Modulo Final

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA
UNIVERSIDAD TECNOLGICA INDOAMERICA
INVESTIGACION OPERATIVA
Docente:
Ing. Nikolay Artieda
Quito - Ecuador 2011
Ing. Nikolay Artieda Pgina 1 de 44
PRESENTACION
Kamlesh Mathur y Daniel Solow, no se equivocan al indicar en su libro que la Investigacin de Operaciones es el Arte de la Tomar de Decisiones, decisiones que generan alto valor empresarial. De hecho la Investigacin de Operaciones o Investigacin Operativa, es una de las ramas de la matemtica aplicada cuyo desarrollo ha contribuido fuertemente para mejorar y elevar los niveles de productividad de las organizaciones, pasando por el desarrollo de modelos lineales en su inicio, hasta llegar al desarrollo de poderosos simuladores que permiten anticipar las implicaciones de una o ms decisiones antes de ponerlas en prctica, minimizando de esta manera los riesgos de implementacin. El xito de su aplicacin ha sido demostrado en campos tan diferentes como el militar, las finanzas, la produccin, los servicios, logstica, medicina, nutricin, etc. Espero sinceramente que el desarrollo de este mdulo, despierte en el estudiante la curiosidad por aprender ms sobre la Investigacin Operativa y sus aplicaciones, as como tambin le permita poner en prctica todo lo desarrollado en clase con el fin de que pueda en su momento tomar decisiones oportunas y racionales.
Exitos!!!! Ing. Nikolay Artieda Bucheli
CONTENIDO GENERAL
Introduccin a la Investigacin Operativa Desarrollo y formulacin de Modelos Programacin Lineal Metodo grfico de Optimizacin Mtodo Simplex de Optimizacin Uso y aplicacin del software Solver y Wats Best en Excel Problemas de transporte y asignacin Pert - CPM
Objetivo General
Fortalecer la formacin de los futuros profesionales, a travs del estudio, anlisis, reflexin, investigacin y debate de los diversos temas, situaciones y acontecimientos que se pueden producir en una empresa y que son suceptibles de resolucin a travs de la Investigacin Operativa. Objetivos Especficos Analizar y comprender los diversos tipos de problemas empresariales que pueden ser resueltos con la aplicacin de Investigacin Operativa. Establecer y desarrollar la capacidad en el estudiante, de formular modelos matemticos suceptibles de ser resueltos a travs de la aplicacin de la Investigacin Operativa.
Descripcin del curso Se trabajar en base a casos que el estudiante deber resolver aplicando los conocimientos adquiridos en esta y otras asignaturas. Se utilizar para resolucin de los casos herramientas en Excel y software especializado como Whats Best, Lindo y Solver. Competencias de la asignatura: Al finalizar el modulo el estudiante estar en capacidad de: Aplicar correcta, efectiva y rpidamente los principios de Investigacin y Administracin de Operaciones en las tomas de decisiones empresariales, tanto para empresas de produccin como de servicios. Podr resolver casos y problemas reales de programacin lineal aplicados a la empresa. Podr resolver casos y problemas reales de transporte y asignacin aplicados a la empresa. Podr resolver casos y problemas reales de PERT y CPM aplicados a la empresa.
INTRODUCCINi La toma de decisiones es un proceso que se inicia cuando una persona observa un problema y determina que es necesario resolverlo procediendo a definirlo, a formular un objetivo, reconocer las limitaciones o restricciones, a generar alternativas de solucin y evaluarlas hasta seleccionar la que le parece mejor, este proceso puede se cualitativo o cuantitativo. El enfoque cualitativo se basa en la experiencia y el juicio personal, las habilidades necesarias en este enfoque son inherentes en la persona y aumentan con la prctica. En muchas ocasiones este proceso basta para tomar buenas decisiones. El enfoque cuantitativo requiere habilidades que se obtienen del estudio de herramientas matemticas que le permitan a la persona mejorar su efectividad en la toma de decisiones. Este enfoque es til cuando no se tiene experiencia con problemas similares o cuando el problema es tan complejo o importante que requiere de un anlisis exhaustivo para tener mayor posibilidad de elegir la mejor solucin. La investigacin de operaciones proporciona a los tomadores de decisiones bases cuantitativas para seleccionar las mejores decisiones y permite elevar su habilidad para hacer planes a futuro. En el ambiente socioeconmico actual altamente competitivo y complejo, los mtodos tradicionales de toma de decisiones se han vuelto inoperantes e inadmisibles ya que los responsables de dirigir las actividades de las empresas e instituciones se enfrentan a situaciones complicadas y cambiantes con rapidez que requieren de soluciones creativas y prcticas apoyadas en una base cuantitativa slida. En organizaciones grandes se hace necesario que el tomador de decisiones tenga un conocimiento bsico de las herramientas cuantitativas que utilizan los especialistas para poder trabajar en forma estrecha con ellos y ser receptivos a las soluciones y recomendaciones que se le presenten. En organizaciones pequeas puede darse que el tomador de decisiones domine las herramientas cuantitativas y l mismo las aplique para apoyarse en ellas y as tomar sus decisiones.
Desde al advenimiento de la Revolucin Industrial, el mundo ha sido testigo de un crecimiento sin precedentes en el tamao y la complejidad de las organizaciones. Los pequeos talleres artesanales se convirtieron en las corporaciones actuales de miles de millones. Una parte integral de este cambio revolucionario fue el gran aumento en la divisin del trabajo y en la separacin de las responsabilidades administrativas en estas organizaciones. Los resultados han sido espectaculares. Sin embargo, junto con los beneficios, el aumento en el grado de especializacin creo nuevos problemas que ocurren hasta la fecha en muchas empresas. Uno de estos problemas es las tendencias de muchas de las componentes de una organizacin a convertirse en imperios relativamente autnomos, con sus propias metas y sistemas de valores, perdiendo con esto la visin de la forma en que encajan sus actividades y objetivos con los de toda la organizacin. Lo que es mejor para una componente, puede ir en detrimento de otra, de manera que pueden terminar trabajando con objetivos opuestos. Un problema relacionado con esto es que, conforme la complejidad y la especializacin crecen, se vuelve ms difcil asignar los recursos disponibles a las diferentes actividades de la manera ms eficaz para la organizacin como un todo. Este tipo de problemas, y la necesidad de encontrar la mejor forma de resolverlos, proporcionaron el ambiente adecuado para el surgimiento de la Investigacin Operativa o Investigacin de Operaciones. INVESTIGACIN DE OPERACIONES (IO).ii Las races de la investigacin de operaciones se remontan a muchas dcadas, cuando se hicieron los primeros intentos para emplear el mtodo cientfico en la administracin de una empresa. Sin embargo, el inicio de la actividad llamada investigacin de operaciones, casi siempre se atribuye a los servicios militares prestados a principios de la segunda guerra mundial. Debido a los esfuerzos blicos, exista una necesidad urgente de asignar recursos escasos a las distintas operaciones militares y a las actividades dentro de cada operacin, en la forma ms efectiva. Por esto, las administraciones militares americana e inglesa hicieron un llamado a un gran nmero de cientficos para que aplicaran el mtodo cientfico a ste y a otros problemas estratgicos y tcticos. De hecho, se les pidi que hicieran investigacin sobre operaciones (militares). Estos equipos de cientficos fueron los
primeros equipos de IO. Con el desarrollo de mtodos efectivos para el uso del nuevo radar, estos equipos contribuyeron al triunfo del combate areo ingls. A travs de sus investigaciones para mejorar el manejo de las operaciones antisubmarinas y de proteccin, jugaron tambin un papel importante en la victoria de la batalla del Atlntico Norte. Esfuerzos similares fueron de gran ayuda en a isla de campaa en el pacfico. Al terminar la guerra, el xito de la investigacin de operaciones en las actividades blicas gener un gran inters en sus aplicaciones fuera del campo militar. Como la explosin industrial segua su curso, los problemas causados por el aumento en la complejidad y especializacin dentro de las organizaciones pasaron de nuevo a primer plano. Comenz a ser evidente para un gran nmero de personas, incluyendo a los consultores industriales que haban trabajado con o para los equipos de IO durante la guerra, que estos problemas eran bsicamente los mismos que
los enfrentados por la milicia, pero en un contexto diferente. Cuando comenz la dcada de 1950, estos individuos haban introducido el uso de la investigacin de operaciones en la industria, los negocios y el gobierno. Desde entonces, esta disciplina se ha desarrollado con rapidez. Se pueden identificar por lo menos otros dos factores que jugaron un papel importante en el desarrollo de la investigacin de operaciones durante este perodo. Uno es el gran progreso que ya se haba hecho en el mejoramiento de las tcnicas disponibles en esta rea. Despus de la guerra, muchos cientficos que haban participado en los equipos de IO o que tenan informacin sobre este trabajo, se encontraban motivados a buscar resultados sustanciales en este campo; de esto resultaron avances importantes. Un ejemplo sobresaliente es el mtodo simplex para resolver problemas de programacin lineal, desarrollado en 1947 por George Dantzing. Muchas de las herramientas caractersticas de la investigacin de operaciones, como programacin lineal, programacin dinmica, lneas de espera y teora de inventarios, fueron desarrolladas casi por completo antes del trmino de la dcada de 1950. Un segundo factor que dio mpetu al desarrollo de este campo fue el advenimiento de la computadoras. Para manejar de una manera efectiva los complejos problemas
inherentes a esta disciplina, por lo general se requiere un gran nmero de clculos. Llevarlos a cabo a mano puede resultar casi imposible. Por lo tanto, el desarrollo de la computadora electrnica digital, con su capacidad para realizar clculos aritmticos, miles o tal vez millones de veces ms rpido que los seres humanos, fue una gran ayuda para la investigacin de operaciones. Un avance ms tuvo lugar en la dcada de 1980 con el desarrollo de las computadoras personales cada vez ms rpidas, acompaado de buenos paquetes de software para resolver problemas de IO, esto puso las tcnicas al alcance de un gran nmero de personas. Hoy en da, literalmente millones de individuos tiene acceso a estos paquetes. En consecuencia, por rutina, se usa toda una gama de computadoras, desde las grandes hasta las porttiles, para resolver problemas de investigacin de operaciones. NATURALEZA DE LA INVESTIGACIN DE OPERACIONESiii Como su nombre lo dice, la investigacin de operaciones significa "hacer investigacin sobre las operaciones". Entonces, la investigacin de operaciones se aplica a problemas que se refieren a la conduccin y coordinacin de operaciones (o actividades) dentro de una organizacin. La naturaleza de la organizacin es esencialmente inmaterial y, de hecho, la investigacin de operaciones se ha aplicado de manera extensa en reas tan diversas como la manufactura, el transporte, la construccin, las telecomunicaciones, la planeacin financiera, el cuidado de la salud, la milicia y los servicios pblicos, por nombrar slo unas cuantas. As, la gama de aplicaciones es extraordinariamente amplia. La parte de investigacin en el nombre significa que la investigacin de operaciones usa un enfoque similar a la manera en que se lleva a cabo la investigacin en los campos cientficos establecidos. En gran medida, se usa el mtodo cientfico para investigar el problema en cuestin. (De hecho, en ocasiones se usa el trmino ciencias de la administracin como sinnimo de investigacin de operaciones.) En particular, el proceso comienza por la observacin cuidadosa y la formulacin del problema incluyendo la recoleccin de los datos pertinentes. El siguiente paso es la construccin de un modelo cientfico (por lo general matemtico) que intenta abstraer la esencia del problema real. En este punto se propone la hiptesis de que el modelo es una representacin lo suficientemente precisa de las caractersticas esenciales de
la situacin como para que las conclusiones (soluciones) obtenidas sean vlidas tambin para el problema real. Despus, se llevan a cabo los experimentos adecuados para probar esta hiptesis, modificarla si es necesario y eventualmente verificarla. (Con frecuencia este paso se conoce como validacin del modelo.) Entonces, en cierto modo, la investigacin e operaciones incluye la investigacin cientfica creativa de las propiedades fundamentales de las operaciones. Sin embargo, existe ms que esto. En particular, la IO se ocupa tambin de la administracin prctica de la organizacin. As, para tener xito, deber tambin proporcionar conclusiones claras que pueda usar el tomador de decisiones cuando las necesite. Una caracterstica ms de la investigacin de operaciones es su amplio punto de vista. Como qued implcito en la seccin anterior, la IO adopta un punto de vista organizacional. de esta manera, intenta resolver los conflictos de intereses entre las componentes de la organizacin de forma que el resultado sea el mejor para la organizacin completa. Esto no significa que el estudio de cada problema deba considerar en forma explcita todos los aspectos de la organizacin sino que los objetivos que se buscan deben ser consistentes con los de toda ella. Una caracterstica adicional es que la investigacin de operaciones intenta encontrar una mejor solucin, (llamada solucin ptima) para el problema bajo consideracin. (Decimos una mejor solucin y no la mejor solucin porque pueden existir muchas soluciones que empaten como la mejor.) En lugar de contentarse con mejorar el estado de las cosas, la meta es identificar el mejor curso de accin posible. Aun cuando debe interpretarse con todo cuidado en trminos de las necesidades reales de la administracin, esta "bsqueda de la optimidad" es un aspecto importante dentro de la investigacin de operaciones. Todas estas caractersticas llevan de una manera casi natural a otra. Es evidente que no puede esperarse que un solo individuo sea un experto en todos lo mltiples aspectos del trabajo de investigacin de operaciones o de los problemas que se estudian; se requiere un grupo de individuos con diversos antecedentes y habilidades. Entonces, cuando se va a emprender un estudio de investigacin de operaciones completo de un nuevo problema, por lo general es necesario emplear el
empleo de equipo. Este debe incluir individuos con antecedentes firmes en matemticas, estadstica y teora de probabilidades, al igual que en economa, administracin de empresas, ciencias de la computacin, ingeniera, ciencias fsicas, ciencias del comportamiento y, por supuesto, en las tcnicas especiales de investigacin de operaciones. El equipo tambin necesita tener la experiencia y las habilidades necesarias para permitir la consideracin adecuada de todas las ramificaciones del problema a travs de la organizacin. CMO SE TRABAJA EN INVESTIGACIN DE OPERACIONES
DEFINICION DEL PROBLEMA
DESARROLLO DE UN MODELO MATEMATICO
RESOLUCION DEL MODELO
PRUEBA DE LA SOLUCION
MODIFICAR EL MODELO
ES VALIDA?
IMPLEMENTACION
GRAFICO 1 METODOLOGIA DE INVESTIGACION OPERATIVA iv
LAS
PRINCIPALES
HERRAMIENTAS
DE
LA
INVESTIGACIN
DE
OPERACIONESv Cuando hablamos de herramientas en IO, nos estamos refiriendo a los diferentes modelos tericos (como por ejemplo, modelos de transporte y teora de colas), y a otras disciplinas (como matemtica, administracin, economa, etctera), que se utilizan como instrumentos de trabajo habitual para el profesional de la Investigacin de Operaciones. Debe quedar claro, sin embargo, que cada da se agregan ms tipos de modelos y otras disciplinas imposibles de enumerar en este momento. De la misma manera la Investigacin de Operaciones es considerada, ella misma como una herramienta al servicio de otras disciplinas (tal como reza el ttulo de nuestros artculos). Es bien conocido que la Administracin de Negocios se ha estado beneficiando grandemente de la Investigacin de Operaciones ahora que se ha iniciado toda una revolucin con el uso de Planificacin Estratgica, Reingeniera y los programas de Calidad Total, para mencionar algunos. A continuacin presentamos una lista, no exhaustiva, de diferentes tipos de modelos que se podran considerar como herramientas de la Investigacin de Operaciones, sugerimos al lector revisarla y compararla con los contenidos de libros clsicos de I.O: 1. Modelos grficos de programacin lineal. 2. Modelos algebraicos de programacin lineal. 3. Redes y programacin lineal para transporte. 4. Modelos de toma de decisin en condiciones de incertidumbre. 5. Modelos de toma de decisin en condiciones de certeza. 6. Modelos Bayesianos. 7. Procesos estocsticos con cadenas de Markov. 8. Lneas de espera (Teora de colas). 9. Modelos de optimizacin con redes para la planeacin, ejecucin y control de proyectos. 10. Cadenas de Markov para el reemplazo de activos fijos. 11. Modelos de inventarios determinsticos. 12. Modelos de inventarios probabilsticos.
13. Modelos de programacin dinmica y teora de juegos. 14. Modelos de simulacin para la obtencin de informacin experta. 15. Modelos heursticos de autoaprendizaje y autocorreccin.
Los expertos Hillier y Lieberman dicen en su tratado (usado como texto durante varias generaciones de estudiosos de la Investigacin de Operaciones) con la Revolucin Industrial se invent la divisin del trabajo y esto trajo como consecuencia un crecimiento en la dimensin y complejidad de las organizaciones. Como ya lo hemos comentado, la superespecializacin de los individuos, los departamentos de las industrias y an las mismas industrias, produjo un efecto de aparente desorden (a veces aparente y a veces real) dentro de las organizaciones, ya que se intentaba armar rompecabezas con todas las piezas que producan los especialistas. Sin las tcnicas y modelos de la I.O. la situacin hubiese devenido en un caos, fue esta herramienta (o si lo queremos decir en trminos ms globales, las herramientas) la que permiti organizar todos los cabos sueltos y al mismo tiempo la situacin hizo que la I.O. creciera. Nosotros sabemos que la reingeniera propone olvidarnos de la divisin del trabajo y regresar a una especie de todologa ya que esto evita los pasos laterales que no agregan valor a los procesos y nos da la opcin de atender directamente al beneficiario del proceso el cliente!. Las tcnicas de redes, teora de colas, modelos de inventarios, programacin lineal, transporte, etctera, aunado a la capacitacin del personal y a la tecnologa cambiante y agresiva son, en esta era de la Planificacin Estratgica, los instrumentos indispensables para la Reingeniera y la Calidad Total. PROGRAMACION LINEALvi
Muchas personas clasifican el desarrollo de la Programacin Lineal (PL) entre los avances cientficos ms importantes de mediados del siglo XX. En la actualidad es una herramienta comn que ha ahorrado miles o millones de dlares a muchas compaas y negocios, incluyendo industrias medianas en distintos pases del
mundo. Cul es la naturaleza de esta notable herramienta y qu tipo de problemas puede manejar? Expresado brevemente, el tipo ms comn de aplicacin abarca el problema general de asignar recursos limitados entre actividades competitivas de la mejor manera posible (es decir, en forma ptima). Este problema de asignacin puede surgir cuando deba elegirse el nivel de ciertas actividades que compiten por recursos escasos para realizarlas. La variedad de situaciones a las que se puede aplicar esta descripcin es sin duda muy grande, y va desde la asignacin de instalaciones productivas a los productos, hasta la asignacin de los recursos nacionales a las necesidades de un pas; desde la planeacin agrcola, hasta el diseo de una terapia de radiacin; etc. No obstante, el ingrediente comn de todas estas situaciones es la necesidad de asignar recursos a las actividades. Con frecuencia, seleccionar una alternativa incluye satisfacer varios criterios al mismo tiempo. Por ejemplo, cuando se compra una pieza de pan se tiene el criterio de frescura, tamao, tipo (blanco, integral u otro), costo y rebanado o sin rebanar. Se puede ir un paso ms adelante y dividir estos criterios en dos categoras: restricciones y el objetivo. Las restricciones son las condiciones que debe satisfacer una solucin que est bajo consideracin. Si ms de una alternativa satisfacen todas las restricciones, el objetivo se usa para seleccionar entre todas las alternativas factibles. Cuando se elige una pieza de pan, pueden quererse 100 gr. de pan blanco rebanado y hecho no antes de ayer. Si varias marcas satisfacen estas restricciones, puede aplicarse el objetivo de un costo mnimo y escoger las ms barata.
Existen muchos problemas administrativos que se ajustan a este molde de tratar de minimizar o maximizar un objetivo que est sujeto a una lista de restricciones. un corredor de inversiones, por ejemplo, trata de maximizar el rendimiento sobre los fondos invertidos pero las posibles inversiones estn restringidas por las leyes y las polticas bancarias. Un hospital debe planear que las comidas para los pacientes satisfagan ciertas restricciones sobre sabor, propiedades nutritivas, tipo y variedad, al mismo tiempo que se trata de minimizar el costo. Un fabricante, al planear la produccin futura, busca un costo mnimo al mismo tiempo cmo cumplir restricciones sobre la demanda del producto, la capacidad de produccin, los
inventarios, el nivel de empleados y la tecnologa. La PL se ha aplicado con xito a estos y otros problemas. La PL es una tcnica determinista, no incluye probabilidades y utiliza un modelo matemtico para describir el problema. El adjetivo lineal significa que todas las funciones matemticas del modelo deben ser funciones lineales. En este caso, la palabra programacin no se refiere a programacin en computadoras; en esencia es un sinnimo de planeacin. As, la PL trata la planeacin de las actividades para obtener un resultado ptimo, esto es, el resultado que mejor alcance la meta especificada (segn el modelo) entre todas las opciones de solucin. Aunque la asignacin de recursos a las actividades es la aplicacin ms frecuente, la PL tiene muchas otras posibilidades. De hecho, cualquier problema cuyo modelo matemtico se ajuste al formato general del modelo de PL es un problema de PL. Supuestos de la programacin lineal.vii Existe un nmero de suposiciones realizadas en cada modelo. La utilidad de un modelo est directamente relacionada con la realidad de los supuestos. El primer supuesto tiene que ver con la forma lineal de las funciones. Ya que el objetivo es lineal, la contribucin al objetivo de cualquier decisin es proporcional al valor de la variable de decisin. Producir dos veces ms de producto producir dos veces ms de ganancia, contratando el doble de pginas en las revistas doblar el costo relacionado con las revistas. Es una Suposicin de Proporcin. Adems, la contribucin de una variable a la funcin objetivo es independiente de los valores de las otras variables. La ganancia con una computadora Notebook es de $10,750.00, independientemente de cuantas computadoras Desktop se producen. Este es un Supuesto de Adicin. Anlogamente, ya que cada restriccin es lineal, la contribucin de cada variable al lado izquierdo de cada restriccin es proporcional al valor de la variable e independiente de los valores de cualquier variable.
Estas suposiciones son bastante restrictivas. Veremos, sin embargo, que ser claros y precisos en la formulacin del modelo puede ayudar a manejar situaciones que parecen en un comienzo como lejanos a estos supuestos. El siguiente supuesto es la Suposicin de ser Divisible. Es posible tomar una fraccin de cualquier variable. Por ejemplo, en un problema de marketing, qu significa comprar 2.67 avisos en la televisin?. Es posible que la suposicin de ser divisible sea insatisfecha en este ejemplo. O puede ser que tales unidades de 2.67 avisos correspondan a 2,666.7 minutos de avisos, en cuyo caso redondeando la solucin seran 2,667 minutos con una mnima duda que est cercana a la solucin ptima. Si la suposicin de divisible no es vlida, entonces se usar la tcnica de Programacin Lineal Entera. La ltima suposicin es el Supuesto de Certeza. La Programacin Lineal no permite incertidumbre en los valores. Ser difcil que un problema cumpla con todas las suposiciones de manera exacta. Pero esto no negar la factibilidad de uso del modelo. Un modelo puede ser an til aunque difiera de la realidad, si se es consistente con los requerimientos ms estrictos dentro del modelo y se tiene claras sus limitaciones al interpretar los resultados. Existen limitaciones prcticas para el uso de la PL. Una se relaciona con los clculos. En general se necesita una computadora. Desafortunadamente, las calculadoras, aun las programables, son poco tiles, puesto que la PL tiene necesidad de gran cantidad de memoria o almacenamiento. Si no se tiene acceso a una computadora, se estar limitado a problemas muy sencillos. La otra limitacin se refiere al costo de formular un problema de PL. En teora, podra usarse PL, por ejemplo, para hacer las compras semanales de abarrotes. Sin embargo, sera necesario conocer todas las compras posibles que pueden realizarse (stas seran las variables), adems de cada restriccin como sabor, nmero de comidas, vitaminas y protenas. Es obvio que el costo de obtener todos estos datos excede lo que se podra ahorrar si se hicieran las compras ptimas. Antes de emprender una
aplicacin de PL, debe considerarse la disponibilidad y el costo de los datos necesarios.
Formulacin de modelos de Programacin Lineal.viii

Aunque se ponga en duda, la parte ms difcil de PL es reconocer cundo sta puede aplicarse y formular el problema matemticamente. Una vez hecha esa parte, resolver el problema casi siempre es fcil. Para formular un problema en forma matemtica, deben expresarse afirmaciones lgicas en trminos matemticos. Esto se realiza cuando se resuelven problemas hablados al estudiar un curso de lgebra. Algo muy parecido sucede aqu al formular las restricciones. Por ejemplo, considrese la siguiente afirmacin: A usa 3 horas por unidad y B usa 2 horas por unidad. Si deben usarse todas las 100 horas disponibles, la restriccin ser: 3A + 2B = 100 Sin embargo, en la mayora de las situaciones de negocios, no es obligatorio que se usen todos los recursos (en este caso, horas de mano de obra). Ms bien la limitacin es que se use, cuando mucho, lo que se tiene disponible. Para este caso, la afirmacin anterior puede escribirse como una desigualdad: 3A + 2B 100
Para que sea aceptable para PL, cada restriccin debe ser una suma de variables con exponente 1. Los cuadrados, las races cuadradas, etc. no son aceptables, ni tampoco los productos de variables. Adems, la forma estndar para una restriccin pone a todas las variables del lado izquierdo y slo una constante positiva o cero del lado derecho. Esto puede requerir algn reacomodo de los trminos. Si, por ejemplo, la restriccin es que A debe ser por los menos el doble de B, esto puede escribirse como: A 2B A 2B 0
Ntese que pueden moverse trminos de un lado a otro de las desigualdades como si fuera un signo de igualdad. Pero al multiplicar una desigualdad por -1, el sentido de esta desigualdad se invierte. Puede ser necesario hacer esto para que los coeficientes del lado derecho sean positivos. Por ejemplo, si se quiere que A sea por lo menos tan grande como B - 2, entonces: A A B por ltimo B A B 2 2 2
Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una ecuacin. Todo lo que se tiene que hacer es agregar (o restar) una variable extra. Por ejemplo: B A 2 es lo mismo que B A+S=2
en donde S representa la diferencia, o la holgura, entre B -A y 2. S se llama variable de holgura. Por otro lado, se restara una variable de supervit en el caso siguiente: A 2B 0 es lo mismo que A 2B S = 0
Algunos mtodos de solucin (como el Mtodo Smplex) y la mayora de los programas de computadora (como el MathProg, que viene en el ORCourseware, que acompaa al libro Introduccin a la Investigacin de Operaciones de los autores Hillier y Lieberman) requieren que todas las desigualdades se conviertan en igualdades. La metodologa de PL requiere que todas las variables sean positivas o cero, es decir, no negativas. Para la mayora de los problemas esto es real, no se querra una solucin que diga: prodzcanse menos dos cajas o contrtense menos cuatro personas. Mientras que no existe un lmite en el nmero de restricciones que puede tener un problema de PL, slo puede haber un objetivo. La forma matemtica del objetivo se llama funcin objetivo. Debe llevar consigo el maximizar o minimizar
alguna medida numrica. Podra ser maximizar el rendimiento, la ganancia, la contribucin marginal o los contactos con los clientes. Podra ser minimizar el costo, el nmero de empleados o el material de desperdicio. Con frecuencia el objetivo es evidente al observar el problema. Como el valor de la funcin objetivo no se conoce hasta que se resuelve el problema, se usa la letra Z para representarlo. La funcin objetivo tendr, entonces, la forma: Maximizar Minimizar Z = 4A + 6B Z = 2x1 + 5x2
Se analiza una aplicacin para ilustrar el formato de los problemas de Programacin Lineal. Planeacin de la fuerza de trabajo.ix El gerente de personal de La Tortuga Veloz, S.A. de C.V., est analizando la necesidad de mano de obra semi calificada durante los prximos seis meses. Se lleva 1 mes adiestrar a una persona nueva. Durante este perodo de entrenamiento un trabajador regular, junto con uno en adiestramiento (aprendiz), producen el equivalente a lo que producen 1.2 trabajadores regulares. Se paga $500.00 mensuales a quien est en entrenamiento, mientras que los trabajadores regulares ganan $800.00 mensuales. La rotacin de personal entre los trabajadores regulares es bastante alta, del 10% mensual. El gerente de
personal debe decidir cuntas personas necesita contratar cada mes para adiestramiento. En seguida se da el nmero de meses-hombre necesarios. Tambin se desea tener una fuerza de trabajo regular de 110 al principio de julio. En cuanto al 1 de enero, hay 58 empleados regulares.
Mes Enero Febrero Marzo
Meses-hombre requeridos 60 50 60
Mes Abril Mayo Junio
Meses-hombre requeridos 80 70 100
Este problema tiene un aspecto dinmico, ya que la fuerza de trabajo en cualquier mes depende de la fuerza de trabajo regular y en adiestramiento del mes anterior. Para cualquier mes, el nmero total de meses-hombre disponibles se puede expresar como sigue: Meses-hombre disponibles: Ri + 0.2Ai en donde: Ri = nmero de trabajadores regulares al principio del mes Ai = nmero de aprendices contratados en el mes. Entonces los requerimientos de cada mes pueden expresarse por las restricciones: Enero Febrero Marzo Abril Mayo Junio R1 + 0.2A1 R2 + 0.2A2 R3 + 0.2A3 R4 + 0.2A4 R5 + 0.2A5 R6 + 0.2A6 60 50 60 80 70 100 110
julio (principio) R7
Debido a la rotacin, el 10% de los trabajadores regulares se van cada mes. As, el nmero de trabajadores regulares disponibles, por ejemplo, al principio de febrero sera: R2 = 0.9R1 + A1
En la misma forma, pueden escribirse las ecuaciones para el nmero de trabajadores disponibles al principio de cada mes: Enero Febrero Marzo Abril Mayo Junio Julio R1 R2 R3 R4 R5 R6 R7 = 58 (dado) = 0.9R1 + A1 = 0.9R2 + A2 = 0.9R3 + A3 = 0.9R4 + A4 = 0.9R5 + A5 = 0.9R6 + A6
El objetivo global del gerente de personal es minimizar el costo. La funcin objetivo es: Minimizar: Z = 800(R1 + R2 + R3 + R4 + R5 + R6) + 500(A1 + A2 + A3 + A4 + A5 + A6) Ahora se tiene el problema en el formato general de PL con 13 variables y 14 restricciones. Los tomadores de decisiones en las empresas establecen criterios que debe cumplir una solucin y, despus, buscan esa solucin. En PL, los criterios se expresan como restricciones. Se exploran las soluciones posibles y se usa la funcin objetivo para elegir la mejor de entre aquellas que cumplen con los criterios. La PL se denomina tcnica de optimizacin, pero optimiza slo dentro de los lmites de las restricciones. En realidad es un mtodo de satisfaccin de criterios. Forma estndar de los modelos de Programacin Lineal.x Supngase que existe cualquier nmero (digamos m) de recursos limitados de cualquier tipo, que se pueden asignar entre cualquier nmero (digamos n) de actividades competitivas de cualquier clase. Etiqutense los recursos con nmeros (1, 2, ..., m) al igual que las actividades (1, 2, ..., n). Sea xj (una variable de decisin) el nivel de la actividad j, para j = 1, 2, ..., n, y sea Z la medida de
efectividad global seleccionada. Sea cj el incremento que resulta en Z por cada incremento unitario en xj (para j = 1, 2, ..., n). Ahora sea bi la cantidad disponible del recurso i (para i = 1, 2, ..., m). Por ltimo defnase aij como la cantidad de recurso i que consume cada unidad de la actividad j (para i = 1, 2, ..., m y j = 1, 2, ..., n). Se puede formular el modelo matemtico para el problema general de asignar recursos a actividades. En particular, este modelo consiste en elegir valores de x1, x2, ..., xn para: Maximizar Z = c1x1 + c2x2 + ... + cnxn, sujeto a las restricciones: a11x1 + a12x2 + ... + a1nxn a21x1 + a22x2 + ... + a2nxn b1 b2
am1x1 + am2x2 + ... + amnxn x1 0, x2 0, ..., xn 0
bm
sta se llamar nuestra forma estndar (porque algunos libros de texto adoptan otras formas) para el problema de PL. Cualquier situacin cuya formulacin matemtica se ajuste a este modelo es un problema de PL. En este momento se puede resumir la terminologa que usaremos para los modelos de PL. La funcin que se desea maximizar, c 1x1 + c2x2 + ... + cnxn, se llama funcin objetivo. Por lo general, se hace referencia a las limitaciones como restricciones. Las primeras m restricciones (aquellas con una funcin del tipo a i1x1 + ai2x2 + ... + ainxn, que representa el consumo total del recurso i) reciben el nombre de restricciones funcionales. De manera parecida, las restricciones xj 0
se llaman restricciones de no negatividad. Las variables xj son las variables de
decisin. Las constantes de entrada, aij, bi, cj, reciben el nombre de parmetros del modelo.
Solucin Grfica de Modelos Lineales con dos Variables.

Para la solucin grfica de programas lineales con dos variables, lo que se tiene que hacer es trazar un eje de coordenadas cartesianas, para graficar las desigualdades dadas por el problema, despus encontrar el rea de Soluciones Factibles y proceder a graficar la funcin objetivo para conocer el valor ptimo (maximizar o minimizar) que ser la solucin del problema. Ejemplo: Problema de mezcla de productos. Un fabricante est tratando de decidir sobre las cantidades de produccin para dos artculos: mesas y sillas. Se cuenta con 96 unidades de material y con 72 horas de mano de obra. Cada mesa requiere 12 unidades de material y 6 horas de mano de obra. Por otra parte, las sillas usan 8 unidades de material cada una y requieren 12 horas de mano de obra por silla. El margen de contribucin es el mismo para las mesas que para las sillas: $5.00 por unidad. El fabricante prometi construir por lo menos dos mesas. Paso 1: formulacin del problema. El primer paso para resolver el problema es expresarlo en trminos matemticos en el formato general de PL. Cul es el objetivo? Es maximizar la contribucin a la ganancia. Cada unidad de mesas o sillas producidas contribuir con $5 en la ganancia. As las dos alternativas son la produccin de mesas y la produccin de sillas. Ahora puede escribirse la funcin objetivo: Maximizar Z = 5x1 + 5x2 en donde: x1 = nmero de mesas producidas x2 = nmero de sillas producidas
Cules son las restricciones o limitaciones del problema? Existen tres restricciones. Primero, el material est limitado a 96 unidades. Cada mesa se lleva 12 unidades de material y cada silla usa 8 unidades. La primera restriccin es, entonces: 12x1 + 8x2 96
La segunda restriccin es el total de horas de mano de obra. Una mesa se lleva 6 horas, una silla 12 horas y se dispone de un total de 72 horas. As: 6x1 + 12x2 72
Existe una limitacin ms. El fabricante prometi producir por lo menos dos mesas. Esto puede expresarse como: x1 2
Por ltimo, las restricciones de no negatividad son: x1 0, x2 0
Poniendo todo junto el modelo se tiene: Maximizar Z = 5x1 + 5x2 96 72
Restricciones: 12x1 + 8x2 6x1 + 12x2 x1 x1 2 0, x2
Paso 2: grfica de las restricciones. El siguiente paso en el mtodo grfico es dibujar todas las restricciones en una grfica. Esto puede hacerse en cualquier orden. Por conveniencia se comenzar con las restricciones de no negatividad. stas se muestran en la siguiente figura:
En esta grfica, una solucin se representara por un punto con coordenadas x 1 (mesas) y x2 (sillas). Las coordenadas representaran las cantidades de cada artculo que se deben producir. El cuadrante superior derecho se llama Regin Factible puesto que es el nico cuadrante en que pueden estar las soluciones. Los otros tres cuadrantes no son factibles, ya que requeriran la produccin de cantidades negativas de mesas o de sillas o de ambas. La siguiente restriccin es x1 2. La manera ms sencilla de dibujar las
restricciones de recursos es en dos pasos: (1) convertir una desigualdad en una ecuacin y graficar la ecuacin y (2) sombrear el rea apropiada arriba y abajo de la lnea que resulta en el paso 1. Convertir una igualdad en una ecuacin aqu significa ignorar la parte de mayor que o menor que de la restriccin. As, en el ejemplo, x1 siguiente figura:
2 se convierte en x1 = 2. Esta ecuacin est trazada en la
Cualquier punto en la lnea x1 = 2 satisface la ecuacin. Sin embargo, la restriccin es ms amplia, ya que cualquier punto x1 > 2 tambin la cumplir. Esto incluye todos los puntos que estn a la derecha de la lnea x1 = 2. Entonces, la regin factible incluye todos los valores de x1 que estn sobre o a la derecha de la lnea x1 = 2. La limitacin sobre las horas de mano de obra es la siguiente restriccin. Como antes, primero se convierte en una ecuacin: 6x1 + 12x2 = 72. Puede graficarse esta lnea si se encuentran dos puntos sobre ella. El par de puntos ms sencillos de localizar son las intersecciones con los ejes X1 y X2. Para encontrar la interseccin con el eje X2 se hace x1 = 0. La ecuacin se reduce, entonces, a: 12x2 = 72 x2 = 6 La interseccin con el eje X1 se encuentra haciendo x2 = 0. As: 6x1 = 72 x1 = 12 Estos dos puntos y la lnea que los une se muestran en la siguiente figura:
Cualquier punto que est sobre o abajo de esta lnea cumplir con la restriccin. Cualquier punto arriba de esta lnea requerir ms de 72 horas de mano de obra y no es aceptable. En la siguiente figura se combina esta restriccin con la anterior. En la regin factible, ambas restricciones se cumplen.
La ltima restriccin es la de material. Siguiendo el procedimiento anterior, primero se encuentran las intersecciones para la igualdad. stas son x1 = 0, x2 = 12 y x1 = 8, x2 =0. Se localizan los dos puntos en la grfica; se traza la lnea, y como la restriccin es del tipo menor o igual que, se sombrea el rea que est abajo de la lnea. El resultado se muestra en la siguiente figura:
Cualquier solucin que est en la frontera o dentro del rea sombreada cumplir con todas las restricciones. Ahora se utilizar la funcin objetivo para seleccionar la solucin ptima. Paso 3: obtencin de la solucin ptima: lneas de indiferencia. Para encontrar la solucin ptima, se grafica la funcin objetivo en la misma grfica de las restricciones. La funcin objetivo en este problema es Z = 5x 1 + 5x2. Como todava no se conoce el mximo valor factible de Z, no puede trazarse el ptimo de la funcin objetivo. No obstante, es posible suponer algunos valores para Z y graficar las lneas resultantes. En la siguiente figura se muestran las lneas para Z = 25 yZ = 50:
Las lneas de este tipo se llaman lneas de indiferencia, porque cualquier punto sobre una lnea dada da la misma ganancia total. Ntese que la distancia perpendicular del origen a la lnea aumenta al aumentar el valor de Z. Tambin,
todas las lneas de indiferencia son paralelas entre s. Estas propiedades grficas pueden usarse para resolver el problema. En la siguiente figura, se ilustran todas las restricciones y las dos lneas de indiferencia supuestas. En la grfica puede observarse que la lnea de indiferencia para Z = 50 est completamente fuera de la regin factible. Para Z = 25, parte de la lnea cae dentro de la regin factible. Por tanto, existe alguna combinacin de x1 y x2 que satisface todas las restricciones y da una ganancia total de $25. Por inspeccin, puede observarse que hay ganancias ms altas que son factibles.
Imaginando que la lnea de indiferencia Z = 25 se mueve hacia la lnea Z = 50, de las propiedades de la grfica que se hicieron notar antes, el punto ptimo estar sobre la lnea de indiferencia ms lejana al origen pero que todava toque la regin factible. Esto se muestra en la siguiente figura:
Con el punto ptimo localizado grficamente, la nica tarea que queda es encontrar las coordenadas del punto. Ntese que el punto ptimo est en la interseccin de las lneas de restriccin para materiales y horas de mano de obra. Las coordenadas de este punto se pueden encontrar resolviendo el sistema de ecuaciones que forman estas dos restricciones utilizando cualquiera de los mtodos de solucin (suma y resta, sustitucin o igualacin). Las coordenadas de este punto resultan ser (6, 3). La sustitucin de este punto en la funcin objetivo da la ganancia mxima: Z = 5(6) + 5(3) = $45 Resumen del mtodo grfico. Para resolver grficamente problemas de programacin lineal: 1. Exprsense los datos del problema como una funcin objetivo y restricciones. 2. Grafquese cada restriccin. 3. Localcese la solucin ptima.
Ejercicio:
Ejemplo: Problema de dieta. Un comprador est tratando de seleccionar la combinacin ms barata de dos alimentos, que debe cumplir con ciertas necesidades diarias de vitaminas. Los requerimientos vitamnicos son por lo menos 40 unidades de vitamina W, 50 unidades de vitamina X y 49 unidades de vitamina Y. Cada kilogramo del alimento A proporciona 4 unidades de vitamina W, 10 unidades de vitamina X y 7 unidades de vitamina Y; cada kilogramo del alimento B proporciona 10 unidades de W, 5 unidades de X y 7 unidades de Y. El alimento A cuesta 5 pesos/kilogramo y el alimento B cuesta 8 pesos/kilogramo.
METODO SIMPLEX.
El mtodo smplex es un algoritmo. De hecho, cualquier procedimiento iterativo de solucin es un algoritmo. Entonces, un algoritmo es simplemente un proceso en el que se repite (se itera) un procedimiento sistemtico una y otra vez hasta obtener el resultado deseado. Cada vez que se lleva a cabo el procedimiento sistemtico se realiza una iteracin. En consecuencia, un algoritmo sustituye un problema difcil por una serie de problemas fciles.xi Vamos a resolver el siguiente problema:
Paso 1.
Convertir las desigualdades en igualdades:
Se introduce una variable de holgura por cada una de las restricciones, este caso s1, s2, s3 para convertirlas en igualdades y formar el sistema de ecuaciones estandar. Usando en simplex el siguiente criterio:
Signo:
Introducir sn
Paso 2. Igualar la funcin objetivo a cero y despus agregar la variables de holgura del sistema anterior:
Z - 3 x1 - 2 x2 = 0 Para este caso en particular la funcin objetivo ocupa la ltima fila del tablero, pero de preferencia siempre se deber de colocar como la primera fila. Cuando minimizamos se toma el valor (+) positivo de Fo para convertirlo en negativo y cuando maximizamos tomamos el valor (+) negativo de Fo para convertirlo en positivo.
Paso 3. Escribir el tablero inicial simplex:
En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo:
Paso 4.
Encontrar la variable de decisin que entra en la base y la variable
de holgura que sale de la base
Para escoger la variable de decisin que entra en la base, (FLECHA ROJA PARTE SUPERIOR), observamos la ltima fila, la cual muestra los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente ms negativo (en valor absoluto). En este caso, la variable x1 de coeficiente - 3. Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se elige cualquiera de ellos.
Si en la ltima fila no existiese ningn coeficiente negativo, alcanzado la solucin ptima.
significa que se ha
Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del simplex, es que en la ltima fila no haya elementos negativos.
La columna de la variable que entra en la base se llama columna pivote (en color azulado).
Para encontrar la variable de holgura que tiene que salir de la base, (FLECHA ROJA COSTADO IZQUIERDO) se divide cada trmino de la ltima columna (valores solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean mayores que cero.
Si hubiese algn elemento menor o igual que cero no se hace dicho cociente. En el caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin no acotada y no se puede seguir.
El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de holgura que sale de la base, S3. Esta fila se llama fila pivote (en color azulado).
Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables correspondientes puede salir de la base.
En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote operacional, 3, este indica que la variable de decisin X1 entra y la variable de holgura S3 sale. Paso 5. Encontrar los coeficientes para el nuevo tablero de simplex.
Los nuevos coeficientes de la fila pivote se obtienen dividiendo todos los coeficientes de la fila por el pivote operacional 3, ya que este se debe convertir en 1. A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de la columna pivote, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z.
Como en los elementos de la ltima fila hay un nmero negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso:
La variable que entra en la base es x2, por ser la columna pivote que corresponde al coeficiente -1
Para calcular la variable que sale o la fila pivote, dividimos los trminos de la columna solucin entre los trminos de la nueva columna pivote:
y como el menor cociente positivo es 6, tenemos que la fila pivote y la variable de holgura que sale es S1. El elemento pivote, que ahora hay que hacer 1, es 1/3.
Y se opera de forma anloga a la anterior iteracin:
Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso:
La variable que entra en la base es S3, por ser la variable que corresponde al coeficiente -1
Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 6/(-2) [=-3] , 12/4 [=3], y 6:1 [=6] y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es S2.
El elemento pivote, que ahora hay que hacer 1, es 4. Obtenemos la tabla:
Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a la solucin ptima.
Los solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso: 33. RESOLUCION POR Wats Best
RESOLUCION DE CASOS: MATHUR Kamlesh, SOLOW Daniel, Investigacin de Operaciones, Prentice Hall, 2001, Mexico-Mexico EPPEN G.D., GOULD F.J., Investigacin de Operaciones en la Ciencia Administrativa, Prentice Hall, 2000, Mexico Mexico. HILLER, HILLIER, LIEBERMAN, Mtodos cuantitativos para Administracin, Mc Graw Hill, 2001, Mexico Mexico.
TRANSPORTE Y ASIGNACIONxii El modelo de transporte busca determinar un plan de transporte de una mercanca de varias fuentes a varios destinos. Los datos del modelo son: 1. Nivel de oferta en cada fuente y la cantidad de demanda en cada destino. El costo de transporte unitario de la mercanca a cada destino.
2.
Como solo hay una mercanca un destino puede recibir su demanda de una o ms fuentes. El objetivo del modelo es el de determinar la cantidad que se enviar de cada fuente a cada destino, tal que se minimice el costo del transporte total.
La suposicin bsica del modelo es que el costo del transporte en una ruta es directamente proporcional al numero de unidades transportadas. La definicin de unidad de transporte variar dependiendo de la mercanca que se transporte.
El esquema siguiente representa el modelo de transporte como una red con m fuentes y n destinos. Una fuente o un destino esta representado por un nodo, el arco que une fuente y un destino representa la ruta por la cual se transporta la mercanca. La cantidad de la oferta en la fuente i es ai, y la demanda en el destino j es bj. El costo de transporte unitario entre la fuente i y el destino j es Cij. Si Xi
j
representa la cantidad transportada desde la fuente i al destino j,
entonces, el modelo general de PL que representa el modelo de transporte es:

Minimiza Z= Sujeta a:
j=1 n m n
i=1
j=1
ij
ij
X X
ij
<= ai , >= bj ,
i=1,2,, m j=1,2,, n para todas las i y j
i=1
Ij
X i j >=0
El primer conjunto de restricciones estipula que la suma de los envos desde una fuente no puede ser mayor que su oferta; en forma anloga, el segundo conjunto requiere que la suma de los envios a un destino satisfaga su demanda. El modelo que se acaba de escribir implica que la oferta total i=1 m ai debe ser cuando menos igual a la demanda total j=1 n bj. Cuando la oferta total es igual a la demanda total, la formulacin resultante recibe el nombre de modelo de transporte equilibrado. Este difiere del modelo solo en el hecho de que todas las restricciones son ecuaciones, es decir:
X
ij
= ai,
i=1,2,..., m j=1,2,..., n
X i j = bj,
En el mundo real, no necesariamente la oferta debe ser igual a la demanda o mayor que ella. Sin embargo, un modelo de transporte siempre puede equilibrarse. El equilibrio, adems de su utilidad en la representacin a travs de modelos de ciertas situaciones prcticas, es importante para el desarrollo del mtodo de solucin que explote completamente la estructura especial del modelo de transporte. Los dos ejemplos que siguen presentan la idea del equilibrio y tambin sus implicaciones prcticas.
Ejemplo 1 (Modelo de transporte estndar)
MG Auto Company tiene plantas en Los ngeles, Detroit y Nueva Orlens. Sus centros de distribucin principales son Denver y Miami. Las capacidades de las plantas durante el trimestre prximo son 1 000, 1 500, y 1 200 automviles. Las demandas trimestrales en los dos centros de distribucin son de 2 300 y 1 400 vehculos. El costo del transporte de un automvil por tren es de 8 centavos por milla. El diagrama de las distancias recorridas entre las plantas y el centro de distribucin son:
Los Angeles Detroit Nueva Orleans Denver 1 000 1 250 1 275 Miami 1 690 1 350 850
Esto produce en costo por automvil a razn de 8 centavos por milla recorrida. Produce los costos siguientes (redondeados a enteros), que representan a C i j del modelo original:
UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA Denver 80 100 102 Miami 215 108 68
Los ngeles Detroit Nueva Orleans
Mediante el uso de cdigos numricos que representan las plantas y centros de distribucin, hacemos que X i j represente el nmero de automviles transportados de la fuente i al destino j. Como la oferta total ( = 1 000 + 1 500 + 1 200 = 3 700) es igual a la demanda ( = 2 300 + 1 400 = 3 700), el modelo de transporte resultante esta equilibrado. Por lo tanto, el siguiente modelo de PL que representa el problema tiene todas las restricciones de igualdad.
Minimizar Z = 80X 11 + 215X Sujeto a: X 11 X
12 12
+ 100X 21 + 108X
22
+ 102X 31 + 68X
32
X 21 X 21
22
X 11
X X
12
X 31 X 31
X X
32
22
32
= = = = =
1 1 1 2 1
000 500 200 300 400
ij
para todas las i y j
Un mtodo mas resumido para representar el modelo de transporte consiste en utilizar lo que se llama tabla de transporte. Esta es una forma de matriz donde sus renglones representan las fuentes y sus columnas los destinos. Los elementos de costo C i j se resumen en la esquina noroeste de la celda de la matriz (i, j). Por lo tanto, el modelo de MG se puede resumir en la tabla siguiente:
Ejemplo 2 (Modelo de transporte con equilibrio)

En el ejemplo anterior suponga que la capacidad de la planta de Detroit es de 1 300 automviles (en vez de 1 500). Se dice que la situacin esta desequilibrada debido a que la oferta total (=3 500) no es igual a la demanda total (=3 700).Nuestro objetivo consiste en volver a formular el modelo de transporte de manera que distribuya la cantidad faltante(=3 700 3 500 = 200) en forma optima entre los centros de distribucin. Como la demanda es mayor que la oferta se puede agregar una planta ficticia con una capacidad de 200. Se permite que dicha planta, en condiciones normales, enve su produccin a todos los centros de distribucin. Fsicamente, la cantidad de unidades enviadas a un destino desde una planta ficticia representar la cantidad faltante en ese destino. La nica informacin que falta para completar el modelo son los costos de transporte unitarios de la planta ficticia a los destinos. Como la planta no existe, no habr ningn envo fsico y el costo de transporte unitario es cero. Sin embargo, podemos enfocar la situacin desde otro ngulo diciendo que se incurre en un costo de penalizacin por cada unidad de demanda insatisfecha en los centros de distribucin. En este caso los costos de transporte unitarios sern iguales a los costos de penalizacin unitarios en los diversos destinos.
Los ngeles Detroit Nueva Orlens Planta ficticia
Denver 80 100 102 0
Miami 215 108 68 0
1 000 1 300 1 200 200
De manera anloga, si la oferta en mayor que la demanda podemos aadir un destino ficticio que absolver la diferencia. Por ejemplo, suponga que la demanda en Denver disminuye a 1 900cualquier automvil enviado de una planta a un centro de distribucin ficticio representa un excedente en la planta.
Denver Miami Destino Ficticio 0 0 0
Los ngeles Detroit Nueva Orleans
80 100 102
215 108 68
1 000 1 500 1 200
Existen varios mtodos de resolucin de este tipo de problemas, pero se tratar por fines prcticos la resolucin de los mismos usando Whats best.
RESOLUCION DE CASOS MATHUR Kamlesh, SOLOW Daniel, Investigacin de Operaciones, Prentice Hall, 2001, Mexico-Mexico EPPEN G.D., GOULD F.J., Investigacin de Operaciones en la Ciencia Administrativa, Prentice Hall, 2000, Mexico Mexico. BIERMAN, BONINI, HAUSMAN, Anlisis Cuantitativo para toma de decisiones, Mc Graw Hill, 2007, Mexico Mexico. PROBLEMAS DE TRANSPORTE Y TRANSBORDO
Ejemplo 1 Una empresa energtica dispone de tres plantas de generacin para satisfacer la demanda elctrica de cuatro ciudades. Las plantas 1, 2 y 3 pueden satisfacer 35, 50 y 40 millones de [kWh] respectivamente. El valor mximo de consumo ocurre a las 2 PM y es de 45, 20, 30 y 30 millones de [kWh] en las ciudades 1, 2, 3 y 4 respectivamente. El costo de enviar 1 [kWh] depende de la distancia que deba recorrer la energa. La siguiente tabla muestra los costos de envo unitario desde cada planta a cada ciudad. Formule un modelo de programcin lineal que permita minimizar los costos de satisfaccin de la demanda mxima en todas las ciudades.
Ejemplo 2 Una fbrica posee dos plantas de manufactura, una en Memphis y otra en Denver. La planta de Memphis puede producir hasta 150 unidades al da, la de Denver hasta 200 unidades al da. Los productos son enviados por avin a Los Angeles y Boston. En ambas ciudades, se requieren 130 unidades diarias. Existe una posibilidad de reducir costos enviando algunos productos en primer lugar a New York o a Chicago y luego a sus destinos finales. Los costos unitarios de cada tramo factible se ilustran en la siguiente tabla:
La fbrica desea satisfacer la demanda minimizando el costo total de envo.
Ejercicio 2 Medical Technologies es una empresa fabricante y distribuidora internacional de equipos de rayos X de alta resolucin que se utiliza en hospitales, su planta que se encuentra en Texas puede producir hasta 100 mquinas por ao, la que se encuentra en Iowa produce hasta 200 y la que se encuentra en Oregn puede producir hasta 150 mquinas. Para el ao siguiente sus clientes en Japn han pedido 120 mquinas los de Corea del Sur 80 mquinas los de Nueva Zelanda 70 y los de Australia 110 mquinas. Los equipos producido en Texas y en Iowa pueden ser enviados a los almacenes regionales en Hungra y/o en Hawai, los almacenes regionales a su vez pueden enviar a cualquiera de los almacenes en campo situados en Fiji y en las Filipinas. Ninguno de los almacenes regionales almacena mquinas en inventario, por consiguiente deben enviar todas las mquinas que reciben. Los clientes de Corea del Sur y de Nueva Zelanda pueden recibir mquinas de cualquiera de los almacenes de campo. Sin embargo debido a los tratados de comercio internacionales, los clientes de Japn deben obtener sus mquinas directamente de las Filipinas y los de Australia deben recibir las suyas solo de Fiji. Los costos de envo por mquina desde las plantas a los almacenes regionales, a los almacenes de campo y finalmente a los clientes se dan en las siguientes tablas:
HUNGRIA 200 300 HAWAI 400 400 500 FIJI 600 400
TEXAS IOWA OREGON
HUNGRIA HAWAI
FILIPINAS 800 700
JAPON FILIPINAS FIJI 700
COREA 600 700
N ZELANDA 800 500
AUSTRALIA 600
Como gerente de distribucin, se le ha pedido que determine el plan de embarque con el mnimo costo total. REFERENCIAS BIBLIOGRAFICAS BELLINI Franco, Investigacin de Operaciones, Universidad Santa Mara, Caracas-Venezuela.
i
ii iii iv
IBID IBID
MATHUR K, SOLOW D; Investigacin de Operaciones, Prentice Hall, 2001, Mexico-Mexico

v
BELLINI Franco, Investigacin de Operaciones, Universidad Santa Mara, Caracas-Venezuela.

vi vii viii ix x xi xii
IBID IBID IBID
IBID IBID IBID IBID

Modulo Final

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modulo Final

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

UNIVERSIDAD TECNOLGICA INDOAMERICA

Ing. Nikolay Artieda

Quito - Ecuador 2011

Ing. Nikolay Artieda Pgina 1 de 44

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

Exitos!!!! Ing. Nikolay Artieda Bucheli

Ing. Nikolay Artieda Pgina 2 de 44

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

Ing. Nikolay Artieda Pgina 4 de 44

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

DEFINICION DEL PROBLEMA

DESARROLLO DE UN MODELO MATEMATICO

RESOLUCION DEL MODELO

GRAFICO 1 METODOLOGIA DE INVESTIGACION OPERATIVA iv

Ing. Nikolay Artieda Pgina 10 de 44

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

aplicacin de PL, debe considerarse la disponibilidad y el costo de los datos necesarios.

Formulacin de modelos de Programacin Lineal.viii

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

Ing. Nikolay Artieda Pgina 18 de 44

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

Mes Enero Febrero Marzo

Mes Abril Mayo Junio

Meses-hombre requeridos 80 70 100

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

am1x1 + am2x2 + ... + amnxn x1 0, x2 0, ..., xn 0

se llaman restricciones de no negatividad. Las variables xj son las variables de

Ing. Nikolay Artieda Pgina 21 de 44

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

Solucin Grfica de Modelos Lineales con dos Variables.

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

Por ltimo, las restricciones de no negatividad son: x1 0, x2 0

Poniendo todo junto el modelo se tiene: Maximizar Z = 5x1 + 5x2 96 72

Restricciones: 12x1 + 8x2 6x1 + 12x2 x1 x1 2 0, x2

Ing. Nikolay Artieda Pgina 23 de 44

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

2 se convierte en x1 = 2. Esta ecuacin est trazada en la

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

Ing. Nikolay Artieda Pgina 26 de 44

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

Ing. Nikolay Artieda Pgina 28 de 44

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

Ing. Nikolay Artieda Pgina 29 de 44

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

Convertir las desigualdades en igualdades:

Ing. Nikolay Artieda Pgina 30 de 44

UNIVERSIDAD TECNOLGICA INDOAMERICA INVESTIGACIN OPERATIVA

Paso 3. Escribir el tablero inicial simplex: