Академический Документы
Профессиональный Документы
Культура Документы
NDICE
INTRODUCCIN ---------------------------------------------------------------------------INSTALACIN -----------------------------------------------------------------------------
CAPTULO I. ANLISIS DE DECISIONES -------------------------------------------------Toma de decisiones sin probabilidad--------------------------------------------------Toma de decisiones con probabilidad-------------------------------------------------Anlisis de la sensibilidad-----------------------------------------------------------CAPTULO II. PROGRAMACIN LINEAL ------------------------------------------
Maximizacin simple----------------------------------------------------------------Minimizacin simple-----------------------------------------------------------------Anlisis de la sensibilidad-----------------------------------------------------------Ms de dos variables de decisin---------------------------------------------------CAPTULO III. TRANSPORTE, TRANSBORDO Y ASIGNACIN----------------Transporte---------------------------------------------------------------------------------------Transbordo------------------------------------------------------------------------------Asignacin de puestos----------------------------------------------------------------Origen y destino ficticio --------------------------------------------------------------CAPTULO IV. PROGRAMACIN DE PROYECTOS PERT/CPM-----------------Programacin de proyectos con tiempos conocidos--------------------------------Programacin de proyectos con tiempos inciertos----------------------------------Consideracin tiempo-costo------------------------------------------------------------CAPTULO V. MODELOS DE LNEA DE ESPERA--------------------------------------Lnea de espera de un solo canal--------------------------------------------------------Lnea de espera canales mltiples-------------------------------------------------------Anlisis econmico de las lneas de espera--------------------------------------------BIBLIOGRAFA --------------------------------------------------------------------------------The Management Scientist
mdulos, que utilizan mtodos cuantitativos para desarrollar la toma de decisiones. Ciencias de la Administracin (Management science), es una rama interdisciplinaria de la matemtica aplicada, la ingeniera y las ciencias que utiliza la investigacin cientfica basada en varios principios, estrategias y mtodos analticos, incluidos modelos matemticos, las estadsticas y algoritmos para mejorar la capacidad de una organizacin para promulgar una racional y significativa gestin. Las decisiones de llegar a soluciones ptimas o casi ptimas a los problemas de negocios complejos. La disciplina esta tpicamente relacionada con la determinacin de los mximos (de beneficios, prestaciones de la lnea de ensamblaje, rendimiento de la cosecha, ancho de banda, etc.) o los mnimos (de la prdida, de riesgo, etc.) de parte de la funcin objetivo. The Management Scientist
El campo es tambin conocido como Investigacin de Operaciones (OR) en los Estados Unidos y Canad, o la investigacin operativa en el Reino Unido. Estos tres trminos se usan indistintamente para describir el mismo campo. La investigacin en ciencias de gestin se puede realizar en niveles: 1.-El nivel fundamental radica en tres disciplinas matemticas: Probabilidad, Optimizacin, y la teora de sistemas dinmicos. 2.-El nivel de modelado es sobre la construccin de modelos, analizando matemticamente, la recopilacin y anlisis de datos, la aplicacin de modelos en computadoras, solucin de los mismos, todo esto es parte de la investigacin en Ciencias de Gestin en el nivel de modelado. El mandato de la administracin es utilizar la ciencia racional, sistemtica, basada en tcnicas para informar y mejorar las decisiones de todo tipo. Por supuesto, las tcnicas de la ciencia de la gestin no se limitan a las aplicaciones de negocio, pero puede aplicarse a la milicia, medicina, administracin pblica, grupos de beneficencia, grupos polticos o grupos de la comunidad.
Historia
Sus orgenes se remontan a la investigacin de operaciones, hizo su debut en la Segunda Guerra Mundial cuando las fuerzas aliadas de varias disciplinas la utilizaron para ayudar con las operaciones militares. En estas primeras aplicaciones, los cientficos utilizan modelos matemticos sencillos para hacer un uso eficiente de tecnologas y recursos limitados. La aplicacin de estos modelos en el sector empresarial se conoce como la ciencia de gestin.
Aplicaciones
Las aplicaciones de la ciencia de la administracin son abundantes en la industria como en las compaas areas, las empresas de fabricacin, las organizaciones de servicios, las ramas militares, y en Gobierno. La gama de problemas y cuestiones que la ciencia ha contribuido en la gestin de ideas y soluciones es amplia. Las Ciencias de la Administracin se ocupa tambin de los llamados "soft-anlisis operativo", que se The Management Scientist
refiere a los mtodos de planificacin estratgica, apoyo a las decisiones estratgicas, y los mtodos de estructuracin de problemas (PSM). Este nivel de abstraccin, modelos matemticos y de simulacin no es suficiente. Por lo tanto, durante los ltimos 30 aos, un nmero no cuantificado de los mtodos de modelizacin se han desarrollado. El programa contiene 12 mdulos, que permiten resolver problemas en muchas reas, y son los siguientes: Programacin lineal Transporte Asignacin PERT/CPM Programacin lineal del nmero entero La ruta ms corta Modelos de inventario Modelos de lnea de espera rbol que atraviesa mnimo PERT/CPM Inventario Lnea de espera Anlisis de decisin Pronstico Procesos de Markov
COMO OBTENERLO
Se puede acceder al programa descargndolo de internet mediante http://www.amazon.com/Management-Scientist-Version-6-0/dp/0324191332 la pgina:
Cabe aclarar que para obtener el programa, previamente habr que pagar un importe de $69.97 DLL. El envo es gratis.
COMO INSTALARLO
INGLES ESPAOL
Installing the software on your computer is La instalacin del software en su computadora es easy. Install The Management Scientist as fcil. Instale The Management Scientist de la follows: 1. Place the disk in the CD-ROM drive. siguiente forma : 1. Coloque el disco en la bandeja de CD-ROM.
2. In Windows from the Start taskbar, 2. En Windows del comienzo taskbar, elija el choose Run. funcionamiento.
3. On the Command line, type D:\ Setup. 3. En la lnea de comando, mecanografe la If your CD-ROM drive is not D: substitute disposicin de D:\. Si su impulsin de CD-ROM no the appropriate letter. es D: , substituya la letra apropiada.
4. Clic the OK button or press the Enter 4. Presione el botn ACEPTABLE o presione la key. 5. Follow the prompts of the installation. llave de insertar. 5. Siga los avisos de la instalacin.
6.-El siguiente paso ser darle clic al icono de la computadora para continuar la instalacin.
8.-Se espera a que se concluya la instalacin, y una vez terminada se le da clic en ok para ejecutar el programa.
El evaluador o administrador tendr que seleccionar una alternativa de decisin y el estado de la naturaleza. Debido a que PDC desea seleccionar el tamao del complejo que proporcione mayor ganancia, se presenta un recuadro con las ganancias expresadas en millones de dlares. Estado de la naturaleza Alternativa de decisin Demanda fuerte, s1 Demanda dbil, s2 8 7 Complejo pequeo, d1 14 5 Complejo mediano, d2 20 -9 Complejo grande, d3
2.-Se abre el siguiente cuadro en el cual se presentan todos los mdulos que ofrece el programa para auxiliar a los administradores o tomador de decisiones de las empresas. En este caso se seleccionar el mdulo o la casilla 10 de Decisin Analysis y se har clic en el botn OK.
3.-Al aceptar la opcin se abre la nueva ventana en la cual se hace clic en el men File y se elegir la opcin New
4.-Con ello se abrir una nueva ventana en la que se especificar el nmero de decisiones y de estados de la naturaleza, en este problema las decisiones son 3 y los estados de la naturaleza sern 2
5.-Seguidamente nos saldr una ventana en donde tenemos que poner los de estados de naturaleza
6.-Despus se le da clic en solution, y acto seguido en solve, luego el programa arrojar nuevamente un cuadro para seleccionar las opciones deseadas
7.-Luego se seleccionan las casillas correspondientes. Para mostrar el resultado mximo para cada alternativa de decisin para PDC en este caso el criterio optimista y se le da clic en ok.
8.- A continuacin el programa arrojar la mejor alternativa de decisin para un punto de vista optimista que en este caso es la alternativa tres con 20 millones de dlares a ganar.
2.-Se abre el siguiente cuadro en el cual se presentan todos los mdulos que ofrece el programa para auxiliar a los administradores o tomador de decisiones de las empresas. En este caso se seleccionar el mdulo o la casilla 10 de Decisin Analysis y se har clic en el botn OK.
3.-Al hacer clic en el botn ok se abre la nueva ventana en la cual damos clic en el men File y se elegir la opcin New
4.-Se abrir una nueva ventana en la que se especificar el nmero de decisiones y de estados de la naturaleza, en este problema las decisiones son 3 y los estados de la naturaleza son 2
5.-Seguidamente nos saldr una ventana en donde tenemos que poner el nmero de alternativas y el nmero de estados de naturaleza
9.-Nos aparecer este cuadro en donde le daremos en maximizar y se cambia al criterio conservador
10.-Seguidamente le damos ok y nos dar el mximo de los valores del resultado mnimo.
Scientist)
se hace doble
clic en el cono para abrir el programa, al hacer esto se abrir la siguiente ventana.
2.-La cual al hacer clic en el botn Continue se abre el siguiente cuadro en el cual se presentan todos los mdulos que ofrece el programa para auxiliar a los administradores o tomador de decisiones de las empresas. En este caso se seleccionar el mdulo o la casilla 10 de Decision Analysis y se har clic en el bot OK.
3.-Al hacer clic en el botn ok se abre la nueva ventana en la cual damos clic en el men File y se elegir la opcin New
4.-Con ello se abrir una nueva ventana en la que se especificar el nmero de decisiones y de estados de la naturaleza, en este problema las decisiones son 3 y los estados de la naturaleza sern 2
5.-Seguidamente nos saldr una ventana en donde tenemos que poner el nmero de alternativas y el nmero de estados de naturaleza
6.-Despus se le da clic en solution, y acto seguido en solve, luego el programa arrojar nuevamente un cuadro para seleccionar las opciones deseadas.
8.-Nos dar como resultado el mnimo del arrepentimiento mximo para cada alternativa de decisin de PDC que en este caso es la alternativa 2 con 6 millones.
probabilidades podemos usar el enfoque del valor esperado para identificar la mejor alternativa de decisin. PDC es optimista respecto al potencial para el complejo de condominios de lujo. Suponga que este optimismo conduce a una evaluacin de probabilidad subjetiva inicial de 0.8 de que la demanda ser fuerte (s1) y una probabilidad correspondiente de 0.20 ser dbil. The Management Scientist
Entonces calculamos el valor esperado para cada una de las tres alternativas como sigue: VE (d1)=0.8 (8)+0.2 (7)=7.8 VE (d2)=0.8 (14)+0.2 (5)=12.2 VE (d3)=0.8 (20)+ 0.2 (-9)= 14.2
3.-Seguidamente nos aparecer este cuadro en donde seleccionamos anlisis de decisiones y le damos en ok
5.-Seguidamente nos aparecer este cuadro donde pondremos el numero de alternativas y el numero de estados de naturaleza esta vez como contamos con la probabilidad seleccionamos la casilla de numero de probabilidades y seguidamente le damos clic en el botn ok.
6.- Se abre una ventana con la tabla para colocar los datos que se dan en la tabla y en la ltima fila se colocarn las probabilidades.
7.-Para ver la solucin del ejercicio se selecciona en el men Solution la opcin Solve,
8.-Despus se abrir una ventana en la que se seleccionar la casilla para minimizar o maximizar, en este caso ser maximizar las ganancias. Le damos clic en ok
9.-La ventana de resultados que arroja el programa indica la decisin recomendada con la palabra YES y en la parte inferior indica el nmero de decisin y el valor esperado, separados con el punto (.), por lo tanto la mejor decisin o la recomendada es la decisin e complejo grane (d3) con valor de $20 millones.
Anlisis de riesgo
Proyecto de construccin de condominios PDC. Usando el enfoque de valor esperado, identificamos sobre el complejo de condominios grande (d3) como la mejor alternativa de decisin. El valor esperado de 14.2 millones para de d3 se basa en una probabilidad de 0.8 de obtener una ganancia de 20 millones y una probabilidad de 0.2 de obtener una prdida de 9 millones. La probabilidad de 0.8 para el resultado de $20 millones y la probabilidad de 0.20 para el resultado de -$9 millones dan el perfil de riesgo para la alternativa de decisin del complejo grande. Perfil de riesgo Probabilidad .8 .20 Ganancias 20 millones -9 millones
Anlisis de sensibilidad
Un enfoque para el anlisis de sensibilidad es seleccionar valores diferentes para las probabilidades de los estados de la naturaleza y los resultados y luego resolver el problema de anlisis de decisiones. Si cambia la alternativa de decisin recomendada sabremos que la solucin es sensible a los cambios hechos.
En el problema PDC la probabilidad para una demanda fuerte se revisa en 0.20 y la probabilidad para una demanda dbil se revisa en 0.80 P (s1)=.20 Y P (s2)=.80 VE (d1)=.20 (8) +.80 (7)=7.2 VE (d2)=.20 (14)+.80 (5)=6.8 VE (d3)= .20 (20)+.80 (-9)=-3.2
1.-Damos clic sobre el icono comenzar a resolver el ejercicio. 2.-Le damos clic en contine
3.-Seguidamente nos aparecer este cuadro en donde seleccionamos anlisis de decisiones y le damos en ok
5.-Seguidamente nos aparecer este cuadro donde pondremos el numero de alternativas y el numero de estados de naturaleza esta vez como contamos con la probabilidad seleccionamos la casilla de numero de probabilidades y seguidamente le damos clic en el botn ok.
6.-Se ponen los datos pero aqu las probabilidades cambian se invierten (puede ser
Scientist, la alternativa de decisin recomendada es construir un complejo pequeo de condominios (d1), con un valor esperado de $ 7.2 millones. La probabilidad de una demanda fuerte es de solo 0.20, as que construir el complejo de condominios grande (d3) es la alternativa menos preferida, con un valor esperado de -$3.2 millones es decir una perdida.
Cuando la probabilidad de una demanda fuerte es grande, PDC debera construir el complejo grande; cuando la probabilidad de una demanda fuerte es pequea PDC debera construir el complejo pequeo. The Management Scientist
planificacin diaria. Los fundadores de la tcnica son George Dantzig, quien public el algoritmo
simplex, en 1947, John Von Neumann, que desarroll la teora de la dualidad en el mismo ao, y Leonid Kantorvich, un matemtico ruso, que utiliza tcnicas similares en la economa antes de Dantzig y gan el premio Nobel en economa en 1975. En 1979, otro matemtico ruso, Leonid Khachiyan, demostr que el
problema de la programacin lineal era resoluble en tiempo polinomial. Ms tarde, en 1984, Narendra Karmarkar introduce un nuevo mtodo del punto interior para resolver problemas de programacin lineal, lo que constituira un enorme avance en los principios tericos y prcticos en el rea. El objetivo de la programacin lineal es encontrar las condiciones en que se maximiza la denominada funcin objetivo, una ecuacin que determina, por ejemplo, el ingreso que se obtendr produciendo determinadas mercancas; dicha funcin est sujeta a ciertas restricciones, constituidas por un grupo de ecuaciones lineales que indican el consumo de los diversos factores productivos que se necesitan -en este caso- para obtener un determinado producto. De este modo se establece que, contando con un The Management Scientist
grupo limitado de recursos, pueden producirse ciertas cantidades de los bienes A, B,... etc., cada uno de los cuales produce un ingreso determinado. La programacin lineal indica entonces la combinacin ptima de bienes a producir para obtener el mximo beneficio a partir de un conjunto finito de recursos. La Programacin Lineal (PL) es una de las principales ramas de la Investigacin Operativa. En esta categora se consideran todos aquellos modelos de optimizacin donde las funciones que lo componen, es decir, funcin objetivo y restricciones, son funciones lineales en las variables de decisin. Los modelos de Programacin Lineal por su sencillez son frecuentemente usados para abordar una gran variedad de problemas de naturaleza real en ingeniera y ciencias sociales, lo que ha permitido a empresas y organizaciones importantes beneficios y ahorros asociados a su utilizacin. Los Modelos Matemticos se dividen bsicamente en Modelos Deterministas (MD) o Modelos Estocsticos (ME). En el primer caso (MD) se considera que los parmetros asociados al modelo son conocidos con certeza absoluta, a diferencia de los Modelos Estocsticos, donde la totalidad o un subconjunto de los parmetros tienen una distribucin de probabilidad asociada. Los cursos introductorios a la Investigacin Operativa generalmente se enfocan slo en Modelos Deterministas.
Supuestos Bsicos de la Programacin Lineal: Linealidad, Modelos Deterministas, Variables reales, No Negatividad. En resumen: The Management Scientist
La programacin lineal es una tcnica de modelado (construccin de modelos). La programacin lineal (PL) es una tcnica matemtica de optimizacin, es decir, un mtodo que trata de maximizar o minimizar un objetivo. Su inters principal es tomar decisiones ptimas. Se usa mucho en la industria militar y en la petrolera. Si bien esos sectores han sido quiz los principales usuarios de ella, el sector servicios y el sector pblico de la economa tambin la han aprovechado ampliamente. Estructura bsica de un problema de programacin lineal (PL) Un problema de PL consta de una funcin objetivo (lineal) por maximizar o minimizar, sujeta a ciertas restricciones en la forma de igualdades o desigualdades. Conceptos clave: Funcin objetivo: La funcin por optimizar (maximizar o minimizar) Restricciones: Representan condiciones que es preciso satisfacer. Sistema de igualdades y desigualdades ( ) Ejemplos de funcin objetivo y restricciones: 1. Maximizar Sujeto a P = X + 1.2 Y
Funcin objetivo
Restricciones
2.-Maximizar: C = 6X + 8Y
Funcin objetivo
Sujeto a
sta nos muestra que una tonelada de aditivo para combustible es una mezcla de 0.4 toneladas del material 1 y 0.6 toneladas de material 3. Una tonelada de la base para solvente es una mezcla de 0.5 toneladas del material 1. 0.2 toneladas del material 2 y 0.3 toneladas del material 3.La produccin de RMC est restringida por una disponibilidad limitada de las tres materias primas. Para el periodo de produccin actual, RMC tiene disponibles las siguientes cantidades de cada materia prima:
Cantidad disponible Material Material 1 Material 2 Material 3 para la produccin 20 toneladas 5 toneladas 21 toneladas
Debido a los desechos y a la naturaleza del proceso de produccin, los materiales que no se lleguen a usar en una corrida de produccin no se pueden almacenar para las subsiguientes, son intiles y deben desecharse. El departamento de contabilidad analiz las cifras de produccin, asigno todos los costos relevantes y lleg a precios que, para ambos productos, produciran una contribucin a la utilidad de $40 por cada tonelada de aditivo para combustible producida y $30 por cada tonelada producida de base de solvente. Ahora usaremos la programacin lineal para determinar la cantidad de aditivo para combustible y la cantidad de base para solvente por producir a fin de maximizar la contribucin a la ganancia total.
Definir las variables de decisin: 1) La cantidad de toneladas de aditivo para combustible por producir. 2) La cantidad de toneladas de base para solvente por producir. F = cantidad de toneladas de aditivo para combustible S = cantidad de toneladas de base para solvente
Escribir las restricciones en funcin de las variables de decisin Restriccin 1: Toneladas de material 1 usado < Toneladas de material 1 disponible Cada tonelada de aditivo para combustible que produzca RMC usara 0.4 toneladas de material 1. Por tanto 0.4F toneladas de material 1 se usan para producir F toneladas del aditivo. Del mismo modo, cada tonelada de base para solvente que produzca RMC usar 0.5 toneladas de material 1. Por tanto 0.5S toneladas de material 1 se usan para producir S toneladas de base para solvente. Por consiguiente, las toneladas de material 1 que se usen para producir F toneladas de aditivo y S toneladas de base es Toneladas de material 1 usado = 0.4F + 0.5S The Management Scientist
Debido a que se dispone de 20 toneladas de material 1 para usar en la produccin, la declaracin matemtica de restriccin 1 es:
0.4F + 0.5S < 20
Restriccin 2: Toneladas de material 2 usadas < Toneladas de material 2 disponibles El aditivo para combustible no usa el material 2. Sin embargo, cada tonelada de base para solvente que produzca RMC usar 0.2 toneladas de ese material 2; por tanto, 0.2S toneladas del material 2 usado para producir F toneladas de aditivo para combustible y S toneladas de base para solvente es Tonelada de material 2 usado = 0.2S Debido a que se dispone de 5 toneladas del material 2 para la produccin, la
Restriccin 3: Toneladas del material 3 usado < Toneladas del material 3 disponibles Cada tonelada de aditivo de combustible que produzca RMC usar 0.6 toneladas del material 3; por tanto, 0.6F toneladas de material 3 se emplean para producir F toneladas de aditivo. Del mismo modo, cada tonelada de base para solvente que produzca RMC usar 0.3 toneladas del material 3; por lo tanto, 0.3S toneladas del material 3 se emplean para producir S toneladas de base para solvente. Por consiguiente, la cantidad de toneladas del material 3 usado para producir F toneladas de aditivo y S toneladas de base es: Toneladas de material 3 usado = 0.6F + 0.3S
Debido a que se dispone de 21 toneladas del material 3 para la produccin, la declaracin matemtica de la restriccin 3 es:
0.6F + 0.3S < 21
Min 2A + 3B A continuacin consideramos las restricciones impuestas al problema de M&D Chemicals. Para satisfacer la demanada del cliente importante de 125 galones del producto A, sabemos que A debe ser al menos 125. Por tanto, escribimos la restriccin The Management Scientist
1A > 125 Debido a que la produccin combinada para ambos productos debe ser en total al menos 350 galones, podemos escribir la restriccin 1A + 1B > 350 Por ltimo, la limitacin en el tiempo de procesamiento disponible de 600 horas significa que necesitamos agregar la restriccin 2A + 1B < 600 Despus de agregar las restricciones de no negatividad (A, B > 0), tenemos el siguiente programa lineal para el problema de M&D Chemicals: Min 2A + 3B 1A > 125 Demanda para el producto A
1A + 1B > 350 Produccin total 2A + 1B < 600 Tiempo de procesamiento A, B > 0 La solucin obtenida usando The Management Scientist se presenta en las siguientes Imgenes. 1.-Le damos doble clic en el icono de programa en la ventana que nos aparecera. 2.- Seleccionamos programacion lineal y le damos OK y hacemos clic en continue
4.- Ponemos el nmero de variables y el nmero de restricciones en este caso como vamos a minimizar lo seleccionamos y le damos ok
5.- Procedemos a llenar el cuadro con los datos que se nos proporcion en el problema y le damos clic a solucin
ANALISIS DE SENSIBILIDAD
(Fuente: Anderson, D., Sweeney, D. y Williams, T. 2004. Mtodos cuantitativos para los negocios. 9 edicin. Mxico: Thomson. Pgina 285) El analisis de sensibilidades importante para los tomadores de decisiones debido a que los problemas reales ocurren en un ambiente cambiante. Los precios de las materias primas cambian, la demanda del producto cambia, las capacidades de produccin tambien cambian, los precios de las acciones suben o bajan, etcetera. Si se ha usado un modelo de programacin lineal en un ambiente as, podemos esperar que algunos de los coeficientes en el modelo se modifiquen con el tiempo y desearemos determinar como estos cambios afectan la solucin ptima. El analis de sensibilidad proporciona la informacin necesaria para responder a esos cambios sin requerir una solucin completa de un programa lineal revisado. Recuerde el problema de RMC que deseaba determinar la cantidad de toneladas de aditivo para combustible (F) y la cantidad de toneladas de base para solvente (S) a producir con el objeto de maximizar la contribucin a la ganancia total para los dos productos. Tres restricciones de materias primas limitan las cantidades de los dos productos que pueden producirse. El modelo de programacin lnela de RMC se replantea aqu: The Management Scientist
Max 40F +30S 0.4F + 0.5S < 20 Material 1 0.2S < 5 Material 2 0.6F + 0.3S < 21 Material 3
F,S>0 La solucin ptima, F = 25 toneladas y S = 20 toneladas, proporcion una contribucin mxima a la utilidad de $1600. La solucin ptima se baso en contribuciones a la ganancia de $40 por tonelada para el aditivo y de $30 por tonelada para la base de solvente. Sin embargo, suponga que despues nos enteramos que una reduccin en el precio causa que la contribucin a la ganancia del aditivo caiga de $40 a $30 por tonelada. Puede emplearse el anlisis de sensibilidad para determinar si producir 25 toneladas de aditivo para combustible y 20 toneladas de base para solvente an es lo mejor. De ser as, no es necesario resolver un problema de programacin lineal modificado con 30F + 30S como la nueva funcin objetivo. El analisis de sensibilidad tambien puede utilizarse para determinar cuales coeficientes es un modelo de programacin lneal son cruciales. Por ejemplo, suponga que la administracion asume que la contribucin a la ganancia de $30 por tonelada de la base para solvente slo es una estimacin burda de la contribucin a la ganancia que realmente se obtendr. Si al anlisis de sensibilidad muestra que 25 toneladas de aditivo para combustible y 20 toneladas de base para solvente sern la solucin ptima en tanto la contribucin a la ganancia de la base para solvente sern la solucin ptima slo si la contribucin a la utilidad de la base para solvente est entre $29.90 y $30.20 por tonelada, la administracin podra desear revisar la precisin de la estimacin de $30 por tonelada. Otro aspecto del anlisis de sensibilidad tiene que ver con los cambios en los valores del lado derecho de las restricciones. Recuerde que el problema de RMC la solucin ptima usaba todo el material 1 y el material 3 disponible. Qu le sucedera a la solucin ptima y a la contribucin a la ganancia total si RMC pudiera obtener cantidades The Management Scientist
adicionales de cualquiera de estos recursos?. El anlisis de sensibilidad puede ayudar a determinar cuntas toneladas adicionales de material valen la pena y cuntas toneladas pueden agregarse antes de que aparezcan los rendimientos decrecientes. Coeficientes de la funcin objetivo Ahora suponga que RMC se entera de que una reduccin su contribucin a la ganancia a $30 por tonelada. Con esta reduccin, la administracin de RMC puede cuestionar la conveniencia de mantener la solucin ptima original de F = 25 toneladas y S = 20 toneladas. Quiz, ahora la solucin ptima es diferente. El programa lineal de RMC con la funcin objetivo revisada es como sigue: Max 30F + 30S 0.4F + 0.5S < 20 Material 1 0.5S < 5 Material 2
0.6F + 0.3S < 21 Material 3 F. S>0 Observese que solo ha variado la funcin objetivo. Debido a que las restricciones no han cambiado. La regin factible para el problema de RMC revisado sigue siendo la misma que en el problema original. A continucin resolveremos este problema con el software The Management Scientist 1.- Seleccionamos programacion lineal y le clic damos OK
3.- Se introduce el nmero de variables y el nmero de restricciones en este caso como vamos a minimizar lo seleccionamos y le clic damos ok
4.- Procedemos a llenar el cuadro con los datos que se nos proporciono en el problema y le damos clic a solucin y luego en solve
5.- El programa da el resultado mas optimoque es 1050 nos muestra tambin el slack (holgura ) en cada una de la alternativas.
F.S>0
Recuerde que F es la cantidad de toneladas de aditivo para combustible producidas y que S es la cantidad de toneladas de base para solvente producidas. Suponga que la administracin tambin est considerando producir un lquido limpiador de alfombra. Las estimaciones son que cada tonelada de lquido limpiador de alfombra requiera 0.6 toneladas del material 1. 0.1 toneladas del material 2 y 0.3 toneladas del materias 3. Debido a las capacidades nicas del nuevo producto, la administracin de RMC cree que la compaa realizar una contribucin a la ganancia de $50 por cada tonelada de lquido limpiador de alfombras elaborado durante el periodo de produccin actual. Consideramos las modificaciones que son necesarias en el modelo de programacin lineal original para incorporar el efecto de esta variable de decisin adicional. Sea q C denote la cantidad de toneladas de lquido limpiador de alfombras producidas. Despus de agregar C a la funcin objetivo y a cada una de las tres restricciones, obtenemos el programa lineal para el problema modificado: Max 40F + 30S + 50C 0.4F + 0.5S + 0.6C < 20 Material 1 0.2S + 0.1C < 5 Material 2
0.6F + 0.3S + 0.3C < 21 Material 3 F.S>0 1.- Damos doble clic en el icono siguiente ventana que nos aparecer. 2.- Seleccionamos programacin lineal y luego damos clic en Ok del programa y luego en contine en la
4.- Ponemos el nmero de variables y el nmero de restricciones en este caso como vamos a maximizar lo seleccionamos y le damos clic en ok
objetivo y las
6.- La solucin optima es producir 27.5 toneladas de aditivo para combustible, 0 toneladas de base para solventey 15 toneladas de liquido limpiador para alfombra. El programa da el resutado mas ptimo que es 1850. Nos muestra tambien el costo reducido que es 12.5 para la variables.
Indica que la contribucin a la base de la ganacia tendria que aumentar almenos a $30+$12.5=42.5 antes que S pudiera tomar un valor positivo en la solucion ptima.
demandas de los almacenes y no se superen las disponibilidades de las fbricas, con coste mnimo El problema del transporte tiene que ver con la seleccin de rutas entre plantas de fabricacin y bodegas de distribucin o entre bodegas de distribucin regional y puntos de distribucin local. Al aplicar este mtodo la gerencia est buscando una ruta de distribucin que optimizar algn objetivo; ste puede ser la minimizacin del costo total del transporte o la minimizacin del tiempo total involucrado. El mtodo de transporte fue formulado por primera vez como un procedimiento especial para encontrar el programa de costo mnimo para distribuir unidades homogneas de un producto desde varios puntos de abastecimiento a varios puntos de consumo. Entre los datos del modelo se cuenta: Nivel de oferta de cada fuente y la cantidad de la demanda en cada destino. El costo de transporte unitario de la mercanca de cada fuente a cada destino.
TRANSPORTE El problema de transporte: el modelo de red y una formulacin de programacin lineal (Fuente: Anderson, D., Sweeney, D. y Williams, T. 2004. Mtodos cuantitativos para los negocios. 9 edicin. Mxico: Cengage Learning. Pgina 418) Lo ilustraremos considerando un problema de transporte enfrentado por Foster Generators. Este problema implica la movilizacin de un producto de tres plantas a cuatro centros de distribucin. Foster Generators opera plantas en Cleveland, Ohio; Bedford, Indiana y York, Pennsylvania. Las capacidades de produccin a lo largo del siguiente periodo de planeacin de tres meses para un tipo de generador son las siguientes: Capacidad de produccin en tres Origen Planta meses (unidad) 1 Cleveland 5000 2 Bedford 6000 3 York 2500 Total = 13500 La firma distribuye sus generadores a travs de cuatro centros regionales localizados en Boston, Chicago, San Luis y Lexington; el pronstico de la demanda en los tres meses para los centros de distribucin es la siguiente: Pronstico de la Centro de demanda para tres Destino Distribucin meses (unidades) 1 Boston 6000 2 Chicago 4000 3 San Luis 2000 4 Lexington 1500 Total = 13500 A la administracin le gustara determinar cunta de su produccin debera embarcarse desde cada planta a cada centro de distribucin. La siguiente grafica muestra las 12 rutas de distribucin que puede usar Foster. Esta grfica se llama red; los crculos se
conocen como nodos y las lneas que los conectan como arcos; cada origen y destino se presenta con un nodo y cada ruta de embarque posible se representa con un arco. La cantidad de suministro se escribe junto a cada nodo de origen y la cantidad de la demanda se escribe junto a cada nodo de destino. Los bienes embarcados de los orgenes a los destinos representan el flujo en la red. Observe que la direccin del flujo (del origen al destino) est indicada por las flechas. El objetivo del problema de transporte de Foster es determinar las rutas a usar y la cantidad que se embarcar por cada ruta para lograr que el costo de transporte total sea mnimo. El costo para cada unidad embarcada en cada ruta se da en la tabla siguiente:
DESTINOS Chicago San Luis 2 7 5 2 5 4
Boston 3 7 2
Lexington 6 3 5
Puede usarse un modelo de programacin lineal para resolver este problema de transporte. Usamos variables de decisin con doble subndice, con x11 denotando la cantidad de unidades embarcadas del origen 1 (Cleveland) al destino 1 (Boston), x 12 denotando la cantidad de unidades embarcadas del origen 1 (Cleveland) al destino 2 (Chicago), etctera. Los problemas de transporte necesitan restricciones debido a que cada origen tiene un suministro limitado y cada destino tiene un requerimiento de demanda. Consideraremos primero las restricciones de suministro. La capacidad en la planta de Cleveland es de 5000 unidades. Con la cantidad total de unidades desde la planta de Cleveland expresado como X11 + X12 + X13 + X14 < 5000 Suministro de Cleveland
Con tres orgenes (plantas), el problema de transporte de Foster tiene tres restricciones de suministro. Dada la capacidad de 6000 unidades en la planta de Bedford y de 2500 unidades en la planta de York, las dos restricciones de suministro adicionales son: X21 + X22 + X23 + X24 < 6000 Suministros de Bedford X31 + X32 + X33 + X34 < 2500 Suministros de York The Management Scientist
Con los centros de distribucin como los destinos, se necesitan cuatro restricciones de demanda para asegurar que se satisfarn las demandas de destino: X11 + X21 + X31 = 6000 Demanda de Boston X12 + X22 + X32 = 4000 Demanda de Chicago X13 + X23 + X33 = 2000 Demanda de San Luis X14 + X24 + X34 = 1500 Demanda de Lexington Combinar la funcin objetivo y las restricciones en un modelo proporciona una formulacin de programacin lineal de 12 variables y 7 restricciones del problema de transporte de Foster Generators: Min 3x11 +2x12 +7x13 +6x14 + 7x21 + 5x22 + 2x23 + 3x24 + 2x31 + 5x32 + 4x33 + 5x34 s.a 5000 x21 + x22 + x23 + x24 6000 x31 + 2500 x11 6000 x12 4000 x13 2000 x14
1500 xij > 0 para i = 1, 2, 3 y j = 1, 2 3, 4
<
<
+ x21
x31
<
+ x22
+ x32
<
+ x23
+ x33
<
+ x24
+ x34
<
4.- Procedemos a llenar el cuadro con las demandas, los suministros y los costos de transporte y posteriormente le damos clic en solucin y luego solve
5.- Escogemos si vamos a maximizar o a minimizar en este caso minimizar y le damos clic en ok
RUTA Unidades Costo por Desde Hasta embarcadas unidad Cleveland Boston 3500 $3 Cleveland Chicago 1500 $2 Bedford Chicago 2500 $5 Bedford San Luis 2000 $2 Bedford Lexington 1500 $3 York Boston 2500 $2
TRANSBORDO El problema de trasbordo: el modelo de red y una formulacin de programacin lineal. (Fuente: Anderson, D., Sweeney, D. y Williams, T. 2004. Mtodos cuantitativos para los negocios. 9 edicin. Mxico: Cengage Learning. Pgina 431) El problema de transbordo es una extensin del problema de transporte en el que se agregan nodos intermedios, llamados nodos de transbordo, para representar localizaciones como almacenes. En este tipo ms general de problema de distribucin, pueden hacerse embarques entre cualquier par de los tres tipos generales de nodos: de origen, de transbordo y de destino. Considerando el problema de transbordo enfrentado por Ryan Electronics, Ryan es una compaa electrnica con instalaciones de produccin en Denver y Atlanta. Los componentes producidos en cualquier instalacin pueden embarcarse a cualquiera de los almacenes regionales de la firma que se localizan en Kansas City y Louisville. De los almacenes regionales, la empresa provee a tiendas de ventas al menudeo en Detroit, Miami, Dallas y Nueva Orlens.
Costo de transporte por unidad para el problema de transbordo de Ryan Electronics ALMACEN Planta Kansas City Louisville Denver 2 3 Atlanta 3 1 Tiendas de ventas al menudeo Planta Detroit Miami Dallas Kansas City 2 6 3 Louisville 4 4 6
Nueva Orlens 6 5
Como con los problemas de transporte y asignacin, podemos formular un modelo de programacin lineal del problema de transbordo a partir de una representacin de red. Como es usual, la funcin objetivo refleja el costo total de embarque por las 12 rutas existentes. Combinar la funcin objetivo y las restricciones conduce a un modelo de programacin lineal de 12 variables y 8 restricciones del problema de transbordo de Ryan Electronics. La Formulacin de programacin lineal del problema de transbordo de Ryan Electronics queda de la siguiente manera: Min 2x13 + 3x14 + 3x23 + 1x24 + 2x35 + 6x36 + 3x37 + 6x38 + 4x45 + 4x46 + 6x47 + 5x48 s.a x13 + x14 <600 x23 + x24 <400 - x13 - x23 + x35 + x36 + x37 + x38 =0 - x14 - x24 + x45 + x46 + x47 + x48 = 0 x35 =200 + x45 x36 x =150 + 46 x37 =350 + x47 x38 x + 48 =300
Unidades Desde Hasta embarcadas Denver Kansas City 50 Denver Louisville 50 Atlanta Louisville 400 Kansas City Detroit 200 Kansas City Dallas 350 Louisville Miami 150 Louisville Nueva Orleans 300 The Management Scientist
Ruta
Costo Total 1100 150 400 400 1050 600 1500 5200
3.- Ponemos el nmero de orgenes y el nmero de destinos y seleccionamos minimizar y le damos en el botn ok
4.-Nos saldr un cuadro en donde introduciremos la funcin objetivo y las restricciones del problema y los dems datos.
Costo total
$2 $3 $1 $2 $3 $4 $5
ASIGNACION DE PUESTOS EL PROBLEMA DE ASIGNACIN: EL MODELO DE RED Y UNA FORMULACION DE PROGRAMACION LINEAL.
(Fuente: Anderson, D., Sweeney, D. y Williams, T. 2004. Mtodos cuantitativos para
los negocios. 9 edicin. Mxico: Cengage Learning. Pgina 425) La compaa Fowle Marketing Research enfrenta la tarea de asignar un lder de proyecto (agente) a cada cliente (tarea). En la actualidad tres individuos no tienen otros compromisos y estn disponibles para las obligaciones de lder de proyecto; sin embargo, la administracin de Fowle se da cuenta de que el tiempo requerido para completar cada estudio depender de la experiencia y capacidad del lder asignado al proyecto. Los tres proyectos tienen aproximadamente la misma prioridad y la administracin desea asignar lderes de proyecto para minimizar la cantidad total de das requeridos para completar los tres proyectos. Si solo se le va asignarse un lder a un cliente qu asignaciones deberan hacerse? Para responder la pregunta de asignacin, la administracin de Fowle debe considerar en primer lugar todas las asignaciones de lder de proyecto- cliente posibles y luego estimar los tiempos para completar el proyecto correspondiente. Con tres lderes de proyecto y tres clientes, son posibles nueve alternativas de asignacin. Tiempos estimados para completar el proyecto (das) para el problema de asignacin de Fowle Marketing Research.
Cliente
1
10 9 6
2
15 18 14
3
9 5 3
en donde le daremos en continuar y nos aparecer una lista de opciones en donde le daremos clic en el modulo 3 assignment o asignacin y luego en ok
3.-Seguidamente nos aparecer esta ventana en donde se tiene que meter el nmero de tareas y el nmero de agentes y le damos en ok
4.-Luego en la siguiente ventana introduciremos los tiempos estimados para completar los proyectos
6.-A continuacin nos aparece un cuadro en donde le debemos dar en minimization objetive y luego en ok por que se le quiere asignar solo un lder de proyecto a cada cliente.
Nos dar la cantidad total das en que los lderes de proyecto terminarn y que cliente se le asigna a cada lder de proyecto. The Management Scientist
Se puede resolver tambin de la siguiente manera como programacin lineal El problema de asignacin es un caso especial del problema de transporte en el que todos los valores de suministro y demanda son igual a 1, y la cantidad embarcada en cada arco es 0 o1 y debido a que es un caso especial de transporte puede elaborarse una formulacin de programacin lineal. Para ello necesitamos una restriccin para cada nodo y una variable para cada arco. Con X11 representamos la asignacin del proyecto 1(Terry) al cliente 1, X12 la asignacin del lder del proyecto 1(Terry) al cliente 2 y as sucesivamente. Definimos las variables de decisin para el problema como:
Uno si el lder del proyecto i se asigna al siguiente cliente Xij= 0 de otra manera
Donde i = 1, 2,3y j=1, 2,3 Usando esta notacin y los datos del tiempo de la tabla elaboramos expresiones que indica el tiempo necesario para completar los proyectos: Das requeridos para la asignacin de Terry Das requeridos para la asignacin Carle Das requeridos para la asignacin McClymonds =10X11+15X12+9X13 = 9X21+18X22+5X23 = 6X31+14X32+3X33
La suma de los tiempos para completar de los tres lderes de proyectos proporcionara los das totales requeridos para completar las tres asignaciones. Por lo tanto la funcin objetivo es: The Management Scientist
Min 10X11+15X12+9X13 +9X21+18X22+5X23 +6X31+14X32+3X33 Las restricciones para el problema refleja que cada lder de proyecto puede asignarse, cuando mucho, a un cliente y que cada cliente debe de tener un lder de proyecto. Estas restricciones se escriben as como sigue: X11+X12+X13<1 asignacin de Terry X21+X22+X23<1 asignacin de Carle X31+X32+X33<1 asignacin de McClymonds X11+X12+X13=1 cliente 1 X21+X22+X23=1 cliente2 X31+X32+X33=1 cliente 3 Combinar las restricciones y la funcin objetivo proporciona el siguiente modelo de programacin lineal de nueve variables y seis restricciones, para resolver el problema de asignacin de Fowle Marketing Research
en donde le daremos en continuar y nos aparecer una lista de opciones en donde le daremos clic en la opcin programacin lineal y luego en ok
3.- Luego nos aparecer la siguiente ventana se pondr el nmero de restricciones y el nmero de las variables de decisin, seleccionamos minimize y luego en ok
4.- Nos aparecer una ventana en donde introduciremos los datos del modelo de programacion lineal que formulamos:como funcion objetivo restricciones y alternativas.
En la imagen nos indica que cliente le toco a cada lder de proyecto. A Terry le fue asignado el cliente 2 y requerir 15 das, a Carle le fue asignado el cliente 3 y requerir 5 das y a McClymonds el cliente uno y requerir 6 das que da un total de 26 das en terminar los tres proyectos. Lder de proyecto Terry Carle McClymonds Cliente asignado 2 3 1 Das 15 5 6 Total 26
(Fuente: Anderson, D., Sweeney, D. y Williams, T. 2004. Mtodos cuantitativos para los negocios. 9 edicin. Mxico: Cengage Learning. pgina.446) Klein Chemicals produce un material especial con base en aceite que en la actualidad esta escaso. Cuatro clientes de Klein ya han colocado pedidos que en conjunto exceden la capacidad combinada de las dos plantas existentes y la administracin enfrenta el problema de decidir cuantas unidades debera ser suministrada a cada cliente. Como los cuatro clientes estn en diferentes sectores, pueden cargarse diferentes precios, debido a las diversas estructuras de asignacin de precios de la industria. Sin embargo, costos de produccin ligeramente diferentes en las dos plantas y los costos de
transporte variables entre las plantas y los clientes hacen inaceptable una estrategia de vender al mejor postor. Despus de considerar el precio, los costos de produccin y los costos de transporte, Klein estableci la siguiente utilidad por unidad para cada alternativa planta-cliente. The Management Scientist
Cliente Planta Clifton Springs Danville D1 $32 $34 D2 $34 $30 D3 $32 $28 D4 $40 $38
Danville
3000
D3 3000 D4 2000
en donde le daremos en continuar y nos aparecer una lista de opciones en donde le daremos clic en el modulo 2 transportation (transporte) y luego en ok
3.-Luego nos aparecer un cuadro en donde se introducir el nmero de orgenes y el nmero de destinos que en este caso sern 3 orgenes ya que uno es ficticio y le damos en ok.
4.-Se introducen los datos, la demanda y la capacidad de origen y la cantidad de suministros que nos hacen falta para cubrir la demanda se lo asignamos al origen ficticio.
6.-Nos aparecer un cuadro en donde le daremos en maximizar porque Klein Chemicals busca maximizar sus ganancias y le damos ok
Se formula un modelo de programacin lineal, planteamos la funcin objetivo en el cual se busca maximizar las ganancias.
Max 32X1+34x2+32x3+40x4+34x11+30x12+28x13+38x14+0+0+0+0 X1+x2+x3+x4 x11+x12+x13+x14 <5000 Clifton Springs <3000 Danville 0 <4000 origen ficticio X1+x11 x2 +x12 x3+x13 x4+x14 <2000 D1 <5000 D2 <4000 D3 <2000 D4
Max 32X1+34x2+32x3+40x4+34x11+30x12+28x13+38x14+0+0+0+0 X1 +x2 +x3 +x4 x11 +x12 +x13 +x14 <5000 <3000 0<4000 X1 x2 x3 x4 +x11 + x12 + x13 +x14 <2000 <5000 <4000 <2000
en donde le daremos en continuar y nos aparecer una lista de opciones en donde le daremos clic en la opcin programacin lineal y luego en ok
3.- Luego nos aparecer la siguiente ventana se pondr el nmero de restricciones y el nmero de las variables de decisin, seleccionamos maximize y luego clic en ok
4.- Introducimos el modelo de programacin lineal, colocamos funcin objetivo y los dems datos.
actividades que no estn en la ruta crtica tienen una cierta cantidad de holgura; esto es, pueden empezarse ms tarde, y permitir que el proyecto como un todo se mantenga en programa. El PERT/CPM identifica estas actividades y la cantidad de tiempo disponible para retardos.
El PERT/CPM tambin considera los recursos necesarios para completar las actividades. En muchos proyectos, las limitaciones en mano de obra y equipos hacen que la programacin sea difcil.
Finalmente, el PERT/CPM proporciona una herramienta para controlar y monitorear el progreso del proyecto. Cada actividad tiene su propio papel en ste y su importancia en la terminacin del proyecto se manifiesta inmediatamente para el director del mismo.
(Fuente: Anderson, D., Sweeney, D. y Williams, T.2004. Mtodos cuantitativos para los negocios. 9 edicin. Mxico: Cengage Learning. Pgina 514)
El propietario de Western Hills Shopping Center planea modernizar y expandir el complejo actual de 32 locales de negocios del centro comercial; se espera que el proyecto proporcione espacio para ochos a 10 locales nuevos y el financiamiento se arregl por medio de un inversionista privado. Todo lo que resta es que el propietario del centro comercial planee, programe y complete el proyecto de expansin. El primer paso en el proceso de programacin PERT/CPM es elaborar una lista de las actividades que conforman el proyecto
Red del proyecto de Western Hills Shopping Center con tiempos de actividad Para determinar el tiempo en que se completa el proyecto debemos analizar la red e identificar la llamada ruta crtica para la red.
Actividades A B C D E F G H I
Descripcin de la actividad Preparar planos arquitectnicos Identificar nuevos arrendatarios potenciales Elaborar folletos informativos para los arrendatarios Seleccionar contratistas Preparar permisos de construccin Obtener aprobacin para los permisos de construccin Realizar la construccin Finalizar contratos con arrendatarios Mudanza de los arrendatarios
Tiempo de la actividad 5 6 4 3 1 4 14 12 2 51
Ruta es una secuencia de nodos conectados que conduce desde el nodo INICIO hasta el nodo FIN. Todo el proyecto se demora si se demoran las actividades en la ruta ms larga, por lo que es la ruta critica. Las actividades en esta ruta se conocen como las actividades crticas del proyecto. The Management Scientist
Determinacin de la ruta critica Se comienza por encontrar el tiempo de inicio ms temprano y el tiempo de inicio ms tardo para todas las actividades en la red. ES = tiempo de inicio ms temprano para una actividad. EF = tiempo de finalizacin ms temprano para una actividad T = tiempo de la actividad El tiempo de finalizacin ms temprano para cualquier actividad es: EF = ES + t Escribimos los tiempos de inicio y finalizacin ms temprano en el nodo a la derecha de la letra de la actividad. Usando la actividad A cono ejemplo, tenemos
EF = ES + t 0+5=5
Debido a que una actividad no puede empezar antes de que todas las actividades predecesoras inmediatas hayan terminado, se utiliza la siguiente regla. El tiempo de inicio ms temprano para una actividad es igual al ms largo de los tiempos de finalizacin ms tempranos para todas sus predecesoras inmediatas. Red del proyecto de Western Hills Shopping Center en el que se muestran los tiempos de inicio y finalizacin ms tempranos para todas las actividades.
Continuamos el algoritmo para encontrar la ruta critica haciendo una pasada hacia atrs a travs de la red. Como el proyecto puede completarse en 26 semanas, comenzaremos la pasada hacia atrs con un tiempo de finalizacin ms tarda. LS = tiempo de inicio ms tardo para una actividad. LF = tiempo de finalizacin ms tardo para una actividad
LS = LF t
Puede usarse la siguiente regla para determinar el tiempo de finalizacin ms tardo para cada actividad en la red.
El tiempo de finalizacin ms tardo para una actividad es el menor de los tiempos de inicio ms tardo para todas las actividades que le siguen inmediatamente.
Se establece que el tiempo ms tardo en que puede terminarse una actividad es igual al valor ms temprano (menor) para el tiempo de inicio ms tardo de las actividades siguientes. Podemos usar la regla del tiempo de finalizacin ms tardo para verificar los valores LS y LF mostrados para la actividad.
I 2 4 2 Tiempo de inicio ms tardo 26 26
Despus de que se ha completado las pasadas hacia adelante y hacia atrs, podemos determinar la holgura asociada con cada actividad. La holgura es el tiempo que puede demostrarse una actividad sin aumentar la duracin total del proyecto. La holgura se calcula: HOLGURA = LS ES = LF EF
Actividad
Ruta critica?
A B C D E F G H I
0 0 5 5 5 6 10 9 24
SI
SI SI SI SI
Red del proyecto de Western Hills Shopping Center en la que se muestran los tiempos de inicio y finalizacin ms tardos en cada nodo
4.- En el siguiente cuadro dar clic en la opcin Tiempos de Actividad Conocidos, agregar el Numero de Actividades y dar clic en OK
5.- Seleccionar cada Actividad, sus Predecesoras y as mismo El tiempo de cada una
6.- El programa proporciona la Tabla Final con los resultados ms ptimos, segn su ruta crtica que es A-E-F-G-Y y el tiempo en completar el proyecto que es 26 semanas, los inicios ms tempranos y tardos, la finalizacin ms temprana y la ms tarda y las holguras las cuales quedan en 0 son actividades crticas.
Actividad A B C D E F G H I J
Descripcion. Elaborar diseo de producto Planear investigacion de mercados Preparar enrutamiento Contruir modelo prototipo Preparar folleto de mercadotecnia Preparar estimaciones de costos Hacer pruebas preliminares de producto Completar encuestas de mercado Preparar asignacion de precio y reporte de pronosticos Preparar reporte final
Predesedora inmediata.
A A A C D B,E H F,G,I
Tiempo de actividad estimados, optimista, mas probable y pesimista para el proyecto de PORTA-VAC (en semanas) The Management Scientist
Actividad A B C D E F G H I J
4.- En el siguiente cuadro dar clic en la opcin Tiempos de Actividad inciertas, agregar el Numero de Actividades y dar clic en OK
5.- Seleccionar cada Actividad, sus Predecesoras y as mismo El tiempo de cada una
6.- El programa proporciona la Tabla Final con los resultados ms ptimos, segn su ruta crtica.
Los elaboradores originales del CPM proporcionaron al gerente del proyecto la opcin de agregar recursos a actividades seleccionadas para reducir el tiempo para completar el proyecto. Los elementos agregaos generalmente aumentan los costos del proyecto. As que la decisin de reducir los tiempos de actividad debe tomar en cuenta el costo adicional implicado. Un proyecto de mantenimiento de dos maquinas consiste en 5 The Management Scientist
actividades. Debido a que la administracion ha tenido consideranble experiencia en proyectos similares los tiempos para las actividades de mantenimiento se cosideran conocidos; por consiguente se da una sola estimacion detiempo para cada actividad. Actividad. Descripcion. Predecedora inmediata ---A ---C B,D Tiempo esperado (dias) 7 3 6 3 2
A B C D E
Revision de la maquina 1 Ajuste de la maquina 1 Revision de la maquina 2 Ajuste de la maquina 2 Probar el sisitema
3.- Seleccionar cada Actividad, sus Predecesoras y as mismo El tiempo de cada una
4.- El programa proporciona la Tabla Final con los resultados ms ptimos, segn su ruta crtica.
CAPTULO V: MODELOS DE LINEA DE ESPERA.(TEORA DE COLAS ) La teora de las colas es el estudio matemtico de las colas o lneas de espera. La formacin de colas es, por supuesto,
un fenmeno comn que ocurre siempre que la demanda efectiva de un servicio excede a la oferta efectiva.
Con frecuencia, las empresas deben tomar decisiones respecto al caudal de servicios que debe estar preparada para ofrecer. Sin embargo, muchas veces es imposible predecir con exactitud cundo llegarn los clientes que demandan el servicio y/o cuanto tiempo ser necesario para dar ese servicio; es por eso que esas decisiones implican dilemas que hay que resolver con informacin escasa. Estar preparados para ofrecer todo servicio que se nos solicite en cualquier momento puede implicar mantener recursos ociosos y costos excesivos. Pero, por otro lado, carecer de la capacidad de servicio suficiente causa colas excesivamente largas en ciertos momentos.
Cuando los clientes tienen que esperar en una cola para recibir nuestros servicios, estn pagando un coste, en tiempo, ms alto del que esperaban. Las lneas de espera largas tambin son costosas por tanto para la empresa ya que producen prdida de prestigio y prdida de clientes.
(Fuente: Anderson, D., Sweeney, D. y Williams, T. (2004). Mtodos cuantitativos para los negocios. (9 edicin). Mxico: Cengage Learning). (p. 601)
Suponga que Burguer Dome analizo los datos sobre las llegadas de los clientes y concluyo que la tasa media de llegada es de 45 clientes por hora. Para un periodo de un minuto, la tasa media de llegada seria =45 clientes/60 minutos= .75 clientes por minuto por lo que se puede utilizar la funcin de probabilidad de Poisson para calcular la probabilidad de x llegadas durante un periodo de un minuto
5.-Introduciremos los datos: nmero de canales que son 1, tasa media de arribos es 0.75y la tasa media de servicio por canal que es 1.
6.- Le damos clic en solve y nos arrojara el resultado de probabilidad de cinco clientes o ms
Nos da como resultado la probabilidad de que no haya clientes en la lnea de espera es 0.25, la cantidad promedio de clientes en la lnea de espera es 2.25, el nmero promedio de unidades en el sistema es 3, el tiempo promedio que pasa una unidad en la lnea de espera 3, el tiempo promedio que pasa una unidad en el sistema es 4 y el 75% de los clientes que llegan tiene que esperar para que los atiendan son indicadores de que debera hacerse algo para mejorar la operacin.
Para mejorar la operacin de la lnea espera los analistas se centran en formas de mejorar la tasa de servicio. Por lo general, las mejoras en la tasa de servicio se obtienen realizando los siguientes cambios de manera individual o conjuntamente.
1.- aumentar la tasa de de servicio media haciendo un cambio creativo en el diseo o usando nueva tecnologa.
MODELO DE LINEA DE ESPERA CON CANALES MULTIPLES CON LLEGADAS DE POISSON Y TIEMPOS DE SERVICIOS EXPONENCIALES
(Fuente: Anderson, D., Sweeney, D. y Williams, T. 2004. Mtodos cuantitativos para los negocios. 9 edicin. Mxico: Thomsom. Pgina 609)
Una lnea de espera con canales mltiples consiste en dos o ms canales de servicio que se supone que son idnticos desde el punto de vista de su capacidad en el sistema de canales mltiples, las unidades que llegan esperan en una sola lnea y luego pasan al primer canal disponible para ser servidas. La operacin de un solo canal de Burguer Dome puede expandirse a un sistema de dos canales al abrir un segundo canal de servicios. The Management Scientist
Suponga que la administracin de Burguer Dome desea evaluar la conveniencia de abrir una segunda estacin de procesamiento de pedidos de modo que puede servirse simultneamente a dos clientes. Suponga una lnea de espera nica con el primer cliente en la lnea pasando al primer empleado disponible. Evaluemos las caractersticas operativas para este sistema de dos canales. Sistemas de canales k=2. Para una tasa media de llegada =0.75 clientes por minuto y una tasa media de servicio de m=1 cliente por minuto por cada canal donde:
k=cantidad de canales
4.- Seguidamente nos aparecer un cuadro en donde introduciremos los datos tasa media de llegada para el sistema (),tasa media de servicio para cada canal (m) y la cantidad de canales (k) y despus le damos clic en solve
Ahora podemos compara los sistemas de dos canales dos canales con las caractersticas operativas del sistema original de un solo canal.
Tiempo promedio que pasa un cliente en el sistema (tiempo de espera ms tiempo de servicio) se reduce de W= 4 minutos a W= 1.1636 minutos. The Management Scientist
La cantidad promedio de clientes en la lnea de espera se reduce de Lq= 2.25 clientes a Lq = 0.1227 clientes
El tiempo promedio que pasa un cliente en la lnea de espera se reduce de W q= 3minutos a Wq= 0.1636 minuto.
La probabilidad de que un cliente tenga que esperar por el servicio se reduce de P w= 0.75 a Pw= 0.2045.
Un administrador puede querer identificar el costo de operar el sistema de lnea de espera y luego, basar la decisin respecto al diseo del sistema, en costo de operacin por hora o da mnimo. Antes de que pueda llevarse a cabo un anlisis econmico de una lnea de espera, debe de elaborarse un modelo de costo total el cual incluye el costo de esperar y el costo de servicio.
Para elaborar un modelo de costo total para una lnea de espera, se debe de tomar en cuenta:
K= cantidad de canales
Para realizar un anlisis econmico de una lnea de espera debemos obtener estimaciones razonables del costo de esperar y el costo del servicio. De estos dos costos, por lo general el de esperar es el ms difcil de evaluar. En el problema de Burguer Dome, el costo de esperar seria el costo por minuto para un cliente que espera por servicio. Este no es un costo directo para Burguer Dome, sin embargo si Burguer Dome lo ignora y permite las lneas esperas largas, los clientes comern en otra parte. Generalmente es ms fcil determinar el costo del servicio. Este es el costo relevante asociado con la operacin de cada canal de servicio; en el problema de Burguer Dome, incluir los salarios y prestaciones del empleado y cualquier otro costo directo asociado con la operacin del canal de servicio. En Burguer Dome este costo se estima en $7 dlares por hora. Suponemos que Burguer Dome est dispuesto a asignar un costo de $10 por hora en el tiempo de espera del cliente.
4.-Seguidamente nos aparecer un cuadro en donde introduciremos los datos: tasa media de llegada para el sistema (),tasa media de servicio para cada canal (m) y la cantidad de canales (k) activamos la casilla de anlisis econmico y despus le damos clic en solve
Si hacemos una comparacin de las lnea de espera de un solo canal con la lnea de espera de dos canales podemos notar que el de un solo canal tiene un costo de $37 por hora y la dos canales tiene un costo de $22.73 por hora por lo tanto, con base en los datos de costo proporcionada por Burguer Dome, el sistema de dos canales proporciona la operacin ms econmica pero aumenta el costo de mano de obra.