorece la decisión de no remplazar. Por el contrario,
la función de costo creciente es la disminución de la eficiencia a causa
del tiempo de servicio o del desgaste. Esto favorece la decisión de rem-
plazar anticipadamente, para disminuir los costos de operación y de man-
tenimiento. El costo mínimo se obtiene sumando ambos términos y de-
terminando el costo mínimo total.
Un problema similar es la necesidad de remplazar a causa de una
falla o inminencia de falla. La función de costo decreciente sigue siendo
la depreciación del costo original del equipo. Aunque no se considera la
variación de la eficiencia de operación con el uso, sin embargo es necesa-
S
AUMENTO DEL COSTO DE OPERACION Y MANTENIMIENTO 91
tiempo apropiado de servicio antes de que los automóviles deban ser rem-
plazados. En este ejemplo no se considera la variación del valor del dine-
ro con el tiempo; esto es, se supone que los intereses son iguales a cero.
En la tabla 5-1 se presentan los datos de costos.
Si se supone que la tasa de interés es cero, puede hacerse la compa-
ración sobre la base de costo promedio. El costo total de poseer y operar
el vehículo se acumula para n años, y este total se divide por n. En la
tabla 5-2 se presenta este análisis. Según la tabla 5-2, el remplazo cada
3 años da lugar a un costo anual promedio más bajo, $3.200 por año. Se
observa que esto supone una utilización continua de este equipo.
Si se considera el efecto de la variación del valor del dinero con el
tiempo, el análisis debe tener como base un costo anual equivalente.
Para lograr esto, primero deben convertirse todos los valores a una base
de valor presente. Entonces estos valores se acumulan como en la tabla
5-2, pero se determina un costo anual equivalente para n años de servi-
cio en lugar de un promedio estrictamente aritmético. En la tabla 5-3 se
presenta este análisis. Puede observarse que los resultados de la columna
final se determinan utilizando el factor de recuperación de capital para
una serie de pagos iguales (Ref. 6), donde
A (1 +1"
|=P(AP'"”) (5-1)
ss=P el
En este factor, se supone que A es un pago, de una serie de pagos iguales
realizados al final de cada año. Por tanto esta comparación tiene como base
el costo al final de año en lugar «le los costos al comienzo del año. Para
obtener costos al comienzo del año, se descuentan estos valores en tiempo,
de lo correspondiente a un período. La decisión será la misma aunque los
valores correspondientes sean diferentes.
El análisis de la tabla 5-3 indica un período óptimo de remplazo de
4 años en lugar de los 3 años que se indicaron cuando se despreció el
efecto del interés. Por consiguiente el efecto del interés tiende a desviar
la decisión hacia una mayor vida de servicio. En la figura 5-1 se presenta
una comparación gráfica de los resultados de estos dos métodos de aná-
lisis. Según la figura 5-1, la inclusión del interés aumenta el costo calcu-
lado. En realidad para casi todos los casos, la curva del costo total
promedio tiene una pendiente tan pequeña, que la decisión indicada por
simple análisis cuando ¡=60 no aumenta el costo en un factor apre-
ciable. Sin embargo, si el valor de ¡ es grande (superior a 20 por ciento) y
se aplica a grandes valores de inversión, el análisis debe considerar la
variación del valor del dinero con el tiempo. (Véase la tabla 5-1.)
En este ejemplo se observa que si se toma la decisión de remplazar
cada 3 años, el aumento del costo anual equivalente es solamente $3.431 —
$3.416 = $15. Este es un error únicamente de 0,4 por ciento, el cual
AUMENTO DEL COSTO DE OPERACION Y MANTENIMIENTO 93
3800
3600
3400
3200
equivalente
anual
total
promedio
Costo
costo
Años de servicio
FIGURA 5-1
Comparación de los resultados cuando ¡ = 0, SLU
O VA EE
AI 06Ut =
1 996'6 = g
1673 0I£ — 0088 018
OLV'€ 996'6 + 061€ L67'% + 699'L
699'L ” 6918 =
87801 = 1ve y
9817 + E8v'S 9817 tve — 0056
91v'$ 699'L + 681€
58y's 080% =
8698 = os £
8307 + 9er 8307 0Sp — 008€
Ev € e8v'S + 090€
Sere TEY7 =
L80'9 = L98 7
8181 + L89'1 8181 L98 — 008€
LOS Gore + Ze97
ELLT >
0TvE = L3L'1$ 1
LE9 I$ Le91$ L3L'T — 009'€$
1SL'€$ Le9'1 + €LL'T$
"oque ru rua ue ta (u — 018d) (3) — 009€ (u.— 018d) | 914090>p
(u — 01dY)(9) () + (8) x (01 "gjuaaal ap oroaud X Bjuaaal
OL9IALIS IP -OJUITUIUIJUB UL sgu ugioelado 3P AOJBA souy
3P $S03S09 AP [JO -U91WILUIJUB UL [op ajuasaid JOJBA
ajua¡eambo 7 ugroe1ado "gua add
ajuasaid JO[BA + uguesado) — [e1d1ut UQISIIAUT
[enue 0350) sgul UOISIIAUI ap otoaJd ¡ap
"oyúa uu quer
ap 07509 ¡9p 18307
+ ugroesado aqyuasald JOJBA
ajuasald JO]BA 3P S0IS09 SO] IP
ayuasald JO[BA
(9) (p) (£) (2) (1)
(1) (9)
OLSINANOD *%01 SAYALNI “YV"INIVL OCOLAMN €-S PIABL
ALNANTIVANV
96 MODELOS DE REMPLAZO
1 n+1
CTP, +1 = 7
n+l
Tan HE
i=1
(O, + M))| (5-7)
n
(5-9)
+1 TA E Tea + Ona + M1) (5-10)
AUMENTO DEL COSTO DE OPERACION Y MANTENIMIENTO 97
—1 1
= CTP, += Tag1+Op41 + Maa) (5-12)
Puesto que CTPa+1 > pa entonces CTP,+1 — CTP, > 0.
1
TEA+ E Pra + O EM)>0
1 (S-17)
SA MCTE. 5 DT, + Tn: + 0, + M,]
A A — 1
po
Ta
r da POCPai
EM
n
=-1- Ti — Ty + M,
+0,
A n
a n
(5-19)
ET —T,+0,+M, (5-20)
e n
ACTP) 1 O+M
dn n? 2
I O+M
=3 =0
n 2
153 “QA
O+M
E 21 y
loz) so sisas
AUMENTO DEL COSTO DE OPERACION Y MANTENIMIENTO 101
I 1 A o
cr = ropa ll) =1|(0 + M)+C, + Ca (5-27)
5.000
4.000
3.000
promedio
total
Costo
FIGURA 5-2
Efecto de la vida de servicio en el costo
total promedio.
102 MODELOS DE REMPLAZO
1 k-1
— KC, + Can 0
1 1/(k+1) 30
.- 3
: 1 n == 570
La figura 5-3 ilustra los efectos de los valores de k, que son mayores
o menores que 1. Los valo.+3 de k mayores que 1 se utilizan para repre-
sentar los costos de operación o de mantenimiento, que aumentan con el
tiempo con una tasa creciente; los valores menores que 1 representan los
costos que aumentan con el tiempo con una tasa decreciente. Esto depen-
de de las propiedades del equipo y del medio ambiente. El .incremento
del valor de k tiene el efecto de disminuir la vida óptima de servicio n*.
Se observa que si se selecciona b como 0,5 y k como 1, este modelo más
general, es idéntico al caso anterior, donde el costo de operación y man-
tenimiento aumentaba con una tasa lineal. El término restado se utiliza
de manera que el incremento no pueda aplicarse al año 1.
EJEMPLO 5-2
Costo de inversión, I = $3.000
Costo de operación, en el primer año, C, = $1.500
Costo de mantenimiento, en el primer año, Cn = $200
Valor de la constante que permite el mejor ajuste, k = 0,25
1/(0,25 + 1)
A | 3.000 - 4,76.
0,25(1.500 + 200)
104 MODELOS DE REMPLAZO
CVT 1 5
| +5)
Empleando la ecuación del costo total promedio para este modelo
I
CTP= Sá (C, + Ci)n*
Se obtienen las igualdades tabuladas
Modelo
general Costo promedio total
a Co + Cm
5 n
n k=0,25
b I
m 1
Cc 0
CT norudos fhrojek
CTPrisnbardó do So
Empleando en este ejemplo el valor de k = 0,25, la relación CTP/CTPx
se reduce a
GRP l (uo > =
CTP= "125 UY
REMPLAZO BAJO CONDICIONES DE OBSOLESCENCIA TECNOLOGICA Y ECONOMICA 105
CTP
w CTP+ Aumento, %
1 1,019 1,9
1,51 1,0192 1,92
1,52 1,0199 1,99
1539 1,020 2,0
0,68 1,0205 2,05
0,682 1,0202 2,02
0,683 1,0201 2,01
0,684 1,0199 1,99
Coli
= [==
n CTP, (Co + Cm) + 1) | (+) ¡e
AAA _ _ A — ————————_ _—- ———
A _—_——
CTP + pa Cos
donde CTP = costo total promedio, $/período
l = costo inicial de instalación, $
n = vida planeada de servicio antes de los períodos progra-
mados de reparación o remplazo
F(x), = número esperado de fallas durante el intervalo de tiempo
C = costo de la falla o avería, $
El principal problema con esta ecuación general de costo es determinar el
número esperado de fallas F(x), durante el intervalo de tiempo n.
Tiempo de
servicio entre . Probabilidad
operaciones de |Número de Probabilidad condicional
mantenimiento! funcionamientos| Probabilidad de | condicional de de ningún
número de defectuosos funcionamiento funcionamiento funcionamiento
turnos informados defectuoso pn defectuoso pc» defectuoso pr,
Período
Período
Período
Expresión de probabilidad
A — ———K—úÁá- _ ——_——Á—Á—mam » —__—————————— | _o——_— _ _——_ _ÁA —_ —___—_—_—_—_——=—=—=— a
0 pc; pr; 0 0 0 0
1 pcz 0 pr> 0 0 0
2 PpC3 0 0 pr3 0 0
3 PCa 0 0 0 Pra 0
4 pcs 0 0 0 0 Pprs
5 PCé 0 0 0 0 0
Estado siguiente
Estado presente 0 1 2 3 4. )
0 0,100 0,900 0 0 0 0
1 0,167 0 0,833 0 0 0
2 0,200 0 0 0,800 0 0
3 0,500 0 0 0 0,500 0
4 0,667 0 0 0 0 0,333
5 1 0 0 0 0 0
REMPLAZO BAJO CONDICIONES DE OBSOLESCENCIA TECNOLOGICA Y ECONOMICA 113
== 11, 90.070:50]
Lo que implica que durante el primer turno se espera que una máquina
pueda requerir mantenimiento y por lo tanto regresar al estado 0.
Los vectores X?2, X3, X* y X3 representan el número esperado de
máquinas en cada estado después de dos, tres, cuatro o cinco turnos
cuando el mantenimiento se efectúa solamente después de la falla.
X*P=X*
1334.33)
: 0,100x* + 0,167x+* + 0,200x* + 0,500x* + 0,667x* + x5 = x6
0,900x5 Ñ eS
0,833 x* e
0,800x* =x3
0,500 x3 =*
0,333x% = Xx,
Análisis económico
Para determinar un remplazo de costo mínimo o una estrategia de mante-
nimiento, deben evaluarse diversas estrategias factibles. Se puede supo-
ner que están en consideración los cuatro casos siguientes.
Plan A Reparar cuando se presenten las fallas
Plan B— Reparar cuando se presenten las failas pero después de ca-
da segundo turno reconstruir todo el equipo
Plan C— Igual que B pero después de cada tercer turno
Plan D Igual que B pero después de cada cuarto turno
Para este ejemplo, puede suponerse que existen las siguientes condicio-
nes:
Costo de una interrupción no programada (falla) = $250
Costo básico de mantenimiento por máquina = $50
Una máquina que falla puede repararse durante el mismo turno y comen-
zar al siguiente recién reparada. Si se efectúa un mantenimiento pro-
gramado al final del mismo turno en el cual se presenta la falla, se incurre
en el costo de interrupción no programada ($250). Sin embargo, el costo
básico de mantenimiento se aplica al mantenimiento programado.
Para evaluar el plan A, se consideran condiciones de estado estable.
Aunque las unidades pueden haber comenzado en las mismas condicio-
nes, después de algún tiempo habrán condiciones de estado estable. Con
respecto a Xx*, un promedio de 2,74 unidades tendrá una interrupción
no programada cada período. Por tanto el costo promedio será el costo de
estas reparaciones y los costos adicionales:
CTP (plan A) = (250+ 50) 2,74 = $822 por turno
xNoTas 115
(5-35)
n n
NOTAS
1 Reglas de decisión para remplazo óptimo
evaluar-
Para establecer la existencia de un intervalo óptimo de remplazo n, deben
> CAE, < CAE..:. Si CAE, <
se las condiciones que resultan de CAE,_:
116 MODELOS DE REMPLAZO
CAE,+1, entonces CÁAE,+, — CAE, debe ser positivo, o mayor que cero. La
primera regla de decisión se determina utilizando esta relación. Como se indicó an-
teriormente en este capítulo, el costo anual equivalente cuando se efectúa un rem-
“plazo después de n períodos está dado por '
Ta, O
¿E y J ARM (1 e+
|Ptos iy e
AFA (AR Sc
Para facilitar las operaciones algebraicas, pueden efectuarse las siguientes susti-
tuciones. Sea V= 1+ ¡ y K,= 0,+ M,.
CAE, = Nal y 2) ee
7 7
qe Ar da taa nl US
= (1-5
p+ a paty) ya 1
El primer grupo de términos se multiplica por el factor
iv"v"—1
iv" v"—1
el cual es igual a 1 y se procede reagrupar.
Iguales a CAE,
VIVAS DO, yA
V(v”- =D Lie 1 K, AS
CAE = CAE, naaa + l- e de O
ran
=CAE,
VD
ya+1— 1 +(n-
LA V 57
A
V ya*r1
ás ARO O IN
a sli
SETA AN le
xoTAs 117
Puesto que CAE,., > CAE,, la expresión CAE,., — CAE, > 0 es verdadera
UVE ]E:(EE
0< CAE, A V V y»+1 1
y»+1 == 1
0 <CAE,[V(V"—1D)-(V*=— 1 (7.eSlesspair
+ E) iv
O<CAE,(V"*! =—Y-—Y"** 11) (7.-
V V
Restando
(T, — Tn+1/V+ Ka+1/V)íV de cada lado de la desigualdad:
Ta+r Kn+1 E S
GTP.=
1 FAC, + Cada Ea q (nt
x=1 1a=1 h i
La última sumatoria puede expresarse en otra forma teniendo en cuenta que uno
de sus componentes es una serie geométrica:
x=n 1 x-1
=HnC,=C ——
ñ 2 1 +1
=HnC ES t A NR Ea EA
Ro a a MEE
Aunque no es necesario, se puede demostrar que esta es una serie geométrica
convergente. Puesto que ¡ tiene algún valor positivo, ¿ > 0, se deduce que 1 +
¡> 1. Por tanto 1/(1+ ¿)< 1. Si 1/(1 + 1) se define como r y Co como a, esta
es la serie geométrica convergente
a+artar Faris
por tanto
Ple
2 liz
tel
PATA
e tio
Se pueden efectuar algunas operaciones algebraicas para obtener una expresión
ligeramente simplificada.
14 AHD
i
ne x=n (E € 1 n-1
== I= Co + Cn po Co. — RR z
| 2 a z ¡ api (+
A) |
1 x=1 l 1 =- i
El siguiente paso es efect 1a. la resta CTP,,, — CTP,. Para obtener el máximo
provecho de este paso, « aislan primero los costos de la expresión CTP,,, que
componen el CTP,,. Se comienza reagrupando los términos de manera que el lími-
te de la sumatoria sea ..
1
CT Pros Ec A o RA + Cra + + n0+C0-c-E
ESTAS EE A ay
+S (+) (+) ll
Los términos subrayados, divididos por n, constituyen el valor CTP,.:
n-1
1 s OE PARAR ES CUA
TMAle + Cra +1) + C,— He a) +E (+5) |
Multiplicando los primeros términos entre paréntesis por n/n se obtiene la ex-
presión
n 1 Co fas
1 n-1
1 A Es 1 n 1 n-1
+ je + Cm ln + 1) EA paSI) 0 1)
[+ ca re — |
cl
1 n
CTPmss =CTP, ==
1+i
Puesto que CTP,,, > CTP,, el lado derecho de la ecuación será mayor que
cero:
.E" 1 y
0<£TP
n=1 n
(CH Cola 1 + Ca[1 (5+)
12 i
1
Multiplicando por n + 1.
Esto significa que en el valor óptimo de n, cuando existe CT'P?, la suma del cos-
to de operación y mantenimiento más el costo de obsolescencia para el siguiente
año será mayor que el valor del CTP*. Por consiguiente el remplazo debe efec-
tuarse cuando los costos de operación y mantenimiento más el costo de obsoles-
cencia económica del siguiente período sean mayores que el valor de CTP,,..
Puesto que CTP,_1 > CTP*, un método similar de análisis indicará que
1 n+i
REFERENCIAS xi
PROBLEMAS
Costo de Valor de
Año |funcionamiento | salvamento
1 $2.500 $3.000
Z 2.750 1.800
3 3.025 1.080
4 3.330 650
5 3.660 400
6 4.025 400
7 4.425 400
8 4.850 400
5-2 Repetir el problema 5-1 considerando una tasa de interés compuesto del 8
por ciento anual.
5-3 El nuevo equipo de una compañía procesadora de datos cuesta $50.000. Los
costos de operación y mantenimiento en el primer año son $10.000 y $5.000
respectivamente. Estos costos aumentan con el tiempo según el factor n*,
donde n = vida y k = 0,10. El avance técnico de equipo más moderno tien-
de a disminuir el costo de operación en un 5 por ciento anual. Si se despre-
cia la variación del valor del dinero con el tiempo, ¿cuál será la vida de cos-
to mínimo?
5-4 Se han estimado los siguientes datos para un equipo que cuesta $6.000.
| Costo de Costo de
Tiempo operación mantenimiento
1 $10.000 $1.000
2 10.100 1.100
3 10.200 1.300
4 10.300 1.700
5 10.400 2.200
6 10.500 2.800
dl 10.600 : 3.500
8 10.700 4.700
(a) Si se desprecia la variación del valor del dinero con el tiempo, ¿cuándo
debe remplazarse el equipo?
(b) ¿Cuándo debe remplazarse si ¡ = 10 por ciento?
5-5 Una persona piensa en la posibilidad de comprar algunas casas remolcables
como inversión. Estas unidades cuestan $5.000 nuevas. Las casas se de-
precian de manera que al final de cada año tienen un valor de reventa igual
al 80 por ciento del valor que tenían en el año inmediatamente anterior y que
disminuye hasta un mínimo de $1.000. Los costos de mantenimiento son de
122 MODELOS DE REMPLAZO
$50 en el primer año y aumentan cada año en 30 por ciento. El primer año la
unidad puede alquilarse en $160 por mes. Cada año adicional el alquiler es
igual al 95 por ciento de la tasa anterior. Puede suponerse una utilización de
100 por ciento. ¿Cuándo debe remplazarse la unidad para maximizar el ingre-
so anual promedio? Despreciar el interés y utilizar el método tabular.
5-6 Una unidad de bombeo cuesta $3.600 instalada. El costo de operación en el
primer año fue de $800 más $200 de mantenimiento. La experiencia con uni-
dades similares indica que la suma de estos dos costos aumenta a una tasa
de aproximadamente $125 por año. ¿Cuánto tiempo debe utilizarse este equi-
po para minimizar el costo?
5-7 Una máquina herramienta de control numérico cuesta $18.000. Aunque no se
espera que los costos de operación y mantenimiento aumenten apreciable-
mente durante su vida de operación, si se esperan nuevas mejoras. Por con-
siguiente el último equipo debe estar en capacidad de procesar partes a un
menor costo por unidad. El resultado neto es que el equipo más viejo tiene un
aumento implícito en el costo de operación. Si la tasa promedio de mejoras
técnicas es 3 por ciento por año y el costo presente de operación es $20.000
por año, ¿cuál se espera que sea la vida económica de servicio? Se supone
que el equipo no tiene un valor de reventa y se desprecia la variación del va-
lor del dinero con el tiempo.
5-8 Una máquina automática cuesta $10.000 y tiene un valor de salvamento igual
a cero. El primer año los costos de operación y mantenimiento fueron de
$8.000 y $2.000 respectivamente. La tasa esperada de aumento en el costo
de operación es $200 por año y la del costo de mantenimiento es $50 por año.
Si se desprecia el interés, ¿cuál es la vida de costo mínimo?
5-9 Una unidad cuesta $6.000 y se espera que después de una vida normal de
operación tenga un valor de salvamento de $1.000. El costo de operación y
mantenimiento fue $800 y se espera que aumente en forma no lineal en fun-
ción del tiempo de vida (n*, donde k = 0,3). ¿Cuál es la vida de costo mí-
nimo si se desprecia la variación del valor del dinero con el tiempo?
Los siguientes datos de costo de operación y mantenimiento se recogieron
durante un período de 10 años. Puesto que se ha proyectado un equipo simi-
(a) (b)
Co +Cm Co + Cm
n por año n n por año n
1 1.000 1 1.000
2 2.200 2 1.400
3 3.500 3 1.650
4 5.000 4 1.850
S 6.400 5 2.050
6 7.800 6 2.250
7 9.400 '7, 2.400
8 11.000 8 2.550
9 12.500 9 2.700
10 14.100 10 2.820
PROBLEMAS 123
lar para una nueva instalación, se supone que estos son estimativos válidos.
Se desea aproximar estos puntos utilizando la curva (Co. + Cm)n*. Deter-
minar el valor de k que permite un ajuste satisfactorio.
Sugerencia: Cuando el costo aumenta con una tasa creciente, k debe ser
mayor que 1. Ensayar 1,10 como primera suposición.
Si la inversión inicial en el equipo del problema 5-10 fue de $20.000 compa-
rar la vida óptima de servicio para los casos (a) y (b).
Utilizando los resultados del problema 5-11, hallar los valores superior e in-
ferior de una vida de servicio, que no ocasionen un aumento mayor que 5 por
ciento en el costo variable.
5-13 Una empresa de camiones mantiene registros de la vida de las llantas. Aun-
que la falla es un proceso aleatorio, esta es función de la vida de la llanta.
Se han resumido los siguientes datos obtenidos a partir de 1.000 fallas.
Miles de Número de
millas fallas
10 50
20 100
30 250
40 400
S0 200
500 10
1.000 15
1.500 20
2.000 35
2.500 204
1 0,1
2 0,2
3 0,5
4 1,0
1 0,0
2 0,10
3 0,20
4 0,40
E) 1,00
(b) Remplazar los rodamientos individualmente con base en una vida ópti-
ma de remplazo.
(c) Remplazar ambos rodamientos con base en una vida óptima de remplazo
(como grupo).
Número de
Vida de veces que se
servicio, han presentado
miles de horas fallas
1 10
2 15
3 15
4 30
e 20
6
MODELOS Y SISTEMAS
DE INVENTARIO
MODELOS DE INVENTARIO
En esta sección se discuten cuatro modelos determinísticos de inventa-
rio. Debido a que estos modelos conducen hacia una cantidad pedida que
minimiza los costos incrementales totales, frecuentemente se denominan
modelos de la cantidad económica pedida (CEP).
unidades o
El costo unitario por período simplemente es el costo de Q
C1Q (6-3)
Costo total
Punto de
costo mínimo
Costo de mantenimiento
(almacenamiento)
Costo
anual,
total
€ Costo de ordenar la compra
Costo
unitario
FIGURA 6-2
Patrones de costo del modelo 6-1.
C=C1Q+c,+c15 (6-5)
lt = Q (6-6)
D
¿Gima
D ea
0 (6-8)
Despejando Q se obtiene
2D
0=. = (6-10)
= 5,2 pedidos/año
130 MODELOS Y SISTEMAS DE INVENTARIO
le
=== eU 3.465 -
15000 = 0192 años 1111
N
N
N
N
SN Pendiente = R— D
Pendiente = D
xi -á<á<<aOa >
FIGURA 6-3
Modelo de manufacturación (sin déficit).
L+h= SO
(6-12)
MODELOS DE INVENTARIO 131
Con la ecuación (6-12), sólo falta hallar una expresión para IÍ,, en
función de Q.
Puesto que las unidades se utilizan de acuerdo a su definición, el in-
ventario máximo por período es el tiempo de manufacturación t, multi-
plicado por la tasa de acumulación, donde la tasa de acumulación es la
tasa de manufacturación R menos la tasa de demanda D; por consiguiente
E = 1 (R — D) (6-13)
l, = R
2 (6-14)
Fu =
Ñ
rs
— —
D)=0Q|1
=
ne)R— —
(6-15)
Sl
C '= C1Q+C2+
DA A
(355
Ye, 1
»
2 -16
(6-16)
ón
una tasa de 3.000 por mes. El costo de organizar una tanda de producci
es $500 y el costo de almacen amiento de una unidad/ mes es 15 centavos .
óptima que debe manufact urarse y el costo total
«Determinar la cantidad
por año suponiendo que el costo de 1 unidad es $2,00.
La cantidad óptima que debe manufacturarse puede calcularse utili-
zando la ecuación (6-19) y suponiendo 12 meses/año.
ae 2(500) (18.000) A ,
BA
El costo total anual es
18.000 915012) (4-40 18.000 |
C =18.000(2) + 500
4470 > 2 12(3.000)
= 36.000 + 2.013 + 2.013 = $40.026
y el tiempo de manufacturación es
C"=C,0+C)+ Cit;
La Ss
2
2
donde S/2 = número promedio de unidades agotadas por período
C. = costo de déficit de 1 unidad/año.
Ahora falta hallar expresiones para ti, Í,, y tz en función de Q y
S, ya que éstas son las dos variables básicas de este modelo. Esto se logra
analizando la figura 6-4.
FIGURA 6-4
Modelo de compra (con déficit).
El inventario máximo es
L,_=0-S (6-22)
(6-24)
Puesto que el tiempo de un período t es Q/D. Las ecuaciones (6-23) y
(6-24) pueden escribirse como
(6-25)
134 MODELOS Y SISTEMAS DE INVENTARIO
Ss
tr ices,
C=C¡D+C25+
D _CX(Q-S)? _ C4S?
+ (6-28)
FETO 20 20
que es el costo total por año.
Puesto que en la ecuación (6-28) hay dos variables, se obtienen las
derivadas parciales con respecto a cada variable y se igualan a cero.
0d CS. Cas
35 =0=-C, o (6-30)
D C, C3+C, Ca 2
0= -C5+—=-
laa) e
==€C),
DEE
+=
Es
== _—______—
2022 X0,+Cp (52
Despejando Q de la ecuación (6-33) se obtiene
OmEn ara
eden (6)
que es la cantidad óptima de compra para este modelo.
Sustituyendo la ecuación (6-34) en la ecuación (6-31) puede obtenerse
otra relación para calcular el número de unidades agotadas
¿CDA a3
Sn J 2
oy
MODELOS DE INVENTARIO 135
y OZ ALDO) NoE + 5
= 3.465(1,114) = 3.860 unidades
Pendiente = R— D
Pendiente = D
FIGURA 6-5
Modelo de manufacturación (con déficit).
Los componentes de costo de este modelo son los mismos del modelo
6-3, sólo que como antes, el costo de ordenar una compra se remplaza por
“el costo de organizar una tanda de producción.
El costo total por período es
O = (1, + ta)R
Por tanto
EN + la + (6-44)
ato
Luego :
Vr + S =(t2+13)D (6-45)
utilizando la ecuación (6-43), la ecuación (6-45) se convierte en
Im FS =(1 +4 MR — D) (6-46)
Sustituyendo la ecuación (6-45) en la ecuación (6-46) se obtiene
_Q
ln = (R= D) —
= 0(1- 5,
=S (6-47)
MODELOS DE INVENTARIO 137
fl E
t,+t, = A
SO R-D*b
_R=
Sustituyendo la ecuación (6-47) dentro de este resultado se obtiene
once) sl +) (+)
Ls D : 1 1 GUS. 1
SR IED
1ERA FEATiS la
Multiplicando la ecuación (6-50) por el número de períodos por año y
simplificando se obtiene
pa Di Trobabiar 96 dl
o C,D+C,G +36 0(1- 2) s| a le AR
Para hallar la cantidad óptima Q se obtienen las derivadas parciales
con respecto a Q y S. Para simplificar estas operaciones, sea
D
y E 1 q R (6-52)
2C,D C3 + Ca
0 VTA=DR Jas 2
que es la cantidad óptima Q (costo mínimo).
Sustituyendo la ecuación (6-57) en la ecuación (6-55) se obtiene
A 2C,D
EJEMPLO 6-4 Los datos de este ejemplo son los mismos del ejemplo
6-2, excepto que el costo de 1 unidad agotada es $20 por año.
Qs 2C, D C; sl de 5
sy ade
da e
of -5)
R)
A
—0,15(12) + 20
4.670|1 ati
12(3.000)
|
=> e 4.670(0,5) = 193 unidades
Por tanto
D
IT = ¡EE E
18.000 4
== 4.570] ES amo] — 193 =2.142 unidades
MODELOS DE INVENTARIO 139
y el tiempo de manufacturación es
oO 4.670
=== = 0,1298 año
11 + 42" 12(8000) e
Además, el tiempo entre tandas de producción es
4.670
++ += 00,259 año 1111
2C,D 2(400)(1.500)
(1.500)
500)
que = 3.465 unidades
C; E 10
Este valor tamhién se vuede obtener dividiendo el costo total por año por
EZ.
C 22.156
Costo total/mes = — = = $1.848
12 12
140 MODELOS Y SISTEMAS DE INVENTARIO
COSTOS UNITARIOS
En los ejemplos anteriores se utilizaron cuatro costos (C,, C2, C3, Ca).
Frecuentemente se presentan problemas con respecto a las variables que
deben incluirse en la determinación de estos costos.
Comentarios
Obviamente hay otros modelos de inventario además de los descritos en
este capítulo. Sólo se necesita observar la literatura del control de inven-
tarios, control de producción e investigación operacional para encontrar
un gran número de modelos de inventario. Al final de este capítulo se pre-
sentan referencias.
En muchos textos los modelos de inventario presentados aquí se de-
ducen con base en el costo variable total y por tanto no incluyen costos
del componente C,D. Esto es cuestión de preferencias. En la determina-
ción del costo total de inventario debe incluirse la especificación de cos-
tos por componentes.
Punto de
pedido
3.465
138
días
FIGURA 6-6
Sistema Q para cantidades determinísticas.
SISTEMAS DE INVENTARIO
de pedido de
Dos sistemas de inventario muy utilizados son el sistema
fijo. En este capítul o se de-
tamaño fijo y el sistema de pedido de intervalo
fijo, mientras que
signa como sistema Q al sistema de pedido de tamaño
como sistema P. La dife-
el sistema de pedido de intervalo fijo se designa
Q se pide una
rencia básica entre los dos consiste en que en el sistema
P se ordena
cantidad fija a intervalos variables de tiempo y en el sistema
una cantidad variable a intervalos fijos de tiempo.
tasa de de-
Cuando el sistema de inventario es determinístico y la
los sistemas Q
manda es constante, realmente hay poca diferencia entre
6-1. Se discute
y P. Esto se demuestra empleando los datos del ejemplo
Se obtiene n las siguien tes cantida des (se supone
primero un sistema Q.
l año = 250 días):
142 MODELOS Y SISTEMAS DE INVENTARIO
FIGURA 6-7
Sistema P para cantidades determinísticas.
Q = 3.465 unidades
t = tiempo entre pedidos = 0,1925(250) = 48,1 = 48 días
Demanda/día = pe = 72 unidades/día
Sin embargo, esto es imposible ya que la figura 6-6 indica que el nivel de
inventario nunca es mayor que 3.465 unidades. El valor de 4.320 unidades
implica que cuando el número de unidades en inventario (disponibles) y
SISTEMAS DE INVENTARIO 143
Esta cantidad pedida debe ser la misma en cada punto de pedido ya que
todas las componentes de la ecuación de la cantidad pedida son cons-
tantes debido a que el sistema es determinístico y la tasa de demanda es
constante. Además, por las mismas causas los períodos entre pedidos (48
días) son iguales en ambos sistemas. Por consiguiente, los dos sistemas
dan iguales resultados siempre que los sistemas sean determinísticos y
la tasa de demanda sea constante.
Se presentan diferencias entre los dos sistemas cuando la demanda,
el tiempo de anticipación, o ambos se vuelven probabilísticos. En las con-
clusiones de este capítulo se presentan las consideraciones probabilísticas.
Un enfoque para manejar sistemas probabilísticos de inventario es
superponer un modelo de inventario basado en existencias de seguridad
(existencias amortiguadoras). Las existencias de seguridad sirven de
amortiguador para absorber las variaciones de la demanda y del tiempo
de anticipación. También sirven como medio de regulación de las unida-
des agotadas. Este enfoque permite una aproximación razonable hacia
una solución óptima. Es una aproximación ya que supone que las existen-
cias de seguridad para el tiempo de anticipación y el intervalo entre pe-
didos son independientes. Obviamente, esta suposición no es correcta.
Una de las principales diferencias entre los sistemas Q y P es la mag-
nitud de las existencias de seguridad requeridas en cada uno. General -
mente, el sistema Q requiere menos existencias de seguridad que el siste-
de
ma P debido a que en el sistema Q el requerimiento de existencias
tiempo
seguridad depende de las fluctuaciones de la demanda durante el
existen-
de anticipación, mientras que en el sistema P, la magnitud de las
depende de la suma del período de anticipaci ón y el
cias de seguridad
6-9.
intervalo entre pedidos. Este punto se ilustra en las figuras 6-8 y
144 MODELOS Y sISTEMAS DE INVENTARIO
Punto de pedido
Existencias de seguridad
Existencias de seguridad
anticipación
FIGURA 6-9
Sistema P.
SISTEMAS DE INVENTARIO 145
Q= e = po Y = 800 unidades
C; 0,1
1 Q = cas =4 semanas
ET ep
ia rn
: Posible demanda Forma de ocurrencia
300 0,09
350 0,24
400 0,34
450 0,24
500 0,09
1,00
(6-59)
Puesto que este es un sistema Q, todos los términos de la ecuación
son constantes. El término Q + ES es
el inventario
Puesto que el nivel de pedido se especifica como Dm,
es pedidas son
disponible es constante e igual a 500 unidades. Las unidad
es menor que el tiem-
cero en este ejemplo ya que el tiempo entre pedidos
tiempo de anticipa-
po de anticipación. La demanda promedio durante el
ción DL es constante e igual a
148 MODELOS Y SISTEMAS DE INVENTARIO
— — — — —— Demanda máxima
- Demanda promedio
Demanda mínima
1.000
2,00 |1,20| ab
2,00 |1,20| 2,00 | 2,67 |
Semanas Semanas Sema- Semanas Sema- Semanas Semanas Semanas Semanas Semanas
nas nas
FIGURA 6-12
Sistema de inventario Q (datos del ejemplo 6-6).
TS CD + Ca +0 ES+ C¿(ES)
200(50)
= 2(50)(200) + 160 + 0, 1(50) e + 0,1(50) (100)
800
= 20.000+ 2.000+ 2.000+ 500 = $24.500 por año (6-60)
Si se deseara un nivel de riesgo diferente de cero sería necesario ge-
nerar la distribución de la demanda durante el tiempo de anticipación de
6 semanas. Esta es una tarea muy complicada. Este punto será discutido
más adelante en este capítulo.
1.100 hi
FIGURA 6-13
Sistema de inventario P (datos del ejemplo 6-6).
FIGURA 6-14
Distribución del tiempo de 7 3 |
anticipación. Tiempo de anticipación, semanas
SISTEMAS DE INVENTARIO 153
: Demanda en
Tiempo de el tiempo de
anticipación| anticipación [Probabilidad
1 200 0,25
2 400 0,50
3 600 0,25
Nivel de
FIGURA 6-15
Sistema Q del ejemplo 6-7 (riesgo nulo de déficit).
0,40 0,50
0,30 0,30
0,25 0,25
Forma de ocurrencia
Demanda posibie
en el tiempo de | Probabilidad
anticipación Probabilidad |acumulativa
150 0,07500
200 0,10000
250 0,07500
300 0,04500
350 0,12000
400 0,17
450 0,12675
500 0,07200
550 0,05625
600 0,07000
650 0.05625
700 0,02700
750 0,00675
Demanda en el )
tiempo de Existencias de | Riesgo de
anticipación seguridad deficit, “e
Tiempo
de anti-
cipación Forma de ocurrencia
más inter-
pedidos lidad
5 0,25(0,3)5
(p = 0,25) :
0,25(0,3)5
6 0,50(0,3)5
(p = 0,50) :
0,50 (0,3)8
7 0,251(0,3)7
3
(PESOS)
0,25(0,3)7
DISTRIBUCIONES TEORICAS
En los ejemplos anteriores de los sistemas de inventario Q y P, la deman-
da y los tiempos de anticipación fueron descritos mediante distribuciones
empíricas. Algunos de estos ejemplos indican la clase de dificultades de
cálculo que pueden presentarse. Se mencionó la posibilidad de facilitar
el cálculo remplazando las distribuciones empíricas por determinadas dis-
tribuciones teóricas, en aquellos casos en los cuales la distribución teóri-
ca describe adecuadamente la variable en cuestión.
Es posible obtener ventajas de cálculo cuando la convolución de una
distribución teórica consigo misma se puede calcular fácilmente. Las
convoluciones de muchas distribuciones teóricas no pueden calcularse
fácilmente. Afortunadamente, las distribuciones empleadas en muchos
problemas de inventario están muy bien estudiadas, especialmente, las
distribuciones normal y de Poisson. Por ejemplo, si una distribución nor-
mal con una media y y una varianza o? se convoluciona consigo mis-
ma n veces, la convolución final es una distribución normal con una me-
dia de nu y una varianza de no?. Para la distribución de Poisson, la
convolución final es una distribución de Poisson con una media y una va-
rianza de nu, ya que en la distribución de Poisson la media y la varian-
za son iguales. Cuando se utilizan estos resultados, quedan implícitas
determinadas suposiciones, esto es que las distribuciones son las mismas
e independientes.
0, = o,/L
Kie = AO (6-67)
Oy
X
E
¿7z
E =
+
3%
-S Clase C
5 5
E
£%
||
FIGURA 6-18 |
Clasificación ABC de la inversión 10 35 100
en inventario,
*¿ de artículos
CONCLUSIONES
Nuevamente se insiste en que los métodos empleados en los ejemplos 6-5
hasta 6-10 dan soluciones aproximadas y no óptimas. Sin embargo, estos
métodos permiten una buena aproximación al sistema Q y por lo menos
una aproximación regular al sistema P. Un enfoque correcto y óptimo del
sistema Q requiere un balance entre los costos de ordenar el pedido de al-
re-
macenamiento y de déficit, teniendo en cuenta la interacción entre el
so-
querimiento de existencias de seguridad y el período entre pedidos. La
lución óptima del sistema P requiere la considerac ión de la interacción
entre la cantidad pedida en cualquier período y los siguientes períodos.
Es posible obtener una mejor aproximación de las existencias de seguridad
de un sistema P balanceando los costos de almacenamiento de déficit.
Debido a las complejidades matemáticas de estas consideraciones, estas
no se presentan en el texto. Para mayores detalles, deben consultarse las
referencias.
Los ejemplos 6-5 a 6-10 utilizan una tasa instantánea de remplazo.
Si se
Sin embargo, este no es el caso de los modelos de manufacturación.
considera constante la tasa de remplazo (el caso ordinario o muy aproxi-
proce-
mado de la fabricación de productos establecidos), es aplicable el
de seguridad . La
dimiento de superponer el modelo 6-2 a las existencias
constante .
simulación puede usarse cuando la tasa de remplazo no es
Los modelos de inventario y los sistemas presentados en este capítu-
lo son para un solo artículo. Evidentemente, la mayoría de las compañías
162 MODELOS Y SISTEMAS DE INVENTARIO
REFERENCIAS
1 Buffa, E. S.: “Production: Inventory Systems, Planning and Control,” Richard
D. Irwin, Inc., Homewood, 1ll., 1968.
2 Churchman, C. W., R. L. Ackoff, y E. L. Arnoff: “Introduction to Operations Re-
search,” John Wiley £ Sons, Inc., Nueva York, 1957.
3 Magee, J. F., y D. M. Boodman: Production Planning and Inventory Control, 2a.
ed., McGraw-Hill Book Company, Nueva York, 1968.
4 Naddor, E.: “Inventory Systems,” John Wiley £ Sons, Inc., Nueva York, 1966.
5 Starr, M. K., y D. W. Miller: “Inventory Control: Theory and Practice,” págs.
121-122, Prentice-Hall, Inc., Englewood Cliffs, N.J., 1962.
PROBLEMAS
6-1 Una compañía compra 12.000 artículos por año para emplearlos en su proceso
de producción. Si el costo unitario es de $5 por unidad, el costo de tenencia de
una unidad es de 80 centavos por mes, y el costo de hacer una compra es de
$100, determinar los siguientes puntos si no se permite déficit.
(a) La cantidad óptima pedida.
(b) El costo total anual óptimo.
(c) El número de pedidos por año.
(d) El tiempo entre pedidos.
6-2 Suponer que la compañía del problema 6-1 puede manufacturar los artículos a
una tasa de 48.000 unidades por año. Si todos los costos son iguales a los del
problema 6-1 (costo de organizar una tanda de producción = costo de orde-
nar una compra) determinar:
(a) La cantidad óptima que debe manufacturarse.
(b) El costo total anual óptimo.
PROBLEMAS 163
j
Cantidad,
en libras Costo por libra
0-249 $8,00
250-449 7.50
450-649 7,00
6-8 Utilizando los datos de costos del problema 6-1 (suponer 1 mes = 25 días), la
distribución de la demanda que se muestra a continuación, y un tiempo cons-
tante de anticipación de 4 días, diseñar un sistema de inventario Q para un
riesgo nulo de déficit y determinar el costo total anual esperado.
Considerando la figura mostrada y sus resultados según los datos ante-
riores, determinar:
0,40
42. 45 48 51 54
Demanda, unidades /día
pugao co A A
(d) ¿Cuántos días después de recibir el pedido en el punto C debe ordenarse
otro pedido?
(e) Suponer que después de hacer el pedido en el punto D, la tasa de demanda
se hace mínima; ¿cuánto tiempo debe trascurrir antes del siguiente pe-
dido suponiendo una demanda mínima hasta el punto de pedido?
Repetir el problema 6-8 para un tiempo de anticipación de 15 días.
6-10 Utilizando los datos del problema 6-8, diseñar un sistema de inventario P con
riesgo nulo de déficit y determinar el costo total esperado. Considerar la si-
guiente figura y sus resultados según los datos anteriores, y responder las si-
guientes preguntas:
PROBLEMAs 165
0,2
6-15 Diseñar un sistema Q con los siguientes datos y un riesgo de déficit de 1,0 por
ciento. La demanda está distribuida normalmente con una media de 50 unida-
des/día y una desviación típica de 10 unidades/día. El tiempo de anticipa-
ción es de 20 días (constante). El costo de organizar una tanda producción es
de $500. El costo de tenencia es $1,80 por unidad-año. La tasa de manufactu-
ración es de 100 unidades/día (constante). Suponer 360 días/año.
dl
SIMULACION MONTE CARLO
1,00
0 00-04
1 05-14
2 15-29
3 30-59
4 60-84
5 85-99
14 74 24 87 07 45 26 66 26 9%
Día Demanda
1 1
2 4
3 2
4 S
5 1
6 3
7 0)
8 4
9 2
10 S
500
1.000
1.500
3.000
2.500
NBhun-—0o 1.500
170 sIMULACION MONTE CARLO
0,50
0,30 A 0,30
0,25 0,25 0,25 0,25
0,20 0,20
24 3 4 S 4 5 6
y> E
FIGURA 7-3
Distribución de variables de la ecuación (7-1).
1 43 Z 27 2 1 4 18
Z 96 5 SO 3 8 6 37
3 s7 3 13 2 0 4 23
4 s3 2 36 3 2 4 20
5 14 1 91 5 7 5 20
6 03 0 $8 4 6 5 13
7 33 2 45 3 1 4 20
8 40 2 43 3 3 S 21
NIRO NOR RR O: TENOR OCA EOI CRONO [Tn AO AS e e
SIMULACION MONTE CARLO 171
0,40
0,30
0,20
0,10
FIGURA 7-4 AE
Distribución de w. Valor de W
ra
X,
ana 0
Tabla 7-8 NUMEROS INDICE
DE LA DEMANDA
Demanda
Unidades /semana Números índice
150 0-2
200 3-6
250 7-9
Tiempo de
anticipación, Números índice
semanas
1 00-24
2 25-74
3 75-99
Número
aleatorio [Tiem- E cado sl * Bed coat Demanda
a pl E a a, IE A
del tiempo |po de
Ea Pts A E Número |Primera| Número |Segunda|Número |Tercera ¡Demanda
rueba 3 aleatorio |semana |aleatorio [semana |aleatorio |semana ¡total
pación pación
1 68 2 3 200 1 150 — =— 350
2 89 3 5 200 4 200 2 150 550
E 10 1 3 200 — — = EE 200
4 40 * 2 4 200 6 200 — — 400
OCIO ICO O ROTO ICO (ORIO OA RO A O
ROTTEN VS ARORONORO
[ROTOR (IAS IO (OA ORO O A oli br
SIMULACION MONTE CARLO 173
0,50
0,20
0,50
0,30
0,20 0,20
100k
FIGURA 7-5
Distribuciones del ejemplo 7-4.
00
000"0L€
NON
00v"361 000'003 9 | 000082 0€ 000'081 €
00003
009"LS8 Ts
Y
009'18€ 00p "813 TS 000"0ST Z | 00008 S€ 000"081 z
009"18€ 00p"81Z$ TS 000'003$ L | 000'008$ IS 000"081$ I
$
000"000"1$ — 000"000'1$ 0
o3sanduut
O1109B9]8
3exed
OJQUIP o3sandur] |ozsanduur yg tied| 7 omiq ] exed |uordersalda( | uU9Is19AUuT oue
OJSUINN
2
9
Ofn1A
ap e ojolns Osa13U[ |0110389]8 , ap
CARLO
“9
|
O1103B3]8 S03S07)
0s313u][9p eseL OJSUIAN OPUS : [8UTy
MONTE
$1.000.000 — 100.000
Depreciación anual = = $180.000
5
Ahora se puede construir la tabla 7-11 y proseguir la simulación en la
forma indicada. Sustituyendo en la ecuación (7-2) los flujos de dinero ge-
nerados en la tabla (7-11) se obtiene
0,40
0,30
k 0,20
OSO
0,40
0,30 15 0,25 0,25
0,10
(a) (b)
0,50
0
+30 0,25 0,25
0,10
(c) (d)
FIGURA 7-7
Distribuciones de la demanda para
diferentes precios de venta.
OTRAS DISTRIBUCIONES 177
OTRAS DISTRIBUCIONES
En- los ejemplos anteriores todas las variables fueron descritas mediante
distribuciones empíricas discretas. Esta clase de distribución no es re-
quisito para la simulación Monte Carlo. Cualquier variable puede repre-
sentarse por medio de una distribución teórica, siempre y cuando la dis-
tribución describa adecuadamente la variable. En realidad, en el mismo
modelo de simulación es posible representar una variable mediante una
distribución empírica y otra mediante una distribución teórica. En esta
sección se presentan tres ejemplos de distribuciones teóricas.
178 SIMULACION MONTE CARLO
Distribución de Poisson
En la mayoría de problemas de colas se utiliza la distribución de Poisson
para describir la tasa de llegada. Esta es una distribución discreta. Para
utilizar esta distribución, se debe conocer, estimar, o suponer el valor pro-
medio de la distribución. Puede suponerse que la variable x se represen-
ta según una distribución de Poisson con una media de 1,1; entonces uti-
lizando los valores del apéndice A se puede obtener la tabla 7-12.
Distribución normal
Cuando se utiliza la distribución normal en la descripción de una variable,
deben obtenerse de alguna manera la media y la desviación típica. Si la
variable x puede considerarse continua y normalmente distribuida en un
problema de simulación, la referencia 5 demuestra que x se puede calcu-
lar a partir de 1201112 / K K
E 07) Y r¡- 3) + Hz (7-4)
K i=1 2
al
Jae 12
=1,21= 5,93
— —
x = 1,2(5,93 — 6) + 3 =2,916
Tabla 7-12 NUMEROS
INDICE DE LA
VARIABLE X
(DISTRIBUCION
DE POISSON)
0 0,333 000-332
1 0,699 333-698
2 0,900 699-899
3 0,974 900-973
4 0,995 974-994
S 0,999 995-998
6 1,000 999
SIMULACION MONTE CARLO 179
FIGURA 7-8
Distribución normal para
valores discretos.
Distribución exponencial
La distribución exponencial es una distribución continua muy usada en
problemas de simulación. Para usarla debe conocerse o estimarse la me-
dia. La función de distribución acumulativa está dada por
10) 2(90)(200
O = JE: anX ) 600 unidades
Desviación
"Valor Límite inferior |Límite superior normal Probabilidad Números
K x”—3,0 acumulativa índice
O a
0 000-005
1 006-066
2 067-308
3 309-690
5 691-932
5 933-943
: 944-999
OTRAS DISTRIBUCIONES 181
También debe tomarse una decisión con respecto al nivel inicial de inven-
tario. Se usa un nivel inicial de inventario de 600 unidades. Este nivel,
de hecho, se escoge arbitrariamente.
En este problema se supone constante la tasa de demanda dentro de
cualquier período de 1 semana. Además, se supone que el nivel de inven-
tario se revisa al final de cada semana. Si en este momento el inventario
es mayor que el punto de pedido, no se hace pedido. Sin embargo, si el ni-
vel de inventario es igual o menor que 200 unidades se hace un pedido de
600 unidades.
El siguiente paso es asignar números índice a la demanda y al
tiempo de anticipación. Se usa un intervalo de celda de 50 unidades para
la demanda, y un intervalo de celda de 1 día para el tiempo de anticipa-
ción. De hecho, se pueden usar intervalos más grandes o más pequeños
para los intervalos de celda, pero para efectos de ilustración estos interva-
los son suficientes. Los cálculos necesarios para asignar números índice
se muestran én las tablas 7-14 y 7-15.
Después de asignar números índice se puede efectuar la simulación
real. Este punto se muestra en la tabla 7-16 para un período de 16 sema-
nas. En un estudio real, se puede usar un mayor período de tiempo.
Desviación normal
Valor Límite inferior |Límite superior Ñ
de la x' del intervalo |x"” del intervalo| ¿y _X%— 200 Probabilidad |Números
demanda |de celda de celda E 50 acumulativa fadice
Ñ 13 0,78 00-77
2 1.5 25 0,92 78-91
3 2.5 3.5 0.97 92-96
4 3.5 4.5 0,99 | 97-98
5 4.5 5.5 1.00 ne
182 SIMULACION MONTE CARLO
600 600
500
450 450
400
350
300
200 1200
100
Nivel
de
inventario
10 dr RL AMA STE
Semanas
so
- 150
150
200
250
300
FIGURA 7-9
Resultados de la simulación del ejemplo 7-5.
OTRAS DISTRIBUCIONES 183
A
3.461,7
216,3 unidades (7-8)
área de déficit
Déficit promedio =
número de semanas
261,5
= 16,3 unidades (0-9)
16
Con estos valores, se puede calcular el costo variable usando la ecuación
(7-7). Suponiendo que el costo por el déficit de una unidad es $10 por se-
mana, la ecuación (7-7) da
Número
Número aleatorio
Final | aleatorio del tiem- | Tiempo
de se- | de la Nivel de po de an- | de anti-
mana |demanda inventario ticipación | cipación| Comentario
Punto de partida
FIGURA 7-10 A E ON a)
Distribución del tiempo entre llegadas. Tiempo entre llegadas, horas.
Tiempo
Iniciación =
entre llegadas
Esperando .. a l 0.2
NN
en la cola
Iniciación
del servicio
A Tiempo de servicio
8,8 horas
FIGURA 7-11
Representación gráfica de los datos de la tabla 7-18.
como continuo, se usa la ecuación (7-6) para simular los tiempos de servi-
cio. Para simplificar se utilizan números aleatorios de un solo dígito en es-
ta parte de la simulación, y los tiempos de servicio se aproximan a un de-
cimal.
La tabla 7-18 muestra los resultados de la simulación de ocho llegadas.
Como condición inicial, se supone que la primera llegada ocurre después
de abrir la estación servicio (1 hora en este caso). La figura 7-11 se cons-
Número Número
Número aleatorio del Tiempo aleatorio Tiempo
de tiempo entre entre r del de servicio
llegadas llegadas tiempo de x= —1.2logr
llegada
servicio
1 34 1.0 5 0.4
5 43 15 5 0.4
3 40 1.5 6 0.3
4 15 1,0 2 0.8
S 05 0,5 2 0.8
6 25 1.0 4 0.5
1 83 2.0 ] 1.2
89 1.0 9 0
8
45
186 sIMUuLACION MONTE CARLO
truye con los datos de la tabla 7-18. En este punto se calcula el costo to-
tal con la ecuación (7-10). El tiempo total de espera está dado por
El tiempo total para procesar las 8 llegadas es 8,8 horas. Por consi.-
guiente, suponiendo que el costo de espera por 1 unidad es $5 por hora, el
costo total de 8,8 horas de operación es
CT = 5(5,1) + 20(8,8) = $201,50
Entonces
NUMEROS ALEATORIOS
La simulación Monte Carlo requiere números aleatorios para obtener ob-
servaciones aleatorias a partir de una distribución de probabilidad. Un
número aleatorio es un número de una secuencia de números cuya proba-
bilidad de ocurrencia es igual a la de cualquier otro número de la secuen-
cia. Los números aleatorios se pueden obtener manualmente, mediante
tablas, o mediante métodos de computador.
Los métodos manuales son laboriosos y no muy prácticos excepto
como medio ilustrativo, en el salón de clase. Estos métodos generalmente
requieren recursos tales como ruletas, cartas de baraja, fichas en una
urna, lanzamiento de monedas y lanzamiento de dados.
Las tablas de números aleatorios se encuentran en la literatura, por
ejemplo en la referencia 6. Estos números aleatorios fueron generados
mediante un proceso físico aleatorio (corriente eléctrica en el caso Rand)
y se consideran números “verdaderamente” aleatorios. El problema con
la utilización de tablas de números aleatorios es tenerlos disponibles en
NUMEROS ALEATORIOS 187
40 +8
x, = 8(6)(mod 10) = a
60 + 4
x3 = 8(8)(mod 10) = =4
10
188 sIMULACION MONTE CARLO
Media de la población
Suponiendo que la media de la muestra está distribuida normalmente y
que se toma una muestra de tamar.o suficientemente grande, el tamaño de
la muestra está dado por
z 2
E as (7-13)
Y (x — xy?
pig juileda (7-14)
n=]
e
EOS
SUZ
(7-15)
2 pal
=
a?
1)s?
O
d'(n—1
Za = id de a
Un — 1)
la cual puede expresarse en la forma
AZ
Az = (dy A ! 7-18
( )
Límite
Valor
promedio
——»
FIGURA 7-12 =
Límite estocástico. - Número de pruebas —=>
CONSIDERACIONES PRACTICAS 191
CONSIDERACIONES PRACTICAS
En muchos estudios de simulación las condiciones iniciales del sistema
que se está simulando constituyen una consideración importante, por
ejemplo, en sistemas de inventarios y en sistemas de colas. En sistemas
de esta clase la simulación usualmente no se considera representativa
del sistema real hasta que existan condiciones de estado estable. Por
consiguiente, los datos tomados durante un período de transición no deben
incluirse en el análisis, a menos que el período de transición sea el perío-
do de interés.
Las condiciones de estado estable implican que el estado del siste-
ma es independiente de las condiciones iniciales, o sea, existe una con-
dición de estado estable cuando la distribución, que define el estado, es
independiente del tiempo. En la práctica es difícil determinar el número
de pruebas necesarias antes de alcanzar las condiciones de estado es-
table. Usualmente hay dos enfoques para resolver este problema: (1)
hacer varios ensayos piloto para determinar el punto en el cual se alcan-
zan las condiciones de estado estable y (2) definir inicialmente el sistema
para que tenga unas condiciones iniciales, tan próximas como sea posible,
a las condiciones de estado estable. En el primer método se requiere
mucho tiempo de computador y en el segundo método es necesario tener
al menos alguna idea de las condiciones de estado estable.
En algunos estudios de simulación las condiciones iniciales no son
un problema, por ejemplo, el modelo de simulación descrito al comienzo
de este capítulo para generar una distribución de la tasa interna de
retorno.
El objeto de muchos estudios de simulación es el determinar cuáles
alternativas dan la mejor medida de algún criterio de efectividad por
ejemplo, la determinación de una regla de prioridad (alternativas) de una
laboren un taller para minimizar el tiempo ocioso de una máquina (criterio
de efectividad). En esta clase de estudios Hillier y Lieberman (Referen-
cia 3) señalan que para cada alternativa se deben utilizar las mismas
condiciones iniciales y números aleatorios. Por tanto, los resultados de
cada alternativa deben usarse al tomar una decisión.
En una sección anterior se discutió la determinación del tamaño de
una muestra. Sin embargo, pocos textos indican el número de muestras.
Hillier y Lieberman (Referencia 3, pág. 464), indican que conviene tomar
entre 10 y 15 muestras. En este punto son posibles dos enfoques.
El primero consiste en efectuar una serie de ensayos independientes
y calcular un promedio para cada ensayo; este valor se utiliza como una
observación. Puesto que cada observación es independiente y es un valor
promedio, las observaciones, según el teorema del límite central, se aproxi-
marán a una distribución normal. Por consiguiente, se puede establecer
un nivel de confiabilidad para la media total. La desventaja de este en-
192 SIMULACION MONTE CARLO
foque es que cada ensayo requiere de tiempo para alcanzar una condición
de estado estable. Esto puede ocasionar considerable tiempo de com-
putador.
El segundo enfoque consiste en hacer ensayos consecutivos, usando
la condición final de un ensayo como condición inicial del siguiente. En
esta forma sólo se requiere una condición inicial. La simulación total se
divide en una serie de ensayos iguales más pequeños y los promedios de
estos ensayos se usan como observaciones. La desventaja de este mé-
todo es que los ensayos más pequeños pueden no ser independientes. Sin
embargo, si cada uno de estos ensayos se hace suficientemente grande,
la suposición de independencia puede ser válida para todos los propósitos
prácticos.
Hillier y Lieberman (Referencia 3) señalan que en la determinación de
las distribuciones de probabilidad usadas para una variable, es mejor
utilizar la distribución teórica que ajusta mejor la variable que utilizar
alguna distribución de frecuencia con base en datos históricos; su argu-
mento es que la distribución teórica puede predecir con mayor exactitud
un comportamiento futuro, que la reproducción de idiosincracias del pasado.
LENGUAJES DE SIMULACION
Teniendo en cuenta que los estudios de simulación están enfocados hacia
el computador, de la discusión de este capítulo puede deducirse, que la
programación de todos los detalles (generación de números aleatorios,
asignación de números índice, métodos de cálculo, salida de datos pro-
pios, etc.), requeridos en un estudio de simulación puede ser bastante
complicada. Si se utilizara un lenguaje de programación de propósito ge-
neral tal como el FORTRAN, esto sería cierto. Afortunadamente, los len-
guajes de simulación general tales como GPSS, SIMSCRIPT, SIMPAC,
DYNAMO, y GASP están fácilmente disponibles. Estos lenguajes espe-
ciales evitan al programador muchos detalles requeridos en un modelo de
simulación para computador. Las referencias 4, 5 y 7 discuten la utiliza-
ción y méritos relativos de estos lenguajes especiales y presentan la infor-
mación necesaria para obtener los manuales de instrucción y el compilador.
CONCLUSIONES
La simulación es un instrumento poderoso particularmente útil en el aná-
lisis de sistemas que son demasiado complejos para analizarlos matemá-
ticamente. Sin embargo, debe recordarse que la simulación no necesaria-
mente da una respuesta óptima. Además, el análisis de sensibilidad es
costoso; ya que para hallar el efecto de un cambio en una variable, es
necesario un nuevo ensayo de simulación.
PROBLEMAS 193
REFERENCIAS
1 Boninti, C. P.: “Simulation of Information and Decision Systems in the Firm,”
Prentice-Hall, Inc., Englewood Cliffs, N.J., 1963.
2 Hahn, G. J., y S. S. Shapiro: “Statistical Models in Engineering,” cap. 7, John
Wiley € Sons, Inc., Nueva York, 1967.
3 Hillier, F. S., y G.J. Lieberman: “Introduction to Operations Research,” cap. 14,
Holden-Day, Inc., Publisher, San Francisco, 1968.
4 Mize, J. H., y J. G. Cox: “Essentials of Simulation,” Prentice-Hall, Inc., Engle-
wood Cliffs, N.J., 1968.
5 Naylor, T. H., J. L. Balintfy, D. S. Burdick, y C. Kong: “Computer Simulation
Techniques,” John Wiley € Sons, Inc., Nueva York, 1966.
6 Rand Corporation: “A Million Random Digits with 100.000 Normal Deviates,”
The Free Press, Glencoe, 1ll., 1955.
7 Schmidt, J. W., y R. E. Taylor: “Simulation and Analysis of Industrial Systems,”
Richard D. Irwin, Inc., Homewood, 1ll., 1970.
8 Tocher, K. D.: “The Art of Simulation,” The English University Press, Ltd.,
Londres, 1963.
PROBLEMAS
7-1 Dada la función w=ab+ x y las distribuciones de cada variable indica-
das a continuación determinar el valor promedio de w para un total de 15
ensayos. Utilizar los números aleatorios especificados para cada variable.
18190 20
40 41 42 43 44 45 46
194 SIMULACION MONTE CARLO
dia + 1,5w
DA
Xx w y
12
Eri=44
i=
990 35
6,2 539 42
5,0 891 11
3,5 241 58
5,8 935 84
6,1 693 25
3,9 432 35
4,3 369 02
6,6 464 97
4,9 702 31
7-3 Determinar los números índice de una variable aleatoria discreta con una
media de 90 y una desviación típica de 10, usando una aproximación normal
y un intervalo de celda de 10.
7-4 Se ha efectuado un ensayo de simulación de una función particular de efec-
tividad. Después de 100 ensayos se obtienen los siguientes valores:
100
2, *1= 4.500
100
2x0 = 217.500
NUMEROS ALEATORIOS
Para tiempo de
Para demanda anticipación
0,25 0,25
2 3) 4
Inversión inicial 3
Vida del proyecto 1
- Valor de salvamento 25
Ingreso bruto. 36, 65, 99, 48
Costos E 48, 82, 87, 13
Tasa efectiva de impuesto LEI IS, Ll
0,60
0,50
0,40
0,30 0,30 0,30
0,25 0,20
0,15
0,60
0,35
0,25 0,25
0,20 0,20
0,15
un equipo de dos hombres. Con un solo hombre, los tiempos para efectuar
el mantenimiento de un vehículo son 1,25; 1,50; 1,75; ó 2 horas con proba-
bilidades de 0,15; 0,25; 0,40; y 0,20 respectivamente. Con dos hombres se
requieren 0,50; 0,75; 1,00; ó 1,25 horas con probabilidades de 0,25; 0,35; 0,30;
y 0,10 respectivamente. Cada miembro del equipo recibe un pago de $4.50 por
hora y un sobresueldo de $1 por hora por equipo. Utilizando los siguientes
números aleatorios, determinar si el mantenimiento es más económico con
un solo hombre o con un equipo de dos hombres.
NUMEROS ALEATORIOS
38 46 91
89 25 45
40 20 59
02 20 66
99 78 16
37 92 34
26 34 ' 87
3
TEORIA DE COLAS O LINEAS
DE ESPERA
INTRODUCCION
De todos los conceptos tratados con las técnicas básicas de la investiga-
ción operacional, la teoría de colas aparece como la de mayor aplicación
potencial y sin embargo es quizás la más difícil de aplicar. Toda clase de
negocios, gobierno, industria, escuelas, y hospitales, grandes y pequeños,
todos tienen problemas de colas. Muchos de ellos se pueden beneficiar
de un análisis de JO para determinar las condiciones de operación de costo
mínimo (máximo rendimiento). Desafortunadamente las suposiciones
requeridas para utilizar matemáticas relativamente sencillas, con frecuen-
cia convierten el modelo en una representación muy poco ajustada a la
realidad; muchas de estas dificultades se pueden superar combinando
una buena comprensión de la teoría de colas con la imaginación.
El ejemplo clásico de una cola consta de dos elementos principales,
como se ilustra en la figura 8-1. Los clientes llegan a la cola y esperan hasta
que se les proporcione el servicio, o si el sistema está vacío, el cliente que
llega puede ser atendido inmediatamente. Después de que el servicio queda
terminado el cliente abandona el sistema.
La tasa a la cual llegan los clientes para ser atendidos se denomi-
na tasa de llegada A (lambda). Como su nombre lo indica, esta es una
tasa cuyas unidades son clientes por hora, clientes por día, etc. La tasa
a la cual la unidad de servicio puede atender al cliente se denomina tasa
de servicio uy (mu). Esta tasa tiene unidades iguales a las de A y re-
a DEFINICION DE TERMINOS 199
Sistema total
FIGURA 8-1
Elementos principales de un sistema
de colas.
DEFINICION DE TERMINOS
Los problemas de colas consisten en emparejar apropiadamente la tasa
de servicio proceso con la tasa de llegada de trabajos para realizar. Se
definen algunos términos básicos.
Cliente Unidad que llega requiriendo la realización de algún servicio.
Los clientes pueden ser personas, máquinas, partes, etc.
Cola (línea de espera) Número de clientes que esperan 'ser atendidos.
Normalmente, la cola no incluye el cliente que está siendo atendido.
Canal de servicio Es el proceso o sistema que está efectuando el
servicio para el cliente. Este puede ser simple o multicanal. El sím-
bolo k indicará el número de canales de servicio.
mente se emplea tiempo o esfuerzo extra cuando hay una cola muy
grande. Esto represerta un cambio temporal de y.
L., número esperaco en la cola número estimado de clientes que
esperan ser atendidos.
L, número esperado en el sistema Número estimado de clientes ya
sea esperando en la línea y/o siendo atendidos.
W., tiempo esperado en la cola Tiempo estimado que emplea un
cliente esperando en la línea.
W, tiempo esperado en el sistema Tiempo estimado que emplea un
cliente esperando más el que emplea siendo atendido, W:-= 1/2.
L,, número esperado en una cola no vacía El número promedio o
número estimado de clientes que esperan en la línea excluyendo
aquellos períodos en los cuales la línea está vacia. Por ejemplo, si se
toman muestras aleatoriamente contando el número de clientes en la
línea y promediando sólo aquellos valores diferentes de cero, este
debe ser equivalente a L.
W,., tiempo estimado de espera en una cola no vacía Tiempo esti-
mado que un cliente espera en una linea en el caso de que decida
esperar. Este valor es el promedio de los tiempos de espera de todos
los clientes que entran a la cola cuando el canal de servicio está
ocupado. Los clientes que llegan cuando el canal está vacio tienen un
tiempo de espera cero, y estos valores no se promedian en W,.
a
17
donde p = utilización del sistema
A = tasa de llegada, unidades/período de tiempo
u = tasa de servicio, unidades/período de tiempo
y
L= : (8-3)
u=¿2
El tiempo esperado W, en la cola, es
2
W, = : (8-4
Hu) )
El tiempo esperado W en el sistema, es
1
W = (8-5)
Mm — ¿
El número esperado L, en la cola no vacía, es
A
E, 7 - (8-6)
n=
El tiempo esperado W, en la cola para colas no vacías, es
iS
n (8-7)
H= 2
ANALISIS DE PROBLEMAS DE COLAS CON POBLACION INFINITA 203
l l ]
yE JJ k
pn=z 6-2 4 dass:
a) E
PS = (8-8)
La probabilidad P, de que una unidad que llega tenga que esperar (pro-
babilidad de que haya k o más unidades en el sistema es)
L(AF- kp
= =|-) ——P 8-9
hi Ed [PEO er (557
El número esperado L en el sistema es
L = —_—
AMA" ¿
- 8-10
ED dede)
El número esperado L, en la cola es
AMA/WPo
1 (k= 1) ku = Ay? a
A A A 8-1 1
HR
HOP 8-12
1 (k= DiUku-2y? ca
El tiempo esperado W en el sistema es
H(A/1"Po
AMP l (8-13)
E DA ATA
Tasa de Costo
servicio y, diario de
por hora arrendamiento
Máquina pequeña
(presente)
Máquina grande
EA
l
Po = = HA
TA
A Y, ANA
»=0 MN Mu) ku—A
|
A E PESA ZU)
mio) vada) 210) =5
l
es
01 (0,5) DS
+ 1 (0,5)! Vi + dB
3 (0,5) 220
15
poa 1 pP...
Dior 0540/1676 E DN
El tiempo esperado W en el sistema es
e HOP, 1
(k— 1) Uk 2? y
E 10(0,5)? (0,600) l
“Q=D"0D(0)
5? "10
= 0,107
Por tanto, el costo total diario es la suma del costo de arrendamiento más
el costo del tiempo perdido
CT = 2(5) + (8 x 5)(0,107)(3,50) = $24,98 por día
Esto indica que sería ligeramente menos costoso utilizar una máquina
más grande. Si la ventaja de colocar las dos máquinas en diferentes lu-
gares disminuye el tiempo para llegar a cada máquina, probablemente sea
mejor arrendar dos máquinas pequeñas.
EJEMPLO 8-6 Repetir el ejemplo 8-2 usando dos canales de igual ta-
maño.
(a) La probabilidad de que un camión tenga que esperar es igual a la
probabilidad P, de encontrar ya dos o más camiones en el sis-
tema.
208 TEORIA DE COLAS O LINEAS DE ESPERA
kh ¡
sinplel
lsg score qu
PS PRETIAT ay 2(3)
Pa apie 213) 2
P. | 0,50
"143 +3(0,67)26/06 — 2) —
7 EZ)
0,50 = 0,25
118 0
La probabilidad de que un camión tenga que esperar es 0,25.
(b) El tiempo de espera de un camión es
A
CENA
_ 3(3) (0,50) _ 0,042
IR) =2P
Se observa que W, es el tiempo estimado que un camión tiene que
esperar. Esta no es una probabilidad condicional como W,,: por lo, tanto
debe dividirse por la probabilidad de que un camión tenga realmente que
esperar.
W,
dada my
0,042
0,25 = 0,168
A 30/hora
5
hora p = 12/hora
El 60
DEDUCCION DEL MODELO DE CANAL SIMPLE CON POBLACION INFINITA 209
PE 2,52
PSA 2,58 25% 1,60
25
+ á 2! 3! e 4! 5 30
= 0,0801
Ad
Ps =725
$!
0, 00801
5503 =0,13
5(12)
— 30
Esto da una probabilidad de 0,13 de que un cliente tenga que esperar.
Ensayar k =
2 TNA TA ES E
P¿=1+ 25 + 91 dE a a” 51 +5125 75
= 1 2,5 6 q2
Pe 651 72
008162 = 0,047
Número de
Número de unidades en
unidades en Número de Número de el tiempo
el tiempo t llegadas servicios t+At
PADA —2AD0)
Despejar P; (t):
(recién deducida)
DEDUCCION DEL MODELO DE CANAL sIMPLE CON POBLACION INFINITA 213
de
Pero
A
En forma general esto se expresa como
y?
y
ys
Y EAS AN$
y
Pi (7 (8-14)
mM
pe dt (8-15)
TÍ
Puesto que
AN
p,=Po[;)
ye
1
Po =1--
214 TEORIA DE COLAS O LINEAS DE ESPERA
0) co
se tiene
i
Esto completa el paso 1. Sigue el paso 2.
El número esperado L de unidades en el sistema se obtiene utilizando
la definición de valor esperado.
Je = »P, (8-18)
2 Ao AN AN AN Ay
= ( 5) [o(2) + 1(£) + 2(*) + 3(5) + a(7) + dei (8-19)
u)L Nu y m m y
Esta es una serie infinita. Si fuera posible reagruparla como una serie
geométrica, su evaluación sería sencilla. Por tanto primero se evalúa la
serie entre paréntesis. Sea
E PA Ay?
y=0+2 +22) +3(7) +. (8-20)
Y mr mí
Una serie geométrica tiene la forma 1+ x + x2+ x3>+ --- donde |x| < 1.
Por tanto la expresión de y debe trasformarse para convertirla en una ex-
presión de forma geométrica.
Multiplicando ambos lados por A/u:
Restando
A
las dos ecuaciones término a término
e
RH p60H
A el A 2 2) Z 3 3
4 a]>>
up mm y m m
Aldo)
A+ AN?
AAA]
DEDUCCION DEL MODELO DE CANAL SIMPLE CON POBLACION INFINITA 215
Puesto que A< yu, |A/u| < 1, y esta expresión es casi una serie gedmé-
trica. Para completar la conversión se suma 1 a cada lado.
A A ANS MANE CLAN
rd le) + (2) + (2) ei (8-23)
17 p Xu Y 17
La serie de la derecha es una serie geométrica convergente cuya suma es
1/(1 — A/u). Sustituyendo este valor y despejando y se obtiene
»! l
y hp 8-24
y . l —4/p na
xl a. 1
prop
l l Al
(8-25)
A
W - : (8-5)
2 M2
Debe pensarse en esto. Si en promedio hubiera siempre 10 unidades en el
sistema y llegaran a una tasa de 5 por hora, deberían permanecer 10/5 ó
2 horas para mantener el número esperado en el sistema. Expresado de
otra manera,
Número esperado en el sistema = tiempo esperado en el sistema
X tasa de llegada
número esperado en el sistema
Tiempo esperado en el sistema = Noel de TEGRAZ
216 TEORIA DE COLAS O LINEAS DE ESPERA
l
Ms
pl
A 2
gnaicastby
sollly ases Hsabwij (8-4)
u=4 p. uu=40 .Mu—=0/%0 Mu ñ4)
El número esperado Ly en la cola es
IA y
ON
_ pd Au 4) p—4u +2?
u(u — 4) u(u — 2)
As (8-2)
ZM
u(u — 4)
La == E 75 pa
dl 7
tia (8-6)
El tiempo estimado W, de espera en una cola no vacía es
P = mid Ye (8-28
A d 9
El número esperado L de clientes en el sistema es
l
Apo | M! =): a M! AAA
pa (8-31)
no UM=NM!n! ( | e TA (2)|
M! AN
pr
P. =P.
———— (2)
|- donde 0<n<k (8-32)
pr M! Lx”
n= “MMDIKIkO (-) dondek<n<M (8-33)
COLA MULTICANAL, POBLACION FINITA 219
n=k
Ahora se calcula Po
pl
P,=
1
1 + 4(0,2) + 4(3)(0,2)? + 4(3) (2) (0,2)? + 4(3) (2) (1) (0,2)*
= 0,4
220 TEORIA DE COLAs O LINEAs DE ESPERA
; or iris ma
(c) Comparar con el caso en el cual dos mecánicos atienden dos má-
quinas cada uno. Ahora M = 2. Determinar Po.
l
Po MEC
0,1
es Eal 0,5 )]
IA AAA A A
19:1:412(01/9)3821)40,2)21, 81 11148
= 0,68
Esto supone que cada mecánico y sus dos máquinas constituye un siste-
ma separado independiente. El número esperado de máquinas en el sis-
tema (por mecánico) es
0,5
Puesto que 228 > 160 + 50, no se justifica emplear dos hombres.
1
TA FT 01 y
To
l
P ERE AAA
qe ES M! (1)
n=o AM —m!
É
VENTE cr (DE cd a 4% a)
a o ll +=) e
= 0,647
Sea M = 5.
E EE
Or 0
+ 51bi 5!0 BR 5!0,0 + GAO
Qs. 51. 5!“
= 0.564
Esto es correcto; ensayar M = 6
Po= 570,10 + É,
6!014 6!
50,12 + 550,12 + 6!50,1% + é0,15
6!
+ So,10
= 0,485 demasiado pequeño
M = 5 da lugar al máximo tamaño de población con Po > 0,5.
LEMA POE
ye
Para M = 5, Po = 0,564 y
n=M
(ahy =D (n —k)P,
M! y
n=k
En A da | ) k<n<M
224 TEORIA DE COLAS O LINEAS DE ESPERA
E e alEU) EE A NE TU a (US
= 0+ 0,24 + 0,24(2) + 0,16(3) + 0,05(4)
VA
(b) El tiempo total perdido por día es el número esperado en la cola
L¿ multiplicado por el número de horas por día.
Tiempo perdido por día = 8(1,4) = 11,2 horas/día
Cuando se efectúan muchos cálculos sin utilizar el computador, es
conveniente referirse al conjunto de tablas publicadas por Peck y Hazel-
wood,! hechas para diferentes valores de —1/u, M y R. Haciendo
referencia a las condiciones iniciales apropiadas se busca por ejemplo el
valor calculado de Po. Esto reduce considerablemente los cálculos ma-
nuales. Otras monografías presentan una información semejante en forma
gráfica en lugar de tablas?. Algunas veces las gráficas son más conve-
nientes porque presentan la información en forma continua.
Llegada Llegada
l |
Intervalo Intervalo
de tiempo de tiempo
FIGURA 8-2 | |
Especificación del tiempo de un paso Terminación Terminación
de una cadena de Markov. del servicio del servicio
Número de camiones
que llegan en Probabilidad
1 hora de ocurrencia
0 0,6
1 0,3
2 0,1
Como se indica en este esquema, esto supone que las llegadas ocu-
rren al comienzo de cada período. Por tanto, si la cola está previamente
vacía, una llegada puede ser atendida durante ese período. Se supone
que el servicio se completa al final de un período. El siguiente paso es for-
mular los términos p,, que forman la matriz de transición.
Poo = 0,78
Po1 Ninguno allí, una llegada, no hay servicio = 0,3(0,4) 0,12
Ninguno allí, dos llegadas, un servicio = 0,1(0,6) 0,06
Po1= 0,18
Po2 Ninguno allí, dos llegadas, no hay servicio = 0,1(0,4) Pos = 0,04
Po3 No es posible
Verificar )',p,, = 1= 0,78 + 0,18 + 0,04 +0 = 1,00
Correcto
Pro Uno allí, no hay llegadas, un servicio = 0,6(0,6) Pio= 0,36
1 Uno allí, no hay llegadas, no hay servicio = 0,6(0,4) 0,24
Uno allí, una llegada, un servicio = 0,3(0,6) 0,18
Pr1= 0,42
Pr2 Uno allí, una llegada, no hay servicio = 0,3(0,4) 0,12
Uno allí, dos llegadas, un servicio = 0,1(0,6) 0,06
P12= 0,18
P13 Uno allí, dos llegadas, no hay servicio = 0,1(0,4) P13= 0,04
P20 No es posible Pao = Ú
Pz1 Dos allí, no hay llegadas, un servicio = 0,6(0,6) P21= 0,36
P22 Dos allí, no hay llegadas, no hay servicio = 0,6(0,4) 0,24
Dos allí, una o dos* llegadas, un servicio — 0,4(0,6) 0,24
P22= 0,48
P23 Dos allí, una o dos* llegadas, no hay servicio = 0,4(0,4)| p>23= 0,16
ER No es posible P30=
P31 No es posible Das =
P32 Tres allí, un serviciox* P32 = 0,60
P3a Tres allí, no hay serviciox P33= 0,40
* Se observa que si hay más llegadas que las que puede contener el sistema, este
se llena y las demás llegadas deben devolverse.
0 1 7) ES
0,78 0,18 0,04 0
0,36 0,42 0,18 0,04
0 0,36 0,48 0,16
ON)
SS
O A 061 04
NOTAS 227
NOTAS
1 Deducción del modelo multicanal con población infinita
Sea
n = número de clientes en el sistema
P, = probabilidad de hallar n clientes en el sistema
ES
k = número de canales
A= tasa de llegada de clientes
y = tasa de servicio de un canal individual
d=BA0> MA?)
B=PX00 —AArYMu Ar)
Sumando se obtiene
Po(t + At) = PALA — AA) + PLA — AA) Ar)
=P. —PoA At + Pp At
A
P, =Po —=
p
Á B C
0
P¿(1— AAN Au A)=P,(1—AANyAh? (8-36)
NOTAS 229
P¿Qu At
— 24 At?) =P, —P(1—AAAr
t—+ A At?)
— PolA Ar)
P2(2Qu At) =P, —P, + PLA At + Pp At — Poh At
A+uAar_, A Ar
P, =P, 2p Af *2u Ar
A+p A
ir == (8-38)
pp,
A
(8-39)
PS A
n=2,3,...,k
nu nu (8-40)
PnA(t) = A+ B+C
P, =Pr(1 — AAA — 2 At) + Pass(1— y AN Qu At)
A S » Rx A ———Á
A B
+ Pr (AAA — 2p At) (8-41)
(E
0 0
0
+ Pa-¡(0Ar— 24A AÍ%)
Pr+i A n>2 (8-42)
24 2u
A
A kp A,
ku
(8-43)
A
P, =-—Po
p
E (EL- 1)(7
2pA p 2 Xu
A+2 EA
P;= a 3 P;
E Ad, A: (2
prop] 3 QA
Por tanto
AH pa A
Pn ==ku nt aEE OS 2 ñ >k 37 1 (8-45)
== A
po fl DE apiieaoló
uo, $09 aolpaBiosse (8-46)
nu nu
Sea n = k.
AE (ki
=1 A
P, Pr =P
A+(k—=Du 1 AE A 1 AY *=2
———_—— - Por an Ps
ku (==! Xp ku (k — 2)! Yu
Po (AY [A DA,
K(k
— 2) Xu pk 1)
PO
«e—2DNu) M=D ku (8-47)
Sea n=kRk=w 1.
Paya
ki Xu) ku
24 Po A k+1
(8-48)
—ktk Xp
NOTAS 231
Sea n= k + 2.
A+k A
Pira A a =P
_ A+ ku Po A AY
a k!k kpk! Xu
ña k+1 E
E p 20
A k+1 1 A1 Po A k+2
.(3 kk pk ide 0 pd
=P — Errar —
Por tanto
ye 1 AY"
"a+ m Po n>k (8-50)
Er=1 (6:51)
La suma de todas las probabilidades posibles debe ser igual a 1. Se recuerda que
P, se expresa para dos casos, n< k-— 1 y n> kk.
=% Po A S 1
n=k-= 1 1 A n
E (5 nl > (8-25)
nes ha(7)po |+2,
1 ÉS A ñ 1
n=k-= 1 1 A n
(8-53)
Pa q.S a (7)lez 2, (2) |) an
El segundo término entre corchetes es una serie infinita. Esto requiere ser ex-
presado como un límite. Para facilitar la notación sea x = A/n.
y=Y xy Le (8-54)
n=k
A
k k+1 k+2
x
k
Ahora, x/k es menor que 1 ya que x/k = A/ku< 1. Por lo tanto esta es una
serie infinita convergente con límite conocido
MS sx
SAAX E
AA x* A
TZ ELO E=z
Sustituyendo x = A/u
HOY N_N
k—=Mp
(ku Alu ku—A pe
1
PO e T A n se LE A k kp
(8-58)
L = APA
n=0
y A n=0 n A FS
n=k-1
ri li) sd
a
n=00 nA n=00 n A n
A
n=00 n A
A fora
p
- El tiempo esperado W, en la cola es
es py Po
A
NOTAS 233
= W, — Ñ
p
ES pAyWyPo A
DU y (8-13)
A B
+ Pa¡(M—n— DAA — At) (8-60)
——___—_A—_—_—_——>
€
P, =P,
— P.(M — n)A At
— Pap At + Prsip At+ Pa-¡(M—n-+ DA Ar
n=05Po='Py
n=1:P, =Pom ()
p
- A
H=SZ2 O PES Bs [2 +1] — PAM-—1+1)-
p p
Pero
A
P, =P.M-
p
=»im|
MA 1]
p p
AN?
>
5 Po MM 1% = Poy M(M — 1) (3
p p p
Y se puede demostrar que
M! (A 8-28
= Po, |- go
ala
Ahora se determina Poy en función de M, A y u.
n=M n=M M! AN n
= de E
2» Er ()
Ahora se despeja Po
1
Po ==
¡A ¡A (8-27)
=0 (M 2 n)! p
REFERENCIAS
PROBLEMAS
8-12 El concreto para ser vertido es trasportado en carretillas por obreros. Un obre-
ro supervisa el vaciado y se asegura de que quede bien asentado y pulido. El
costo de un supervisor es de $8 por hora; los obreros cuestan $5 por hora.
Para efectos de cálculo, se supone que una determinada carretilla se entrega
cada 15 minutos y que la distribución de este tiempo es exponencial. El su-
pervisor requiere un promedio de 6 minutos para manipular una carga de ce-
mento. Si este tiempo también tiene una distribución exponencial, ¿cuántos
obreros deben emplearse?
8-13 Un químico ensaya diversos productos de diferentes unidades de una refine-
ría. Este tiempo y el equipo tienen un costo de $18 por hora. El puede realizar
tres ensayos por hora, pero esta tasa varía y puede describirse mediante una
distribución de Poisson. Una unidad en operación tiene un tiempo medio en-
tre requerimientos de ensayos de 2 horas con una distribución exponencial
de tiempos. Cuando la muestra requiere más de 1 hora, la utilización adicio-
nal del equipo de ensayos cuesta $100. Seis unidades funcionan continua-
mente. ¿Cuántos químicos deben emplearse?
8-14 Se reciben pagos con tarjetas de crédito a una tasa de 800 por día con una
variación que aproximadamente es Poisson. Una persona puede procesar
aproximadamente 300 tarjetas en un día de 8 horas. Hacer una representa-
ción gráfica del tiempo medio entre llegadas y procesamiento completo, en
función del número de personas utilizadas.
8-15 El aforador de un campo petrolero mide la cantidad de petróleo de un tanque
y luego lo bombea por un oleoducto. Se requieren 30 minutos para efectuar el
trabajo necesario incluyendo el tiempo de recorrido entre tanques. A causa
de otras labores, el aforador sólo dispone de 7 horas para este trabajo. Como
aproximación se supone que cada grupo de tanques requiere cerca de 3 días
después de quedar vacío para ser llenado y entrar nuevamente en servicio.
El número esperado de grupos que esperan debe ser aproximadamente igual
a la tasa promedio de servicio (7 0,5 = 14 por día). ¿Cuántos grupos de
tanques se deben asignar al aforador? a
8-16 Un camión de reparaciones a domicilio y su mecánico atienden máquinas
agrícolas. El tiempo promedio de viaje más servicio es 2 horas/máquina.
El tiempo medio entre requerimientos de servicio es 4 días. Cuando se re-
quiere servicio, el costo ocasionado por la paralización de la máquina es de
$25 por hora. El mecánico y el camión tienen un costo de $8 por hora. ¿Cuán-
tas máquinas agrícolas debe atender para minimizar los costos?
8-17 Un estudio muestra que el número de clientes que están en el momento ocu-
pando la estación afecta la probabilidad de una nueva llegada. Si se supone
que la posibilidad de servicio es 0;6, formular este problema como una cadena
Número en Probabilidad de la
la estación siguiente llegada
0 0,4
1 0,3
2) 0,2
3 0,05
4 0
PROBLEMAS 237
INTRODUCCION
Algunas técnicas de análisis de sensibilidad pueden aumentar considera-
blemente la utilidad y aplicabilidad de muchos modelos de 70. El análisis
de sensibilidad ayuda en dos formas: (1) indicando la necesidad de la
exactitud de los datos y del modelo que se utiliza y (2) informando al ad-
ministrador cuanto puede desviarse de la solución óptima antes de que
puedan causarse costos excesivos. En la práctica real, los datos para el
análisis ordinariamente son escasos y frecuentemente tienen una validez
objetable. Como ejemplo, los datos del costo de almacenamiento de inven-
tarios, las tasas de futuras demandas o las tasas de llegada, los costos de
operación en períodos futuros de tiempo, y otros semejantes, casi siem-
pre son combinaciones de valores estimados y datos históricos prome-
diados. El análisis de sensibilidad permite al investigador determinar
cuales datos son más importantes y en consecuencia cuales deben deter-
minarse con mayor exactitud. Cuando se puede hacer un estimativo del
costo de mejorar la exactitud del costo de una variable, el análisis de sen-
sibilidad puede emplearse para determinar la factibilidad económica
del trabajo adicional.
En la práctica generalmente es imposible valorar completamente to-
das las variables que contribuyen a la función objetivo. En consecuencia,
deben hacerse suposiciones que simplifiquen y provean un modelo de de-
CONCEPTOS Basicos 239
|
Objetivo
FIGURA 9-1
Curvas de costo total.
Vanable de decisión
CONCEPTOS BASICOS
La función objetivo es una expresión cuantitativa de los valores que de-
ben optimizarse. Puede ser deseable minimizar (costo total, tiempo ocioso,
mano de obra) o maximizar (ganancias o ingresos, producción, etc.) esta
función, generalmente mediante diferenciación. Ordinariamente, como se
ilustra en la figura 9-1, esta función objetivo es una combinación de tér-
minos crecientes y decrecientes. Para propósitos de estudio, puede usar-
se el modelo del tamaño del lote de inventario para ilustrar los conceptos
del análisis de sensibilidad de funciones continuas.
240 ANALISIS DE SENSIBILIDAD DE FUNCIONES CONTINUAS
El modelo CEP determina el valor del tamaño del lote que ocasiona
el mínimo costo variable total (CVT.,). Cualquier otro valor de la variable
de decisión (tamaño del lote) ocasionará un incremento del CVT. En este
“método de análisis la ecuación del costo incluye solamente aquellos com-
ponentes del costo que son función de la variable de decisión. Esto signi-
fica que la comparación se basa únicamente en los costos que pueden ser
influidos por decisiones de. tipo administrativo, o sea, selecciones de la
variable de decisión.
Para comparación, se define una medida de sensibilidad mediante la
relación CVT/CVT., donde CVT es el costo variable total realmente
causado y CVT, es el costo mínimo obtenido con el valor óptimo de la
variable de decisión, en este caso Q,. Por tanto la relación de sensibili-
dad k se define como
A EVE a
=CVT, 5.000 Lea
Sik = 1,02 y CVT, = $6.000, ¿cuál será el valor real del CVT?
si EUE
CvT,
CVT =k(CVT, )= 1,02(6.000) + $6.120
CONCEPTOS Basicos 241
Desviación
permisible
total,
Costo
Y
SS |
| Intervalo
Costo
de operación
FIGURA 9-2 O
Intervalo de operación con baseen una
desviación permisible del costo. Xx xo Xn
Variable de decisión, Xx>
O=w0,, w=>—=9
0,
580
w= 600 = 0,97
Si el tamaño del lote real debe estar dentro del 10 por ciento del va-
lor óptimo, ¿qué intervalo de valores puede tener (Q?
la variable de decisión con ese JAO ocasionará un CVT que está dentro
del 1 por ciento del mínimo.
t
HC >
A O
b
a
Xy =
= a 9-5
(9-5)
snpá b?a
sad EN de
= ab +. /ab
=2,/ab
Si se utiliza cualquier otro valor de x, el CVT tendrá un valor mayor. Utili-
zando la técnica anterior, sea x = wxo, donde w es una fracción decimal
FORMULACION GENERAL, CVT=ax+b/x 243
E Br
x
= a(wx,) +
WXo
b
=aw
Jo w,/bla
/-
a
la?b me
PO
a wWV b
A
w,/ ab a oy ab
ablaa (»+-)
e (9-7)
El efecto de esta desviación del CVT puede expresarse mediante la rela-
ción de sensibilidad CVT/CVT, , k,
4 ÓN Jab(w + 1/11)
EXT, 2,/ab
Este resultado se obtiene en todos los casos en los cuales la función ob-
jetivo está compuesta de un término lineal creciente y un término hiperbó-
C,0 alCD
CVT =
2 0
Esto puede expresarse en forma general mediante las siguientes sustitu-
ciones. Sea
x*=0
Ae2
b=C,D
CUE
Si x
C, = $50
D = 15.000 unidades/año
C, 1,50
E ir o
b ¿
o No= 1.000 unidades = O,
LE 71 (E+0) (9-9)
Despejando w en función de k
Í
2k =—+w
m
2kw = 1 + w?
w?—2kw+1=0 (9-10)
donde ay +by+c=0
246 ANALISIS DE SENSIBILIDAD DE FUNCIONES CONTINUAS
A AA
Xo
EJEMPLO 9-3 En el ejemplo del tamaño económico del lote, hallar el JAO
para un incremento permisible del CVT de 1 por ciento.
CVT =1,01CV1,
cv,
A
Según el ejemplo 9-2, O, = 1,000.
O = 0, (1,01 + /1,012—1)
= 1.000(1,01 + 0,142)
O opera == MISZ
r= (9-17)
a
e (9-18)
LA b/a
A
a
w= he =./0,9 = 0,949
a
w=./1,1= 1,049
Verificar estos dos valores de CVT/CVT, :
EWipueúo parón
UTA E LES 0,949)a
COVE
CVT, 9 ( + 1,1)= 1,005
Por consiguiente el máximo incremento del costo a partir de los datos in-
correctos podría ser 0,5 por ciento. Si este costo es menor que el costo de
obtención de datos más exactos, deben emplearse los estimativos presen-
tes. En el caso contrario deben obtenerse datos más exactos. 1111
CVT ==
619 ,C€,D
E
ai e
C,
u = —
Z
CVvT
CVT. = 1,002= k
w=k+./k?
—1
a
w= =
a
e =
a
a
y E 1,065? ES 1,134
a
—= = 0,9392 = 0,882
a
C; Al
AT
Ci/Z..a
Cia sr
C, q a
b n>0
CVT =P
=a +—,
day E 9-
(9-20)
aACcYvri_. 1 bm
TA DREA (9-21)
bm
anx""? 1 =U
+1
ao Ab qa +
=0
anx”"*" = bm
1/(m+n)
Xx, = (2) (9-22)
an
250 ANALISIS DE SENSIBILIDAD DE FUNCIONES CONTINUAS
CVT =a(wx,) +
(mojo
bm 1/(m+n)qn b
= al»ha a/a e
—
(m/ny"+" + 1
=q ¿m(m+mpn/(m+n)
b Jay mE ES
(9-25)
. b Ae
MASON A ES e 2 ab
A O
b 3
Y ax X= qa IDR
Y ax ud
SAN
h ys
Y =a (+) 1,741(ab?)'!*
A 3a
b b 1/6
« ax a;
Y -- $ (-)
db 3
JéS ax +: y 5 tabY
1/(m + m) a mín +1
Pa ha ce A
bs
na URNA
FORMULACION GENERAL, CVT=Ax"+bx7 251
Empleando estas dos expresiones del CVT y CVT, , puede evaluarse y sim-
plificarse el término de sensibilidad k
Según la tabla 9,3 esta función se puede representar mediante una ecua-
ción general de la forma
ur
Y' =ax"
etA
+ ym
1 $1.000
2 2.300
3 3.740
4 5.270
5 6.910
6 8.600
7 10.350
952 —ANALIsIS DE SENSIBILIDAD DE FUNCIONES CONTINUAS
E 1.0001?” 30.0001?/=2 |
1/1,2+1
A
= $12.677
Desviación u Desviación u
a partir del Costo a partir del Costo
óptimo ., aumentado k óptimo x, aumentado k
0,1550 0,0108
0,70 0,0756 0,0202
0,80 0,0291 0,0422
0,83 0,0208 0,0700
0,90 0,0065 0,1027
0
PROBLEMAS 253
REFERENCIAS
1 Abouel-Nour, Abdel-Razek A., y James E. Shamblin: Sensitivity Anal.
of Con-
tinuous Functions, AJIE Trans., Marzo 1971, págs. 1-6.
2 Disney, R. L.: Some Comments of the Control of Inventories, Eng. Econ.,
vol. 7,
no. 3 (1962).
3 Naddor, E.: “Inventory Systems,” John Wiley 8 Sons, Inc., Nueva York,
1966.
4 Rutenberg, Y. H.: Calculation of Economic Order Quantities Using Ranges
of
Set-up Cost, J. Ind. Eng., enero-febrero 1964.
5 Solomon, M. J.: The Use of an Economic Lot Range in Scheduling Production,
Manage. Sci., julio 1959.
6 Withycombe, R.: Deviation from the Economic Order Quantity, J. Ind.
Eng.,
enero-febrero 1963.
PROBLEMAS
9-1 Se encuentra que la ecuación del costo para una fase de operación es
CVT =C,Vx>
pipes7
2C,D
E E
Hallar los tamaños máximo y mínimo del lote que no aumentan el CVT por
encima del 1 por ciento (el IAO).
9-4 En el problema 9-3 es difícil estimar correctamente el valor de la demanda D.
(a) Si este valor estimado hubiera sido 10 por ciento alto, ¿qué aumento ha-
bría ocasionado esto en el CVT total?
(b) ¿Qué tan grande puede ser el error del valor estimado de la demanda sin
que el CVT aumente por encima del 1 por ciento?
(c) Los procedimientos revisados de contabilidad y un nuevo análisis per-
miten estimar un mejor valor de Cz. Actualmente este valor puede te-
254 ANALISIS DE SENSIBILIDAD DE FUNCIONES CONTINUAS
ner un error tan grande como 25 por ciento. Un nuevo estudio disminui-
ría la posibilidad de error hasta 5 por ciento pero costaría $300 y sería vá-
lido para 2 años. ¿Debe hacerse esto?
“9-5 El rendimiento de una máquina varía directamente con su rapidez de opera-
ción, sin embargo los costos de mantenimiento también aumentan a medida
que aumenta la rapidez de la operación. Los costos de mano de obra realiza-
da por el operario son constantes e iguales a $6 por hora. La producción típi-
ca es 10 unidades/hora, los costos de operación y mantenimiento son $1
por hora. A medida que la producción aumenta, lo costos de operación y de
mantenimiento aumentan en función del cuadro de la tasa de producción.
(a) ¿Cuál es la tasa de producción que minimiza el CVT en función del cos-
to en pesos/unidad?
(b) ¿Cuál sería este valor si los costos por concepto de sueldos fueran aumen-
tados en 10 por ciento?
(c) ¿Cuál es la máxima tasa de producción que no aumenta el CVT por en-
cima del 5 por ciento?
9-6 En un estudio de computador se ha analizado la posibilidad de poseer y ope-
rar un determinado equipo. A medida que pasa el tiempo los costos direc-
tos de operación y mantenimiento aumentan y por consiguiente el equipo se
hace económicamente menos conveniente debido a que se producen modelos
más recientes y más eficientes. El costo promedio incluyendo la depreciación
es aproximadamente igual a ;
I
Costo promedio = pd CVn
pre0s k
Costo = —— + —=
dela E dd
donde T = temperatura, *F
P presión, 1b/pul?
k = constante empírica = 60
Para permitir una operación satisfactoria del resto de equipo la presión debe
mantenerse en 35 lb/pul?.
PROBLEMAS 255
b
Y =ax" +=
x
discutir qué propiedades la harán más importante para estimar a y b correc-
tamente.
9-10 Fijar a = 1 y b = 100 y representar gráficamente la ecuación del problema
9-9 para diversos valores de n = 1, 2, 3 con m = 1 y repetir con m = 1, 2, 3
para n = 1. Discutir el efecto del valor de m y/o n en la sensibilidad. ¿Cuál
tiene el efecto más grande en el lado izquierdo (o derecho) de la curva? En
general, si al establecer un mejor valor de x, se hiciera una suposición inco-
rrecta, ¿sería mejor suponer por encima o por debajo?
INTRODUCCION
La programación lineal es un medio matemático que permite
asignar una
cantidad fija de recursos a la satisfacción de varias demandas
en tal forma
que mientras se optimiza algún objetivo se satisfacen
otras condiciones
definidas. Quizás esto se ilustra mejor mediante un
ejemplo sencillo. Se
puede suponer que una compañía manufacturera fabrica
dos productos 1
y 2 y que es lo suficientemente afortunada como
para vender todo lo que
puede producir actualmente. Como se indica en
la tabla 10-1, cada pro-
ducto requiere un tiempo de manufacturación
en los tres departamentos.
En la tabla 10-2 se indica el hecho de que cada
departamento tiene actual-
mente una cantidad fija de horas-hombre disponi
bles por semana. El
problema consiste en decidir qué cantidad de
cada producto debe manu-
facturarse con el objeto de hacer el mejor empleo
de los medios limitados
de producción. Si se conociera la ganancia
por unidad esto se haría con
el propósito de maximizar la ganancia. Se supone
que la ganancia por ca-
da unidad de producto 1 es $1 y de producto
2 es $1,50. En realidad, la
administración debe asignar los recursos
fijos (tiempo de manufactura
en cada departamento) con el propósito de optimiz
ar algún objetivo (maxi-
mizar la ganancia) y satisfacer algunas
otras condiciones definidas (no
exceder las capacidades de trabajo por departamento).
INTRODUCCION 257
Producto
1
258 PROGRAMACION LINEAL
sujeta a
o maximizar
sujeta a
qu
AX =b
donde ¿ es un vector fila y x y h son vectores columna. A representa una
matriz m X n. Para verificar este método de notación el lector debe ex-
pandir un caso sencillo expresado por medio de esta notación.
EJEMPLO 10-1 Sean =2ym= 3 ;
24 C;X; = CiXy Sh Ca X
JA
a DATA O 3
73%
411X1 + 412X2<b,
071X¡ + 42,X2<bD,
411 41, by
Xy
421 022 < |Db,
X2
431 432 b,
011X, + 012X) b;
0731X, + 422Xx2| < |b,
125
100
75
FIGURA 10-2
Representación gráfica de la combinación
de tres restricciones
INTERPRETACION GRAFICA
Si el problema se restringe únicamente a 2 variables es posible represen-
tarlo (y resolverlo) gráficamente. Esto proporciona una mejor comprensión
del problema y facilita la interpretación de algunos pasos y resultados.
Realmente cada restricción define un área que contiene un número infini-
to de puntos, la cual no excede la desigualdad de restricción. La figura
10-1 a hasta c ilustra las tres restricciones utilizadas en el problema de
ejemplo. La combinación de estas tres en una figura (Fig. 10-2) define el
área aceptable o factible para una respuesta. Cualesquiera valores no ne-
gativos de x; y x2 que puedan estar dentro del área limitada por estas
150
FIGURA 10-3
Representación gráfica de la función 150
objetivo 2.
262 PROGRAMACION LINEAL
X2 40
150
100
X1 + 2x) =120
X2
A + 1,5x, = 100
A A
FIGURA 10-4 ó S
Solución gráfica del problema 50 100 150
de maximización. Xx]
INTERPRETACION GRAFICA 263
AE O DS
ASA
Xx1
264 PROGRAMACION LINEAL
SOLUCION
x=15 x,=5 2=55 1111
SOLUCION ALGEBRAICA
La importancia del último concepto discutido en la sección anterior, es
que la intersección de dos líneas es un punto y puede resolverse por medios
algebraicos. Análogamente la intersección, de tres planos es un punto y
también puede resolverse por medio de ecuaciones simultáneas. Puesto
que las restricciones, tal como se expresan, no son ecuaciones sino des-
igualdades, primero es necesario modificarlas con el propósito de expre-
sarlas como ecuaciones. Esto se efectúa agregando a cada restricción un
término adicional denominado variable de holgura. De una manera carac-
terística la variable de holgura se representa por el término u,, el sub-
índice se refiere a la ¡-ésima restricción, ya que para cada restricción se
utiliza una variable de holgura diferente.
En la primera desigualdad empleada en el problema de ejemplo
2x, + 2x3 < 160 (10-3)
e SO: 20
2x, + 2x, = 2(50) + 2(20) = 140
140 < 160 aún es verdadera
Añadir u, al lado izquierdo y convertir la expresión en una igualdad.
140 + u, = 160
Por lo tanto, en este caso
u, =20
Por consiguiente la variable de holgura representa el valor no negativo
requerido para hacer que exista la igualdad. En esta forma las tres res-
tricciones representadas como desigualdades se convierten en igualdades.
e 71 =U,=0
Xx2
FIGURA 10-5
Puntos de las soluciones posibles.
Ox, + Ox, + lu = 40
lo) x, =40
x =40
FIGURA 10-6
Puntos de las intersecciones factibles.
PUNTOa x,=x,=0:
u, = 160
uz= 120
uz
= 280
PUNTOD5D' x;¡=u,=0:
x2
= 60
u, =40
u, = 160
z = 1(0) + 60(1,5) = 90
x,=%40
uy =40
PUNTOd u,=4u,=0:
y =00
: xa =20
ñ uz = 20
z = 1(60) + 1,5(20) = 90
PUNTOe x,=u,=0:
Xy = 70
uy =20
US =50
(o)
bNN
tu
—
===% Je ANTES =
ATAR =A 'b
IX> Il AG =
Ab
Por lo tanto debe obtenerse A-!. Esto se hace como se indica.
2 2 M0 10.0
PAZ O Os"P"0
Ae 2 Or 1
SOLUCION ALGEBRAICA 269
1.10 N0L 0
t 2 00
4 2 1 0550. +
1 ] 0 0 0
0 1 0 $ FPS
0 -2 l e n=
ho
nia A
0) Xx, =40
NX) == 40
O
x, + 3x2 <45
—3x, + 5x, < 60
En primer lugar se obtienen igualdades añadiendo variables de holgura.
Xx; +x2+u,=20
Ki + uy 2115
Xx, + 3x,+3=45
—3x, + 5x2 + 44 =60
Ahora hay seis variables x,, x2, us, Uz,: Us, Y. Us.
Puesto que solamente hay cuatro ecuaciones, por lo menos 6-4 (nú-
mero de variables menos número de restricciones) deben ser cero. Esto
da 15 (6!/4!2!), combinaciones posibles, algunas de las cuales pueden
no ser factibles. Para efectos de ilustración todas se tabulan aquí.
SOLUCION
u, =20 u,=15 uz =45 uy
= 60
z =3(0) + 2(0) =0
CASO 2 Suponer x, = u, =0.
SOLUCION
== PAN, us =15 uz=-15 Uy = —40
CASO 4 Suponer x, = uz = 0.
SOLUCION
CASO 5 x;¡=uu4=0.
SOLUCION
x2 =12 u, =8 uy =15 uz =9
7=0
+ 2(12) = 24
SOLUCION
CASOT7 x2=u2=0
SOLUCION
x=15 up=5 us 30 Uy
= 105
z =3(15)
+ 2(0) = 45
CASO8 x2=u3z=0.
SOLUCION
x,=45. u=-25 .4uy=-30 u¿=195 no es factible
CASO 9. x3 = Us = 0.
SOLUCION
x, = -20 u, =40 1 ="35 u,=65n0 es factible
CASO 10 u| = Uy = 0.
SOLUCION
Xy ='15 X2=5 43 =15) u, = 80
z = 3(15) + 2(5) = 55 máximo valor de 2
SOLUCION
CASO 12 ul = Us = O.
SOLUCION
CASO 14 us = us =0.
SOLUCION
ela Y =21 u, = -16 u¿=-—33 no es factible
SOLUCION
1 =3% == d8 7 4 =24 tU
2= 343%) + 2(1313) = 37,5
La solución factible máxima x, = 15, x2=5,
2= 55 puede verifi-
carse en la solución gráfica presentada en la figura
10-4.
() 2x,+2x,+u, =160
(1D tds + mo 120
(3) 4x, + 2x2 + uz = 280
se obtiene la matriz
Matriz la
Xi X2 Uy uz uz - b
2 OO 160
da 200 120
4 2 0501 280
Como se puede observar, los valores insertados proceden de las tres ecua-
ciones de restricción (1) a (3). La separación vertical entre la última co-
lumna de variables (uz) y la columna de constantes (b) puede conside-
rarse como representación del signo de igualdad. Por consiguiente, dentro
de la matriz cualquier fila puede leerse como una ecuación. Por ejemplo, la
fila 2 se puede leer
Xx + 2x2 + us =120
lu, =160
lu, = 120
luz = 280
Se observa que estas tres variables de la matriz forman una matriz iden-
tidad. Las variables representadas por las columnas que componen esta
matriz identidad se dice que están en la solución mientras que las demás
son cero. Las variables en la solución también se denominan frecuente-
mente variables básicas mientras que aquellas que no están en la solu-
ción, o sea, las que son iguales a cero, se denominan variables no básicas.
Matriz b
Xi X2 Un UU b
O) A 10.0 160
QpT 2 0.1.0 129
g4 2 0-07 1 280
Lilo 030:0 0
como se indica en la matriz 1b. Se observa que para los valores supuestos
de x,=0 y x2=0, z es igual a cero.
Realmente, en una ecuación lineal, estos coeficientes son las deriva-
das parciales de la función z.
Ea
0
OXy du; 0uz
0
ess edo
0X> 0u»
JS: —2x
COMPUTACION SIMPLEX (MAXIMIZACION) 275
23
$
e E
=
FIGURA 10-7a FIGURA 10-7b
y =3X1 —Xx2+3
dy 3 y 0
DE Ohne
Se supone x,=0
1S0 (c)
A
pe mA 2x) = 280
(b)
100 x,=80
SO 100 150
Xx]
FIGURA 10-8
Restricciones limitantes
Xi xa uy uz uz b
2 Z 1 0 0 160
4 1 0 J 0 60
4 1 0 0 1 280
1 15 0 0 0 0
Se efectúan operaciones con las filas para obtener ceros en todos los otros
espacios de la columna clave (x2). Multiplicar la fila 2 por — 2 y sumarla
a la fila 1.
Matriz 2b
X1 X2 uu 43 b
1 0 1 —]1 0 40
y Ir 0 y) 0 60
4 2 0 0 1 280
l 15 0 0 0 0
Xi X2 Uy UU uz b
1 0 1 —]1 0 40
O E ME 60
3 0 0 —1 1 160
1 1,50 0 0 0
Xi X2 Us uz 43 b
lindos ho 0 40
4.1.0 1-0 60
3 001051 siba a 160
40.0-3 0 —90
COMPUTACION SIMPLEX (MAXIMIZACION) 279
3)
N Xx]
FIGURA 10-9
Resultado de la primera iteración.
A
eel
e 1 00 <40
A
Disk +07 0% + pl +0 =60
he eos. BO
o a +0d +0 1 + n= 160
282 PROGRAMACION LINEAL
(Dx =%2=40
(2) 60
11 =>=120
+
(3) — x,=%2%=534
De estas, la fila 1 es la que tiene el menor valor permisible de x,. Por
consiguiente puede incrementarse x, hasta un valor máximo de 40, y la
fila 1 se convierte en la nueva fila clave.
Empleando el mismo procedimiento anterior, se comienza dividiendo
la fila 1 por el coeficiente de x, en la fila clave, en este caso un 1. Por lo
tanto no hay cambio en la matriz.
Matriz 3a
X1 X2 Uy u> u3 b
1 0 l —1 0 40
E O O DES 60
3 0 O —]1 l 160
1 0 0 —3 0 —90
Matriz 3b
Xi Xx uy u> u3 b
1 0 l —] 0 40
ep: ld cd 40
3 0 0 —1 1 160
] 0 0 -3 0 —90
Matriz 3c
Xx Xx uy U? uy b
] 0 l —] 0 40
0 Il —) 1 0 40
0 0 -3 2 1 40
A e e td. —90
COMPUTACION SIMPLEX (MAXIMIZACION) 283
75
so
MAAA
Xx2
25
25 40 S0 75
FIGURA 10-10
Solución final.
Xy X2 4 43 uz b
1 0 1 —1 0 40
0 l —y 1 0 40
0 oO -—3 2 1 40
0 0 - —¿ 0 —100
2
1 Il
4 NN
N ee)
A]
2.
3) GU
UTERA
RE Larra)
Nm 0)
—
VERA
ooo
NNan
o— A]
O Ai=b
Ahora debe hallarse la inversa, A7!.
wn NN
HKh-—
EA N ESOS
Mi ¡SMA
O)SENS
e)
RNA,
O 0.0
0 1 0 id
0 -2 1 ls
COMPUTACION sIMPLEX (MAXIMIZACION) 289
E + 1201)+ 200
160(—4) + 120(1) + 280(0)
160(—3) + 120(2) + 280(1)
Xy 40
x>,| = [40 la columna b de la matriz 3d
uz 40
las des-
PASO 2 Definir las limitaciones del problema en función de
igualdades de restricción utilizando las variables de decisión .
6x, + 3x, — 4x3, < 60
2x, — 4x2, + 4x,<%40
3x, + 3x2, +3x3<60
7 6 3 —4 1 0 0 60
2 -—4 4 0 1 0 40
3 3 3 0 0 1 60
3 2 6 0 0 0 0
E 60
A
lo 3 == 0 AA
s ==] ] 0 A 0 10 fila clave
3 3 3 0) 0 l 60
3 2 6 0 0 0 0
columna
clave
Efectuar operaciones con las filas utilizando la fila clave (2) para obtener
ceros en las demás posiciones de la columna clave.
COMPUTACION SIMPLEX (MAXIMIZACION: 287
X1 Xa X3 Us la 43 b
8 —1 0 1 1 0 100
"a e fa UP dl. 10
3 6 0 0 —¿ 1 30
Fila clave = 3
8 —1 0 1 1 0 100
pr ME ips VA "E 10
a to ir
grs giving tez oque «Ee
Efectuar operaciones con las filas hasta que las demás filas tengan un
valor de cero en la columna clave.
X1 X2 X3 Uy 4) 43 b
| N o [am] o | | — 100
n-— lp
En este punto, todos los valores de la fila 2 son no-positivos; por lo tanto
el incremento de cualquier valor puede disminuir o por lo menos no me-
jorar la función objetivo z ya que todas las pendientes son cero o negati-
vas. Por consiguiente la función objetivo sujeta a las tres restricciones se
ha maximizado.
SOLUCION
2 Nueva área
factible
FIGURA 10-11
Efecto de una restricción mayor-que.
OTRAS FORMAS DE RESTRICCION 289
Esto da
en Matriz 4a
X1 X2 u; u uz Uy b
iZ 2 l 0 0 0 160
1 2) 0 l 0 0 120
4 2 0 0 l 0 280
0 1 0 0 O —1 45
1 1,5 0 0 0 0 0
En este caso la matriz cuadrada formada por las columnas u;, uz, Uz
y us no es una matriz identidad ya que la columna uz tiene un —1 en
lugar de un 1. Este problema se resuelve fácilmente agregando una varia-
ble adicional a la nueva restricción.
Xx =U44+a,=45 (10-9)
X1 X2 Us U> uz Uy a; b
2 2 1 0 0 0 0 160
] 2 0 1 0 0 0 120
4 2 0 0 1 0 0 280
0 1 0 0 0 —]1 ] 45
] Do 0 0 0 0 0
Ahora existe una matriz identidad en términos de las columnas u;, uz,
us y as. Los valores de las variables que representan estas columnas
pueden leerse como antes.
uy = 160 Ma 120. da = 290 a, =45
X1 X2 4; U> uz Us ay b
1[2 2 1 0 0 0 0 160
ZE 2 0 1 0 0 0 120
3| 4 Z 0 0 1 0 0 280
410 1 0 0 O —1 l 45
z|1 LOS 0 0 0 0 0 0
a [O —1 0 0 0 l 0 —45
Se observa en la última fila de la matriz 4c que el coeficiente de x2 es — 1
y el de u, es 1; en la columna b el valor es — 45. Puesto que se encontró
que a, es
4 = —Xx2+U44+45 (10-11)
el signo de la constante, se cambió como si estuviera anotado al otro lado
de la línea de igualdad de la matriz. El hecho de que a; tenga un coefi-
ciente cero en la última fila es correcto ya que esta no aparece en la fun-
ción que debe minimizarse, este es el valor que debió maximizarse en los
ejemplos anteriores.
El siguiente procedimiento es casi el mismo empleado anteriormente.
Solamente difieren los detalles: (1) Se desea minimizar la función repre-
OTRAS FORMAs DE RESTRICCIÓN 291
Matriz 4e
X1 X2 U; u uz Uy b
112 0 1 0 0 2 70
2|1 0 0 1 0 2 30
3|4 0 0 0 1 2 190
410 1 0 0 o —1 45
zl 1 0 0 0 O 1D — 67,5
Xi = Ua = 0 X2 = 45
Primera solución
factible, x, = 45, 2
A de 190| +32=95 Má
$1 B- Da 0 —1 45 4311,
= —45
] 0 0 0 OMS —67,5
columna clave
(el valor
más positivo)
1 0 1 —1 0 0 40 $ E 40 fila clave
3 0 0 ) 0 1 15 15/4 =30 tel límite positivo
Sn y qeria slfeccdorta, dé A A
Pd Derioka 0 150 60 60/4
= 120
3 0 0 —-3 0 0 —90
columna clave
(el valor
más positivo). 4 e
Matriz 4h Solución optimal
Xx Xx Ur 4 uz Us b
0 0 l -2 0 -—2 10
l 0 0 l 0 2 30
0 0 0 —4 l —6 70
0 1 0 0 oO —1 45
0 0 O —]1 0 —) —97+
Matriz 5a
Xi X2 Uy u> u3 Us a; a b
2l 2 1 0 0 0 0 0 160
1 2) 0 1 0 0 0 0 120
4 2 0 0 1 0 0 0 280
0 1 0 0 0 -1] 1 0 45
1 0 0 0 0 0 0 1 23
ALA HEAT A 0-0 ADORCOLA TAO
¡a ES 0 0 0 0 0 0 0
X2 => Ud SE a; = 45 (10-10)
x,+a,=25 (10-12)
Despejando a, y az se obtiene
a,=25- x,
Estas ecuaciones se suman para obtener la función
(a, + az).
Matriz 5b
X1 X2 us u uz Ua as az b
2 2 1 0 0 0 0 0 160
1 5) 0 1 0 0 0 0 120
4 2 0 0 1 0 0 0 280
0 1 0 0 0 —1 l 0 45
1 0 0 0 0 0 0 l 25
z ¿10 0 0 0 0 0 0 0
a+a2| -1 —l 0 0 0 1 0 0 —70
0 2 1 0 0 0 o -—2 110
0 5l 0 1 0 0 0 —]1 95
0 2 0 0 1 0 0 -—4 180
0 1 0 0 O —1 1 0 45
1 0 0 0 0 0 0 ] 25
O 15 0 0 0 0 O —] 25
O —1 0 0 0 ] 0 ] —45
a,
+ 4,
(1). 412=55
(2) == 47
eri) 152%=90 ,el valor positivo más pequeño, la fila clave
0. ES
(5) <= 00
Se efectúan operaciones de fila para obtener un 1 en la columna clave X2
y en la fila clave 4 y ceros en las demás posiciones de la columna clave.
Dt de e adDi e 20
TIPACTI A 3 id 5
A e A 90
CEPAS MESS RS 1 Y E 45
14% <0 *0 0% 0-07 25
104030 50 p0 15 Siba-Pa 20
21 +4) 064100790. 5000 40 ws 0
Examinando la fila a, + az no se encuentran valores negativos; por con-
siguiente la función a, + az ha sido minimizada. Nuevamente esto se
puede verificar por el valor de cero en la columna b para esta función. Las
x= 45
Solución
final 42= 100
solución
25
FIGURA 10-13
Pasos en las soluciones iterativas.
OTRAS FORMAS DE RESTRICCION — 297
O LN a 20
rr ts E Ús rzo! 5
¿e ai Po | 90
A y blas Diosla | 45
a e 0 dE al 25
Agallogasito nitpni O Es
Puesto que la función 2 (ganancia) es la que debe maximizarse, la ins-
pección de esta fila indica que z aumentará 1,5 unidades por cada incre-
mento de us. Por consiguiente, se selecciona us como la columna clave
de la siguiente iteración. La fila clave se selecciona a partir de la restric-
ción positiva limitante.
(1) 2 =10
(2) 3=2) límite positivo más pequeño, fila clave
(3) 22 =45
(4) 45/-1 = -45 no es límite positivo
(5) Z¿=0w0
Ahora se itera para obtener la tercera solución, que en este caso se con-
vierte en la solución optimal final.
Matriz 5f Solución optimal
Xy X2 Uy ua 43 Ua b
0 0 l —1 0 0 15
0 0 0 4 0 ] 2)
0 0 BD “—1 1 0 85
ESTA AAA e 474
l 0 0 0 0 0 25
AI
yA
PAS 0.” 01 i-ol
lo esperado, este valor es un poco menor que el del ejemplo anterior debi-
do a que la nueva restricción desplaza la solución alejándola de la optimal.
Se han discutido los métodos para manejar las tres formas posibles
de restricción (<, >, =). Además se ha discutido el concepto y la técni-
ca de minimización en programación lineal. La única variación requerida
en maximización o minimización es el método de selección de la columna
clave. En maximización se selecciona la variable con la pendiente más po-
sitiva, ya que esta permite el mayor aumento de la función objetivo por
cada unidad de incremento en la variable. Por el contrario, en minimiza-
ción se selecciona la variable con la pendiente más negativa ya que esta
permite la mayor disminución de la función objetivo por cada unidad de
incremento en una variable. La solución final se manifiesta cuando al in-
crementar una variable ya no se mejora (aumento o disminución, según
lo que se desee) la función objetivo. Los pasos para manejar las tres for-
mas de restricción se resumen en un esquema del procedimiento en los
siguientes parágrafos y se ilustran desarrollando otro problema sencillo
de maximización con programación lineal.
PASO 1 Definir la función objetivo que debe maximizarse (o minimizar-
se) en función de las variables de decisión
z=2x,+2x, maximizar
PASO 2 Definir las limitaciones del problema en función de las
desigual-
dades de restricción o de las ecuaciones empleando las variables
de de-
cisión.
(1) x¡+x2S10
(2) Xx; +2x,>8
(3) —X; + X= 2
Xy + 2x7 — u, + a; 9
—X + X, , + a, =2
”
Matriz identidad
OTRAS FORMAS DE RESTRICCION 299
a) = 2% + Xy -. Xz
(Mm) 1 1 1 0 0 0 10
Q) 1 2 0 —] 1 0 8
(34 —1 1 0 0 0 l 2
z 2 2 0 0 0 0 0
41 +4) 0 —-3 0 1 0 0 —10
(MM) +2=10
2 3=4
(3) 2=2 valor positivo más pequeño, fila clave
Primera solución
Xi X2 Uy U) a a, b
(Mm) 2 0 Í 0 oO —1 8
Q) 3 0 O —1 EZ 4
| —1 1 0 0 0 i Z
z 4 0 0 0 o -—2 —4
a+a2l —-3 0 0 1 0 3 —4
aj+az,
O 10 0 0
e
0
po
1 1 0
En este punto no hay más valores negativos en la fila a, + az; esto in-
dica que la función artificial ha sido minimizada. Como verificación, el
valor de la columna b también ha sido reducido hasta cero. Esto significa
que se ha logrado una solución factible.
PASO 11 Descartar todos los datos anotados que pertenezcan a las va-
riables artificiales y formar una nueva matriz.
X1 X2 4y ua b
(M0 0.1. 4 12
2) lram0rolc0 de 4
(10... L.qu 06. Í 10
zl0 0 0 5 =- a
28
PASO 13 Seleccionar como antes, una fila clave hallando el límite posi-
tivo más pequeño.
|6
(1) se =8 fila clave, el límite positivo más pequeño
3
4
Q) —=-4 límite negativo
ER
10
(3) —=-I0 límite negativo
|
PASO 14 Iterar empleando como antes operaciones con las filas; conti-
nuar, repitiendo los pasos 12 hasta 14 hasta optimizar
Xi X2 Us uu b
A 30: ou all 8
Ludo 46 4
ticos bu: ás e 6
z10 o -2 0 —20
Problema de mezcla
Este problema general es aplicable a diversas industrias y comparte algu-
nos puntos comunes. En general, el problema consiste en mezclar diversos
ingredientes para obtener un producto que satisfaga algunas condiciones
arbitrariamente impuestas. Al mismo tiempo se optimiza algún objetivo tal
como ganancia, producción, facilidad de uso, etc. Algunos problemas típi-
cos son la mezcla de alimentos para ganado con el propósito de maximizar
la relación entre la ganancia de peso y el costo del alimento, la mezcla de
varios productos de refinería para obtener un producto más rentable, la
mezcla de materias primas (menas, chatarra, etc.) para obtener un metal
que satisfaga las especificaciones con un costo mínimo, o la mezcla de in-
gredientes que satisfagan los requerimientos de un fertilizante con un
costo mínimo.
Se discute como ejemplo un problema de mezcla para determinar la
alimentación apropiada para un horno de fundición. Este problema se sim-
302 PROGRAMACION LINEAL
Carbono, “
Silicio, %
Material
Chatarra de acero A
Chatarra de acero B
Chatarra de hierro colado
Sobrantes de fundición
Briquetas de carbono
Briquetas de silicio
K
Tabla 10-3 RESUMEN DE LOS
RESULTADOS DEL
PROBLEMA DE LA
CARGA DEL HORNO
Costo = $80
Tabla 10-4
RESUMEN DE LOS
RESULTADOS DEL
PROBLEMA MODIFICADO
DE LA. CARGA DEL
HORNO
K_—
—_— _
Material
Cantidad que debe
cargado
cargarse, libras
Chatarra de acero A
Z Chatarra de acero B
0
3 Chatarra de hierro colado
2924,59
| Sobrante de fundición
800
: Carbono
50
> Silicio
Costo $123,70
Material
Disponibilidad
máxima, tons
Chatarra de acero A
Chatarra de acero B
Chatarra de hierro colado
120
Sobrantes de fundición
Briquetas de carbono 60
Briquetas de silicio Sin límite
4
FORMULACION DEL PROBLEMA 305
Un análisis similar permite obtener las dos restricciones para las especi-
ficaciones del silicio
— 0,0215x, — 0,021x2 + 0,0005x3 — 0,0005x4 — x5 + 0,9775x, < 0
—0,0195x, — 0,0190x2 + 0,0025x3 + 0,0015x4 — x; + 0,9795x5 > O
Por consiguiente el problema final consiste en maximizar 2 = x1 + *2 +
x3 + x4 + x5 + x, sujeta a
— 0,0295x, — 0,030x, + 0,001x3 — 0,001x4 + 0,966x, — 0,034x; < 0
— 0,028x, — 0,0285x2 + 0,0025x3 + 0,0005x4 + 0,9675x, — 0,0325x¿ > 0
—(0,0215x, — 0,021x2 + 0,0005x3 — 0,0005x4 — 0,0225x; + 0,9775x¿ < 0
— 0,0195x, — 0,019x2 + 0,0025x3 + 0,0015x4 — 0,0205x; + 0,9795x¿ > 0
x, <200.000 x,<60.000 x,<240.000
x, <120.000 x,<8.000
306 PROGRAMACION LINEAL
1 2
2 2 7
3 3 9
4 4 11
5 4 11
6 6 12
7 5 14
8 5 14
9 6 10
10 4 8
11 2 14
12 6 8
13 S y]
14 3 12
15 4 9
16 po 7
17 2 10
18 1 16
19 5 11
20 4 15
*La demanda se expresa como un valor esperado durante el intervalo
de tiempo entre reaprovisionamientos.
Esta función objetivo supone que durante un período de tiempo, las ventas
de cualquier artículo son iguales al número de artículos almacenados y
que el número de artículos almacenados en un anaquel no excede la de-
manda. En este caso
Z=2x, +2x, + 3x3 + 4x4 + 4x5 + 6x6 + 5x7 + 5Xg + 6x9 + 4X10 + 2X11
== 6x2 Sl Í$X13 El 3X14 e Axis sh 2x16 +5 2x,7 an 1x8 + Sx19 ct 4xz0
20
Y) sx, <5.760
EL
10x, + JS + 9x, + 11x, + 11x, + 12x6 + 14x, + 14xg + 10x9 + 8X10 + 14x;1
+ 8x1 +11xX13 + 12X14 + 9x15 + 7x%16 + 10x,5 + 16%,8 + 11x10 + 15%20 < 5.760
. Además el número de artículos almacenados no debe exceder la de-
manda. Esto da lugar a otra serie de desigualdades de restricción
—|
Ovw00JIDAAUI.M.
NOTA
X212= 4
Mayores-que
* — Igualdades
Menores-que ; 2x1 + 3x2 >7
X2 = 4
2x1+ x2<8
X2 + x5 =4.
2X1+ Xa +x6 =8
a
104 FORMAT(512).
NM PU
O: sion slpiipr sp. A quin]
IW IZ 1Y IA NEQ
Se debe tener la seguridad de perforar el valor en cada pareja de columnas tan
desplazado hacia la derecha como sea posible. Por ejemplo, si se perfora IW con
un 3 en la columna 1 en lugar de la columna 2, el computador leería esto como 30
en lugar de 3.
PASO 5 Preparar la(s) tarjeta(s) de datos de la función objetivo c,. Esta tar-
jeta introduce los coeficientes de las variables reales (REAL. VAR.) de la función
objetivo. El programa genera por si mismo los coeficientes de las variables arti-
ficiales (ART. VAR.) y de las de holgura (SLACKS VAR.)
READ(S, 102) (PON), N =1, D)
102 FORMAT(8F10.4)
Según este formato pueden colocarse ocho valores por tarjeta. Se pueden uti-
lizar todas las tarjetas que sean necesarias. Por ejemplo, 19 variables requerirían
tres tarjetas, 8 en cada una de las dos primeras tarjetas y 3 en la última. Para
cada coeficiente se utilizan diez columnas. Este formato permite hasta cuatro lu-
gares decimales, con el punto decimal perforado en cada columna que termina en
6(6, 16, 26, 36,...). Hay que tener la seguridad de perforar el decimal y el signo ne-
gativo si fuera necesario.
coeficiente dé coeficiente de
X1 X2
PASO 6 Preparar las tarjetas de datos de la matriz original a,,. Esto introduce
los coeficientes de las variables reales en las restricciones a,,. Los coeficientes
de las variables artificiales y de holgura son generados por el mismo programa.
El programa lee los coeficientes, una restricción a la vez, y no los mezcla. Cuan-
do se completa una restricción, el programa siempre comienza con una nueva tar-
jeta de datos, aun si la última tarjeta no estuviera completa. El espaciamiento es
igual al del paso 5.
A A DO112 M =1,IW
112 READ(S, 102) (D(M,N), N = 1,1)
102 FORMAT(8F10.4) A
A A A
Columnas
A A A
Tarjeta 1234567891011 12 13 14 1516 17 18 19 20 | Restricción
4
5
6
1 Restricción 2 Restricción 3
Restricción 4 _2 4
_——— _____—. e ÍA
—_
21 22 23 24 25 26 27 28 29 30
_INNá<>á>”
47 GA TA 20
48 40 IRV(L)=M
49 20 CONTINUE
50 NCPIV=0
51 WRITE (56,200) 1£
52 200 FORMAT (1H1+20X,'X1 THU X*,]2,* ARE REAL VARIABLES?)
53
54 1X1 = IR+]A+1
55 IX2=IX1+IA -1 +NEQ
56 WRITE(6,202) IX1,1X2
57 202 FORMAT (1H0+20X,*X*,12," THRU X*,12,” ARE ARTIFICAL VARIABLES")
58 203 CONTINUE
60 TO 100
60 13 SCMAX=0,0
NNz=1
DO 31 N=1),I1X
DO 32 I=1,IM
IF(-1BV(1)) 32,31,32
32 CONTINUE
SUM=0.0
DO 33 I=1,IWw
J=1BV(1I)
33 SUM=SUM+P(J)*D(1,N)
SCIN)=P(N)=SUM
IF(SC(N)=SCMAX) 31,31,310
310 SCMAX=SCIN)
IPIVC=N
31 CONTINUE
IF(SCMAX) 14,14,140
140 SMVAL =99999999,
IF(ITAB.EO0.1) GO TO 100
19 CONT INUE
DO 4 M=1,IW
IF(D(M,IPIVC)) 44,5
QUONT=D(M,12)/D(M,IPIVC)
IF(SMVAL-QUONT) 4,4»6
IPIVR=M
SMVAL =0UCNT
CONTINUE
IBV(IPIVR)=IPIVC
DIV=D(IPIVR+,IPIVC)
DO? Nz=1l,I1Z
D(IPIVR+N)=0( IP IVR+N)/DIV
NOPIV=NOPIV+1
IF(ITAB-1) 12,120,12
120 WRITE (6,106) NOPIV
12 DO 10 M=1,I0W
IF(M-IPIVR)9+,10,+9
CM = -D(M,IPIVC)
DO11 N=15,12
TM=D(IPIVR+,N)*CM
11 D(M+,N)=D(M¿N)+
TM
10 CONTINUE
GO TN 13
100 CONTINUE
60 TO 221
14 WRITE(6,108)
WRITE(6,109)
DO 21 M=],IM
21 WRITE(6,110) IBV(M),D0(M,1Z)
WRITE(6,111)
221 CONTINUE
A=12
IR=12/13
A=A/13.
IF(ALGT.TR) TR=IR+1
K1=1
DO 210 K=1,I2
K2=K1+12
K3=K2
IF(K2.Gt.12) K3=17?
IF(K2.NE.12) K2=I1Z-1
WRITE(62211) (XK I,KI=KloKz)
211 FORMAT(1H0+//+13(7X+*X* .12))
ON 212 M=1,IW
314 PROGRAMACION LINEAL
COAPI1T TIM a 1062 “FCO +EXECUTIO 4 TIMES 0,36 SEC» MWATFIV - VERSION 1 LEVEL 3 MARCH 1971 DATES 73/152
ARRE RARA RAR RR ERRE RR RARA RAR RAR RA RARE RRA ARA RAR RRA RARE RA RARA RARA RARA RARA RAR RENA RARA RARA RARA RAR RRA RAR RRA RR TNT TA
DIBIDNARA NINA AAA ANA NAAA NAAA ANA AIA NADAN III AA AAAAIAAANANA AAA IAAAAIIAA AAN ANA DANA DAA INIA ANA OOOO VARIA INV ISI NAAA
III! 1041
IIIITOTAL COSTA 8 0171/1141 111141 1NES> PH INTEDA AIIIII III III ICAROS READA LOTISIIIIIIIII1IO80 290111440 VIII VII
1141 1.14
IIIIDATE A OARIDAITAIII III 1114911880 OF Davs 13.71////////14/108U UNIVEPSITY COMPUTER CENTER USER TERMINAL /////1/141111141
1141
ARRE R AR RAR RRA RARA R AER RRA RR RAR RAR RRA RARA RRA RAR ARRRA RR RARO RR R RR RARA RAR RRA RR RAR RRA RR AR RARA RARA RARI AR RAR RRA ARI RA RARA
ARRE RRE RRA RARA RARA RR RAR RAR RRA REE RR RAR AR ER RR RRA RR RARA RARA RAR RAR RARA RARO RAR RARA RR RRA RR TR RAR RR RITA TRI RIR RRA
x 1 x2 x 3 Xx 4 x 5 x6 x
2.000 3.000 -1.000 1.000 0.000 0.000 7.000
0.000 1.000 0.000 0.000 1.000 0.000 4.000
2.000 1.000 0.000 0.000 0.000 1.000 8.000
1.500 1.000 0,000 -999,000 -999.000 0.000
x 1 x2 x 3 x 4 x5 x6 x
2.000 3.000 -=1,000 1.000 0.000 0.000 7.000
0.000 1.000 0.000 0.000 1.000 0.000 4.000
2.000 1.000 0,000 0.000 0.000 1.000 8.000
1999.500 3997.000 -999.000 0.000 0.000 0.000
TABLEAU AFTER PIVOT NUMBER 1
x 1 x2 x 3 Xx 4 x5 x6 x
0.667 1.000 -0.333 0.333 0.000 0.090 2.333
.-0,667 0.000 0.333 -0.323 1.000 0.000 1.667
1.333 0.000 0.323 -0,333 0.000 1.000 5.667
-665.166 0.000 323.333 -1332,333 0.000 0.000
TARBLEAU AFTER PIVOT NUMHER 2
A x2 x 3 x4 x5 x 6 x
0.000 1.000 n.000 0.000 1.000 0.000 4.000
-2.000 0.000 1.400 -1.000 3.000 0.000 5.000
2.000 0.000 0.00U 0.000 -1.000 1.090 4.000
1,500 0.000 0.000 -999,000 -1000.000 0.000
TABLEAL AFTER PIVOT MUMAER 3
SOLUTION
VARIABLE VALUE
2 4.00
3 9.00
1 2.00
PROBLEMAS 315
x 1 AA x 3 Xx 4 x 5 Xx 6 x
0.000 1.000 0.000 0.000 1.000 0.000 4.000
0.000 0.000 1.000 -1.000 2.000 1,000 9.000
REFERENCIAS
PROBLEMAS
10-2 Resolver gráficamente las siguientes funciones objetivo, dadas las restric-
ciones.
4x; —= 2X2 = xÉ 4
316 PROGRAMACION LINEAL
6X; + 4x, 1 12
241 2X2 2
10-6 Un distribuidor de ferretería planea vender paquetes de tuercas y tornillos
mezclados. Cada paquete pesa por lo menos 2 libras. Tres tamaños de tuer-
cas y tornillos componen el paquete y se compran en lotes de 200 libras. Los
tamaños 1, 2 y 3 cuestan respectivamente $20, $8 y $12. Además:
(a) El peso combinado de los tamaños 1 y 3 debe ser al menos la mitad del
peso total del paquete.
(b) El peso de los tamaños 1 y 2 no debe ser mayor que 1,6 libras.
(c) Cualquier tamaño de tornillo debe ser al menos el 10 por ciento del pa-
quete total.
¿Cuál será la composición del paquete que ocasionará un costo mínimo?
10-7 Un fabricante de gasolina para aviación vende dos clases de combustible,
A y B. El combustible clase A tiene 25 por cientode gasolina grado 1, 25 por
ciento de gasolina grado 2, y 50 por ciento de gasolina grado 3. El combusti-
ble clase B tiene 50 por ciento de gasolina grado 2 y 50 por ciento de gasoli-
na grado 3. Disponibles para producción hay 500 galones /hora de grado 1
y 200 galones hora de los grados 2 y 3. Los costos son 3U centavos por ga-
lón de grado 1, 60 centavos por galón de grado 2, y 50 centavos por galón de
grado 3. La clase A puede venderse a 75 por galón, mientras que la clase B
alcanza 90 galón. ¿Qué cantidad debe fabricarse de cada combustible?
10-35 El propietario del Rancho Little Dixie está realizando ensayos para determi-
nar la mezcla correcta de dos clases de alimento. Ambos contienen diver-
sos porcentajes de cuatro ingredientes esenciales, ¿Cuál es la mezcla de
costo minimo? |
Costo, $. libra
PROBLEMAS 317
Tiempo disponible
Ganancia, $/unidad
318 PROGRAMACION LINEAL
10-12 Una compañía trasportadora tiene 10 camiones con capacidad de 40.000 li-
bras y 5 camiones de 30.000 libras de capacidad. Los camiones grandes tie-
nen costos de operación de 30 centavos por milla, y los más pequeños de 25
centavos por milla. En la próxima semana la compañía debe trasportar
400.000 libras de malta para un recorrido de 800: millas. La posibilidad de
otros compromisos significa que por cada dos camiones pequeños manteni-
dos en reserva debe quedarse por lo menos uno de los grandes. ¿Cuál es el
número óptimo de camiones de ambas clases que deben movilizarse para
trasportar la malta? (Ignorar el hecho de que la respuesta debe darse en for-
ma de números enteros.)
10-183 Una compañía de almacenes tiene 1,5 millones para asignarlos a uno de sus
almacenes. Tres productos, 1, 2, y 3 requieren respectivamente 30, 3, y 15
pies cúbicos de espacio por unidad, y el espacio disponible es 300.000 pies?.
El producto 1 cuesta $12; el producto 2, $4,50; y el 3, $15. ¿Qué cantidad de-
be adquirirse de cada producto si los precios de venta de 1, 2, y 3 son respec-
tivamente $15, $6, y $21?
10-14 Un agente vendedor maneja dos productos. El no espera vender más que 10
unidades/mes de producto 1 o 39 unidades,mes de producto 2. Para evi-
tar una multa él debe vender al menos 24 unidades de producto 2. El recibe
una comisión de 10 por ciento sobre todas las ventas y debe pagar sus pro-
pios gastos, los cuales se estiman en $1,50 por hora gastada en hacer visi-
tas. El trabaja sólo una parte del tiempo y debe trabajar hasta un máximo
de 80 horas, mes. El producto 1 se vende en $150 por unidad y requiere un
promedio de 1,5 horas por cada visita; la probabilidad de hacer una venta
es 0,5. El producto 2 se vende en $70 por unidad y requiere un promedio de
30 minutos por cada visita; la probabilidad de hacer una venta es 0,6. ¿Cuán-
tas visitas mensuales debe hacer a los clientes de cada producto?
11
PROBLEMAS DE ASIGNACION
Y TRASPORTE
EL PROBLEMA DE TRASPORTE
M=
CijXi; (11-1)
i=1 j=1
TO A (11-3)
uiDeatsbid A)
x;¡¡>0 para todas las : y j (11-5)
| oy Cn
X11 a;
Xin
Xz1
i ,
Xi1 Xi2 ; Xi
a;
€
AE
Cm1 Cm2 y E
»
XAm1 Xm2 a
Am
E Xmn
Requerimientos by b) : ba
EL PROBLEMA DE TRASPORTE 321
Expendedor
Expendedor
Requerimiento
Expendedor
Requerimiento
Expendedor
Requerimiento
Las tablas 11-11 a 11-17 son iteraciones hacia una solución optimal
y sus respectivos ensayos de optimalidad. El lector debe verificar estas
tablas para tener la seguridad de comprender el procedimiento iterativo.
Expendedor
Expendedor
Requerimiento
328 PROBLEMAS DE ASIGNACION Y TRASPORTE
80 4
KB
E mo
Puesto que todos los valores de la tabla 11-17 son no-negativos, las
asignaciones de la tabla 11-16 son óptimas. Por consiguiente, la solución
es:
Desde la localidad 1 enviar 10.000 galones al expendedor C.
Desde la localidad 1 enviar 30.000 galones al expendedor D.
En la localidad 1 quedan 40.000 galones.
Desde la localidad 2 enviar 50.000 galones al expendedor A.
Desde la localidad 2 enviar 50.000 galones al expendedor C.
Desde la localidad 3 enviar 40.000 galones al expendedor B.
Desde la localidad 3 enviar 10.000 galones al expendedor D.
El costo total de esta solución es
CT = 10(60) + 30(60) + 40(0) + 50(50) + S0(60) + 40(50) + 10(60)
$10.500
Expendedor
EL PROBLEMA DE TRASPORTE 329
Expendedor
Requerimiento
Expendedor
395
460 305 380 345
375
Destino
Demandas 60 S0 85 45 10 250
120 70 20 60 0
120 70 20 60 ==
40 90 20 90 ==
40 — 20 o o
40 E 20 a E
.
PASO 5 Repetir los pasos 2 a 4 hasta obtener una solución completa
una fila o columna, se asigna a esa ca-
Cuando sólo queda una casilla en
silla una cantidad que no viole los requerimientos de contorno.
Destino
Demanda
EL PROBLEMA DE TRASPORTE 330
La degeneración
EJEMPLO 11-5 Tratamiento de la degeneración
tienen asignaciones es
se presenta cuando el número de casillas que
puede resolverse en
menor que la cantidad m + n— 1. La degeneración
asignación e infinitesimal-
cualquier etapa de la solución situando una
ción de e se hace me-
mente pequeña en una casilla apropiada. La asigna
fila o columna ya que esta
diante inspección y no afecta los totales de la
de la asignación de e a
es una cantidad muy pequeña. El tratamiento
otra asignación. Cuando se
una casilla es el mismo que para cualquier
hace igual a cero. Los detalles reales del
obtiene la solución optimal, « se
ración pueden ilustrarse mejor
tratamiento de un problema de degene
mediante un ejemplo numérico.
336 PROBLEMAS DE ASIGNACION Y TRASPORTE
Destinos
Orígenes 1 Ze 3 sc 4 5 Suministro
A 7
19 | |16] 10 | a
B 16 10 12] |E10] 8
5 3
E 12 16 16 12
8
2 6
12 10 12 16 14
D 4
4
0 0
Ficticia Es 9 2 5
Demanda 12: 3 2 6 32
Orígenes Suministro
D 4
Ficticia e g $
5
Demanda 12 3 2) 6 9 32
|
4 Suministro
Y)
B
E 3
10 12
5
10 Lz
12
a -0
14 | | 12 16) [16
(6 añ
S+e 2 SE pa pe
D | ]
pel búio ss e
EL PROBLEMA DE TRASPORTE 339
Orígenes 1 2 3 5 Suministro
a 16 | dE 7
B i 16 10 10 | 12 | 8
2 6
Cc 14 121.2. 1016 a 48
5 SIE 79 1
D 12 01] 1] ¿[Ja
] A 5
Ficticia 0
340 PROBLEMAS DE ASIGNACION Y TRASPORTE
al
ta 0 Mes: a tur sz
10 10 16 | 12 10 14
ps 12 0 6 6
16 CIMA 12 10 121
0 = 6 pa ela
14 14 12 16 16 12
pla 4 E 8 cl
16 12 10 12 16 14
-4 lr 6 6 Le
2 0 0 0 0 Lo
=2 4 al 4 E
EL PROBLEMA DE ASIGNACION
Otra clase de modelo de distribución es el modelo de asignación.
Especí-
ficamente, este modelo está relacionado con la asignación de
un determi-
nado número de orígenes al mismo número de destinos
con el objeto de
optimizar alguna función de efectividad (ordinariamente el
valor de la
ganancia). Matemáticamente, el modelo de asignación se
define como la
optimización (maximización o minimización) de la función
EL PROBLEMA DE ASIGNACION 341
donde c;, son los coeficientes de costo (ganancia), sujetos a las res-
tricciones
Contratista
Edificio
342 PROBLEMAS DE ASIGNACION Y TRASPORTE
Contratista
Edificio
Contratista
Edificio
Contratista
Edificio
EL PROBLEMA DE ASIGNACION 343
Contratista
Edificio
-_
woo
Contratista
Edificio 1 Z 3 4
= m o
dDOYAa
344 PROBLEMAS DE ASIGNACION Y TRASPORTE
A
B 20
C 14
D 20
E 15
Ficticia
Á 3 ] 8 20
B 17 1 111 13
E l 13 1 4 1
D 16 ] 14 1
E 10 8 12
Ficticia ga == 0
Desde las 1 2 3 4 5 6
ciudades
A —0 .—+
B 14 1 111 10 S
C ] 10 1 1 12
D 13 1 11 12
E Y) 9 5
Ficticia NA 0 +
346 PROBLEMAS DE ASIGNACION Y TRASPORTE
Á
B
C
D
E
Ficticia
A 1 1 2 1
B
C 2 1 1
D 1
E
Ficticia
X<«A<<<
PROBLEMAS 347
La asignación 2 consiste en
Desde la ciudad A enviar un camión hasta la ciudad 2.
Desde la ciudad B enviar un camión hasta la ciudad 6.
Desde ia ciudad C enviar un camión hasta la ciudad 3.
Desde la ciudad D enviar un camión hasta la ciudad 1.
Desde la ciudad E enviar un camión hasta la ciudad 4.
La ciudad 5 no recibe camión.
El kilometraje total de esta asignación es
154+20+2+8+10+0=55 kilómetros ////
Si un problema de asignación se expresa en función de ganancia o de
algún otro criterio que requiera maximización, puede utilizarse el mismo
método de asignación después de multiplicar por —1 todos los elementos
de la matriz inicial.
REFERENCIAS
1 Hadley, G.: “Linear Programming,” Addison-Wesley Publishing Company, Inc.,
Reading, Mass., 1963.
2 Levin, R. L, y C. A. Kirkpatrick: “Quantitative Approaches to Management,”
2a. ed., McGraw-Hill Book Company, Nueva York, 1971.
3 Llewellyn, R. W.: “Linear Programming,” Holt, Rinehart and Winston, Inc.,
Nueva York, 1964.
4 Loomba, N. P.: “Linear Programming,” McGraw-Hill Book Company, Nueva
York, 1964.
PROBLEMAS
11-1 Expandir las ecuaciones (11-1) hasta (11-3) utilizando los datos del ejem-
plo 11-1.
11-2 Completar las iteraciones hacia una solución óptima omitidas en el ejem-
plo 11-5.
Desarrollar nuevamente el ejemplo 11-5 utilizando el método MAV.
11-4 Una compañía tiene tres campos petrolíferos principales y cinco refinerías
regionales. En la siguiente tabla se indican los costos de trasporte desde
los campos hasta las refinerías, las capacidades de las refinerías, y la pro-
ducción de los tres campos. Determinar el esquema óptimo de trasporte
utilizando el método de la esquina noroeste.
$32 $33
36 37 32
31 40
Producto Unidades/semana
Á 200
B 340
E 150
D 270
Sl
Producto
UNE $139 $140
209 207 210
QUA 254 SS
PROBLEMAs 349
Destino
Sumi-
nistro
| Distribuidor |
; | Xumero
Comerciante al 57 | o
por menor AR NO requerido
| | | KK
qí__ == -_ == _=-----
l 08 7 S 2
2 e: e E 15
3 | 5 il 6 21
4 4 4 9 24
5 $ 3 5 24
Número disponible, 15 148,1
| ¡ 33 ¡
11-12 Tres depósitos surten a cinco almacenes. La tabla indica el costo de tras-
de los
porte por unidad entre depósitos y almacenes, las capacidades
el daño de
depósitos, y los requerimientos de los almacenes. Sin embargo,
desde el depósito A hasta el
un puente principal, ha impedido las entregas
350 PROBLEMAS DE ASIGNACION Y TRASPORTE
Depósito
Número
Almacén requerido
Localidad
Depósito
—
Hut
11-16 Una compañía constructora tiene cinco palas mecánicas en diferentes loca-
lidades. y se requiere una pala en tres diferentes sitios de construcción.
Determinar el programa óptimo de trasporte, para los costos de trasporte
indicados en la tabla.
COSTO DE TRASPORTE
(se omiten 000)
Sitio de construcción
Localidad | Á
XL
uu
—
Un
PROBLEMAS 301
GANANCIAS
(Se omiten 000)
ID
TA E A
Medio de producción
Método
INTRODUCCION
La utilidad del análisis de sensibilidad en los modelos de
programación
lineal consiste, en que permite una interpretación razonab
le de los resul-
tados ya obtenidos. Una vez comprendido el significado
de los elementos
de la matriz, el análisis se vuelve lógico y directo. En
muchos casos la
información obtenida por la aplicación del análisis de
sensibilidad, puede
ser más importante y mucho más informativa que el simple
resultado ob-
tenido en la solución optimal. En cierto sentido, el análisis
de sensibilidad
convierte la solución estática de programación lineal
en un instrumento
dinámico que evalúa las condiciones cambiantes.
Por tanto, adquiere ma-
yor utilidad como instrumento administrativo
ya que los negocios y la
industria están sometidos a cambios continuos
y a una subsiguiente re-
valuación. Este tema será presentado haciendo énfasis
en la interpretación,
empleando ejemplos para ilustrar estas interpr
etaciones. Los temas se
presentarán sin demostración formal apelando
a una comprensión básica
de las matemáticas y a su aplicación. En varias
referencias pueden encon-
trarse pruebas más rigurosas.
INTERPRETACION DE LA MATRIZ 393
INTERPRETACION DE LA MATRIZ
Por medio de un ejemplo, se puede obtener una interpretación más senci-
lla de los elementos de la matriz de programación lineal. Por conveniencia,
se utiliza nuevamente el problema de la planta hipotética de manufactura-
ción presentado en el capítulo 10. En las tablas 12-1 y 12-2 se resumen
los datos.
El lector recordará que estos datos pueden formularse mediante las
siguientes ecuaciones y desigualdades. Maximizar
Producto Ganancia
394 ANALISIS DE SENSIBILIDAD EN PROGRAMACION LINEAL
E 1x, +1,5x»
Sujeta a las restricciones Eon
(1) 2x, + 2x, + u, =160
(2) Xx, +2x, + u, = 120
(3). 4x1 + 20 + uz = 280
OOOO 0
Con respecto a la matriz 1, puede observarse que aj4 y as, son am-
bos iguales a cero y no tienen efecto sobre la ecuación representada. En
una forma completamente general, no se hace distinción entre las varia-
bles reales (las x) y las variables de holgura (las u)
donde o ¡sl Na Us xs == 03
O
Xi = 40
0 10 20 30 40 S0 60
Xx1
FIGURA 12-1
Representación gráfica de la
función objetivo.
358 ANALISIS DE SENSIBILIDAD EN PROGRAMACION LINEAL
x, + 1,5x, = 100
(a)
x 1+0,7x, = 74
xy + 3x,=180
lc)
FIGURA 12-2
Efecto de los coeficientes de costo en la función
objetivo.
INTERVALO OPTIMAL DE LOS COEFICIENTES DE COsTO 3D9
70
ma Solución =x7=60,x, =0 5Siz=xj, +2x),
60
SO Solución actual x, =40, x, = 40
Ss 2=x,+C9x7,0,5<C,<1
S0
40| x,+2x,+U,=120
*2
30 z2=x¡ +1,5x, =
10 20 30 40 S0 60 70
X]
FIGURA 12-3
Solución gráfica de sensibilidad del coeficiente de
Costo Cy.
simplifica bastante, pero sirve para ilustrar el proceso lógico. Según la dis-
cusión anterior, la matriz de coeficientes de las variables no básicas in-
dica la tasa de sustitución. Por ejemplo, si se suministra 1 unidad de u,
sin cambiar alguna de las restricciones, esto requiere reducir la salida en
1 unidad de x,, en —3 unidad de xz, y en —3 unidades de uz. Una re-
ducción de —¿ representa un aumento real de ¿ en la producción neta; u,
es elegible para “producción”, o en la solución, si la ganancia añadida co-
mo resultado de la sustitución es igual a la ganancia perdida como resul-.
tado de la reducción de las variables en la solución; por tanto, se igualan
estos factores.
Ganancia añadida por una unidad de u, = ganancia perdida por re-
ducción de las variables básicas. Con respecto a la función objetivo ori-
ginal, la ganancia por unidad de cada una de las variables está represen-
tada por sus coeficientes originales de costo.
X1 1
X2 100
Uy 0
U 0
u3 0
(1 = 3
Comprobar uz:
0Au, = (- DA) + 1(1,5) + 2(0)
= €; + 1,5+ 0
Ci; == 1,5
1111
El intervalo optimal de c, es ¿<c,<1,5
Z 3 4 0 0 0 —-3 0 0 -3 —) —65
Comprobar u;:
0u, =3(3) + (24)
0=37,-2
=$
Comprobar uz:
0u, =(- DG) + 04)
0O=-J5,+2
c,=4
INTERVALO OPTIMAL DE LOS COEFICIENTES DE COsTO 363
Los valores son 1< 3< 2, < 9. El intervalo optimal de cz es 3< cz < 9.
1111
Variables no básicas
Requerimientos de tiempo
de manufacturación
Departamento Horas/unidad
Á 1
B 3
(8 3
X1 X> X3 Uy U> b X1 X2 Xx ul U) b
] 1 1 ] 0 20 4 1 0 3 —) 15
1 3 0 1 30 J 0 l —4 4 5
2 3 4 0 0 0 =3 0 0 -3 —) —65
ha de-
EJEMPLO 12-5 En la planta hipotética de manufacturación se
miento requiere n
terminado que los procedimientos adecuados de manteni
costará este tiempo en
3 horas/semana de cada departamento. ¿Cuánto
términos de la pérdida de producción?
-
Se hace referencia a la matriz optimal de este problema. Los coeficien
en el tiem-
tes de costo de la fila 2 indican que una reducción de 1 hora
ganancia) $;
po disponible de manufacturación cuesta (disminución de
3 horas ocasio-
en A, $3 en B, y nada en C. Por tanto, el requerimiento de
los beneficios
na una reducción de la ganancia de 3(4) + 3(3), o $2;. Si
obtenidos a partir de un mejor funcionamiento valen esto, debe hacerse
1
el mantenimiento.
E
x, =40-—1=39
Empleando el mismo análisis en las filas 2 y 3 se
obtiene el efecto del cam-
bio de 1 unidad de capacidad sobre las Otras variab
les básicas.
Fila 2:
X2 ar lu, = 40
*2 + 1(-1) =40
EFECTO DE CAMBIAR LOS LIMITES DE LAS RESTRICCIONES 367
Fila 3:
uz + 2u, = 40
uz + 2(-1) = 40
u3 = 42
e
x1 + 2x7 + U) = 130
>> = 105
z=x,+1,5x7
60
50
40 x, +2x7 + U, = 120
x2
30 Solución original
z=xj, + 1,5x, = 100
20
10
0 30 40 s0 60 70
10 20
X1
FIGURA 12-4
amento B
Efecto del incremento de la capacidad del depart
desde 120 hasta 130.
Fila 2:
x2 + I(-u,) = 40
X2 == Ub) = 40
AN
u3 => 24, = 40
Xi X2 Di NN uz b
GAR 0 3 —J 15
Y 2) l— j 5
A A JA —65
80
Xx Er 2x) + U, =160
10 20 30 40 S0 60 70
Xi
FIGURA 12-5
Efecto de aumentar al máximo la capacidad
del departamento B.
x, = 34, =15
Fila 2:
x3 — H-u,) =5
t X3 + du, = 5
x +3 10) =15
x, =30
1
X3— z —10) =5
x3=0
Estos valores se comprueban empleando la función objetivo original.
—Z=2x, + 3x, + 4x,
= 1(0) + 330) + 4(0)
=90+0=90 11!
Le Lo Dee 0
EFECTO DE CAMBIAR LOS COEFICIENTES DE ENTRADA NO BASICOS 371
X1 XxX *X3 Us u2 uz b
All oO —1 l —1 0 40
Ag up A optar 40
c|0 0 3 -3 2 1 40
A ta A: el 162100
La matriz optimal indica x, = 40, x2 = 40, uz = 40, y x3 = Us = Uz =
O. Por tanto, lo más conveniente es no fabricar el producto 3. Esto sugie-
re que los requerimientos de mano de obra del producto 3 en el departa-
mento B son excesivos y que un estudio de métodos podría disminuir el
tiempo requerido. ¿Cuánto debe disminuir este valor antes de que sea
conveniente fabricar el producto 3?
La fabricación del producto 3 requiere tiempo en todos los tres depar-
tamentos y por consiguiente debe considerarse el efecto total sobre la
planta. El tiempo adicional para fabricar x3 sólo puede obtenerse dismi-
nuyendo la cantidad de x, y x2z; es decir, debe quedar disponible al-
gún tiempo de holgura para asignarlo a la fabricación de x3. El departa-
mento C ya tiene 40 horas de tiempo ocioso (uz = 40), y por tanto este
departamento no es problema.La matriz 4 indica que ca = —4yC5 = — 3.Es-
te es el costo de reducir la ganancia por suministrar 1 unidad de holgura
a los departamentos A (u,) y B (uz) respectivamente. Por tanto el costo
para la ganancia por la producción de 1 unidad de x3 es
Esto significa que con los otros requisitos de tiempo de los departa-
mentos B y C, los requerimientos de tiempo del departamento A deben re-
ducirse a cero, antes de que sea conveniente considerar x3. Esto se debe
a que los requerimientos de tiempo del departamento B tienen mayor pro-
babilidad de ser ajustados que aquellos del departamento A. 1!
Entradas Depto. B
FIGURA 12-6 (límites Salida
Representación mediante la caja negra fijos) Depto. C (para maximizar)
Entrada
(para split Salid
AS a
FIGURA 12-7
Representación mediante la caja negra del problema
dual de programación lineal.
INTERPRETACION Y FORMULACION DEL DUAL 375
pacidad es 357 del valor total de salida, esto es, dólares divididos por una
salida de 560. Si se agrega proporcionalmente una hora adicional a la capa-
cidad bruta por departamento, mientras se mantiene la misma relación
de capacidades, el valor en dólares de la salidad podría aumentar en
1
560*
y = +50WI +0 ws + ws (12-16)
Esta ecuación se modifica eliminando las fracciones
sujeta a
, 2w, +w, + 4w3 > 10
2w, + 2w) + 2w3 > 15
sujeta a
mues-
Para obtener la solución se emplea el algoritmo simplex, como se
tra en las matrices 5 y 6.
Matriz 58 Matriz dual original
W w Moo dy 17 a; a2 b
2 1 4 —]1 0 l 0 10
2 2 2) 0 —1 0 1 15
0 0 40 40 40 — 1.000
10:45. 0050050 0
Matriz 8 Matriz primal optimal
X1 X2 4 U2 uz b
1 0 1 —1 0 40
0 l -—j 1 0 40
0 0-3 9) 1 40
0 0-25 -5 0 — 1.000
ANALOGIA MATEMATICA; PRIMAL COMPARADO CON DUAL 377
La solución dual indica que el valor potencial de las ventas por una
hora-hombre adicional en el departamento A es $250, en el departamento
B es $5, y en el departamento C es cero. El resultado del departamento
C se esperaba ya que, tenía tiempo de holgura y por consiguiente una ho-
ra-hombre adicional no podía aumentar el valor de salida. El resultado de
A y B es igual al del primal, el cual indicaba que un aumento proporcional
en A y B podría “costar” —2,5 y —5,0 respectivamente (se recuerda que
un costo negativo equivale a un ingreso positivo).
La fila y' de la solución dual indica que un incremento wz de $1,
cuesta $40. Puesto que wa tiene unidades de dólares/hora, esto signi-
fica que hay 40 horas que no se utilizan u horas ociosas en el departamen-
to C. Se considera la primera restricción con el propósito de interpretar
las variables de holgura.
2w, + w, + 4w, > 10
AS
Z 3 0 0 0 0 0 0 O —+ -—% |-10
Matriz original
w Wa wa IU a; a, b
9) 2 li 0 l 0 2
De 1 2 O. 1 0 1 3
AA E E e O
y| 10 6 6 0 0 0 0 0
PROBLEMAS 3/9
Matriz optimal
O A A E 3
A NN 3
is o ta 207 10 1111
REFERENCIAS
PROBLEMAS
4x1, +2x2+2x3<8
Solución optimal
X1 X2 X3 uy ua b
1 1 3 1 0 3
2 0 —Tr —1 1 2
-2 02 *=2 0 =12
sujeta a
2X1 + 2X2 + 4x3 < 12
x1+4x2+2x3< 8
Solución
X1 X2 X3 Uy ua u3 b
2 0 0 Al oO —1 2
— + 1 0 0 1 —j4 1
E 0 1 0 -—4 3 2
SO 0 MR —16
Porcentaje de nutriente
Clase Costo por
de grano bushel A B C
1 $0,90 4 15 5
2 1,10 7 8 35
3 1,60 9 20 37
4 1,35 6 13 40
sujeta a
Solución
X3 Xa ur U2 uz b
X1 X2
0 0,947 1 O -—0,474 0,175 —0,175 11,228
74/3684 03570: : 12684 1,228 —0,228 8,597
0 1,053 0 11 =0:526:=0,175 0,175 8,772
O -—5,474 0 O -—0,263 —1,754 —0,246 —112,28
12-7 Formular el problema 10-9 empleando el dual en lugar del formato primario y
comparar esta solución con la obtenida: anteriormente.
(a) Mostrar que el valor asociado con las limitaciones de tiempo indica que
esta no es una restricción importante.
(5) ¿Cómo se interpretaría el valor asociado con la materia prima?
¿Cuál recurso es más costoso, la materia prima o el espacio?
(c) ¿Cuál es el valor asociado con el producto 2? ¿Qué significado tiene?
12-8 Utilizar la solución optimal del problema 10-11:
(a) Si un nuevo producto E estuviera disponible y requiriera 0,1 unidad de
tiempo en el Depto. 1; 0,25 en 2; 0,15 en 3; y nada en 4, ¿cuál debe ser la
contribución a la ganancia para convertir E en una alternativa económi-
ca (ser producido)?
(b) Un método de hacer conveniente la fabricación de E consiste en reducir
los requerimientos de tiempo de manufacturación en uno de los depar-
tamentos. Puede suponerse que E añade sólo $5 por unidad a la ganan-
cia. ¿Cuál fase de manufacturación sería mejor estudiar para reducir el
tiempo? ¿Qué tanto debe reducirse el tiempo?
Si se tuviera tiempo disponible con base en tiempo extra, ¿a cuál depar-
tamento debiera asignarse? ¿Qué tanto se podría pagar con base en boni-
ficaciones (costo adicional) para obtener tiempo extra? ¿Cuánto debe
agregarse antes de que el departamento ya no sea restrictivo?
(d) ¿Cuál es la máxima reducción de precio (y por tanto contribución a la
ganancia) que puede hacerse en el producto B antes de convertirlo en un
producto indeseable?
12-9 Formular el problema 10-12 como dual. Explicar sus restricciones en términos
económicos.
13
PROGRAMACION DINAMICA
INTRODUCCION
De todas las técnicas de investigación operacional, la programación diná-
más di-
mica es la que emplea conceptos más simples y sin embargo es la
fun-
fícil de aplicar. Si el estudiante no está familiarizado con la notación
le será difícil aprender a manejar esta técnica. Este
cional, frecuentemente
sim-
capítulo explica la teoría de la programación dinámica en términos
ples y precisos.
a-
Una de las dificultades que presenta la aplicación de la program
formula ción definida y de algorit mos
ción dinámica es la carencia de una
requiere decisio-
de solución. Por tanto, la formulación de cada problema
a es semejan te al desarrollo
nes básicas. La formulación de un problem
ación de un problem a en tér-
de un problema de probabilidad o a la present
de un problem a es
mínos algebraicos. Antes de comenzar la solución
técnica. No hay reglas
necesario comprender tanto el problema como la
hacia una formula-
simples, fáciles de aplicar y que siempre conduzcan
técnica se demuestra
ción correcta. Por consiguiente, la aplicación de esta
mediante el desarrollo de varios ejemplos.
384 PROGRAMACION DINAMICA
FIGURA 13-1
Red del problema del viajero.
¡=4
Distancia total= 1 + bh +h+l= 204
i=1
f>h Dl 4 11
5 3 8
f>i
fo j 4 5 9
A AAA
SA IAN e E UN
Distancia
Etapa de Decisión | mínima
decisión = 2| optimal | total hasta Z
e a: 3+3=6
A i S+3= 8
g J 4+5=9
—_ —_—— ____
b>f=6+8=14
Así de estas dos posibles decisiones, b — e
da la distancia mínima de
13 unidades. En forma similar se evalúan las posibl
es decisiones en c y d,
la distancia mínima se escribe en negrilla.
A
A _ _ >-Q_»>_
A _
Mínima
Primera distancia Distancia
Decisión distancia restante total
c>e 4 6 4+6=10
c>f 3 8 0 le!
c>g 3 9 3+9=12
d>f 4 8 4+8=12
d>g 2 9 2+9=11
A=>b 3 13 16
ÁA=>c 5 10 15
A=>d 2 11 13
CONCEPTOS DE PROGRAMACIÓN DINAMICA 387
PP
388 PROGRAMACION DINAMICA
f=4+6=10
EJEMPLO 13-1 Un inversionista tiene $6.000 para invertir en uno de
tres riesgos. El debe invertir en unidades de $1.000. El retorno potencial
a partir de la inversión en cualquier riesgo depende de la cantidad inver-
tida, de acuerdo a la tabla
0 0 0 0
1 0,5 1,5 152
2) 1,0 2,0 2,4
3 3,0 2,2 2,5
4 3,1 2,3 2,6
5 3,2 2,4 2,1
6 3,3 2,5 2,8
FIGURA 13-2
Representación del problema de inversión como problema de
programación
dinámica, ejemplo 13-1.
0 NF
1 NF
2 NF
3 NF
4 NF
5 2,7
6 2,7
observa que todos los valores posibles de las condiciones de entrada, los
cuales pueden obtenerse a partir de decisiones anteriores, se han expre-
sado como una lista de filas. Esta tabla incluye todo el intervalo desde
S, = 0 (todos los fondos se han agotado) hasta S, = $6.000 (no hay fon-
dos invertidos en A o en B). Por ejemplo, la fila 4 indica que aún no han
sido invertidos $4.000, S; = 4. Los valores bajo d, = 0 hasta 6 dan los
resultados (ri) cuando se invierten $0, 1.000, 2.000, ... en el riesgo C.
Puede observarse que si sólo se dispone de $4.000 (S, = 4), no es factible
invertir $5.000 o $6.000 en el riesgo C. La columna rf da el resultado op-
timal para esa condición de entrada. Puesto que n = 1 (falta una deci-
sión), no hay que incluir retornos de decisiones futuras.
Ahora se regresa a la etapa anterior de manera que allí faltan dos de-
cisiones, n = 2. En esta etapa las posibles condiciones de entrada están
en el intervalo entre 0 y $6.000. En el cálculo del retorno total a partir de
una decisión d», el retorno rz a partir de la etapa 2 se suma al mejor
retorno disponible a partir de la etapa 1.
f=r,+5i (13-3)
390 PROGRAMACION DINAMICA
d;
55 0 1 2 3 4 5 6 f*
0 0 — - = — = 5 0
1 0+ 1,2|15+0 — = — — — 1,5
= 12 | = 15
2 04 24|15% 1,212,044 '0 El ul di a 2,7
= 24 |= 2,7 |= 20
3 0+ 25|15 + 2,4|2,0 + 1,2) 2,2 + 0 — -- — 3,9
= 25 1-3, = 3,2 = 2,2
4 0+ 26|15 + 2,5/2,0 + 2,4| 2,2 + 1,2/2,3 + 0 — — 4,4
= 26 |= 450 = 44 ¿ = 34 "E 23
5 0+ 2,7115 + 2,6|2,0 + 2,55 2,2 + 2,4/2,3 + 1,2| 24 + 0 = 4,6
=27 |=41 |=45 |=46 |= 35 = 24
6 0.+ 28|15 + 2,7120 + 2,6|2,2 + 2,5123 + 2,424 + 1,2125 +0 | 4,7
= 28 | = 4,2 =46 |=47 |=47 |=36 |= 25
d;
6 0+ 4,7 |0,5+ 4,6 | 1,0+ 4,4 | 3,0+ 3,9 | 3,1+ 2,7 | 3,124+ 1,5 | 3,34 0 6,9
— 1011 = 5,4 0/9 = 5,8 = 4,7 = 3,3
A $20 1
B 50 2
E 60 2
2 1(60) = 60 NF NF
3 1(60) = 60 NF NF
ó 60 2(60) = 120 NF
5 60 2(60) = 120 NF
6 60 120 3(60) = 180
7 60 120 180
392 PROGRAMACION DINAMICA
n=2
ARIANE A AAA AAA
d,
Sz 1 2 S 3
5 1 2 3 4 6 De
———— — _—_—_— -_——— >_ _ — _ _ _AdááAK<KÁ
10 20 + 230 2(20) + 230 | 3(20) + 170 | 4(20) + 170 | 5Q0)+ 110 | 620) +110 | 270
= 250 = 270 = 230 = 250 = 210 = 230
10— 1 =1
2(0 — 1 =2 no es factible
H0— 1)* = 3 no es factible
40— 1 =4 0Q—1I*=0 de
py
OAe
a
EJEMPLO 13-4 El departamento de manufacturación de una compañí
.
ha estimado los requerimientos de trabajo de los próximos cuatro períodos
s
Aunque los trabajos pueden efectuarse con anticipación y los producto
dentro
se pueden almacenar, esto no es conveniente. El inventario cargado
de un período se contabil iza durante el período en el cual fue hecho.
394 PROGRAMACION DINAMICA
1 5.000
e 3.000
3 4.000
4 2.000
Ñ ls :: 3 > a | o] >
En la decisión d, = 2, el costo es
s=1
Condiciones
de entrada | Decisión d, en la etapa 1
Í 12 fñ
dz h 0
2 o | NF NF | D+0+0=10 10
i NF AD+MYF+340=10 | 2)+0+3M0)=13 16
2 0+20+32)=14 | S1)+21"=30)=13 | 52)+0+30)=16 13
NE NF 2) + UP +0 =12 12
3 0
o NF ¡SD +20 +3MD=16 | 0)+ M1" +3M1)=15 | 15
| M1) +20 +32) = 19 SAD) + UY +I0)=18 | 18
2 0+20-+30)=2M
4 0 NF NF DUI O=18 | 18
XD =26 | 42)+20
:AD+20F +M0)=21 | 21
Ñ NF
2 0+240*+30)=38 | D+23P+3M2)=29 | 42) +20Y +342)=24 | 24
3, las cuales no
debería ser 2 manufacturadas + 1 en inventario =
En dz = 3, la decisió n es factible .
satisfarían la demanda de 4.
trabajo directo cam le ceomoatet
debio emana
de mero de o o
f
Costo (d, = 3) = 53) + 24 — 3 + M1) + (42, 1,) (13-£)
es
Se observa que la demanda es 4 unidades; se hacen 3 unidad
inventa rio. Por lo tanto el nivel
(dz = 3) y la unidad restante se toma del
396 PROGRAMACION DINAMICA
f.(d, =4, 1, =1) = 5(4) + 2(4.— 4)? + 3(1) + fí(d,, 1,) (13-9)
[¡=1+4-4=1 (13-10)
f*(d,=4,1, =1)=21 (13-11)
f2(d, =4, 1, =1) = 54) + 2(0) + 31) +21 =44 (13-12)
n=2
—___— A A E A A ES IN MAN
Condiciones
de entrada Decisión dz en la etapa 2
d; fa 3 4 fi
2 0 | NF NF 5(4) + 2(2)? +0 +18 46
I- | NF 5(3) + 21)? + 3(1) + 12 M2 +31)+21 | 32
2243s(2) ex + 3(2) + 10 50) 3209+- (312) + 15 5 4209+32)+24 | 26
3 O | NF NF 5(4) + 21)? +0 +18 40
I- | NF 5(3) +0 + 3(1) + 12 = 30 naa a 30
2 50) pm + 3(2) + 10 | 5(3) + 0 + 3(2) + 15= 36 503209 + 3(2) +24 | 28
4 O | NF NF 54) +0+0=18=38 | 38
l NF A 5(4) +0 +3(1)
+21 =44 | 32
2 (d+ 2(2)? + 3(2) + 10 | 5(3) A +3Q)+15 | 54) +0+3(2) + 24=50| 34
—_—_——_— >
5 Contratar 2| /¿=0
4 Despedir 1 1550
3 Despedir 1 f=1
bun— 2 Despedir 1 1, =0
Costo mínimo = 87
1111
Condiciones
de entrada d;
A A
y 3 4 fa
ds
sujeta a
(1) 6x, + 4x, + 6x3 < 14
(2) > EN
Ar a a EU
j=i
j=1
Sa = 1 = di (13-17)
Puesto que todos los a,, son positivos y relativamente grandes, se puede
deducir de la restricción (1) que x, y x3 no pueden ser mayores que 2 y
que x2 no puede ser mayor que 3. La restricción (2) indica que x3 no
puede ser mayor que 1, limitando así las decisiones disponibles.
Realmente estos cálculos se pueden reducir considerablemente me-
diante un agrupamiento apropiado de S,,. Esto no se ha hecho ya que
tiende a complicar el problema. Se observa que en la etapa 1, S,, puede
tener valores factibles en el intervalo entre O y 14 (si x2 y x3 son cero).
Por lo tanto para n = 1, el método tabular es bastante directo.
Como ejemplo se considera la fila para S, = 11. En este valor es fac-
tible fijar x, = 0, el cual da un retorno de 4(0) = 0. También es facti-
ble fijar x, = 1 ya que 6(1) < 11 y por tanto no se viola la primera res-
tricción. El retorno en x = 1 es 4(1) = 4. Sin embargo, no será posible
permitir que x, sea igual a 2 ya que esto excedería S,; 2(6) > 11.
Las condiciones de entrada de la etapa 2 realmente son más simples
ya que x3 está estrechamente limitado por la segunda restricción.
Como se mencionó anteriormente, x3 debe ser igual a 0 o a 1. Por lo
tanto Siz debe ser igual a 8 (si x= 1 y Siz= 14— 6) o 14 (si x3=0,
Si2 = 14 — 0). Esto reduce considerablemente el tamaño de la matriz.
El intervalo de valores que puede tomar d, es 0, 1, 2, 3 teniendo como
base a S;>z.
CONCEPTOS DE PROGRAMACION DINAMICA 399
n=1
Decisión en la etapa 1,
Condición di=x;
de entrada
Si 0 1 2 E =4x,
0 0 NF NF 0
1 0 NF NF 0
2 0 NF NF 0
3 0 NF NF 0
4 0 NF NF 0
5 0 NF NF 0
6 0 4 NF 4
7 0 4 NF 4
8 0 4 NF 4
9 0 4 NF 4
10 0 4 NF 4
11 0 4 NF 4
12 0 4 8 8
13 0 4 8 8
14 0 4 8 8
Tabla 13-11
Etapa | Decisión a
Tabla 13-12
Combinaciones factibles
X3 X2 S¡, resultante
0 0 Si =14-0-—0=14
0 1 Sir =14—0— 1(4) = 10
0 2 Si1 =14—0— 2(4) = 6
0 3 Sir = 14 —0— 3(4) = 2
1 0 Sii =14-6-0=8
Observar que en cualquier caso que haya desplazamiento hacia una nueva
tabla, se anota el retorno óptimo de la última tabla como un resultado de
lo sucedido en la nueva tabla, esto es, en función de S, y d,. Ahora se
considera el siguiente ejemplo.
fi=S/ (13-19)
Regresando a la etapa 2.
Rh=r. +1
=D A 1320)
Expresar S, en función de las variables de la etapa 2, esto es xz y Sz2.
Esto se efectúa empleando la relación S,= S2— 2x2.
AER? SED
= 2x2 + 52? — 4x257 + 4x,*
ra = 4x3 13 e= 2x, 2 =
ENE
FIGURA 13-3
Representación de un problema de programación dinámica (Ejemplo 13-6).
402 PROGRAMACION DINAMICA
La variable x3z puede tomar cualquier valor dentro del intervalo 0 <
x3< 8. Hallando la primera y segunda derivadas parciales se muestra
que el mínimo valor de f¿ ocurre en x3= 6, por tanto x3 debe eva-
luarse en ambos extremos del intervalo.
filx3=0)=0-0+64=64 (13-27)
fix, =8)=64-96+64=32 (13-28)
Por tanto fe 64109 atx3 =0. (18-29)
A partir de esta expresión se pueden determinar los otros valores de
a Y L2s Sy =8 3 =0
S2=S3-x3=8-0=8 (13-30)
x= 0
S, =8S,-2x,=8-0=8 (13-31)
x1=8S,=8
CONCEPTOS DE PROGRAMACION DINAMICA 403
Sy = 4
0<5,<4 4<S,<00
3 =S3 0
sb sicdri0 E a
x3=0 0
A a o ill
=0-0=0
%=S,=0 AR 28
3 =483 fi =SY
Una vez
A continuación se presenta un resumen del procedimiento.
ones de entrada
determinada la forma de calcular el retorno y las condici
de cada etapa, se calcula n xf y ff en funcion es de S,. Esto es similar
se determi na x* para todos los valores de
al método tabular, en el cual
nte emplea ndo la expresi ón de xi y
S, que pudieran ocurrir. Realme
para cualqui er interva lo deseado de
ff se pueden calcular los valores
los mismos resulta dos determi nados
valores de Si, y por tanto generar
se determi na f2 = "2 + f?. Entonce s
con el método tabular. Después
2 en tal forma que f2 pueda ser
ff se expresa en función de la etapa
en el cual se suma ff a
optimizado. Esto es similar al método tabular,
, ya que f* se había expresado
cada cálculo de la etapa 2. Sin embargo
de Sz y x2, no fue necesario investigar cada
anteriormente en función
valor discreto.
modifica el
EJEMPLO 13-7 Como otro ejemplo del método continuo se
ejemplo anterior para minimizar x12 +2x,? + 4x3
sujeta a Xx, +2x,+x3>8
x>0
404 PROGRAMACION DINAMICA
ETAPA 1
==? (13-33)
BS
fí = Si?
x=5S,
ETAPA 2
0,
22 =12 (13-38)
E
3 3
ETAPA 3
fj=r3+f7=4x3+38,2? (13-41)
S.=S,=x3 + (13:42)
f, =4x3 + (83? —2x383+x3?) (13-43)
CONCEPTOS DE PROGRAMACION Dinamica 405
of:
dd +3, (13-44)
Pf,
=> = 3
2 (13-45)
|
se em-
EJEMPLO 13-8 Como ejemplo final de una solución en la cual
plean variables continuas, maximizar
—x 2 — 2x7? + 3x2 + X3
sujeta a x+x.+x3<1
Xy, X2,X3 20
406 PROGRAMACION DINAMICA
d3= Xx3
ETAPA 1
A =r =-—x? (13-54)
ETAPA 2
PR=r,+ff=-2x,+3x,+0 (13-55)
— = —4x, +3 (13-56)
S2<¿ S2>34
dd *
x2 =$, x=i
fi=-287+38 Si=3
ETAPA 3
L=r3+f2=X+/ (13-58)
Esto debe hacerse para dos condiciones ya que f%í depende de la mag-
nitud de Sz.
DIFICULTADES EN LA APLICACION 407
i=1-x;
ye de (13-61)
por tanto 3=31+%=% (13-62)
Caso 2, S2< 2: fi =x3+38,-28,? (13-63)
SEA aa
fa =xX3 + 383 — 3x3, — 2(S, — x3)?
=XG +83 Big 29,7 41355 2x4?
= 438, — 2, 253 + 4%,5, 2x3? (13-65)
a
DLE
0X3
NT Y
Puesto que la segunda derivada parcial es — 4, la primera se puede igualar
a cero para determinar el valor de xz que maximiza
x3=S3-)j=1-—¿=j
ya que S3¿=1 (13-68)
f3=3 — 24) - 21) + 49101) — 24)
= 14 (13-69)
Ahora se compara el caso 1 con el caso 2. Ya que 4 < 14,
3=3 fj=54
Sa = Ss 1 YA O
OS, Y)
Sy =8S)=—x,=0 (13-72)
== 1393)
1111
DIFICULTADES EN LA APLICACION
Aunque teóricamente la programación dinámica se puede emplear para
resolver una amplia variedad de problemas, las aplicaciones rápidamente
llegan a ser muy difíciles. La principal dificultad es el tamaño del proble-
ma. En particular, estos comentarios se aplican en los problemas que
tienen soluciones finitas o no continuas. El tamaño de los problemas au-
408 PROGRAMACION DINAMICA
REFERENCIAS
1 Bellman, R.: “Dynamic Programming,” Princeton University Press, Princeton,
N.J., 1957.
2 Bellman, R., y S. Dreyfus: “Applied Dynamic Programming,” Princeton Univer-
sity Press, Princeton, N.J., 1962.
3 Howard, R.: “Dynamic Programming and Markov Processes,” John Wiley «
Sons, Inc., Nueva York, 1960.
4 Wilde, D. J., y C. S. Beightler: “Foundations of Optimization,” Prentice-Hall,
Englewood Cliffs, N.J., 1967.
PROBLEMAS 409
PROBLEMAS
Valor de la
Elemento! Peso, lb [Volumen, pies
¡ei
bonificación
.) 3
hd
la
fa
Un
Cantidad
para
Riesgo invertir
52.000
3.000
6.000
NN
00
He 7.000
"E x2+2x3>4
xj>0
410 PROGRAMACION DINAMICA
Demanda, miles 4 2 6 3
sujeta a
xi +x2<10
4x1 +x2<20
XxX1112> 0
13-7 Repetir el problema 13-6 sin la restricción de una solución entera.
13-8 Obtener una solución máxima empleando programación dinámica.
g Xx1?4+3x2—=X,
sujeta a
Xx1+2x2<5
13-9 Un oleoducto produce una ganancia de 30, 50, y 40 centavos por barril de
petróleo de las compañías 1, 2 y 3 respectivamente. La capacidad disponible
del oleoducto es 100.000 barriles diarios. Se han recibido solicitudes de
las
tres compañías petroleras para trasportar 50.000, 30.000, y 30.000 barriles.
Además el oleoducto obtiene una ganancia de 10 centavos por barril
alma-
cenado. Determinar la combinación optimal que permite maximizar la ganan-
cia empleando programación dinámica.
13-10 Maximizar
Z2=6x,+2x,+ 3x,+4
sujeta a
Xxi+x2<4
x2+3x,<6
X1, Xi, X3 >0
PROBLEMAS 411
13-11 Un inversionista tiene $500 para invertir y ha limitado sus posibles alterna-
tivas a tres pequeñas compañías. En la tabla se presentan los retornos
estimados para diferentes cantidades de capital invertido en cada com-
pañía. La asignación cero retorna $0. ¿Cuál es la estrategia optimal de
inversión?
Companía
Cantidad 1 % 3
$100 10 20 10
200 10 20 20
300 30 20 20
400 40 30 30
500 40 30 40
> ON E
A
ds 55 r
- Ye?
PRE
E
APENDICEA
Suma de términos del límite binomial exponencial de Poisson
1.000x probabilidad
de c o menos ocurrencias del evento que tiene un
número promedio de ocurrencias igual a c' o np”
58828
Ry
ooo000
oooo
.
pooo
sis
3884
288
3
.
ulLy
Un
rg
IPD
ud Y
SADO
Dow”
ll
yx
993| 998; 1.000
2,8
3,0
3,2
3,4
3,6
3-8
4,0
4,2
4,4
4,6
4,3
5,0 999|1.000
5,2 997| 999;1.000
5,4 996| 9991.00
5,6
. 998 999,1 .000
5,8
-
6,0
(Tomado de E. L Grandy R. $. Leavenworth, “Statistical
Quality Con-
trol,” 4a. ed., McGraw-Hill Book Company, Nueva York, 1972.
Con permiso
de los editores.)
APENDICE A 415
6,2 002 054| 134/ 259| 414| 574| 716| 826| 902
6,4 002 046| 119/ 235| 384| 542| 687| 803| 886
6,6 001 040/ 105| 213| 355| 511| 658| 780| 869
6,8 001 034| .093| 192| 327| 480| 628| 755| 850
7,0 001 030| 082| 173| 301 450| 599| 729| 830
7,2 001 025| 072| 156| 276| 420| 569| 703| 810
7,4 001 022| 063| 140/ 253| 392| 539| 676| 788
7,6 001 019| 055| 125| 231| 365| 510| 648| 765
7,8 000 016| 048| 112| 210| 338| 481| 620| 741
8,0 000 014| 042| 100| 191/ 313| 453| 593| 717
8,5 000 009| 030| 074| 150| 256| 386| 523| 653
9,0 000 006| 021| 055] 116| 207| 324| 456| 587
9,5 000 004| 015| 040| 089 165| 269| 392| 522
10,0 000 0031 010| 029| 067| 130| 220| 333| 458
6,2
6:4
6,6
6,8
7,0
7,2
7,4
7.6
7,8
8,0 999|1.000
8,5 999
9,0 999
9.5 998
10,0
. 997
2 Y Y | —_—_— | —— HU _———
10,5 000
11,0 000
11,5 000
12,0 000
12,5 000
13,0 000
13,5 000
14,0 000
14,5 000
15,0 000
—— _—_— ——— __—_—_—_— —__—— —_— _———— ——_—_—— —_—— | —_—__
10
10,5 521
11,0 460
11,5 402
12,0 347
12,5 297
13,0 252
13,5 211
14,0 176
14,5 145
15,0 118
20
10, 997
11,0 995
11,5 992
12,0 988
12,5 983
13,0 975 986 996
13,5 965 980 994
14,0 952 971 991 997| 999| 999/1.000
14,5 936 960 986 996| 998| 999| 999|1.000
15.0 917 947 981 994| 997| 998| 999|1.000
AAA A AAA A
16 000| 001
17 000| 001
18 000| 000
19 000| 000
20 000| 000
21 000| 000
22 000| 000
23 090| 000
24 000| 000
25 _000| 000
14 | 15
16 368| 467
17 281| 371
18 208| 287| 375| 469| 562 651| 731| 799| 855| 899
19 150| 215| 292| 378| 469| 561| 647| 725 793| 849
20 105| 157| 221| 297| 381| 470| 559| 644 721| 787
21 072) 111) 163| 227| 302 384| 471| 558| 640| 716
22 048| 077| 117| 169| 232| 306| 387| 472| 556| 637
23 031| 052| 082] 123| 175| 238| 310 389| 472| 555
24 020| 034| 056| 087| 128| 180| 243| 314| 392] 473
25 012 022| 038| 060| 092 134| 185| 247| 318| 3094
24 | 25 | 26 | 27 | 28 | 29 |30 | 31 | 32 | 33
16 978| 987| 993| 996| 998| 999| 999|1.000
17 959| 975| 985 991| 995| 997| 999| 9991.000
18 932] 955| 972 983| 990| 99| 997| 998 999|1.000
19 893| 927| 951| 969| 980| 988| 993| 996| 998| 999
20 843| 888| 922 948| 966| 978| 987| 992 995| 997
21 782 838| 883 917| 944| 963| 976| 985 99| 994
22 712] 777| 832| 877| 913| 940| 959| 973| 983| 989
23 635| 708| 772| 827| 873| 908| 936| 956 971| 981
24 554| 632| 704| 768| 823| 868| 904 932 953| 969
25 _473| 553| 629 700| 763| 818 863 900| 929| 950
34 | 35 | 36 | 37 | 38 | 39 | 40 | 41 | 42 | 43
19 999|1.000
20 999| 999|1.000
21 997| 998| 999| 999|1.000
22 994| 996| 998| 999| 999|1.000
23 9SS| 993| 996| 997| 999] 999|1.000
A 979| 987| 992| 995| 997| 998| 99%9| 999|1.000
25 056| 978| 985| 091| 994| 997| 99s| 9o9| 9se| 1.000
(Tomado de E. I Grandy R. S. Leavenworth, “Statistical Quality Con-
trol,” 4a. ed., McGraw-Hill Book Company, Nueva York, 1972. Con permiso
de los editores.)
418 APENDICE B
APENDICE B
de la variable X)
X:i-X'
==—=| 0,09 0,08 0,06 0,05 0,04 0,00
o”
+00 0,5000 [0,5040 [05080 0,5120 0,5160 [0,5199 0,5239 0,5279 [0,5319 0,5359
+0,1 0,5398 [0,5438 [0»5478 05517 015557 |0>5596 0,5636 0,5675 [0>5714 0,5753
+0,2 0,5793 [0,5832 [0,5871 0,5910 0,5948 |0+5987 0,6026 0,6064 [0,6103 0,6141
+0,3 0,6179 [0,6217 [0,6255 0,6293 0,6331 [06368 0,6406 0,6443 [0,6480 0,6517
+0,4 0,6554 [0,6591 [0,6628 0,6664 0,6700 |0:6736 0,6772 0,6808 [0,6844 0,6879
+0,5 0,6915 [0,6950 [0,6985 0,7019 0,7054 [0,7088 0,7123 0,7157 [0,7190 0,7224
+0,6 0,7257 [0,7291 [0,7324 0,7357 0»7389 [0,7422 07454 0,7486 [0,7517 0>7549
+0,7 0,7580 [0,7611 [0,7642 0,7073 07704 [0,7734 0,7764 0,7794 [0,7823 0»7852
+0,8 0,7881 [0,7910 [0,7939 0,7967 0,7995 [0,8023 0,8051 0,8079 [0,8106 0,8133
+0,9 0,8159 [0,8186 [0,8212 0,8238 0,8264 [0,8289 0,8315 0,8340 [0,8365 0,8389
+1,0 0,8413 [o,8438 [0,8461 0,8485 0,8508 /0,8531 0,8554 0,8577 [0,8599 0,8621
+16 0,9452 [0,9463 [09474 0,9484 0,9495 [0,9505 0,9515 09525 [0+9535 0,9545
+1,7 0,9554 [0,9564 [0,9573 0,9582 0,9591 [0,9599 0,9608 09616 |0-9625 0,9633
e 1,8 0,9641 [0,9649 [0,9656 0,9664 0,9671 [0,9678 0,9686 0,9693 [0,9699 0,9706
+1,9 0,9713 [0,9719 [0,9726 0,9732 0,9738 [0,9744 0,9750 0,9756 [0,9761 0,9767
+2,0 0,9773 [0,9778 [0,9783 0,9788 0,9793 [0,9798 0,9803 0,9808 [0,9812 0,9817
+21 0,9821 [0,9826 [0,9830 0,9834 0,9838 |0:9842 0>9846 0,9850 [0,9854 0,9857
+2,2 0,9861 [0,9864 [0,9868 0,9871 0,9875 |0,9878 0,9881 0,9884 |0,9887 0,9890
+2,3 0,9893 [0,9896 [0,9898 0,9901 0,9904 [0,9906 0,9909 0,9911 [0,9913 0,9916
+2,4 0,9918 [0,9920 [0,9922 0,9925 0,9927 [0,9929 0,9931 0,9932 [0,9934 0,9936
+2,5 0,9938 [0,9940 [0,9941 0,9943 0,9945 [0,9946 0,9948 0,9949 [0,9951 0,9952
+26 0,9953 [0,9955 |0-9956 0,9957 0»9959 |0.:.250 0,9961 0,9962 [0,9963 09964
+2,7 0,9965 [0,9966 [0,9967 0,9968 0,9969 lo 9970 0,9971 0,9972 [0,9973 0,9974
+2,8 0,9974 [0,9975 [0,9976 0.9977 0,9977 [0,9978 0,9979 0,9979 [0,9980 0,9981
+2,9 0,9981 [0,9982 [0,9983 0,9983 0,9984 [0,9984 0,9985 0,9985 [0,9986 0,9986
+3,0 0,99865¡0, 99869/0,99874|0,99878/0,99882|0,99886 0, 99889 0,99893/0,99896 0, 99900
APENDICE C
Números aleatorios*
10 09 73 25 33 76 52 01 35 86 34 67 35 48 76 80 95 90 91 17 309 29 27
37 54 20 48 05 64 89 47 42 96 24 80 52 40 37 .20 63 61 04 02 00 82
08 42 26 89 53 19 64 50 93 03 23 20 90 25 60 15 95 33 47 64 35 08
99 01 90 25 29 09 37 67 07 15 38 31 13 11 65 88 67 G7 43 97 04 43 62
12 80 79 99 70 80 15 73 61 47 64 03 23 66 53 98 95 11 68 77 12 17 17
66 0657 47 17 34 0727 68 50 36 69 73 61 70 65 81 33 98 85 11 19 92
31 06 01 08 05 45 57 18 24 06 35 30 34 26 14 86 79 90 74 39 23 40
85 26 97 76 02 02 05 16 56 92 68 66 57 48 18 73 05 38 52 47 18 62 38
63 57 33 21 35 05 32 54 70 48 90 55 35 75 48 28 46 82 87 09 83 49 12
73 79 64 57 53 03 52 96 47 78 35 80 83 42 82 60 93 52 03 44 35 27
98 52 01 77 67 14 90 56 86 07 22 10 94 05 58 60 97 09 34 33 $0 50 07
11 80 50 54 31 39 80 82 77 342 50 72 56 82 48 29 40 52 42 01 52 77
83 45 29 96 34 06 28 89-8083 13 74 67 0078 18 47 54 06 10 68 71 17
88 68 54 02 00 86 50 75 84 01 36 76 66 79 51 90 36 47 64 93 29 60 91
99 59 46 73 48 87 51 76 49 69 91 82 60 89 28 93 78 56 13 68 23 47
65 48 11 76 74 17 46 85 09 50 58 04 77 69 74 73 03 95 71 86 40 21 81
80 12 43 56 35 17 72 70 80 15 45 31 82 23 74 21 11 57 82 53 14 38
74 35 09 98 17 77 40 27 72 14 43 23 60 02 10 45 52 16 42 37 96 28 60
69 91 62 68 03 66 25 22 91 48 36 93 68 72 03 76 62 11 39 90) 94 40 05
09 89 32 05 05 14 22 56 85 14 46 42 75 67 88 96 29 77 88 22 54 38 21
61 19 69 04 46 26 45 74 77 74 51 92 43 37 29 65 39 45 95 93 42 58
15 47 44 52 66 95 27 07 99 53 59 36 78 38 48 82 39 61 01 18 33 21
94 55 72 85 73 67 89 75 43 87 54 62 24 44 31 91 19 04 25 92 92 92
42 48 11 62 13 97 34 40 87 21 16 36 84 87 67 03 07 11 20 59 25 70
23 52 37 83 17 73 20 88 98 37 68 93 59 14 16 26 25 22 96 63 05 52
04 49 35 24 9 75 24 63 38 24 45 8625 10 25 61 9627 93 35 65 33
00 54 99 76 54 64 05 18 81 59 96 11 96 38 98 54 69 28 23 91 23 28
35 96 31 53 07 26 89 80 93 54 33 35 13 54 62 77 97 45 00 24 90 10
59 80 80 83 91 45 42 72 68 42 83 60 94 97 00 13 02 12 48 92 78 56
46 05 88 52 36 01 39 0022 86 77 28 14 40 77 93 91 08 36 47 70 61
32 17 90 05 97 87 37 92 52 41 05 58 70 70 07 86 74 31 71 57 85 39
69 23 46 14 06 20 11 74 52 04 15 95 66 00 00 18 74 39 24 23 97 11
19 56 54 14 30 01 75 87 53 79 40 41 92 15 85 66 67 43 68 06 84 96
45 15 51 49 38 19 47 60 72 46 43 66 79 45 43 59 04 79 00 33 20 82
94 86 43 19 94 36 16 81 08 51 34 88 88 15 53 01 54 03 54 56 05 01
98 08 62 48 26 45 24 02 84 04 44 99 90 88 986 39 09 47 34 07 35 44
33 18 51 62 32 41 94 15 09 49 89 43 54 85 81 88 69 54 19 94 37 54
80 95 10 04 06 96 38 27 07 74 20 15 12 3387 25 01 62 52 98 94 62
79 75 24 91 40 71 96 12 82 96 69 86 10 25 91 74 85 22 05 39 00 38
18 63 33 25 37 98 14 50 65 71 31 01 02 46 74 05 45 56 14 27 77 93
74 02 94 39 02 77 55 73 22 70 97 79 01 71 19 52 52 75 80 21 80 81 17
54 17 84 56 11 80 99 33 71 43 05 33 51 29 69 56 12 71 92 55 36 04
11 66 44 98 83 52 07 98 48 27 59 38 17 15 39 09 97 33 34 40 88 46 33
48 32 47 79 28 31 24 96 47 10 02 29 53 68 70 32 30 75 75 46 15 02 99
69 07 49 41 38 87 63 79 19 76 35 58 40 44 01 10 51 82 16 15 01 84 69
*Esta tabla es una reproducción autorizada de las tablas de la corporación RAND.
(Tomado de E. 1. Grandy R. S. Leavenworth, “Statistical Quality Con-
trol,” 4a. ed., McGraw-Hill Book Company, Nueva York, 1972. Con permiso
de los editores.)
INDICE
Parámetros, 8
Matrices, 33 Patrón de demanda, 168
Matrices y sistemas lineales, 43 Permutaciones, .15
Matriz de retorno, 390 Población, 8
Matriz identidad, 44 Potencial de entrada, 375
Matriz inicial, 362 Preparación de datos, 309
Matriz inversa, 45 Prioridad, 200
Matriz optimal, 356, 362 Probabilidades, 14
INDICE 423
send
ES
Se tigralos, E : E
E eadietica deacrigilos. Lo 1d
Estarbisoier Taduciis; E
Latto sbyorebitandiasidog el ah:E
Fatimesión de *prmeerora Favi: HE A iebodo
Earstlticnc os eslanoisrioqo ses Po ;
Putrets Ae o ad iban P.
UN
INa
ETE : 8 188 onisqó vola'/ e
' ESE avisionb eb oraitaó solaV E
la 2 a
Ganancia, « Y oidaraY a todolo de E
ASE, 107 Fiñirormala sión BY 1 0 bt E deso
PEE,
pd 198 e srurglod shq sldariaW
18% ME sin dilo,
Madetos 1d... $0
99 jimplazo,
6ñ8.,E5$ seaaiaÑa esldams Y Hodéla en 7%
TES ¡nbiciosb St videimeY ALE mn : É
Hispogren a; £.- Eaanidalórinos esfdsimaY Moditicarión yeleaE
ÉS estonio. invori asidrizaW
E <¿euoiedal vs saldanY bradentión de
A pl
; pb a A z ibi 331 añ
13M IRE MA A Ei
inbirencia peladíciita To EE, Y
09
Intervalo aúministitivo da pereció
y A RAN 2%
sue,
de >, Yy : A sac a
e co
preso a a ¿0 Ue qu
ibriioas $3
Marita y sisleones mesias. EN
Maetsós de mitorós, mu:
Entra det 44
Metrir habria,
Maria slUA, de 1:
: Ipeteía aptimral,B5%, 208